Cosa sono i Sistemi Esperti?

I sistemi esperti sono applicazione che appartengono alla categoria dell ‘intelligenza artificiale e possono essere definiti come programmi software che riproducono le prestazioni di una o più persone esperte in un determinato dominio di attività.

Ogni sistema esperto è esperto in un particolare campo del sapere detto dominio della conoscenza. Ad esempio gli expert system ( ES ) molto diffusi sono i programmi diagnostici in medicina.

Un sistema esperto è in grado di mettere in atto autonomamente procedure di inferenza (di logica): con un processo induttivo o deduttivo si giunge ad una conclusione a seguito dell’analisi di una serie di fatti o circostanze adeguate alla risoluzione di problemi particolarmente complessi. Problemi che se risolti da un essere umano richiederebbero l’intervento di un esperto con competenze specifiche sulla materia o la disciplina da cui è sorto il problema.

Un sistema esperto è infatti un programma informatico che, dopo essere stato adeguatamente istruito, è capace di dedurre informazioni (output) da un insieme di dati e da informazioni di partenza (input).

Usando parole più semplici, un sistema esperto aiuta le persone a trovare la soluzione ottimale ad un problema specifico senza dover far intervenire una persona esperta sul tema oggetto del problema. Una procedura che il sistema esperto può compiere anche con dati incompleti, lavorando su dati qualitativi anziché quantitativi, sfruttando la cosiddetta fuzzy logic, ossia ragionamenti “approssimativi” che portano a risultati altamente probabili.

Come funziona un sistema esperto.

I sistemi esperti sono composti dalle seguenti parti fondamentali.

• La base di conoscenza

E’ il database in cui sono memorizzate le regole di produzione, ossia le regole deduttive che consentono al sistema di seguire un ragionamento logico su una particolare branca del sapere.

E’ spesso indicata con il termine inglese Knowledge Base ( KB ).

• Il motore inferenziale

E’ la componente del software che elabora la conoscenza contenuta nella knowledge base, interpreta l’esigenza dell’utente e fornisce una soluzione al problema. Il ragionamento si basa sulla deduzione, le euristiche e la logica fuzzy.

• L’interfaccia utente

E’ l’elemento intermedio tra l’utente e il motore inferenziale. Può trattarsi di una semplice interfaccia input/output in cui l’utente digita la domanda con la tastiera e visualizza le risposte sullo schermo, oppure un sistema più avanzato basato sul riconoscimento vocale e l’interpretazione del linguaggio naturale.

Logica fuzzy.

La logica fuzzy mette in discussione e modifica il concetto di logica binaria o più comunemente logica, secondo il quale i predicati possono assumere solamente due stati vero e falso. Questa logica è alle basi del funzionamento dei calcolatori ma chiunque può valutare quanto possa essere imprecisa e non aderente alla realtà che vanta molteplici sfaccettature non considerate o meglio approssimate con questa lettura. Nel mondo reale tutto è questione di misura, non esiste solo il bianco o il nero, ci sono anche le sfumature. La scienza invece tratta questi chiaroscuri come se fossero bianchi o neri. La dottrina fuzzy ha in certa misura origini filosofiche e forse è per questo motivo che è maggiormente sviluppata ed utilizzata in giappone che nel mondo occidentale.

Per mettere in crisi la logica classica basti pensare ad alcuni banali esempi. Prendiamo una mela. L’oggetto che teniamo nelle nostre mani è una mela? Ora stacchiamone un boccone, mastichiamolo ed inghiottiamolo. L’oggetto che abbiamo in mano è ancora una mela? O no? Diamo ancora un altro morso e così via fino a finirla. La mela esiste ancora o è mutata in qualcos’altro o non esiste più? Dove resta il confine tra mela e non mela? Quando in mano teniamo metà mela stringiamo una mela o una non-mela? La mezza mela mette in crisi le descrizioni in termini di tutto o niente. Questa è una mela fuzzy.

Tutto intorno a noi è in mutamento, le cose cambiano la loro identità. L’universo si sviluppa come un fiume che scorre. Possiamo identificare ogni cosa con un’etichetta il più precisa possibile, malgrado i nostri sforzi queste diverranno imprecise mentre le cose cambiano. “Candela” indica una candela anche dopo che questa si è sciolta completamente o meglio dopo che ha subito un mutamento conseguente alla combustione.

La precisione sfoggiata dalla scienza non è altro che un approssimazione di quei contorni sfumati delle cose che altrimenti non sarebbero spiegabili con i predicati della logica classica. Il paradosso è che la scienza ha contribuito a creare un mondo meno preciso approssimando o trascurando “per semplicità” alcuni concetti.
Questa convinzione che le cose possano essere solo “zero” o “uno” muove fin dall’antichità. Si pensi alla logica binaria di Aristotele che si riduce ad asserire A o Non-A. Heisenberg dimostrò ai fisici come non tutti gli enunciati della fisica siano necessariamente veri o falsi. Bertrand Russell scopri il paradosso del mentitore di creta: Un cretese afferma che tutti i cretesi mentono, egli mente? Persino Einstein aveva tratto le sue considerazioni sul chiaroscuro della logica fuzzy: “Nella misura in cui le leggi della matematica si riferiscono alla realtà non sono certe. E nella misura in cui sono certe, non si riferiscono alla realtà”.

