وبلاگ سهراب جلوه گر جلوه‌گر؛ هوش مصنوعی

██ متن فصل نوزدهم نسخه‌ی رایگان ایبوک هوش مصنوعی ██

مترجم: سهراب جلوه گر جلوه‌گر

فصل سیستم‌های خِبره  

فهرست برخی از عنوان‌های نوشته‌ها

سیستم‌های خبره

برخی از کاربردهای سیستم‌های خبره

چرا یک سیستم خبره را می‌سازیم‌؟

ویژگی‌های خوب یک سیستم خبره

سیستم‌های خبره‌ی قانون‌گرا

آشنایی با چند سیستم خبره

سیستم‌های خبره

 تعریف- خبره‌- در صورتی که ما بگوییم فردی در رشته‌ای‌ یک خبره می‌باشد‌، منظور ما‌ این است که‌ در آن تخصّص محدود،‌ شایستگی بالایی را به نمایش می‌گذارد‌.

 تعریف- سیستم‌های خبره- برنامه‌هایی طرّاحی شده برای مدلسازی و استدلال در مورد دانش انسان می‌باشند

و معمولاً‌ حول یک دامنه‌، مثل تشخیص بیماری‌، پرواز فضایی‌، لُجِسْتیک(اقدامات مربوط به تهیه و توزیع) و عیب‌یابی نرم‌افزار‌ تمرکز می‌کنند‌. در این سیستم‌ها‌، برنامه‌نویسان‌، واقعیّت‌ها و قوانین را اضافه می‌کنند و سیستم‌، پردازه‌ی استنتاج را به صورت خودکار‌ انجام می‌دهد و می‌توانند یا از زنجیره‌ی پیشرُو  یا از زنجیره‌ی پَسرُو  استفاده نمایند‌.

برخی از کاربردهای سیستم‌های خبره

این سیستم‌ها‌ ممکن است برای طبقه‌بندی‌، تشخیص عیب‌، پیداکردن خرابی‌، تفسیر اطّلاعات‌، طرّاحی‌، پیکربندی، و یا پیش‌بینی‌ به کار روند‌؛ آنها شاید برای آموزش دادن‌، نمایش دادن‌، تحلیل‌، مشاوره‌، تجدید نظر یا کنترل‌ به کار روند‌. استفاده‌ی تجاری سیستم‌های خبره‌ شامل این موردها می‌باشند‌: یک سیستم استفاده شده برای مشاوره(ارائه‌ی نصیحت) در مورد وام خانه‌؛ یک سیستم استفاده شده به وسیله‌ی یک تولید کننده‌ی کامپیوتر، برای برّرسی اجرای کامل دستورات مشتریان‌؛ یک سیستم استفاده شده در بیمارستان، برای تفسیر اندازه‌گیری‌های ریّوی، جهت مشاهده‌ی علائم ناخوشی ریّه‌؛ یک سیستم استفاده شده به وسیله‌ی شیمیدان‌ها، برای تفسیر توده‌ی داده‌های طیفْ‌سنج، برای کمک به پی‌بردن به ساختار مولکولی ترکیبات آلی(زیستی)‌؛ و یک سیستم، برای کمک به زمین‌شناسان، برای ارزیابی مکان‌های معدنی، برای ذخایر‌.

چرا یک سیستم خبره را می‌سازیم‌؟

برای تکثیر خبره‌ی نادر(كمياب) و پرهزینه‌؛ برای فرمول‌بندی دانش خبره؛ و برای جمع‌آوری منبع‌های دانش متمایز، یک سیستم خبره را می‌سازیم‌. دلایل ممکن دیگری هم وجود دارند‌؛ برخی از افراد‌ دلیل می‌آورند که سیستم‌های خبره‌ در مقایسه با انسان‌ها‌ کم‌تر خطا می‌کنند، مناسب‌تر هستند و رُک‌تر هستند‌، یا در مقایسه با خبره‌های انسانی‌، بی‌طرف‌تر می‌باشند‌؛ البتّه‌ سیستم‌های خبره‌ عیب‌های زیادی هم دارند‌، که باید استفاده از آنها را به دامنه‌های مشخّص‌، محدود نماییم‌. سیستم‌های خبره‌، دارای بینش‌، دلسوزی‌، فهم انگیزه‌ی انسانی‌، توانایی حدس زدن‌، معمولاً توانایی یادگیری‌، دانش قضاوت صحیح(عقل سلیم) اندکی می‌باشند‌.

