Sistema aditu

Wikipedia, Entziklopedia askea

Adimen artifizialean, sistema aditua sistema informatiko bat da, non arrazoibidea edozein jakintza-arlotako aditu batek egingo lukeen moduan ematen den.

Sistema adituak problema konplexuak ebazteko diseinatuta daude, jakintza-gorputzen bidezko arrazoibidearen bidez; batez ere, prozedura-kode konbentzional baten bidez baino gehiago, arauetan oinarritutako sistema gisa adierazita. Lehen sistema adituak 1970eko hamarkadan sortu ziren, eta aurrerago, 80ko hamarkadan, ugaritu egin ziren. Sistema adituak izan ziren adimen artifizialeko (AA) lehen software arrakastatsuetako bat. Sistema aditu batek bi azpisistema ditu: inferentzia-motorra eta ezagutza-oinarria. Ezagutza-oinarriak gertaerak eta arauak adierazten ditu. Inferentzia-motorrak arauak aplikatzen dizkie gertaera ezagunei, gertaera berriak ondorioztatzeko. Inferentzia-motorrek azalpen eta arazketa trebetasunak ere izan ditzakete.

Historia[aldatu | aldatu iturburu kodea]

Garapen goiztiarra[aldatu | aldatu iturburu kodea]

Azken urteotan eta lehen urteetan konputagailu modernoak sortu zirenetik gutxira, ikertzaileak ohartu ziren makina horiek oso ahalmen handia zutela gizarte modernoarentzat. Makina horiek gizakiak bezala “pentsatzeko” gai izatea izan zen lehenengo erronketako bat, bereziki, makina horiek gizakiek egiten duten bezala erabaki garrantzitsuak hartzeko gai izatea. Medikuntza-/osasun-arloak makina horiei diagnostiko medikoko erabakiak hartzen uzteko erronka tentagarria aurkeztu zuen.

Hala, XIX. mendearen amaieran, informazioaren aroa erabat iritsi eta berehala, teknologia informatikoa giza erabakiak hartzeko erabiltzen hasi ziren ikertzaileak. Adibidez, biomedikuntzako ikertzaileak konputagailuaren laguntzaz sistemak sortzen hasi ziren medikuntzako eta biologiako aplikazio diagnostikoetarako. Diagnostiko goiztiarreko sistema horiek pazienteen sintomak eta laborategiko proben emaitzak erabili zituzten emaitza diagnostiko bat sortzeko intsumo gisa. Sistema horiek, askotan, sistema adituen lehen forma gisa deskribatu ziren. Hala ere, ikertzaileak ohartu ziren muga nabarmenak zeudela metodo tradizionalak erabiltzen zirenean, hala nola fluxu-diagramak, eredu estatistikoen konparazioa, edo probabilitate-teoria.

Sarrera formala eta ondorengo bilakaera[aldatu | aldatu iturburu kodea]

Aurreko egoera horrek ezagutzan oinarritutako ikuspuntuak erabili zituzten sistema adituak garatzera eraman zuen pixkanaka. Medikuntzako sistema aditu horiek MICINAko sistema aditua, INTERNIST-I sistema aditua eta, geroago, 80ko hamarkadaren erdialdean, CADUCEUS sistema izan ziren.

Sistema adituak 1965 inguruan sartu zituen formalki Stanfordeko Programazio Heuristikoko Proiektuak, Edward Feigenbaum-ek zuzendua, batzuetan "sistema adituen aita" deitzen dena; hasierako beste zergadun garrantzitsu batzuk Bruce Buchanan eta Randall Davis izan ziren. Stanfordeko ikertzaileak esperientzia oso baloratua eta konplexua zen eremuak identifikatzen saiatu ziren, hala nola gaixotasun infekziosoen diagnostikoa (Mycin) eta molekula organiko ezezagunak (Dendral) identifikatzen. "Sistema adimendunek duten ezagutzatik eratortzen dute beren boterea, eta ez erabiltzen dituzten formalismoen eta inferentzien berariazko eskemetatik" —esan zuen Feigenbaum-ek—; ideia hori aurrerapauso garrantzitsua zen une hartan; izan ere, aurreko ikerketa metodo konputazional heuristikoetan zentratu zen, eta erabilera oso orokorreko problemen soluzioak garatzeko saioetan amaitu zen (batez ere Allen Newell eta Herbert Simon-en lanean). Sistema adituak adimen artifizialeko softwarearen (IA) lehen forma arrakastatsuetako batzuk bihurtu ziren.

Adituen sistemei buruzko ikerketa ere aktiboa izan zen Frantzian. EEn, berriz, AEB arauetan oinarritutako sistemetan egon nahi zuen ikuspegiak, lehenik LISPen programazio-inguruneen goialdean sendo kodetutako sistemetan, eta, gero, Intellicorp bezalako hornitzaileek garatutako sistema adituen babeslekuetan; Frantzian, Prolog-en garatutako sistemetan jarri zuen arreta gehien ikerketak. Sistema adituaren maskorren abantaila zen ez-programatzaileentzat erabilerrazagoak zirela. Prolog inguruneen abantaila zen ez zeudela soilik if-then arauetara bideratuta; Prolog inguruneek lehen mailako logika ingurune oso baten gauzatze askoz hobea eman zuten.

80ko hamarkadan, sistema adituak ugaritu egin ziren. Unibertsitateek sistema adituei buruzko ikastaroak eman zituzten eta Fortune 500 enpresen bi herenek teknologia aplikatu zuten eguneroko enpresa-jardueretan. Interesa nazioartekoa izan zen, Japonian bosgarren belaunaldiko sistema informatikoen proiektuarekin eta Europan ikerketaren finantziazioa handitzearekin.

1981ean sartu zen lehen IBM PC, PC DOS sistema eragilearekin. PCan ahaltsu samarrak ziren txipen eskuragarritasun handiaren arteko desorekak, une hartan TI enpresarialen munduan nagusi ziren mainframeetan prozesatze-boterearen kostu askoz garestiagoarekin alderatuta, konputazio korporatiborako arkitektura-mota berri bat sortu zuen, bezero-zerbitzari eredua izenekoa. Kalkuluak eta arrazoiketa mainframe baten prezioaren zati batean egin litezke, PC bat erabiliz. Eredu horri esker, enpresa-unitateek IT korporatiboen sailak saihestu eta beren aplikazioak zuzenean eraiki ahal izan zituzten. Ondorioz, bezero-zerbitzariak izugarrizko eragina izan zuen sistema adituen merkatuan. Sistema adituak oso ezohikoak ziren enpresa-munduan, eta horrek trebetasun berriak eskatzen zituen, ITko sail askok ez zituztenak eta garatzeko irrikaz ez zeudenak. Egokitzapen naturala ziren PCan oinarritutako maskor berrientzat, zeinak hitzematen baitzuten aplikazioa azken erabiltzaileen eta adituen esku jarriko zutela. Ordura arte, sistema adituen garapen-ingurune nagusia Xerox-en Lisp, Symbolics eta Texas Instruments gama altuko makinak izan ziren. PCa gehituta eta bezero-zerbitzari konputazioarekin, Intellicorp eta Inference Corporation bezalako hornitzaileek PCan oinarritutako tresnak garatzeko lehentasunak aldatu zituzten. Gainera, aldizka hornitzaile berriak agertzen hasi ziren, sarritan arrisku-kapitalarekin finantzatuak (Aion Corporation, Neuron Data, Exsys eta beste asko).

Eskala handiko produktu baterako diseinu-gaitasunean erabili zen lehen aditu-sistema SID (Sintesis de Diseño Integral) software-programa izan zen, 1982an garatua. LISPen idatzita, SIDek CPU VAX 9000ren ate logikoen %93 sortu zuen. Softwarean sartzea zenbait logika-diseinatzaile adituk sortutako arau-multzoa izan zen. SIDek arauak zabaldu zituen eta softwarearen sintesi logikoko errutinak sortu zituen askotan, arauen tamaina bera. Harrigarria bada ere, arau horien konbinazioaren ondorioz, diseinu orokorra egin zen, adituen gaitasunak gainditzen zituena eta, askotan, giza kontraparteak gainditzen zituena. Arau batzuk beste batzuk kontrajartzen zituzten bitartean, abiadura eta azalera kontrolatzeko goiko parametroek etengailua eman zuten. Programa oso eztabaidagarria izan zen, baina proiektuaren aurrekontu-murrizketengatik erabili zen. VAX 9000 proiektua amaitu ondoren, diseinatzaile logikoek amaitu zuten.

1970eko hamarkadaren erdialdean, sistema adituek eremu askotan lor dezaketenaren itxaropenak oso baikorrak izatera iritsi ziren. Lehen azterketa horien hasieran, ikertzaileek sistema aditu guztiz automatikoak garatzea espero zuten (i.e., guztiz informatizatuak). Konputagailuek egin dezaketenari buruz pertsonek dituzten itxaropenak idealistegiak ziren. Egoera hori errotik aldatu zen Richard M. Karlp-ek 1970eko hamarkadako lehen urteetan “Arazo konbinatorioen arteko murriztasuna” izeneko artikulua argitaratu ondoren. Karp-en lanari esker, argi geratu zen zenbait muga eta aukera daudela algoritmo konputazionalak diseinatzen ditugunean. Haren aurkikuntzek ordenagailuek egin dezaketena eta egin ezin dutena deskribatzen dute. Sistema aditu horiekin lotutako problema konputazional askok muga pragmatiko batzuk dituzte. Emaitza horiek oinarri sendoak jarri zituzten, eta horiei esker egin ziren hurrengo aurrerapenak lurrean.

Laurogeita hamarreko hamarkadan eta hurrengoetan, adituen sistema terminoak eta IAren sistema independente baten ideiak, gehienetan, ITen lexikoa utzi zuten. Bi interpretazio daude. Batetik, "sistema adituek huts egin zuten": ITen munduak jarraitu egin zuen, sistema adituek ez zutelako bete gehiegizko promesa. Bestea, berriz, kontrako ispilua da, sistema adituak arrakastaren biktima besterik ez baitziren: ITko profesionalek erregela-motorrak bezalako kontzeptuak ikasi zituztenez, tresna horiek tresna independenteak ziren helburu bereziko sistema adituak garatzeko, eta tresna estandar ugarietako bat izatera migratu zuten. Beste ikertzaile batzuek iradoki dute ExpertSystems-ek enpresen arteko botere-borrokak eragin zituela, ITen antolaketak esklusibotasuna galdu zuenean erabiltzaileentzako edo ezagutza-ingeniarientzako software-aldaketetan. Enpresa-aplikazioen hornitzaile nagusietako askok (SAP, Siebel eta Oracle, esaterako) aditu-sistemaren trebetasunak integratu zituzten beren produktu-multzoan, negozio-logika zehazteko modu gisa – arau-motorrak ez dira soilik aditu batek erabiliko lituzkeen arauak definitzeko, baizik eta negozio-logika konplexu, lurrunkor eta kritiko orotarako; askotan, eskutik joaten dira enpresa-prozesuak automatizatzeko eta integratzeko inguruneekin–.

Aditu-sistemen gaur egungo ikuspegiak[aldatu | aldatu iturburu kodea]

Aurreko sistema adituen mugak direla eta, ikertzaileek lanketa mota berriak garatu behar izan dituzte. Ikuspegi eraginkorragoak, malguagoak eta ahaltsuagoak garatu dituzte, giza erabakiak hartzeko prozesua simulatzeko. Ikertzaileek garatu dituzten ikuspegietako batzuk adimen artifizialeko metodo berrietan (IA) oinarritzen dira, eta, bereziki, ikasketa automatikoan eta atzerako elikadurako mekanismoa duten datu-meatzaritzaren ikuspegietan. Neurona-sare errepikakorrek mekanismo horiek erabiltzen dituzte maiz. Desabantailen atalari buruzko eztabaida lotuta dago.

Sistema modernoek errazago barneratu ditzakete ezagutza berriak, eta, beraz, erraz eguneratu daitezke. Sistema horiek hobeto orokortu daitezke lehendik dagoen ezagutzatik abiatuta, eta datu-kopuru konplexu handiei aurre egin diezaiekete. Erlazionatuta dago datu handien gaia hemen. Batzuetan, sistema aditu horiei sistema adimendunak deitzen zaie.

Software-arkitektura[aldatu | aldatu iturburu kodea]

Sistema aditu bat ezagutzan oinarritutako sistema baten adibidea da. Sistema adituak izan ziren ezagutzan oinarritutako arkitektura erabiltzen zuten lehen sistema komertzialak. Oro har, aditu-sistema batek osagai hauek ditu: ezagutzen oinarria, inferentziaren motorra, azalpenerako erraztasuna, ezagutza eskuratzeko erraztasuna eta erabiltzailearen interfazea.

Ezagutza-oinarriak munduari buruzko gertaerak adierazten ditu. Hasierako aditu-sistemetan, hala nola Miccin eta Dendralen, gertaera horiek aldagaiei buruzko baieztapen lau gisa irudikatu ziren nagusiki. Gerora merkataritza-maskorren bidez garatutako aditu-sistemetan, ezagutza-oinarria egitura handiagoan oinarritu zen, eta helburuetara bideratutako programaziotik abiatuta kontzeptuak erabili zituen. Mundua klase, azpimota gisa irudikatu zen, eta instantzia eta baieztapenen ordez objektu-instantzien balioak jarri ziren. Objektuen balioak arakatu eta baieztatzean, arauek funtzionatu egin zuten.

