Experto en Sistemas

A Symbolics 3640 Lisp machine: an early (1984) platform for expert systems

En inteligencia artificial, un sistema experto es un sistema informático que emula la capacidad de toma de decisiones de un experto humano. Los sistemas expertos están diseñados para resolver problemas complejos mediante el razonamiento a través de cuerpos de conocimiento, representados principalmente como reglas si-entonces en lugar de a través de un código de procedimiento convencional. Los primeros sistemas expertos se crearon en la década de 1970 y luego proliferaron en la década de 1980. Los sistemas expertos se encontraban entre las primeras formas verdaderamente exitosas de software de inteligencia artificial (IA). Un sistema experto se divide en dos subsistemas: el motor de inferencia y la base de conocimiento. La base de conocimiento representa hechos y reglas. El motor de inferencia aplica las reglas a los hechos conocidos para deducir hechos nuevos. Los motores de inferencia también pueden incluir capacidades de explicación y depuración.

Historia

Desarrollo temprano

Poco después del surgimiento de las computadoras modernas a fines de la década de 1940 y principios de la de 1950, los investigadores comenzaron a darse cuenta del inmenso potencial que tenían estas máquinas para la sociedad moderna. Uno de los primeros desafíos fue hacer que esas máquinas fueran capaces de “pensar” como humanos, en particular, hacer que estas máquinas fueran capaces de tomar decisiones importantes como lo hacen los humanos. El campo médico/sanitario presentó el tentador desafío de permitir que estas máquinas tomen decisiones de diagnóstico médico.

Por lo tanto, a fines de la década de 1950, justo después de la llegada total de la era de la información, los investigadores comenzaron a experimentar con la posibilidad de utilizar la tecnología informática para emular la toma de decisiones humana. Por ejemplo, los investigadores biomédicos comenzaron a crear sistemas asistidos por computadora para aplicaciones de diagnóstico en medicina y biología. Estos primeros sistemas de diagnóstico utilizaron los síntomas de los pacientes y los resultados de las pruebas de laboratorio como entradas para generar un resultado de diagnóstico. Estos sistemas a menudo se describían como las primeras formas de sistemas expertos. Sin embargo, los investigadores se dieron cuenta de que existían limitaciones significativas al usar métodos tradicionales como diagramas de flujo, coincidencia de patrones estadísticos, o teoría de la probabilidad.

Introducción formal y desarrollos posteriores

Esta situación anterior condujo gradualmente al desarrollo de sistemas expertos, que utilizaban enfoques basados en el conocimiento. Estos sistemas expertos en medicina fueron el sistema experto MYCIN, el sistema experto INTERNIST-I y posteriormente, a mediados de los 80, el CADUCEUS.

Los sistemas expertos se introdujeron formalmente alrededor de 1965 por el Proyecto de Programación Heurística de Stanford dirigido por Edward Feigenbaum, a quien a veces se le llama el "padre de los sistemas expertos"; otros contribuyentes tempranos clave fueron Bruce Buchanan y Randall Davis. Los investigadores de Stanford trataron de identificar dominios en los que la experiencia era muy valorada y compleja, como el diagnóstico de enfermedades infecciosas (Mycin) y la identificación de moléculas orgánicas desconocidas (Dendral). La idea de que "los sistemas inteligentes derivan su poder del conocimiento que poseen y no de los formalismos y esquemas de inferencia específicos que utilizan" – como dijo Feigenbaum – fue en ese momento un importante paso adelante, ya que la investigación anterior se había centrado en métodos computacionales heurísticos, culminando en intentos de desarrollar solucionadores de problemas de propósito muy general (principalmente el trabajo conjunto de Allen Newell y Herbert Simon). Los sistemas expertos se convirtieron en algunas de las primeras formas verdaderamente exitosas de software de inteligencia artificial (IA).

