System ekspertowy

System ekspertowy to rodzaj systemu informatycznego (często zaliczanego do klasy systemów sztucznej inteligencji), który naśladuje sposób rozumowania specjalisty w wąskiej dziedzinie, aby formułować wnioski, rekomendacje lub diagnozy na podstawie zdefiniowanej wiedzy i reguł. Jego celem jest dostarczenie spójnych, uzasadnialnych decyzji w powtarzalnych sytuacjach, gdzie wiedza ekspercka może zostać opisana w sposób formalny.

Systemy ekspertowe powstały jako odpowiedź na potrzebę „zatrzymania” wiedzy doświadczonych osób w organizacji i udostępnienia jej w formie narzędzia wspierającego decyzje. W praktyce oznacza to, że zamiast uczyć się wyłącznie na danych (jak wiele współczesnych modeli uczenia maszynowego), system ekspertowy opiera się na jawnie zapisanej bazie wiedzy: regułach typu „jeżeli… to…”, faktach, definicjach pojęć oraz zależnościach między nimi. Dzięki temu potrafi nie tylko wydać rekomendację, ale też wyjaśnić, dlaczego do niej doszedł (np. wskazując reguły, które zostały spełnione).

Kluczowym elementem jest mechanizm wnioskowania (silnik reguł), który przetwarza dane wejściowe i porównuje je z bazą wiedzy. W zależności od konstrukcji może działać „od danych do wniosków” (wnioskowanie w przód) albo „od hipotezy do potwierdzenia” (wnioskowanie wstecz). Przykładowo, w e-commerce system może zacząć od faktów: „produkt ma niską marżę”, „koszt dostawy wysoki”, „konwersja spada”, i dojść do wniosku: „nie zwiększaj budżetu na ten kanał” lub „przetestuj inny próg darmowej dostawy”. W wariancie wstecznym system może sprawdzać hipotezę: „czy przyczyną spadku sprzedaży jest brak dostępności?” i zadawać pytania lub analizować dane, aby ją potwierdzić.

W kontekście sklepów internetowych i zarządzania produktem system ekspertowy bywa używany jako narzędzie wspomagania decyzji operacyjnych (np. obsługa reklamacji, klasyfikacja zgłoszeń, dobór procedury wysyłki), kontroli jakości danych i procesów (np. wykrywanie anomalii w cenach, stanach magazynowych, kosztach dostaw), a także jako „warstwa reguł” nad analityką (np. interpretacja wskaźników i uruchamianie działań). W odróżnieniu od prostych automatyzacji typu „if-this-then-that”, system ekspertowy zwykle obejmuje większą liczbę reguł, hierarchie pojęć, wyjątki oraz mechanizmy rozstrzygania konfliktów (np. co zrobić, gdy jednocześnie spełnione są reguły prowadzące do sprzecznych rekomendacji).

Istotną cechą systemów ekspertowych jest ich zakres: najlepiej działają w dziedzinach o względnie stabilnych zasadach, gdzie wiedza da się opisać w postaci reguł i gdzie ważna jest audytowalność decyzji. W e-commerce mogą to być m.in. reguły merchandisingowe (np. priorytety ekspozycji, ograniczenia promocyjne), reguły fulfillmentu (np. wybór magazynu, przewoźnika, pakowania), czy reguły analityczne i CRO (np. interpretacja spadków konwersji w zależności od zmian w koszyku, dostępności, cenach i źródłach ruchu). Jednocześnie system ekspertowy nie jest „uniwersalnym ekspertem”: jego skuteczność zależy od jakości i kompletności bazy wiedzy oraz od tego, czy rzeczywistość biznesowa nie zmienia się szybciej niż reguły.