Inferentziaren motorra arrazoitze automatizatuko sistema bat da, oinarrizko ezagutzaren egungo egoera ebaluatzen duena, dagozkion arauak aplikatzen dituena eta, ondoren, ezagutza berriak baieztatzen dituena. Inferentzia-motorrak azalpenere izan ditzake, erabiltzaile bati ondorio jakin batera iristeko erabilitako arrazonamendu-katea azal diezaion, baieztapenean ateratako arauen aplikazioa arakatuz.

Batez ere bi modu daude inferentzia-motor baterako: aurrerantz kateatzea eta atzerantz kateatzea. Inferentzia-motorra erregelaren aurrekaria (ezkerreko aldea) edo kontsekuentea (eskuineko aldea) gidatzen ari den, horren arabera ematen dira ikuspegi desberdinak. Aurrerantzean, sute-aurrekari bat kateatuz, eta esandakoa berresten du. Adibidez, kontuan izan arau hau:

Aurrerantz kateatzearen adibide bat gizakia (Sokrates) sistemari baiestea litzateke, eta gero inferentzia-motorra aktibatzea. R1-ekin bat egingo luke, eta Mortal (Sokrates) ezagutza-oinarrian baieztatuko luke.

Atzerakako kantua ez da hain zuzena aurrerantz. Atzeraka kateatzean, sistemak ondorio posibleak aztertzen ditu eta atzeraka lan egiten du egiazkoak izan daitezkeen ikusteko. Beraz, sistema Mortal (Sokrates) egia den zehazten saiatuko balitz, R1 aurkituko luke eta ezagutza-oinarria kontsultatuko luke Man (Sokrates) egia den ikusteko. Sistema adituen maskorren lehen berrikuntzetako bat inferentzia-motorrak erabiltzaile-interfaze batekin integratzea izan zen. Hori bereziki ahaltsua izan liteke atzeraka kateatuz gero. Sistemak gertaera partikular bat ezagutu behar badu baina ez badu ezagutzen, sarrera-pantaila bat sor dezake, eta erabiltzaileari galdetu informazioa ezagutzen den. Adibide honetan, R1 erabil lezake erabiltzaileari galdetzeko Sokrates gizon bat ote zen eta gero informazio berri hori horren arabera erabili.

Ezagutza esplizituki irudikatzeko arauak erabiltzeak ere azalpenahalbidetu zuen. Aurreko adibidean, sistemak R1 erabili zuen Sokrates hilgarria zela baieztatzeko, eta erabiltzaile batek ulertu nahi zuen zergatik zen hilgarria Sokrates sistema kontsultatzea, eta sistemak atzeraka begiratuko lituzke baieztapena egiteko eta arau horiek erabiltzaileari azalpen gisa aurkezteko erabiltzen zituzten arauak. Ingelesez, erabiltzaileak galdera hau egiten badu: "Zergatik da hilgarria Sokrates?" sistemak erantzungo luke "gizon guztiak hilgarriak direlako eta Sokrates gizakia delako". Ikerkuntzarako arlo garrantzitsu bat izan zen jakintza-oinarriaren azalpenak ingelesez sortzea, arau formalenak baina intuitiboenak erakutsi ordez.

Aditu-sistemak garatu ahala, teknika berri asko sartu ziren inferentzia-motorretan. Hauek izan ziren garrantzitsuenak:

  • Egia mantentzea. Sistema horiek jakintza-oinarri batean erregistratzen dituzte mendekotasunak, gertaerak aldatzen direnean mendeko ezagutza aldatu ahal izateko. Adibidez, sistemak ikasten badu Sokrates jada ez dela ezagutzen gizon bat, Sokrates hilgarria dela dioen baieztapena ezeztatuko du.
  • Arrazoibide hipotetikoa. Horretan, jakintza-oinarria ikuspegi posible askotan bana daiteke, a.ka.n. munduak. Horri esker, inferentzia-motorrak hainbat aukera azter ditzake paraleloan. Adibidez, sistemak bi baieztapen horien ondorioak aztertu nahi izan ditzake, zer izango da egia Sokrates gizakia bada eta zer izango da egia ez bada?
  • Ziurgabetasun-sistemak. Ezagutza irudikatzeko arauak soilik erabiltzeko lehen luzapenetako bat ere probabilitate bat arau bakoitzarekin lotzea izan zen. Hala, ez dugu esan nahi Sokrates hilgarria denik, baizik eta Sokrates hilgarria izan daitekeela probabilitate-balioren batekin. Probabilitate sinpleak handitu egin ziren arrazoibide ezezaguneko mekanismo sofistikatuak zituzten sistema batzuetan, hala nola logika lausoa eta probabilitate-konbinazioa.
  • Sailkapen ontologikoa. Ezagutza-oinarriari objektu-motak gehituta, arrazoibide berri bat egin ahal izan zen. Objektuen balioei buruzko arrazoiketarekin batera, sistemak objektuen egiturei buruz ere arrazoitu lezake. Adibide sinple horretan, gizakia objektu-mota bat irudika daiteke, eta R1 berriz defini daiteke gizon guztien klasea definitzen duen arau gisa. Inferentzia-motor berezi horiei sailkatzaile deritze. Sistema adituetan asko erabili ez ziren arren, sailkatzaileak oso ahaltsuak dira egituratu gabeko eremu lurrunkorretarako, eta teknologia giltzarria dira Interneterako eta sortzen ari den sare semantikorako.

Abantailak[aldatu | aldatu iturburu kodea]

Ezagutzan oinarritutako sistemen helburua da sistemak funtziona dezan beharrezkoa den informazio kritikoa esplizitu eta ez inplizitu bihurtzea. Programa informatiko tradizional batean, logika kode batean txertatuta dago, eta normalean ITko espezialista batek bakarrik berrikus dezake. Aditu-sistema baten bidez, arauak formatu intuitibo eta erraz ulergarrian zehaztea zen helburua, eta, gainera, ITko adituen ordez, domeinu-adituek berrikusi eta editatu behar dituzte. Ezagutzaren irudikapen esplizitu horren onurak garapen azkarra eta mantenurako erraztasuna izan ziren.

Mantentzeko erraztasuna da onura nabariena. Hori bi modutan lortu zen. Lehenik eta behin, kode konbentzionala idazteko beharra ezabatzean, sistema batean aldaketa txikiak eginda ere sor daitezkeen ohiko arazo asko sistema adituekin saihets daitezke. Funtsean, programaren fluxu logikoa (mailarik gorenean gutxienez) sistemarako dado bat besterik ez zen, inferentzia-motorra aipatze hutsarekin. Hori ere izan zen bigarren onurarako arrazoia: prototipo azkarra. Aditu-sistema baten bidez, zenbait arau sartu ahal izan ziren, eta egunen batean garatutako prototipoa eduki ahal izan zen, normalean proiektu informatiko konplexuekin lotutako hilabete edo urteen ordez.

Askotan egiten ziren aditu-sistemetako jaurtigaien alegazioetako bat zen programatzaile gaituen beharra kentzen zutela eta adituek beren sistemak gara zitzaketela. Egia esan, hori inoiz ez zen egia izan. Aditu-sistema baterako arauak ohiko kode informatikoa baino ulergarriagoak ziren arren, oraindik sintaxi formal bat zuten, non koma oker batek edo beste pertsonaia batek kalte egin ziezaiokeen beste edozein hizkuntza informatikorekin bezala. Gainera, sistema adituak laborategian prototipoetatik enpresa-munduan ezartzera igaro ahala, integrazio- eta mantentze-kontuak askoz kritikoagoak izan ziren. Ezinbestean sortu ziren datu-base handiak eta sistema heredatuak integratzeko eta aprobetxatzeko eskakizunak. Hori lortzeko, integrazioak beste edozein sistemaren trebetasun berak eskatzen zituen.

Sistema adituak erabiltzeak dituen onurak laburtuz, honako hauek nabarmentzen dira:

  1. Eskuragarritasun eta fidagarritasun handiagoa: esperientzia edozein hardware informatikotan eskura daiteke eta sistemak beti betetzen ditu erantzunak.
  2. Askotariko esperientzia: Hainbat sistema aditu batera erabil daitezke arazo bat konpontzeko. eta giza aditu batek baino esperientzia handiagoa lortzea.
  3. Azalpena: Sistema adituek beti deskribatzen dute nola konpondu zen arazoa.
  4. Erantzun azkarra: sistema adituak azkarrak dira eta gai dira arazo bat denbora errealean konpontzeko.
  5. Kostu murriztua: erabiltzaile bakoitzaren esperientziaren kostua nabarmen murrizten da.

