ในปัญญาประดิษฐ์ (AI) ระบบผู้เชี่ยวชาญคือระบบคอมพิวเตอร์ที่จำลองความสามารถในการตัดสินใจของผู้เชี่ยวชาญ ที่เป็น มนุษย์^{[ 1 ]} ระบบผู้เชี่ยวชาญได้รับการออกแบบมาเพื่อแก้ปัญหาที่ซับซ้อนโดยการให้เหตุผลผ่านชุดความรู้ ซึ่งส่วนใหญ่แสดงเป็นกฎแบบ if-thenมากกว่าผ่านรหัสการเขียนโปรแกรมเชิงกระบวนการ แบบดั้งเดิม ^{[ 2 ]} ระบบผู้เชี่ยวชาญเป็นหนึ่งในรูปแบบซอฟต์แวร์ AI ที่ประสบความสำเร็จอย่างแท้จริงเป็นครั้งแรก^{[ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ]}ระบบเหล่านี้ถูกสร้างขึ้นในทศวรรษ 1970 และแพร่หลายในทศวรรษ 1980 ^{[ 8 ]}และได้รับการยกย่องอย่างกว้างขวางว่าเป็นอนาคตของ AI ก่อนที่จะมีการเกิดขึ้นของเครือข่ายประสาทเทียมที่ ประสบความสำเร็จ ^{[ 9 ]} ระบบผู้เชี่ยวชาญแบ่งออกเป็นสองระบบย่อย: 1) ฐานความรู้ซึ่งแสดงถึงข้อเท็จจริงและกฎ และ 2) กลไกการอนุมานซึ่งใช้กฎกับข้อเท็จจริงที่ทราบเพื่ออนุมานข้อเท็จจริงใหม่ และอาจรวมถึงความสามารถในการอธิบายและแก้ไขข้อผิดพลาด

ไม่นานหลังจากยุคเริ่มต้นของคอมพิวเตอร์สมัยใหม่ในช่วงปลายทศวรรษ 1940 และต้นทศวรรษ 1950 นักวิจัยเริ่มตระหนักถึงศักยภาพอันมหาศาลของเครื่องจักรเหล่านี้ที่มีต่อสังคมสมัยใหม่ หนึ่งในความท้าทายแรกคือการทำให้เครื่องจักรเหล่านี้สามารถ "คิด" ได้เหมือนมนุษย์ โดยเฉพาะอย่างยิ่งการทำให้เครื่องจักรเหล่านี้สามารถตัดสินใจที่สำคัญได้ในแบบที่มนุษย์ทำ สาขาการแพทย์และการดูแล สุขภาพ นำเสนอความท้าทายที่น่าสนใจในการทำให้เครื่องจักรเหล่านี้สามารถตัดสินใจวินิจฉัยทางการแพทย์ได้^{[ 10 ]}

ดังนั้น ในช่วงปลายทศวรรษ 1950 หลังจากที่ยุคข้อมูลข่าวสารมาถึงอย่างเต็มที่ นักวิจัยจึงเริ่มทดลองกับความเป็นไปได้ในการใช้เทคโนโลยีคอมพิวเตอร์เพื่อจำลองการตัดสินใจของมนุษย์ ตัวอย่างเช่น นักวิจัยด้านชีวการแพทย์เริ่มสร้างระบบช่วยคอมพิวเตอร์สำหรับการวินิจฉัยโรคในทางการแพทย์และชีววิทยา ระบบวินิจฉัยโรคในยุคแรกเหล่านี้ใช้ข้อมูลอาการของผู้ป่วยและผลการตรวจทางห้องปฏิบัติการเป็นข้อมูลป้อนเข้าเพื่อสร้างผลการวินิจฉัย^{[ 11 ] [ 12 ]} ระบบเหล่านี้มักถูกอธิบายว่าเป็นรูปแบบแรกเริ่มของระบบผู้เชี่ยวชาญ อย่างไรก็ตาม นักวิจัยตระหนักว่ามีข้อจำกัดที่สำคัญเมื่อใช้วิธีการแบบดั้งเดิม เช่น แผนผังการไหล^{[ 13 ] [ 14 ]}การจับคู่รูปแบบทางสถิติ^{[ 15 ]}หรือทฤษฎีความน่าจะเป็น^{[ 16 ] [ 17 ]}

สถานการณ์ก่อนหน้านี้ค่อยๆ นำไปสู่การพัฒนาระบบผู้เชี่ยวชาญซึ่งใช้แนวทางตามความรู้ ระบบผู้เชี่ยวชาญเหล่านี้ในทางการแพทย์ ได้แก่ระบบผู้เชี่ยวชาญMYCIN ^{[ 18 ]}ระบบผู้เชี่ยวชาญInternist -I ^{[ 19 ]}และต่อมาในช่วงกลางทศวรรษ 1980 คือCADUCEUS ^{[ 20 ]}

ระบบผู้เชี่ยวชาญได้รับการแนะนำอย่างเป็นทางการราวปี 1965 โดย โครงการการเขียนโปรแกรมฮิวริสติก ของสแตนฟ อร์ด นำโดยเอ็ดเวิร์ด ไฟเกนบอมซึ่งบางครั้งถูกเรียกว่า "บิดาแห่งระบบผู้เชี่ยวชาญ" ^{[ 21 ]}ผู้มีส่วนร่วมสำคัญในช่วงแรกอื่นๆ ได้แก่ บรูซ บูคานัน และแรนดัล เดวิส นักวิจัยของสแตนฟอร์ดพยายามระบุโดเมนที่ความเชี่ยวชาญมีคุณค่าสูงและซับซ้อน เช่น การวินิจฉัยโรคติดเชื้อ ( Mycin ) และการระบุโมเลกุลอินทรีย์ที่ไม่รู้จัก ( Dendral ) ^{[ 22 ]}แนวคิดที่ว่า "ระบบอัจฉริยะได้รับพลังจากความรู้ที่พวกมันครอบครองมากกว่าจากรูปแบบเฉพาะและแผนการอนุมานที่พวกมันใช้" ^{[ 23 ]} – ดังที่ไฟเกนบอมกล่าว – ในขณะนั้นถือเป็นก้าวสำคัญไปข้างหน้า เนื่องจากงานวิจัยในอดีตมุ่งเน้นไปที่วิธีการคำนวณแบบฮิวริสติก ซึ่งจบลงด้วยความพยายามในการพัฒนาตัวแก้ปัญหาอเนกประสงค์ (โดยเฉพาะอย่างยิ่งงานร่วมกันของอัลเลน นิวเวลล์และเฮอร์เบิร์ต ไซมอน ) ^{[ 24 ]}ระบบผู้เชี่ยวชาญกลายเป็นรูปแบบแรก ๆ ของ ซอฟต์แวร์ ปัญญาประดิษฐ์ (AI) ที่ประสบความสำเร็จอย่างแท้จริง ^{[ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ]}

การวิจัยเกี่ยวกับระบบผู้เชี่ยวชาญยังดำเนินไปอย่างคึกคักในยุโรป ในสหรัฐอเมริกา การวิจัยมักมุ่งเน้นไปที่การใช้ระบบกฎการผลิตโดยเริ่มจากระบบที่เขียนโค้ดแบบตายตัวบนสภาพ แวดล้อมการเขียนโปรแกรม Lispจากนั้นจึงมุ่งเน้นไปที่เชลล์ระบบผู้เชี่ยวชาญที่พัฒนาโดยผู้ขายเช่นIntellicorpในยุโรป การวิจัยมุ่งเน้นไปที่ระบบและเชลล์ระบบผู้เชี่ยวชาญที่พัฒนาด้วยProlog มากกว่า ข้อดีของระบบ Prolog คือการใช้รูปแบบการเขียนโปรแกรมตามกฎที่อิงตามตรรกะเชิงรูปธรรม^{[ 25 ] [ 26 ]}

หนึ่งในเชลล์ระบบผู้เชี่ยวชาญยุคแรกที่ใช้Prologคือ APES ^{[ 27 ]} หนึ่งในกรณีการใช้งานแรกๆ ของ Prolog และ APES อยู่ในด้านกฎหมาย กล่าวคือ การเข้ารหัสส่วนใหญ่ของพระราชบัญญัติสัญชาติอังกฤษ Lance Elliot เขียนว่า: " พระราชบัญญัติสัญชาติอังกฤษผ่านการอนุมัติในปี 1981 และหลังจากนั้นไม่นานก็ถูกนำมาใช้เป็นวิธีการแสดงให้เห็นถึงประสิทธิภาพของการใช้เทคนิคและเทคโนโลยีปัญญาประดิษฐ์ (AI) โดยทำเช่นนั้นเพื่อสำรวจว่ากฎหมายที่เพิ่งประกาศใช้ในขณะนั้นอาจถูกเข้ารหัสเป็นรูปแบบที่เป็นทางการตามตรรกะของคอมพิวเตอร์ได้อย่างไร บทความวิจัยที่อ้างอิงบ่อยครั้งในปัจจุบันชื่อ "พระราชบัญญัติสัญชาติอังกฤษในฐานะโปรแกรมตรรกะ" ได้รับการตีพิมพ์ในปี 1986 และต่อมากลายเป็นจุดสำคัญสำหรับงานต่อมาในด้าน AI และกฎหมาย" ^{[ 28 ] [ 29 ]}

ในทศวรรษ 1980 ระบบผู้เชี่ยวชาญแพร่หลายมากขึ้น มหาวิทยาลัยต่างๆ เปิดสอนหลักสูตรระบบผู้เชี่ยวชาญ และบริษัท Fortune 500สองในสามนำเทคโนโลยีนี้ไปใช้ในกิจกรรมทางธุรกิจประจำวัน^{[ 8 ] [ 30 ]}ความสนใจเป็นไปในระดับนานาชาติด้วยโครงการระบบคอมพิวเตอร์รุ่นที่ห้าในญี่ปุ่นและเงินทุนวิจัยที่เพิ่มขึ้นในยุโรป

ในปี พ.ศ. 2524 IBM PC เครื่องแรกพร้อม ระบบปฏิบัติการ PC DOSได้ถูกนำเสนอ^{[ 31 ]}ความไม่สมดุลระหว่างต้นทุนที่ต่ำของชิปที่มีประสิทธิภาพค่อนข้างสูงในพีซี เมื่อเทียบกับต้นทุนที่สูงกว่ามากของพลังการประมวลผลในเมนเฟรมซึ่งครองโลกไอทีขององค์กรในขณะนั้น ได้สร้างสถาปัตยกรรมประเภทใหม่สำหรับการประมวลผลขององค์กร ซึ่งเรียกว่าโมเดล^{ไคลเอ็นต์} -เซิร์ฟเวอร์^{[ 32} ] การคำนวณและการให้เหตุผลสามารถทำได้ในราคาเพียงเศษเสี้ยวของเมนเฟรมโดยใช้พีซี โมเดลนี้ยังช่วยให้หน่วยธุรกิจสามารถข้ามแผนกไอทีขององค์กรและสร้างแอปพลิเคชันของตนเองได้โดยตรง ส่งผลให้ไคลเอ็นต์-เซิร์ฟเวอร์มีผลกระทบอย่างมากต่อตลาดระบบผู้เชี่ยวชาญ ระบบผู้เชี่ยวชาญนั้นเป็นสิ่งที่แตกต่างไปจากส่วนอื่นๆ ของโลกธุรกิจอยู่แล้ว โดยต้องการทักษะใหม่ๆ ที่แผนกไอทีหลายแห่งไม่มีและไม่กระตือรือร้นที่จะพัฒนา ระบบเหล่านี้จึงเหมาะสมอย่างยิ่งสำหรับเชลล์บนพีซีแบบใหม่ที่สัญญาว่าจะมอบการพัฒนาแอปพลิเคชันให้กับผู้ใช้ปลายทางและผู้เชี่ยวชาญ จนกระทั่งถึงตอนนั้น สภาพแวดล้อมการพัฒนาหลักสำหรับระบบผู้เชี่ยวชาญคือ เครื่อง LispระดับสูงจากXerox , SymbolicsและTexas Instrumentsเมื่อพีซีและการประมวลผลแบบไคลเอ็นต์-เซิร์ฟเวอร์ได้รับความนิยมเพิ่มขึ้น ผู้จำหน่ายเช่น Intellicorp และ Inference Corporation จึงเปลี่ยนลำดับความสำคัญไปเป็นการพัฒนาเครื่องมือบนพีซี นอกจากนี้ ผู้จำหน่ายรายใหม่ซึ่งมักได้รับเงินทุนจากบริษัทร่วมทุน^{[ 33 ] [ 34 ]}ก็เริ่มปรากฏตัวขึ้นอย่างสม่ำเสมอ

ระบบผู้เชี่ยวชาญระบบแรกที่ถูกนำมาใช้ในการออกแบบผลิตภัณฑ์ขนาดใหญ่คือโปรแกรมซอฟต์แวร์ Synthesis of Integral Design (SID) ซึ่งพัฒนาขึ้นในปี 1982 เขียนด้วยภาษาLisp SID สร้าง เกตตรรกะของ CPU VAX 9000ได้ถึง 93% ^{[ 35 ]}ข้อมูลที่ป้อนเข้าสู่ซอฟต์แวร์คือชุดกฎที่สร้างโดยนักออกแบบตรรกะผู้เชี่ยวชาญหลายคน SID ขยายกฎและสร้าง รูทีน การสังเคราะห์ตรรกะ ซอฟต์แวร์ ที่มีขนาดใหญ่กว่ากฎเหล่านั้นหลายเท่า ที่น่าประหลาดใจคือ การรวมกันของกฎเหล่านี้ส่งผลให้การออกแบบโดยรวมเกินความสามารถของผู้เชี่ยวชาญเอง และในหลายกรณีก็มีประสิทธิภาพเหนือกว่ามนุษย์ แม้ว่ากฎบางข้อจะขัดแย้งกัน แต่พารามิเตอร์ควบคุมระดับสูงสุดสำหรับความเร็วและพื้นที่เป็นตัวตัดสิน โปรแกรมนี้เป็นที่ถกเถียงกันอย่างมาก แต่ก็ยังถูกนำมาใช้เนื่องจากข้อจำกัดด้านงบประมาณของโครงการ นักออกแบบตรรกะได้ยุติการใช้งานโปรแกรมนี้หลังจากโครงการ VAX 9000 เสร็จสิ้น

ในช่วงหลายปีก่อนกลางทศวรรษ 1970 ความคาดหวังเกี่ยวกับสิ่งที่ระบบผู้เชี่ยวชาญสามารถทำได้ในหลายสาขามีแนวโน้มที่จะมองโลกในแง่ดีอย่างมาก ในช่วงเริ่มต้นของการศึกษาเหล่านี้ นักวิจัยหวังที่จะพัฒนาระบบผู้เชี่ยวชาญแบบอัตโนมัติทั้งหมด (เช่น คอมพิวเตอร์ทั้งหมด) ความคาดหวังของผู้คนเกี่ยวกับสิ่งที่คอมพิวเตอร์สามารถทำได้มักจะมองโลกในแง่ดีเกินไป สถานการณ์นี้เปลี่ยนแปลงไปอย่างสิ้นเชิงหลังจากที่Richard M. Karpตีพิมพ์บทความสำคัญของเขาเรื่อง “Reducibility among Combinatorial Problems” ในช่วงต้นทศวรรษ 1970 ^{[ 36 ]}ด้วยผลงานของ Karp ร่วมกับนักวิชาการคนอื่นๆ เช่น Hubert L. Dreyfus ^{[ 37 ]}ทำให้เห็นได้ชัดว่ามีข้อจำกัดและความเป็นไปได้บางอย่างเมื่อออกแบบอัลกอริทึมคอมพิวเตอร์ ผลการค้นพบของเขาอธิบายถึงสิ่งที่คอมพิวเตอร์สามารถทำได้และสิ่งที่ทำไม่ได้ ปัญหาการคำนวณหลายอย่างที่เกี่ยวข้องกับระบบผู้เชี่ยวชาญประเภทนี้มีข้อจำกัดเชิงปฏิบัติบางประการ ผลการค้นพบเหล่านี้ได้วางรากฐานที่นำไปสู่การพัฒนาต่อไปในสาขานี้^{[ 10 ]}

ในช่วงทศวรรษ 1990 และหลังจากนั้น คำว่าระบบผู้เชี่ยวชาญและแนวคิดของระบบ AI แบบสแตนด์อะโลนส่วนใหญ่หายไปจากศัพท์เฉพาะทางด้านไอที มีการตีความสองแบบ แบบแรกคือ "ระบบผู้เชี่ยวชาญล้มเหลว": โลกไอทีได้ก้าวไปข้างหน้าเพราะระบบผู้เชี่ยวชาญไม่ได้ทำตามคำสัญญาที่โฆษณาเกินจริง^{[ 38 ] [ 39 ]}อีกแบบหนึ่งคือตรงกันข้ามโดยสิ้นเชิง ระบบผู้เชี่ยวชาญเป็นเพียงเหยื่อของความสำเร็จของตนเอง: เมื่อผู้เชี่ยวชาญด้านไอทีเข้าใจแนวคิดต่างๆ เช่น เอ็นจิ้นกฎ เครื่องมือเหล่านี้จึงย้ายจากการเป็นเครื่องมือแบบสแตนด์อะโลนสำหรับการพัฒนา ระบบ ผู้เชี่ยวชาญ เฉพาะทาง ไปเป็นหนึ่งในเครื่องมือมาตรฐานหลายๆ อย่าง^{[ 40 ]}นักวิจัยคนอื่นๆ เสนอแนะว่าระบบผู้เชี่ยวชาญทำให้เกิดการแย่งชิงอำนาจระหว่างบริษัท เมื่อองค์กรไอทีสูญเสียความเป็นเอกสิทธิ์ในการแก้ไขซอฟต์แวร์ให้กับผู้ใช้หรือวิศวกรความรู้^{[ 41 ]}

ในช่วงทศวรรษแรกของปี 2000 มีการ "ฟื้นคืนชีพ" ของเทคโนโลยี โดยใช้คำว่าระบบตามกฎเกณฑ์พร้อมด้วยเรื่องราวความสำเร็จและการนำไปใช้ที่สำคัญ^{[ 42 ]}ผู้จำหน่ายชุดแอปพลิเคชันทางธุรกิจรายใหญ่ชั้นนำหลายราย (เช่นSAP , SiebelและOracle ) ได้รวมความสามารถของระบบผู้เชี่ยวชาญเข้ากับชุดผลิตภัณฑ์ของตนเพื่อเป็นวิธีในการกำหนดตรรกะทางธุรกิจ เครื่องมือสร้างกฎเกณฑ์ไม่ได้มีไว้สำหรับการกำหนดกฎเกณฑ์ที่ผู้เชี่ยวชาญจะใช้เท่านั้น แต่ยังใช้สำหรับตรรกะทางธุรกิจที่ซับซ้อน เปลี่ยนแปลงได้ และสำคัญทุกประเภท พวกมันมักจะทำงานควบคู่ไปกับสภาพแวดล้อมการทำงานอัตโนมัติและการบูรณาการกระบวนการทางธุรกิจ^{[ 43 ] [ 44 ] [ 45 ]}

อาจกล่าวได้ว่าระบบผู้เชี่ยวชาญได้ก้าวเข้าสู่ขอบเขตของกฎทางธุรกิจและระบบการจัดการกฎทางธุรกิจแล้ว

ระบบผู้เชี่ยวชาญเป็นตัวอย่างของระบบฐานความรู้ระบบผู้เชี่ยวชาญเป็นระบบเชิงพาณิชย์ระบบแรกที่ใช้สถาปัตยกรรมฐานความรู้ โดยทั่วไป ระบบผู้เชี่ยวชาญประกอบด้วยส่วนประกอบต่อไปนี้: ฐานความรู้กลไกการอนุมานสิ่งอำนวยความสะดวกในการอธิบาย สิ่งอำนวยความสะดวกในการได้มาซึ่งความรู้ และส่วนติดต่อผู้ใช้^{[ 47 ] [ 48 ]}

ฐานความรู้แสดงถึงข้อเท็จจริงเกี่ยวกับโลก ในระบบผู้เชี่ยวชาญยุคแรก เช่น Mycin และ Dendral ข้อเท็จจริงเหล่านี้ส่วนใหญ่แสดงออกมาในรูปของข้อความยืนยันเกี่ยวกับตัวแปร ในระบบผู้เชี่ยวชาญรุ่นต่อมาที่พัฒนาด้วยซอฟต์แวร์เชิงพาณิชย์ ฐานความรู้มีโครงสร้างมากขึ้นและใช้แนวคิดจากการเขียนโปรแกรมเชิงวัตถุโลกถูกแทนด้วยคลาส คลาสย่อยและ อินส แตนซ์และ ข้อความ ยืนยันถูกแทนที่ด้วยค่าของอินสแตนซ์ของวัตถุ กฎต่างๆ ทำงานโดยการสอบถามและยืนยันค่าของวัตถุ

กลไกการอนุมานเป็นระบบการให้เหตุผลอัตโนมัติที่ประเมินสถานะปัจจุบันของฐานความรู้ ใช้กฎที่เกี่ยวข้อง จากนั้นจึงยืนยันความรู้ใหม่ลงในฐานความรู้ กลไกการอนุมานอาจรวมถึงความสามารถในการอธิบายด้วย เพื่อให้สามารถอธิบายให้ผู้ใช้เข้าใจลำดับการให้เหตุผลที่ใช้เพื่อให้ได้ข้อสรุปเฉพาะเจาะจงโดยการย้อนรอยการทำงานของกฎที่ส่งผลให้เกิดการยืนยัน^{[ 49 ]}

โดยหลักแล้วกลไกการอนุมานมีโหมดการทำงานสองโหมด ได้แก่ การอนุมานไปข้างหน้า ( forward chaining ) และการอนุมานย้อนกลับ (backward chaining ) วิธีการที่แตกต่างกันนี้ขึ้นอยู่กับว่ากลไกการอนุมานนั้นถูกขับเคลื่อนด้วยส่วนนำ (ด้านซ้ายมือ) หรือส่วนตาม (ด้านขวามือ) ของกฎ ในการอนุมานไปข้างหน้า ส่วนนำจะทำงานและยืนยันส่วนตาม ตัวอย่างเช่น พิจารณากฎต่อไปนี้:

$${\displaystyle R1:{\mathit {Man}}(x)\implies {\mathit {Mortal}}(x)}$$

ตัวอย่างง่ายๆ ของการเชื่อมโยงไปข้างหน้า (forward chaining) คือ การยืนยัน Man(Socrates) ไปยังระบบ แล้วจึงกระตุ้นกลไกการอนุมาน ซึ่งจะตรงกับ R1 และยืนยัน Mortal(Socrates) ลงในฐานความรู้

การอนุมานย้อนกลับนั้นค่อนข้างซับซ้อนกว่าเล็กน้อย ในการอนุมานย้อนกลับ ระบบจะพิจารณาข้อสรุปที่เป็นไปได้และทำงานย้อนกลับไปเพื่อดูว่าข้อสรุปเหล่านั้นอาจเป็นจริงหรือไม่ ดังนั้น หากระบบพยายามตรวจสอบว่า Mortal(Socrates) เป็นจริงหรือไม่ ระบบจะค้นหา R1 และสอบถามฐานความรู้เพื่อดูว่า Man(Socrates) เป็นจริงหรือไม่ หนึ่งในนวัตกรรมแรกๆ ของระบบผู้เชี่ยวชาญคือการบูรณาการกลไกการอนุมานเข้ากับส่วนติดต่อผู้ใช้ ซึ่งอาจมีประสิทธิภาพอย่างยิ่งกับการอนุมานย้อนกลับ หากระบบต้องการทราบข้อเท็จจริงเฉพาะ แต่ไม่ทราบ ระบบก็สามารถสร้างหน้าจอป้อนข้อมูลและถามผู้ใช้ว่าทราบข้อมูลนั้นหรือไม่ ดังนั้นในตัวอย่างนี้ ระบบสามารถใช้ R1 เพื่อถามผู้ใช้ว่า Socrates เป็น Man หรือไม่ จากนั้นจึงใช้ข้อมูลใหม่นั้นตามความเหมาะสม

การใช้กฎเพื่อแสดงความรู้อย่างชัดเจนยังช่วยให้สามารถอธิบายได้ ในตัวอย่างง่ายๆ ข้างต้น หากระบบใช้ R1 เพื่อยืนยันว่าโสกราตีสเป็นมนุษย์ และผู้ใช้ต้องการเข้าใจว่าทำไมโสกราตีสจึงเป็นมนุษย์ พวกเขาสามารถสอบถามระบบได้ และระบบจะย้อนกลับไปดูกฎที่ทำงานเพื่อยืนยันข้อความนั้น และนำเสนอกฎเหล่านั้นแก่ผู้ใช้เป็นคำอธิบาย ในภาษาอังกฤษ หากผู้ใช้ถามว่า "ทำไมโสกราตีสจึงเป็นมนุษย์?" ระบบจะตอบว่า "เพราะมนุษย์ทุกคนเป็นมนุษย์ และโสกราตีสก็เป็นมนุษย์" พื้นที่สำคัญสำหรับการวิจัยคือการสร้างคำอธิบายจากฐานความรู้ในภาษาอังกฤษที่เป็นธรรมชาติ แทนที่จะแสดงกฎที่เป็นทางการมากขึ้นแต่เข้าใจยากกว่า^{[ 50 ]}

