最終更新日:2026年9月23日
gk
まず結論
エキスパートシステムの代表的な限界は、知識を人からシステムへ取り込むことと、その知識を長期間保守することが難しい点です。
G検定では、
- 知識獲得のボトルネック
- ルールの保守・矛盾
- 狭い対象領域
- 常識・例外への弱さ
を押さえます。
直感的な説明
最初に100個のルールを書くだけなら管理できても、
- 新しい例外を追加
- 古いルールを変更
- 別ルールとの矛盾を確認
という作業が積み重なると、システム全体の維持が難しくなります。
さらに、人間の専門家が、
何となく経験で判断している
知識は、そもそも明確なif-thenルールへ変換できない場合があります。
定義・仕組み
知識獲得のボトルネック
専門家が持つ知識を聞き出し、コンピュータで扱える形式へ変換する作業には大きなコストがかかります。
特に暗黙知は明文化が難しいことがあります。
保守の難しさ
ルールが増えると、
- 重複
- 矛盾
- 例外
- 影響範囲の把握
が難しくなります。
1つのルール変更が別の推論結果へ影響する場合もあります。
狭い対象領域
DENDRALやMYCINは限定された専門領域で成果を示しましたが、その知識をそのまま別分野へ移せるわけではありません。
対象外の常識や未知の状況へ柔軟に対応しにくいことも課題です。
いつ使う?(得意・不得意)
エキスパートシステムは、
- ルールが明確
- 対象領域が限定される
- 判断根拠を明示しやすい
問題では有効です。
したがって、
エキスパートシステムは完全に使えない技術
という理解も誤りです。
問題は、大規模化・一般化・継続的な知識更新です。
G検定ひっかけポイント
衰退理由=計算機が遅かっただけ?
❌ ハードウェア性能だけが原因
⭕ 知識獲得・保守・スケールなど複数の課題
専門家システム=性能が低かった?
❌ 実用的成果を出せなかったから失敗した
⭕ 限定領域では成果を示したが、知識の構築・維持・一般化が難しかった
機械学習との違い
- エキスパートシステム → 知識を明示的に記述
- 機械学習 → データからパターン・パラメータを学習
ただし、歴史を単純な「専門家システムが失敗したので機械学習に置き換わった」という一本道として覚えないようにします。
まとめ(試験直前用)
- 最大の論点=知識獲得のボトルネック
- 暗黙知のルール化が難しい
- ルール増加で保守・矛盾管理が難しい
- 対象領域外へ弱い
- 限定領域では有効な場合もある
- 「知識を人手で作り続ける難しさ」で切る