سیستم های خبره

هوش مصنوعی فن آوری پیشرفته ای است که اخیرا 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 کاربرد های عمومی هوش مصنوعی سیستم های خبره هستند. سیستم های خبره ابزار های 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 . در زمینه توسعه بازی ها در هوش مصنوعی و سیستم های خبره تا حدی به بازی شطرنج پرداخته شده که غالبا عده ای 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 … .

شما عزیزان برای دانلود پایان نامه رشته نرم افزار کامپیوتر بررسی سیستم های خبره و مشاهده توضیحات تکمیلی به ادامه مطلب مراجعه نمایید… . 

                                                            

            ((اَللّهُمَّ اَخْرِجْنى مِنْ ظُلُماتِ الْوَهْمِ وَ اَکْرِمْنى بِنُورِ الْفَهْمِ))

 

 

 

موضوع پروژه: معرفی سیستم های خبره

پیشگفتار

چکیده

فصل اول : تاریخچه مختصری از سیستم های خبره و هوش مصنوعی

مقدمات هوش مصنوعی

برنامه های هوش مصنوعی برای حل مسائل عمومی

  پیدایش KBS

  ظهور سیستم های خبره تجاری

مقایسه انسان متخصص با سیستم های خبره

مزایای کامپیوتر

مزایای انسان

  فواید سیستم های خبره

مزایای سازمانی سیستم های خبره

  مزایای فردی سیستم خبره

  تفاوت سیستم های خبره با سیستم های پشتیبانی تصمیم گیری

فصل دوم : مفاهیم اساسی سیستم های خبره

  سیستم های خبره چیست؟

  هوش مصنوعی

( هیوریستیک ( کشفیات ذهنی

  جستجوی فضای حالت

تکنیک های جستحو

  جستجوی کورکورانه

  کاربرد قوانین در نمایش دانش

  استنتاج

استنتاج قیاسی

  استنتاج استقرایی

  دانش رویه ای واعلانی

  امکانات تفسیر

  ابزار های ایجاد سیستم خبره

  واسطه کاربر

معماری سیستم های خبره

  قابلیت یادگیری

  مقایسه سیستم های خبره با سیستم های قراردادی رایج

  فصل سوم : نمایش دانش

  نمایش دانش

  قوانین تولید

  مزایای قوانین

 (قوانین محدوده ( دامنه

  دانش رویه ای

  معایب سیستم های تولید قانون

  شبکه های معنایی

  مزایای توراث

  قاب ها

  منطق

  علائم ارتباطی

  سور ها در منطقه محصولات

  نمایش ترکیبی

  فصل چهارم : مهندسی دانش

مهارت های مورد نیاز برای مهندسی دانش

اکتساب و اخذ دانش

  مصاحبه

مشاهد

  مطالعات موردی

  نقش بازی

مشکلات اکتساب دانش

  فصل پنجم : استنتاج

  استنتاج

  عملکرد موتور استنتاج

  استراتژی های استنتاج

  استنتاج استقرایی

  استنتاج انتزاعی

  استدلال عمقی

فصل ششم : نرم افزار های ساخت سیستم های خبره

  ابزار های توسعه سیستم های خبره

  زبان های برنامه نویسی

  زبان های قراردادی

  زبان های هوش مصنوعی

  پوسته های سیستم های خبره

  پوسته ها در زمینه تحصصی

  جعبه های ابزار هوش مصنوعی

  ابزار های کمک ساخت سیستم

  ابزار های اکتساب دانش

  انتخاب ابزار های توسعه

  ارزیابی پوسته های سیستم خبره

  سهولت استفاده

توانایی تکنیکی

  کحیط پشتیبانی توسعه

  امکانات واسط کاربر

  واسط خارجی

  فصل هفتم : تاثیر متقابل انسان و کامپیوتر در سیستم های خبره

  تاثیر متقابل انسان و کامپیوتر

  نیازمندی های واسط کاربر در سیستم های خبره

  واسط مهندسی دانش و واسط کاربر

  وسایل ورودی و خروجی برای سیستم های خبره

  روش های مناسب تاثیر انسان در سیستم های خبره

  استفاده مستقیم از صفحه کلید

  واسطه های کاربر به صورت منو

  دانش عمقی و سطحی

  دانش استراتژیک

  موارد استفاده فرا رسانه ای

  واسط های گرافیکی

  فصل هشتم : طراحی سیستم های خبره با استفاده از پوسته های مبتنی بر قانون

  مراحل موجود در طراحی سیستم های خبره

  روش کار

  تعیین یک فضا از دامنه برای نمونه اولیه

  تصمیم گیری برای تعیین نمونه اولیه

  نمودار موکلر

  جدول تصمیم گیری

  نوشتن قوانین برای پایگاه دانش

  فصل نهم : چرخه عمر در توسعه سیستم های خبره

  مقدمه

  روش مرحله ای

  روش نمونه سازی

  مزایای نمونه سازی

  مطالعات امکان سنجی

  هزینه

خصوصیات

  دسترسی به متخصصین ( خبرگان)

  هدف سیستم

دامنه تجزیه و تحلیل خبره

  نگهداری سیستم های خبره

فصل دهم : کاربرد ها ، بازار و آینده سیستم های خبره

  کاربرد سیستم های خبره

  زمینه های کاربرد جدید در سیستم های خبره

نشر دانش

منابع

پیشگفتار

نقطه آغاز هوش مصنوعی اندکی بعد ازجنگ جهانی دوم می باشددرآن زمان وانیزبا توجه به مسائل یسبرنتیک ، زمینه رابرای پیشرفت هوش مصنوعی به وجود آورد. درسال 1950 (آلن تیورینگ) آزمایشی مینی براینکه آیا ماشین قادر است با فرآیند ها ی مغزانسان رقابت نماید مطرح کردودرسال 1958 درکالج دارتموت جلسه ای برگزارشد

 

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:

1-  همواره در دسترس است در حالی که متخصص تنها عموماً در ساعات خاصی از شبانه روز قابل دسترس می باشد.

2-  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.

3-  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.

4- سیستم های خبره معمولاً رفتارهای یک نواختی دارند و تحت تأثیر زمان و مکان قرارنمی گیرند .

5- درانجام کارهای تکراری عموماً سرعت بالاتری دارند یک معماری سیستم های خبره از قسمت های زیرین تشکیل شده است:  

    الف) پایگاه دانش                ج) واسط سازنده

     ب) موتور استنتاج             و)برنامه های جانبی              ز) تشریح نتایج

با سپری شدن 5 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 .

           فصل اول: تاریخچه مختصری از سیستم های خبره و هوش مصنوعی

 

مقدمات هوش مصنوعی:

تحقیق در مورد هوش مصنوعی در دهه 1940 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 1913 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 1950 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 1956 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 25 سال آینده، کامپیوتر ها تمام کارها را انجام خواهند داد و فعالیت های ما تنها به کارهای تفریحی محدود خواهد شد. و 25 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 1963 بود. این برنامه قادر بود 38 قضیه از 52 قضیه وایت هل راسیل (سال 1913) 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 1950 میلادی، محققین هوش مصنوعی سعی نمودن روش هایی برای حل مسأله براساس استدلال های بشر ، ارائه نمایند . چنین پروژه ا ی در سال 1976 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 1960 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 1970 پدیدارشدوواترمن (1986) یک برنامه هوشمند با عالی ترین کیفیت ودانش مشخص دردامنه مسئله ایجاد نمودکه لنات وگودها بعداً درسال 1991آن 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 1965 میلادی بامدریت ادوارد فیگن باوم (1982) 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 1-1 آمده است.

 

 

جدول 1-1 برخی سیستم های خبره تجربی

محدوده کار	سال	مبدأ	نام
ساختارهای مولکولی داده شده راروی اجزاءتشکیل دهنده کشف می کند.	1965	دانشگاه استانقفورد آمریکا	DENDRAL
یک برنامه وسیع جذاب که انواع متفاوت ازمسایل ریاضی راحل می کندو حساب انتگرال را در بر می گیرد	1968	هیت – آمریکا	MACSYMA
زمین شناسان در اکتشافات معدنی کمک می کند. همچنین می تواند یافته های زمین شناسان را در منطقه مهم پیشگویی کند	1974	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.	1976	دانشگاه استانفورد  آمریکا	MYCIN
در ساختار کامپیوترهای بزرگ Dec Vax کاربرد دارد	1980	DEC	XCON

ظهور سیستم های خبره تجاری:

بسیاری از سیستم های خبره که در سال 1970 میلادی ساخته شده بودند، آزمایشی بودند و اساساً به تحقیق دانشگاهی محدود می شدند. سیستم های خبره تجاری تا سالهای 1980 میلادی وجود نداشتندو محققان شروع به تبدیل سیستم ها از نوع آزمایشگاهی به سیستم های تجاری کردند.

سیستم XCON (مک در موت در سال 1982) از جمله اولین این سیستم ها بود. DEC این سیستم را در اوایل دهه 1980 میلادی ساخت که نمونه ا ی از یک سیستم خبره موفق است این سیستم قادر است براساس مبالغ هنگفت سرمایه پس انداز شدة یک شرکت امکان برگشت سرمایه و سود را در کوتاه مدت محاسبه نماید

XCON یک پیکربندی مشتری با دقت 98% در مقایسه با 70% 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 1980 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 1991 میلادی) که در سال 1984 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 5 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 1-2 : پیشرفت سیستم های خبره ازسال 1990 تاکنون

شرح	سال تکمیل	توسعه دهنده	نام
یک سیستم خبره زمانبندی که چرخه عملیات رابرای فضاپیمای شاتل ازیک پروازتا پروازبعدی زمانبندی می کند.	1993	NASA,USA	GPSS
طرح یک سیستم خبره که برای نیازمندیهای مشتری بکاربرده شده وبرمبنای استدلال عمل می کند.	1992	Nippon steel ,Japan	NSSP
سیستم خبره نمایش که توسط بانک Barclays  برای تشخیص کلاهبرداری درکارتهای شناسایی استفاده می شود.	1992	Touche Ross, UK	FRAUDWATCH
سیستم خبره که برای برنامه ریزی منطقی بکارمی رود.	1990	DARPA , USA	DART
سیستم خبره کنترل فرآیند که برای کنترل انرژی مصرفی درتولید بکارمی رود.	1991	Blue Circle pic , UK	LINKMAN

سیستم های خبره بعد ازگذشت 15 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 1-2 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 گیرد(DSS )¹ یک 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 :

 الف- استفاده ازتکنیک های OR به وسیله نرم افزارهای پردازش اطلاعات .

 ب-  اصلاح فرآیند تصمیم گیری درمدیریت با گسترش توانایی مدیرانی که این تصمیمات راگرفته اند.

  ج-  کمک کردن به مدیریت به وسیله بررسی مسائل غیرساخت یافته (مسائلی هستندکه  نمی توانند صرفاً با تکنیکهای OR  ساخت یافته حل شوند).

ـــــــــــــــــــــــــــــــــــــــــــــــــــ

Decision Support System -1

Operating Research-2

            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 دردستور ورود 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 1-3 به صورت خلاصه ذکرشده است .

جدول 1-3 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

خلاصه مطالب فصل اول :

تحقیق درمورد هوش مصنوعی دردهه 1940 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 1963 بود. این برنامه قادر بود 38 قضیه از 52 قضیه وایت هل راسیل (سال 1913) را درریاضیات پایه اثبات کند.

بسیاری از سیستم های خبره که در سال 1970 میلادی ساخته شده بودند، آزمایشی بودند و اساساً به تحقیق دانشگاهی محدود می شدند. سیستم XCON (مک در موت در سال 1982) از جمله اولین این سیستم ها بود. DEC این سیستم را در اوایل دهه 1980 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 CYCبه ذخیره مقدار زیادی از دانش واقعی مبادرت میورزد

 

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:

الف) نگهداری دانش       ب) توزیع دانش           ج) آموزش              د) رقابت                 و) کاهش قیمت

مزایای فردی سیستم های خبره :

   الف) دسترسی به دانش                        ب) آموز ش                   ج) 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.

فصل2 مفاهیم اساسی سیستم های خبره

 

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 ْ60- 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 در1975 ). 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 1998میلادی بسیاری از زمینه های کاربردی هوش مصنوعی را به صورت جزئی مورد بررسی قرار دارد.

 

                                                   

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 2-2 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.

از نمودار شبکه راه در شکل 2-2 یک نمودار درختی به شکل نمودار 2-3  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.

                                                                      

                                        

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 2-3به 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 3-2 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 2-2 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 است 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

(Theu) سپس عمل

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 3 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 (1) و (2) و(3) نشان دهنده یک مثال از استنتاج قیاسی هستند . نتیجه( 3) دراین مثال یک نتیجه منطقی است و می تواند قیاسی از فرضیات (1) و (2) 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:

(4) همه حیوانات غذا می خورند.

(5) بنابراین همه کانگوروها غذامی خورند.

درنگاه اول ممکن است به نظرآید که نتیجه بالا(5) یعنی “همه کانگوروها غذامی خورند” به صورت قیاسی ازقضیه شماره (4) 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 (5) به اندازه استنتاج (3) دقت ریاضی ندارد. برای اینکه استنتاج (5) صحیح باشد باید اینگونه فکرکنیم که“ هرکانگورو یک حیوان است ” تا به فرض قطعی (4) 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:

(6) دیوید تنیس دوست دارد.

(7) هرچیزی که دیوید دوست دارد ژانیس نیزدوست دارد.

با استفاده ازاستنتاج قیاسی به این نتیجه می رسیم که ژانیس نیزتنیس رادوست دارد. قانون 7 وواقعیت 6 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 8/0 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 2-4 نشان داده شده است توزیع نرم افزارسیستم خبره به کاربرده شده درانگلستان براساس نوع ساخت را نشان  می دهد(ادوارد 1990 ).

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 افزارکمتراز3 ماه می باشد.اما درآمریکا ، سیستم های خبره به برنامه های کاربردی مجتمع که بزرگترمی باشند تمایل دارند وزمان لازم برای توسعه آنها 12 ماه یا بیشتراست وبه همین دلیل درآنجا بیشتر ازجعبه های ابزار(TOOLKIT ) جهت تولید سیستم های خبره استفاده می شود.

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.

برای مثال یک کاربرسیستم های خبره پزشکی ممکن است بخواهد بداند که چرا سیستم در مورد سن بیمار سؤال کرده است . این نوع از استفهام ، تفسیر چرا نامیده می شود . نوع دیگری توضیح استفهامی ، پرسش چطور است. از این کلمه معمولاً برای پرسش در مورد اینکه سیتم چگونه به یک تصمیم مشخص رسیده است استفاده می شود. برای مثال اگر به یک کاربر سیستم خبره پزشکی گفته شودکه بیمار مننژیت دارد، کاربر ممکن است بخواهد بداند که سیستمت چگونه به این نتیجه رسیده است.

 

                                                                             

       

معماری سیستم های خبره:

روابط بین مفاهیم مختلف در سیستم های خبره در شکل 2-5 نمایش داده شده است این نمودار معماری پایه ا ی سیستم خبره را نشان می دهد.

قابلیت یادگیری: 

خصیصه دیگری که سیستم های خبره را از سیستم های رایج متمایز می سازد قابلیت آنها برای یادگیری است. برخی از آنها حتی بدون کمک کاربر از طریق پردازشی که قانون استقراء ¹  نامیده می شود یادگیری می نمایند. این قانون داده های آماری را در یک مسأله تجزیه می کند با این هدف که قوانین جدید را بوجود می آورد. چنین تکنیک هایی در مورد مسائلی با دامنه های تعریف شده ، تأثیر بسزایی خواهد داشت. بسیاری از ابزارهای ساخت سیستم خبره ، موتور استنتاجی را ایجاد می کنند که خود این موتور استنتاج قادر به ایجاد قوانین جدید از نمونه های داده شده می باشد این موضوع با جزئیات بیشتر در فصل 6 توضیح داده شده است.

مقایسه بین سیستم های خبره با سیستم های قراردادی رایج. ²

ویژگی هایی که سیستم های خبره را از سیستم های قرار دادی متمایز می سازد در جدول 2-1 خلاصه شده است.

ـــــــــــــــــــــــــــــــــــــــ

1-Rule Induction

2-Conventional programs

ویژگی ها	سیستم خبره	سیستم قراردادی
نمونه های اساسی	هیوریستیک، معمولاً با استفاده از جستجوارائه می گردد حرکت به سوی راه حل است (یعنی اینکه از طریق برنامه ریز مشخص نمی شود) و اگر راه حلی پیدا شود حتماً راه حل بهینه نیست معمولاً حل مسأله اعلانی است.	الگوریتمیک، راه حل بوسیله برنامه ریزی تعیین می شود. پاسخ های صحیح داده می شود.معمولاً حل مسأله رویه        ا ی است.
شیوه عمل	دلایل دارای سمبل هستند مثل جمع بندی نتایج تشخیص بیماری یک مریض.موتور استنتاج برای تصمیم گیری در مورد قضایایی که ارزش یابی شده اند به کار می رود.	کاملاً داده ها را دستکاری می کند برای مثال مرتب کردن، محاسبه و ذخیره داده های پردازش شده برای سیستم پرداخت حقوق یک شرکت .
واحد پردازش	دانش، ممکن است به صورت قانون نشان داده شود. دانش به صورت فعال عمل          می کند به این معنی که سیستم خبره می تواندبه وسیله دانش و از طریق داده دریافتی، دانش جدیدی را استنتاج کند.	داده،معمولاً به صورت آرایه یا رکوردها در زبانی مانندCیا Cobol نماش داده می شوند. داده غیر فعال است و داده های بیشتری را ایجاد نمی کند.
مکانیزم کنترل	موتور استنتاج همیشه از حوزه دانش جدا است.	داده یا اطلاعات و کنترل همیشه باهم مرتبطند.
اجزاء اصلی	استنتاج +دانش	الگوریتم + داده
واسطه کاربر	دارای تبادل در سطح بالا و معمولاً به شکل پرسش و پاسخ	متغیر
قابلیت تفسیر	بله –پیگیری واضح مراحل نهفته زنجیره استنتاج که به نوعی کاربر را مجاز می سازد تا بداند سیستم چگونه به نتایج خود رسیده است و یا اینکه سیستم چگونه به دنبال پاسخ یک سؤال خاص می گردد.	خیر
قابلیت یادگیری	آری- ولی محدود	خیر

جدول 2-1 : مقایسه سیستم های خبره با سیستم های قراردادی

خلاصه مطالب فصل دوم:

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 .

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.

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”.

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.

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 .

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.

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 خصیصه دیگری که سیستم های خبره را از سیستم های رایج متمایز می سازد قابلیت آنها برای یادگیری است. برخی از آنها حتی بدون کمک کاربر از طریق پردازشی که قانون استقراء ¹  نامیده می شود یادگیری می نمایند.

 

فصل سوم :نمایش دانش

نمایش دانش:

پیشگامان هوش مصنوعی نشان داده اند که رفتار هوشمندانه آنقدر که به دانش وابسته است به روش های استدلال وابسته نمی باشد.برطبق آنکه برچ من (1988) گفته است:

“یک هدف شناخته شده درهوش مصنوعی ایجادبرنامه های نرم افزاری است که بنوانند با توانایی های انسان در محدوده های هوش مصنوعی مانند طراحی، نقشه کشی، درک زبان طبیعی، تشخیص ها و نظارت رقابت کنند”. به طور کلی بیشتر این کارها براساس این باور است که سیستم های هوشمند می توانند به صورت واضح و صریح از روی پایگاه های دانش ساخته شوند، که این مسئله موضوع مکانیزم های استدلال را پیش می کشید این فرض اساسی در هوش مصنوعی که استدلال و نمایش دانش سمبلیک می باشد ، مهمترین بحث در این زمینه است.

دانش می تواند به طرق مختلفی نمایش داده شود. روش های نمایش دانش دربخش های بعدی توضیح داده شده است. توجه به برخی از خصوصیات روش های مختلف نمایش دانش بسیار مهم می باشد برخی از این خصوصیات عبارتند از :

    ×      کامل بودن، به عبارت دیگر، روش نمایش دانش باید استنتاج از تمامی موارد دانش را پشتیبانی کند .

   ×   اختصار، اطمینان از اینکه نمایش ها مختصر هستند . یعنی روش نمایش باید ضمن اینکه استنتاج کافی را ایجاد می کند، دانش را به صورت خلاصه ذخیره نماید و همچنین براحتی قابل اصلاح و تغییر باشد .

   ×        محاسبات دقیق و کافی(بازدهی خوب)، باید بتوان به سرعت و بدون انجام محاسبات بسیار زیاد از دانش استفاده نمود .

   ×    شفافیت (وضوح)، یعنی رفتار دانش باید براحتی قابل درک باشد واینکه دانش چطور به نتایج می رسد براحتی معلوم باشد.

   ×    ساخت موارد مهم و پیشگیری از جزئیات اضافی، باید جزئیات در جایی دردسترس باشند تا امکان استفاده ازآنها وجود داشته باشد.

یک روش نمایش دانش که دربرگیرنده همه مشخصات ذکرشده فوق باشد وجود ندارد. ثابت شده است که هرکدام ازروشهای نمایش دانش که دراین فصل بحث خواهند شد برای حوزه های کاربردی خاصی مناسب باشند. سیستم های تولید قوانین که یه اختصاردرفصل دوم راجع شان توضیح داده شددراین قسمت بصورت جزئی تربررسی می شوند.

قوانین تولید:

گروه بزرگی ازسیستم های خبره ازقوانین که گاهی اوقات “ تولید ” ¹ نامیده می شوند، برای نمایش دانش استفاده می کنند .شهرت قوانین به سبب آسانی وراحتی آنها درکاربرد می باشد. قوانین معمولاً به شکل زیرنمایش داده می شوند.

عمل (ها) Then                     شرط (ها) if  

قسمت if درسمت چپ یک قانون حل مسئله، شرط ها راکه گاهی اوقات پیش فرض ها نامیده می شوند توصیف می کنند. پیش فرض ها باید درست باشند تا قانون بتواند عمل نماید.

قسمت Then درسمت راست ، مجموعه عملیات را، که نتایج نامیده می شوند توصیف می کند. اگرقانون قابلیت اجرا داشته باشد نتایج دنبال می شوند.

مثال:

سرعت ماشین بسیارزیاد باشدif

پای خودرا روی ترمزفشاردهیدThen

مثال بالا نشان می دهد اگرشرط خاص“ سرعت ماشین بسیارزیاد باشد” محقق شود آنگاه قسمت عمل انجام می شود.قوانین ممکن است شامل چندین شرط ویا چندین عمل باشند که می توان با بکاربردن AND که عطف (ترکیب عطفی ) نامیده می شودویا OR که انفصال (ترکیب فصلی ) نامیده می شودباهم ترکیب شوند.

