Expert Systems: Menitipkan Ilmu Pakar ke Komputer

Tahun 1980-an, ide besarnya begini: kalau komputer bisa menyimpan semua aturan yang dipakai pakar manusia, komputer itu jadi setara pakar. Dokter yang pensiun? Ilmunya tetap hidup di sistem. Namanya expert system.

Cara kerjanya

Dua komponen utama:

1. Knowledge base — ribuan aturan gaya IF-THEN yang ditulis manual, biasanya lewat wawancara dengan pakar.
2. Inference engine — mesin yang mencocokkan fakta kamu dengan aturan, lalu menarik kesimpulan.

Contoh sederhana (sistem diagnosis):

• IF demam AND batuk AND nyeri otot THEN kemungkinan flu: 0.7
• IF flu: 0.7 AND kontak pasien flu THEN kemungkinan flu: 0.85

Yang paling terkenal: MYCIN (diagnosis infeksi bakteri, akurasinya setara dokter trainee) dan XCON (mengatur konfigurasi komputer di Digital Equipment Corp — menghemat jutaan dolar per tahun).

Kenapa dulu berhasil

Expert system jujur dan transparan: kamu bisa tanya "kenapa kesimpulannya begini?" dan ia menunjukkan rantai aturannya. Bandingkan dengan model AI modern yang sering jadi kotak hitam.

Dan kenapa akhirnya menabrak

Tiga masalah fatal:

1. Bottleneck pengetahuan. Menyadap pakar satu per satu dan menulis aturannya itu lama, mahal, dan pernah habis kesabarannya. Dunia terlalu rumit untuk diatur-aturi manual.
2. Rapuh di luar kotanya. Aturan tidak pernah saling terhubung mulus. Kasus sedikit aneh — sistem langsung bingung atau jawab dengan percaya diri yang salah.
3. Mahal dirawat. Dunia berubah; ribuan aturan harus direvisi manual. Selamanya.

Warisannya

Kegagalan expert system mengajarkan satu hal yang jadi fondasi AI modern: pengetahuan lebih mudah dipanen dari data daripada ditulis dari mulut pakar. Alih-alih menulis "ciri-ciri kucing", lebih gampang kasih 10.000 foto kucing ke model dan biarkan ia menemukan ciri-cirinya sendiri.

Ini transisi persis ke materi berikutnya: Machine Learning — mesin yang menemukan aturannya sendiri.