एक्सपर्ट सिस्टम

कृत्रिम बुद्धिमत्ता में, एक विशेषज्ञ प्रणाली एक कंप्यूटर प्रणाली है जो मानव विशेषज्ञ की निर्णय लेने की क्षमता का अनुकरण करती है। विशेषज्ञ प्रणालियों को ज्ञान के निकायों के माध्यम से स्वचालित तर्क प्रणाली द्वारा जटिल समस्याओं को हल करने के लिए डिज़ाइन किया गया है, जो पारंपरिक प्रक्रियात्मक प्रोग्रामिंग के बजाय मुख्य रूप से नियम-आधारित प्रणाली के रूप में प्रस्तुत की जाती है। पहली विशेषज्ञ प्रणालियाँ 1970 के दशक में बनाई गईं और फिर 1980 के दशक में इसका प्रसार हुआ। विशेषज्ञ प्रणालियाँ कृत्रिम बुद्धिमत्ता (एआई) सॉफ्टवेयर के पहले सही मायने में सफल रूपों में से एक थीं। एक विशेषज्ञ प्रणाली को दो उपप्रणालियों में विभाजित किया गया है: अनुमान इंजन और ज्ञान आधार। ज्ञान का आधार तथ्यों और नियमों का प्रतिनिधित्व करता है। नए तथ्य निकालने के लिए अनुमान इंजन ज्ञात तथ्यों पर नियम लागू करता है। अनुमान इंजन में स्पष्टीकरण और डिबगिंग क्षमताएं भी शामिल हो सकती हैं।

प्रारंभिक विकास
1940 के दशक के अंत और 1950 के दशक की शुरुआत में आधुनिक कंप्यूटरों के आगमन के तुरंत बाद, शोधकर्ताओं को इन मशीनों में आधुनिक समाज के लिए मौजूद अपार संभावनाओं का एहसास होना शुरू हो गया। पहली चुनौतियों में से एक ऐसी मशीनों को इंसानों की तरह "सोचने" में सक्षम बनाना था - विशेष रूप से, इन मशीनों को इंसानों की तरह महत्वपूर्ण निर्णय लेने में सक्षम बनाना। चिकित्सा/स्वास्थ्य देखभाल क्षेत्र ने इन मशीनों को चिकित्सा निदान संबंधी निर्णय लेने में सक्षम बनाने की जटिल चुनौती प्रस्तुत की। इस प्रकार, 1950 के दशक के उत्तरार्ध में, सूचना युग के पूरी तरह से आगमन के ठीक बाद, शोधकर्ताओं ने मानव निर्णय लेने का अनुकरण करने के लिए कंप्यूटर प्रौद्योगिकी का उपयोग करने की संभावना के साथ प्रयोग करना शुरू कर दिया। उदाहरण के लिए, बायोमेडिकल शोधकर्ताओं ने चिकित्सा और जीव विज्ञान में नैदानिक ​​​​अनुप्रयोगों के लिए कंप्यूटर-सहायता प्राप्त सिस्टम बनाना शुरू किया। इन प्रारंभिक निदान प्रणालियों ने निदान परिणाम उत्पन्न करने के लिए रोगियों के लक्षणों और प्रयोगशाला परीक्षण परिणामों को इनपुट के रूप में उपयोग किया। इन प्रणालियों को अक्सर विशेषज्ञ प्रणालियों के प्रारंभिक रूपों के रूप में वर्णित किया गया था। हालाँकि, शोधकर्ताओं ने महसूस किया कि फ्लो चार्ट जैसे पारंपरिक तरीकों का उपयोग करते समय महत्वपूर्ण सीमाएँ थीं, सांख्यिकीय पैटर्न मिलान, या संभाव्यता सिद्धांत.

औपचारिक परिचय और बाद का घटनाक्रम
इस पिछली स्थिति ने धीरे-धीरे विशेषज्ञ प्रणालियों के विकास को जन्म दिया, जो ज्ञान-आधारित दृष्टिकोण का उपयोग करते थे। चिकित्सा में ये विशेषज्ञ प्रणालियाँ MYCIN विशेषज्ञ प्रणाली थीं, इंटरनिस्ट-मैं विशेषज्ञ प्रणाली और बाद में, 1980 के दशक के मध्य में, CADUCEUS (विशेषज्ञ प्रणाली)। विशेषज्ञ प्रणालियाँ औपचारिक रूप से 1965 के आसपास शुरू की गईं एडवर्ड फेगेनबाम के नेतृत्व में स्टैनफोर्ड विश्वविद्यालय  ह्यूरिस्टिक प्रोग्रामिंग प्रोजेक्ट द्वारा, जिन्हें कभी-कभी विशेषज्ञ प्रणालियों का जनक कहा जाता है; अन्य प्रमुख प्रारंभिक योगदानकर्ता ब्रूस बुकानन और रान्डेल डेविस थे। स्टैनफोर्ड शोधकर्ताओं ने उन डोमेन की पहचान करने की कोशिश की जहां विशेषज्ञता अत्यधिक मूल्यवान और जटिल थी, जैसे संक्रामक रोगों (माइसिन) का निदान करना और अज्ञात कार्बनिक अणुओं ( डेंड्राल ) की पहचान करना। यह विचार कि बुद्धिमान प्रणालियाँ अपनी शक्ति उनके द्वारा उपयोग की जाने वाली विशिष्ट औपचारिकताओं और अनुमान योजनाओं के बजाय उनके पास मौजूद ज्ञान से प्राप्त करती हैं - जैसा कि फेगेनबाम ने कहा - उस समय एक महत्वपूर्ण कदम आगे था, क्योंकि पिछले शोध अनुमानी कम्प्यूटेशनल तरीकों पर केंद्रित थे, जो बहुत ही सामान्य-उद्देश्य समस्या समाधानकर्ताओं को विकसित करने के प्रयासों में परिणत हुए (मुख्य रूप से एलन नेवेल और हर्बर्ट ए साइमन का संयुक्त कार्य) ). विशेषज्ञ प्रणालियाँ कृत्रिम बुद्धिमत्ता (एआई) सॉफ़्टवेयर के पहले वास्तविक सफल रूपों में से कुछ बन गईं।

