«استنتاج» و «استدلال» از جمله مفاهیمی است که تا مدت‌ها، منحصراً در حیطه دانش انسانی طبقه‌بندی می‌شد و تصور آنکه روزی ماشین‌ها بتوانند گزاره‌های متعدد را کنار یکدیگر قرار دهند و از این عمل به نتیجه معقولی و منطقی برسند، دشوار بود. با پیشرفت روزافزون فناوری کامپیوترها، امکان استدلال توسطs ماشین‌ها رفته‌رفته رنگ واقعیت به‌خود گرفت و امروزه به لطف فناوری‌هایی ازجمله یادگیری ماشین، از توانایی انسان در استدلال هم پا را فراتر گذاشته‌اند. یکی از اولین فناوری‌هایی که پیش‌زمینه ظهور هوش مصنوعی را فراهم آورد، دسته‌ای از نرم‌افزارهای کامپیوتری تحت نام «سامانه خبره» (expert systems) هستند که به‌لطف برخورداری از پایگاه دانشی عظیمی که دارند، امکان استنباط و استنتاج را در اختیار سیستم‌های ماشینی قرار می‌دهند.
سامانه خبره چیست؟
دانشمندان در تعریف استنتاج چنین بیان می‌کنند: «فرایندی که از طریق تجزیه‌وتحلیل گزاره‌ها، پیش‌‍فرض‌ها و حقایق، به نتیجه‌ای منطقی و معقول برسد.» افراد خبره در زمینه تخصصی خود، صاحب دانشی هستند که با تکیه بر آن، می‌توانند به نتایج تازه‌ای دست یابند. حال اگر این دانش در اختیار یک سیستم کامپیوتری قرار گیرد و این قواعد به‌صورت عبارات شرطی در پایگاه دانشی این سیستم ذخیره شود، امکان تصمیم‌گیری مانند انسان‌های متخصص را برای سیستم کامپیوتری مذکور فراهم می‌کند. به‌طور خلاصه، تعریف سامانه خبره را می‌توان به‌صورت زیر دانست:
«جمع‌آوری دانش تخصصی کارشناسان یک حوزه خاص و تبدیل آن به کدهای قابل‌فهم برای سیستم‌های کامپیوتری و سپس ذخیره‌سازی این داده‌ها در یک پایگاه دانشی، به‌طوری‌که امکان شبیه‌ساز استدلال و قضاوت منطقی انسانی را برای نرم‌افزارهای کامپیوتری فراهم کند.»
بسیاری از فعالان حوزه دیجیتال معتقدند که سامانه خبره، بیشترین تأثیر را در پیدایش و رشد فناوری هوش مصنوعی داشته است و در حال حاضر، این سامانه به‌عنوان زیرمجموعه هوش مصنوعی شناخته می‌شود و از الگوریتم‌های این فناوری جهت تکمیل پایگاه دانشی خود استفاده می‌کند.
تاریخچه سامانه خبره
در سال ۱۹۷۰ میلادی، ادوارد فایگنبام، استاد علوم کامپیوتر در دانشگاه استنفورد و مؤسس آزمایشگاه سیستم‌های دانشی این دانشگاه، به دنبال راه‌حلی جدید برای حل مسائل به کمک کامپیوترها بود و از همین رو، تحقیقات خود بر روی پردازش اطلاعات به کمک ماشین‌ها را آغاز کرد. او پی برد که استنتاج انسان از طریق دانشی است که از پیش کسب کرده‌است و به‌واسطه روش‌های خاصی، این دانش منتج به استدلالی حقیقی می‌شود؛ پس اگر این دانش در اختیار کامپیوتر قرار بگیرد، با بهره‌گیری از الگوریتم‌هایی مشابه آنچه انسان در ذهن خود به‌کار می‌برد، می‌توان وظیفه استنتاج‌کردن را برعهده کامپیوترها گذاشت. روند تحقیقات پیرامون توسعه سامانه هوشمندی که قادر به استنتاج باشد، تا اوایل دهه ۱۹۸۰ میلادی ادامه داشت و پس از آن، با پیشرفت سخت‌افزارهای کامپیوتری و تحول در صنعت پردازنده‌ها، روند توسعه سامانه خبره نیز سرعت بیشتری گرفت. فایگنبام در سال ۱۹۸۸ طی دست‌نوشته‌ای بیان داشت: «جهان در حال حرکت از پردازش داده‌ها به‌سمت پردازش دانش است و این بدان معناست که به لطف معماری جدید پردازنده‌ها و کامپیوترها، توانایی ماشین‌ها از انجام محاسبات اولیه فراتر می‌رود و قادر خواهند بود مسائل پیچیده را نیز حل کنند.»
سامانه خبره چگونه کار می‌کند؟
سامانه خبره مدرن از فناوری هوش مصنوعی و یادگیری ماشین برای شبیه‌ساز رفتار متخصصان استفاده می‌کند و به کمک این فناوری‌ها، بانک اطلاعاتی خود را تقویت می‌کند و به‌مرور زمان، تجربیات جدیدی می‌آموزد. چگونگی کارکرد این سامانه را می‌توان با یک مثال ساده بررسی کرد:
اطلاعات زیست‌شناختی گربه توسط یک محقق زیست‌شناسی در اختیار یک سیستم کامپیوتری قرار می‌گیرد. این اطلاعات شامل موارد زیر است:
- گربه موجودی زنده است
- گربه می‌تواند از دیوار بالا برود و از موانع عبور کند
- گربه گوشت‌خوار است
- گربه بدنی منعطف دارد
و اطلاعات مشابه دیگر. باید دقت داشت که تمامی اطلاعات واردشده با واقعیت سازگار باشد و درصورتی‌که اطلاعات غلط در اختیار کامپیوتر قرار گیرد، فرایند استنتاج نیز دچار اختلال می‌گردد. با فرض صحیح بودن تمام گزاره‌های ورودی، حال سیستم قادر است درک کند که گربه حیوانی است که در خشکی زندگی می‌کند؛ چراکه قابلیت صعود به بالای دیوار و گذر از موانع را دارد. اگر یک مخاطب قصد داشته باشد که از این سیستم هوشمند راجع‌به حیوان مورد نظر خود سؤال بپرسد، سامانه خبره از طریق الگوریتم زنجیره عقب‌نشینی، داده‌های خود را جست‌وجو می‌کند، تا پاسخ صحیح را در اختیار کاربر قرار دهد. برای مثال، شاهد گفت‌وگویی مشابه مورد زیر مابین مخاطب و یک ماشین هوشمند هستیم:
- کامپیوتر: موردی که مدنظر شماست یک موجود زنده است؟
- مخاطب: بله
- کامپیوتر: آیا او انسان است؟
- مخاطب: خیر
- کامپیوتر: آیا موجود مورد نظر گوشت‌خوار است؟
- مخاطب: بله
- کامپیوتر: آیا توانایی صعود به ارتفاع را دارد و دارای بدنی منعطف است؟
- مخاطب: بله
- کامپیوتر: آن حیوان گربه است!
می‌بینیم که چگونه سامانه خبره با اطلاعاتی که در اختیار دارد و تکیه بر پایگاه دانشی خود، به یک نتیجه منطقی می‌رسد و یک مسئله را حل می‌کند. تبدیل این داده‌ها به کد و ورود این اطلاعات به کامپیوتر، تخصص افرادی است که از آنها با نام «مهندس دانش» یاد می‌کنیم و این فرایند را مهندسی دانش می‌نامیم. مهندسان دانش اطمینان پیدا می‌کنند که اطلاعات وارده به سیستم هوشمند کاملاً درست است و سامانه خبره، تمامی اطلاعات موردنیاز خود برای حل مسائل را در اختیار دارد.
سامانه خبره از سه بخش اصلی و یک بخش تکمیلی تشکیل شده است:
پایگاه دانشی (Knowledge Base)
موتور استنتاج (Inference Engine)
رابط کاربری (User Interface)
امکانات توضیح (Explanation Facilities)
که از این میان، سه مورد اول برای تمامی سامانه‌های خبره ضروری و مورد چهارم اختیاری است.
پایگاه دانشی
پایگاه دانشی، محلی است که اطلاعات مورداستفاده سامانه خبره در آن ذخیره و نگهداری می‌شود. این اطلاعات کدگذاری‌شده توسط مهندسین دانش در اختیار پایگاه دانشی قرار می‌گیرد و در آنجا بر اساس موضوعات مورد نظر، طبقه‌بندی می‌شوند. داده‌های ارسال‌شده به این پایگاه، به دو بخش اشیاء (Object) و صفات (Attribute) تقسیم‌بندی می‌شوند. اشیاء شامل مواردی است که قوانین و ویژگی‌های آن برای سیستم تعریف می‌شود و امکان شناخت را برای سیستم خبره فراهم می‌کند. صفت شامل کیفیت و شاخص‌های شیء است که به سیستم کمک می‌کند، تا با دقت بیشتری به نتیجه برسد. پایگاه دانشی شامل ماژول «اکتساب دانش» است که به آنها این قابلیت را می‌دهد که داده‌های جدید را از منابع خارجی دریافت و ذخیره‌سازی کنند و به این طریق، دانش خود را گسترش دهند.
موتور استنتاج
موتور استنتاج را می‌توان قلب سامانه خبره دانست که آن را از ماشین‌های غیرهوشمند که امکان استدلال و نتیجه‌گیری ندارند، متمایز می‌کند. موتور استنتاج اطلاعات طبقه‌بندی شده را از پایگاه دانشی استخراج می‌کند و با استفاده از مجموعه قواعد «اگر…پس…» آن را واکاوی می‌کند تا به نتیجه‌ای منطقی برسد. این موتور به دو طریق اقدام به نتیجه‌گیری از داده‌های موجود می‌کند: روش اول، گزاره‌های متعدد را در کنار یکدیگر قرار می‌دهد (اگر…) تا نتیجه مطلوب را به دست آورد (پس…) و در روش دوم، از طریق نتیجه‌های منطقی موجود (پس…) به علت (اگر…) می‌رسد.
امکانات توضیح
در بسیاری از منابع، «امکان توضیح» را به‌عنوان یکی از ماژول‌های موتور استنتاج محسوب می‌کنند و در مواردی دیگر، آن را یکی از اجزاء چهارگانه سامانه خبره به حساب می‌آورند. این ماژول می‌تواند در سامانه خبره وجود داشته باشد اما قرارگیری آن در سیستم، اختیاری است و حذف آن، خللی در فرایند کاری سامانه خبره به وجود نمی‌آورد. ماژول امکان توضیح، این قابلیت را در اختیار کاربر قرار می‌دهد که مراحل استنتاج را از دریافت اطلاعات تا دستیابی به نتیجه نهایی، دنبال کند و از صحت اطلاعات ورودی و مراحل استنتاج، اطمینان حاصل کند.
رابط کاربری
رابط کاربری، بخشی از سامانه خبره است که کاربر برای دریافت جواب نهایی با آن تعامل دارد و نتیجه استنتاج در آن نمایش داده می‌شود. رابط کاربری می‌تواند بخشی از یک نرم‌افزار یا مجموعه‌ای از تجهیزات و شبکه‌ها باشد که باهم در تعامل هستند، تا ارتباط میان کاربر و موتور استنتاج را برقرار کنند.
کاربردهای سامانه خبره
کاربردهای سامانه خبره بسیار متنوع است و از جمله این کاربردها می‌توان به خلاصه‌سازی متن، چت‌بات‌های هوشمند، بررسی خودکار محتوا، مدیریت پایگاه داده و طبقه‌بندی اسناد، تجزیه‌وتحلیل حساب‌های بانکی و… اشاره کرد. عمده استفاده از سیستم خبره در حوزه‌های زیر است:
- خدمات مالی
- فناوری ارتباطات و شبکه
- مراقبت‌های پزشکی
- کشاورزی
- برنامه‌ریزی حمل‌ونقل
- اتوماسیون اداری
- خدمات مشتریان
- خدمات قضایی و حقوقی
در ادامه به بررسی چند مورد از کاربردهای سیستم خبره می‌پردازیم:
حمل‌ونقل
یکی از گسترده‌ترین کاربردهای سیستم خبره، حوزه حمل‌ونقل و خدمات راهداری شهری است. کنترل چراغ‌های راهنمایی، برنامه‌ریزی حرکت قطارها و اتوبوس‌ها، کنترل ترافیک هوایی و برنامه‌ریزی الگوهای هوانوردی، تنها بخشی از کاربردهای هوش مصنوعی در زمینه خدمات شهری است. یکی دیگر از کاربردهای این سیستم در نوسازی شهرها، طراحی بزرگراه‌ها، تشخیص زمان بازسازی جاده و… است.
کشاورزی
سامانه خبره می‌تواند در افزایش بهره‌وری بخش کشاورزی، نقش مؤثری ایفا کند و با شناخت الگوی رشد گیاهان و پارامترهای تاثیرگذار ازجمله PH خاک، میزان رطوبت ، نور و…، کمیت و کیفیت محصولات کشاورزی را افزایش دهد. همچنین پیش‌بینی آسیب و آفات احتمالی محصولات کشاورزی، می‌تواند از بروز خسارات شدید مالی در آینده جلوگیری کند.
خدمات مشتریان
خدمات مشتریان، یکی از کلیدی‌ترین بخش‌های هر سازمان است و تأثیر مستقیم بر میزان فروش دارد؛ درنتیجه، بهبود در فرایند کاری این حوزه می‌تواند موجع‌به افزایش سودآوری سازمان شود. سامانه خبره در بخش‌های گوناگون خدمات مشتریان تأثیرگذار است و با برنامه‌ریزی سفارش‌ها، رهگیری محصولات ارسالی و پاسخ به سؤالات کاربران، تاثیر مثبتی بر روند دریافت سفارش تا تحویل کالا به مشتریان دارد. به‌علاوه، رابط‌های هوشمند گفت‌وگوی آنلاین یا همان چت‌بات‌ها را نیز می‌توان بخشی از سامانه خبره دانست که می‌تواند با تکیه بر پایگاه دانشی خود، به سؤالات کاربران به‌صورت متنی و صوتی پاسخ دهد.
درنهایت، از مزیت‌های سامانه خبره می‌توان به کاهش هزینه‌ها، کاهش خطر جانی نیروی انسانی، افزایش دسترسی، افزایش سرعت فرایندهای کاری، جمع‌آوری تجربیات متخصصان در زمینه‌های گوناگون و… اشاره کرد.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشینو بخوانید
