¿Cuál es la diferencia entre un sistema experto y el aprendizaje automático?

Un sistema experto, en inteligencia artificial, es un sistema informático que tiene la capacidad de tomar decisiones análogas a las de los humanos. En otras palabras, pueden emular la capacidad de toma de decisiones de los humanos.
El aprendizaje automático, en cierto sentido, puede verse como una herramienta que ayuda al sistema a tomar decisiones. El aprendizaje automático induce el conocimiento al sistema.
Por ejemplo, supongamos que estamos haciendo un clasificador de dígitos escrito a mano. Supongamos que estamos utilizando un método de aprendizaje supervisado y, por lo tanto, tenemos múltiples ejemplos de dígitos escritos a mano y alimentamos estos ejemplos al sistema para que aprenda.
El aprendizaje automático inducirá el conocimiento de las experiencias de ver esos dígitos escritos a mano en el sistema. En este caso, digamos que usamos kNN para la tarea. Entonces, kNN induce el conocimiento al sistema y, por lo tanto, kNN es un algoritmo de aprendizaje automático.
Algunas referencias para aclarar esta respuesta
Aprendizaje supervisado
algoritmo vecino k-más cercano

El aprendizaje automático y los sistemas expertos difieren en la cantidad de conocimiento humano necesario y en cómo se utilizan.

En un sistema experto, todo el conocimiento del experto adquirido se digitaliza y se utiliza en la toma de decisiones. Un experto especifica todos los pasos que tomó para tomar la decisión, la base para hacer lo mismo y cómo manejar las excepciones. Un sistema puro / rígido trataría de seguir las reglas exactas del experto. Un sistema flexible usaría el conocimiento como una guía inicial, y usaría la guía del experto para aprender, basado en la retroalimentación del experto.

En la solución Machine Learned, mientras se dan los ejemplos de capacitación, al experto solo se le pide una decisión. Un algoritmo de “aprendizaje supervisado” determinaría, en base a todos los datos disponibles, imitar el comportamiento final del experto. Esto funciona bien en muchas situaciones, ya que los algoritmos que son eficientes para las máquinas pueden no ser los más eficientes para los humanos, y las máquinas están más acostumbradas a manejar muchas dimensiones diferentes.

En muchos proyectos, las personas comienzan con Expert Systems, si están probando un nuevo concepto o si hay muy poca información. Y luego, se mueven hacia Machine Learning. En muchos casos, incluso hoy, la utilidad de un programa o motor necesita ser probada, antes de compartir datos confidenciales.

Estoy de acuerdo con las otras respuestas, sin embargo, creo que hay una forma muy clara e intuitiva de pensar sobre la diferencia entre expertos y sistemas de máquinas que hasta ahora nadie ha señalado.

Todo se reduce a quién aprende.

Por ejemplo, si imaginamos a un equipo de investigadores (un sistema experto) tratando de predecir los precios de la vivienda dada alguna información sobre la casa, los investigadores tendrían algunos ejemplos conocidos de casas con información como ubicación, tamaño, año de construcción y la venta precio de la casa (los datos de entrenamiento).

Luego, los investigadores intentarían combinar las características de tal manera que puedan predecir con precisión el precio de la casa dada la otra información. En un ejemplo muy simplificado (lineal), pueden terminar con algo como:

[matemáticas] \ text {precio} = \ text {ubicación} \ cdot \ text {weight} _1 + \ text {año de construcción} \ cdot \ text {weight} _2 + \ text {size} \ cdot \ text {weight} _3 [ /mates]

Uno podría imaginar que los investigadores usan una combinación de su intuición y el conocimiento de los datos para obtener valores para los pesos de manera que la ecuación se aproxime al precio real con la mayor precisión posible.

Uno podría imaginar además que cuando los investigadores encuentran más datos, modifican el modelo muy ligeramente para obtener un resultado ligeramente mejor; El precio previsto está más cerca del precio real.

Esto es esencialmente cómo se hacen los sistemas expertos (aunque a menudo los algoritmos reales utilizados para predecir algo son más complicados que este ejemplo).

Un sistema de aprendizaje automático dice, “atornille a los expertos”.

En pocas palabras, el aprendizaje automático está automatizando el proceso de ajustar los pesos, para minimizar la diferencia entre los precios reales y los pronosticados; al igual que los investigadores con el sistema experto.

Cómo exactamente se hace en la práctica varía un poco, pero no está muy lejos del ejemplo anterior.

Aprendizaje automático versus sistemas expertos. Me pidieron en una entrevista que diferenciara entre los dos. No pude satisfacerme con la respuesta, y mucho menos con el entrevistador. Y me hizo pensar.

Así que aquí va todo lo que he aprendido mientras tanto.

Experto en Sistemas:
Existen múltiples definiciones, pero la esencia es que se espera que emulen y reemplacen la capacidad de toma de decisiones de los expertos humanos en un dominio determinado.

Por ejemplo, el doctor es el experto humano con respecto a los medicamentos, etc.

Aprendizaje automático :
Como lo ilustra el nombre dado al curso realmente Popular, es Aprender de Data @Learning From Data – Curso en línea (MOOC).
Entonces le dicen la forma en que se comporta un evento en particular o un sistema dado un montón de datos sobre ese evento.

Por ejemplo, predicción de datos meteorológicos basada en datos históricos

Semejanza
Ambos técnicamente caen en el ámbito de la Inteligencia Artificial

Diferencia:
El sistema experto extrae alguna inferencia sobre los datos observados y ACTS sobre ellos a través de ciertas reglas.
Machine Learning, por otro lado, infiere los datos a los que ha estado expuesto y hace una inferencia básica, pero caracteriza mejor los datos.

Conclusión:
Supongo que la verdadera diferencia está principalmente en la interpretación de la acción.
Si un algoritmo de aprendizaje automático marca un correo electrónico como correo no deseado, un sistema experto de detección de correo no deseado podría usar este algoritmo ML más algunas otras reglas basadas en heurística o palabras clave para clasificar este correo electrónico en la carpeta de correo basura / correo no deseado.

Ergo, el sistema experto podría usar el aprendizaje automático para lograr sus objetivos.
El aprendizaje automático, por otro lado, hace que las computadoras sean inteligentes, pero son inherentemente tontas.

Los sistemas expertos son históricamente un amplio conjunto de enfoques para proporcionar inteligencia artificial a ciertas aplicaciones. Los sistemas expertos que he visto no son sistemas de aprendizaje automático. Los datos y las reglas utilizados para tomar las decisiones se construyen cuidadosamente en base al conocimiento de expertos humanos.

Un ejemplo de esto sería un sistema que ayude a los ajustadores de seguros a descubrir el fraude o un sistema que haga recomendaciones a los suscriptores de préstamos sobre la calidad de la deuda involucrada. Estos sistemas pueden hacer preguntas sistemáticamente en función de los datos que han recibido y encontrar la mejor respuesta posible.

Los sistemas de aprendizaje automático consisten en algoritmos que, a diferencia de los sistemas expertos, tienen la capacidad de aprender de los datos que ingresan. No existe una arquitectura de datos prediseñada que no sea una arquitectura generalizada que pueda aprender.

Los sistemas expertos fueron geniales en los años 80. El aprendizaje automático es genial ahora.

(Y la minería de datos fue genial en los años 90 y 00 posteriores).

Editar: No entendí bien.