The main drawbacks of these methods

The main drawbacks of these methods are:

The difficulty acquiring the expertise. The expertise is typically only available after a long period of use of the system (or similar systems). Thus, these methods are unsuitable for safety- or mission-critical systems (such as a nuclear power plant, or a robot operating in space). Moreover, the acquired expert knowledge can never be guaranteed to be complete. In case a previously unseen behaviour occurs, leading to an unexpected observation, it is impossible to give a diagnosis.
The complexity of the learning. The off-line process of building an expert system can require a large amount of time and computer memory.
The size of the final expert system. As the expert system aims to map any observation to a diagnosis, it will in some cases require a huge amount of storage space.
The lack of robustness. If even a small modification is made on the system, the process of constructing the expert system must be repeated.
A slightly different approach is to build an expert system from a model of the system rather than directly from an expertise. An example is the computation of a diagnoser for the diagnosis of discrete event systems. This approach can be seen as model-based, but it benefits from some advantages and suffers some drawbacks of the expert system approach.

ผลลัพธ์ (ไทย) 1:

ข้อเสียหลักของวิธีการเหล่านี้คือ:ปัญหาที่ได้รับความเชี่ยวชาญ ความเชี่ยวชาญโดยทั่วไปเท่านั้นพร้อมใช้งานหลังจากระยะเวลายาวนานการใช้งานของระบบ (หรือระบบที่คล้ายกัน) ดังนั้น วิธีเหล่านี้จะไม่เหมาะสมสำหรับระบบความปลอดภัย - หรือสำคัญ (เช่นโรงไฟฟ้านิวเคลียร์ หรือหุ่นยนต์ทำงานในพื้นที่) นอกจากนี้ ได้รับความรู้ความสามารถไม่รับประกันจะสมบูรณ์ ในกรณีที่พฤติกรรม unseen ก่อนหน้านี้เกิดขึ้น นำไปสังเกตการณ์ที่ไม่คาดคิด ไม่ให้การวินิจฉัยความซับซ้อนของการเรียนรู้ ออฟไลน์กระบวนการสร้างระบบผู้เชี่ยวชาญการอาจต้องการหน่วยความจำคอมพิวเตอร์และเวลาจำนวนมากขนาดของระบบผู้เชี่ยวชาญขั้นสุดท้าย เป็นระบบผู้เชี่ยวชาญ มีจุดมุ่งหมายต้องสังเกตใด ๆ เพื่อการวินิจฉัยนั้นจะในบางกรณีต้องจำนวนมากของพื้นที่จัดเก็บการขาดเสถียรภาพ ถ้าปรับเปลี่ยนขนาดเล็กแม้แต่ทำบนระบบ กระบวนการของการสร้างระบบผู้เชี่ยวชาญต้องทำซ้ำวิธีการแตกต่างกันเล็กน้อยคือการ สร้างระบบผู้เชี่ยวชาญ จากแบบจำลองของระบบ แทนโดยตรง จากผู้เชี่ยวชาญการ ตัวอย่างการคำนวณของ diagnoser สำหรับการวินิจฉัยระบบเหตุการณ์แยกกันได้ วิธีการนี้สามารถมองเห็นเป็นรูปแบบตาม แต่มันได้รับประโยชน์จากข้อได้เปรียบ และ suffers บางข้อเสียของวิธีการระบบผู้เชี่ยวชาญ

ผลลัพธ์ (ไทย) 3:

ข้อด้อยหลักของวิธีการเหล่านี้คือ :

ยากที่จะได้รับความเชี่ยวชาญ เชี่ยวชาญโดยเฉพาะหลังจากระยะเวลาที่ยาวนานของการใช้ระบบ ( หรือระบบที่คล้ายคลึงกัน ) ดังนั้น วิธีการเหล่านี้จะไม่เหมาะสมสำหรับความปลอดภัยหรือระบบสำคัญภารกิจ ( เช่น โรงไฟฟ้าพลังนิวเคลียร์ หรือหุ่นยนต์ผ่าตัดในพื้นที่ ) นอกจากนี้ได้รับความรู้จากผู้เชี่ยวชาญ ไม่สามารถรับประกันได้สมบูรณ์ ในกรณีที่พฤติกรรมที่ไม่เคยเห็นมาก่อนหน้านี้เกิดขึ้นที่นำไปสู่การสังเกตที่ไม่คาดคิด มันเป็นไปไม่ได้ที่จะให้การวินิจฉัย .
ความซับซ้อนของการเรียนรู้ กระบวนการแบบสร้างระบบผู้เชี่ยวชาญสามารถใช้จำนวนมากของเวลาและหน่วยความจำคอมพิวเตอร์
ขนาดของระบบผู้เชี่ยวชาญในขั้นสุดท้ายเป็นผู้เชี่ยวชาญด้านระบบแผนที่ใด ๆเพื่อสังเกตอาการ แต่ในบางกรณีต้องการเงินขนาดใหญ่ของพื้นที่จัดเก็บ
ขาดเสถียรภาพ . หากแม้การปรับเปลี่ยนขนาดเล็กถูกสร้างบนระบบ , กระบวนการของการสร้างระบบผู้เชี่ยวชาญต้องซ้ำ .
วิธีการที่แตกต่างกันเล็กน้อยคือการสร้างระบบผู้เชี่ยวชาญได้จากรูปแบบของระบบมากกว่าโดยตรงจากความเชี่ยวชาญตัวอย่างการคำนวณของ diagnoser สำหรับการวินิจฉัยระบบเหตุการณ์ไม่ต่อเนื่อง วิธีการนี้สามารถมองเห็นเป็นสำหรับ แต่ได้รับประโยชน์จากข้อได้เปรียบบางอย่าง และได้รับความทุกข์บางประการของวิธีการระบบผู้เชี่ยวชาญ