特定分野の専門家（エキスパート）の知識と判断を、ルールとして蓄積し、推論して答えを出すシステムのことです。
ざっくり言うと
👉「ベテランの頭の中を、if–then で再現したAI」
基本構成（ここが超重要）
エキスパートシステムは主に3つで成り立っています。
① 知識ベース
専門家の知識をため込む場所
例：
-
IF 温度が高い AND 圧力が低い
-
THEN 成形不良は「ショートショットの可能性」
👉 ルール・事実・経験則がここに入る
② 推論エンジン
知識ベースを使って考える頭脳部分
-
条件に合うルールを探す
-
結論を導く
推論方式は主に2つ：
-
前向き推論：事実 → 結論（診断・監視向き）
-
後ろ向き推論：仮説 → 検証（原因追及向き）
③ ユーザーインタフェース
人とシステムをつなぐ窓口
-
質問に答える
-
推論結果を表示
-
「なぜそう判断したか」を説明
代表的な例
ちょっと古典だけど有名どころ👇
-
MYCIN：医療診断（感染症）
-
DENDRAL：化学構造の推定
-
XCON：コンピュータ構成の自動設計
得意なこと
エキスパートシステムはここが強いです。
-
判断基準が明確な分野
-
ルール化できるノウハウ
-
属人化しがちな知識の継承
-
「なぜその結論か」を説明できる
苦手なこと・限界
逆に弱点もはっきりしてます。
-
ルール作成・保守が大変（知識獲得問題）
-
想定外のケースに弱い
-
学習しない（基本は固定ルール）
-
あいまい・感覚的判断が苦手
現代AIとの違い（重要ポイント）
| 項目 | エキスパートシステム | 機械学習・深層学習 |
|---|---|---|
| 知識 | 人が与える | データから学ぶ |
| 判断根拠 | 説明できる | ブラックボックスになりがち |
| 柔軟性 | 低い | 高い |
| メンテ | ルール更新 | データ更新 |
👉 最近は
「ルールベース（エキスパート）」＋「機械学習」
のハイブリッドも増えてます。
現場での使われ方（イメージ）
あなたがよく聞いてくれている
射出成形・材料・不良対策の世界とも相性いいです。
例：
-
成形条件 → 不良原因の診断
-
設備トラブルの原因推定
-
ベテラン作業者の判断の標準化
コメント