میهن داک - میهن داکیومنت

مقاله هوش مصنوعي


کد محصول : 10001062 نوع فایل : word تعداد صفحات : 65 صفحه قیمت محصول : 7000 تومان تعداد بازدید 878

فهرست مطالب و صفحات نخست


هوش مصنوعي

مقدمه  ......................................................................................................................................    3
تاریخچه   ...............................................................................................................................    3
تعریف و طبیعت هوش مصنوعی .......................................................................................     4
فلسفۀ هوش مصنوعی.... .....................................................................................................     5
مدیریّت پیچیدگی  .................................................................................................................     6
چند سئوال و جواب  ............................................................................................................     9
سيستم هاي خبره...............................................................................................................     13
مزاياي‌ سيستم‌هاي‌ خبره  .................................................................................................     17
 انسان متخصص در مقايسه با سيستم هاي خبره     ................................................     19
مثالي براي درك كار سيستم هاي خبره    21
سيستم هاي خبره چه هستند ؟    .......................................................................................    22
 تكنيك هاي جستجو ..........................................................................................................     24
جستجو كوركورانه      ....... .............................................................................................     24
نمايش دانش   ...................................................................................................................     25
قوانين توليد  .......................................................................................................................     25 
مزاياي قوانين  ....................................................................................................................     26
قوانين هيوريستيك..............................................................................................................    27
قوانين محدوده ( دامنه )  ....................................................................................................    27
دانش رويه اي  ....................................................................................................................    28
معايب سيستم هاي توليد قانون  ......................................................................................    28
 شبكه هاي معنايي ..........................................................................................................    29
مزاياي توارث ....................................................................................................................     29
قاب ها    ..........................................................................................................................     30
نمونه هايي از اشيا قاب   ..................................................................................................     32
منطق   ................................................................................................................................     33
منطق گزاره اي  ...............................................................................................................      34
منطق محصولات  ...... .....................................................................................................       36
استنتاج    .........................................................................................................................      37
عملكرد موتور استنتاج .................................................................................................... .     37
استراتژي هاي استنتاج ....................................................................................................     40
استنتاج قياسي   ...............................................................................................................     40 
استنتاج استقرايي   ...........................................................................................................      41
استنتاج انتزاعي   ............................................................................................................       41
كاربرد سيستم هاي خبره   .............................................................................................      43
واسط هاي هوشمند .......................................................................................................        46
دلايل بدبيني نسبت به سيستم هاي خبره ....................................................................        48
آينده سيستم هاي خبره ................................................................................................        50
ابزار هاي توسعه سيستم هاي خبره ............................................................................       52
زبان هاي برنامه نويسي ..............................................................................................         52
پوسته هاي سيستم خبره...............................................................................................        54
ابزار هاي هوش مصنوعي ...........................................................................................         55
ارزيابي پوسته هاي سيستم خبره  ...............................................................................       59

مقدمه
هوش مصنوعی (artificial intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونا‌گون و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهم‌ترین عامل توسعه و رشد هوش مصنوعی بوده‌است، هم اکنون از فراورده‌های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی‌ها و نرم افزارهای رایانه‌ای استفاده می‌شود.
تاریخچه
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آن‌ها به انجام رسانند.
تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
1.    سیستم‌هایی که به طور منطقی فکر می‌کنند
2.    سیستم‌هایی که به طور منطقی عمل می‌کنند
3.    سیستم‌هایی که مانند انسان فکر می‌کنند
4.    سیستم‌هایی که مانند انسان عمل می‌کنند
5.    شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند».
فلسفۀ هوش مصنوعی
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقي ميشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از كامپیوتر و الگوگيری از درک هوش انسانی و نهايتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی ميباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسايل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هايی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتيجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشي نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
بطور كلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعۀ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
مدیریّت پیچیدگی
ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریّت پیچیدگی را باید به عنوان هستۀ بنیادین تلاش‌های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه‌های علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming)، یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم، و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی، در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر و بالاتر تجرید را نشانه می‌رود، تا آنجا که، سر‌انجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها به کار مشغولند.
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.
هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.
سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم‌ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم‌ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم‌ها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند.
سیستم‌های خبره
سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش ا‌ست که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه ‌حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی‌ست. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.
عامل‌های هوشمند
عامل‌ها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود می باشند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود. این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.
چند سئوال و جواب
 از زبان پروفسور بازنشسته دانشگاه استنفورد و مؤسس آزمایشگاه هوش مصنوعی دانشگاه استنفورد ، جان مک کارتی، از سیر تا پیاز هوش مصنوعی را برای شما تعریف می کند.
هوش مصنوعی چیست ؟
هوش مصنوعی دانش و مهندسی ساخت ماشین های هوشمند و به خصوص برنامه های رایانه ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از کامپیوتر ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش هایی محدود کند که بیولوژیکی باشند.


 "هوش" چه چیزی است ؟
هوش بخش محاسباتی توانایی است در وجود یک نفر یا شیء برای رسیدن به یک سری اهداف در دنیا. انواع و درجه های مختلفی از هوش در آدم ها، حیوانات و ماشین ها وجود دارد.
 
آیا تعریف مستقلی از هوش (بدون ارتباط با هوش انسان) وجود دارد ؟
نه هنوز. مشکل این است که ما اهنوز نتوانسته ایم به طور کلی مشخص کنیم که به کدام یک از روش های محاسباتی می خواهیم «هوش» بگوییم. چون از بعضی از مکانیزم های هوش سر در آورده ایم و از بقیه نه.
 
آیا هوش مصنوعی درباره شبیه سازی هوش انسانی است ؟
گاهی اوقات بله اما نه همیشه. از یک طرف ما با مشاهده آدم های دیگر و یا فقط با مشاهده روش های خودمان، می توانیم چیزهایی درباره حل مسائل توسط ماشین ها یاد بگیریم. از طرف دیگر بیشتر کارها در هوش مصنوعی بیشتر از این که بر اساس مطالعه آدم ها و حیوانات باشد، شامل مطالعه مسایلی است که دنیا به هوش ارائه می کند. محققان هوش مصنوعی برای استفاده از روش هایی که آدم های از آن استفاده نمی کنند و یا استفاده از قدرت محاسباتی بیشتر از توانایی آدم ها آزاد هستند.
 
تحقیقات هوش مصنوعی از کی شروع شد ؟
بعد از جنگ جهانی دوم، تعدادی از آدم ها به طور مستقل کار روی ماشین های هوشمند را شروع کردند. اولین نفر احتمالا ریاضیدان انگلیسی، آلن تورینگ، است. او در سال 1947 در این باره سخنرانی کرد. او احتمالا اولین نفری هم هست که گفت تحقیقات هوش مصنوعی به جای ساخت ماشین ها بهتر است با برنامه نویسی رایانه ها ادامه پیدا کند. تا اواخر 1950 محققان زیادی در این حوزه فعالیت می کردند و بیشتر آن ها کارشان را بر اساس برنامه نویسی رایانه ها قرار داده بودند.

 آیا هدف هوش مصنوعی ایجاد چیزی مثل فکر انسان برای رایانه ها است ؟
بعضی محققان می گویند که آن ها چنین هدفی دارند، اما شاید آن ها دارند از یک اصطلاح مشابه استفاده می کنند. چون فکر انسان ویژگی های عجیب و غریبی دارد و من مطمئن نیستم که کسی به طور جدی بخواهد ساخت همه ویژگی های فکر آدم را عملی کند.
 آیا هدف هوش مصنوعی رسیدن به هوشی هم سطح هوش انسان است؟
بله. نهایت تلاش، ساخت برنامه های رایانه ای است که بتواند به خوبی انسان مسائل را حل کنند و به اهداف مورد نظر برسند. اگر چه سطح آرزو های خیلی از آدم های در گیر در هوش مصنوعی، به خصوص در زمینه های تحقیقاتی، کمتر از این حرف هاست.
 هوش مصنوعی چقدر با رسیدن به هوش هم سطح انسان فاصله دارد ؟ این اتفاق کی می افتد ؟
بیشتر محققان هوش مصنوعی عقیده دارند که برای رسیدن به هوش هم سطح انسان، ایده های جدیدی لازم است. برای همین نمی توان پیش بینی کرد چه وقتی می توان به هوش هم سطح انسان رسید.

 آیا از بین ماشین ها، رایانه ها انتخاب خوبی برای هوشمند شدن هستند ؟
رایانه های می توانند برای شبیه سازی هر نوع ماشینی برنامه ریزی شوند. خیلی از محققان ماشین های غیر رایانه ها اختراع کردند به این امید که آن ها بتوانند با روش هایی غیر از روش هایی که برنامه های رایانه ای هوشمند می شوند، هوشمند شوند. اگر چه آن ها معمولا ماشین های اختراعی شان را در رایانه ها شبیه سازی می کنند و در شک و تردید می افتند که ماشین جدید ارزش ساخت دارد یا نه. به خاطر میلیارد ها دلاری که صرف سریع تر و سریع تر کردن رایانه ها شده است، ماشین جدید باید خیلی سریع باشد تا بتواند بهتر از برنامه ي رایانه ای، که همان ماشین را شبیه سازی می کند، عمل کند.
 
آیا رایانه های برای هوشمند شدن به اندازه کافی سریع هستند ؟بعضی ها فکر می کنند هم به رایانه های سریع تر نیاز داریم و هم به ایده های جدید. عقیده شخصی من این است که رایانه های 30 سال پیش هم به اندازه کافی سریع بودند، اگر ما می دانستیم چگونه آن ها را برنامه ریزی کنیم.
 
آیا امکان ساخت «یک ماشین کودک» وجود دارد که با خواند و یاد گرفتن از تجربه هایش بتواند رشد کند و هوش خود را توسعه دهد ؟
این ایده بارها پیشنهاد شده است. اولین بار هم در دهه 1940 بود. سرانجام هم این کار انجام خواهد شد. به هر حال برنامه های  هوش مصنوعی به سطحی نرسیده اند که قادر به یادگیری بیشتر از چیزهایی که بچه ها از تجربیات عملی یاد می گیرند، باشند. هم چنین برنامه های فعلی به اندازه کافی از زبان سر در نمی آورند که بخواهند با خواندن چیزی یاد بگیرند.
 آیا ممکن است که یک سیستم هوش مصنوعی قادر باشد با فکر کردن درباره هوش مصنوعی، خودش سطح هوشش را بالا ببرد ؟
من فکر می کنم ممکن است، اما الان در سطحی از هوش مصنوعی نیستیم که این کار بخواهد شروع شود.
 شطرنج این طوری نیست ؟
بازی شطرنج به مکانیزم های فکری مشخصی نیاز دارد و به خیلی دیگر از مکانیزم های فکری نیاز ندارد. برنامه های شطرنج الان در سطح جهانی بازی می کنند، اما آن ها با جایگزینی مقادیر زیادی محاسبات به جای ادراک، از مکانیزم های فکری محدودی در مقایسه با مکانیز های استفاده شده توسط یک شطرنج باز استفاده می کنند. زمانی که ما این مکانیزم ها را بهتر بفهمیم می توانیم برنامه های شطرنجی هم سطح انسان بسازیم که محاسبات کمتری را نسبت به برنامه های فعلی انجام دهند. متاسفانه جنبه های رقابتی و تجاری ساخت رایانه های شطرنج باز، بر استفاده از شطرنج به عنوان یک حوزه علمی پیشی گرفته است.
 
آیا کسانی هستند که بگویند ساخت هوش مصنوعی ایده بدی است ؟
جان سرل که یک فیلسوف است می گوید ایده هوشمند بودن یک ماشین غیربیولوژیک تناقض دارد. یک فیلسوف دیگر هیوبرت دریفوس می گوید که رسیدن به هوش مصنوعی غیر ممکن است. دانشمند رایانه جوزف ویزنبام می گوید این ایده زشت، ضد انسانی و غیراخلاقی است.
آدم های مختلفی گفته اند که چون هوش مصنوعی تا به حال به هوش هم سطح انسان نرسیده است، این کار به طور کلی غیر ممکن است. بعضی دیگر هم نا امید هستند چون شرکت هایی که در این زمینه سرمایه گذاری کردند، ورشکست شدند.
 
سيستم‌هاي‌ خبره‌
سيستم‌هاي‌ خبره‌، برنامه‌هاي‌ كاميپوتري‌ هوشمندي‌ هستند كه‌ دانش‌و روشهاي‌ استنباط و استنتاج‌ را بكار مي‌گيرند تا مسائلي‌ را حل‌ كنند كه‌براي‌ حل‌ آن‌ها به‌ مهارت‌ انساني‌ نياز است‌. سيستم‌هاي‌ خبره‌ كاربر را قادر به‌ مشاوره‌ با سيستم‌هاي‌ كامپيوتري‌در مورد يك‌ مسئله‌ و يافتن‌ دلايل‌ بروز مسئله‌ و راه‌حل‌هاي‌ آن‌ مي‌كند.در اين‌ حالات‌ مجموعه‌ سخت‌افزار و نرم‌افزار تشكيل‌ دهنده‌ سيستم‌خبره‌، مانند فرد خبره‌ اقدام‌ به‌ طرح‌ سئوالات‌ مختلف‌ و دريافت‌پاسخ‌هاي‌ كاربر، مراجعه‌ به‌ پايگاه‌ دانش‌ (تجربيات‌ قبلي‌) و استفاده‌ ازيك‌ روش‌ منطقي‌ براي‌ نتيجه‌گيري‌ و نهايتا ارائه‌ راه‌حل‌ مي‌نمايد.همچنين‌ سيستم‌ خبره‌ قادر به‌ شرح‌ مراحل‌ نتيجه‌گيري‌ خود تا رسيدن‌ به‌هدف‌(چگونگي‌ نتيجه‌گيري‌)و دليل‌ مطرح‌ شدن‌ يك‌ سئوال‌ اجرايي‌(روش‌ حركت‌ تا رسيدن‌ به‌ هدف‌)خواهد بود. سيستم‌هاي‌ خبره‌ برخلاف‌ سيستم‌هاي‌ اطلاعاتي‌ كه‌ بر روي‌ داده‌ها(Data) عمل‌ مي‌كنند، بر دانش‌ (Knowledge) متمركز شده‌ است‌. همچنين‌ دريك‌ فرآيند نتيجه‌گيري‌، قادر به‌ استفاده‌ از انواع‌ مختلف‌ داده‌ها عددي‌(Digital)، نمادي‌ Symbolic و مقايسه‌ ای (Analog) مي‌باشند. يكي‌ ديگر ازمشخصات‌ اين‌ سيستم‌ها استفاده‌ از روشهاي‌ ابتكاري‌ (Heuristic) به‌ جاي‌روشهاي‌ الگوريتمي‌ مي‌باشد. اين‌ توانايي‌ باعث‌ قرار گرفتن‌ محدودوسيعي‌ از كاربردها در برد عملياتي‌ سيستم‌هاي‌ خبره‌ مي‌شود. فرآيندنتيجه‌گيري‌ در سيستم‌هاي‌ خبره‌ بر روشهاي‌ استقرايي‌ و قياسي‌ پايه‌گذاري‌شده‌ است‌. از طرف‌ ديگر اين‌ سيستم‌ها مي‌توانند دلايل‌ خود در رسيدن‌به‌ يك‌ نتيجه‌گيري‌ خاص‌ و يا جهت‌ و مسير حركت‌ خود به‌ سوي‌ هدف‌را شرح‌ دهند. با توجه‌ به‌ توانايي‌ اين‌ سيستم‌ها در كار در شرايط فقدان‌اطلاعات‌ كامل‌ و يا درجات‌ مختلف‌ اطمينان‌ در پاسخ‌ به‌ سئوالات‌ مطرح‌شده‌، سيستم‌هاي‌ خبره‌ نماد مناسبي‌ براي‌ كار در شرايط عدم‌ اطمينان‌(Uncertainty) و يا محيطهاي‌ چند وجهي‌ مي‌باشند.

سيستم هاي خبره شامل بخش هاي زير هستند:
1.      پایگاه دانش( Knowledge Base )
 محلی است که دانش خبره به صورت کد گذاری شده و قابل فهم برای سیستم ذخیره می شود. به کسی که دانش خبره را به صورت کد گذاری شده در می آورد و وارد Knowledge Base می کند، مهندس دانش (Knowledge Engineer) گفته می شود. به طور کلی دانش به صورت عبارات شرطی و قواعد در Knowledge Base ذخیره می گردد. مانند عبارات زیر :
اگر چراغ قرمز است آنگاه متوقف شود.
هر گاه این واقعیت وجود داشته باشد که چراغ قرمز است ، آنگاه این واقعیت با الگوی "چراغ قرمز است" منطبق می شود. در این صورت این قاعده ارضا می شود و عمل یا اقدام این قاعده یعنی "متوقف شو" انجام می گیرد.
2.      امکانات کسب دانش
اکتساب دانش شامل تمام مراحلی است که طی آن دانش به فرم قابل استفاده در یک سیستم خبره تیدیل می گردد. اولین وظیفه مهندس دانش آشنایی با محدوده کاربردی موردنظر و درک مفاهیم پایه ای و فرضیه ای می باشد. این اطلاعات اغلب در کتابها،مراجع،مستندات و امثال آن یافت می شوند. اما از آنجایی که این منابع دانش به سرعت کهنه می شوند (به روز نیستند) به مصاحبه با افراد متخصص نیاز می باشد.دیگر تکنیک های کسب دانش عبارتند از :مشاهده،مطالعات موردی،تحلیل پروتکل،نقش بازی،شبکه فهرست و ... می باشند.
3.     موتور استنتاج یا  Inference Engine
حتی موقعی که قلمرو دانش را با قوانین نمایش می دهیم باز هم یک فرد خبره باید مشخص کند که کدام قوانین را برای حل مساله خاصی به کار می برد.علاوه بر این باید مشخص کند که این قوانین را در چه رده ای به کار می برد به طور مشابه یک سیستم خبره نیاز خواهد داشت تا تصمیم بگیرد که چه قانونی و در چه مورد و رده ای باید برای ارزیابی انتخاب شود.
برای این که این کار صورت گیرد سیستم خبره یک موتور استنتاج با استفاده از قواعد منطق و دانش موجود در Knowledge Base و حقایق موجود در حافظه ی کاری، اقدام به انجام کار خاصی می کند. این عمل یا به صورت افزودن حقایق جدیدی به Knowledge Base می باشد یا به صورت نتیجه ای برای اعلام کردن برای کاربر یا انجام کار خاصی می باشد. موتور استنتاج تعیین می کند که قسمت شرطی کدام قاعده توسط حقایق موجود ارضا شده است. دو روش استنتاج، یعنی روش استنتاج پیشرو و روش استنتاج پسرو به عنوان استراتژی های حل مساله در سیستم های خبره بکار می روند.
روش استنتاج پیشرو از واقعیات یا حقایق شروع به استدلال می کند تا به نتایجی برسد که از این واقعیات ناشی می شوند. به عنوان مثال اگر شما قبل از خروج از منزل ببینید که باران می آید (واقعیت)، یک چتر با خود بر می دارید (نتیجه).
استنتاج پسرو با روشی معکوس استدلال می کند به این ترتیب که سعی دارد از فرضیه یعنی یک نتیجه ی بالقوه که باید ثابت شود به واقعیات یا حقایقی که پشتیبان این فرضیه هستند برسد. به عنوان مثال اگر شما هوای بیرون از خانه را ندیده باشید و یک نفر با کفش های خیس و چتر وارد خانه شود، فرضیه شما این خواهد بود که باران آمده است. به منظور پشتیبانی از این فرضیه، از آن فرد سوال می کنید که آیا هوا بارانی است؟ اگر پاسخ فرد مثبت باشد، ثابت می شود که فرضیه صحیح است و تبدیل به یک واقعیت یاحقیقت خواهد شد.
بسته به نوع طراحی سیستم، موتور استنتاج ممکن است با روش پسرو و یا پیشرو استنتاج کند. انتخاب موتور استنتاج بستگی به نوع مساله دارد. در مسایل تشخیصی بهتر است با روش پسرو کار کنیم در حالی که در مسایل پیش بینی، نظارت و کنترل، بهتر است از روش پیشرو استفاده کنیم.
4.      Explanation Facilities یا امکانات توضیح
 برای نشان دادن مراحل نتیجه گیری سیستم خبره برای یک مساله خاص با واقعیت خاص به کاربر  به زبان قابل فهم برای کاربر به کار می رود. این امکانات این فایده را دارد که کاربر با دیدن مراحل استنتاج اطمینان بیشتری به تصمیم گرفته شده توسط سیستم خواهد داشت.  و خبره ای که دانش او وارد پایگاه دانش شده است اطمینان حاصل خواهد کرد که دانش او به صورت صحیح وارد پایگاه دانش شده است.
5.      واسط کاربر
واسط کاربر یک سیستم خبره،طبیعتاً باید از قدرت تبادلی بالایی برخوردار باشد تا ساختار تبادل اطلاعات به شکل گفتگوی یک متقاضی و انسان خبره صورت گیرد.واسط کاربر سیستم خبره نه تنها کاربر را قادر می سازد تا به سوالات پاسخ دهد بلکه کاربر را مجاز می سازد عملیات اجرایی سیستم را با پرسش در مورد توضیحات داده شده قطع نماید.برای مثال اگر به یک کاربر سیستم خبره پزشکی گفته شود که بیمار منژیت دارد کاربر ممکن است بخواهد بداند که سیستم چگونه به این نتیجه رسیده است.
كه در بخش هاي آتي به شرح آنها خواهيم پرداخت.
 مزاياي‌ سيستم‌هاي‌ خبره
مزاياي‌ سيستم‌هاي‌ خبره‌ را مي‌توان‌ به‌ صورت‌ زير دسته‌بندي‌ كرد:
•    افزايش قابليت‌ دسترسي‌: تجربيات‌ بسياري‌ از طريق‌ كامپيوتر دراختيار قرار مي‌گيرد و به‌ طور ساده‌تر مي‌توان‌ گفت‌ يك‌ سيستم‌ خبره‌،توليد انبوه‌ تجربيات‌ است‌.
•    كاهش‌هزينه‌:هزينه‌كسب‌تجربه‌براي‌كاربربه‌طورزيادي‌كاهش‌مي‌يابد.
•    كاهش‌ خطر: سيستم‌ خبره‌ مي‌تواند در محيطهايي‌ كه‌ ممكن‌ است‌براي‌ انسان‌ سخت‌ و خطرناك‌ باشد نيز بكار رود.
•    دائمي‌ بودن‌: سيستم‌هاي‌ خبره‌ دائمي‌ و پايدار هستند. بعبارتي‌ مانندانسان‌ها نمي‌ميرند و فنا ناپذيرند.
•    تجربيات‌ چندگانه‌: يك‌ سيستم‌ خبره‌ مي‌تواند مجموع‌ تجربيات‌ وآگاهي‌هاي‌ چندين‌ فرد خبره‌ باشد.
•    افزايش‌ قابليت‌ اطمينان‌: سيستم‌هاي‌ خبره‌ هيچ‌ وقت‌ خسته‌ وبيمار نمي‌شوند، اعتصاب‌ نمي‌كنند و يا عليه‌ مديرشان‌ توطئه‌ نمي‌كنند، درصورتي‌ كه‌ اغلب‌ در افراد خبره‌ چنين‌ حالاتي‌ پديد مي‌آيد.
•    قدرت‌ تبيين‌ (Explanation): يك‌ سيستم‌ خبره‌ مي‌تواند مسير و مراحل‌استدلالي‌ منتهي‌ شده‌ به‌ نتيجه‌گيري‌ را تشريح‌ نمايد. اما افراد خبره‌ اغلب‌اوقات‌ بدلايل‌ مختلف‌ (خستگي‌، عدم‌ تمايل‌ و…) نمي‌توانند اين‌ عمل‌ رادر زمانهاي‌ تصميم‌گيري‌ انجام‌ دهند. اين‌ قابليت‌، اطمينان‌ شما را در موردصحيح‌ بودن‌ تصميم‌گيري‌ افزايش‌ مي‌دهد.
•    پاسخ‌دهي‌سريع‌:سيستم‌هاي‌خبره‌،سريع‌ودراسرع‌وقت‌جواب‌مي‌دهند.
•    پاسخ‌دهي‌ در همه‌ حالات‌: در مواقع‌ اضطراري‌ و مورد نياز،ممكن‌ است‌ يك‌ فرد خبره‌ بخاطر فشار روحي‌ و يا عوامل‌ ديگر، صحيح‌تصميم‌گيري‌ نكند ولي‌ سيستم‌ خبره‌ اين‌ معايب‌ را ندارد.
•    پايگاه‌ تجربه‌: سيستم‌ خبره‌ مي‌تواند همانند يك‌ پايگاه‌ تجربه‌عمل‌ كند وانبوهي‌ از تجربيات‌ را در دسترس‌ قرار دهد.
•    آموزش‌ كاربر(Intelligent Tutor): سيستم‌ خبره‌ مي‌تواند همانند يك‌ خودآموز هوش‌() عمل‌ كند. بدين‌ صورت‌ كه‌ مثالهايي‌ را به‌ سيستم‌ خبره‌مي‌دهند و روش‌ استدلال‌ سيستم‌ را از آن‌ مي‌خواهند.
•    سهولت‌ انتقال‌ دانش‌: يكي‌ از مهمترين‌ مزاياي‌ سيستم‌ خبره‌،سهولت‌ انتقال‌ آن‌ به‌ مكان‌هاي‌ جغرافيايي‌ گوناگون‌ است‌. اين‌ امر براي‌توسعه‌كشورهايي‌كه‌ استطاعت‌ خريد دانش‌ متخصصان‌راندارند،مهم‌است‌.
انسان متخصص در مقايسه با سيستم هاي خبره

مزاياي كامپيوتر
انسان متخصص موقت است . به عنوان مثال انسان ها ممكن است تغيير شغل بدهند و يا بيمار شوند و غيره ولي كامپيوتر دائمي است.
انسان متخصص هميشه ثابت ( قدم ) نيست . چرا كه انسان مي تواند روزهاي تعطيلي داشته باشد يا بعضي اوقات برنامه زماني كاملا مشغول داشته باشد و همه اين عوامل ناسازگار روي انجام كارها تاثير مي گذارد . كامپيوتر ها هميشه هستند و با هر گونه شرايط ناسازگار به طور يكنواخت كار مي كنند .
انسان متخصص به راحتي قابل انتقال نيست و يك انسان به طور همزمان نمي تواند در دو مكان حضور  داشته باشد ولي كامپيوتر نسبت به انسان راحتتر قابل انتقال است . به عنوان مثال  اجراي يك سيستم خبره در يك كامپيوتر مي تواند در يك سايت متفاوت روي كامپيوتر هاي ديگر نيز صورت گيرد و يا حتي از اينترنت بار گردد .
هزينه انسان متخصص زياد است . حقوق ماهيانه كارمندان از بهاي كامپيوتر شخصي ، سخت افزار كامپيوتر و نيز نرم افزار آن بيشتر مي باشد .
مزاياي انسان
انسان ها خلاق هستند اغلب اوقات الهام بخش هستند ولي كامپيوتر ها چنين نيستند .
انسان ها انعطاف پذير هستند و به آساني خود را با شرايط وفق مي دهند و با دانش و تخصص خود را با قلمرو دانش خود به كار مي بندند و تنها در يك محدوده خاص از مسائل تمركز دارند .
گرچه سيستم هاي خبره قابليت يادگيري  دارند اما در مقايسه با انسان قدرت يادگيريشان بسيار ضعيف مي باشد .
فوائد سيستم هاي خبره
فوائد سيستم هاي خبره مي تواند ، هم در سازمان و هم در انجام كارهاي انفرادي و شخصي درون سازمان مشاهده شود.
مزاياي سازماني سيستم هاي خبره
نگهداري دانش : دانش هميشه موجود است . برخلاف انسان متخصص كه ممكن است جريان كار را عوض نموده و يا كناره گيري كندو غيره .
توزيع دانش :دانش مي تواند در شركت هاي مختلف و يا در هر جاي ديگر دنيا توزيع شود و اين كار با به كارگيري شبكه ها و با تكثير سيستم هاي خبره روي سخت افزار انجام مي شود.
آموزش : در شرح قابليت هاي سيستم خبره ، كاربران مي توانند زنجيره استدلال تصميماتشان را ببينند و دركي بهتر از مساله به دست آورند .
رقابت :
 سيستم هاي خبره معمولا به شركت ها يك لبه رقابت آميز مي دهند كه باعث افزايش سرعت پاسخ دهي و دقت تصميمات و غيره مي شود .
كاهش قيمت :قيمت ايجاد اجزا به وسيله كاربر پايين تر است . چون كامپيوتر ها هزينه زيادي را براي به اشتراك گذاري دانش خود صرف نمي كنند .

مزاياي فردي سيستم هاي خبره
دسترسي به دانش : متخصص خبره همواره بر روي سخت افزار هر كامپيوتر قابل استفاده است
آموزش : ارزش آموزش مي تواند يك مزيت براي كارفرما و كارمند باشد .
سازگاري : كاربر خواهد دانست كه خبره جايزالخطا نيست و اين طور نيست كه سيستم خبره روز هاي تعطيل داشته يا احساس بيماري كند و يا اينكه خيلي چيز هاي ديگر در فكرش باشد .
مثالي براي درك كار سيستم هاي خبره
طرحي براي بيان نقص كامپيوتر شخصي
فرض كنيد خانمي از يك فروشگاه كامپيوتر خريد فقط با اين هدف كه زمان رسيدن او را به خانه پيدا كند ، كه آن كامپيوتر به درستي كار نكرد. او مي توانست براي بررسي فني به فروشنده تلفن كند و يا او مي توانست با يك متخصص صحبت كند كه متخصص نيز با پرسيدن يك سري پرسش ها از قبيل اينكه آيا لامپ power كامپيوتر روشن است يا اينكه آيا كابل در جاي خود متصل است يا خير نقص را تشخيص دهد .
شخص با اين سوالات داده را فراهم مي كند و جواب هاي داده شده فرد متخصص را قادر خواهد ساخت تا دانش را در مورد اين مسئله به كار گيرد و راجع به اينكه نقص احتمالي است يا خير نتيجه بگيرد و با توجه به تشخيص خود چاره كار را پيشنهاد كند . يك سيتم خبره قوانين را در مورد داده ، در مسيري مانند يك متخصص به كار مي برد.
انسان متخصص قوانين به دست آمده ذهني را بري تشخيص نقص به كار مي برد . اين ابتكارات به عنوان قوانيني از قبيل اينكه اگر لامپ power كامپيوتر شخصي خاموش است پس بررسي كنيد كه كليد power روشن است و غيره ذخيره مي شود . فرد متخصص ياد گرفته است كه اين ابتكارات را كي و چطور به كار برد . علاوه بر اين يك متخصص دانش جديد را از پاسخ هاي ارائه شده به پرسش ها استنباط مي كند به عنوان مثال اگر كليد power خاموش است ، پس لامپ روشن نخواهد شد . دانش جديد ، كه لامپ power روشن نخواهد شد از داده ارائه شده استنباط شده است و آن داده اين است كه كليد power خاموش است . اين فرآيند در اغلب روش هاي مشابه مثل موقعي كه يك متخصص پزشكي در حال تشخيص بيماري يك بيمار است يا موقعي كه يك مشاور سرمايه گذاري در حال مشورت بك يك ارباب رجوع در مورد يك انتخاب مناسب براي سرمايه گذاري مي باشد ، رخ مي دهد .
سيستم هاي خبره چه هستند ؟
يك سيستم خبره ، برنامه اي است كه سعي مي كند از انسان متخصص ، در استفاده از روش هاي استنتاج براي يك قالب معين از دانش تقليد كند . اين قالب از دانش حوزه ناميده مي شود اينكه فرق بين داده ، اطلاعات و دانش معلوم باشد بسيار مهم است . داده ، چيزي بيشتر از يك دسته نشانه هاي الفبايي نيست . در زير يك سري از داده ها را مي بينيم .

ليست فوق يك گروه از نشانه ها مي باشند كه به تنهايي معنايي ندارند و فقط زماني معني مي دهند كه زمينه يا متني به آن ها اضافه شود كه در اين صورت اطلاعات ناميده مي شوند . آيتم هاي فوق در زير ، به اطلاعات تبديل شده اند :
 
  جوايز مسابقات را يادآوري مي كند .
 
  يك گروه نوازنده معروف  در انگلستان هستند .
هر آيتم در ليست فوق از يك سري مشخصه هاي الفبايي ( داده ) به يك سري اطلاعات معني دار تبديل شده است . به اين صورت كه علامت   در كاراكتر a به مبلغي از پول اشاره مي كند . كاراكتر b علامت هاي داده ، در بعضي مسابقات را نشان مي دهد . كاراكتر c ، به يك دماي خيلي سرد اشاره مي كند و آيتم نهايي به يك گروه نوازنده معروف در انگلستان كه Oasis ناميده مي شود اشاره مي كند . حال به آيتم هاي زير توجه كنيد . اين آيتم ها دانش است كه از راه تجربه و آزمايش به دست آمده اند . ملاحظه كنيد كه هر بخش ارتباط بين فرضيه ها و قواعد را براي عمليات روي آنها ، بيان مي كند .
.a هوا باراني است و به اين دليل من خيس خواهم شد.
.b دما   است و بنابر اين سرد است .
.c موتور ماشين داغ است ، پس بايد مورد استفاده قرار گرفته باشد.
.d Oasis نوازنده هايي موفق هستند.
دانش با اطلاعات فرق دارد . اطلاعات غير فعال بوده ، پويا نمي باشند . در حاليكه مفهوم دانش ، فعال است به اين معني كه با توسعه و پيشرفت چيز هاي جديد توليد مي شود . براي مثال در بخش a از ليست فوق تجربه به ما مي گويد كه اگر در باران بيرون برويم ، خيس خواهيم شد و ما از اين اطلاعات كه خيس خواهيم شد نتيجه مي گيريم كه هوا باراني است . اين دانش به صورت قواعد نشان داده شده است. هر چند به بعدا خواهيم ديد كه راه هاي ديگري نيز براي نمايش دانش وجود دارد . به همين صورت بخش d توضيح مي دهد كه Oasis نوازنده هاي معروفي هستند و از دانش اين دانش استنباط مي شود كه آن ها  ميليونر هستند ( تجربه زيركانه اي وجود دارد مبني بر اينكه گروه هاي نوازنده موفق معمولا پولدار مي شوند ).
راه حل اينگونه مسائل به وسيله جستجو در بين حالات ممكن مي باشد . در مورد مثال نقص كامپيوتر جستجوي ما شامل يافتن علت نقص مي باشد .  راه حل اين گونه 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 ترتيب صحيح جابجايي ها  نياز دارد تا به حالت نهايي برسد ، كه اين يك جستجو در فضاي حالت ممكن است . فضاي جسجتو به صورت ساختاري سلسله مراتبي كه درخت ناميده مي شود ارائه مي گردد.
يك درخت ساختاري ، سلسله مراتبي است كه شامل گره ها و شاخه هايي است كه گره ها را به هم متصل مي كند .  از اين رو هر گره در نمودار درختي يك شهر را نمايش مي دهد و هر شاخه به عنوان يك راه نمايش داده مي شود . مسير راه حل از حالت نهايي خاتمه مي يابد . توجه كنيد كه در يك مساله هوش مصنوعي ممكن است بيشتر از يك راه حل داشته باشيم يعني بيشتر از يك راه براي رسيدن از حالت اوليه به حالت نهايي وجود داشته باشد .
تكنيك هاي جستجو
درك اين قضيه مشكل نيست كه باور نمائيم فضاي جستجو به همان صورت كه گره ها افزايش مي يابند ، سريعا بزرگ مي شود . اين امر هميشه در مسائل عمده هوش مصنوعي مثل بازي شطرنج به مثابه مانع بزرگي بوده است . اين پديده انفجار تركيبي ناميده مي شود.
انفجار  تركيبي باعث گسترش تكنيك هاي هيوريستيك شده است . تكنيك هاي جستجو به دو دسته تقسيم مي شوند . جستجوي كوركورانه و جستجوي هيوريستيك .
جستجو كوركورانه
با اين تكنيك جستجو ، يك طرح ترتيبي انتخاب شده و تا زماني كه يك راه حل يافت شود و يا فضاي جستجو به اتمام برسد ، مورد استفاده قرار مي گيرد .
 در اينجا دو روش براي مديريت يك جستجوي كوركورانه وجود دارد : روش اول عمق و روش اول پهنا. كه در روش اول عمق جستجو از گره ريشه شروع مي شود و در سطح پايين تر هر 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 جستجوي اول عمق در شكل 2-3 به طور پياپي مساله انتقال صورت گرفته است . شروع از گره A بوده است و سپس گره B  سطح پايين بعدي به حساب آمده ولي هدف مساله 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 پائين تر اين گره نيز ادامه پيدا مي كند و به 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 G ادامه مي يابد . هيچ راه حلي يافت نشده است . بنابر اين 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 به وجود مي آيند و سطح به سطح و تا اندازه اي عمق به عمق امتحان مي شوند  و بر اين اساس جستجو روي درخت 3-2 صورت مي گيرد .
گره B به دنباله گره A بررسي مي شود ، گره B هدف نيست ، بنابر اين گره 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 .
نمايش دانش
قوانين توليد
گروه بزرگي از سيستم هاي خبره از قوانين كه گاهي اوقات توليد ناميده مي شوند ، براي نمايش دانش استفاده مي كنند . شهرت قوانين به سپس آساني و راحتي آن ها در كاربرد مي باشد . قوانين معمولا به شكل زير نمايش داده مي شوند .
عمل ( ها ) Then     شرط ( ها ) if
قسمت if در سمت چپ يك قانون حل مسئله ، شرط ها را كه گاهي اوقات پيش فرض ها ناميده مي شوند توصيف مي كنند . پيش فرض ها بايد درست باشند تا قانون بتواند عمل نمايد .
قسمت Then در سمت راست ، مجموعه عمليات را ، كه نتايج ناميده مي شوند توصيف مي كند . اگر قانون قابليت اجرا داشته باشد نتايج دنبال مي شوند .
مثال
سرعت ماشين بسيار زياد باشد if
پاي خود را روي ترمز فشار دهيد . Then
مثال بالا نشان مي دهد كه اگر شرط خاص سرعت ماشين بسيار زياد باشد محقق شود آنگاه قسمت عمل انجام مي شود .قوانين ممكن است شامل چندين شرط و يا چندين عمل باشند كه مي توان با بكاربردن AND كه عطف ( تركيب عطفي) ناميده مي شود و يا OR كه انفصال ( تركيب فصلي ) ناميده مي شود با هم تركيب شوند.
مثال زير دو شرط را نشان مي دهد كه تركيب شده اند :
مثال 
اتاق سرد است if
اتاق تاريك است and
بهترين گياه خانگي پيچك مي باشد . Then
مزاياي قوانين
عوامل زير فاكتور هايي هستند كه سبب استفاده گسترده از قوانين در سيستم هاي خبره مي شوند اين عوامل عبارتند از :
•    سادگي :  شكل قوانين از مدل فيزيكي خوبي براي نمايش دانش برخوردار مي باشد چرا كه آن ها بسيار نزديك به استدلال انسان هستند .اين ويژگي سيستم هاي مبتني بر قوانين را در مقايسه با ديگر روش هاي نمايش دانش ، روشي ساده تر و راحتتر جلوه مي دهد .
•    واحد مندي : به اين معني كه بلاك هاي قوانين مي توانند مستقل از هم نوشته شوند و سپس به پايگاه قوانين اضافه شوندو درستي آن ها كنترل شود . بنابر اين سيستم هاي خبره مبتني بر قوانين به آساني مي توانند به قطعات قابل مديريت شكسته شوند تا راحتتر ايجاد گردند . اين خاصيت است كه پايگاه هاي دانش را قادر خواهد ساخت مرحله به مرحله ساخته شده و قدم به قدم توسعه يابند .
•    تشريح ( توصيف ) : سيستم هاي مبتني بر قوانين امكانات تشريح( توصيف ) ساده و شفافي را ايجاد مي كنند.
•    عدم قطعيت : يك سري تكنيك هايي ايجاد شده اند كه دانش را مجاز مي سازند تا با استفاده از قوانين ، عدم قطعيت ( دانش غير قطعي ) را نيز نشان دهند. قوانين همچنين به منظور نمايش انواع مختلف دانش استفاده مي شوند. براي مثال دانش هيوريستيك ، دانش محدوده ( دامنه ) و دانش رويه اي همه مي توانند با استفاده از قوانين نشان داده شوند. براي هر يك آن ها در زير مثالي ارائه شده است .
قوانين هيوريستيك
 هر قانون در يك پايگاه قانون مي تواند براي نمايش دانش حل مسئله استفاده شود يك هيوريستيك به صورت يك قانون شاخص تفسير مي شود . به عنوان مثال يك قانون شاخص براي تشخيص نقص فني يك اتومبيل به صورت زير است :
چراغ ها خاموش هستند if
باتري تمام شده است then
قوانين محدوده ( دامنه )
قوانين مي توانند براي نمايش روابط بين اشياء و موضوعات در دامنه استفاده  شوند به عنوان مثال :
اگر حيواني يك ببر باشد if
پس آن حيوان گربه است then
اين قانون بر يك ارتباط بين گونه هايي از يك حيوان دلالت دارد و آن عبارت اين است كه ببر يك عضو از گروه گربه سانان مي باشد . به اين معني كه قوانين به ارتباط بين كلاس هاي اشياء دلالت دارند .
دانش رويه اي
قوانين همچنين  مي توانند بر ترتيب كارها دلالت كنند براي مثال :
اگر اتومبيل بسيار سريع حركت مي كند if
پاي خودتان را روي پدال ترمز بگذاريد then
اين قوانين يك ساختار را براي دنبال كردن يك عمل يا وضعيت جاري توصيف مي كنند كه چنين ساختاري دانش رويه اي نام دارد .

معايب سيستم هاي توليد قانون
اگرچه قوانين توليد شده خاص مي توانند شفافيت داشته باشند اما در سيستم هايي كه شامل تعداد زيادي از قوانين هستند ( بيشتر از 200 ) ممكن است تركيب و نتيجه عمليات غير شفاف باشد . به اين دليل كه بعضي قوانين در يك پايگاه دانش ممكن است قوانين دامنه باشد و ديگر قوانين ممكن است قوانين كنترلي و يا رويه اي باشند  . راهي براي جداسازي و تفاوت بين گرامرهاي then ... if وجود ندارد و بنابر اين همه نتايج ممكن است دنبال نشود . اين مورد مخصوصا ممكن است اشكال زدايي را با مشكل مواجه كند .
مشكل ديگر سيستم هاي مبتني بر قوانين اين است كه در برخي از سيستم  هاي خبره ، دانش نمي تواند به طور كامل توسط قوانين به نمايش درآيد . براي مثال در سيستم خبره پزشكي ، تاريخچه بيمار بسيار مهم است . هر چند سيستم هاي مبتني بر قوانين با تكيه بر پايگاه هاي داده و به وسيله آن ها داده ها را ذخيره مي كنند و اما گاهي اوقات برقراري ارتباط موفق بين سيستم هاي مبتني بر قوانين و پايگاه داده ها ، كاري واقعا مشكل است .
در نهايت اينكه سيستم هاي مبتني بر قوانين يك ناتواني ذاتي در يادگيري دارند و نمي توانند خودشان را تغيير دهند ، در حالي كه اين مشخصه براي هر سيستم نمايش دانش ، ضروري مي باشد .
 شبكه هاي معنايي
شكبه هاي معنايي يك روش گرافيكي براي نمايش دانش مي باشند . اين مفهوم ابتدا توسط رزكويلين در سال 1968 بيان شد . دانش مي تواند به صورت اشياء ، مفاهيم ، نتايج و روابط خاص بين آنها به نمايش درآيد.
در اصل شبكه معنا شامل يك مجموعه از گره ها و ارتباطات مي باشد . گره ها اشيا يا مفاهيم را نمايش مي دهند و ارتباطات روابط بين آن ها را مشخص مي نمايند .
اين مثال نشان مي دهد هه كبوتر يك پرنده است و قناري نيز يك پرنده مي باشد يك شبكه سلسله مراتبي از ارتباطات اشيا مي تواند با استفاده از اين نوع شبكه ايجاد شود . از آنجاييكه شي پرنده مشخصاتي دارد آنگاه اشيا فرزند مثل قناري و كبوتر كه وارث ناميده مي شوند نيز داراي هنمان خصوصيات و مشخصات هستند . به وسيله وراثت ، يك شي مي تواند به صورت اتوماتيك وار همه خصوصيات كلاس اصلي را داشته باشد . توارث مكانيزمي است براي اطمينان از اينكه يك موجوديت با گره ها و ارتباطات اضافي نشان داده نشود . مثالي ديگر از وراثت ، در شبكه هاي معنايي ، در شكل 3-2 نشان داده شده است .
مزاياي توارث
در اينجا چندين نمونه از مزاياي توارث بيان شده است :
حافظه كمتري را مصرف مي كند چون لازم نيست بسياري از روابط به وضوح بيان شوند .
توارث قادر است شبيه به هم را گروه بندي نمايد .
هنگامي كه يك گره بتواند از گره هاي قبلي صفات و ويژگي ها را به ارث برد ، شبكه ها آسانتر به روز در مي آيند .
شبكه هاي معنايي در عمل زياد مفيد نيستند چون آن ها صرفا قادر به نمايش دانش اعلاني بوده و نمي توانند دانش رويه اي را نمايش دهند . همچنين استانداردي براي شبكه هاي معنايي وجود ندارد . به اين معني كه فرم آن ها از يك سيستم به سيستم ديگر تغيير مي كند. قاب ها يك روش نمايش مبتني بر اشيا مي باشند كه امروزه تقريبا جايگزين شبكه هاي معنايي در سيستم هاي كاربردي شده اند .
قاب ها
مينسكي اولين شخصي بود كه در سال 1975 مفهوم قاب را به اين صورت تعريف كرد كه يك قاب يك تكه ساختار يافته از اطلاعات پيرامون خصوصيات ، مشخصات و يا رفتارهاي يك شي يك عمل يك موجوديت و يا يك رويداد مي باشد.
يك قاب در واقع الگويي است كه براي نگهداري اطلاعات يك موجوديت بكار مي رود . هر قغابداراي قسمت هايي بنام اسلات مي باشد كه اسلات ها شامل صفاتي از آن موجوديت مي باشند . بعنوان مثال قاب براي موجوديتي مانند حيوان داراي اسلات هايي است كه در شكل 3-3 نشان داده شده است. مقادير اسلات در يك قاب مي توانند بر سه نوع ذيل باشند :
FRAME animal ;
NAME                    FILLER VALUE
IS-A                      sentient_being
NUMBER_OF_LEGS            defalt = 4
IS-FURRY                defalt = true
1- اسلات ها ممكن است داراي مقادير متفاوت باشند مثلا در قاب animal ، اسلات Number-of-legs داراي مقدار پيش فرص 4 مي باشد و اين مسئله از آنجا ناشي مي گردد كه اكثر حيوانات چهارپا هستند و يا مقدار مربوط به اسلات IF-FURRY از قاب animal .
2- اسلات ها در يك قاب ممكن است با هم مرتبط باشند . مانند مقدار مربوط به اسلات IS-A در قاب animal . مقدار اسلات IS-A براي ارتباطات اشياء به صورت سلسله مراتبي است . اين اسلات براي ارتباط بين قاب حيوان و قابي است كه قاب موجودات ناميده مي شود . در اين روش سلسله مراتبي از حيوانات ميتوانند به صورت قاب نشان داده شوند.
 


منابع :


 منابع

مقاله هوش مصنوعی- جان مک کارتی

سیستم های خبره-کیس دارلینگتون

 

طراحی سایت : سایت سازان