سیستم خبره (ES) چیست؟

مثال هایی از قابلیت سیستم خبره

• تشخیص خرابی ماشین‌ها، وسایل نقلیه، دستگاه‌ها، شبکه‌های فناوری اطلاعات و توصیه نحوه تعمیر یا رفع خرابی؛
• تشخیص مسائل/علائم پزشکی و توصیه برنامه‌های درمانی؛
• مدیریت شرایط اضطراری و ارائه طرح‌های بازیابی/کاهش بلایا؛
• و ...

اجزای سیستم خبره چیست؟

 کاربر

فرد خبره

مهندس دانش

پایگاه‌داده

پایگاه دانش

مشتمل بر دانش متخصص و شیوه‌های دادوستد با پایگاه‌داده برای دست‌یابی به نتایج موردنظر است.

موتور استنتاج

امکان تحلیل و نتیجه‌گیری از ارتباط بین پایگاه‌داده و پایگاه دانش را فراهم می‌کند.

سیستم توضیح

چگونگی دست‌یابی سیستم به یک نتیجه خاصی را برای کاربر تشریح می‌نماید. این موضوع از اهمیت ویژه‌ای برخوردار است زیرا پذیرش و تأیید کاربر را افزایش می‌دهد و به شناسایی و تصحیح خطا و  مشکلات ساده سیستم نیز کمک می‌کند.

قسمت اکتساب دانش

فرآیند استخراج، طراحی و ارائه دانش است. در‌ اغلب موارد، استخراج دانش متخصص از طریق تکنیک مصاحبه صورت می‌گیرد.

انواع روش‌های ایجاد سیستم‌های خبره

در این قسمت به بررسی انواع روش‌های ایجاد سیستم‌های خبره در سازمان می‌پردازیم:

خریداری سیستم خبره آماده

یکی از مشهورترین مثال هایی از سیستم خبره آماده، "مشاور مالی" است که توسط شرکت "پالادین سافت‌ور" به بازار عرضه شده است. این نرم‌افزار به مدیران در زمینه تجزیه و تحلیل سرمایه‌گذاری در یک واحد صنعتی تازه، انبار، فرآورده یا خرید شرکتی دیگر، یاری می‌رساند. در این سیستم، دانش و تجربه‌های تخصصی فراوانی از شرکت‌های گوناگون ذخیره شده و پایگاه دانش آن را تشکیل داده است .

صدف هوش مصنوعی

رویکرد دیگری که در ایجاد سیستم‌های خبره به کار گرفته می‌شود و ساخت آن به کمک یک صدف هوش مصنوعی است. این صدف، نرم‌افزاری است که از راهبردی از پیش تعیین شده پیروی نموده و زبانی نسبتاً ساده و محدود دارد. در این روش، باید اطلاعات موردنیاز را به صدف هوش مصنوعی وارد نمود و این با خرید یک بسته نرم‌افزاری خبره بسیار متفاوت است. از نمونه‌های خوب صدف هوش مصنوعی، 1M محصول شرکت "تکنالج" است که در میکرو کامپیوترها استفاده می‌شود و نوع بسیار گسترده آن را نیز می‌توان در کامپیوترهای بزرگ (مین فریم ها) به کار برد.

سیستم‌های سفارشی

در این روش مهندس ماهری با فرد یا افراد خبره پایه دانشی سیستم مصاحبه نموده و بنا به نیازهای آن‌ها، قاعده‌ها و چهار چوب‌های تصمیم‌گیری را تنظیم می‌کند. این مهندسان آگاه که در امر استخراج اطلاعات و شناخت نیازهای خبرگان و کارکنان ماهر سازمان ورزیده‌اند، ابتدا نمونه و پیش‌الگوی سیستم را می‌سازند سپس با تبادل نظر، و کار با افراد خبره، کاستی‌های آن را یکی پس از دیگری بر طرف می‌کنند تا سیستمی دلخواه به وجود آید. این روش پرهزینه است و تنها شرکت‌های بسیار بزرگ دست به برپایی چنین سیستم‌هایی می‌زنند.

سیستم‌های خبره و مدیریت دانش

هدف اصلی انباشت، ذخیره و مدیریت دانش جدید تولید شده در هر سازمان، حفظ آن دانش و ارجاع به آن برای نیازهای آتی در موارد تجاری مرتبط است. پذیرش تکنیک‌های سیستم‌های خبره مبتنی بر دانش در مدیریت دانش، مزایای مهمی را نسبت به شیوه‌های سنتی فعلی مدیریت دانش فراهم می‌کند. این تکنیک‌ها، دانش‌های مدیریت شده را به سبکی آرشیو می‌کنند که در هنگام ارائه مشاوره برای استنباط دانش جدید یا ارائه توصیه‌ها یا تصمیمات برای حل مشکلات تجاری آینده، مانند متخصصان تعامل‌گر عمل کند. سیستم‌های خبره به‌عنوان یک تکنیک هوش مصنوعی، برای مدت طولانی مورداستفاده قرار گرفته‌اند. با این حال گسترش آن با پتانسیل‌های بالای ذاتی آن همخوانی ندارد. اکنون مهم است که تمرکز بیشتری برای اتخاذ سیستم‌های خبره در مدیریت دانش وجود داشته باشد. در ادامه بیان می‌کنیم که سیستم‌های خبره چگونه کار می‌کنند و مدیریت دانش چگونه می‌تواند از آن بهره‌مند شود.

فراوانی تولید دانش جدید

فراوانی تولید دانش جدید به منبع و ماهیت دانش بستگی دارد. شناخت دو دسته مرتبط با سیستم‌های خبره زیر در تولید دانش جدید مهم است:

1. دانش ایستا یا شبه ایستا: شامل دانشی از علم ناب، دانش، مشخصات خاص و سایر دانش‌هایی است که میزان تغییر یا تولید دانش جدید در آن‌ها کم یا بسیار پایین است.
2. دانش پویا: شامل شیوه‌های تجاری، دانش مرتبط با مشتری، رفتارها یا روندها، فرآیندهای عملیاتی و غیره است. این نوع دانش در معرض تغییرات نسبتاً بالایی یا تولید دانش جدید است.
3. سیستم‌های خبره چندین مزیت اساسی نسبت به سیستم‌های کامپیوتری معمولی دارند:
4. تصمیم‌گیری منسجم: زیرا از مکانیسم‌ها و الگوریتم‌های مشخصی پیروی می‌کنند که به طور خاص برای یک مورد مشخص جهت استنتاج راه‌حل‌ها یا تصمیمات بهینه طراحی شده‌اند.
5. سیستم‌های خبره سطح کیفیت و اطلاعات را حفظ می‌کنند.
6. برای تصمیمات توصیه شده استدلال ارائه می‌کنند.

ارائه دانش در هوش مصنوعی

پژوهش‌های هوش مصنوعی علیرغم ارتباط با روان‌شناسی شناختی به طور مستقیم به نمونه‌های ذهن بشر توجه ندارد بلکه به طراحی نظام‌های رایانه‌ایی که رفتار "هوشمندانه" دارند توجه می‌کند. منابع اصلی ارائه دانش در هوش مصنوعی، دانش را با دو رویکرد مورد بررسی قرار داده‌اند: دانش عام و فرادانش .
دانش عام: از تنوع بسیاری برخوردار بوده و ساختارهای گوناگونی دارد و دراین نوع دانش، چیزی که تاکنون مورد بررسی قرار گرفته از جمله طبقه‌بندی و ویژگی‌های اشیاء، رخدادها و فعالیت‌ها، عملکردها و فرآیندها می‌باشند .
فرادانش: دانشی است که درباره دامنه و ساختار دانش مورد استفاده در سیستم ارائه می‌شود.
در نظام هوش مصنوعی، دانش ذخیره می‌شود تا به وسیله برنامه‌ای رایانه‌ای مورد استفاده قرار گیرد. موارد عمده استفاده عبارتند از:

• کسب دانش جدید (یادگیری)
• بازیابی دانش از حافظه
• استنتاج دانش‌هایی که ازنظر منطقی قابل استنتاج است، از دانش واقعی ثبت شده به کمک استدلال

به طور کلی ویژگی‌های اصلی که با آن می‌توان میزان ارائه دانش در هوش مصنوعی را سنجید عبارتند از:

1. قابلیت بیانگری: این روش می‌تواند انواع سطوح مختلف تفکیک‌پذیری راداشته باشد. در این صورت این روش قادر خواهد بود دانش و ساختارهای پیچیده و روابط میان آن‌ها را نمایش دهد.
2. مفید بودن: برای اندازه‌گیری یک روش، ارائه خوب و مفید آن است که ابزار لازم برای استنتاج دانش جدید از دانش موجود را دارا باشد و قابلیت محاسباتی داشته باشد تا بتوان ابزارهای کافی برای پشتیبانی سیستم تهیه کرد.
3. كارآیی: روش ارائه دانش نه تنها باید استنتاج دانش جدید از دانش قبلی را ممکن سازد، بلکه باید این کار را با بازدهی بالا انجام دهد و امکان جمع‌آوری و ارائه دانش را به‌صورت کارآ فراهم سازد.
4. صراحت: یک روش خوب ارائه دانش باید بتواند برای استنتاج‌های خود دلایل کافی ارائه نماید و اجازه توجیه استدلال‌هایش را فراهم سازد. همچنین حلقه استدلال نیز باید صریح و واضح باشد.

