برخی از کاربردهای سیستم های فازی- عصبی

اولین  کاربردهای شبکه های عصبی- فازی برای کالاهای مربوط به مصرف کنندگان در بازارهای کره و ژاپن در سال 1991 پدیدار شد . برخی از نمونه های اینگونه کالا ها عبارتند از : تهویه کننده هوا ، فرشهای الکتریکی ، پنکه های الکتریکی ، دیگ حرارتی الکتریکی ، بخاری های الکتریکی رومیزی ، بخاری های بادبزن نفتی دودکش دار ، اجاق مایکرویو ، یخچالها ، پلوپز ، جاروبرقی ، ماشینهای لباسشویی ، خشک کننده لباس ، ماشین فتوکپی ، کلمه پردازها .

ایده استفاده از شبکه های عصبی برای طراحی توابع عضویت توسط تاکاگی و هایاشی پیشنهاد گردید و این ایده توسط توسط کاربردهایی از روش گرادیان نزولی برای تنظیم پارامترها ، که شکل و موقعیت توابع عضویت را تعریف می کرد ، دنبال شد . این روش به طور گسترده برای توابع عضویت مثلثی ، توابع عضویت گوسین ، توابع عضویت حلقوی و توابع عضویت زنگوله شکل مورد استفاده قرار میگیرد .شکل های ساده توابع عضویت همچون مثلثی ها بیشتر برای تولیدات واقعی به کار می روند . مرکز و پهنا توابع عضویت بوسیله روش گرادیان تنظیم می شود و خطای بین خروجی سیستم فازی واقعی و خروجی دلخواه را کاهش می دهد . شکل زیر یک نمونه از این نوع کابردهای شبکه های عصبی را نشان می دهد.

طراحی سیستم های خبره فازی از روی داده های ورودی خروجی:

سیستم های فازی برای فرموله کردن دانش بشری لستفاده می شوند. بنابراین یک سوال مهم این است که : دانش بشری معمولاً چه شکلی است ؟ بصورت عامیانه ، دانش بشری را در زمینه یک مسئله فنی خاص می توان به دو دسته تقسیم کرد : دانش خودآگاه و دانش ناخودآگاه .

 در دانش خودآگاه ، منظور ما این است که دانش را می توان به صورت صریح و روشن در قالب کلمات بیان کرد و در دانش ناخودآگاه منظور ما وضعیت هایی است که انسانهای خبره می دانند چه کاری انجام می دهند ولی نمی توانند آن را به طور دقیق در قالب کلمات بیان کنند .

 به عنوان مثال رانندگان با تجربه کامیون می دانند که در شرایط سخت چگونه رانندگی کنند ولی نمی توانند عملکردشان را در قالب کلمات بیان کنند (آنها دارای دانش ناخودآگاه هستند.) در دانش خودآگاه ما خیلی ساده می توانیم از انسان خبره بخواهیم رفتار خود را در قالب عبارتهای اگر- آنگاه فازی بیان کرده و آن را در سیستمهای فازی قرار دهیم .

در دانش ناخوداگاه آنچه که ما می توانیم انجام دهیم این است که از انسان خبره بخواهیم رفتار خود را نمایش دهد. هنگامی که خبره در حال نمایش است ما او را به دید جعبه سیاه نگریسته و ورودی ها و خروجی های او را می سنجیم . یعنی ما مجموعه ای از داده های ورودی- خروجی را جمع آوری کنیم . در این حالت دانش ناخودآگاه به مجموعه ای از داده های ورودی- خروجی تبدیل می شود .

بنابراین مسئله اساسی و مهم ساخت سیستم های فازی از روی زوج های ورودی – خروجی است .

دو مدل ممکن برای سیستم های فازی- عصبی عبارتند از :

1. در پاسخ به عبارات زبان شناختی ، بلوک رابط کاربری فازی یک مسیر ورودی به داخل یک شبکه عصبی چند لایه ای را فراهم می کند ، شبکه عصبی می تواند تطبیق(آموزش) داده شود تا اینکه تصمیمات یا خروجی ها مورد دلخواه را نتیجه دهد .

2. یک شبکه عصبی چند لایه مکانیسم موتور استنتاج فازی را راهبری می کند.

طراحی و پیاده سازی ابزاری برای ساخت سیستمهای خبره فازی:

سیستم های خبره برنامه هایی کامپیوتری برای مدل کردن خبرگی افراد خبره در کامپیوتر ها هستند.اطلاعات فرد خبره سرشار از کم دقتی ، عدم قطعیت و ابهام است با این حال افراد خبره هنوز هم راه حلهای قابل قبولی در مسائل کاری خود ارائه می دهند . از آنجا که دانش سیستم خبره از افراد خبره اخذ می شود این دانش نیز نا دقیق ، نامطمئن و دارای ابهام است . بنابراین سیستمهای خبره نیز نباید به روشهای استدلال نادقیق افراد خبره مجهز شوند.

شیوه های رایج برای انجام استدلال نادقیق در ابزارهای ساخت سیستم های خبره مبتنی بر تئوری احتمال هستند . اما ابزارهای جدید در دهه اخیر با استفاده از منطق فازی شیوه ای کاملتر برای استدلال نادقیق ارائه می دهند .

در طراحی ابزار پیشنهادی ، منطق فازی برای نمایش دانش نادقیق و قانون انتزاع جامع در منطق فازی برای استنتاج از دانش نا دقیق مورد استفاده قرار می گیرد. در این ابزار عملگر های منطق فازی مانند عطف(AND) ، فصل (OR) واستنتاج (Implication) قابل تعریف هستند . همچنین مسیر جستجو در ابزار پیشنهادی براحتی قابل کنترل است . بنابراین شیوه استدلال نادقیق در ابزار پیشنهادی قابل تنظیم است.

هوش مصنوعی ترکیبی

از بدو مطرح شدن هوش مصنوعي به عنوان يک Dicipline در علوم رايانه، دو طرز تفکر در تحقق سيستم هاي هوشمند مطرح بوده است، شايد بتوان آن دو را در پردازش نمادين و پردازش عددي تعريف نمود.

براي درک پردازش نمادين مي توانيم به يک مثال اشاره داشته باشيم. فرض کنيد از يک نوازنده پيانو سوال مي کنيم که چگونه پيانو مي نوازي؟! اين نوازنده با استفاده از يک سري بيانات و شايد حرکات، روش کار خود را به ما نشان مي دهد و به احتمال زياد شيوه عمل او را هم درک مي کنيم و اگر کمي جديت به خرج دهيم شايد حتي بتوانيم چند نت را هم به شکل جمعی تکرار نماييم. حال فرض کنيد، مي خواهيم اين رفتار را با استفاده از يک فرمول رياضي( پردازش عددي) مدل کرده و مثلا با استفاده از يک ربات تکرار کنيم. سوال اين خواهد بود که آيا مدل رياضي که منحصر به روابط بين يک سري کيفيتهاي رقمي است، قادر به انجام اين عمل خواهد بود؟ فکر مي کنم جواب شما منفي باشد. در ادامه به يک وضعيت ديگر اشاره مي کنم. فرض کنيد مي خواهيد از يک خيابان که ماشين ها با سرعت عبور مي کنند، بگذريد. آيا روش تصميم گيري شما در رابطه با عبور کردن بر مبناي پردازش يک سري اندازه گيري انجام شده است؟ براي مثال آيا سرعت ماشين را تخمين زده و با در نظر گرفتن عرض خيابان، سرعت خود را محاسبه مي کنيد؟ به احتمال زياد در اين صورت مطمئناً شانس رسيدن شما به آن طرف خيابان بسيار پايين مي باشد و يا زمان بسيار زيادي طول خواهد کشيد که تصميم به عبور از خيابان را به مرحله اجرا در آوريد. در اين گونه شرايط ، روش برخورد ما به اين صورت خواهد بود که: " به نظر مي رسد ماشين آهسته حرکت مي کند؛ به آن طرف خيابان خواهم رسيد" در اين نوع پردازش انسان مواجه با تعداد زيادي نماد symbols مي باشد و با استفاده از اين نمادها براي تصميم گيري اقدام مي کند. اين نوع تصميم گيريها به طور واضح در رفتار آدمي مشاهده مي شود و طبيعي است که پردازش نمادين از جايگاهي ويژه در علم هوش مصنوعي برخوردار است.

در کنار پردازش نمادين در انسان مي دانيم که مغز انسان از يک مجموع منسجم سلول هاي عصبي تشکيل شده است و مدل هاي ارائه شده براي اين سيستم عصبي بر مبناي پردازش عددي عمل مي کند. چگونگي عمل سيستم طبيعي عصبي به طور واضح براي انسان مشخص نشده است و از آنجا که مدل هاي ارائه شده ، از قابليتهاي بسيار بالايي برخوردار هستند و در کاربردهاي زيادي از خود کارآيي خوبي ارائه کرده اند، به نظر مي رسد از واقعيت امر زياد دور نباشند. بنا براين، شايد بتوان گفت، انسان به طور کلي در سطح بالاي تصميم گيري از پردازش نمادين استفاده مي کند و در سطوح حسی و واکنشهای عصبی خود يک نوع پردازش عددي را به کار مي گيرد. بنابراين، رفتار هوشمندانه آدمي ناشي از يک روش نمادين تفکر در کنار محاسبات عصبي مغز مي باشد.

همانگونه که مطرح شد، اين دو محور در هوش انسان از بدو پيدايش هوش مصنوعي، به صورت دو ديدگاه معرفي شده اند.

از يک ديد، هدف ساختن مغز مصنوعي(شبکه هاي عصبي مصنوعي) است که در صورت وجود اين سخت افزار مي توان توقع داشت ماشيني که به اين وسيله مجهز شود، رفتار هوشمندانه از خود نشان دهد.

از ديدگاه دوم، هدف، مدل سازي روش تفکر انسان است که با استفاده از آن انسان تصميم گيريهاي هوشمندانه مي کند. در دهه هاي 50 و 60 محور اول به عنوان محور اصلي در مخلوقات هوش مصنوعي مطرح بوده است ولي در دهه 70، پردازش نمادين به عنوان فهم روش تفکر در طراحي سيستم هاي هوشمندان مطرح شد. خوشبختانه، در ده سال اخير محققان به اين نتيجه رسيده اند که براي ساختن يک سيستم هوشمند که بتواند در حوزه هاي (Domains) مختلف عمل کند، و با يک مساله پيچيده را حل کند، اعتماد کردن به يک روش(يا بينش) کافي نخواهد بود و از اينرو فلسفه هوش مصنوعي ترکيبي (Hybrid Artificial Intelligence) مطرح شده است.

به طور کلي سه روش ترکيب تکنيکهاي هوش مصنوعي در جهت ساخت يک سيستم هوشمند ارائه شده است که در ذيل به اختصار به آنها مي پردازيم.

در روش اول از يک تکنيک خاص جهت اجراي يک function در يک تکنيک ديگر هوش مصنوعي استفاده مي کنيم. براي مثال در طراحي يک سيستم کنترلي فازي چندين بلوک وجود دارد که هر کدام کار مشخصي را انجام مي دهند. يکي از اين بلوکها جهت انجام Fuzzification طراحي مي شود. در يک سيستم ترکيبي مي توان از شبکه هاي عصبي در انجام اين کار استفاده نمود . همچنین از روشهاي ژنتيکي در امر يادگيري شبکه هاي عصبي می توان استفاده کرد.

در روش دوم جهت ساخت يک سيستم پيچيده، آن سيستم را تجزيه نموده( به زير سيستم هاي کوچکتر تقسيم نموده) و بعد از آن هر زير سيستم را با يک روش مناسب هوشمند پياده سازي مي کنيم. براي مثال جهت کنترل يک فرآيند پيچيده صنعتي از شبکه هاي عصبي جهت پيشگويي و مدل سازي يک سري از پارامترهاي کليدي استفاده مي شود و نتايج به دست آمده جهت تصميم گيريهاي کلي به يک سيستم خبره داده مي شود. سيستم خبره در اصل حکم يک مدير پروسه متخصص را دارد که با استفاده از پارامترهاي توليد شده در سطح پايين تر تصميم گيري مي کند. بسياري از مسائل پيچيده از اين طبيعت برخوردار هستند و شکستن آن به مسائل کوچکتر و به کارگيري روش مناسب براي حل هر کدام به صورت مجزا و در نهايت ادغام کردن نتايج به دست آمده، به حل درست مساله اصلي کمک خواهد نمود.

روش آخر استفاده از يک روش هوشمند در پياده سازي يک روش ديگر مي باشد. براي مثال مي توان به پياده سازي يک سيستم خبره با استفاده از شبکه هاي عصبي اشاره نمود. در اينجا هر نرون در شبکه عصبي يک قانون در پايگاه دانش مي باشد و با استفاده از محاسبات عصبي روش استنتاج را پياده مي کنيم. مثال ديگر به کارگيري گرامرها در تحليل و نمايش دانش آموخته شده در شبکه هاي عصبي مي باشد.

البته توجه به اين نکته لازم مي باشد که يک سيستم ترکيبي هوشمند نبايد الزا ماً از روشهاي هوشمند در پياده سازي استفاده کند. در پياده سازي يک سيستم شايد نياز به بکارگيري روشهاي آماري، رياضي و تحليلي... نيز وجود داشته باشد.

ارزيابي سيستم از لحاظ فني[1]

پايگاه دانش :

پس از تحليل حوزه مساله زمانبندي توليد گام مهم بعدي اخذ دانش لازم با در نظر گرفتن تکنيکهايي بود که در حل مسائل از آنها استفاده مي شد . براي اين سيستم خبره اين دانش از چندين منبع جمع آوري شده است. اين منابع شامل کتابهايي در زمينه زمانبندي توليد، مقالات، مستندات ويژه شرکت و در بعضي موارد مصاحبه هاي مستقيم با متخصصان زمانبندي توليد ميباشد. در جاهايي که دانش از منابع متفاوتي جمع آوري شده بود براي يکسان سازي آن نياز به اصلاح دانش اخذ شده وجود داشت. مرحله اخذ دانش هم مشکل و هم بسيار وقت گير است و به طور کلي در فرايند توسعه سيستم خبره گلوگاه اصلي به شمار مي آيد. در GENESYS پايگاه دانش به صورت زير ساختار دهي شده است: کلاسهايي وجود دارند که مانند "کتابخانه هايي[2]" عمل مي کنند که شامل اطلاعاتي در مورد ماهيت سيستم توليد – شکل قرار گرفتن ماشينها، ويژگيهاي خاص و اهداف توليد- هستند. کاربر شرايط قرار گرفتن ماشينها و ترتيب کارها( کف کارگاه[3]) را بيان کرده و سيستم بهترين روش براي حل مساله زمانبندي را بيان مي کند. اين روش پيشنهادي ميتواند قاعده توزيعي و يا يک الگوريتم زمانبندي باشد.

يک قاعده توزيعي عبارتست از قاعده اي که تمام کارهايي که منتظر پردازش بر روي يک ماشين هستند را اولويت بندي مي کند. برنامه اي که براي الويت بندي مورد استفاده قرار مي گيرد ممکن است ويژگيهاي کارها و ماشينها را در نظر بگيرد و همين طور زمان را ، زماني که يک ماشين آزاد مي شود، قاعده توزيعي کارهايي که در انتظار هستند را مورد بازرسي قرار داده و کاري که داراي بالاترين الويت است را انتخاب مي کند. قواعد توزيعي براي کمينه کردن معيارهاي مختلف عملکرد مانند ميانگين، حداکثرو واريانس زمان گردش و يا زمان ديرکرد مورد استفاده قرار مي گيرند به ويژه در کارگاههاي بسيار پويا ( کارگاه هايي که کارها در زمان زمانبندي شده با پويايي وارد سيستم مي شوند). پايگاه دانش سيستم خبره مورد نظر تعدادي قاعده توزيعي  کلاسيک که البته در بعضي موارد تا حد زيادي کارا هستند را شامل مي شود، اگر چه قواعد مدرن[4] نيز در آن به چشم مي خورد.

استفاده از الگوريتمها بيشتر در مورد مسائل غير پوياي زمانبندي مورد استفاده قرار می گيرند. در سيستم خبره مورد نظر ما سعي شده بود که تعداد زيادي از اين الگوريتم ها بکار برده شود . بعضي از الگوريتمها، الگوريتمهاي بهينه سازي هستند که در صورت ممکن سعي در ارائه بهترين پاسخ به مساله را دارند. الگوريتمهاي شهودي الگوريتمهايي تقريبي هستند که براي مسائل بسيار سخت مناسبند. همچنين الگوريتمهايي وجود دارند که سعي در بهبود راه حل موجود دارند. شکل زیر مهمترين قواعدتوزيعي و الگوريتمهايي را که در سيستم خبره مذکور گنجانده شده اند را نشان مي دهد.

شکل  : مهمترين قواعدتوزيعي والگوريتمهای موجود درسيستم های خبره

ساختاربندي و ويژگيها :

با کسب دانش مورد نياز، قدم بعد بازنمايي اين دانش به شکل قابل استفاده براي کامپيوتر است. يک واسط(shell) سيستم خبره مبتني بر کامپيوتر هاي شخصي ((NEXPERT OBJECT به عنوان ابزار توسعه انتخاب شد. در اين واسط، دانش به صورت قواعد "اگر- آنگاه" بيان مي شود. معماري  NEXPERT، منتج از رويداد[5] است و مي تواند پيامهاي بيرون از سيستم و يا برنامه هاي خارجي را که ممکن است با قواعد موجود در NEXPERT سازگار باشند و آنها را برآورده کرده باشند، منسجم و يکپارچه کند. همچنين قادر است استنتاج روبه جلو[6] و رو به عقب[7] را مورد استفاده قرار دهد. اين دو مکانيزم استنتاج کاملا به هم وابسته اند. اينکه يک قاعده در زماني خاص به چه شکلي مورد پردازش قرار گيرد، به وقايع رخ داده و تمايلات موجود در آن لحظه بستگي دارد. پايگاه دانش GENESYS شامل 280 قاعده است. عمليات سيستم پروتوتايپ موجود از سه مرحله تشکيل شده است. در مرحله اول، همانطور که در شکل زیر نشان داده شده، بايد کاربر به سولات مطرح شده پاسخ داده و داده هاي مربوط به پارامترهاي موجود را با توجه به ساختار سيستم توليد مورد نظر وارد کند تا به اين ترتيب ماهيت اوليه آن مشخص شود.

شکل  :  کادر پاسخگویی به سوالات توسط کاربر در سیستمGENESYS

در مرحله دوم، کاربر هدفي را که بايد کمينه شود را وارد مي کند ( مانند زمان کل تکميل محصول). اين هدف  مي تواند يک هدف تنها و يا ترکيبي از چند هدف باشد( شکل زیر را ببينيد). نهايتا در مرحله سوم سيستم به جمع آوري ويژگيهاي خاص سيستم توليد مي پردازد.

شکل  : کادر انتخاب هدف جهت کمینه سازی در سیستمGENESYS

بايد بر اين نکته تاکيد کنيم که مراحل فوق به صورت متوالي صورت نمي گيرند. کاربر در شروع کار اين امکان را دارد که به هر داده اي که بخواهد مقدار دهد و يا اينکه از سيستم در باره مناسب بودن يک متد زمانبندي خاص در مورد يک سيستم توليد سوال کند. آنگاه سيستم خبره اطلاعات داده شده را ارزيابي کرده و در صورت نياز سوالات بيشتري را مي پرسد. رويه اين کار کاملا تعاملي است و به طور دائم به روز مي شود. پارامترهاي مختلفي در نظر گرفته مي شوند و سپس در يک عبارت کوتاه يک عملکرد خاص پيشنهاد مي شود. کاربر قادر است مانند يک مشاور، اطلاعات بيشتر مورد نياز را به صورت دستي وارد و سيستم را تا ارائه راه حل پيشنهادي همراهي کند.

انسجام سيستم پيشنهادي با تست ترکيبهايي از ويژگيهاي توليدي که راه حل آنها مشخص بود به طور کامل مورد آزمايش قرار گرفت. در تمام موارد تست شده، نتيجه نهايي ارائه شده توسط سيستم با فرايندهايي که در عمل مورد استفاده قرار مي گيرند يکسان و منسجم بود. در زير مثالي در مورد يکي از قواعد بکار گرفته شده در سيستم مشاهده مي کنيد:

IF the production system is of type flow shop

AND production goal is minimization of main tardiness

AND number of machines is between 5 and 15

AND number of jobs is between 1 and 500

THEN use PT + WINQ + SL dispatching rule.

در این شکل  نمايي از عمليات سيستم خبره پيشنهادي ارائه شده است.

نتايج و توصيه ها :

سيستم خبره GENESYS كه يك سيستم خبره قاعده گرا است براي حل مسائل زمانبندي در سيستمهاي توليدي ارائه شده است. سازندگان اين سيستم بايست نرم افزار ايجاد شده را با سيستم هاي اطلاعاتي سازمان که شامل يک سري از خرده سيستمهاي مالي ، مديريت فروش، نظارت بر حسابداري هزينه توليد، زمانبندي منابع، مديريت انبار، مديريت تخصيص منابع و تغذيه تجهيزات است به هم متصل کنند.

ما براين عقيده ايم که سودمندي سيستم خبره در برنامه ريزي و زمانبندي توليد زماني بيشتر آشکار مي شود که به طور مناسب با تکنيکهاي تحقيق در عمليات – بويژه شبيه سازي – سازگار و منسجم باشد و يا زماني که در سيستمهاي برنامه ريزي منابع موسسه [8] گنجانده شده باشد. بايد همواره در نظر داشت که از آنجايي که به طور کلي اغلب مسائل مديريت عمليات مسائلي جداي از ديگر قسمتها و سيستمهاي سازماني نيستند، بنابراين يک سيستم خبره مجزا ( که سيستمهاي ديگر را در نظر نگيرد) نمي تواند مسائل مديريت توليد را دقيقا حل کند.  

تحليل مساله[1] :

Type of Assembly System

Production System Type

Batch Shop

Flow Shop

Just-In-Time

Open Shop

Parallel machine Shop

Multi purpose machine Shop (MPM)

Multiprocessor task system

Job Shop

Assembly System

Type of Job Shop

Type of  Flow Shop

Type of  Batch Shop

paced Assembly System   unpaced Assembly System

Type of  PM Shop

Type of  MPM

P Batch Shop  S Batch Shop

Proportionate Flow Shop   Reentrant Flow Shop  Flexible Flow Shop  Classic Flow Shop  Diverging Flow Shop

Flexible Job Shop Classic Job Shop

MPM Shop With Identical Machines in Parallel   MPM Shop With Identical Machines in Parallel with Different   MPM Shop Unrelated Machines in Parallel   Multi purpose machine job shop   Multi purpose machine open shop

PM Shop With Identical Machines   PM Shop With Machines with Different  Speeds   PM Shop With Unrelated Machines

زمانبندي توليد يک فرايند تصميم گيري است که در اغلب سيستمهاي توليدي وجود دارد و داراي نقشي استراتژيک است. به طور خلاصه زمانبندي عبارتست از فرايند تخصيص منابع محدود به وظايف، در طي زمان به منظور توليد بازداده مناسب در زمان مناسب با توجه به اين موضوع که محدوديتهاي زماني و محدوديتهاي روابط بين وظايف و منابع ارضاء شده باشند. تخصيص مناسب منابع، شرکت را قادر مي سازد تا اهداف کوتاه مدت خود را بهينه کرده و به اهداف بلند مدت خود دست يابد. زمانبندي، وظيفه اي بسيار پيچيده است که امروزه در شرکتهاي توليدي بيشتر به صورت دستي انجام مي شود. پيچيدگي وظيفه زمانبندي از چند عامل ناشي مي شود که مي توان به اين موارد اشاره کرد: محيطهايي با ماشينهاي مختلف، جزئيات زياد ، ويژگيهاي فرايند و محدوديتهاي عملياتي، حوادث غير قابل کنترل و معيارهاي متفاوت عملکرد که زمانبندي توليد با آنها ارزيابي مي شود. همانطور که در شکل زیر نشان داده شده است در صنايع مدرن ترکيب مختلفي از پيکر بندي ماشينها و توالي سيستم توليد وجود .

شکل   : ترکيبهای مختلفي از پيکر بندي ماشينها و توالي سيستم توليد

فلو شاپ[2]: کارها [3] به صورت عمليات چندگانه و بر روي ماشينهاي مختلفي انجام مي شوند. همه کارها با ترتيب يکساني بين ماشينها چرخش مي کنند. نسخه ديگر اين نوع کارگاه، فلوشاپ منعطف است.

جاب شاپ[4]: محيط توليدي اي است که انواع مختلفي از محصولات را توليد مي کند. هر سفارش داراي ترتيب خاص خود براي جابه جايي بين مراکز کاري است.

بتچ شاپ[5]: در سيستم توليدي از اين نوع، توليد محصولات يکسان در حجم وسيعي صورت مي گيرد و به منظور صرفه جويي به مقياس در حجم وسيع ترجيح داده شده است که پردازش هاي دسته اي انجام شود.

سيستمهاي مونتاژ منعطف: در اينجا محصولاتي با تنوع بسيار کم داريم که به تعداد مشخصي بايد از هرکدام توليد شود. يک سيستم حمل مواد نيز مسئول جابجايي کارها در سيستم مونتاژ منعطف است.

سيستمهاي وظيفه اي چند پردازنده اي[6]: در اين نوع سيستم، وظايف نياز به پردازش هم زمان توسط يک يا چند ماشين دارند.

کارگاه ماشين چند منظوره[7]: در اين مورد تعداي ماشينهاي چند منظوره وجود دارند که قادر به انجام کارهاي مختلفي هستند.

به هنگام[8]: اساس مفهوم توليد به هنگام، سيستم توليد تويوتا بعد از جنگ جهاني دوم بود. اين سيستم را اينگونه تعريف مي کنيم: «محصولات نهايي را درست به هنگام فروش آنها توليد و توزيع کنيد، خرده محصولات را درست به هنگام تهيه محصول نهايي مونتاژکنيد، قطعات را درست به هنگامي که بايد خرده محصولات آماده شوند توليد کنيد، و مواد اوليه را درست به هنگام تبديل آنها به قطعات خريداري کنيد.»

پردازش کار، داراي ويژگيهاي متفاوتي است که اغلب محدوديتهاي فوق ا لعاده اي را سبب مي شوند. براي مثال گاهي اوقات يک کار تنها زماني مي تواند شروع شود که قبلايک سري از کارها انجام شده باشند. چنين محدوديتهايي را محدوديتهاي اولويتي[9] مي گوييم. در موارد ديگر ضرورتي براي حفظ يک کار بر روي يک ماشين تا زمان تکميل آن وجود ندارد و بنابراين پيشدستي گرفتن در مورد بعضي از کارها مجاز است. چنانچه ترتيبي که در آن کارها وارد ماشين اول مي شوند ذکر شده باشد آنگاه ترتيب مورد نظر به صورت تائيد شده و قطعي خواهد بود. ممکن است در بعضي از کارها چرخش مجدد وجود داشته باشد به اين صورت که يک کار ، از ماشيني بيش از يک نوبت بگذرد. چنانچه بعضي از کارها از اهميت بيشتري برخوردار باشند، آنگاه فاکتور اولويت را به صورت وزن دهي در سيستم اعمال مي کنيم.

ماشينها بايد در بين زمان انجام کارهاي مختلف بازسازي و تميز شده، براي انجام کار بعدي آماده شوند. اين فرايند را نصب مي نامند. چنانچه مدت زمان نصب به ترتيب کارها وابسته باشد، زمان نصب را وابسته به توالي[10] مي ناميم. امکان خرابي ماشينها اين نکته را گوشزد مي کند که ماشينها هميشه در دسترس نيستند. مسدود شدن پديده ديگري است که امکان رخ دادن دارد. چنانچه يک کار داراي يک انبار مياني محدود بين دو ماشين در حال کار باشد، اين امکان وجود دارد که زماني که اين انبار پر است ماشين قبلي امکان تکميل کار را نداشته باشد و به اين ترتيب براي اين ماشين انسداد ايجاد شود.

اهداف مختلف بسياري در زمانبندي عمليات مورد توجه و اهميتند. براوردن زمان مناسب تحويل يکي از معيارهاي زمانبندي است که در رضايت مشتريان نقش به سزايي دارد و از معيارهايي است که در مسائل حقيقي به طور مداوم با آن سروکار داريم. کمي سازي معمول اين هدف کيفي( رضايت مشتريان)، معيار ديرکرد است. چنين معياري ميتواند حداقل سازي زمان گردش کار، زمان کل تاخير کار، زمان کل تکميل کار، تعداد کارهاي داراي تاخير و غيره باشد.

روش توسعه سيستم خبره  مورد نظر :

توسعه موفق سيستم خبره ، همانطور که در شکل زیر نشان داده شده، به برنامه ريزي درستي در زمينه مجموعه فعاليتهايي که بايد انجام شوند نياز دارد. مهم است که روش سيستماتيکي ايجاد کنيم که حوزه مساله را شناسايي کرده ، پايگاه دانش را شکل داده و سيستم را اجرا و اعتبارسنجي کند.

                                    شکل  : روش توسعه سیستم های خبره

براي پياده سازي سيستمهاي خبره دو گروه از ابزارهاي توسعه وجود دارند:

·  زبانهاي برنامه نويسي کامپيوتري چه زبانهاي محاوره اي (مانندC++، پاسكال و غيره)و چه زبانهاي هوش مصنوعي (مانند پرولوگ، ليسپ و غيره). با بکار گيري اين زبانها طراح سيستم آزادي زيادي براي انتخاب تکنيک بازنمايي دانش و استراتژيهاي کنترل خواهد داشت. البته استفاده از چنين زبانهايي به تخصص و مهارت بالايي نياز دارد.

·       واسط هاي سيستم خبره[1]. اين واسطه ها سعي در بکارگيري انعطاف برنامه هاي هوش مصنوعي دارند و تسهيلات توسعه کلي تري را ايجاد مي کنند. واسط هاي تجاري زيادي با ويژگي هاي مختلف در بازار وجود دارد. اغلب اين واسط ها نسبتا ارزان قيمت هستند و از مکانيزم بازنمايي دانش قواعد گرا استفاده مي کنند.

همه بر اين نکته اتفاق نظر دارند که مرحله کسب دانش گلوگاه عمده در توسعه سيستم است. به طور خلاصه، ميزان موفقيت يک سيستم خبره به مقدار و کيفيت دانش بازنمايي شده در آن بستگي دارد.

سيستم خبره ارائه شده براي زمانبندي توليد:

با دنبال کردن مورد به مورد روش توسعه اي که در بالا به آن اشاره شد يک پروتوتايپ کامل از سيستم خبره اي به نام GENESYS (GENeric Expert SYstem for Scheduling) ايجاد شده است که هدف آن برنامه ريزي توليد شرکتهاي توليدي متوسط و کوچک به صورت هرچه اثربخش تر با در نظر گرفتن شرايط معمول در محيطهاي صنعتي است.

مسائل زمانبندي اغلب اوقات بسيار پيچيده هستند، حتي براي مسائل کوچک. تا زماني که حوادثي که در مورد رخ دادن آنها اطمينان نداريم مانند خرابي ماشين، خرابي ابزارها، فسخ سفارشات، تغير زمان تحويل و عدم قطعيت در زمان انجام کارها امکان رخ دادن داشته باشد، بايد در نظر داشته باشيم که جستجو براي راه حل بهينه در کاربرد هاي حقيقي بسيار پرهزينه و زمانبر خواهد بود. در زمانبندي بايد به دنبال برنامه هاي زمانبندي قابل دسترس و خوب بود و اين نگرش در سيستم خبره مورد نظر گنجانده شده است. در اين بخش ابتدا به بحث درباره جنبه هاي کليدي مربوط به حوزه مساله و بخش مهندسي دانش توسعه سيستم مورد نظرمي پردازيم و سپس به شرح ويژگيهاي کليدي سيستم پروتوتايپ ارائه شده مي پردازيم.

ارزيابي سيستم :

براي ارزيابي سيستم مطابق چارچوب زير عمل شده است که در ادامه با توجه به اطلاعات بدست آمده در مورد اين سيستم خبره هر يک ازآنها مورد بررسي و ارزيابي قرار گرفته است.

Problem

Domain

Application type

Project

Human

Technical

Economic

End-user interface

Developer interface

System interface

Knowledge base

Data interface

Cost

 

شکل  : چارچوب ارزیابی سیستم

مثالی کاربردی از یک سیستم خبره :

ارزيابي سيستم خبره برنامه ريزي توليد(GENESYS):

امروزه روند روبه رشد پيچيدگي در صنايع توليدي و نياز به کارايي بيشتر، چرخه توليد محصول کوتاه تر، انعطاف بيشتر، کيفيت بهتر محصولات ، ارضاي هرچه بهتر توقعات مشتريان و هزينه هاي کمتر چهره توليد را تغيير داده است. يک چالش بزرگ براي شرکتهاي امروزي تنها اين نيست که چگونه خود را با اين محيط متغير تجاري سازگار کنند بلکه همچنين براي آنها اين موضوع مطرح است که چگونه از وضعيت به وجود آمده براي ايجاد برتري هاي رقابتي استفاده کنند. به منظور دستيابي به چنين مزايايي ، شرکتها به دنبال راههايي براي بهينه کردن عمليات در سيستم هاي توليدي خود هستند.

برنامه ريزي توليد يکي از حياتي ترين بخشهاي سيستمهاي توليدي است. کلاسن و مالستروم (1982) اهميت برنامه ريزي توليد را اينگونه بيان مي کنند:

صدها ربات و يا تجهيزات کنترل کامپيوتري که ميليونها دلار براي آنها هزينه شده باشد، چنانچه به خاطر برنامه زمانبندي غلط ، مورد استفاده نامناسب قرار گيرند داراي کمترين ارزشي نيستند.

از آنجايي که مکانيزم برنامه ريزي توليد سنتي و متمرکز در مقابل از انعطاف کافي براي پاسخگويي به شرايط جديد رقابت جهاني برخوردار نبود، بسياري از از شرکتهاي توليدي تصميم به استفاده از سيستمهاي هوشمند گرفتند. تکنولوژي سيستمهاي خبره راهي براي غلبه بر چنين مشکلاتي و شيوه اي براي طراحي و پياده سازي محيطهاي توليد هوشمند توزيع شده فراهم مي آورد.[1]

در دهه گذشته  علاقه براي بهره گيري از سيستمهايي که آنها را سيستمهاي خبره [2]  ( يا سيستمهاي مبتني بر دانش[3])مي نامند در حد وسيعي گسترش يافته است. سيستمهاي خبره ابزارهاي قدرتمند و منعطفي را براي حل مسائل مختلفي که نمي توان آنها را توسط روشهاي سنتي و رايج حل کرد فراهم کرده است. از طرفي بسياري از محققان و نويسندگان بر اين نکته اجماع دارند که سيستم خبره مي تواند تاثير به سزايي در بهبود برنامه ريزي و زمانبندي توليد داشته باشد. اين قسمت در نظر دارد بکارگيري سيستم خبره مبتني بر دانش را براي زمانبندي توليد اثربخش در شرکتهاي توليدي متوسط و کوچک معرفي کند. هدف اصلي مولف از این بخش معرفي حل مسائل زمانبندي با استفاده از روش سيستم خبره و نشان دادن نحوه توسعه چنين سيستم هايي است . براي آشنايي خوانندگان، در بخش قبلی  مفاهيم سيستم خبره بيان شد و در این قسمت روش سيستماتيک توسعه آن بيان مي شود. در ادامه توسعه سيستم به روش prototyping که به صورت مداوم و پي گير انجام مي شود و بر زمانبندي توليد با پويايي انتخاب الگوريتم هاي زمانبندي مناسب تاکيد دارد را مورد بررسي قرار مي دهيم.

زمانبندي توليد هوشمند و مفاهيم مديريتي:

در محيط رقابتي کنوني، با بازارهاي جهاني، رقابت فزاينده جهاني و چرخه توليد محصول کوتاه تر، انتخاب سياست توليد- که تاثيرات مختلفي بر اهداف توليد مانند رضايت مشتريان، کارايي توليد و سرمايه موجودي دارد- بايد سريعتر و در سطح استراتژيک صورت بگيرد. در مقايسه با گذشته ، برنامه ريزي و زمانبندي کارا براي بقا در بازار يک ضرورت است.

تحقيقات نشان داده است که شرکتي که داراي برنامه زمانبندي توليد اثر بخش باشد مي تواند به  مزاياي زير دست يابد:

·       کاهش 10 الي 15 درصد در هزينه هاي توليد که مي تواند باعث دوبرابر شدن حاشيه سود براي شرکت شود.

·       کاهش 8 تا 10 درصدي در هزينه هاي انبار

·       افزايش 30 درصدي توزيع محصول به موقع به دست مشتريان

از طرف ديگر وظيفه زمانبندي در تعامل با ديگر وظايف سازماني است. برنامه ريزي ميان مدت که  به منظور رسيدن به بهترين ترکيب "توليد – تخصيص منابع" سطح موجودي، پيش بيني تقاضا و برنامه نيازمنديها را مورد بررسي قرار مي دهد ، بر زمانبندي توليد تاثير گذار است. با توجه به اين موضوع  شکل دهي يک برنامه زمانبندي قابل دسترسي و بهينه (تا حد ممکن) توسط مدير توليد و بدون حمايت سيستم اطلاعاتي، رويه اي بسيار وقت گير و مشکل است که نه تنها به درک عميقي ازهمه داده ها و پارامترهاي سيستم توليدي در هر زماني بلکه همچنين به دانش تخصصي در اين رشته خاص مورد نياز است. به علاوه اغلب مديران توليد بدون بهره گيري ازسيستم هاي پشتيبان تصميم در موقعيتي نيستند که به اهداف برنامه ريزي توليد چند معياره دست يابند چرا که اين معيارها ممکن است با يکديگر در تضاد باشند. براي مثال راضي نگه داشتن مشترياني که از اهميت بيشتري برخوردارند با معيار برآوردن تاريخ درست در تضاد است و باعث تاخير بيشتر توزيع براي مشترياني مي شود که به دلايل مختلف داراي اهميت کمتري براي شرکت توليدي هستند.

در اين چارچوب درطول دهه گذشته بسياري از شرکتهاي توليدي دريافتند که متدهاي سنتي برنامه ريزي و زمابندي توليد، انعطاف کافي براي مقابله با سبکهاي متغير توليد و متغير هاي بسيار پويا در نيازمنديهاي توليد محصول را ندارند و به سمت سيستمهاي هوشمند روي آوردند. تحقيقي که در ميانه دهه 1990 توسط دورکين (1996) انجام شد نشان داده است که صنايع توليدي يکي از شاخه هايي است که سيستم هاي خبره به طور وسيع در آن بکار گرفته شده است.

همچنين تحقيق ديگري ، استفاده هاي رايج سيستم هاي خبره و مزاياي آنها را در 500 شرکت صنعتي بزرگ ايالات متحده آمريکا را مورد بررسي قرار داد. در اين تحقيق از تمام سازمانهاي فورچون 500 (بر اساس رتبه بندي سال 1990) دعوت شد تا در اين کار مشارکت داشته باشند. در اين مطالعه برنامه ريزي توليد به عنوان بزرگترين حوزه کاربردي براي سيستمهاي خبره شناخته شد. مزايايي که مصاحبه شوندگان در نتيجه استفاده از اين تکنولوژي بر آن تاکيد داشتند عبارت بودند از:

·  خدمت رساني بهتر به مشتريان

·  کاهش در زمان انجام وظايف

·       يادگيري سازماني

·       افزايش در توليد

·       استفاده موثرتر از منايع

·       کاهش در نيروي انساني

به علاوه بسياري از محققان مداوم در باره استفاده از سيستم هاي خبره در برنامه ريزي توليد و زمانبندي و مزاياي بالقوه آن نوشته اند. براساس نظر اين محققان، سيستم خبره در کاهش هزينه از طريق کاهش نياز به بعضي از کارکنان، حفظ تخصصها درسازمان ، ثبات بهتر براي تصميم گيري و بهبود کيفيت محصولات، به کمک سازمانها مي آيد.

با توجه به مطالبي که گفته شد در ادامه به جنبه هاي کليدي اين تکنولوژي و معرفي يک پروتوتايپ از سيستم خبره براي زمانبندي توليد مي پردازيم. و در کنار آن به چگونگي بکارگيري چنين سيستمي در برنامه ريزي توليد خواهيم پرداخت.

کاربرد سیستم های خبره :

سیستم های خبره در زمینه های مختلفی از جمله صنعت،تجارت و کاربردهای مالی مفید می باشند.در واقع،زمینه های مختلف کاربرد سیستم خبره ،امروزه چنان گسترده است که تقریباً در انجام هر تصمیمی که توسط انسان گرفته می شود موفق هستند.بیشترین کاربردها در ذیل برحسب وظایف طبقه بندی شده اند:

سیستم های تشخیص : مثال در پزشکی،مهندسی و نرم افزار تشخیص الگو.

سیستم های طراحی و زمانبندی : مثال در برنامه ریزی اتوماتیک،حرکت ربات،استراتژی نظامی و حتی ساعت حرکت قطار.

سیستم های مفسر : سیستم هایی هستند که شرح مشاهدات را برعهده دارند.مانند سیستم های مراقبت یا سیستم های تشخیص گفتار.

سیستم های پیش بینی : مانند پیش بینی ترافیک یا پیش بینی وضع هوا.

امروزه زمینه های کاربردی جدیدی ایجاد شده که به خوبی خود را با سیستم های خبره وفق می دهند.این ها عبارتند از :نشر دانش،سیستم های کمک آموزشی،ابزارهای اینترنت،وب و غیره. جدول زیر مثالی از کاربردهای سیستم های خبره را شرح می دهد .

آینده سیستم های خبره

آینده سیستم های خبره درخشان و روشن به نظر می رسد.همانطور که در بخش قبل دیدیم برخی از کاربردهای جدید به صورت سطحی پیشرفت کرده اند.پیشرفت ابزارهای مهندسی دانش موجب می شود که ساخت سیستم های خبره به تجربه کمتری نیاز داشته باشد.پیشرفت های سخت افزاری مانند کامپیوترهای پنتیوم،سیستم های خبره را قادر ساخته که به عنوان یک محیط عملیاتی واسط کاربر گرافیکی استفاده شوند.تکنولوژی ساخت مراحل مختلف سیستم های خبره در حال اصلاح و بهبود کیفیت می باشد

ابزارهای توسعه سیستم های خبره :

ابزارهای سیستم خبره

ابزارهای کمکی ساخت سیستم

ابزارهای پشتیبانی توسعه

نرم افزار توسعه سیستم

موتورهای استقرایی و غیره

ویرایشگرها

امکانات توضیح

ابزار کمکی اشکال زدایی

وسایل ورودی و خروجی

ابزارهای هوش مصنوعی

پوسته ها

زبانهای برنامه نویسی

Level 5، ART-IM، LoopsوKEE

Vp-Expert، Crystal و Leonardo

Smalltalk،C،Adaو C++

PROLOGو Lisp

زبان های هوش مصنوعی

 اصطلاح ابزارهای سیستم های خبره ، نرم افزارهایی که برای ساخت یک سیستم خبره به کار می رود را توصیف می کند . نمودار زیر ارتباط میان ابزارهای عمومی سیستم های خبره را نشان می دهد.

ابزار ايجاد سيستم خبره :

  يك ابزار ايجاد پايگاه دانش يك بسته نرم‏افزارى است كه ساخت يك پايگاه دانش كاربردى را آسان ميكند [RUTH90] . اين ابزار خود از ابزارهاى ديگرى تشكيل ميگردند . اين‏ابزارها به طراح كمك ميكنند كه ساختمان پايگاه دانش ايجاد شده توسط ابزار را به عنوان ساختمان مبناى كار خود قرار دهد و عمليات جستجو در پايگاه دانش و استنتاجات بر مبناى اين جستجو و نيز ارائه‏توضيح به كاربر را توسط روالهاى اين ابزار انجام دهد و تنها به چگونگى عمليات كلان براى ايجاد سيستم خبره‏بينديشد. اين ابزار ها معمولا بصورت زير دسته بندى ميگردند :

  1 - ابزار ايجاد و استفاده پايگاه دانش .

  2 - ابزار تعريف و استفاده مكانيزم‏هاى استنتاج و جستجو .

  3 - ابزار ايجاد زير سيستم توضيح .

  4 - ابزار ايجاد و استفاده رابط كاربر .

چند مثال از قواعد موجود در سیستم های واقعی در قسمت زیر آمده است :

ü     سیستم خبره ی MYCIN برای تشخصی منانژیت و بیماری های عفونی ناشی از وجود باکتری در خون :

اگر

          محل کشت میکروب در آزمایشگاه خونی است و

          هویت ارگانیسم با قطعیت شناخته نشده است و

          رنگ ارگانیسم به صورت گرام منفی است و

          شکل ارگانیسم میله ای است و

          بیمار دچار سوختگی شدید است

آنگاه

          شواهد ضعیفی (با درجه اطمینان 0.4 ) نشان می دهند که هویت ارگانیسم، شبه تک یاخته است.

ü     سیستم XCON/RI برای پیکره بندی سیستم های کامپیوتری DEC VAX :

اگر

          زمینه ی فعلی، تخصیص ابزار به نمونه های unibus است و

          یک درایو دیسک دو دریچه ای وجود دارد و

          نوع کنترل کننده مود نیاز مشخص است و

          دو کنترل کننده وجود دارد که به هیچ یک از آن ها ابزاری تخصیص نیافته است و

          تعداد ابزار هایی که این کنترل کننده ها می توانند از آن ها پشتیبانی کنند مشخص است

آنگاه

          به هر یک از کنترل کننده ها درایو دیسک تخصیص دهید و توجه داشته باشید که دو کنترل کننده با هم ارتباط دارند و هر دوی آنهای از یک درایو پشتیبانی می کنند.

چند نمونه از سیستم های خبره ای که قبلا برای کاربرد های سازمانی ایجاد شده اند :

-         سیستم XCON که توانسته سالانه میلیون ها دلار صرفه جویی نصیب DEC کند، زمان لازم برای پیکره بندی یک سفارش را کاهش داده و صحت کار انجام داده شده برای یک سفارش را افزایش دهد. سیستم XCON به طور متوسط می تواند هر سفارش را ظرف دو دقیقه پیکره بندی نماید که 15 برابر سریع تر از انسان است. همچنین انسان در 70% مواقع کار پیکره بندی را به طور صحیح انجام می دهد. این رقم برای سیستم XCON 98% می باشد.

-         سیستم DENDRAL که برای تفسیر ساختار مولکولی به کار می رود.

-         سیستم MYCIN که برای تشخیص و درمان بیماری های مولکولی به کار می رود.

مفاهیم اساسی سیستم های خبره :

تفاوت میان الگوریتم ها و هیوریستیک (کشفیات ذهنی):

سیستم های خبره به عنوان یک شاخه هوش مصنوعی مورد توجه قرار گرفته اند چون عمدتاً روش حل مسائل در آن براساس هیوریستیک است و این با روشی که الگوریتم ها برای حل برنامه ها به کار می برند متفاوت است . الگوریتم یک روش گام به گام حل مسئله است . اغلب برنامه های معمولی از روش های الگوریتمی برای حل مسئله استفاده می نمایند . از سوی دیگر هیوریستیک یک مساله را با روش آزمون و خطا و با اتکا به تعدادی منبع برای یک هدف از پیش تعیین شده حل می کند . به عنوان مثال ، یک اتومبیل سواری برای جستجو جای پارک در یک پارکینگ چند طبقه ، الگوریتمی را به کار نمی برد و هیچ گونه تضمینی مبنی بر اینکه یک فضای پارک پیدا کند ، وجود ندارد . راننده ممکن است تا بالاترین طبقه رانندگی کرده و هر سطح را جستجو کند ، ولی باز هم هیچ گونه تضمینی مبنی بر اینکه این روش جواب خواهد داد ، وجود ندارد.

جستجوی فضای حالت :

فضای جستجو به صورت ساختاری سلسله مراتبی که درخت نامیده می شود ارائه می گردد . مثال ، فرض کنید که فروشنده دوره گردی بخواهد مسیری از حالت اولیه A تا حالت نهایی F از میان شبکه راه های نشان داده شده در شکل زیر پیدا کند . این حالات می توانند شهرهای انگلستان را نشان دهند . به عنوان مثال حالت اولیه A می تواند شهر شفیلد را نشان دهد و حالت نهایی F نیز شهر کاردیف باشد .

A

B

C

D

E

F

H

G

حالت واسط از قبیل B ،C و غیره ممکن است شهرهایی باشند که در میان این شهر ها قرار دارند مانند منچسر ، بیرمینگام و غیره . تمامی شهرها با حروف بزرگ A،B،C و غیره مشخص شده اند.

از نمودار شبکه راه   یک نمودار در ختی  می توان ایجاد نمود یک درخت ساختاری ، سلسله مراتبی است که شامل گره ها و شاخه هایی است که گره ها را به هم متصل می کند . از این رو هر گره در نمودار درختی یک شهر را نمایش می دهد و هر شاخه به عنوان یک راه نمایش داده می شود . مسیر راه حل از حالت اولیه در امتداد شاخه های درخت سیر می کند و در گره های علامت گذاری شده به حالت نهایی خاتمه می یابد . توجه کنید که در یک مسئله هوش مصنوعی ممکن است بیشتر از یک راه حل داشته باشیم یعنی بیشتر از یک راه برای

A

B

C

D

E

F

H

G

F

E

رسیدن از حالت اولیه به حالت نهایی وجود داشته باشد.

 تکنیک های جستجو :

درک این قضیه مشکل نیست که باور نمائیم فضای جستجو به همان صورت که گره ها افزایش می یابند،سریعاً بزرگ می شود.این امر همیشه در مسائل عمده هوش مصنوعی مثل بازی شطرنج به مثابه مانع بزرگی بوده است.این پدیده انفجار ترکیبی نامیده می شود.انفجار ترکیبی باعث گسترش تکنیک های هیوریستیک شده است.تکنیک های جستجو به دو دسته تقسیم می شوند:

1- جستجو کورکورانه : یک طرح ترتیبی انتخاب شده و تا زمانی که یک راه حل یافت شود و یا فضای جستجو به اتمام برسد مورد استفاده قرار می گیرد.برای مدیریت آن دو روش عمق و پهنا وجود دارد.

2- جستجو هیوریستیک : محدوده خاصی از دانش را برای پیمایش فضای جستجو به کار می گیرند.

سيستمهاي خبره[1]:

همانطور که اشاره شد ریشه اصلی سیستم های خبره یا سیستم های مبتنی بر دانش (KBS) به حوزه مطالعاتی به نام هوش مصنوعی (AI) برمیگردد وسیستم های خبره موجودیت خود را مدیون هوش مصنوعی هستند یکی از بزرگان هوش مصنوعی- ماروین مینسکی- آن را چنین تعریف می کند:

«هوش مصنوعی ،حوزه مطالعاتی است که سعی در ایجاد سیستم هایی دارد که به نظر افراد هوشمند هستند.»

 سیستم مبتنی بردانش(knowledge base system ) شامل عملگرهایی است که مشخص می کنند چطور یک سیستم از یک وضعیت می تواند به وضعیت بعد ونهایتاً بسوی وضعیت هدف پیش رود . در این راستا برای ایجاد یک برنامه هوشمند ، آن برنامه باید با کیفیت بالا به نحوی که دانش خاص در حوزه آن مسأله ومرتبط با آن باشد طراحی گردد.

يكي از پر استفاده ترين برنامه هاي كاربردي هوش مصنوعي، سيستمهاي خبره ميباشد. يك KBIS[2] يك پايگاه دانش را به اجزاي اصلي شناخته شده  در انواع ديگر سيستمهاي اطلاعاتي كامپيوتري اضافه ميكند. يك ES يك سيستم اطلاعاتي مبتني بر دانش(KBIS ) است كه دانش خود را در يك حوزه كاربردي پيچيده و خاص بكار ميبرد و به عنوان يك مشاور متخصص براي كاربر نهايي عمل ميكند. سيستمهاي خبره به سوالاتي در زمينه مشكلات و مسائل خاص بوسيله استنباطي نظير استنباط انسان در حوزه دانشي كه در آن متخصص است، جواب ميدهد. سيستمهاي خبره بايد قادر باشند كه فرايند استدلال و نتيجه گيري خود را براي كاربر نهايي توضيح دهند.( O`Brien, 2000 ).

زماني كه سازمان با مشكلات پيچيده مواجه است، غالبا از خبره ها براي مشاوره استفاده ميكند. اين خبره ها ، دانشي خاص و تجربه اي خاص در يك حوزه خاص دارند . آنها گزينه ها ، ميزان شانس موفقيت، و منافع و مضار تجاري را مي شناسند . سازمانها افراد خبره را براي موقعيتهاي غير ساختارمند جمع ميكنند. در واقع سيستم خبره سعي دارد تا  از متخصصين انساني تقليد كند . نوعا سيستم خبره عبارت است از يك پكيج نرم افزاري براي تصميم گيري كه ميتواند به سطح يك متخصص (حتي جلوتر) در حل مسايل در حوزه خاص برسد.Turban, 2000))

سيستم خبره يك برنامه كامپيوتري مبتني بر دانش است كه تخصص انساني را در حوزه اي محدود كسب ميكند.(Lauden & Lauden,2000 ).

 بعضی از تعاریف سیستم های خبره:

سیستم خبره یک سیستم رایانه ای است که با استفاده از دانش،حقایق وروش های استدلالی ، مسائلی را حل می کند که نیاز به توانایی افراد خبره دارند.

یک سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک فرد خبره را «تقلید» میکند. اصطلاح تقلید یعنی انجام کارهایی که یک فرد خبره انجام میدهد واین امر با شبیه سازی اعمال یک خبره تفاوت زیادی دارد.

سیستم خبره یک برنامه هوش مصنوعی است که برای حل مسائل ومشکلات مربوط به یک حوزه خاص تهیه شده باشد.

سیستم خبره یک برنامه رایانه ای است که بااستفاده از دانش و رویه ها در حل مسائل مشکل ، همانند یک انسان متخصص وخبره عمل میکند.

تاریخچه سیستم های خبره :

بعد از سال های 1950 میلادی ، محققین هوش مصنوعی سعی نمودند روش هایی برای حل مسئله بر اساس استدلال های بشر،ارائه نمایند . چنین پروژه ای در سال 1976به وسیله نوول و سایمون توسعه یافت که به عنوان الگوریتم های حل مسائل عمومی یا GPS شناخته شد.

یکی از کمبودهای راه حل مسائل عمومی این بود که اندازه مسئله بزرگ شد . بنابراین فضای جستجو به وجود آمده به طور قابل توجهی رشد کرد بنابراین تنها با ساخت برنامه هایی که کمتر عمومی هستند و تمرکز روی دانش خاص مسئله ، می توانیم این قبیل فضای جستجو را کاهش دهیم . از این رو یک عرصه جدید برای تحقیق در سال 1970پدیدار شد و واترمن(1986)یک برنامه هوشمند به عالیترین کیفیت و دانش مشخص در دامنه مسئله ایجاد نمود که لنات و گودها بعداً در سال 1991 آن را اصل دانش نامیدند . آن ها این مسئله را به شرح زیر بیان کردند: اگر برنامه ای کار پیچیده ای را به خوبی اجرا کند،آن برنامه می بایست راجع به محیطی که در آن عمل می کند ، دانسته هایی داشته باشد . نبود دانش،همه آنچه که مشخص می شود بر اساس جستجو و استدلال است که کافی نیست. از زمانیکه اولین محصول پایگاه دانش پدیدار شد ، یک شاخص در محدوده های زندگی واقعی به حساب می آمد . مانند تشخیص بیماری های عفونی و یا پیشگویی ذخایر معدنی در مناطق جغرافیایی مختلف دنیا ، این تاریخچه ای از آزمایش بر روی مسائل زندگی واقعی بود تا بفهمیم که آیا تصورات با سعی و تلاش قابل دسترس هستند یا خیر؟

سیستم DENDRAL اولین سیستم در این دسته بود که ساخته شد . کار روی این سیستم در سال 1965 میلادی با مدیریت ادوارد فیگن باوم شروع شد.این سیستم به این دلیل به کار گرفته شد تا ساختارهای شیمیایی ذرات ناشناخته را معین کند.این سیستم ها برای حل مسائلی به کار برده شدند که نیاز به سرویس دهی یک خبره داشتند بنابراین به عنوان سیستم های خبره شناخته شدند.همچنین این سیستم ها به عنوان سیستم های مبتنی بر دانش یا سیستم های دانش، شناخته می شوند.

هوش مصنوعی و سیستم های خبره:

دانش پیشگام نیاز های بشر است . انسان همیشه در پی دانش و استفاده از آن و توسعه آن برای بهبود دنیای خویش است . در واقع همین اشتیاق به دانستن است که انسان را از کشف آتش در غارهای اولیه به قدم زدن در سطح کره ماه رساند . دنیای امروز ما محصول فرایند تکامل است که توسط دانش تغذیه می شود . در طی این تکامل بشر ابزار بسیاری برای پیشبرد دانش ایجاد کرده است . یکی ازاین وسایل توسعه نوین کامپیوترها هستند که ابزاری ارزشمند برای توسعه دانش هستند .

کامپیوترهای اولیه بسیار شگفت انگیز بودند زیرا آنها قادر بودند مقدار زیادی داده را به سرعت پردازش کنند و در نتیجه قابلیت مطمئن و محکمی در مسیر پیشرفت دانش برای بشر فراهم کنند . کامپیوترها ی امروزی نه تنها داده ها را ذخیره و بازیابی و بررسی می کنند بلکه بگونه فزاینده ای در انجام تصمیم گیری ها ، مسئولیتهایی را می پذیرند. بنابراین می توان گفت در دوره کوتاهی ، تکنولوژی از عصر جویدن داده ها با عبور از منطقه سازماندهی داده های خام (ایجاد اطلاعات) به دنیای امروزی ما یعنی پردازش دانش رسید . یکی از زمینه های تحقیقاتی که مطالعه در آن باعث این تغییرات شد ، هوش مصنوعی (Artificial Intelligence or AI) است .

هدف نهایی هوش مصنوعی ایجاد برنامه های کامپیوتری است بگونه ای که مانند انسان بیاندیشند . موفقیت در این زمینه ، ماشینهای هوشمندی مهیا می کند که می تواند در امر تصمیم گیری به انسان کمک کنند . هدف دوم و با اهمیتی معادل هدف اول در هوش مصنوعی ، شناخت بهتر چگونگی روش استدلال انسان است .

ساخت یک برنامه هوشمند نیازمند شناخت چگونگی نگهداری و بکارگیری دانش توسط انسان است . موفقیت در این زمینه تحقیقاتی منجر به ایجاد راههای بهتری برای استفاده و کشف دانش می گردد و آن هم به نوبه خود پیشرفت در شناسایی سرزمین مجهولات را سریعتر می کند.

یکی از عمده ترین تشریک مساعی های هوش مصنوعی در پاسخ به نیاز به دانش ، سیستمهای خبره است . یک سیتم خبره یک برنامه کامپیوتری است که روش تصمیم گیری یک فرد خبره را شبیه سازی می کند .

طی دهه 1970 سیستم های خبره بیشتر موضوعی آزمایشگاهی بودند . محققان بر روی روشهای ایجاد دانش و استدلال از آن با کامپیوتر ، متمرکز شده بودند و به طراحی یک سیستم واقعی کارآمد نظر نداشتند . در دهه 1980 انتقال تحقیقات آزمایشگاهی سیستم های خبره به سیستم های تجاری آن آغاز شد و در طول دهه 80 تعداد این سیستم ها رو به افزایش گذاشت به طوری که در سال 1985 ، ساخت 50 سیستم از این نوع گزارش شد.

بعد از این تاریخ صحنه عوض شد چرا که اخبار موفقیت این تکنولوژی رو به فزونی نهاد . نکته مهم این خبرها افزایش سوددهی سازمانهای تجاریی بود که از سیستم های خبره استفاده می کردند و همین امر باعث ترغیب دیگران برای بکارگیری این تکنولوژی بود . این امر تا آنجا پیشرفت کرد که در سال 1992 ساخت 12500 سیستم تخمین زده شد که در واقع یک رکورد چشمگیر برای یک تکنولوژی نو است .

ما امروزه می توانیم  کاربرد سیستم های خبره را در مواردی مثل کمک به مدیر معدن برای کنترل سطح غبار در داخل معدن ، کمک به کشاورزان برای مساله آفت زدایی ، مشاوره به فضا نوردان در امور فضا پیماها  ببینیم .

هوش مصنوعي چيست؟
به طور ابتدايي مي‌توان هوش مصنوعي (Artificial Intelligence) را به اين ترتيب تعريف كرد: هوش مصنوعي تلاشي است كه انجام آن باعث مي‌شود عملكرد ماشينهاي دنياي واقعي، مشابه عملكرد ماشينهاي هوشمند نمايش يافته در فيلمها شود. اين تعريف، اشاره‌اي مختصر به وسعتي است كه تحقيقات هوش مصنوعي به آن مي‌پردازد، اما به جنبه‌هاي مهم.A.I. ، به خصوص در موارد علمي اشاره‌اي نميكند . حال سعي مي كنيم  هوش مصنوعي را به صورت علمي تر بررسي كنيم .
در روانشناسي ، هوش انسان  چنين تعريف مي شود : قابليت عمومي درك و استدلال  يا به بيان ديگر كل قابليت يك فرد براي فعاليت هدفمند، تفكر منطقي و برخورد كارآمد با محيط .
اصطلاح هوش مصنوعي در سال 1956 توسط جان مك كارتي (John McCarthy) ابداع شد . او هوش مصنوعي را چنين تعريف كرد: توانايي است كه به ماشين ، هوشمندي نوع انسان يا حيوان را مي دهد، به نحوي كه ماشين به اهدافش برسد. يا به صورت دقيق تر  مي توان آن را چنين بيان كرد : هوش مصنوعي شاخه اي از علم كامپيوتراست كه ملزومات محاسباتي مورد نياز را براي اعمالي مانند ادراك، مشاهده، استدلال و يادگيري، مورد بررسي قرار داده و سيستمهايي را پياده‌سازي مي كند كه در اين زمينه ها مورد بهره برداري قرار مي گيرند.
هوش مصنوعي گاهي مشابه سازي هوش انسان است، اما هميشه چنين نيست، چرا كه محققان هوش مصنوعي مي توانند  هم از روشهايي استفاده كنند كه در انسان ديده شده و هم روشهايي را به كار ببرند كه جزو كاركردهاي انسان نبوده و يا انسان قادر به انجام آن نيست.درقسمت زیر تعاريف دیگری از هوش مصنوعی بیان شده است:

علم و مهندسی ساخت ماشين های هوشمند٬ خصوصا برنامه های کامپيوتری هوشمند . جان مک کارتی (استنفورد)

هوش مصنوعی عموما بعنوان زير شاخه ای از کامپيوتر محسوب شده و ارتباط تنگاتنگی با عصب شناسيُ٬ علوم شناختی٬ روانشناسی شناختی٬ منطق رياضی و مهندسی است.(پژوهشکده IBM)

هوش مصنوعی عبارتست از ايجاد ظرفيت برای انجام وظايفی که عموما بعنوان ويژگی های انسان شناخته می شود در کامپيوتر. اين ظرفيتها شامل: استدلال٬ اکتشاف مفهوم٬ تعميم٬ يادگيری و ... می باشد. هربرت سيمون (کارنگی ملون)

مغز مصنوعی٬ مغز رباتی است که ياد می گيرد و رفتاری شبيه مغز انسان از خود نشان می دهد. با اين تفاوت که بصورت ااکترونيکی ساخته شده و نه بيولوژيکی. Intelligent) Systems and Their Societies)

شاخه هاي هوش مصنوعي :
 شبكه عصبي(Neural Network)
در اينجا هوشمندي به وسيله مشابه سازي انواع اتصالات فيزيكي كه در مغز حيوانات اتفاق مي افتد، عملي مي شود.
فرآيند تكلم طبيعي (Natural Language Processing)
در اين شاخه، كامپيوترها براي فهم زبان انسان برنامه‌يزي مي شوند.
روباتيك(Robotics)
در اين حوزه سعي مي شود، روباتها به طور هوشمند عمل كنند.به عنوان مثال تواناييهاي هوشمندانه اي مثل ديدن، شنيدن و عكس العمل نشان دادن به محركهاي طبيعي .
انجام مسابقه(Game Playing)
در اينجا كامپيوترها براي شركت در مسابقاتي مثل شطرنج برنامه ريزي مي شوند.
سيستمهاي خبره(Expert Systems)
در اين شاخه ، كامپيوترها براي تصميم گيري در شرايط واقعي زندگي برنامه ريزي مي شوند.به عنوان مثال سيستم هوشمندي را در نظر بگيريد كه توانايي تشخيص مشكلات اعصاب و روان بيماران را دارد.براي اين منظور به صورت زير عمل مي شود:اطلاعات يك يا چند متخصص به اضافه  اطلاعات گرفته شده از خود مراجعان ، به كامپيوتر داده مي شود.حال هر مراجعه كننده به سوالاتي كه كامپيوتر مطرح مي كند پاسخ داده ، سپس كامپيوتر نوع بيماري مراجعه كننده را با استفاده از اطلاعات تخصصي كه در اختيار دارد و اطلاعاتي كه از مراجعه كننده گرفته ، مشخص مي كند.
چنين كامپيوتري ، يك سيستم خبره است.اما اين سيستم، علاوه بر آنچه به آن داده شده ، اطلاعاتي به دست نمي آورد.در شاخه بعد، از قابليتي سخن خواهيم گفت كه به هوشمندي انسان نزديكتر است.

هوش مصنوعي قوي و ضعيف :
اغلب، هوش مصنوعي به دو طبقه تقسيم مي شود، هوش مصنوعي قوي (Strong A.I.) وهوش مصنوعي ضعيف .( A.I Weak)
هوش مصنوعي قوي ادعا مي كند كه كامپيوترها مي توانند به نحوي كارگذاري شوند كه حداقل تا سطح انسان فكر كنند وتواناييهاي او را داشته باشند.
هوش مصنوعي ضعيف به سادگي چنين اظهار مي كند كه تعدادي از ويژگيهاي انسان مانند فكركردن، مي توانند به كامپيوترها اضافه شوند، به نحوي كه آنها كاراتر شده و بتوانند به عنوان مثال تشخيص انسان را مشابه سازي كنند.به عبارت ديگر به نحوي كار كنند كه بتوان به آنها سيستمهاي هوشمند اطلاق كرد .اين نوع هوش مصنوعي مدتي است كه عملي شده و مثال آن نرم افزاري است كه گفتار را تشخيص مي دهد.

نظرمحققان پيرامون هوش مصنوعي:
سرعت و حافظه كامپيوتر نسبت به انسان خيلي بيشتر است ، اما ميزان تواناييهاي آن بستگي به كارآيي مكانيزمهاي هوشمندي دارد كه طراحان برنامه در طراحي به كار گرفته اند.اگر طراحان مكانيزمهاي مورد نظرشان را كاملا دريافته باشند و به خوبي بتوانند آنها را در برنامه هايي به زبان ماشين بيان كنند، ميزان توانايي ماشين مطلوب خواهد بود و اگر چنين نباشد، ماشين كارايي خوبي نخواهد داشت. نابراين هوشمندي ماشينها نيز مانند انسان ، انواع و درجات مختلفي دارد.
بعضي از مردم فكر مي كنند با نوشتن تعداد زيادي  برنامه و با استفاده از زبانهايي كه هم اكنون براي بيان اطلاعات به كامپيوتر استفاده مي شوند، كامپيوترها مي توانند به هوشمندي نوع انسان برسند .اما محققان هوش مصنوعي معتقدند براي اين منظور، ايده هاي اساسي جديدي لازم است و بنابراين نمي توان پيش بيني كرد كه چه زماني كامپيوترها به اين هدف مي رسند.
گروهي از محققان در پي اين انديشه بوده اند كه ماشيني غير از كامپيوتر را براي هوشمند شدن به وجود آورده و به كار گيرند .اين گروه ماشينهايي ساختند و اميدوار بودند كه بتوانند اين ماشينها را به همان صورتي  كه برنامه هاي كامپيوتري را  هوشمند مي سازند، هوشمند كنند.با  وجود اين ، آنها معمولا ماشينهاي اختراعي خود را روي كامپيوتر مدل سازي مي كردند. نها به اين گمان مي رسيدند كه ساخت ماشينهاي جديد بسيار گران تمام مي شود، چون براي افزايش سرعت كامپيوترها هزينه بسيار زيادي صرف  مي شود و بنابراين نوع ديگر ماشين بايد خيلي سريع باشد كه در مدل سازي ، بهتر از كامپيوتر عمل كند.
گاهي اين سوال پيش مي آيد كه آيا هدف از هوش مصنوعي ، گذاردن انديشه انسان در كامپيوتر است ‚ بعضي از محققان همين هدف را دنبال مي كنند.اما انديشه انسان مشخصه هاي بسيار زيادي دارد وتا كنون كسي به طور جدي از تقليد همه آنها در كامپيوتر صحبتي نكرده است .
محققان معتقدند زماني كه  انسان در انجام بعضي از امور بهتر از ماشين عمل كند و يا آنگاه كه كامپيوترها براي داشتن كاركردي مشابه انسان ، ناچار به استفاده از تعداد بسيار زيادي  محاسبه باشند، در آن صورت طراحان برنامه هاي هوشمندي ماشين در درك مكانيزمهاي هوشمندي و بيان آنها به زبان ماشين موفق نبوده اند، بنابراين لازم است برنامه هايي با كارايي بيشتر طراحي شود.
بعضي از مردم فكر مي كنند براي هوشمند شدن كامپيوترها، سرعت بيشتري لازم است.اما از نظر محققان اگر تسلط كاملي بر طراحي برنامه هاي هوشمندي وجود داشت ، كامپيوترهاي 30 سال قبل نيز براي هوشمند شدن  سرعت كافي داشتند!

نحوه شكل گيري هوش مصنوعي:
بعد از جنگ جهاني دوم ، افرادي بدون ارتباط با يكديگرشروع به كار در زمينه ماشينهاي هوشمند كردند .در سال1947 ، تورينگ يك سخنراني در همين زمينه ارائه كرد، او احتمالا اولين كسي است كه ادعا كرد بهترين  تحقيقات در اين زمينه براساس برنامه نويسي كامپيوتر انجام مي شود و نه ساخت ماشين.
پس از شكل گيري هوش مصنوعي ، مك كارتي يك كارگاه دو ماهه در كالج Dart Mouth تشكيل داد .اين كارگاه هيچ چيز تازه اي به دنبال نداشت ، اما همه بنيانگذاران هوش مصنوعي را گردهم آورد و باعث شد پايه اي براي تحقيقات بعدي گذارده شود .به دنبال آن موج شديدي از تحقيقات در اين زمينه پديد آمد و مراكز تحقيقات هوش مصنوعي در دانشگاههايي مثل MIT و Carnegie Mellon شكل گرفت.
مك كارتي فعاليتهاي زيادي در اين زمينه انجام داد .او در سال 1958 يك زبان برنامه نويسي سطح بالا به نام  ليسپ (LISP) را نوشت كه هنوز يكي از برجسته ترين زبانهاي برنامه نويسي هوش مصنوعي است.
 در آن  زمان  محققان  MIT  نشان دادند كه  اگر كار به  يك  موضوع اصلي محدود و منحصر شود، برنامه هاي كامپيوتري مي توانند مسائل فضايي و همچنين مسائل منطقي را نيز حل كنند.
در دهه 70 ميلادي ، حوزه هاي كاري هوش مصنوعي تخصصي تر شد.حوزه هايي مثل سيستمهاي هوشمند، بررسي تكلم و بينايي كامپيوتر و غيره به وجود آمد كه اين امر باعث تحكيم بيشتر تئوريهاي مربوطه شد.
در دهه 80 ميلادي ، هوش مصنوعي با گامهاي سريع تري به پيش رفت  .همچنانكه كامپيوترهاي شخصي  جاي بيشتري بين مردم پيدا كردند و فروش سخت افزار در اين زمينه افزايش يافت ، مردم با علم و تكنيك مانوس تر شدند.
در اوايل  دهه 90 ميلادي، در جنگ خليج فارس  هوش مصنوعي مورد آزمايش قرار گرفت. ين آزمايش هم در كارهاي ساده اي مثل تجهيز هواپيماهاي باربري و هم در كارهاي پيچيده تر مثل زمان بندي و هماهنگي عمليات طوفان صحرا انجام گرفت.همچنين سلاحهاي پيشرفته تر مثل موشك كروز به فناوريهايي در زمينه هوش مصنوعي مثل روباتيك يا بينايي ماشين ، مجهز شدند .

نزديک به ده سال پيش ، دپارتمان تجاری ، ارزيابی تکنولوژيکی بازار هوشمندی مصنوعی در U.S را مورد بحث قرار داد.محققان ، AI را به عنوان سيستمی که می تواند به سازمان در مديريت دانش آن کمک نمايد و در رابطه با بعد پيچيدگی ، ياری کننده متخصصان در تحليل مشکل و طراحی ابزار جديد باشد ، معرفی نموده اند.

در سال 1993 بازار هوش مصنوعی شامل تکنولوژی هايی نظير سيستم خبره ،شبکه های عصبی ، منطق فازی ، رباتها و.... می شد که حدود 900 ميليون دلار را به خود اختصاص می داد و U.S در توسعه چنين سيستم هايی در راس ساير کشور ها قرار داشت.

بعد از آن سرمايه گذاری های وسيعی از طرف دولت و ارتش روی سيستم های هوشمند گرديد و کاربرد های وسيعی از آن ايجاد شدو اكنون در قرن بيست و يكم شاهد ورود تدريجي هوش مصنوعي به زندگي مردم هستيم ، به خصوص كه علاقه به كامپيوتر و بازيهاي كامپيوتري روزبه روز بيشتر مي شود در سال 2002   سهم اين بازاربه چيزی بالغ بر 11.9 بيليون دلار رسيد و پيش بينی می شود تا سال 2007  به 21 بيليون دلار خواهد رسيد . پيشرفتهاي نوين در اين زمينه به طور روزافزون در دسترس مردم قرار مي گيرد و چه كسي مي داند آينده  به همراه خود چه به ارمغان خواهد آورد.

هوش‌ مصنوعي‌ و هوش‌ انساني‌:
براي‌ شناخت‌ هوش‌ مصنوعي‌ شايسته‌ است‌ تا تفاوت‌ آن‌ را با هوش‌انساني‌ به‌ خوبي‌ بدانيم‌ . مغز انسان‌ از ميلياردها سلول‌ يا رشته‌ عصبي‌درست‌ شده‌ است‌ و اين‌ سلول‌ها به‌ صورت‌ پيچيده‌اي‌ به‌ يكديگر متصل‌اند .  شبيه‌سازي‌ مغز انسان‌ مي‌تواند از طريق‌ سخت‌افزار يا نرم‌افزارانجام‌ گيرد. تحقيقات‌ اوليه‌ نشان‌ داده‌ است‌ شبيه‌سازي‌ مغز، كاري‌مكانيكي‌ و ساده‌ مي‌باشد. براي‌ مثال‌، يك‌ كرم‌ داراي‌ چند شبكه‌ عصبي‌است ‌. يك‌ حشره‌ حدود يك‌ ميليون‌ رشته‌ عصبي‌ دارد و مغز انسان‌ ازهزار ميليارد رشته‌ عصبي‌ درست‌ شده‌ است‌ . با تمركز و اتصال‌ رشته‌هاي‌عصبي‌ مصنوعي‌ مي‌توان‌ واحد هوش‌ مصنوعي‌ را درست‌ كرد.
هوش‌ انساني‌ بسيار پيچيده‌تر و گسترده‌تر از سيستم‌هاي‌ رايانه‌اي‌است‌ و توانمنديهاي‌ برجسته‌اي‌ مانند: استدلال‌، رفتار، مقايسه‌، آفرينش‌و بكار بستن‌ مفهومها را دارد.
هوش‌ انساني‌ توان‌ ايجاد ارتباط ميان‌ موضوع‌ها و قياس‌ ونمونه‌ سازيهاي‌ تازه‌ را دارد. انسان‌ همواره‌ قانون‌هاي‌ تازه‌اي‌ مي‌سازد و ياقانون‌ پيشين‌ را در موارد تازه‌ بكار مي‌گيرد . توانايي‌ بشر در ايجاد مفهوم‌هاي‌ گوناگون‌ در دنياي‌ پيرامون‌ خود ، از ويژگي‌هاي‌ ديگر اوست‌ . مفهوم‌هاي‌ گسترده‌اي‌ همچون‌ روابط علت‌ و معلولي‌، رمان‌ و يا مفهوم‌هاي‌ ساده‌تري‌ مانند گزينش‌ وعده‌هاي‌ خوراك‌ (صبحانه‌، ناهار وشام) را انسان‌ ايجاد كرده‌ است‌. انديشيدن‌ در اين‌ مفهوم‌ها و بكاربستن‌آنها، ويژه‌ رفتار هوشمندانه‌ انسان‌ است‌.
هوش‌ مصنوعي‌ در پي‌ ساخت‌ دستگاههايي‌ است‌ كه‌ بتوانندتوانمندهاي‌ ياد شده‌ (استدلال‌، رفتار، مقايسه‌ و مفهوم‌ آفريني‌) را از خود بروز دهند. آنچه‌ تاكنون‌ ساخته‌ شده‌ نتوانسته‌ است‌ خود را به‌ اين‌ پايه برساند ، هر چند سودمندي‌هاي‌ فراواني‌ به‌ بار آورده‌ است‌.
نكته‌ آخر اينكه‌، يكي‌ از علل‌ رويارويي‌ با مقوله‌ هوش‌ مصنوعي‌ ، ناشي‌ از نام‌گذاري‌ نامناسب‌ آن‌ مي‌باشد. چنانچه‌ جان‌ مك‌كارتي‌ در سال‌1956 ميلادي‌ آن‌ را چيزي‌ مانند «برنامه‌ريزي‌ پيشرفته‌» ناميده‌ بود شايد جنگ‌ و جدلي‌ در پيرامون‌ آن‌ رخ‌ نمي‌داد.
در ذیل هوش مصنوعی و هوش طبیعی را فهرست وار مقایسه می کنیم :

·        هوش مصنوعی دائمی تر است.

·        نسبت به هوش طبيی کم هزينه تر است.

·        هوش مصنوعی با ثبت و کامل می باشد.

·        هوش مصنوعی قابليت مستند شدن را دارد.

·        هوش مصنوعی امکان استفاده از کامپيوتر را ساده تر می سازد.

·        هوش طبيعی فعال است در صورتی که هوش مصنوعی اينچنين نيست.

·        هوش طبيعي اين امکان را به فرد می دهد تا به طور مستقيم از تجربيات حسی خود  استفاده نمايد.

·        هوش طبيعي به افراد قدرت تشخيص ارتباط بين اشياء را میدهد.

·  هوش طبيعی به انسان امکان استفاده از تجربيات وسيعی را می دهد.

بشر همواره مجذوب چگونگي عملكرد مغز خود بوده و تمايل داشته است ماشيني خلق كند كه كاركردي همانند مغز داشته و هوشمند باشد . با  وجود اين ، چنين آرزويي تا سال 1941 كه كامپيوتر ظهور كرد و به دنبال آن فناوري لازم براي عملي كردن آن پديد آمد، به حيطه انديشه هاي قابل تحقق وارد نشد .

هوش مصنوعی بطور خلاصه ترکیبی است از علوم کامپیوتر، فیزیولوژی و فلسفه . این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته‌های مختلف علوم و فن‌آوری، مانند مکانیزم‌های ساده در ماشین‌ها شروع شده ، و به سیستم‌های خبره ختم می شود . هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند "فکر" کند . اما برای دسته‌بندی و تعریف ماشینهای متفکر، می بایست به تعریف "هوش" پرداخت . همچنین به تعاریفی برای "آگاهی" و "درک " نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.

به مدد تحقیقات وسیع دانشمندان علوم مرتبط، هوش مصنوعی از بدو پیدایش تا کنون راه بسیاری پیموده است . 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 کرده است . یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و حداقل نسبت به وجود خود و احساسات خود واقف 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 مثال 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 می دهد، و با هر حرکت موفقیت آمیز یا اشتباه ، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می دود و یا به روشی برای جابجا شدن، دست می یابد ، که سازندگانش، برای او ، متصور نبوده اند.
هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است ، ولی به هیچ عنوان دور از دسترس نیست . دانشمندان، عموما برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد ، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می برند.

آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه سازی رفتارهای میلیونها سلول مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
مباحث هوش مصنوعی قبل از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و تئوری هایی در باب منطق نمودند ، مطرح شده بود . در سال 1943، با اختراع کامپیوترهای الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می رسید ، تکنولوژی 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 می نگریستند تنها پس از چهار دهه ، شاهد تولد ماشینهای شطرنج باز و دیگر سیستمهای هوشمند در صنایع گوناگون هستیم.
هوش مصنوعی که همواره هدف نهایی علوم کامپیوتر بوده است ، اکنون در خدمت توسعه علوم کامپیوتر نیز می باشد . زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می سازند، پایگاههای داده ای پیشرفته، موتورهای جستجو، و بسیاری نرم افزار ها و ماشینها از نتایج تحقیقات هوش مصنوعی بهره می برند.

در سال 1950 آلن تورینگ(Alain Turing) ، ریاضی‌دان انگلیسی، معیار سنجش رفتار یک ماشین هوشمند را چنین بیان داشت:

"سزاوارترین معیار برای هوشمند شمردن یک ماشین، این‌است که آن ماشین بتواند انسانی را توسط یک پایانه (تله تایپ) به گونه‌ای بفریبد که آن فرد متقاعد گردد با یک انسان روبه‌رو است."
در این آزمایش شخصی از طریق 2 عدد پایانه (کامپیوتر یا تله تایپ) که امکان برقراری ارتباط (Chat) را برای وی فراهم می کنند با یک انسان و یک ماشین هوشمند ، بطور همزمان به پرسش و پاسخ می پردازد . در صورتی که وی نتواند ماشین را از انسان تشخیص دهد ، آن ماشین، هوشمند است.

آزمایش تورینگ:
آزمایش تورینگ از قرار دادن انسان و ماشین بطور مستقیم در برابر یکدیگر اجتناب می کند و بدین ترتیب، چهره و فیریک انسانی مد نظر آزمایش کنندگان نمی باشد . ماشینی که بتواند از پس آزمون تورینگ برآید، از تفکری انسانی برخوردار است.

 مدل سازی نحوه تفکر انسان، تنها راه تولید ماشینهای هوشمند نیست. هم اکنون دو هدف برای تولید ماشینهای هوشمند، مد نظر است، که تنها یکی از آن دو از الگوی انسانی جهت فکر کردن بهره می برد:

• سیستمی که مانند انسان فکر کند. این سیستم با مدل کردن مغز انسان و نحوه اندیشیدن انسان تولید خواهد شد و لذا از آزمون تورینگ سر بلند بیرون می آید. از این سیستم ممکن است اعمال انسانی سر بزند .

•سیستمی که عاقلانه فکر کند . سیستمی 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 تصمیم‌گیری می‌نماید . آن‌ها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی کنند. این ماشین‌ها لزوما درکی از احساسات ندارند . هم‌اکنون از این سیستم‌ها در تولیدAgent ها در نرم افزارهای کامپیوتری ، بهره‌گیری می‌شود . Agent ، تنها مشاهده کرده و سپس عمل می کند.
Agent  قادر به شناسایی الگوها ، و تصمیم‌گیری بر اساس قوانین فکر کردن خود است . قوانین و چگونگی فکر کردن هر Agent در راستای دستیابی به هدفش، تعریف می شود. این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می دهند . پس عاقلانه رفتار می کنند، هر چند الزاما مانند انسان فکر نمی کنند .
با وجودی که برآورده‌سازی نیازهای صنایع نظامی، مهمترین عامل توسعه و رشد هوش‌مصنوعی بوده است، هم‌اکنون از محصولات این شاخه از علوم در صنایع پزشکی، رباتیک، پیش‌بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا و دست‌خط و بازی‌ها و نرم‌افزارهای کامپیوتری استفاده می‌شود.