Nei sistemi esperti, le shell di sistema esperto sono il software che contiene un’interfaccia, un motore di inferenza e lo scheletro formattato di una base di conoscenza. In sostanza, una shell di sistema esperto è una ciotola vuota da riempire con gli elementi di conoscenza esperta che il motore di inferenza può elaborare per gli utenti. I sistemi esperti sono applicazioni informatiche che forniscono assistenza per la risoluzione di problemi specifici a cui un utente potrebbe aver bisogno di accedere per risolvere, ad esempio, una difficoltà di funzionamento del software di utilità. Un ingegnere della conoscenza utilizzerebbe questa shell per sviluppare la base di conoscenza e personalizzarla per soddisfare le esigenze della sua particolare base di utenti. Sarebbe personalizzato per prendere l’input di un utente e interpretare tali informazioni nel repository di dati e, per confronto, individuare le informazioni corrispondenti che potrebbero aiutare a guidare l’utente verso una soluzione.
Insieme alle informazioni di controllo che vengono depositate in una base di conoscenza, ci sono regole e definizioni di attributi che regolano il rilascio delle informazioni agli utenti. La base di conoscenza è costituita da dichiarazioni di competenza che imitano il processo di analisi di un esperto umano alla ricerca di una conoscenza sufficiente per ottenere una soluzione. Le shell di sistema esperto devono fornire capacità per rafforzare il lavoro dell’ingegnere della conoscenza nello sviluppo di una base di conoscenza che possa funzionare come un sistema esperto in tempo reale. In un tale sistema esperto, la base può essere in costante cambiamento di dati mediante cancellazioni o aggiunte di dati perché i sistemi industriali, le reti, i sistemi hardware e software cambiano nel tempo. Questo costante cambiamento di input di dati da altri sistemi di gestione non deve vacillare la capacità della base di ragionare allo stesso livello di esperti, indipendentemente dai cambiamenti.
Le shell di sistemi esperti forniscono le ossa nude per l’imitazione del ragionamento umano esperto nei metodi di regole noti come concatenamento in avanti e concatenamento all’indietro. Il concatenamento in avanti in queste shell consente di acquisire dati da un utente e utilizzare le regole del motore di inferenza per individuare più dati relativi a tali informazioni finché non ci sono informazioni sufficienti per formare una conclusione. Poiché i dati iniziali ricevuti sono ciò che guida la ricerca, questo metodo è chiamato metodo guidato dai dati. Un’applicazione che illustra questo metodo di concatenamento in avanti potrebbe esplorare le possibilità di disposizione dei componenti all’interno di un computer per arrivare al miglior posizionamento dei componenti.
Il concatenamento all’indietro raccoglie i dati solo quando ne ha bisogno quando una base di conoscenza viene interrogata su una consultazione. Ha l’obiettivo di trovare un valore per C e ragiona a ritroso per scoprire il valore di A e B che concludono il valore obiettivo di C. Questo metodo di ragionamento dai dati attuali ai dati precedenti che era alla base dei dati presenti è chiamato obiettivo- metodo guidato. Un’applicazione che illustra le regole di inferenza di shell di sistemi esperti potrebbe includere un medico che inserisce un insieme corrente di sintomi per informazioni di base sugli stessi sintomi o su sintomi simili nelle informazioni di base da un particolare sistema esperto di diagnosi medica.
La conoscenza dedotta viene acquisita esaminando i fatti esistenti per arrivare a probabili nuove informazioni. Questo è il processo di ragionamento che abita il motore di inferenza nelle shell di sistemi esperti. Questo processo è ciò che avvia il concatenamento in avanti o all’indietro nei sistemi esperti basati su regole. Le regole di inferenza che costruiscono i motori di inferenza nelle shell di sistemi esperti sono costituite da clausole “if” condizionali e clausole “then” nelle istruzioni ruling che facilitano la guida dei passaggi. Questi passaggi potrebbero essere nei settori dei servizi finanziari, delle risorse umane e della gestione dei prestiti ipotecari, tra gli altri, per cercare di scoprire regole pratiche come probabili raccomandazioni quando non è possibile una risposta definitiva.