PTSC 4.3

TUGAS PENGANTAR TEKNOLOGI SISTEM CERDAS KE- 4.3

KAMIS, 16 JANUARI 2020

DOSEN PEMBIMBING : DONIE MARGAVIANTO, SKOM.,MMSI

Putri Amalia
17117223 - 3KA20
Sistem Informasi
Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Gunadarma

========================================================

Symbolic Reasoning (Symbolic AI) dan Machine Learning

Pembelajaran mendalam memiliki ketidakpuasannya, dan banyak dari mereka melihat ke cabang AI lain ketika mereka berharap untuk masa depan. Penalaran simbolis adalah salah satu cabang itu.

Dua kelemahan terbesar pembelajaran dalam adalah kurangnya interpretabilitas model (mis. Mengapa model saya membuat prediksi itu?) Dan sejumlah besar data yang dibutuhkan jaringan saraf dalam untuk belajar. Jaring saraf lapar data.

Geoff Hinton sendiri telah menyatakan skeptis tentang apakah backpropagation, pekerja keras jaring saraf yang dalam, akan menjadi jalan ke depan untuk AI.1

Penelitian tentang apa yang disebut pembelajaran satu langkah dapat mengatasi kelaparan data pembelajaran yang dalam, sementara pembelajaran simbolis yang mendalam, atau memungkinkan jaringan saraf yang dalam untuk memanipulasi, menghasilkan, dan jika tidak, hidup bersama dengan konsep-konsep yang diekspresikan dalam rangkaian karakter, dapat membantu memecahkan keterjelasan, karena, bagaimanapun juga , manusia berkomunikasi dengan tanda dan simbol, dan itulah yang kami inginkan dari mesin.2 Karya terbaru oleh MIT, DeepMind dan IBM telah menunjukkan kekuatan menggabungkan teknik koneksionis seperti jaringan saraf yang dalam dengan penalaran simbolik.

Tanda, Simbol, Penanda dan Signifieds

Kata-kata tanda dan simbol masing-masing berasal dari kata-kata Latin dan Yunani, yang berarti tanda atau token, seperti dalam "ambil mawar ini sebagai tanda harga saya." ”

Sesuatu yang lain bisa berupa objek fisik, ide, peristiwa, sebut saja. Untuk tujuan kita, tanda atau simbol adalah pola visual, katakan karakter atau serangkaian karakter, di mana makna tertanam, dan tanda atau simbol itu menunjuk pada sesuatu yang lain. Itu bisa menjadi variabel x, menunjuk pada jumlah yang tidak diketahui, atau bisa juga kata rose, yang menunjuk pada kelopak bunga merah yang melengkung satu di atas yang lain dalam spiral yang rapat di ujung tangkai duri.

Penanda menunjukkan yang ditandai, seperti jari yang menunjuk ke bulan.4 Simbol memampatkan data sensorik dengan cara yang memungkinkan manusia, primata besar dengan bandwidth terbatas, untuk berbagi informasi satu sama lain.5 Anda bisa mengatakan bahwa mereka diperlukan untuk mengatasi biologis chokepoint dalam throughput. Sejauh komputer menderita dari chokepoints yang sama, pembangun mereka mengandalkan peretasan yang terlalu manusiawi seperti simbol untuk menghindari batas pemrosesan, penyimpanan, dan I / O. Dengan bertambahnya kapasitas komputasi, cara kami mendigitalkan dan memproses realitas analog kami juga dapat berkembang, hingga kami menyulap milyaran parameter bermeteror alih-alih string tujuh karakter.

Simbol juga berfungsi untuk mentransfer pembelajaran dalam arti lain, bukan dari satu manusia ke manusia lain, tetapi dari satu situasi ke situasi lain, selama kehidupan satu individu. Yaitu, simbol menawarkan tingkat abstraksi di atas detail konkret dan granular dari pengalaman indera kita, abstraksi yang memungkinkan kita mentransfer apa yang telah kita pelajari di satu tempat ke masalah yang mungkin kita temui di tempat lain. Mengingat bahwa sinyal hadiah jarang dalam kehidupan nyata, dan sulit untuk terhubung dengan penyebabnya (beberapa alasan Anda tidak bahagia mungkin harus dilakukan dengan tindakan yang Anda lakukan bertahun-tahun yang lalu - dapatkah Anda menebak yang mana?), Simbol adalah cara untuk memberikan sinyal hadiah yang dipelajari dalam satu situasi, ketika menghadapi skenario lain tanpa imbalan yang jelas. Dalam arti tertentu, setiap kategori abstrak, seperti kursi, menegaskan analogi antara semua benda berbeda yang disebut kursi, dan kami mentransfer pengetahuan kami tentang satu kursi ke kursi lain dengan bantuan simbol.

