دانلود مقاله سیستم های خبره

word قابل ویرایش
142 صفحه
8700 تومان
87,000 ریال – خرید و دانلود

سیستم های خبره

چکیده مؤلف
هوش مصنوعی دانش ساخت ماشین ها یا برنامه های هوشمند است تعریف دیگری که ازهوش مصنوعی می توان ارائه داد به قرارزیراست :
هوش مصنوعی شاخه ا ی است ازعلم کامپیوترکه ملزومات محاسباتی واعمالی همچون ادراک (perception ) –استدلال (reasoxing ) –یادگیری (Learning ) را بررسی می کندوسیستمی جهت انجام چنین اعمالی ارائه می دهد.

وهمچنین مطالعه روش هایی است برای تبدیل کامپیوتربه ماشینی که بتواند اعمال انجام شده توسط انسان راانجام دهد.آیا تنها این نکته که هوشمندترین موجودی که می شناسیم انسان است کافی است تا هوشمندی را به تمام اعمال انسان نسبت دهیم اما حداقل توجه به این نکته کاملاً واضح ، لازم است که برخی از جنبه های ادراکی انسان مثل شنیدن و دیدن کاملاً ضعیف تر از موجودات دیگر است .

هوش مصنوعی فن آوری پیشرفته ا ی است که اخیراً از سوی محققان علوم مختلف مورد توجه زیادی قرار گرفته است و هوش مصنوعی در واقع روشی است که زیربنای لازم برای انجام عملیات هوشمند توسط انسان توسط کامپیوتر را فراهم می آورد. یکی از کاربردهای عمومی هوش مصنوعی سیستم های خبره هستند.

سیستمهای خبره ابزارهای کامپیوتری هستند که همانند یک متخصص در حوزه تخصصی خود در مسائل مربوط به آن حوزه مشاوره می دهند و در صورت لزوم تصمیم گیری می نمایند . کاربردهای اصلی هوش مصنوعی عبارتند از :
الف) پردازش زبان طبیعی (ترجمه ، خلاصه سازی ، محاوره زبان طبیعی)
ب) اثبات قضایا (اثبات وجود /عدم وجود ویژگی های مورد نظر)
ج) سیستم های بنیادی د) پردازش صوت و تصویر

هـ) برنامه ریزی و هدایت رباط و) سیستم های خبره ز) عامل های نرم افزاری
در طراحی و ساخت سیستم های خبره افراد زیر به صورت گروهی با هم کار می کنند.
الف)متخصص دامنه: کسی که دانش و فن کافی در زمینه خاصی را دارد .
ب) مهندس دانش: شخصی که طراحی، ساخت وآزمایش سیتم خبره را به عهده دارد.
ج) کاربر: شخصی که با سیستم کارخواهد کرد و پذیرش نهایی سیستم بستگی به نظر او دارد.

اما از مزایای سیستم های خبره می توان به موارد زیر اشاره کرد:
۱- همواره در دسترس است در حالی که متخصص تنها عموماً در ساعات خاصی از شبانه روز قابل دسترس می باشد.
۲- از نظر جغرافیایی متخصص در هر لحظه ، تنها می تواند در یک محل حضور داشته باشد در حالی که یک سیستم خبره قابل نسخه برداری بوده و در هر لحظه می تواند در چندین محل از آن استفاده کرد.
۳- متخصص ممکن است بر اثر عواملی گوناگون مانند، ترک سازمان ، بازنشستگی ، مرگ و میر و …پس از مدتی امکان ادامه فعالیت نداشته باشد و غیر قابل جایگزین باشد در صورتی که سیستم خبره قابل جایگزین است.

۴- سیستم های خبره معمولاً رفتارهای یک نواختی دارند و تحت تأثیر زمان و مکان قرار نمی گیرند .
۵- در انجام کارهای تکراری عموماً سرعت بالاتری دارند یک معماری سیستم های خبره از قسمت های زیرین تشکیل شده است: الف) پایگاه دانش
ب) موتور استنتاج ج) واسط سازنده و)برنامه های جانبی ز) تشریح نتایج
با سپری شدن ۵ نسل الکترونیکی از لامپ خلأ تا اختراع و استفاده روزافزون از تراشه (spu) بشر خلاق و مبتدع در صدد شکافتن علوم انفورماتیک و دسترسی به نسل ششم یعنی رایانه های هوشمند است . در زمینه توسعه بازیها در هوش مصنوعی وسیستم های خبره تا حدی به بازی شطرنج پرداخته شده که غالباً عده ا ی هوش مصنوعی را با شطرنج همزمان به خاطر می آورند.

مک کارتی از بنیان گزاران هوش مصنوعی است این روز را آنقدر اغراق آمیز می داند (زیرا این روز آنقدر سرعت در حال پیشرفت است ) که می گوید: محدود کردن هوش مصنوعی به شطرنج مانند این است که علم ژنتیک را از زمان داروین تا کنون تنها محدود به پرورش لوبیا کرده باشیم.

اما در مورد سیستم های خبره یا همان هوش مصنوعی در زمینه کاربردی تا کنون به کار گرفته شده است که تعدادی از این زمینه ها عبارتند از : کشاورزی، تجارت، شیمی، ارتباطات، کامپیوتر، آموزش الکترونیک، مهندسی محیط ، زمین شناسی ، تصویر پردازی، اطلاعات، حقوق، ساخت و ساز، ریاضیات، پزشکی، هواشناسی و…
در ساخت سیستم های خبره و طراحی آن افراد باید به صورت گروهی کار کنند سپس می بینیم که توجه به سیستم های خبره در عصر تکنولوژی وپیشرفت برای عقب نماندن از دنیای متمدن امروزی لازم است .

مقدمات هوش مصنوعی
تحقیق در مورد هوش مصنوعی در دهه ۱۹۴۰ که مصادف با پدیدار شدن اولین نسل از کامپیوتر ها در مراکز تحقیقاتی بود ، شروع شد.
اصول اولیه ماشین منطق که در ریاضیات پایه ریزی شده بود با تلاش کرت گاول ، آلوتز و چرچ ، آلن تورنیگ مهیا شد . همچنین روایت هدراسل در سال ۱۹۱۳ به تولید روشهای صوری در استدلال منطقی کمک های شایانی کرد .

تحقیق عمده همه این افراد روی موضوع حسابهای احتمالی و پشنهادی متمرکز شد.
این منطق صوری و نمادین به عنوان یک بخش مهم و قابل توجه در سیستم های هوش مصنوعی نشان داده شد . تورنینگ در سال ۱۹۵۰ میلادی ماشینی را توسعه داد که ثابت می کرد یک پردازشگر ساده عددی می تواند علامتها را به خوبی اعداد بدون نقص و صحیح ، پردازش کند و به کار ببندد. او این مسأله را که برای مقایسه هوش ماشین و هوش انسان مورد استفاده قرار گرفت در آزمایشی به نام تست تورنیگ آشکار ساخت. بدین ترتیب تا سال ۱۹۵۶ میلادی که جان مک کارتی برای نخستین مرتبه اصلاح هوش مصنوعی را در یک کنفرانس (که در کالج دارت موث آمریکا برگزار شد) مورد استفاده قرار داد، اصطلاح هوش مصنوعی وجود نداشت .

دانشمندان متعددی که مشغول کار و بررسی این زمینه نوین مطالعه بودند در کنفرانس گرد هم آمدند و تصمیم آنها برای سازماندهی جدید این علم چنان بود که اعلام کردند در ۲۵ سال آینده، کامپیوتر ها تمام کارها را انجام خواهند داد و فعالیت های ما تنها به کارهای تفریحی محدود خواهد شد. و ۲۵ سال بعد، همین زمانی است که ما در آن هستیم و پرواضح است که این قبیل پیشگویی ها از روی خوش بینی بوده و هوش مصنوعی این توقعات را برآورده نکرده است.

یکی از عمده ترینو قابل توجه ترین برنامه های هوش مصنوعی منطق تئوری یا منطق علوم نظری نوول، شاو و سایمون در سال ۱۹۶۳ بود. این برنامه قادر بود ۳۸ قضیه از ۵۲ قضیه وایت هل راسیل (سال ۱۹۱۳) را در ریاضیات پایه اثبات کند. تعدادی از این برنامه ها در یک تراز، صلاحیت استعداد دانش آموزان فارغ التحصیل نشده را در ریاضیات نشان می دادند و باید گفت هنگامیکه زبان کامپیوتری را براساس منطق بولین(دوگانه)درنظر بگیریم،این امرکاری خارق العاده نمی باشد.

برنامه های هوش مصنوعی برای حل مسائل عمومی
بعد از سال های ۱۹۵۰ میلادی، محققین هوش مصنوعی سعی نمودن روش هایی برای حل مسأله براساس استدلال های بشر ، ارائه نمایند . چنین پروژه ا ی در سال ۱۹۷۶ به وسیله نوول و سایمون توسعه یافت که به عنوان الگوریتم های حل مسائل عمومی یا (GPS)شناخته شد .
یک مسأله مشخص در GPS با اصطلاحاتی از قبیل حالتهای موجود، حالت اولیه و حالت نهایی توصیف می شود . به عنوان مثال دربازی شطرنج ، عملگرها ، قوانینی هستندکه مهره های مختلف را قادر می سازند از یک حالت به حالت دیگر منتقل شوند . مسائل این چنینی بایک جستجوی فضای حالت مشخص می شوند .

مسئله فوق یکی از مسائل اصلی هوش مصنوعی در کاربردهای امروزی می باشد که بعداً راجع به آن بحث خواهد شد.
GPS در زمینه های گوناگون حل مسئله از قبیل اثبات قضایا ، محاسبات انتگرال و انواع خاص از جداول منطقی موفق بود. با وجود این موفقیت ها به دو دلیل این استراتژی عمومی رد شد : اول، جستجوی فضاهای مسأله ها، رشد یافته ، خیلی عمومی و کلی شد که انفجار ترکیبی نام گرفت . دومین مشکل، بیان چگونگی حل مسأله بود ، مسائل ریاضی نسبتاً به راحتی نمایش و توصیف می شدند اما بیان و نمایش مسائل زندگی روزمره بسیار سخت و باورنکردنی بود. بنابراین در سالهای ۱۹۶۰ میلادی ، تحقیقات هوش مصنوعی به جهتی سوق پیدا کرد که الگوریتم های جستجو و تکنیکهای بیان دانش بهبود یابد .

پیدایش KBS
یکی از کمبودهای راه حل مسائل عمومی این بود که اندازه مسئله بزرگ شد.بنابراین فضای جستجوبه وجود آمده بطورقابل توجهی رشد کردبنابراین تنها با ساخت برنامه هایی که کمترعمومی هستند وتمرکزروی دانش خاص مسسئله می توانیم این قبیل فضای جستجورا کاهش دهیم .ازاین رویک عرصه جدید برای تحقیق درسال ۱۹۷۰ پدیدارشدوواترمن (۱۹۸۶) یک برنامه هوشمند با عالی ترین کیفیت ودانش مشخص دردامنه مسئله ایجاد نمودکه لنات وگودها بعداً درسال ۱۹۹۱آن را اصل دانش نامیدند.

آنها این مسئله را به شرح زیربیان کردند: اگربرنامه ا ی کارپیچیده ا ی رابه خوبی اجراکند، آن برنامه می بایست راجع به محیطی که درآن عمل می کند، دانسته هایی داشته باشد. درنبود دانش، همه آنچه که مشخص می شود براساس جستجو واستدلال است که کافی نیست . اززمانی که اولین محصول پایگاه های دانش پدیدارشد ،

یک شاخص درمحدوده های زندگی واقعی به حساب می آمد. مانند تشخیص بیماری های عفونی ویا پیشگویی ذخایرمعدنی درمناطق جغرافیایی مختلف دنیا.این تاریخچه ا ی ازآزمایش برروی مسائل زندگی واقعی بود تا بفهمیم که آیا تصورات با سعی وتلاش قابل دسترسی هستند یا خیر؟ سیستم DENDRAL اولین سیستم در این دسته بود که ساخته شد.کارروی این سیستم در سال ۱۹۶۵ میلادی بامدریت ادوارد فیگن باوم (۱۹۸۲) شروع شد. این سیستم به این دلیل به کار گرفته شد تا ساختارهای شیمیایی ذرات ناشناخته را معین کند. این سیستم ها برای حل مسائلی به کار برده شدند که نیاز به سرویس دهی یک خبره داشتند بنابراین به عنوان سیستم های خبره شناخته شدند.

همچنین این سیستم ها به عنوان سیستم های مبتنی بر دانش یا سیستم های دانش شناخته می شوند. به این دلیل که سیستم ها دارای دانش مربوط به محدوده هایی خاص می باشند. سیستم های خبره تجربی (مبتنی بر تحقیق) در جدول ۱-۱ آمده است.
جدول ۱-۱ برخی سیستم های خبره تجربی
محدوده کار سال مبدأ نام
ساختارهای مولکولی داده شده راروی اجزاءتشکیل دهنده کشف می کند. ۱۹۶۵ دانشگاه استانقفورد آمریکا DENDRAL
یک برنامه وسیع جذاب که انواع متفاوت ازمسایل ریاضی راحل می کندو حساب انتگرال را در بر می گیرد ۱۹۶۸ هیت – آمریکا MACSYMA
زمین شناسان در اکتشافات معدنی کمک می کند. همچنین می تواند یافته های زمین شناسان را در منطقه مهم پیشگویی کند ۱۹۷۴ موسسه تحقیقاتی استانفورد PROSPECTOR

یک سیستم پزشکی بی سابقه برای کمک به پزشکان در انتخاب آنتی بیوتیک هایی برای کنترل عفونت های پیشرفته و شدید. ۱۹۷۶ دانشگاه استانفورد
آمریکا MYCIN
در ساختار کامپیوترهای بزرگ Dec Vax کاربرد دارد ۱۹۸۰ DEC XCON

ظهور سیستم های خبره تجاری
بسیاری از سیستم های خبره که در سال ۱۹۷۰ میلادی ساخته شده بودند، آزمایشی بودند و اساساً به تحقیق دانشگاهی محدود می شدند. سیستم های خبره تجاری تا سالهای ۱۹۸۰ میلادی وجود نداشتندو محققان شروع به تبدیل سیستم ها از نوع آزمایشگاهی به سیستم های تجاری کردند.
سیستم XCON (مک در موت در سال ۱۹۸۲) از جمله اولین این سیستم ها بود. DEC این سیستم را در اوایل دهه ۱۹۸۰ میلادی ساخت که نمونه ا ی از یک سیستم خبره موفق است. این سیستم قادر است براساس مبالغ هنگفت سرمایه پس انداز شده یک شرکت امکان برگشت سرمایه و سود را در کوتاه مدت محاسبه نماید.

XCON یک پیکربندی مشتری با دقت ۹۸% در مقایسه با ۷۰% برای انسان دارد و کاری را که انسان در یک زمان متعارف باید به طور کامل انجام دهد، انجام می دهد. موفقیت XCON شروع یک پیشرفت تجاری برای سیستم های خبره بود. در اواخر سالهای ۱۹۸۰ میلادی شرکت های بزرگ و کوچک به ارائه قابلیت های سیستم خبره اقدام نموده و ترقی کردند.
سرمایه گذاری در دو برنامه مهم هوش مصنوعی کرد. این اتفاقات در آن زمان باعث ایجاد منافع تجاری با استفاده از هوش مصنوعی و سیستم های خبره شد.

هوش مصنوعی در قرن بیست و یکم
هم اکنون چندین پروژه هوش مصنوعی وجود دارند که جالبترین آنها Cyc است. (لنات وگودها در سال ۱۹۹۱ میلادی) که در سال ۱۹۸۴ میلادی به راه افتاد . Cyc از کلمه Encyclopaedia گرفته شده است. CYC به ذخیره مقدار زیادی از دانش واقعی مبادرت می ورزد. این پروژه در شرکت تکنولوژی کامپیوتر و میکروالکترونیک (MCC) در استین و تگزاس پایه گذاری شده و یکی از جاه طلبانه ترین پروژه هاست که در هوش مصنوعی به عهده گرفته شده است.

راهنما و مؤسس پروژه ، داگ لنات نقل می کند که : علت عقب ماندن CYC این است که اولین نسل از سیستم های خبره فاقد حواس ۵ گانه هستند و این امر موجب می شود که آنها شکننده (ضربه پذیر ) باشند. به این معنی که بسیاری از سیستم های خبره نسل اول خیلی خوب عمل کردند اما صرفاً به کرانه های قلمرو دانش خود محدود شدند .
این سیستم ها به طور مشهود قادر به پاسخگویی در جهان واقعی نخواهند بود وازاین روسیستم های انسانی بیشتر مورد استفاده قرار می گرفتند. چرا که آن سیستم ها هیچ مزیتی نداشتند.

جدول ۱-۲ : پیشرفت سیستم های خبره ازسال ۱۹۹۰ تاکنون
شرح سال تکمیل توسعه دهنده نام
یک سیستم خبره زمانبندی که چرخه عملیات رابرای فضاپیمای شاتل ازیک پروازتا پروازبعدی زمانبندی می کند. ۱۹۹۳ NASA,USA GPSS
طرح یک سیستم خبره که برای نیازمندیهای مشتری بکاربرده شده وبرمبنای استدلال عمل می کند. ۱۹۹۲ Nippon steel ,Japan NSSP
سیستم خبره نمایش که توسط بانک Barclays برای تشخیص کلاهبرداری درکارتهای شناسایی استفاده می شود. ۱۹۹۲ Touche Ross, UK FRAUDWATCH

سیستم خبره که برای برنامه ریزی منطقی بکارمی رود. ۱۹۹۰ DARPA , USA DART
سیستم خبره کنترل فرآیند که برای کنترل انرژی مصرفی درتولید بکارمی رود. ۱۹۹۱ Blue Circle pic , UK LINKMAN

سیستم های خبره بعد ازگذشت ۱۵ سال سود قابل توجهی برای سازمان ها آورده اند . برخی ازمحیط های موفق درزیرآمده است .
 تشخیص (سیستم MYCIN )
 طراحی (سیستم NSPP )
 برنامه ریزی (سیستم DART )
 پیکربندی (سیستم XCON‌)
 زمانبندی ( سیستم GPSS )

انسان متخصص درمقایسه با سیستم های خبره
با وجود این موفقیت ها،چندمثال ازشکست های سیستم خبره وجوددارد.کاربردمناسب سیستم های خبره برای یک پروژه خاص درفصل های بعدی بحث خواهدشد.به هرحال مزایا ومعایب سیستم های خبره وانسان متخصص می تواند به صورت جدول ۱-۲ خلاصه می شود.

مزایای کامپیوتری
 انسان متخصص موقت است . به عنوان مثال انسانها ممکن است تغییرشغل بدهند ویا بیمارشوندوغیره ولی کامپیوتردائمی است .
 انسان متخصص همیشه ثابت قدم نیست. چرا که انسان می تواند روزهای تعطیلی داشته باشدیا بعضی اوقات برنامه زمانی کاملاً مشغول داشته باشد. وهمه این عوامل ناسازگارروی انجام کارها تأثیرمی گذارند.کامپیوترها همیشه هستندوبا هرگونه شرائط ناسازگاربطوریکنواخت کارمی کنند.

 انسان متخصص به راحتی قابل انتقال نیست ویک انسان بطورهمزمان نمی تواند دردومکان حضورداشته باشد ولی کامپیوترنسبت به انسان راحتترقابل انتقال است .به عنوان مثال اجرای یک سیستم خبره دریک کامپیوتر می تواند دریک سایت متفاوت روی کامپیوترهای دیگرنیزصورت گیردویا حتی ازاینترنت بارگردد.

 هزینه انسان متخصص زیاد است . حقوق ماهیانه کارمندان ازبهای کامپیوترشخصی ، سخت افزارکامپیوترو نیزنرم افزارآن بیشتراست .
مزایای انسان
 انسان ها خلاق هستند اغلب اوقات الهام بخش هستند ولی کامپیوترها چنین نیستند.
 انسان ها انعطاف پذیرهستند وبه آسانی خود را با شرایط وفق می دهند ویا دانش وتخصص خودرا با قلمرودانش خود بکارمی بندند وتنها دریک محدوده خاص ازمسایل تمرکزدارند.

 گرچه سیستم های خبره قابلیت یادگیری دارند اما درمقایسه با انسان قدرت یادگیریشان بسیارضعیف می باشد.
فوائد سیستم های خبره
فوائد سیستم های خبره می تواند ، هم درسازمان وهم درانجام کارهای انفرادی وشخصی درون سازمان مشاهده شود .
مزایای سازمانی سیستم های خبره
 نگهداری دانش : دانش همیشه موجود است . برخلاف انسان متخصص که ممکن است جریان کاررا عوض نموده ویا کناره گیری کندوغیره.
 توزیع دانش : دانش می تواند درشرکت های مختلف ویا درجای دیگردنیا توزیع شودواین کاربا به کارگیری شبکه ها وبا تکثیرسیستم های خبره روی سخت افزارانجام می شود.

 آموزش: درشرح قابلیت های سیستم خبره ، کاربران می توانند زنجیره استدلال تصمیماتشان راببینند ودرکی بهتر ازمسأله بدست آورند.
 رقابت : سیستم های خبره معمولاً‌به شرکت ها یک لبه رقابت آمیزمی دهند که باعث افزایش سرعت پاسخ دهی ودقت تصمیمات وغیره می شود.
 کاهش قیمت : قیمت ایجاد اجزا به وسیله کاربر پایین تراست. چون کامپیوترها هزینه زیادی را برای به اشتراک گذاری دانش خود صرف نمی کنند.
مزایای فردی سیستم خبره
 دسترسی به دانش :متخصص خبره همواره برروی سخت افزارهرکامپیوتر قابل استفاده است.
 آموزش : ارزش آموزش می تواند یک مزیت برای کارفرما وکارمند باشد.

 سازگاری : کاربر خواهد دانست که خبره جایزالخطا نیست واین طورنیست که سیستم خبره روزهای تعطیل داشته یا احساس بیماری کندویا اینکه خیلی چیزهای دیگردرفکرش باشد.
سیستم های خبره به عنوان سیستم های پشتیبانی تصمیم گیری

سیستم های پشتیبانی تصمیم گیری (DSS ) 1یک شاخه ازتحقیق درعملیات (OR) 2هستندکه به استنتاج نیازدارندوبرای مسایل مدیریت پیچیده تکنیک های کمی رابکاربرده ، به محاسبات طولانی وپیچیده نیزنیازدارند. سیستم های پشتیبانی تصمیم گیری (DSS ) رسماً‌ به عنوان کاربرد OR درمدیریت مراحل مختلف تصمیم گیری تعریف شده اند . مشخصات اصلی سیستم های پشتیبانی تصمیم گیری (DSS ) به شرح زیراست :
 استفاده ازتکنیک های OR به وسیله نرم افزارهای پردازش اطلاعات .
 اصلاح فرآیند تصمیم گیری درمدیریت با گسترش توانایی مدیرانی که این تصمیمات
ـــــــــــــــــــــــــــــــــــــــــــــــــــ
Decision Support System -1
Operating Research-2

راگرفته اند.
 کمک کردن به مدیریت به وسیله بررسی مسائل غیرساخت یافته (مسائلی هستندکه نمی توانند صرفاً با تکنیکهای OR ساخت یافته حل شوند).
تفاوت بین سیستم های خبره وسیستم های پشتیبانی تصمیم گیری

اکثرافراد DSS وسیستم های خبره را باهم اشتباه می کنند. DSS ازکاربردand/or برای پردازش داده توسط تکنیک های OR پشتیبانی می کند. سیستم های خبره دراین موارد خودشان می توانند تصمیمات رااتخاذکنند. همچنین مشخصه های دیگری برای سیستم های خبره به شرح زیر وجود دارد:
 راه حل های خبره برای مسائلی که احتیاج به تکنیک های بهینه سازی ریاضی دارند، کاربرد ندارندولی این راه حل هادرسیستم های پشتیبانی تصمیم گیری بکارمی روند.

 سیستم های خبره می توانند درمسائلی که ذکراهداف ومسائل درآنها مشکل است بکارروند.
 سیستم های خبره برای اخذ پیشنهادات متناوب جهت پردازش راه حل مسئله بسیارمؤثرهستند. این پیشنهادات ممکن است هرچه راکه دردستورورود وخروج نوشته شده است دربرگیرد واین مسئله ازقابلیت استدلال سیستم های خبره ناشی می شود.
سیستم های پشتیبانی تصمیم گیری (DSS) اغلب به انسان درتصمیم گیری درمورد تحلیل های کیفی یا کمی کمک می کنند، درحالی که سیستم های خبره سعی درجانشینی انسان متخصص دارند. تفاوت های بین DSS وسیستم های خبره درجدول ۱-۳ به صورت خلاصه ذکرشده است .

جدول ۱-۳ تفاوت های بین DSS وسیستم های خبره
سیستم های خبره (DSS) سیستم های پشتیبانی تصمیم گیری مشخصات
جایگزین توانایی های انسان کمک درتصمیم گیری اهداف

انتقال تخصص نصمیم گیری جهت یابی عمده
سیستم کاربروسیستم AND/OR سازنده تصمیم
محدود بزرگ – پیچیده قلمرومسئله
بسته باز دیدگاه نیاز

سیستم نیازمندی های بشر نیازمندی های بشر جهت گیری نیازمندی
سمبلیک سمبلیک – عادی عملیات روی داده
– گسسته مدل های ریاضی

تمرینات
۱- سرویس های مدیریت درگذشته برای مسائل پیچیده ازقبیل زمان بندی وبرنامه ریزی به تکنیک های ریاضی پایبند بوده اند.چرا اکنون به جای آن تکنیک سیستم های خبره به کاربرده میشوند؟

۲- فکرمی کنید چه چیزنرم افزارکامپیوتررا هوشمند خواهدکرد. توضیح دهید.
۳- درواثر منفی ومؤثر درتوسعه تکنیک های هوش مصنوعی رابیان کنید.
۴- چرا برنامه حل مسأله عمومی دراین فصل درابتدا مورد بحث قرارگرفت ؟

خلاصه مطالب فصل اول
تحقیق درمورد هوش مصنوعی دردهه ۱۹۴۰ که مصادف با پدیدارشدن اولین نسل ازکامپیوترها درمراکزتحقیقاتی بود، شروع شد.
یکی از عمده ترینو قابل توجه ترین برنامه های هوش مصنوعی منطق تئوری یا منطق علوم نظری نوول، شاو و سایمون در سال ۱۹۶۳ بود. این برنامه قادر بود ۳۸ قضیه از ۵۲ قضیه وایت هل راسیل (سال ۱۹۱۳) را در ریاضیات پایه اثبات کند.
بسیاری از سیستم های خبره که در سال ۱۹۷۰ میلادی ساخته شده بودند، آزمایشی بودند و اساساً به تحقیق دانشگاهی محدود می شدند.
سیستم XCON (مک در موت در سال ۱۹۸۲) از جمله اولین این سیستم ها بود. DEC این سیستم را در اوایل دهه ۱۹۸۰ میلادی ساخت که نمونه ا ی از یک سیستم خبره موفق است.

هم اکنون چندین پروژه هوش مصنوعی وجود دارند که جالبترین آنها Cyc است. Cyc از کلمه Encyclopaedia گرفته شده است. CYC به ذخیره مقدار زیادی از دانش واقعی مبادرت می ورزد.
مزایای کامپیوتری
 انسان متخصص موقت است .
 انسان متخصص همیشه ثابت قدم نیست.
 انسان متخصص به راحتی قابل انتقال نیست ویک انسان بطورهمزمان نمی تواند دردومکان حضورداشته باشد ولی کامپیوترنسبت به انسان راحتترقابل انتقال است .

