Dlaczego eksperci przegrali z PC i bazami danych

🎯 Po co Ci to?

Boom z poprzedniej jednostki nie trwał wiecznie. W ciągu zaledwie kilku lat rynek wart setki milionów dolarów niemal się załamał — nie z powodu jednego dramatycznego wydarzenia, lecz z powodu cichej, systematycznej konkurencji ze strony technologii, które wydawały się dużo mniej „inteligentne": zwykłego komputera osobistego i zwykłej relacyjnej bazy danych. Ta jednostka pokazuje, jak proste, tanie i elastyczne rozwiązania potrafią pokonać drogie i wyrafinowane technicznie systemy — lekcja aktualna nie tylko w historii AI.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

  • wyjaśnić trzy główne powody upadku rynku systemów ekspertowych pod koniec lat 80.;
  • opisać, dlaczego koszt utrzymania dużych baz reguł rósł z czasem nieproporcjonalnie szybko;
  • wyjaśnić, w jaki sposób tani sprzęt (PC) i uniwersalne bazy danych zastąpiły drogie, wyspecjalizowane rozwiązania.

🔁 Przypomnij sobie

W jednostce 7.1 poznałeś system ekspertowy XCON — jego sukces, ale też (w zadaniu 7.1.2) zasygnalizowany problem rosnących kosztów utrzymania. Ta jednostka rozwija właśnie ten wątek, dodając do niego dwa kolejne czynniki: rozwój taniego sprzętu komputerowego i pojawienie się elastycznych, uniwersalnych baz danych.

📘 Wyjaśnienie — problem kruchości i kosztu utrzymania

Systemy ekspertowe, mimo wczesnych sukcesów, cierpiały na fundamentalny problem strukturalny: były kruche (ang. brittle). Działały świetnie w wąskim zakresie sytuacji przewidzianych przez twórców, ale gwałtownie traciły skuteczność, gdy napotykały przypadek choćby nieznacznie odbiegający od wcześniej zapisanych reguł — nie potrafiły „elastycznie" dostosować się do nowości tak, jak zrobiłby to prawdziwy ekspert-człowiek.

Co gorsza, w miarę jak system rósł — dodawano kolejne setki, a potem tysiące reguł, by pokryć coraz więcej przypadków szczególnych — rosła też złożoność interakcji między regułami. Nowa reguła mogła w nieoczekiwany sposób wchodzić w konflikt ze starą, wymagając ręcznej analizy i poprawek przez wykwalifikowanych (i drogich) inżynierów wiedzy. XCON, wspomniany w jednostce 7.1, jest tu podręcznikowym przykładem: koszt jego utrzymania rósł z czasem tak bardzo, że w pewnym momencie przestał być opłacalny w dotychczasowej formie.

💭 Pomyśl: Wyobraź sobie, że budujesz dom, dodając nowe pokoje jeden po drugim, bez wcześniejszego planu architektonicznego całości. Po dwudziestym dobudowanym pokoju chcesz dodać dwudziesty pierwszy. Dlaczego ta operacja może być trudniejsza i bardziej ryzykowna niż dobudowanie drugiego pokoju do domu, który miał tylko jeden?

Sprawdź odpowiedź

Im więcej istniejących elementów (pokoi, reguł systemu), tym więcej potencjalnych punktów styku i zależności, które nowy element może naruszyć — nowa ściana może blokować okno innego pokoju, nowa instalacja może kolidować ze starą. Przy dwóch pokojach liczba możliwych interakcji jest minimalna i łatwa do ogarnięcia „w głowie"; przy dwudziestu rośnie do tego stopnia, że każda kolejna zmiana wymaga systematycznej analizy całego układu, żeby uniknąć błędów. To dokładnie analogia do problemu, który dotknął dużych systemów ekspertowych: im większa baza reguł, tym trudniej i drożej dodać do niej kolejną regułę bez wywołania niezamierzonych efektów ubocznych gdzie indziej w systemie.

📐 DEFINICJA — kruchość systemu ekspertowego (brittleness): tendencja systemu ekspertowego do gwałtownej utraty skuteczności przy napotkaniu sytuacji nieznacznie odbiegającej od przypadków przewidzianych w bazie reguł, w przeciwieństwie do elastycznego dostosowania się, jakie wykazuje prawdziwy ekspert-człowiek.

Po ludzku: system ekspertowy działa świetnie „na środku" znanego mu obszaru wiedzy, ale ledwie stąpnie za jego granicę, przestaje działać sensownie w ogóle — nie ma nic pomiędzy „działa doskonale" a „zupełnie się gubi".

📘 Wyjaśnienie — konkurencja ze strony PC i baz danych

Drugim czynnikiem upadku była zwykła ekonomia sprzętu komputerowego. Systemy ekspertowe pierwszej fali wymagały drogich, wyspecjalizowanych maszyn (systemów typu LISP machine — jednostka 7.5) lub kosztownych licencji na oprogramowanie działające na dużych komputerach mainframe. Tymczasem w drugiej połowie lat 80. ceny zwykłych komputerów osobistych (PC) gwałtownie spadały, a ich moc obliczeniowa rosła na tyle, że wiele zadań, do których wcześniej potrzeba było drogiego systemu ekspertowego, dało się rozwiązać znacznie taniej — albo prostym programem napisanym w standardowym języku programowania, albo (co jeszcze ważniejsze) po prostu dobrze zaprojektowaną relacyjną bazą danych.

Wiele problemów, które prezentowano jako wymagające „sztucznej inteligencji" (np. wyszukiwanie informacji według określonych kryteriów, proste reguły decyzyjne, katalogowanie danych), okazało się w praktyce lepiej i taniej rozwiązywalnych zwykłymi zapytaniami do bazy danych, bez żadnego „wnioskowania" w sensie systemu ekspertowego. Firmy, które zainwestowały fortunę w drogie systemy ekspertowe, zaczęły dostrzegać, że konkurenci osiągają podobne rezultaty biznesowe znacznie taniej, korzystając z dużo prostszych narzędzi.

💭 Pomyśl: Firma potrzebuje systemu rekomendującego klientom produkty na podstawie ich wcześniejszych zakupów. Jedna opcja to drogi system ekspertowy z setkami reguł „jeśli klient kupił X, to zaproponuj Y". Druga opcja to prosta baza danych z zapytaniem wybierającym najczęściej kupowane razem produkty. Która opcja jest bardziej elastyczna, gdy zmienia się asortyment sklepu?

Sprawdź odpowiedź

Baza danych z prostym zapytaniem jest zazwyczaj bardziej elastyczna — gdy zmienia się asortyment, zapytanie automatycznie „widzi" nowe dane sprzedażowe i dostosowuje rekomendacje bez potrzeby ręcznej ingerencji. System ekspertowy oparty na sztywno zapisanych regułach wymagałby ręcznego dopisania nowych reguł dla każdego nowego produktu lub kategorii — praca żmudna i kosztowna, a przy dużej skali asortymentu praktycznie niewykonalna. To dokładnie ten sam mechanizm, który sprawił, że firmy masowo zaczęły preferować podejście „baza danych + proste zapytania" nad drogimi, ręcznie utrzymywanymi systemami ekspertowymi.

⚠️ Uwaga, pułapka

Nie myśl, że systemy ekspertowe „zniknęły" całkowicie po tym upadku — wiele ich elementów (reguły biznesowe, silniki wnioskowania) przetrwało i ewoluowało w postaci dzisiejszych systemów zarządzania regułami biznesowymi (business rules engines), wykorzystywanych np. w bankowości czy ubezpieczeniach. To, co „przegrało", to konkretny model biznesowy z lat 80. — drogie, wyspecjalizowane maszyny i oprogramowanie sprzedawane jako kompleksowe rozwiązanie „sztucznej inteligencji" dla każdego problemu. Zapamiętaj to rozróżnienie: technologia rzadko znika całkowicie, częściej zmienia formę i znajduje węższe, bardziej realistyczne zastosowanie.

📌 Najważniejsze w pigułce

  • Systemy ekspertowe cierpiały na „kruchość" — gwałtownie traciły skuteczność poza wąskim zakresem przewidzianych sytuacji.
  • Koszt utrzymania dużych baz reguł rósł nieproporcjonalnie z ich rozmiarem, ze względu na rosnącą złożoność interakcji między regułami.
  • Tanie komputery osobiste i elastyczne relacyjne bazy danych okazały się w wielu zastosowaniach tańszą i prostszą alternatywą.
  • Rynek systemów ekspertowych pierwszej fali załamał się pod koniec lat 80. — to główny mechanizm drugiej zimy AI.
  • Pułapka: technologia nie zniknęła całkowicie — jej elementy przetrwały w postaci dzisiejszych silników reguł biznesowych.

🎒 Zadania

Zadanie 7.6.1. Wyjaśnij pojęcie „kruchości" systemu ekspertowego na własnym przykładzie: zaproponuj system ekspertowy do prostego zadania (np. dobór ubrania na podstawie pogody) i opisz sytuację, w której ten system „gwałtownie się załamie" z powodu przypadku nieprzewidzianego w regułach.

Sprawdź odpowiedź

Przykładowy system: „jeśli temperatura poniżej 10°C, załóż kurtkę; jeśli powyżej 25°C, załóż koszulkę". Sytuacja załamania: temperatura wynosi 18°C, ale wieje bardzo silny, zimny wiatr, przez co odczuwalna temperatura jest znacznie niższa niż wskazuje termometr. System, mając tylko regułę opartą na „suchej" temperaturze, zaproponuje lekkie ubranie, kompletnie ignorując czynnik wiatru — bo nikt nie przewidział takiej reguły. Człowiek, patrząc przez okno i widząc gnące się drzewa, natychmiast dostosowałby swój wybór, mimo braku formalnej „reguły o wietrze" w swojej głowie — to właśnie różnica między elastycznym rozumowaniem a sztywnym dopasowywaniem reguł.

Zadanie 7.6.2. Firma X zainwestowała milion dolarów w system ekspertowy do obsługi zapytań klientów w 1985 roku. W 1989 roku menedżer firmy zauważa, że konkurent osiąga podobne rezultaty za ułamek tego kosztu, korzystając z prostej bazy danych i kilku programistów. Jakie dwie decyzje mógłby podjąć menedżer firmy X, i jakie są konsekwencje każdej z nich?

Sprawdź odpowiedź

Decyzja 1: kontynuować inwestycję w istniejący system ekspertowy, licząc na to, że jego przewaga funkcjonalna (bardziej wyrafinowane wnioskowanie) z czasem się opłaci — ryzyko: dalsze rosnące koszty utrzymania bez proporcjonalnego wzrostu wartości biznesowej, w miarę jak konkurencja robi to samo taniej. Decyzja 2: porzucić kosztowny system ekspertowy i przejść na tańsze rozwiązanie oparte na bazie danych, tracąc część zainwestowanego kapitału (tzw. koszt utopiony) — ryzyko: krótkoterminowa strata finansowa i wizerunkowa („przyznanie się do błędnej inwestycji"), ale w dłuższej perspektywie niższe koszty operacyjne i większa konkurencyjność. Historia pokazuje, że wiele firm rzeczywiście wybrało (z opóźnieniem) drugą opcję pod koniec lat 80. — co złożyło się na masowy, rynkowy koniec ery systemów ekspertowych pierwszej fali.

🔍 Sprawdź, czy umiesz

  • [ ] Wyjaśnić pojęcie „kruchości" systemu ekspertowego i podać własny przykład.
  • [ ] Opisać, dlaczego koszt utrzymania dużych baz reguł rósł nieproporcjonalnie z ich rozmiarem.
  • [ ] Wyjaśnić, w jaki sposób tani sprzęt i relacyjne bazy danych zastąpiły drogie systemy ekspertowe w wielu zastosowaniach.

Ucz się tej jednostki z asystentem