เมื่อระบบผู้เชี่ยวชาญพัฒนาขึ้น เทคนิคใหม่ๆ จำนวนมากได้ถูกรวมเข้าไว้ในเครื่องมืออนุมานประเภทต่างๆ^{[ 51 ]}บางส่วนที่สำคัญที่สุดได้แก่:

• การรักษาความถูกต้องของข้อเท็จจริง ระบบเหล่านี้จะบันทึกความสัมพันธ์ต่างๆ ไว้ในฐานความรู้ เพื่อที่ว่าเมื่อข้อเท็จจริงเปลี่ยนแปลงไป ความรู้ที่เกี่ยวข้องก็จะสามารถเปลี่ยนแปลงตามไปด้วยได้ ตัวอย่างเช่น หากระบบทราบว่าปัจจุบันไม่มีใครรู้จักโสกราตีสว่าเป็นผู้ชายอีกต่อไป ระบบก็จะยกเลิกข้อความที่ว่าโสกราตีสเป็นมนุษย์ที่ต้องตาย
• การให้เหตุผลเชิงสมมติฐาน ในการนี้ ฐานความรู้สามารถแบ่งออกเป็นมุมมองที่เป็นไปได้มากมาย หรือเรียกอีกอย่างว่าโลกต่างๆ ซึ่งช่วยให้กลไกการอนุมานสามารถสำรวจความเป็นไปได้หลายๆ อย่างไปพร้อมๆ กันได้ ตัวอย่างเช่น ระบบอาจต้องการสำรวจผลที่ตามมาของข้อความยืนยันทั้งสองข้อ อะไรจะเป็นจริงถ้าโสกราตีสเป็นมนุษย์ และอะไรจะเป็นจริงถ้าเขาไม่ใช่มนุษย์?
• ระบบความไม่แน่นอน หนึ่งในส่วนขยายแรกๆ ของการใช้กฎเกณฑ์เพื่อแสดงความรู้คือการเชื่อมโยงความน่าจะเป็นเข้ากับแต่ละกฎ เช่น ไม่ใช่การยืนยันว่าโสกราตีสเป็นมนุษย์ที่ต้องตาย แต่เป็นการยืนยันว่าโสกราตีสอาจเป็นมนุษย์ที่ต้องตายด้วยค่าความน่าจะเป็นบางค่า ความน่าจะเป็นแบบง่ายๆ ได้ถูกขยายเพิ่มเติมในบางระบบด้วยกลไกที่ซับซ้อนสำหรับการให้เหตุผลเกี่ยวกับความไม่แน่นอน เช่นตรรกะคลุมเครือ (fuzzy logic ) และการรวมกันของความน่าจะเป็น
• การจำแนกประเภท ออนโทโลยีด้วยการเพิ่มคลาสของวัตถุลงในฐานความรู้ ทำให้สามารถใช้เหตุผลรูปแบบใหม่ได้ นอกจากการใช้เหตุผลเกี่ยวกับค่าของวัตถุแล้ว ระบบยังสามารถใช้เหตุผลเกี่ยวกับโครงสร้างของวัตถุได้อีกด้วย ในตัวอย่างง่ายๆ นี้ Man สามารถแทนคลาสของวัตถุได้ และ R1 สามารถกำหนดใหม่เป็นกฎที่กำหนดคลาสของมนุษย์ทุกคนได้ เครื่องมืออนุมานเฉพาะทางประเภทนี้เรียกว่าตัวจำแนกประเภทแม้ว่าจะไม่ได้ใช้มากนักในระบบผู้เชี่ยวชาญ แต่ตัวจำแนกประเภทมีประสิทธิภาพมากสำหรับโดเมนที่ไม่เป็นโครงสร้างและเปลี่ยนแปลงได้ง่าย และเป็นเทคโนโลยีสำคัญสำหรับอินเทอร์เน็ตและเว็บเชิงความหมายที่กำลัง เกิดขึ้น ^{[ 52 ] [ 53 ]}

เป้าหมายของระบบฐานความรู้คือการทำให้ข้อมูลสำคัญที่จำเป็นสำหรับระบบทำงานนั้นชัดเจนแทนที่จะเป็นโดยนัย^{[ 54 ]}ในโปรแกรมคอมพิวเตอร์แบบดั้งเดิม ตรรกะจะถูกฝังอยู่ในโค้ดซึ่งโดยทั่วไปแล้วจะมีเพียงผู้เชี่ยวชาญด้านไอทีเท่านั้นที่สามารถตรวจสอบได้ ด้วยระบบผู้เชี่ยวชาญ เป้าหมายคือการระบุกฎในรูปแบบที่ใช้งานง่าย เข้าใจง่าย ตรวจสอบได้ และแม้กระทั่งแก้ไขได้โดยผู้เชี่ยวชาญในสาขาต่างๆ แทนที่จะเป็นผู้เชี่ยวชาญด้านไอที ประโยชน์ของการแสดงความรู้ ที่ชัดเจนนี้ คือการพัฒนาที่รวดเร็วและการบำรุงรักษาที่ง่าย

ความง่ายในการบำรุงรักษาเป็นประโยชน์ที่เห็นได้ชัดที่สุด ซึ่งทำได้สองวิธี ประการแรก การกำจัดความจำเป็นในการเขียนโค้ดแบบเดิม ทำให้สามารถหลีกเลี่ยงปัญหาต่างๆ ที่อาจเกิดขึ้นจากการเปลี่ยนแปลงเล็กน้อยในระบบได้ด้วยระบบผู้เชี่ยวชาญ โดยพื้นฐานแล้ว ลำดับการทำงานของโปรแกรม (อย่างน้อยในระดับสูงสุด) เป็นสิ่งที่ระบบกำหนดไว้แล้ว เพียงแค่เรียกใช้กลไกการอนุมาน นี่เป็นเหตุผลสำหรับประโยชน์ประการที่สองด้วยเช่นกัน นั่นคือการสร้างต้นแบบอย่างรวดเร็วด้วยโครงสร้างพื้นฐานของระบบผู้เชี่ยวชาญ ทำให้สามารถป้อนกฎเพียงไม่กี่ข้อและพัฒนาต้นแบบได้ภายในไม่กี่วัน แทนที่จะใช้เวลาหลายเดือนหรือหลายปีอย่างที่มักเกี่ยวข้องกับโครงการไอทีที่ซับซ้อน