विशेषज्ञ प्रणालियों पर अनुसंधान फ़्रांस में भी सक्रिय था। जबकि अमेरिका में फोकस नियम-आधारित प्रणालियों पर था, पहले लिस्प (प्रोग्रामिंग भाषा) प्रोग्रामिंग वातावरण के शीर्ष पर हार्ड कोडित सिस्टम पर और फिर IntelliCorp (सॉफ्टवेयर) जैसे विक्रेताओं द्वारा विकसित विशेषज्ञ सिस्टम शैल पर, फ्रांस में अनुसंधान केंद्रित था प्रोलॉग में विकसित सिस्टम पर अधिक जानकारी। विशेषज्ञ प्रणाली शेल का लाभ यह था कि गैर-प्रोग्रामर के लिए उनका उपयोग करना कुछ हद तक आसान था। प्रोलॉग वातावरण का लाभ यह था कि वे केवल यदि-तब नियमों पर केंद्रित नहीं थे; प्रोलॉग वातावरण ने संपूर्ण प्रथम क्रम तर्क वातावरण का बेहतर अहसास प्रदान किया। 1980 के दशक में, विशेषज्ञ प्रणालियों का प्रसार हुआ। विश्वविद्यालयों ने विशेषज्ञ प्रणाली पाठ्यक्रमों की पेशकश की और फार्च्यून 500 कंपनियों में से दो-तिहाई ने दैनिक व्यावसायिक गतिविधियों में प्रौद्योगिकी को लागू किया। जापान में पांचवीं पीढ़ी के कंप्यूटर के प्रति रुचि अंतरराष्ट्रीय थी और यूरोप में अनुसंधान निधि में वृद्धि हुई।

1981 में, [[IBM PC DOS]] ऑपरेटिंग सिस्टम के साथ पहला IBM PC पेश किया गया था। पीसी में अपेक्षाकृत शक्तिशाली चिप्स की उच्च सामर्थ्य के बीच असंतुलन, मेनफ्रेम में प्रसंस्करण शक्ति की बहुत अधिक महंगी लागत की तुलना में, जो उस समय कॉर्पोरेट आईटी दुनिया पर हावी थी, ने कॉर्पोरेट कंप्यूटिंग के लिए एक नए प्रकार की वास्तुकला का निर्माण किया, जिसे कहा जाता है क्लाइंट-सर्वर मॉडल. गणना और तर्क एक पीसी का उपयोग करके मेनफ्रेम की कीमत के एक अंश पर किया जा सकता है। इस मॉडल ने व्यावसायिक इकाइयों को कॉर्पोरेट आईटी विभागों को बायपास करने और सीधे अपने स्वयं के एप्लिकेशन बनाने में सक्षम बनाया। परिणामस्वरूप, क्लाइंट-सर्वर का विशेषज्ञ सिस्टम बाज़ार पर जबरदस्त प्रभाव पड़ा। व्यवसाय जगत के अधिकांश हिस्सों में विशेषज्ञ प्रणालियाँ पहले से ही आउटलेयर थीं, उन्हें नए कौशल की आवश्यकता थी जो कई आईटी विभागों के पास नहीं थे और वे विकसित करने के लिए उत्सुक नहीं थे। वे नए पीसी-आधारित शेल के लिए स्वाभाविक रूप से फिट थे, जिन्होंने एप्लिकेशन विकास को अंतिम उपयोगकर्ताओं और विशेषज्ञों के हाथों में देने का वादा किया था। उस समय तक, विशेषज्ञ प्रणालियों के लिए मुख्य विकास वातावरण ज़ीरक्सा, सिम्बोलिक्स और टेक्सस उपकरण ्स की उच्च स्तरीय लिस्प मशीनें थीं। पीसी और क्लाइंट-सर्वर कंप्यूटिंग के उदय के साथ, Intellicorp और Inference Corporation जैसे विक्रेताओं ने अपनी प्राथमिकताओं को पीसी-आधारित टूल विकसित करने में स्थानांतरित कर दिया। इसके अलावा, नए विक्रेता, अक्सर उद्यम पूंजी द्वारा वित्तपोषित होते हैं (जैसे कि एयॉन कॉर्पोरेशन, न्यूरॉन डेटा, एक्ससिस और कई अन्य)  ), नियमित रूप से दिखाई देने लगा।

बड़े पैमाने के उत्पाद के लिए डिज़ाइन क्षमता में उपयोग की जाने वाली पहली विशेषज्ञ प्रणाली SID (इंटीग्रल डिज़ाइन का संश्लेषण) सॉफ़्टवेयर प्रोग्राम थी, जिसे 1982 में विकसित किया गया था। LISP में लिखा गया, SID ने VAX 9000 CPU लॉजिक गेट्स का 93% उत्पन्न किया। सॉफ़्टवेयर का इनपुट कई विशेषज्ञ तर्क डिजाइनरों द्वारा बनाए गए नियमों का एक सेट था। एसआईडी ने नियमों का विस्तार किया और नियमों के आकार से कई गुना बड़ा सॉफ्टवेयर तर्क संश्लेषण  रूटीन तैयार किया। आश्चर्यजनक रूप से, इन नियमों के संयोजन से एक समग्र डिज़ाइन तैयार हुआ जो स्वयं विशेषज्ञों की क्षमताओं से अधिक था, और कई मामलों में मानव समकक्षों से बेहतर प्रदर्शन किया। जबकि कुछ नियम दूसरों के विपरीत थे, गति और क्षेत्र के लिए शीर्ष-स्तरीय नियंत्रण मापदंडों ने टाई-ब्रेकर प्रदान किया। कार्यक्रम अत्यधिक विवादास्पद था लेकिन फिर भी परियोजना बजट की कमी के कारण इसका उपयोग किया गया। VAX 9000 प्रोजेक्ट पूरा होने के बाद लॉजिक डिजाइनरों द्वारा इसे समाप्त कर दिया गया था।