 هزینه انسان متخصص زیاد است .
مزایای انسان
 انسان ها خلاق هستند.
 انسان ها انعطاف پذیرهستند
 گرچه سیستم های خبره قابلیت یادگیری دارند اما درمقایسه با انسان قدرت یادگیریشان بسیارضعیف می باشد.
فوائد سیستم های خبره

 نگهداری دانش  توزیع دانش  آموزش رقابت  کاهش قیمت
مزایای فردی سیستم های خبره
 دسترسی به دانش  آموز ش  سازگاری
سیستم های پشتیبانی تصمیم گیری (DSS ) یک شاخه ازتحقیق درعملیات (OR) هستندکه به استنتاج نیازدارندوبرای مسایل مدیریت پیچیده تکنیک های کمی رابکاربرده ، به محاسبات طولانی وپیچیده نیزنیازدارند.

تفاوت بین سیستم های خبره وسیستم های پشتیبانی تصمیم گیری
 راه حل های خبره برای مسائلی که احتیاج به تکنیک های بهینه سازی ریاضی دارند، کاربرد ندارندولی این راه حل هادرسیستم های پشتیبانی تصمیم گیری بکارمی روند.
 سیستم های خبره می توانند درمسائلی که ذکراهداف ومسائل درآنها مشکل است بکارروند.
 سیستمهای خبره برای اخذ پیشنهادات متناوب جهت پردازش راه حل مسئله بسیارمؤثرهستند.

سیستم های خبره چه هستند؟
یک سیستم خبره، برنامه ا ی است که سعی می کندازانسان متخصص، دراستفاده درروش های استنتاج برای یک قالب معین ازدانش تقلید کند. این قالب ازدانش حوزه نامیده می شود اینکه فرق بین داده ها، اطلاعات ودانش معلوم باشد بسیارمهم است . داده ، چیزی بیشترازیک دسته نشانه های الفبایی نیست. درزیریک سری ازداده ها را می بینیم .
a.6
b.6.0
c.-6
d.Oasis

لیست فوق یک گروه ازنشانه ها می باشندکه به تنهایی معنایی ندارند وفقط زمانی معنی می دهند که زمینه یا متنی به آنها اضافه شودکه دراین صورت اطلاعات نامیده می شوند. آیتم های فوق درزیر، به اطلاعات تبدیل شده اند:
a.f6
b.6.0 جوایزمسابقات را یادآوری می کند.
cْc.-6 ‎
d.Oasis یک گروه نوازنده معروف درانگلستان هستند.

هرآیتم درلیست فوق ازیک سری مشخصه های الفبایی(داده)به یک سری اطلاعات معنی دارتبدیل شده اند. به این صورت که علامت f درکاراکتر a به مبلغی ازپول اشاره می کند . کاراکترb علامت های داده، دربعضی مسابقات را نشان می دهد. کاراکترc ، به یک دمای خیلی سرد اشاره می کند. وآیتم های نهایی که یک گروه نوازنده معروف درانگلستان که Oasis نامیده می شود اشاره می کند. حال به آیتم های زیرتوجه کنید

.این آیتم ها دانش است که ازراه تجربه وآزمایش بدست آمده اند. ملاحظه کنید که هربخش ارتباط بین فرضیه ها وقواعد رابرای عملیات روی آن ها، بیان می کند.
.a هوا بارانی است وبه این دلیل من خیس خواهم شد.
.b دما c ْ۶۰- است وبنابراین سرد است .
.c موتورماشین داغ است ، پس باید مورد استفاده قرارگرفته باشد.
Oasis .d نوازنده هایی موفق هستند.

دانش با اطلاعات فرق دارد. اطلاعات غیرفعال بوده ، پویا نمی باشند. درحالی که مفهوم دانش ، فعال است به این معناکه با توسعه وپیشرفت چیزهایی جدیدتولید می شود. برای مثال دربخش a ازلیست فوق تجربه به ما می گویدکه اگردرباران بیرون برویم خیس خواهیم شدو ما ازاین اطلاعات که“خیس خواهیم شد” نتیجه می گیریم که هوا بارانی است . این دانش بصورت قواعد نشان داده شده است . به همین صورت بخش d توضیح می دهد که Oasis نوازنده های معروفی هستند وازدانستن این دانش استنباط می شودکه آنها میلیونرهستند (تجربه زیرکانه ا ی وجود داردمبنی براینکه گروههای نوازنده موفق معمولاً پولدارمی شوند ).

هوش مصنوعی
یکی ازپیشگامان هوش مصنوعی ماروین مینسکی است . وی هوش مصنوعی را به این صورت تعریف می کند:“ زمینه ا ی برای مطالعه است که سعی می کنیم سیستم هایی بسازدکه اگربه نتیجه رسید مردم به عنوان یک سیستم هوشمند به آن توجه کنند”.( مینسکی در۱۹۷۵ ). هوش مصنوعی زمینه گسترده ا ی است که محدوده های کاربردی مختلفی دارد . این کتاب فقط مربوط به مطالعات سیستم های خبره می باشد.کواوسین درسال ۱۹۹۸میلادی بسیاری از زمینه های کاربردی هوش مصنوعی را به صورت جزئی مورد بررسی قرار دارد.

ربات زبان طبیعی سیستم های خبره

کاربردهای هوش مصنوعی سیستم های بینایی

اثبات تئوری شبکه های عصبی
شکل ۲-۱: برخی کاربردهای هوش مصنوعی
هیوریستیک (کشفیات ذهنی)

سیستم های خبره به عنوان یک شاخه هوش مصنوعی مورد توجه قرار گرفته اند چون عمدتاً روش حل مسائل درآن براساس هیوریستیک (کشفیات ذهنی) است و این باروشی که الگوریتم ها برای حل برنامه ها بکار می برند متفاوت است .
الگوریتم یک روش گام به گام حل مسأله است . پردازش لیست پرداخت یک شرکت، الگوریتم را بکار می گیرد . استفاده از یک روش گام به گام روی داده و ورودی مثل ساعت کار یک کارمند، در صد اضافه کاری و غیره، خروجی مانند حقوق کارمندان را تولید می کند.

مراحل الگریتم ، دستکاری مستقیم داده های عددی را برای تولید اطلاعات شامل می شود دستکاری مستقیم داده های عددی را برای تولید اطلاعات شامل می شود. اغلب برنامه های معمولی از روش های الگریتمی برای حل مسأله استفاده می نمایند . از سوی دیگر هیوریستیک یک مسأله را با روش آزمون و خطا و با اتکا به تعدادی منبع برای یک هدف از پیش تعیین شده حل می کند .

مثال تشخیص نقص کامپیوتر یک مورد برای آن است. همچنین مثال های فراوان دیگری نیز وجود دارد که ممکن است با آن ها مواجه شویم . به عنوان مثال، یک اتو مبیل سواری برای جستجوی جای پارک در یک پارکینگ چند طبقه الگریتمی را به کار نمی برد و هیچگونه تضمینی مبنی براینکه یک فضای پارک پیدا کند، وجود ندارد . راننده ممکن است تا بالاترین طبقه رانندگی کرده و هر سطح را جستجو کند، ولی باز هم هیچگونه تضمینی مبنی براینکه این روش جواب خواهد داد ، وجود ندارد .

