전문가 시스템은 인공지능의 좁은 영역 내에서 인간 전문가의 의사 결정 능력을 모방하도록 설계된 컴퓨터 프로그램으로, 일반적으로 추론 엔진을 통해 사용자가 제공한 사실에 인코딩된 규칙 기반을 적용하여 작동한다. 전문가 시스템은 상징적 AI의 가장 상업적으로 중요한 응용 프로그램이었으며, 1970년대 후반과 1980년대에 걸쳐 기업의 AI 투자에 큰 물결을 일으켰다.
구조
전형적인 전문가 시스템은 인간 전문가가 기여한 도메인 사실과 if-then 규칙의 모음인 지식 베이스와, 전방 또는 후방 연결과 같은 논리적 추론을 적용하여 결론이나 권장 사항을 도출하는 추론 엔진을 분리한다. 전문가 시스템은 1950년대에 앨런 뉴웰과 허버트 사이먼이 개척한 추론 기법을 기반으로 구축되었으며, 일반적인 문제 해결 방법을 좁고 도메인 특화된 전문 지식을 인코딩하도록 적응시켰다. 많은 시스템에는 결론에 도달하는 데 사용된 규칙 체인을 사용자에게 보여줄 수 있는 설명 기능도 포함되어 있었는데, 이는 현재 설명 가능한 AI로 논의되는 것의 초기 형태였으며, 순수 논리가 잘 표현할 수 없는 불확실성을 처리하기 위한 신뢰도 요소도 포함되었다
주목할 만한 사례
초기 랜드마크 시스템으로는 1960년대 중반부터 스탠포드에서 개발되어 질량 분석 데이터로부터 분자 구조를 추론한 DENDRAL과, 1970년대에 개발되어 환자 증상과 검사 결과를 기반으로 항생제 치료를 권장한 MYCIN이 있었다; MYCIN은 일부 평가에서 주니어 의사보다 우수한 성과를 보였음에도 불구하고, 책임 문제와 통합 문제로 인해 임상에 배치된 적은 없었다. 산업계에서는 1980년부터 배치된 Digital Equipment Corporation의 XCON 시스템이 컴퓨터 주문을 구성했으며, 회사에 연간 수천만 달러를 절약한 것으로 평가받아, 상업적 가치에 대한 널리 인용된 증거가 되었다
1980년대 붐
XCON의 성공은 1980년대를 통한 더 넓은 전문가 시스템 붐을 촉발하는 데 도움을 주었으며, 기업들이 전문 "AI" 컨설팅 회사와 상징적 처리에 최적화된 전용 Lisp 머신 하드웨어에 막대한 투자를 하면서였다. 1982년에 시작된 일본의 제5세대 컴퓨터 시스템 프로젝트는 부분적으로 전문가 시스템 스타일의 추론을 중심으로 대규모 병렬 논리 프로그래밍 머신을 구축하는 것을 목표로 했으며, 미국과 유럽의 경쟁적 투자를 촉발했다
쇠퇴와 두 번째 AI 겨울
전문가 시스템은 구축 비용이 많이 들었고, 더 중요하게는 유지 관리 비용이 많이 들었다: 도메인이 확장됨에 따라 규칙 기반이 다루기 힘들어졌고, 규칙 간의 상호 작용을 예측하기 어려워졌으며, 시스템은 인코딩된 지식 외부의 새로운 상황을 제대로 처리하지 못했다. 전용 Lisp 머신 하드웨어 시장은 1980년대 후반에 더 저렴한 범용 워크스테이션이 성능에서 따라잡으면서 붕괴했다. 이러한 실패는 1973년 라이틀힐 보고서에 기록된 초기 자금 붕괴를 반영하며, 1990년대 초까지 지속된 AI 자금과 상업적 관심의 급격한 후퇴인 두 번째 AI 겨울에 기여했다
유산
전문가 시스템은 현대 AI에 지속되는 관행을 확립했다: 구조화된 도메인 지식 인코딩, 시스템 출력 설명, 그리고 일부 배포된 파이프라인에서 여전히 사용되는 규칙 기반 검증 계층. 그들의 개념적 후손으로는 현대 지식 그래프 시스템과 덜 예측 가능한 대규모 언어 모델 출력 주변에 계층화된 규칙 기반 가드레일이 있다. 데이터에서 패턴을 학습하는 현대 머신 러닝 시스템과 달리, 전문가 시스템은 전적으로 수동으로 인코딩된 전문 지식에 의존했으며, 이는 1990년대 이후 통계적 접근 방식으로의 더 넓은 전환을 촉발한 한계였다