*

Historia Sztucznej InteligencjiArtificial Intelligence Experts

Systemy konsultingowe

Konsultant komputerowy SRI

Kiedy w SRI szukano sposobów na kontynuację badań planowania i wizji, które prowadzono w ramach projektu "Shakey the Robot", jednocześnie zaspokajając zainteresowanie DARPA wojskowymi zastosowaniami, natrafiono na problem konserwacji, naprawy sprzętu i szkolenia. Zwrócono uwagę, że każda technologia, która mogłaby zmniejszyć wydatki na te przedmioty i zmniejszyć potrzebę wykorzystywania rzadkich ludzkich ekspertów, byłaby niezwykle ważna dla wojska. Ponadto, powiedziano, że tej potrzeby "nie można zaspokoić jedynie pisząc więcej i lepsze instrukcje. Zaawansowany system komputerowy wydaje się nam niezbędny". Zaproponowano rozpoczęcie pracy nad tym problemem poprzez opracowanie środowiska, w którym praktykant otrzyma poradę na temat demontażu i ponownego montażu małej sprężarki powietrza. Porada zostanie wygenerowana ( zgodnie z potrzebami ucznia) przez system planowania i realizacji, który dałby sugestie dotyczące dalszych działań i mógłby poprosić o radę, korzystając z gotowego małego słownictwa, które system przeanalizowałby za pomocą najnowocześniejszego sprzętu do rozpoznawania mowy, a następnie system odpowiedziałby za pomocą modułu generowania mowy. System wykorzystywałby również system widzenia maszynowego, aby pomóc śledzić postępy i obserwować komponenty wskazane przez ucznia. Chociaż projekt nie trwał wystarczająco długo, aby osiągnąć wszystkie swoje cele, zademonstrowano wczesną wersję systemu "Computer-Based Consultant" (CBC), w którym uczniem (granym przez Georgię Sutherland, jednego z członków zespołu projektowego) była poprosił o ponowny montaż sprężarki powietrza (sprężarki Sears Model 17209, 1/2 HP), która wcześniej została częściowo rozebrana. Wypowiedziano prośby i odpowiedzi zarówno systemu, jak i ucznia. Oto próbka jednej z interakcji z systemem (z moim komentarzem w nawiasach):

System: Zamontuj sprężarkę powietrza.
Uczeń: Jak?
(Uczeń prosi o radę i system, używając Sacerdoti ,Opisany wcześniej system NOAH tworzy hierarchię planu montażu.)
S: Zainstaluj pompę.
(System wspomina o pierwszym działaniu w planie wysokiego szczebla NOAH )
OK
(Uczeń wie, jak zainstalować pompę i wskazuje to ,że nie potrzebuje dalszych porad, jak to zrobić. Na tym etapie projektu CBC system zakładał, bez kontroli wizualnej, że uczeń ukończył ten pierwszy krok).
S: Zainstaluj wspornik pompy.
(System wspomina o drugim działaniu w planie wysokiego poziomu.)
U.: Jak?
(Uczeń nie wie, jak wykonać ten krok i pyta o poradę.)
S: Podłączyć usztywnienie pompy do pompy.
(System wspomina o pierwszym z bardziej szczegółowych kroków w działaniu na wysokim poziomie w celu zainstalowania usztywnienia pompy).
OK
(Uczeń wie, jak osiągnąć ten krok.)
S: Podłączyć wspornik pompy do ramy obudowy pasa.
(System wspomina o następnych, bardziej szczegółowych krokach w działaniu na wysokim poziomie, aby zainstalować zastrzał pompy).
Ten typ interakcji trwa do momentu zakończenia zadania. System śledził bieżący stan montażu za pomocą sieci proceduralnej stworzonej przez system NOAH. Gdyby uczeń zapytał "dlaczego?" na każdym etapie system użyłby sieci proceduralnej do skonstruowania odpowiedzi. Odpowiedź mogła być w stylu "musisz wykonać x, ponieważ jest to jedna z akcji związanych z wykonywaniem y" lub "musisz zrobić x, ponieważ musisz to zrobić najpierw, aby wykonać akcję, z". Ponadto uczeń mógł poprosić o pomoc w zlokalizowaniu jednej z głównych części sprężarki powietrza, a system pokazałby jej wskaźnik laserowy. Część siatki proceduralnej obliczonej dla tego przykładu pokazano poniżej:



Projekt CBC był także okazją dla grupy NLP SRI do wypróbowania wypracowanych przez nich pomysłów dotyczących generowania i rozumienia zdań używanych w rozmowach. W projekcie CBC praktykant i osoba udzielająca porady uczestniczą w dialogu na temat zadania, a mianowicie zadania pracy na sprężarce powietrza. Struktura zadania, wzorowana na sieci proceduralnej generowanej przez NOAH, dostarczyła ważnych informacji pragmatycznych przydatnych w zrozumieniu zdań. Informacje te zostały wykorzystane w systemie o nazwie TDUS (akronim od Task Dialog Understanding System), który może angażować się w bardziej złożone dialogi niż mówione, które właśnie pokazano, prowadząc ucznia przez zadanie asemblacyjne. TDUS zintegrował system planowania NOAH z systemem rozumienia języka naturalnego (posiadającym składniowe, semantyczne i pragmatyczne komponenty), aby umożliwić konwersację tekstową z uczniem. Wykorzystam przykład zaczerpnięty z artykułu o TDUS, aby zilustrować rolę, jaką odgrywa struktura zadań w zrozumieniu zdania. Rozważ następujące zdania:

Mówca 1: Dlaczego John rozebrał pompę na części?
Mówca 2: Zrobił to, aby ją naprawić
Interpretacja odniesień słów zapisanych kursywą w drugim zdaniu jest ułatwiona przez odniesienie do kontekstu zadania określonego w pierwszym zdaniu. "On" odnosi się do Johna, \ did it "odnosi się do zadania demontażu, a drugie" it "odnosi się do pompy. TDUS szeroko wykorzystuje zmieniający się" kontekst "i cele dialogu. Jak napisali twórcy TDUS , W miarę postępu dialogu uczestnicy nieustannie zmieniają skupienie uwagi, tworząc w ten sposób zmieniający się kontekst, w którym wypowiedzi są tworzone i interpretowane. Mówca dostarcza słuchaczowi wskazówek, na co patrzeć i jak na to spojrzeć -na czym się skupić ,jak się na nim skupić i jak szerokie lub wąskie skupienie powinno być. Opracowano reprezentację do skupiania się na dyskursie, procedury używania jej do identyfikacji obiektów do których odnoszą się wyrażenia rzeczownikowe oraz procedury wykrywania i reprezentowania zmian w ustawianiu ostrości. (Słowa "wypowiedź", "mówca" i "słuchacz" nie powinny być rozumiane dosłownie. Przetwarzany język tekstowy TDUS, a nie język mówiony. W badaniach NLP słowa te są często używane w uogólnionym znaczeniu w odniesieniu do zdań , generatory zdań i odbierające zdania, bez względu na medium.) Głównym przedmiotem zainteresowała się była Barbara J. Grosz, która kontynuowała prace na ten temat i roli w NLP jako profesor na Uniwersytecie Harvarda. Oprócz mechanizmów radzenia sobie z kontekstami, celami i skupieniem, TDUS zawierał gramatykę, zwaną DIAGRAM, do rozpoznawania wielu struktur składniowych języka angielskiego, środków do reprezentowania i rozumowania procesów i celów, a także ramy opisujące, w jaki sposób różne typy wiedzy wchodzą w interakcje w miarę rozwoju dialogu. Demonstracja systemu CBC, podobnego do tego, który opisałem kilka akapitów temu, została przedstawiona w SRI 23 kwietnia 1975 r. Dla J. C. R. Licklidera [który wrócił na szefa IPTO w 1973 r.]. W DARPA, były bardzo imponujące systemy AI zajmujące się konserwacją sprzętu. SRI miał program opisujący, jak rozebrać pompę na części i złożyć ją z powrotem. To nie jest strasznie skomplikowane urządzenie, ale imponujący był widok komputera, który oczywiście zrozumiał wszystkie części pompy i sposób ich współpracy. Z powodu zachęty Licklidera optymistycznie podchodzono do kontynuacji projektu CBC i opracowania planu systemu, który diagnozowałby i dawał porady dotyczące naprawy silnika jeepa wojskowego. Niestety, jeden z nowych menedżerów programu DARPA IPTO, pułkownik David Russell, nie kupił go. Po wizycie w SRI na kilka dni przed wizytą Licklidera, 23 kwietnia Russell wysłał e-mail do Licklider z informacją: "Muszę przyznać, że jestem poważnie zaniepokojony programem SRI, szczególnie w świetle presji zarządczej na program AI. Patrząc na planowany plan programu, nad którym pracował Nils, widzę program o wartości 2,2 miliona dolarów w ciągu najbliższych trzech lat w celu opracowania eksperymentalnego CBC dla jeepa.…Nie widzę, jak można go obronić jako aplikację krótkoterminową…Chociaż może to być trudne, sugeruję, abyś podał coś poważnego pomyślał o zakończeniu programu CBC po zakończeniu fazy sprężarki powietrza i przekieruj SRI do aplikacji zorientowanych na obronę lub przekaż swoją pracę NSF. Doceniam, że to herezja, ale tak właśnie widziałem sytuację. Nie omawiałem tych komentarzy bezpośrednio z Nilsem, chociaż zapytałem, co by zrobił, gdyby program został zakończony. Mogłem stworzyć negatywny pogląd na podstawie niepoprawnego zrozumienia programu i nie chciałem zdenerwować grupy SRI bez twoich poglądów na program."

Później tego samego roku Russell zastąpił Licklidera na stanowisku dyrektora DARPA IPTO i zakończył projekt CBC. (Prace nad TDUS były jednak kontynuowane przy wsparciu NSF.) Wsparcie DARPA dla grupy SRI zostało następnie "przekierowane" do interfejsów języka naturalnego do baz danych oraz do "zrozumienia obrazu", aby pomóc tłumaczom zdjęć. Niektórzy z nas zdecydowali się zamiast tego szukać wsparcia innego niż DARPA, aby pracować na komputerowych systemach doradczych. Ciągłe prace na Uniwersytecie Stanforda nad tak zwanymi systemami ekspertowymi zachęciły nas do tego