ข้ออ้างที่มักกล่าวกันเกี่ยวกับเชลล์ระบบผู้เชี่ยวชาญคือ เชลล์เหล่านี้ช่วยลดความจำเป็นในการใช้โปรแกรมเมอร์ที่ได้รับการฝึกฝน และผู้เชี่ยวชาญสามารถพัฒนาระบบได้ด้วยตนเอง ในความเป็นจริงแล้ว สิ่งนี้แทบจะไม่เป็นความจริงเลย แม้ว่ากฎของระบบผู้เชี่ยวชาญจะเข้าใจได้ง่ายกว่ารหัสคอมพิวเตอร์ทั่วไป แต่ก็ยังมีไวยากรณ์ที่เป็นทางการ ซึ่งการวางเครื่องหมายจุลภาคหรืออักขระอื่นผิดที่อาจทำให้เกิดความยุ่งเหยิงได้เช่นเดียวกับภาษาคอมพิวเตอร์อื่นๆ นอกจากนี้ เมื่อระบบผู้เชี่ยวชาญเปลี่ยนจากต้นแบบในห้องปฏิบัติการไปสู่การใช้งานจริงในโลกธุรกิจ ปัญหาของการบูรณาการและการบำรุงรักษาก็มีความสำคัญมากขึ้นอย่างหลีกเลี่ยงไม่ได้ ความต้องการในการบูรณาการและการใช้ประโยชน์จากฐานข้อมูลและระบบเดิมขนาดใหญ่จึงเกิดขึ้น เพื่อให้บรรลุเป้าหมายนี้ การบูรณาการจึงต้องใช้ทักษะเช่นเดียวกับระบบประเภทอื่นๆ^{[ 55 ]}

โดยสรุปประโยชน์ของการใช้ระบบผู้เชี่ยวชาญ สามารถเน้นได้ดังต่อไปนี้: ^{[ 47 ]}

1. ความพร้อมใช้งานและความน่าเชื่อถือที่เพิ่มขึ้น: สามารถเข้าถึงผู้เชี่ยวชาญได้จากฮาร์ดแวร์คอมพิวเตอร์ทุกประเภท และระบบจะตอบกลับตรงเวลาเสมอ
2. ความเชี่ยวชาญหลากหลายด้าน: สามารถใช้งานระบบผู้เชี่ยวชาญหลายระบบพร้อมกันเพื่อแก้ปัญหา และได้รับความเชี่ยวชาญในระดับที่สูงกว่าผู้เชี่ยวชาญที่เป็นมนุษย์
3. คำอธิบาย: ระบบผู้เชี่ยวชาญจะอธิบายเสมอว่าปัญหาได้รับการแก้ไขอย่างไร
4. การตอบสนองที่รวดเร็ว: ระบบผู้เชี่ยวชาญทำงานได้อย่างรวดเร็วและสามารถแก้ไขปัญหาได้แบบเรียลไทม์
5. ต้นทุนลดลง: ต้นทุนด้านความเชี่ยวชาญสำหรับผู้ใช้แต่ละรายลดลงอย่างมาก

ข้อเสียที่พบบ่อยที่สุดที่กล่าวถึงระบบผู้เชี่ยวชาญในเอกสารวิชาการคือ ปัญหา การได้มาซึ่งความรู้การขอเวลาจากผู้เชี่ยวชาญเฉพาะด้านสำหรับแอปพลิเคชันซอฟต์แวร์ใดๆ นั้นเป็นเรื่องยากเสมอ แต่สำหรับระบบผู้เชี่ยวชาญนั้นยากเป็นพิเศษ เนื่องจากผู้เชี่ยวชาญนั้นได้รับการยกย่องอย่างสูงและเป็นที่ต้องการอย่างต่อเนื่องจากองค์กร ด้วยเหตุนี้ การวิจัยจำนวนมากในช่วงหลังของระบบผู้เชี่ยวชาญจึงมุ่งเน้นไปที่เครื่องมือสำหรับการได้มาซึ่งความรู้ เพื่อช่วยทำให้กระบวนการออกแบบ การแก้ไขข้อผิดพลาด และการบำรุงรักษากฎที่กำหนดโดยผู้เชี่ยวชาญเป็นไปโดยอัตโนมัติ อย่างไรก็ตาม เมื่อพิจารณาถึงวงจรชีวิตของระบบผู้เชี่ยวชาญในการใช้งานจริง ปัญหาอื่นๆ – โดยพื้นฐานแล้วเป็นปัญหาเดียวกันกับระบบขนาดใหญ่อื่นๆ – ดูเหมือนจะมีความสำคัญไม่น้อยไปกว่าการได้มาซึ่งความรู้ ได้แก่ การบูรณาการ การเข้าถึงฐานข้อมูลขนาดใหญ่ และประสิทธิภาพ^{[ 56 ] [ 57 ]}

ประสิทธิภาพอาจเป็นปัญหาอย่างยิ่ง เนื่องจากระบบผู้เชี่ยวชาญในยุคแรกสร้างขึ้นโดยใช้เครื่องมือ (เช่น Lisp เวอร์ชันก่อนหน้า) ที่ตีความนิพจน์โค้ดโดยไม่ต้องคอมไพล์ก่อน ซึ่งทำให้สภาพแวดล้อมการพัฒนามีประสิทธิภาพสูง แต่มีข้อเสียคือแทบเป็นไปไม่ได้เลยที่จะเทียบเท่าประสิทธิภาพของภาษาคอมไพล์ที่เร็วที่สุด (เช่นC ) การบูรณาการระบบและฐานข้อมูลทำได้ยากสำหรับระบบผู้เชี่ยวชาญในยุคแรก เนื่องจากเครื่องมือส่วนใหญ่อยู่ในภาษาและแพลตฟอร์มที่ไม่คุ้นเคยหรือไม่เป็นที่ยอมรับในสภาพแวดล้อมไอทีขององค์กรส่วนใหญ่ เช่น ภาษาโปรแกรมอย่าง Lisp และ Prolog และแพลตฟอร์มฮาร์ดแวร์อย่างเครื่อง Lispและคอมพิวเตอร์ส่วนบุคคล ด้วยเหตุนี้ ความพยายามอย่างมากในขั้นตอนต่อมาของการพัฒนาเครื่องมือระบบผู้เชี่ยวชาญจึงมุ่งเน้นไปที่การบูรณาการกับสภาพแวดล้อมเดิม เช่นCOBOLและระบบฐานข้อมูลขนาดใหญ่ และการพอร์ตไปยังแพลตฟอร์มมาตรฐานมากขึ้น ปัญหาเหล่านี้ได้รับการแก้ไขส่วนใหญ่โดยการเปลี่ยนแปลงกระบวนทัศน์ไคลเอ็นต์-เซิร์ฟเวอร์ เนื่องจากพีซีได้รับการยอมรับในสภาพแวดล้อมไอทีอย่างค่อยเป็นค่อยไปในฐานะแพลตฟอร์มที่ถูกต้องสำหรับการพัฒนาระบบธุรกิจอย่างจริงจัง และ เซิร์ฟเวอร์ มินิคอมพิวเตอร์ ราคาไม่แพงก็ ให้พลังการประมวลผลที่จำเป็นสำหรับแอปพลิเคชัน AI ^{[ 55 ]}

