Systemy ekspertowe: DENDRAL, MYCIN, XCON

🎯 Po co Ci to?

Wyobraź sobie chemika, który poświęcił dwadzieścia lat kariery na naukę rozpoznawania struktury cząsteczek na podstawie danych ze spektrometru masowego. Teraz wyobraź sobie, że jego wiedzę da się „zapisać" w komputerze w postaci setek reguł — i że program zacznie stawiać diagnozy równie trafnie jak on, dostępny natychmiast, bez zmęczenia i bez urlopu. To właśnie obiecywały systemy ekspertowe — pierwsza komercyjnie użyteczna forma sztucznej inteligencji.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

wyjaśnić, z jakich dwóch podstawowych elementów składa się system ekspertowy;
opisać, do czego służyły DENDRAL, MYCIN i XCON, i w jakich dziedzinach działały;
wskazać, dlaczego systemy ekspertowe uznawano za pierwszy praktyczny sukces komercyjny sztucznej inteligencji.

🔁 Przypomnij sobie

W dziale 6 poznałeś Physical Symbol System Hypothesis — przekonanie, że manipulacja symbolami wystarcza do inteligentnego zachowania. Systemy ekspertowe to bezpośrednia, praktyczna realizacja tej idei: symbolami są tu fakty i reguły z konkretnej dziedziny wiedzy (chemii, medycyny, inżynierii), a „inteligentnym zachowaniem" — trafna diagnoza lub decyzja.

📘 Wyjaśnienie

Gdzie szukać inteligencji, jeśli nie w sprycie samego rozumowania? Pod koniec lat 60. część badaczy — z Edwardem Feigenbaumem ze Stanfordu na czele — doszła do wniosku, który brzmiał wtedy jak herezja: uniwersalne metody wnioskowania (takie jak GPS z Działu 6) są słabe właśnie dlatego, że są uniwersalne. Prawdziwą siłą eksperta nie jest sprawniejsza logika, lecz góra konkretnej, wyspecjalizowanej WIEDZY. Feigenbaum ujął to w haśle, które stało się sztandarem całej epoki: „w wiedzy tkwi siła” (in the knowledge lies the power). Tak narodził się nurt systemów ekspertowych.

System ekspertowy to program komputerowy naśladujący proces podejmowania decyzji przez człowieka-eksperta w wąskiej, dobrze określonej dziedzinie. Składa się z dwóch zasadniczych części:

Baza wiedzy — zbiór faktów i reguł dotyczących danej dziedziny, najczęściej w formie zdań warunkowych „jeśli… to…" (np. „jeśli pacjent ma gorączkę i sztywność karku, to rozważ zapalenie opon mózgowych"). Reguły te są ręcznie „wydobywane" z głów prawdziwych ekspertów przez inżynierów wiedzy — długi, żmudny proces wywiadów i obserwacji.

Mechanizm wnioskowania — silnik, który analizuje dane wejściowe (np. objawy konkretnego pacjenta) i, przechodząc przez bazę wiedzy krok po kroku, wyprowadza wnioski lub rekomendacje, dokładnie tak jak zrobiłby to człowiek-ekspert, stosując znane sobie reguły.

💭 Pomyśl: Wyobraź sobie, że masz zapisać w formie reguł „jeśli–to" wiedzę doświadczonego mechanika samochodowego o diagnozowaniu usterek silnika. Jaki jeden problem od razu dostrzegasz w tym pomyśle — coś, co utrudni przełożenie wiedzy praktycznej na proste reguły?

Sprawdź odpowiedź

Doświadczony mechanik często nie potrafi wyartykułować swojej wiedzy w formie jawnych reguł — wiele jego decyzji opiera się na intuicji zbudowanej z tysięcy przypadków, na „wyczuciu", które trudno przełożyć na zdanie „jeśli X, to Y". To realny problem inżynierii wiedzy, zwany czasem „wąskim gardłem pozyskiwania wiedzy" (knowledge acquisition bottleneck) — eksperci wiedzą więcej, niż potrafią powiedzieć, a spisanie tej wiedzy w regułach jest procesem powolnym, kosztownym i nigdy do końca nie kompletnym. Ten sam problem wróci w jednostce 7.6, gdy zobaczysz, dlaczego systemy ekspertowe przegrały komercyjnie.

