درخواست مقاله ای در مورد سيستمهاي مبتني بر دانش
 

بنام خدا
دوستان سلام
دوستان من يك مقاله سليس و خوب و جامع در رابطه با سيستمهاي مبتني بر دانش مي خوام. كسي مي تونه كمكم كنه؟ خواهش مي كنم اگه كسي مي تونه كمكم كنه ، من را راهنمائي كنه خيلي ممنون مي شم

دوست عزيز آن پاورپوينتي که قبلاً دريافت کرديد واقعاً مطالب جامعي دارد!!

Knowledge-based Systems

اين اسلايد ضميمه هم مفيد است: The Engineering of Knowledge-based Systems: Theory and Practice


همچنين براي متوجه شدن کليات کار ، ابتدا بايد از هوش مصنوعي و سيستم هاي خبره مطالعاتي داشته باشيد!
مثلاً مطالب زير ..:)

همانطور که اشاره شد ریشه اصلی سیستم های خبره یا سیستم های مبتنی بر دانش (KBS) به حوزه مطالعاتی به نام هوش مصنوعی (AI) برمیگردد وسیستم های خبره موجودیت خود را مدیون هوش مصنوعی هستند یکی از بزرگان هوش مصنوعی- ماروین مینسکی- آن را چنین تعریف می کند:
«هوش مصنوعی ،حوزه مطالعاتی است که سعی در ایجاد سیستم هایی دارد که به نظر افراد هوشمند هستند.»
سیستم مبتنی بردانش(knowledge base system ) شامل عملگرهایی است که مشخص می کنند چطور یک سیستم از یک وضعیت می تواند به وضعیت بعد ونهایتاً بسوی وضعیت هدف پیش رود . در این راستا برای ایجاد یک برنامه هوشمند ، آن برنامه باید با کیفیت بالا به نحوی که دانش خاص در حوزه آن مسأله ومرتبط با آن باشد طراحی گردد.
يكي از پر استفاده ترين برنامه هاي كاربردي هوش مصنوعي، سيستمهاي خبره ميباشد. يك KBIS[2] يك پايگاه دانش را به اجزاي اصلي شناخته شده در انواع ديگر سيستمهاي اطلاعاتي كامپيوتري اضافه ميكند. يك ES يك سيستم اطلاعاتي مبتني بر دانش(KBIS ) است كه دانش خود را در يك حوزه كاربردي پيچيده و خاص بكار ميبرد و به عنوان يك مشاور متخصص براي كاربر نهايي عمل ميكند. سيستمهاي خبره به سوالاتي در زمينه مشكلات و مسائل خاص بوسيله استنباطي نظير استنباط انسان در حوزه دانشي كه در آن متخصص است، جواب ميدهد. سيستمهاي خبره بايد قادر باشند كه فرايند استدلال و نتيجه گيري خود را براي كاربر نهايي توضيح دهند.( O`Brien, 2000 ).

زماني كه سازمان با مشكلات پيچيده مواجه است، غالبا از خبره ها براي مشاوره استفاده ميكند. اين خبره ها ، دانشي خاص و تجربه اي خاص در يك حوزه خاص دارند . آنها گزينه ها ، ميزان شانس موفقيت، و منافع و مضار تجاري را مي شناسند . سازمانها افراد خبره را براي موقعيتهاي غير ساختارمند جمع ميكنند. در واقع سيستم خبره سعي دارد تا از متخصصين انساني تقليد كند . نوعا سيستم خبره عبارت است از يك پكيج نرم افزاري براي تصميم گيري كه ميتواند به سطح يك متخصص (حتي جلوتر) در حل مسايل در حوزه خاص برسد.Turban, 2000))

سيستم خبره يك برنامه كامپيوتري مبتني بر دانش است كه تخصص انساني را در حوزه اي محدود كسب ميكند.(Lauden & Lauden,2000 ).