La investigación sobre sistemas expertos también estuvo activa en Francia. Mientras que en los EE. UU. el enfoque tendía a estar en los sistemas basados en reglas, primero en los sistemas codificados sobre los entornos de programación LISP y luego en los shells de sistemas expertos desarrollados por proveedores como Intellicorp, en Francia la investigación se centró más en los sistemas desarrollados en Prolog. La ventaja de los shells de sistemas expertos era que eran algo más fáciles de usar para los no programadores. La ventaja de los entornos Prolog era que no se centraban únicamente en las reglas if-then; Los entornos Prolog proporcionaron una realización mucho mejor de un entorno lógico completo de primer orden.

En la década de 1980 proliferaron los sistemas expertos. Las universidades ofrecieron cursos de sistemas expertos y dos tercios de las empresas Fortune 500 aplicaron la tecnología en las actividades comerciales diarias. El interés fue internacional con el proyecto de sistemas informáticos de quinta generación en Japón y el aumento de la financiación de la investigación en Europa.

En 1981, se introdujo la primera PC de IBM, con el sistema operativo PC DOS. El desequilibrio entre la alta asequibilidad de los chips relativamente potentes de la PC, en comparación con el costo mucho más caro de la potencia de procesamiento en los mainframes que dominaban el mundo de TI corporativo en ese momento, creó un nuevo tipo de arquitectura para la computación corporativa, denominada modelo cliente-servidor. Los cálculos y el razonamiento se pueden realizar a una fracción del precio de un mainframe usando una PC. Este modelo también permitió a las unidades de negocios pasar por alto los departamentos de TI corporativos y crear directamente sus propias aplicaciones. Como resultado, cliente-servidor tuvo un tremendo impacto en el mercado de sistemas expertos. Los sistemas expertos ya eran atípicos en gran parte del mundo empresarial y requerían nuevas habilidades que muchos departamentos de TI no tenían y no estaban ansiosos por desarrollar. Eran una opción natural para los nuevos shells basados en PC que prometían poner el desarrollo de aplicaciones en manos de usuarios finales y expertos. Hasta entonces, el entorno de desarrollo principal para sistemas expertos había sido máquinas Lisp de gama alta de Xerox, Symbolics y Texas Instruments. Con el auge de la PC y la computación cliente-servidor, proveedores como Intellicorp e Inference Corporation cambiaron sus prioridades para desarrollar herramientas basadas en PC. Además, comenzaron a aparecer regularmente nuevos proveedores, a menudo financiados por capital de riesgo (como Aion Corporation, Neuron Data, Exsys y muchos otros).

El primer sistema experto que se usó en capacidad de diseño para un producto a gran escala fue el programa de software SID (Síntesis de Diseño Integral), desarrollado en 1982. Escrito en LISP, SID generó el 93 % de la lógica de la CPU VAX 9000 puertas La entrada al software fue un conjunto de reglas creadas por varios diseñadores lógicos expertos. SID amplió las reglas y generó rutinas de síntesis de lógica de software muchas veces el tamaño de las propias reglas. Sorprendentemente, la combinación de estas reglas dio como resultado un diseño general que superó las capacidades de los propios expertos y, en muchos casos, superó a las contrapartes humanas. Si bien algunas reglas contradecían a otras, los parámetros de control de nivel superior para la velocidad y el área proporcionaron el desempate. El programa fue muy controvertido, pero se utilizó de todos modos debido a las limitaciones presupuestarias del proyecto. Fue terminado por diseñadores lógicos después de la finalización del proyecto VAX 9000.

Durante los años anteriores a mediados de la década de 1970, las expectativas de lo que pueden lograr los sistemas expertos en muchos campos tendían a ser extremadamente optimistas. Al comienzo de estos primeros estudios, los investigadores esperaban desarrollar sistemas expertos completamente automáticos (es decir, completamente computarizados). Las expectativas de la gente sobre lo que pueden hacer las computadoras eran con frecuencia demasiado idealistas. Esta situación cambió radicalmente después de que Richard M. Karp publicara su innovador artículo: "Reducibilidad entre problemas combinatorios" a principios de la década de 1970. Gracias al trabajo de Karp, junto con otros académicos, como Hubert L. Dreyfus, quedó claro que existen ciertas limitaciones y posibilidades cuando uno diseña algoritmos informáticos. Sus hallazgos describen lo que las computadoras pueden hacer y lo que no pueden hacer. Muchos de los problemas computacionales relacionados con este tipo de sistemas expertos tienen ciertas limitaciones pragmáticas. Estos hallazgos sentaron las bases que condujeron a los próximos desarrollos en el campo.

