«سیستم خبره» (Expert System) یکی از حوزه‌های مهم «هوش مصنوعی» (Artificial Intelligence) تلقی می‌شود. این نوع سیستم‌ها در حل مسائلی کاربرد دارند که به دانش تخصصی و استنتاج منطقی بر اساس داده‌ها و تجربه‌های پیشین نیازمند هستند. در مطلب حاضر به این پرسش پاسخ داده می‌شود که سیستم خبره چیست و از چه اجزایی تشکیل شده است. همچنین، در ادامه به کاربردها، ویژگی‌ها، مزایا و معایب این نوع سیستم‌ها پرداخته خواهد شد.
سیستم خبره چیست ؟
سیستم خبره، برنامه‌‌ای کامپیوتری است که به منظور حل مسائل پیچیده و گرفتن تصمیمات مختلف طراحی می‌شود. سیستم های خبره در راستای حل چالش‌ها، اطلاعاتی را از داده‌های موجود استخراج میکنند و با استدلال و استنتاج و بر اساس «پُرسمان» (کوئری) کاربر، به نتیجه‌گیری می‌پردازند.
سیستم های خبره بخشی از حوزه هوش مصنوعی هستند. نخستین پژوهش این حوزه در سال ۱۹۷۰ انجام شد و هدف آن طراحی سیستمی بود که بتواند بر پایه اطلاعات حقیقی و احتمالات، همانند انسان خبره به حل مسائل در حوزه‌ای خاص بپردازد.
سیستم های خبره دارای ویژگی‌هایی هستند که در ادامه به آن‌ها اشاره شده است:
- کارایی بالا: سیستم های خبره را می‌توان برای حل مسائل مختلف به کار برد و از نتیجه‌گیری و استدلال منطقی آن برای تصمیم‌گیری‌های مهم استفاده کرد.
- ارائه نتایج قابل فهم: سیستم خبره می‌تواند با زبان انسان با کاربر ارتباط برقرار کند و خروجی را نیز به زبان قابل درک انسان ارائه دهد.
- ارائه نتایج معتبر: از آنجا که سیستم های خبره بر اساس واقعیت‌ها، تجربه‌ها و استنتاج‌های منطقی گذشته به تحلیل مسائل می‌پردازند، نتایج و خروجی‌هایی را ارائه می‌دهند که تا حد زیادی دقیق و کارآمد هستند.
- ارائه پاسخ در زمان کوتاه: سیستم های خبره می‌توانند در کوتاه‌ترین زمان ممکن به حل پیچیده‌ترین مسائل بپردازند.
در ادامه مطلب، به اجزای تشکیل دهنده سیستم های خبره پرداخته می‌شود.
اجزای سیستم های خبره چیست ؟
سیستم های خبره از سه جزء اصلی تشکیل شده‌اند که در ادامه فهرستی از آن‌ها ارائه شده است.
- «پایگاه دانش» (Knowledge Base)
- «رابط کاربری» (User Interface)
- «موتور استنتاج» (Inference Engine)
در ادامه، پیش از آن که به توضیح اجزای سیستم های خبره پرداخته شود، مفهوم دانش را شرح می‌دهیم، زیرا این نوع سیستم‌ها بر مبنای دانش به تصمیم‌گیری و استنتاج می‌پردازند.
دانش چیست ؟
سیستم خبره بر اساس دانش موجود در پایگاه دانش خود، به تحلیل مسائل می‌پردازد. دانش مجموعه‌ای از داده‌های حقیقی و تجربه‌های حاصل شده از استنتاج‌های سیستمهای خبره پیرامون موضوعی خاص است که در مواقع حل مسائل، مورد بررسی قرار می‌گیرند.
به منظور ذخیره دانش در پایگاه دانش از قالب دستورات شرطی «اگر … آنگاه … در غیر این صورت» (IF … THEN … ELSE) استفاده می‌شود.
میزان موفقیت سیستمهای خبره در حل مسائل، تا حد زیادی به کیفیت، جامع بودن و صحیح بودن دانش موجود در پایگاه داده بستگی دارد. به منظور تایید صحت اطلاعات پایگاه دانش، چندین متخصص، پژوهش‌گر و مهندس دانش آن‌ها را بررسی کرده و در نهایت مهندس دانش، اطلاعات را در قالبی مشخص در پایگاه دانش ذخیره می‌کند.
پایگاه دانش در سیستمهای خبره چیست ؟
در سیستمهای خبره، پایگاه دانش به عنوان حافظه‌ای محسوب می‌شود که دانش‌های استنتاج شده از سیستمهای خبره مختلف را در خود نگهداری می‌کند. هر چقدر میزان اطلاعات موجود در این پایگاه‌های دانش بیشتر باشد، سیستمهای خبره با دقت بیشتری درباره مسائل مختلف تصمیم می‌گیرند.
رابط کاربری در سیستم خبره چیست ؟
یکی از اجزای سیستمهای خبره، رابط کاربری است که به منظور تعامل با کاربر و دریافت پرسمان‌های آن‌ها در قالبی مشخص طراحی می‌شوند. رابط کاربری پس از دریافت کوئری‌ها، آن‌ها را به موتور استنتاج ارسال می‌کند. در نهایت، موتور استنتاج پاسخ خود را به رابط کاربری می‌فرستد تا آن را به عنوان خروجی به کاربر نمایش دهد.
بدین ترتیب، می‌توان به‌طور کلی بیان کرد که رابط کاربری به کاربران مبتدی و غیرحرفه‌ای کمک می‌کند تا به منظور یافتن حل مسئله، با سیستم خبره ارتباط برقرار کنند. در طراحی رابط کاربری سیستمهای خبره، از روش‌های «پردازش زبان طبیعی» (Natural Language Processing | NLP) استفاده می‌شود تا سیستم بتواند درخواست کاربر را درک کند.
چگونه 90 درصد مسائل پردازش زبان طبیعی (NLP) را حل کنیم؟ — راهنمای گام به گام
موتور استنتاج در سیستم خبره
موتور استنتاج به عنوان مغز سیستمهای خبره محسوب می‌شود و وظیفه پردازش اصلی سیستم را بر عهده دارد. موتور استنتاج از قوانین استنتاجی استفاده می‌کند تا با استخراج دانش از پایگاه دانش، درباره مسئله‌ای تصمیم بگیرد یا به اطلاعات جدیدی دست یابد.
سیستمهای خبره جدید از الگوریتم های «یادگیری عمیق» (Deep Learning) و مدل‌های «یادگیری ماشین» (machine Learning) بهره گرفته‌اند تا در حل مسائل، رفتار و داوری انسان هوشمند را شبیه‌سازی کنند. با دریافت تجربه‌های بیشتر، سیستم های خبره عملکرد خود را بهبود می‌بخشند.
دو نوع موتور استنتاج در سیستمهای خبره استفاده می‌شوند که در ادامه به آن‌ها اشاره شده است:
- «موتورهای استنتاج قطعی» (Deterministic Inference Engine): در این نوع از موتوهای استنتاج، فرض بر این است که استنباط‌های موتور براساس قواعد و واقعیت‌ها صورت می‌گیرد و استنتاج نهایی موتور، دقیق است.
- «موتورهای استنتاج احتمالاتی» (Probabilistic Inference Engine): این نوع از موتورهای استنتاجی، درباره مسائل مختلف بر پایه احتمالات نتیجه‌گیری میکنند و نتایج قطعی ارائه نمی‌دهند.
رویکرد حل مسئله در سیستمهای خبره
موتور استنتاج از دو روش برای استخراج اطلاعات از پایگاه دانش و یافتن راه‌حل برای مسئله استفاده میکنند.
