هوش مصنوعی (artificial intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست.
ریشهها و ایدههای اصلی آن را باید در فلسفه، زبانشناسی، ریاضیات، روانشناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخهها، فروع، و کاربردهای گوناگون و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیستشناسی و پزشکی، علوم ارتباطات و زمینههای بسیار دیگر.
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند.
اما برای دسته بندی و تعریف ماشینهای متفکر، میبایست به تعریف «هوش» پرداخت.
همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهمترین عامل توسعه و رشد هوش مصنوعی بودهاست، هم اکنون از فراوردههای این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشهبرداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازیها و نرم افزارهای رایانهای استفاده میشود.
تاریخچه
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریههایی در باب منطق نمودند، مطرح شده بود.
در سال ۱۹۴۳، با اختراع رایانههای الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند.
بنظر میرسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن مینگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانههای هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید.
البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازیها و نیز اثبات قضیههای ریاضی با کمک رایانهها بود.
در آغاز چنین به نظر میآمد که رایانهها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آنها به انجام رسانند.
تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشدهاست، و این امر، به هیچ وجه مایهٔ تعجّب نیست.
چرا که مقولهٔ مادر و اساسیتر از آن، یعنی خود هوش هم هنوز بطور همهجانبه و فراگیر تن به تعریف ندادهاست.
در واقع، میتوان نسلهایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نمودهاند که: هوش چیست؟
اما اکثر تعریفهایی که در این زمینه ارایه شدهاند بر پایه یکی از ۴ باور زیر قرار میگیرند:
1.
سیستمهایی که به طور منطقی فکر میکنند
2.
سیستمهایی که به طور منطقی عمل میکنند
3.
سیستمهایی که مانند انسان فکر میکنند
4.
سیستمهایی که مانند انسان عمل میکنند
5.
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسانها آنها رابهتر انجام میدهند».
فلسفۀ هوش مصنوعی
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد .
در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقی میشود.
هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد.
در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
بطور کلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد.
مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعۀ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
مدیریّت پیچیدگی
ایجاد و ابداع فنون و تکنیکهای لازم برای مدیریّت پیچیدگی را باید به عنوان هستۀ بنیادین تلاشهای علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینههای علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد.
شیوهها و تکنیکهای هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامهنویسی تابعی (Functional programming)، یا شیوههای ریاضی قابل حلّ نبودهاند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق میآییم، و میتوانیم بر روی بخشهایی از مسئله متمرکز شویم که مهمتر است.
تلاش اصلی، در واقع، ایجاد و دستیابی به لایهها و ترازهای بالاتر و بالاتر تجرید را نشانه میرود، تا آنجا که، سرانجام برنامههای کامپوتری درست در همان سطحی کار خواهند کرد که خود انسانها به کار مشغولند.
به یاری پژوهشهای گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیمودهاست.
در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کردهاست.
یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند.
این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
به یاری پژوهشهای گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیمودهاست.
این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش میدهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن، دست مییابد، که سازندگانش، برای او، متصور نبودهاند.
هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست.
دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره میبرند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیهسازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بودهاست، اکنون در خدمت توسعه علوم رایانه نیز است.
زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن میسازند، پایگاههای دادهای پیشرفته، موتورهای جستجو، و بسیاری نرمافزارها و ماشینها از نتایج پژوهشهای هوش مصنوعی بهره میبرند.
سیستمی که عاقلانه فکر کند.
سامانهای عاقل است که بتواند کارها را درست انجام دهد.
در تولید این سیستمها نحوه اندیشیدن انسان مد نظر نیست.
این سیستمها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری مینماید.
آنها با وجودی که مانند انسان نمیاندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمیکنند.
این ماشینها لزوما درکی از احساسات ندارند.
هم اکنون از این سیستمها در تولید عاملها در نرم افزارهای رایانهای، بهره گیری میشود.
عامل تنها مشاهده کرده و سپس عمل میکند.
سیستمهای خبره سیستمهای خبره زمینهای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه حلها و تصمیمات سریع در مواردی که دانشهای پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم میشود.
سیستمهای خبره به حل مسائلی میپردازند که به طور معمول نیازمند تخصّصهای کاردانان و متخصّصان انسانیست.
به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانهها به دانش موجود در آن زمینه خاص ضروری میگردد.
عاملهای هوشمند عاملها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود می باشند.
قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف میشود.
این سیستمها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام میدهند.
پس عاقلانه رفتار میکنند، هر چند الزاما مانند انسان فکر نمیکنند.
چند سئوال و جواب از زبان پروفسور بازنشسته دانشگاه استنفورد و مؤسس آزمایشگاه هوش مصنوعی دانشگاه استنفورد ، جان مک کارتی، از سیر تا پیاز هوش مصنوعی را برای شما تعریف می کند.
هوش مصنوعی چیست ؟
هوش مصنوعی دانش و مهندسی ساخت ماشین های هوشمند و به خصوص برنامه های رایانه ای هوشمند است.
هوش مصنوعی با وظیفه مشابه استفاده از کامپیوتر ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش هایی محدود کند که بیولوژیکی باشند.
"هوش" چه چیزی است ؟
هوش بخش محاسباتی توانایی است در وجود یک نفر یا شیء برای رسیدن به یک سری اهداف در دنیا.
انواع و درجه های مختلفی از هوش در آدم ها، حیوانات و ماشین ها وجود دارد.
آیا تعریف مستقلی از هوش (بدون ارتباط با هوش انسان) وجود دارد ؟
نه هنوز.
مشکل این است که ما اهنوز نتوانسته ایم به طور کلی مشخص کنیم که به کدام یک از روش های محاسباتی می خواهیم «هوش» بگوییم.
چون از بعضی از مکانیزم های هوش سر در آورده ایم و از بقیه نه.
آیا هوش مصنوعی درباره شبیه سازی هوش انسانی است ؟
گاهی اوقات بله اما نه همیشه.
از یک طرف ما با مشاهده آدم های دیگر و یا فقط با مشاهده روش های خودمان، می توانیم چیزهایی درباره حل مسائل توسط ماشین ها یاد بگیریم.
از طرف دیگر بیشتر کارها در هوش مصنوعی بیشتر از این که بر اساس مطالعه آدم ها و حیوانات باشد، شامل مطالعه مسایلی است که دنیا به هوش ارائه می کند.
محققان هوش مصنوعی برای استفاده از روش هایی که آدم های از آن استفاده نمی کنند و یا استفاده از قدرت محاسباتی بیشتر از توانایی آدم ها آزاد هستند.
تحقیقات هوش مصنوعی از کی شروع شد ؟
بعد از جنگ جهانی دوم، تعدادی از آدم ها به طور مستقل کار روی ماشین های هوشمند را شروع کردند.
اولین نفر احتمالا ریاضیدان انگلیسی، آلن تورینگ، است.
او در سال 1947 در این باره سخنرانی کرد.
او احتمالا اولین نفری هم هست که گفت تحقیقات هوش مصنوعی به جای ساخت ماشین ها بهتر است با برنامه نویسی رایانه ها ادامه پیدا کند.
تا اواخر 1950 محققان زیادی در این حوزه فعالیت می کردند و بیشتر آن ها کارشان را بر اساس برنامه نویسی رایانه ها قرار داده بودند.
آیا هدف هوش مصنوعی ایجاد چیزی مثل فکر انسان برای رایانه ها است ؟
بعضی محققان می گویند که آن ها چنین هدفی دارند، اما شاید آن ها دارند از یک اصطلاح مشابه استفاده می کنند.
چون فکر انسان ویژگی های عجیب و غریبی دارد و من مطمئن نیستم که کسی به طور جدی بخواهد ساخت همه ویژگی های فکر آدم را عملی کند.
آیا هدف هوش مصنوعی رسیدن به هوشی هم سطح هوش انسان است؟
بله.
نهایت تلاش، ساخت برنامه های رایانه ای است که بتواند به خوبی انسان مسائل را حل کنند و به اهداف مورد نظر برسند.
اگر چه سطح آرزو های خیلی از آدم های در گیر در هوش مصنوعی، به خصوص در زمینه های تحقیقاتی، کمتر از این حرف هاست.
هوش مصنوعی چقدر با رسیدن به هوش هم سطح انسان فاصله دارد ؟
این اتفاق کی می افتد ؟
بیشتر محققان هوش مصنوعی عقیده دارند که برای رسیدن به هوش هم سطح انسان، ایده های جدیدی لازم است.
برای همین نمی توان پیش بینی کرد چه وقتی می توان به هوش هم سطح انسان رسید.
آیا از بین ماشین ها، رایانه ها انتخاب خوبی برای هوشمند شدن هستند ؟
رایانه های می توانند برای شبیه سازی هر نوع ماشینی برنامه ریزی شوند.
خیلی از محققان ماشین های غیر رایانه ها اختراع کردند به این امید که آن ها بتوانند با روش هایی غیر از روش هایی که برنامه های رایانه ای هوشمند می شوند، هوشمند شوند.
اگر چه آن ها معمولا ماشین های اختراعی شان را در رایانه ها شبیه سازی می کنند و در شک و تردید می افتند که ماشین جدید ارزش ساخت دارد یا نه.
به خاطر میلیارد ها دلاری که صرف سریع تر و سریع تر کردن رایانه ها شده است، ماشین جدید باید خیلی سریع باشد تا بتواند بهتر از برنامه ی رایانه ای، که همان ماشین را شبیه سازی می کند، عمل کند.
آیا رایانه های برای هوشمند شدن به اندازه کافی سریع هستند ؟بعضی ها فکر می کنند هم به رایانه های سریع تر نیاز داریم و هم به ایده های جدید.
عقیده شخصی من این است که رایانه های 30 سال پیش هم به اندازه کافی سریع بودند، اگر ما می دانستیم چگونه آن ها را برنامه ریزی کنیم.
آیا امکان ساخت «یک ماشین کودک» وجود دارد که با خواند و یاد گرفتن از تجربه هایش بتواند رشد کند و هوش خود را توسعه دهد ؟
این ایده بارها پیشنهاد شده است.
اولین بار هم در دهه 1940 بود.
سرانجام هم این کار انجام خواهد شد.
به هر حال برنامه های هوش مصنوعی به سطحی نرسیده اند که قادر به یادگیری بیشتر از چیزهایی که بچه ها از تجربیات عملی یاد می گیرند، باشند.
هم چنین برنامه های فعلی به اندازه کافی از زبان سر در نمی آورند که بخواهند با خواندن چیزی یاد بگیرند.
آیا ممکن است که یک سیستم هوش مصنوعی قادر باشد با فکر کردن درباره هوش مصنوعی، خودش سطح هوشش را بالا ببرد ؟
من فکر می کنم ممکن است، اما الان در سطحی از هوش مصنوعی نیستیم که این کار بخواهد شروع شود.
شطرنج این طوری نیست ؟
بازی شطرنج به مکانیزم های فکری مشخصی نیاز دارد و به خیلی دیگر از مکانیزم های فکری نیاز ندارد.
برنامه های شطرنج الان در سطح جهانی بازی می کنند، اما آن ها با جایگزینی مقادیر زیادی محاسبات به جای ادراک، از مکانیزم های فکری محدودی در مقایسه با مکانیز های استفاده شده توسط یک شطرنج باز استفاده می کنند.
زمانی که ما این مکانیزم ها را بهتر بفهمیم می توانیم برنامه های شطرنجی هم سطح انسان بسازیم که محاسبات کمتری را نسبت به برنامه های فعلی انجام دهند.
متاسفانه جنبه های رقابتی و تجاری ساخت رایانه های شطرنج باز، بر استفاده از شطرنج به عنوان یک حوزه علمی پیشی گرفته است.
آیا کسانی هستند که بگویند ساخت هوش مصنوعی ایده بدی است ؟
جان سرل که یک فیلسوف است می گوید ایده هوشمند بودن یک ماشین غیربیولوژیک تناقض دارد.
یک فیلسوف دیگر هیوبرت دریفوس می گوید که رسیدن به هوش مصنوعی غیر ممکن است.
دانشمند رایانه جوزف ویزنبام می گوید این ایده زشت، ضد انسانی و غیراخلاقی است.
آدم های مختلفی گفته اند که چون هوش مصنوعی تا به حال به هوش هم سطح انسان نرسیده است، این کار به طور کلی غیر ممکن است.
بعضی دیگر هم نا امید هستند چون شرکت هایی که در این زمینه سرمایه گذاری کردند، ورشکست شدند.
سیستمهای خبره سیستمهای خبره، برنامههای کامیپوتری هوشمندی هستند که دانشو روشهای استنباط و استنتاج را بکار میگیرند تا مسائلی را حل کنند کهبرای حل آنها به مهارت انسانی نیاز است.
سیستمهای خبره کاربر را قادر به مشاوره با سیستمهای کامپیوتریدر مورد یک مسئله و یافتن دلایل بروز مسئله و راهحلهای آن میکند.در این حالات مجموعه سختافزار و نرمافزار تشکیل دهنده سیستمخبره، مانند فرد خبره اقدام به طرح سئوالات مختلف و دریافتپاسخهای کاربر، مراجعه به پایگاه دانش (تجربیات قبلی) و استفاده ازیک روش منطقی برای نتیجهگیری و نهایتا ارائه راهحل مینماید.همچنین سیستم خبره قادر به شرح مراحل نتیجهگیری خود تا رسیدن بههدف(چگونگی نتیجهگیری)و دلیل مطرح شدن یک سئوال اجرایی(روش حرکت تا رسیدن به هدف)خواهد بود.
سیستمهای خبره برخلاف سیستمهای اطلاعاتی که بر روی دادهها(Data) عمل میکنند، بر دانش (Knowledge) متمرکز شده است.
همچنین دریک فرآیند نتیجهگیری، قادر به استفاده از انواع مختلف دادهها عددی(Digital)، نمادی Symbolic و مقایسه ای (Analog) میباشند.
یکی دیگر ازمشخصات این سیستمها استفاده از روشهای ابتکاری (Heuristic) به جایروشهای الگوریتمی میباشد.
این توانایی باعث قرار گرفتن محدودوسیعی از کاربردها در برد عملیاتی سیستمهای خبره میشود.
فرآیندنتیجهگیری در سیستمهای خبره بر روشهای استقرایی و قیاسی پایهگذاریشده است.
از طرف دیگر این سیستمها میتوانند دلایل خود در رسیدنبه یک نتیجهگیری خاص و یا جهت و مسیر حرکت خود به سوی هدفرا شرح دهند.
با توجه به توانایی این سیستمها در کار در شرایط فقداناطلاعات کامل و یا درجات مختلف اطمینان در پاسخ به سئوالات مطرحشده، سیستمهای خبره نماد مناسبی برای کار در شرایط عدم اطمینان(Uncertainty) و یا محیطهای چند وجهی میباشند.
سیستم های خبره شامل بخش های زیر هستند: 1.
پایگاه دانش( Knowledge Base ) محلی است که دانش خبره به صورت کد گذاری شده و قابل فهم برای سیستم ذخیره می شود.
به کسی که دانش خبره را به صورت کد گذاری شده در می آورد و وارد Knowledge Base می کند، مهندس دانش (Knowledge Engineer) گفته می شود.
به طور کلی دانش به صورت عبارات شرطی و قواعد در Knowledge Base ذخیره می گردد.
مانند عبارات زیر : اگر چراغ قرمز است آنگاه متوقف شود.
هر گاه این واقعیت وجود داشته باشد که چراغ قرمز است ، آنگاه این واقعیت با الگوی "چراغ قرمز است" منطبق می شود.
در این صورت این قاعده ارضا می شود و عمل یا اقدام این قاعده یعنی "متوقف شو" انجام می گیرد.
2.