كمک به تجارت الکترونیکی و سازمان‌های هوشمند

مدیریت دانش یک فرآیند هوشمند است که طی آن داده‌های اولیه جمع‌آوری شده و به عناصر اطلاعاتی تبدیل می‌شوند سپس این عناصر اطلاعاتی یکپارچه و سازمان‌دهی شده به ساختارهایی با زمینه مرتبط (Context relevant structures) تبدیل می‌شوند که نشان‌دهنده دانش هستند. برای تمامی سازمان‌ها ذخیره اطلاعات مرتبط با کسب‌وکار در پایگاه داده‌ها، فایل سرورها، صفحات وب، پست الکترونیک، برنامه‌ریزی منابع سازمان (ERP) و مدیریت ارتباط با مشتری امری ضروری است که به این ترتیب توسط کاربران گوناگون قابل دسترسی می‌باشد. این مخازن یکپارچه که نظیر سیستم‌های مدیریت دانش عمل می‌کنند، می‌توانند اتلاف وقت در جستجوی اطلاعات خاص را کاهش داده و همچنین امکان تصمیم‌گیری بهتر در حوزه کسب‌وکار را فراهم می‌کنند. دانش چنین سیستم‌های مدیریت دانشی می‌تواند شرکت را به یک سازمان هوشمند تبدیل کند.

طرح‌های تشویقی برای جمع‌آوری دانش

پذیرش سیستم‌های خبره اجازه می‌دهد تا رویکردهای انگیزشی قدرتمندتر و کارآمدتری برای افزایش مشارکت کارکنان در تولید دانش جدید و افزودن به پایگاه دانش سازمان در نظر گرفته شود. مدل‌های سیستم خبره را می‌توان برای اندازه‌گیری تعداد استفاده از دانش ذخیره شده در پایگاه دانش در جلسات مشاوره مختلف توسعه داد. هر چه یک دانش در جلسات مشاوره بیشتر ظاهر شود، ارزش آن بیشتر شده و برای کارمندی که این دانش را ارائه می‌دهد، پاداش بیشتری خواهد داشت که این معیار مجزا از تعداد استفاده است. همچنین مواردی مانند صرفه‌جویی در هزینه، ایجاد درآمد، ارزش‌افزوده، بهبود عملکرد و غیره نیز قابل سنجش است. آن دسته از کارمندانی که بالاترین امتیاز را در هر یک از معیارهای ذکر شده کسب کنند، پاداش بیشتری دریافت خواهند کرد. تا زمانی که دانش ثبت شده اهمیت استفاده و کاربردپذیری خود را در جلسات مشاوره آینده حفظ کند، پاداش می‌تواند ادامه یابد؛ بنابراین کارکنان دلایل بسیار قوی برای پیگیری دانش جدید تولید شده که در طول وظایف روزانه خود با آن مواجه می‌شوند، دارند و تلاش‌ بیشتری را برای ارائه شیوه‌ها یا فرآیندهای نوآورانه ارتقا یافته جهت انجام وظایف تجاری انجام خواهند داد.

رویکرد مدیریت دانش سنتی نمی‌تواند چنین مکانیزم کارآمد و قدرتمندی را برای سنجش با ارزش‌ترین دانش ارائه دهد زیرا ارائه چنین ارزیابی برای تک تک دانش‌های ذخیره‌ شده در پایگاه دانش، اگر نگوییم غیرممکن، بسیار دشوار است. با سیستم‌های خبره، این کار می‌تواند با سهولت انجام شود زیرا موتورهای استنتاج قبلاً دانش ذخیره‌ شده را در طول فرآیند استدلال خود جستجو می‌کنند و بنابراین می‌توانند این گزینه را داشته باشند که با ارزش‌ترین دانش را طبق معیاری که سازمان در نظر می‌گیرد، همواره پایش کند.

جمع‌بندی

اتخاذ سیستم‌های خبره در مدیریت دانش مزایای زیادی را نسبت به رویکردهای سنتی فراهم می‌کند. این سبک مدیریت دانش را از "بازیابی دانش بایگانی شده" به سبک "جلسه مشاوره تخصصی" تبدیل می‌کند. علاوه بر این، این امکان را برای طرح‌های تشویقی قدرتمند و خود اجرایی فراهم می‌کند. این کار مزایای زیادی را به همراه دارد از جمله:

1. کاهش زمان موردنیاز برای مراجعه جهت بهره‌مندی از دانش سازمان برای موارد آتی زیرا درحالی‌که جستجو به‌صورت خودکار انجام می‌شود، نقش مشاوره به خود می‌گیرد.
2. ضمانت ارتباط و صحت بیشتر توصیه‌های به‌دست‌آمده با موضوع و چالش تحت بررسی. این به دلیل قابلیت‌های جستجوی جامع Inference Engines است.
3. کارکنان بیشتری را تشویق کنید تا با پایگاه دانش سازمان برای یافتن توصیه‌های بهینه برای حل مسائل تجاری مشورت کنند. این امر عملکرد کلی سازمان و کارکنان را افزایش می‌دهد.
4. مشارکت کارکنان را برای ایجاد پایگاه دانش سازمان افزایش می‌دهد.
5. تفکر خلاق را از کارکنان در تمام سطوح تشویق کنید تا به دانش جدید و نوآورانه برای غلبه بر مسائل تجاری یا بهبود شیوه‌های تجاری فعلی دست یابند.

منبع: 

• مقاله سیستم خبره و کاربرد آن در مدیریت نوشته آرش حبیبی کنفرانس بین‌المللی صنعتی شریف تهران
• Artificial Intelligence-Based Knowledge Management