بعضی از تعاریف سیستم های خبره:
سیستم خبره یک سیستم رایانه ای است که با استفاده از دانش،حقایق وروش های استدلالی ، مسائلی را حل می کند که نیاز به توانایی افراد خبره دارند.
یک سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک فرد خبره را «تقلید» میکند. اصطلاح تقلید یعنی انجام کارهایی که یک فرد خبره انجام میدهد واین امر با شبیه سازی اعمال یک خبره تفاوت زیادی دارد.
سیستم خبره یک برنامه هوش مصنوعی است که برای حل مسائل ومشکلات مربوط به یک حوزه خاص تهیه شده باشد.
سیستم خبره یک برنامه رایانه ای است که بااستفاده از دانش و رویه ها در حل مسائل مشکل ، همانند یک انسان متخصص وخبره عمل میکند.
تاریخچه سیستم های خبره :
بعد از سال های 1950 میلادی ، محققین هوش مصنوعی سعی نمودند روش هایی برای حل مسئله بر اساس استدلال های بشر،ارائه نمایند . چنین پروژه ای در سال 1976به وسیله نوول و سایمون توسعه یافت که به عنوان الگوریتم های حل مسائل عمومی یا GPS شناخته شد.
یکی از کمبودهای راه حل مسائل عمومی این بود که اندازه مسئله بزرگ شد . بنابراین فضای جستجو به وجود آمده به طور قابل توجهی رشد کرد بنابراین تنها با ساخت برنامه هایی که کمتر عمومی هستند و تمرکز روی دانش خاص مسئله ، می توانیم این قبیل فضای جستجو را کاهش دهیم . از این رو یک عرصه جدید برای تحقیق در سال 1970پدیدار شد و واترمن(1986)یک برنامه هوشمند به عالیترین کیفیت و دانش مشخص در دامنه مسئله ایجاد نمود که لنات و گودها بعداً در سال 1991 آن را اصل دانش نامیدند . آن ها این مسئله را به شرح زیر بیان کردند: اگر برنامه ای کار پیچیده ای را به خوبی اجرا کند،آن برنامه می بایست راجع به محیطی که در آن عمل می کند ، دانسته هایی داشته باشد . نبود دانش،همه آنچه که مشخص می شود بر اساس جستجو و استدلال است که کافی نیست. از زمانیکه اولین محصول پایگاه دانش پدیدار شد ، یک شاخص در محدوده های زندگی واقعی به حساب می آمد . مانند تشخیص بیماری های عفونی و یا پیشگویی ذخایر معدنی در مناطق جغرافیایی مختلف دنیا ، این تاریخچه ای از آزمایش بر روی مسائل زندگی واقعی بود تا بفهمیم که آیا تصورات با سعی و تلاش قابل دسترس هستند یا خیر؟
سیستم DENDRAL اولین سیستم در این دسته بود که ساخته شد . کار روی این سیستم در سال 1965 میلادی با مدیریت ادوارد فیگن باوم 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.

گذری بر سیستم‌های خبره (Expert Systems)

اگر بخواهیم سیستم‌های خبره (Expert Systems) را در یک جمله توصیف کنیم باید بگوییم که این سیستم‌ها به‌طور کلی برنامه‌هایی هستند که قادرند همانند انسان مسایل خاصی را استدلال کنند. این سیستم‌ها برای استدلال، از الگوهای منطقی خاصی استفاده می‌کنند که مشابه همان کاری است که انسان در زمان حل یک مسئله عمل می‌کند. در واقع همان‌طور که انسان برای حل یک مسئله، تعقل یا اندیشه می‌کند، سیستم‌های خبره نیز برای این کار به الگوها و راه و روش‌هایی متوسل می‌شوند که انسان برای آن‌ها مشخص کرده است، بنابراین چون از منطق بشری استفاده می‌کنند می‌توان گفت که تا حدودی همانند انسان فکر می‌کنند. به همین دلیل همواره واژه دیگری نیز معادل سیستم‌های خبره در ادبیات مربوط به هوش مصنوعی آورده می‌شود که به آن سیستم‌های مبتنی بر دانش (KnowLedge Based System) گفته می‌شود. در واقع دلیل این نام‌گذاری، یکسان بودن معلومات مورد استفاده توسط این سیستم‌ها در حل مسایل با معلومات مورد استفاده یک انسان متبحر در یک رشته برای حل مسایل حوزه مربوطه است. هرچند دو واژه سیستم‌های خبره و سیستم‌های مبتنی بر دانش در متون هوش مصنوعی همواره مترادف یکدیگر در نظر گرفته می‌شوند، اما در کنار هم قرار گرفتن این دو گسترده‌ترین کاربرد دنیای هوش مصنوعی را به خود اختصاص می‌دهد. در واقع سیستم‌های خبره‌ای که به دلیل استفاده از دانش بشری قادر به استدلال و حل مسایل باشند بزرگ‌ترین و مهم‌ترین شاخه هوش مصنوعی به شمار می‌رود. یک واژه مهم دیگر در سیستم‌های خبره «دامنه وظیفه» یا همان Task Domain است. به این مفهوم که دامنه همان ناحیه یا گستره‌ای است که یک سیستم خبره در آن زمینه فعالیت می‌کند و وظیفه (Task) هدف یا کاری است که این سیستم خبره باید انجام دهد. مثلا علوم پزشکی، هوانوردی و معماری می‌توانند به‌عنوان دامنه‌های وظایفی چون تشخیص بیماری، زمان‌بندی پرواز و طراحی ساختمان مورد استفاده سیستم‌های خبره مربوطه قرار گیرند.

مهندسی دانش

یکی از مباحث اساسی و جالب توجه در حوزه سیستم‌های خبره، روشی است که برای ساختن این‌گونه سیستم‌ها به کار گرفته می‌شوند. به‌طور کلی به مراحل ساخت یک سیستم خبره، مهندسی دانش (KnowLedge Engineering) گفته می‌شود. چراکه سازنده یک سیستم خبره باید از وجود همه اطلاعات و علوم لازم در یک حوزه برای حل یک مسئله مربوط به آن حوزه اطمینان لازم را کسب کند. پس از مشخص کردن دامنه دانش مورد نیاز برای انتقال به یک کامپیوتر، سازنده سیستم خبره یا در اصطلاح همان مهندس دانش (KnowLedge Engineer) باید روش ثبت و نگهداری این علوم و اطلاعات را در کامپیوتر مشخص کند. به مرحله انتقال علوم جمع‌آوری شده در یک حوزه به کامپیوتر و نحوه چیدمان این علوم در آن‌جا «نمایش دانش» یا (KnowLedge Representation) گفته می‌شود. اما در مرحله بعد یعنی زمانی که یک کامپیوتر باید از اطلاعات و دانش ثبت شده در حافظه خود برای استدلال و حل یک مسئله استفاده کند، باید متد یا روشی وجود داشته باشد که بتواند مسئله مورد نظر را درک کرده و آن‌گاه از بین انبوه اطلاعات و علوم موجود و یا از ترکیب آن‌ها با یکدیگر راه‌حل مسئله را کشف کند. در این‌جا نقش سازنده یک سیستم خبره در معرفی روشی برای استفاده از معلومات ثبت شده برای حل مسایل بسیار مهم است. این روش به هر شکلی که باشد به‌عنوان «متد یا شیوه استدلال» (Reasoning Method) شناخته می‌شود.