En la década de 1990 y más allá, el término sistema experto y la idea de un sistema de IA independiente en su mayoría se eliminaron del léxico de TI. Hay dos interpretaciones de esto. Una es que "los sistemas expertos fallaron": el mundo de TI siguió adelante porque los sistemas expertos no cumplieron con su promesa exagerada. El otro es el espejo opuesto, que los sistemas expertos fueron simplemente víctimas de su éxito: a medida que los profesionales de TI comprendían conceptos tales como motores de reglas, tales herramientas migraron de ser herramientas independientes para desarrollar sistemas expertos de propósito especial, a ser una de las muchas herramientas estándar. Otros investigadores sugieren que los sistemas expertos provocaron luchas de poder entre empresas cuando la organización de TI perdió su exclusividad en las modificaciones de software para los usuarios o los ingenieros del conocimiento.

En la primera década de los 2000, hubo una "resurrección" para la tecnología, usando el término Sistemas Basados en Reglas, con importantes casos de éxito y adopción. Muchos de los principales proveedores de conjuntos de aplicaciones comerciales (como SAP, Siebel y Oracle) integraron capacidades de sistemas expertos en su conjunto de productos como una forma de especificar la lógica comercial: los motores de reglas ya no son simplemente para definir las reglas que usaría un experto. pero para cualquier tipo de lógica empresarial compleja, volátil y crítica; a menudo van de la mano con la automatización de procesos comerciales y los entornos de integración.

Enfoques actuales a los sistemas expertos

Las limitaciones del tipo anterior de sistemas expertos han instado a los investigadores a desarrollar nuevos tipos de enfoques. Han desarrollado enfoques más eficientes, flexibles y poderosos para simular el proceso humano de toma de decisiones. Algunos de los enfoques que han desarrollado los investigadores se basan en nuevos métodos de inteligencia artificial (IA) y, en particular, en enfoques de aprendizaje automático y minería de datos con un mecanismo de retroalimentación. Las redes neuronales recurrentes a menudo se aprovechan de tales mecanismos. Relacionado está la discusión sobre la sección de desventajas.

Los sistemas modernos pueden incorporar nuevos conocimientos más fácilmente y, por lo tanto, actualizarse fácilmente. Dichos sistemas pueden generalizar mejor a partir del conocimiento existente y manejar grandes cantidades de datos complejos. Relacionado es el tema de los grandes datos aquí. A veces, este tipo de sistemas expertos se denominan "sistemas inteligentes".

Arquitectura de software

Ejemplo de ilustración de encadenamiento atrasado de una tesis maestra de 1990

Un sistema experto es un ejemplo de un sistema basado en el conocimiento. Los sistemas expertos fueron los primeros sistemas comerciales en utilizar una arquitectura basada en el conocimiento. En general, un sistema experto incluye los siguientes componentes: una base de conocimiento, un motor de inferencia, una función de explicación, una función de adquisición de conocimiento y una interfaz de usuario.

La base de conocimiento representa hechos sobre el mundo. En los primeros sistemas expertos como Mycin y Dendral, estos hechos se representaban principalmente como afirmaciones planas sobre variables. En los sistemas expertos posteriores desarrollados con shells comerciales, la base de conocimiento adquirió más estructura y utilizó conceptos de la programación orientada a objetos. El mundo se representaba como clases, subclases e instancias y las afirmaciones se reemplazaban por valores de instancias de objetos. Las reglas funcionaron consultando y afirmando valores de los objetos.

El motor de inferencia es un sistema de razonamiento automatizado que evalúa el estado actual de la base de conocimientos, aplica reglas relevantes y luego afirma nuevos conocimientos en la base de conocimientos. El motor de inferencia también puede incluir habilidades para la explicación, de modo que pueda explicar a un usuario la cadena de razonamiento utilizada para llegar a una conclusión particular rastreando la activación de las reglas que dieron como resultado la afirmación.

Hay principalmente dos modos para un motor de inferencia: encadenamiento hacia adelante y encadenamiento hacia atrás. Los diferentes enfoques dependen de si el motor de inferencia está siendo impulsado por el antecedente (lado izquierdo) o el consecuente (lado derecho) de la regla. En el encadenamiento hacia adelante, un antecedente dispara y afirma el consecuente. Por ejemplo, considere la siguiente regla:

R1:Man()x)⟹ ⟹ Mortal()x){displaystyle R1:{mathit {Man}(x)implies {Mathit {Mortal}(x)}

Un ejemplo simple de encadenamiento hacia adelante sería afirmar a Man(Sócrates) en el sistema y luego activar el motor de inferencia. Coincidirá con R1 y afirmará a Mortal (Socrates) en la base de conocimientos.

El encadenamiento hacia atrás es un poco menos sencillo. En el encadenamiento hacia atrás, el sistema busca posibles conclusiones y trabaja hacia atrás para ver si pueden ser ciertas. Entonces, si el sistema estuviera tratando de determinar si Mortal (Socrates) es verdadero, encontraría R1 y consultaría la base de conocimiento para ver si Man (Socrates) es verdadero. Una de las primeras innovaciones de los shells de sistemas expertos fue integrar motores de inferencia con una interfaz de usuario. Esto podría ser especialmente poderoso con el encadenamiento hacia atrás. Si el sistema necesita saber un hecho en particular pero no lo sabe, simplemente puede generar una pantalla de entrada y preguntarle al usuario si conoce la información. Entonces, en este ejemplo, podría usar R1 para preguntarle al usuario si Sócrates era un hombre y luego usar esa nueva información en consecuencia.

El uso de reglas para representar explícitamente el conocimiento también permitió habilidades de explicación. En el ejemplo simple anterior, si el sistema hubiera usado R1 para afirmar que Sócrates era mortal y un usuario deseaba entender por qué Sócrates era mortal, podría consultar el sistema y el sistema revisaría las reglas que se activaron para causar la afirmación y presentarlas. reglas para el usuario como una explicación. En inglés, si el usuario pregunta "¿Por qué Sócrates es mortal?" el sistema respondería "Porque todos los hombres son mortales y Sócrates es un hombre". Un área importante de investigación fue la generación de explicaciones a partir de la base de conocimientos en inglés natural en lugar de simplemente mostrar las reglas más formales pero menos intuitivas.

A medida que evolucionaron los sistemas expertos, se incorporaron muchas técnicas nuevas en varios tipos de motores de inferencia. Algunas de las más importantes fueron:

• Mantenimiento de la verdad. Estos sistemas registran las dependencias en una base de conocimientos para que cuando se alteran los hechos, los conocimientos dependientes puedan alterarse en consecuencia. Por ejemplo, si el sistema aprende que Sócrates ya no es conocido como un hombre, revocará la afirmación de que Sócrates es mortal.
• Un razonamiento hipotético. En esto, la base de conocimientos puede dividirse en muchas vistas posibles, a.k.a. mundos. Esto permite que el motor de inferencia explore múltiples posibilidades en paralelo. Por ejemplo, el sistema puede querer explorar las consecuencias de ambas afirmaciones, ¿qué será verdad si Sócrates es un Hombre y qué será verdad si no lo es?
• Sistemas de incertidumbre. Una de las primeras extensiones de simplemente usar reglas para representar el conocimiento fue también asociar una probabilidad con cada regla. Así que, no para afirmar que Sócrates es mortal, sino para afirmar Sócrates podrá ser mortal con algún valor de probabilidad. Las probabilidades simples se extendieron en algunos sistemas con mecanismos sofisticados para el razonamiento incierto, como la lógica de Fuzzy, y la combinación de probabilidades.
• Clasificación de ontología. Con la adición de clases de objetos a la base de conocimientos, era posible un nuevo tipo de razonamiento. Junto con el razonamiento simplemente sobre los valores de objetos, el sistema también podría razonar sobre las estructuras de objetos. En este simple ejemplo, el hombre puede representar una clase de objeto y R1 puede ser redefinido como una regla que define la clase de todos los hombres. Estos tipos de motores de inferencia de propósito especial se denominan clasificadores. Aunque no eran altamente utilizados en sistemas de expertos, los clasificadores son muy poderosos para dominios volátiles no estructurados, y son una tecnología clave para Internet y la Web Semántica emergente.

