Zasady budowy systemów ekspertowych
wykonał: prowadzący:
Marcin Tranda Z. Sosnowski
Spis tresci:
- Wstęp.
- Typowa architektura systemu ekspertowego.
- Metody tworzenia systemów ekspertowych.
- Kryteria wyboru metody.
- Przykłady systemów ekspertowych.
Wstęp.
Zastosowanie maszyn cyfrowych wyłącznie do zadań obliczeniowych szybko przestało być wystarczające dla człowieka. Pojawiła się potrzeba szybkiego i wygodnego redagowania dokumentów, ich prezentacji, jak również gromadzenia, wyszukiwania i przechowywania danych z nimi związanych. Kolejne możliwości zastosowania komputerów dostrzeżono w tych dziedzinach, gdzie występuje przetwarzanie zbiorów danych, w poligrafii (możliwości tworzenia różnego rodzaju grafik i wzorów), rozrywce i innych. Wkrótce zaczęto się zastanawiać, jak uczynić komputer mądrym", tak by na podstawie podanej mu określonej wiedzy sam mógł wysuwać jakieś wnioski podobnie jak czyni to ekspert, a tym samym rozwiązywać postawione mu problemy i zadania - tzn. podejmować decyzje. Zaistniała potrzeba stworzenia "komputerowego doradcy", który symulując pracę eksperta mógłby go zastąpić w określonych sytuacjach, bądź stać się jego doradcą. Prace nad realizacją takiego systemu zapoczątkowały nowy rozdział w dziedzinie informatyki i oprogramowania - rozdział systemów ekspertowych. Powstało szereg teorii i narzędzi poświęconych tej tematyce, odkryto wiele możliwości zastosowania systemów ekspertowych i część z nich już zrealizowano. Obecnie badania i prace nad systemami ekspertowymi dotarły do etapu "samouczenia się" systemu ekspertowego.[1][4] Oznacza to możliwości przyswajania sobie nowej wiedzy a także generacji na jej podstawie nowych reguł decyzyjnych oraz pewnego rodzaju uniwersalności systemów ekspertowych dających się zastosować dla różnych dziedzin wiedzy. Systemy ekspertowe są ciągle rozwijane. Trwa nieustanna ich ekspansja, a wiele funkcjonujących implementacji m.in. w medycynie, przemyśle, obronności, astronomii i meteorologii daje bardzo dobre rezultaty. Zatem można stwierdzić, że nie należy już do wątpliwych ani nie jest pytaniem przyszłości kwestia sensowności i celowości badań nad systemami ekspertowymi.
Typowa architektura systemu ekspertowego.
Budowa systemu ekspertowego wynika poniekąd z cech i właściwości tegoż systemu. Wiedza o problemach zawarta w systemie ekspertowym wyprowadzona jest poza kod źródłowy programu, a więc istotnym elementem w architekturze systemu ekspertowego jest BAZA WIEDZY. Oprócz wymienionej baz wiedzy cechującej systemy ekspertowe posiadają one klasyczną BAZĘ DANYCH. Zawiera ona fakty z dziedziny wiedzy zawartej w bazie wiedzy. Działając na bazach wiedzy i danych system używa MECHANIZMU WNIOSKOWANIA. Wykorzystywany jest on w celu udowodnienia zadanych celów lub wysunięcia propozycji określonych decyzji. Obok bazy wiedzy mechanizm ten jest podstawowym elementem systemu ekspertowego. Użytkownikowi systemu musi być udostępniona możliwość redakcji bazy wiedzy w języku zbliżonym do naturalnego. Wymagany jest zatem MODUŁ POZYSKIWANIA WIEDZY, którego zadaniem byłoby pośredniczenie między użytkownikiem a bazą wiedzy oraz odpowiadanie za translację wiedzy z postaci przystępnej dla użytkownika do postaci wymaganej przez mechanizm wnioskowania i odwrotnie. Oczywiście, jak w każdym systemie, dla udoskonalenia dialogu użytkownika z systemem niezbędny jest odpowiednio zaprojektowany MODUŁ KOMUNIKACJI Z UŻYTKOWNIKIEM. Wymienione wyżej elementy składają się na typową architekturę systemu ekspertowego.
Metody tworzenia systemów ekspertowych.
Proces tworzenia systemu ekspertowego można podzielić na pięć etapów:
Identyfikacja - określenie charakterystyki systemu (dziedzina, język, słownik itd.),
konceptualizacja - znalezienie pojęć dla odpowiedniego przedstawienia wiedzy o problemie i języku,
formalizacja - opracowanie struktur organizacji wiedzy o problemie i języku,
realizacja - stworzenie reguł rozpoznawania znaczenia i wyrażających wiedzę,
weryfikacja- dotyczy procesu testowania poprawności działania tworzonego systemu.
Identyfikacja polega na sformułowaniu problemu, tj. ustaleniu dziedziny wiedzy a także jej zakresu, wielkości słownika itd. Na tym etapie konieczna jest współpraca twórcy systemu ekspertowego z ekspertami w celu określenia podstawowych zagadnień. Ustalani są również inni uczestnicy procesu tworzenia systemu (eksperci), rodzaj i liczba opcji oraz potrzebne środki. Na etapie koncepcji przez twórcę oraz ekspertów określane są podstawowe pojęcia, relacje między nimi i sposoby przepływu informacji. Informacje te mają ścisły związek z dziedziną wiedzy, w której ma działać system ekspertowy.
Formalizacja zagadnień jest na ogół rozumiana jako przedstawienie pojęć i relacji między nimi, języka i bazy wiedzy w pewnym formalizmie. Formalizmem tym jest najczęściej język programowania.
Poniżej zostaną omówione i porównane trzy sposoby podejścia do tworzenia ekspertowych systemów decyzyjnych. Są to:
klasyfikacja bayesowska (statystyczne rozpoznawanie obrazów),
dedukcja oparta na regułach,
indukcja na tzw. ramach (indukcja ramowa).
Statystyczna klasyfikacja obrazów [1] to metoda, w której wiedza przedstawiona jest "a priori" z warunkowymi prawdopodobieństwami oraz funkcjami wyróżniającymi. Wnioskowanie polega tu na liczeniu następnych prawdopodobieństw a także liczeniu wyróżniającej cechy. Mechanizm wnioskowania w oparciu o twierdzenie Bayesa (jedno z podstawowych twierdzeń rachunku prawdopodobieństwa) opiera się na obliczaniu prawdopodobieństwa każdego możliwego wyniku, przy znanym danym konkretnym przypadku. Prawdopodobnie podstawową wadą tej metody jest to, że wymaga ona znajomości dokładnych wartości bądź też rozkładów prawdopodobieństw pojawienia się parametrów (cech) zjawiska, czyli problemu będącego de facto przedmiotem rozważań. Innym problemem jest to, że należy dokonać pewnych nierealistycznych założeń - na przykład, w bayesowskiej klasyfikacji wymagane wyniki, np. rozpoznawania, muszą się wzajemnie wykluczać. Niestety w wielu rozwiązywanych problemach może zajść sytuacja, w której występują liczne podobne wyniki (np. w diagnostyce: pacjent może mieć wiele chorób). Innym założeniem, co prawda nie wymaganym przez twierdzenia atesa, a wymuszonym przez praktykę, jest statystyczna niezależność cechy problemu. W bardzo wielu dziedzinach zastosowań cechy problemu nie są niezależne, a zatem takie założenie może znacznie obniżyć skuteczność systemu. Kolejną wadą większości systemów statystycznych jest to, że przed zastosowaniem systemu wymagane jest posiadanie wszystkich istotnych informacji o danym przypadku. Może to się okazać nierealne, gdyż np. w systemach diagnostycznych trzeba by najpierw wykonać wiele kosztownych testów. Jednak w uzasadnieniu wyżej wymienionych wad, systemy oparte na statystycznej klasyfikacji obrazów bardzo dobrze nadają się do wykorzystania w tych przypadkach, gdzie wiedza jest niepełna, bądź niepewna. Ze względu na częstą niepewność oraz luki w ludzkiej wiedzy systemy oparte na tej metodzie wydają się bardzo potrzebne, jeśli nie niezbędne, co mocno podkreśla ich pozycję.
Drugą powszechnie stosowaną metodą tworzenia systemów ekspertowych, która stanowi pewną „normę” w sztucznej inteligencji, jest "dedukcja oparta na regułach" [1]. Zastosowanie reguł pozwala na stosowanie wiedzy nienumerycznej. Dzieje się tak ze względu na to, że nie jest wymagana dokładna znajomość opisywanych wyżej prawdopodobieństw. Niektórzy utrzymują, że reguły tworzą dobry model ludzkiego rozumowania, choć jest to teza dość kontrowersyjna. Dedukcyjny system jest oparty na regułach postaci:
JEŻELI [przesłanki] WÓWCZAS [wnioski]
Mechanizm wnioskowania składa się z "tłumacza", który po podaniu szczegółowego zestawu cech problemu określa, które reguły należy zastosować, a następnie stosuje je w określonym porządku, prowadząc do konkluzji. Wykonywanie dedukcji może przebiegać na wiele różnych sposobów i w wielostopniowych procedurach dedukcji reguły mogą być wzajemnie zmieniane. Często zdarza się, że są dołączane "współczynniki pewności". Metoda ta umożliwia tworzenie łańcuchowych związków, towarzyszących informacji wykorzystywanych w procesie dedukcji. Przykładem tego typu systemów mogą być programy ekspertowe MYCIN[3], PROSPECTOR oraz PROLOG. Do wad dedukcji opartej na regułach możemy zaliczyć trudność reprezentowania wiedzy w kategoriach zrozumiałych dla reguł, zwłaszcza gdy wiedza pochodzi z testów lub od ekspertów. Część trudności wynika z faktu, że "kierunkowość" tworzenia reguł może stwarzać pewne kłopoty. Kolejnym źródłem trudności jest fakt, że przy stosowaniu kolejnej reguły trzeba brać pod uwagę cały dotychczasowy kontekst. Tymczasem istotność ustalonych wcześniej czynników nie zawsze jest oczywista, powstaje więc niebezpieczeństwo popełnienia błędu opuszczenia, który polega na zaniechaniu w procesie dedukcji sprawdzania niektórych warunków, co do których nie ma jasno przedstawionych opisów cech problemu. Ponadto, interpretacja niektórych cech problemu może być bardzo zależna od kontekstu. Istnieje wiele sposobów organizowania reguł i zwykle nie jest do końca pewne, który sposób jest najlepszy. Zdarza się, że kończy się na spisywaniu całego systemu reguł od początku. „Kierunkowość" czynników pewności może również stwarzać problemy w procesie tworzenia systemu.
Trzecią ważną metodą tworzenia systemów ekspertowych jest "indukcja oparta na ramach" [1]. W tym przypadku wiedzę z jakiejś konkretnej dziedziny zawierają opisowe "ramy" informacyjne. Wnioskowanie oparte jest na dwóch cyklach: stawianie "hipotezy" i "test", które modelują ludzki sposób rozumowania. W ramach zestawione są opisy istotnych cech problemu, wyniki pomiarów itp. ułożone w sposób podobny do tego, w jaki wypełnia się np. kartę stanu zdrowia pacjenta. Po podaniu jednej lub więcej początkowych cech problemu ( tzn. części opisu zawartego w "ramach"), system ekspertowy utworzy zestaw potencjalnych hipotez, które z kolei mogą wyjaśnić zaistniałe i podane systemowi cechy problemu. Hipotezy te są następnie testowane przez zastosowanie różnych procedur, które mierzą ich zdolności do obliczania znanych cech (parametrów), oraz tworzenie nowych pytań, które pomogą wyróżnić jedną spośród wielu prawdopodobnych hipotez. Cykl jest następnie powtarzany z dodatkową otrzymaną informacją.
