UMEÅ UNIVERSITET
Institutionen för datavetenskap
Artificiell Intelligens 5p, HT-03
Kursansvarig: Jan Erik Moström
Handledare: Christina Olsén
Expertsystem
Andra inlämningen
2003-10-24
Frida Bergman, dit01fbn
Maria Kroon, dit01mkn
Britta Löfvenberg, dit01blg
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Sammanfattning
Expertsystem är en viktig del inom Artificiell Intelligens. De används för att ersätta eller
komplettera mänskliga experter inom olika områden. Systemen bygger på en kunskapsbas, en
databas innehållande fakta och en regeltolk. Ett välkänt regelbaserat expertsystem är MYCIN
som skapades för att assistera inom medicin. Det finns både för- och nackdelar med
expertsystem och ett övervägande mellan dessa ger slutsatsen att expertsystem är bra så länge
mänskligt liv ej äventyras.
Abstract
Expert systems are an important subject within Artificial Intelligence. It is meant to replace or
assist the human experts within several different areas. The basis for the system is a
knowledge database, a database of fact and an interpreter. A well known expert system is
MYCIN, created to assist in medicine. There are both pros and cons with the usage of expert
systems and an evaluation concludes in the following: Expert systems can be applied as long
as they do not jeopardise human life.
Frida Bergman, Maria Kroon, Britta Löfvenberg
1
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Innehållsförteckning
Introduktion ................................................................................................................................ 3
Syfte ........................................................................................................................................... 4
Metodbeskrivning....................................................................................................................... 4
Resultat ....................................................................................................................................... 5
Exempel .................................................................................................................................. 5
Problem .................................................................................................................................. 6
Diskussion .................................................................................................................................. 7
Slutsats ....................................................................................................................................... 7
Referenser................................................................................................................................... 8
Litteratur ................................................................................................................................. 8
Internet ................................................................................................................................... 8
Bilagor ........................................................................................................................................ 9
Frida Bergman, Maria Kroon, Britta Löfvenberg
2
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Introduktion
Marvin Minsky, en av grundarna inom området Artificiell Intelligens (AI), sa 1968 att AI är
vetenskapen av att göra maskiner tänkta att uträtta tjänster som i normala fall skulle kräva
mänsklig intelligens [4].
Kapitlet ”Making Simple Decisions” var inte vårat förstahandsval. När vi väl läst igenom
kapitlet insåg vi att det kunde bli svårt att hitta information om många av delkapitlen. Sista
kapitlet handlade om expertsystem och efter tips från handledaren bestämde vi oss för att
skriva om just detta. När vi väl satt oss in i ämnet märkte vi att det var rätt intressant.
Ett delområde inom AI är expertsystem. Dessa är datorprogram som har ”lärt” sig av
mänskliga experter och har även i vissa fall visat sig vara mer effektiva eftersom systemen
kan ta hänsyn till flera experters kunskap samtidigt. Tidigt användes dessa system endast för
att svara på frågor, medan de idag mestadels fattar beslut inom områden som medicin,
ekonomi, juridik, och försvar m.fl. då mänskliga experter kan vara både svåra att få tag på och
mycket kostsamma.
Frida Bergman, Maria Kroon, Britta Löfvenberg
3
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Syfte
För att få en djupare inblick inom området Artificiell Intelligens och få en bild av en praktisk
tillämpning är fördjupningsuppgifter av detta slag effektiva. Då uppgiften även bestod i att
föra denna kunskap vidare till våra kurskamrater blev motivationen att sätta sig in i ämnet
större.
Metodbeskrivning
Först läste vi igenom hela kapitlet som vi valt för att både skaffa oss en överblick över hur
datorer fattar enkla beslut, men även för att hitta ett intressant och lämpligt
fördjupningsavsnitt.
På universitetsbiblioteket fann vi ett par böcker som presenterade ämnet ingående. Förutom
de böcker vi hittade, fanns en mängd information på Internet. Som vanligt med Internetkällor
var det svårt att veta om de var tillförlitliga eller inte. Ett par av dem fick vi lov att utesluta,
trots intressant innehåll.
Frida Bergman, Maria Kroon, Britta Löfvenberg
4
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Resultat
Ett expertsystem består av några olika delar: En kunskapsbas, en databas och en regeltolkare.
Förutom dessa krävs också ett för användaren lättbegripligt gränssnitt.
Kunskapsbasen innehåller vanligtvis mellan ett par hundra och några tusen olika regler som är
formade som villkor, dvs. IF-THEN- satser. Databasen innehåller fakta som hjälper till att ge
ett sammanhang. Regeltolkaren kontrollerar kunskapsbasen genom att använda databasen för
att skapa nya fakta [7].
