它集成了史密斯在这一领域的专业知识，包含了数百条故障排除与解决规则。到了1984年，DEITA可以诊断出80%的故障，并提供针对发动机故障进行维修的详细说明(Crevier.1993：198)。
在20世纪80年代初，专家型系统在降低成本、公司内部共享以及传承专业知识方面的前景可谓一片光明。然而，好景不长，许多专家型系统被证明价值有限，因为其只能在个别环境当中发挥作用，而且效果并非尽如人意(Alpaydin，2016)。在DELTA案例当中，用户需要在系统最初开发之后接手维护工作·但根本没人愿意承担这一责任·因此它从未被真正地应用于工业实践(Gill，1995：66)。早期专家型系统的一些问题可以归因于技术环境发展问题，比如专家型系统可能与公司的一般计算环境不相匹配(Gill。1995：64)。而系统的其他问题则可以回溯到其无法融入人类环境，DELTA也不例外。例如。人们对于研发人员与系统采用公司的责任心存疑虑：人们对于系统所能解决的问题不以为然；用户对于外部开发系统心存抵触：抑或是系统核心研发人员跳槽(Gill，1995)。
机器学习决策系统
在第一代专家型系统被发明并应用之后的几年之内，数字化大数据环境开始蓬勃发展，这为“机器学习”系统的登场唱足了前戏。机器学习可以说是人工智能在21世纪10年代最为实在的应用案例。通过机器学习。人工智能系统的知识来源发生了翻天覆地的变化：系统基本上不再由人类专家提供知识，因为它能基于数据进行自我学习与升级。相应地，系统获得了自主性与能动性。在这种情况下，为人工智能赋能的不再是人类专家，而是数字化的数据集。正是基于自动化数据处理，机器学习系统能够学习并进一步进化升级。
大卫·莱尔(D)avid Lehr)与j保罗·奥姆(Paul()hm)将机器学习过程的数据分析能力描述为“发掘数据集中变量之间相关性(有时也被称为关系或模式)的自动化过程，常被用于针对某一结果的预估”
第3章大数据人工智能社会技术基础设施
89