در ميان اهل فن و صاحبان انديشه تعاريف و تفاسير متنوعی دارد. در نگاهی كلی، استفاده از دليل و برهان برای رسيدن به يك نتيجه از فرضياتی منطقی با استفاده از روش‌های معين، تعريفی از استدلال تلقی می‌شود؛ تعريفی كه البته با ديدگاه‌های فلسفی و گاه ايده‌آل گرايانه از استدلال تفاوت دارد. با اين حال موضوع مهم و اساسی در اينجا بحث در چيستی و چرايی اين ديدگاه‌ها نيست، بلكه در مورد نحوه طراحی سيستم‌های با قدرت استدلال، با هر تعريفی، برای رسيدن به مجموعه‌ای از تصميمات منطقی با استفاده از مفروضات يا به طور دقيق‌تر دانشی است كه در اختيار آنها قرار می‌گيرد. سيستم‌های خبره (expert systems) اساسا برای چنين هدفی طراحی می‌شوند. در حقيقت به واسطه الگوبرداری اين سيستم‌ها از نظام منطق و استدلال انسان و نيز يكسان بودن منابع دانش مورد استفاده آنها، حاصل كار يك سيستم خبره می‌تواند تصميماتی باشد كه درحوزه‌ها و عرصه‌های مختلف قابل استفاده، مورد اطمينان و تاثيرگذار هستند. بسياری بر اين باورند كه سيستم‌های خبره بيشترين پيشرفت را در هوش مصنوعی به وجود آورده‌اند. آنچه در ادامه می‌خوانيد نگاهی كوتاه به تعاريف و ساز و كار سيستم‌های خبره و گذری بر مزايا و محدوديت‌های به كارگيری اين سيستم‌ها در علوم و فنون مختلف است. طبيعتاً مباحث كاربردی‌تر و عملی‌تر درباره سيستم‌های خبره و بحث درباره نحوه توسعه و پياده‌سازی آنها، نيازمند مقالات جداگانه‌ای است كه در آينده به آنها خواهيم پرداخت.
سيستم خبره چيست؟
در يك تعريف كلی می‌توان گفت سيستم‌های خبره، برنامه‌های كامپيوتری هستند كه نحوه تفكر يك متخصص در يك زمينه خاص را شبيه‌سازی می‌كنند. در واقع اين نرم‌افزارها، الگوهای منطقی را كه يك متخصص بر اساس آنها تصميم‌گيری می‌كند، شناسايی می‌نمايند و سپس بر اساس آن الگوها، مانند انسان‌ها تصميم‌گيری می‌كنند.
يكي از اهداف هوش مصنوعی، فهم هوش انسانی با شبيه‌سازی آن توسط برنامه‌های كامپيوتری است. البته بديهی است كه "هوش" را می‌توان به بسياری از مهارت‌های مبتنی بر فهم، از جمله توانايی تصميم‌گيری، يادگيری و فهم زبان تعميم داد و از اين رو واژه‌ای كلی محسوب می‌شود.
بيشتر دستاوردهای هوش مصنوعی در زمينه تصميم‌گيری و حل مسئله بوده است كه اصلی‌ترين موضوع سيستم‌های خبره را شامل می‌شوند. به آن نوع از برنامه‌های هوش مصنوعی كه به سطحی از خبرگی می‌رسند كه می‌توانند به جای يك متخصص در يك زمينه خاص تصميم‌گيری كنند، expert systems يا سيستم‌های خبره گفته می‌شود. اين سيستم‌ها برنامه‌هايی هستند كه پايگاه دانش آنها انباشته از اطلاعاتی است كه انسان‌ها هنگام تصميم‌گيری درباره يك موضوع خاص، براساس آنها تصميم می‌گيرند. روی اين موضوع بايد تأكيد كرد كه هيچ يك از سيستم‌های خبره‌ای كه تا‌كنون طراحی و برنامه‌نويسی شده‌اند، همه‌منظوره نبوده‌اند و تنها در يك زمينه محدود قادر به شبيه‌سازی فرآيند تصميم‌گيری انسان هستند.
به محدوده اطلاعاتی از الگوهای خبرگی انسان كه به يك سيستم خبره منتقل می‌شود، task domain گفته می‌شود. اين محدوده، سطح خبرگی يك سيستم خبره را مشخص می‌كند و نشان می‌دهد كه آن سيستم خبره برای چه كارهايی طراحی شده است. سيستم خبره با اين task ها يا وظايف می‌تواند كارهايی چون برنامه‌ريزی، زمانبندی، و طراحی را در يك حيطه تعريف شده انجام دهد.
به روند ساخت يك سيستم خبره، knowledge engineering يا مهندسی دانش گفته می‌شود. يك مهندس دانش بايد اطمينان حاصل كند كه سيستم خبره طراحی شده، تمام دانش مورد نياز برای حل يك مسئله را دارد. طبيعتاً در غير اين صورت، تصميم‌های سيستم خبره قابل اطمينان نخواهند بود.
ساختار يك سيستم خبره
هر سيستم خبره از دو بخش مجزا ساخته شده است: پايگاه دانش و موتور تصميم‌گيری.
پايگاه دانش يك سيستم خبره از هر دو نوع دانش مبتنی بر حقايق (factual) و نيز دانش غيرقطعی (heuristic) استفاده می‌كند. Factual knowledge، دانش حقيقی يا قطعی نوعی از دانش است كه می‌توان آن را در حيطه‌های مختلف به اشتراك گذاشت و تعميم داد؛ چرا كه درستی آن قطعی است.
در سوی ديگر، Heuristic knowledge قرار دارد كه غيرقطعی‌تر و بيشتر مبتنی بر برداشت‌های شخصی است. هر چه حدس‌ها يا دانش هيورستيك يك سيستم خبره بهتر باشد، سطح خبرگی آن بيشتر خواهد بود و در شرايط ويژه، تصميمات بهتری اتخاذ خواهد كرد.
دانش مبتنی بر ساختار Heuristic در سيستم‌های خبره اهميت زيادی دارد اين نوع دانش می‌تواند به تسريع فرآيند حل يك مسئله كمك كند.
البته يك مشكل عمده در ارتباط با به كارگيری دانش Heuristic آن است كه نمی‌توان در حل همه مسائل از اين نوع دانش استفاده كرد. به عنوان نمونه، نمودار به خوبی نشان می‌دهد كه جلوگيری از حمل سموم خطرناك از طريق خطوط هوايی با استفاده از روش Heuristic امكانپذير نيست.
اطلاعات اين بخش از سيستم خبره از طريق مصاحبه با افراد متخصص در اين زمينه تامين می‌شود. مهندس دانش يا مصاحبه‌كننده، پس از سازمان‌دهی اطلاعات جمع‌آوری شده از متخصصان يا مصاحبه شوندگان، آنها را به قوانين قابل فهم برای كامپيوتر به صورت (if-then) موسوم به قوانين ساخت (production rules) تبديل می‌كند.
موتور تصميم‌گيری سيستم خبره را قادر می‌كند با استفاده از قوانين پايگاه دانش، پروسه تصميم‌گيری را انجام دهد. برای نمونه، اگر پايگاه دانش قوانينی به صورت زير داشته باشد:
- دفتر ماهنامه شبكه در مازندران قرار دارد.
- مازندران در ايران قرار دارد.
سيستم خبره می‌تواند به قانون زير برسد:
- دفتر ماهنامه شبكه در ايران قرار دارد.
استفاده از منطق فازی
موضوع مهم ديگر در ارتباط با سيستم‌های خبره، پيوند و ارتباط آن با ديگر شاخه‌های هوش مصنوعی است. به بيان روشن‌تر، برخی از سيستم‌های خبره از Fuzzy Logic يا منطق فازی استفاده می‌كنند. در منطق غيرفازی تنها دو ارزش درست (true) يا نادرست (false) وجود دارد. چنين منطقی نمی‌تواند چندان كامل باشد؛ چرا كه فهم و پروسه تصميم‌گيری انسان‌ها در بسياری از موارد، كاملا قطعی نيست و بسته به زمان و مكان آن، تا حدودی درست يا تا حدودی نادرست است. در خلال سال‌های 1920 و 1930، Jan Lukasiewicz فيلسوف لهستانی منطقی را مطرح كرد كه در آن ارزش يك قانون می‌تواند بيشتر از دو مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفی‌زاده نشان داد كه منطق Lukasiewicz را می‌توان به صورت "درجه درستی" مطرح كرد. يعنی به جای اينكه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر درست يا چقدر نادرست است؟"
از منطق فازی در مواردی استفاده می‌شود كه با مفاهيم مبهمی چون "سنگينی"، "سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد : "وزن يك شیء 500 كيلوگرم است، آيا اين شیء سنگين است؟" چنين سوالی يك سوال مبهم محسوب می‌شود؛ چراكه اين سوال مطرح می‌شود كه "از چه نظر سنگين؟" اگر برای حمل توسط يك انسان بگوييم، بله سنگين است. اگر برای حمل توسط يك اتومبيل مطرح شود، كمی سنگين است، ولی اگر برای حمل توسط يك هواپيما مطرح شود سنگين نيست.
در اينجاست كه با استفاده از منطق فازی می‌توان يك درجه درستی برای چنين پرسشی در نظر گرفت و بسته به شرايط گفت كه اين شیء كمی سنگين است. يعنی در چنين مواردی گفتن اينكه اين شیء سنگين نيست (false) يا سنگين است (true) پاسخ دقيقی نيست.
مزايا و محدوديت‌های سيستم‌های خبره
دستاورد سيستم‌های خبره را می‌توان صرفه‌جويی در هزينه‌ها و نيز تصميم‌گيری‌های بهتر و دقيق‌تر و بسياری موارد تخصصی‌تر ديگر عنوان كرد. استفاده از سيستم‌های خبره براس شركت‌ها می‌تواند صرفه‌جويی به همراه داشته باشد.
در زمينه تصميم‌گيری نيز گاهی می‌توان در شرايط پيچيده، با بهره‌گيری از چنين سيستم‌هايی تصميم‌های بهتری اتخاذ كرد و جنبه‌های پيچيده‌ای را در مدت زمان بسيار كمی مورد بررسی قرار داد كه تحليل آنها به روزها زمان نياز دارد.
از سوی ديگر، به‌كارگيری سيستم‌های خبره محدوديت‌های خاصی دارد. به عنوان نمونه، اين سيستم‌ها نسبت به آنچه انجام می‌دهند، هيچ <حسی> ندارند. چنين سيستم‌هايی نمی‌توانند خبرگی خود را به گستره‌های وسيع‌تری تعميم دهند؛ چرا كه تنها برای يك منظور خاص طراحی شده‌اند و پايگاه دانش آنها از دانش متخصصان آن حوزه نشات گرفته و از اين رو محدود است.
چنين سيستم‌هايی از آنجا كه توسط دانش متخصصان تغذيه اطلاعاتی شده‌اند، در صورت بروز برخی موارد پيش‌بينی نشده، نمی‌توانند شرايط جديد را به درستی تجزيه و تحليل نمايند.
كاربرد سيستم‌های خبره
از سيستم‌های خبره در بسياری از حيطه‌ها از جمله برنامه‌ريزی‌های تجاری، سيستم‌های امنيتی، اكتشافات نفت و معادن، مهندسی ژنتيك، طراحی و ساخت اتومبيل، طراحی لنز دوربين و زمانبندی برنامه پروازهای خطوط هوايی استفاده می‌شود. دو نمونه از كاربردهای اين سيستم‌ها در ادامه توضيح داده شده‌اند.
- طراحی و زمانبندی: سيستم‌هايی كه در اين زمينه مورد استفاده قرار می‌گيرند، چندين هدف پيچيده و تعاملی را مورد بررسی قرار می‌دهند تا جوانب كار را روشن كنند و به اهداف مورد نظر دست يابند يا بهترين گزينه را پيشنهاد دهند. بهترين مثال از اين مورد، زمانبندی پروازهای خطوط هوايی، كارمندان و گيت‌های يك شركت حمل و نقل هوايی است.
- تصميم‌گيری‌های مالی: صنعت خدمات مالی يكی از بزرگترين كاربران سيستم‌های خبره است. نرم‌افزارهای پيشنهاد دهنده نوعی از سيستم‌های خبره هستند كه به عنوان مشاور بانكداران عمل می‌كنند. برای نمونه، با بررسی شرايط يك شركت متقاضی وام از يك بانك تعيين می‌كند كه آيا پرداخت اين وام به شركت برای بانك مورد نظر صرفه اقتصادی دارد يا نه. همچنين شركت‌های بيمه برای بررسی ميزان خطرپذيری و هزينه‌های موارد مختلف، از اين سيستم‌ها استفاده می‌كنند.
چند سيستم خبره مشهور
- از نخستين سيستم‌های خبره می‌توان به Dendral اشاره كرد كه در سال 1965 توسط Edward Feigenbaum وJoshun Lederberg پژوهشگران هوش مصنوعی در دانشگاه استنفورد ساخته شد. وظيفه اين برنامه كامپيوتری، تحليل‌های شيميايی بود. ماده مورد آزمايش می‌توانست تركيبی پيچيده از كربن، هيدروژن و نيتروژن باشد. Dendarl می‌توانست با بررسی آرايش و اطلاعات مربوط به يك ماده، ساختار مولكولی آن را شبيه‌سازی كند. كاركرد اين نرم‌افزار چنان خوب بود كه می‌توانست با يك متخصص رقابت كند.
- از ديگر سيستم‌های خبره مشهور می‌توان به MYCIN اشاره كرد كه در سال 1972 در استنفورد طراحی شد. MYCIN برنامه‌ای بود كه كار آن تشخيص عفونت‌های خونی با بررسی اطلاعات به دست آمده از شرايط جسمی بيمار و نيز نتيجه آزمايش‌های او بود. برنامه به گونه‌ای طراحی شده بود كه در صورت نياز به اطلاعات بيشتر، با پرسش‌هايی آنها را درخواست می‌كرد تا تصميم‌گيری بهتری انجام دهد؛ پرسش‌هايی چون "آيا بيمار اخيرا دچار سوختگی شده است؟" (برای تشخيص اينكه آيا عفونت خونی از سوختگی نشات گرفته يا نه. MYCIN گاه می‌توانست نتايج آزمايش را نيز از پيش حدس بزند.
- سيستم خبره ديگر در اين زمينه Centaur بود كه كار آن بررسی آزمايش‌های تنفسی و تشخيص بيماري‌های ريوی بود.
- يكي از پيشروان توسعه و كاربرد سيستم‌های خبره، سازمان‌های فضايی هستند كه براي مشاوره و نيز بررسی شرايط پيچيده و صرفه‌جويی در زمان و هزينه چنين تحليل‌هايی به اين سيستم‌ها روی آورده‌اند. Marshall Space Flight Center) MSFC) يكی از مراكز وابسته به سازمان فضايی ناسا از سال 1994 در زمينه توسعه نرم‌افزارهای هوشمند كار می‌كند كه هدف آن تخمين كمّ و كيف تجهيزات و لوازم مورد نياز برای حمل به فضا است. اين برنامه‌های كامپيوتری با پيشنهاد راهكارهايی در اين زمينه از بار كاری كارمندان بخش‌هايی چون ISS (ايستگاه فضايی بين المللی) می‌كاهند و به گونه‌ای طراحی شده‌اند كه مديريت پذيرند و بسته به شرايط مختلف، قابل تعريف هستند. مركز فضايی MSFC، توسط فناوری ويژه خود موسوم به 2G به ايجاد برنامه‌های ويژه كنترل هوشمندانه و سيستم‌های مانيتورينگ خطاياب می‌پردازد. اين فناوری را می‌توان هم در سيستم‌های لينوكسی و هم در سيستم‌های سرور مبتنی بر ويندوز مورد استفاده قرار داد.
آنچه در نهايت می‌توان گفت آن است كه يكی از مزيت‌های سيستم‌های خبره اين است كه می‌توانند در كنار متخصصان انسانی مورد استفاده قرار بگيرند كه ماحصل آن تصميمی مبتنی بر تخصص انسانی و دقت ماشينی است. اين فناوری از ديد تجاری نيز برای توسعه‌دهندگان آن سودآور است.
هم‌اكنون شركت‌های بسياری به فروش سيستم‌های خبره و پشتيبانی از مشتريان محصولات خود می‌پردازند. درآمد يك شركت كوچك فعال در زمينه فروش چنين محصولاتی می‌تواند سالانه بالغ بر پنج تا بيست ميليون دلار باشد. بازار فروش و پشتيبانی سيستم‌های خبره در سراسر جهان نيز سالانه به صدها ميليون دلار می‌رسد.
مروری بر کاربردهای تجاری
بعد از مروری بر پيشينه شبکه های عصبی و الگوريتم های ژنتيک و پيشرفت‌های آنها ، می‌توان حوزه های کاربردی آنها را در کسب و کار شناسايی کرد. بنابر اين در اين قسمت به بررسی انواع مسائل تجاری که به شکلی مناسب به‌وسيله شبکه‌های عصبی و الگوريتم های ژنتيک قابل حل خواهند بود، می پردازيم. اما قبل از آن توضيحی مختصر در ارتباط با موضوعات مرتبط با اين حوزه خواهيم داد.
بازاريابی
«انجمن بازاريابی آمريکا» از ديدگاه مديريتی، بازاريابی را بدين گونه تعريف می‌کند: بازاريابی يک فرايند اجتماعی و مديريتی است که به‌وسيله آن، افراد و گروه‌ها، نيازها و خواسته های خود را از طريق توليد، عرضه و مبادله کالاهای مفيد و با ارزش با ديگران، تأمين می‌کنند. به طور کلی، بازاريابی دانشی ناشناخته است که با ويژگی‌هايی از قبيل عدم اطمينان بالا، ساختار گمشده علّـی و دانشی ناکامل و گسترده قابل شناسايی است. بسياری از وظايف تصميم گيری و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام می‌شود. به همين دلايل توسعه کاربرد شبکه‌های عصبي و الگوريتم‌های ژنتيک در بازاريابی نسبت به ساير حوزه‌های علم دشوارتر است.
در سال 1991، کاری و ماتين هو به بحث در رابطه با نقش هوش مصنوعی در بازاريابی پرداختند و جايگاه يابی رقابتی را به‌وسيله متدلوژی هدف گرا مورد تجزيه و تحليل قرار دادند. اليس و همکارانش در سال 1991 گزارشی از پيشرفت‌های کاربرد مدل‌های شبکه عصبی در مواجهه با استراتژی قيمت گذاری کششی ارائه کردند در حالی که پراکتر در سال 1992 چگونگی کاربرد تکنولوژی شبکه‌های عصبی در يادگيری مدل‌های داده بازاريابی و نقش آنها را در ساختن سيستم های پشتيبانی از تصميمات بازاريابی به نمايش گذاشت.
در سال 1993 کاری و ماتين هو از تکنولوژی شبکه های عصبی در مدل سازی واکنش مصرف کننده به محرک تبليغات استفاده کردند.
رای و همکارانش در سال 1994 شبکه‌های عصبی را در کمّی سازی فاکتورهای موثر در کيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند. برای اين منظور شبکه‌ای با دو عنصر خروجی کيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودی (گرايش فروش فروشنده، مشتری‌گرايی، تخصص، اخلاقيات، و دوام روابط) شکل گرفت. در مقايسه با رگرسيون‌های چند متغيره، تکنيک شبکه‌های عصبی به نتايج آماری قابل قبول تری دست يافت.
از سوی ديگر، هارلی و همکاران (1994) استفاده از الگوريتم های ژنتيک را در حل مسائل بهينه سازی بازاريابی مورد آزمايش قرار دادند.
بر اساس مطالعه آنها، کاربردهای بالقوه الگوريتم‌های ژنتيک در بازاريابی می تواند شامل موارد زير باشد:
1) رفتار مصرف کننده
_ يادگيری مدل های انتخاب مصرف کننده
_ پردازش اطلاعات مصرف کننده
_ تاثير گروه‌های مرجع
2) بخش بندی،انتخاب بازار هدف، جايگاه يابی
_ بهينه سازی ساختارهای محصول _ بازار
_ تجزيه و تحليل فاکتورهای کليدی خريد
_ جايگاه يابی محصول
3) مديريت عناصر آميخته بازاريابی
_ بهينه سازی چرخه حيات محصول
_ طراحی محصول
_ استراتژی تبليغات و برنامه ريزی رسانه‌ای
_ مديريت فروش
گرين و اسميت (1987) يک سيستم ژنتيک را برای يادگيری مدل‌های انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبی مفهومی را در پيوند مفاهيم بازاريابی با مکانيزم تکامل تدريجی داروين ارائه کردند. در سال 1992 بالاک ريشمن و جاکوب يک الگوريتم ژنتيک مبتنی بر سيستم پشتيبانی از تصميم گيری برای طراحی محصول ارائه کردند. از سوي ديگر و در حرکتی نوين وناگوپال و بيتز (1994) از اشتراک شبکه‌های عصبی و تکنيک‌های آماری در تحقيقات بازاريابی استفاده کردند.
در نهايت، می توان گزارشی از پيشرفت‌های موجود در اين زمينه رابه شکل زير ارائه کرد:
_ STRATEX _ يک سيستم دانشی با هدف پشتيبانی از انتخاب بخش‌های بازار (بورچ و هارتويگسن، 1991)
_ ADDUCE _ سيستمی در توجيه واکنش مصرف کننده به تبليغات (بارک، 1991)
_ COMSTRAT _ سيستمی برای تصميمات استراتژيک بازاريابی با تاکيد ويژه بر جايگـاه يابی رقابتی (ماتين هو و همکاران 1993)
_ MARSTRA _ سيستم هوش شبکه‌ای برای توسعه استراتژی‌های بازاريابی و ارزيابی فاکتورهای بازاريابی استراتژيک (لي، 2000)
_ GLOSTRA _ سيستم هوش شبکه‌ای برای توسعه و بهبود استراتژی‌های بازاريابی جهانی و بازاريابی اينترنتی (لی و ديويس، 2001 )
و در آخر:
در این قسمت توضیحاتی آموزنده در مورد شبکه‌های عصبی مصنوعی گذاشته شد. در آینده مطالب بیشتری را در اختیار شما قرار خواهیم داد، با آرزوی بهترین‌ها برای شما خواننده محترم.
منابع:
www.collegeprozheh.ir
دیدگاه خود را بنویسید