ความท้าทายสำคัญอีกประการหนึ่งของระบบผู้เชี่ยวชาญเกิดขึ้นเมื่อขนาดของฐานความรู้เพิ่มขึ้น ซึ่งทำให้ความซับซ้อนในการประมวลผลเพิ่มขึ้น ตัวอย่างเช่น เมื่อระบบผู้เชี่ยวชาญที่มีกฎ 100 ล้านข้อถูกมองว่าเป็นระบบผู้เชี่ยวชาญขั้นสูงสุด ก็เห็นได้ชัดว่าระบบดังกล่าวจะซับซ้อนเกินไปและจะเผชิญกับปัญหาการคำนวณมากเกินไป^{[ 58 ]}เครื่องมืออนุมานจะต้องสามารถประมวลผลกฎจำนวนมหาศาลเพื่อตัดสินใจได้

การตรวจสอบว่ากฎการตัดสินใจมีความสอดคล้องกันหรือไม่ก็เป็นความท้าทายเช่นกันเมื่อมีกฎมากเกินไป โดยปกติปัญหาดังกล่าวจะนำไปสู่ การกำหนดสูตร ความพึงพอใจ (SAT) ^{[ 59 ]} นี่คือ ปัญหาความพึงพอใจแบบบูลีนที่เป็นปัญหา NP-complete ที่รู้จักกันดีหากเราสมมติว่ามีเพียงตัวแปรไบนารีเช่น n ตัว พื้นที่การค้นหาที่สอดคล้องกันจะมีขนาด 2 ดังนั้น พื้นที่การค้นหาสามารถเติบโตแบบเลขชี้กำลังได้ ${\displaystyle ^{n}}$

นอกจากนี้ยังมีคำถามเกี่ยวกับวิธีการจัดลำดับความสำคัญในการใช้กฎเพื่อให้ดำเนินการได้อย่างมีประสิทธิภาพมากขึ้น หรือวิธีการแก้ไขความกำกวม (เช่น หากมีโครงสร้างย่อย else-if มากเกินไปภายในกฎข้อเดียว) และอื่นๆ^{[ 60 ]}

ปัญหาอื่นๆ เกี่ยวข้องกับ ผลกระทบของ การปรับให้เหมาะสมมากเกินไปและการสรุปทั่วไปมากเกินไปเมื่อใช้ข้อเท็จจริงที่ทราบและพยายามสรุปทั่วไปไปยังกรณีอื่นๆ ที่ไม่ได้อธิบายไว้อย่างชัดเจนในฐานความรู้ ปัญหาดังกล่าวมีอยู่ในวิธีการที่ใช้แนวทางการเรียนรู้ของเครื่องเช่นกัน^{[ 61 ] [ 62 ]}

ปัญหาอีกประการหนึ่งที่เกี่ยวข้องกับฐานความรู้คือวิธีการอัปเดตความรู้ให้รวดเร็วและมีประสิทธิภาพ^{[ 63 ] [ 64 ] [ 65 ]}นอกจากนี้ การเพิ่มความรู้ใหม่ (เช่น จะเพิ่มที่ใดท่ามกลางกฎจำนวนมาก) ก็เป็นเรื่องท้าทายเช่นกัน แนวทางสมัยใหม่ที่อาศัยวิธีการเรียนรู้ของเครื่องนั้นง่ายกว่าในเรื่องนี้

เนื่องจากความท้าทายข้างต้น จึงเห็นได้ชัดว่าจำเป็นต้องมีแนวทางใหม่สำหรับ AI แทนที่จะใช้เทคโนโลยีตามกฎเกณฑ์ แนวทางใหม่เหล่านี้มีพื้นฐานมาจากการใช้เทคนิคการเรียนรู้ของเครื่อง พร้อมกับการใช้กลไกการตอบรับ^{[ 10 ]}

ความท้าทายหลักที่ระบบผู้เชี่ยวชาญทางการแพทย์ (หากพิจารณาระบบวินิจฉัยด้วยคอมพิวเตอร์ว่าเป็นระบบผู้เชี่ยวชาญสมัยใหม่) และอาจรวมถึงโดเมนการใช้งานอื่นๆ มีปัญหาที่เกี่ยวข้องกับแง่มุมต่างๆ เช่น ข้อมูลขนาดใหญ่ กฎระเบียบที่มีอยู่ การปฏิบัติทางการแพทย์ ปัญหาอัลกอริธึมต่างๆ และการประเมินระบบ^{[ 66 ]}

สุดท้ายนี้ ข้อเสียของการใช้ระบบผู้เชี่ยวชาญสามารถสรุปได้ดังนี้: ^{[ 47 ]}

1. ระบบผู้เชี่ยวชาญมีความรู้เพียงผิวเผิน และงานง่ายๆ ก็อาจต้องใช้ทรัพยากรในการคำนวณสูงมาก
2. ระบบผู้เชี่ยวชาญจำเป็นต้องใช้ผู้เชี่ยวชาญด้านวิศวกรรมความรู้ในการป้อนข้อมูล เนื่องจากกระบวนการรวบรวมข้อมูลนั้นยากมาก
3. ระบบผู้เชี่ยวชาญอาจเลือกวิธีการที่ไม่เหมาะสมที่สุดในการแก้ปัญหาเฉพาะเรื่อง
4. ประเด็นด้านจริยธรรมในการใช้ปัญญาประดิษฐ์ทุกรูปแบบมีความสำคัญอย่างยิ่งในปัจจุบัน
5. มันเป็นโลกปิดที่มีเพียงความรู้เฉพาะกลุ่ม ซึ่งจะไม่มีการรับรู้เชิงลึกเกี่ยวกับแนวคิดและความสัมพันธ์ระหว่างกัน จนกว่าผู้เชี่ยวชาญจะให้ความรู้เหล่านั้น