مثال:

اتاق سرداست if

اتاق تاریک است and

بهترین گیاه خانگی پیچک می باشد.then

مزایای قوانین:

عوامل زیرفاکتورهایی هستندکه سبب استفاده گسترده ازقوانین درسیستم های خبره می شوند این عوامل عبارتنداز:

×    سادگی : شکل قوانین ازمدل فیزیکی خوبی برای نمایش دانش برخوردارمی باشدچرا که آنها بسیارنزدیک به استدلال انسان هستند. این ویژگی سیستم های مبتنی برقوانین را درمقایسه بادیگرروش های نمایش دانش ، روشی ساده تروراحتترجلوه می دهد.

×    واحدمندی ¹: به این معنی که بلاکهای قوانین می توانند مستقل ازهم نوشته شوند وسپس به پایگاه قوانین اضافه شوند ودرستی آنها کنترل شود. بنابراین سیستم های خبره مبتنی برقوانین به آسانی می توانند به قطعات قابل مدیریت شکسته شوند تا راحت ترایجاد گردند.این خاصیت است که پایگاه های دانش را قادرخواهد ساخت مرحله به مرحله ساخته شده وقدم به قدم توسعه یابند.

×        تشریح (توصیف) : سیستم های مبتنی برقوانین امکانات تشریح (توصیف) ساده وشفافی را ایجادمی کنند.

عدم قطعیت :یک سری تکنیک هایی ایجاد شده اند که دانش رامجازمی سازند تابا استفاده ازقوانین ، عدم قطعیت (دانش غیرقطعی ) را نیزنشان دهند

قوانین همچنین به منظورنمایش انواع مختلف دانش استفاده می شوند.برای مثال دانش هیوریستیک، دانش محدوده (دامنه ) ودانش رویه ا ی همه می توانند با استفاده ازقوانین نشان داده  شوند برای هریک آنها درزیرمثالی ارائه شده است

ـــــــــــــــــــــــــــــــــــــــــــــ

1-Production

قوانین هیوریستیک :

هرقانون دریک پایگاه قانون می تواند برای نمایش دانش حل مسئله استفاده شود. یک هیوریستیک به صورت یک قانون شاخص تفسیرمی شود،به عنوان مثال یک قانون شاخص برای تشخیص نقص فنی یک اتومبیل بصورت زیراست :

چراغ ها خاموش هستندif

باتری تمام شده است then

قوانین محدوده (دامنه):

قوانین  می توانند برای نمایش روابط بین اشیاء وموضوعات دردامنه استفاده شوند. به عنوان مثال:

اگرحیوانی یک ببرباشدif

پس آن حیوان گربه است then

این قانون بریک ارتباط بین گونه هایی ازیک حیوان دلالت داردوآن عبارت ازاین است که ببریک عضوازگروه گربه سانان می باشد. به این معنی که قوانین به ارتباط بین کلاس های اشیاء دلالت دارند.

دانش رویه ا ی:

قوانین همچنین می توانند برترتیب کارها دلالت کنندبرای مثال:

اگراتومبیل بسیارسریع حرکت کندif

پای خودتان را روی پدال ترمزبگذاریدthen

این قوانین یک ساختاررابرای دنبال کردن یک عمل یا وضعیت جاری توصیف می کنند که چنین ساختاری “دانش رویه ا ی ” نام دارد.

معایب سیستم های تولید قانون:

اگرچه قوانین تولید شده خاص می توانند شفافیت داشته باشنداما درسیستم هایی که شامل تعداد زیادی ازقوانین هستند(بیشتراز200)، ممکن است ترکیب نتیجه عملیات غیرشفاف باشد. به این دلیل که بعضی قوانین دریک پایگاه دانش ممکن است قوانین دامنه باشد ودیگرقوانین ممکن است قوانین کنترلی ویا دامنه ا ی باشند.راهی برای جداسازی وتفاوت بین گرامرها if…..then وجود ندارد وبنابراین همه نتایج ممکن است دنبال نشود. این مورد مخصوصاً ممکن است اشکال زدائی رابا مشکل مواجه کند.

مشکل دیگرسیستم های مبتنی برقوانین این است که دربرخی ازسیستم های خبره، دانش نمی تواند بطورکامل توسط قوانین به نمایش درآید. برای مثال درسیستم خبره پزشکی ، تاریخچه بیماربسیارمهم است . هرچند سیستم های مبتنی برقوانین با تکیه برپایگاه های داده وبه وسیله آنها داده هارا ذخیره می کنند. اما گاهی اوقات برقراری ارتباط موفق بین سیستم خبره مبتنی برقوانین وپایگاه داده ها، کاری واقعاً مشکل است . درنهایت اینکه سیستم های مبتنی برقوانین یک ناتوانی ذاتی دریادگیری دارند ونمی توانند خودشان را تغییردهند، درحالی که این مشخصه برای هرسیستم نمایش دانش ، ضروری می باشد.

شبکه های معنایی:

شبکه های معنایی یک روش گرافیکی برای نمایش دانش می باشند. این مفهوم ابتدا توسط رزکویلین درسال 1968 بیان شد. دانش می تواند بصورت اشیاء ، مفاهیم ، نتایج وروابط خاص بین آنها به نمایش درآید.دراصل شبکه معنا شامل یک مجموعه ازگره ها وارتباطات می باشد. گره ها اشیاء یا مفاهیم را نمایش می دهندوارتباطات روابط بین آنها را مشخص می نمایند. یک مثال ساده ازآن درشکل 3-1 نشان داده شده است.

این مثال نشان می دهد که کبوتریک پرنده است وقناری نیزیک پرنده می باشد. یک شبکه سلسله مراتبی ازارتباطات اشیاءمی تواند با استفاده ازاین نوع شبکه ایجاد شود. ازآنجاییکه شیءپرنده مشخصاتی دارد آنگاه اشیاء فرزند مثل قناری وکبوترکه وارث نامیده می شوند نیزدارای همان خصوصیات ومشخصات هستند. به وسیله وراثت ، یک شیء می تواند بصورت اتوماتیک وارهمه خصوصیات کلاس اصلی را داشته باشد. توارث مکانیزمی است برای اطمینان ازاینکه یک موجودیت با گره ها وارتباطات اضافی نشان داده نشود. مثالی دیگرازوراثت ، درشبکه های معنایی ، درشکل 3-2 نشان داده است .     

 

                             

                                                                                                                             

                                                                      

همانطوری که درشکل 3-2 می بینید جامبو یک پستانداراست . برای اینکه جامبو وارث خصوصیات فیل، وفیل نیزوارث خصوصیات پستانداراست .

مزایای توارث :

دراینجا باید چندین نمونه ازمزایای توارث بیان شده است:

      ×        حافظه کمتری را مصرف می کند چون لازم نیست بسیاری ازروابط به وضوح بیان شوند .

      ×        توارث قادر است اشیاء شبیه به هم را گروه بندی نماید.

      ×        هنگامی که یک گره بتواند ازگره های قبلی صفات وویژگی ها را به ارث برد، شبکه ها آسانتر به روزدرمی آیند.

شبکه های معنایی درعمل زیاد مفید نیستند چون آنها صرفاً قادربه نمایش دانش اعلانی بوده و نمی توانند دانش رویه ای را نمایش دهند.همچنین استانداردی  برای شبکه های معنایی وجود ندارد. به این معنی که فرم آنها ازیک سیستم به سیستم دیگرتغییرمی کند.قاب ها یک نمایش مبتنی براشیاء(شیءگرایی) می باشندکه امروزه تقریباً جایگزین شبکه های معنایی درسیستم های کاربردی شده اند.

قاب ها:

مینیکسی اولین شخصی بودکه درسال 1975 مفهوم قاب را به این صورت تعریف کردکه : “ یک قاب یک تکه ساختاریافته ازاطلاعات، پیرامون خصوصیات ، مشخصات ویا رفتارهای یک شیء یک عمل ، یک موجودیت ویا یک رویداد می باشد” .

یک قاب درواقع الگویی است که برای نگهداری اطلاعات یک موجودیت بکارمی رود. هرقاب دارای قسمتهایی بنام اسلات  (Slat ) (شیار) می باشدکه اسلاتها شامل صفاتی ازآن موجودیت   می باشند. به عنوان مثال قاب برای موجودیتی مانند حیوان دارای اسلایت هایی است که درشکل 3-3 نشان داده شده است . مقادیراسلات دریک قاب می توانند برسه نوع ذیل باشند:

؛FRAME animal

NAME                                          FILLER VALUE

IS-A                                               sentient-being

NUMBER-OF-LEGS                         defalt=4

IS-FURRY                                     defalt=hrue

شکل 3-3: الگوی قاب حیوان.

1-  اسلات ها ممکن است دارای مقادیرمتفاوت باشند مثلاً درقاب animal ،اسلات NAMBER-of-legs دارای مقدارپیش فرض 4 می باشد واین مسأله ازآنجا ناشی می گرددکه اکثرحیوانات چهارپا هستند ویا مقدارمربوط به اسلات IF-FURRY ازقاب animal

2-  اسلات ها دریک قاب ممکن است باهم مرتبط باشند . مانند مقدارمربوط به اسلات IS-A درقاب animal ، مقداراسلات IS-A برای ارتباط اشیاء بصورت سلسله مراتبی است .این اسلات برای ارتباط بین قاب حیوان وقابی است که قاب موجودات نامیده می شود. دراین روش سلسله مراتبی ازحیوانات می توانند بصورت قاب نشان داده شوند. شکل 3-4 راببینید.

3- اسلات ها دریک قاب می توانند رویه ا ی باشند . برای مثال قاب سگ رادرشکل 3-5 درنظربگیرید.

یک اسلات دراین قاب برای مقدارغذای روزانه درنظرگرفته شده است که DAILY-FOOD-INTAKE نامیده می شود. مقادیرممکن برای این اسلات زیاد ، متوسط وکم می باشدکه با توجه به بزرگی ووزن سگ درنظرگرفته می شود.سگ های بزرگ عموماً به غذای بیشتری ازسگ های کوچک نیازخواهند داشت . بنابراین مقداراین اسلات با محاسبه وزن وبزرگی سگ تعیین خواهدشد. این چنین اسلاتی، رویه ا ی نامیده می شود. چراکه مقادیرمربوط به آن ازطریق برخی عملیات رویه ای بدست می آید.

FRAME dog:

SLOT                                                          IFLLER VALUE

IS-A                                                             animal

NAME                                                          -

WEIGHT                                                      -

HEIGHT                                                       -

CAN-BARK                                                 default=true                                             

DAILY-FOOD-INTAKE                             calculate from height and weight slots

                                                When added

شکل 3-5: قاب مربوط به سگ.

توجه کنید که اولین اسلات درقاب مربوط به سگ می گویدکه سگ حیوان است . به این معنی که موجودیت سگ تمامی مقادیرمربوط به حیوان رابه ارث می برد. واین یک مثال دیگرازتوارث است.همانطوری که درقاب حیوان دیده می شود. سگ می تواند ویژگی چهارپابودن را به ارث ببرد. برای اینکه مقدارNUMBE-OF-LEGS  ،4 می باشد(درقاب حیوان). به صورت مشابه مقداراسلات IS-FURRY (خزدار) مقدارTrue راداردبه این معنی که سگ به عنوان یک حیوان خزداردرنظرگرفته می شود.

نمونه هایی ازاشیاءقاب:

حال یک سگ خاص به نام Rover رادرنظربگیرید. قاب مربوط به سگ که درشکل 3-5 نشان داده شده است می تواند برای ذخیره مقادیراسلات های Rover استفاده شود(شکل 3-6).ازآنجایی که Rover یک سگ است پس اوتمامی مقادیراسلات های قاب سگ رابه ارث می برد. به عنوان مثال برای Rover درنظرگرفته شده است که می تواند پارس اجراکندچراکه درقاب مربوط به سگ اسلات CAN-BARK دارای مقدارTrue می باشد. ازاین روهرزیر اسلات این مقداررابه ارث خواهد بردمگراینکه با مقداردیگری نوشته شده باشد. به طورمشابه Rover می تواند چهارپابودن را ازقاب حیوان به ارث برد.

زمانی که مقادیروزن واندازه به این قاب اضافه شده اند مقداراسلات DAILY-FOOD-INTAKE به میزان “زیاد” درنظرگرفته شده است .

روابط سلسله مراتبی بین سگی که Rover نامیده می شودوقاب مربوط به سگ وقاب حیوان وقاب مربوط به موجودات درشکل 3-7 نشان داده شده است .

منطق ¹

منطق بصورت گسترده ای دربرنامه های هوش مصنوعی استفاده می شود. مهمترین بحث درمنطق درستی یا نادرستی آرگومان ها می باشند.

ــــــــــــــــــــــــــــــــــــــــــــــــــ

1-Logic

 

نوعاً آرگومان ها شامل گزاره ها ¹ونتایج ²می باشند واین پایه واساس منطق گزاره ا ی می باشدکه دربخش بعدی بررسی می شود.

Instance of frame Rover

SLOT                                                          IFLLER VALUE

IS-A                                                             Dog

NAME                                                          Rover

WELGHT                                                    2.20

HEIGHT                                                      1.05

CAN-BARK                                            true=(inherited from default dog frame)   

DAILY-FOOD-INTAKE                             high:calculate from knowing the height

                               and weight values   

شکل 6-3: قاب مربوط به سگی بنام Rover

منطق گزاره ا ی:

به منظوره فرموله کردن زبان منطق، لازم است توضیح دهیم که منظورازیک گزاره چیست؟ یک گزاره جمله ا ی است که می تواندارزش درست یا غلط داشته باشد. برای مثال جملات زیرگزاره هستند:

1) “ کیت یک مردشاد است. ”                     2) “ همه گربه ها حیوانات خانگی خوبی هستند.”

هردوجمله 1)و2) گزاره هستندومی توانند درست یا غلط باشند. جملات زیرگزاره نیستند.

3)“ حیوانات خانگیم .”                                4) “ اوه - عزیزم . ”

عبارات درمنطق گزاره ا ی معمولاً‌بصورت سمبلیک هستند. برای مثال استنتاج زیررا ببینید.

“ اگرکیت مرد شادی است ، آنگاه کیت معلم است ”.

ــــــــــــــــــــــــــــــــــــــــــــــــــــ

1-Propositions

2-Conclusion

این جمله می تواند بصورت نمادین زیربیان شود:

A . کیت مرد شادی است .                           B .کیت معلم است

که می تواند بصورت گزاره منطقی زیربیا ن شود:

if A then B

که این گزاره با استفاده ازعبارات منطقی بصورت  نمایش داده می شود(به این معنی که گزاره A گزاره B رانتیجه می دهد).

این مثالی ازیک قانون استنتاج است که قیاس استثنایی¹ نامیده می شود. این قانون می گوید، اگرگزاره A وقانون استنتاج  درست باشندپس B نیزگزاره درست خواهد بود.

گزاره ها همچنین می توانند به وسیله کلمات ربط منطقی به هم متصل شوند. به عنوان مثال:     “ اگرمن یک موسیقی باخ گوش دهم واتاق هم گرم باشد، احساس خواب خواهم نمود.”

که بازنویسی سمبولیک آن بصورت زیراست.

گزاره A : من یک باخ گوش می دهم .           گزاره B : اتاق گرم است .

گزاره C : من احساس خواب می کنم .

این عبارت می توانند درنوشتارمنطقی بصورت زیرنوشته شوند.

علائم ارتباطی:

علائمی که درجدول 3-1 نشان داده شده اند برای بیان بعضی ازعمومی ترین علائم ارتباطی منطق گزاره ا ی کاربرد دارند .

ـــــــــــــــــــــــــــــــــــــــــــــــــــــ

1-Modus Ponens

                                     جدول 3-1 : کاربرد علائم ارتباطی درمنطق گزاره ا ی

تفسیر	معنی	علامت
نقیض گزاره A که ارزش آن عکس ارزش گزاره A می باشد.	نقیض A	~A
ترکیب عطفی A,B: تنها درصورتی صحیح است ، که A,B هردودرست باشد.	B,A	A^B
ترکیب فصلی A یاB : اگرA یاB درست باشدارزش این عبارت درست است .	A یاB	AVB
اگرA درست باشدو  هم درست باشدآنگاه B درست است واگرA ناردرست باشد و  درست باشد بنابراین B می تواند درست یاغلط باشد وزمانی این عبارت جواب نمی دهد که A غلط باشد.	A نتیجه می دهدB

منطق محصولات¹

منطق گزاره ا ی برای حل برخی ازمسائل کافی نیست ، چراکه یک گزاره صرفاً ارزش درست یا غلط را مشحص میکند. منطق محصولات این مشکل را با تقسیم گزاره به دوقسمت حل کرده است . این دوقسمت آرگومان واعلان می باشد. همچنین منطق محصولات اجازه استفاده ازمتغیرها را داده وعلاوه براین قوانین استنتاج بکاررفته ودرمنطق گزاره ای راپشتیبانی می کند.

برای مثال گزاره زیررا درنظربگیرید.

“ موهای امی قهوه ا ی است “.        Amy has brown hair                                                                                                                

این جمله رادرمنطق محصولات می توان به صورت زیرنوشت :

ـــــــــــــــــــــــــــــــــــــــــــــ

1- Predicate logic

 ( موهای قهوه ا ی وامی ) دارد. HAS (Amy , broen hair)       

در مثال بالا “دارد” (Has)، محمول است و امی و موهای قهوه ا ی (Amy, brown hair) آرگومان هستند. حال به گزاره زیر توجه کنید.

مینسکی یک گربه است                                                                     Minsky is a cat

در منطقه محمولات به این صورت نوشته                                            IS-A (Minsky, cat)

سورها درمنطقه محمولات:

منطق محمولات اجازه استفاده از سورها را می دهد به این معنی که زبان می تواند به وسیله جمله اعلانی توسعه یابد و هر کدام از این جملات به یک محدوده از یک متغیر اطلاق شود. به عنوان مثال جمله زیر را در نظر بگیرید:

“هر مردی یک زن را دوست دارد”

این جمله در منطق محمولات با استفاده از سورها به صورت زیر نوشته می شود:

+++++++++++++++++++

که خوانده می شود: برای هر موجودیت X در جهان ، اگر X مرد است پس موجودیت دیگری وجود دارد که Y می باشد که این Y زن است و X ، Y را دوست دارند.

سور  یک سور عمومی نامیده می شود که به همه موجودیت ها به طور عمومی ، مردان اشاره می کند .کمیت E+++ سور وجودی نامیده می شود که به حد اقل یک موجودیت در جمعیت زنان اشاره دارد. اکنون این جمله را در نظر بگیرید : “هر کسی که اهل ولز است یک مرد است” که این جمله در فرم منطقی به صورت زیر است:

==+++++++++++++++++++++++++

که خوانده می شود: برای هر X که اهل ولز باشد پس X مرد است.

از دو مورد فوق و با استفاده از قوانین استنتاج نتیجه می گیریم که جمله زیر باید صحیح باشد:

++++++++++++++++++++++++++++++++

به این معنی که هر کس اهل ولز باشد یک زن را دوست دارد . این مثال ما را به یک نتیجه گیری واضح سوق می دهد . اما در مورد مثالهای دیگر شاید نتایج وضوح کمتری داشته باشند.

مزیت منطق صوری این است که با استفاده از مجموعه قوانینی که قوانین استنتاج نامیده می شوند، می توان از واقعیت های صحیح برای ایجاد واقعیت های دیگر استفاده کرد. علاوه براین صحت هر گزاره جدید می تواند بوسیله یکسری اصول شناخته شده در مورد آزمایش قرار بگیرد . به هر حال توجه به این نکته مهم است که استنتاج های منطقی تنها صحت نتایجی را تضمین می کند که مقدمات رسیدن به این نتایج خود نیز صحیح باشند.

نمایش ترکیبی:

هیچ روشی برای نمایش دانش به تنهایی برای هر محدوده از مسائل مناسب نخواهد بود. هر شکل نمایش دانش مزیت هایی دارد و همچنین دارای معایب است، که این مزایا و معایب در جدول      3-3 خلاصه شده اند . بعضی اوقات یک نمایش ترکیبی بهتر از یک نمایش منفرد است.  ابزارهای برنامه نویسی هوش مصنوعی قوانین هستند. قاب ها و منطق  نیز توانایی نمایش دانش به شکل ترکیبی را از طرق مختلف دارند . این ابزارها اغلب در عمل به خوبی کار می کنند.برای مثال در قاب ها از اسلات می توانت برای نمایش محمولات استفاده نمود و بنابراین استنتاج منطقی   می توانددر قاب کاربرد داشته باشد. همچنین در یک سیستم قاب می توان از سیستم های تولید (مبتنی بر قوانین) استفاده نمود که موجب استفاده از دانش رویه ا ی و هیوریستیک می شود.

خلاصه:

همانطوریکه قبلاً گفته شد، در بسیاری مواقع یک ساختار نمایش منفرد برای تمامی محدوده های کاربردی مناسب نمی باشد .

                                      جدول 3-3 مزایا و معایب روش های نمایش دانش.

معایب	مزایا	روش نمایش
نمایش دانش توصیفی ، همچنین مشکل جاسازی محدوده دانش حل مسأله وجود دارد.	واحدمند، انعطاف پذیرو برای بسیاری دامنه ها (موضوعات) مناسب هستند.	قوانین تولید
مبهم – مدل فیزیکی ضعیف- عدم  قطعیت را نمایش نمی دهد.	دقت. به این معنی که اگر مقدمات درست باشد . صحت نتایح را تضمین می کند . برنامه ها را به سمت اعلانی سوق می دهد .مثل پرولوگ	منطق
نمی توانیم دو کلاس از یک شئ را متمایز کنیم و تشخیص دهی. برخلاف قاب ها نمایش دانش رویه ا ی میسر نمی باشد. نمایش ساختار دانش برای سیستم های پیچیده غیر ممکن است.	روش نمایش مبتنی بر شئ است. بنابراین برائت مجاز است.	شبکه های معنایی
مشکلات تئوری ناشی از استلات هایی که باید در یک قاب تعریف شوند که این امر مسأله ا ی غیر قابل اجتناب می باشد. به این معنا که هیچ چیزی به طور کامل مشخص نیست و نمی توان برای شئ تعریف کلی ارائه نمود.	نمایش مبتنی بر شئ استفاده مجدد را آسان می کند. قاب امکانات لازم برای مدیریت استثناها و رویه ها را عرضه می کند که این ویژگی ها در نمایش منطق و سایر روش های نمایش به سادگی محقق نمی شود.	قاب ها

برای جمع آوری قوانین خبره در هر زمینه باید در آن زمینه مسلط بود. سیستم های تولید (مبتنی بر قوانین) برای جمع آوری قوانین از شخص خبره ایده ال هستند منطق در نمایش دانش با ساختارجزئی موفق است و پایگاه های دانش شامل منطق و قاب برای نمایش اشیاء و موجودیت ها بسیار مناسب هستند. در جدول 3-4 مشخصات اصلی هرکدام از چهار روش نمایش دانش آورده شده است.

جدول 3-4: خلاصه ا ی از ویژگی های روش های نمایش دانش.

روش های استنتاج	معماری پایه	روش نمایش
زنجیره حرکت روبه جلو یا روبه عقب، در زنجیره حرکت روبه جلو، مفسر در پایگاه داده جستجو می کند تا وقایع جورشده در سمت چپ قوانین را بیابد. در زنجیره رو به عقب مفسر سعی می کند شرایطی را بیابد که منجر به اثبات یک هدف گردد.	شامل مجموعه ا ی از قوانین و پایگاه داده ا ی که وقایع را می داند، با توجه به واقعیت های قوانین موجود مفسر سیستم حقایق جدیدی را کشف نموده به پایگاه داده اضافه می کند این که چه قانونی انتخاب شود بستگب به روش استنتاج دارد.	قوانین تولید
تفکیک پذیری	در قضایا داده می شود، از قوانین استنتاجی هم مانند قیاس استثنائی استفاده می کند. سیستم خروجی بر اساس درخواست ها می باشد	منطق
وراثت به وسیله ارتباطات و گره ها	نمایش مبنی بر شئ از ارتباطات و گره ها برای نمایش دانش استفاده می کند.	شبکه های معنا
وراثت درقاب،به صورتسلسله مراتبی، مقدار اسلات می تواند تعریف شده باشد	نمایش مبنی بر شئ گرایی، از استلات ها برای ذخیره کردن صفات خلاصه استفاده می کند. مقادیر قراردادی می توانند به استلات ها نسبت داده شوند، بنابراین وراثت را آسان می کند.	قا ب ها

خلاصه مطالب فصل سوم:

دانش می تواند به طرق مختلفی نمایش داده شود.

      ×        کامل بودن

       ×       اختصار

      ×       محاسبات دقیق و کافی(بازدهی خوب) 

     ×       شفافیت (وضوح)

      ×        ساخت موارد مهم و پیشگیری از جزئیات اضافی

گروه بزرگی ازسیستم های خبره ازقوانین که گاهی اوقات “ تولید ”  نامیده می شوند.

مزایای قوانین:

      ×        سادگی

     ×        واحد مندی

       ×        تشریح (توصیف)

     ×       عدم فطعیت

یک قاب درواقع الگویی است که برای نگهداری اطلاعات یک موجودیت بکارمی رود. هرقاب دارای قسمتهایی بنام اسلات  (Slat ) (شیار) می باشدکه اسلاتها شامل صفاتی ازآن موجودیت  می باشند.

منطق بصورت گسترده ای دربرنامه های هوش مصنوعی استفاده می شود. مهمترین بحث درمنطق درستی یا نادرستی آرگومان ها می باشند. نوعاً آرگومان ها شامل گزاره ها ونتایج می باشند.

مزیت منطق صوری این است که با استفاده از مجموعه قوانینی که قوانین استنتاج نامیده می شوند، می توان از واقعیت های صحیح برای ایجاد واقعیت های دیگر استفاده کرد. علاوه براین صحت هر گزاره جدید می تواند بوسیله یکسری اصول شناخته شده در مورد آزمایش قرار بگیرد . به هر حال توجه به این نکته مهم است که استنتاج های منطقی تنها صحت نتایجی را تضمین می کند که مقدمات رسیدن به این نتایج خود نیز صحیح باشند.

  فصل4:مهندسی دانش

مهارت های مورد نیاز برای مهندسی دانش :

دبنهام در سال 1919 4 مهارت اصلی برای مهندس دانش بیان کرد که عبارتند از:

1- توانایی اصلی دقیق و کامل دانش. باید در مورد صحت دانش ، بررسی صورت گیرد. تمامی موضوعات و مسائل ممکنه احتیاج به بررسی کامل دارند و همه خروجی های ممکن باید در نظر گرفته شوند. برای مثال، در یک سیستم خبره پزشکی متخصص ممکن است یک بیماری خاص و نادرست را به خاطر عدم شناخت کافی  از قلم بیاندازد.

2- توانایی ارائه و پردازش دانش به این منظور که تسلیم بعضی ابزارهای خاص توسعه سیستم خبره نشود. به این صورت که دانش اخذ شده از یک متخصص برای ورودی کامپیوتر باید مستقل از ابزارها باشد. درغیراین صورت خطر این وجود دارد که دانش بجای اینکه در محدوده کاربردش قالب بندی گردد برای تطبیق با ابزارهای بکاررفته ساختار بندی شود.

3- توانایی طراحی یک سیستم خبره برای نگهداری دانش . دریک سیستم خبره دانش باید به گونه ا ی که متخصص (خبره) آن را تفسیر می کند، ارائه شود . این موضوع ممکن است بعضی اوقات یک سری مشکلات برای نگهداری ایجاد کند.چرا که در سیستم های مبتنی برقوانین تغییر یک یا چند قانون می تواند تأثیر غیر قابل پیش بینی روی دیگر قوانین پایگاه داشته باشد.

4-توانایی طراحی یک سیستم خبره به نحوی که بتواند با سیستم های قراردادی رایج  هماهنگی و تطابق داشته باشد . کاربران به طور گسترده وابسته به داده های صفحه گسترده و یا پایگاه های    داده ا ی بزرگ هستند. غالباً، متخصصین نیز باید (برای تصمیم گیری هایشان) به چنین داده هایی دسترسی داشته باشند. بنابراین برخی از سیستم های خبره که برای توسعه و گسترش پیشنهاد  می شوند احتیاج دارند که به این داده ها دسترسی داشته باشند و با دیگر برنامه های قراردادی رایج همانند پایگاه های داده ا ی و صفحات گسترده و نظایر آنها ارتباط داشته باشند.

اکتساب و اخذ دانش:

واژه های اخذ دانش و اکتساب دانش برخی اوقات بجای یکدیگر به کار می روند. یک اختلاف کوچک بین این دو واژه وجود دارد. اخذ دانش شامل مراحلی است که دانش در قلمرو خود توسط متخصصین به دست می آید واز طرفی دیگر منظور از اکتساب دانش شامل تمام مراحلی است که طی آن دانش  به فرم قابل استفاده در یک سیستم خبره تبدیل می گردد . راهنماهای مربوط به مهندسی دانش که توسط هالیس روت، واترمن و نیات در سال 1983 منتشر شد، به عنوان روشی منظم برای ساخت سیستم های خبره استفاده شده ، ابزارهایی را که برای توسعه سیستم های خبره لازم است مشخص می نماید. همچنین اکتساب دانش را به عنوان موضوع مهمی در توسعه سیستم های خبره معرفی می کند.

به طور کلی مهندسی دانش راجع به اکتساب دانش و چهار فعالیت دیگر صحبت می کند که عبارتند از :

1-تحقیق در مورد اعتبار و صحت¹ .           2-نمایش دانش .

3- استنتاج .                                               4-توضیح و تصمیم گیری.

اکتساب دانش:

اولین وظیفه مهندس دانش آشنایی با محدوده کاربردی مورد نظر به وسیله درک مفاهیم پایه ا ی و فرضیه ها می باشد. این اطلاعات اغلب در کتاب ها، مراجع ، مستندات و امثال آن یافت می شوند. اما از آنجایی که این منابع دانش به سرعت کهنه می شود (به روز نیستند) به مصاحبه با افراد متخصص نیز نیاز می باشد.

این مسأله که بخواهیم ساختار یک محدوده را بدون مصاحبه و گفتگو با یک متخصص به دست آوریم مشکل است،چون اطلاعات موجود درمنابع وکتاب ها ممکن است پراکنده یا ناقص باشند. متخصصان دائماً‌ درحال یادگیری مطالب جدید هستند بدون آنکه لزوماً این دانش جدید را درقالب اسناد کتبی به روزدرآورند.

ــــــــــــــــــــــــــــــــــــــــــــ

1. Validation and Verification (V & V)

مصاحبه:

مصاحبه اولین مرحله کسب دانش توسط انسان است .یک مصاحبه موفق شامل طرح ، آماده سازی ، ثبت وایجاد مستندات می باشد. این مراحل برای کلیه مصاحبه ها ازجمله مصاحبه با متقاضیان کارصادق است . ایجاد طرح وآماده سازی عناصرمهمی برای مصاحبه به منظوراخذ دانش هستنند. فراموش نکنیم که کیفیت یک سیستم خبره به تنهایی می تواند ازطریق دانش جمع آوری شده درآن مشخص گردد. اگرمتخصص به خوبی آمادگی نداشته باشد، ممکن است پاسخ های نادرستی به سؤالات بدهد. ازطرف دیگرممکن است سؤالاتی برای مصاحبه مطرح  می شونداشکالاتی داشته باشند. مرحله آماده سازی درمصاحبه دررابطه با مسائل زیرصحبت می کند:

1-  توضیح درمورد اهداف وروند مصاحبه، که به منظورآماده نمودن متخصص می باشد، به طوریکه ازنظر فکری برای مصاحبه آماده شود.

2-  چه عواملی برپیشرفت کاراثرگذارهستند؟ برای مثال مهندس دانش ممکن است بیان کند که چگونه درک ودریافت دانشی که خبره درآن تخصص داردبرروند پیشرفت کارتأثیرگذارخواهد بود.

3- تجهیزات خاص که استفاده می شوندوباید تنظیم شوند. برای مثال باید مصاحبه روی نوارکاست یا ویدئو ضبط شود ویا یک دستیاردرطول مصاحبه یادداشت برداری کند.

4- شرایط محیطی که مصاحبه درآن انجام می شود.برای مثال چه نوع اتاقی باید آماده شود. یاچه زمانی ازروزبرای مصاحبه درنظرگرفته شود.

تکنیک های مصاحبه مستقیم:

بعد ازآماده شدن شرایط مصاحبه مرحله بعدی انجام مصاحبه بصورت موفقیت آمیزمی باشد. تکنیک های مصاحبه مستقیم شامل سه گروه عمده ذیل می باشد.

-         مصاحبه جهت دهنده.

-         مصاحبه ساختیافته.

-         مصاحبه متفکرانه.

مصاحبه جهت دهنده:

اولین بخش مصاحبه،جهت دهی یا گرایش وتمرکزبر روی مصاحبه می باشد. هدف ازاین نوع مصاحبه به دست آوردن یک دید کلی درمحدوده کاربردی مورد نظراست . مهندس دانش به متخصص اجازه می دهد که آزادانه درمورد اطلاعات تخصصی درمحدوده گفتگوصحبت کندوتنها با سؤالات کلی برای هدایت متخصص، دخالت می نمایید. زمانی که متخصص بحثی را با واژه های سنگین وسطح بالا مطرح می کند به اوگوشزد خواهد کرد. این تکنیک برای کسب دانش عمومی محدوده مورد مطالعه بکارمی رود.

دراستفاده ازاین تکنیک مهندس دانش ممکن است چند سؤال کلی که باعث جهت دهی به مصاحبه شودرا مطرح نماید.

مانند سؤالات زیر:

    ×    “آیا فکرمی کنید با کلمات ساده وروان توضیح دهید که چه کاری انجام می دهید؟ ” ویا“فکر می کنید، وظیفه اصلی شما چیست ؟”

  ×     مشکل اصلی شما چیست ؟

مصاحبه ساخت یافته:

این نوع مصاحبه اساساً‌ به عنوان مرحله دوم مصاحبه وبا هدف تعمیق بیشتردرگفتگو ودستیابی به جزئیات بیشترصورت می گیرد. مهندس دانش وقتی جهت دهی مصاحبه راانجام داد ممکن است ازمصاحبه شوندگان بعنوان فرصتی برای درک مفاهیمی که هنوزمطرح نشده اند استفاده کندبه همین دلیل گفتگو دراین نوع مصاحبه بیشترازیک پروسه دومرحله ا ی می باشد. چراکه متخصص به سوالاتی که مهندس دانش می پرسدپاسخ داده وبه طور ایده آلی مصاحبه کننده به متخصص اجازه می دهد که پیرامون پرسش مطرح شده صحبت کند واورا ازانحراف ازمبحث اصلی بازمی دارد. ازمتخصص ممکن است سؤالاتی به شرح ذیل بپرسد.

     ×        “شما چگونه این مسئله را بدست آوردید؟ ” یا

      ×        “ آیا شما می توانید این مسئله را با جزئیات بیشتری توضیح دهید؟”

    ×        “ درک نمی کنم که چرا شما این کاررا انجام می دهید؟ ” یا

      ×        “ دراینجا چه اتفاقی می افتد؟ ” وغیره

مصاحبه متفکرانه:

مصاحبه های ساختیافته بعضاً نمی توانند تمامی مطالب را که درحوزه علمی مربوطه لازم است ، درخودبگنجاند. مصاحبه بصورت گفتگوی متفکرانه همانطورکه ازنامش پیداست متخصص را تشویق می کند به اینکه درهنگام فکرکردن صحبت نماید( فیرج وهنلر درسال 1991 ). با استفاده ازاین تکنیک، به متخصص کاری مشابه به کسی که دریک محیط حل مسئله دارد، واگذار می شود. ازمتخصص خواسته می شودتمامی افکاری راکه درمورد کارهایش دارد بیان کند. روش مصاحبه به صورت گفتگوی متفکرانه بعد ازمصاحبه ساختیافته انجام می شود. بنابراین استراتژی حل مسئله توسط خبره ودانشی که ازمصاحبه قبلی بدست آمده می تواند مورد ارزیابی قرارگیرد.

خلاصه ا ی ازتکنیک های مصاحبه :

تکنیک های اصلی که برای مصاحبه بکارمی روند درجدول 4-1 خلاصه شده است.

                                              جدول 4-1 :تکنیک های مصاحبه

سایر تکنیک های استخراج دانش :

یک متخصص همیشه نمی تواند صرفاً با استفاده از روش های مصاحبه مستقیم جزئیات دانش و چگونگی کاربرد آن را ابراز نماید. به عنوان مثال اخذ یک تصمیم ممکن است به عوامل ترکیبی متعدد بستگی داشته باشد که اظهار نمودن تمامی آنها مشکل بوده و زمان زیادی می طلبد. تکنیکهای دیگری نیزبرای استخراج دانش مورد استفاده قرار می گیرند. برخی از آنها به طور خلاصه در زیر توضیح داده شده اند.

شبکه فهرست  ¹    :

یک روانشناس به نام جی کلی در سال 1955 مفهوم شبکه فهرست را مطرح کرد.این طرح در واقع نمایشی از نظرات یک متخصص راجع به یک مسأله خاص می باشد.دراین روش یک سری عناصر برروی یک محوربرروی یک صفحه دوبعدی نمایش داده می شوند. این عناصر برای خبره موجودیت هایی آشنا هستند. مانند لیستی از اشخاص یا اشیاء همانند اتومبیل ها . سپس ویژگی های این موجودیت برروی محوردیگر به آن نسبت داده می شود مانند رنگ،وزن و… یک رویه عمومی دراین روش این است که اطلاعات دررابطه بامجموعه ا ی از موجودیت ها را به ترکیب های مختلف دسته بندی نموده از متخصص در رابطه با تشابهات و تفاوت های گروه های مختلف سؤال پرسیده شود. به این طریق تمامی ترکیبات ممکن بررسی شده تفاوت هایی که ممکن است بین موجودیت های مختلف مطرح باشد روشن می گردد.

تکنیک های بصری :

یک روش دستیابی به این هدف که متخصصان چه کاری انجام می دهند این است که هنگام مسأله به کارآنها نگاه کرد.یک سری ازاین تکنیکهای قابل دسترسی،تحلیل پروتکل نامیده میشوند.

تحلیل پروتکل ²

این روش براساس تکنیک مصاحبه متفکرانه پایه گذاری شده است. از متخصص هنگامیکه در

حال انجام کارش می باشد سؤال می شود تا توضیح دهد که چه می کند. یک نوار کاست یا ویدئوتهیه شده و سپس مطالب روی آن تفسیر و تحلیل می شوند. مزیتی که این روش دارد این

ــــــــــــــــــــــــــــــــــــــــــ

1-Repeytory grid

2-Protocol analgsis

است که فعالیت ها کاملاً بر طبق روال طبیعی بررسی و تکمیل می شوند. دیگر تکنیک های

موجود برای اکتساب دانش عبارتند از :

      ×        مشاهده                  ×مطالعات موردی                 ×  نقش بازی¹

مشاهده:

یکی از عمده ترین مشکلاتی که برای مصاحبه پیش می آید درخواست وقت از متخصص   می باشد. این مشکل برای روش مشاهده مطرح نیست. چون مشاهده متخصص در حین انجام کار هیچ وقت اضافی را نمی طلبد. با مشاهده یک متخصص هنگام کار، یک مهندس دانش می تواند بوضوح کاربرد آن دانش را هم ببیند. مشاهده همچنین می تواند با بخش های قبلی (مصاحبه) ترکیب شود تا مهندس دانش قادر شود فرضیات دامنه موجود را تحقق بخشد یا اصلاح نماید.از معایب روش مشاهده این است که این روش وقت گیر می باشد و ممکن است فقط موارد محدودی از مصاحبه را پوشش دهد . همچنین یک متخصص هنگامی که بداند دیگران بر عملکرد او نظارت دارند ممکن است احساس ناراحتی و یا حتی خجالت نماید و بنابراین غیر طبیعی رفتار کند. تکنیک های مشاهده موفق نیاز به تحلیل دقیق محیط عملیاتی دارند و به این دلیل مهندس دانش باید این بخش را تا حد امکان محرمانه انجام دهد.

مطالعات موردی :

از جمله مشکلاتی که در روش مشاهده ممکن است وجود داشته باشد مسائل غیر قابل پیش بینی
هستند که ممکن است رخ دهند. و این مسأله باعث اتلاف وقت مهندس دانش که در حال مشاهده

عملیات است ، شود. با استفاده از مطالعات موردی می توان براین مشکل فائق آمد . در اینجا مهندس دانش می تواند مواردی از توضیحات متخصص را انتخاب نماید. مانند روش مشاهده ،  مطالعات موردی بعضاً بسیار وقت گیر و پرهزینه هستند. به دلیل اینکه متخصص باید همه مواردیکه نتایج و عواقب کار را پوشش می دهد در نظر داشته باشد.

ـــــــــــــــــــــــــــــــــــــــــــــ

1.Role play

نقش بازی:

این تکنیک نیز می تواند وقت گیر باشد و ممکن است تمامی موارد ممکن را پوشش ندهد. نقش بازی، همچنین می توانددر عمل بسیار مشکل باشد و نیاز به یک مهندس دانش دیگر است ، تا کارایی بیشترشود.

مشکلات اکتساب دانش :

مشکلات اکتساب دانش اغلب در زمینه توسعه سیستم های خبره بوجود می آید. جدول 4-2 برخی از این مشکلات را به همراه راه حل های ممکن نشان می دهد.

 

خلاصه مطالب فصل چهار:

دبنهام در سال 1919  4 مهارت اصلی برای مهندس دانش بیان کرد که عبارتند از:

1- توانایی اصلی دقیق و کامل دانش.

2- توانایی ارائه و پردازش دانش به این منظور که تسلیم بعضی ابزارهای خاص توسعه سیستم خبره نشود.

3- توانایی طراحی یک سیستم خبره برای نگهداری دانش .

4-توانایی طراحی یک سیستم خبره به نحوی که بتواند با سیستم های قراردادی رایج  هماهنگی و تطابق داشته باشد .

اخذ دانش شامل مراحلی است که دانش در قلمرو خود توسط متخصصین به دست می آید واز طرفی دیگر منظور از اکتساب دانش شامل تمام مراحلی است که طی آن دانش  به فرم قابل استفاده در یک سیستم خبره تبدیل می گردد

اولین وظیفه مهندس دانش آشنایی با محدوده کاربردی مورد نظر به وسیله درک مفاهیم پایه ا ی و فرضیه ها می باشد. این اطلاعات اغلب در کتاب ها، مراجع ، مستندات و امثال آن یافت می شوند.

اما از آنجایی که این منابع دانش به سرعت کهنه می شود (به روز نیستند) به مصاحبه با افراد متخصص نیز نیاز می باشد.

مصاحبه اولین مرحله کسب دانش توسط انسان است .یک مصاحبه موفق شامل طرح ، آماده سازی ، ثبت وایجاد مستندات می باشد.

مرحله آماده سازی درمصاحبه دررابطه با مسائل زیرصحبت می کند:

1-توضیح درمورد اهداف وروند مصاحبه

2- چه عواملی برپیشرفت کاراثرگذارهستند

3-تجهیزات خاص که استفاده می شوندوباید تنظیم شوند.

4-شرایط محیطی که مصاحبه درآن انجام می شود.

تکنیک های مصاحبه مستقیم

-         مصاحبه جهت دهنده.

-         مصاحبه ساختیافته.

-         مصاحبه متفکرانه.

یکی از عمده ترین مشکلاتی که برای مصاحبه پیش می آید درخواست وقت از متخصص می باشد. این مشکل برای روش مشاهده مطرح نیست. چون مشاهده متخصص در حین انجام کار هیچ وقت اضافی را نمی طلبد. با مشاهده یک متخصص هنگام کار، یک مهندس دانش می تواند بوضوح کاربرد آن دانش را هم ببیند.

مشکلات اکتساب دانش اغلب در زمینه توسعه سیستم های خبره بوجود می آید.

 

فصل پنجم:استنتاج

استنتاج:

درفصل دوم دیده شد که اجزاء اصلی یک سیستم خبره، موتوراستنتاج ،پایگاه دانش وواسط کاربر می باشند که تمامی این اجزاءمفهوم واقعی ارتباط بایک سیستم خبره را ایجادمی کنند.این فصل جزئیات استنتاج رامورد بررسی قرارداده، مکانیزم های استنتاج راکه درساختاریک سیستم خبره مورد استفاده قرارمی گیرندمورد بحث قرارمی دهد.استنتاج مبحث مهمی است زیراشامل تکنیک هایی است که سیستم خبره توسط‌ آنها مسائل راحل می کند. واژه استنتاج درفرهنگ لغت به این صورت تعریف شده است: “ رسیدن به دانش به وسیله استدلال ”.درسیستم های مبتنی برقانون این استدلال براساس نتیجه گیری ازمقدمات وفرضیات صورت می گیرد . این امربه وسیله موتوراستنتاج قابل تحقق می باشد .

عملکردموتوراستنتاج:

درسیستم های مبتنی برقانون، موتوراستنتاج به این صورت کارمی کندکه یک قانون رابرای تست انتخاب می کندوبررسی می کند که آیا شرایط این قانون صحیح هستند یاخیر.این شرایط ممکن است ازطریق سؤال ازکاربر بررسی شود ویا ممکن است ازواقعیت هایی ناشی شود که درطول مصاحبه بدست آمده اند. وقتی شرایط مربوط به یک قانون صحیح باشند آنگاه نتیجه آن قانون نیزدرست خواهد بود. پس این قانون فعال¹ شده ونتیجه آن به پایگاه دانش افزوده می شود. همچنین ممکن است این نتیجه به عنوان اطلاعات درواسط کاربر نمایش داده شود . برای مثال قوانین زیرراکه مربوط به یک سیستم خبره مشاوردرمورد گیاهان خانگی است درنظربگیرید.

قانون 1 :اگراتاق سرد باشدونوراتاق کم باشد آنگاه بهترین گیاه پیچک می باشد.

قانون 2: اگردما کمتراز55 باشد آنگاه اتاق سرد است .

اگرموتوراستنتاج سعی دراثبات قانون ا داشته باشدآنگاه مقادیری راکه درشرایط این قانون آورده شده است احتیاج داردکه این شرایط عبارتنداز:“ اتاق سرد است ” و“ نورکم باشد ” . شرط “ اتاق سرداست ” با اثبات قانون دوم بدست می آید برای اینکه این شرط ازقانون دوم می باشد وبنابراین به وسیله اثبا ت این قانون حاصل می شود. به این معنی که شرایط برای قانون دوم یعنی “ دمای کمتراز55 درجه ” باید درست باشد. شرط“ نورکم است   ” باید ازکاربرپرسیده شود چراکه نتیجه قانون دیگری نیست وبنابراین ارزش آن فقط با پرسش ازکاربرحاصل می گردد.

درمثال فوق موتوراستنتاج می تواند برای یافتن بهترین گیاه ازقانون 1 شروع کند وبا اثبات فرضیات به هدف برسد. همچنین موتوراستنتاج می تواند ازقانون2 شروع کند وسپس به طرف حل صحیح مسأله پیش برود.

ــــــــــــــــــــــــــــــــــــــــــــ

1.Fired

استراتژی های استنتاج:

معمولاً‌ سه روش استنتاج توسط متخصصین بکاربرده می شود: استنتاج قیاسی ، استنتاج استقرایی  استنتاج انتزاعی 

استنتاج قیاسی:

استنتاج قیاسی به اختصاردرفصل دوم بررسی شد.مثال شامل سه قضیه زیربود:

1)    راشل یک برنامه نویس است .

2)    همه برنامه نویس ها شادهستند.

3)    بنابراین راشل شاد است .

نتیجه 3) یک نتبجه منطقی ویا قیاسی ازقضایای 1)و2) می باشد. دراین مثال نتیجه می تواند ازاطلاعات داده شده استنباط شود واین یک مثال ازاستنتاج قیاسی است .

جمله 1 قضیه اصلی نامیده می شود وجمله 2 قضیه فرعی نامیده می شود. نتیجه بدست آمده 3 حاصل منطقی قضایای 1و2 است که درنمودارون درشکل 5-2 نمایش داده شده است .

 

مزیت استنتاج قیاسی این است که این نوع استنتاج ازنظرمنطق ریاضی کاملاً درست است.

به این معنی که اگرقضایای پیش فرض درست باشند نتیجه بدست آمده نیزمطمئناً درست است .

استنتاج استقرایی:

جملات یا قضایای زیررا درنظربگیرید:

4- مینسکی یک گربه است .

5- بنابراین مینسکی چهار پا دارد.

ابتدا ممکن است چنین تصور شود که نتیجه (5) که عبارت است از “مینسکی چهار پا دارد” به وسیله روش قیاسی از پیش فرض (4) بدست آمده است ولی این نتیجه گیری غلط است، چون جمله (4) چیزی راجع بع اینکه یک گربه چهار پا دارد نمی گوید.

افراد بوسیله دانشی که از جهان طبیعی دارند و بر اساس تجربه خود این فرض را (گربه 4 پا دارد) می دانند و به نتیجه (5) می رسند. بنابراین نتیجه (5) از نظر ریاضی، دقت و صحت نتیجه (3) را ندارد. برای اینکه نتیجه (5) درست باشد (گربه 4 پا دارد) باید دانش ناشی از حواس پنج گانه انسان به فرض(4) اضافه شود. به این دلیل است که چنین نتایجی، استنتاج استقرایی نامیده می شود. این چنین استنتاجی دقت ریاضی ندارد و همیشه این احتمال وجود دارد که نتایج اشتباه باشند. استنتاج استقرایی در سیستم های خبره عمومیت دارد چرا که با استنتاج های انسان در جهان حقیقی هماهنگی و سنخیت دارد.

استنتاج انتزاعی:

استنتاج انتزاعی از معلول به علت می رسد و از این نظر با استنتاج استقرایی که از علت به معلول   می رسد تقاضا دارد . برای مثال قانون “اگر هوا بارانی شد آنگاه چمن باغ خیس می شود” را در نظر بگیرید درستی مقدمه درستی نتیجه را در بر داردو استنتاج انتزاعی بکار رفته برای این قانون درستی را به صورت معکوس در نظر می گیردو به این صورت که “اگر چمن خیس باشد پس باران باریده است”. این قانون به صورت کلی پذیرفته شده است حتی اگر تضمینی برای درستی آن وجود نداشته باشد.

ممکن است که چمن بدلیل آب پاشی و یا دلایل دیگر خیس شده باشد . بنابراین استدلال انتزاعی از نظر ریاضی به اندازه استدلال استقرایی هم صحت و دقت ندارد. اگر چه افراد متخصص غالباً استنتاج انتزاعی را بکار می برند. جدول 5-1 خصوصیات هر یک از استراتژی استنتاج را به طور خلاصه نشان می دهد.

خود آزمایی :

استنتاج های زیر انتزاعی، قیاسی یا استقرایی می باشند؟ پاسخ خود را توضیح دهید.

الف) هیچ کس برنده نمی شود بنابراین هیچ کس نباید بازی کند.

ب) همه پرندگان می توانند پرواز کنند، چلچله ها همه پرنده هستند. بنابراین همه چلچله ها می توانند پرواز کنند.

جدول 5-1 مقایسه استراتژی های مختلف استنتاج.

مشخصات	استراتژی استنتاج
تنها اطلاعات داده شده را برای حل مسائل به کار می گیرد و فقط به آن نیز نیاز دارد. استدلال ضرورتاً از عام به خاص صورت می گیرد. مفهوم ضرورت به این معنا است که اگر فرض درست باشد آنگاه نتیجه نیز درست است. به عبارت دیگر، نتیجه صحیح حاصل می شود اگر فرضیات درست باشند.	استنتاج قیاسی
جمع آوری دانش در این روش بیشتر به تجربه نیاز دارد. استدلالاز خاص به عام می باشد و همیشه این احتمال وجود داردکه نتایج نا درست باشند.	استنتاج استقرایی
استدلال از نتیجه و اثر(معلول) به علتی صورت می گیرد بنابراین این احتمال ایجاد نتایج نادرست وجود دارد.	استنتاج انتزاعی

استدلال مبتنی بر موارد (استدلال موردی) “

استدلال مبتنی مورد ¹(CBR)با انتخاب یک مورد از مواردی که قبلاً در پایگاه اطلاعات ذخیره

ــــــــــــــــــــــــــــــــــــــــــــــــــ

1. Cases Bsse Reasonin

شده اند کار می کند. به نحوی که این مورد بهترین و بیشترین شباهت را به خصوصیات مسأله جاری تحت بررسی ، دارا باشد. این روش مشابه روشی است که افراد متخصص هنگام تلاش برای حل انواع مسائل استدلال می کنند . به عنوان مثال تصمیم یک پزشک برای تعیین مقدار داروی خاصی جهت یک بیمار ، که دردی دارد ، ممکن است یادآور بیماری مشابه باشدکه تجربه چنین دردی  را در چند هفته پیش داشته است. اگر میزان دارو قابل قبول بوده باشد آنگاه به نظر می رسد که تصمیم اتخاذ شده توسط پزشک مشابه تصمیم قبلی وی باشد.

 CBRروشی از استنتاج است که اصاصاً با دیگر روش های استنتاج متفاوت است CBR بجای تکیه بر دانش عمومی قلمرویک مسأله با ارتباط بین فرضیات مسأله و نتایج آن ، قادر است تا دانش مخصوص به تجربه های قبلی را بجای وضعیت ها و حالات مسأله اصلی بکاربرده و مسائل را به هم پیوند دهد این مسائل اصطلاحاً موارد¹ نامیده می شوند.

یک مسأله جدید با پیدا کردن یک مورد مشابه قبلی و استفاده مجدد آن به جای وضعیت جدید، حل می شود. درصورت لزوم ممکن است موردی هم باشد که برای راه حل ها مستقیماً‌ بکاررودویا برای تغییرشکل مشکلات مسئله جدید استفاده شود. یک مورد(case ) توضیحی ازیک مسئله به همراه جزئیات عملکردش می باشدکه پاسخی به حل مشکلات خواهد بود.بطورکلی حل یک مسئله با استفاده ازCBR مراحل زیررا شامل می شود:

1-    ثبت جزئیات مسئله فعلی.

2-    تطبیق این جزئیات با موارد ذخیره شده به منظوریافتن وضعیت های مشابه.

3-    انتخاب موارد(cases ) ذخیره شده ا ی که با مسئله جاری بیشترارتباط دارند.

ـــــــــــــــــــــــــــــــــــــــــــــ

1-Cases

                                        Retrieve

4- سازگارکردن (وفق دادن ) راه حل ذخیره شده با مسئله جاری.

5-ارزش دهی به راه حل جدید وذخیره جزئیات مورد(case ) جدید.

این مراحل حل مسئله، برگرفته ازچرخه یک نوع سیستم CBR که درشکل 5-3 نشان داده شده است ، می باشند. 4 مرحله کلی که درشکل 5-3 نشان داده شده است به عنوان چهارR معروف   می باشند که عبارتند از:

1-    بازیابی ¹موارد مشابه به منظوربررسی.

2-    استفاده مجدد² ازاطلاعات ودانش ، درآن مورد، برای حل مسئله.

3-    تجدید نظر(بررسی مجدد) راه حل پیشنهادی .

                                                                                                                     

                                                                                               

                                             

                                                                                               

ــــــــــــــــــــــــــــــــــــــــــ

1-Retrieve

2-Reuse

4- نگهداری¹ بخش هایی از این تجربه، که احتمالاً برای حل مسائل آینده بکار برده می شوند .

یک مسأله جدید در CBR ، بابازیابی یک یا چند مورد از قبل ذخیره شده، استفاده مجدد مورد برای مسأله تحت بررسی، تجدید نظر راه حلی که براساس این مورد بنا شده است ، و نگهداری مورد جدید با الحاق آن به دانش ذخیره شده ، حل می شود.

زمانی که یک مورد(Case) بازیابی می شود،  سیستم CBR از راه حل پیشنهادی براساس مورد بازیابی شده استفاده می کند. در بعضی موارد این راه حل کافی نخواهد بود، در چنین مواردی، سیستم CBR باید با استفاده از راه حل ذخیره شده در مورد بازیابی شده نیازهای مورد جاری را برآورده سازد . چندین روش برای ایجاد سازگاری و تطبیق در CBR بکاربرده شده است (واتسن در سال 1997).

کاربرد :CBR

CBR در حالات زیر احتمالاً موفق باشد:

      ×        زمانی که آزمایش یا تجربه به جای تئوری ، منبع اولیه دانش است .

       ×    هنگامی که راه حل ها بتوانند به جای آنکه تنها برای یک مسأله واحد به کار برده شوند، مورد استفاده مجدد قرار بگیرند.

      ×        زمانی که به جای یک راه حل کاملاً تضمین شده، هدف بهترین راه حل ممکن باشد.

کاربرد :CBR

نمونه های موفق کاربرد CBR شامل نرم افزار کمک راهنما¹ ، شناخت بیماری، و دامنه های کاربردی آموزش می باشد. CBR برای کاربردهای کمکی راهنما منــــاسب اسـت. چرا که دانش کمک راهنما به وسیله شناخت تئوریکی یک حوزه براحتی ایجاد نمی شود. بعنوان مثال کمک راهنما برای سخت افزار کامپیوتر برای شناسایی دیسک های سخت ، پردازشگرها و غیره به کار می رود که بطور ثابت در حال تغییر می باشندو بنابراین طرح یک مدل تئوری در این زمینه غیر ممکن است.

ـــــــــــــــــــــــــــــــــــــــــــــ

1-Retain

2-Helpdesk

یک مثال دیگر کاربرد شناخت بیماری با استفاده از CBR، CASEY  می باشد(کوتون در سال 1989) ، که یک سیستم بهداشتی و سلامتی است و شناخت بیماری افراد را براساس شناخت افراد بیمارقبلی انجام میدهد. CASEY از قانون هایی استفاده می کندتا به مرحله تطبیق برسد.

برای مثال CASEY می تواند دانش خودش را به این صورت تغییر دهد که بی نظمی های قلبی و عروقی ارتباط با فشار خون بالا و تصلب شرایین دارد. به این طریق CASEY می تواند راه حل های مناسبی برای این موارد ارائه دهد.

ازدیگر کاربردهای تشخیص پزشکی CBR جلوگیری از پیشرفت بیماری ایدز می باشد. سیستمی که بدین منظور به کار گرفته می شودAIA خوانده می شودکه به منظور ارزیابی مقدماتی بیماری ایدز ازآن استفاده می شود. این سیستم برای افرادی کاربرد دارد که در معرض خطر بیماری ایدز قرار دارند. دراینجا با استفاده از تکنیک CBR، از موارد قبلی جهت هدایت مراحل حل مسئله استفاده می شود. به این معنا که در این CBR ، موارد قبلی که شبیه به مورد جدید تحت بررسی هستند،فراخوانی گشته وسپس بادخالت افراد متخصص عملیات تطبیق و بررسی پیشگیری می شود.

ابزارهای CBR:

بسیاری از ابزارهای (توسعه) تجاری CBR در حال حاضر موجود می باشند که توسط مؤسسات استنتاج توزیع می شوند . بسیاری از ابزارهای CBR  می توانند روی کامپیوترهای پینتیوم تحت سیستم عامل ویندوز اجرا شوند . برخی ابزارهای CBR دارای کاربرد های خاص هستند. برای مثال CASEY POINT در کاربرد های مربوط به به کمک راهنما بسیار مناسب است . شکل 5-4 ابزار دیگری را نشان می دهد که CBR Express نامیده می شود. این شکل نشان می دهد که این ابزار چه طور می تواند برای حل مشکلات یک چاپگر مورد استفاده قرار گیرد.

CBR در مقابل سیستم های سنتی :

در فصل دوم دیدیم که بسیاری از سیستم های خبره ، دانش را با استفاده ازقوانین ذخیره می کنند. همانگونه که قبلاً دیدیم این سیستم های مبتنی برقانون با ترکیب قوتنی دریک مکانیزم زنجیره ا ی که معمولاً زنجیره روبه عقب یا روبه جلو است ، مسائل راه حل می نمایند. این روش به دانش حل مسئله و دامنه تکیه می کند . اما روش CBR به قلمرو دانش مسئله نیازی ندارد. چرا که CBR تنها باید تشخیص دهد که آیا مشکل مشابهی قبلاً حل شده است یا خیر. مزایای ذیل در استفاده از CBR وجود دارد:

اکتساب دانش کاهش می یابد چون نمونه واضحی از عملیات در این زمینه لازم نمی باشد.

   ×    قابلیت نگهداری  دانش افزایش می یابد چون تغییرات حوزه دانش می تواند با موارد حل شده جدید به روز درآورده شود.

   ×    قابلیت یادگیری به وسیله موارد جدید و بدون اضافه کردن قانون های جدید یا اصلاح  قانون های موجود صورت می گیرد.

جدول 5-2 سیتم های خبره سنتی را با CBR مقایسه می کند.

هیوریستیک یا دانش سطحی:

اکثر سیستم های خبره ، دانشی را که بر اساس ذهنیات پایه گذاری شده است به کار می برند. به چنین دانشی ، سطحی گفته می شود. به این خاطر که نمایش محدوده مسئله به به وسیله آنها سطحی است. برای مثال قوانین در نظر گرفته شده برای یک سیستم خبره تشخیص در اتومبیل  را در نظر بگیرید:

اگرماشین سوخت زیادی مصرف کند.

وموتور به موقع روشن نشود= بله

آنگاه شمع اتومبیل را عوض کنید = بله ،

قانون بالا دانش هیوریستیک سطحی را نشان می دهد که این فرضیه های ساده و عملی نتایج را سریعتاً ایجاد می کنند . این مسأله در بخش بعدی بیشتر توضیح داده می شود.

جدول 5-2 مقایسه سیستم های خبره سنتی با CBR.

CBR	سیستم های خبره سنتی
مدل دامنه ضعیف است	محدود، مدل دامنه قابل درک است	سطح مشکل
موارد	قوانین if-Then ، قاب ها، منطق و غیره	نمایش دانش
انتخاب موردی از موارد قبلی که تا اندازه ا ی شبیه به مشخصات مسئله جاری می باشند.	زنجیره روبه عقب یا روبه جلوی قوانین، استفاده از روش های دیگر در قاب ها و غیره.	مکانیزم استنتاج
خوب، با اکتساب از موارد انجام می گیرد.	بسیار محدود	قابلیت یادگیری

استدلال عمقی (علی العمق):

بسیاری از محققان (چاندرسکاران، تانزو جوزفسون در سال 1988) ارزش استدلال سیستم های خبره را از اولین اصلشان (اصول اولیه) دانسته اند. این مسئله استدلال عمقی نامیده می شود. برای مثال ، یک سیستم خبره برای حفظ و نگهداری چمن های باغ ممکن اسن شامل قانون زیر باشد:

(1)  اگر باران ببارد، آنگاه سبزه ها سریعتر رشد خواهند کرد.

این قانون در واقع مثال دیگری از استدلال سطحی می باشد . به این معنی که در استدلال سطحی مفهوم دقیقی بین علت و اثر وجود ندارد ، چون زنجیره استنتاج ایجاد شده سطحی مفهوم دقیقی بین علت و اثر وجود ندارد، چون زنجیره استنتاج ایجاد شده است. این مثال یک نمونه هیوریستیک است . یک قانون مانند آنچه ارائه شد ممکن است به شکل فشرده ا ی برای توضیحات پیچیده در برخی از پدیده های شیمیایی مورد استفاده قرار گیرد.مثلاً علت علمی این قانون با جزئیات بیشترمی تواند به صورت ذیل عنوان گردد:اگرباران ببارد آنگاه سبزها سریعتر رشد خواهد کرد

چون خاک مرطوب تر خواهد شد.

این قانون توسعه یافته می تواند به یک زنجیره عمیقی ، تبدیل شود . یکی از کاربرد های مدل عمقی دامنه، فراهم آوردن توضیحات با کیفیت بهتر می باشد.یک مدل عمقی از دامنه می تواند توضیحات عمیق تری از رفتارهای سیستم ارائه دهد .چرا که مدلی واضح و کامل از زنجیره استدلال ایجاد خواهد شد.

چاندرسکاران،تانرو جزفسون در سال 1988 مدل های عمقی را برای گسترش توضیحات، پیرامون دانش دامنه های خاص با موفقیت بکاربرند. اگر چه، در بسیاری از دامنه ها ایجاد دانش عمقی و نیز معنادار شدن آن خودداری مشکلات است.برای مثال سیستم خبره ا ی توسط انجمن پزشکی انگلیس¹ ایجاد شده که علم اخلاق وقوانین ارتباط را بیان کرده ،چگونگی رفتارپزشکان با بیماران وسلوک پزشکی را روشن می سازد به وضوح مشخص است که ساخت یک مدل عمقی برای این نوع ازدامنه مقدور نمی باشد. این سیستم را برای کمک به آموزش پرستاران ، پیراپزشکان ودانشجویان پزشکی بکارمی برند. مثال دیگری دراین رابطه southwick می باشدکه یک سیستم خبره درزمینه حقوق است .

خلاصه مطالب فصل پنجم :

استدلال مبتنی مورد (¹(CBR با انتخاب یک مورد از مواردی که قبلاً در پایگاه اطلاعات ذخیره

شده اند کار می کند. به نحوی که این مورد بهترین و بیشترین شباهت را به خصوصیات مسأله جاری تحت بررسی ، دارا باشد. این روش مشابه روشی است که افراد متخصص هنگام تلاش برای حل انواع مسائل استدلال می کنند . 

اکثر سیستم های خبره ، دانشی را که بر اساس ذهنیات پایه گذاری شده است به کار می برند. به چنین دانشی ، سطحی گفته می شود. به این خاطر که نمایش محدوده مسئله به به وسیله آنها سطحی است. 

یک مدل عمقی از دامنه می تواند توضیحات عمیقتری از رفتارهای سیستم ارائه دهد .چرا که مدلی واضح و کامل از زنجیره استدلال ایجاد خواهد شد.

ـــــــــــــــــــــــــــــــــــــــــــــ

1-(British Medical Association) BMI

 

 فصل ششم :نرم افزارهای ساخت سیستم های خبره

اصطلاح سیستم های ابزارهای خبره ، نرم افزاری راتوصیف می کند.که برای ساخت یک سیستم خبره بکارمی رود. این ابزارهاازبرنامه هایی تشکیل شده اند که درساخت سیستم های خبره کاربرد دارندوشامل برنامه هایی هستند که به اکتساب دانش کمک می کنند. شکل 6-1 ارتباط میان ابزارهای عمومی سیستم های خبره را نشان می دهد.

ابزارهای توسعه سیستم های خبره:

اصلی ترین ابزارهای نرم افزاری برای توسعه سیستم های خبره بصورت زیردسته بندی می شوند:

    الف-  زبان های برنامه نویسی .     ب- پوسته های سیستم خبره.         ج- ابزارهای هوش مصنوعی  .

 
                                                                             

زبان های برنامه نویسی:

زبانهایی که برای توسعه سیستم های خبره بکارمی روندبه دو دسته تقسیم می شوند:

1- زبان های قراردادی .                                   2- زبان های هوش مصنوعی .

زبان های قراردادی :

زبان های قراردادی به نام زبان های مسئله گرا( مبتنی برمسئله ) نیزنامیده می شوند. مثل Ada , C , COBOL, Small talk . یکی ازفوائد اصلی استفاده اززبان های قراردادی قابلیت دسترسی واسط ها به نرم افزارهای قراردادی مانند پایگاه های داده وصفحات گسترده است. اگرچه بسیاری ازابزارهای توسعه سیستم خبره ، هم اکنون از نظر تجاری در دسترس هستند و این امکانات را دارا می باشند، اما ممکن است که برای ساخت یک سیستم خبره از یک زبان برنامه نویسی قراردادی مثل C یا پاسکال وحتی کوبول هم استفاده شود . همانطوریکه می توان از یک قیچی هم برای بریدن چمن استفاده کرد. این زبان ها برای ساخت سیستم های خبره مناسب نیستند. چرا که قدرت اداره ساختار دانش (که قبلاً بحث آن گذشت) را ندارند. برای مثال کوبول برای پردازش داده ها طراحی شده است نه برای نمایش و کنترل دانش. با این وجود از زبان هایی مانند زبانC که مزیت اصلی آن سرعت می باشد در طراحی سیستم خبره استفاده می شود.

زبان های هوش مصنوعی: 

زبان های هوش مصنوعی ، زبان های سمبلیک¹ نامیده می شوند. چون آنها برای کاربرد های هوش مصنوعی ایجاد شده اند. رایج ترین این زبان ها  LispوPROLOG هستند. اولین گروه ازسیستم های خبره اغلب از Lisp استفاده می کردند. ساخت سیستم های خبره با زبان های سطح بالابسیار وقت گیر است و اغلب چندین سال طول می کشد. چرا که سازنده مجبور است واسط کاربر، پایگاه دانش و موتور استنتاج را با استفاده از ساختارهای موجود در زبان توسعه دهد. یک مثال از چنین سیستم هایی DENDRAL می باشد که عبارت است از یک سیستم خبره تحلیل شیمیایی، که برای استنتاج ساختارهای مولکولی ناشناخته به کار می رفت. PROSPECTOR مثالی دیگر از سیستم خبره استخراج معدن می باشد که مانند یک مشاورفنی به زمین شناسان در استخراج معدن کمک می کند مثال دیگر Xcon می باشد که DEC از آن برای سفارشات مشتریان استفاده می کند.

این شکل به وضوح نشان می دهد که زمان توسعه سیستم خبره تا 30 سال قبل دارای پیشرفت چندانی نبوده اما در 10سال گذشته این زمان تقلیل و بهبود یافته است، که علت آن توسعه ابزارها می باشد .

عمومی ترین ابزارهایی که امروزه برای توسعه سیستم های خبره به کار می رود پوسته های سیستم خبره 

نام دارند.

ــــــــــــــــــــــــــــــــــــــــــــــــ

1-Symbol-manipulation language

پوسته های سیستم خبره:

پوسته های یک خبره شروع آسان و راحت برای ساخت سیستم های خبره ایجاد می کنند چرا که کاربردآنها ساده می باشد. در واقع آن سیستم های خبره ا ی هستند که خالی از قوانین می باشند. به این معنی که توسعه دهندگان می توانند روی ورودی پایگاه دانش متمرکز شوند بدون اینکه مجبور باشند چیزی مانند موتور استنتاج و یا واسط کاربر را بسازند. حتی خبرگانی که برنامه نویسی را نیز بلد نیستند می توانند به سرعت با پوسته ها آشنا شوند. همچنین بسیاری از پوسته های سیستم های خبره شامل امکاناتی است که اکتساب دانش را نیز راحت می سازند.

چندین نمونه پوسته عموماً دردسترس هستند عبارتند از:

AM برای ویندوز (که قبلاً تحت عنوان Crystal شناخته می شد) Leonardo و EXSYS که همه این ها روی سخت افزارهای کامپیوترهای شخصی تحت ویندوز کار می کنند.

نمایی از محیط پیشرفته Leonardo در شکل 6-3 نمایش داده شده است.

پوسته ها در زمینه های تخصصی :

هم اکنون ابزارهای متعددی برای توسعه زمینه های کاربردی خاص در دسترس می باشند. برای مثال پوسته هایی برای سیستم های تشخیصی، سیستم های وضعیتی، سیستم های برنامه ریزی، سیستم های کمکی راهنما و غیره وجود دارد.یک مثال از این ابزارهای خاص که در فصل قبلی ذکر شد ، CBR Express نام دارد. یک CBR خصوصاً برای کاربرد در ابزارهای کمکی راهنما بسیار مناسب است. پوسته زمینه های خاص ، بسیار گرانتر از پوسته های معمولی می باشد.

پوسته های توسعه CBRدردسترس می باشند. هارمون (در سال 1992) به بازنگری در مورد چهار نمونه از این پوسته ها پرداخت. آن ها عبارتند از : ReMind برای سیستم های تشخیصی   CBR Express/ART-IM از محصولات استنتاج، Esteem از شرکت نرم افزاری Esteem و Casepower برای راه حل های استقرایی.

جعبه های ابزار هوش مصنوعی ^1:

ابزارهای دیگر برای سیستم ها خبره جعبه های ابزار هوش مصنوعی یا محیط ها² می باشند. این ابزارها ابزارهای پیشرفته ا ی هستند که نوعاً شامل ساختارهای مختلف کد، بـــرای مجموعه ا ی ازکارهای سیستم خبره می باشند. آنها از قوانین ، قاب ها، برنامه نویسی شی گرا (OOP) و  شبکه های معنایی یا منطق استفاده می کنند و ممکن است از زنجیره های روبه عقب یا رو به جلو CBR و یا تکنیک های متنوع توارث نیز استفاده نمایند جعبه های ابزار هوش مصنوعی پیش رفته تر از پوسته ها (shell) هستند بنابراین آنها میزان تولید و بهرهوری را افزایش می دهندگرچه به علت پیچیدگی ،جعبه های ابزار هوش مصنوعی بیشتر از زبان های برنامه نویسی یا پوسته ها نیاز به مهارت دارند نهایتاً می توان گفت که پوسته ها برای کاربرد های کوچک مناسب هستندو ابزارهای هوش مصنوعی نیز بیشتر برای کاربرد های بزرگ (همانند گروه های کاریClient/Server) مناسب هستند.  دو نمونه از رایج ترین جعبه های ابزار هوش مصنوعی عبارتند از :

1- ART-IM که یک جعبه ابزار هوش مصنوعی بر پایه لیست و برای کامپیوترهای شخصی بوده که در محیط ویندوز قابل اجراست. ART-IMشامل 4 قسمت اصلی، قوانین (اصولاً برای دانش رویه ا ی بکار می رود) واقعیت ها، قاب ها ، نظریه ها (برای دانش اعلانی) می باشد ART برای کاربردهای پیچیده و مخصوصاً کاربردهای بلادرنگ مثل تفسیر هوشمندداده های دریافتی از حس گرها¹ در محیط کارخانه مناسب می باشد

2-Level 5 Object  که یک جعبه ابزار کامپیوتر های شخصی می باشدو برای کاربردهای Client/Server مناسب می باشد. همانند Level 5 Object ART-IM نیز مدل های مختلف دانش، شامل: قوانین، قاب ها و دامنه را حمایت می کند. همچنین شامل قابلیت های استدلال ارزنده ا ی می باشد. محیط توسعه شامل ویرایشگر قانون، ویرایشگر اشیاء و ویرایشگر نمایش برای طراحی  واسط کاربردر محیط ویندوز می باشد. ویرایشگر قانون جهت نگهداری قوانین و نمایش درختی دانش استفاده می شود. درخت دانش به معنای نمایش گرافیکی دانش بر مبنای درخت تصمیم گیری می باشد.ویرایشگر شی اجازه می دهد که توسعه دهنده کلاس های اشیاء را ایجاد کندو ویرایش نماید(شکل 6-4 را ببینید).امکانات ویرایشگر به توسعه دهنده اجازه ایجادو ویرایش موضوعات مختلف را می دهد. امکان کنترل جعبه ها،دکمه های رادویی،پنجره های متن، ناحیه ها و ابزارهای توسعه ویندوز همگی امکاناتی است که در اختیار توسعه دهنده قرار دارد.

ــــــــــــــــــــــــــــــــــــــــــــــــــ

1-AI toolkits

2-Environmets

ابزارهای کمکی ساخت سیستم :

ابزارهای کمکی ساخت سیستم ، برنامه های مختلفی هستند که کلیه مراحل توسعه را شامل  می شوند.آنها در عملیات مختلف مربوط به اخذ و نیزنمایش دانش خبره به کمک مهندس دانش می آیند. این ابزارها با امکانات مختلف ترسیم فلوچارت و غیره به طراحی سیستم خبره توسط مهندس دانش کمک می نمایند.

یک نمونه ابزار کمکی موجود جهت ساخت سیستم عبارت است از : Xpert Rule که  Attar Sftware ایجاد شده است. شکل 6-5 نمایی از کمک های ساخت سیستم توسط این ابزار را نشان می دهد که به صورت درخت های تصمیم گیری می باشند.

ابزارهای اکتساب دانش:

روش های مختلف اکتساب دانش بسیارگران ووقت گیر هستند. تلاش های زیادی صورت گرفته شده است تا ابزاری ایجاد شود که اکتساب دانش را آسان کند. یک موتور استقرایی رایج ترین وسیله ا ی است که  قادر می باشد قوانین را از مثال های موجود استخراج نماید. هرچند که موتور استقرایی بخش ضروری یک سیستم خبره نمی باشد ، با این حال یک بخش مفید ضمیمه شده است که توسط بسیاری از پوسته های سیستم خبره مورد استفاده قرار می گیرد. موتور استقرایی مجموعه ا ی از نمونه ها و مثال های مختلف را که یک حوزه خاص وجود دارد بررسی نموده ارتباطات بین مفاهیم مختلف را تحلیل می نماید. سپس موتور استقرایی قوانین که این مثال ها را به یکدیگر پیوند می دهد ایجاد می کند و آن ها در پایگاه دانش جای می دهد. مثال ها اغلب به شکل جدولی ترسیم می شوند. به عنوان مثال جدول 6-1 سه نمونه بدست آمده از یک خبره در بیمه عمر را نشان می دهد.

جدول 6-1: مثال هایی از یک خبره بیمه عمر

خطر	جنس	سیگاری	سن	مثال
پایین	زن	خیر	جوان	1
بالا	مرد	بله	پیر	2
پایین	مرد	خیر	میانسال	3

جدول مثال ها، میزان خطر مرگ افراد را با توجه به فاکتورهای نشان داده شده مشخص می کند. موتور استقرایی می تواند قوانین رااز مثال های موجود در جدول 6-1 ایجاد کند. البته باید توجه کردکه ضرورتاً یک تناظر یک به یک بین مثال های جدول و قانون های تولید شده وجود نداردو قانون تولید شده می تواند وابسته به عوامل و فاکتورهای متفاوت دیگری نیز باشد.

قوانین شکل 6-6 نشان می دهد که چطور تکنیک های استقرایی قوانین عمومی را از مثال های خاص تولید می کنند.

 

انتخاب ابزارهای توسعه:

انتخاب ابزار مناسب برای ساخت سیستم های خبره مشکل تر از سیستم های قراردادی   می باشدچراکه بسیاری ازاین ابزارها برای انواع خاصی ازمسائل مناسب نیستند ویک ابزارانتخاب شده ممکن است پس ازمدتی نیازبه تغییر داشته باشد.

علت این امرمعمولاً به دلایل زیراست :

      ×        سازنده ازمحدودیت های ابزارانتخاب شده ، آگاهی ندارد.

      ×           بعضی ازعوامل مهم ممکن است درطول تجزیه وتحلیل نادیده گرفته شوند.

      ×        درصورت ضرورت ابزاری برای ساخت نمونه انتخاب می شود تا با تغییرات درنمونه ، سیستم توسعه یابد.

             پرسش های زیادی هنگام انتخاب یک ابزاربه وجود می آید که باید پاسخ داده شودازجمله اینکه:

      ×    آیا ابزارانتخابی،خصوصیات پیشنهاد شده رابا توجه به نیازهای مسئله ونوع کاربرد دارا  می باشد یا خیر؟

            برای مثال قابلیت ایجاد عوامل قطعیت یا استنتاج بیزین وجود داردیا خیر؟

      ×        آیا ابزارامکانات تست، عیب یابی ، اشکال زدایی وغیره رادارد یاخیر؟ شکل 6-7 اجزای یک محیط  رانشان می دهد.

 

 

ارزیابی پوسته های سیستم خبره:

معیارهای کلی انتخاب یک پوسته خاص برای توسعه سیستم خبره عبارتند از:

سهولت استفاده :

ابزارهای انتخاب شده برای استفاده باید آسان باشد ونیزنمونه سازی رابا سرعت انجام دهد.

توانایی تکنیکی :

پوسته ها به طرق مختلف به نمایش دانش می پردازند واستراتژی های مختلفی رابرای استنتاج بکارمی برند. برای مثال VP-Expert کاملاً برمبنای قوانین است ودیگرپوسته ها مثل Leonardo قاب ها یا شیءگرایی را پشتیبانی می کنند . قابلیت های تکنیکی باید توسط توسعه دهنده پس ازدرک کامل ازماهیت حوزه کاربرد شناسایی گردد.

محیط پشتیبانی توسعه:

ساختاریک پوسته خبره که محیط را پشتیبانی می کند حداقل باید شامل یک ویرایشگربه منظور ایجاد پایگاه دانش ، ابزاراشکال زدایی وردیابی ونیزیک واسط کاربر دارای امکانات توضیح باشد.

امکانات واسط کاربر:

پوسته ها باید شامل ابزاری برای توسعه کیفیت واسط کاربر باشند .بطوری که کاربربتواند به هنگام اجزا ازامکانات مختلفی ازقبیل مسیریابی متن های به هم پیوسته ودستیابی به اطلاعات مختلف استفاده کند. همانند امکانات دسترسی به صفحات وب ویا استفاده ازفرامتن.

واسط خارجی:

بیشتر پروژه های سیستم خبره نیازبه درجه ا ی ازارتباط با خارج ازمحیط سیستم دارند . ازقبیل :

نیازبه فایل های صفحه گسترده، پایگاه های داده ویا حتی روال های C++ . برای مثال دریک سیستم خبره پزشکی ممکن است به اطلاعاتی دررابطه با بیمارنیازداشته باشیم که این اطلاعات دریک پایگاه داده ا ی ذخیره شده باشد.

مجوزاجزا وپشتیبانی فروشنده:

درواقع این پارامتر چگونگی توسعه یک محصول راازلحاظ کاربردی بررسی می نماید. مثلاً‌ برنامه روی نرم افزارها وسخت افزارهای مختلف بدون هزینه های اضافی ( افزایش قیمت )قابلیت توسعه وتوزیع داشته باشد( قابلیت حمل ) . به عنوان مثال یک سیستم خبره توسعه یافته برروی یک کامپیوترپنتیوم تحت ویندوز98 ممکن است روی یک کامپیوتر 486 تحت DOS اجرا نشود. درخت شکل 6-8 نتایج ارزیابی های بیان شده وارتباط هرکدام با دیگر ی رانشان می دهد.

نتایج:

دراین فصل مجموعه ابزارهای توسعه سیستم خبره مورد بررسی قرارگرفت .پوسته های سیستم خبره یک وسیله سریع وکم هزینه رابرای آشنایی با تکنولوژی مهیا می سازد. اگرچه برای محدوده های خاصی درسیستم های پیچیده استفاده ازپوسته های سیستم خبره میسرنمی باشد. اما با تمام این محدودیت ها، پوسته ها بطور زیادی مورد استفاده قرارمی گیرند.

دربعضی موارد آنها درابتدای چرخه یعنی درمراحل اولیه کار، به منظور ایجاد درک بهترازنیازمندی های مسأله استفاده می شوند ودرسطوح بالاتر کنارگذاشته می شوند.

قانون زیر به اختصار چگونگی انتخاب یک ابزاربرای توسعه سیستم خبره رابیان می کند:

اگرمی توانید پوسته ها رابکاربرید . درجایی که مجبورید ازیک جعبه ابزاراستفاده کنیدووقتی که چاره ا ی ندارید، یک زبان هوش مصنوعی رابکارگیرید.

خلاصه مطالب فصل ششم:

ابزارهای توسعه سیستم های خبره:

      الف- زبان های برنامه نویسی .            ب- پوسته های سیستم خبره.

        ج- ابزارهای هوش مصنوعی .

زبان های برنامه نویسی:

1- زبان های قراردادی .                                          2- زبان های هوش مصنوعی .

زبان های قراردادی به نام زبان های مسئله گرا( مبتنی برمسئله ) نیزنامیده می شوند.زبان های هوش مصنوعی ، زبان های سمبلیک نامیده می شوند.پوسته های یک خبره شروع آسان و راحت برای ساخت سیستم های خبره ایجاد می کنند چرا که کاربردآنها سادهمی باشد. در واقع آن سیستم های خبره ا ی هستند که خالی از قوانین می باشند.

هم اکنون ابزارهای متعددی برای توسعه زمینه های کاربردی خاص در دسترس می باشند.ابزارهای دیگر برای سیستم ها خبره جعبه های ابزار هوش مصنوعی یا محیط ها² می باشند. این ابزارها ابزارهای پیشرفته ا ی هستند که نوعاً شامل ساختارهای مختلف کد، برای مجموعه ا ی از کارهای سیستم خبره می باشند.

1- ART-IM که یک جعبه ابزار هوش مصنوعی بر پایه لیست و برای کامپیوترهای شخصی بوده که در محیط ویندوز قابل اجراست.ویرایشگر قانون جهت نگهداری قوانین و نمایش درختی دانش استفاده می شود. درخت دانش به معنای نمایش گرافیکی دانش بر مبنای  درخت تصمیم گیری می باشد روش های مختلف اکتساب دانش بسیارگران ووقت گیر هستند. تلاش های زیادی صورت گرفته شده است تا ابزاری ایجاد شود که اکتساب دانش را آسان کند. یک موتور استقرایی رایج ترین وسیله ا ی است که  قادر می باشد قوانین را از مثال های موجود استخراج نماید.

 

فصل هفتم:

تأثیر متقابل انسان-کامپیوتر در سیستم های خبره

 

تأثیر متقابل انسان و کامپیوتر:

تأثیر متقابل انسان و کامپیوتر¹ (HCI) موضوع بسار مهمی در طراحی سیستم های خبره محسوب می شود. همانطوریکه برای سایر سیستم های رایج نیز اینگونه است . دراین باره باید بحث کرد، چرا که تأثیر این مسأله در طراحی سیستم های خبره بسیار زیاد است . اکلی در سال 1980 اظهار داشت جای تردید نیست که خروجی یک سیستم خبره ممکن است درست باشد یا نباشد. به این معنی که کاربر می تواند سیستم را مورد بررسی قرار دهد و به خروجی نیز شک کند و سؤالاتی را طرح نماید.

سیستم های خبره موفق باید به جانب توسعه HCI اطمینان نمایند. چنین پیش بینی می شود که در آینده توضیحات (برای خروجی) کیفیت بهتری پیدا کنند و ساختار ورودی و خروجی نیز بهبود یابد.

نیازمندی های واسط کاربر در سیستم های خبره :

بسیاری از طرح های HCI کوجود در سیستم های خبره، همان هایی هستند که درسایر سیستم ها نیز وجود دارند. طبیعت یک فرآیند تأثیر متقابل در یک سیستم خبره به عنوان یک نیاز حیاتی، موجب پیدایش یک سری خواسته های متفاوت و اضافی درواسط ها می شود(هندلر و لویئس در سال 1992). برخلاف برنامه های معمولی یک سیستم خبره تنها وسیله ا ی برای انجام و تکمیل یک پردازش نیست ، بلکه بیشتر به صورت نمایش آن پردازش می باشد.

علاوه براین بسیاری از این پردازش ها دارای مفاهیمی هستند که در آنها قضاوت هایی توسط سیستم انجام می گیرد که نتایجی همچون دنیای واقعی دارند. داوری هایی که غالباً استنتاج هایی  می دهد، عملکرد سیستم نمایش داده شود. مانند ابزار توضیح و تفسیر و امکانات کمکی بر خط (Online) و غیره  . روشن است که متخصص نیاز دارد در طول فاز توسعه سیستم خبره برای تأییدی درستی و صحت عملکرد برنامه به واسط مهندس دانش دسترسی داشته باشد. علاوه بر این کاربر نیز نیازمند به تست سیستم خبره به منظور پذیرش پاسخ های آن می باشد. ارتباط بین افراد در این حوزه که شامل بر متخصص ، کاربر و مهندس دانش می باشند با هم و نیز با سیستم خبره در شکل 7-1 نشان داده شده است

 وسائل ورودی و خروجی برای سیستم های خبره:

برای برقراری ارتباط بین کاربر و سیستم خبره وسائل ورودی و خروجی بسیاری وجود دارد . متداولترین وسائل ورودی عبارتند از: ماوس، صفحه کلید، قلم نوری، صفحات حساس به لمس و انواع ورودی صوتی(مانند میکرفون). خروجی ها نیز عبارتند از : صحه نمایش، چاپگر، پلاترو … . عملکرد تقابلی یک

ـــــــــــــــــــــــــــــــــــــــــــــ

1-Human-Computer interaction

.

 سیستم خبره معمولاً شامل طرح تعدادی پرسش می باشد  که برای آن باید از یک یا چند ابزار ورودی استفاده نمود و معمولاً متعاقب آن از یک یا چند وسیله خروجی نیز استفاده می شود.

 پیغام هایی که سیستم می دهد ممکن است به صورت متن و یا خروجی گرافیکی بر اساس دامنه طبیعی سیستم خبره باشد .برای مثال ممکن است نشان دادن شکل یک ماشین توسط تصویر برای کاربر، قابل فهم تر باشد در حالی که فرم خروجی  به صورت متن برای سیستم های خبره در زمینه حقوق مناسب تر است.

روش های مناسبت تأثیر انسان در سیستم های خبره:

انواع مختلف واسطه های کاربر برای توسعه دهندگان و کاربران سیستم های خبره وجود دارد. بسیاری از این روش ها برگرفته از سیستم های نرم افزاری رایج می باشند. متداولترین روش ها در زیر آمده است.

به سیستم خبره (Housing Benefit) خوش آمدید. 1-    نام شما چیست؟ فردفیلیت سون. 2-    آیا اکنون شاغل هستید؟ خیر. 3-    تا کنون چقدر پول پس انداز کرده اید؟ 7500

شکل 7-2 نمونه سؤالات مطرح شده در سیستم خبره  Housing Benefit

سؤال 2: آیا اکنون شاغل هستید؟( لطفاً بله یا خیررا انتخاب کنید) بله خیر

شکل 7-3 : یک پرسش بصورت منو.

استفاده مستقیم ازصفحه کلید:

این روش به این صورت است که کاربر به یک پرسش با تایپ جواب توسط صفحه کلید پاسخ می دهد، که یکی ازقدیمی ترین روش هاست .یک مثال ازاین نوع عملکرد درشکل 7-2 نشان داده شده است . این مثال ازسیستم خبره housing beneflt آورده شده است .(توجه : سوالات سیستم خبره به فرم نرمال نوشته می شود وپاسخ های کاربر بصورت ایتالیک نمایش داده می شود).

واسطه های کاربر بصورت منو:

اگرسوال هایی که درشکل 7-2 آمده است بطور دقیق مورد توجه قرارگیرند می بینیم که روش ورودی مستقیم با صفحه کلید تنها برای پاسخ به سوالات 1و3 است. چون شمارش همه انتخاب های ممکن برای این دوسوال غیرممکن است . اما برای سوال دو بهتراست شیوه ارتباط واسط بصورت منو مورد استفاده قرار گیرد.چنین سیستمی کاربر را مجازمی سازد تا ازمیان چندین موردی که برروی صفحه نمایش است ، یکی راانتخاب کند وکاربرنیزتوسط ماوس یا صفحه کلید گزینه مورد نظر خودرا انتخاب می کند . برای مثال درشکل 7-3 نمونه ا ی ازاین شیوه نشان داده شده است . این شیوه معمولاً نسبت به شیوه ورودی مستقیم به صفحه کلید ارجحیت دارد چون موجب صرفه جویی دروقت می شودواشتباهات تایپی راکاهش داده وکاربر را مجاب می کندتا انتخاب خود را ازیک منو که دردسترس است انتخاب کند.

نکاتی درمورد طراحی منوی واسط:

        ×        سعی کنید مواردی که ارتباط منطقی باهم دارند دریک منو گروه بندی کنید.

        ×        سعی کنید منوها را براساس کاربرد،توالی واهمیت طبقه بندی کنید.

       ×        پاسخ های مورد نظررا ذکرنمایید وآن را با انتخاب ها ربط دهید.

        ×        عنوان منورا براساس عملکردش انتخاب کنید.

         ×        کاربر را درمورد سطوح منو، اشتباهات موجود وغیره آگاه سازید.

         ×        برای کاربر راه خروج وسیر عبور قرار دهید.

     ×     پاسخ ها را تضمین کنید.برای مثال اگر انتخاب ها ازشماره 1تا7 هستند وصفر راه خروج است .اطمینان حاصل کنید که هرکلید دیگری اشتباه بوده وکارنمی کند

زبان طبیعی :

واسط زبان طبیعی یک روش ارتباطی است که کاربر توسط عبارات یک زبان طبیعی مثل زبان انگلیسی تقاضای خود را وارد می کند.

فرم ها:

واسط هایی هستند که کاربر را قادر می سازند که اطلاعات را با تایپ کردن ویا شیوه های دیگر پیش بینی شده روی صفحه نمایش وارد نماید.

رابط تصویری (آیکون ):

درواسط های سمبلیک ، عبارات مورد نظرکاربر وپاسخ های سیستم به جای کلمات بصورت سمبل ویا اشکال تصویر ی نمایش داده می شود. این نوع روش واسط درمحیط های تحت ویندوز بسیار متداول است .

دستکاری مستقیم:

اشاره به شیوه ا ی ازواسط ها دارد که درآن کاربر ازطریق فشاردادن کلید وحرکت دادن یک وسیله نشانگرمثل یک ماوس ، نمایش گرافیکی اطلاعات را دستکاری می کند.

میزان رضایت کاربر:

موفقیت یک سیستم خبره بستگی به این دارد که کاربرتا چه اندازه درکارباآن سیستم احساس راحتی نماید .بنابراین بسیارتلاش شده است که واسط های سیستم خبره را توسعه دهند.نکات کلید درطراحی واسط های کاربر درزیر جمع آوری شده است:

×   طراحی واسط ، باید برروی کاربر متمرکزباشد.به این معنی که یک واسط باید با کاربران ارتباط متقابل داشته ودرارتباط با نیازهای آنان منطقی وسازگارباشد.همچنین شامل امکاناتی برای کمک به کاربران درمورد سیستم بوده، اشتباهات آنان را نشان داده وحل نماید.

×       

×   طراحی یک واسط بصورت استعاره اغلب راه خوبی برای کمک به کاربران یک سیستم می باشد.فرهنگ وبستر درتعریف لغت استعاره می گوید“ نوعی ازگفتارکه درآن یک لغت ویا عبارت منسوب به عملی می شود که موجب ارتباط ویا شباهت آن  با لغتی دیگرمیگردد.” استعارات به کاربران دردرک یک مفهوم جدید کمک می کند.

انتخاب یک روش واسط مناسب .مثلاً شیوه واسط WIMP ¹،اگرکاربر به یک واسط گرافیکی مانند ویندوزدسترسی داشته باشد، مناسب به نظر می رسد. سیستم ها ی منوی نیزبرای کاربران عادی مناسب است چراکه آگاهی آنها به نسبت کم می باشد.همچنین وقتی تعداد گزینه ها بسیارزیاد باشدکاربران خسته خواهندشد. واسط های زبان طبیعی برای کاربران متخصص وبا تجربه تنظیم شده است چون دستورات پیچیده می توانند ایجاد شوندو همچنین سریعتر از منوها عمل  می کنند.نمایش گرافیکی  اطلاعات باید زمانی استفاده شود که نیاز به این داشته باشیم که اطلاعات را به صورت تخمینی و نموداری عرضه می کنیم. نمایش دیجیتالی نیز تنها هنگامی باید استفاده شود که زمان مورد نیاز است.

   ×    کمک های بر خط (on-line) چندی است که در نرم افزارها مورد استفاده قرار می گیرد و استفاده از آن لازم نیز می باشد که این مورد برای کاربران سیستم های خبره نیز صدق می کند.

   ×    کاربران باید بدانند که چگونه امور مختلفی را انجام دهند . مثل تغییر پاسخ یک پرسش و یا داشتن اطلاعاتی در مورد حوزه عملکرد. طراحی مناسب واسط باید اصلاح اشتباهات را نیز شامل شود. پیغام های اشتباه نباید توهین آمیز بوده و موجب سرزنش کاربر شود. به کاربران باید پیشنهاداتی برای رفع اشتباه و کمک در کار با سیستم ارائه شود.

   ×    رنگ ها باید به دقت بکاربرده شوند تا موجب سردرگمی کاربر نشود. ترکیب رنگ ها باید ثابت و مناسب باشد. برای مثال رنگ زمینه برای پیغام اشتباه در ویندوز قرمز می باشد، که این رنگ باید در طراحی به طور ثابت استفاده شود.

اصول طراحی آیکون:

نکات زیر باید در طراحی واسط مبتنی بر آیکون در نظر گرفته شود.

×        نحوه عرضه آیکون به کاربران آزمایش شود.

×        در صورت امکا ن از استعارات در حوزه کاربر استفاده شود .

×        تاجایی که ممکن است، سمبل، واقعی انتخاب شود.

×        از سمبلی استفاده شود که مفهوم آن از قبل مشخص شده باشد.

×        هنگام نشان دادن دستورات از نمایش واقعی استفاده شود.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــ

1-Windows Icons Mouse and Tointers

امکانات تشریح:

در فصل دوم دیده شد که سیستم های خبره توانایی تشریح فرآیندهای استدلال خود را دارند. امکانات تشریح در متقاعد ساختن کاربران نکته سنج در تأیید قابلیت های یک سیستم خبره بسیار مؤثر است. بعضی از محققین معتقدند که تسهیلات تشریحی باعث تفهیم بهتر کاربران مبتدی از دامنه کاری خود می شود. عدم موفقیت در تغییر سیستم خبره پزشکی MYCIN جهت تبدیل آن  به یک برنامه آموزشی برای دانشجویان، در همین نکته نهفته است.

نیاز به امکانات تشریح:

توانایی تشریح فرآیندهای استدلال برای سیستم های خبره بعنوان یک مشخصه کلیدی محسوب می شود. امکانات تشریح، کاربر را از چگونگی رفتار سیستم آگاه می کند. تحقیقات نشان  می دهد که کاربران سیستم های خبره از امکانات تشریح استفاده بهینه می نمایند. این امر به این خاطر اهمیت دارد که مشاوره با یک انسان متخصص نیز اغلب نیازمند به برخی تشریحات می باشد . بسیاری افراد پاسخ های ارائه شده از یک متخصص را نیز بدون چنین توجیهاتی قبول نمی کند. بعنوان مثال یک بیمار چاق که به او توصیه شده تحت رژیم درمانی ویژه ا ی قرارگیرد، ممکن است سؤال کند : علت این توصیه چیست؟

دانش عمقی و سطحی:

عدم توانایی در تهیه دانش قابل توجیه به این دلیل اتفاق می افتد که مدلی از دانش استفاده شده توسط خبرگان برای استدلال وجود ندارد. این مسأله دانش عمقی نامیده شده و متخصصین به چنین دانشی دسترسی دارند. هرچند، وقتی یک متخصص با مشکلی روبه رو می شود سعی  می کند با استفاده از روش هیوریستیک یا همان راه های تجربی با مشکلات مواجه شود که این حالت دانش سطحی نامیده می شود اما متخصصین برای حل سریع مسائل به حافظه و محفوظات خود نیز رجوع می نمایند. برای مثال یک پرستار، چشمان مریضی را در مورد تأثیر دارو چک  می کند تا مقدار مصرف آن را تعیین کند. این دانش ساده از دانش فیزیولوژیکی انسان در لایه های عمیق تر ناشی می شود و همچنین دانش است که اغلب در سیستم های خبره دیده می شود چرا که می توان به طور بسیار آسان و راحت از آن برای حل مسائل استفاده کرد. یک نمایش عمقی اغلب برای بهبود امکانات تشریحی لازم است.

سیستم XPLAIN :

سوارت اوت نیز در سال 1986 متوجه شد که سیستم های مبتنی برقوانین قادر به اثبات آن چه انجام می دهند نمی باشند. چون دانش لازم برای ایجاد توجیهات در سیستم وجود ندارد. سیستم XPLAIN او یکی از اولین مواردی بود که به استفاده از تکنیک های برنامه نویسی اتوماتیک برای اثبات طرح ها در پس ساختار تشریحات سیستم خبره تأکید داشت.به هرحال استفاده از این رویه و متد نیز برای اجرا با مشکلات زیادی توأم بود.

دانش استراتژیک :

مجدداً پایگاه دانش گیاهان خانگی را در نظر بگیرید. اگر قانون4 اجرا نمی شد. آنگاه موتور استنتاج سعی در اثبات قانون بعدی می کردکه قانون 5 بود.دستوری که موتوراستنتاج سعی درانتخاب بهترین گیاه خانگی داردکاملاً براساس قواعد است. بنابراین دانش توضیح دهنده دستورات حل مسئله، قابل رویت نیست .

کلنسی درسال 1983 این مفهوم راثابت کرد.وقتی که اومتوجه شدGUIDON قادربه توضیح استراتژی سیستم خودش نمی باشد به مانند سیستم گیاهان خانگی او ثابت کردکه استراتژی جستجو درقوانین مطلق می باشد.

کلنسی می گوید: درطی برنامه GUIDON دریافتیم که روش تشخیص ودرک قواعد وقوانین توسط خبره به وضوح نمایش داده نشده است و GUIDON نمی تواند قوانین رابیان نماید. چون MYCIN مشخص نمی کند که چگونه مفاهیم دریک قانون باهم جوردرمی آیند. GUIDON بطورواضح وکامل نحوه حل مشکلات ومسائل توسطMYCIN رابر نمی شمارد چون ساختارفضای جستجو واستراتژی عملکرد آن صرفاً‌ درحوزه مفاهیم قواعد واضح وقابل اجرا می باشد .بنابراین تغییر یک سیستم مبتنی بردانش به یک سیستم کامپیوتری کمک برنامه های آموزشی نیازبه یافتن جزئیاتی درمورد پایگاه قوانین وتغییرات وتحولات زیادی دارد.سیستمی راکه کلنسی طراحی کرد، تحت عنوان NEOMYCIN نام گرفت (1983) این سیستم توانایی های MYCIN رادرتشریح استراتژی افزایش داد. دانش استراتژی ، دانشی دررابطه با چگونگی دسترسی به قوانین مختلف برای حل یک مسأله می باشد. جدول 7-1 انواع مختلف دانش را که برای تشریح لازم است بصورت خلاصه عرضه می کند.

در NEOMYCIN دانش استراتژیک بشکل قوانین پیشرفته درمی آید که درجایی به غیرازدامنه دانش طبقه بندی شده اند.

جدول 7-1 : دانش مورد نیازبرای توضیحات

روش های ممکن درسیستم های خبره مبتنی برقوانین	هدف و تأثیرتشریح	دانش مورد نیاز
همیشه دردسترس است.بدون اینکه تلاش اضافی صورت گیرد.	نمایش زنجیره ای استدلال انجام شده توسط سیستم ،باایجاد یک ردیابی ازروش حل مسئله،که درنتیجه مسئله باراه حل پیوند می خورد.	حل مسئله
اگریک مدل عمقی نیازباشدمی تواند مورد استفاده قرارگیرد.	برای تأیید دانش موجوددرسیستم خبره است.نتیجه آن این است که کاربران به صحت پایگاه دانش اطمینان بیشتری می نمایند.	توجیه درستی
می توان با استفاده ازقوانین فراگیر1مسائل راحل نمود	نشان می دهد که چطوریک خط استدلال ازخطوط دیگرناشی می گرددونتیجتاً‌به کاربران اطلاعاتی رادرزمینه روش های بکاررفته برای (حداقل )جستجوی یک راه حل ارائه می کند.	استراتژی

متن فشرده ^2:

متن فشرده، در برخی سیستم های امروزی عملکرد موفقی داشته است و همـــانطور که از نـامش

پیداست از متونی که قبلاً آماده شده است برای ارائه تشریح استفاده می کند.یکی از عمده ترین موارد استفاده از متن فشرده ارائه پیغام های خطا در کامپیوتر می باشد. با پیش بینی پرسش هایی که کاربران ممکن است بپرسند، سیستم پاسخ های احتمالی را که به صورت عبارات یک زبان طبیعی طراحی می کند بطوریکه دسترسی به آنها از روش ردیابی قوانین سریعتر می باشد.

در عین حال طراح سیستم، باید به منظور طراحی پاسخ های مناسب ، همه سؤالات احتمالی کاربران را پیش بینی نماید. متن فشرده بر خلاف ردیابی قوانین به صورت بسیار وابسته و غیر مستقل عمل می کند این مسأله موجب می شود استفاده از آن در سیستم های دیگر بسیار مشکل شود. همانگونه که اسپارک  جونز

ــــــــــــــــــــــــــــــــــــــــــــــــــــــ

1-Meta-Rule

2-Canned Text

مطرح کرد ، پیش بینی متن فشرده موجب انحراف کاربر در تخمین قابلیت های سیستم می شود. چون کاربران ممکن است فکر کنند که بازیان طبیعی و عادی با سیستم در حال گفتگو هستند.

موارد استفاده فرا رسانه ا ی:

در سال های اخیر توان و انرژی زیادی صرف ترکیب سیستم های خبره و سیستم های فرارسانه ا ی شده است که بیشتر مورد قبول کاربران باشد. سیستم فرارسانه ا ی مجموعه ا ی از متن، شکل و صداست که از مکانیزم نشانه گذاری استفاده می کند. سیستم فرامتن به صورت ویژه ا ی از متن استفاده می کند. کاربرد این سیستم را می تواند در صفحات وب موجود در اینترنت مشاهده کرد. سیستم فرارسانه ا ی ابزاری برای مدیریت اطلاعات است که متن ، شکل و صدا را به روش خاصی باهم پیوند می دهد . استفاده از این روش بکاربر اجازه می دهد در یک سیستم به طور غیر خطی به کاووش بپردازد نرم افزارهایی مثل Navigator Netscape Microsoft Enternet Explorer به کاربر اجازه می دهند تا با کلیک کردن برروی یک کلمه یا یک تصویر به اطلاعات بیشتری دست یابد. سیستم فرا متنی به صورت موفق در بسیاری از سیستم های خبره استفاده می شود.

قطعه ا ی از یک سیستم مشاوره آماری را نشان می دهد  که از فرامتن برا ی توضیحات اضافی در مورد آزمون های آماری استفاده می کند. این سیستم با استفاده از برنامه Knowledgepro در محیط ویندوز نوشته شده است. در شکل 7-5 در بالای پنجره زیر عبارت ضریب مطابقت kendalls  خط کشیده شده است این عبارت نشان دهنده وجود یک فرامتن می باشد که کاربر می تواند با کلیک برروی آن به توضیحات اضافی دست پیدا کند. پایین شکل 7-5 متن نهفته در مورد عبارت بالا را نشان می دهد که شامل توضیحات لازم می باشد. توجه داشته باشید عباراتی که زیر آن در بالا خط کشیده شده است در عنوان پنجره پایینی آمده است. سیستم فرامتنی به کاربران اجازه می دهد تا باتفکیک میزان تخصص خود در استفاده از سیستم در سطوح مختلف از سیستم فرامتن استفاده کنند.

واسط های گرافیکی:

برخی از سیستم های خبره پیشرفته وجود دارند که چند شکل از واسط های گرافیکی را دارا هستند.اینها عمدتاً برای کاربردهای ویژه ا ی هستند که نمیتوان آنها را تعمیم داد.

STEAMER (هولان ، هاچنیز، ویتزمن در سال 1984 ) معروف ترین سیستم مبتنی بر گرافیک است که برا یشبیه سازی فشار بخار در نیروی دریایی ایالات متحده آمریکا بکار می رود.

سیستم اولیه شامل مدل ریاضی برای فشار بخار بود که STEAMER یک واسط تصویری شبیه سازی شده به آن اضافه کرد. STEAMER چندین تصویراز سیستم فراهم می نماید که با استفاده از آن می توان سیستم را در سطوح مختلف کاری بررسی نمود . به هر حال STEAMER با هدف جایگزینی انسان متخصص بنا نشده است . برعکس هدف از طراحی آن ایجاد یک سیستم خبره در حوزه خاص بوده که به انسان در درک یک دامنه پیچیده کمک کند.

نتیجه گیری:

موفقیت یک سیستم خبره اغلب به چگونگی کیفیت واسط کاربر بستگی دارد. به نظر نمی رسد که مشکلات موجود در طراحی واسط کاربر برای سیستم های خبره به دلیل ملاحظات تجاری باشد. بلکه مشکلات ، در مورد چگونگی تطابق نیاز های کاربران وواسط ها می باشند.(استلزنر- ویلیام 1992) به این معنا که کاربرا ن سیستم های خبره نه تنها از نظر تخصص و آگاهی در سطوح مختلفی قرار دارند ، بلکه نیازهای آنان نیز دارای تفاوت هایی می باشد. بسیاری خواهان وجود توضیحات در سیستم خبره اند. با این حال همانطوریکه در این فصل بررسی شد ، چنین تسهیلاتی گاهی محدودند و بدون کمک طراحان حرفه ا ی دستیابی به آن امکان پذیر نمی باشد.

خلاصه مطالب فصل هفتم :

بسیاری از طرح های HCI کوجود در سیستم های خبره، همان هایی هستند که درسایر سیستم ها نیز وجود دارند. طبیعت یک فرآیند تأثیر متقابل در یک سیستم خبره به عنوان یک نیاز حیاتی، موجب پیدایش یک سری خواسته های متفاوت و اضافی درواسط ها می شود(هندلر و لویئس در سال 1992). برخلاف برنامه های معمولی یک سیستم خبره تنها وسیله ا ی برای انجام و تکمیل یک پردازش نیست ، بلکه بیشتر به صورت نمایش آن پردازش می باشد.

علاوه براین بسیاری از این پردازش ها دارای مفاهیمی هستند که در آنها قضاوت هایی توسط سیستم انجام می گیرد که نتایجی همچون دنیای واقعی دارند.

تفاوت آشکاری بین واسط مهندس دانش و واسط کاربر وجود دارد. اولی دسترسی به ابزارهای ساخت سیستم های خبره مانند ویرایشگر، ابزار تست، امکانات اشکال زدایی و امکانات تفسیر به منظور توانمند کردن مهندس دانش برای بررسی صحت برنامه و غیره را مهیا می کند. اما دومی دسترسی به عملیات سیستم خبره را مهیا می کند و کاربر را قادر می سازد با سؤالاتی که می پرسد و جواب هایی که سیستم به آنها می دهد، عملکرد سیستم نمایش داده شود.برای برقراری ارتباط بین کاربر و سیستم خبره وسائل ورودی و خروجی بسیاری وجود دارد . متداولترین وسائل ورودی عبارتند از: ماوس، صفحه کلید، قلم نوری، صفحات حساس به لمس و انواع ورودی صوتی(مانند میکرفون).انواع مختلف واسطه های کاربر برای توسعه دهندگان و کاربران سیستم های خبره وجود دارد. بسیاری از این روش ها برگرفته از سیستم های نرم افزاری رایج می باشند.

موفقیت یک سیستم خبره بستگی به این دارد که کاربرتا چه اندازه درکارباآن سیستم احساس راحتی نماید .بنابراین بسیارتلاش شده است که واسط های سیستم خبره را توسعه دهند.

نکات زیر باید در طراحی واسط مبتنی بر آیکون در نظر گرفته شود.

×        نحوه عرضه آیکون به کاربران آزمایش شود.

×        در صورت امکا ن از استعارات در حوزه کاربر استفاده شود .