امکانات کسب دانش اکتساب دانش شامل تمام مراحلی است که طی آن دانش به فرم قابل استفاده در یک سیستم خبره تیدیل می گردد.
اولین وظیفه مهندس دانش آشنایی با محدوده کاربردی موردنظر و درک مفاهیم پایه ای و فرضیه ای می باشد.
این اطلاعات اغلب در کتابها،مراجع،مستندات و امثال آن یافت می شوند.
اما از آنجایی که این منابع دانش به سرعت کهنه می شوند (به روز نیستند) به مصاحبه با افراد متخصص نیاز می باشد.دیگر تکنیک های کسب دانش عبارتند از :مشاهده،مطالعات موردی،تحلیل پروتکل،نقش بازی،شبکه فهرست و ...
می باشند.
3.
موتور استنتاج یا Inference Engine حتی موقعی که قلمرو دانش را با قوانین نمایش می دهیم باز هم یک فرد خبره باید مشخص کند که کدام قوانین را برای حل مساله خاصی به کار می برد.علاوه بر این باید مشخص کند که این قوانین را در چه رده ای به کار می برد به طور مشابه یک سیستم خبره نیاز خواهد داشت تا تصمیم بگیرد که چه قانونی و در چه مورد و رده ای باید برای ارزیابی انتخاب شود.
برای این که این کار صورت گیرد سیستم خبره یک موتور استنتاج با استفاده از قواعد منطق و دانش موجود در Knowledge Base و حقایق موجود در حافظه ی کاری، اقدام به انجام کار خاصی می کند.
این عمل یا به صورت افزودن حقایق جدیدی به Knowledge Base می باشد یا به صورت نتیجه ای برای اعلام کردن برای کاربر یا انجام کار خاصی می باشد.
موتور استنتاج تعیین می کند که قسمت شرطی کدام قاعده توسط حقایق موجود ارضا شده است.
دو روش استنتاج، یعنی روش استنتاج پیشرو و روش استنتاج پسرو به عنوان استراتژی های حل مساله در سیستم های خبره بکار می روند.
روش استنتاج پیشرو از واقعیات یا حقایق شروع به استدلال می کند تا به نتایجی برسد که از این واقعیات ناشی می شوند.
به عنوان مثال اگر شما قبل از خروج از منزل ببینید که باران می آید (واقعیت)، یک چتر با خود بر می دارید (نتیجه).
استنتاج پسرو با روشی معکوس استدلال می کند به این ترتیب که سعی دارد از فرضیه یعنی یک نتیجه ی بالقوه که باید ثابت شود به واقعیات یا حقایقی که پشتیبان این فرضیه هستند برسد.
به عنوان مثال اگر شما هوای بیرون از خانه را ندیده باشید و یک نفر با کفش های خیس و چتر وارد خانه شود، فرضیه شما این خواهد بود که باران آمده است.
به منظور پشتیبانی از این فرضیه، از آن فرد سوال می کنید که آیا هوا بارانی است؟
اگر پاسخ فرد مثبت باشد، ثابت می شود که فرضیه صحیح است و تبدیل به یک واقعیت یاحقیقت خواهد شد.
بسته به نوع طراحی سیستم، موتور استنتاج ممکن است با روش پسرو و یا پیشرو استنتاج کند.
انتخاب موتور استنتاج بستگی به نوع مساله دارد.
در مسایل تشخیصی بهتر است با روش پسرو کار کنیم در حالی که در مسایل پیش بینی، نظارت و کنترل، بهتر است از روش پیشرو استفاده کنیم.
4.
Explanation Facilities یا امکانات توضیح برای نشان دادن مراحل نتیجه گیری سیستم خبره برای یک مساله خاص با واقعیت خاص به کاربر به زبان قابل فهم برای کاربر به کار می رود.
این امکانات این فایده را دارد که کاربر با دیدن مراحل استنتاج اطمینان بیشتری به تصمیم گرفته شده توسط سیستم خواهد داشت.
و خبره ای که دانش او وارد پایگاه دانش شده است اطمینان حاصل خواهد کرد که دانش او به صورت صحیح وارد پایگاه دانش شده است.
5.
واسط کاربر واسط کاربر یک 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 سوالات پاسخ دهد بلکه کاربر را مجاز می سازد عملیات اجرایی سیستم را با پرسش در مورد توضیحات داده شده قطع نماید.برای مثال اگر به یک کاربر سیستم خبره پزشکی گفته شود که بیمار منژیت دارد کاربر ممکن است بخواهد بداند که سیستم چگونه به این نتیجه رسیده است.
که در بخش های آتی به شرح آنها خواهیم پرداخت.
مزایای سیستمهای خبره مزایای سیستمهای خبره را میتوان به صورت زیر دستهبندی کرد: افزایش قابلیت دسترسی: تجربیات بسیاری از طریق کامپیوتر دراختیار قرار میگیرد و به طور سادهتر میتوان گفت یک سیستم خبره،تولید انبوه تجربیات است.
کاهشهزینه:هزینهکسبتجربهبرایکاربربهطورزیادیکاهشمییابد.
کاهش خطر: سیستم خبره میتواند در محیطهایی که ممکن استبرای انسان سخت و خطرناک باشد نیز بکار رود.
دائمی بودن: سیستمهای خبره دائمی و پایدار هستند.
بعبارتی مانندانسانها نمیمیرند و فنا ناپذیرند.
تجربیات چندگانه: یک سیستم خبره میتواند مجموع تجربیات وآگاهیهای چندین فرد خبره باشد.
افزایش قابلیت اطمینان: سیستمهای خبره هیچ وقت خسته وبیمار نمیشوند، اعتصاب نمیکنند و یا علیه مدیرشان توطئه نمیکنند، درصورتی که اغلب در افراد خبره چنین حالاتی پدید میآید.
قدرت تبیین (Explanation): یک سیستم خبره میتواند مسیر و مراحلاستدلالی منتهی شده به نتیجهگیری را تشریح نماید.
اما افراد خبره اغلباوقات بدلایل مختلف (خستگی، عدم تمایل و…) نمیتوانند این عمل رادر زمانهای تصمیمگیری انجام دهند.
این قابلیت، اطمینان شما را در موردصحیح بودن تصمیمگیری افزایش میدهد.
پاسخدهیسریع:سیستمهایخبره،سریعودراسرعوقتجوابمیدهند.
پاسخدهی در همه حالات: در مواقع اضطراری و مورد نیاز،ممکن است یک فرد خبره بخاطر فشار روحی و یا عوامل دیگر، صحیحتصمیمگیری نکند ولی سیستم خبره این معایب را ندارد.
پایگاه تجربه: سیستم خبره میتواند همانند یک پایگاه تجربهعمل کند وانبوهی از تجربیات را در دسترس قرار دهد.
آموزش کاربر(Intelligent Tutor): سیستم خبره میتواند همانند یک خودآموز هوش() عمل کند.
بدین صورت که مثالهایی را به سیستم خبرهمیدهند و روش استدلال سیستم را از آن میخواهند.
سهولت انتقال دانش: یکی از مهمترین مزایای سیستم خبره،سهولت انتقال آن به مکانهای جغرافیایی گوناگون است.
این امر برایتوسعهکشورهاییکه استطاعت خرید دانش متخصصانراندارند،مهماست.
انسان متخصص در مقایسه با سیستم های خبره مزایای کامپیوتر انسان متخصص موقت است .
به عنوان مثال انسان ها ممکن است تغییر شغل بدهند و یا بیمار شوند و غیره ولی کامپیوتر دائمی است.
انسان متخصص همیشه ثابت ( قدم ) نیست .
چرا که انسان می تواند روزهای تعطیلی داشته باشد یا بعضی اوقات برنامه زمانی کاملا مشغول داشته باشد و همه این عوامل ناسازگار روی انجام کارها تاثیر می گذارد .
کامپیوتر ها همیشه هستند و با هر گونه شرایط ناسازگار به طور یکنواخت کار می کنند .
