Программное обеспечение экспертных систем позволяет компьютерам как эксперты
Обновлено: 05.07.2024
Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.
Экскурс в историю экспертных систем
История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.
Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.
Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.
С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.
В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.
Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.
G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.
Структура экспертной системы
1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.
2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.
3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.
4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде <A,B,C,D> :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.
Какие существуют модели представления знаний?
Распространены четыре основных МПЗ:
- Продукционная МПЗ
- Семантическая сеть МПЗ
- Фреймовая МПЗ
- Формально логическая МПЗ
Продукционная МПЗ
В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):
IF <условие>, THEN <действие>
Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR .
Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример: IF температура реактора подымается THEN добавить стержни в реактор
В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.
Пример
| Диагноз | Температура | Давление | Кашель |
|---|---|---|---|
| Грипп | 39 | 100-120 | Есть |
| Бронхит | 40 | 110-130 | Есть |
| Аллергия | 38 | 120-130 | Нет |
Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит
Продукционная модель представления знаний нашла широкое применение в АСУТП
Среды разработки продукционных систем(CLIPS)
CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:
Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.
Семантическая сеть МПЗ
В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:
- класс — подкласс
- свойство — значение
- пример элемента класса
По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.
Все типы отношений:
- часть — целое
- класс — подкласс
- элемент — количество
- атрибутивный
- логический
- лингвистический
Пример
Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.
Фреймовая МПЗ
Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.
Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.
Пример
Пример вырождающейся в сеть фреймов
На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.
Языки разработки фреймовых моделей (Frame Representation Language)
FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.
Запись фрейма на языке FRL будет иметь вид:
Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.
Формально логическая МПЗ
В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.
Пример
A1 = <идет дождь> A2 = <небо в тучах> A3 = <солнечно>; IF A1 AND A2 THEN <взять зонтик>
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.
Важно
Любая экспертная система должна иметь вывод данных и последовательность "мышления" системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное "мышление" представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).
Заключение
Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.
Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Курмашева А.С.
В статье представлены результаты создания экспертной системы (ЭС), позволяющей по наличию ряда признаков (симптомов) определять диагноз и модифицировать базу знаний . Дается описание основных характеристик, рассмотрена структура и функции ЭС.
Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Курмашева А.С.
Построение обучающего модуля экспертной системы определения принадлежности сущности к определённому классу Анализ развития экспертных систем подземного строительства Экспертная система анализа фармакологического взаимодействия лекарственных препаратов i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.Текст научной работы на тему «Программная реализация экспертных систем на персональных ЭВМ»
Орский Гуманитарно-технологический институт (филиал) ОГУ, г. Орск.
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ НА
В статье представлены результаты создания экспертной системы (ЭС), позволяющей по наличию ряда признаков (симптомов) определять диагноз и модифицировать базу знаний. Дается описание основных характеристик, рассмотрена структура и функции ЭС.
Ключевые слова: база знаний, задача, система, эксперт. Keywords: the knowledge base, the task, the system expert.
Технология экспертных систем является одним из направлений новой области исследования, которая получила наименование искусственного интеллекта. Исследования в этой области сконцентрированы на разработке и внедрении компьютерных программ способных имитировать, воспроизводить те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и понимания человеческого языка [3].
Эта технология уже успешно применяется в некоторых областях техники и жизни общества - органической химии, поиске полезных ископаемых, медицинской диагностике. Экспертная система состоит из базы знаний, подсистемы вывода, подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора [1].
В самом общем случае для того, чтобы построить экспертную систему, необходимо разработать механизмы выполнения следующих функций системы:
- определение задач с использованием знаний о конкретной предметной области -возможно, при этом возникает необходимость иметь дело с неопределенностью;
-решений системы во время и после окончания процесса обработки задачи.
Экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка:
-задачи не могут быть представлены в числовой форме;
-исходные данные и знания о предметной области неоднозначны, неточны, противоречивы;
-цели нельзя выразить с помощью четко определенной целевой функции;
-не существует однозначного алгоритмического решения задачи.
Все вышеперечисленные свойства являются типичными для медицинских задач, так как в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. ЭС позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и другие [3].
Как известно, что экспертные системы (ЭС) для интеллектуальных медицинских комплексов должны обеспечивать автоматизированный сбор сведений о пациенте, выдачу обработанной информации врачу, формирование в режиме диалога диагноза и способа профилактики, коррекции или лечения, выработку управляющих сигналов на аппараты воздействия.
Для их реализации приходится решать проблемы создания информационно справочных, решающих и управляющих систем, а также множество сопутствующих задач: хранения и представления информации, пополнения баз данных и так далее. Предполагаемым достоинством ЭС является то, что они позволяют рядовому специалисту
использовать в повседневной практике опыт и знания, накопленные ведущими специалистами медицины.
В медицине исходными наборами данных являются жалобы, симптомы, синдромы, результаты измерений параметров функционирования органов и систем пациентов, а решение, получаемое ЭС, - это распределение вероятностей предполагаемых диагнозов. Сложность построения эффективных медицинских ЭС объясняется особенностями предметной области, а именно:
- большим объёмом трудно формализуемых исходных данных;
- сложностью построения алгоритмического решения;
-неопределенностью или недостоверностью части исходных данных;
- решение может быть не единственным (у больного присутствуют два или более заболеваний с разной степенью их проявления);
- сложностью выработки решающих правил.
На этапе предварительного опроса или обследования по незначительному набору значащих симптомов ставится предварительный диагноз (гипотеза), определяется исследования для уточнения предварительного диагноза. Такая дополнительная информация дает возможность на только уточнить диагноз, но и выбрать дальнейшее направление исследований. Врач, уточняя признаки заболевания, не предусмотренные «стандартным опросником», может радикально изменить стартовую ситуацию [2].
Цель исследований по экспертным системам состоит в разработке программ, которые при решении задач, трудных для эксперта человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым специалистом в предметной области [3].
Разрабатываемая мной медицинская экспертная система имеет одно большое отличие от других систем искусственного интеллекта: она не предназначена для решения универсальных задач, как например нейронные сети или генетические алгоритмы. ЭС «Кардиология» предназначена для определения характера заболевания, основываясь на ответах пользователя, полученных в результате диалога, а также для повышения оперативности и качества диагностики сердечно-сосудистых заболеваний.
Система «Кардиология» используется на одном рабочем месте и универсальна в том плане, что лишнего абсолютно ничего не задает, настолько точна, то есть пока неясно программа будет задавать вопросы, как только ясность появилась - выводит ответ.
Уровень надежности достигается согласованным применением организационных, организационно-технических мероприятий и программно-аппаратных средств. Надежность обеспечивается за счет:
-применения технических средств, системного и базового программного обеспечения, соответствующих классу решаемых задач;
-своевременного выполнения процессов администрирования системы;
-соблюдения правил эксплуатации и технического обслуживания программно-аппаратных средств;
- предварительного обучения пользователей персонала.
После завершения этапа разработки экспертной системы необходимо провести ее тестирование в отношении критериев эффективности. К тестированию широко привлекаются другие эксперты с целью апробирования работоспособности системы на различных примерах. Экспертная система оценивается главным образом для того, чтобы проверить точность работы программы и ее полезность. Оценку можно проводить, исходя из различных критериев, которые сгруппируем следующим образом:
- критерии пользователей (понятность и «прозрачность» работы системы, удобство интерфейсов и другие);
-критерии приглашенных экспертов (оценка советов решений, предлагаемых системой, сравнение ее с собственными решениями, оценка подсистемы объяснений и другие);
- критерии коллектива разработчиков [4].
При первом запуске программы на экране монитора открывается окно, представленное на рисунке 1, в нижней части которого расположена строка ввода пароля входящего в систему пользователя (врача или администратора).
При нажатии на кнопку Enter, открывается главное окно программы, изображенное на рисунке 2.
Рисунок 1 - Окно для ввода пароля.
Рисунок 2 - Вид программы для администратора.
Для каждого пациента при очередном визите заводится пароль доктора, по которому экспертная система различает пользователей. В результате работы экспертной системы, врач получает выходные данные, то есть появляется окно постановки диагноза для первого доктора, изображенное на рисунке 3.
Рисунок 3 - Постановка диагноза
1. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В. Ф. Хорошевский. Питер:СПб - 2000. - 384 с.
2. Гельман, В.Я. Медицинская информатика / В.Я. Гельман. - Питер: СПб, 2002. - 468 с.
3. Джарратано Джозеф, «Экспертные системы: принципы разработки и программирование» / Дж. Джарратано, Гари Райли — М.: Издательский дом «Вильямс», 2006. — 1152 с.
4. Уотермен, Д. Руководство по экспертным системам / Д. Уотермен. - М.: Мир - 1989. -388 с.
Экспертная система (ЭС, Expert system) — предиктивная система, включающая в себя знания об определенной слабо структурированной и трудно формализуемой узкой предметной области и способная предлагать и объяснять пользователю разумные решения. Экспертная система состоит из базы знаний, механизма логического вывода и подсистемы объяснений. Экспертная система включает в себя большое число структурных составляющих меньшего размера.
Содержание
Развитие ЭС
В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС). Целью исследований в этом новом направлении была разработка программ, которые при решении задач, сложных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Для обозначения этой дисциплины также часто используют термин «инженерия знаний», введенный Е.Фейгенбаумом как «привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». На протяжении 1960—1985 гг. успехи в деле освоения искусственного интеллекта (ИИ) касались в основном исследовательских разработок, которые демонстрировали пригодность ИИ для практического использования. В 1988—1990 гг. экспертные системы стали активно применяться в коммерческих приложениях. На заре появления используемые для их создания языки программирования, технологии разработки приложений и используемого делали интеграцию ЭС с традиционными программными системами довольно сложной, а порой даже невыполнимой задачей. Однако в настоящее время средства разработки ЭС используются в полном соответствии с современными технологическими тенденциями традиционного программирования, что решает проблемы, возникающие при создании составных приложений.
Место в ИТ-инфрастрктуре
Назначение
Само название «Экспертные системы» подразумевает возможность замены эксперта-человека программным решением. Это позволяет предприятиям сокращать затраты на оплату труда специалистов, а самим специалистам обращаться при решении любых вопросов в рамках своей деятельности непосредственно к программе. Такие возможности сокращают время решения проблемы и позволяют молодым специалистам обучаться прямо на своем рабочем месте. Примером простейшей экспертной системы могут служить виртуальные «помощники» в пакетах ПО операционных систем компьютеров. Такие алгоритмы решения типовых вопросов избавляют разработчиков от излишней, непомерной и неоправданной нагрузки по общению с конечным пользователем.
Экспертные системы и системы искусственного интеллекта имеют основное отличие от систем обработки данных тем, что в них в основном используются символьный способ представления, символьный вывод и эвристический поиск решения. Экспертные системы предназначены для решения только сложных практических задач. По качеству и эффективности решения экспертные системы не должны уступать решениям эксперта-человека. Решения экспертных систем. могут быть объяснены пользователю на качественном уровне, то есть обладают прозрачностью. Прозрачность экспертных систем обеспечивается их способностью рассуждать о результатах своей работы и базах знаний. Важным свойством экспертных систем является и то, что они способны обучаться. ЭС решают задачи:
- интерпретации
- предсказаний
- диагностики
- планирования
- конструирования
- контроля
- отладки
- инструктажа
- управления
Такие задачи возникают в самых разных областях научных, деловых и промышленных областях. Программные средства, основанные на технологии экспертных систем, получили значительное распространение в мире. Важность экспертных систем состоит в следующем:
- существенно расширяют круг практически значимых задач, решение которых приносит значительный экономический эффект
- являются важнейшим средством сокращения длительности и, следовательно, высокой стоимости разработки сложных приложений
- объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет обеспечения динамичной модификации приложений пользователем, а не программистом, большей «прозрачности» приложения, лучшей графики, интерфейса и взаимодействия.
Неформализованные задачи
Особое внимание следует уделить неформализованным задачам, потому что именно для их решения и создавались экспертные системы. Неформализованные задачи обычно обладают следующими свойствами:
- ошибочность, неоднозначность, неполнота и противоречивость исходных данных
- ошибочность, неоднозначность, неполнота и противоречивость знаний о проблемной области и решаемой задаче
- большая размерность пространства решения, то есть перебор при поиске решения может быть очень большим
- динамически изменяющиеся данные и знания
Неформализованные задачи представляют большой и очень важный класс задач. Задачи такого плана являются наиболее массовым классом задач, решаемых ЭВМ.
Архитектура клиент-сервер
Существуют инструментальные средства искусственного интеллекта, поддерживающие распределенные вычисления по архитектуре клиент-сервер. Это предоставляет следующие преимущества:
- снижение стоимости оборудования, используемого в приложениях
- возможность децентрализовать приложения
- повышение надежности и общей производительности
- сокращение количества информации, пересылаемой между оборудованием
Преимущества
Существует ряд преимуществ экспертных систем как перед человеком-оператором, так и перед обычными алгоритмическими базами данных:
- интегрируемость. Существуют инструментальные средства, легко входящие в состав других информационных технологий и средств
- открытость и переносимость: у них нет предубеждений и они устойчивы к различным помехам;
- отсутствие поспешных выводов;
- выдача оптимального решения
- неограниченные размеры базы знаний.
- постоянное хранение данных: эксперт может что-то забыть, машина — никогда.
Перспективы развития
По мнению ведущих специалистов в области программирования, в недалекой перспективе ЭС будут играть важную роль в таких сферах, как:
Экспертные системы (ЭС, англ. expert system) — это компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предшественники экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.
В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от экспертных систем — отсутствие базы знаний — все действия жёстко запрограммированы. Это просто набор форм для заполнения пользователем.
Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).
Сейчас экспертные системы в различных отраслях набирают все большую популярность. Юристы, экономисты, hr-менеджеры и врачи с настороженностью следят за разработками в данной сфере.
Фактически, Экспертная система — это симуляция действий эксперта при решении определенной задачи.
Основные характеристики экспертных систем:
— Ядро, которое представлено базой знаний;
— накопление и организация знаний;
— формализованный высококачественный опыт;
— возможности к прогнозированию.
Доктор, диагностирующий заболевания и назначающий курс лечения, делает это хорошо при наличии хорошего специализированного образования и накопленного опыта в медицине.
Поэтому качество экспертной системы сводится к качеству формализованных знаний и унификацией используемого опыта.
В настоящий момент мало принимать эффективные решения, крайне важна скорость их принятия.
Экспертная система способна обрабатывать огромный объем знаний за доли секунд, что порой может спасти жизнь человека либо компании.
Однако, надо понимать, что экспертная система оперирует базой знаний, которая достаточно ограничена, в то время как человек может пользоваться большим спектром органов чувств, символьной, графической и др. видами информации.
У экспертных систем существуют границы возможностей и пока данные системы ведут себя не совсем надежно на границах применимости либо в нестандартных ситуациях.
Однако, экспертные системы пытаются разрабатывать со способностью к обучению и способностью к аргументации методов принятия решения.
Этапы разработки экспертных систем
1. Идентификация области применения и круга решаемых задач;
2. Получение знаний;
3. Содержательный анализ проблемной области, определяются методы решения задач;
4. Формализация — перевод в формализованный язык, код;
5. Реализация — прототип системы.
В заключение стоит заметить, что экспертные системы уже эффективно используются во многих отраслях, и сейчас многие корпорации мира занимаются разработкой, тестированием и внедрением аналогичных систем в более сложных сферах нашей профессиональной жизни.
Читайте также: