سامانههای خِبره یا سیستمهای خِبره (Expert systems) به دستهای خاص از نرمافزارهای رایانهای اطلاق میشود که در راستای کمک به کاردانان و متخصّصان انسانی و یا جایگزینی جزئی آنان در زمینههای محدود تخصّصی تلاش دارند. اینگونه سامانهها، در واقع، نمونههای ابتدایی و سادهتری از فنآوری پیشرفتهتر سامانههای مبتنی بر دانش به حساب میآیند.
این سامانهها معمولاً اطلاعات را به شکل واقعیات (Facts) و قواعد (Rules) در دادگانی به نام پایگاه دانش به شکل ساختار مند ذخیره نموده، و سپس با استفاده از روشهایی خاص استنتاج از این دادهها نتایج مورد نیاز حاصل می شود.
حوزههای کاربرد
سامانههای تجربی موجبات انجام امور و یا تسهیل در انجام آنها را در زمینههای متنوّعی همچون پزشکی، حسابداری، کنترل فرایندها، منابع انسانی،خدمات مالی، و GIS فراهم میآورند. در هر یک از این زمینهها میشود کارهایی از نوع راهنمایی، تحلیل، دستهبندی، مشاوره، طراحی، تشخیص، کاوش، پیش بینی، ایجاد مفاهیم، شناسایی، توجیه، یادگیری، مدیریت، کنترل، برنامهریزی، زمان بندی و آزمایش را با مددجویی از سیستمهای تجربی با سرعت و آسانی بیشتری به انجام رسانید. [1] سیستمهای تجربی یا به عنوان جایگزین فرد متخصص استفاده میشوند یا به عنوان کمک به فرد متخصص .–Mzd8019 ۱۳ سپتامبر ۲۰۰۸، ساعت ۱۴:۴۴ (UTC)
نکات تاریخی
تا ابتدای دهۀ 1980 (م) کار چندانی در زمینۀ ساخت و ایجاد سامانههای خِبره توسط پژوهش گران هوش مصنوعی صورت نگرفته بود. از آن زمان به بعد، کار های زیادی در این راستا و در دو حوزۀ متفاوت ولی مرتبط سامانههای کوچک خبره و نیز سامانههای بزرگ خبره انجام شده است.هوش مصنوعي: هوش مصنوعي روشي است در جهت هوشمند کردن کامپيوتر تا قادر باشد در هر لحظه تصميم گيري کرده و اقدام به بررسي يک مسئله نمايد. هوش مصنوعي، کامپيوتر را قادر به تفکر مي کند و روش آموختن انسان را تقليد مي نمايد. بنابراين اقدام به جذب اطلاعات جديد جهت بکارگيري مراحل بعدي مي پردازد. مغز انسان به بخش هايي تقسيم شده است که هر بخش وظيفه خاص خود را جدا از بقيه انجام مي دهد. اختلال در کار يک بخش تاثيري در ديگر قسمت هاي مغز نخواهد گذاشت. در برنامه هاي هوش مصنوعي نيز اين مسئله رعايت میشود درحالي که در برنامه هاي غير هوش مصنوعي مثل C يا Pascal تغيير در برنامه روي ساير قسمت هاي برنامه و اطلاعات تاثير دارد. مباحث کاربردي و مهم در تحقق يک سيستم هوش مصنوعي : 1- سيستم هاي خبره(Expert Systems) 2- شبکه هاي عصبي(Neural Network) 3- الگوريتم هاي ژنتيک(Genetic Algorithms) 4- سيستم هاي منطق فازي(Fuzzy Logic Systems)
سيستم هاي خبره: برنامه هايي هستند که رفتار يک انسان متخصص در يک زمينه بخصوص را تقليد مي کنند. اين برنامه از اطلاعاتي که استفاده کننده در آنها ذخيره مي کند جهت اعلام يک عقيده در يک موضوع بخصوص استفاده مي کند. از اينرو سيستم هاي خبره تا هنگامي که بتوانند موضوعي را که با پاسخ هاي شما مطابقت داشته باشد بيابند به سوال کردن از شما ادامه مي دهند. به منظور درک کردن آنچه يک سيستم متخصص انجام مي دهد مکالمه زير که بين يک متخصص در امور ميوه و فرد ديگري که مي خواهد از وي توصيه اي در اين مورد دريافت کند را در نظر بگيريد: – متخصص: آيا ميوه سبز است؟ – استفاده کننده: خير. – متخصص: آيا ميوه قرمز است؟ – استفاده کننده: بله. – متخصص: آيا اين ميوه روي درخت رشد مي کند؟ – استفاده کننده: خير. – متخصص: آيا اين ميوه روي يک بوته رشد مي کند؟ – استفاده کننده: بله. – متخصص: آيا اين بوته تيغ دارد؟ – استفاده کننده: بله. – متخصص: اين ميوه تمشک است! هدف از طراحي يک سيستم متخصص کامپيوتري در امر ميوه توليد اين مکالمه است. در حالت عمومي تر سيستم متخصص سعي مي کند که به استفاده کننده از خود در مورد موضوعي که از آن مطلع است راهنمايي دهد.
مزاياي يک سيستم خبره چيست؟ ميزان مطلوب بودن يک سيستم خبره اصولا به ميزان قابليت دسترسي به آن و ميزان سهولت کار با آن بستگي دارد. مي توان مزايايي که يک سيستم خبره در برابر انسان خبره دارد را به اين صورت نام برد: – برخلاف انسان متخصص که نياز به خواب، استراحت و غذا و … دارد، يک سيستم متخصص 24 ساعت در شبانه روز و 365 روز در سال قابل دسترس است. – دانش سيستم خبره از بين نمیرود بلکه مي توان آن را ذخيره نمود و حتي بسادگي مي توان آن را کپي برداري کرد. – يک سيستم متخصص همواره داراي حداکثر کارآيي خود است ولي به محض آنکه يک انسان متخصص خسته شود صحت توصيه هاي وي ممکن است کاهش يابد. – يک سيستم متخصص داراي شخصيت نيست. همانطور که شما هم درک کرده ايد شخصيت هاي افراد مختلف اغلب با يکديگر سازگار نيستند. اگر شما با يک متخصص رفيق يا دوست يا حداقل موافق نباشيد، آنگاه احتمالاً شانس اندکي براي استفاده از دانش اين فرد خواهيد داشت. عکس اين حالت نيز صحيح است. – آخرين برتري سيستم هاي خبره اين است که به سادگي و با کپي برداري اين برنامه از دستگاهي به دستگاه ديگر و در کمترين زمان ممکن مي توان يک سيستم متخصص ديگر بوجود آورد در حالي که تبديل يک انسان به يک متخصص زماني طولاني نياز دارد.
مثال هايي از سيستم هاي متخصص تجاري: MYCIN اولين سيستم متخصص موفق جهان بود که در سال 1970 در دانشگاه استنفورد طراحي شد. هدف از ساخت اين سيستم کمک به پزشکان در تشخيص بيماري هاي ناشي از باکتري بود. مشکل عمده در تشخيص بيماري براي يک پزشک آن است که تشخيص سريع و قاطع يک بيماري با توجه به تعداد بسيار زياد بيماري موجود، عملي دشوار است.MYCIN با تشخيص دادن قاطع بيماريها توانست که اين نياز را برآورده سازد. PROSPECTOR يک متخصص در امر زمين شناسي است که احتمال وجود رسوبات معدني در يک ناحيه بخصوص را پيش بيني مي کند. اين سيستم در سال 1987 توسط «ريچارد دودا» و «پيتر هارد» و «رنه ربو» ساخته شد. در اوايل دهه 80 سيستم هاي متخصص به بازار عرضه شد که مي توانستند مشورت هاي مالياتي، توصيه هاي بيمه اي و يا قانوني را به استفاده کنندگان خود ارائه دهند.
سيستم هاي متخصص چگونه کار مي کنند؟ هر سيستم متخصص از دو بخش تشکيل میشود: – بانک اطلاعاتي – توليد کننده مکالمه
بانک اطلاعاتي : منظور از بانک اطلاعاتي در اينجا مکانيسم نگهداري اطلاعات و قوانين ويژه اي در مورد يک موضوع بخصوص مي باشد. با اين توصيف دو اصطلاح زير تعريف میشود: – شيء(Object): منظور از شيء در اينجا نتيجه اي است که با توجه به قوانين مربوط به آن تعريف مي گردد. – شاخص(Attribute): منظور از شاخص يا «صفت» يک کيفيت ويژه است که با توجه به قوانيني که براي آن در نظر گرفته شده است به شما در تعريف شيء ياري مي دهد. بنابراين مي توان بانک اطلاعاتي را بصورت ليستي از اشياء که در آن قوانين و شاخص هاي مربوط به هر شيء نيز ذکر شده است در نظر گرفته شود. در ساده ترين حالت(که در اکثر کاربردها نيز همين حالت بکار مي رود) قانوني که به يک شاخص اعمال میشود اين مطلب را بيان مي کند که آيا شيء مورد نظر شاخص دارد يا ندارد؟ يک سيستم متخصص که انواع مختلف ميوه را شناسايي مي کند احتمالاً داراي بانک اطلاعاتي به صورت زير خواهد بود: شيء قانون شاخص سيب دارد روي درخت رشد مي کند. دارد گرد است دارد رنگ قرمز يا زرد است ندارد در کوير رشد مي کند انگور —– ——————- بانک ساده شده بالا با تنها استفاده از قانون دارد:
شيء شاخص هايي که دارد
سيب رشد روي درخت
گرد بودن رنگ قرمز يا زرد رشد نکردن در کوير
توليد کننده مکالمه: آن بخش از سيستم متخصص است که سعي مي کند از اطلاعاتي که شما ذخيره کرده ايد جهت يافتن يک شيء منطبق با خواسته شما استفاده نمايد. دو نوع عمده از توليد کننده هاي مکالمه وجود دارد : – قطعي – احتمالي برخي قوانين قطعي هستند. به عنوان مثال يک شيميدان مي تواند با قطعيت و يقين اعلام کند که اگر اتم مورد نظر داراي 2 الکترون باشد آنگاه اين اتم به عنصر هليم تعلق دارد. اکثر قوانين قطعي نيستند بلکه با يک درصد مشخص، احتمال وقوع آنها مي رود. با اين وجود در بسياري از اينگونه موارد عامل عدم قطعيت از نظر آماري اهميت چنداني ندارد و از اين رو شما مي توانيد با اين قوانين بصورت قوانين جبري برخورد کنيد. در رابطه با اين دو گروه عمده(يعني قطعي و عدم قطعي) سه روش اساسي براي ساخت «توليد کننده مکالمه» وجود دارد: – استدلال پيشرو Forward Chaining – زنجيره سازي پسرو Backward Chaining – ارزشيابي Rule-Value تفاوت بين اين سه روش به شيوه اي که «توليد کننده مکالمه» توسط آن سعي مي کند به هدف خود برسد بستگي دارد.
منابع
- Durkin, John. Expert Systems: Design and Development.
-
Nisenfeld, A. E., Artificial Intelligence Handbook: Principles, Instrument Society of America, 1989. ISBN: 1 – 55617 – 133 – 1
بابا کشتی مارو! حالا بگو اصلا موضوع تسته چیه!
” خوب اگه اجازه بدی الان میگم! “
من اجازه نمیدم!