Trzy klasyczne przykłady pokazują, jak szeroko można było zastosować tę ideę:

DENDRAL (1968) — pierwszy poważny system ekspertowy, którego pomysłodawcą był genetyk i laureat Nagrody Nobla Joshua Lederberg, a głównymi twórcami specjaliści od AI Bruce Buchanan i Edward Feigenbaum. DENDRAL analizował dane ze spektrometrii masowej i identyfikował na ich podstawie strukturę molekularną związków organicznych — zadanie wcześniej wymagające lat doświadczenia chemika.

MYCIN (1975) — system wspomagający diagnozowanie i leczenie infekcji bakteryjnych. Na podstawie objawów pacjenta i wyników badań MYCIN proponował diagnozę oraz odpowiedni antybiotyk, wraz z uzasadnieniem swojej rekomendacji (mógł „wyjaśnić", którą regułę zastosował i dlaczego) — co było ważną cechą budującą zaufanie lekarzy.

MYCIN w ślepych testach dorównywał specjalistom ze Stanforda, a bywało, że ich przewyższał — a mimo to nigdy nie trafił do szpitalnej praktyki. Powody były prozaiczne: komputery stały wówczas daleko od łóżek pacjentów, wprowadzenie danych jednego chorego zajmowało pół godziny, a na pytanie, kto odpowie, gdy maszyna się pomyli, nikt nie umiał odpowiedzieć. Zapamiętaj ten wzór — „działa w laboratorium" to nie to samo co „działa w świecie" — bo wróci przy dzisiejszych systemach medycznych w Dziale 12.

XCON (znany też jako R1, 1978) — system stworzony przez Johna McDermotta do automatycznego konfigurowania systemów komputerowych VAX-11/780 firmy Digital Equipment Corporation (DEC) na podstawie zamówień klientów. To był pierwszy system ekspertowy wdrożony na masową skalę komercyjną — realnie oszczędzał firmie miliony dolarów, eliminując błędy popełniane wcześniej przez ludzkich konfiguratorów.

📐 DEFINICJA — system ekspertowy: program komputerowy naśladujący proces podejmowania decyzji przez człowieka-eksperta w wąskiej dziedzinie, składający się z bazy wiedzy (fakty i reguły) oraz mechanizmu wnioskowania (silnik wyprowadzający wnioski na podstawie bazy wiedzy i danych wejściowych).

Po ludzku: to komputerowa wersja konsultacji ze specjalistą — tyle że „specjalistą" jest zestaw reguł spisanych wcześniej przez inżyniera wiedzy na podstawie rozmów z prawdziwym ekspertem. Czym to NIE jest: system ekspertowy nie „rozumie" dziedziny w ludzkim sensie i nie potrafi wyjść poza reguły, które ktoś w nim zapisał — nie odkryje nowej wiedzy chemicznej ani medycznej, jedynie zastosuje tę, którą już posiada w bazie.

⚠️ Uwaga, pułapka

Łatwo pomyśleć, że skoro MYCIN „diagnozował" infekcje równie trafnie jak lekarze (badania z epoki rzeczywiście to potwierdzały w wąskim zakresie testowanym), to system ten „rozumiał" medycynę. To błąd — MYCIN dopasowywał objawy pacjenta do gotowych reguł, nie posiadając żadnego modelu tego, czym jest choroba, ból czy organizm ludzki. Gdyby pojawił się przypadek nietypowy, wykraczający poza zakres wcześniej zapisanych reguł, system nie potrafiłby wykazać się kreatywnością ani intuicją lekarza — po prostu nie znalazłby pasującej reguły. To ograniczenie — brak zdolności do generalizowania poza wąsko zdefiniowaną dziedzinę — będzie kluczowym powodem upadku systemów ekspertowych w dziale 7.

