- Kapasitas sistem
- Sejarah
- - Perkembangan awal
- - Perkembangan utama
- Dendral
- - Kedewasaan
- karakteristik
- - Tingkat Pengalaman
- - Reaksi tepat waktu
- - Keandalan
- - Mekanisme efektif
- - Tangani masalah
- - Komponen
- Dasar pengetahuan
- Mesin inferensi
- Kesimpulan
- Jenis
- Berbasis aturan
- Berdasarkan logika fuzzy
- Neuronal
- Neuronal-difus
- Keuntungan
- Ketersediaan
- Resiko berkurang
- Pengetahuan bisnis
- Penjelasan jawaban
- Jawaban cepat
- Tingkat kesalahan rendah
- Respon tanpa emosi
- Keabadian pengetahuan
- Pembuatan prototipe cepat
- Berbagai pengalaman
- Kekurangan
- Akuisisi pengetahuan
- Integrasi sistem
- Kompleksitas pemrosesan
- Pembaruan pengetahuan
- Aplikasi
- Diagnosis dan pemecahan masalah
- Perencanaan dan penjadwalan
- Keputusan keuangan
- Pemantauan dan kontrol proses
- Konsultasi pengetahuan
- Referensi
Sistem pakar didefinisikan sebagai sistem yang meniru kemampuan pengambilan keputusan dari pakar manusia di bidang tertentu. Mereka menggunakan strategi dan fakta heuristik untuk memecahkan masalah pengambilan keputusan yang kompleks secara andal dan interaktif.
Mereka dirancang untuk memecahkan masalah yang sangat kompleks, penalaran melalui basis pengetahuan. Daripada diwakili oleh kode prosedural, mereka pada dasarnya diwakili oleh aturan If-Then.
Sumber: pixabay.com
Mereka mampu mengekspresikan diri dan alasan tentang beberapa bidang pengetahuan, yang memungkinkan mereka untuk memecahkan banyak masalah yang umumnya membutuhkan seorang ahli manusia. Sistem pakar adalah pendahulu dari kecerdasan buatan, pembelajaran mendalam, dan sistem pembelajaran mesin saat ini.
Sistem pakar tidak dapat menggantikan kinerja keseluruhan pekerja dalam pemecahan masalah. Namun, mereka dapat secara drastis mengurangi jumlah pekerjaan yang harus dilakukan individu untuk memecahkan masalah, menyerahkan aspek kreatif dan inovatif dari pemecahan masalah kepada orang-orang.
Mereka telah memainkan peran penting dalam banyak industri, seperti layanan keuangan, telekomunikasi, perawatan kesehatan, layanan pelanggan, video game, dan manufaktur.
Kapasitas sistem
Sistem pakar menggabungkan dua subsistem: basis pengetahuan, yang berisi kumpulan fakta dan pengalaman, dan mesin inferensi, yang merupakan seperangkat aturan untuk diterapkan pada basis pengetahuan atau fakta yang diketahui dalam setiap situasi tertentu, untuk menyimpulkan situasi baru. tindakan.
Kapabilitas sistem dapat ditingkatkan dengan tambahan pada basis pengetahuan atau kumpulan aturan.
Misalnya, sistem pakar saat ini mungkin juga memiliki kemampuan untuk belajar secara otomatis, yang memungkinkan mereka meningkatkan kinerja berdasarkan pengalaman, seperti halnya manusia.
Selain itu, sistem modern dapat lebih mudah memasukkan pengetahuan baru dan dengan demikian mudah diperbarui. Sistem semacam itu dapat menggeneralisasi dengan lebih baik dari pengetahuan yang ada dan menangani data kompleks dalam jumlah besar.
Sejarah
- Perkembangan awal
Pada akhir 1950-an, eksperimen dimulai dengan kemungkinan menggunakan teknologi komputer untuk meniru pengambilan keputusan manusia. Misalnya, sistem berbantuan komputer mulai dibuat untuk aplikasi diagnostik dalam kedokteran.
Sistem diagnostik awal ini memasukkan gejala pasien dan hasil tes laboratorium ke dalam sistem untuk menghasilkan diagnosis sebagai hasilnya. Ini adalah bentuk pertama dari sistem pakar.
- Perkembangan utama
Pada awal tahun enam puluhan, program dikembangkan yang memecahkan masalah yang didefinisikan dengan baik. Misalnya, game atau mesin terjemahan.
Program-program ini membutuhkan teknik penalaran cerdas untuk menangani masalah logika dan matematika yang disajikan, tetapi mereka tidak membutuhkan banyak pengetahuan tambahan.