Expertsystem måste ha vissa egenskaper för att vara användbara. De måste t.ex. finnas
möjlighet att enkelt uppdatera ett system, för att kunna rätta till fel eller uppdatera kunskap
som experten tillgodogjort sig. Det kan också behövas om en firma expanderats och inriktar
sig mot nya intresseområden. För att ett system skulle vara ultimat, skulle det själv kunna lära
sig nya fakta och på så sätt utöka kunskapsbasen.
Systemet måste även kunna koppla fakta till verkliga händelser genom att vara flexibel i sitt
sätt att lösa problem. Detta är nödvändigt eftersom inget problem ser exakt ut som ett annat.
Systemet tvingas ofta fatta beslut på ofullständig, osäker och luddig informationsgrund. W. B.
Rauch-Hindin [2] tar upp ett exempel som visar på att missförstånd lätt kan uppstå.
Författaren menar att de flesta människor tolkar uttalandet: ”The boss is never in his office”
till att betyda: ”The boss is frequently out of his office. Att avskeda honom vore för de flesta
människor (och förhoppningsvis även expertsystem) otänkbart, eftersom man vet att chefer
ofta är på möten utanför kontoret.
En tredje egenskap är att systemet måste ha förmågan att förklara vad det har gjort och varför,
på samma sätt som människan kan förklara sina handlingar. Viktigt är också att systemet
använder rätt vokabulär och jargong för det ändamål som det är ämnat. Detta fås ofta av ett
noggrant planeringsarbete.
Exempel
Ett dokumenterat positivt resultat av användandet av expertsystem upptäcktes på en
datafirma, The Compaq Computer Company. De skickade med en online-hjälp vid varje såld
skrivare. Detta hjälpprogram innehöll 5000 olika varianter av lösningar till fel som kan uppstå
hos skrivarna. Detta resulterade i att 20% färre kunder ringde till företaget för att be om hjälp.
Detta ledde till stora vinster för företaget och bättre service till kunderna [5].
MYCIN är ett exempel på ett regelbaserat expertsystem. Systemet skapades 1974 av Dr.
Edward Shortliffe för att underlätta diagnostiseringen av patienter med
hjärnhinneinflammation och blodförgiftning. En riktig diagnos kunde ta uppemot 48 timmar,
då man bland annat var tvungen att göra en bakterieodling. I ett fall som detta kunde 48
timmar vara alldeles för lång tid och patienten skulle kunna bli riktigt dålig, eller till och med
hinna avlida [1].
Det som istället var att rekommendera var ett utlåtande från en expert, en kvalificerad
gissning om vilken behandlingsmetod som vore bäst, grundat på de fakta som fanns. Då
sådana experter inte alltid fanns till hands kom en del förslag på lösningar upp. Ett var att
erbjuda en vidareutbildning på området för att minska antalet felbedömningar av okunniga
läkare. Ett annat var att installera ett övervakningssystem för att ha koll på vilka mediciner
Frida Bergman, Maria Kroon, Britta Löfvenberg
5
Artificiell Intelligens 5p
Expertsystem
2003-10-24
som gavs vid olika tillfällen. Ett tredje förslag innebar ett försök att ersätta en expertläkares
utlåtanden med ett expertsystem, MYCIN [1].
α → β,
α
β
Modus ponens
Villkoret Modus ponens beskrivs av formeln till vänster eller kanske
enklare i ord: då α är givet vet man att β är sann eftersom att om α är
sann så är β sann [3]. MYCIN utnyttjar något som kallas för ”backwardchaining” vilket innebär att en mängd regler av den typ som beskrivits
ovan kedjas ihop och utläses bakifrån, se exempel nedan [1].
Mål: Ta reda på C
Regel 1: Om B är sann, då är även C sann
Regel 2: Om A är sann, då är B sann
Implicit regel: Om A, då C
Grundläggande fråga: Är A sann? (beror på indata)
I bilaga 1 [1] ges ett exempel på hur MYCIN fungerar. Det användaren skrivit in visas med en
fetstil text. Programmet tillåter frågorna HOW och WHY. HOW förklarar hur expertsystemet
kommit fram till ett viss lösning, medan WHY ger användaren en förklaring av varför
expertsystemet har intresse av en specifik uppgift.
MYCIN kom aldrig att användas, detta på grund av etiska och ekonomiska skäl. Då MYCIN
var skrivet i programmetspråket Interlisp och datorer med det programmet på 1970-talet var
mycket dyra, var det inte ekonomiskt effektivt för läkare och institutioner att investera i
programmet [1]. Även om det inte blev någon försäljningssuccé låg MYCIN till grund för en
mängd framtida expertsystem och som TEIRESIAS, EMYCIN, PUFF, CENTAUR, VM,
GUIDON, och SACON [8].
