Expert چیست و چگونه Expert را اجرا کنیم؟

سیستم های خبره و هوش مصنوعی کاربردی

11. 1 هوش مصنوعی چیست؟

حوزه هوش مصنوعی (AI) با روش های توسعه سیستم هایی که جنبه هایی از رفتار هوشمند را نشان می دهند، سروکار دارد. این سیستم ها برای تقلید از توانایی های انسان در تفکر و حس طراحی شده اند.

ویژگی های سیستم های هوش مصنوعی

ویژگی های سیستم های هوش مصنوعی عبارتند از:

در برنامه های کاربردی هوش مصنوعی، رایانه ها به جای اعداد یا حروف، نمادها را پردازش می کنند. برنامه های کاربردی هوش مصنوعی رشته هایی از کاراکترها را پردازش می کنند که نهادها یا مفاهیم دنیای واقعی را نشان می دهند. نمادها را می توان در ساختارهایی مانند لیست ها، سلسله مراتب یا شبکه ها مرتب کرد. این ساختارها نشان می دهد که نمادها چگونه با یکدیگر ارتباط دارند.

برنامه های کامپیوتری خارج از حوزه هوش مصنوعی، الگوریتم های برنامه ریزی شده هستند. یعنی رویه های گام به گام کاملاً مشخص که راه حلی برای مشکل تعریف می کند. اقدامات یک سیستم هوش مصنوعی مبتنی بر دانش تا حد زیادی به موقعیت استفاده از آن بستگی دارد.

هوش مصنوعی یک علم و فناوری است که مبتنی بر رشته هایی مانند علوم کامپیوتر، زیست شناسی، روانشناسی، زبان شناسی، ریاضیات و مهندسی است. هدف هوش مصنوعی توسعه رایانه هایی است که می توانند فکر کنند، ببینند، بشنوند، راه بروند، صحبت کنند و احساس کنند. هدف اصلی هوش مصنوعی، توسعه عملکردهای کامپیوتری است که معمولاً با هوش انسان مرتبط است، مانند استدلال، یادگیری و حل مسئله.

چگونه میدان هوش مصنوعی تکامل یافت [شکل 11. 2]

تست تورینگ 1950 - اگر بازجوی با استفاده از پایانه های راه دور نتواند پاسخ های خود را از پاسخ های یک انسان تشخیص دهد، ماشینی هوشمندانه عمل می کند.

نتیجه: روش های کلی حل مسئله

1960 هوش مصنوعی به عنوان زمینه تحقیقاتی تأسیس شد.

نتیجه: سیستم های خبره مبتنی بر دانش

1970 تجاری سازی هوش مصنوعی آغاز شد

نتیجه: پردازش تراکنش و سیستم های پشتیبانی تصمیم با استفاده از هوش مصنوعی.

1980 شبکه های عصبی مصنوعی

نتیجه: شبیه ساختارهای عصبی به هم پیوسته در مغز انسان است

نتیجه: نرم افزاری که وظایف محول شده را از طرف کاربران انجام می دهد

11. 2 قابلیت های سیستم های خبره: نمای کلی

مهمترین حوزه کاربردی هوش مصنوعی، حوزه سیستم های خبره است. یک سیستم خبره (ES) یک سیستم مبتنی بر دانش است که دانش را در مورد حوزه کاربرد خود به کار می گیرد و از یک روش استنتاج (دلیل) برای حل مشکلاتی استفاده می کند که در غیر این صورت به صلاحیت یا تخصص انسانی نیاز دارند. قدرت سیستم های خبره اساساً از دانش خاص در مورد یک دامنه باریک ذخیره شده در پایگاه دانش سیستم خبره ناشی می شود.

تأکید بر دانش آموزان مهم است که سیستم های خبره دستیار تصمیم گیرندگان هستند و جایگزین آنها نمی شوند. سیستم های خبره قابلیت های انسانی ندارند. آنها از یک پایه دانش از یک دامنه خاص استفاده می کنند و این دانش را به واقعیت های وضعیت خاص مورد نظر می آورند. دانش دانش یک ES همچنین حاوی دانش اکتشافی است - قوانین انگشت شست که توسط کارشناسان انسانی که در حوزه کار می کنند ، استفاده می شود.

11. 3 برنامه های کاربردی سیستم های متخصص

در این آزمون برخی از مینیکازهای مصور از برنامه های کاربردی سیستم های خبره تشریح شده است. این موارد شامل زمینه هایی مانند تصمیمات اعتباری پرخطر ، تصمیم گیری در مورد تبلیغات و تصمیمات تولید است.

دسته بندی های عمومی برنامه های کاربردی سیستم تخصصی

در جدول 11. 1 مناطق عمومی برنامه های ES که در آن ES قابل استفاده است ، تشریح شده است. مناطق کاربردی شامل طبقه بندی ، تشخیص ، نظارت ، کنترل فرآیند ، طراحی ، برنامه ریزی و برنامه ریزی و تولید گزینه ها است.

طبقه بندی - یک شی را بر اساس ویژگی های بیان شده شناسایی کنید

سیستم های تشخیص - نقص عملکرد یا بیماری از داده های قابل مشاهده

نظارت - مقایسه داده ها از یک سیستم مشاهده شده به طور مداوم برای تجویز رفتار

کنترل فرآیند - یک فرایند فیزیکی را بر اساس نظارت کنترل کنید

طراحی - یک سیستم را مطابق با مشخصات پیکربندی کنید

برنامه ریزی و برنامه ریزی - توسعه یا اصلاح یک برنامه عمل

تولید گزینه ها - ایجاد راه حل های جایگزین برای یک مشکل

11. 4 نحوه کار سیستم های خبره

قدرت یک ES از پایگاه دانش خود ناشی می شود - مجموعه ای سازمان یافته از حقایق و اکتشافی در مورد دامنه سیستم. ES در فرآیندی موسوم به مهندسی دانش ساخته شده است که در طی آن دانش در مورد دامنه از متخصصان انسانی و منابع دیگر توسط مهندسان دانش به دست می آید.

تجمع دانش در پایگاه های دانش ، که از آن نتیجه گیری توسط موتور استنتاج نتیجه می گیرد ، مشخصه یک سیستم متخصص است.

بازنمایی دانش و پایگاه دانش

دانش دانش یک ES شامل دانش واقعی و اکتشافی است. بازنمایی دانش روشی است که برای سازماندهی دانش در پایگاه دانش استفاده می شود. پایگاه های دانش باید مفاهیم را به عنوان اقداماتی که تحت شرایط ، علیت ، زمان ، وابستگی ها ، اهداف و سایر مفاهیم سطح بالاتر انجام می شود ، نشان دهند.

چندین روش بازنمایی دانش را می توان به دست آورد. دو مورد از این روش ها عبارتند از:

- برای ساختن ESS بسیار قدرتمند استخدام شده اند. یک قاب ویژگی های یک شیء پیچیده را مشخص می کند و فریم ها برای انواع مختلف شیء روابط مشخص کرده اند.

- متداول ترین روش بازنمایی دانش مورد استفاده در تجارت است. سیستم های خبره مبتنی بر قانون سیستمهای خبره ای هستند که در آن دانش توسط قوانین تولید نشان داده می شود.

یک قانون تولید ، یا به سادگی یک قاعده ، شامل یک قسمت IF (یک شرط یا فرضیه) و یک قسمت (یک عمل یا نتیجه گیری) است. اگر شرط ، عمل (نتیجه گیری).

تسهیلات توضیح توضیح می دهد که چگونه سیستم به توصیه رسیده است. بسته به ابزاری که برای اجرای سیستم خبره استفاده شده است ، توضیح ممکن است به یک زبان طبیعی باشد یا به سادگی لیستی از شماره های قانون باشد.

موتور استنتاج [شکل 11. 4]

1. حقایق یک مورد خاص را با دانش موجود در پایگاه دانش ترکیب می کند تا توصیه ای را ارائه دهد. در یک سیستم خبره مبتنی بر قانون ، موتور استنتاج ترتیب اعمال قوانین تولید را کنترل می کند (یک اخراج @) و در صورت اعمال بیش از یک قانون در یک زمان معین ، درگیری ها را برطرف می کند. این همان چیزی است که یک استدلال @ در سیستم های مبتنی بر قانون به آن می رسد.

2. رابط کاربری را برای پرس و جو از کاربر برای هرگونه اطلاعاتی که برای استنباط بیشتر نیاز دارد ، هدایت می کند.

حقایق مورد داده شده به حافظه کاری وارد می شود ، که به عنوان یک تخته سیاه عمل می کند و دانش مربوط به پرونده مورد نظر را جمع می کند. موتور استنتاج بارها و بارها قوانین را در حافظه کاری اعمال می کند و اطلاعات جدیدی (به دست آمده از نتیجه گیری از قوانین) را به آن اضافه می کند ، تا زمانی که یک وضعیت هدف تولید یا تأیید شود.

شکل 11. 5 یکی از چندین استراتژی را می توان توسط یک موتور استنتاج برای رسیدن به نتیجه گیری استفاده کرد. موتورهای استنتاج برای سیستم های مبتنی بر قانون به طور کلی با زنجیره ای به جلو یا عقب مانده از قوانین کار می کنند. دو استراتژی عبارتند از:

- یک استراتژی داده محور است. روند استنباط از حقایق پرونده به یک هدف منتقل می شود (نتیجه گیری). بنابراین این استراتژی توسط حقایق موجود در حافظه کاری و محوطه ای که می توانند برآورده شوند هدایت می شود. موتور استنتاج سعی دارد بخشی از شرایط (IF) هر قانون را در پایگاه دانش با حقایقی که در حال حاضر در حافظه کاری موجود است مطابقت دهد. اگر چندین قانون مطابقت داشته باشد ، از یک روش حل و فصل مناقشه استفاده می شود. به عنوان مثال ، کمترین شماره ای که اطلاعات جدیدی را به حافظه کاری اضافه می کند ، اخراج می شود. نتیجه گیری قانون شلیک به حافظه کاری اضافه می شود.

سیستم های زنجیره ای رو به جلو معمولاً برای حل مسائل بازتر با ماهیت طراحی یا برنامه ریزی، مانند ایجاد پیکربندی یک محصول پیچیده، استفاده می شوند.

- موتور استنتاج تلاش می کند تا نتیجه مفروض (فرضی) - هدف یا حالت فرعی - را با بخش نتیجه گیری (THEN) از قانون مطابقت دهد. اگر چنین قاعده ای پیدا شود، مقدمه آن به هدف فرعی جدید تبدیل می شود. در یک ES با چند حالت هدف ممکن، این یک استراتژی خوب برای پیگیری است.

اگر یک حالت هدف فرضی را نتوان توسط مقدمات پشتیبانی کرد، سیستم سعی خواهد کرد حالت هدف دیگری را اثبات کند. بنابراین، نتیجه گیری های ممکن تا زمانی که به یک حالت هدفی که می تواند توسط مقدمات پشتیبانی می شود مواجه شود، بررسی می شود.

زنجیره عقب نشینی برای برنامه هایی مناسب است که نتایج ممکن از نظر تعداد محدود و به خوبی تعریف شده باشد. سیستم های طبقه بندی یا تشخیص نوع، که در آن هر یک از چندین نتیجه ممکن را می توان بررسی کرد تا ببینیم آیا توسط داده ها پشتیبانی می شود یا خیر، کاربردهای معمولی هستند.

عدم قطعیت و منطق فازی

منطق فازی روشی برای استدلال است که شبیه استدلال انسان است زیرا امکان مقادیر تقریبی و استنتاج و داده های ناقص یا مبهم (داده های فازی) را فراهم می کند. منطق فازی یک روش انتخابی برای مدیریت عدم قطعیت در برخی از سیستم های خبره است.

بنابراین سیستم های خبره با قابلیت های منطق فازی امکان مدیریت انعطاف پذیرتر و خلاقانه تر مشکلات را فراهم می کنند. از این سیستم ها برای مثال برای کنترل فرآیندهای تولید استفاده می شود.

11. 5 فناوری سیستم خبره [شکل 11. 6]

سطوح مختلفی از فناوری های ES موجود است. دو نکته مهم که باید هنگام انتخاب ابزارهای ES در نظر داشته باشید عبارتند از:

1. ابزار انتخاب شده برای پروژه باید با قابلیت و پیچیدگی ES پیش بینی شده مطابقت داشته باشد، به ویژه، نیاز به ادغام آن با سایر سیستم های فرعی مانند پایگاه های داده و سایر اجزای یک سیستم اطلاعاتی بزرگتر.

2. ابزار همچنین باید با شرایط تیم پروژه مطابقت داشته باشد.

فن آوری های سیستم های خبره عبارتند از:

1. سیستم های خبره خاص

- این سیستم های خبره در واقع توصیه هایی را در حوزه کاری خاص ارائه می دهند.

2. پوسته های سیستم خبره

- رایج ترین وسیله برای توسعه ES های خاص هستند. پوسته یک سیستم خبره بدون پایگاه دانش است. یک پوسته به توسعه دهنده ES موتور استنتاج، رابط کاربری، و توضیحات و امکانات کسب دانش را ارائه می کند.

پوسته های خاص دامنه در واقع سیستم های متخصص خاص ناقص هستند که برای ساختن یک سیستم واقعی نیاز به تلاش بسیار کمتری دارند.

3. محیط های توسعه سیستم متخصص

- این سیستم ها قابلیت های پوسته ها را در جهات مختلف گسترش می دهند. آنها در ایستگاه های کاری مهندسی ، مینی جبهه ها یا اصلی ترین ها اجرا می شوند. ادغام محکم را با بانکهای اطلاعاتی بزرگ ارائه دهید. و از ساختمان سیستم های بزرگ متخصص پشتیبانی کنید.

4- زبانهای برنامه نویسی سطح بالا

چندین محیط توسعه ES از LISP به یک زبان رویه ای بازنویسی شده است که بیشتر در محیط تجاری مانند C یا C ++ یافت می شود. ESS اکنون به ندرت به زبان برنامه نویسی توسعه یافته است.

11. 6 نقش در توسعه سیستم تخصصی

سه نقش اساسی در ساخت سیستم های متخصص عبارتند از:

1. سیستم های ESLE EXPLANE - ES ES به تجربه و کاربرد دانش بستگی دارد که مردم می توانند در طول توسعه آن به آن بیایند. سیستم های بزرگ به طور کلی به متخصصان متعددی احتیاج دارند.

2. مهندس دانش - مهندس دانش یک کار دوگانه دارد. این شخص باید بتواند دانش را از متخصص بدست آورد و به تدریج درک حوزه تخصصی را بدست آورد. هوش ، تاکتیک ، همدلی و مهارت در تکنیک های خاص کسب دانش ، همه از یک مهندس دانش لازم است. تکنیک های دستیابی به دانش شامل انجام مصاحبه با درجات مختلف ساختار ، تجزیه و تحلیل پروتکل ، مشاهده متخصصان در محل کار و تجزیه و تحلیل موارد است.

از طرف دیگر ، مهندس دانش همچنین باید ابزاری مناسب برای پروژه را انتخاب کرده و از آن برای نشان دادن دانش با استفاده از تسهیلات کسب دانش استفاده کند.

3. کاربر - سیستمی که توسط یک کاربر نهایی با یک پوسته ساده ساخته شده است ، به سرعت ارزان ساخته می شود. سیستم های بزرگتر در یک تلاش توسعه سازمان یافته ساخته شده اند. یک استراتژی توسعه تکراری نمونه گرایانه معمولاً استفاده می شود. ESS خود را به ویژه به نمونه های اولیه وام می دهد.

11. 7 توسعه و نگهداری سیستم های خبره [شکل 11. 7]

مراحل روش شناسی برای فرایند تکراری توسعه و نگهداری ES شامل موارد زیر است:

1. شناسایی مشکل و تجزیه و تحلیل امکان سنجی:

- مشکل برای حل آن باید برای یک سیستم متخصص مناسب باشد.

- باید یک متخصص برای پروژه پیدا کند

- مقرون به صرفه بودن سیستم باید ایجاد شود (امکان سنجی)

2. طراحی سیستم و شناسایی فناوری ES:

- سیستم در حال طراحی است. درجه مورد نیاز ادغام با سایر زیر سیستم ها و بانکهای اطلاعاتی ایجاد شده است

- مفاهیمی که به بهترین نحو معرف دانش حوزه هستند، کار می کنند

- بهترین راه برای بازنمایی دانش و انجام استنباط باید با موارد نمونه ایجاد شود

- مهندس دانش با متخصص کار می کند تا هسته اولیه دانش را در پایگاه دانش قرار دهد.

- دانش باید به زبان ابزار خاص انتخاب شده برای پروژه بیان شود

4. آزمایش و اصلاح نمونه اولیه:

- با استفاده از موارد نمونه، نمونه اولیه آزمایش می شود و نقص در عملکرد ذکر می شود. کاربران نهایی نمونه های اولیه ES را آزمایش می کنند.

5. ES را کامل و فیلد کنید:

- تعامل ES با تمام عناصر محیط آن، از جمله کاربران و سایر سیستم های اطلاعاتی، تضمین و آزمایش می شود.

- ES مستند شده و آموزش کاربران انجام می شود

- سیستم در درجه اول با به روز رسانی پایگاه دانش خود به روز می شود.

- رابط ها با سایر سیستم های اطلاعاتی نیز باید حفظ شوند، زیرا این سیستم ها تکامل می یابند.

11-8 سیستم های خبره در سازمان ها: مزایا و محدودیت ها

سیستم های خبره هم مزایای نامشهود ملموس و مهم را به شرکت های مالک ارائه می کنند. این مزایا باید در مقابل هزینه های توسعه و بهره برداری یک ES که برای ESهای بزرگ و از نظر سازمانی مهم است، وزن شود.

مزایای سیستم های خبره

یک ES جایگزینی برای عملکرد کلی کارگر دانش در کار حل مسئله نیست. اما این سیستم ها می توانند به طور چشمگیری میزان کاری را که فرد برای حل یک مشکل باید انجام دهد کاهش می دهد و جنبه های خلاقانه و نوآورانه حل مسئله را در اختیار افراد قرار می دهد.

برخی از مزایای سازمانی احتمالی سیستم های خبره عبارتند از:

1. یک Es می تواند بخشی از وظایف خود را بسیار سریعتر از یک متخصص انسانی انجام دهد.

2. میزان خطای سیستم های موفق کم است، گاهی اوقات بسیار کمتر از میزان خطای انسانی برای همان کار.

3. ES توصیه های منسجمی ارائه می دهند

4. ES ها وسیله ای مناسب برای رساندن منابع دانش با استفاده دشوار به نقطه کاربرد هستند.

5. ES ها می توانند تخصص کمیاب یک متخصص منحصر به فرد را جذب کنند.

6. ES ها می توانند به وسیله ای برای ایجاد دانش سازمانی در مقابل دانش افراد در سازمان تبدیل شوند.

7. هنگام استفاده به عنوان وسایل نقلیه آموزشی، ESها منجر به منحنی یادگیری سریعتر برای تازه کارها می شود.

8. شرکت می تواند ES را در محیط های خطرناک برای انسان راه اندازی کند.

محدودیت های سیستم های خبره

هیچ فناوری راه حلی آسان و کامل ارائه نمی دهد. سیستم های بزرگ پرهزینه هستند و به زمان توسعه و منابع کامپیوتری قابل توجهی نیاز دارند. ES ها نیز محدودیت های خود را دارند که عبارتند از:

1. محدودیت های تکنولوژی

2. مشکلات در کسب دانش

3. حوزه های عملیاتی به عنوان حوزه اصلی کاربرد ES

4. حفظ تخصص انسانی در سازمان ها

11-9 مروری بر هوش مصنوعی کاربردی

سیستم های خبره تنها یکی از حوزه های هوش مصنوعی هستند. مناطق دیگر عبارتند از:

1. پردازش زبان طبیعی

4. تشخیص گفتار کامپیوتری

پردازش زبان طبیعی

توانایی صحبت با رایانه ها به زبان های انسانی محاوره ای و درک آنها از طریق هدف محققان هوش مصنوعی. سیستم های پردازش زبان طبیعی در حال رایج شدن هستند. کاربرد اصلی سیستم های زبان طبیعی در این زمان به عنوان رابط کاربری برای سیستم های خبره و پایگاه داده است.

هوش مصنوعی، مهندسی و فیزیولوژی رشته های اصلی رباتیک هستند. این فناوری ماشین های روباتی با هوش کامپیوتری و قابلیت های فیزیکی مانند انسان و برنامه های روباتیک کنترل شده توسط کامپیوتر تولید می کند.

شبیه سازی حواس انسان هدف اصلی حوزه هوش مصنوعی است. پیشرفته ترین سیستم حسی هوش مصنوعی، دید محاسباتی یا تشخیص صحنه بصری است. وظیفه یک سیستم بینایی تفسیر تصویر به دست آمده است. این سیستم ها در ربات ها یا در سیستم های ماهواره ای به کار می روند. سیستم های دید ساده تری برای کنترل کیفیت در تولید استفاده می شود.

هدف نهایی حوزه هوش مصنوعی مربوطه، تشخیص گفتار رایانه ای یا درک گفتار متصل توسط یک گوینده ناشناخته است، برخلاف سیستم هایی که کلمات یا عبارات کوتاه گفته شده را در یک زمان تشخیص می دهند یا سیستم هایی که قبل از استفاده توسط یک گوینده خاص آموزش داده می شوند.

یک سیستم با قابلیت یادگیری - یادگیری ماشینی - می تواند به طور خودکار خودش را تغییر دهد تا دفعه بعد همان وظایف را به طور موثرتر و موثرتر انجام دهد.

تعدادی از رویکردهای یادگیری در حال بررسی است. رویکردها عبارتند از:

1. یادگیری حل مسئله - یک تجربه در مورد قوانین آن از نظر مشارکت آنها در مشاوره صحیح جمع آوری کنید. قوانینی که کمکی نمی کنند یا آن هایی که مشخص می شود مشارکت های مشکوک را ارائه می کنند، می توانند به طور خودکار کنار گذاشته شوند یا به عوامل قطعیت پایین اختصاص داده شوند.

2. یادگیری مبتنی بر مورد - جمع آوری موارد در یک پایگاه دانش و حل مشکلات با جستجوی موردی مشابه موردی که باید حل شود.

3. یادگیری القایی - یادگیری از مثال ها. در این حالت، یک سیستم قادر است دانش خود را تولید کند که به عنوان قوانین نمایش داده می شود.

شبکه های عصبی، سیستم های محاسباتی هستند که بر اساس شبکه شبکه ای مغز انسان از عناصر پردازشی متصل به هم، به نام نورون ها، مدل سازی شده اند. البته شبکه های عصبی بسیار ساده تر از مغز انسان هستند (تخمین زده می شود بیش از 100 میلیارد سلول مغزی نورون دارند). با این حال، مانند مغز، چنین شبکه هایی می توانند بسیاری از اطلاعات را به طور همزمان پردازش کنند و می توانند یاد بگیرند که الگوها و برنامه ها را برای حل مشکلات مربوط به خود تشخیص دهند.

شبکه عصبی مجموعه ای از عناصر پردازشی به هم پیوسته است که هر یک می توانند ورودی ها را بپذیرند، آنها را پردازش کنند و با هدف تقلید از عملکرد مغز انسان یک خروجی تولید کنند. دانش در یک شبکه عصبی با الگوی اتصالات بین عناصر پردازش و با تنظیم وزن این اتصالات نشان داده می شود.

قدرت شبکه های عصبی در کاربردهایی است که نیاز به تشخیص الگوی پیچیده دارند. بزرگترین ضعف شبکه های عصبی این است که توضیحی برای نتیجه گیری ارائه نمی دهند.

به طور خلاصه، یک شبکه عصبی را می توان آموزش داد تا الگوهای خاصی را تشخیص دهد و سپس آموخته های خود را در موارد جدیدی که می تواند الگوها را تشخیص دهد، اعمال کند.