Проект "ExSys" изначально задумывался как создание экспертной системы прогнозирования урожайности сельскохозяйственных культур. В связи с этим, основное внимание было уделено вопросу взаимодействия человека (являющегося экспертом в конкретной предметной области) и машины, в частности интерпретируемости закономерностей, содержащихся в данных и возможности ручного ввода априорной (экспертной) информации. В качестве наиболее адекватного способа обеспечения такого взаимодействия была выбрана теория нечетких множеств, которая уже несколько десятилетий применяется для решения подобных плохо формализованных задач. Постепенно область применения созданного комплекса расширялась и сейчас он может быть использован для решения любых задач классификации и восстановления регрессии.

Программный комплекс "ЭкСис" является средством проектирования нечетких экспертных систем в реальном времени. При этом, в зависимости от наличия/отсутствия эксперта в исследуемой области, а также уровня его знаний, комплекс может работать в режимах с различной степенью участия человека на этапе обучения - от ручного (вся система непосредственно проектируется экспертом) до полностью автономного (система проектируется в течение нескольких секунд автоматически по множеству прецедентов). Использование теории нечетких множеств и методов нечеткой логики позволило записать закономерности в виде осмысленных предложений на русском языке. Правила представляются в виде предложений "Если … ТО…" с логическими связками "И" и "ИЛИ". Следующее правило было сгенерировано автоматически по обучающим данным "ЕСЛИ (побед - много И ничьих - среднее немало) ИЛИ пропущенных мячей - немного ТО место команды - высокое". При распознавании происходит применение базы знаний к рассматриваемому объекту и дефаззификация - перевод результата из лингвистической формы назад в числовую для получения точечного прогноза.

В комплексе реализован оригинальный алгоритм генерации нечетких правил по множеству прецедентов (объектов с известными ответами), который позволяет находить ВСЕ значимые закономерности, содержащиеся в данных. Каждая закономерность подвергается статистической верификации с помощью современных методов математической статистики. Это позволяет избежать настройки на случайные флуктуации в обучающих данных, которые могут негативно повлиять на качество последующего распознавания. Другой особенностью алгоритма генерации является возможность применения к нему методов адаптивной коррекции (bagging, boosting и т.д.). Один из них (AdaBoost) реализован в комплексе. Это позволило увеличить точность работы за счет учета специфических объектов при анализе которых ранее возникали ошибки
   Основными достоинствами этой системы являются
º   Возможность просмотра нечетких правил, сгенерированных системой, а также их редактирования, удаления и добавления новых.
º   Возможность просмотра и изменения примерных границ и формы нечетких множеств.
º   Различные режимы дефаззификации результата позволяют решать как задачи классификации так и восстановления регрессии.
º   Низкая подверженность перенастройке на обучающие данные. Таким образом, результат, полученный при распознавании обучающей выборки является практически несмещенной оценкой качества распознавания произвольного объекта, взятого из этой генеральной совокупности.
º   Одновременное создание базы данных с обновлением в режиме реального времени при проектировании системы.