Några andra välkända exempel på expertsystem som inte bygger på MYCIN är DENDRAL
och DIPMETER-ADVISOR. DENDRAL deducerar vilken kemisk struktur molekyler har,
baserat på spektrografi och kemiska formler, medan DIPMETER-ADVISOR tolkar data från
oljeborrning [4].
Problem
Ett tekniskt problem hos expertsystem är att dessa ofta består av en massa regler, så många att
de tar stor plats och kräver mycket kraft för att komma fram till en lösning av problemet inom
en rimlig tid. Detta fordrar att programmet har en bra lagrings- och sökalgoritm [7].
Problematik uppstår även vid insamlandet av regler. Det är inte alltid lätt att hitta en expert,
som är villig att samarbeta. För experten är det inte heller lätt att berätta allt den vet, då viss
kunskap endast kommer fram då man ställs inför ett specifikt problem. En annan svårighet är
att formulera de regler man beslutat sig för på ”IF- THEN-form”. Ett sätt att undvika dessa
problem skulle vara att börja med endast ett fåtal regler och låta systemet lära sig med tiden,
bilda sina egna erfarenheter och därefter skapa nya regler [7].
När systemet är klart för användning ställs man inför ett nytt problem. Vad händer om
systemet trots all testning ställer fel diagnos? Detta kan få katastrofala följder inom
exempelvis medicinska sammanhang. Vem står då som ansvarig?
Frida Bergman, Maria Kroon, Britta Löfvenberg
6
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Diskussion
Det finns både för- och nackdelar med att använda expertsystem. Frågan är vilken sida av
vågskålen som överväger.
Fördelarna är att om det inte finns tillgång till en expert eller om denna tillgång är bristande,
kan ett expertsystem vara ett bra alternativ. Ett system kan även innefatta kunskap från flera
experter och källor vilket gör att det kan ta hänsyn till en större mängd information på en
gång. Något annat som talar för expertsystem är att de undviker fel som kan orsakas av den
mänskliga faktorn.
Med tanke på de ständiga nedskärningarna av personal på flertalet företag kan inträdet av
expertsystem kännas som ett naturligt steg. Även om systemet i sig är dyrt kan det på lång sikt
vara mer ekonomiskt än att ha en anställd expert på plats.
Då flertalet expertsystem inte används idag, kan det antas att de bedöms otillräckliga.
Lagringsmöjligheter är idag förbättrade sedan system som MYCIN utvecklades, men frågan
är om det är där det stora problemet ligger. Ibland kan en mänsklig expert inte veta vad som är
rätt eller fel förrän denne står inför problemet. Han/hon har då möjligheten att kunna gå på
intuition eller känsla, vilket expertsystem i dess nuvarande utformning inte kan. Dessa system
kommer förmodligen dock alltid att ha en begränsad kunskapsbas, vilket, för visso, gör att de
snabbt kan resonera fram en lösning. Frågan är bara hur rätt denna lösning blir om problemet
den ställs inför är nytt.
Slutsats
Expertsystem kan mycket väl användas som ersättning för mänskliga experter i de fall då inte
mänskligt liv kan äventyras. I dessa fall bör istället expertsystem fungera som komplement.
Frida Bergman, Maria Kroon, Britta Löfvenberg
7
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Referenser
Litteratur
[1] Bruce G. Buchanan & Edward H. Shortliffe, Rule-Based Expert Systems, USA 1984.
[2]
Wendy B. Rauch-Hindin, Artificial intelligence in business, science, and industry,
Vol.1, USA 1986.
[3]
Stuart Russel & Peter Norvig, Artificial Intelligence A Modern Approach, Vol.2, USA
2003.
[4]
Niel A. Stillings, Steven E.Weisler, Christopher H. Chase, Mark H. Feinstein, Jay L.
Garfield & Edwina L. Rissland, Cognitive Science, An introduction, Vol.2, USA, 1995.
Internet
[5] Keith Darlington, Basic expert systems, 1996.
http://www.bcsnsg.org.uk/itin08/darling.htm (2003-10-19)
[6]
E. Horvitz, J. Breese & M. Henrion, Decision Theory in Expert Systems and Artificial
Intelligence, 1988
http://research.microsoft.com/research/dtg/horvitz/dt.htm (2003-10-17)
[7]
E. Reingold & J. Nightingale, Univ. of Toronto, Artificial Intelligence Tutorial Review,
1999.
http:// psych.utoronto.ca/~reingold/courses/ai/Welcome.html (2003-10-19)
[8]
Stanford school of Medicine, Historical projects, 2001
http://smi-web.stanford.edu/projects/history.html (2003-10-20)
Frida Bergman, Maria Kroon, Britta Löfvenberg
8
Artificiell Intelligens 5p
Expertsystem
2003-10-24
Bilagor
Frida Bergman, Maria Kroon, Britta Löfvenberg
9
