エキスパートシステム (G検定)

1. 定義と概要

エキスパートシステムとは、特定の専門分野における専門家（エキスパート）の知識をコンピュータに蓄積し、その知識を用いて専門家のように判断や助言を行わせるルールベース型のプログラムです。1970年代に開発が始まり、1980年代にかけて商業的に広く適用されました。

最大の特徴は、専門家の知識を蓄積した知識ベース（専門家の知識をルールや事実の形でコンピュータが扱えるように蓄積したデータ）と、その知識を使って結論を導き出す推論エンジンという2つの要素で構成される点にあります。代表例として、世界初とされる化学分野のDENDRAL（1965年、スタンフォード大学で開発されたエキスパートシステム）、医療診断分野のMYCIN（1970年代初め、同じくスタンフォード大学で開発されたエキスパートシステム）が挙げられます。

1960年代半ばまでのAI研究は、特定の分野に限定しない汎用的な探索や推論の手法で幅広い問題を解こうとする路線が中心でした。しかし、現実の複雑な問題では汎用的な手法だけでは実用的な性能が出ないという壁に直面していました。

この状況に対し、対象分野を絞り込み、専門家が持つ経験則をルールとして蓄積する発想からDENDRALが生まれ、続くMYCINなどを通じてエキスパートシステムという設計思想が確立されました。特定分野の知識を効率よく処理できる実用性の高さから、エキスパートシステムは1980年代を中心とする第2次AIブーム（エキスパートシステムが研究の主役となった時期）の中核技術となり、多くの企業や研究機関で開発・導入が進みました。

2. 試験対策ポイント

理解するうえで中心になるのは、エキスパートシステムを構成する知識ベースと推論エンジンの役割分担です。知識ベースは、専門知識を蓄積する可変の部分で、IF-THENルール（「もし〜ならば〜である」という形で書かれた知識の表現形式）や事実として記述されます。推論エンジンは、この知識ベースの知識をもとに推論（蓄積された知識を使って結論を導き出す処理）を行う仕組みで、両者の役割の切り分けそのものが分かれ目です。

代表例のDENDRALとMYCINは、開発時期と分野をセットで押さえると取り違えにくくなります。

名称	開発時期	分野	主な役割
DENDRAL	1965年	化学	質量分析データから未知の有機化合物の構造を推定する。世界初のエキスパートシステムとされる
MYCIN	1970年代初め	医療	血液感染症の診断や抗生物質の推奨を行う

両者はいずれもスタンフォード大学で開発され、先に生まれたDENDRALの設計思想が医療分野のMYCINへ受け継がれた関係にあります。

第2次AIブームの中核技術という位置づけとあわせて、日本の国家プロジェクトも試験対策の範囲に含まれます。1982年、当時の通商産業省主導で第五世代コンピュータプロジェクト（大規模な知識処理の実現を目指した国家プロジェクト）が始まりました。論理型プログラミング言語（Prolog）を基盤とし、約540億円を投じましたが当初の目標には到達できず、約10年後の1992年に終了しています。

エキスパートシステムが停滞した理由としては、専門家の知識を一件ずつ人手で聞き取りルール化する作業に膨大な労力がかかる『知識獲得のボトルネック』が挙げられます。加えて、ルールの数が増えるほど矛盾や一貫性の欠如が生じやすくなること、専門知識の変化に応じた継続的な更新の負担、想定外の状況にルールが対応できないという特定分野への特化ゆえの限界も、あわせて論点になります。

特化型AI（弱いAI）とは、特定の分野やタスクに限定して機能するAIを指し、エキスパートシステムはその代表例と位置づけられます。分野を限定せず人間のように幅広い知能を発揮する汎用人工知能（AGI）とは異なる区分にあります。

3. 関連概念との比較・相違点

機械学習、特にディープラーニングとの最大の違いは、知識の獲得方法にあります。軸ごとに並べると、次のように整理できます。

観点	エキスパートシステム	機械学習・ディープラーニング
知識の獲得方法	専門家への聞き取りをもとに人手でIF-THENルールを記述する	データから統計的にパターンを自動で学習する
人手の負担	記述の負荷が知識獲得のボトルネックという課題を生んだ	人手でのルール記述を必要としない
主役となった時期	第2次AIブーム	第3次AIブーム

第3次AIブーム（データからの学習を用いる技術が主役となった時期）では、専門家が教える方式からデータから学習する方式への転換が進みました。この違いが、エキスパートシステム衰退の背景の一つになっています。

もう一つの軸は、適用範囲の違いです。エキスパートシステムは特定の専門分野に限定して機能する特化型AI（弱いAI）の代表例であり、対象分野を超えた判断はできません。これに対して汎用人工知能（AGI）は、特定分野に縛られず人間のように広範な知能を発揮する概念ですが、2026年時点でも実現には至っていません。エキスパートシステムがどれほど特定分野で高い性能を示しても、その延長線上に汎用人工知能があるわけではなく、両者は連続的な発展の関係ではなく区分そのものが異なる関係にあります。

4. ビジネス・実務での活用シナリオ

金融や保険の審査業務では、融資の可否や保険の引受可否といった判断根拠の説明責任が重視されます。こうした領域では、ルールが人に読める形で記述されるルールベースの仕組みが現在も採用されることがあります。判断過程を説明しやすい点は、ブラックボックス化しやすい機械学習モデルに対する利点として評価されています。

医療の分野では、MYCINに始まる、専門知識をルール化して診断や処方の判断を支援する発想が、CDSS（臨床意思決定支援システム。医師の診断や治療方針の決定を支援するコンピュータシステム）に引き継がれています。薬剤の相互作用や診療ガイドラインをルールとして蓄積し医師の判断を補助する一方、最終判断は医師が行うという役割分担も踏襲されています。

コールセンターや故障診断の現場でも、症状や現象から原因を絞り込んでいくエキスパートシステムの発想が応用されています。チャットボット（文字による会話形式で自動応答するプログラム）の応答分岐や設備の故障診断ツールでは、質問に答えていくと原因や対処法にたどり着く設計が採用されており、専門家の判断プロセスを模した仕組みとして機能しています。

5. 要点まとめ

• エキスパートシステムとは、専門家の知識を知識ベースに蓄積し、推論エンジンで結論を導くルールベース型のプログラムで、1980年代の第2次AIブームの中核技術です。
• 代表例は化学分野のDENDRAL（1965年、世界初のエキスパートシステム）と医療分野のMYCIN（1970年代初め）で、いずれもスタンフォード大学で開発されました。
• 専門家の知識を人手でルール化する知識獲得のボトルネックなどの限界からブームは停滞し、特定分野に特化した『特化型AI（弱いAI）』の代表例として汎用人工知能（AGI）と対比されます。

6. 確認問題