ekspertsystem

Et ekspertsystem har to hovedkomponenter: en kunnskapsbase og en slutningsmotor. Kunnskapsbasen inneholder ekspertkunnskapen, mens slutningsmotoren bearbeider kunnskapen basert på forelagte problemstillinger. Ekspertkunnskapen lagres ikke som rene fakta, men som regler av typen «hvis betingelse x er oppfylt kan man trekke slutningen y eller gjøre handlingen z.» I et omfattende ekspertsystem kan det være mange tusen slike regler.

Ofte kan det knyttes sannsynligheter til slutningen, for å gjenspeile at slutningen følger av betingelsen bare i en viss andel av tilfellene. Et ekspertsystem som skal hjelpe til med å stille en medisinsk diagnose, og der reglene er lagt opp med sannsynligheter, kan konkludere med at symptomene som er observert kan svare til flere alternative tilstander med hver sin grad av sannsynlighet, og angi hvilke faktorer som må observeres for å oppnå større sikkerhet.

Ekspertsystemer oppfattes som hjelpemidler. For at de skal gi brukeren økt innsikt i det aktuelle fagområdet, og også for å korrigeres for feil i regelsamlingen, er det viktig at veien fra utgangsobservasjoner og anvendte regler til den endelige konklusjonen, dokumenteres.

I helsevesenet brukes ekspertsystemer som støtte for medisinsk diagnostikk og behandling (eller andre beslutninger). Disse programmene mates med store mengder medisinsk informasjon, enten fra faglitteratur eller fra tidligere pasienter. Denne informasjonen systematiseres av programmet, og kan deretter presenteres, for eksempel i form av sannsynligheten for ulike diagnoser basert på gitte symptomer og funn. Systemene kan også knyttes direkte til medisinsk-teknisk utstyr, for eksempel EKG-apparater, der kurvemønsteret analyseres automatisk og der systemet kan foreslå en tolkning.

Medisinske ekspertsystemer har foreløpig en beskjeden plass i norsk medisin. En av grunnene er at systemenes «ekspertise» er helt avhengig av kvaliteten på og relevansen av de dataene som er lastet inn. Dessuten vil medisinske beslutninger ofte baseres på klinisk skjønn og generelt inntrykk, som vanskelig kan bygges inn i ekspertsystemer.

Det første ekspertsystemet, etter hvert kjent som Dendral, ble utviklet i 1965 av Edward Feigenbaum og Joshua Lederberg ved Stanford University i California for å analysere kjemiske sammensetninger. I 1972 ble et medisinsk ekspertsystem, Mycin, utviklet ved Stanford University, som hjelpemiddel til å stille diagnoser for pasienter med blodinfeksjoner. I 1980 utviklet Digital Equipment Corporation ekspertsystemet XCON for rask konfigurering av datamaskiner, som skal være det første i daglig bruk i kommersiell virksomhet.

Siden er ekspertsystemer tatt i bruk som hjelp til diagnose, klassifisering og andre arbeidsoppgaver på en lang rekke forskjellige områder, blant annet innen medisin, ved malmleting og oljeboring, som støttesystem for beslutninger innen regnskap, revisjon, skattespørsmål og investeringsanalyse og til overvåking og kvalitetskontroll. Antall anvendelsesområder og faktiske installasjoner er raskt voksende, og det finnes også egne utviklerverktøy for ekspertsystemer.

Det mest kjente moderne ekspertsystemet er Watson, utviklet av IBM. Systemet ble verdenskjent i 2011 da det vant den amerikanske spørrekonkurransen Jeopardy!, og er et kommersielt produkt som brukes i mange forskjellige sammenhenger hvor det er ønskelig med en anbefaling, som for eksempel innen helse. Systemet kjennetegnes av at det er så dyrt at bare offentlige organer og store selskaper kan forsvare prisen. I tillegg er det lukket kildekode, slik at det ikke er mulig for publikum å forstå hvordan systemet fungerer. Dette er i sterk kontrast til trenden med åpen kildekode innen maskinlæringssystemer som har blitt dominerende utover 2000-tallet.

• maskinlæring
• kunstig intelligens