انسان متخصص به راحتی قابل انتقال نیست و یک انسان به طور همزمان نمی تواند در دو مکان حضور داشته باشد ولی کامپیوتر نسبت به انسان راحتتر قابل انتقال است .
به عنوان مثال اجرای یک سیستم خبره در یک کامپیوتر می تواند در یک سایت متفاوت روی کامپیوتر های دیگر نیز صورت گیرد و یا حتی از اینترنت بار گردد .
هزینه انسان متخصص زیاد است .
حقوق ماهیانه کارمندان از بهای کامپیوتر شخصی ، سخت افزار کامپیوتر و نیز نرم افزار آن بیشتر می باشد .
مزایای انسان انسان ها خلاق هستند اغلب اوقات الهام بخش هستند ولی کامپیوتر ها چنین نیستند .
انسان ها انعطاف پذیر هستند و به آسانی خود را با شرایط وفق می دهند و با دانش و تخصص خود را با قلمرو دانش خود به کار می بندند و تنها در یک محدوده خاص از مسائل تمرکز دارند .
گرچه سیستم های خبره قابلیت یادگیری دارند اما در مقایسه با انسان قدرت یادگیریشان بسیار ضعیف می باشد .
فوائد سیستم های خبره فوائد سیستم های خبره می تواند ، هم در سازمان و هم در انجام کارهای انفرادی و شخصی درون سازمان مشاهده شود.
مزایای سازمانی سیستم های خبره نگهداری دانش : دانش همیشه موجود است .
برخلاف انسان متخصص که ممکن است جریان کار را عوض نموده و یا کناره گیری کندو غیره .
توزیع دانش :دانش می تواند در شرکت های مختلف و یا در هر جای دیگر دنیا توزیع شود و این کار با به کارگیری شبکه ها و با تکثیر سیستم های خبره روی سخت افزار انجام می شود.
آموزش : در شرح قابلیت های سیستم خبره ، کاربران می توانند زنجیره استدلال تصمیماتشان را ببینند و درکی بهتر از مساله به دست آورند .
رقابت : سیستم های خبره معمولا به شرکت ها یک لبه رقابت آمیز می دهند که باعث افزایش سرعت پاسخ دهی و دقت تصمیمات و غیره می شود .
کاهش قیمت :قیمت ایجاد اجزا به وسیله کاربر پایین تر است .
چون کامپیوتر ها هزینه زیادی را برای به اشتراک گذاری دانش خود صرف نمی کنند .
مزایای فردی سیستم های خبره دسترسی به دانش : متخصص خبره همواره بر روی سخت افزار هر کامپیوتر قابل استفاده است آموزش : ارزش آموزش می تواند یک مزیت برای کارفرما و کارمند باشد .
سازگاری : کاربر خواهد دانست که خبره جایزالخطا نیست و این طور نیست که سیستم خبره روز های تعطیل داشته یا احساس بیماری کند و یا اینکه خیلی چیز های دیگر در فکرش باشد .
مثالی برای درک کار سیستم های خبره طرحی برای بیان نقص کامپیوتر شخصی فرض کنید خانمی از یک فروشگاه کامپیوتر خرید فقط با این هدف که زمان رسیدن او را به خانه پیدا کند ، که آن کامپیوتر به درستی کار نکرد.
او می توانست برای بررسی فنی به فروشنده تلفن کند و یا او می توانست با یک متخصص صحبت کند که متخصص نیز با پرسیدن یک سری پرسش ها از قبیل اینکه آیا لامپ power کامپیوتر روشن است یا اینکه آیا کابل در جای خود متصل است یا خیر نقص را تشخیص دهد .
شخص با این سوالات داده را فراهم می کند و جواب های داده شده فرد متخصص را قادر خواهد ساخت تا دانش را در مورد این مسئله به کار گیرد و راجع به اینکه نقص احتمالی است یا خیر نتیجه بگیرد و با توجه به تشخیص خود چاره کار را پیشنهاد کند .
یک سیتم خبره قوانین را در مورد داده ، در مسیری مانند یک متخصص به کار می برد.