Ventajas

El objetivo de los sistemas basados en el conocimiento es hacer que la información crítica requerida para que el sistema funcione sea explícita en lugar de implícita. En un programa informático tradicional, la lógica está incrustada en un código que, por lo general, solo puede ser revisado por un especialista en TI. Con un sistema experto, el objetivo era especificar las reglas en un formato que fuera intuitivo y fácil de entender, revisar e incluso editar por expertos en el dominio en lugar de expertos en TI. Los beneficios de esta representación de conocimiento explícito fueron el rápido desarrollo y la facilidad de mantenimiento.

La facilidad de mantenimiento es el beneficio más obvio. Esto se logró de dos maneras. En primer lugar, al eliminar la necesidad de escribir código convencional, muchos de los problemas normales que pueden causar incluso pequeños cambios en un sistema podrían evitarse con sistemas expertos. Esencialmente, el flujo lógico del programa (al menos en el nivel más alto) era simplemente un hecho para el sistema, simplemente invoque el motor de inferencia. Esta también fue una razón para el segundo beneficio: la creación rápida de prototipos. Con un shell de sistema experto, fue posible ingresar algunas reglas y tener un prototipo desarrollado en días en lugar de los meses o años típicamente asociados con proyectos complejos de TI.

A menudo se decía que los shells de sistemas expertos eliminaban la necesidad de programadores capacitados y que los expertos podían desarrollar sistemas por sí mismos. En realidad, esto rara vez o nunca fue cierto. Si bien las reglas para un sistema experto eran más comprensibles que el código de computadora típico, todavía tenían una sintaxis formal en la que una coma fuera de lugar u otro carácter podía causar estragos como con cualquier otro lenguaje de computadora. Además, a medida que los sistemas expertos pasaron de los prototipos en el laboratorio a la implementación en el mundo empresarial, los problemas de integración y mantenimiento se volvieron mucho más críticos. Inevitablemente, surgieron demandas para integrarse y aprovechar grandes bases de datos y sistemas heredados. Para lograr esto, la integración requería las mismas habilidades que cualquier otro tipo de sistema.

Resumiendo los beneficios del uso de sistemas expertos, se pueden destacar los siguientes:

1. Mayor disponibilidad y fiabilidad: La experiencia se puede acceder en cualquier equipo informático y el sistema siempre completa las respuestas a tiempo.
2. Experiencia múltiple: Varios sistemas de expertos se pueden ejecutar simultáneamente para resolver un problema. y obtener un mayor nivel de experiencia que un experto humano.
3. Explicación: Los sistemas de expertos siempre describen cómo se solucionó el problema.
4. Respuesta rápida: Los sistemas de expertos son rápidos y capaces de resolver un problema en tiempo real.
5. Costo reducido: El costo de la experiencia para cada usuario se reduce significativamente.

