Un sistema esperto alimentato dall'incertezza

La comunità di intelligenza artificiale ha cercato di capire l'intelligenza umana con la costruzione di programmi per computer, che espone il comportamento intelligente. Intelligenza era percepito come un capacità di risoluzione di problemi. Sembravano hanno motivato, piuttosto che soluzioni matematiche, problemi più umani. La diagnosi di una malattia difficilmente potrebbe essere calcolata. Se un paziente ha avuto un gruppo di sintomi, che aveva una particolare malattia. Tuttavia, tale ragionamento necessaria conoscenza a priori. I programmi necessari per avere la "conoscenza" che la malattia esposte un particolare gruppo di sintomi. Per la comunità di AI, che vaga che risiedono nella mente degli "Esperti" la conoscenza è stato superiore alla conoscenza di libro di testo. Così hanno chiamato i programmi, che risolvere questi problemi, sistemi esperti.

Sistemi esperti gestito obiettivo orientato compiti risolvere problema, tra cui la diagnosi, progettazione, pianificazione, configurazione e design. Uno dei metodi di rappresentazione della conoscenza è stato attraverso "If, poi..." le regole. Quando la parte "Se" di una regola era soddisfatto, è stato concluso il "Poi" parte della regola. Questi divenne regola basata su sistemi esperti. Ma conoscenza era talvolta fattuale e altre volte, vago. Conoscenze fattuali avevano chiaro motivo di relazioni di effetto, dove potrebbero trarre conclusioni da cemento regole chiare. Dolore era un sintomo di una malattia. Se la malattia esposte sempre dolore, dolore ha sottolineato la malattia. Ma conoscenza vaga e di giudizio è stata chiamata conoscenza euristico. Era più di un'arte. Il sintomo di dolore non potrebbe puntare meccanicamente alle malattie, che occasionalmente esposto il dolore. Incertezza non ha fatto produrre risposte concrete.

La comunità AI ha cercato di risolvere questo problema suggerendo un'analisi statistica o euristica di incertezza. Le possibilità sono state rappresentate da numeri reali o da insiemi di vettori di valori reali. I vettori sono stati valutati per mezzo di diversi concetti di "fuzzy". I componenti delle misurazioni sono stati elencati, dando alla base dei valori numerici. Variazioni sono stati combinati, utilizzando i metodi per il calcolo di combinazione delle varianze. L'incertezza combinato e i suoi componenti sono stati espressi sotto forma di "deviazioni standard." Incertezza è stata data un'espressione matematica, che era difficilmente utile nella diagnosi di una malattia.

La mente umana non ha fatto computi relazioni matematiche per valutare l'incertezza. La mente sapeva che un sintomo particolare ha sottolineato una possibilità, perché l'intuizione, un processo di eliminazione, utilizzato per identificare immediatamente i modelli. Informazioni vaghe fu potentemente utili per un processo di eliminazione, dal momento che hanno eliminato molte altre possibilità. Se il paziente mancava di dolore, tutte le malattie, che sempre esposto dolore, potrebbero essere eliminate. Malattie, che a volte esposto dolore sono state mantenute. Sintomi ulteriormente aiutarono identificazione da un database notevolmente ridotto. Una selezione era più facile da un piccolo gruppo. Incertezza potrebbe essere potentemente utile per un processo di eliminazione.

Intuizione fu un algoritmo, che valutato l'intero database, eliminando ogni contesto che non si adattavano. Questo algoritmo ha alimentato i sistemi esperti che ha agito rapidamente a riconoscere una malattia, identificare una giurisprudenza o diagnosticare i problemi di una macchina complessa. Esso fu istantanea, olistica e logico. Se diverse risposte parallele potrebbero essere presentate, come nel più parametri di una centrale elettrica, riconoscimento fu immediata. Per la mente, dove milioni di parametri contemporaneamente sono stati presentati, riconoscimento di pattern di tempo reale era pratico. Ed eliminazione era la chiave, che poteva gestire conclusivamente incertezza, senza ricorrere a calcoli astrusi.