این دو روش در ادامه فهرست شده‌اند:
- «زنجیرسازی رو به جلو» (Forward Chaining)
- «زنجیرسازی رو به عقب» (Backward Chaining)
در ادامه مطلب، به توضیح هر یک از رویکردهای ذکر شده در بالا پرداخته می‌شود.
حل مسئله با رویکرد زنجیرسازی رو به جلو چیست ؟
موتور استنتاج در روش زنجیرسازی رو به جلو، بر اساس قواعد و واقعیت مشخص شروع به استدلال می‌کند و تا در نهایت نتیجه‌گیری خود را به واقعیات اضافه کند. به عبارتی، این نوع موتورها، زنجیره‌ای از شرط‌ها را دنبال میکنند تا در نهایت به نتیجه‌گیری بپردازند. در چنین روشی، موتور استنتاج در هر مرحله به دنبال پاسخ چنین پرسشی است که «در گام بعدی چه اتفاقی خواهد افتاد». در تصویر زیر، روال تصمیم‌گیری موتورهای استنتاج بر پایه روش زنجیرسازی رو به جلو دیده می‌شود.
حل مسئله با رویکرد زنجیرسازی رو به عقب
در روش استنتاجی زنجیرسازی رو به عقب، موتور جستجو کار تحلیل خود را از انتها (هدف) آغاز می‌کند تا به اثبات واقعیات شناخته شده برسد. به عبارتی، در این روش، موتور استنتاج به دنبال یافتن پاسخ چنین پرسشی است که «چرا این اتفاق افتاد». در پی پاسخ به این پرسش، موتور استنتاج به بررسی شرایط پیشین می‌پردازد که منجر به خروجی فعلی شده‌اند. تشخیص سرطان خون را می‌توان به عنوان مثالی در نظر گرفت که برای تشخیص دلایل آن، از روش زنجیرسازی رو به عقب استفاده می‌شود. در تصویر زیر، روال حل مسئله با رویکرد زنجیرسازی رو به عقب نمایش داده شده است.
چه افرادی در توسعه سیستمهای خبره مشارکت دارند ؟
افرادی که با سیستمهای خبره کار میکنند و در توسعه آن‌ها مشارکت دارند، در فهرست زیر قرار می‌گیرند:
- متخصصان حوزه خاص: موفقیت سیستمهای خبره در حل مسائل، تا حد زیادی به دانش گردآوری شده در پایگاه دانش وابسته است. به منظور تهیه دانش مورد نیاز این سیستم‌ها باید از متخصصان حوزه‌های مختلف کمک گرفت تا اطلاعات معتبری برای تهیه پایگاه دانش فراهم شود.
- مهندس دانش: افرادی که به عنوان مهندس دانش فعالیت میکنند، دانش معتبر تهیه شده توسط متخصصان حوزه‌های مختلف را در قالبی خاص فراهم میکنند تا برای سیستم خبره قابل فهم باشند.
- کاربر نهایی: کاربر نهایی، فردی است که برای حل مسائل مختلف، از سیستمهای خبره کمک می‌گیرد. چنین فردی، الزاماً تخصص خاصی در زمینه‌های علمی ندارد و تنها به منظور یافتن پاسخ پرسش خود، با سیستمهای خبره کار می‌کند.
انواع سیستم های خبره چیست ؟
سیستمهای خبره را می‌توان به ۶ نوع تقسیم کرد که در ادامه به توضیح هر یک از آن‌ها پرداخته شده است:
- «سیستمهای خبره قاعده‌مند» (Rule Based Expert Systems)
- «سیستم های خبره فازی» (Fuzzy Expert Systems)
- «سیستمهای خبره مبتنی بر قاب» (Frame Based Expert Systems)
- «سیستم های خبره ترکیبی» (Hybrid Expert Systems)
- «سیستمهای خبره عصبی» (Neural Expert Systems)
- «سیستم های خبره فازی – عصبی» (Neuro – Fuzzy Expert Systems)
در ادامه مطلب، به توضیح ویژگی‌های هر یک از انواع سیستمهای خبره پرداخته می‌شود.
سیستم خبره قاعده مند چیست ؟
سیستم خبره قاعده‌مند به عنوان اولین نوع از سیستمهای خبره شناخته می‌شود. این نوع از سیستمهای خبره شامل مجموعه‌ای از قواعد شرطی هستند که داده‌ها را می‌توان در قالب این دستورات شرطی قرار داد تا موتور استتاج بر اساس این قواعد، به نتیجه‌گیری بپردازد.
سیستمهای خبره فازی چه هستند؟
چنانچه داده‌های درون پایگاه دانش عباراتی را شامل شوند که مفاهیم آن‌ها دارای ابهام باشند، از سیستمهای خبره فازی برای استنتاج استفاده می‌شود که بر اساس نظریه فازی پیاده‌سازی شده‌اند. عبارت‌هایی نظیر «بسیار بلند» یا «بسیار سبک» دارای مفاهیمی هستند که مقدار دقیق کمیت آن‌ها مشخص نیست. بدین ترتیب، برای استنتاج از چنین داده‌هایی باید از سیستمهای خبره فازی استفاده شود.
سیستم خبره مبتنی بر قاب چیست ؟
در سیستمهای خبره مبتنی بر قاب ، از مفهوم «قاب» (Frame) به منظور نگهداری دانش استفاده می‌شود. قاب را می‌توان به عنوان «ساختمان داده» (Data Structure) تلقی کرد که به یک شیٔ یا مفهوم اشاره دارد. هر قاب دارای نام و مجموعه‌ای از ویژگی‌ها است که هر کدام از آن‌ها، دارای مقادیر خاصی هستند.
در تصویر زیر، دو قاب با نام‌های شخص و کامپیوتر ملاحظه می‌شود که هر کدام از این قاب‌ها دارای ویژگی‌های مختلفی هستند. مقادیر هر یک از مشخصه‌های قاب‌ها می‌توانند شامل مقادیر پیش‌فرض، اشاره‌گر به سایر قاب‌ها و مجموعه‌ای از قواعد باشند.
از قاب به منظور سازمان‌دهی دانش موجود در پایگاه دانش استفاده می‌شود. از این نوع ساختار می‌توان نیز به‌راحتی می‌توان در شی گرایی استفاده کرد.
سیستم خبره ترکیبی چیست ؟
در طراحی سیستمهای خبره ترکیبی یا هیبریدی از مزیت‌های سیستمهای خبره قاعده‌مند، فازی و سیستم خبره مبتنی بر قاب استفاده شده است. با توجه به نوع طراحی سیستمهای خبره ترکیبی، می‌توان آن‌ها را به دو دسته سیستمهای خبره عصبی و سیستمهای خبره عصبی – فازی تقسیم کرد.
- سیستم خبره عصبی: در طراحی این نوع از سیستمهای خبره، از ساختار سیستمهای خبره قاعده‌مند و شبکه عصبی استفاده شده است. در این نوع از سیستم‌ها، دانش‌های مورد نیاز موتور استنتاج، در قالب وزن‌های شبکه عصبی ذخیره می‌شوند.
- سیستمهای خبره عصبی فازی: در طراحی این نوع از سیستمهای خبره، ویژگی‌های سیستمهای خبره فازی و شبکه عصبی مصنوعی به کار رفته است.
مراحل توسعه سیستم خبره چیست ؟
مراحله توسعه و ارائه سیستمهای خبره را می‌توان در ۶ گام خلاصه کرد که در ادامه به توضیح هر یک از این گام‌ها پرداخته شده است:
شناسایی حوزه مسئله:
- مسئله تعریف شده باید جزء مسائلی باشد که بتوان آن را با استفاده از سیستمهای خبره حل کرد.
