سیستم های خبره

چكيده مؤلف
هوش مصنوعي دانش ساخت ماشين ها يا برنامه هاي هوشمند است تعريف ديگري كه ازهوش مصنوعي مي توان ارائه داد به قرارزيراست :
هوش مصنوعي شاخه ا ي است ازعلم كامپيوتركه ملزومات محاسباتي واعمالي همچون ادراك (perception ) –استدلال (reasoxing ) –يادگيري (Learning ) را بررسي مي كندوسيستمي جهت انجام چنين اعمالي ارائه مي دهد.

وهمچنين مطالعه روش هايي است براي تبديل كامپيوتربه ماشيني كه بتواند اعمال انجام شده توسط انسان راانجام دهد.آيا تنها اين نكته كه هوشمندترين موجودي كه مي شناسيم انسان است كافي است تا هوشمندي را به تمام اعمال انسان نسبت دهيم اما حداقل توجه به اين نكته كاملاً واضح ، لازم است كه برخي از جنبه هاي ادراكي انسان مثل شنيدن و ديدن كاملاً ضعيف تر از موجودات ديگر است .

هوش مصنوعي فن آوري پيشرفته ا ي است كه اخيراً از سوي محققان علوم مختلف مورد توجه زيادي قرار گرفته است و هوش مصنوعي در واقع روشي است كه زيربناي لازم براي انجام عمليات هوشمند توسط انسان توسط كامپيوتر را فراهم مي آورد. يكي از كاربردهاي عمومي هوش مصنوعي سيستم هاي خبره هستند.

سيستمهاي خبره ابزارهاي كامپيوتري هستند كه همانند يك متخصص در حوزه تخصصي خود در مسائل مربوط به آن حوزه مشاوره مي دهند و در صورت لزوم تصميم گيري مي نمايند . كاربردهاي اصلي هوش مصنوعي عبارتند از :
الف) پردازش زبان طبيعي (ترجمه ، خلاصه سازي ، محاوره زبان طبيعي)
ب) اثبات قضايا (اثبات وجود /عدم وجود ويژگي هاي مورد نظر)
ج) سيستم هاي بنيادي د) پردازش صوت و تصوير

هـ) برنامه ريزي و هدايت رباط و) سيستم هاي خبره ز) عامل هاي نرم افزاري
در طراحي و ساخت سيستم هاي خبره افراد زير به صورت گروهي با هم كار مي كنند.
الف)متخصص دامنه: كسي كه دانش و فن كافي در زمينه خاصي را دارد .
ب) مهندس دانش: شخصي كه طراحي، ساخت وآزمايش سيتم خبره را به عهده دارد.
ج) كاربر: شخصي كه با سيستم كارخواهد كرد و پذيرش نهايي سيستم بستگي به نظر او دارد.

اما از مزاياي سيستم هاي خبره مي توان به موارد زير اشاره كرد:
۱- همواره در دسترس است در حالي كه متخصص تنها عموماً در ساعات خاصي از شبانه روز قابل دسترس مي باشد.
۲- از نظر جغرافيايي متخصص در هر لحظه ، تنها مي تواند در يك محل حضور داشته باشد در حالي كه يك سيستم خبره قابل نسخه برداري بوده و در هر لحظه مي تواند در چندين محل از آن استفاده كرد.
۳- متخصص ممكن است بر اثر عواملي گوناگون مانند، ترك سازمان ، بازنشستگي ، مرگ و مير و …پس از مدتي امكان ادامه فعاليت نداشته باشد و غير قابل جايگزين باشد در صورتي كه سيستم خبره قابل جايگزين است.

۴- سيستم هاي خبره معمولاً رفتارهاي يك نواختي دارند و تحت تأثير زمان و مكان قرار نمي گيرند .
۵- در انجام كارهاي تكراري عموماً سرعت بالاتري دارند يك معماري سيستم هاي خبره از قسمت هاي زيرين تشكيل شده است: الف) پايگاه دانش
ب) موتور استنتاج ج) واسط سازنده و)برنامه هاي جانبي ز) تشريح نتايج
با سپري شدن ۵ نسل الكترونيكي از لامپ خلأ تا اختراع و استفاده روزافزون از تراشه (spu) بشر خلاق و مبتدع در صدد شكافتن علوم انفورماتيك و دسترسي به نسل ششم يعني رايانه هاي هوشمند است . در زمينه توسعه بازيها در هوش مصنوعي وسيستم هاي خبره تا حدي به بازي شطرنج پرداخته شده كه غالباً عده ا ي هوش مصنوعي را با شطرنج همزمان به خاطر مي آورند.

مك كارتي از بنيان گزاران هوش مصنوعي است اين روز را آنقدر اغراق آميز مي داند (زيرا اين روز آنقدر سرعت در حال پيشرفت است ) كه مي گويد: محدود كردن هوش مصنوعي به شطرنج مانند اين است كه علم ژنتيك را از زمان داروين تا كنون تنها محدود به پرورش لوبيا كرده باشيم.

اما در مورد سيستم هاي خبره يا همان هوش مصنوعي در زمينه كاربردي تا كنون به كار گرفته شده است كه تعدادي از اين زمينه ها عبارتند از : كشاورزي، تجارت، شيمي، ارتباطات، كامپيوتر، آموزش الكترونيك، مهندسي محيط ، زمين شناسي ، تصوير پردازي، اطلاعات، حقوق، ساخت و ساز، رياضيات، پزشكي، هواشناسي و…
در ساخت سيستم هاي خبره و طراحي آن افراد بايد به صورت گروهي كار كنند سپس مي بينيم كه توجه به سيستم هاي خبره در عصر تكنولوژي وپيشرفت براي عقب نماندن از دنياي متمدن امروزي لازم است .

مقدمات هوش مصنوعي
تحقيق در مورد هوش مصنوعي در دهه ۱۹۴۰ كه مصادف با پديدار شدن اولين نسل از كامپيوتر ها در مراكز تحقيقاتي بود ، شروع شد.
اصول اوليه ماشين منطق كه در رياضيات پايه ريزي شده بود با تلاش كرت گاول ، آلوتز و چرچ ، آلن تورنيگ مهيا شد . همچنين روايت هدراسل در سال ۱۹۱۳ به توليد روشهاي صوري در استدلال منطقي كمك هاي شاياني كرد .

تحقيق عمده همه اين افراد روي موضوع حسابهاي احتمالي و پشنهادي متمركز شد.
اين منطق صوري و نمادين به عنوان يك بخش مهم و قابل توجه در سيستم هاي هوش مصنوعي نشان داده شد . تورنينگ در سال ۱۹۵۰ ميلادي ماشيني را توسعه داد كه ثابت مي كرد يك پردازشگر ساده عددي مي تواند علامتها را به خوبي اعداد بدون نقص و صحيح ، پردازش كند و به كار ببندد. او اين مسأله را كه براي مقايسه هوش ماشين و هوش انسان مورد استفاده قرار گرفت در آزمايشي به نام تست تورنيگ آشكار ساخت. بدين ترتيب تا سال ۱۹۵۶ ميلادي كه جان مك كارتي براي نخستين مرتبه اصلاح هوش مصنوعي را در يك كنفرانس (كه در كالج دارت موث آمريكا برگزار شد) مورد استفاده قرار داد، اصطلاح هوش مصنوعي وجود نداشت .

دانشمندان متعددي كه مشغول كار و بررسي اين زمينه نوين مطالعه بودند در كنفرانس گرد هم آمدند و تصميم آنها براي سازماندهي جديد اين علم چنان بود كه اعلام كردند در ۲۵ سال آينده، كامپيوتر ها تمام كارها را انجام خواهند داد و فعاليت هاي ما تنها به كارهاي تفريحي محدود خواهد شد. و ۲۵ سال بعد، همين زماني است كه ما در آن هستيم و پرواضح است كه اين قبيل پيشگويي ها از روي خوش بيني بوده و هوش مصنوعي اين توقعات را برآورده نكرده است.

يكي از عمده ترينو قابل توجه ترين برنامه هاي هوش مصنوعي منطق تئوري يا منطق علوم نظري نوول، شاو و سايمون در سال ۱۹۶۳ بود. اين برنامه قادر بود ۳۸ قضيه از ۵۲ قضيه وايت هل راسيل (سال ۱۹۱۳) را در رياضيات پايه اثبات كند. تعدادي از اين برنامه ها در يك تراز، صلاحيت استعداد دانش آموزان فارغ التحصيل نشده را در رياضيات نشان مي دادند و بايد گفت هنگاميكه زبان كامپيوتري را براساس منطق بولين(دوگانه)درنظر بگيريم،اين امركاري خارق العاده نمي باشد.

برنامه هاي هوش مصنوعي براي حل مسائل عمومي
بعد از سال هاي ۱۹۵۰ ميلادي، محققين هوش مصنوعي سعي نمودن روش هايي براي حل مسأله براساس استدلال هاي بشر ، ارائه نمايند . چنين پروژه ا ي در سال ۱۹۷۶ به وسيله نوول و سايمون توسعه يافت كه به عنوان الگوريتم هاي حل مسائل عمومي يا (GPS)شناخته شد .
يك مسأله مشخص در GPS با اصطلاحاتي از قبيل حالتهاي موجود، حالت اوليه و حالت نهايي توصيف مي شود . به عنوان مثال دربازي شطرنج ، عملگرها ، قوانيني هستندكه مهره هاي مختلف را قادر مي سازند از يك حالت به حالت ديگر منتقل شوند . مسائل اين چنيني بايك جستجوي فضاي حالت مشخص مي شوند .

مسئله فوق يكي از مسائل اصلي هوش مصنوعي در كاربردهاي امروزي مي باشد كه بعداً راجع به آن بحث خواهد شد.
GPS در زمينه هاي گوناگون حل مسئله از قبيل اثبات قضايا ، محاسبات انتگرال و انواع خاص از جداول منطقي موفق بود. با وجود اين موفقيت ها به دو دليل اين استراتژي عمومي رد شد : اول، جستجوي فضاهاي مسأله ها، رشد يافته ، خيلي عمومي و كلي شد كه انفجار تركيبي نام گرفت . دومين مشكل، بيان چگونگي حل مسأله بود ، مسائل رياضي نسبتاً به راحتي نمايش و توصيف مي شدند اما بيان و نمايش مسائل زندگي روزمره بسيار سخت و باورنكردني بود. بنابراين در سالهاي ۱۹۶۰ ميلادي ، تحقيقات هوش مصنوعي به جهتي سوق پيدا كرد كه الگوريتم هاي جستجو و تكنيكهاي بيان دانش بهبود يابد .

پيدايش KBS
يكي از كمبودهاي راه حل مسائل عمومي اين بود كه اندازه مسئله بزرگ شد.بنابراين فضاي جستجوبه وجود آمده بطورقابل توجهي رشد كردبنابراين تنها با ساخت برنامه هايي كه كمترعمومي هستند وتمركزروي دانش خاص مسسئله مي توانيم اين قبيل فضاي جستجورا كاهش دهيم .ازاين رويك عرصه جديد براي تحقيق درسال ۱۹۷۰ پديدارشدوواترمن (۱۹۸۶) يك برنامه هوشمند با عالي ترين كيفيت ودانش مشخص دردامنه مسئله ايجاد نمودكه لنات وگودها بعداً درسال ۱۹۹۱آن را اصل دانش ناميدند.

آنها اين مسئله را به شرح زيربيان كردند: اگربرنامه ا ي كارپيچيده ا ي رابه خوبي اجراكند، آن برنامه مي بايست راجع به محيطي كه درآن عمل مي كند، دانسته هايي داشته باشد. درنبود دانش، همه آنچه كه مشخص مي شود براساس جستجو واستدلال است كه كافي نيست . اززماني كه اولين محصول پايگاه هاي دانش پديدارشد ،

يك شاخص درمحدوده هاي زندگي واقعي به حساب مي آمد. مانند تشخيص بيماري هاي عفوني ويا پيشگويي ذخايرمعدني درمناطق جغرافيايي مختلف دنيا.اين تاريخچه ا ي ازآزمايش برروي مسائل زندگي واقعي بود تا بفهميم كه آيا تصورات با سعي وتلاش قابل دسترسي هستند يا خير؟ سيستم DENDRAL اولين سيستم در اين دسته بود كه ساخته شد.كارروي اين سيستم در سال ۱۹۶۵ ميلادي بامدريت ادوارد فيگن باوم (۱۹۸۲) شروع شد. اين سيستم به اين دليل به كار گرفته شد تا ساختارهاي شيميايي ذرات ناشناخته را معين كند. اين سيستم ها براي حل مسائلي به كار برده شدند كه نياز به سرويس دهي يك خبره داشتند بنابراين به عنوان سيستم هاي خبره شناخته شدند.

همچنين اين سيستم ها به عنوان سيستم هاي مبتني بر دانش يا سيستم هاي دانش شناخته مي شوند. به اين دليل كه سيستم ها داراي دانش مربوط به محدوده هايي خاص مي باشند. سيستم هاي خبره تجربي (مبتني بر تحقيق) در جدول ۱-۱ آمده است.
جدول ۱-۱ برخي سيستم هاي خبره تجربي
محدوده كار سال مبدأ نام
ساختارهاي مولكولي داده شده راروي اجزاءتشكيل دهنده كشف مي كند. ۱۹۶۵ دانشگاه استانقفورد آمريكا DENDRAL
يك برنامه وسيع جذاب كه انواع متفاوت ازمسايل رياضي راحل مي كندو حساب انتگرال را در بر مي گيرد ۱۹۶۸ هيت – آمريكا MACSYMA
زمين شناسان در اكتشافات معدني كمك مي كند. همچنين مي تواند يافته هاي زمين شناسان را در منطقه مهم پيشگويي كند ۱۹۷۴ موسسه تحقيقاتي استانفورد PROSPECTOR

يك سيستم پزشكي بي سابقه براي كمك به پزشكان در انتخاب آنتي بيوتيك هايي براي كنترل عفونت هاي پيشرفته و شديد. ۱۹۷۶ دانشگاه استانفورد
آمريكا MYCIN
در ساختار كامپيوترهاي بزرگ Dec Vax كاربرد دارد ۱۹۸۰ DEC XCON

ظهور سيستم هاي خبره تجاري
بسياري از سيستم هاي خبره كه در سال ۱۹۷۰ ميلادي ساخته شده بودند، آزمايشي بودند و اساساً به تحقيق دانشگاهي محدود مي شدند. سيستم هاي خبره تجاري تا سالهاي ۱۹۸۰ ميلادي وجود نداشتندو محققان شروع به تبديل سيستم ها از نوع آزمايشگاهي به سيستم هاي تجاري كردند.
سيستم XCON (مك در موت در سال ۱۹۸۲) از جمله اولين اين سيستم ها بود. DEC اين سيستم را در اوايل دهه ۱۹۸۰ ميلادي ساخت كه نمونه ا ي از يك سيستم خبره موفق است. اين سيستم قادر است براساس مبالغ هنگفت سرمايه پس انداز شدة يك شركت امكان برگشت سرمايه و سود را در كوتاه مدت محاسبه نمايد.

XCON يك پيكربندي مشتري با دقت ۹۸% در مقايسه با ۷۰% براي انسان دارد و كاري را كه انسان در يك زمان متعارف بايد به طور كامل انجام دهد، انجام مي دهد. موفقيت XCON شروع يك پيشرفت تجاري براي سيستم هاي خبره بود. در اواخر سالهاي ۱۹۸۰ ميلادي شركت هاي بزرگ و كوچك به ارائه قابليت هاي سيستم خبره اقدام نموده و ترقي كردند.
سرمايه گذاري در دو برنامه مهم هوش مصنوعي كرد. اين اتفاقات در آن زمان باعث ايجاد منافع تجاري با استفاده از هوش مصنوعي و سيستم هاي خبره شد.

هوش مصنوعي در قرن بيست و يكم
هم اكنون چندين پروژه هوش مصنوعي وجود دارند كه جالبترين آنها Cyc است. (لنات وگودها در سال ۱۹۹۱ ميلادي) كه در سال ۱۹۸۴ ميلادي به راه افتاد . Cyc از كلمه Encyclopaedia گرفته شده است. CYC به ذخيره مقدار زيادي از دانش واقعي مبادرت مي ورزد. اين پروژه در شركت تكنولوژي كامپيوتر و ميكروالكترونيك (MCC) در استين و تگزاس پايه گذاري شده و يكي از جاه طلبانه ترين پروژه هاست كه در هوش مصنوعي به عهده گرفته شده است.

راهنما و مؤسس پروژه ، داگ لنات نقل مي كند كه : علت عقب ماندن CYC اين است كه اولين نسل از سيستم هاي خبره فاقد حواس ۵ گانه هستند و اين امر موجب مي شود كه آنها شكننده (ضربه پذير ) باشند. به اين معني كه بسياري از سيستم هاي خبره نسل اول خيلي خوب عمل كردند اما صرفاً به كرانه هاي قلمرو دانش خود محدود شدند .
اين سيستم ها به طور مشهود قادر به پاسخگويي در جهان واقعي نخواهند بود وازاين روسيستم هاي انساني بيشتر مورد استفاده قرار مي گرفتند. چرا كه آن سيستم ها هيچ مزيتي نداشتند.

جدول ۱-۲ : پيشرفت سيستم هاي خبره ازسال ۱۹۹۰ تاكنون
شرح سال تكميل توسعه دهنده نام
يك سيستم خبره زمانبندي كه چرخه عمليات رابراي فضاپيماي شاتل ازيك پروازتا پروازبعدي زمانبندي مي كند. ۱۹۹۳ NASA,USA GPSS
طرح يك سيستم خبره كه براي نيازمنديهاي مشتري بكاربرده شده وبرمبناي استدلال عمل مي كند. ۱۹۹۲ Nippon steel ,Japan NSSP
سيستم خبره نمايش كه توسط بانك Barclays براي تشخيص كلاهبرداري دركارتهاي شناسايي استفاده مي شود. ۱۹۹۲ Touche Ross, UK FRAUDWATCH

سيستم خبره كه براي برنامه ريزي منطقي بكارمي رود. ۱۹۹۰ DARPA , USA DART
سيستم خبره كنترل فرآيند كه براي كنترل انرژي مصرفي درتوليد بكارمي رود. ۱۹۹۱ Blue Circle pic , UK LINKMAN

سيستم هاي خبره بعد ازگذشت ۱۵ سال سود قابل توجهي براي سازمان ها آورده اند . برخي ازمحيط هاي موفق درزيرآمده است .
 تشخيص (سيستم MYCIN )
 طراحي (سيستم NSPP )
 برنامه ريزي (سيستم DART )
 پيكربندي (سيستم XCON‌)
 زمانبندي ( سيستم GPSS )

انسان متخصص درمقايسه با سيستم هاي خبره
با وجود اين موفقيت ها،چندمثال ازشكست هاي سيستم خبره وجوددارد.كاربردمناسب سيستم هاي خبره براي يك پروژه خاص درفصل هاي بعدي بحث خواهدشد.به هرحال مزايا ومعايب سيستم هاي خبره وانسان متخصص مي تواند به صورت جدول ۱-۲ خلاصه مي شود.

مزاياي كامپيوتري
 انسان متخصص موقت است . به عنوان مثال انسانها ممكن است تغييرشغل بدهند ويا بيمارشوندوغيره ولي كامپيوتردائمي است .
 انسان متخصص هميشه ثابت قدم نيست. چرا كه انسان مي تواند روزهاي تعطيلي داشته باشديا بعضي اوقات برنامه زماني كاملاً مشغول داشته باشد. وهمه اين عوامل ناسازگارروي انجام كارها تأثيرمي گذارند.كامپيوترها هميشه هستندوبا هرگونه شرائط ناسازگاربطوريكنواخت كارمي كنند.

 انسان متخصص به راحتي قابل انتقال نيست ويك انسان بطورهمزمان نمي تواند دردومكان حضورداشته باشد ولي كامپيوترنسبت به انسان راحتترقابل انتقال است .به عنوان مثال اجراي يك سيستم خبره دريك كامپيوتر مي تواند دريك سايت متفاوت روي كامپيوترهاي ديگرنيزصورت گيردويا حتي ازاينترنت بارگردد.

 هزينه انسان متخصص زياد است . حقوق ماهيانه كارمندان ازبهاي كامپيوترشخصي ، سخت افزاركامپيوترو نيزنرم افزارآن بيشتراست .
مزاياي انسان
 انسان ها خلاق هستند اغلب اوقات الهام بخش هستند ولي كامپيوترها چنين نيستند.
 انسان ها انعطاف پذيرهستند وبه آساني خود را با شرايط وفق مي دهند ويا دانش وتخصص خودرا با قلمرودانش خود بكارمي بندند وتنها دريك محدوده خاص ازمسايل تمركزدارند.

 گرچه سيستم هاي خبره قابليت يادگيري دارند اما درمقايسه با انسان قدرت يادگيريشان بسيارضعيف مي باشد.
فوائد سيستم هاي خبره
فوائد سيستم هاي خبره مي تواند ، هم درسازمان وهم درانجام كارهاي انفرادي وشخصي درون سازمان مشاهده شود .
مزاياي سازماني سيستم هاي خبره
 نگهداري دانش : دانش هميشه موجود است . برخلاف انسان متخصص كه ممكن است جريان كاررا عوض نموده ويا كناره گيري كندوغيره.
 توزيع دانش : دانش مي تواند درشركت هاي مختلف ويا درجاي ديگردنيا توزيع شودواين كاربا به كارگيري شبكه ها وبا تكثيرسيستم هاي خبره روي سخت افزارانجام مي شود.

 آموزش: درشرح قابليت هاي سيستم خبره ، كاربران مي توانند زنجيره استدلال تصميماتشان راببينند ودركي بهتر ازمسأله بدست آورند.
 رقابت : سيستم هاي خبره معمولاً‌به شركت ها يك لبه رقابت آميزمي دهند كه باعث افزايش سرعت پاسخ دهي ودقت تصميمات وغيره مي شود.
 كاهش قيمت : قيمت ايجاد اجزا به وسيله كاربر پايين تراست. چون كامپيوترها هزينه زيادي را براي به اشتراك گذاري دانش خود صرف نمي كنند.
مزاياي فردي سيستم خبره
 دسترسي به دانش :متخصص خبره همواره برروي سخت افزارهركامپيوتر قابل استفاده است.
 آموزش : ارزش آموزش مي تواند يك مزيت براي كارفرما وكارمند باشد.

 سازگاري : كاربر خواهد دانست كه خبره جايزالخطا نيست واين طورنيست كه سيستم خبره روزهاي تعطيل داشته يا احساس بيماري كندويا اينكه خيلي چيزهاي ديگردرفكرش باشد.
سيستم هاي خبره به عنوان سيستم هاي پشتيباني تصميم گيري

سيستم هاي پشتيباني تصميم گيري (DSS ) 1يك شاخه ازتحقيق درعمليات (OR) 2هستندكه به استنتاج نيازدارندوبراي مسايل مديريت پيچيده تكنيك هاي كمي رابكاربرده ، به محاسبات طولاني وپيچيده نيزنيازدارند. سيستم هاي پشتيباني تصميم گيري (DSS ) رسماً‌ به عنوان كاربرد OR درمديريت مراحل مختلف تصميم گيري تعريف شده اند . مشخصات اصلي سيستم هاي پشتيباني تصميم گيري (DSS ) به شرح زيراست :
 استفاده ازتكنيك هاي OR به وسيله نرم افزارهاي پردازش اطلاعات .
 اصلاح فرآيند تصميم گيري درمديريت با گسترش توانايي مديراني كه اين تصميمات
ـــــــــــــــــــــــــــــــــــــــــــــــــــ
Decision Support System -1
Operating Research-2

راگرفته اند.
 كمك كردن به مديريت به وسيله بررسي مسائل غيرساخت يافته (مسائلي هستندكه نمي توانند صرفاً با تكنيكهاي OR ساخت يافته حل شوند).
تفاوت بين سيستم هاي خبره وسيستم هاي پشتيباني تصميم گيري

اكثرافراد DSS وسيستم هاي خبره را باهم اشتباه مي كنند. DSS ازكاربردand/or براي پردازش داده توسط تكنيك هاي OR پشتيباني مي كند. سيستم هاي خبره دراين موارد خودشان مي توانند تصميمات رااتخاذكنند. همچنين مشخصه هاي ديگري براي سيستم هاي خبره به شرح زير وجود دارد:
 راه حل هاي خبره براي مسائلي كه احتياج به تكنيك هاي بهينه سازي رياضي دارند، كاربرد ندارندولي اين راه حل هادرسيستم هاي پشتيباني تصميم گيري بكارمي روند.

 سيستم هاي خبره مي توانند درمسائلي كه ذكراهداف ومسائل درآنها مشكل است بكارروند.
 سيستم هاي خبره براي اخذ پيشنهادات متناوب جهت پردازش راه حل مسئله بسيارمؤثرهستند. اين پيشنهادات ممكن است هرچه راكه دردستورورود وخروج نوشته شده است دربرگيرد واين مسئله ازقابليت استدلال سيستم هاي خبره ناشي مي شود.
سيستم هاي پشتيباني تصميم گيري (DSS) اغلب به انسان درتصميم گيري درمورد تحليل هاي كيفي يا كمي كمك مي كنند، درحالي كه سيستم هاي خبره سعي درجانشيني انسان متخصص دارند. تفاوت هاي بين DSS وسيستم هاي خبره درجدول ۱-۳ به صورت خلاصه ذكرشده است .

جدول ۱-۳ تفاوت هاي بين DSS وسيستم هاي خبره
سيستم هاي خبره (DSS) سيستم هاي پشتيباني تصميم گيري مشخصات
جايگزين توانايي هاي انسان كمك درتصميم گيري اهداف

انتقال تخصص نصميم گيري جهت يابي عمده
سيستم كاربروسيستم AND/OR سازنده تصميم
محدود بزرگ – پيچيده قلمرومسئله
بسته باز ديدگاه نياز

سيستم نيازمندي هاي بشر نيازمندي هاي بشر جهت گيري نيازمندي
سمبليك سمبليك – عادي عمليات روي داده
– گسسته مدل هاي رياضي

تمرينات
۱- سرويس هاي مديريت درگذشته براي مسائل پيچيده ازقبيل زمان بندي وبرنامه ريزي به تكنيك هاي رياضي پايبند بوده اند.چرا اكنون به جاي آن تكنيك سيستم هاي خبره به كاربرده ميشوند؟

۲- فكرمي كنيد چه چيزنرم افزاركامپيوتررا هوشمند خواهدكرد. توضيح دهيد.
۳- درواثر منفي ومؤثر درتوسعه تكنيك هاي هوش مصنوعي رابيان كنيد.
۴- چرا برنامه حل مسأله عمومي دراين فصل درابتدا مورد بحث قرارگرفت ؟

خلاصه مطالب فصل اول
تحقيق درمورد هوش مصنوعي دردهه ۱۹۴۰ كه مصادف با پديدارشدن اولين نسل ازكامپيوترها درمراكزتحقيقاتي بود، شروع شد.
يكي از عمده ترينو قابل توجه ترين برنامه هاي هوش مصنوعي منطق تئوري يا منطق علوم نظري نوول، شاو و سايمون در سال ۱۹۶۳ بود. اين برنامه قادر بود ۳۸ قضيه از ۵۲ قضيه وايت هل راسيل (سال ۱۹۱۳) را در رياضيات پايه اثبات كند.
بسياري از سيستم هاي خبره كه در سال ۱۹۷۰ ميلادي ساخته شده بودند، آزمايشي بودند و اساساً به تحقيق دانشگاهي محدود مي شدند.
سيستم XCON (مك در موت در سال ۱۹۸۲) از جمله اولين اين سيستم ها بود. DEC اين سيستم را در اوايل دهه ۱۹۸۰ ميلادي ساخت كه نمونه ا ي از يك سيستم خبره موفق است.

هم اكنون چندين پروژه هوش مصنوعي وجود دارند كه جالبترين آنها Cyc است. Cyc از كلمه Encyclopaedia گرفته شده است. CYC به ذخيره مقدار زيادي از دانش واقعي مبادرت مي ورزد.
مزاياي كامپيوتري
 انسان متخصص موقت است .
 انسان متخصص هميشه ثابت قدم نيست.
 انسان متخصص به راحتي قابل انتقال نيست ويك انسان بطورهمزمان نمي تواند دردومكان حضورداشته باشد ولي كامپيوترنسبت به انسان راحتترقابل انتقال است .

 هزينه انسان متخصص زياد است .
مزاياي انسان
 انسان ها خلاق هستند.
 انسان ها انعطاف پذيرهستند
 گرچه سيستم هاي خبره قابليت يادگيري دارند اما درمقايسه با انسان قدرت يادگيريشان بسيارضعيف مي باشد.
فوائد سيستم هاي خبره

 نگهداري دانش  توزيع دانش  آموزش رقابت  كاهش قيمت
مزاياي فردي سيستم هاي خبره
 دسترسي به دانش  آموز ش  سازگاري
سيستم هاي پشتيباني تصميم گيري (DSS ) يك شاخه ازتحقيق درعمليات (OR) هستندكه به استنتاج نيازدارندوبراي مسايل مديريت پيچيده تكنيك هاي كمي رابكاربرده ، به محاسبات طولاني وپيچيده نيزنيازدارند.

تفاوت بين سيستم هاي خبره وسيستم هاي پشتيباني تصميم گيري
 راه حل هاي خبره براي مسائلي كه احتياج به تكنيك هاي بهينه سازي رياضي دارند، كاربرد ندارندولي اين راه حل هادرسيستم هاي پشتيباني تصميم گيري بكارمي روند.
 سيستم هاي خبره مي توانند درمسائلي كه ذكراهداف ومسائل درآنها مشكل است بكارروند.
 سيستمهاي خبره براي اخذ پيشنهادات متناوب جهت پردازش راه حل مسئله بسيارمؤثرهستند.

سيستم هاي خبره چه هستند؟
يك سيستم خبره، برنامه ا ي است كه سعي مي كندازانسان متخصص، دراستفاده درروش هاي استنتاج براي يك قالب معين ازدانش تقليد كند. اين قالب ازدانش حوزه ناميده مي شود اينكه فرق بين داده ها، اطلاعات ودانش معلوم باشد بسيارمهم است . داده ، چيزي بيشترازيك دسته نشانه هاي الفبايي نيست. درزيريك سري ازداده ها را مي بينيم .
a.6
b.6.0
c.-6
d.Oasis

ليست فوق يك گروه ازنشانه ها مي باشندكه به تنهايي معنايي ندارند وفقط زماني معني مي دهند كه زمينه يا متني به آنها اضافه شودكه دراين صورت اطلاعات ناميده مي شوند. آيتم هاي فوق درزير، به اطلاعات تبديل شده اند:
a.f6
b.6.0 جوايزمسابقات را يادآوري مي كند.
cْc.-6 ‎
d.Oasis يك گروه نوازنده معروف درانگلستان هستند.

هرآيتم درليست فوق ازيك سري مشخصه هاي الفبايي(داده)به يك سري اطلاعات معني دارتبديل شده اند. به اين صورت كه علامت f دركاراكتر a به مبلغي ازپول اشاره مي كند . كاراكترb علامت هاي داده، دربعضي مسابقات را نشان مي دهد. كاراكترc ، به يك دماي خيلي سرد اشاره مي كند. وآيتم هاي نهايي كه يك گروه نوازنده معروف درانگلستان كه Oasis ناميده مي شود اشاره مي كند. حال به آيتم هاي زيرتوجه كنيد

.اين آيتم ها دانش است كه ازراه تجربه وآزمايش بدست آمده اند. ملاحظه كنيد كه هربخش ارتباط بين فرضيه ها وقواعد رابراي عمليات روي آن ها، بيان مي كند.
.a هوا باراني است وبه اين دليل من خيس خواهم شد.
.b دما c ْ۶۰- است وبنابراين سرد است .
.c موتورماشين داغ است ، پس بايد مورد استفاده قرارگرفته باشد.
Oasis .d نوازنده هايي موفق هستند.

دانش با اطلاعات فرق دارد. اطلاعات غيرفعال بوده ، پويا نمي باشند. درحالي كه مفهوم دانش ، فعال است به اين معناكه با توسعه وپيشرفت چيزهايي جديدتوليد مي شود. براي مثال دربخش a ازليست فوق تجربه به ما مي گويدكه اگردرباران بيرون برويم خيس خواهيم شدو ما ازاين اطلاعات كه“خيس خواهيم شد” نتيجه مي گيريم كه هوا باراني است . اين دانش بصورت قواعد نشان داده شده است . به همين صورت بخش d توضيح مي دهد كه Oasis نوازنده هاي معروفي هستند وازدانستن اين دانش استنباط مي شودكه آنها ميليونرهستند (تجربه زيركانه ا ي وجود داردمبني براينكه گروههاي نوازنده موفق معمولاً پولدارمي شوند ).

هوش مصنوعي
يكي ازپيشگامان هوش مصنوعي ماروين مينسكي است . وي هوش مصنوعي را به اين صورت تعريف مي كند:“ زمينه ا ي براي مطالعه است كه سعي مي كنيم سيستم هايي بسازدكه اگربه نتيجه رسيد مردم به عنوان يك سيستم هوشمند به آن توجه كنند”.( مينسكي در۱۹۷۵ ). هوش مصنوعي زمينه گسترده ا ي است كه محدوده هاي كاربردي مختلفي دارد . اين كتاب فقط مربوط به مطالعات سيستم هاي خبره مي باشد.كواوسين درسال ۱۹۹۸ميلادي بسياري از زمينه هاي كاربردي هوش مصنوعي را به صورت جزئي مورد بررسي قرار دارد.

ربات زبان طبيعي سيستم هاي خبره

كاربردهاي هوش مصنوعي سيستم هاي بينايي

اثبات تئوري شبكه هاي عصبي
شكل ۲-۱: برخي كاربردهاي هوش مصنوعي
هيوريستيك (كشفيات ذهني)

سيستم هاي خبره به عنوان يك شاخه هوش مصنوعي مورد توجه قرار گرفته اند چون عمدتاً روش حل مسائل درآن براساس هيوريستيك (كشفيات ذهني) است و اين باروشي كه الگوريتم ها براي حل برنامه ها بكار مي برند متفاوت است .
الگوريتم يك روش گام به گام حل مسأله است . پردازش ليست پرداخت يك شركت، الگوريتم را بكار مي گيرد . استفاده از يك روش گام به گام روي داده و ورودي مثل ساعت كار يك كارمند، در صد اضافه كاري و غيره، خروجي مانند حقوق كارمندان را توليد مي كند.

مراحل الگريتم ، دستكاري مستقيم داده هاي عددي را براي توليد اطلاعات شامل مي شود دستكاري مستقيم داده هاي عددي را براي توليد اطلاعات شامل مي شود. اغلب برنامه هاي معمولي از روش هاي الگريتمي براي حل مسأله استفاده مي نمايند . از سوي ديگر هيوريستيك يك مسأله را با روش آزمون و خطا و با اتكا به تعدادي منبع براي يك هدف از پيش تعيين شده حل مي كند .

مثال تشخيص نقص كامپيوتر يك مورد براي آن است. همچنين مثال هاي فراوان ديگري نيز وجود دارد كه ممكن است با آن ها مواجه شويم . به عنوان مثال، يك اتو مبيل سواري براي جستجوي جاي پارك در يك پاركينگ چند طبقه الگريتمي را به كار نمي برد و هيچگونه تضميني مبني براينكه يك فضاي پارك پيدا كند، وجود ندارد . راننده ممكن است تا بالاترين طبقه رانندگي كرده و هر سطح را جستجو كند، ولي باز هم هيچگونه تضميني مبني براينكه اين روش جواب خواهد داد ، وجود ندارد .

جستجوي فضاي حالت
راه حل اينگونه مسائل به وسيله جستجو در بين حالات ممكن مي باشد. در مورد مثال نقص كامپيوتر جستجوي كا شامل يافتن علت نقص مي باشد. راه حل اينگونه مسائل به اين صورت است كه بدانيم چه طور از يك حالت اوليه به يك حالت نهايي يا هدف منتقل شويم. به عنوان مثالي ديگر بازي شطرنج را در نظر مي گيريم كه يك حالت اوليه را در بر مي گيرد (تركيب اوليه صفحه بازي) و يك حالت نهايي (مات كردن) .

پيروزي در اين بازي به دانش براي تركيب صحيح جابجايي ها نياز دارد تا به حالت نهايي برسد، كه اين يك جستجو در فضاي حالت ممكن است . فضاي جستجو به صورت ساختاري سلسله مراتبي كه درخت ناميده مي شود ارائه مي گردد. مثال بعدي اين نكته را روشن مي كند.
مثال

فرض كنيد كه فروشنده دوره گردي بخواهد مسيري از حالت اوليه A تا حالت نهايي F از ميان شبكه راههاي نشان داده شده در شكل ۲-۲ پيدا كند. اين حالات مي توانند شهرهاي انگلستان را نشان دهند . به عنوان مثال حالت اوليه (A) مي تواند شهر شفيلد را نشان دهد و حالت نهايي (F) نيز شهر كارديف باشد.

حالت واسط از قبيل B وCو غيره ممكن است شهرهايي باشندكه درميان اين شهرها قراردارند مانند منچستر ، بيرمينگهام و غيره . تمامي شهرها با حروف بزرگ A، B و C و غيره مشخص شده اند.

E D B

G A حالت مبدأ

H F C
حالت مقصد

شكل ۲-۲ : نمودار شبكه راه
از نمودار شبكه راه در شكل ۲-۲ يك نمودار درختي به شكل نمودار ۲-۳ مي توان ايجاد نمود. يك درخت ساختاري ، سلسله مراتبي است كه شامل گره ها و شاخه هايي است كه گره ها را به هم متصل مي كند. از اينرو هر گره در نمودار درختي يك شهر را نشان مي دهد و هر شاخه به عنوان يك راه نمايش داده مي شود. مسير راه حل از حالت اوليه در امتداد شاخه هاي درخت سير مي كند و در گره هاي علامت گذاري شده به حالت نهايي خاتمه مي يابد. توجه كنيد كه دريك مسأله هوش مصنوعي ممكن است بيشتر از يك راه حل داشته باشيم يعني بيشتر از يك راه براي رسيدن به حالت اوليه به حالت نهايي وجود داشته باشد.

تكنيك هاي جستجو
درك اين قضيه مشكل نيست كه باور نماييم فضاي جستجو به همان صورت كه گره ها افزايش مي يابند ، سريعاً بزرگ مي شود. اين امر هميشه در مسائل عمده هوش مصنوعي مثل بازي شطرنج به مثابه مانع بزرگي بوده است . اين پديده افتخار تركيبي ناميده مي شود . افتخار تركيبي باعث گسترش تكنيك هاي هيوريستيك شده است . تكنيك هاي جستجو به دو دسته تقسيم مي شوند. جستجوي كوركورانه و جستجوي هيوريستيك.
A حالت اوليه

C B سطح يك

حالت مقصد F G D سطح دو

E H F E سطح سه
گره گره حالت گره
منسوخ منسوخ مقصد منسوخ
شكل ۲-۳ : درخت جستجو براي شبكه راه فروشنده دوره گرد
جستجوي كوركورانه

با اين تكنيك جستجو، يك طرح تركيبي انتخاب شده و تا زماني كه يك راه حل يافت شود و يا فضاي جستجو به اتمام برسد، مورد استفاده قرار مي گيرد. دراينجا دو روش براي مديريت يك جستجوي كوركورانه وجود دارد روش اول عمق و روش اول پهنا . ودر روش اول عمق جستجو از گره ريشه شروع مي شود و در سطح پايين ترهر گره موجود را مورد بررسي قرار مي دهد. بدين ترتيب جستجو به اتمام مي رسد. وقتي يك گره منسوخ پيدا شود مكانيزم جستجو به عقب بر مي گردد.

بنابراين براي يك جستجو اول عمق در شكل ۲-۳به طور پياپي مسأله انتقال صورت گرفته است. شروع از گره A بوده است و سپس گره B سطح پايين بعدي به حساب آمده و هدف مسأله پيدا نشده است و همچنين گره سطح پايين تر بعدي كه بررسي مي شود ، D مي باشد كه گره هدف نيست و اين جستجو تا سطح پايين تر اين گره نيز ادامه پيدا مي كند و يك گره منسوخ مي رسد(گره E، كه آن نيز هدف نيست) و روش جستجو تا گره B عقبگرد مي كند

.دوباره فرآيند جستجو با پايين رفتن تا سطح بعدي در گره C ادامه مي يابد. هيچ يافت نشده است. بنابراين گره بعدي كه F است بازديد مي شود. و گره هدف مي باشد. اما ساختار روش اول پهنا به اين صورت است كه گره هاي درخت جستجو بوجود مي آيند و سطح به سطح و تا اندازه ا ي عمق به عمق امتحان مي شوند و براين اساس جستجو روي درخت شكل ۳-۲ صورت مي گيرد.

گره B به دنبال گره A بررسي مي شود، گره B هدف نيست ، بنابراين گروه بعدي در اين سطح جستجو مي شود. گره بعدي گره C مي باشد كه اين گره نيز هدف نيست و چون گره ديگري در اين سطح وجود ندارد به سطح بعدي كه با گره D شروع مي شود مي رويم و جستجو مي كنيم و چون گره D هدف نيست گره بعدي موجود در اين سطح كه G است بررسي مي شود و اين نيز هدف نمي باشد. سپس گره F توليد شده كه حالت انتهايي است و روش اول پهنا خاتمه مي يابد.

خود آزمايي
تعداد گره هايي كه توسط روش اول عمق و اول پهنا بررسي شده اند را براي مسأله شكل ۲-۲ بشماريد. كدام روش براي اين مسأله بهتر است ؟ آيا شما مي توانيد درخت ساختار يافته ا ي كه كاربرد روش اول پهنا درآن از روش اول عمق بهتر باشد را پيشنهاد كنيد ؟
جستجوي هيوريستيك (ذهني)

يك جستجوي كوركورانه هيچ استفاده ا ي از دانش (درمورد مسأله ا ي كه مورد بررسي قرار مي دهد) نمي كند. در مسائل پيچيده ، جستجوها اغلب نيازمند تدابير زيادي براي كنترل انفجار تركيبي مي باشند. جستجوهاي هيوريستيك (ذهني) مجدوده خاصي از دانش را براي پيمايش فضاي جستجو به كار مي گيرند اين تكنيك با تكنيك جستجوي كوركورانه كه بدون هيچ توجهي به محدوده دانش به كار مي روند تفاوت دارد . به عنوان مثال دريك بازي شطرنج ، هيوريستيك مي تواند درراهي حركت كند كه بيشترين تعداد مهره ها را از حريف بگيرد.

اگر چه اين قانون ممكن است بعنوان يك “ قانون سرانگشتي ” خوب باشد ولي هميشه موفق نيست. حالت نهايي در يك بازي شطرنج داشتن مهره هاي بيشتر از حريف نيست هرچند كه داشتن مهره هاي بيشتر فرصت هاي پيروزي را بيشتر مي كند . درمسأله فروشنده دوره گرد ، يك روش ساده براي انتخاب مسيرها ، استفاده از يك تابع ارزيابي است . تابع ارزيابي هرگره را ايجاد مي كند و سپس مسيري كه كمترين هزينه را دارد دنبال مي كند.

اين هزينه ممكن است مجموعه هزينه حركت از يك گره به گره بعدي باشد. نوعاً تابع ارزيابي گره ها هزينه را از ريشه تا گره خاصي كه مورد آزمايش قرار گرفته است محاسبه مي كند و با استفاده از مباحث هيوريستيك هزينه را از اين گره تا گره هدف تخمين مي زند . اين روش به منظور تصميم گيري در اين مورد كه آيا دريك مسير پيشروي و يا در مسيرهايي كه قبلاً امتحان شده اند مجدداً سعي نماييم راهنمايي سودمندي مي نمايد.

كاربرد قوانين در نمايش دانش
سيستم هاي خبره به خاطر پردازش دانش با برنامه هاي رايج متفاوت هستند . اين دانش در يك كامپيوتر به صورت قوانين نمايش داده مي شود. قوانين روش هاي هيوريستيك يك انسان متخصص را در بردارند . به عنوان مثال قانوني كه ممكن است توسط يك خبره براي رهن خانه مورد استفاده قرارگيرد عبارت اسا از:
(IF) اگر متقاضي خانه را دوست دارد.
(AND) و خانه ارزش بازديد را دارد .
(Then) سپس متقاضي را براي استفاده از وام راهنمايي كنيد.
قوانين معمولاً به صورت زير بيان مي شوند:
(IF) اگر شرط (ها)
(Theu) سپس عمل (ها)

و عمل ها زماني اجرا مي شوند كه شرط هاي قانون مورد قبول باشند. مجموعه قوانين ايجاد شده در اين روش پايگاه دانش ناميده مي شوند. بسياري از سيستم هاي خبره از قوانين استفاده مي كنند و به اين دليل سيستم هاي متكي بردانش ناميده مي شوند. به هر حال همه سيستم هاي خبره تابع قوانين نيستند . مدلهاي ديگر نمايش دانش عبارتند از : قاب ها، شبكه هاي معنا و منطق كه به صورت متداول مورد استفاده قرار مي گيرند. روش هاي نمايش دانش در فصل ۳ توضيح داده شده است.

استنتاج
هنر واقعي يك سيستم خبره استفاده از ظرفيتش جهت استنتاج است. اين دقيقاً همان چيزي است كه سيستم خبره را هوشمند مي سازد. استنتاج نتيجه گرفتن از مراتبي است كه از پيش بيان شده است.از اينروست كه براي استنتاج بايد شرايطي وجود داشته باشد و نتيجه آن نيز موجود باشد . وجود مختلفي از استنتاج وجود دارند، استنتاج قياسي و استقرايي از مهمترين انواعي هستند كه عموماً به كار مي روند.

استنتاج قياسي
قضاياي (۱) و (۲) و(۳) نشان دهنده يك مثال از استنتاج قياسي هستند . نتيجه( ۳) دراين مثال يك نتيجه منطقي است و مي تواند قياسي از فرضيات (۱) و (۲) باشد. دراين مثال از اطلاعات داده شده، نتيجه استنتاج مي شود. اين استنتاج كه يك نتيجه گيري از فرضيات است به نوعي از استدلال منجر مي شود كه عيناً به شكل قوانين رياضي است. به اين صورت كه اگر مقدمات يا شرايط درست باشند پس مي توان گفت كه نتيجه نيز درست است .

استنتاج استقرايي
حال به قضاياي زير توجه كنيد:
(۴) همه حيوانات غذا مي خورند.
(۵) بنابراين همه كانگوروها غذامي خورند.

درنگاه اول ممكن است به نظرآيد كه نتيجه بالا(۵) يعني “همه كانگوروها غذامي خورند” به صورت قياسي ازقضيه شماره (۴) بدست آمده است . كه اين تصورنادرست است چون داده هاي قضيه درباره اينكه آيا كانگورو يك حيوان است يا نه چيزي نمي گويدوانسان برطبق دانشي كه ازجهان واقعي دارد استنتاج مي كندكه كانگورويك حيوان است .

ازاين رواستنتاج (۵) به اندازه استنتاج (۳) دقت رياضي ندارد. براي اينكه استنتاج (۵) صحيح باشد بايد اينگونه فكركنيم كه“ هركانگورو يك حيوان است ” تا به فرض قطعي (۴) ازطريق دانش حواس پنجگانه برسيم . اين نوع ازاستنتاج كه استنتاج استقرايي ناميده مي شود، دقت رياضي قياس راندارد وبا اين حال درسيستم هاي خبره متداول است زيرا با استنتاج هاي بشري درجهان واقعي جوردرمي آيد.

دانش رويه اي واعلاني
روش حل مسائل هوش مصنوعي وسيستم هاي خبره قطعاً‌ اعلاني است . يعني همه مسائل با تعين اينكه يك راه حل به چيزهايي نيازدارد، حل مي شوند. براي مثال به قضيه زيرتوجه كنيد:
(۶) ديويد تنيس دوست دارد.
۷) هرچيزي كه ديويد دوست دارد ژانيس نيزدوست دارد.

با استفاده ازاستنتاج قياسي به اين نتيجه مي رسيم كه ژانيس نيزتنيس رادوست دارد. قانون ۷ وواقعيت ۶ مارا به اين استنتاج راهنمايي مي كند، اين يك دياگرام اعلاني است . ملاحظه مي كنيدكه نتيجه به وسيله استدلال بدست آمده ومعلوم است كه جواب با يك برنامه كامپيوتري بدست نيامده است . ازجمله زبان هايي كه ازدياگرام اعلاني استفاده مي كنند زبان PROLOG است . كلمه پرولوگ ازكلمات برنامه نويسي ومنطق گرفته شده است (PROGRAMING LOAIC ) كه شامل يك منطق ساختاريافته است تا مسائل رابصورت اعلاني استدلال كند.اين زبان با زبانهاي الگوريتمي رايج كه عمدتاً به چگونگي اجراي يك رويه مي پردازند ، تفاوت دارد.

موتوراستنتاج
حتي موقعي كه قلمرو دانش رابا قوانين نمايش مي دهيم بازهم يك فرد خبره بايد مشخص كندكه كدام قوانين رابراي حل مسئله خاصي بكارمي برد. علاوه براين بايد مشخص كند كه اين قوانين را درچه رده ا ي بكارمي برد به طورمشابه يك سيستم خبره نيازخواهد داشت تا سيستم بگيرد كه چه قانوني ودرچه مورد ورده اي بايد براي ارزيابي انتخاب شود.براي اينكه كارصورت گيرد سيستم خبره يك موتوراستنتاج رابكارمي گيرد. موتوراستنتاج برنامه ا ي است كه قوانين رادرپايگاه دانش تفسيرمي كند تا نتيجه را حاصل نمايد.

دواستراتژي مهم براي سيستم هاي پايگاه قانون بكاربرده شده اند : حركت روبه جلو وحركت روبه عقب يك موتوراستنتاج ممكن است يكي يا هردورا انتخاب كند . دريك موتور استنتاج روبه عقب هدف تعيين مي شود( شناسايي مي شود‌) وسعي مي شود تا هدف با تأييد درستي همه شرايط اثبات شود به عنوان مثال به قانون زيرازسيستم خبره MYCIN توجه كنيد:
(IF ) اگرآلودگي وچرك بدن صددرصد منفي است .
(AND ) وهيكل وريخت بدن قوي است .
(AND ) وسيستم تنفس ناجوروبدون اكسيژن است .

(THEM ) پس مدركي وجوددارد كه دلالت مي كندبدن به اندازه ۸/۰ داراي باكتري است .اثبات اين قانون ازحركت روبه عقب بهره مي گيرد موتوراستنتاج سعي مي كند تا با تحقق بخشيدن هرقضيه نتيجه هرقانون رابدست آورد اين قضايا ممكن است خودشان نتايج قوانين ديگرباشند . درحالت خاص MYCIN بايد چنين عملي رابراي پردازش مشابه درمورد چنين قضايايي انجام دهد ويا ارزش اين قضايا به وسيله كاربر ازطريق مشاهدات تخصصي تأمين شوددراين روش يك زنجيره ازمراحل استنتاج دريافتن ارزش هدف ما را راهنمايي مي كند.

درمقابل يك موتوراستنتاج روبه جلوازطرف ديگرشروع مي كند ودانش را درپايگاه دانش مي يابدوقوانيني را كه ازدانش مي تواند برداشت شود پيدانموده وسپس نتايج آن قوانين را به پايگاه دانش مي افزايد بعدازآن كل پايگاه دانش رامي آزمايد وتحليلش را گزارش مي نمايد ومي تواند تا زماني كه اطلاعات جديد اضافه مي شوند پيشرفت كند. هردوگونه استنتاج روبه عقب وروبه جلودرگيرنده يك زنجيره ازمراحل است كه مي تواند به وسيله سيستم خبره رديابي شود.اين مسئله سيستم هاي خبره را قادرمي سازد تا استدلالشان را توضيح دهند.

امكانات تفسير
يكي ازخصوصيات كليدي سيستم هاي خبره توانايي توضيح استدلال پردازش مي باشد. به هرحال براي بسياري ازسيستم هاي خبره توانايي توضيح ، چيزي به غيرازرديابي نتايجي كه درطول مراحل يك استنتاج توسط سيستم حاصل مي شود، نيست . به اين معني كه امكان تفسيرپردازش ها كاربررا متوجه مي سازد كه سيستم چگونه به اين نتايج رسيده است ، يا اينكه سيستم چرابراي پاسخگويي به يك سؤال خاص درتكاپومي باشد. اين امكانات تفسيركاربر را درفهميدن رفتار سيستم راهنمايي مي كندواين مسئله مهم است ، چرا كه استنتاج بايك متخصص خبره نيزاغلب به مقداري توضيح نيازدارد.

بسياري ازمردم اكثر اوقات جوابهاي يك خبره رابدون توضيح نمي پذيرند . به عنوان مثال ازيك پزشك متخصص تشخيص علت بيماري فرد را انتظارداريم . وي نتايج را توضيح مي دهد چرا كه طبيعتاً‌ تصميم گيري نامطمئن اوممكن است جزئيات بيشتري را بخواهد .گرچه بيمارازهرگونه خطراحتمالي ودرمان هاي پي درپي وغيره آگاه است .همين مسئله درتصميم گيري مديريت نيزاتفاق مي افتد.توصيف صريح خطرات يا توضيح مراحل يك تصميم گيري يا يك پيشنهاد، موضوعاتي هستندكه به عنوان ابزاري براي حمايت ازمديريت مي باشند. درفصل هاي بعد موضوع تفسيررا با جزئيات بيشتري بررسي مي كنيم .

ابزارهاي ايجاد سيستم خبره
زبان هاي تك منظوره اي مانند Lisp , PROLOG جهت توسعه برنامه هاي كاربردي هوش مصنوعي استفاده مي شوند. به هرحال ساخت سيستم هاي خبره با استفاده ازاين زبان ها احتياج به دانش تفصيلي درمورد زبان وكارسخت دارد.به اين دليل برنامه هايي كه پوسته سيستم خبره ناميده مي شوند غالباً‌ براي ساخت سيستم هاي خبره مورد استفاده قرارمي گيرند. پوسته ها(shells ) نقطه شروعي براي ساخت سيستم هاي خبره هستند.

آن ها سيستم هاي خبره ا ي مي باشند كه قوانيني درآن ها وجود ندارد، به اين معني كه توسعه دهندگان فقط برساختارپايگاه دانش تمركزداشته ونگراني بابت قسمت هاي ديگرمثل موتور استنتاج ندارند. اگرچه آنها مي توانند خيلي مفيد باشند، اما پوسته ها براي تبديل يا تغييرمسيركار با توجه به مكانيزم استنتاج ونمايش دانش قابل انعطاف نيستند.

AM براي LEVEL 5 OBGECT , WINDOWS 95 دونمونه ازمتداول ترين پوسته هايي هستند كه درانگلستان استفاده مي شوند. ديگرابزارهاي ساخت سيستم هاي خبره، محيط هاي هوش مصنوعي يا جعبه ابزار(TOOLKIT ) ناميده مي شوند. آنها ابزارهايي هستندكه توسط توسعه دهندگان با تجربه مورد استفاده قرارمي گيرند.نموداري كه درشكل ۲-۴ نشان داده شده است توزيع نرم افزارسيستم خبره به كاربرده شده درانگلستان براساس نوع ساخت را نشان مي دهد(ادوارد ۱۹۹۰ ).

همانطوركه نمودارنشان مي دهدپوسته ها درانگلستان زياد استفاده مي شوند. براي اينكه بسياري ازسيستم هاي خبره ا ي كه درانگلستان توسعه داده شده اند ، سيستم هاي كوچكي هستند وبطوركلي زمان لازم براي توسعه دهندگان نرم افزاركمتراز۳ ماه مي باشد.اما درآمريكا ، سيستم هاي خبره به برنامه هاي كاربردي مجتمع كه بزرگترمي باشندتمايل دارند وزمان لازم براي توسعه آنها ۱۲ ماه يا بيشتراست وبه همين دليل درآنجا بيشتر ازجعبه هاي ابزار(TOOLKIT ) جهت توليد سيستم هاي خبره استفاده مي شود.

شكل ۲-۴ : نمودار استفاده ازابزارهاي مختلف براي توليد سيستم هاي خبره درانگلستان(ادوارد۱۹۹۰ )

واسطه كاربر
واسطه كاربريك سيستم خبره، طبيعتاً بايد از قدرت تبادلي بالايي برخوردار باشد تا ساختار تبادل اطلاعات به شكل گفتگوي يك متقاضي و انسان خبره صورت گيرد. واسط كاربر سيستم خبره نه تنها كاربر را قادر مي سازد تا به سؤالات پاسخ دهد بلكه كاربر را مجاز مي سازدعمليات اجرايي سيستم را با پرسش در مورد توضيحات داده شده قطع نمايد. بنابراين وقتي كه سيتم در حال پرسش يك سؤال از كاربراست، كاربر مي تواند با پرسيدن يك سؤال از سيستم در مورد اينكه چرا سيتم اين سؤال را پرسيده است ، كار را متوقف نمايد.