Kombinasi simbol-simbol yang mengekspresikan keterkaitan mereka bisa disebut penalaran, dan ketika kita manusia merangkai sekelompok tanda untuk mengekspresikan pemikiran, seperti yang saya lakukan sekarang, Anda mungkin menyebutnya manipulasi simbolis. Kadang-kadang hubungan simbolis itu diperlukan dan deduktif, seperti rumus matematika murni atau kesimpulan yang Anda dapat ambil dari silogisme logis seperti berangan Romawi kuno ini:

All men are mortal; Caius is a man; therefore Caius is mortal.

Other times the symbols express lessons we derive inductively from our experiences of the world, as in: “the baby seems to prefer the pea-flavored goop (so for godssake let’s make sure we keep some in the fridge),” or E = mc².

Pada hari-hari ketika Sussman adalah seorang pemula, Minsky pernah datang kepadanya ketika ia duduk meretas di PDP-6.

"Apa yang kamu lakukan?", Tanya Minsky.

"Saya melatih jaring saraf kabel secara acak untuk memainkan Tic-tac-toe", jawab Sussman.

"Mengapa jaring itu diacak secara acak?", Tanya Minsky.

"Saya tidak ingin itu memiliki prasangka bagaimana bermain", kata Sussman.

Minsky lalu menutup matanya.

"Kenapa kamu menutup mata?" Sussman bertanya pada gurunya.

"Supaya ruangan itu kosong."

Pada saat itu, Sussman tercerahkan.

Aturan hard-coded adalah prasangka. Itu adalah satu bentuk asumsi, dan yang kuat, sementara arsitektur saraf yang dalam mengandung asumsi lain, biasanya tentang bagaimana mereka harus belajar, daripada kesimpulan apa yang harus mereka capai. Yang ideal, jelas, adalah memilih asumsi yang memungkinkan suatu sistem untuk belajar secara fleksibel dan menghasilkan keputusan yang akurat tentang input mereka.

Masalah dengan Symbolic AI (GOFAI)

Salah satu batu sandungan utama AI simbolik, atau GOFAI, adalah kesulitan merevisi kepercayaan begitu mereka dikodekan dalam mesin aturan. Sistem pakar bersifat monoton; yaitu, semakin banyak aturan yang Anda tambahkan, semakin banyak pengetahuan dikodekan dalam sistem, tetapi aturan tambahan tidak dapat membatalkan pengetahuan lama. Monotonik pada dasarnya berarti satu arah; yaitu ketika satu hal naik, hal lain naik. Karena algoritma pembelajaran mesin dapat dilatih ulang pada data baru, dan akan merevisi parameter mereka berdasarkan data baru itu, mereka lebih baik dalam menyandikan pengetahuan sementara yang dapat ditarik kembali nanti jika perlu; yaitu jika mereka perlu mempelajari sesuatu yang baru, seperti ketika data non-stasioner.

Kelemahan kedua dalam penalaran simbolik adalah bahwa komputer itu sendiri tidak tahu apa arti simbol; yaitu mereka tidak selalu terkait dengan representasi dunia lainnya dengan cara yang tidak simbolis. Sekali lagi, ini sangat kontras dengan jaring saraf, yang dapat menghubungkan simbol dengan representasi data yang di-vektor-kan, yang pada gilirannya hanyalah terjemahan dari data sensorik mentah. Jadi tantangan utama, ketika kita berpikir tentang GOFAI dan jaring saraf, adalah bagaimana membumikan simbol, atau menghubungkannya dengan bentuk makna lain yang akan memungkinkan komputer untuk memetakan sensasi mentah yang berubah dari dunia menjadi simbol dan kemudian mempertimbangkannya.

Satu pertanyaan yang kemudian muncul secara logis adalah: untuk siapa simbol itu? Apakah mereka berguna untuk mesin sama sekali? Jika simbol memungkinkan homo sapiens untuk berbagi dan memanipulasi informasi berdasarkan kendala fisiologis mendasar, bagus, tetapi mengapa mesin harus menggunakannya? Mengapa mesin tidak boleh hanya berbicara satu sama lain dalam vektor atau bahasa lumba-lumba dan mesin faks? Mari kita bertaruh: Ketika mesin mulai berbicara satu sama lain dengan cerdas, itu akan menjadi bahasa yang tidak bisa dipahami manusia. Mungkin kata-kata bandwidth terlalu rendah untuk mesin bandwidth tinggi. Mungkin mereka membutuhkan lebih banyak dimensi untuk mengekspresikan diri secara jelas. Bahasa hanyalah lubang kunci di pintu yang telah dilewati mesin.6 Paling-paling, bahasa alami bisa menjadi API yang ditawarkan AI kepada manusia sehingga mereka bisa menggunakan coattailnya; paling buruk, itu bisa menjadi gangguan dari apa yang merupakan kecerdasan mesin sejati. Tetapi kami telah mengacaukannya dengan puncak pencapaian, karena bahasa alami adalah bagaimana kami menunjukkan bahwa kami cerdas.

Menggabungkan Jaring Neural Jauh dan Penalaran Simbolik

Bagaimana kita bisa memadukan kemampuan jaring saraf dalam untuk mempelajari korelasi probabilistik dari awal bersama konsep abstrak dan tingkat tinggi, yang berguna dalam mengompresi data dan menggabungkannya dengan cara baru? Bagaimana kita dapat belajar untuk melampirkan makna baru pada konsep, dan menggunakan konsep atom sebagai elemen dalam pemikiran yang lebih kompleks dan dapat disusun seperti bahasa memungkinkan kita untuk mengekspresikan semua plastisitas alaminya?

Menggabungkan penalaran simbolik dengan jaringan saraf yang dalam dan pembelajaran penguatan dapat membantu kita mengatasi tantangan mendasar dari penalaran, representasi hierarkis, pembelajaran transfer, kekokohan dalam menghadapi contoh permusuhan, dan kemampuan interpretasi (atau kekuatan penjelas).

Supervised Learning: A Basic Hybrid AI

Mari kita telusuri bagaimana mereka saat ini tumpang tindih dan bagaimana mereka mungkin. Pertama-tama, setiap jaring saraf yang dalam dilatih oleh pembelajaran yang diawasi menggabungkan pembelajaran yang dalam dan manipulasi simbolik, setidaknya dalam arti yang belum sempurna. Karena penalaran simbolik mengkode pengetahuan dalam simbol dan rangkaian karakter. Dalam pembelajaran terawasi, rangkaian karakter tersebut disebut label, kategori yang kami gunakan untuk mengklasifikasikan input data menggunakan model statistik. Output dari classifier (katakanlah kita sedang berurusan dengan algoritma pengenalan gambar yang memberitahu kita apakah kita sedang melihat pejalan kaki, tanda berhenti, jalur jalur lalu lintas atau truk semi bergerak), dapat memicu logika bisnis yang bereaksi terhadap setiap klasifikasi. Logika bisnis itu adalah salah satu bentuk penalaran simbolik.

Simbolik AI

Inteligensi buatan simbolis, juga dikenal sebagai AI Baik, Kuno (GOFAI), adalah paradigma dominan dalam komunitas AI dari era pasca-Perang hingga akhir 1980-an.

Implementasi penalaran simbolik disebut mesin aturan atau sistem pakar atau grafik pengetahuan. Lihat Cyc untuk salah satu contoh yang berjalan lebih lama. Google membuat yang besar juga, yang memberikan informasi di kotak paling atas di bawah permintaan Anda ketika Anda mencari sesuatu yang mudah seperti ibu kota Jerman. Sistem ini pada dasarnya adalah kumpulan pernyataan if-then bersarang yang menarik kesimpulan tentang entitas (konsep yang dapat dibaca manusia) dan hubungan mereka (dinyatakan dalam semantik yang dipahami dengan baik seperti X is-a man atau X live-in Acapulco).

Bayangkan bagaimana Turbotax mengelola untuk mencerminkan kode pajak AS - Anda memberi tahu itu berapa banyak yang Anda peroleh dan berapa banyak tanggungan yang Anda miliki dan kemungkinan lainnya, dan menghitung pajak yang Anda bayar berdasarkan hukum - itu adalah sistem pakar.

Konsep eksternal ditambahkan ke sistem oleh pembuat programmer-nya, dan itu lebih penting daripada kedengarannya ...

Salah satu perbedaan utama antara pembelajaran mesin dan penalaran simbolik tradisional adalah di mana pembelajaran terjadi. Dalam pembelajaran mesin dan dalam, algoritma mempelajari aturan saat membangun korelasi antara input dan output. Dalam penalaran simbolis, aturan dibuat melalui intervensi manusia. Yaitu, untuk membangun sistem penalaran simbolis, manusia pertama harus mempelajari aturan-aturan yang menghubungkan dua fenomena, dan kemudian meng-hard-code hubungan-hubungan itu menjadi program statis. Perbedaan ini adalah subjek dari koan peretas terkenal:

Sistem Pakar dan Kecerdasan Buatan Terapan

11.1 Apa itu Kecerdasan Buatan?

Bidang kecerdasan buatan (AI) berkaitan dengan metode pengembangan sistem yang menampilkan aspek perilaku cerdas. Sistem ini dirancang untuk meniru kemampuan berpikir dan merasakan manusia.

Karakteristik Sistem AI

Karakteristik sistem AI meliputi:

1. Pemrosesan Simbolik

Dalam aplikasi AI, komputer memproses simbol daripada angka atau huruf. Aplikasi AI memproses serangkaian karakter yang mewakili entitas atau konsep dunia nyata. Simbol dapat diatur dalam struktur seperti daftar, hierarki, atau jaringan. Struktur ini menunjukkan bagaimana simbol saling berhubungan satu sama lain.

2. Pemrosesan Nonalgoritmik

Program komputer di luar domain AI adalah algoritma yang diprogram; yaitu, prosedur langkah-demi-langkah yang ditentukan sepenuhnya yang menentukan solusi untuk masalah tersebut. Tindakan sistem AI berbasis pengetahuan tergantung pada tingkat yang jauh lebih besar pada situasi di mana ia digunakan.

Bidang AI

Kecerdasan buatan adalah ilmu dan teknologi yang didasarkan pada disiplin ilmu seperti ilmu komputer, biologi, psikologi, linguistik, matematika, dan teknik. Tujuan AI adalah mengembangkan komputer yang dapat berpikir, melihat, mendengar, berjalan, berbicara, dan merasakan. Dorongan utama AI adalah pengembangan fungsi komputer yang biasanya terkait dengan kecerdasan manusia, seperti penalaran, pembelajaran, dan pemecahan masalah.

Bagaimana Medan AI Berkembang [Gambar 11.2]

1950 Uji Turing - mesin melakukan dengan cerdas jika seorang interogator yang menggunakan terminal jarak jauh tidak dapat membedakan responsnya dari tanggapan manusia.

Hasil: Metode pemecahan masalah umum

1960 AI didirikan sebagai bidang penelitian.

Hasil: Sistem pakar berbasis pengetahuan

1970 komersialisasi AI dimulai

Hasil: Pemrosesan transaksi dan sistem pendukung keputusan menggunakan AI.

1980 Jaringan saraf tiruan

Hasil: Menyerupai struktur saraf yang saling berhubungan di otak manusia

1990 Agen cerdas

Hasil: Perangkat lunak yang melakukan tugas yang ditugaskan atas nama pengguna

11.2 Kemampuan Sistem Pakar: Pandangan Umum

Area terapan yang paling penting dari AI adalah bidang sistem pakar. Sistem pakar (ES) adalah sistem berbasis pengetahuan yang menggunakan pengetahuan tentang domain aplikasinya dan menggunakan prosedur menyimpulkan (alasan) untuk menyelesaikan masalah yang membutuhkan kompetensi manusia atau keahlian. Kekuatan sistem pakar terutama berasal dari pengetahuan khusus tentang domain sempit yang disimpan dalam basis pengetahuan sistem pakar.

Penting untuk menekankan kepada siswa bahwa sistem pakar adalah asisten bagi pembuat keputusan dan bukan pengganti bagi mereka. Sistem pakar tidak memiliki kemampuan manusia. Mereka menggunakan basis pengetahuan dari domain tertentu dan membawa pengetahuan itu untuk menanggung fakta dari situasi tertentu yang ada. Basis pengetahuan ES juga mengandung pengetahuan heuristik - aturan praktis yang digunakan oleh para ahli manusia yang bekerja di domain.

11.3 Aplikasi Sistem Pakar

Tes ini menguraikan beberapa ilustrasi ilustrasi dari aplikasi sistem pakar. Ini termasuk bidang-bidang seperti keputusan kredit berisiko tinggi, pengambilan keputusan iklan, dan keputusan manufaktur.

Kategori Umum Aplikasi Sistem Pakar

Tabel 11.1 menguraikan area umum aplikasi ES di mana ES dapat diterapkan. Area aplikasi termasuk klasifikasi, diagnosis, pemantauan, kontrol proses, desain, penjadwalan dan perencanaan, dan pembuatan opsi.

Klasifikasi - mengidentifikasi objek berdasarkan karakteristik yang dinyatakan

Sistem Diagnosis - simpulkan gangguan atau penyakit dari data yang dapat diobservasi

Pemantauan - membandingkan data dari sistem yang terus diamati untuk menentukan perilaku

Kontrol Proses - mengontrol proses fisik berdasarkan pemantauan

Desain - konfigurasikan sistem sesuai dengan spesifikasi

Penjadwalan & Perencanaan - kembangkan atau modifikasi rencana tindakan

Generation of Options - menghasilkan solusi alternatif untuk suatu masalah

11.4 Bagaimana Sistem Pakar Bekerja

Kekuatan ES berasal dari basis pengetahuannya - kumpulan fakta dan heuristik yang terorganisir tentang domain sistem. ES dibangun dalam proses yang dikenal sebagai rekayasa pengetahuan, di mana pengetahuan tentang domain diperoleh dari pakar manusia dan sumber lainnya oleh insinyur pengetahuan.