Wnioskowanie polegające na szukaniu "najlepszego wyjaśnienia" jest często odnoszone właśnie do indukcji. Badania problemu prowadzą do tezy, że wnioskowanie diagnostyczne jest procesem stawiania kolejnych hipotez i ich testowania. Stąd też powstał pomysł, aby budować systemy ekspertowe w oparciu o zasady klasyfikacji oraz diagnostycznego rozwiązywania problemów. Każdej przyczyna posiada zespół objawów, które mogą być jej następstwem. Podobnie dla każdego możliwego objawu istnieje zespół przyczyn, które mogłyby ten objaw wyjaśnić. Po podaniu zbioru objawów mechanizm wnioskowania wyszukuje wszystkie zestawy przyczyn, które mogłyby "wyjaśnić" każdy z objawów. Spośród zalet indukcji opartej na ramach można wymienić to, że dla wielu zastosowań ramy są łatwe i naturalne w opisie. Mogą być często brane prawie bezpośrednio z informacji opisowej zawartej w podręczniku lub opracowaniu. Inną cechą dodatnią jest to, że informacja w każdym wyniku umieszczona jest w jednej ramie, a co za tym idzie łatwiej można posłużyć się informacją zależną od kontekstu. Co więcej, w problemach diagnostycznych i innych wymagających wyboru metoda ta może być skuteczna nawet wtedy, gdy wymagane są wielorakie przyczyny wyboru. Często stosowane w indukcji opartej na ramach algorytmy hipotezy i testu skupiają się na uzyskaniu najbardziej prawdopodobnego wyniku, skutkiem czego jest mniej pytań zawartych w systemie. Oczywistą zaletą jest krótszy czas trwania sesji "pytania-odpowiedzi". Ponadto, operator odczuwa większy komfort z zastosowania tego rodzaju systemów (np. w procesie uczenia), ponieważ dobrze sposób wnioskowania zastosowany przez system jest przez niego dobrze rozumiany. Indukcja oparta na ramach jest najbardziej "eksperymentalna" (co potwierdzają obserwacje) spośród trzech omawianych metod. Wiele technicznych kwestii dotyczących tej metody również pozostaje do rozwiązania. Moment, w którym następuje tworzenie pytań i proces kształtowania decyzji, zawsze pozostaje do ustalenia. Do wad metody można zaliczyć sytuację, w której opisana strategia czasami doprowadzona do tego, że brak pewnej ważnej informacji pozostaje nie zauważony. Pozostaje również pytanie w jaki sposób wybrać optymalnie następne pytanie. Którego określenia oczekuje użytkownik? Dla tworzenia pytań przyjęto wiele różnych podejść heurystsycznych [2], lecz wszystkie one wydają się, jak dotychczas, ograniczone w swojej kompletności, naturalności i podstawie teoretycznej.
Kryteria wyboru metody.
Wybór właściwej metody tworzenia systemu ekspertowego powinien być poprzedzony porównawczą oceną dokładności różnorodnych systemów ekspertowych dla danej dziedziny. Jak wskazuje większość wyników badań porównawczych żadna z metod nie jest znacząco lepsza od pozostałych. Wykrywane różnice skuteczności metod należy przypisać raczej zróżnicowaniu informacji zawartych w podstawach wiedzy niż w samych metodach. Wszystkie trzy metody posiadają wspólne wady i zalety, zaś każdą z nich można dostosować do każdego typu problemów. Cechą dodatnią wszystkich metod jest dobrze określona podstawa teoretyczna.
Statystyczne rozpoznawanie obrazów oparte jest na teorii prawdopodobieństwa, dedukcja zasadza się na logice dedukcyjnej (np. rachunek predykatów pierwszego rzędu), indukcja ramowa natomiast może być oparta na teorii zbioru pokrywającego, który tworzy formalną teorię wnioskowania typu diagnostycznego. Wszystkie trzy metody tworzenia systemów ekspertowych, którzy mogą niechętnie ufać zaleceniu wytworzonemu przez maszynę, jeżeli nie jest jasne, w jaki sposób zostało ono sformułowane. Konwencjonalna „mądrość" sztucznej inteligencji stanowi o tym, że systemy oparte na regułach, przy ich zdolności utrzymywania ograniczonej formy dopasowania odpowiedzi, mają przewagę w zakresie tworzenia systemów ekspertowych. Jednak ostatnio wykazano, że systemy oparte na klasyfikacji bayesowskiej mogą również szukać odpowiedzi przez analizowanie i przedstawienie cech znamiennych problemu, najbardziej odpowiedzialnych za względne ustawienie wyników. Zainteresowaniem badaczy cieszy się obecnie problem dopasowania odpowiedzi w indukcyjnych systemach ekspertowych na podstawie opartych na analizie związków przyczynowych, zawartych w podstawie wiedzy.
Nie ma konkretnie sprecyzowanego stanowiska na temat optymalnego wyboru metody tworzenia systemów ekspertowych. Dlatego opisane zostaną najważniejsze kryteria, wypracowane w kilku ośrodkach naukowych. Kryteria te oparte są na trzech głównych czynnikach:
wstępnie istniejącym formacie wiedzy użytkowej
typie obranej klasyfikacji,
- liczbie zależności kontekstowych, zawartych w każdym problemie
Najważniejszym praktycznie czynnikiem wyboru metody jest wstępnie istniejący format wiedzy użytkowej. Zazwyczaj wymaga on pewnego nakładu pracy dla utrzymania bazy wiedzy w formie oryginalnej zamiast przekształcenia jej w inną reprezentację. Drugą ważną okolicznością jest typ wymaganej klasyfikacji. Istnieją problemy, które wymagają prawdopodobnych wnioskowań. Na przykład, orzeczenia wyniku (prognozy) mogą być często wydawane w kontekście prawdopodobieństwa, natomiast dla niektórych problemów trzeba żądać wniosków kategorycznych, np. przy wyborze podzespołu w produkcji zautomatyzowanej lub rozpoznania wypowiedzianego słowa. Są również i takie problemy, które wymagają mieszaniny wnioskowań prawdopodobnych i kategorycznych. Trzecim czynnikiem jest zależność sposobu wnioskowania od kontekstu. Jeśli istnieje niewiele cech wejściowych od których zależą wnioskowania, wówczas najbardziej odpowiednią metodą może być dedukcja oparta na regułach. Z drugiej strony, jeśli wnioskowania zależą od wielu cech wejściowych, wówczas napisanie zestawu reguł może być zbyt trudne, ponieważ cały kontekst dla zastosowania każdej reguły musiałaby być zawarty w warunkach tej reguły. W takim wypadku preferowanym podejściem będzie indukcja ramowa. Przyjmując nawet, że można byłoby rozpoznać całość tego kontekstu, wynikająca z niego baza byłaby potencjalnie olbrzymim zestawem reguł.
Pewne wytyczne dla wyboru metody przedstawia poniższa tabela:
KRYTERIA WYBORU METODY
CZYNNIKI SRO DOR IOR
Przeważające cechy organizowania wiedzy:
logika drzewa - + +
reguły - +++ --
opis/tabela + ++ +++
niepewnie/słabo uformowane - ++ +++
prawdopodobieństwa dostępne +++ + +
inaczej --- + +
Czynniki wzajemnie wykluczające się:
prawdopodobne +++ + +
kategoryczne - ++ +
mieszane + +
Jednoczesne różne wyniki:
prawdopodobne + +
kategoryczne --- ++ +++
mieszane -- + +
Zależność kontekstowa:
mała + + +
duża - - +++
Niektóre dziedziny zastosowań przykładowych:
małe problemy diagnostyczne + + +
duże problemy diagnostyczne -- + +++
orzekanie wyniku ++ + -
Objaśnienia:
- - oznacza wpływ negatywny
+ - oznacza wpływ pozytywny
SRO - statystyczne rozpoznawanie obrazów
DOR - dedukcja oparta na regułach
IOR - indukcja oparta na ramach
Statystyczne rozpoznawanie obrazów w klasyfikacji bayesowskiej należy stosować gdy:
-istotne prawdopodobieństwa lub dane wymagane do ich wyprowadzenia są łatwo osiągalne,
-wyniki, w których ma się ocenić prawdopodobieństwa, wzajemnie się wykluczają,
-wiedza jest niepewna lub niepełna,
-parametry wejściowe są względnie niezależne od innych,
-wymagane są przeważnie wnioskowania prawdopodobne.
Wydaje się, że te właściwości mogą być wykorzystane w tworzeniu systemów dialogowych, dla systemów głosowej komunikacji człowiek-komputer, czy też systemów rozpoznawania obrazów rzeczywistych. Jeśli stosuje się statystyczne metody nie-bayesowskie, restrykcje druga lub trzecia mogą być rozluźnione.
Dedukcja oparta na regułach może być najbardziej właściwa, gdy:
-podstawa wiedzy jest już zorganizowana w formie reguł, lub tabeli
-przeważa kategoryczny typ klasyfikacji
-lczba zależności kontekstowych nie jest zbyt duża
Grupa problemów, do których pasuje ta metoda, obejmuje kategoryzowanie sytuacji do dobrze predefiniowanych kategorii i wybieranie kierunku działania w ustalonej sytuacji.
Stosowanie indukcji ramowej powinno być brane pod uwagę, gdy:
-format podstawy wiedzy jest opisowy, jak np. w podręczniku lub artykule przeglądowym,
-stnieje potrzeba mieszania metod klasyfikacji prawdopodobnej i kategorycznej,
-istnieje duża liczba zależności kontekstowej,
-wyniki są potencjalnie wielorakie, np. operacje prognostyczne, rozpoznawanie, diagnoza.
Wybór właściwej metody tworzenia systemu ekspertowego nie jest decyzją prostą. Właściwa analiza istniejącego formatu wiedzy oraz wybór typu klasyfikacji a także liczba odkrytych zależności kontekstowych zawartych w problemie może znacznie pomóc w podjęciu trafnej decyzji.
Przykłady systemów ekspertowych.
Na uwagę zasługuje znany system GURU firmy MDBS [1][5]. Jest to pakiet zintegrowany, zawierający, obok procedur przetwarzających teksty, bazy danych, arkusza kalkulacyjnego i grafiki, generator systemów ekspertowych. Za najważniejszą cechę systemu GURU można uznać zasadę integracji w postaci metody współdziałania. Integracja ta jest rozumiana przede wszystkim jako w pełni systemowe traktowanie poszczególnych modułów programowych. Oznacza to, że podczas rozwiązywania określonego problemu można korzystać jednocześnie z efektów działania poszczególnych modułów w różnych konfiguracjach. Z tego względu system GURU jest bardzo elastyczny i skuteczny. W tabeli zawarto zestawienie wybranych wielkości, charakteryzujących system GURU.
WYBRANE WIELKOŚCI DLA SYSTEMU "GURU"
Cecha Charakterystyka
Liczba zbiorów reguł nieograniczona
Liczba reguł w zbiorze reguł nieograniczona
Rozmiar reguły (liczba znaków) nieograniczona
Współpraca modułów systemu GURU odbywać się może na wielu płaszczyznach. Pola bazy danych(bądź komórki arkusza kalkulacyjnego czy też zmienne lub tablice) mogą być wykorzystywane bezpośrednio przez jakąkolwiek regułę zawartą w bazie wiedzy. Konkluzja dowolnej reguły systemu ekspertowego może być operacją na bazie danych, pytaniem w języku SQL, operacją na arkuszu kalkulacyjnym, dowolnym programem wewnętrznym lub zewnętrznym. Konsultacja z systemem może być prowadzona interakcyjnie zarówno z poziomu GURU, jak i z poziomu dowolnego programu aplikacyjnego. W trakcie procesu wnioskowania system GURU może konsultować się z dowolnym innym systemem ekspertowym, uruchamiać podprogramy aplikacyjne, przeprowadzać obliczenia i komunikować się z użytkownikiem za pośrednictwem dowolnie zaprojektowanego interfejsu. Wyniki obliczeń z arkusza kalkulacyjnego mogą być natychmiast dostępne jako nowe rekordy w tablicy bazy danych. W każdym momencie przetwarzania tekstu lub drukowania można zadać pytanie w języku SQL, a odpowiedzi na nie dołączyć do danego tekstu. Zawartość komórek arkusza kalkulacyjnego, wyniki programu aplikacyjnego i wyniki innych opcji mogą być automatycznie dołączane do tekstu w trakcie jego przetwarzania lub drukowania. Komunikacja użytkownika z systemem GURU odbywa się - zależnie od kwalifikacji i postawionego zadania - na czterech poziomach: menu, język naturalny, bezpośrednie komendy, interfejs aplikacyjny.
Innym przykładem efektywnego narzędzia tworzenia własnych systemów ekspertowych jest system szkieletowy PC-Shell, napisany
w języku "C" i przeznaczony dla komputerów klasy IBM PC z systemem operacyjnym DOS.
Kolejnym przykładem pakietu, ułatwiającego tworzenie systemów typu ekspertowego, jest pakiet M.l. firmy Tacknowledge Inc.[1], utworzony w 1984r. Pakiet może wspomagać twórcę systemu (inżyniera wiedzy) przy budowie prototypowego systemu decyzyjnego. Pozwala on na uwzględnienie w systemie do 200 reguł.
Podobną charakterystykę i przeznaczenie ma system ESIE[1] (Expert System InferencE -mechanizm wnioskowania systemu ekspertowego), opracowany przez firmę Lightwave Consultants Inc. Narzędziem do tworzenia systemów ekspertowych jest EXSYS[1][6] (Expert System Development Package - pakiet tworzenia systemów ekspertowych), firmy EXSYS. Pakiet obejmuje główny program systemu ekspertowego, dokonujący wnioskowania na podstawie dostępnej bazy wiedzy. Jego zaletą jest rozbudowany edytor, ułatwiający tworzenie własnej bazy wiedzy.
Pakiet FLOPS (ang, Fuzzy Logic Production System) jest przykładem pakietu umożliwiającego łączenie go z własnymi programami napisanymi w innych językach wyższego poziomu. Można z jego pomocą tworzyć reguły, które z kolei mogą generować nowe reguły. System ten, zgodnie z nazwą, wykorzystuje teorię zbiorów rozmytych zarówno w zakresie faktów, jak i liczb. System ma zainstalowaną logikę rozmytą (ang. Fuzzy Logic) oraz wykorzystuje złożony mechanizm nawracania i przeszukiwania różnych ścieżek rozwiązań, przy równoczesnym pamiętaniu uprzednio ustalonych faktów i związków.
Bibliografia:
2 - Jan J. Mulawka „Systemy ekspertowe”
anglojęzyczne strony www:
3 - http://alaeddin.cc.selcuk.edu.tr/~noval/ESMD.htm
4 - http://www.pcai.com/web/ai_info/expert_systems.html
5 - http://www.mdbs.com/html/pdf/guru_whitepaper.pdf
6 - http://www.exsys.com/