Desabantailak[aldatu | aldatu iturburu kodea]

Literatura akademikoan adituak diren sistementzat aipatu den desabantailarik ohikoena ezagutza eskuratzea da. Edozein software-aplikaziotarako domeinu-adituen denbora lortzea beti da zaila, baina sistema adituentzat bereziki zaila izan zen, adituak, definizioz, erakundeak asko baloratu eta etengabe eskatu baitzituen. Arazo horren ondorioz, sistema adituek azken urteetan egindako ikerketa asko ezagutza eskuratzeko tresnetan oinarritu ziren, adituek definitutako arauen diseinu-, arazketa- eta mantentze-prozesua automatizatzen laguntzeko. Hala ere, benetako erabileran adituak diren sistemen bizi-zikloa aztertzean, beste arazo batzuk —batez ere beste edozein sistema handiren arazo berak— gutxienez ezagutza eskuratzea bezain kritikoak dirudite: integrazioa, datu-base handietarako sarbidea eta errendimendua.

Errendimendua bereziki arazotsua izan liteke, lehenengo aditu-sistemak kode-adierazpenak lehenengo konpilatu gabe interpretatzen zituzten tresnak erabiliz eraiki baitziren (adibidez, Lisp-en aurreko bertsioak). Horrek garapen handiko ingurune bat ekarri zuen, baina eragozpena zen ia ezinezkoa zela hizkuntza konpilatuen eraginkortasuna azkarrago berdintzea (C). Sistemak eta datu-baseak integratzea zaila izan zen lehen aditu-sistementzat, tresnak batez ere IT korporatiboen ingurune gehienetan familiakoak eta ongietorriak ez ziren hizkuntza eta plataformetan erabiltzen baitziren: programazio-lengoaiak (Lisp eta Prolog, adibidez) eta hardware-plataformak (Lisp makinak eta ordenagailu pertsonalak). Ondorioz, sistema adituetako tresnak garatzeko ondorengo etapetan ahalegin handia egin zen: COBOL eta datu-baseen sistema handiak bezalako ingurune heredatuekiko integrazioa eta plataforma estandarragoetarako transferentzia. Arazo horiek, batez ere, bezeroaren eta zerbitzariaren arteko paradigma-aldaketagatik konpondu ziren; izan ere, PCak pixkanaka onartu ziren ITen ingurunean, negozio-sistema benetan garatzeko plataforma legitimotzat, eta zerbitzari miniordenagailu eskuragarri gisa, IAko aplikazioetarako behar zen prozesatze-potentzia eman zuten.

Sistema adituen beste erronka handi bat ezagutza-oinarriaren tamaina handitzen denean sortzen da. Horren ondorioz, prozesamenduaren konplexutasuna handitu egiten da. Adibidez, 100 milioi erregeladun aditu-sistema bat (azken aditu-sistema, adibidez) imajinatzen zenean, bistan zen sistema hori konplexuegia izango zela eta arazo konputazional gehiegi izango zituela. Inferentzia-motor batek arau asko prozesatzeko gai izan beharko luke erabaki batera iristeko.

Erabaki-arauak elkarren artean koherenteak direla egiaztatzea ere erronka bat da arau gehiegi daudenean. Oro har, arazo horrek asebetetze-maila (LTZ) adierazten du. Asetasun boolearraren arazoa da hau, oso ezaguna. Aldagai bitarrak soilik onartzen baditugu, esan dezagun n direla, eta, gero, dagokion bilaketa-espazioa tamainakoa da. Hala, bilaketa-espazioa esponentzialki hazi daiteke.

Era berean, arauak modu eraginkorragoan funtzionatzeko erabiltzeari edo anbiguotasunak konpontzeari buruzko galderak ere badaude (adibidez, azpiegitura arraro gehiegi baldin badaude arau bakar baten barruan), eta abar.

Beste arazo batzuk gaindoitzearen eta gainbirsortzearen ondorioekin lotuta daude, gertaera ezagunak erabiltzean, eta jakintza-oinarrian esplizituki deskribatu ez diren beste kasu batzuk orokortzen saiatzean. Problema horiek ikaskuntza automatikoko ikuspegiak erabiltzen dituzten metodoekin ere existitzen dira.

Ezagutza oinarriarekin zerikusia duen beste arazo bat da nola eguneratu bere ezagutza azkar eta eraginkortasunez. Halaber, desafiatzailea da nola gehitu ezagutza berri bat (i.e., non arau askoren artean gehitu). Ikaskuntza automatikoko metodoen mende dauden ikuspegi modernoak errazagoak dira alde horretatik.

Aipatutako erronkak zirela eta, argi geratu zen arauetan oinarritutako teknologien ordez IA-ren ikuspegi berriak behar zirela. Ikuspegi berri horiek ikaskuntza automatikoko tekniken erabileran eta atzeraelikadurako mekanismoen erabileran oinarritzen dira.

