آژانس طراحی وب لابراتوآر رسانه

هوش مصنوعی و سیستم های خبره(قسمت دوم)

اردیبهشت ۸, ۱۳۹۷
علی دهقانی

قسمت اول این نوشته را در اینجا بخوانید.

اجزای سیستم‌های خبره

بخش اول: کسب دانش

فرآیند کسب دانش از منابع اطلاعاتی مشخص شده نظیر افراد متخصص، کتاب‌ها، مقاله‌ها، سایت‌ها، سنسورها و غیره.

اطلاعات موجود در پایگاه دانش از طریق افراد متخصص و به صورت دستی وارد می‌شوند. مصاحبه‌، آنالیز پروتکل‌ها و منابع اطلاعاتی از رایج‌ترین روش‌های جمع‌آوری دانش هستند. همچنین می‌توان برنامه‌هایی برای خواندن زبان‌های طبیعی و آنالیز کردن آن‌ها در جهت کسب دانش در موضوع مورد نظر طراحی کرد تا بتوان به صورت خودکار اطلاعات را به پایگاه دانش منتقل کرد ولی پیاده‌سازی چنین برنامه‌هایی به دلیل ماهیت زبان‌های طبیعی بسیار دشوار است و در اکثر موارد نتایج دقیقی به دست نمی‌آید. برای رسیدن به یک پایگاه دانش مطمئن ابتدا نیاز است تا فرد خبره دانش خود را به صورت قواعد معتبری وارد پایگاه دانش کند تا یک پایگاه دانش اولیه ایجاد گردد. در این مرحله نیاز است تا محدوده‌ی دانش مورد نیاز به دقت تعیین گردد و کیفیت پایگاه دانش تولید شده مستقیما به خبرگی و مهارت فرد خبره در موضوع مورد نظر بستگی دارد.

فاز بیان دانش

به عنوان مثال خروجی مراحل فوق می‌تواند بدین صورت باشد؛ اگر ماشین بنزین نداشته باشد، روشن نمی‌شود. اعتبار این عبارت باید در بخش‌های بعد سنجیده شده و به صورت کد در پایگاه دانش ذخیره گردد.

بخش دوم: بیان دانش

فرآیند قالب‌بندی دانش و رمزگذاری آن برای ذخیره شدن در پایگاه دانش.

هنگامی که دانشی کسب شد، باید به صورت کد در پایگاه دانش ذخیره گردد. در واقع این فرآیند دانش موجود را به صورتی ذخیره می‌کند تا سیستم بتواند براساس آن به صورت زنجیره‌ای تفکر کند. هر کدام از ترم‌های ذخیره شده حقایقی را بیان می‌کنند که سیستم به جای آنکه براساس آن‌ها عملی را انجام دهد؛ با استفاده از آن‌ها در مورد جهان موردنظر می‌اندیشد. به همین دلیل زبان بیان دانش در نحوه استدلال سیستم و همچنین قدرت آن تاثیر به سزایی دارد. تاکنون تکنیک‌های مختلفی برای بیان دانش استفاده شده است که در اینجا به سه تکنیک اصلی اشاره می‌شود.

 گزاره‌های شرطی

این تکنیک از قدیمی‌ترین روش‌های بیان دانش است و اصیل‌ترین شکل دانش تجربی را به نمایش می‌گذارد. گزاره‌های شرطی از دو بخش تشکیل شده‌اند؛ بخش اول که فرض را بیان می‌کند و بخش دوم که نتیجه‌ای را براساس فرض بیان می‌کند. حال اگر فرض گزاره درست باشد نتیجه‌ی ذکر شده محقق خواهد شد. هر گزاره می‌تواند شامل چند فرض و در پی آن چند نتیجه باشد. این گزاره‌ها به صورت جملات اگر … پس در پایگاه دانش ذخیره می‌شوند. با وجود راحتی پیاده‌سازی این روش استفاده از آن در گذشته بسیار مرسوم بود ولی پایگاه دانش‌هایی که بدین صورت طراحی می‌گردند ممکن دارای هزاران قانون برای هر موضوعی باشند، به همین دلیل استفاده از روش‌های دیگر در سادگی و فهم راحت‌تر پایگاه دانش موثر خواهد بود.

شبکه‌های معنایی

یک شبکه معنایی مجموعه‌ای از گره‌هاست که به وسیله‌ی کمان‌هایی به یکدیگر متصل شده‌اند. این کمان‌ها در واقع رابطه‌ی بین گره‌ها را بیان می‌کنند که معمولا به صورت روابط این هست و یا این دارد هستند. به همین دلیل یک شبکه معنایی از یک ساختار سلسله مراتبی برای بیان دانش استفاده می‌کند و دیگر نیاز نیست هر گره به صورت مجزا همه اطلاعات موردنیاز خود را ذخیره کند و بسیاری از اطلاعات به اشتراک گذاشته می‌شوند و به همین دلیل این عمل باعث کاهش اندازه پایگاه دانش می‌شود.

یک پیاده‌سازی از این روش می‌تواند منجر به نتیجه‌ای همانند شکل زیر شود.

شبکه معنایی

قاب‌ها

این تکنیک یکی از محبوبترین روش‌های ذخیره‌سازی دانش است. هر فریم در واقع یک گره در شبکه معنایی است، با این تفاوت که در اینجا هر قاب دارای یک نام و تعدادی شکاف است. این شکاف‌ها حاوی مشخصه‌هایی از قاب مربوطه هستند. در اینجا نیز می‌توان از خاصیت سلسله مراتبی برای به اشتراک گذاشتن خواص مشابه استفاده کرد.

شکل زیر یک پیاده‌سازی از این تکنیک را نمایش می‌دهد.

قاب

در نهایت خروجی این مرحله، پایگاه دانشی خواهد بود که دانش موجود در آن به صورت قوانین کد شده ذخیره شده‌اند. در شکل زیر مراحل فرآیند بیان دانش نشان داده شده است.

فاز بیان دانش

بخش سوم: اعتبارسنجی دانش

طراحی آزمایش‌های موردی برای شناسایی و فیلترکردن دانش‌های غیر معتبر.

صحت و تأیید پایگاه دانش نقش بسیار مهمی را در استنتاج درست و تصمیم‌گیری صحیح یک سیستم هوشمند بر عهده دارد و در واقع می‌توان گفت که یک پایگاه دانش صحیح و تأیید شده، صحیح وکامل بودن یک سیستم هوشمند مانند سیستم خبره را در شرایط مختلف تضمین می‌کند. اعتبارسنجی و تأیید، در واقع یک پروسه ترکیبی برای تضمین کیفیت نرم‌افزار است. در تأیید محتوای پایگاه دانش، دانش‌های موجود در آن از نظر درستی، سازگاری و کامل بودن مورد بررسی قرار می‌‌گیرد. به معنای دقیق‌تر این مسئله که سیستم چه چیزهایی را می‌داند، چه چیزهایی را اشتباه می‌داند و چه چیزهایی را نمی‌داند در این مرحله سنجیده می‌شود و هر زمان که دانش جدیدی به پایگاه دانش اضافه می‌شود، پروسه تأیید و اعتبارسنجی، مخصوصاً مسأله تأیید دانش جدید، دوباره اعمال می‌شود.

این پروسه‌ها به منظور کشف عدم اعتبار دانش در سیستم‌های هوشمند نوشته شده‌اند که می‌توانند توانایی تصحیح موارد عدم اعتبار مکشوفه را نیز دارا باشند. برای اعتبارسنجی می‌توان سیستم را همانند یک کل و جعبه سیاه در نظر گرفت و کیفیت تصمیمات آن را ارزیابی کرد و یا می‌توان اجزای تشکیل دهنده‌ی سیستم را مورد بررسی قرار داد تا مشخص شود چرا یک تصمیم خاص اتخاذ شده است. به همین دلیل نیاز است تا علاوه بر ارزیابی دانش موجود، سیستم استنتاج نیز مورد بررسی قرار گیرد تا از بروز نتایج اشتباه جلوگیری شود.

در زیر مشاهده می‌شود پس از استنتاج قواعد جدید به وسیله‌ی دانش موجود، پایگاه دانش اعتبارسنجی شده تا برای مرحله‌ی استنتاج آماده شود.

فاز اعتبارسنجی دانش

در این مطلب با سه بخش سیستم‌های خبره آشنا شدیم؛ در مطلب بعدی به توضیح دو بخش دیگر یعنی مرحله استنتاج و توضیح دانش خواهیم پرداخت.

بخش بعدی این مطلب را در اینجا بخوانید.

 

 

شنبه ها قبل از شروع کار یک مقاله رایگان از لابراتوار رسانه برای بهبود کسب و کار خود دریافت کنید

 

درباره

پاسخ دهید
نشانی ایمیل شما منتشر نخواهد شد. بخش‌های مورد نیاز با * علامت‌گذاری شده‌اند.

شنبه ها قبل از شروع کار یک مقاله رایگان از لابراتوار رسانه برای بهبود کسب و کار خود دریافت کنید

شنبه ها قبل از شروع کار یک مقاله رایگان از لابراتوار رسانه برای بهبود کسب و کار خود دریافت کنید