- مشورت گرفتن از متخصص برای مسئله مطرح شده انجام می‌شود.
- ارائه مدلی برای طراحی سیستمهای خبره که به لحاظ هزینه به‌صرفه است.
طراحی سیستم خبره
- شناسایی ابزارها و فناوری‌های توسعه سیستمهای خبره صورت می‌گیرد.
- شناسایی روش‌های استفاده از سیستمهای خبره در سایر سیستمهای سخت‌افزاری یا شیوه استفاده از سایر پایگاه‌های داده و بانک‌های اطلاعاتی به عنوان پایگاه دانش برای سیستم خبره انجام می‌شود.
- شناختن مفاهیم و دانش‌های تخصصی برای مسئله مطرح شده در این مرحله ضرورت دارد.
توسعه نمونه اولیه از سیستمهای خبره
- همکاری با متخصصان مربوط به مسئله برای جمع‌آوری دانش لازم برای پایگاه دانش انجام می‌شود.
- آماده‌سازی دانش در قالب قواعد شرطی و ذخیره‌سازی آن‌ها در پایگاه دانش صورت می‌گیرد.
آزمایش و اصلاح نمونه اولیه سیستمهای خبره
- تست از نمونه اولیه سیستم های خبره توسط مهندس دانش به منظور شناسایی خطاها انجام می‌شود.
- تست از نمونه اولیه سیستم خبره توسط کاربر نهایی اجرا می‌شود.
توسعه و تکمیل سیستم خبره
- تکمیل سیستمهای خبره و تست نهایی آن برای بررسی صحت عملکرد اجزای سیستم صورت می‌گیرد.
- مستندسازی و تهیه گزارش نهایی از پروژه نیز در این مرحله انجام می‌شود.
- آموزش به کاربر نهایی برای استفاده از سیستمهای خبره باید انجام شود.
نگهداری سیستمهای خبره
- به‌روزرسانی دانش پایگاه دانش را انجام می‌دهند.
- تهیه رابط‌های ارتباطی جدید برای سیستمهای مختلف صورت می‌پذیرد.
فناوری های لازم برای توسعه سیستمهای خبره
به منظور طراحی سیستم خبره از چندین تکنولوژی استفاده می‌شود که در ادامه به آن‌ها می‌پردازیم.
- محیط توسعه (IDE) برای ساخت سیست‌های خبره
- ابزارها و سخت‌افزارهای لازم برای توسعه سیستمهای خبره:
- کامپیوتر، ریز کامپیوتر و MainFrameها
- زبان‌های برنامه نویسی نظیر LISP و PROLOG
- پایگاه‌های داده بزرگ
- ابزارهای رفع خطا و ویرایشگر قوی
- «شل» (Shell)
- «شل سیستم خبره جاوا» (Java Expert System Shell | JESS)
- شل Vidwan
چرا از سیستم خبره استفاده می کنیم ؟
پیش از این که از هر گونه فناوری جدید استفاده کنیم، باید به این موضوع بپردازیم که چرا چنین فناوری‌های جدیدی ارائه شده‌اند و چه نیازی وجود داشته است که علیرغم وجود پژوهشگران، دانشمندان و افراد خبره در حوزه‌های مختلف علوم، سیستمهای کامپیوتری جدیدی برای حل مسائل طراحی می‌شوند؟
در ادامه، به مهم‌ترین دلایل ساخت سیستمهای خبره اشاره شده است:
- عدم محدودیت حافظه: حجم زیادی از داده‌های مورد نیاز سیستمهای کامپیوتری را می‌توان در حافظه ذخیره و به‌طور کامل و دقیق این اطلاعات را بازیابی کرد. انسان در مقایسه با کامپیوتر برای به خاطر سپردن حجم عظیمی از اطلاعات، دارای محدودیت است و به راحتی قادر نیست در هر زمان تمامی اطلاعات را به طور کامل به یاد آورد.