เฮย์ส-รอธแบ่งแอปพลิเคชันระบบผู้เชี่ยวชาญออกเป็น 10 ประเภท ดังแสดงในตารางต่อไปนี้ แอปพลิเคชันตัวอย่างไม่ได้อยู่ในตารางเฮย์ส-รอธดั้งเดิม และบางส่วนเกิดขึ้นหลังจากนั้นนานมาก แอปพลิเคชันใดๆ ที่ไม่มีเชิงอรรถจะได้รับการอธิบายในหนังสือของเฮย์ส-รอธ^{[ 49 ]}นอกจากนี้ แม้ว่าหมวดหมู่เหล่านี้จะให้กรอบการทำงานที่ใช้งานง่ายเพื่ออธิบายขอบเขตของแอปพลิเคชันระบบผู้เชี่ยวชาญ แต่ก็ไม่ใช่หมวดหมู่ที่ตายตัว และในบางกรณี แอปพลิเคชันอาจแสดงคุณลักษณะของมากกว่าหนึ่งหมวดหมู่

Hearsay เป็นความพยายามในช่วงแรกๆ ในการแก้ปัญหาการจดจำเสียงโดยใช้แนวทางระบบผู้เชี่ยวชาญ โดยส่วนใหญ่แล้ว ระบบผู้เชี่ยวชาญประเภทนี้ไม่ประสบความสำเร็จมากนัก Hearsay และระบบการตีความทั้งหมดโดยพื้นฐานแล้วเป็นระบบการจดจำรูปแบบ—ที่มองหารูปแบบในข้อมูลที่มีสัญญาณรบกวน ในกรณีของ Hearsay คือการจดจำหน่วยเสียงในกระแสเสียง ตัวอย่างอื่นๆ ในช่วงแรกๆ ได้แก่ การวิเคราะห์ข้อมูลโซนาร์เพื่อตรวจจับเรือดำน้ำรัสเซีย ระบบประเภทนี้พิสูจน์แล้วว่าเหมาะสมกับ โซลูชัน AI เครือข่ายประสาทเทียมมากกว่าวิธีการที่ใช้กฎเกณฑ์

CADUCEUS และMYCINเป็นระบบวินิจฉัยทางการแพทย์ ผู้ใช้จะอธิบายอาการของตนเองให้คอมพิวเตอร์ฟังเหมือนที่อธิบายให้แพทย์ฟัง และคอมพิวเตอร์จะให้การวินิจฉัยทางการแพทย์กลับมา

Dendral เป็นเครื่องมือที่ใช้ในการศึกษาการสร้างสมมติฐานในการระบุโมเลกุลอินทรีย์ ปัญหาทั่วไปที่มันแก้ไข—การออกแบบวิธีการแก้ปัญหาภายใต้ข้อจำกัดต่างๆ—เป็นหนึ่งในสาขาที่ประสบความสำเร็จมากที่สุดสำหรับระบบผู้เชี่ยวชาญยุคแรกๆ ที่นำไปประยุกต์ใช้ในด้านธุรกิจ เช่น พนักงานขายที่ทำการตั้งค่า คอมพิวเตอร์ VAX ของ Digital Equipment Corporation (DEC) และการพัฒนาแอปพลิเคชันสินเชื่อจำนอง

SMH.PAL เป็นระบบผู้เชี่ยวชาญสำหรับการประเมินนักเรียนที่มีความพิการหลายประเภท^{[ 77 ]}

GARVAN-ES1 เป็นระบบผู้เชี่ยวชาญทางการแพทย์ที่พัฒนาขึ้นที่สถาบันวิจัยการแพทย์ Garvanซึ่งให้ความเห็นการวินิจฉัยทางคลินิกอัตโนมัติเกี่ยวกับรายงานต่อมไร้ท่อจากห้องปฏิบัติการพยาธิวิทยา เป็นหนึ่งในระบบผู้เชี่ยวชาญทางการแพทย์ระบบแรกๆ ที่นำไปใช้ในทางคลินิกเป็นประจำในระดับสากล^{[ 72 ]}และเป็นระบบผู้เชี่ยวชาญระบบแรกที่ใช้สำหรับการวินิจฉัยทุกวันในออสเตรเลีย^{[ 83 ]}ระบบนี้เขียนด้วยภาษา "C" และทำงานบน PDP-11 ในหน่วยความจำ 64K มีกฎ 661 ข้อที่ถูกคอมไพล์ ไม่ใช่ถูกตีความ

Mistral ^{[ 68 ]}เป็นระบบผู้เชี่ยวชาญสำหรับตรวจสอบความปลอดภัยของเขื่อน ซึ่งพัฒนาขึ้นในช่วงทศวรรษ 1990 โดย Ismes ในประเทศอิตาลี ระบบนี้ได้รับข้อมูลจากระบบตรวจสอบอัตโนมัติและทำการวินิจฉัยสถานะของเขื่อน ระบบนี้ได้รับการติดตั้งครั้งแรกในปี 1992 ที่ เขื่อน Ridracoliในประเทศอิตาลี และได้รับการติดตั้งในเขื่อนอื่นๆ อีกหลายแห่งในประเทศอิตาลีและต่างประเทศ (เช่นเขื่อน Itaipuในประเทศบราซิล) และในพื้นที่ดินถล่มภายใต้ชื่อ Eydenet ^{[ 69 ]}และในอนุสรณ์สถานภายใต้ชื่อ Kaleidos ^{[ 70 ]} Mistral เป็นเครื่องหมายการค้าจดทะเบียนของ CESI

• AI ฤดูหนาว
• คลิป
• การเขียนโปรแกรมตรรกะแบบมีข้อจำกัด
• ความพึงพอใจตามข้อจำกัด
• วิศวกรรมความรู้
• ระบบจำแนกประเภทการเรียนรู้
• การเรียนรู้ของเครื่องจักรแบบใช้กฎเกณฑ์

• บทเรียนระบบผู้เชี่ยวชาญบน Code Project