جستجوی فضای حالت
راه حل اینگونه مسائل به وسیله جستجو در بین حالات ممکن می باشد. در مورد مثال نقص کامپیوتر جستجوی کا شامل یافتن علت نقص می باشد. راه حل اینگونه مسائل به این صورت است که بدانیم چه طور از یک حالت اولیه به یک حالت نهایی یا هدف منتقل شویم. به عنوان مثالی دیگر بازی شطرنج را در نظر می گیریم که یک حالت اولیه را در بر می گیرد (ترکیب اولیه صفحه بازی) و یک حالت نهایی (مات کردن) .

پیروزی در این بازی به دانش برای ترکیب صحیح جابجایی ها نیاز دارد تا به حالت نهایی برسد، که این یک جستجو در فضای حالت ممکن است . فضای جستجو به صورت ساختاری سلسله مراتبی که درخت نامیده می شود ارائه می گردد. مثال بعدی این نکته را روشن می کند.
مثال

فرض کنید که فروشنده دوره گردی بخواهد مسیری از حالت اولیه A تا حالت نهایی F از میان شبکه راههای نشان داده شده در شکل ۲-۲ پیدا کند. این حالات می توانند شهرهای انگلستان را نشان دهند . به عنوان مثال حالت اولیه (A) می تواند شهر شفیلد را نشان دهد و حالت نهایی (F) نیز شهر کاردیف باشد.

حالت واسط از قبیل B وCو غیره ممکن است شهرهایی باشندکه درمیان این شهرها قراردارند مانند منچستر ، بیرمینگهام و غیره . تمامی شهرها با حروف بزرگ A، B و C و غیره مشخص شده اند.

E D B

G A حالت مبدأ

H F C
حالت مقصد

شکل ۲-۲ : نمودار شبکه راه
از نمودار شبکه راه در شکل ۲-۲ یک نمودار درختی به شکل نمودار ۲-۳ می توان ایجاد نمود. یک درخت ساختاری ، سلسله مراتبی است که شامل گره ها و شاخه هایی است که گره ها را به هم متصل می کند. از اینرو هر گره در نمودار درختی یک شهر را نشان می دهد و هر شاخه به عنوان یک راه نمایش داده می شود. مسیر راه حل از حالت اولیه در امتداد شاخه های درخت سیر می کند و در گره های علامت گذاری شده به حالت نهایی خاتمه می یابد. توجه کنید که دریک مسأله هوش مصنوعی ممکن است بیشتر از یک راه حل داشته باشیم یعنی بیشتر از یک راه برای رسیدن به حالت اولیه به حالت نهایی وجود داشته باشد.

تکنیک های جستجو
درک این قضیه مشکل نیست که باور نماییم فضای جستجو به همان صورت که گره ها افزایش می یابند ، سریعاً بزرگ می شود. این امر همیشه در مسائل عمده هوش مصنوعی مثل بازی شطرنج به مثابه مانع بزرگی بوده است . این پدیده افتخار ترکیبی نامیده می شود . افتخار ترکیبی باعث گسترش تکنیک های هیوریستیک شده است . تکنیک های جستجو به دو دسته تقسیم می شوند. جستجوی کورکورانه و جستجوی هیوریستیک.
A حالت اولیه

C B سطح یک

حالت مقصد F G D سطح دو

E H F E سطح سه
گره گره حالت گره
منسوخ منسوخ مقصد منسوخ
شکل ۲-۳ : درخت جستجو برای شبکه راه فروشنده دوره گرد
جستجوی کورکورانه

با این تکنیک جستجو، یک طرح ترکیبی انتخاب شده و تا زمانی که یک راه حل یافت شود و یا فضای جستجو به اتمام برسد، مورد استفاده قرار می گیرد. دراینجا دو روش برای مدیریت یک جستجوی کورکورانه وجود دارد روش اول عمق و روش اول پهنا . ودر روش اول عمق جستجو از گره ریشه شروع می شود و در سطح پایین ترهر گره موجود را مورد بررسی قرار می دهد. بدین ترتیب جستجو به اتمام می رسد. وقتی یک گره منسوخ پیدا شود مکانیزم جستجو به عقب بر می گردد.

بنابراین برای یک جستجو اول عمق در شکل ۲-۳به طور پیاپی مسأله انتقال صورت گرفته است. شروع از گره A بوده است و سپس گره B سطح پایین بعدی به حساب آمده و هدف مسأله پیدا نشده است و همچنین گره سطح پایین تر بعدی که بررسی می شود ، D می باشد که گره هدف نیست و این جستجو تا سطح پایین تر این گره نیز ادامه پیدا می کند و یک گره منسوخ می رسد(گره E، که آن نیز هدف نیست) و روش جستجو تا گره B عقبگرد می کند

.دوباره فرآیند جستجو با پایین رفتن تا سطح بعدی در گره C ادامه می یابد. هیچ یافت نشده است. بنابراین گره بعدی که F است بازدید می شود. و گره هدف می باشد. اما ساختار روش اول پهنا به این صورت است که گره های درخت جستجو بوجود می آیند و سطح به سطح و تا اندازه ا ی عمق به عمق امتحان می شوند و براین اساس جستجو روی درخت شکل ۳-۲ صورت می گیرد.

گره B به دنبال گره A بررسی می شود، گره B هدف نیست ، بنابراین گروه بعدی در این سطح جستجو می شود. گره بعدی گره C می باشد که این گره نیز هدف نیست و چون گره دیگری در این سطح وجود ندارد به سطح بعدی که با گره D شروع می شود می رویم و جستجو می کنیم و چون گره D هدف نیست گره بعدی موجود در این سطح که G است بررسی می شود و این نیز هدف نمی باشد. سپس گره F تولید شده که حالت انتهایی است و روش اول پهنا خاتمه می یابد.

خود آزمایی
تعداد گره هایی که توسط روش اول عمق و اول پهنا بررسی شده اند را برای مسأله شکل ۲-۲ بشمارید. کدام روش برای این مسأله بهتر است ؟ آیا شما می توانید درخت ساختار یافته ا ی که کاربرد روش اول پهنا درآن از روش اول عمق بهتر باشد را پیشنهاد کنید ؟
جستجوی هیوریستیک (ذهنی)

یک جستجوی کورکورانه هیچ استفاده ا ی از دانش (درمورد مسأله ا ی که مورد بررسی قرار می دهد) نمی کند. در مسائل پیچیده ، جستجوها اغلب نیازمند تدابیر زیادی برای کنترل انفجار ترکیبی می باشند. جستجوهای هیوریستیک (ذهنی) مجدوده خاصی از دانش را برای پیمایش فضای جستجو به کار می گیرند این تکنیک با تکنیک جستجوی کورکورانه که بدون هیچ توجهی به محدوده دانش به کار می روند تفاوت دارد . به عنوان مثال دریک بازی شطرنج ، هیوریستیک می تواند درراهی حرکت کند که بیشترین تعداد مهره ها را از حریف بگیرد.

