エキスパートシステム（Expert System）

Expert System / Knowledge-Based System

知識表現 重要度：高

概要

エキスパートシステム（Expert System）とは、特定の専門分野における専門家（エキスパート）の知識やノウハウをコンピュータに組み込み、専門家に近い判断や推論を行うシステムです。第2次AIブーム（1980年代）の中核技術として多くの分野で開発・導入されました。

エキスパートシステムは、専門家の知識を「if-then形式のルール」（プロダクションルール）として知識ベースに蓄積し、推論エンジンがそのルールを組み合わせて結論を導き出す仕組みです。医療診断（MYCIN）、化学物質の構造解析（DENDRAL）、コンピュータの構成提案（XCON/R1）など、様々な分野で実用化されました。

詳細解説

エキスパートシステムの構成要素

エキスパートシステムは、主に以下の3つのコンポーネントで構成されます。

  • 知識ベース（Knowledge Base）：専門家の知識をif-thenルール（プロダクションルール）の形で蓄積したデータベース。例：「もし患者に発熱があり、かつ咳が出ているならば、インフルエンザの可能性がある」
  • 推論エンジン（Inference Engine）：知識ベースのルールを適用して、入力されたデータ（事実）から結論を導く機構。前向き推論（事実からルールを適用して結論を導く）と後向き推論（仮説から必要な事実を逆にたどる）がある
  • ユーザーインターフェース：ユーザーが質問を入力し、システムの推論結果と説明を受け取るための対話画面

プロダクションルール（if-thenルール）

エキスパートシステムの知識表現の基本形式であるプロダクションルールは、以下の構造を持ちます。

  • IF（条件部）：ルールが適用される条件（前提条件）
  • THEN（結論部）：条件が満たされた場合に導かれる結論（アクション）

複数のルールを連鎖的に適用すること（推論チェーン）で、複雑な判断を行うことができます。例えば、「AならばB」「BならばC」の2つのルールから、「AならばC」という結論を導くことができます。

前向き推論と後向き推論

推論方法処理の流れ適用例
前向き推論（Forward Chaining）既知の事実からルールを適用し、新たな結論を導出するデータから診断結果を導く場合
後向き推論（Backward Chaining）仮説（目標）を設定し、それを裏付ける事実を逆にたどる特定の診断を検証する場合

代表的なエキスパートシステム

  • DENDRAL（1965年）：スタンフォード大学で開発された最初期のエキスパートシステム。質量分析データから化学物質の分子構造を推定する。エドワード・ファイゲンバウムらが開発
  • MYCIN（1972年）：スタンフォード大学で開発された医療診断用エキスパートシステム。血液中の細菌感染症を診断し、抗生物質の処方を推奨する。約600のルールを持ち、専門医と同等以上の診断精度を達成した
  • XCON/R1（1980年）：DEC社のコンピュータシステムの構成を提案するエキスパートシステム。年間数千万ドルのコスト削減に貢献し、商用エキスパートシステムの成功例として知られる

エキスパートシステムの限界

エキスパートシステムには以下のような限界があり、これらが第2次AIブームの終焉の一因となりました。

  • 知識獲得のボトルネック：専門家の知識をルール化する作業が膨大で困難。暗黙知（言語化しにくい知識）の取り込みが特に難しい
  • 保守・更新の困難さ：ルール数が増えるにつれて、ルール間の矛盾や影響の把握が困難になる
  • 柔軟性の欠如：想定外の状況や、ルール化されていない問題に対応できない
  • 常識の欠如：人間にとって当たり前の常識的知識をルール化することが極めて困難

歴史・背景

エキスパートシステムの歴史は、1960年代のDENDRALプロジェクトに遡ります。スタンフォード大学のエドワード・ファイゲンバウム、ブルース・ブキャナン、ジョシュア・レーダーバーグらが開発したDENDRALは、化学分析における専門家の知識をコンピュータで再現しようとする試みでした。ファイゲンバウムは後に「エキスパートシステムの父」と呼ばれるようになります。

1970年代にはMYCINが開発され、医療診断におけるAIの可能性が示されました。MYCINは専門医と同等の診断精度を達成しましたが、法的・倫理的な問題から実際の臨床での使用には至りませんでした。

1980年代には、エキスパートシステムが商用化され、第2次AIブームが到来しました。日本では第五世代コンピュータプロジェクト（1982年～1992年）が推進され、大規模な知識処理を目指しました。しかし、知識獲得のボトルネックや常識の壁に直面し、1990年代には「AIの冬」と呼ばれる停滞期を迎えました。

具体的な事例

MYCIN（医療診断）

MYCINは約600のプロダクションルールを持つ医療診断システムで、血液中の細菌感染症の診断と抗生物質の処方を支援しました。実験では、MYCINの診断精度は約65%で、感染症専門医の約80%には及ばなかったものの、非専門の医師を上回る結果を示しました。

XCON/R1（コンピュータ構成）

DEC（Digital Equipment Corporation）社が導入したXCON/R1は、VAXコンピュータシステムの構成を提案するエキスパートシステムです。約2,500のルールを用いて、顧客の要求に合った部品構成を自動的に提案し、年間約4,000万ドルのコスト削減に貢献したとされています。

日本の第五世代コンピュータプロジェクト

1982年に通産省（現経済産業省）主導で開始された国家プロジェクトです。論理プログラミング言語Prologを基盤とし、大規模な知識処理を実現する「第五世代コンピュータ」の開発を目指しました。約10年間で約570億円が投じられましたが、当初の目標には到達できず、プロジェクトは1992年に終了しました。

G検定での出題ポイント

試験対策のポイント エキスパートシステムはG検定で頻出のテーマです。以下の点を確実に押さえましょう。
  • エキスパートシステムは第2次AIブーム（1980年代）の中核技術であることを理解する
  • 構成要素（知識ベース、推論エンジン、ユーザーインターフェース）を覚える
  • if-thenルール（プロダクションルール）による知識表現を理解する
  • 代表的なシステム（DENDRAL、MYCIN、XCON/R1）の名前と概要を覚える
  • 知識獲得のボトルネックがエキスパートシステムの最大の課題であったことを理解する
  • 前向き推論と後向き推論の違いを区別できるようにする
  • 日本の第五世代コンピュータプロジェクトとの関連を押さえる