×        تاجایی که ممکن است، سمبل، واقعی انتخاب شود.

×        از سمبلی استفاده شود که مفهوم آن از قبل مشخص شده باشد.

×        هنگام نشان دادن دستورات از نمایش واقعی استفاده شود.

×     برای وضوح بهتر، سمبل ها به صورت واضح و مشخص کنارهم قرار داده شوند.

   

مراحل موجود درطراحی سیستم های خبره:

مراحل اصلی طراحی یک سیستم خبره عبارتنداز:

1-تعیین یک بخش ازدامنه برای نمونه اولیه.                       2- تصمیم گیری برای نمونه اولیه.

3-ایجاد نمودارموکلی.                                                 4- ایجاد جداول تصمیم گیری.

5-کد نمودن با استفاده ازپوسته مناسب.

 

 

روش کار:

برای توضیح اینکه مراحل نامبرده چگونه درعمل بکاربرده می شوند،مثالی رادرزیرمطرح می کنیم. دراینجا سیستم خبره ا ی برای استفاده یک سازمان خیریه دریک حوزه محلی ایجاد می شود تا توصیه نامه های کمک هزینه راتنظیم کند. به عبارت دیگر به عنوان یک سیستم پشتیبانی تصمیم گیری برای بررسی اعتبارخانواده ، کمک هزینه خانه سازی وکمک هزینه سرپرستی بکارگرفته  می شود.شکل 8-1 نمودار بلوکی عملیات اصلی کمک هزینه را نمایش می دهد.حال به تشریح مراحل اصلی طراحی می پردازیم.

تعیین یک فضا از دامنه برای نمونه اولیه:

اگر پیچیدگی اولیه دامنه سیستم خبره زیاد باشد، آسان تر این است که با تمرکز به روی یک بخش از دامنه ، نمونه اول را شکل دهیم . در نمودار بلوکی شکل 8-1فضای مورد نظر برای ساخت نمونه اولیه ، بخش کمک هزینه خانه سازی است(Housing benefit).

تصمیم گیری برای تعیین نمونه اولیه:

انتخاب یک بخش از دامنه ، گام بعدی تصمیم گیری برای ایجاد نمونه اولیه است . دراینجا باید پارامترهای مختلف تأثیرگذار در هدف مسأله را با توجه به میزان تأثیرشان مورد بررسی قرار داد. (در مثال فوق یک سیستم پشتیبانی تصمیم گیری برای شخص متقاضی کمک هزینه خانه سازی ایجاد نمود.نمودار بلوکی شکل 8-2 روی این زیر مجموعه از دامنه تمرکز می کند و فاکتورهای تأثیرگذار بر تصمیم گیری را تعریف می کند.

   ×    نیازمند مسکن (House need) آیا متقضی واقعاً نیازمند کمک هزینه مسکن است ؟ دو عامل در پاسخ به این سؤال تأثیرگذار می باشند: آیا متقاضی یک مسکن ثابت دارد؟ واینکه آیا این جای ثابت پاسخگوی نیازهای او می باشد یا خیر؟ ارزش این دو مورد توسط پاسخ هایی که به این سؤال در زمان اجرا داده خواهد شد، مشخص می شود.

   ×    درآمد(Income) آیا متقاضی بدون در نظر گرفتن وام دریافتی برای خانه سازی درآمد کافی برای گذراندن زندگی دارد؟ در اینجا نیز دوعامل در پاسخ به این سؤال مؤثرند: اولاً، آیا متقاضی پس اندازی دارد و ثانیاً حقوقو متقاضی چقدر است ؟ ارزش این دو پرسش نیز از پاسخ هایی که کاربر در طول زمان اجرا خواهد داد بدست می آید.

                                         

                                                      

                                      

   ×    وابستگان(Dependants) . آیا متقاضی وابستگان نزدیک یا فرزند و غیره دارد یا خیر؟ پاسخ این سؤال کاملاً واضح می باشد و به هیچ عاملی بستگی ندارد و از طریق پاسخ به پرسش ها درزمان اجرا مشخص می شود.با توجه به پاسخ های داده شده، متقاضی می تواند خدماتی به صورت زیر دریافت کند:

      ×      پشتیبانی سطح 1- متقاضی حداکثر کمک هزینه را دریافت می کند.

      ×      پشتیبانی سطح 2- متقاضی حداکثر 80% کمک هزینه را دریافت می کند.

      ×  پشتیبانی سطح 3- متقاضی حداکثر 50% کمک هزینه را دریافت می کند.

      ×  پشتیبانی سطح 4- متقاضی حداکثر 20% کمک هزینه را دریافت می کند.

      ×  هیچ مقدار کمک هزینه دریافت نمی کند.

نموار موکلر:

نمودار بلوکی شکل 8-2 یک روش مفید برای توضیح و توصیف ارتباطات بین عوامل و هدف است . اما برای ساخت سیستم خبره کافی نمی باشد ، چون شامل جزئیات نیست . دراینجا نیاز به نموداری خواهیم داشت که از طریق سؤالات ورودی هدف را نمایان نموده، قوانین و  توصیف هایی که توسط نمونه اولیه ساخته شده اند ، را نشان دهد. یک نمودار موکلر یا نمودار وابستگی برای این کار مناسب است. برای ایجاد یک نمودار موکلر ابتدا نمودار 8-2 را به صورت افقی بپرخانید. سپس برای هر فاکتور اصلی که در گام دوم مشخص شده یک جعبه مثلث شکل بکشید. دراین مقطع فاکتورها عبارتنداز : نیاز به مسکن (House need) وابستگان (Depndants) و درآمد (Income). از آنجایی که مورد وابستگان مستقیماً به توصیه نامه ها مربوط است . جعبه مربوط به آن می تواند از نمودار حذف شود. آنگاه روی هر خط مستقیم که به یک مثلث وارد می شود، کلمه یا عبارتی نوشته شود که بهترین توصیف برای مواردی باشد که از فاکتور اصلی خارج شود. این مورد یک متغیر نامیده می شود.

زیر هر خط مستقیم تمامی مقادیر ممکنی که یک متغیر می تواند اختیار کند لیست نموده، همچنین اسامی برای مقادیری که فاکتور اصلی نمایش می دهد انتخاب شود. همین کار برای توصیه نامه ها نیز باید صورت گیرد . شکل 8-3 نمودار موکلر را نشان می دهد.

جدول تصمیم گیری:

مرحله نهایی کار ما قبل از تولید قوانین در پایگاه دانش ، ساخت جدول تصمیم گیری است. این جدول برای نمایش روابط داخلی مقادیر با خروجی هر فاز سیستم، مورد نیاز است. برای هر فاکتور در نمودار موکلر یک جدول تصمیم گیری جداگانه مورد نیاز است. بدین گونه که برای فاکتورهای ، کمک هزینه، نیاز به مسکن و درآمد باید یک جدول تصمیم گیری ساخته شود.

برای ساخت جدول  تصمیم گیری از تصمیم اصلی شروع نموده و کاررا به صورت عقب گرد از بالا به پایین انجام می دهیم. هر جدول تصمیم گیری یک مجموعه قوانین تولید می کند و هر مجموعه قوانین باید شماره گذاری شده و در مثلت مشخصی در نمودار موکلر نوشته شود. قبل از رسم هر جدول تصمیم گیری تعداد سطرهای مورد نیاز برای جدول را محاسبه می نماییم .

نوشتن قوانین برای پایگاه دانش(VP-Expert):

بیشتر لایه های سیستم خبره مبتنی بر قانون (از جمله VP-Expert) دانش را با استفاده از قوانین if…then  نشان می دهند. این بدان معنی است که یک قانون به یک کلمه کلیدی if آغاز می شود و بوسیله شرط هایی ارزیابی می شود (یک سری شرط ها را بدنبال دارد). شرط ها می توانند توسط عملگر های منطقی and و یا or به هم متصل شوند. برای تبدیل سطرهای جدول تصمیم تغیر یافته به قوانین، به راحتی می توان هر سطر را مانند آنچه در شکل 8-4 نشان داده شده است با استفاده از عملگرهای and و or به فرمت if…then تبدیل نمود . کلمه کلیدی if را قبل از اولین ستون شرط در جدول قرار دهید. باقی شرط ها را با استفاده از عملگر and متصل نموده و کلمه کلیدی then را پیش از مقدار نتیجه درج می نماییم. قوانین برای مجموعه سطرهای جدول 8-2 همانطور که در شکل 8-4 نشان داده شده است (مجموعه قانون I) کد می شوند. توجه کنید که همیشه بین سطرهای جدول و قوانین تولید شده در شکل 8-4 تناظر یک به یک مستقیم بر قرار نیست، مثلاً سطرهای B5 و B6 با استفاده از دستورOR برای این جدول خاص به یک ردیف تبدیل شده اند. تنیجه کارهای انجام شده این است:

B5 gives if house-need=yes and Sakary=full then Support=no-benefit

                                          B6 giver if house-need=no then Support=no-benefit

RULE1 IF house-need=ye                Dependints=yes AND               Income=none THEN support=level-1; RULE2 IF house-need=yes AND                 Dependants=yes AND                  Income=some THEN support=level-2; RULE3 IF house-need=yes AND                 Dependants=no AND                  Income=some THEN support=level-4; RULE4 IF house-need=yes AND                 dependants=no AND                  Income=none THEN support=level-3; RULE5 IF house-need=no OR                 Income=full THEN support=no-benetit;

شکل 8-4: مجموعه قانون1- قوانین هدف اصلی.

RULE6 IF fixed-abode=yes AND adequate = yes   THEN    house-nedd=no; RULE7 IF fixed-abode=yes AND adequate = no      THEN    house-nedd=yes; RULE8 IF fixed-abode=yes   adequate = no      THEN    house-nedd=yes;

شکل 8-5 : مجموعه قانون 2-نیاز مسکن.

این دو قانون با استفاده از عملگر OR ترکیب می شوند:

if salary=full or houes-need=no then support=no-benefit;

این فرآیند برای مثلث های بعدی نمودار موکلر نیز تکرار می شود تا همانگونه که در شکل 8-5 نشان داده شده استمجموعه قانون 2 ایجاد شود. سرانجام، این فرآیند برای سومین مثلث نمودار موکلر نیز تکرار می شود که نتیجه آن قانون3است و در شکل 8-6 نشان داده شده است.

RULE9 IF salary=no AND savings=low THEN income=none; RULE10 IF salary=no AND savings=high THEN income=some; RULE11 IF salary=yes THEN income=full;

شکل 8-6 : مجموعه قانون –3 –درآمد.

تبدیل قوانین به فرمت VP-Expert لایه مقصد (هدف):

مجموعه قوانین تولید شده خودشان به تنهایی برای سیستم مشاوره کافی نیستند زیرا هدف معین نشده است . یعنی سیستم خبره احتیاج دارد که بداند قوانین برای انجام چه کارهایی تدارک دیده شده اند. VP-Expert این کار را کلمه کلیدی FIND  انجام می دهد ، که گرامر کامل آن بصورت «FIND support» و به VP-Expert دستور می دهد تا مقداری برای پشتیبانی در طول زمان اجرای برنامه پیدا(FIND کند) . این دستور همیشه در قسمت ACTIONSاز یک برنامه VP-Expert قرار می گیرد.

ساختار برنامه : VP-Expert

در VP-Expert یک برنامه به سه بلوک ساختار بندی شده است:

1) فعالیت ها ¹.        2) قوانین² .           3)سؤال ها ³.

یک بلوک فعالیت مجموعه ا ی از موارد مورد بحث را جمع آوری می کند. این قسمت اولین بلاک در برنامه VP-Expert می باشد که کلمه کلیدی ACTIONS آغاز می شود. فعالیت ها نوعاً شامل نمایش (DISPLAY) تعدادی پیغام های اصلی زمان اجراء دستوری برای FIND و دستوری برای نمایش  (DISPLAY) مقادیر این هدف می باشند. شکل8-7 یک بخش فعالیت ACTIONS برای سیستم خبره کمک هزینه را نشان می دهد.

ACTIONS                                  “به سیستم مشاور کمک هزینه مسکن خوش آمدید”                 DISPLAY FIND Support                                       “.{Support}: کمک هزینه در نظر گرفته شده”                  DISPLAY

شکل 8-7 : یک فعالیت (ACTIONS) برای سیستم خبره کمک هزینه.

یک برنامه VP-Expert با بلاک ACTIONS آغاز می شود، با بلاک RULES ادامه پیدا می کند

و در آخر با بلاک QUESTIONS تمام می شود. پرسشی که باید در برنامه  VP-Expertپرسیده شود را می توان با مراجعه به نمودار موکلر (شکل 8-3) پیدا کرد. از آنجا که تمام متغیرهای سمت راست نمودار به چیز دیگری وابسته نیستند. بنابراین آنها سؤالاتی خواهند بود که توسط کاربر پایانه ا ی جواب داده می شود. بنابراین درسیستم کمک هزینه مسکن ، جواب های کاربر به سؤالاتی از قبیل : محل سکونت ثابت، رفاه، وابستگان، پس انداز و حقوق خواهد بود. شکل 8-8 یک بلاک سؤال مناسب را برای سیستم خبره کمک هزینه نشان می دهد. توجه داشته باشیدکه در گرامر کد VP-Expertبلاک پرسش ها با کلمه کلیدی ASK اغاز می شود. CHOISES که به دنبال برخی از پرسش ها می آید اختیاری است و تنها زمانی در گرامر سؤالات VP-Expertقرار می گیرد که نتیجه سؤالات از کاربر در انتخاب از یک لیست فهرستی محدود شده باشد

ــــــــــــــــــــــــــــــــــــــــــــــ

1-Actions

2-Rules

3-Questions

کد کامل برنامه VP-Expertدر شکل 8-9 لیست شده است.

ASK fixed-abode: “Has the applicant a fixed abode or address?”;  CHOICES fixed-abode:yes,no; ASK adequate:”Has t the applicant accommodation?”; CHOICES adequate:yes,no; ASK dependants: “Has the applicant any children or dependants?”; CHOICES dependants:yes,no; AKS savings: “Has the applicant any savings?”; CHOICES savings: high, low; AKS salary: “Has the applicant a regular sufficient salary?”; CHOICES salary:yes,no;

شکل 8-8 بلاک پرسش برای سیستم خبره کمک هزینه.

خلاصه مطالب فصل هشتم:

مراحل اصلی طراحی یک سیستم خبره عبارتنداز:

1-تعیین یک بخش ازدامنه برای نمونه اولیه.                          2- تصمیم گیری برای نمونه اولیه.

3-ایجاد نمودارموکلی.                                                   4- ایجاد جداول تصمیم گیری.

5-کد نمودن با استفاده ازپوسته مناسب.

 

فصل نهم: چرخه عمر در توسعه سیستم خبره
 

اگر پیچیدگی اولیه دامنه سیستم خبره زیاد باشد، آسانتر این است که با تمرکز به روی یک بخش از دامنه ، نمونه اول را شکل دهیم .

انتخاب یک بخش از دامنه ، گام بعدی تصمیم گیری برای ایجاد نمونه اولیه است .

مرحله نهایی کار ما قبل از تولید قوانین در پایگاه دانش ، ساخت جدول تصمیم گیری است.

برای ساخت جدول  تصمیم گیری از تصمیم اصلی شروع نموده و کاررا به صورت عقب گرد از بالا به پایین انجام می دهیم.

بیشتر لایه های سیستم خبره مبتنی بر قانون (از جمله VP-Expert) دانش را با استفاده از قوانین if…then  نشان می دهند. این بدان معنی است که یک قانون به یک کلمه کلیدی if آغاز می شود و بوسیله شرط هایی ارزیابی می شود.

در VP-Expert یک برنامه به سه بلوک ساختار بندی شده است:

1) فعالیت ها         2) قوانین          3)سؤال ها

مقدمه

توسعه نرم افزارهای قراردادی دراغلب مراحل چرخه عمر قابل رویت می باشند. به این دلیل که شامل مراحل مشاهدات تا تولیدنهایی محصول می باشند. برای مثال یک شرکت تولید نرم افزارهای تجارتی که درنظر دارد بسته های نرم افزاری ایجاد کندباید درآغازکارامکان سنجی را کاملاً منطبق با تجارت روزانجام دهد. اگرمطالعه امکان سنجی انجام شودوپاسخ آن مثبت باشد ، آنگاه مراحل بعدی که شامل تجزیه وتحلیل جزییات مسئله است بایدانجام گیردمرحله بعدی طراحی سیستم جدید می باشدوغیره.بطوراتفاقی روش توسعه نرم افزار سیستم خبره دربعضی مواقع دارای شباهت هایی با سیستم های قراردادی می باشد. اختلاف های این دوسیستم درجدو ل 9-1 آمده است . این جدول تفکیک مراحل برای سیستم های قراردادی وسیستم های مبتنی براختلافات بصورت ویژه درفاز دوم نمایان است .

سیستم مبتنی دردانش	سیستم قراردادی
1-مطالعه امکان سنجی	1- مطالعه امکان سنجی
2-مهندسی دانش	2-تجزیه وتحلیل سیستم
3- طراحی	3-طراحی
4- پیاده سازی	4- پیاده سازی
5- تست	5- تست
6- نگهداری	6- نگهداری

جدول 9-1 : مراحل چرخه عمرسیستم های خبره وسیستم های قراردادی .

روش مرحله ای :

درحال حاضر تفاوت اساسی بین سیستم های خبره وسیستم های قراردادی درفاز مهندسی دانش می باشد. مرحله طراحی ، پیاده سازی وتست همگی ازاین فازتبعیت می کنند. مراحل موجود دراین روش درشکل 9-1 نشان داده شده است .

روش نمونه سازی:

تجزیه وتحلیل سیستم های قراردادی یک فعالیت خوش تعریف می باشد.جزئیات ومدت هرکارمی تواند مستند شده ، نمایش داده شده، مدیربت وپشتیبانی می گردد( درصورتی که پروژه با منابع کافی زمانبندی شده باشد) . اما مهندسی دانش بسیارمتفاوت است . نیازهای مختلف سیستم خبره غالباً‌ به سختی مشخص می گردد، برای اینکه نوعی چکیده ازدانش محسوب می شود. درسیستم های خبره هدف های نهایی نوعاً‌ بصورت واضح تعریف شده نیستند واین مسأله اختلاف اصلی وعمده بین یک سیستم خبره ویک سیستم قراردادی می باشد.مهندسی دانش به  بسته بندی ، نمایش وساختاردانشی که درطبیعت خلاصه می شود متمایل است . ونهایتاً‌ برروی پردازش داده متمرکز می شود. نیازهای مختلفی درسیستم های خبره ا ی که پایگاه دانش پیچیده ا ی دارند احساس می شود. بنابراین اصلاح پایگاه دانش ممکن است لازم باشد واین نشان می دهد که مهندس دانش باید سیستم را مجدداً بررسی نموده، با اصلاح آن موافقت کند. این عمل تکراری برای  ایجاد توسعه سیستم خبره با موفقیت انجام می شود واین کارنمونه سازی نام دارد.توجه کنید که حلقه بازخوردی ازمراحل مهندسی دانش تا مرحله تست متغیراست . درعمل نمونه سازی اغلب شامل تولید سریع یک نمونه است که هدف ازآن ، ایجاد یک سکوی پرتاب برای کاربران ومتخصصین می باشد. همچنین با هدف تشریح عملکرد سیستم برای مدیران ، که درمورد استفاده ازتکنولوژی سیستم خبره ممکن است دچارشک وتردید شده باشند. این امرضروری به نظر می رسد. نمونه سازی درواقع عبارت است ا:تغییرات اساسی در فرایند توسعه(نومان و جن کنیز1982).نمونه از تعداد ناتمحدودی نتایج باز خوردی و ارزیابی کاربران و متخصصین تشکیل شده است. نمونه سازی مزایای دیگری نیز دارد.

به منظور درک این مسأله  که نمونه سازی چه طور ممکن است در اولین مرحله توسعه یک برنامه عمل نماید، مثالی می آوریم: یک سیستم پرداخت حقوق و دستمزد را در نظر بگیرید. توسعه چنین سیستمی شامل یک مجموعه ورودی عبارت از: نام، نام خانوادگی ، شماره پرسنلی، میزان حقوق، میزان اضافه کاری، ساعات کار و غیره و خروجی ها شامل پرداحت ها مانند پرداخت مالیات و غیره می باشد. این فرآیند باید شامل محاسبه برای پرداخت مالیات باشد که از روش ضرب ساعات کار در نرخ آن بدست می آید. از اینرو، نیازهای چنین سیستمی به وضوح می تواند مشخص گردد. بنابراین استفاده از مدل مرحله ا ی در اینجا توسعه می گردد.

اما در مقابل یک سیستم خبره برای پرداخت مالیات در نظر بگبرید. نیازهای آن چه می باشد؟ برای ساخت چنین سیستمی ابتدا باید نیازهای مسأله، محدوده و اهداف مسذله کاملاً تعریف شود. این مسذله ممکن است یک سیستم بزرگ را در برگیرد. اما برای استفاده از روش نمونه اولیه توسعه دهنده تنها باید یک هدف و یک قسمت کوچک از دامنه (15% از آن ) را به عنوان یک نوقطه شروع تعریف کند. توسعه دهنده تنها روی یک هدف متمرکز می شود که شاید آن هدف مالیات بر درآمد پرداخت شده باشد. برای مثال، مالیات بر درآمد افراد مجرد. توسعه دهنده باید این دانش را به مجموعه ا ی کوچک از قوانین که در سیستم خبره استفاده می شود، تبدیل نماید.

نمونه اولیه ممکن است نسخه نهایی به نظر برسد و یا این طور بنظر برسد که این نسخه نیاز به پالایش و تغییرات اضافی دارد. این تغییرات و پالایش ممکن است شامل اضافه شدن قسمت های مختلفی در نمونه اولیه فعلی باشد. این نوع از نمونه اولیه «نمونه اولیه افزایشی (نموی¹)» نامیده می شود.

مزایای نمونه سازی:

×        نمونه سازی یک ایده روشن به تولید کنندگان پروژه می دهد که آیا عملیات با استفاده از تکنولوژی سیستم   خبره کامل می شود یا خیر؟

×     نمونه سازی یک روش سودمند برای تشریح سیستم در مراحل اولیه محسوب می شود.

×   نمونه سازی می تواند مدیریت را با امکان نمایش سریع جذب نماید.

×     نمونه سازی در حکم وسیله ا ی است برای متخصصین جهت انتقاد از سیستم یا ایجاد اصلاحات و استثنائات در قوانین.