اگر چه این قانون ممکن است بعنوان یک “ قانون سرانگشتی ” خوب باشد ولی همیشه موفق نیست. حالت نهایی در یک بازی شطرنج داشتن مهره های بیشتر از حریف نیست هرچند که داشتن مهره های بیشتر فرصت های پیروزی را بیشتر می کند . درمسأله فروشنده دوره گرد ، یک روش ساده برای انتخاب مسیرها ، استفاده از یک تابع ارزیابی است . تابع ارزیابی هرگره را ایجاد می کند و سپس مسیری که کمترین هزینه را دارد دنبال می کند.

این هزینه ممکن است مجموعه هزینه حرکت از یک گره به گره بعدی باشد. نوعاً تابع ارزیابی گره ها هزینه را از ریشه تا گره خاصی که مورد آزمایش قرار گرفته است محاسبه می کند و با استفاده از مباحث هیوریستیک هزینه را از این گره تا گره هدف تخمین می زند . این روش به منظور تصمیم گیری در این مورد که آیا دریک مسیر پیشروی و یا در مسیرهایی که قبلاً امتحان شده اند مجدداً سعی نماییم راهنمایی سودمندی می نماید.

کاربرد قوانین در نمایش دانش
سیستم های خبره به خاطر پردازش دانش با برنامه های رایج متفاوت هستند . این دانش در یک کامپیوتر به صورت قوانین نمایش داده می شود. قوانین روش های هیوریستیک یک انسان متخصص را در بردارند . به عنوان مثال قانونی که ممکن است توسط یک خبره برای رهن خانه مورد استفاده قرارگیرد عبارت اسا از:
(IF) اگر متقاضی خانه را دوست دارد.
(AND) و خانه ارزش بازدید را دارد .
(Then) سپس متقاضی را برای استفاده از وام راهنمایی کنید.
قوانین معمولاً به صورت زیر بیان می شوند:
(IF) اگر شرط (ها)
(Theu) سپس عمل (ها)

و عمل ها زمانی اجرا می شوند که شرط های قانون مورد قبول باشند. مجموعه قوانین ایجاد شده در این روش پایگاه دانش نامیده می شوند. بسیاری از سیستم های خبره از قوانین استفاده می کنند و به این دلیل سیستم های متکی بردانش نامیده می شوند. به هر حال همه سیستم های خبره تابع قوانین نیستند . مدلهای دیگر نمایش دانش عبارتند از : قاب ها، شبکه های معنا و منطق که به صورت متداول مورد استفاده قرار می گیرند. روش های نمایش دانش در فصل ۳ توضیح داده شده است.

استنتاج
هنر واقعی یک سیستم خبره استفاده از ظرفیتش جهت استنتاج است. این دقیقاً همان چیزی است که سیستم خبره را هوشمند می سازد. استنتاج نتیجه گرفتن از مراتبی است که از پیش بیان شده است.از اینروست که برای استنتاج باید شرایطی وجود داشته باشد و نتیجه آن نیز موجود باشد . وجود مختلفی از استنتاج وجود دارند، استنتاج قیاسی و استقرایی از مهمترین انواعی هستند که عموماً به کار می روند.

استنتاج قیاسی
قضایای (۱) و (۲) و(۳) نشان دهنده یک مثال از استنتاج قیاسی هستند . نتیجه( ۳) دراین مثال یک نتیجه منطقی است و می تواند قیاسی از فرضیات (۱) و (۲) باشد. دراین مثال از اطلاعات داده شده، نتیجه استنتاج می شود. این استنتاج که یک نتیجه گیری از فرضیات است به نوعی از استدلال منجر می شود که عیناً به شکل قوانین ریاضی است. به این صورت که اگر مقدمات یا شرایط درست باشند پس می توان گفت که نتیجه نیز درست است .

استنتاج استقرایی
حال به قضایای زیر توجه کنید:
(۴) همه حیوانات غذا می خورند.
(۵) بنابراین همه کانگوروها غذامی خورند.

درنگاه اول ممکن است به نظرآید که نتیجه بالا(۵) یعنی “همه کانگوروها غذامی خورند” به صورت قیاسی ازقضیه شماره (۴) بدست آمده است . که این تصورنادرست است چون داده های قضیه درباره اینکه آیا کانگورو یک حیوان است یا نه چیزی نمی گویدوانسان برطبق دانشی که ازجهان واقعی دارد استنتاج می کندکه کانگورویک حیوان است .

ازاین رواستنتاج (۵) به اندازه استنتاج (۳) دقت ریاضی ندارد. برای اینکه استنتاج (۵) صحیح باشد باید اینگونه فکرکنیم که“ هرکانگورو یک حیوان است ” تا به فرض قطعی (۴) ازطریق دانش حواس پنجگانه برسیم . این نوع ازاستنتاج که استنتاج استقرایی نامیده می شود، دقت ریاضی قیاس راندارد وبا این حال درسیستم های خبره متداول است زیرا با استنتاج های بشری درجهان واقعی جوردرمی آید.

دانش رویه ای واعلانی
روش حل مسائل هوش مصنوعی وسیستم های خبره قطعاً‌ اعلانی است . یعنی همه مسائل با تعین اینکه یک راه حل به چیزهایی نیازدارد، حل می شوند. برای مثال به قضیه زیرتوجه کنید:
(۶) دیوید تنیس دوست دارد.
۷) هرچیزی که دیوید دوست دارد ژانیس نیزدوست دارد.

با استفاده ازاستنتاج قیاسی به این نتیجه می رسیم که ژانیس نیزتنیس رادوست دارد. قانون ۷ وواقعیت ۶ مارا به این استنتاج راهنمایی می کند، این یک دیاگرام اعلانی است . ملاحظه می کنیدکه نتیجه به وسیله استدلال بدست آمده ومعلوم است که جواب با یک برنامه کامپیوتری بدست نیامده است . ازجمله زبان هایی که ازدیاگرام اعلانی استفاده می کنند زبان PROLOG است . کلمه پرولوگ ازکلمات برنامه نویسی ومنطق گرفته شده است (PROGRAMING LOAIC ) که شامل یک منطق ساختاریافته است تا مسائل رابصورت اعلانی استدلال کند.این زبان با زبانهای الگوریتمی رایج که عمدتاً به چگونگی اجرای یک رویه می پردازند ، تفاوت دارد.

موتوراستنتاج
حتی موقعی که قلمرو دانش رابا قوانین نمایش می دهیم بازهم یک فرد خبره باید مشخص کندکه کدام قوانین رابرای حل مسئله خاصی بکارمی برد. علاوه براین باید مشخص کند که این قوانین را درچه رده ا ی بکارمی برد به طورمشابه یک سیستم خبره نیازخواهد داشت تا سیستم بگیرد که چه قانونی ودرچه مورد ورده ای باید برای ارزیابی انتخاب شود.برای اینکه کارصورت گیرد سیستم خبره یک موتوراستنتاج رابکارمی گیرد. موتوراستنتاج برنامه ا ی است که قوانین رادرپایگاه دانش تفسیرمی کند تا نتیجه را حاصل نماید.

