1.

Ekspertni sistemi su računalni programi koji sadrže određena specifična znanja iz jednog
ili više određenih područja znanosti.

2. Ovakvi programi su komercijalizirani kroz 80e godine prošlog stoljeća, a razvili su ih

znanstvenici u području umjetne inteligencije u 60im i 70im.

3. Ekspertni sistemi kao najzastupljenije područje umjetne inteligencije definiraju se na

različite načine, jedna od najjednostavnijih definicija je: (Jožef
Štefan, Ljubljana) Ekspertni sustavi su sustavi koji oponašaju znanje eksperta.

Ekspresni sistemi-arhitektura

Baza znanja se veže za umjetnu inteligenciju I ekspresne sisteme. Predstavlja jedan

od tri ključna dijela ekspertnog sustava. Baza znanja sadrži znanje, koje je
predstavljeno u obliku nestrukturiranog skupa činjenica i pravila. Baza znanja sadrži:

 objekte i relacije među njima

 činjenice i nesigurne činjenice
 pravila svijeta i dezicijska pravila
 opise motivacije, cilja i stanja sustava
 metode rješavanja problema i heuristiku
 opis ponašanja
Mehanizam zakljucavanja je software sposoban na osnovu pravila iz baze znanja shvatiti
informacije iz baze I na osvu toga izvodtiti zakljucke. Korisnicko sucelje je dio koji ocitava dijalog
izmedu donosioca odluke korisnika I sistema, sluzi za unos I prikaz podataka.

Podele ekspertnih sistema Jedna od uopštenih podela ekspertnih sistema sugeriše na postojanje dve
grupe ekspertnih sistema (Stojiljković, 1995): • Ekspertni sistemi koji analiziraju neki problem i •
Ekspertni sistemi koji vrše sintezu u procesu rešavanja problema.

Implicitno I eksplicitno znanje

Ekspresni sistemi se odnose na način na koji se znanje može prenositi ili izražavati.
Implicitno znanje se odnosi na znanje koje je teško verbalizovati ili preneti rečima, dok
se eksplicitno znanje odnosi na znanje koje se može jasno izraziti i preneti verbalno ili
pismeno. Ekspresni sistemi za eksplicitno znanje obično uključuju formalne načine
komunikacije, kao što su jezik, pisanje ili simboli. Ovi sistemi se koriste za prenos
činjeničnog ili logičkog znanja.
Ukratko, ekspresni sistemi za implicitno znanje se fokusiraju na emocionalnu i intuitivnu
komunikaciju, dok se ekspresni sistemi za eksplicitno znanje fokusiraju na činjenično i
logičko izražavanje znanja.
Primena ekspertnih sistema u različitim domenima

Medicina
1. Ekspertni sistemi u medicini pomažu lekarima u donošenju dijagnoza i preporuka za
lečenje, emuliranjem ekspertskog znanja i iskustva. Dijagnostika bolesti: Ekspertni
sistemi se mogu koristiti za pomoć u dijagnostici bolesti. Na osnovu simptoma
koje pacijent prijavljuje, ekspertni sistem može generisati listu mogućih
dijagnoza i preporučiti dalje korake za potvrdu dijagnoze.
2. Preporuke za lečenje: Ekspertni sistemi mogu analizirati medicinske podatke,
istraživanja i smernice za lečenje kako bi preporučili najbolji tretman za
određenu bolest ili stanje.

Industrija
1. U industriji, ekspertni sistemi upravljaju automatizovanim procesima, održavanjem
opreme i optimizacijom proizvodnje. Kontrola procesa: Ekspertni sistemi se mogu
koristiti za nadgledanje i kontrolu industrijskih procesa. Na osnovu unetih
parametara i senzorskih podataka, ekspertni sistem može identifikovati
potencijalne probleme, predložiti optimalne postavke i preduzeti odgovarajuće
akcije radi održavanja stabilnosti i efikasnosti procesa.
2. Održavanje: Ekspertni sistemi se mogu koristiti za predviđanje kvarova i
održavanje opreme. Na osnovu istorijskih podataka o održavanju, senzorskih
informacija i analize performansi opreme, ekspertni sistem može generisati
preporuke za redovno održavanje, identifikovati potencijalne probleme i
predložiti optimalne strategije

Nauka i istraživanje

Naučnici i istraživači koriste ekspertne sisteme za analizu složenih podataka, modeliranje i

simulaciju eksperimenata.

TechMate

TechMate je ekspertni sistem zasnovan na kombinaciji "model based" i ″case based″

rezonovanja. jeste softverski alat koji služi tehničarima da brzo otklone kvar na podsklopu ili
čitavom sistemu. TechMate pomaže u rešavanju tehničkih problema i na taj način čini da
proces bude efikasniji, tačniji i produktivniji. TechMate smanjuje vreme pronalaženja mesta
kvara za 25% do 60%.

Budućnost ekspertnih sistema

Ekspertni sistemi će nastaviti da se razvijaju i sve više primenjuju u različitim oblastima.
Očekuje se da će budući sistemi biti inteligentnije, fleksibilnije i bolje integrisani sa drugim
tehnologijama, poput veštačke inteligencije i učenja mašina.

Jedna od ključnih oblasti budućnosti će biti razvoj hibridnih sistema koji kombinuju prednosti
ekspertnih sistema i naprednih tehnika mašinskog učenja. Ovi sistemi će moći da donose
složenije odluke, da uče iz iskustva i da pružaju personalizovana rešenja.

Učesnici u razvoju ekspertnih sistema

 ekspert (osoba koja poseduje znanje, veštinu i iskustvo na osnovu kojih rešava
probleme iz određenog domena bolje i efikasnije od drugih ljudi)

 inženjer znanja (koji dizajnira, implementira i testira ekspertski sistem, zna koji
je softverski alat pogodan za rešavanje problema koji definiše, intervjuiše eksperta,
identifikuje koncepte, organizuje i formalizuje znanje koje se predstavlja,
identifikuje metode, vrši izbor softverskog okruženja za razvoj, implementira, testira i
revidira, instalira i održava ekspertski sistem).

 krajnji korisnik (koji radi sa eksperskim sistemom, unosi ulazne podatke i činjenice
zahteva objašnjenja, definiše zahteve vezane za korisnički interfejs).
Ekspertni sistemi i konvencionalni programi

Konvencionalni programi se uglavnom upotrebljavaju za obradu velikih

količina podataka numeričkog tipa, koja se vrši prema unapred definisanim algoritmima.
Ekspertski sistemi manipulišu simboličkim podacima i ne rade po unapred zadatim
algoritmima. Problemi koje rešavaju su slabo strukturirani i ne podležu matematičkom
modeliranju i formalizmu.
Razlike između konvencionalnih programa i eksperskih sistema su u tome što

 eksperski sistemi koriste heuristiku,

 predstavljaju i koriste znanja umesto podataka,
 umesto cikličkih procesa koriste se procesi zaključivanja,
 znanje i metode znanja nisu pomešani već se koristi odvojeni model,
 znanje je organizovano u obliku podataka,
 sadrže bazu znanja
 novo znanje se dodaje bez reprogramiranja.
Projektovanje baze znanja
Za projektovanje baze znanja korišćena je školjka ekspertnog sistema Resolver (školjka je naziv za prazan
ekspertni sistem u kojem je moguće projektovati bazu znanja). Projektovanje baze znanja u školjci
ekspertnog sistema svodi se na definisanje produkcionih pravila u IF - THEN formi, koja čine prethodno
izneta pitanja, ponuđeni odgovori i krajnji odgovor (goal) sa objašnjenjem postupka izbora odluke. Neke
od poznatijih školjki ekspertnih sistema su: FOCIL, OPS5, RT-Expert, CLIPS, BABYLON, CRISTAL, EXSYS
Professional, FLEX, HUGIN Systems, GBB, ILOG, RULES, Intelligence compiler, KWG, ReSolver, Level5, K-
Vision, TechMate, VBXpert, Visual Expert, itd. Resolver je izabran u datom primeru zbog lakoće u
konstruisanju drveta odlučivanja – baze znanja, nije neophodno poznavanje programskih jezika (LISP,
PROLOG,..), jednostavnosti u korišćenju od strane korisnika.

Slika1.

P rikazano je dodavanje pitanja Q1 (Question No.1) u bazi znanja: ‘Da li je problem moguće
dekomponovati na potprobleme’ sa potencijalnim odgovorima ‘Moguće je’ i ‘Nije moguće’ i
definisanjem maksimalnog broja odgovora (u nekim slučajevima od više ponuđenih odgovora korisnik
može da izabere jedan ili više odgovora), vezivanjem pitanja uz odgovarajuć ekran, definisanje
spoljašnjeg izvora podataka i sl.