انسان متخصص قوانین به دست آمده ذهنی را بری تشخیص نقص به کار می برد .
این ابتکارات به عنوان قوانینی از قبیل اینکه اگر لامپ power کامپیوتر شخصی خاموش است پس بررسی کنید که کلید power روشن است و غیره ذخیره می شود .
فرد متخصص یاد گرفته است که این ابتکارات را کی و چطور به کار برد .
علاوه بر این یک متخصص دانش جدید را از پاسخ های ارائه شده به پرسش ها استنباط می کند به عنوان مثال اگر کلید power خاموش است ، پس لامپ روشن نخواهد شد .
دانش جدید ، که لامپ power روشن نخواهد شد از داده ارائه شده استنباط شده است و آن داده این است که کلید power خاموش است .
این فرآیند در اغلب روش های مشابه مثل موقعی که یک متخصص پزشکی در حال تشخیص بیماری یک بیمار است یا موقعی که یک مشاور سرمایه گذاری در حال مشورت بک یک ارباب رجوع در مورد یک انتخاب مناسب برای سرمایه گذاری می باشد ، رخ می دهد .
سیستم های خبره چه هستند ؟
یک سیستم خبره ، برنامه ای است که سعی می کند از انسان متخصص ، در استفاده از روش های استنتاج برای یک قالب معین از دانش تقلید کند .
این قالب از دانش حوزه نامیده می شود اینکه فرق بین داده ، اطلاعات و دانش معلوم باشد بسیار مهم است .
داده ، چیزی بیشتر از یک دسته نشانه های الفبایی نیست .
در زیر یک سری از داده ها را می بینیم .
لیست فوق یک گروه از نشانه ها می باشند که به تنهایی معنایی ندارند و فقط زمانی معنی می دهند که زمینه یا متنی به آن ها اضافه شود که در این صورت اطلاعات نامیده می شوند .
آیتم های فوق در زیر ، به اطلاعات تبدیل شده اند : جوایز مسابقات را یادآوری می کند .
یک گروه نوازنده معروف در انگلستان هستند .
هر آیتم در لیست فوق از یک سری مشخصه های الفبایی ( داده ) به یک سری اطلاعات معنی دار تبدیل شده است .
به این صورت که علامت در کاراکتر a به مبلغی از پول اشاره می کند .
کاراکتر b علامت های داده ، در بعضی مسابقات را نشان می دهد .
کاراکتر c ، به یک دمای خیلی سرد اشاره می کند و آیتم نهایی به یک گروه نوازنده معروف در انگلستان که Oasis نامیده می شود اشاره می کند .
حال به آیتم های زیر توجه کنید .
این آیتم ها دانش است که از راه تجربه و آزمایش به دست آمده اند .
ملاحظه کنید که هر بخش ارتباط بین فرضیه ها و قواعد را برای عملیات روی آنها ، بیان می کند .
.a هوا بارانی است و به این دلیل من خیس خواهم شد.
.b دما است و بنابر این سرد است .
.c موتور ماشین داغ است ، پس باید مورد استفاده قرار گرفته باشد.
.d Oasis نوازنده هایی موفق هستند.
دانش با اطلاعات فرق دارد .
اطلاعات غیر فعال بوده ، پویا نمی باشند .
در حالیکه مفهوم دانش ، فعال است به این معنی که با توسعه و پیشرفت چیز های جدید تولید می شود .
برای مثال در بخش a از لیست فوق تجربه به ما می گوید که اگر در باران بیرون برویم ، خیس خواهیم شد و ما از این اطلاعات که خیس خواهیم شد نتیجه می گیریم که هوا بارانی است .
این دانش به صورت قواعد نشان داده شده است.
هر چند به بعدا خواهیم دید که راه های دیگری نیز برای نمایش دانش وجود دارد .
به همین صورت بخش d توضیح می دهد که Oasis نوازنده های معروفی هستند و از دانش این دانش استنباط می شود که آن ها میلیونر هستند ( تجربه زیرکانه ای وجود دارد مبنی بر اینکه گروه های نوازنده موفق معمولا پولدار می شوند ).