Экспертные системы нового поколения

Аннотация:
В статье проводится анализ развития технологии экспертных систем. Особенное внимание уделяется рассмотрению экспертных систем нового поколения. В статье, также рассматривается классификация экспертных систем в эволюционном контексте, проведен сравнительный анализ и краткий обзор экспертных систем. Делается вывод о достоинствах и недостатках экспертных систем нового поколения, а также приводится ряд предположений о дальнейшем пути развития рассматриваемой технологий с учетом самых современных тенденций в рассматриваемой области.
Abstract:
The article analyzes the development of expert systems technology. Special attention is paid to the consideration of new-generation expert systems. The article also discusses the classification of expert systems in the evolutionary context, a comparative analysis and review of expert systems. The conclusion is made about the advantages and disadvantages of new-generation expert systems, as well as a number of assumptions about the further development of the technology in question, considering the latest trends in the field.
Ключевые слова:
Машинное обучение, нейронная сеть, экспертная система, python, база знаний, алгоритм, Big Data, искусственный интеллект.
Keywords:
Machine learning, neural network, expert system, python, knowledge base, algorithm, Big Data, artificial intelligence.
Современное общество характеризует научный прогресс. первые проявления научно-технического прогресса способствовали появлению первой производственной революции. В самом начале преимущества прогресса заключалось в том, что с помощью науки технологии, рутинный, тяжелый ручной труд подвергался «механизации». Все что ранее выполнял человек, за него начали делать машины. Однако, далеко не только физическую работу можно «механизировать» и автоматизировать.
Существует огромное множество направлений умственной работы, которую так же можно автоматизировать. Рассмотрим для большей подробности такой пример. Есть задача, необходимо подобрать оптимальным образом компоненты для сборки персонального компьютера. Как правило такими задачами, занимаются специалисты, или, другими словами, эксперты.
Эксперт благодаря своему опыту и знаниям выполняет сборку всех необходимых компонентов будущего персонального компьютера наилучшим образом. Но у данной задачи помимо всего прочего могут различаться целевые направления, к примеру сборка бюджетного компьютера, сборка игровой станции или, например сборка компьютера для выполнения офисных задач [1, c. 28].
При достаточно большом потоке заказчиков на такие сборки, конечно, потребуется большое время. Возникает вопрос, можно ли как-то оптимизировать составление листа компонентов для сборки персонального компьютера. На самом деле, именно такими задачами и занимаются экспертные системы. Работу эксперта-человека можно заменить на систему, имеющую четыре основных компонента:
Интерфейс ввода данных;
База знаний;
Набор логических правил.
Интерфейс вывода данных.
Таким образом процесс функционирования стандартной экспертной системы в упрощенной форме можно представить по следующей схеме, в соответствии с рисунком 1.
Рисунок 1 Упрощенная схема функционирования стандартной экспертной системы
Как можно заметить, на представленной выше схеме, процесс функционирования стандартной, типовой экспертной системы, довольно тривиален и прост

. Однако, каждая отдельная система обладает рядом собственных специфических отличий, которые в большинстве своем, как правило, обусловлены нюансами области прикладного применения [2, c. 83].
Тем не менее, в последние годы экспертные системы претерпели ряд значительных эволюционных перемен. Перемены настолько значительны, что появилась даже с своего рода, определенная классификация и разделение экспертных систем на стандартные экспертные системы и на системы нового поколения.
Столь значимые изменения, были вызваны в первую очередь, прогрессом в технологиях, связанных с машинным обучением, искусственным интеллектом и нейронными сетями. Если стандартные системы для своей работы в основном используют огромные базы знаний и наборы логических правил, заранее определенные программистами и инженерами, то системы нового типа работают совершенно иначе.
Новое поколение экспертных систем, способно обучаться и выдавать результаты, не заданные заранее, а подходящие к конкретной задаче исходя из уникальных начальных условий. Именно такой подход, позволяет значительно увеличить диапазон эффективности экспертной системы. Эвристические алгоритмы и машинное обучение, позволяют экспертной системе обучаться и совершенствоваться уже без участия эксперта-учителя, на основе опыта которого, система обучается в начале [3, c. 57].
Однако, обучаемые экспертные системы нового поколения, при разработке и обучении нуждаются в особом виде ресурсов, а именно в большом объеме выборки данных для начального обучения.
Платформы Big Data – это по своей сути, буквально конструктор для первоначальной сборки экспертных систем. Стандартными требованиями к функциям таких Big Data платформ это поиск и навигация в источниках данных, как в статичном, так и в динамическом режиме, подключение новых источников и анализ данных, функции для работы со структурированными данными.
Для работы над созданием экспертных систем, использующих обучение, необходимы так же специалисты для работы с Big Data платформами.
Таким образом можно сделать выводы о том, что хотя новое поколение экспертных систем хоть обладает рядом весомых преимуществ по сравнению с предыдущим поколением, но также имеет и некоторый недостаток. Недостаток заключается в большей трудоемкости при разработке и тренировке экспертных систем нового поколения по сравнению с ресурсами и трудоемкости разработки предыдущего поколения [4, c. 48].
Совершенно отдельной ветвью экспертных систем нового поколения, является универсальная вычислительная система Wolfram Alpha. Wolfram Alpha по сути является чем то гораздо большим, чем просто экспертная система, так как в ней используются элементы искусственного интеллекта, а также современные прогрессивные вычислительные алгоритмы