1970 के दशक के मध्य से पहले के वर्षों के दौरान, कई क्षेत्रों में विशेषज्ञ प्रणालियाँ क्या हासिल कर सकती हैं, इसकी उम्मीदें बेहद आशावादी थीं। इन शुरुआती अध्ययनों की शुरुआत में, शोधकर्ता पूरी तरह से स्वचालित (यानी, पूरी तरह से कम्प्यूटरीकृत) विशेषज्ञ प्रणाली विकसित करने की उम्मीद कर रहे थे। कंप्यूटर क्या कर सकता है, इसके बारे में लोगों की अपेक्षाएँ अक्सर बहुत आदर्शवादी होती थीं। 1970 के दशक की शुरुआत में रिचर्ड एम. कार्प द्वारा अपना महत्वपूर्ण पेपर: "रिड्यूसिबिलिटी अमंग कॉम्बिनेटोरियल प्रॉब्लम्स" प्रकाशित करने के बाद यह स्थिति मौलिक रूप से बदल गई। ह्यूबर्ट एल. ड्रेफस जैसे अन्य विद्वानों के साथ मिलकर कार्प के काम के लिए धन्यवाद, यह स्पष्ट हो गया कि जब कोई कंप्यूटर एल्गोरिदम डिज़ाइन करता है तो उसकी कुछ सीमाएँ और संभावनाएँ होती हैं। उनके निष्कर्ष बताते हैं कि कंप्यूटर क्या कर सकते हैं और क्या नहीं। इस प्रकार की विशेषज्ञ प्रणालियों से संबंधित कई कम्प्यूटेशनल समस्याओं की कुछ व्यावहारिक सीमाएँ हैं। इन निष्कर्षों ने आधारभूत कार्य तैयार किया जिससे क्षेत्र में अगले विकास का मार्ग प्रशस्त हुआ।

1990 और उसके बाद, विशेषज्ञ प्रणाली शब्द और एक स्टैंडअलोन एआई प्रणाली का विचार ज्यादातर आईटी शब्दकोष से हटा दिया गया। इसकी दो व्याख्याएँ हैं। एक यह है कि विशेषज्ञ प्रणालियाँ विफल हो गईं: आईटी दुनिया आगे बढ़ गई क्योंकि विशेषज्ञ प्रणालियाँ अपने अति-प्रचारित वादे को पूरा नहीं कर पाईं। दूसरा विपरीत दर्पण है, कि विशेषज्ञ प्रणालियाँ केवल उनकी सफलता का शिकार थीं: जैसे ही आईटी पेशेवरों ने नियम इंजन जैसी अवधारणाओं को समझा, ऐसे उपकरण विशेष प्रयोजन विशेषज्ञ प्रणालियों को विकसित करने के लिए स्टैंडअलोन उपकरण होने से कई मानक उपकरणों में से एक बनने के लिए स्थानांतरित हो गए। अन्य शोधकर्ताओं का सुझाव है कि जब आईटी संगठन उपयोगकर्ताओं या नॉलेज इंजीनियरों के लिए सॉफ़्टवेयर संशोधनों में अपनी विशिष्टता खो देता है, तो विशेषज्ञ सिस्टम ने अंतर-कंपनी शक्ति संघर्ष का कारण बनता है। 2000 के पहले दशक में, महत्वपूर्ण सफलता की कहानियों और अपनाने के साथ, नियम-आधारित प्रणाली शब्द का उपयोग करते हुए प्रौद्योगिकी के लिए पुनरुत्थान हुआ था। कई प्रमुख प्रमुख बिजनेस एप्लिकेशन सूट विक्रेताओं (जैसे एसएपी (सॉफ्टवेयर), सिबेल सिस्टम्स और ओरेकल कॉर्पोरेशन) ने बिजनेस लॉजिक को निर्दिष्ट करने के एक तरीके के रूप में अपने उत्पादों के सूट में विशेषज्ञ प्रणाली क्षमताओं को एकीकृत किया है - नियम इंजन अब केवल परिभाषित करने के लिए नहीं हैं ऐसे नियम जो एक विशेषज्ञ किसी भी प्रकार के जटिल, अस्थिर और महत्वपूर्ण व्यावसायिक तर्क के लिए उपयोग करेगा; वे अक्सर व्यवसाय प्रक्रिया स्वचालन और एकीकरण वातावरण के साथ-साथ चलते हैं।

विशेषज्ञ प्रणालियों के लिए वर्तमान दृष्टिकोण
पिछले प्रकार की विशेषज्ञ प्रणालियों की सीमाओं ने शोधकर्ताओं को नए प्रकार के दृष्टिकोण विकसित करने के लिए प्रेरित किया है। उन्होंने मानव निर्णय लेने की प्रक्रिया का अनुकरण करने के लिए अधिक कुशल, लचीला और शक्तिशाली दृष्टिकोण विकसित किया है। शोधकर्ताओं ने जो दृष्टिकोण विकसित किए हैं उनमें से कुछ कृत्रिम बुद्धिमत्ता (एआई) के नए तरीकों पर आधारित हैं, और विशेष रूप से यंत्र अधिगम  और फीडबैक तंत्र के साथ डेटा खनन दृष्टिकोण पर आधारित हैं। आवर्ती तंत्रिका नेटवर्क अक्सर ऐसे तंत्रों का लाभ उठाते हैं। संबंधित नुकसान अनुभाग पर चर्चा है।