اجزای سازنده

با توجه به مطالب فوق، یک سیستم خبره حداقل از دو قسمت اساسی تشکیل شده که یکی مبنا و هسته علمی آن یا همان KnowLedge Base (KB) است و دیگری، ماژول استدلال که Reasoning Engine نام دارد. برای اینکه یک سیستم خبره بتواند توانایی استدلال خوبی داشته باشد باید از مبنای علمی (KB) جامعی بهره‌مند باشد. یک KB جامع قاعدتا باید شامل دو دسته اطلاعات علمی در یک زمینه باشد. دسته اول شامل اطلاعاتی است که صد درصد پشتوانه علمی تئوری مرتبط با آن موضوع داشته و شامل اصول یا جزئیات مکتوب، رسمی و شناخته شده آن علم است که در بسیاری از منابع آن حوزه علمی مثل کتاب‌ها، دانشگاه‌ها و... مورد تایید قرار گرفته است. به این دسته از اطلاعات علمی، دانش مستند (Factual KnowLedge) گفته می‌شود. اما دسته دوم، آن‌هایی هستند که کمتر خاصیت مستند علمی داشته و بیشتر دارای پشتوانه تجربی (Experimental) منحصر به‌یک شخص یا گروه خاص یا طبق یک تئوری یا تشخیص غیررسمی است که به آن (Heuristic KnowLedge) گفته می‌شود.

همان‌طور که قبلا گفتیم به شیوه سامان‌دهی و چیدمان اطلاعات علمی در یک سیستم خبره، نمایش (Representation) گفته می‌شود. یکی از روش‌های معمول این نمایش روشی است به نام قاعده تولید (Production Rule) که دارای زنجیره‌ای از دستورات شرطی با ساختار آشنای برنامه‌نویسان یعنی IF-THEN است. در این روش اطلاعات مربوط به یک حوزه به‌صورت یک ساختار درختی که دارای یک سری دستورات IF-THEN ساده یا ترکیبی است در سیستم قرار داده می‌شود.

به سیستم‌های خبره‌ای که علوم مربوط به خود را به این روش نگهداری می‌کنند سیستم‌های مبتنی بر قاعده (Rule Based System) می‌گویند. اما یکی دیگر از انواع پرکاربرد نمایش اطلاعات در سیستم‌های خبره روشی است که در آن علوم به‌صورت یک موجودیت (Entity) که دارای نام، خواص و روابط با موجودیت‌های دیگر است نمایش داده می‌شود. در این روش علوم موجود در یک موضوع خاص می‌توانند در یک موجودیت مشخص قرار گرفته و از درون خود موجودیت‌های کوچک‌تر دیگری را که می‌توانند مشمول خود کنند، تشکیل دهند. به‌عنوان مثال در یک سیستم تشخیص پزشکی شاید بتوان هر یک از اعضای بدن را در یک موجودیت جداگانه با نام و خواص معلوم قرار داده و آن‌گاه هرچند موجودیت را به یک موجودیت سطح بالاتر مثل دستگاه عصبی، گوارش و... و یا چند موجودیت سطح پایین‌تر مثل اعضای تشکیل‌دهنده مانند (بافت، رگ، عصب و...) تقسیم‌بندی و به یکدیگر متصل کرد.

به هر یک از این موجودیت‌ها در ساختار علمی یک سیستم خبره، واحد (Unit) گفته می‌شود.

اما همان‌طور که گفتیم جزء اساسی دوم یک سیستم خبره، موتور استدلال یا مدل حل مسئله (Problem Solving Model) یا پارادایم (Paradigm) آن سیستم است که وظیفه سامان‌دهی و کنترل مراحل حل مسئله را به عهده دارد. یکی از متدهای بسیار معمول و ساده پیاده‌سازی یک پارادایم یا موتور استدلال روشی است همانند روش مبتنی بر قاعده (Rule Based) در ماژول مربوط به نگهداری اطلاعات علمی در آن سیستم خبره.

بدین معنی که زنجیره‌ای از دستورات IF-THEN در پارادایم وجود دارد که با بررسی و انطباق اصول و جزئیات صورت‌مسئله با اصول و جزئیات علمی موجود در KnowLedge Base در قسمت IF می‌تواند راه‌حل یک مسئله را در قسمت THEN آن زنجیره پیدا کند.

