מערכת מומחה (Expert System)

במקום ללמוד מדוגמאות (כמו רשתות-נוירונים מודרניות), מערכת-מומחה מבוססת על כללים שמומחה אנושי ניסח מראש — "אם חום מעל 38 וכאב-גרון, אז ייתכן דלקת" — ומיושמת אוטומטית על מקרים חדשים. הרכיב שמפעיל את הכללים על מקרה חדש נקרא "מנוע-הסקה" (Inference Engine) — לא במובן של הסקת-מודל מודרנית, אלא תוכנה שבודקת אילו כללים מתאימים למקרה הנתון ומפעילה אותם בזה-אחר-זה.

המערכת הראשונה מסוגה, DENDRAL, פותחה באוניברסיטת סטנפורד כבר באמצע שנות ה-60 כדי לסייע לכימאים לזהות מבנה מולקולרי מנתוני-מכשיר-מדידה — ונחשבת למערכת-המומחה המוצלחת הראשונה בהיסטוריה. בעקבותיה פותחה המערכת המפורסמת ביותר, MYCIN, גם היא בסטנפורד, באמצע שנות ה-70, כדי לאבחן זיהומי-דם ולהמליץ על אנטיביוטיקה — וביצועיה היו דומים לרופאים מומחים בפועל, אף שמעולם לא נכנסה לשימוש קליני של ממש בגלל שאלות משפטיות ואתיות (מי אחראי אם ההמלצה שגויה — התוכנה, הרופא, או המוסד הרפואי). עד אמצע שנות ה-80, כשני-שליש מחברות ה-Fortune 500 (רשימת 500 החברות הגדולות בארה"ב) כבר יישמו מערכות-מומחה דומות בעסקים שלהן, לתחומים כמו אבחון-תקלות בציוד תעשייתי ותכנון-תצורת-מחשבים.

מערכות-מומחה נדחקו הצידה עם "חורף-ה-AI" בסוף שנות ה-80, כשהתברר שהן מתקשות להתמודד עם עולם מורכב ומלא-חריגים — כל מצב חדש דרש כלל חדש שיכתב ידנית, ומספר-הכללים הנדרש גדל מהר מדי מכדי שצוות-אנושי יוכל לתחזק אותו. הגישה חזרה לרלוונטיות בצורה חלקית רק עם עליית למידת-המכונה, שלומדת דפוסים מנתונים במקום מכללים ידניים — אבל מערכות-כללים "קשיחות" עדיין נפוצות היום בתחומים שבהם נדרשת ודאות-מוחלטת ופרשנות-מלאה, כמו בקרת-תעופה ומערכות-בטיחות תעשייתיות, שבהם התנהגות-בלתי-צפויה של מודל-למידת-מכונה פחות מתקבלת.