قرار هست چی رو بررسی کنیم؟
می‌شود دانش یک متخصص را در نرم‌افزار گذاشت؟ و این چه ربطی به تحلیل‌گر سیستم دارد؟
تصور کنید یک آشپز باتجربه در رستورانی معروف می‌خواهد بازنشسته شود. قبل از خداحافظی، سال‌ها تجربه‌اش را طوری مکتوب و منظم می‌کند که آشپز بعدی، حتی بدون او، بتواند همان سوپ معروف را درست کند. به نظرم همین تصویر، ساده‌ترین توضیح برای ایده‌ی «سیستم خبره» است: ذخیره‌ی دانش یک فرد خبره برای استفاده در آینده.
از ایده تا Mycin
اولین سیستمی که معمولاً «سیستم خبره» خوانده می‌شود DENDRAL است: پروژه‌ای در دانشگاه استنفورد (از حدود ۱۹۶۴–۱۹۶۵) با ادوارد فایگنبام، جاشوا لدربرگ و شیمیدان کارل جراسی، برای اینکه ساختار مولکول‌های آلی را از روی طیف جرمی حدس بزند، یعنی کاری که تا آن زمان شیمیدان خبره انجام می‌داد.
مشهورترین نمونه‌ی بعدی Mycin است؛ سیستمی که در اوایل دهه‌ی ۱۹۷۰ در همان استنفورد برای کمک به پزشک‌ها در درمان عفونت‌های باکتریایی ساخته شد. با پرسیدن چند سؤال وضعیت بیمار را تحلیل می‌کرد و بر پایه‌ی «پایگاه دانش» خودش، که چند صد قاعده‌ی اگر-آنگاه بود، درمان پیشنهاد می‌داد. در ارزیابی کورِ ۱۹۷۹ (یو و همکاران، JAMA) هشت متخصص پیشنهاد درمان مننژیت را برای ده بیمار بدون اینکه بدانند کدام پیشنهاد از ماشین است نمره دادند؛ پیشنهادهای Mycin حدود ۶۵٪ «قابل قبول» شد، در برابر ۴۲٫۵٪ تا ۶۲٫۵٪ برای پنج متخصص هیئت علمی استنفورد. به عبارت دقیق‌تر، در آن آزمایش کوچک در حد متخصص‌ها بود، نه برتر از همه‌ی پزشک‌ها؛ و با این حال هرگز در عمل بالینی به کار نرفت، به دلیل مسئله‌های حقوقی و اخلاقی و فناوریِ یکپارچه‌سازی آن زمان، نه ضعف عملکرد.
سیستم خبره چیست؟
نرم‌افزاری هوشمند است که تلاش می‌کند مثل یک متخصص انسانی فکر کند، تصمیم بگیرد و حتی توصیه کند. پنج جزء اصلی دارد:
- پایگاه دانش (Knowledge Base): دانش، قاعده، تجربه و قوانین تخصصی
- موتور استنتاج (Inference Engine): منطق و الگوریتمی که با دانش به نتیجه می‌رسد
- رابط کاربر (User Interface): واسطه‌ی گفتگو با کاربر، پرسیدن سؤال و نشان دادن نتیجه
- ماژول توضیح (Explanation Module): دلیل هر تصمیم را به کاربر می‌گوید
- پایگاه حقایق (Fact Base): اطلاعات خاص هر سناریو، مثلاً داده‌ی یک بیمار یا مشتری مشخص
چطور کار می‌کند؟
فرض کنید به سیستم بگویید «بیمار تب دارد و گلودرد.» سیستم با قاعده‌هایی مثل این جلو می‌رود:
اگر تب + گلودرد → احتمال عفونت ویروسی
اگر عفونت ویروسی → تجویز استراحت و مایعات
و نتیجه می‌گیرد: «احتمالاً بیمار عفونت ویروسی دارد. درمان پیشنهادی: استراحت و مایعات. در صورت ادامه‌ی علائم به پزشک مراجعه شود.»
امروز کجا به کار می‌آید؟
در پزشکی (سیستم‌های تشخیص و پیشنهاد درمان بر اساس پرونده‌ی بیمار)، مهندسی و تولید (تشخیص خطای ماشین‌آلات، توصیه‌ی نگهداری پیشگیرانه، و نمونه‌ی کلاسیکش XCON که شرکت DEC در دهه‌ی ۸۰ برای چیدمان سفارش‌های رایانه‌های VAX به کار می‌برد)، مدیریت و کسب‌وکار (سیستم‌های پشتیبان تصمیم) و خدمات مشتری (درخت‌های تصمیم و پرسش‌وپاسخ قاعده‌محور که مثل کارشناس مرحله‌به‌مرحله راهنمایی می‌کنند).
فرقش با هوش مصنوعی مدرن
سیستم‌های خبره‌ی کلاسیک بر قاعده‌های صریح و از پیش تعیین‌شده تکیه دارند، در حالی که بیشتر الگوریتم‌های هوش مصنوعی امروز، مثل یادگیری ماشین و شبکه‌های عصبی، بر داده‌ی آماری و یادگیری خودکار بنا شده‌اند. برای همین مثلاً IBM Watson را نباید سیستم خبره‌ی کلاسیک شمرد؛ بر یادگیری ماشین و پردازش زبان طبیعی بنا شده، نه بر قاعده‌های دست‌نویس. با این حال، هرجا به شفافیت، قابلیت توضیح و مستندسازی تصمیم‌ها نیاز باشد، سیستم‌های خبره هنوز ارزش زیادی دارند.
در تحلیل سیستم‌ها هم می‌توانند به تحلیل‌گر کمک کنند تا در شرایط پیچیده سریع‌تر و دقیق‌تر تصمیم بگیرد.
سیستم_خبرههوش_مصنوعیMycinتحلیل_سیستم
مرتبط: ارائه مدل تحول نرم‌افزاری تا ERP (جایی که سیستم‌های اطلاعاتی و تصمیم‌یار وارد سازمان واقعی می‌شوند).