Przykłady (zwięzłe, domenowe):

• *Obsługa klienta:* „Jeśli zgłoszenie dotyczy opóźnienia dostawy i status przesyłki = ‘w doręczeniu’ oraz minęło 48 h, eskaluj do przewoźnika.”
• *Merchandising:* „Jeśli produkt ma wysoki zwrot i niską ocenę, to obniż priorytet w listingu; jeśli jednocześnie jest bestsellerem, zastosuj wyjątek i pokaż ostrzeżenie w opisie.”
• *Fulfillment:* „Jeśli koszyk zawiera produkt ADR/niebezpieczny, to wyłącz określonych przewoźników; jeśli klient wybrał paczkomat, zaproponuj alternatywę.”
• *Analityka/CRO:* „Jeśli spadek konwersji dotyczy tylko mobile i koreluje ze wzrostem czasu ładowania, to priorytetem jest performance; jeśli dotyczy tylko jednej kategorii, sprawdź dostępność i ceny.”

—

• Kluczowe właściwości
• Jawna baza wiedzy i reguły: logika działania jest opisana wprost (np. reguły, fakty, ontologie pojęć), a nie „ukryta” w parametrach modelu.
• Mechanizm wnioskowania: system potrafi wyprowadzać wnioski z zestawu przesłanek, rozwiązywać konflikty reguł i stosować wyjątki.
• Wyjaśnialność: typowo umożliwia wskazanie, które reguły i dane doprowadziły do decyzji (ważne w operacjach i audycie).
• Wąska specjalizacja: najlepiej sprawdza się w jasno ograniczonym obszarze (np. polityka zwrotów, dobór metody dostawy), a nie jako ogólny „doradca od wszystkiego”.
• Utrzymanie wiedzy: wymaga procesu aktualizacji reguł wraz ze zmianami oferty, polityk, kosztów, sezonowości czy zachowań klientów.

• Typowe konteksty użycia (szczególnie w e-commerce)
• Merchandising i pricing: egzekwowanie ograniczeń (np. minimalna marża, zasady promocji), priorytety ekspozycji, kontrola spójności cen i etykiet promocyjnych.
• Fulfillment i logistyka: wybór magazynu, przewoźnika, sposobu pakowania; obsługa wyjątków (gabaryty, produkty wrażliwe, ograniczenia dostaw).
• Obsługa klienta i reklamacje: triage zgłoszeń, dobór procedury, weryfikacja warunków (terminy, statusy, dowody zakupu), spójne odpowiedzi.
• Analityka operacyjna i monitoring: regułowe alerty i interpretacje (np. „spadek sprzedaży + brak stocku + wzrost odrzuceń = problem dostępności/UX”), wsparcie decyzji w oparciu o KPI.
• Zarządzanie ryzykiem i zgodnością procesową: wykrywanie nieprawidłowości (np. podejrzane zwroty, nietypowe rabaty), egzekwowanie polityk wewnętrznych.

• Częste nieporozumienia
• „System ekspertowy = chatbot”: chatbot to interfejs rozmowy; system ekspertowy to logika decyzyjna. Chatbot może korzystać z systemu ekspertowego, ale nie musi.
• „To to samo co uczenie maszynowe”: ML uczy się wzorców z danych, a system ekspertowy opiera się na regułach zapisanych przez ludzi. W praktyce często łączy się oba podejścia (np. model wykrywa anomalię, reguły decydują o akcji).
• „Wystarczy spisać kilka reguł”: proste automatyzacje nie są jeszcze systemem ekspertowym; istotne są m.in. struktura wiedzy, obsługa wyjątków, konfliktów i uzasadnianie wniosków.
• „Zawsze daje poprawną odpowiedź”: system jest tak dobry, jak jego baza wiedzy i dane wejściowe; niekompletne reguły lub błędne dane prowadzą do błędnych rekomendacji.
• „Nie wymaga utrzymania”: zmiany w ofercie, kosztach, kanałach sprzedaży i zachowaniach klientów szybko dezaktualizują reguły, więc potrzebny jest właściciel merytoryczny i cykl przeglądów.