به این روش استدلال و یافتن راه‌حل مسئله در یک سیستم خبره، زنجیره کردن مستقیم دستورات IF-THEN (forward Chaining) گفته می‌شود. البته در برخی سیستم‌های خبره امروزی خاصیتی عکس زنجیره کردن مستقیم و در واقع استدلال معکوس نیز وجود دارد، بدین معنی که این سیستم خبره قادر است با دریافت راه‌حل و جواب یک مسئله صورت آن را پیدا کند. به‌‌عنوان مثال در یک سیستم خبره تشخیص بیماری، استدلال معکوس می‌تواند به‌صورت دریافت نوع بیماری و بیان علایم مربوط به آن عمل کند. به این قابلیت استدلال معکوس، Backward Chaining گفته می‌شود.

سیستم‌های خبره در یک نگاه

حال که با مفهوم و چگونگی ساختار سیستم‌های خبره آشنا شدیم بد نیست نگاهی اجمالی به برخی ویژگی‌های این سیستم‌ها بیندازیم که تفصیل هر کدام از آن‌ها از ظرفیت تنها یک مقاله خارج است.

* کاربرد: اصولا یک سیستم خبره را برای رسیدن به دو منظور می‌سازند: اول اینکه این سیستم باید بتواند به یک شخص حرفه‌ای در یک زمینه برای رسیدن به هدفش کمک برساند و در مواقع مهم در تصمیم‌گیری یا تشخیص به وی کمک کند که در این صورت به آنSupport Decision گفته می‌شود مثل همان سیستم‌های خبره‌ای که در امور پزشکی طراحی شده‌اند.

دوم اینکه این سیستم باید بتواند در یک زمینه خاص، خود تصمیم‌گیری و به آن عمل کند. در واقع در این روش، یک سیستم خبره به یک شخص مبتدی یا غیرحرفه‌ای می‌گوید که چه کاری باید انجام دهد (Decision Making). سیستم‌های خبره‌ای که در زمینه‌های صنعتی وجود دارند نمونه خوبی از این نوع به حساب می‌آیند.

* هدف: با استفاده از یک سیستم خبره می‌توان اطلاعات علمی و حرفه‌ای مربوط به یک رشته تخصصی را ثبت و در مجامع مربوطه به آن توزیع کرد، کیفیت انجام کارهای حرفه‌ای را با اطمینان از عدم اشتباه سیستم افزایش داد و در نهایت توانایی افراد مبتدی را به‌تدریج در اثر کار با یک سیستم خبره افزایش داده و آن‌ها را به تبحر حرفه‌ای خود نزدیک‌تر کرد.

توانایی

به‌طور کلی توانایی محسوس یا نامحسوس یک سیستم خبره را می‌توان به عناوین زیر خلاصه کرد:

1- تشخیص مشکل (صورت‌مسئله)

2- تشخیص راه‌حل‌ها و انتخاب از بین آن‌‌ها

3- توصیف و استدلال راه‌حل انتخاب شده

4- تعامل با اطلاعات ناقص برای کسب یا یافتن اطلاعات کامل‌تر

5- امکان ثبت و بازسازی همه مراحل حل یک مسئله

سیستم‌های خبره، دیروز و امروز

دهه 1950 و 1960 را می‌توان آغازی بر به‌وجود آمدن برنامه‌های کامپیوتری هوشمند (بر اساس هوش مصنوعی) به حساب آورد.

در طی همین سال‌ها بود که تئوری جدیدی به نام Heuristics که بعدا به سیستم‌های خبره تغییر هویت داد، مطرح شد. این تئوری در واقع روشی بود برای یافتن یک راه‌حل از بین چند راه‌حل موجود برای یک مسئله بخصوص.

پس از چندی نیز خبر از به‌وجود آمدن یک زبان برنامه‌نویسی جدید به نام LISP (LIST Processing) به میان آمد. این زبان برنامه‌نویسی قابلیت بسیار مناسبی در پردازش انواع ساختارهای اطلاعاتی (Data Structures) به‌خصوص ساختار Link List داشت و از همین‌رو قادر بود تا برنامه‌هایی که بر اساس پردازش زنجیره‌ای و سلسله‌مراتبی اطلاعات کار می‌کنند (مثل برنامه‌های هوش مصنوعی و سیستم‌های خبره) را بسازد.

اما در دهه هفتاد تحقیقات و دستاوردهای هوش مصنوعی به‌سمت مسایل علمی‌تر و به‌خصوص شاخه‌هایی از علم که تاثیر بیشتری در زندگی عامیانه مردم داشت گرایش یافت. به‌عنوان مثال در این ایام برنامه‌ای با نام Dendral (دندرال) نوشته شد که می‌توانست ساختار مولکولی ترکیبات شیمیایی را مشخص کند. پس از آن برنامه دیگری به‌نام Macsyma (ماکسیما) ابداع شد که می‌توانست مسایل ریاضی را حل کند. به‌طور کلی برنامه‌هایی که در این دهه در زمینه هوش مصنوعی با گرایش سیستم‌های خبره نوشته شد، مبتنی بر فناوری و روش‌های جست‌وجو (Search Technique) بود، بنابراین اثر کمتری از متد استدلال علمی و حل مسایل بر اساس مبنای علمی آن‌ها (KnowLedge Base) دیده می‌شد. در این دوران خبر از پیدایش یک زبان برنامه‌نویسی به نام PROLOG (Programming Logic) به میان آمد که علاوه بر دارا بودن قابلیت‌های زبان LISP، به دلیل مشابه بودن دستورات و ساختار آن با زبان انگلیسی، از محبوبیت زیادی در ساخت برنامه‌های هوش مصنوعی برخوردار شد.