- بازدهی بالا: سیستمهای مبتنی بر کامپیوتر می‌توانند در کوتاه‌ترین زمان به حل پیچیده‌ترین مسائل بپردازند. همچنین، می‌توان با به‌روزرسانی مکرر داده‌های (دانش) آن‌ها، میزان دقت خروجی آن‌ها را بالا برد.
- حل مسائل تخصصی: متخصصان زیادی در حوزه‌های تخصصی مختلف مشغول به کار هستند که دانش و مهارت‌های متفاوتی دارند. با این حال، برای حل مسئله‌ای پیچیده، نیاز است از چندین فرد متخصص کمک گرفته شود تا درباره موضوع مطرح شده، از دیدگاه‌ها و رویکردهای متفاوت به تجزیه و تحلیل بپردازند. این امر، نیازمند زمان طولانی است. سیستمهای خبره می‌توانند با ترکیب دانش هر یک از حوزه‌های تخصصی و تحلیل مسائل از جنبه‌های مختلف، در زمان کوتاه، به نتیجه‌گیری موثری با دقت بالا برسند.
- ارائه خروجی بدون لحاظ کردن احساسات: سیستمهای خبره و کلیه سیستم های کامپیوتری در زمان تصمیم‌گیری پیرامون موضوعی خاص، تحت تاثیر عواطف و احساسات نیستند. همچنین، انسان ممکن است به دلیل خستگی یا بیماری نتواند برای حل مسائل، تصمیم درستی بگیرد. سیستمهای کامپیوتری فارغ از چنین عواملی به‌صورت شبانه‌روزی با بالاترین دقت، مسائل را حل میکنند.
- به‌روزرسانی پایگاه دانش: چنانچه خروجی‌های سیستم خبره از دقت قابل قبولی برخوردار نباشند، می‌توان با به‌روزرسانی پایگاه دانش، عملکرد سیستم را بهبود بخشید.
تفاوت سیستمهای خبره و هوش مصنوعی
سیستم خبره به عنوان یکی از حوزه‌های اصلی هوش مصنوعی محسوب می‌شود. هدف هوش مصنوعی، شبیه‌سازی هوش انسان در تفکر، احساسات و یادگیری است و سیستمهای خبره به عنوان یکی از نخستین پژوهش‌هایی به حساب می‌آیند که هدف حوزه هوش مصنوعی را محقق کرد. تفاوت جزئی‌تر این دو حیطه پژوهشی را می‌توان در ادامه ملاحظه کرد:
- تمرکز هوش مصنوعی بر روی توانمند ساختن ماشین و برنامه‌های کامپیوتری است تا بتوانند مشابه انسان هوشمند، رفتار کنند. سیستمهای خبره می‌توانند به عنوان روشی برای محقق ساختن هدف هوش مصنوعی در نظر گرفته شوند.
- هوش مصنوعی شامل روش‌هایی بر پایه عملکرد هوشمندانه بشر برای حل مسائل مختلف است، در حالی که سیستم خبره به عنوان برنامه‌های کامپیوتری تلقی می‌شود که به منظور حل مسائل مختلف مورد استفاده قرار می‌گیرد.
- زیر بخش‌های هوش مصنوعی را می‌توان به پردازش تصویر، پردازش زبان طبیعی، یادگیری ماشین، یادگیری عمیق و سیستمهای خبره تقسیم کرد. زیر بخش‌های سیستمهای خبره عبارت‌اند از:
- رابط کاربری
- موتور استنتاج
- پایگاه دانش
- از آنجایی که هوش مصنوعی مفهوم جامع‌تری را در بر می‌گیرد، کاربرد سیستمهای کامپیوتری هوشمند را می‌توان در حوزه‌های گسترده‌ای نظیر تشخیص چهره، تشخیص اشیا در تصاویر، ترجمه ماشینی، تبدیل متن به گفتار و گفتار به متن و سایر موارد ملاحظه کرد. سیستمهای خبره به عنوان زیر شاخه هوش مصنوعی تلقی می‌شوند و صرفاً از آن‌ها می‌توان برای مشورت گرفتن برای یافتن پاسخ مسائل و تصمیم‌گیری استفاده کرد.
تفاوت هوش مصنوعی و سیستم های خبره — راهنمای کاربردی
کاربردهای سیستم های خبره چیست ؟
از سیستمهای خبره به منظور گرفتن مشاوره برای یافتن پاسخ مسائل استفاده می‌شود. امروزه، شاهد کاربرد این سیستم‌ها در حوزه‌های مختلفی هستیم که در ادامه به برخی از آن‌ها اشاره شده است:
- کابرد سیستمهای خبره در طراحی و ساخت قطعات سخت‌افزاری: امروزه، از سیستمهای خبره به‌طور گسترده در طراحی و تولید دستگاه‌های مختلفی نظیر لنزهای دوربین و اتومبیل‌های خودران استفاده می‌شود.
- کاربرد سیستم های خبره در حوزه مالی: به منظور تشخیص کلاه‌برداری و فعالیت‌های مشکوک مالی می‌توان از سیستم خبره استفاده کرد. همچنین، مدیران بانک می‌توانند از این سیستم‌ها به منظور تخصیص وام‌های کلان بانکی به درخواست‌کنندگان بهره گیرند و با توجه به خروجی سیستم های خبره تصمیم بگیرند به چه کسانی وام تعلق گیرد.
- کاربرد سیستم های خبره در حوزه پزشکی: یکی از مهم‌ترین کاربردهای سیستم های خبره در مسائل پزشکی برای تشخیص بیماری مریضان و تجویز دارو و پیشنهاد روش درمان است.
- کاربرد سیستم های خبره در سازمان‌ها: مدیران سازمان‌ها در راستای اتخاذ تصمیمات مهم شرکت برای سوددهی بیشتر، می‌توانند از نتایج سیستم های خبره استفاده کنند تا در مسیر تحقق اهداف سازمان، متحمل کم‌ترین خطر و اشتباه شوند.
- کاربرد سیستم های خبره در مدیریت زمان و برنامه‌ریزی: یکی دیگر از کاربردهای وسیع سیستم های خبره در برنامه‌ریزی زمانی است که از آن‌ها در برنامه‌ریزی خطوط هوایی و آژانس‌های هواپیمایی استفاده می‌شود.
مثال هایی از سیستم خبره
برنامه‌های نرم‌افزاری مختلفی بر پایه سیستم های خبره طراحی شده‌اند که در ادامه به برخی از آن‌ها اشاره می‌شود:
- سیستم MYCIN: این سیستم، یکی از سیستم های خبره اولیه بود که برای طراحی آن از رویکرد زنجیرسازی رو به عقب استفاده شده است. این سیستم می‌تواند باکتری‌های مختلفی را شناسایی کند که باعث عفونت شدید می‌شوند. به‌علاوه، این سیستم می‌تواند بر اساس وزن اشخاص، دارو‌های مختلفی را برای درمان بیماری آن‌ها پیشنهاد دهد.
- سیستم DENDRAL: این سیستم خبره مبتنی بر روش‌های هوش مصنوعی است و از آن برای تحلیل مسائل شیمی استفاده می‌شود. به عبارتی، این سیستم می‌تواند با استفاده از دانش مربوط به طیف‌شناسی ماده‌های مخالف، ساختار مولکولی آن‌ها را پیش‌بینی کند.
- سیستم PXDES: از این سیستم برای تشخیص نوع و میزان وخیم بودن سرطان ریه بیماران استفاده می‌شود.
- سیستم CaDet: از این نوع سیستم به منظور تشخیص سرطان در مراحل اولیه آن استفاده می‌شود.
مزایای سیستم های خبره
سیستم خبره به عنوان یکی از شاخه‌های پژوهشی هوش مصنوعی است که به دلیل مزیت‌های مختلف آن، مطالعات زیادی را به خود اختصاص داده است. در ادامه، به برخی از مهم‌ترین مزیت‌های سیستم های خبره اشاره می‌شود.
- با بسط دانش این سیستم‌ها، می‌توان دقت خروجی آن‌ها را افزایش داد و دانش حوزه‌های تخصصی مختلف را به آن اضافه کرد.
- از این نوع سیستم‌ها می‌توان در شرایط بحرانی و حادی استفاده کرد که نیاز به تصمیم‌گیری با حداقل ریسک وجود دارد.
- میزان خطای موجود در استنتاج و نتیجه‌گیری سیستم با افزایش اطلاعات پایگاه دانش به مراتب کم‌تر می‌شود.
- خروجی این سیستم‌ها تحت تاثیر عوامل مختلف احساسی نظیر ترس، عصبانیت، دلسوزی و مواردی از این قبیل قرار نمی‌گیرد.
- با استفاده از سیستم های خبره می‌توان در کوتاه‌ترین زمان ممکن، مسائل پیچیده را با دقت بالا حل کرد.
- سیستم های خبره با بیان ادله و توضیحات مناسب، خروجی خود را به کاربر ارائه می‌دهند.
محدودیت های سیستم های خبره
علیرغم مزیت‌های مهمی که سیستم های خبره دارند، می‌توان به مواردی اشاره کرد که به عنوان معایب این نوع سیستم‌ها محسوب می‌شوند.
در ادامه، برخی از مهم‌ترین این محدودیت‌ها اشاره شده است:
- استنتاج و نتیجه‌گیری سیستم های خبره تا حد زیادی به دانش موجود در پایگاه دانش وابسته است. بدین‌ترتیب، چنانچه پایگاه دانش شامل دانش نادرست باشد، نتیجه استنتاج سیستم های خبره نیز نادرست خواهد بود.
- سیستمهای خبره نمی‌تواند همانند انسان خبره، بر اساس سناریوهای مختلف، نتیجه‌گیری‌های خلاقانه ارائه دهد.
- هزینه‌های توسعه و نگهداری چنین سیستم‌هایی بسیار بالا هستند.
- برای هر حوزه تخصصی، باید پایگاه دانش مجزایی تهیه شود که آماده‌سازی آن‌ها بسیار زمان‌بر و هزینه‌بر خواهد بود.
- به منظور افزایش کارایی سیستم های خبره، باید دانش مورد نیاز آن‌ها را به‌روزرسانی کرد، زیرا چنین سیستم‌هایی نمی‌توانند دانش جدید را یاد بگیرند و باید مهندس دانش، دانش مورد نیازشان را به‌طور دستی تهیه کند.
جمع‌بندی
سیستم خبره به عنوان یکی از شاخه‌های مهم هوش مصنوعی محسوب می‌شود که کاربرد آن، ارائه راه‌حل منطقی و صحیح برای حل مسائل تخصصی است. این نوع سیستم‌ها نقش مهمی در حل مسائل بحرانی مانند تشخیص بیماری، تشخیص درمان بیماری، تشخیص کلاه‌برداری و افزایش میزان سوددهی بیشتر دارند. با توجه به اهمیت این شاخه از علوم کامپیوتر و پژوهش‌های بسیاری که به این حوزه در سال‌های اخیر تخصیص داده شده است، در مطلب حاضر سعی داشتیم به معرفی جامعی از این حوزه بپردازیم و به اجزای اصلی این سیستم‌ها، ویژگی‌ها و کاربردهای آن‌ها اشاره کنیم تا علاقه‌مندان به این حوزه بتوانند با مطالعه این مطلب، به اطلاعات اولیه‌ای از آن دست پیدا کنند.