専門家システムは、特定の専門領域において人間の専門家と同等の判断や助言を行うことを目的とした人工知能システムである。シンボリックな知識表現と論理的推論に基づき、複雑な問題解決を実現する。
1.1 知識ベースと推論エンジン
専門家システムは、知識ベースと推論エンジンという二つの独立したモジュールから構成される。知識ベースは事実とルールを格納し、推論エンジンはその知識を活用して結論を導く。この分離により、推論の仕組みを変更せずに知識ベースの拡張や修正が可能となる。
1.2 ルールベース推論
知識を「IF（条件）THEN（アクション）」形式のルールで表現する手法である。推論エンジンはこれらのルールをチェーン状に連結して適用する。
1.2.1 前向き推論
データ駆動型の推論方式である。既知の事実から出発し、ルールの条件部と照合して新たな事実を導出する。監視システムや計画立案など、結論が事前に特定されていないタスクに適する。
1.2.2 後向き推論
目標駆動型の推論方式である。最初に仮説（目標）を設定し、それを証明するために必要な事実を逆向きに探索する。医療診断システムのように、特定の結論を検証する場面で効率的に機能する。
1.3 不確実性の扱い
現実の知識には曖昧さや不完全性が伴う。専門家システムは確信度因子（CF）、ファジー論理、ベイズ確率などの手法を用いて、不確実な情報の下でも合理的な推論を実行する。MYCINで導入された確信度因子は、結論に対する確からしさを数値で表現する。
2.1 黎明期（1960年代～1970年代）
2.1.1 DENDRALの登場
スタンフォード大学で開発されたDENDRAL（1965年）は、最初の専門家システムとされる。質量分析データから有機化合物の構造を同定するために、化学者の知識をルール化した。ヒューリスティック検索とドメイン知識の組み合わせの重要性を示した。
2.1.2 MYCINと医療診断
1970年代に開発されたMYCINは、細菌感染症の診断と抗菌薬の推奨を行うシステムである。優れた診断能力に加え、推論過程を説明できる機能と不確実性の扱いを備え、後続のシステムに多大な影響を与えた。
2.2 黄金期（1980年代）
2.2.1 商用化と産業応用
1980年代にはEMYCINやARTなどの商用シェルが登場し、専門家システムの開発が容易になった。多くの企業が導入を進め、Lispマシンメーカーが隆盛を極めた。
2.2.2 XCONによる成功
DECのXCON（R1）は、VAXコンピュータの受注構成を自動化し、年間数千万ドルのコスト削減を達成した。専門家システムの商業的成功を象徴する事例として広く知られている。
2.3 停滞と再評価（1990年代以降）
維持管理の困難さや学習機能の欠如が明らかになり、AIブームの終焉とともに関心は低下した。しかし、説明可能性や信頼性が重視される領域では継続的に利用され、後述する機械学習との融合が模索されるようになる。
3.1 知識獲得
3.1.1 インタビューと知識工学
知識技術者（KE）がドメイン専門家へのインタビューを通じて、暗黙知を形式化するプロセスである。この作業は「知識ボトルネック」と呼ばれる最大の困難の一つである。
3.1.2 自動知識獲得
機械学習アルゴリズム（例：決定木ID3、ルール誘導）を用いて、データベースから自動的にルールを抽出する手法である。インタビューに比べて効率的だが、獲得された知識の質はデータに依存する。
3.2 知識表現
3.2.1 プロダクションルール
最も一般的な表現形式である。モジュール性が高く、個別のルールの追加や修正が容易である。一方、大規模ルールベースでは推論エンジンの効率低下が課題となる。
3.2.2 フレームとセマンティックネット
フレームはオブジェクト指向の概念に近く、スロットと継承により構造化知識を表現する。セマンティックネットはノード（概念）とエッジ（関係）で知識をグラフ構造化する。両者とも階層的な知識の表現に適する。
3.3 推論エンジン
3.3.1 演繹推論
条件が真であれば結論が導かれる、三段論法に基づく基本推論である。ルールベースシステムの根幹をなす。
3.3.2 アブダクション
観察された事実を説明する最善の仮説を推論する手法である。「もし患者が発熱していれば、感染症の可能性がある」といった診断推論の基盤となる。
3.4 説明機構とユーザーインタフェース
専門家システムの重要な特徴は、その結論に至った理由を説明できる点にある。「なぜその質問をするのか」「どのように結論に達したのか」をユーザーに提示することで、結果の受容性と信頼性を高める。
4.1 医療診断
MYCIN、INTERNIST-I、DXplainなどが代表例である。症状と検査結果から疾患を特定し、治療法を提案する。現在も臨床意思決定支援システム（CDSS）の一部として組み込まれている。
4.2 工業・製造
XCONによるコンピュータ構成管理のほか、溶接欠陥診断、プラント監視、機械故障予測などに応用される。定型的な診断作業の自動化に貢献した。
4.3 金融・ビジネス
融資審査、保険引受、不正取引検知、税務計画などに利用される。明確なルールによる判断の一貫性と説明可能性が評価された。
4.4 教育・トレーニング
知的CAI（コンピュータ支援教育）やITS（知的個別指導システム）において、学習者の状態を診断し、個別化された指導を提供する。SHERLOCKやLogic-ITAがその例である。
5.1 知識ボトルネック
専門家から知識を引き出し、形式化するプロセスは極めて困難で時間を要する。専門家自身も無意識に行っている判断を言語化できない場合が多い。
5.2 学習能力の欠如
従来の専門家システムは、経験から自律的に学習することができない。新しい状況に対応するには、人間がルールを追加・修正する必要がある。
5.3 メンテナンスの困難
ルールベースが大規模になると、ルール間の矛盾や重複の検出が困難になる。システム全体の検証と完全性の保証は技術的に難しい課題である。
6.1 機械学習との融合
6.1.1 ハイブリッドエキスパートシステム
機械学習によるパターン認識と、専門家システムによるシンボリック推論を組み合わせたシステムである。MLがデータからルールを学習し、ESがそのルールを用いて推論と説明を行う。
6.1.2 ニューラルシンボリックアプローチ
ディープラーニングとシンボリックAIを統合する試みである。ニューラルネットワークに論理推論の能力を組み込むことで、学習能力と説明可能性の両立を目指す。Differentiable Neural ComputerやLogic Tensor Networksなどが研究されている。
6.2 インターネットとクラウドへの展開
専門家システムはSaaSモデルとしてクラウド上で提供され、知識ベースの共有と分散推論を実現している。IoTデバイスとの連携や、エッジコンピューティング上でのリアルタイム推論など、新たな応用領域を開拓している。