اما دهه هفتاد و اوایل دهه هشتاد میلادی را می‌توان سرآغازی بر سیستم‌های خبره مدرن امروزی به حساب آورد. در این دوره بود که سیستم‌هایی بر اساس آنالیز دانش روز بشر ابداع شد. به‌عنوان مثال در این ایام بود که Mycin یک برنامه کامپیوتری برای کمک به پزشکان در تشخیص آزمایش خون و بیماری افراد کمک کرده و نسخه پیشنهادی مناسب با آن را ارایه می‌کرد یا مثلا R1 نام سیستم خبره دیگری بود که توسط کمپانی Digital Equipment Co نوشته شد و وظیفه آن جمع‌آوری اطلاعات مربوط به نیاز مشتریان و ارایه بهترین سیستم کامپیوتری و لوازم جانبی آن، منطبق با نیاز هر مشتری بود. در حال حاضر نیز کاربرد سیستم‌های خبره در بسیاری از شاخه‌های صنعت به وضوح دیده می‌شود. در بسیاری از سیستم‌های تشخیص خطا و بحران در سیستم‌های صنعتی، برخی سیستم‌های مربوط به تعمیر نگهداری و برنامه‌ریزی در صنایع هوایی، سیستم‌های مربوط به تحقیقات در مواد شیمیایی و دارویی، پزشکی و مالی، نرم‌افزارهای ویژه طراحی مهندسی صنعتی و هر برنامه‌ای که مبتنی بر دانش بشری در هر یک از شاخه‌های علوم باشد، به نوعی استفاده از الگوریتم‌ها و روش‌های یک سیستم خبره به وضوح مشاهده می‌شود.

اجزای اصلی تشکیل دهنده ی یک سیستم خبره عبارتند از :


http://i10.tinypic.com/5y38ktt.jpg


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 شو.
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.

مرورى بر تاريخچه فن‏آورى سيستم‏هاى خبره....
پاسخ گفتن به اين سؤال كه «آيا مى‏توان سيستم خبره‏اى در زمينه فقه اسلامى طراحى و پياده سازى نمود؟» نيازمند شناخت و آگاهى نسبت‏به تواناييها و محدوديتهاى سيستم‏هاى خبره از يك سو و شناختى كامل از حوزه وسيع فقه اسلامى از سوى ديگر مى‏باشد. همچنين پاسخ به اين سؤال تنها به «بلى‏» يا «خير» محدود نگشته و نياز به پژوهشى عميق و مشترك توسط هر دو گروه پژوهشگران علوم اسلامى و علوم رايانه‏اى دارد. با اين توضيح، سعى در معرفى اجمالى سيستم‏هاى خبره و تاريخچه استفاده و كاربردهاى متنوع اين فن‏آورى در علوم رايانه‏اى داريم. شاخه هوش مصنوعى در علوم رايانه از اواسط دهه پنجاه ميلادى با هدف شبيه‏سازى فعاليتهاى ادراكى انسان و نيز ساخت ماشين‏هاى هوشمند پايه‏گذارى گرديد. مشكل اساسى در اين راه عدم وجود تعريفى منسجم از هوش كه مورد اتفاق نظر باشد و همچنين شناختى كامل نسبت‏به جزئيات و مكانيزم فعاليتهاى ادراكى انسان بود. به عبارت ديگر تلاش براى شبيه‏سازى، پديده‏اى بود كه شناخت كاملى از آن وجود نداشت. به همين دليل بيشتر تحقيقات و پژوهشها به سمت‏شبيه‏سازى روى‏كردها و مظاهرى از هوش انسانى سوق پيدا كرد و جنبه‏هاى كاربردى در زمينه‏هاى محدودى كه احتمال موفقيت در آنها بيشتر متصور بود، بيش از پيش مورد توجه قرار گرفت. يكى از اين زمينه‏ها كه به دليل برخوردارى از برخى ويژگيها در ابتدا مورد توجه واقع شد، اثبات قضاياى رياضى بود. موفقيتهاى به‏دست آمده در و Assistant ( Aura) Automated Reasoning موجب بروز خوش‏بينى‏هاى فراوان در آغاز راه نسبت‏به آينده هوش مصنوعى گرديد. اين برنامه‏ها قادر بودند برخى مسائل و قضاياى رياضى را اثبات نمايند و حتى در مواردى موفق به كشف اثباتهاى كوتاهتر براى برخى از قضاياى رياضى شدند. يكى از بارزترين محصولات عملى حاصل از تحقيقات هوش مصنوعى طى سه دهه نخست آن، برنامه‏هايى مى‏باشند كه اصطلاحا «سيستم‏هاى خبره‏» ناميده مى‏شوند. سيستم‏هاى خبره به كلاس وسيع‏ترى از برنامه‏ها كه تحت نام «سيستم‏هاى مبتنى بر دانش‏» شناخته مى‏شوند، تعلق دارند. نمونه‏هاى ديگر سيستم‏هاى مبتنى بر دانش شامل «مشاوران خودكار» (Automated ,Advisers) دستياران رايانه‏اى ,( Computerized Assistants) و«مشاوران مجازى‏» (Virtual Consultants) مى‏باشند. براى متمايز كردن سيستم‏هاى‏خبره از ساير سيستم‏هاى مبتنى بر دانش، معمولا توانايى ارائه توضيح و يا توجيه نمودن آنچه كه سيستم به عنوان نتيجه به آن رسيده است، به عنوان يك شاخص در نظر گرفته مى‏شود. سيستمى كه بتواند روند استنتاج خودرا توضيح دهد داراى [meta knowledge] (دانش در باره دانش خود) مى‏باشد. اين سطح از دانش معيار مناسبى براى تفكيك سيستم‏هاى خبره از ساير سيستم‏هاى هوش مصنوعى كه بر مبناى دانش عمل مى‏كنند مى‏باشد. پيش از ادامه بحث لازم است‏به ارائه يك تعريف كلى از سيستم‏هاى خبره بپردازيم: «سيستم‏هاى خبره دسته‏اى از برنامه‏هاى رايانه‏اى مى‏باشند كه قادر به راهنمايى، تحليل، دسته‏بندى، مشاوره، طراحى، تشخيص، كاوش، پيش‏بينى، ايجاد مفاهيم، شناسايى، تفسير، توجيه، يادگيرى مديريت، كنترل، برنامه‏ريزى، زمان‏بندى، و آزمايش هستند. اين‏برنامه‏ها معمولا به مسائلى مى‏پردازند كه حل آنها نياز به متخصصان انسانى دارد.» اگرچه اين تعريف به گونه‏اى كلى است كه مى‏تواند مورد انتقاد قرار گيرد; با وجود اين، طيف وسيعى از تواناييهايى را كه سيستم‏هاى خبره از خود نشان داده‏اند ارائه مى‏دهد. البته هيچ‏يك از سيستم‏هاى خبره تا كنون به تنهايى تمامى اين ويژگيها را در بر نداشته‏اند و هر يك تنها يك يا چند مورد از ويژگيهاى فوق را به طور نسبى بروز داده‏اند. اولين نمونه‏هاى سيستم‏هاى خبره در اواسط دهه شصت ميلادى تحت عناوين پروژه DENDRAL در دانشگاه استانفورد و MACSYMA در انستيتوى تكنولوژى ماساچوست (MIT) عرضه شدند. در باره اين دو پروژه و نيز سيستم‏هاى خبره‏اى در زمينه‏هاى زمين‏شناسى، الكترونيك و پزشكى توضيح خواهيم داد. ولى پيش از پرداختن به اين سيستم‏ها مناسب است كه با ساختار كلى سيستم‏هاى خبره و اجزا و مؤلفه‏هاى تشكيل دهنده يك سيستم خبره آشنا شويم. اساسى‏ترين مفهومى كه زيربناى موفقيت تمام سيستم‏هاى خبره مى‏باشد، اهميت و نقش دانش است. بدون برخوردارى از يك پايگاه دانش كافى، يك سيستم خبره - صرف نظر از پيچيدگى نمايش دانش و يا مكانيزم استنتاجى كه استفاده مى‏كند- موفق نخواهد بود. روند استخراج و كسب دانش از متخصصان انسانى و انتقال آن به پايگاه دانش يك سيستم خبره را «مهندسى دانش‏» مى‏نامند. با اين مقدمه، مى‏توانيم برخى ويژگيهاى مشترك بين سيستم‏هاى خبره را به طور خلاصه بيان كنيم: ذكر يك نكته و تاكيد بر آن ضرورت دارد و آن اين است كه در كليه زمينه‏هايى كه تا كنون در آنها سيستم‏هاى خبره مورد استفاده و بهره‏بردارى قرار گرفته‏اند، اين سيستم‏ها همواره به عنوان ابزارى دراختيار متخصصان انسانى و مشاورى در كنار آنها و نه جايگزينى براى آنها مطرح بوده‏اند. - سيستم در سطحى كه عموما هم‏طراز عملكرد يك متخصص انسانى شناخته مى‏شود عمل مى‏كند. - سيستم به شدت وابستگى به يك رشته خاص دارد. به بيان ديگر سيستم اطلاعات وسيعى در يك زمينه تخصصى خاص دارد. - سيستم مى‏تواند در باره استدلال خود توضيح دهد. به عبارت ديگر سيستم زمانى به عنوان يك ابزار مفيد و كارآمد در نظر گرفته مى‏شود كه قادر باشد تحليل و استنتاج خودرا توضيح دهد و آن را توجيه نمايد. - اگر اطلاعاتى كه سيستم با آن كار مى‏كند، احتمالى يا غير قطعى باشد، سيستم بتواند اين احتمال و عدم قطعيت را در مراحل استنتاج خود دخيل كند. از نظر ساختارى نيز سيستم‏هاى خبره داراى اجزاى ذيل مى‏باشند: - يك رابط كاربر: اين رابط، ارتباط ميان كاربر و سيستم را برقرار مى‏كند و به كاربر اجازه مى‏دهد پرسشهاى خودرا در اختيار سيستم خبره قرار دهد و همچنين متقابلا سيستم اين امكان را دارد كه از طريق اين رابط پاسخهاى خودرا به يك كاربر بازگرداند. اين رابط مى‏تواند به سادگى يك منوى ساده براى ورودى / خروجى باشد يا به پيچيدگى محاوره از طريق زبان طييعى. - يك پايگاه دانش: اين پايگاه بخش اصلى سيستم را تشكيل مى‏دهد كه شامل حقايق و قوانين در زمينه تخصصى سيستم خبره مى‏باشد و غالبا توسط قوانينى به شكل گزاره‏هاى «اگر - آنگاه‏» بيان مى‏گردد. - يك ساختار كنترلى: اين ساختار كنترلى كه به نامهاى مفسر قانون يا موتور استنتاج نيز شناخته مى‏شود، وظيفه اعمال و به‏كارگيرى اطلاعات موجود در پايگاه دانش را براى حل مسئله به عهده دارد. - حافظه كوتاه مدت: علاوه بر پايگاه دانش كه به عنوان حافظه بلند مدت تلقى مى‏گردد، حافظه كوتاه مدت ديگرى نيز مورد نياز مى‏باشد تا مراحل مختلف يافتن پاسخ و مسير طى شده از سؤال به جواب را در خود نگه دارد. پيش از پرداختن به معرفى و مرور اجمالى برخى سيتسم‏هاى خبره، مناسب است‏به اين سؤال پاسخ دهيم كه اساسا با وجود برخوردارى از متخصصان انسانى چه نيازى به استفاده از متخصصان مصنوعى (سيستم‏هاى خبره) است. در پاسخ به اين سؤال مى‏توان دلايل متعددى را عنوان نمود. از آن جمله، زمان نسبتا طولانى كه براى بارورى و به ثمر رسيدن يك متخصص انسانى لازم است. با توسعه و گسترش روزافزون معارف و دانشهاى بشرى، كسب معارف گوناگون و احاطه كامل به آنها دشوارتر شده و نيازمند زمان بيشترى خواهد بود. سيستم‏هاى خبره به راحتى قابل تكثير بوده و به‏راحتى قابل انتقال مى‏باشند. از ديدگاه اقتصادى نيز مى‏توان دلايلى را بر شمرد. البته ذكر يك نكته و تاكيد بر آن در اينجا ضرورت دارد و آن اين است كه در كليه زمينه‏هايى كه تا كنون در آنها سيستم‏هاى خبره مورد استفاده و بهره‏بردارى قرار گرفته‏اند، اين سيستم‏ها همواره به عنوان ابزارى دراختيار متخصصان انسانى و مشاورى در كنار آنها و نه جايگزينى براى آنها مطرح بوده‏اند. در ادامه به معرفى اجمالى چند سيستم خبره مى‏پردازيم و در پايان نيز مرورى خواهيم داشت‏بر ساير زمينه‏هايى كه سيستم‏هاى خبره در آنها مورد استفاده قرار گرفته است. DENDRAL سيستم خبره و تحليل‏گر شيميائى: DENDRAL (DENDRITIC.ALGORITHM) اين سيستم يكى ازنخستين نمونه‏هاى موفق سيستم‏هاى خبره است كه در سال 1956(م.) ارائه گرديد. اين سيستم خبره برنامه‏اى است‏براى استنتاج ساختمان مولكولى يك جسم با استفاده از اطلاعاتى كه به عنوان ورودى در اختيار آن قرار مى‏گيرد. اطلاعات ورودى شامل فرمول شيميائى يك ماده، طيف جرمى ماده آلى و اطلاعات مربوط به آن ماده مى‏باشد و DENDRAL با بهره‏گيرى از اين اطلاعات و قوانين موجود در پايگاه دانش خود ساختمان مولكولى ماده مورد نظر را پيشنهاد مى‏كرد. در حالى كه اين سيستم خبره موفق نمى‏شد كه يك ساختمان مولكولى واحد و منحصر به فرد را بيابد، ليستى از محتمل‏ترين ساختارهاى ممكن را با احتمال نسبى هر يك ارائه مى‏داد. شايد بزرگترين دستاورد اين سيستم خبره نشان دادن توانايى رايانه‏ها در ارائه نقش يك متخصص در يك زمينه خاص و محدود بود. اين سيستم قادر بود در حد يك دكتراى شيمى يا حتى بهتر عمل نمايد. MACSYMA سيستم خبره رياضى: (MACSYMA) كه در سال 1969(م.) براى كمك به رياضيدانان، دانشمندان و مهندسان در حل مسائل رياضى طراحى و پياده‏سازى گرديد، يك سيستم مبتنى بر دانش مى‏باشد كه بيش از 600 عمليات رياضى مختلف از قبيل مشتق‏گيرى، انتقال‏گيرى، اشتراك‏گيرى، حل دستگاه معادلات و مجموعه عمليات ماتريسى و بردارى را مى‏تواند انجام دهد. اين سيستم با برخوردارى از يك پايگاه دانش قوى، امروزه نيز مورد استفاده صدها محقق و پژوهشگر مى‏باشد و هم به صورت تجارى و هم بر روى شبكه ARPANET ارائه مى‏گردد. prospector سيستم خبره زمين‏شناسى: اين سيستم خبره به منظور تصميم‏گيرى در مورد مسائل كاوش معادن در سال 1978(م.) طراحى شده است. در اين سيستم از ساختارى به نام شبكه استنتاج براى نمايش پايگاه داده‏ها استفاده شده است. از ويژگيهاى اين سيستم، امكان استفاده از ورودى‏ها با درجات مختلف درستى مى‏باشد. اين درجات از 5- براى «قطعا نادرست‏» تا 5+ براى «قطعا درست‏» مى‏باشد و سيستم تصميمات خودرا نيز مى‏تواند به همين ترتيب دسته‏بندى نمايد. همچنين اين سيستم خبره قادر است در باره تصميمات و نتايجى كه به آن مى‏رسد توضيح داده و استدلال نمايد. از ديگر سيستم‏هاى خبره مى‏توان به mycin در تشخيص بيماريهاى عفونى خونى و XCON كه سيستمى ست‏براى تعيين پيكربندى رايانه اشاره كرد كه هر كدام با موفقيت‏به مرحله استفاده تجارى نيز رسيده‏اند. علاوه بر كاربردهاى فوق، سيستم‏هاى خبره در زمينه‏هاى متنوعى از قبيل كشاورزى، شيمى، سيستم‏هاى رايانه‏اى، الكترونيك، مهندسى، زمين‏شناسى، مديريت اطلاعات، حقوق، ساخت و توليد، پزشكى، هواشناسى، علوم نظامى، فيزيك، كنترل و فن‏آورى فضائى مورد استفاده قرار گرفته است. آنچه كه در پايان وبه عنوان نتيجه‏گيرى مى‏توان مطرح كرد اين است كه علوم اسلامى و بويژه فقه اسلامى داراى كليه ويژگيها و مشخصات لازم جهت ايجاد زمينه‏اى فعال و پويا در پژوهشهاى علوم رايانه‏اى و استفاده از فن‏آورى سيستم‏هاى خبره در ايجاد ابزارى مؤثر جهت ارائه خدمات به محققان و دانشمندان علوم اسلامى مى‏باشد. اميد است كه تلاش در راه نيل به اين هدف بسترى مناسب جهت تحقق آرمان والاى وحدت حوزه و دانشگاه به وجود آورد. منابع: 1- "ArtificialIntelligence:Aknowledge-Based Approach",by Morris W. Firebaugh, 1988 2- "Artificial Intelligence:A modern Approach",by Russel & Norvig. 1995.