ویژگی‌های خوب یک سیستم خبره

در صورتی که سیستم خبره‌ به صورت محاوره‌ای باشد‌، یک رابط کاربری خوب‌، بسیار ضروری می‌باشد‌. توجّه کنید که مکالمه‌ای که سیستم خبره‌ با شخص کاربر‌ انجام می‌دهد باید به صورت «طبیعی»، به وسیله‌ی کاربر، مطرح شده باشد، که شامل موردهایی نظیر این‌ها می‌باشد‌: شیوه‌ی سؤالاتی که سیستم می‌پرسد‌ باید طبیعی باشد‌؛ سؤالات احمقانه نباید وجود داشته باشند (کسانی که به سیستم‌ جواب می‌دهند باید با دلیل‌ تدبیر کرده باشند‌)‌؛ سیستم‌ باید قادر باشد توضیح دهد که چرا یک سؤال را می‌پرسد و هر نتیجه‌ای که به آن می‌رسد را توجیه نماید و باید به کاربر‌  در مورد سیستم‌ اطمینان دهد‌.

در استدلال‌ باید یک سیستم خبره‌ قادر به انجام این موردها باشد‌: باید استنتاج‌هایش باورکردنی و نه الزاماً صحیح باشند‌؛

باید قادر به کار با دامنه‌ی دانش ناقص و موردهایی که اطّلاعات‌، ناقص هستند‌، باشد‌؛ اغلب‌، دانش و یا اطّلاعات‌، ناکامل می‌باشند و دانش و یا داده‌ها‌ ممکن است قابل اعتماد نباشند (مثلاً‌ ممکن است دارای خطا باشند) و شاید‌ دانش و یا داده‌ها‌ به صورت نادرست‌ بیان شده باشند (به عنوان مثال‌، «‌اگر دارای دندان بلندی باشد‌، آنگاه‌ این‌ خطرناک می‌باشد‌.»‌)‌؛

همچنین‌ باید سیستم‌، رقابت همزمان مفروضات را در نظر داشته باشد‌.

سیستم‌های خبره باید بتوانند به‌سادگی‌ اطّلاعات جدید را یکی نمایند(تطبیق دهند) (یا از طریق مهندسی دانش بیش‌تر، یا با استفاده از یادگیری ماشینی)‌.

سیستم‌ خبره‌ی قانون‌گرا 

 تعریف- سیستم‌ خبره‌ی قانون‌گرا، در علم کامپیوتر، سیستمی خبره است که براساس مجموعه‌ای از قانون‌ها که یک انسان خبره برای رسیدگی کردن به یک مسأله دنبال می‌کند، باشد.

روش‌های زیادی می‌توانند برای ساخت سیستم‌های خبره‌ استفاده شوند‌. امّا اکثر سیستم‌های خبره که تا‌کنون ساخته شده‌اند، سیستم‌های قانون‌گرا می‌باشند‌؛ یعنی‌، پایگاه دانش آنها شامل واقعیّت‌ها و قانون‌ها می‌باشد‌.

پایگاه دانش

پایگاه دانش‌، شامل واقعیّت‌ها و قوانین می‌باشد‌. تصوّر کنید که ما در حال ساخت یک سیستم خبره‌ی قانون‌گرا برای تشخیص پزشکی باشیم‌؛ قانون‌ها، ارتباط‌های میان علائم و عبارت‌های پزشکی را کد خواهند کرد‌؛ واقعیّت‌ها، دانش را در مورد بیماری جاری کد خواهند کرد‌؛ در سیستم‌های قانون‌گرا، [قانون‌ها‌] اغلب‌ به صورت «اگر‌... آنگاه‌...»‌ نوشته می‌شوند‌؛ به صورت برابر‌، می‌توانند به یکی از شکل‌هایی که برای موردهای زیر‌ استفاده می‌شوند‌، نوشته شوند‌:

if  p1 AND p2 … AND pn then q

(p1  …  pn)  q

q  ¬p1  …  ¬pn

برای سیستم‌های قانون‌گرا‌ استفاده از منطق گزاره‌ای‌، زمانی که گزاره‌ها دارای هیچ آرگومانی نمی‌باشند‌، کاملاً معمولی است‌؛ بنابراین‌ در این موقع، متغیّرها و سمبل(نام)‌های تابعی‌، در واقعیّت‌ها و قانون‌ها وجود ندارند‌؛ در مثال‌های زیر‌ خودمان را با این وضعیّت‌، محدود نموده‌ایم‌. نتیجه‌ی یک قانون‌ شاید یک قلم تجزیّه ناپذیر باشد که در قانون قبلی‌ آمده است‌. می‌توانیم این زنجیره را به شکل گرافیکی‌ به صورت یک گراف AND-OR‌ نمایش دهیم‌.

 مثال- برای قانون‌های زیر‌:

if p AND q then r

if s AND t then r

if u then p

if v then p

if w AND x then s

if y then s

if z then t

 گراف زیر را داریم‌:

 مثال- در زیر‌ مثالی از پایگاه دانشی برای شناسایی حيوان‌ها را می‌بینید‌:

if animal Gives Milk  then animalIsMammal

if animalHasHair  then animalIsMammal

if animalIsMammal AND animalChews Cud  then animalIsUngulate

if animalIsUngulate AND animalHasLongNeck  then animalIsGiraffe

if animalIsUngulate AND animalIsStriped  then animalIsZebra

از این مثال‌ در آینده استفاده خواهیم کرد‌.

موتور استنتاج

موتور استنتاج‌، استنتاج‌ها را با استفاده از دانش موجود در پایگاه دانش‌ استخراج می‌کند و این کار را با استفاده از استنتاج قانون‌گرا ‌ انجام می‌دهد‌؛ از یک نقطه نظر منطقی‌، اساساً‌ از روش تحلیل ‌ استفاده می‌کند‌. یک چشم‌انداز(دورنمای) استنتاج(استدلال) قانون‌گرا، این است که، در حال انجام یک جستجوی گرافی AND-OR می‌باشد؛ به طور مؤثّر‌، ما به دنبال یک مسیر که ریشه و برگ‌ها را به هم‌ متّصل می‌کند‌، می‌گردیم‌؛ در صورتی که یک گره‌، یک برگ باشد‌، در این صورت، این گره‌، یک واقعیّت را که باید درست باشد، نمایش می‌دهد‌.

در سیستم‌های خبره‌ی محاوره‌ای‌، فرض نمی‌کنیم که همه‌ی واقعیّت‌ها شناخته شده‌اند و در گذشته در پایگاه دانش‌ وجود داشته‌اند‌. بنابراین‌ در زمانی که در تلاش برای این هستیم که ببینیم که آیا یک گره‌ی برگ(واقعیّت)‌، درست است یا نه‌، پایگاه دانش را برّرسی خواهیم نمود‌، اگر در پایگاه دانش نباشد‌، در این صورت‌ از شخص کاربر‌ پرسش می‌کنیم که آیا واقعیّت‌، درست است یا نه؟‌؛ جواب کاربر‌ می‌تواند به پایگاه دانش‌ اضافه شود‌.

زنجیره‌ی پَسرُو ‌- زنجیره‌ی پسرو‌، استدلال به وجود آمده(مشتق شده) از هدف می‌باشند. در عبارت‌های گراف AND-OR‌، این نوع از استدلال‌، از ریشه‌ی گراف‌ شروع می‌شود و برای پیداکردن مسیری از ریشه به برگ‌ها تلاش می‌نماید‌.

زنجیره‌ی پیشرُو ‌- این روش‌، استدلال مشتق شده از داده‌ها هم نامیده می‌شود‌؛ در عبارات گراف AND-OR‌، این نوع از استدلال‌، از برگ‌ها شروع می‌کند و تلاش می‌کند که مسیری را از برگ‌ها به طرف ریشه پیدا نماید‌.

برخی از سیستم‌ها‌ منحصراً از یکی از روش‌های زنجیره‌ی پیشرو یا زنجیره‌ی پسرو استفاده می‌کنند‌. امّا تعداد زیادی از سیستم‌ها از هر دو روش‌ استفاده می‌کنند، که این کار‌، خیلی طبیعی می‌تواند باشد‌؛ به عنوان مثال، به یک مشاوره با یک پزشک‌ توجّه نمایید‌؛ بیمار‌ برخی از علائم را تشریح می‌کند‌؛ نتایج‌ با استفاده از زنجیره‌ی پیشرو‌ به دست می‌آید (شاید فقط به طور آزمایشی)‌. پزشک‌ یک فرض را انتخاب می‌کند و با استفاده از زنجیره‌ی پسرو‌ به علائمی می‌رسد که به وسیله‌ی بیمار‌ بیان شده‌اند‌. بیمار‌ دوباره صحبت می‌کند‌ و شاید به پرسشی دیگر‌ جواب دهد و یا از او اطّلاعات دیگری خواسته شود‌ و این کار(پروسه)‌ باز هم تکرار می‌شود‌.

توضیح‌های استدلال

در گذشته اهمّیّت داشتن توضیح روان(سلیس) را در یک سیستم خبره‌ بیان کردیم‌. سیستم‌های قانون‌گرا‌ معمولاً‌ دو امکان را برای ارائه‌ی توضیحات به کاربران‌ ارائه می‌کنند‌؛ کاربران ممکن است یا بپرسند، «چرا‌؟» و یا بپرسند، «چگونه‌؟»‌؛ سیستم‌ این سؤالات را با نمایش برخی از قوانین مربوط‌ جواب می‌دهد‌؛ برای مثال‌، تصوّر نمایید که سیستم خبره‌ی شناسایی حيوان‌ها‌، که در گذشته در همین فصل آن را بیان کردیم، از کاربر‌ این پرسش را می‌پرسد که، «آیا حیوان‌ نُشخوار می‌کند‌؟»‌؛ در این مورد‌ کاربر‌ می‌تواند به جای جواب دادن به این سؤال‌ بپرسد که‌: «چرا شما این سؤال را می‌پرسید‌؟»؛ برای جواب دادن به این سؤال کاربر‌، سیستم خبره‌ با نمایش یک گراف AND-OR‌ پاسخ می‌دهد‌؛ برای مثال‌ ممکن است سیستم‌ پاسخ دهد‌:

«من از شما پرسیدم که، آیا حیوان نشخوار می‌کند‌؟‌، زیرا‌ این‌ در تشخیص اینکه حیوان‌، جانور سُم‌دار است‌، کمک می‌کند‌؛ قبلا‌ً تشخیص داده شده که جانور‌ پستاندار است‌؛ بنابراین، اگر حیوان، نُشخوار می‌کند‌، آنگاه‌ حیوان‌، سم‌دار می‌باشد‌؛ این در تشخیص اینکه، آیا حیوان زرّافه است‌؟‌،‌ کمک می‌کند‌؛ در صورتی که حیوان، سم‌دار باشد و دارای گردن بلند باشد‌، زرّافه می‌باشد»؛

تصوّر نمایید که یک سیستم خبره‌ تشخیص داده که برخی از گره‌ها‌ درست هستند‌؛ در گفتن نتیجه به کاربر‌، کاربر‌ می‌تواند بپرسد‌: «چگونه به این نتیجه رسیدی‌؟»‌؛ برای این کار‌، سیستم خبره‌ با نمایش قسمت‌های موفّق گراف AND-OR‌ جواب می‌دهد‌. ایده‌ این است که، برای توجیه کردن یک استنتاج‌، سیستم‌ باید نشان دهد که کدام قانون‌ها، در رسیدن به آن نتیجه‌، اجرا می‌شوند‌. برای مثال‌، تصوّر کنید در موردی که سیستم‌ تشخیص می‌دهد که حیوان‌ یک جانور سُم‌دار می‌باشد‌، کاربر‌ ممکن است درخواست کند که، «چگونه به این نتیجه رسیدی‌؟»‌، و جواب سیستم‌ ممکن است به صورت زیر باشد‌:

«این قانون‌ برای تشخیص اینکه آیا حیوان،‌ سم‌دار است‌، استفاده شده ‌است: اگر حیوان‌، پستاندار است و نشخوار می‌کند‌، سم‌دار می‌باشد‌.

این قانون‌ برای تشخیص اینکه آیا جانور‌، پستاندار است‌، استفاده شده است‌: حیوان‌، دارای مو(زلف) می‌باشد‌، پس‌ پستاندار می‌باشد‌.

شما به من گفتید که: حیوان‌، دارای مو می‌باشد‌.

شما به من گفتید که: حیوان‌، نشخوار می‌کند‌.»

آشنایی با چند سیستم خبره

بیش‌تر پژوهش‌های انقلابی در سیستم‌های قانون‌گرا‌ در مورد سیستمی به نام MYCIN‌ انجام شده است‌. MYCIN‌ برای استفاده‌ی یک پزشک، برای تشخیص عفونت‌های باکتریایی خون‌، طرّاحی شد‌ و در حدود 450 قانون دارد‌.  بازده MYCIN و طبیعی بودن مکالمه‌ی آن‌، با مشارکت قطعه‌های خیلی کوچک دانش، که شاید در مدّت استنتاج‌ به کار گرفته شوند‌، بهبود یافت‌.

یکی دیگر از سیستم‌های قانون‌گرای خبره‌ی مشهور‌، PROSPECTOR  (‌برای ارزیابی مکان‌های معدنی دارای استعداد برای استخراج‌) می‌باشد.

 سیستم خبره‌ی دیگر، R1 (كه XCON‌‌ هم ناميده شده است)، برای برّرسی‌، کامل کردن و پیکربندی تقاضاهای تجهیزات کامپیوتری مشتری‌ می‌باشد‌.

PUFF، یکی دیگر از سیستم‌های خبره می‌باشد که در پزشکی، برای فهمیدن وضعیّت‌های تنفّسی، از آن استفاده می‌شود:

بعد از برخی از آزمایش‌ها، با ساخت چند سیستم خبره‌ی قانون‌گرا‌، پژوهشگران هوش مصنوعی‌ دریافتند که، فقط‌ پایگاه دانش‌، وابسته به دامنه می‌باشد‌. موتور استنتاج و رابط کاربر‌، (‌نسبتاً‌‌) مستقل از دامنه بودند‌. به‌طور‌کلّی‌، برای ساخت یک سیستم خبره‌ی جدید، برای یک دامنه‌ی مختلف‌، به یک پروسه‌ی مهندسی دانش ، برای دریافت کردن قانون‌ها، نیاز داریم‌.

چکیده‌ی مطلب‌های فصل نوزدهم

سیستم‌های خبره، برنامه‌هایی طرّاحی شده برای مدلسازی و استدلال در مورد دانش انسان می‌باشند.

سیستم‌ خبره‌ی قانون‌گرا، در علم کامپیوتر، سیستمی خبره است که براساس مجموعه‌ای از قانون‌ها، که یک انسان خبره برای رسیدگی کردن به یک مسأله دنبال می‌کند، باشد.

برای سیستم‌های خبره‌ی قانون‌گرا،‌ استفاده از منطق گزاره‌ای،‌ زمانی که گزاره‌ها دارای هیچ آرگومانی نمی‌باشند‌، کاملاً معمولی است‌؛ بنابراین‌ در این موقع متغیّرها و سمبل(نام)‌های تابعی‌، در واقعیّت‌ها و قانون‌ها وجود ندارند‌.