Medikuntzan adituak diren sistemek (konputagailuaren laguntzaz diagnostiko-sistemak aditu modernoen sistematzat hartzen badira), eta, agian, beste aplikazio-eremu batzuetan, honako alderdi hauekin lotutako arazoak dituzte: big data, dauden erregulazioak, osasun-praktika, zenbait gai algoritmiko eta sistemaren ebaluazioa.

Azkenik, sistema adituak erabiltzeak desabantaila hauek ditu:

  1. Sistema adituek azaleko ezagutza dute, eta lan sinple bat konputazioan kostu handia izan dezake.
  2. Sistema adituek eskatzen dute ezagutza-ingeniariek datuak sartzea, datuak eskuratzea oso zaila da.
  3. Sistema adituak problema jakin bat ebazteko metodorik desegokiena aukera dezake.
  4. Gaur egun, oso garrantzitsuak dira IA mota guztiak erabiltzeko etika arazoak.
  5. Ezagutza espezifikoak dituen mundu itxi bat da, eta ez dago kontzeptuen eta haien arteko erlazioen pertzepzio sakonik aditu batek ematen dituen arte.

Aplikazioak[aldatu | aldatu iturburu kodea]

Hapasatu -Roth-ek sistema adituen aplikazioak 10 kategoria ilustratutan banatzen ditu hurrengo koadroan. Adibideko aplikazioak ez zeuden Haondar-en jatorrizko mahaian, eta horietako batzuk geroago sortu ziren. Oinez idazten ez den edozein aplikazio Ha-Roth liburuan deskribatzen da. Gainera, kategoria horiek sistema adituen aplikazio-eremua deskribatzeko esparru intuitiboa ematen duten arren, ez dira kategoria zurrunak, eta, kasu batzuetan, aplikazio batek kategoria baten baino gehiagoren ezaugarriak adieraz ditzake.

Kategoria Aztertutako arazoak Adibideak (ingelesez)
Interpretazioa Sentsoreen datuetatik abiatuta egoeren deskribapenak ondorioztatzea Hearsay (speech recognition), PROSPECTOR
Iragarpena Egoera jakin batzuen ondorio probableak ondorioztatzea Preterm Birth Risk Assessment[1]
Diagnostikoa Behagarrien inferentzia-sistemaren hutsegitea CADUCEUS, MYCIN, PUFF, Mistral,[2] Eydenet,[3] Kaleidos,[4] GARVAN-ES1[5]
Diseinua Murriztapenak dituzten objektuak konfiguratzea Dendral, Mortgage Loan Advisor, R1 (DEC VAX Configuration), SID (DEC VAX 9000 CPU)
Plangintza Ekintzak diseinatzea Mission Planning for Autonomous Underwater Vehicle[6]
Jarraipena Oharrak ahultasunen plangintzarekin alderatzea REACTOR[7]
Arazketa Arazo konplexuetarako konponbide gradualak ematea SAINT, MATHLAB, MACSYMA
Konpontzea Agindutako errekurtso bat administratzeko plana exekutatzea Toxic Spill Crisis Management
Instruction Ikasleen portaera diagnostikatu, ebaluatu eta zuzentzea SMH.PAL,[8] Intelligent Clinical Training,[9] STEAMER[10]
Kontrola Sistemaren portaerak interpretatu, iragarri, konpondu eta monitorizatzea Real Time Process Control, Space Shuttle Mission Control, Smart Autoclave Cure of Composites[11]

Hearsay ahots-azterketa sistema adituen ikuspegitik konpontzeko ahalegin goiztiarra izan zen. Sistema adituen kategoria horrek ez zuen hainbesteko arrakastarik izan. Ahots sistemak eta interpretazio sistema guztiak funtsean patroiak ezagutzeko sistemak dira, datu zaratatsuetan patroiak bilatuz. Hearsayren kasuan, audio-fluxu batean fonemak ezagutzen. Lehenengo beste adibide batzuk izan ziren Errusiako itsaspekoak detektatzeko datuak aztertzea. Horrelako sistemak askoz ere onargarriagoak izan ziren neurona-sarearen IA irtenbide baterako arauetan oinarritutako ikuspegia baino.

CADUCEUS eta MICINA diagnostiko medikoko sistemak izan ziren. Erabiltzaileak bere sintomak deskribatzen dizkio ordenagailuari, mediku bati egingo liokeen bezala, eta konputagailuak diagnostiko mediko bat itzultzen du.

Molekula organikoak identifikatzeko hipotesiak nola sortzen ziren aztertzeko tresna izan zen Dendral. Ebatzi zuen arazo orokorra —zenbait murrizketa dituen soluzio bat diseinatuz— izan zen negozio-esparruetan aplikatzen ziren lehen aditu-sistemetarako eremu arrakastatsuenetako bat, hala nola Digital Equipment Corporation-en (DECen) VAX ordenagailuak konfiguratzen dituzten saltzaileetarako eta hipoteka-maileguen aplikazioen garapenerako.

SMH.PAL sistema aditua da ezgaitasun asko dituzten ikasleak ebaluatzeko.

GARVAN-ES1 aditu medikoen sistema bat izan zen, Garvan Institute of Medical Research-en garatua, eta patologia-laborategi bateko txosten endokrinoei buruzko diagnostiko-iruzkin kliniko automatizatuak eman zituen. Nazioartean errutinaren erabilera klinikoan sartu zen lehen mediku-adituetako bat izan zen, eta Australian egunero diagnostikorako erabiltzen den lehen aditu-sistema. Sistema "C"-n idatzi zen eta PDP-11 batean korrika egin zuen 64K memoria batean. 661 arau konpilatu zituen, interpretatu gabeak.

Mistral presen segurtasuna gainbegiratzeko sistema aditua da, eta Ismesek (Italia) garatu zuen laurogeita hamarreko hamarkadan. Monitorizazio automatikoko sistema batetik datuak lortzen ditu eta presaren egoeraren diagnostikoa egiten du. Lehen kopia 1992an jarri zen Ridrakoliko presan (Italia), eta martxan segitzen du 365/7/24. Italian eta atzerrian (adibidez, Itaipuko presa, Brasilen), Eydenet izeneko lerradura-lurretan eta Kaleidos izeneko monumentuetan instalatu da. Mistral CESIren marka erregistratua da.

Erreferentziak[aldatu | aldatu iturburu kodea]

  1. Woolery, L K; Grzymala-Busse, J. (1994). «Machine learning for an expert system to predict preterm birth risk.» Journal of the American Medical Informatics Association 1 (6): 439–446. ISSN 1067-5027. PMID 7850569. (Noiz kontsultatua: 2022-11-29).
  2. «CSDL | IEEE Computer Society» www.computer.org (Noiz kontsultatua: 2022-11-29).
  3. (Ingelesez) Lazzari, Marco; Salvaneschi, Paolo. (1999-11-01). «Embedding a Geographic Information System in a Decision Support System for Landslide Hazard Monitoring» Natural Hazards 20 (2): 185–195.  doi:10.1023/A:1008187024768. ISSN 1573-0840. (Noiz kontsultatua: 2022-11-29).
  4. Lancini, Stefano; Lazzari, Marco; Masera, Alberto; Salvaneschi, Paolo. (1997-11-01). «Diagnosing Ancient Monuments with Expert Software» Structural Engineering International 7 (4): 288–291.  doi:10.2749/101686697780494392. ISSN 1016-8664. (Noiz kontsultatua: 2022-11-29).
  5. Buchanan, B. (1986). "Expert systems: working systems and the research literature". Expert Systems. 3(1): 32–51
  6. Kwak, S.H.; Ong, S.M.; McGhee, R.B.. (1990-06). «A mission planning expert system for an autonomous underwater vehicle» Symposium on Autonomous Underwater Vehicle Technology: 123–128.  doi:10.1109/AUV.1990.110446. (Noiz kontsultatua: 2022-11-29).
  7. Nelson, W. R. (1982). "REACTOR: An Expert System for Diagnosis and Treatment of Nuclear Reactors".
  8. «SMH.PAL: an expert system for identifying treatment procedures for students with severe disabilities.» web.archive.org 2013-12-03 (Noiz kontsultatua: 2022-11-29).
  9. (Ingelesez) Haddawy, P.; Suebnukarn, S.. (2010). «Intelligent Clinical Training Systems» Methods of Information in Medicine 49 (04): 388–389.  doi:10.1055/s-0038-1625342. ISSN 0026-1270. (Noiz kontsultatua: 2022-11-29).
  10. Hollan, J.; Hutchins, E.; Weitzman, L. (1984). "STEAMER: An interactive inspectable simulation-based training system". AI Magazine.
  11. Ciriscioli, P. R., and G. S. Springer (1990). "Smart Autoclave Cure of Composites".

Kanpo estekak[aldatu | aldatu iturburu kodea]