Причина их упадка может вас удивить.
Молодые люди могут быть не знакомы с этим термином, но "экспертные системы" были крупной технологической инициативой в 1980-х и 1990-х годах прошлого века.
Я получил свою 30-летнюю постоянную работу именно благодаря экспертным системам.
Это было в 1989 году, и я только что закончил аспирантуру. Друг рассказал мне о вакансии для кандидатов наук, которые что-то знали об ИИ и, в идеале, об экспертных системах.
Как известно, в 1980-х и 90-х годах был так называемый "зимний период ИИ", во время которого проекты ИИ испытывали трудности с поиском финансирования и поддержки. ИИ совсем не был "крутой" технологией, какой он является сегодня.
Однако мое будущее рабочее место заключило контракт с промышленной группой на внедрение экспертных систем для улучшения работы на их заводах. Они отчаянно нуждались в руководителях проектов с докторской степенью по такой экзотической теме, как экспертные системы.
Короче говоря, меня наняли, и я начал работать над проектом экспертной системы для солевого завода в Мексиканском заливе.
Но что такое экспертные системы?
Экспертные системы (ЭС) — это технология применения набора "правил" к данной ситуации. Компоненты ЭС следующие:
Рабочая память: набор переменных с их значениями на данный момент времени. Часто значения переменных брались из измерений приборов; их считали "фактами".
Правила: они имели структуру "ЕСЛИ <условие> ТО <действие>", где <действие> могло использоваться для изменения значения переменной.
База знаний: коллекция правил в формате, предложенном поставщиком программного обеспечения разрабатываемой среды (не существовало детального стандарта для этого).
Движок вывода: механизм рассуждений для применения базы знаний к рабочей памяти. Существует два вида: "обратное цепление" и "прямое цепление"; первое начинает с фактов в рабочей памяти и пытается найти правило с условием (левой частью), оцененным как "истина". Второе идет "наоборот", от заключений (например, симптомов) к причинам (например, болезням).
Среда приобретения знаний: интерфейс для разработчика для создания и редактирования правил, определения переменных в рабочей памяти и т. д.
Интерфейс пользователя: интерфейс для конечного пользователя; разработчик определяет его спецификации.
Как экспертные системы стали популярными?
Обещание захватить знания экспертов человека звучало заманчиво для техноэнтузиастов того времени. Речь шла не только о выполнении работы одного эксперта в одном месте — ЭС могла быть воспроизведена во многих местах, умножая ценность эксперта!
Конечно, дьявол кроется в деталях, и позже я расскажу о повседневных бедах настоящей разработки ЭС. Но давайте пока сохраним мечту.
Некоторые ранние экспериментальные разработки поразили сообщество компьютерных наук, как Mycin (см. ссылку ниже), ЭС для диагностики и рекомендации лечения инфекционных заболеваний, разработанная в Стэнфорде. Она использовала обратное цепление.
Академический журнал под названием "Экспертные системы с приложениями" был создан и сразу стал очень важным; я был рецензентом некоторых статей, представленных там.
Как обычно бывает в этих случаях, были стимулы для продвижения ажиотажа о их потенциале: Стэнфорд сделал объявление о Mycin максимально эффектным, а затем средства массовой информации нашли хорошую историю, чтобы поддерживать цикл ажиотажа.
Еще одной причиной популярности ЭС было оборудование: ПК становились чрезвычайно популярными, и ЭС имели низкие вычислительные требования, так что они могли работать на обычных ПК, даже если они могли выглядеть слабыми по сегодняшним меркам. ЭС моего проекта на солевом заводе работала на стандартном ПК.
Казалось, что у каждого может быть экспертная система. Какое будущее это было!
Каково это было — разрабатывать экспертную систему?
Одним словом, разработка ЭС была трудной. Очень трудной.
Вы видите, на практике было неочевидно, как получить знания от человека-эксперта, а затем выяснить, как втиснуть их в базу знаний, состоящую из вычислительных правил.
Методология разработки ЭС называлась "инженерия знаний", и для нее были курсы и сертификации. Я прошел один из них.
Однако, даже вооруженный методологиями и сертификациями, разработка ЭС часто сталкивалась с препятствиями, такими как саботаж.
Да, вы правильно прочитали. Разработку ЭС часто саботировали сами эксперты, которые делали вид, что "не доступны" или что-то в этом роде, чтобы ЭС не могла быть успешной. Поставьте себя на их место: "Я должен дать этой чертовой системе МОИ знания, чтобы меня могли заменить компьютером? Ни за что!"
В случае моего проекта для солевого завода эксперт был очень сотрудничеством, и по веской причине: он собирался уходить на пенсию, поэтому ему было всё равно на перспективу его замены машиной. На самом деле, его предстоящая пенсия была причиной разработки ЭС, так как он был единственным человеком, который мог управлять заводом с высоким уровнем эффективности. Когда администрация узнала, что он собирается уйти на пенсию, они впали в панику.
Но даже с сотрудничающими экспертами одной из фундаментальных проблем разработки ЭС было то, что знания должны были быть изначально явными. Наш эксперт, с другой стороны, справлялся с кризисом на заводе, но не мог выразить свои рассуждения словами. Что хуже, он часто не знал, что он знает или что он игнорирует о работе завода.
Вы вполне могли бы подумать: "Какой беспорядок!" но это была несчастная реальность разработки ЭС, которая контрастировала с элегантной архитектурой и принципами ЭС.
Чтобы выразить это более изысканными словами, препятствия для ЭС назывались "бутылочным горлышком приобретения знаний".
Тогда что случилось с экспертными системами?
Почему мы больше не слышим о ЭС? Разве они не были эффективными? Разве они не были полезными?
Они были и эффективными, и полезными — когда удавалось правильно их построить с самого начала. Однако большинство проектов ЭС были заглушены из-за бутылочного горлышка приобретения знаний.
Не поймите меня неправильно: экспертные системы были первой технологией, связанной с ИИ, которая стала настоящим коммерческим хитом. Были созданы целые компании для продажи сред разработки ЭС. Для солевого завода мы использовали "Level5", который мне в основном нравился.
Я считаю, что если бы ЭС были единственным вариантом на данный момент, они все еще использовались бы, несмотря на ужасные препятствия их разработки. Не все согласны с этим, однако: некоторые считают, что ЭС никогда не оправдали своих обещаний.
Я могу свидетельствовать, по крайней мере из личного опыта, что некоторые ЭС привели к успешным проектам.
Решение ЭС также было слишком упрощенным для многих областей. Возьмите, к примеру, юридические экспертные системы, которые были предметом множества (неудачных) проектов и получили много финансирования (см. ссылку ниже).
Но на сцену вышло что-то другое.
Машинное обучение взяло верх.
Примерно в 2000 году машинное обучение (ML) стало очень популярным, и это уже не было вопросом исследований в скрытых лабораториях. С инструментами, такими как Python, Jupyter Notebooks и, прежде всего, дешевое хранение данных, альтернатива использования большого объема данных для руководства принятием решений в компаниях начала набирать обороты.
Машинное обучение начало использоваться во многих практических приложениях, таких как оценка кредитного риска, профилактическое обслуживание, оптимизация операций и многое другое. Короче говоря, оно начало заменять многие из бывших кандидатов на разработку экспертных систем.
Одним из решающих факторов было то, что многие компании уже собирали и хранили большие объемы данных о своих операциях и финансах, поэтому перспектива использования этих данных с выгодой была очевидной.
Сравните, что нам нужно было делать в двух вариантах (ЭС и ML): ЭС: проводить интервью с экспертами. Кодировать их знания в правила, проводить симуляции и выявлять ограничения. Повторять. ML: собирать данные, очищать их, обучать стандартные модели (например, Random Forest), оценивать производительность и повторять.
Хотя некоторые шаги в ML не тривиальны, такие как очистка данных, когда мы сравниваем это с перспективой интервьюирования человека-эксперта и заставления его/ее выразить некоторые знания, которых он/она даже не знает, что у него/нее есть в первую очередь, баланс легко склоняется в пользу ML.
В итоге сравнения цен пошли в пользу ML, в то время как ЭС пошли по пути додо.
Заключительные мысли
Есть некоторые указания на то, что ажиотаж вокруг ЭС был слишком велик по сравнению с реальностью, но это обычно для новых областей, так как им нужно некоторое внимание и финансирование, чтобы набрать обороты.
ИИ с самого начала нуждался в этом ажиотаже: Джон Маккарти лично рассказал мне (в реальной жизни, я имею в виду), что для новой дисциплины рассматривались несколько возможных названий, и некоторые исследователи выступали против названия "искусственный интеллект". Однако, как вспоминал Маккарти, "мне нужно было финансирование", и название AI звучало гораздо более эффектно, чем альтернативы, поэтому он лично выбрал его. Ах да, и он получил финансирование.
Кстати, журнал Expert Systems with Applications все еще существует, хотя почти больше не публикует статьи о ЭС.
Но когда ажиотаж не оправдывается реальными результатами, это оборачивается против вас — как это уже случалось несколько раз. Это произошло с экспертными системами, а затем машинное обучение нанесло последний удар.