आधुनिक सिस्टम नए ज्ञान को अधिक आसानी से शामिल कर सकते हैं और इस प्रकार खुद को आसानी से अपडेट कर सकते हैं। ऐसी प्रणालियाँ मौजूदा ज्ञान से बेहतर ढंग से सामान्यीकरण कर सकती हैं और बड़ी मात्रा में जटिल डेटा से निपट सकती हैं। संबंधित यहां बड़े डेटा का विषय है। कभी-कभी इस प्रकार की विशेषज्ञ प्रणालियों को बुद्धिमान प्रणाली कहा जाता है।

सॉफ्टवेयर आर्किटेक्चर
एक विशेषज्ञ प्रणाली ज्ञान-आधारित प्रणाली का एक उदाहरण है। विशेषज्ञ प्रणालियाँ ज्ञान-आधारित वास्तुकला का उपयोग करने वाली पहली व्यावसायिक प्रणालियाँ थीं। सामान्य दृष्टि से, एक विशेषज्ञ प्रणाली में निम्नलिखित घटक शामिल होते हैं: एक ज्ञान आधार, एक अनुमान इंजन, एक स्पष्टीकरण सुविधा, एक ज्ञान अधिग्रहण सुविधा और एक उपयोगकर्ता इंटरफ़ेस। ज्ञान का आधार दुनिया के बारे में तथ्यों का प्रतिनिधित्व करता है। माइसिन और डेंड्रल जैसी शुरुआती विशेषज्ञ प्रणालियों में, इन तथ्यों को मुख्य रूप से चर के बारे में सपाट दावे के रूप में दर्शाया गया था। वाणिज्यिक शेल के साथ विकसित बाद की विशेषज्ञ प्रणालियों में, ज्ञान के आधार ने अधिक संरचना अपनाई और ऑब्जेक्ट-ओरिएंटेड प्रोग्रामिंग से अवधारणाओं का उपयोग किया। दुनिया को वर्गों, उपवर्गों और उदाहरणों के रूप में दर्शाया गया था और दावों को वस्तु उदाहरणों के मूल्यों से बदल दिया गया था। नियम वस्तुओं की क्वेरी और मूल्यों पर जोर देकर काम करते हैं।

अनुमान इंजन एक स्वचालित तर्क प्रणाली है जो ज्ञान-आधार की वर्तमान स्थिति का मूल्यांकन करती है, प्रासंगिक नियम लागू करती है, और फिर ज्ञान-आधार में नए ज्ञान का दावा करती है। अनुमान इंजन में स्पष्टीकरण की क्षमताएं भी शामिल हो सकती हैं, ताकि यह उपयोगकर्ता को उन नियमों की फायरिंग का पता लगाकर किसी विशेष निष्कर्ष पर पहुंचने के लिए उपयोग की जाने वाली तर्क श्रृंखला को समझा सके जिसके परिणामस्वरूप दावा किया गया था। एक अनुमान इंजन के लिए मुख्य रूप से दो मोड हैं: आगे की चेनिंग  और  पीछे की ओर जंजीर । अलग-अलग दृष्टिकोण इस बात से तय होते हैं कि क्या अनुमान इंजन नियम के पूर्ववर्ती (बाएं हाथ की ओर) या परिणामी (दाएं हाथ की ओर) द्वारा संचालित किया जा रहा है। आगे की शृंखला में पूर्ववर्ती आग उगलता है और परिणाम पर जोर देता है। उदाहरण के लिए, निम्नलिखित नियम पर विचार करें:

$$R1: \mathit{Man}(x) \implies \mathit{Mortal}(x)$$ फॉरवर्ड चेनिंग का एक सरल उदाहरण सिस्टम में मैन (सुकरात) को शामिल करना और फिर अनुमान इंजन को ट्रिगर करना होगा। यह R1 से मेल खाएगा और मॉर्टल (सुकरात) को ज्ञान के आधार पर स्थापित करेगा।

बैकवर्ड चेनिंग आगे की ओर थोड़ी कम सीधी है। बैकवर्ड चेनिंग में सिस्टम संभावित निष्कर्षों को देखता है और यह देखने के लिए पीछे की ओर काम करता है कि क्या वे सच हो सकते हैं। इसलिए यदि सिस्टम यह निर्धारित करने का प्रयास कर रहा था कि क्या मॉर्टल (सुकरात) सत्य है तो यह आर1 ढूंढेगा और ज्ञान आधार से पूछताछ करेगा कि क्या मैन (सुकरात) सत्य है। विशेषज्ञ सिस्टम शेल के शुरुआती नवाचारों में से एक उपयोगकर्ता इंटरफ़ेस के साथ अनुमान इंजन को एकीकृत करना था। यह बैकवर्ड चेनिंग के साथ विशेष रूप से शक्तिशाली हो सकता है। यदि सिस्टम को किसी विशेष तथ्य को जानने की आवश्यकता है, लेकिन नहीं है, तो यह बस एक इनपुट स्क्रीन उत्पन्न कर सकता है और उपयोगकर्ता से पूछ सकता है कि क्या जानकारी ज्ञात है। तो इस उदाहरण में, यह उपयोगकर्ता से यह पूछने के लिए R1 का उपयोग कर सकता है कि क्या सुकरात एक आदमी था और फिर तदनुसार उस नई जानकारी का उपयोग कर सकता है।

ज्ञान को स्पष्ट रूप से प्रस्तुत करने के लिए नियमों के उपयोग ने स्पष्टीकरण क्षमताओं को भी सक्षम बनाया। उपरोक्त सरल उदाहरण में यदि सिस्टम ने यह दावा करने के लिए R1 का उपयोग किया था कि सुकरात नश्वर था और एक उपयोगकर्ता यह समझना चाहता था कि सुकरात नश्वर क्यों था, तो वे सिस्टम से पूछताछ कर सकते थे और सिस्टम उन नियमों को देखेगा जो इस दावे को जन्म देते थे और उन्हें प्रस्तुत करते थे उपयोगकर्ता को स्पष्टीकरण के रूप में नियम। अंग्रेजी में अगर यूजर ने पूछा कि सुकरात नश्वर क्यों हैं? सिस्टम उत्तर देगा क्योंकि सभी मनुष्य नश्वर हैं और सुकरात एक मनुष्य है। अनुसंधान के लिए एक महत्वपूर्ण क्षेत्र केवल अधिक औपचारिक लेकिन कम सहज ज्ञान वाले नियमों को दिखाने के बजाय प्राकृतिक अंग्रेजी में ज्ञान के आधार से स्पष्टीकरण उत्पन्न करना था। जैसे-जैसे विशेषज्ञ प्रणालियाँ विकसित हुईं, कई नई तकनीकों को विभिन्न प्रकार के अनुमान इंजनों में शामिल किया गया। इनमें से कुछ सबसे महत्वपूर्ण थे:


 * सत्य पालन. ये सिस्टम निर्भरताओं को ज्ञान-आधार में रिकॉर्ड करते हैं ताकि जब तथ्यों को बदला जाए, तो निर्भर ज्ञान को तदनुसार बदला जा सके। उदाहरण के लिए, यदि सिस्टम को पता चलता है कि सुकरात अब एक आदमी के रूप में नहीं जाना जाता है तो यह इस दावे को रद्द कर देगा कि सुकरात नश्वर है।
 * काल्पनिक तर्क. इसमें, ज्ञान के आधार को कई संभावित विचारों, अर्थात् संसारों में विभाजित किया जा सकता है। यह अनुमान इंजन को समानांतर में कई संभावनाओं का पता लगाने की अनुमति देता है। उदाहरण के लिए, सिस्टम दोनों दावों के परिणामों का पता लगाना चाह सकता है, यदि सुकरात एक आदमी है तो क्या सच होगा और अगर वह नहीं है तो क्या सच होगा?
 * अनिश्चितता प्रणालियाँ। ज्ञान का प्रतिनिधित्व करने के लिए नियमों का उपयोग करने के पहले विस्तारों में से एक प्रत्येक नियम के साथ एक संभाव्यता को जोड़ना भी था। इसलिए, यह दावा नहीं करना चाहिए कि सुकरात नश्वर है, बल्कि यह दावा करना है कि सुकरात कुछ संभाव्यता मूल्य के साथ नश्वर हो सकता है। कुछ प्रणालियों में सरल संभावनाओं को अनिश्चित तर्क के लिए परिष्कृत तंत्रों जैसे फजी लॉजिक और संभावनाओं के संयोजन के साथ विस्तारित किया गया था।
 * ऑन्टोलॉजी (सूचना विज्ञान) वर्गीकरण। ज्ञान आधार में वस्तु वर्गों को जोड़ने के साथ, एक नए प्रकार का तर्क संभव हो गया। वस्तु मूल्यों के बारे में तर्क करने के साथ-साथ, सिस्टम वस्तु संरचनाओं के बारे में भी तर्क कर सकता है। इस सरल उदाहरण में, मनुष्य एक वस्तु वर्ग का प्रतिनिधित्व कर सकता है और R1 को एक नियम के रूप में फिर से परिभाषित किया जा सकता है जो सभी पुरुषों के वर्ग को परिभाषित करता है। इस प्रकार के विशेष प्रयोजन अनुमान इंजनों को निगमनात्मक वर्गीकरणकर्ता  कहा जाता है। हालाँकि उनका विशेषज्ञ प्रणालियों में अत्यधिक उपयोग नहीं किया गया था, क्लासिफायर असंरचित अस्थिर डोमेन के लिए बहुत शक्तिशाली हैं, और इंटरनेट और उभरते सेमांटिक वेब के लिए एक महत्वपूर्ण तकनीक हैं।

लाभ
ज्ञान-आधारित प्रणालियों का लक्ष्य सिस्टम के काम करने के लिए आवश्यक महत्वपूर्ण जानकारी को अंतर्निहित के बजाय स्पष्ट बनाना है। एक पारंपरिक कंप्यूटर प्रोग्राम में तर्क कोड में अंतर्निहित होता है जिसकी समीक्षा आमतौर पर केवल एक आईटी विशेषज्ञ द्वारा की जा सकती है। एक विशेषज्ञ प्रणाली के साथ लक्ष्य नियमों को ऐसे प्रारूप में निर्दिष्ट करना था जो सहज और आसानी से समझा जा सके, समीक्षा की जा सके और यहां तक ​​कि आईटी विशेषज्ञों के बजाय डोमेन विशेषज्ञों द्वारा संपादित किया जा सके। इस स्पष्ट ज्ञान प्रतिनिधित्व के लाभ तेजी से विकास और रखरखाव में आसानी थे।

रखरखाव में आसानी सबसे स्पष्ट लाभ है। यह दो तरीकों से हासिल किया गया। सबसे पहले, पारंपरिक कोड लिखने की आवश्यकता को हटाकर, सिस्टम में छोटे बदलावों के कारण होने वाली कई सामान्य समस्याओं से विशेषज्ञ प्रणालियों से बचा जा सकता है। अनिवार्य रूप से, प्रोग्राम का तार्किक प्रवाह (कम से कम उच्चतम स्तर पर) केवल सिस्टम के लिए दिया गया था, बस अनुमान इंजन को लागू करें। यह भी दूसरे लाभ का एक कारण था: तीव्र प्रोटोटाइपिंग। एक विशेषज्ञ प्रणाली शेल के साथ कुछ नियमों को दर्ज करना और आमतौर पर जटिल आईटी परियोजनाओं से जुड़े महीनों या साल के बजाय दिनों में एक प्रोटोटाइप विकसित करना संभव था।

विशेषज्ञ सिस्टम शेल के लिए एक दावा जो अक्सर किया जाता था वह यह था कि उन्होंने प्रशिक्षित प्रोग्रामर की आवश्यकता को हटा दिया और विशेषज्ञ स्वयं सिस्टम विकसित कर सकते थे। हकीकत में, यह शायद ही कभी सच हुआ हो। जबकि एक विशेषज्ञ प्रणाली के नियम सामान्य कंप्यूटर कोड की तुलना में अधिक समझने योग्य थे, फिर भी उनके पास एक औपचारिक वाक्यविन्यास था जहां एक गलत अल्पविराम या अन्य वर्ण किसी भी अन्य कंप्यूटर भाषा की तरह विनाश का कारण बन सकता था। इसके अलावा, जैसे-जैसे विशेषज्ञ प्रणालियाँ प्रयोगशाला में प्रोटोटाइप से व्यवसाय जगत में तैनाती की ओर बढ़ीं, एकीकरण और रखरखाव के मुद्दे कहीं अधिक महत्वपूर्ण हो गए। अनिवार्य रूप से बड़े विरासत डेटाबेस और सिस्टम के साथ एकीकृत करने और उनका लाभ उठाने की मांग उठी। इसे पूरा करने के लिए, एकीकरण के लिए किसी अन्य प्रकार की प्रणाली के समान कौशल की आवश्यकता होती है।<रेफ नाम= वोंग 1995 141-152 >

विशेषज्ञ प्रणालियों के उपयोग के लाभों को सारांशित करते हुए, निम्नलिखित पर प्रकाश डाला जा सकता है:


 * 1) बढ़ी हुई उपलब्धता और विश्वसनीयता: किसी भी कंप्यूटर हार्डवेयर पर विशेषज्ञता हासिल की जा सकती है और सिस्टम हमेशा समय पर प्रतिक्रियाएं पूरी करता है।
 * 2) एकाधिक विशेषज्ञता: किसी समस्या को हल करने के लिए कई विशेषज्ञ प्रणालियाँ एक साथ चलाई जा सकती हैं। और एक मानव विशेषज्ञ की तुलना में उच्च स्तर की विशेषज्ञता हासिल करें।
 * 3) स्पष्टीकरण: विशेषज्ञ प्रणालियाँ हमेशा बताती हैं कि समस्या का समाधान कैसे किया गया।
 * 4) तेज़ प्रतिक्रिया: विशेषज्ञ प्रणालियाँ तेज़ हैं और वास्तविक समय में किसी समस्या को हल करने में सक्षम हैं।
 * 5) कम लागत: प्रत्येक उपयोगकर्ता के लिए विशेषज्ञता की लागत काफी कम हो गई है।

नुकसान
अकादमिक साहित्य में विशेषज्ञ प्रणालियों के लिए उद्धृत सबसे आम नुकसान ज्ञान अधिग्रहण की समस्या है। किसी भी सॉफ़्टवेयर एप्लिकेशन के लिए डोमेन विशेषज्ञों का समय प्राप्त करना हमेशा कठिन होता है, लेकिन विशेषज्ञ प्रणालियों के लिए यह विशेष रूप से कठिन था क्योंकि विशेषज्ञ परिभाषा के अनुसार अत्यधिक मूल्यवान थे और संगठन द्वारा लगातार मांग में थे। इस समस्या के परिणामस्वरूप, विशेषज्ञ प्रणालियों के बाद के वर्षों में अनुसंधान का एक बड़ा हिस्सा ज्ञान अधिग्रहण के लिए उपकरणों पर केंद्रित था, ताकि विशेषज्ञों द्वारा परिभाषित नियमों को डिजाइन करने, डिबगिंग और बनाए रखने की प्रक्रिया को स्वचालित करने में मदद मिल सके। हालाँकि, जब वास्तविक उपयोग में विशेषज्ञ प्रणालियों के जीवन-चक्र को देखते हैं, तो अन्य समस्याएं - अनिवार्य रूप से किसी भी अन्य बड़ी प्रणाली के समान ही समस्याएं होती हैं - कम से कम ज्ञान अधिग्रहण जितनी ही महत्वपूर्ण लगती हैं: एकीकरण, बड़े डेटाबेस तक पहुंच और प्रदर्शन। प्रदर्शन विशेष रूप से समस्याग्रस्त हो सकता है क्योंकि शुरुआती विशेषज्ञ सिस्टम टूल (जैसे कि पुराने लिस्प संस्करण) का उपयोग करके बनाए गए थे जो कोड अभिव्यक्तियों को पहले संकलित किए बिना उनकी व्याख्या करते थे। इसने एक शक्तिशाली विकास वातावरण प्रदान किया, लेकिन इसका दोष यह था कि सबसे तेज़ संकलित भाषाओं (जैसे सी (प्रोग्रामिंग भाषा)) की दक्षता से मेल खाना लगभग असंभव था। प्रारंभिक विशेषज्ञ प्रणालियों के लिए सिस्टम और डेटाबेस एकीकरण कठिन था क्योंकि उपकरण ज्यादातर भाषाओं और प्लेटफार्मों में थे जो अधिकांश कॉर्पोरेट आईटी वातावरणों में न तो परिचित थे और न ही स्वागत योग्य थे - लिस्प और प्रोलॉग जैसी प्रोग्रामिंग भाषाएं, और लिस्प मशीन और पर्सनल कंप्यूटर जैसे हार्डवेयर प्लेटफॉर्म. परिणामस्वरूप, विशेषज्ञ प्रणाली उपकरण विकास के बाद के चरणों में बहुत प्रयास COBOL और बड़े डेटाबेस सिस्टम जैसे विरासत वातावरण के साथ एकीकरण और अधिक मानक प्लेटफार्मों पर पोर्ट करने पर केंद्रित था। इन मुद्दों को मुख्य रूप से क्लाइंट-सर्वर प्रतिमान बदलाव द्वारा हल किया गया था, क्योंकि पीसी को धीरे-धीरे आईटी वातावरण में गंभीर व्यवसाय प्रणाली विकास के लिए एक वैध मंच के रूप में स्वीकार किया गया था और किफायती मिनी कंप्यूटर  सर्वर एआई अनुप्रयोगों के लिए आवश्यक प्रसंस्करण शक्ति प्रदान करते थे।<रेफ नाम = वोंग 1995 141-152 />

विशेषज्ञ प्रणालियों की एक और बड़ी चुनौती तब सामने आती है जब ज्ञान आधार का आकार बढ़ता है। इससे प्रसंस्करण जटिलता बढ़ जाती है। उदाहरण के लिए, जब 100 मिलियन नियमों वाली एक विशेषज्ञ प्रणाली की कल्पना अंतिम विशेषज्ञ प्रणाली के रूप में की गई, तो यह स्पष्ट हो गया कि ऐसी प्रणाली बहुत जटिल होगी और इसे बहुत अधिक कम्प्यूटेशनल समस्याओं का सामना करना पड़ेगा। किसी निर्णय तक पहुंचने के लिए एक अनुमान इंजन को बड़ी संख्या में नियमों को संसाधित करने में सक्षम होना होगा।

बहुत सारे नियम होने पर यह कैसे सत्यापित किया जाए कि निर्णय नियम एक-दूसरे के अनुरूप हैं, यह भी एक चुनौती है। आमतौर पर ऐसी समस्या संतुष्टिप्रदता (एसएटी) फॉर्मूलेशन की ओर ले जाती है। यह एक सुप्रसिद्ध एनपी-पूर्ण समस्या बूलियन संतुष्टि समस्या है। यदि हम केवल बाइनरी डेटा मानते हैं, तो उनमें से n मान लें, और फिर संबंधित खोज स्थान आकार 2 का है$$^{n}$$. इस प्रकार, खोज स्थान तेजी से बढ़ सकता है।

इस बात पर भी प्रश्न हैं कि अधिक कुशलता से संचालित करने के लिए नियमों के उपयोग को कैसे प्राथमिकता दी जाए, या अस्पष्टताओं को कैसे हल किया जाए (उदाहरण के लिए, यदि एक ही नियम के भीतर बहुत अधिक उप-संरचनाएं हों) इत्यादि। ज्ञात तथ्यों का उपयोग करते समय और ज्ञान के आधार में स्पष्ट रूप से वर्णित नहीं किए गए अन्य मामलों को सामान्य बनाने का प्रयास करते समय अन्य समस्याएं ओवरफिटिंग और अतिसामान्यीकरण प्रभावों से संबंधित होती हैं। ऐसी समस्याएं उन तरीकों के साथ भी मौजूद हैं जो मशीन लर्निंग दृष्टिकोण को नियोजित करते हैं। ज्ञानकोष से संबंधित एक अन्य समस्या यह है कि इसके ज्ञान को शीघ्र एवं प्रभावी ढंग से कैसे अद्यतन किया जाए।  इसके अलावा ज्ञान का एक नया टुकड़ा कैसे जोड़ा जाए (यानी, कई नियमों के बीच इसे कहां जोड़ा जाए) भी चुनौतीपूर्ण है। मशीन लर्निंग विधियों पर निर्भर आधुनिक दृष्टिकोण इस संबंध में आसान हैं.

उपरोक्त चुनौतियों के कारण, यह स्पष्ट हो गया कि नियम-आधारित प्रौद्योगिकियों के बजाय एआई के लिए नए दृष्टिकोण की आवश्यकता थी। ये नए दृष्टिकोण फीडबैक तंत्र के उपयोग के साथ-साथ मशीन लर्निंग तकनीकों के उपयोग पर आधारित हैं।

चिकित्सा में विशेषज्ञ प्रणालियों (यदि कोई कंप्यूटर-सहायता प्राप्त निदान प्रणालियों को आधुनिक विशेषज्ञ प्रणालियों के रूप में मानता है) और शायद अन्य अनुप्रयोग डोमेन में प्रमुख चुनौतियों में पहलुओं से संबंधित मुद्दे शामिल हैं: बड़ा डेटा, मौजूदा नियम, स्वास्थ्य देखभाल अभ्यास, विभिन्न एल्गोरिदम संबंधी मुद्दे, और सिस्टम मूल्यांकन। अंत में, विशेषज्ञ प्रणालियों के उपयोग के निम्नलिखित नुकसानों को संक्षेप में प्रस्तुत किया जा सकता है:
 * 1) विशेषज्ञ प्रणालियों के पास सतही ज्ञान होता है, और एक साधारण कार्य संभावित रूप से कम्प्यूटेशनल रूप से महंगा हो सकता है।
 * 2) विशेषज्ञ प्रणालियों को डेटा इनपुट करने के लिए ज्ञान इंजीनियरों की आवश्यकता होती है, डेटा अधिग्रहण बहुत कठिन है।
 * 3) विशेषज्ञ प्रणाली किसी विशेष समस्या के समाधान के लिए सबसे अनुपयुक्त तरीका चुन सकती है।
 * 4) एआई के किसी भी रूप के उपयोग में नैतिकता की समस्याएं वर्तमान में बहुत प्रासंगिक हैं।
 * 5) यह विशिष्ट ज्ञान वाली एक बंद दुनिया है, जिसमें अवधारणाओं और उनके अंतर्संबंधों की कोई गहरी धारणा नहीं होती है जब तक कि कोई विशेषज्ञ उन्हें प्रदान नहीं करता है।

अनुप्रयोग
हेस-रोथ विशेषज्ञ सिस्टम अनुप्रयोगों को निम्नलिखित तालिका में दर्शाए गए 10 श्रेणियों में विभाजित करता है। उदाहरण अनुप्रयोग मूल हेस-रोथ तालिका में नहीं थे, और उनमें से कुछ काफी बाद में उभरे। कोई भी एप्लिकेशन जो फ़ुटनोट नहीं है उसका वर्णन हेस-रोथ पुस्तक में किया गया है। इसके अलावा, जबकि ये श्रेणियां विशेषज्ञ सिस्टम अनुप्रयोगों के स्थान का वर्णन करने के लिए एक सहज ढांचा प्रदान करती हैं, वे कठोर श्रेणियां नहीं हैं, और कुछ मामलों में एक एप्लिकेशन एक से अधिक श्रेणियों के लक्षण दिखा सकता है।

हियर्से एक विशेषज्ञ प्रणाली दृष्टिकोण के माध्यम से वाक् पहचान को हल करने का एक प्रारंभिक प्रयास था। अधिकांश भाग के लिए विशेषज्ञ प्रणालियों की यह श्रेणी उतनी सफल नहीं थी। सुनी-सुनाई बातें और सभी व्याख्या प्रणालियाँ अनिवार्य रूप से पैटर्न पहचान प्रणालियाँ हैं - जो शोर वाले डेटा में पैटर्न की तलाश करती हैं। हियरसे के मामले में एक ऑडियो स्ट्रीम में स्वरों को पहचानना। अन्य प्रारंभिक उदाहरण रूसी पनडुब्बियों का पता लगाने के लिए सोनार डेटा का विश्लेषण कर रहे थे। इस प्रकार की प्रणालियाँ नियम-आधारित दृष्टिकोण की तुलना में कृत्रिम तंत्रिका नेटवर्क एआई समाधान के लिए अधिक उपयुक्त साबित हुईं।

कैडियस और माइसिन चिकित्सा निदान प्रणालियाँ थीं। उपयोगकर्ता कंप्यूटर पर अपने लक्षणों का वर्णन वैसे ही करता है जैसे वे किसी डॉक्टर को बताते हैं और कंप्यूटर एक चिकित्सीय निदान लौटाता है।

डेंड्रल कार्बनिक अणुओं की पहचान में परिकल्पना निर्माण का अध्ययन करने के लिए एक उपकरण था। इसके द्वारा हल की गई सामान्य समस्या - बाधाओं के एक सेट को देखते हुए एक समाधान तैयार करना - व्यवसायिक डोमेन पर लागू होने वाले शुरुआती विशेषज्ञ प्रणालियों के लिए सबसे सफल क्षेत्रों में से एक था, जैसे कि डिजिटल उपकरण निगम  (DEC) VAX कंप्यूटर और बंधक ऋण एप्लिकेशन विकास को कॉन्फ़िगर करने वाले सेल्सपर्सन।

SMH.PAL बहु-विकलांगता वाले छात्रों के मूल्यांकन के लिए एक विशेषज्ञ प्रणाली है। GARVAN-ES1 एक चिकित्सा विशेषज्ञ प्रणाली थी, जिसे गर्वन इंस्टीट्यूट ऑफ मेडिकल रिसर्च में विकसित किया गया था, जो पैथोलॉजी प्रयोगशाला से अंतःस्रावी रिपोर्ट पर स्वचालित नैदानिक ​​​​नैदानिक ​​​​टिप्पणियाँ प्रदान करती थी। यह अंतरराष्ट्रीय स्तर पर नियमित नैदानिक ​​उपयोग में आने वाली पहली चिकित्सा विशेषज्ञ प्रणालियों में से एक थी और ऑस्ट्रेलिया में प्रतिदिन निदान के लिए उपयोग की जाने वाली पहली विशेषज्ञ प्रणाली। सिस्टम C में लिखा गया था और 64K मेमोरी में PDP-11 पर चलता था। इसमें 661 नियम संकलित किये गये थे; व्याख्या नहीं की गई.

मिस्ट्राल बांध सुरक्षा की निगरानी के लिए एक विशेषज्ञ प्रणाली है, जिसे 1990 के दशक में इस्म्स (इटली) द्वारा विकसित किया गया था। यह स्वचालित निगरानी प्रणाली से डेटा प्राप्त करता है और बांध की स्थिति का निदान करता है। इसकी पहली प्रति, 1992 में रिद्राकोली बांध (इटली) पर स्थापित की गई, जो अभी भी 24/7/365 चालू है। इसे इटली और विदेशों में कई बांधों (उदाहरण के लिए, ब्राजील में इताइपु बांध) और भूस्खलन स्थलों पर आइडेनेट के नाम से स्थापित किया गया है। और कलीडोस के नाम से स्मारकों पर। मिस्ट्रल इटालियन प्रायोगिक इलेक्ट्रोटेक्निकल सेंटर का एक पंजीकृत व्यापार चिह्न है।

यह भी देखें

 * ऐ सर्दी
 * क्लिप्स
 * बाधा तर्क प्रोग्रामिंग
 * बाधा संतुष्टि
 * ज्ञान अभियांत्रिकी
 * लर्निंग क्लासिफायर सिस्टम
 * नियम-आधारित मशीन लर्निंग

बाहरी संबंध

 * Expert System tutorial on Code Project
 * Expert System tutorial on Code Project