Недостатки экспертных систем перед человеком-экспертом:

- экспертная система может быть не пригодна для применения пользователем, если у него нет опыта работы с такими системами;

- вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений;

- существует проблема приведения знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию;

- человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.

Достоинства экспертных систем перед человеком- экспертом:

- у них нет предубеждений, они не делают поспешных выводов;

- введенные в машину знания сохраняются, человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются;

- эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей.

Главное отличие ЭС от других программных средств - это наличие базы знаний, в которой знания хранятся в форме, понятной специали­стам предметной области, и могут быть изменены и дополнены также в по­нятной форме. Это и есть языки представления знаний (ЯПЗ).

В России в исследования и разработку ЭС большой вклад внесли работы Д. А. Поспелова (основателя Российской ассоциации искусственного ин­теллекта и его первого президента), Э. В. Попова, В. Ф. Хорошевского, В. Л. Стефанюка, Г. С. Осипова, В. К. Финна, В. Л. Вагина, В. И. Городец­кого и многих других.

Современное состояние разработок в области ЭС в России можно охаракте­ризовать как стадию все возрастающего интереса среди широких слоев спе­циалистов - менеджеров, инженеров, программистов и других. Наибольшие трудности в разработке ЭС вызывает не процесс машинной реализации систем, а этап анализа знаний и проектирования базы знаний. Этим занимается специальная наука - инженерия знаний.

Другим актуальным направлением разработки ИС является создание интеллектуальных нейронных сетей (ИНС). Характер разработок в области ИНС принципиально отличается от ЭС. В основе нейронных сетей лежит преимущественно поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои параметры при помощи так называемых алгоритмов обучения через механизм обратной связи.

Парадигма ученика включает следующие положения и последовательность действий:

- формирования базы данных на основе обработки наблюдений и изучения опыта частных примеров;

- индуктивное обучение - изучение аппроксимирующих, вероятностных и логических механизмов получения общих выводов из частных утверждений, то есть превращение базы данных (БД) в базу знаний (БЗ) и обоснование процедуры извлечения знаний из БЗ;

- дедукция - выбор информации из БЗ на основе обоснованной или предполагаемой процедуре.

В рамках этой парадигмы самообучающиеся системы являются менее изученными, чем экспертные системы. Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Нейрон реализует достаточно простую передаточную функцию, позволяющую преобразовать возбуждения на входах, с учетом весов входов, в значение возбуждения на выходе нейрона. Функционально законченный фрагмент мозга имеет входной слой нейронов – рецепторов, возбуждаемых извне, и выходной слой, нейроны которого возбуждаются в зависимости от конфигурации и возбуждения нейронов входного слоя. Распределение величин возбуждения нейронов выходного слоя, чаще всего поиск нейрона, обладающего максимальной величиной возбуждения, позволяет установить соответствие между комбинацией и величинами возбуждений на входном слое. Эта зависимость определяет возможность логического вывода вида «если - то». Управление и формирование данной зависимости осуществляется весами синаптических связей нейронов, которые влияют на направление распространения возбуждения нейронов в сети, приводящие на этапе обучения к «нужным» нейронам выходного слоя. Отсюда следует, что сеть работает в двух режимах: в режиме обучения и в режиме распознавания (рабочем режиме). В режиме обучения производится формирование логических цепочек. В режиме распознавания нейронная сеть по предъявленному образу с высокой достоверностью определяет, к какому типу он относится, какие действия следует предпринять и т.д. Следовательно, под ИНС следует понимать системы, параметры, которых могут изменяться в процессе обучения или самообучения, исходя из накопленного опыта, обобщающего предыдущие прецеденты на новые случаи и извлекающего существенные свойства из поступающей информации. Нейронные сети применяются для решения трудно формализуемых задач, в которых информация об объекте является неполной, неточной или нечеткой. Кроме того, связь между входными и выходными параметрами может быть настолько сложна, что моделирование в традиционном смысле становится малоэффективным, а порой просто невозможным. Примеры эффективного применения ИНС являются задачи управления, распознавания образов, анализа данных, моделирования и прогнозирования.