Akumulasi pengetahuan dalam basis pengetahuan, dari mana kesimpulan harus ditarik oleh mesin inferensi, adalah ciri khas dari sistem pakar.

Representasi Pengetahuan dan Basis Pengetahuan

Basis pengetahuan ES mengandung pengetahuan faktual dan heuristik. Representasi pengetahuan adalah metode yang digunakan untuk mengatur pengetahuan dalam basis pengetahuan. Basis pengetahuan harus mewakili gagasan sebagai tindakan yang harus diambil dalam keadaan, hubungan sebab akibat, waktu, ketergantungan, tujuan, dan konsep tingkat tinggi lainnya.

Beberapa metode representasi pengetahuan dapat digunakan. Dua metode ini meliputi:

1. Sistem berbasis bingkai

- Dipekerjakan untuk membangun ES yang sangat kuat. Bingkai menentukan atribut dari objek yang kompleks dan bingkai untuk berbagai jenis objek telah menentukan hubungan.

2. Aturan produksi

- adalah metode representasi pengetahuan yang paling umum digunakan dalam bisnis. Sistem pakar berbasis aturan adalah sistem pakar di mana pengetahuan diwakili oleh aturan produksi.

Aturan produksi, atau hanya aturan, terdiri dari bagian IF (kondisi atau premis) dan THEN bagian (tindakan atau kesimpulan). JIKA kondisi MAKA tindakan (kesimpulan).

Fasilitas penjelasan menjelaskan bagaimana sistem sampai pada rekomendasi. Bergantung pada alat yang digunakan untuk menerapkan sistem pakar, penjelasannya bisa dalam bahasa alami atau hanya daftar nomor aturan.

Mesin inferensi:

1. Menggabungkan fakta-fakta dari kasus tertentu dengan pengetahuan yang terkandung dalam basis pengetahuan untuk menghasilkan rekomendasi. Dalam sistem pakar berbasis aturan, mesin inferensi mengontrol urutan penerapan aturan produksi (Afired @) dan menyelesaikan konflik jika lebih dari satu aturan berlaku pada waktu tertentu. Ini adalah jumlah Areasoning @ dalam sistem berbasis aturan.

2. Mengarahkan antarmuka pengguna untuk menanyakan informasi yang dibutuhkan pengguna untuk membuat kesimpulan lebih lanjut.

Fakta-fakta dari kasus yang diberikan dimasukkan ke dalam memori yang berfungsi, yang bertindak sebagai papan tulis, mengumpulkan pengetahuan tentang kasus yang ada. Mesin inferensi berulang kali menerapkan aturan ke memori yang berfungsi, menambahkan informasi baru (diperoleh dari kesimpulan aturan) ke dalamnya, hingga status tujuan dibuat atau dikonfirmasi.

Gambar 11.5 Salah satu dari beberapa strategi dapat digunakan oleh mesin inferensi untuk mencapai kesimpulan. Mesin inferensi untuk sistem berbasis aturan umumnya bekerja dengan memajukan aturan ke depan atau ke belakang. Dua strategi adalah:

1. Forward chaining

- adalah strategi berbasis data. Proses menyimpulkan bergerak dari fakta-fakta kasus ke tujuan (kesimpulan). Karena itu, strategi ini didorong oleh fakta-fakta yang tersedia dalam memori kerja dan oleh premis-premis yang dapat dipenuhi. Mesin inferensi berusaha mencocokkan bagian kondisi (IF) dari setiap aturan dalam basis pengetahuan dengan fakta-fakta yang saat ini tersedia dalam memori yang berfungsi. Jika beberapa aturan cocok, prosedur penyelesaian konflik dipanggil; misalnya, aturan bernomor terendah yang menambahkan informasi baru ke memori yang aktif dikeluarkan. Kesimpulan dari aturan menembak ditambahkan ke memori yang bekerja.

Sistem forward-chaining umumnya digunakan untuk memecahkan masalah desain atau perencanaan yang lebih terbuka, seperti, misalnya, membangun konfigurasi produk yang kompleks.

2. Rantai mundur

- mesin inferensi berusaha untuk mencocokkan kesimpulan yang diasumsikan (dihipotesiskan) - tujuan atau keadaan subgoal - dengan kesimpulan (LALU) bagian dari aturan. Jika aturan seperti itu ditemukan, premisnya menjadi sub-tujuan baru. Dalam ES dengan beberapa kemungkinan tujuan, ini adalah strategi yang baik untuk dikejar.

Jika keadaan tujuan yang dihipotesiskan tidak dapat didukung oleh tempat, sistem akan berusaha untuk membuktikan keadaan tujuan yang lain. Dengan demikian, kesimpulan yang mungkin ditinjau sampai keadaan tujuan yang dapat didukung oleh tempat ditemui.

Backward chaining paling cocok untuk aplikasi yang kemungkinan kesimpulannya terbatas dan didefinisikan dengan baik. Klasifikasi atau sistem tipe diagnosis, di mana masing-masing dari beberapa kesimpulan yang mungkin dapat diperiksa untuk melihat apakah didukung oleh data, adalah aplikasi khas.

Ketidakpastian dan Logika Fuzzy

Logika fuzzy adalah metode penalaran yang menyerupai penalaran manusia karena memungkinkan untuk perkiraan nilai dan kesimpulan dan data yang tidak lengkap atau ambigu (data fuzzy). Logika fuzzy adalah metode pilihan untuk menangani ketidakpastian dalam beberapa sistem pakar.

Sistem pakar dengan kemampuan logika fuzzy memungkinkan penanganan masalah yang lebih fleksibel dan kreatif. Sistem ini digunakan, misalnya, untuk mengontrol proses manufaktur.

11.5 Teknologi Sistem Pakar [Gambar 11.6]

Ada beberapa tingkatan teknologi ES yang tersedia. Dua hal penting yang perlu diingat ketika memilih alat ES meliputi:

1. Alat yang dipilih untuk proyek harus sesuai dengan kemampuan dan kecanggihan ES yang diproyeksikan, khususnya, kebutuhan untuk mengintegrasikannya dengan subsistem lain seperti database dan komponen lain dari sistem informasi yang lebih besar.

2. Alat ini juga harus sesuai dengan kualifikasi tim proyek.

Teknologi sistem pakar meliputi:

1. Sistem pakar khusus

- Sistem pakar ini sebenarnya memberikan rekomendasi dalam domain tugas tertentu.

2. Kerang sistem pakar

- adalah kendaraan paling umum untuk pengembangan ES tertentu. Shell adalah sistem pakar tanpa basis pengetahuan. Shell melengkapi pengembang ES dengan mesin inferensi, antarmuka pengguna, dan fasilitas penjelasan dan akuisisi pengetahuan.

Kerang khusus-domain sebenarnya adalah sistem pakar khusus yang tidak lengkap, yang membutuhkan lebih sedikit upaya untuk memasukkan sistem yang sebenarnya.

3. Lingkungan pengembangan sistem pakar

- sistem ini memperluas kemampuan kerang di berbagai arah. Mereka berjalan pada workstation teknik, minicomputer, atau mainframe; menawarkan integrasi yang erat dengan basis data besar; dan mendukung pembangunan sistem pakar besar.

4. Bahasa pemrograman tingkat tinggi

Beberapa lingkungan pengembangan ES telah ditulis ulang dari LISP menjadi bahasa prosedural yang lebih umum ditemukan di lingkungan komersial, seperti C atau C ++. ES sekarang jarang dikembangkan dalam bahasa pemrograman.

11.6 Peran dalam Pengembangan Sistem Pakar

Tiga peran mendasar dalam membangun sistem pakar adalah:

1. Pakar - Sistem ES yang sukses tergantung pada pengalaman dan penerapan pengetahuan yang dapat dibawakan orang selama pengembangannya. Sistem besar umumnya membutuhkan banyak pakar.

2. Insinyur pengetahuan - Insinyur pengetahuan memiliki tugas ganda. Orang ini harus dapat memperoleh pengetahuan dari ahli, secara bertahap mendapatkan pemahaman tentang bidang keahlian. Kecerdasan, kebijaksanaan, empati, dan kemahiran dalam teknik-teknik khusus dalam memperoleh pengetahuan semuanya dibutuhkan oleh seorang insinyur pengetahuan. Teknik perolehan pengetahuan meliputi melakukan wawancara dengan berbagai tingkat struktur, analisis protokol, pengamatan para ahli di tempat kerja, dan analisis kasus.

Di sisi lain, insinyur pengetahuan juga harus memilih alat yang sesuai untuk proyek dan menggunakannya untuk mewakili pengetahuan dengan penerapan fasilitas akuisisi pengetahuan.

3. Pengguna - Suatu sistem yang dikembangkan oleh pengguna akhir dengan shell sederhana, dibangun agak cepat dan murah. Sistem yang lebih besar dibangun dalam upaya pengembangan yang terorganisir. Strategi pengembangan berulang berorientasi prototipe umumnya digunakan. ES sangat cocok untuk membuat prototipe.

11.7 Pengembangan dan Pemeliharaan Sistem Pakar [Gambar 11.7]

Langkah-langkah dalam metodologi untuk proses berulang pengembangan dan pemeliharaan ES meliputi:

1. Identifikasi Masalah dan Analisis Kelayakan:

- masalah harus cocok untuk sistem pakar untuk menyelesaikannya.

- Harus menemukan ahli untuk proyek tersebut

- efektivitas biaya sistem harus ditetapkan (kelayakan)

2. Desain Sistem dan Identifikasi Teknologi ES:

- sistem sedang dirancang. Tingkat integrasi yang dibutuhkan dengan subsistem dan basis data lainnya telah ditetapkan

- konsep yang paling mewakili pengetahuan domain dikerjakan

- cara terbaik untuk mewakili pengetahuan dan untuk melakukan inferensi harus ditetapkan dengan contoh kasus

3. Pengembangan Prototipe:

- insinyur pengetahuan bekerja dengan ahli untuk menempatkan kernel awal pengetahuan di basis pengetahuan.

- pengetahuan perlu diungkapkan dalam bahasa alat khusus yang dipilih untuk proyek

4. Pengujian dan Penyempurnaan Prototipe:

- menggunakan sampel kasus, prototipe diuji, dan kekurangan dalam kinerja dicatat. Pengguna akhir menguji prototipe ES.

5. Isi dan masukkan ES:

- interaksi ES dengan semua elemen lingkungannya, termasuk pengguna dan sistem informasi lainnya, dipastikan dan diuji.

- ES didokumentasikan dan pelatihan pengguna dilakukan

6. Menjaga Sistem:

- sistem tetap terkini terutama dengan memperbarui basis pengetahuannya.

- Antarmuka dengan sistem informasi lain harus dipertahankan juga, karena sistem tersebut berkembang.

11-8 Sistem Pakar dalam Organisasi: Manfaat dan Keterbatasan

Sistem pakar menawarkan manfaat nyata dan tidak berwujud yang penting bagi perusahaan pemilik. Manfaat-manfaat ini harus dipertimbangkan terhadap biaya pengembangan dan eksploitasi ES, yang tinggi untuk ES besar, yang penting secara organisasi.

Manfaat Sistem Pakar

ES bukanlah pengganti untuk keseluruhan kinerja pekerja pengetahuan dari tugas pemecahan masalah. Tetapi sistem ini dapat secara dramatis mengurangi jumlah pekerjaan yang harus dilakukan individu untuk menyelesaikan masalah, dan mereka membuat orang dengan aspek kreatif dan inovatif dari pemecahan masalah.

Beberapa kemungkinan manfaat organisasi dari sistem pakar adalah:

1. Es dapat menyelesaikan bagian tugasnya jauh lebih cepat daripada pakar manusia.

2. Tingkat kesalahan sistem yang berhasil adalah rendah, kadang-kadang jauh lebih rendah daripada tingkat kesalahan manusia untuk tugas yang sama.

3. ES membuat rekomendasi yang konsisten

4. ES adalah kendaraan yang nyaman untuk membawa ke titik penerapan sumber-sumber pengetahuan yang sulit digunakan.

5. ES dapat menangkap keahlian langka dari seorang ahli yang memiliki kualifikasi unik.

6. ES dapat menjadi kendaraan untuk membangun pengetahuan organisasi, yang bertentangan dengan pengetahuan individu dalam organisasi.

7. Ketika digunakan sebagai kendaraan pelatihan, ES menghasilkan kurva belajar yang lebih cepat untuk pemula.

8. Perusahaan dapat mengoperasikan ES di lingkungan yang berbahaya bagi manusia.

Keterbatasan Sistem Pakar

Tidak ada teknologi yang menawarkan solusi yang mudah dan total. Sistem besar mahal dan membutuhkan waktu pengembangan yang signifikan dan sumber daya komputer. ES juga memiliki keterbatasan yang meliputi:

1. Keterbatasan teknologi

2. Masalah dengan akuisisi pengetahuan

3. Domain operasional sebagai area utama aplikasi ES

4. Mempertahankan keahlian manusia dalam organisasi

11-9 Tinjauan Umum Kecerdasan Buatan Terapan

Sistem pakar hanya satu area AI. Area lain termasuk:

1. Pemrosesan bahasa alami

2. Robotika

3. Visi komputer

4. Pengenalan ucapan terkomputerisasi

5. Pembelajaran mesin

Pemrosesan Bahasa Alami

Mampu berbicara dengan komputer dalam bahasa manusia percakapan dan meminta mereka memahami tujuan kami para peneliti AI. Sistem pemrosesan bahasa alami menjadi umum. Aplikasi utama untuk sistem bahasa alami saat ini adalah sebagai antarmuka pengguna untuk sistem pakar dan basis data.

Robotika

AI, teknik, dan fisiologi adalah disiplin dasar robotika. Teknologi ini menghasilkan mesin robot dengan kecerdasan komputer dan dikendalikan komputer, kemampuan fisik seperti manusia, aplikasi robotika

Visi Komputer

Simulasi indera manusia adalah tujuan utama dari bidang AI. Sistem sensorik AI paling canggih adalah komputasi penglihatan, atau pengenalan adegan visual. Tugas sistem visi adalah menafsirkan gambar yang diperoleh. Sistem ini digunakan dalam robot atau sistem satelit. Sistem visi yang lebih sederhana digunakan untuk kontrol kualitas di bidang manufaktur.

Pengenalan suara

Tujuan akhir dari area AI terkait adalah pengenalan ucapan yang terkomputerisasi, atau pemahaman ucapan yang terhubung oleh pembicara yang tidak dikenal, sebagai lawan dari sistem yang mengenali kata-kata atau frasa pendek yang diucapkan satu per satu atau sistem dilatih oleh pembicara tertentu sebelum digunakan.

Pembelajaran mesin

Sebuah sistem dengan kemampuan belajar - pembelajaran mesin - dapat secara otomatis mengubah dirinya untuk melakukan tugas yang sama secara lebih efisien dan lebih efektif di waktu berikutnya.

Sejumlah pendekatan untuk pembelajaran sedang diselidiki. Pendekatan meliputi:

1. Pembelajaran Pemecahan Masalah - kumpulkan Aexperience @ tentang aturannya dalam hal kontribusi mereka pada saran yang benar. Aturan yang tidak berkontribusi atau aturan yang memberikan kontribusi diragukan dapat secara otomatis dibuang atau diberikan faktor kepastian rendah.

2. Pembelajaran Berbasis Kasus - mengumpulkan kasus dalam basis pengetahuan dan memecahkan masalah dengan mencari kasus yang mirip dengan yang harus diselesaikan.

3. Inducive Learning - belajar dari contoh. Dalam hal ini, suatu sistem dapat menghasilkan pengetahuannya, direpresentasikan sebagai aturan.

11-10 Jaringan Saraf Tiruan

Jaringan saraf adalah sistem komputasi yang dimodelkan pada jaringan otak manusia seperti elemen-elemen pemrosesan yang saling berhubungan, yang disebut neuron. Tentu saja, jaringan saraf jauh lebih sederhana daripada otak manusia (diperkirakan memiliki lebih dari 100 miliar sel otak neuron). Seperti otak, jaringan semacam itu dapat memproses banyak informasi secara bersamaan dan dapat belajar mengenali pola dan program sendiri untuk menyelesaikan masalah terkait sendiri.

Jaringan saraf adalah susunan elemen proses yang saling berhubungan, yang masing-masing dapat menerima input, memprosesnya, dan menghasilkan output tunggal dengan tujuan meniru operasi otak manusia. Pengetahuan direpresentasikan dalam jaringan saraf dengan pola koneksi di antara elemen pemrosesan dan dengan menyesuaikan bobot koneksi ini.

Kekuatan jaringan saraf adalah dalam aplikasi yang membutuhkan pengenalan pola yang canggih. Kelemahan terbesar dari jaringan saraf adalah mereka tidak memberikan penjelasan untuk kesimpulan yang mereka buat.

Singkatnya, jaringan saraf dapat dilatih untuk mengenali pola-pola tertentu dan kemudian menerapkan apa yang dipelajarinya untuk kasus-kasus baru di mana ia dapat membedakan pola-pola itu.

Demikianlah yang dapat saya sampaikan mengenai materi yang menjadi bahasan ini, tentunya banyak kekurangan dan kelemahan kerena terbatasnya pengetahuan kurangnya rujukan atau referensi yang kami peroleh hubungannya dengan ini. Penulis banyak berharap kepada para pembaca yang budiman memberikan kritik saran yang membangun. Semoga tulisan ini dapat bermanfaat bagi para pembaca khususnya pada penulis.

Referensi

https://pathmind.com/wiki/symbolic-reasoning
http://www.umsl.edu/~joshik/msis480/chapt11.htm
https://www.sciencedirect.com/science/article/abs/pii/0952197689900365