Bart Kosko chiamò tutto questo “il problema della non-corrispondenza: il problema è in chiaroscuro ma la scienza non contempla che il bianco o il nero assoluti.” Parliamo sempre in termini di zero o uno ma la verità sta nella via di mezzo.
La scienza descrive il mondo attraverso degli enunciati che non sono interamente veri o interamenti falsi, non sono bivalenti ma polivalenti, la loro verità totale sta nella via di mezzo, nei grigi chiaroscuri fuzzy. Tutte le convinzioni scientifiche possono essere fatte crollare da una nuova esperienza. L’affermazione un filo d’erba è verde è messa in crisi dal filo d’erba che diventa marrone.
Le leggi della scienza non sono leggi o meglio, non lo sono nell’accezione di leggi logiche come 2+2=4. Queste leggi fissano semplicemente le osservazioni eseguite in tempi vicini nell’angolo di universo a noi conosciuto.

Per anni si è continuato ad ignorare l’aspetto fuzzy del mondo e invece che approfondirlo si è fatto di tutto per affondarlo ed ignorarlo. Neppure Einstein offriva alternative, anzi, fermo nella sua veste di scienziato aggiunse una nuova teoria della bivalenza: il concetto di probabilità. Secondo la teoria matematica del caso ad ogni evento può essere associato un numero per rappresentare la probabilità del suo verificarsi. In generale la somma della probabilità che un evento si verifichi e quella che ciò non accada è uno.
Facciamo un esempio fuzzy della probabilità: se nascondo un pedono bianco in una mano dietro la schiena e chiedo ad un’altra persona di indovinare in che mano lo tengo, io so in che modo va l’esperimento ma gli altri devono indovinare, calcolare probabilità. Per gli altri la probabilità è reale, per me si tratta invece di certezza.
La probabilità svanisce con l’aumento dell’informazione.
Sembra quindi che la probabilità possa risolvere il problema della visione fuzzy del mondo e della visione con la logica classica. Invece non fa altro che aggravare la situazione, si occupa infatti di bianco o nero, testa o croce, si focalizza su due eventi precisi. Nonostante la sua importanza, nemmeno la probabilità è riuscita ad attenuare le discrepanze tra logica e dati di fatto.

E’ utile ricordare una frase di Kosko per riassumere la controversia tra mondo fuzzy e scienza: ” La logica fuzzy comincia dove finisce la logica occidentale”.

Le tipologie di sistemi esperti

La logica fuzzy è quella che di fatto caratterizza la terza generazione dei sistemi esperti.

Sistemi esperti di prima generazione

Utilizzavano le reti neurali, la logica booleana ( vero / falso ) e il ragionamento logico in condizioni di certezza tramite un modello deterministico ( causa→effetto ).

Nati tra la fine degli anni ’60 e l’inizio degli anni ‘70 del secolo scorso, sfruttavano la logica booleana (vero/falso) e il ragionamento logico in condizioni di certezza tramite un modello deterministico (causa-effetto). Questi sistemi mostrarono presto il loro limite più grande: il ragionamento artificiale si scontrava con la logica per cui l’esperto umano risultava di gran lunga superiore al sistema esperto artificiale.

Sistemi esperti di seconda generazione

Per superare i conflitti logici nei sistemi esperti di seconda generazione venne introdotto il modello probabilistico ( causa→probabili effetti ).

 Sono quelli che hanno introdotto il modello probabilistico superando così i limiti della logica che interruppero l’evoluzione dei sistemi esperti di prima generazione. Il modello probabilistico, a differenza di quello deterministico, ragiona su “causa-possibili effetti”. Seguendo questo modello i sistemi esperti fecero un bel passo in avanti ma dovettero però scontrarsi con il fatto che non sempre la risposta più probabile può essere quella più utile. Un problema non da poco se si devono risolvere problemi complessi. 

Ecco perché negli anni ’80 e ’90 nei processi inferenziali venne introdotta la logica sfumata e approssimata (fuzzy logic), dando così vita ai

Sistemi esperti di terza generazione.

adozione della logica sfumata e approssimata ( fuzzy logic ).

Ed è proprio da questa generazione di sistemi esperti che si è cominciato a parlare di sistemi di supporto alle decisioni (DSS). A differenza dei sistemi esperti classici, capaci di fornire risposte a domande specifiche, grazie all’introduzione e all’utilizzo delle reti bayesiane e delle reti di decisione, questi sistemi si sono evoluti non proponendo più “semplici” risposte ma informazioni utili ad un processo decisionale. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(76)