      ×    نمونه سازی هم از کاربر و هم متخصص پشتیبانی می کند.

   ×    نمونه سازی اطلاعاتی در مورد تأثیر ابزارهای انتخاب شده و نیز روش نمایش دانش انتخاب شده، می دهد و امکانی برای ایجاد تغییرات لازم در مراحل اولیه کار می باشد.

      ×        نمونه سازی مسائلی را که در طول مرحله امکان سنجی تعریف نشده است نشان می دهد.

ـــــــــــــــــــــــــــــــــــــــــــ

1-Incremental prototyping

نمونه سازی سبب ایجاد تسهیلات مناسب برای سیستم های خبره در برخی دامنه های خاص می شود

مطالعه امکانات سنجی :

امکان سنجی یک سیستم خبره پیوسته چندین معیار را ارزیابی می کند و مشخص می نماید. بنابراین یک روش برای ارزیابی در اینجا لازم و ضروری می باشد. یک استراتژی ممکن که منسوب به بک من (1991) می باشد، که نسبت و میزان اهمیت آن را مشخص می نماید یک نشان (علامت) نیز به هر نتیجه نسبت داده می شود.

سه معیار مهم و عمومی برای مطالعه امکان سنجی در نظر گرفته می شود.

1- هزینه                            2- خصوصیات                3- دسترسی به متخصصین (خبرنگاران)

هزینه :

یک محدوده از هزینه باید در ابتدا توسعه سیستم خبره  در نظر گرفته شود منابع باید برای تجزیه و تحلیل ، طراحی، کدنویسی، پیاده سازی و نگه داری تعریف شوند. بعلاوه هزینه سخت افزار و نرم افزار نیز باید مشخص شود. هزینه های منابع دانش نیز باید مشخص شوند.

خصوصیات:

همانگونه که در فصل های قبلی دیده شد ، سیستم تهای خبره در مسائلی که احتیاج به یک راه حل ذهنی (هیوریستیک) برای حل مسأله داشتند ، موفق عمل کرده اند به هر حال، سیستم های خبره برای همه انواع مسائل مناسب نیستند. تجزیه نشان داده است که همه مسائل تابع حل سیستم خبره نیستند. تست تلفن برای تعیین آنهایی که تابع حل سیستم خبره هستند یک مقیاس مناسب می باشد. اگر فرد خبره ا ی بتوان از طریق مکالمه تلفنی با کاربر مسئله ا ی را حل کند، احتمالاً یک سیستم خبره می تواند برای حل این مسئله توسعه پیدا کند. اساس عقلی این تست از این حقیقت که خبره باید به اطلاعات اضافی که در منابع دیگر ناشی می شود دسترسی نداشته باشد و کاربر قادر به تشریح شفاهی مسئله باشد پیروی می کند. برعکس، اگر کاربر قادر به تشریح شفاهی مسئله نباشد و یا فرد خبره در گفتگوی تلفنی یک راه حل مناسب ارائه ندهد، احتمال توسعه سیستم خبره با شکست روبه رو خواهد شد. برای موفقیت در تست تلفن، زمان مصرف شده برای حل مسئله، توسعه خبره، نباید متجاوز از 30 دقیقه باشد.

دسترسی به متخصصین (خبرگان) :

خبرگان باید در محدوده مسئله تعریف شده باشند و قادر باشند زمان کافی را برای انجام پروژه اختصاص بدهند. بعلاوه خبره باید مؤثر در کار و مشتاق به کار باشد، در غیر این صورت شانس موفقیت کمتر است. وقتی که پروه تعریف شد و اجازه داده شد، فرآیند مهندس دانش می تواند شروع شود.

هدف سیستم :

فاز مهندسی سیستم شامل تعدادی مرحله (زیر فاز) می باشد. واضح است که هدف اصلی برای توسعه سیستم باید از ابتدا مشخص و معلوم باشد. برای مثال هدف ممکن است نیازمند به پشتیبانی یک فرد خبره، یا افزایش کیفیت و یا سازگاری انجام برخی از کارها داشته باشد. اینها، کارهای متفاوتی هستند که برای توسعه و ایجاد، نیازهای متفاوتی را خواهانند.

دامنه تجزیه و تحلیل خبره:

جنبه دیگر فاز مهندسی دانش تعریف ویژگی های اصلی دامنه می باشد. لازم نیست مهندس دانش توانایی لازم را در زمینه دانش مسئله داشته باشد، بلکه توانایی مهندس دانش بستگی به میزان درک او از مفاهیم دارد. این مرحله ادراک¹ نامیده می شود.

نگهداری سیستم های خبره:

تعداد کمی از سیستم های خبره برای مدت طولانی به صورت ایستا باقی می ماندبرای مثال یک سیستم خبره مالیات به تغییرات سالیانه برای انعکاس میزان تغییرات بودجه نیازدارد.

اگرسیستم های خبره بخواهند همواره بطورمؤثر باقی  بمانند باید طوری باشند که تغییرات ایجاد شده درسازماندهی شرکت ها ویا تغییرات دراقتصاد، سیاست ویا تغییرات فرهنگی درآنها نیزاعمال می شود. تاکنون بسیاری ازسیستم های خبره به اندازه کافی نگهداری نشده اند. فانن باوم (1993) به چیزی معتقد بودکه “ فنای دانش نامیده می شود” به این معناکه عدم نگهداری سیستم های خبره یکی ازفاکتورهایی  است که مانع پذیرش سیستم های خبره می شود. عامل اصلی برای ایجاد تغییرات دریک سیستم خبره ازبرخی منابع ناشی می شود.

ــــــــــــــــــــــــــــــــــــــــــــــ

1. Conceptualisation

برای مثال یک متخصص ممکن است سیستم را تغییردهد تا تغییرات دانش درمحدوده دامنه انعکاس پیداکند همچنین کاربر ممکن است بعضی تغییرات را برای نیازهای شخصی خود اعمال کند.

تغییرات چنین می تواند لازم باشد. مانند تغییرات درتولید یک کمپانی .تغییرات دیگر ممکن است احتیاج باشد مثل تغییرات درسیستم عامل برای نسخه جدید .مهندس دانش ممکن است به ایجاد تغییرات نیازپیدا کندوبخواهد سیستم را به واسطه های خارجی مثل پایگاه داده ها ویا پایگاه قوانین پیوند دهد.

طراحی برای نگهداری:

دوفاکتوراصلی که درقابلیت نگهداری سیستم خبره موثر هستند عبارتند از:

1-  قابلیت ادراک: اگردرک کد برنامه آسان باشد، آنگاه بهترقابل نگهداری است یعنی مهندسی نگهداری سیستم که اعضای اصلی تیم توسعه سیستم نیستند راحت ترمی توانند ازسیستم نگهداری کنند.

2-   قابلیت ایجاد تغییر: به این معنا که ساختارسیستم خبره به گونه ا ی باشد که بتوان راحت ترسیستم را توسعه داد وتغییرات را درآن  ایجادنمود.

این دوقابلیت باهم ارتباط دارند، اما قابلیت ادراک مهم تراست . بعید به نظرمی رسد که نگهداری برنامه جای نگرانی داشته باشد. تولید کنندگان مجرب سیستم های خبره باید روش های تولید برنامه های قراردادی را به منظور برنامه های قابل نگهداری قبول نمایند. نکاتی ازقبیل : درنظرگرفتن خط فاصله درکد برنامه ، درنظرگرفتن یکسانی خطوط کد برنامه ، استفاده ازفرامین ، استفاده درست ازکاراکترهای کوچک وبزرگ و… علاوه براین کد برنامه باید به روش پیمانه ا ی طراحی شده باشد که این کارخود نگهداری برنامه را آسان ترمی کند.

خلاصه مطالب فصل نهم :

درحال حاضر تفاوت اساسی بین سیستم های خبره وسیستم های قراردادی درفاز مهندسی دانش می باشد. مرحله طراحی ، پیاده سازی وتست همگی ازاین فازتبعیت می کنند.

تجزیه وتحلیل سیستم های قراردادی یک فعالیت خوش تعریف می باشد.جزئیات ومدت هرکارمی تواند مستند شده ، نمایش داده شده، مدیربت وپشتیبانی می گردد.

نیازهای مختلفی درسیستم های خبره ا ی که پایگاه دانش پیچیده ا ی دارند احساس می شود. بنابراین اصلاح پایگاه دانش ممکن است لازم باشد واین نشان می دهد که مهندس دانش باید سیستم را مجدداً بررسی نموده، با اصلاح آن موافقت کند.سیستم تهای خبره در مسائلی که احتیاج به یک راه حل ذهنی (هیوریستیک) برای حل مسأله داشتند ، موفق عمل کرده اند.

جنبه دیگر فاز مهندسی دانش تعریف ویژگی های اصلی دامنه می باشد. لازم نیست مهندس دانش توانایی لازم را در زمینه دانش مسئله داشته باشد، بلکه توانایی مهندس دانش بستگی به میزان درک او از مفاهیم دارد. این مرحله ادراک¹ نامیده می شود.

اگرسیستم های خبره بخواهند همواره بطورمؤثر باقی  بمانند باید طوری باشند که تغییرات ایجاد شده درسازماندهی شرکت ها ویا تغییرات دراقتصاد، سیاست ویا تغییرات فرهنگی درآنها نیزاعمال می شود.

فصل دهم :کاربردها، بازار و آینده سیستم های خبره

 

مقدمه:

بازارکنونی سیستم خبره وکاربردهایی که درآینده مطرح خواهند بود ازجمله موضوعات مورد بحث دراین فصل می باشند.

کاربرد سیستم های خبره:

سیستم های خبره درزمینه های مختلفی ازجمله صنعت ، تجارت وکاربرد های مالی مفید می باشند. درواقع زمینه های مختلف کاربرد سیستم خبره امروزه چنان گسترده است که تقریباً درانجام هرتصمیمی که توسط انسان گرفته میشود موفق هستند. بیشترین کاربردها درزیر برحسب وظایف طبقه بندی شده اند :

( هایس – رود، واترمن و لدنت 1993 ) :

   ×    سیستم های تشخیص : این سیستم ها درمشاغل مختلف وظایف مشکلی رابرعهده  می گیرند، کاربرد این نوع سیستم ها برای مثال درپزشکی ، مهندسی ونرم افزارتشخیص الگو می باشد.

   ×    سیستم های طراحی وزمانبند ی : سیستم هایی هستند که عملیات را طراحی می کنند برای مثال برنامه ریزی اتوماتیک، حرکت رباط ، استراتژی نظامی وحتی ساعت حرکت قطار.

   ×    سیستم های مفسر: سیستم هایی هستند که شرح مشاهدات رابرعهده دارند .مانند سیستم های مراقبت (نظارت) سیستم های تشخیص گفتار.

   ×    سیستم های پیش بینی : سیستم هایی هستند که نتایج موقعیت ها ووضعیت ها را پیش بینی می کنند مانند پیش بینی ترافیک یا پیش بینی وضع هوا.

هدف یک سیستم خبره فقط تصرف دامنه تخصص نیست .بلکه شبیه سازی عملکرد حل مسئله دریک محدوده خاص است .جدول 10-1 کاربردهای سیستم خبره راشرح می دهد.

خودآزمایی:

شرکت های مالی واعتباری ازسیستم های خبر ه برای سرویس دهی به مشتریانی که برای دریافت وام ویا پول مراجعه می کنند استفاده می نمایند. آیا شما می توانید سه لیست یا بیشتر ازکاربردهای مفید سیستم خبره دراین زمینه ارائه کنید؟

زمینه های کاربرد جدید درسیستم های خبره:

سیستم هایی مانند MYCIN، سیستم های خبره پزشکی هستند  که برای تشخیص امراض عفونی بکارمی روند، وسیستم PROSPECTOR ، سیستم های خبره ای است  که برای کشف معادن بکارمیرود. بخش دیگری ازسیستم های خبره، کاربرد عمومی درزمینه های تشخیص وطبقه بندی دارند. امروزه زمینه های کاربردی جدید ی ایجاد شده ، که به خوبی خود را با سیستم های خبره وفق میدهند.اینها عبارتنداز: نشر دانش ، سیستم های کمک آموزشی، ابزارهای اینترنت، وب و ….

                              جدول 10-1 : انواع سیستم تهای خبره.

کاربرد سیستم	تشریح	تخصص سیستم خبره
مشاوره در VAT	ترجمه و توضیح داده های حساس را انجام می دهد.	تفسیر
DART- توسط دولت آمریکا در جنگ خلیج برای نقشه مسیر انتقال سربازان و مهمات استفاده شد	عملیات طراحی را انجام می دهد	تشخیص
XCON- برای طراحی و شکل دادن به سفارشات مشتریان در کامپیوترهای VAX	شکل دادن به اشیا طبق مدل	طراحی
PROSPECTOR- یک سیستم کشف معدن که می تواند معحل معادن را در نواحی مختلف تخمین بزند	به چیزهایی نظیر نتایج وضعیت ها ویا حوادث اشاره می کند	پیش بینی
FRAUDWATCH- این سیستم دربانک بارکلیز برای تشخیص کارت های اعتباری تقلبی استفاده می شوند.	این سیستم نمایشی اکثراً برای نظارت و مواظبت بر علیه متجاوزان بکار می رود.	نمایش
GUIDON- یک سیستم برای آموزش مسائل و مشکلات	شناسایی دانش آموزان خاطی و آموزش آنها	آموزش
VM-یک سیستم که بیماران را در بخش پرستاری نشان می دهد و طرز مداوای بیماران را کنترل می کند. این سیستم حالت بیمار را شرح می دهد و بنابر اطلاعات هر خطری که بیمار را تهدید می کند تشخیص داده و راه درمان مفید را پیشنهاد می دهد	تشحیص، پیش بینی و نمایش رفتار سیستم را برعهده دارد	کنترل
TQMSTUNE- سیستمی است که معایب و خرابی های سیستم را تشخیص داده، سپس روش های ترمیم را ارائه می کند	تولید روش های ترمیم معایب و خرابی های سیستم	تعمیر
ONOCIN- یک سیستم که به پیدا کردن معایب و رفع آن کمک می کند.	تولید روش هایی برای رفع خرابی های سیستم	اشکال زدایی

نشر دانش :

نشر و گسترش دانش یکی از کاربرد های سیستم خبره می باشد.این نشر دانش از لحاظ مفهوم یک کتاب بسته بندی شده است . کتاب یک شئ بی اراده است و برعهده خواننده می باشد. که چگونه از آن استفاده کندو سود ببرد. نشر دانش، علم و دانش را در اختیار کاربران قرار می دهد و با توجه به اینکه کاربر چه درخواست و تقاضایی داشته باشد از آن استفاده می کند.

کاربرد های کمک آموزشی:

سیستم های کمک آموزشی شبیه حل المسائل می باشند که زمینه رشد در آینده را داشته ومی توانند نجات بخش سیستم های خبره باشند(1995-براون) بیشتر سیستم های کمک آموزشی از سیستم های خبره مبتنی بر CBR استفاده می نمایند. هنگامی که مردم با مشکلی در زمینه کار با وسیله و یا خواندن راهنمای آن مواجه می شوند، از طریق تلفن با مرکز تولید آن ارتباط برقرار کرده و مشکلشان راحل می نمایند. که دراینجا می توان از سیستم های خبره مبتنی بر CBR استفاده نمود . به عنوان مثال، شرکت کامپیوتری کامپک دارای یک سیستم کمکی چاپگر بر خط می باشد که با همه چاپگرها ارتباط بر خط دارد این برنامهQuick source نامیده می شود که می تواند 5000 مورد از اشکالات چاپگرها را پشتیبانی نماید و تخمین زده می شود که به میزان 20% نسبت به حالتی که مشتریان برای شتیبانی تماس تلفنی برقرار می نمایند صرفه جویی در هزینه و زمان انجام می شود.

واسط های هوشمند:

واسط های هوشمند به صورت اتوماتیک کارهای مهمی را انجام می دهند که تنها توسط انسان قابل انجام استبسیاری از کاربران کامپیوتر تجربیات سختی را در کسب و دسترسی به اطلاعات مورد نیاز خود در سیستم های کامپیوتری داشته اند. گاهی اوقات کاربران وقت بسیار زیادی را صرف می نمایند تا اطلاعات موردنیازشان را بدست آورند. یک نمونه از این کارها کسب اطلاعات از شبکه جهانی وب است . یک راه برای تسهیل این امر این است که برخی از عملیات واسط ها را اتوماتیک نماییم. سیستم هایی که اطلاعات را فیلتر می کنند یا اطلاعات را کشف و شرح می دهند ، بطور اتوماتیک وظایف بیشتری را برعهده کامپوتر قرار می دهند و کار کاربر را کمتر می کنند. برای موفقیت این واسط ها باید بیشترین کارایی و کمترین خطا را داشته باشند.

سیستم های خبره و شبکه جهانی وب:

واسط های هوشمند کاربردهای مختلف وسیعی می توانند داشته باشند، هدف اصلی، ارائه و تولید سیستم هایی است که بتواند با زبانی طبیعی بحث و گفتگو کنند، ببینند، بشنوندو به طور اتوماتیک استدلال نمایند. به عنوان مثال شبکه جهانی وب یک کتابخانه وسیع از اطلاعات می باشد و کاربران زمان زیادی را برای پیدا کردن اطلاعات ازاین منبع بزرگ جهانی صرف می کنند.سیستم های خبره ا ی برای کمک به کاربران برای دسترسی سریع به بانک های اطلاعاتی خاص در شبکه وب توسعه یافتند . به عنوان مثال این سیستم های خبره ممکن است از کاربران تعدادی سؤال مربوط به استخراج اطلاعات و تشخیص مشکل بپرسند سپس سیستم بطور مستقیم به کاربران، اطلاعاتی مربوط به راه حل صحیح مسئله ارائه دهد.

پیکربندی:

سیستم پیکربندی XCON یکی از بهترین سیستم های شناخته شده امروزی است که از آن استفاده می شود. شرکت DEC از این سیستم در ترکیبات کامپیوتر VAXبرای پاسخ به سفترشات مشتریان استفاده نمود. سیستم حدود سال1980 کامل شد و یک  کاربرد بسیار موفقیت آمیز داشت، صرفه جویی زیاد برای شرکت و سود قابل توجه برای مشتریان به دلیل پردازش سریع سفارش تا حد امکان ، از جمله مزایای این سیستم می باشد.

پردازنده های پیشروی هوشمند:

یک پردازشگرپیشروی هوشمند (IFE) نرم افزاری است که واسط بین یک کاربر و یک برنامه نرم افزاری است. یک IFE از تکنیک های KBS یا AI جهت تأثیر بیشتر استفاده می کند. مثال های کلاسیک بسیاری در یک نرم افزار بانک اطلاعاتی یافت می شود. یک IFE واسط آسان و مفیدی برای استفاده از یک بانک اطلاعاتی ایجاد می کند. یعنی با انعطاف پذیری بیشتر با کاربر ارتباط برقرار می کند. IFE برمبنای درک خواسته ها و نیازهای کاربر عمل می کند و سپس این مشخصات را برای جمع آوری دستورات در اجرای بسته نرم افزاری بکار می برد ارتباط با مشتری اغلب عامل مؤثر خواهد بود IFE ها همچنین وقتی که ارتباط با کاربر قطع می شود از یک تکنیک ویژه استفاده می کنند، به این صورت که یک مشخصه از کاربر ایجاد می نمایند. مانند super base .

منابع:

راسل ،استوارت و نورویک ،پیتر( 1383 )، هوش مصنوعی(ترجمه رامینرهنمونو اناهیتا هماوندی)،تهران: انتشارات ناقوس.

1-Jackson,p “Introduction to Expe  Darlington K. “The Essense of Expert Systems”

2-   Darlington K. “The Essense of Expert Systems”                                                                                                                   

3-Poli, R., Langdon, W. B, McPhee, N. F A Field Guide to Genetic Programming. Lulu.com freely available from the internet, 2008 ISBN 978-1-4092-0073-4

4- A. Aamodt, E. Plaza, “Case-Based Reasoning: Foundational Issues, Methodological        Variations, and System Approaches,” AI Communications. IOS Press, Vol. 7: 1, pp         39-59.

5- Gavin Finnie, and Zhaohao Sun,” R 5 model for case-based reasoning,” ELSEVIER          Science, Knowledge-Based Systems, pp.59-65,2003

6- Hyunchul Ahn, Kyoung-jae Kim, and Ingoo Han,” A case-based reasoning system   with the two-dimensional reduction technique for customer classification,” Elsevier   Ltd. Expert Systems with Applications, 2006

7- Girgis,A.A & M.B.Jones, “a Hybrid Expert System for faulted section location algorithms”, IEEE Trans.on Power Delivery, vol.4, NO.2, Apr.1989, pp.978-985

8- Aravindan.p. Et al (1996) an expert system for implementing successful quality circle

programs in manufacturing firms. International Journal of Quality & Reliability

Management, Vol.13, No.7, pp. 57 – 68

9- Barker. J.(1990), Expert Systems Explained. Management Decision, Vol.28. No.3,pp107-119

10- Metaxiotis, K ; Ergazakis, K. ; Samouilidis,E. and Psarras, J. (2003),Decision support

through knowledge management: the role of the artificial intelligence. Information

Management & Computer Security.Vol.11,No.5,pp.216 - 221

11- Riley,G(2005), "A tool for building expert systems",www.ghg.net/clips/CLIPS html", last

update February 3 2005

12- Stockdale.A and Wood, M.(1992), Building a small expert system for a routine task: A

case study. Management Decision.Vol.30,No.3

13- Stone.R.W and Good. D. J. (1993), Expert system usage, Hardware, Access and Features.

Industrial Management & Data Systems Vol.93,No.3

14- Subramoniam,S. and Krishnankutty, K.V. (2002),An expert system for the selection of

strategic planning technique. Kybernetes: The International Journal of Systems &

Cybernetics, Vol. 31 No.3, pp 550- 560

15- Durkin, John .Expert Systems: Design and Development

16- Goldberg, David E (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston, MA

.

17- Goldberg, David E (2002), The Design of Innovation: Lessons from and for Competent Genetic Algorithms, Addison-Wesley, Reading, MA.

18- Fogel, David B (2006), Evolutionary Computation: Toward a New Philosophy of Machine Intelligence, IEEE  Press ,  Piscataway ,  NJ. Third Edition

19- Holland, John H (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor

20- Koza, John (1992), Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press. ISBN

21- Schmitt, Lothar M (2001), Theory of Genetic Algorithms, Theoretical Computer Science (259), pp. 1-61