Desventajas

La desventaja más común citada para los sistemas expertos en la literatura académica es el problema de adquisición de conocimiento. Obtener el tiempo de los expertos de dominio para cualquier aplicación de software siempre es difícil, pero para los sistemas expertos fue especialmente difícil porque los expertos eran, por definición, muy valorados y en constante demanda por parte de la organización. Como resultado de este problema, gran parte de la investigación en los últimos años de los sistemas expertos se centró en herramientas para la adquisición de conocimiento, para ayudar a automatizar el proceso de diseño, depuración y mantenimiento de reglas definidas por expertos. Sin embargo, al observar el ciclo de vida de los sistemas expertos en uso real, otros problemas, esencialmente los mismos problemas que los de cualquier otro sistema grande, parecen al menos tan críticos como la adquisición de conocimiento: integración, acceso a grandes bases de datos y rendimiento.

El rendimiento podía ser especialmente problemático porque los primeros sistemas expertos se creaban con herramientas (como versiones anteriores de Lisp) que interpretaban expresiones de código sin compilarlas primero. Esto proporcionó un entorno de desarrollo potente, pero con el inconveniente de que era prácticamente imposible igualar la eficiencia de los lenguajes compilados más rápidos (como C). La integración de sistemas y bases de datos era difícil para los primeros sistemas expertos porque las herramientas estaban en su mayoría en lenguajes y plataformas que no eran familiares ni bienvenidos en la mayoría de los entornos de TI corporativos: lenguajes de programación como Lisp y Prolog, y plataformas de hardware como máquinas Lisp y computadoras personales.. Como resultado, gran parte del esfuerzo en las etapas posteriores del desarrollo de herramientas de sistemas expertos se centró en la integración con entornos heredados, como COBOL y grandes sistemas de bases de datos, y en la migración a plataformas más estándar. Estos problemas se resolvieron principalmente mediante el cambio de paradigma cliente-servidor, ya que las PC se aceptaron gradualmente en el entorno de TI como una plataforma legítima para el desarrollo de sistemas comerciales serios y los servidores de minicomputadoras asequibles proporcionaron la potencia de procesamiento necesaria para las aplicaciones de IA.

Otro gran desafío de los sistemas expertos surge cuando aumenta el tamaño de la base de conocimiento. Esto hace que aumente la complejidad del procesamiento. Por ejemplo, cuando se imaginó un sistema experto con 100 millones de reglas como el último sistema experto, se hizo evidente que dicho sistema sería demasiado complejo y enfrentaría demasiados problemas computacionales. Un motor de inferencia tendría que ser capaz de procesar un gran número de reglas para llegar a una decisión.

Cómo verificar que las reglas de decisión son compatibles entre sí es también un reto cuando hay demasiadas reglas. Normalmente tal problema conduce a una formulación de satisfiabilidad (SAT). Este es un problema bien conocido de NP-completo problema de satisfibilidad booleana. Si asumimos sólo variables binarias, digamos n de ellas, y luego el espacio de búsqueda correspondiente es de tamaño 2n{displaystyle ^{n}. Así, el espacio de búsqueda puede crecer exponencialmente.

También hay preguntas sobre cómo priorizar el uso de las reglas para operar de manera más eficiente, o cómo resolver ambigüedades (por ejemplo, si hay demasiadas subestructuras else-if dentro de una sola regla), etc. sobre.

Otros problemas están relacionados con los efectos de sobreajuste y sobregeneralización al usar hechos conocidos y tratar de generalizar a otros casos no descritos explícitamente en la base de conocimiento. Estos problemas también existen con los métodos que emplean enfoques de aprendizaje automático.

Otro problema relacionado con la base de conocimiento es cómo actualizar su conocimiento de forma rápida y eficaz. También es un desafío cómo agregar un nuevo conocimiento (es decir, dónde agregarlo entre muchas reglas). Los enfoques modernos que se basan en métodos de aprendizaje automático son más fáciles en este sentido.

Debido a los desafíos anteriores, quedó claro que se requerían nuevos enfoques de la IA en lugar de tecnologías basadas en reglas. Estos nuevos enfoques se basan en el uso de técnicas de aprendizaje automático, junto con el uso de mecanismos de retroalimentación.

Los desafíos clave que enfrentan los sistemas expertos en medicina (si se consideran los sistemas de diagnóstico asistidos por computadora como sistemas expertos modernos), y quizás en otros dominios de aplicación, incluyen cuestiones relacionadas con aspectos tales como: big data, regulaciones existentes, práctica de atención médica, varios problemas algorítmicos y evaluación del sistema.

Finalmente, se pueden resumir las siguientes desventajas del uso de sistemas expertos:

1. Los sistemas de expertos tienen conocimiento superficial, y una tarea sencilla puede ser potencialmente costosa.
2. Los sistemas de expertos requieren que los ingenieros de conocimiento ingresen los datos, la adquisición de datos es muy difícil.
3. El sistema de expertos puede elegir el método más inapropiado para resolver un problema particular.
4. Los problemas de ética en el uso de cualquier forma de IA son muy relevantes en la actualidad.
5. Es un mundo cerrado con conocimientos específicos, en el que no hay una percepción profunda de los conceptos y sus interrelaciones hasta que un experto les proporcione.

Aplicaciones

Hayes-Roth divide las aplicaciones de sistemas expertos en 10 categorías ilustradas en la siguiente tabla. Las aplicaciones de ejemplo no estaban en la tabla original de Hayes-Roth y algunas de ellas surgieron mucho después. Cualquier aplicación que no esté a pie de página se describe en el libro de Hayes-Roth. Además, si bien estas categorías brindan un marco intuitivo para describir el espacio de las aplicaciones de sistemas expertos, no son categorías rígidas y, en algunos casos, una aplicación puede mostrar características de más de una categoría.

Hearsay fue uno de los primeros intentos de resolver el reconocimiento de voz a través de un enfoque de sistemas expertos. En su mayor parte, esta categoría de sistemas expertos no tuvo tanto éxito. Los rumores y todos los sistemas de interpretación son esencialmente sistemas de reconocimiento de patrones, que buscan patrones en datos ruidosos. En el caso de Hearsay reconociendo fonemas en un flujo de audio. Otros ejemplos tempranos fueron el análisis de datos de sonar para detectar submarinos rusos. Este tipo de sistemas demostró ser mucho más adecuado para una solución de IA de red neuronal que un enfoque basado en reglas.

CADUCEUS y MYCIN eran sistemas de diagnóstico médico. El usuario describe sus síntomas a la computadora como lo haría con un médico y la computadora devuelve un diagnóstico médico.

Dendral fue una herramienta para estudiar la formación de hipótesis en la identificación de moléculas orgánicas. El problema general que resolvió, diseñar una solución dado un conjunto de restricciones, fue una de las áreas más exitosas para los primeros sistemas expertos aplicados a dominios comerciales, como los vendedores que configuran las computadoras VAX de Digital Equipment Corporation (DEC) y el desarrollo de aplicaciones de préstamos hipotecarios.

SMH.PAL es un sistema experto para la evaluación de alumnos con pluridiscapacidad.

GARVAN-ES1 era un sistema experto médico, desarrollado en el Instituto Garvan de Investigación Médica, que proporcionaba comentarios de diagnóstico clínico automatizados sobre informes endocrinos de un laboratorio de patología. Fue uno de los primeros sistemas expertos médicos en entrar en uso clínico de rutina a nivel internacional y el primer sistema experto que se utilizó para el diagnóstico diario en Australia. El sistema fue escrito en "C" y se ejecutó en un PDP-11 en 64K de memoria. Tenía 661 reglas que fueron compiladas; no interpretado.

Mistral es un sistema experto para monitorear la seguridad de las presas, desarrollado en la década de 1990 por Ismes (Italia). Obtiene datos de un sistema de monitoreo automático y realiza un diagnóstico del estado de la presa. Su primer ejemplar, instalado en 1992 en la presa de Ridracoli (Italia), sigue operativo 24/7/365. Se ha instalado en varias presas en Italia y en el extranjero (p. ej., la presa de Itaipu en Brasil), y en sitios de deslizamientos de tierra con el nombre de Eydenet, y en monumentos con el nombre de Kaleidos. Mistral es una marca registrada de CESI.