Systemy eksperckie
MYCIN

Projekt HEURISTIC DENDRAL Stanforda wykazał moc wyposażania komputerów w specjalistyczną wiedzę na temat chemii i spektroskopii. Feigenbaum, Lederberg i Buchanan, starsi członkowie projektu, wierzyli, że podobne podejście może działać na problem medyczny. Na początku lat 70. Buchanan zaczął rozmawiać ze Stanleyem Cohenem, szefem farmakologii klinicznej w Stanfords Medical School, na temat skomputeryzowanego systemu ostrzegania o interakcjach leków o nazwie MEDIPHOR. poszedł na kurs Stanford na temat sztucznej inteligencji, a także został asystentem w projekcie Cohena. Shortliffe, Buchanan i Cohen wspólnie wymyślili pomysł stworzenia programu komputerowego, który konsultowałby się z lekarzami na temat infekcji bakteryjnych i terapii. Shortliffe nazwał program MYCIN, powszechny sufiks środków przeciwbakteryjnych. Taki program musiałby zawierać wiedzę diagnostyczną i terapeutyczną ekspertów w dziedzinie chorób zakaźnych. Pierwszym pytaniem w rozwoju MYCIN było to, jak reprezentować wiedzę ekspercką. Shortliffe i Buchanan uważali, że odpowiednie byłoby coś podobnego do "reguł IF-THEN" zastosowanych w DENDRAL. Podczas diagnozowania, jakie choroby mogą powodować określone objawy, a także w przepisywaniu terapii, wydaje się, że lekarze używają pewnego rodzaju IF-THEN sposób rozumowania: JEŻELI objawy są takie a takie, TO prawdopodobnie przyczyna jest taka a -więc wiedza za tego rodzaju rozumowaniem opiera się na doświadczeniu z przypadkami, a także na wiedzy naukowej na temat chorób. Uważano, że wiedzę IF -THEN potrzebną w programie można uzyskać, przeprowadzając wywiad z odpowiednimi ekspertami medycznymi, którzy już tak myśleli. Co ciekawe, rozumowanie IF-THEN na tematy medyczne ma długą historię. Podsumowując część książki J. H. Breasta na temat wiedzy chirurgicznej zawartej w starożytnym egipskim papirusie, Robert H. Wilkins napisał: "Papirus chirurgiczny Edwina Smitha, pochodzący z XVII wieku p.n.e., jest jednym z najstarszych ze wszystkich znanych papirusów medycznych". (Papirus został kupiony w sklepie z antykami w Luksorze przez Edwina Smitha w 1882 r.) Wilkins wspomina o kilku zasadach dotyczących papirusu, z których jedna jest następująca:

Przypadek trzydziesty

Tytuł: Instrukcje dotyczące skręcenia kręgów szyi

Badanie: Jeśli badasz mężczyznę mającego zwichnięcie w kręgu szyi, powinieneś mu powiedzieć: "spójrz na dwa ramiona i piersi". Kiedy to robi, widzenie możliwe dla niego jest bolesne.
Diagnoza: Powinieneś powiedzieć o nim: "Kto ma zwichnięcie w kręgu szyi. Jest to dolegliwość, którą będę leczyć".
Leczenie: powinieneś związać go świeżym mięsem pierwszego dnia. Teraz powinieneś codziennie traktować miód ywrw (i), dopóki nie wyzdrowieje.
Dwoma innymi ekspertami, którzy dołączyli do opracowania powstającego systemu diagnostyki i leczenia, był Thomas Merigan, szef Wydział Chorób Zakaźnych w Stanford i Stanton Axline, lekarz w tym oddziale. W podsumowaniu historii projektu Buchanan i Shortliffe przypisują Axline nazwę programu MYCIN. Zespół złożył z sukcesem wniosek o grant w National Institutes of Health w październiku 1973 r. Shortliffe postanowił połączyć studia medyczne z pracą na kierunku doktoranckim z informatyki. Ponieważ wersja LISP, z której chciał korzystać (BBN-LISP, a wkrótce INTERLISP) nie była dostępna w Stanford, używał komputera PDP-10 grupy SRI AI. Zasady IF-THEN wywołane przez ekspertów medycznych zwykle były obarczone niepewnością. Buchanan i Shortliffe wspominają, że "Cohen i Axline użyli słów takich jak "sugeruje" lub "uwiarygodnia" w opisie wpływu zestawu obserwacji na odpowiedni wniosek. Wydawało się jasne, że w naszych regułach musieliśmy poradzić sobie z twierdzeniami probabilistycznymi. "

Po zmaganiu się z różnymi sposobami wykorzystania prawdopodobieństw do zakwalifikowania zasad IF-THEN MYCINA, krótko zdecydował się na użycie nieco ad hoc "czynników pewności". Tutaj, na przykład (zarówno w wewnętrznym formularzu LISP, jak i w języku angielskim), jest jedna z zasad MYCIN:

ZASADA036

POMIESZCZENIE: ($ ORAZ (SAME CNTXT GRAM GRAMNEG)
(SAME CNTXTM MORPH ROD)
(SAME CNTXT AIR ANAEROBIC))

DZIAŁANIE: (ZAKOŃCZ BAKTEROIDY TOŻSAMOŚCI CNTXT TALLY 0.6) JEŻELI: 1) Plamą gramową organizmu jest gramneg i
2) Morfologia organizmu to pręt i
3) Tlenowośc organizmu jest beztlenowa
TO: Istnieją sugestywne dowody (0.6), że tożsamość organizmu to bakterioidy

Wartość 0,6 w tej regule ma na celu zmierzenie "stopnia przekonania" eksperta lub "pewności" co do wniosku. Shortliffe pomyślał, że stopień przekonania nie jest taki sam jak ocena prawdopodobieństwa, ponieważ między innymi zauważył, że eksperci, którzy przedstawili Regułę 036, niekoniecznie uważali, że prawdopodobieństwo, że organizm nie będzie bakterioidami, wyniesie 0,4. Oryginalny system MYCIN miał 200 takich reguł. Do 1978 r. miał prawie 500. Reguły MYCIN były zwykle przywoływane, na przykład zastosowano by regułę w postaci "JEŻELI x1 i x2, NASTĘPNIE y", gdyby ogólnym celem systemu było wyciągnięcie y. Zastosowanie tej reguły prowadziłoby do użycia reguł, których części "NASTĘPNIE" były albo x1 lub x2. Pod koniec łańcucha reguł lekarz systemu użytkownik (lub baza danych) zostanie poproszony o to by podać informacje o części "JEŻELI". Tak więc, gdyby MYCIN próbował ustalić, że tożsamość organizmu to bakterioidy, użyto by RULE036, a lekarz (lub baza danych) zostałby zapytany, czy barwnik gramowy organizmu to gramneg i tak dalej. MYCIN został skonfigurowany jako "system konsultacji. "Oznacza to, że współpracował z użytkownikiem lekarzem, który dostarczył informacje o konkretnym pacjencie. Zastosowanie reguł i tworzenia łańcuchów reguł pozwoliło systemowi dostarczyć" wyjaśnienia "uzasadnienia. Na przykład po zapytaniu użytkownik przywołany przez Regułę 036, jeśli użytkownik zapytał "Dlaczego zapytałeś, o morfologię organizmu", system odpowiedziałby (po angielsku) coś w rodzaju "ponieważ próbuję ustalić, czy tożsamość organizmu jest bakteroides. "Jak więc MYCIN poradził sobie w swoim podstawowym zadaniu zalecania terapii? Shortliffe i współpracownicy przeprowadzili kilka ocen, w których lekarze zostali poproszeni o porównanie zaleceń MYCIN z własnymi dla kilku pacjentów. Ich głównym wnioskiem było to, że "Siedemdziesiąt procent terapii MYCIN został oceniony jako akceptowalny przez większość ewaluatorów". Przy okazji zauważyli również, że" 75% jest w rzeczywistości lepsze niż stopień zgodności, jaki można ogólnie osiągnąć, oceniając wykładowca Stanforda na tym samym poziomie kryteria. "Jedną z innowacji MYCIN (powiedzmy w przeciwieństwie do DENDRAL) był to proces rozumowania (przy użyciu reguł) był zupełnie odrębny od wiedzy medycznej (same reguły). Dlatego powszechne stało się dzielenie programu na dwie części, a mianowicie "silnik wnioskowania" do stosowania reguł i "bazę wiedzy" reguł. Zasadniczo można dodawać nowe reguły bez konieczności zmiany silnika wnioskowania. Podział ten pokazano poniżej



jego separacja sugeruje, że można zbudować systemy eksperckie do innych zastosowań, po prostu zastępując wiedzę medyczną inną bazą wiedzy bez konieczności zmiany silnika wnioskowania. William van Melle zaimplementował system, który nazwał EMYCIN ("E" dla "puste"). Projektant systemu wraz ze specjalistami z niektórych dziedzin, X, mógł wejść w interakcję z EMYCIN, aby stworzyć IF -THEN reguły dla pola X. Korzystając z wbudowanego silnika wnioskowania, EMYCIN może następnie wykorzystać te reguły, aby udzielić porady użytkownikowi systemu podczas konsultacji. EMYCIN wykorzystano do budowy kilku różnych systemów eksperckich w różnych dziedzinach, takich jak planowanie podatkowe i mechaniczna analiza strukturalna. Naukowcy wkrótce odkryli, że niewielka zmienność czynników pewności zastosowanych przez MYCIN i EMYCIN była równoważna z zastosowaniem prawdopodobieństw. Powiązanie z teorią prawdopodobieństwa implikowało konsekwencje, których ani MYCIN, ani EMYCIN nie mogłyby uciec. W szczególności ich rozumowanie było zgodne z teorią prawdopodobieństwa tylko przy pewnych raczej ograniczających założeniach dotyczących tego, w jaki sposób zastosowano zasady. Jak zauważają Russell i Norvig, jeśli te założenia nie zostaną spełnione, "czynniki pewności mogą przynieść katastrofalnie niepoprawne stopnie przekonania poprzez przeliczenie dowodów. W miarę powiększania się zestawów reguł, niepożądane interakcje między regułami stają się bardziej powszechne, a praktycy stwierdzili, że czynniki pewności wielu innych reguł trzeba było "ulepszyć", gdy dodano więcej reguł. Nowoczesne metody wykorzystują bardziej wyrafinowane techniki probabilistyczne, jak zobaczymy później. Mimo to sukces MYCIN i różnych programów EMYCIN doprowadził do opracowania wielu innych systemów eksperckich, z których niektóre oparte są na EMYCIN, a niektóre wykorzystują własne, specyficzne podejścia. Jak napisał Allen Newell we wstępie do książki Buchanana i Shortlffe, " MYCIN jest oryginalnym systemem eksperckim, który pokazał całej reszcie świata, że nowa nisza otworzyła się… MYCIN uosabia nową ścieżkę, która została stworzona. Tak więc zgromadzenie pełnego zapisu tego systemu i wewnętrznej historii jego rozwoju służy zapisaniu ważnego wydarzenia w historii sztucznej inteligencji ".

PROSPEKTOR

Zainspirowani pracą Shortliffe z MYCIN, niektórzy z SRI zaczęli badanie niemedycznych zastosowań systemów eksperckich. Jednym z rozważanych obszarów była "zintegrowana ochrona przed szkodnikami", w której wiedza na temat upraw i ich szkodników-owadów mogłaby zostać wykorzystana do złagodzenia skutków drapieżnictwa owadów przy minimalnym zastosowaniu chemicznych środków owadobójczych. Chociaż propozycje zostały napisane, a naukowcy wykazali pewne zainteresowanie w Departamencie Rolnictwa USA i Agencji Ochrony Środowiska, pomysł został porzucony, gdy propozycje zostały zrealizowane. Peter Hart i Richard Duda ostatecznie skupili się na systemach służących do doradzania eksploratorom na temat możliwych złóż minerałów "hard-rock". Hart odbył wczesne rozmowy z Johnem Harbaughem, profesorem inżynierii naftowej w Stanford oraz z Alanem Campbellem, jednym z absolwentów Harbaugh. (Alan Campbell był synem zmarłego Neala Campbella, światowej sławy odkrywcy, który odkrył prawdopodobnie największe złoże ołowiu i cynku na świecie. Alan spędził większość swojej młodości w obozach górniczych.) Poprzez Campbella Hart i Duda poznali Charlesa Park′a, byłego dziekana Stanfords School of Earth Sciences i autorytetu w zakresie twardych skał. Park pomógł Hartowi i Duda skodyfikować wiedzę na temat złóż cynku i ołowiu w formie zasad IF-THEN. Dalsza praca z Marco Einaudi, profesorem w Departamencie Geologii Gospodarczej Stanforda, doprowadziła do wprowadzenia dodatkowych zasad i pomysłów dotyczących organizacji reguł. Ostatecznie US Geological Survey zapewniło fundusze na opracowanie systemu eksperckiego PROSPECTOR do konsultacji na temat złóż mineralnych. Duża grupa osób uczestniczyła w projektowaniu i pisaniu Programu PROSPECTOR. Duda i Hart poprowadzili wysiłek. Inni współautorzy to John Gaschnig, Kurt Konolige, Rene Reboh, John Reiter, Tore Risch i Georgia Sutherland. MYCIN miał dominujący wpływ na opracowywaną technologię - "przede wszystkim poprzez zastosowanie reguł reprezentujących wiedzę osądzającą oraz włączenie formalnych mechanizmów radzenia sobie z niepewnością". Inne ważne wpływy pochodziły z innego systemu diagnozy medycznej, INTERNIST-1, który krótko opiszę. Były to wykorzystanie informacji taksonomicznych i zdolność do obsługi informacji dobrowolnych (a nie tylko zapytanych). PROSPECTOR zastosował reguły, aby wyciągać wnioski i kierować procesem konsultacji. Dwa przykłady tych zasad to Zasada 3: "Barite leżący nad siarczanem sugeruje możliwą obecność masywnego złoża siarczku. " i Reguła 22: "Skały z kryształowymi wnękami sugerują obecność siarczanów". Reguły zostały zakodowane jako "partycjonowane sieci semantyczne" - format pochodzi od Gary Hendrix , w jego doktoracie na University of Texas. Praca dyplomowa do wykorzystania w reprezentowaniu wiedzy potrzebnej w systemach przetwarzania języka naturalnego. Sieci semantyczne zostały również wykorzystane do przedstawienia wiedzy taksonomicznej wykorzystywanej przez PROSPECTOR. Przykład takiej sieci pokazano poniżej



Reguły można połączyć ze sobą w tak zwane "wnioskowanie sieci. "Uproszczony przykład uzasadnienia na temat masywnego złoża surowca typu Kuroko pokazano poniżej



Zwróć uwagę, w jaki sposób Reguła 22 pomaga ustalić jedną z przesłanek dla Reguły 3. Należy również zauważyć, że taksonomia służy do wnioskowania o obecności siarczanu, gdy wiadomo, że występuje galena, sfaleryt lub chalkopiryt. Wnioski z lokalnej reguły w celu wyciągnięcia wniosków w sieci zależały od prawdopodobieństwa i reguły Bayesa - nie od liczb ad hoc, takich jak "czynniki pewności". Eksperci geologiczni zostali poproszeni o oszacowanie niepewności co do reguły, podając projektantom dwie liczby. Jednym z czynników jest wzrost szans na poparcie wniosku, gdyby przesłanki były prawdziwe. Drugi to czynnik, według którego szanse sprzyjające wnioskowi byłyby zmniejszone, gdyby przesłanki były fałszywe. Reguła Bayesa została zastosowana w połączeniu z tymi liczbami w celu ustalenia prawdopodobieństwa wyciągnięcia wniosku, biorąc pod uwagę prawdopodobieństwa przesłanek. Metody wnioskowania PROSPECTORA, mimo że były lepsze niż MYCIN, dawały probabilistycznie ważne wyniki tylko dla niektórych rodzajów wnioskowania- struktury netto. Jak wyjaśniają Glenn Shafer i Judea Pearl, "Prawdopodobieństwa nie mogą po prostu oznaczać liczbami dołączonymi do reguł IF -THEN. Wyniki obliczeń prawdopodobieństwa byłyby sensowne tylko wtedy, gdy obliczenia te byłyby zgodne z zasadami teorii prawdopodobieństwa" .Nowoczesne systemy eksperckie wykorzystują bardziej ogólne ramy bayesowskiej sieci. Zwykły format konsultacji PROSPEKTORA obejmował sesję z geologiem zainteresowanym oceną określonego miejsca. Geolog może podać pewne informacje, które przywołałyby niektóre zasady PROSPECTORA. Następnie system obliczył, jakie dodatkowe informacje byłyby najskuteczniejsze w zmianie prawdopodobieństwa wykrycia tego, co chciał geolog. PROSPEKTOR zadałby następnie pytanie, aby uzyskać te informacje (i ich prawdopodobieństwo). W trakcie całego procesu użytkownik może w dowolnym momencie podać dodatkowe informacje. Ponieważ PROSPECTOR może korzystać z dobrowolnych informacji, przebieg programu nie musi być częścią sesji konsultacyjnej dotyczącej pytań i odpowiedzi. Zamiast tego użytkownik może wprowadzić cały zestaw danych o znajdowaniu w polu "PROSPECTOR", który następnie wyciągnie wnioski. Dane te mogą pochodzić z bazy danych lub, być może, bardziej użyteczne, z mapy wskazującej kontury regionów w które znaleziono różne rodzaje minerałów. (Kurt Konolige z SRI dołączył w tym czasie do zespołu PROSPECTOR i napisał program, który umożliwił PROSPECTORowi wykorzystanie danych mapy jako danych wejściowych.) Wystąpiło najbardziej dramatyczne wystąpienie wykorzystania danych mapy przez PROSPECTOR gdy udało się zidentyfikować lokalizację złoża porfiru molibdenu na górze Tolman w stanie Waszyngton Wyniki poprzednich eksploracji terenu góry Tolman wykorzystano do opracowania map przedstawiających ważne dane geologiczne dotyczące potencjalnych złóż molibdenu. PROSPEKTOR przetworzył te mapy zgodnie z regułami uzyskane głównie od Victora F. Hollistera, eksperta od złóż molibdenu porfirowego i Alana Campbella. Rezultatem przetwarzania była kolejna mapa wskazująca na g względna "korzystność" złoża mineralnego. Wyświetlenia komputerowe niektórych map wejściowych pokazano poniżej



Nie wyjaśnię szczegółów geologicznych tego, co przedstawiają te mapy, ale reprezentują one dane uważane za ważne przez ekspertów, takich jak Campbell i Hollister. Z danych tego rodzaju PROSPECTOR stworzył mapy uprzywilejowania, z których jedną pokazano tu.



Skala po prawej stronie mapy (renderowana w kolorze) wskazuje na przychylność od +5 (bardzo korzystne) do -5 (bardzo niekorzystne). W oparciu o wcześniejsze intensywne wiercenia w największym z korzystnych obszarów, firma górnicza zaplanowała tam kopalnię odkrywkową (opisane konturem z etykietą "proponowany dół"). Oceniając ten wynik, należy zachować ostrożność. Nie jest tak, że PROSPECTOR odkrył złoża rudy na wcześniej niezbadanej stronie. Jak wskazano w liście do redaktora czasopisma "Sztuczna inteligencja", Duża firma wydobywcza znalazła już złoże rudy molibdenu, wykonując ponad 200 otworów poszukiwawczych w jednym regionie… i my wiedzieliśmy, że zamierzają przeprowadzić dalsze wiercenia dla własnych informacji.[To dalsze wiercenie] wykazało niezwykłą zgodność z mapą uprzywilejowania PROSPECTOR, obejmującą zarówno weryfikację Prognozy PROSPEKTORA dla dużego, nieznanego wcześniej obszaru mineralizacji rud oraz weryfikacja PROSPEKTORA prognozy dla jałowych obszarów.… Niestety długotrwałe pogorszenie koniunktury gospodarczej w przemyśle minerałów sprawił, że ten obszar jest nieprojektowany…Dlatego dotychczasowy sukces PROSPECTOR był raczej naukowy niż ekonomiczny.

Czytelnicy zainteresowani bardziej szczegółowymi informacjami powinni zapoznać się z cytowanym wcześniej artykułem naukowym oraz podsumowującym raportem końcowym na temat projektu PROSPECTOR. Kod komputerowy dla PROSPECTOR został dostarczony do US Geological Survey, gdzie Richard B. McCammon opracował następczy system, który nazwał PROSPECTOR II. Podsumowując swój system, McCammon napisał PROSPECTOR II, następca PROSPECTOR, został opracowany w US Geological Survey. Obecnie baza wiedzy zawiera 86 modeli złóż i informacje o ponad 140 złożach mineralnych. W ciągu kilku minut geolog może wprowadzić obserwowane dane dla obszaru, wybrać typy modeli złoża do oceny, uzyskać porady na temat tych modeli, które najlepiej pasują do obserwowanych danych, a dla konkretnego modelu ustalić, który z tych danych może wyjaśnić, które z danych są niewyjaśnione i które krytyczne atrybuty modelu nie są przestrzegane w danych.

Inne systemy eksperckie

Kilka innych systemów eksperckich śledziło prace MYCIN i PROSPECTOR. Niektórzy, jak MYCIN, zajmowali się diagnostyką medyczną i terapią. Z nich wspomnę o programie INTERNIST-1 autorstwa informatyków Randolpha A. Millera i Harry′ego E. Pople′a oraz lekarza Jacka D. Myersa z University of Pittsburgh i Program CASNET (Causal-ASsociational NETwork) autorstwa Casimira A. Kulikowskiego i Sholoma M. Weissa z Rutgers University. Seria programów diagnostycznych INTERNIST-1 zawierała wiedzę specjalistyczną na temat medycyny wewnętrznej, która częściowo została przedstawiona w formie sieci semantycznej lub taksonomii stanów chorobowych (zwanej nosologią w medycynie). W artykule w New England Journal of Medicine Miller, Pople i Myers stwierdzili, że wyniki INTERNIST-1 na serii 19 ćwiczeń kliniczno-patologicznych (Case Records of the Massachusetts General Hospital) opublikowane w czasopiśmie wydawały się jakościowo podobne do że klinicyści szpitalni, ale gorsi od omawiających przypadki. Jednak doszli do wniosku, że" obecna forma programu nie jest jeszcze […] wystarczająco wiarygodna do zastosowań klinicznych ". Później znaczna część wiedzy diagnostycznej zgromadzonej w INTERNIST-1 została ponownie zapakowana w QMR (Quick Medical Reference), system wspomagania decyzji diagnostycznych dla internistów. (Od tego czasu jego ostateczny nabywca First DataBank przerwał działalność.) CASNET również korzystał z sieci. W nich "reguły wnioskowania" łączyły obserwacje, stany patofizjologiczne, stany diagnostyczne i stany leczenia. Ich głównym zastosowaniem były jaskry, dla których mieli dobre modele fizyczne, na których można opierać reguły wnioskowania. Na Uniwersytecie Carnegie Mellon John McDermott pomógł w opracowaniu opartego na regułach systemu o nazwie XCON (dla eXpert CON gurer), aby pomóc w zamówieniu i konfiguracji systemów komputerowych VAX firmy Digital Equipment Corporation. XCON wyrósł z wcześniejszego systemu McDermotta o nazwie R1.R1, a XCON zostały napisane w specjalnym języku przetwarzania reguł o nazwie OPS5, jednym z rodziny języków OPS opracowanym przez Charlesa Forgy'ego z CMU. (Mówi się, że OPS to skrót od Offcial Production System.) Języki OPS używały algorytmu Forgy′ego "Rete" do skutecznego łączenia reguł IF-THEN razem. XCON najpierw wszedł do użytku w 1980 roku w zakładzie DEC w Salem w stanie New Hampshire. W XCON uniknięto problemu z radzeniem sobie z niepewnymi informacjami, ponieważ prawie nigdy nie napotkał on problemu z konfiguracją, który nie posiadał wystarczającej wiedzy do obsługi. Do 1989 r., Zgodnie z artykułem o XCON i pokrewnych systemach konfiguracyjnych w DEC, systemy te miały w sumie około 17 500 reguł. Gazeta powiedziała to dalej… ogólnie szacuje się, że zwrot netto z technologii cyfrowej przekroczy 40 milionów USD rocznie. Zastosowanie systemów konfiguracji gwarantuje, że kompletne, konsekwentnie skonfigurowane systemy są wysyłane do klienta. Niekompletne zamówienia nie przechodzą przez proces. Ponadto XCON generuje konfiguracje, które optymalizują wydajność systemu, dzięki czemu klienci stale uzyskują najlepszy widok naszych produktów. Przed systemami konfiguracji często wysyłaliśmy te same części skonfigurowane w różny sposób. Oprócz XCON i jego rodzeństwa DEC, w latach 80. zbudowano i wdrożono kilka systemów eksperckich, które zostały wykorzystane przez firmy i laboratoria badawcze. W 1983 r. General Electric opracował pomoc w rozwiązywaniu problemów z lokomotywami spalinowymi (DELTA), prototypowy system wspomagający personel kolejowy w konserwacji lokomotyw spalinowo-elektrycznych General Electric. Deweloperzy stwierdzili, że "może zdiagnozować wiele problemów z lokomotywą i może zasugerować personelowi konserwacyjnemu procedury naprawcze". Miał 530 zasad "częściowo reprezentujących wiedzę starszego inżyniera serwisu terenowego". Innym przykładem jest JETA (Jet Engine Troubleshooting Assistant), opracowany przez inżynierów z National Research Council w Kanadzie. Według artykułu na temat JETA "zastosowano go do rozwiązywania problemów z silnikiem odrzutowym General Electric J85-CAN-15, który napędza rynny trenerów CF-5 używanych przez kanadyjskie siły powietrzne". Wiedza o silnikach odrzutowych oraz ich możliwych usterkach i objawach jest zakodowana w ramkach. Reguły są używane wyłącznie do "określonych funkcji sterowania osadzonych w ramce i do asynchronicznego wprowadzania danych przez użytkownika". W lipcu 1989 r. Ww oddziale Credit Clearing House (CCH) Dun & Bradstreet (D&B) zastosowano system ekspercki o nazwie CCH-ES do analizy kredytowej. Zawierał on około 800 zasad i mógł obsługiwać transakcje online, gdy klienci CCH poprosili o usługi lub gdy analitycy chcieli sprawdzić sprawy. Sprawy wsadowe uruchomiono, gdy pojawiły się aktualizacje w odpowiednich bazach danych. Według artykułu na temat systemu "Umowa analityka z CCH-ES nadal wynosi około 98,5 procent na bieżąco […] Odniosła duży sukces w D&B. Zapewniła CCH zautomatyzowanego analityka kredytowego w systemie eksperckim, który może konsekwentnie podejmować decyzje dotyczące analizy kredytowej na poziomie eksperckim i na wysokim poziomie jakości tak samo chwalili system. "Więcej systemów eksperckich opisano w książce "The Rise of the Expert Company". W dodatku do tej książki Paul Harmon wymienia ponad 130 systemów eksperckich używanych od połowy do końca lat 80. XX wieku, w tym

•  Grain Marketing Advisor pomoc rolnikom w wyborze strategii marketingowych lub przechowywania swoich upraw zbożowych,
•  ACE za pomoc operatorom telefonicznym w zmniejszeniu częstości awarii kabli telefonicznych,
•  IDEA na pomoc technikom w diagnozowaniu problemów w lokalnej sieci Infotron IS4000,
•  Diag 8100 za pomoc w diagnozowaniu problemów i awarii komputerów IBM 8100 w Travellers Corporation,
•  Intelligent Peripheral Troubleshooter z urządzeniami peryferyjnymi ułatwiające rozwiązywanie problemów z napędami dysków Hewlett-Packard,
•  SNAP na pomoc kupującym w Infomart (sklep komputerowy w Dallas) w ocenie ich potrzeb w zakresie komputerów osobistych,
•  Pile Selection, aby pomóc projektantom w firmie budowlanej Kajima wybrać materiał do palowania, który będzie stosowany w fundamentach budynków,
•  ExperTAX za pomoc w ocenie stosowania nowych przepisów podatkowych w Stanach Zjednoczonych dla klientów Coopers i Lybrand oraz
•  Dipmeter Advisor na pomoc w analizie formacji geologicznych napotkanych podczas wiercenia studni naftowej.

Firmy-eksperci

Nowe firmy i oddziały istniejących firm zaczęły opracowywać i udostępniać te aplikacje. Pierwszym z nich był Teknowledge, zorganizowany przez grupę pracowników Stanforda i badaczy w celu wprowadzenia na rynek systemów eksperckich i konsultacji w sprawie systemów eksperckich. Teknowledge wykorzystał EMYCIN jako podstawową technologię. Kolejnym było Syntelligence, założone przez Petera Harta i Richarda Duda (wraz z niektórymi badaczami PROSPECTOR) w celu wprowadzenia na rynek systemów eksperckich do ubezpieczeń i analizy kredytów. W Syntelligence systemy ekspertowe zostały napisane w języku SYNTEL, opracowanym przez Renffe Reboh i Tore Risch i opartym na pomysłach PROSPECTOR. Po odejściu z CMU Charles Forgy założył w 1983 r. Production Systems Technologies "w celu opracowania i wprowadzenia na rynek najnowocześniejszych narzędzi opartych na regułach". Wśród innych firm powstałych w tym okresie były Aion Corporation, Helix Expert System, Ltd., Exsys, Inc., Inference Corporation i IntelliCorp. Ponieważ nie było zbyt trudne dla klientów, którzy chcieli, aby systemy eksperckie opracowywały własne wersje (które były w stanie działać na tanich stacjach roboczych i komputerach osobistych), wiele firm zajmujących się systemami eksperckimi przestało istnieć, zostało kupionych przez większe firmy lub musieli zmienić orientację firmy, aby zapewnić dodatkowe lub powiązane usługi. Po tym, jak podekscytowanie związane z systemami ekspertowymi nieco osłabło w latach 80. i 90. XX wieku, niektórzy programiści skoncentrowali się na systemach do pozyskiwania i wdrażania "reguł biznesowych". Według organizacji o nazwie Business Rules Group reguła biznesowa to "oświadczenie, które określa lub ogranicza pewne aspekty działalności. Ma ona na celu potwierdzenie struktury biznesowej lub kontrolę lub wpływ na zachowanie firmy". Na przykład reguła biznesowa może stwierdzać "gdy nasz asortyment widgetów spadnie poniżej 200, powiadom produkcję widgetu". Reguły biznesowe mają formę instrukcji IF-THEN, podobnie jak reguły systemu eksperckiego. W aplikacjach biznesowych silniki wnioskowania systemu eksperckiego przekształciły się w silniki reguł biznesowych (BRE). Służą do odpowiedzi na pytania dotyczące praktyk biznesowych lub podjęcia działań, takich jak składanie zamówień lub wysyłanie alertów. Niektóre osoby zaangażowane w dostarczanie specjalistycznego oprogramowania systemowego przeszły na oprogramowanie oparte na regułach biznesowych. Na przykład w 2002 r. Charles Forgy założył RulesPower, Inc., którego systemy zarządzania regułami biznesowymi (BRMS) korzystały z późniejszych wersji algorytmu Rete. (W 2005 r. RulesPower sprzedał część swoich aktywów firmie Fair Isaac Corporation, firmie zajmującej się technologią analityczną i zarządzania decyzjami, która od tego czasu zmieniła nazwę na FICO.)