📌 Najważniejsze w pigułce

System ekspertowy = baza wiedzy (fakty i reguły) + mechanizm wnioskowania.
DENDRAL (1968) identyfikował strukturę molekularną związków organicznych na podstawie danych spektrometrii masowej.
MYCIN (1975) diagnozował infekcje bakteryjne i proponował leczenie, potrafiąc uzasadnić swoją rekomendację.
XCON/R1 (1978) automatycznie konfigurował systemy komputerowe VAX firmy DEC — pierwszy komercyjny sukces AI na masową skalę.
Pułapka: dopasowywanie reguł nie jest tym samym, co rozumienie dziedziny — system ekspertowy nie generalizuje poza to, co ktoś w nim zapisał.

🎒 Zadania

Zadanie 7.1.1. Zaprojektuj (na papierze) trzy proste reguły „jeśli–to" dla systemu ekspertowego doradzającego, jaki napój przygotować, na podstawie pogody i pory dnia. Następnie wskaż jeden przypadek graniczny, w którym Twoje reguły nie dadzą jednoznacznej odpowiedzi.

Sprawdź odpowiedź

Przykładowe reguły: (1) „Jeśli jest rano i temperatura poniżej 15°C, to zaproponuj gorącą herbatę." (2) „Jeśli jest popołudnie i temperatura powyżej 25°C, to zaproponuj zimną lemoniadę." (3) „Jeśli jest wieczór, to zaproponuj rumianek." Przypadek graniczny: co jeśli jest rano, temperatura wynosi 28°C, a na dworze pada deszcz? Żadna z trzech reguł nie pasuje jednoznacznie (reguła 1 wymaga niskiej temperatury, reguła 2 wymaga popołudnia). System ekspertowy albo nie da żadnej odpowiedzi, albo (jeśli zaprogramowano priorytety reguł) wybierze arbitralnie jedną z nich — ale nie „wymyśli" nowej, trafniejszej rekomendacji tak, jak zrobiłby to człowiek, który zauważyłby np. że deszcz obniża odczuwalną potrzebę chłodzenia mimo wysokiej temperatury. To dokładnie ograniczenie, o którym mówi sekcja „Uwaga, pułapka".

Zadanie 7.1.2. XCON był ogromnym sukcesem technicznym (oszczędzał firmie miliony dolarów), ale — jak dowiesz się w jednostce 7.6 — jego koszty utrzymania z czasem rosły wykładniczo, aż firma przestała go rozwijać. Zanim przeczytasz tamtą jednostkę, spróbuj przewidzieć: dlaczego utrzymanie systemu opartego na regułach mogłoby stawać się coraz droższe w miarę upływu czasu?

Sprawdź odpowiedź

W miarę jak firma wypuszczała nowe modele komputerów i komponentów, trzeba było ręcznie dopisywać (lub modyfikować) reguły opisujące zasady ich konfiguracji — a nowe reguły mogły wchodzić w konflikt ze starymi, wymagając kolejnych poprawek gdzie indziej w systemie. Im więcej reguł, tym trudniej przewidzieć wszystkie interakcje między nimi, a każda zmiana wymagała pracy inżynierów wiedzy, którzy rozumieli zarówno domenę (konfiguracje komputerowe), jak i samą strukturę systemu. To zjawisko przypomina rosnący koszt utrzymania bardzo dużego, ręcznie pisanego kodu bez automatycznych testów — z czasem koszt każdej kolejnej zmiany rośnie szybciej niż liniowo.

🔍 Sprawdź, czy umiesz

[ ] Wymienić dwa podstawowe elementy systemu ekspertowego i wyjaśnić rolę każdego z nich.
[ ] Opisać zastosowanie DENDRAL, MYCIN i XCON — każdy w jednym zdaniu.
[ ] Wyjaśnić, dlaczego XCON uznaje się za pierwszy komercyjny sukces AI na masową skalę.
[ ] Wskazać ograniczenie systemów ekspertowych związane z brakiem generalizacji poza zapisane reguły.

Ucz się tej jednostki z asystentem