اين هم از مقالات مرتبط:

The Basics of Expert (Knowledge Based) Systems

Extreme Programming of Knowledge-Based Systems

Knowledge-Based System for River Water Quality Management

An Evaluation of Knowledge Base Systems for Large OWL Datasets

Developing Knowledge-Based Systems with MIKE

سلام
خيلي از لطفتون ممنون. بسيار بسيار زياد. خيلي زحمت كشيديد اما ....
اينها واقعا مطالب مفيدي هستند. اما مطلب مورد نظر بنده را پوشش نمي دهند. من تا همين حد مي دانم كه سيستمهاي مبتني بر دانش جزئي از سيستمهاي خبره هستند. در بين تمامي اين مطالبي كه شما زحمت كشيديد و براي بنده گذاشتيد يك اسلايد بود كه در مورد اين سيستمها بود وليكن خيلي كلي نوشته و نمي شه از اون مطالب بيشتر در آورد. من يكشنبه ارائه دارم و اين ارائه 3 نمره داره. اگه شما يا كس ديگري مي تونه مرا راهنمائي كنه خيلي ممنون مي شم

دوست عزيز مطالب اينترنت همين ها هستند!
و واقعاً هم ميشه با ترجمه و مطالعه همين اسلايدها و مقالات براي اين ارائه 3 نمره اي آماده شد و ارائه اي جذاب هم داشت:)
ولي در صورتي که ميخواهيد به جزئي ترين مسائل هم بپردازيد! بايد کتابي مرتبط مطالعه کنيد
و بنده اطلاع جامعي از کتابها ندارم که بتوانم شما را راهنمايي کنم.

سلام
از لطف بي دريغتان بي نهايت سپاسگزارم. در مورد اينكه فرموديد با همين مطالب مي شود يك ارائه خوب داد شايد حق با شما باشد. اما بعضي از مطالب را بايد خودمان با عمق بيشتري بدانيم تا بتوانيم به ديگران ارائه كنيم.
حالا من مي خواهم از اين فرصت استفاده كنم و شانس خودم را امتحان كنم و چند سوال از شما بپرسم(البته ببخشيد).
شما مي دونيد اجزاي اين سيستم چه كارهائي انجام مي ده؟ ارتباط بين اجزا وتعريفي براي هر جز اون مي دونيد در اختيار من بگذاريد؟ يا راهنمائي كنيد.
http://mytasvir.com/photo/gallery/24b2a90488812e.jpg

سلام
اگر انشاء الله سوال قبل بنده را پاسخ داديد، جسارتا" تعريفي از دانش هم مرحمت فرمائيد

با سلام. می خواستم بدونم شما مطلب یا مقاله ای در رابطه با اکتساب دانش دارید. یا نمونه از سیستمهای dss به همراه مستنداتش که قابل ترجمه باشد.