Peneliti mulai menyadari bahwa untuk menyelesaikan banyak masalah yang menarik, program tidak hanya harus mampu menginterpretasikan masalah, tetapi juga membutuhkan pengetahuan dasar untuk memahaminya.
Hal ini secara bertahap mengarah pada pengembangan sistem pakar, yang lebih difokuskan pada pengetahuan.
Konsep sistem pakar dikembangkan secara resmi pada tahun 1965 oleh Edward Feigenbaum, seorang profesor di Stanford University, AS.
Feigenbaum menjelaskan bahwa dunia sedang bergerak dari pemrosesan data ke pemrosesan pengetahuan, berkat teknologi prosesor dan arsitektur komputer baru.
Dendral
Pada akhir 1960-an, salah satu sistem pakar pertama, yang disebut Dendral, dikembangkan untuk menangani analisis senyawa kimia.
Pengetahuan Dendral terdiri dari ratusan aturan yang menggambarkan interaksi senyawa kimia. Aturan ini adalah hasil kolaborasi bertahun-tahun antara ahli kimia dan ilmuwan komputer.
- Kedewasaan
Sistem pakar mulai berkembang biak selama 1980-an. Banyak dari perusahaan Fortune 500 yang menerapkan teknologi ini dalam aktivitas bisnis sehari-hari.
Pada 1990-an, banyak vendor aplikasi bisnis, seperti Oracle dan SAP, mengintegrasikan kapabilitas sistem pakar ke dalam rangkaian produk mereka, sebagai cara untuk menjelaskan logika bisnis.
karakteristik
- Tingkat Pengalaman
Sistem pakar harus menawarkan tingkat keahlian tertinggi. Memberikan efisiensi, presisi, dan pemecahan masalah yang imajinatif.
- Reaksi tepat waktu
Pengguna berinteraksi dengan sistem pakar untuk jangka waktu yang wajar. Waktu interaksi ini harus kurang dari waktu yang dibutuhkan pakar untuk mendapatkan solusi paling tepat untuk masalah yang sama.
- Keandalan
Sistem pakar harus memiliki keandalan yang baik. Untuk melakukan ini, Anda tidak boleh membuat kesalahan apa pun.
- Mekanisme efektif
Sistem pakar harus memiliki mekanisme yang efisien untuk mengelola ringkasan pengetahuan yang ada di dalamnya.
- Tangani masalah
Sistem pakar harus mampu menangani masalah yang menantang dan membuat keputusan yang tepat untuk memberikan solusi.
- Komponen
Dasar pengetahuan
Ini adalah kumpulan data yang terorganisir sesuai dengan ruang lingkup pengalaman sistem.
Melalui wawancara dan observasi dengan ahli manusia, fakta yang membentuk dasar pengetahuan harus diambil.
Mesin inferensi
Menafsirkan dan mengevaluasi fakta dalam basis pengetahuan melalui aturan, untuk memberikan rekomendasi atau kesimpulan.
Pengetahuan ini direpresentasikan dalam bentuk aturan produksi If-Then: "Jika suatu kondisi benar, maka pengurangan berikut dapat dilakukan."
Kesimpulan
Seringkali faktor probabilitas dilampirkan pada kesimpulan dari setiap aturan produksi dan pada rekomendasi akhir, karena kesimpulan yang dicapai bukanlah kepastian mutlak.
Misalnya, sistem pakar untuk diagnosis penyakit mata dapat menunjukkan, berdasarkan informasi yang diberikan, bahwa seseorang mengidap glaukoma dengan probabilitas 90%.
Juga, urutan aturan yang melaluinya kesimpulan dicapai dapat ditampilkan. Memantau rantai ini membantu menilai kredibilitas rekomendasi dan berguna sebagai alat pembelajaran.
Jenis
Berbasis aturan
Dalam sistem ini pengetahuan direpresentasikan sebagai seperangkat aturan. Aturannya adalah cara langsung dan fleksibel untuk mengungkapkan pengetahuan.
Aturan tersebut terdiri dari dua bagian: bagian "Jika", yang disebut kondisi, dan bagian "Kemudian", yang disebut deduksi. Sintaks dasar dari sebuah aturan adalah: If (condition) Then (deduction).
Berdasarkan logika fuzzy
Saat Anda ingin mengungkapkan pengetahuan menggunakan kata-kata yang tidak jelas seperti "sangat sedikit", "cukup sulit", "tidak terlalu tua", logika fuzzy dapat digunakan.
Logika ini digunakan untuk menggambarkan definisi yang tidak tepat. Ini didasarkan pada gagasan bahwa semua hal dijelaskan dalam skala geser.
Logika klasik beroperasi dengan dua nilai kepastian: True (1) dan False (0). Dalam logika fuzzy, semua nilai kepastian dinyatakan sebagai bilangan real dalam rentang 0 hingga 1.
Logika fuzzy merepresentasikan pengetahuan yang didasarkan pada tingkat kebenaran, bukan kebenaran mutlak dari logika klasik.
Neuronal
Keunggulan sistem pakar berbasis aturan juga menggabungkan keunggulan jaringan saraf, seperti pembelajaran, generalisasi, ketahanan, dan pemrosesan informasi paralel.
Sistem ini memiliki basis pengetahuan saraf, bukan basis pengetahuan tradisional. Pengetahuan disimpan sebagai beban di neuron.
Kombinasi ini memungkinkan sistem pakar saraf untuk membenarkan kesimpulannya.
Neuronal-difus
Logika fuzzy dan jaringan saraf adalah alat pelengkap untuk membangun sistem pakar.
Sistem fuzzy kurang memiliki kemampuan untuk belajar dan tidak dapat beradaptasi dengan lingkungan baru. Di sisi lain, meskipun jaringan saraf dapat belajar, prosesnya sangat rumit bagi pengguna.
Sistem neural-fuzzy dapat menggabungkan kemampuan komputasi dan pembelajaran jaringan saraf dengan representasi pengetahuan manusia dan keterampilan penjelasan sistem fuzzy.
Hasilnya, jaringan saraf menjadi lebih transparan, sedangkan sistem fuzzy menjadi mampu untuk belajar.
Keuntungan
Ketersediaan
Sistem pakar sudah tersedia, di mana saja, kapan saja, berkat produksi massal perangkat lunak.
Resiko berkurang
Sebuah perusahaan dapat mengoperasikan sistem pakar di lingkungan yang berbahaya bagi manusia. Mereka dapat digunakan di lingkungan berbahaya di mana manusia tidak dapat bekerja.
Pengetahuan bisnis
Mereka bisa menjadi wahana untuk mengembangkan pengetahuan organisasi, berbeda dengan pengetahuan individu dalam suatu perusahaan.
Penjelasan jawaban
Mereka mampu memberikan penjelasan yang memadai tentang pengambilan keputusan mereka, mengungkapkan secara rinci alasan yang menghasilkan jawaban.
Saat digunakan sebagai alat pelatihan, mereka menghasilkan kurva belajar yang lebih cepat untuk pemula.
Jawaban cepat
Membantu mendapatkan jawaban yang cepat dan akurat. Sistem pakar dapat menyelesaikan bagian tugasnya jauh lebih cepat daripada pakar manusia.
Tingkat kesalahan rendah
Tingkat kesalahan sistem pakar yang berhasil cukup rendah, terkadang jauh lebih rendah daripada tingkat kesalahan manusia untuk tugas yang sama.
Respon tanpa emosi
Sistem pakar bekerja tanpa menjadi bersemangat. Mereka tidak menjadi tegang, lelah atau panik, dan mereka bekerja dengan mantap selama situasi darurat.
Keabadian pengetahuan
Sistem pakar mempertahankan tingkat informasi yang signifikan. Pengetahuan yang terkandung ini akan bertahan tanpa batas.
Pembuatan prototipe cepat
Dengan sistem pakar, dimungkinkan untuk memasukkan beberapa aturan dan mengembangkan prototipe dalam beberapa hari, bukan dalam hitungan bulan atau tahun yang umumnya terkait dengan proyek TI yang kompleks.
Berbagai pengalaman
Sistem pakar dapat dirancang untuk memuat pengetahuan dari banyak pakar yang berkualifikasi dan dengan demikian memiliki kemampuan untuk memecahkan masalah yang kompleks.
Ini mengurangi biaya konsultan ahli pemecahan masalah konsultan. Mereka merupakan wahana untuk memperoleh sumber-sumber ilmu yang sulit didapat.
Kekurangan
Akuisisi pengetahuan
Selalu sulit untuk mendapatkan waktu ahli dalam bidang tertentu untuk aplikasi perangkat lunak apa pun, tetapi untuk sistem pakar hal ini sangat sulit, karena pakar sangat dihargai dan terus-menerus diminta oleh organisasi.
Akibatnya, sejumlah besar penelitian dalam beberapa tahun terakhir berfokus pada alat untuk memperoleh pengetahuan, yang membantu mengotomatiskan proses desain, debugging, dan memelihara aturan yang ditentukan oleh para ahli.
Integrasi sistem
Integrasi sistem dengan database merupakan hal yang sulit untuk sistem pakar pertama, karena alat bantu utamanya dalam bahasa dan platform yang tidak dikenal di lingkungan perusahaan.
Hasilnya, upaya besar dilakukan untuk mengintegrasikan alat sistem pakar dengan lingkungan lama, melakukan transfer ke platform yang lebih standar.
Masalah-masalah ini sebagian besar diselesaikan dengan pergeseran paradigma, karena PC secara bertahap diterima di lingkungan komputasi sebagai platform yang sah untuk pengembangan sistem bisnis yang serius.
Kompleksitas pemrosesan
Meningkatkan ukuran basis pengetahuan meningkatkan kompleksitas pemrosesan.
Misalnya, jika sistem pakar memiliki 100 juta aturan, jelaslah bahwa itu akan terlalu rumit, dan akan menghadapi banyak masalah komputasi.
Mesin inferensi harus mampu memproses sejumlah besar aturan untuk membuat keputusan.
Ketika ada terlalu banyak aturan, sulit juga untuk memverifikasi bahwa aturan keputusan ini konsisten satu sama lain.
Juga sulit untuk memprioritaskan penggunaan aturan untuk beroperasi secara lebih efisien, atau bagaimana menyelesaikan ambiguitas.
Pembaruan pengetahuan
Salah satu masalah yang terkait dengan basis pengetahuan adalah bagaimana melakukan pembaruan secara cepat dan efektif. Juga, bagaimana menambah pengetahuan baru, yaitu di mana menambahkannya di antara begitu banyak aturan.
Aplikasi
Diagnosis dan pemecahan masalah
Ini merangkum semua sistem yang menyimpulkan kesalahan dan menyarankan tindakan korektif untuk proses atau perangkat yang tidak berfungsi.
Salah satu bidang pengetahuan pertama di mana teknologi sistem pakar diterapkan adalah diagnosis medis. Namun, diagnostik sistem teknik dengan cepat mengungguli diagnostik medis.
Diagnosis dapat dinyatakan sebagai: berdasarkan bukti yang diberikan, apa masalah yang mendasari, alasan atau penyebabnya?
Perencanaan dan penjadwalan
Sistem pakar ini menganalisis serangkaian tujuan untuk menentukan serangkaian tindakan yang mencapai tujuan tersebut, memberikan urutan terperinci dari tindakan tersebut dari waktu ke waktu, mempertimbangkan bahan, personel, dan batasan lainnya.
Contohnya termasuk staf maskapai penerbangan dan penjadwalan penerbangan, dan perencanaan proses manufaktur.
Keputusan keuangan
Sistem penasihat keuangan telah dibuat untuk membantu para bankir menentukan apakah akan memberikan pinjaman kepada individu dan perusahaan.
Perusahaan asuransi menggunakan sistem pakar ini untuk menilai risiko yang dihadirkan klien dan dengan demikian menentukan harga asuransi.
Pemantauan dan kontrol proses
Mereka menganalisis data dari perangkat fisik secara real time, untuk melihat anomali, memprediksi tren dan mengontrol pengoptimalan dan koreksi kesalahan.
Contoh dari sistem ini ada di industri penyulingan minyak dan pembuatan baja.
Konsultasi pengetahuan
Fungsi utama dari aplikasi ini adalah untuk memberikan wawasan yang berarti tentang masalah pengguna, dalam lingkungan masalah tersebut.
Dua sistem pakar yang paling banyak didistribusikan di seluruh dunia termasuk dalam kategori ini.
Yang pertama dari sistem ini adalah penasihat yang menyarankan pengguna tentang penggunaan tata bahasa yang benar dalam teks.
Yang kedua adalah penasihat pajak yang terikat pada sistem untuk menyiapkan pajak. Memberi saran kepada pengguna tentang strategi dan kebijakan pajak tertentu.
Referensi
- Guru99 (2019). Sistem Pakar dalam Kecerdasan Buatan: Apa itu, Aplikasi, Contoh. Diambil dari: guru99.com.
- Wikipedia, ensiklopedia gratis (2019). Sistem ahli. Diambil dari: en.wikipedia.org.
- Margaret Rouse (2019). Sistem ahli. Techtarget. Diambil dari: searchenterpriseai.techtarget.com.
- Vladimir Zwass (2019). Sistem ahli. Encyclopaedia Diambil dari: britannica.com.
- Wtec (2019). Aplikasi Sistem Pakar. Diambil dari: wtec.org.
- Viral Nagori (2014). Jenis Sistem Pakar: Studi Banding. Sarjana Semantik Diambil dari: pdfs.semanticscholar.org.
- World of Computing (2010). Sistem Pakar. Diambil dari: intelligence.worldofcomputing.net.