دواستراتژی مهم برای سیستم های پایگاه قانون بکاربرده شده اند : حرکت روبه جلو وحرکت روبه عقب یک موتوراستنتاج ممکن است یکی یا هردورا انتخاب کند . دریک موتور استنتاج روبه عقب هدف تعیین می شود( شناسایی می شود‌) وسعی می شود تا هدف با تأیید درستی همه شرایط اثبات شود به عنوان مثال به قانون زیرازسیستم خبره MYCIN توجه کنید:
(IF ) اگرآلودگی وچرک بدن صددرصد منفی است .
(AND ) وهیکل وریخت بدن قوی است .
(AND ) وسیستم تنفس ناجوروبدون اکسیژن است .

(THEM ) پس مدرکی وجوددارد که دلالت می کندبدن به اندازه ۸/۰ دارای باکتری است .اثبات این قانون ازحرکت روبه عقب بهره می گیرد موتوراستنتاج سعی می کند تا با تحقق بخشیدن هرقضیه نتیجه هرقانون رابدست آورد این قضایا ممکن است خودشان نتایج قوانین دیگرباشند . درحالت خاص MYCIN باید چنین عملی رابرای پردازش مشابه درمورد چنین قضایایی انجام دهد ویا ارزش این قضایا به وسیله کاربر ازطریق مشاهدات تخصصی تأمین شوددراین روش یک زنجیره ازمراحل استنتاج دریافتن ارزش هدف ما را راهنمایی می کند.

درمقابل یک موتوراستنتاج روبه جلوازطرف دیگرشروع می کند ودانش را درپایگاه دانش می یابدوقوانینی را که ازدانش می تواند برداشت شود پیدانموده وسپس نتایج آن قوانین را به پایگاه دانش می افزاید بعدازآن کل پایگاه دانش رامی آزماید وتحلیلش را گزارش می نماید ومی تواند تا زمانی که اطلاعات جدید اضافه می شوند پیشرفت کند. هردوگونه استنتاج روبه عقب وروبه جلودرگیرنده یک زنجیره ازمراحل است که می تواند به وسیله سیستم خبره ردیابی شود.این مسئله سیستم های خبره را قادرمی سازد تا استدلالشان را توضیح دهند.

امکانات تفسیر
یکی ازخصوصیات کلیدی سیستم های خبره توانایی توضیح استدلال پردازش می باشد. به هرحال برای بسیاری ازسیستم های خبره توانایی توضیح ، چیزی به غیرازردیابی نتایجی که درطول مراحل یک استنتاج توسط سیستم حاصل می شود، نیست . به این معنی که امکان تفسیرپردازش ها کاربررا متوجه می سازد که سیستم چگونه به این نتایج رسیده است ، یا اینکه سیستم چرابرای پاسخگویی به یک سؤال خاص درتکاپومی باشد. این امکانات تفسیرکاربر را درفهمیدن رفتار سیستم راهنمایی می کندواین مسئله مهم است ، چرا که استنتاج بایک متخصص خبره نیزاغلب به مقداری توضیح نیازدارد.

بسیاری ازمردم اکثر اوقات جوابهای یک خبره رابدون توضیح نمی پذیرند . به عنوان مثال ازیک پزشک متخصص تشخیص علت بیماری فرد را انتظارداریم . وی نتایج را توضیح می دهد چرا که طبیعتاً‌ تصمیم گیری نامطمئن اوممکن است جزئیات بیشتری را بخواهد .گرچه بیمارازهرگونه خطراحتمالی ودرمان های پی درپی وغیره آگاه است .همین مسئله درتصمیم گیری مدیریت نیزاتفاق می افتد.توصیف صریح خطرات یا توضیح مراحل یک تصمیم گیری یا یک پیشنهاد، موضوعاتی هستندکه به عنوان ابزاری برای حمایت ازمدیریت می باشند. درفصل های بعد موضوع تفسیررا با جزئیات بیشتری بررسی می کنیم .

ابزارهای ایجاد سیستم خبره
زبان های تک منظوره ای مانند Lisp , PROLOG جهت توسعه برنامه های کاربردی هوش مصنوعی استفاده می شوند. به هرحال ساخت سیستم های خبره با استفاده ازاین زبان ها احتیاج به دانش تفصیلی درمورد زبان وکارسخت دارد.به این دلیل برنامه هایی که پوسته سیستم خبره نامیده می شوند غالباً‌ برای ساخت سیستم های خبره مورد استفاده قرارمی گیرند. پوسته ها(shells ) نقطه شروعی برای ساخت سیستم های خبره هستند.

آن ها سیستم های خبره ا ی می باشند که قوانینی درآن ها وجود ندارد، به این معنی که توسعه دهندگان فقط برساختارپایگاه دانش تمرکزداشته ونگرانی بابت قسمت های دیگرمثل موتور استنتاج ندارند. اگرچه آنها می توانند خیلی مفید باشند، اما پوسته ها برای تبدیل یا تغییرمسیرکار با توجه به مکانیزم استنتاج ونمایش دانش قابل انعطاف نیستند.

AM برای LEVEL 5 OBGECT , WINDOWS 95 دونمونه ازمتداول ترین پوسته هایی هستند که درانگلستان استفاده می شوند. دیگرابزارهای ساخت سیستم های خبره، محیط های هوش مصنوعی یا جعبه ابزار(TOOLKIT ) نامیده می شوند. آنها ابزارهایی هستندکه توسط توسعه دهندگان با تجربه مورد استفاده قرارمی گیرند.نموداری که درشکل ۲-۴ نشان داده شده است توزیع نرم افزارسیستم خبره به کاربرده شده درانگلستان براساس نوع ساخت را نشان می دهد(ادوارد ۱۹۹۰ ).

همانطورکه نمودارنشان می دهدپوسته ها درانگلستان زیاد استفاده می شوند. برای اینکه بسیاری ازسیستم های خبره ا ی که درانگلستان توسعه داده شده اند ، سیستم های کوچکی هستند وبطورکلی زمان لازم برای توسعه دهندگان نرم افزارکمتراز۳ ماه می باشد.اما درآمریکا ، سیستم های خبره به برنامه های کاربردی مجتمع که بزرگترمی باشندتمایل دارند وزمان لازم برای توسعه آنها ۱۲ ماه یا بیشتراست وبه همین دلیل درآنجا بیشتر ازجعبه های ابزار(TOOLKIT ) جهت تولید سیستم های خبره استفاده می شود.

شکل ۲-۴ : نمودار استفاده ازابزارهای مختلف برای تولید سیستم های خبره درانگلستان(ادوارد۱۹۹۰ )

واسطه کاربر
واسطه کاربریک سیستم خبره، طبیعتاً باید از قدرت تبادلی بالایی برخوردار باشد تا ساختار تبادل اطلاعات به شکل گفتگوی یک متقاضی و انسان خبره صورت گیرد. واسط کاربر سیستم خبره نه تنها کاربر را قادر می سازد تا به سؤالات پاسخ دهد بلکه کاربر را مجاز می سازدعملیات اجرایی سیستم را با پرسش در مورد توضیحات داده شده قطع نماید. بنابراین وقتی که سیتم در حال پرسش یک سؤال از کاربراست، کاربر می تواند با پرسیدن یک سؤال از سیستم در مورد اینکه چرا سیتم این سؤال را پرسیده است ، کار را متوقف نماید.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 8700 تومان در 142 صفحه
87,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد