• بازدید : 44 views
  • بدون نظر
این فایل در ۲۶صفحه قابل ویرایش تهیه شده وشامل موارد زیر است:

         نقطه آغاز ایجاد هوش مصنوعی اندکی بعد از جنگ جهانی دوم می باشد . در آن زمان (نوربرت واینر)با توجه به مسایل سیبرنیتیک, زمینه را برای پیشرفت هوش مصنوعی به وجود آورد . در سال ۱۹۵۰ آزمایشی مبنی بر این که آیا ماشین قادر است با فرایند های مغز انسان رقابت نماید, مطرح کرد.
کامپیوتر در اصل یک ماشین برای یاری انسان در انجام کار های دشوار است . مثلا الکتریکی نمودن دفترچه تلفن یا راهنمای کار یک ماشین لباس شوئی یا انجام فرایند های متوالی و مشخص از پیش تعیین شده و.. ……
گذری بر سیستم‌های خبره‌ (Expert Systems) 
اشاره : 
<استدلال> در میان اهل فن و صاحبان اندیشه تعاریف و تفاسیر متنوعی دارد. در نگاهی کلی، استفاده از دلیل و برهان برای رسیدن به یک نتیجه از فرضیاتی منطقی با استفاده از روش‌های معین، تعریفی از استدلال تلقی می‌شود؛ تعریفی که البته با دیدگاه‌های فلسفی و گاه ایده‌آل‌گرایانه از استدلال تفاوت دارد. با این حال موضوع مهم و اساسی در اینجا بحث در چیستی و چرایی این دیدگاه‌ها نیست، بلکه در مورد نحوه طراحی سیستم‌های با قدرت استدلال، با هر تعریفی، برای رسیدن به مجموعه‌ای از تصمیمات منطقی‌ ‌ با استفاده از مفروضات یا به طور دقیق‌تر دانشی است که در اختیار آن‌ها قرار می‌گیرد. سیستم‌هایی خبره (expert systems) اساسا برای چنین هدفی طراحی می‌شوند. در حقیقت به واسطه الگوبرداری این سیستم‌ها از نظام منطق و استدلال انسان و نیز یکسان بودن منابع دانش مورد استفاده آن‌ها، حاصل کار یک سیستم خبره می‌تواند تصمیماتی باشد که درحوزه‌ها و عرصه‌های مختلف قابل استفاده، مورد اطمینان و تاثیرگذار هستند. بسیاری بر این باورند که سیستم‌های خبره بیشترین پیشرفت را در هوش مصنوعی به وجود آورده‌اند. آن‌چه درادامه می‌خوانید نگاهی کوتاه به تعاریف و سازوکار سیستم‌های خبره و گذری بر مزایا و محدودیت‌های به کارگیری این سیستم‌ها در علوم و فنون مختلف است. طبیعتاً مباحث کاربردی‌تر و عملی‌تر درباره سیستم‌های خبره و بحث درباره نحوه توسعه و پیاده‌سازی آن‌ها، نیازمند مقالات جداگانه‌ای است 
دانشمندان بارها به فکر افتادند که با ثبت قوانین پزشکی، فیزیکی و شیمیایی در کامپیوتر از کامپیوتر یک پزشک، مهندس یا شیمیدان بسازند اما جالب اینکه پاسخ پرسش هایی چون بیماری مادر همیشه غلط از آب در امده و پی آمد های گرانی به همراه داشته است . جان انسان مطاعی نیست که بتوان ان را به قمار گرفت. دراین جا به مفهومی به نام خبره بر می خوریم .

خبره همان فرد متخصص و باسواد یک حوزه است اما فرق یک فرد خبره ویک فرد باسواد در تصمیم گیریهای او است فرد با سواد در بر خورد با یک موقعیت پس از آنالیز کردن موقیعت و جمع آوری اطلاعات و مشاهدات در باره موقعیت طبق قوانین خشکی که در طول مطالعه ها به آن بر خورده تصمیم گیری می نماید . اما فرد خبره در بر خورد بایک موقعیت پس از آنالیز موقعیت، جمع آوری اطلاعات ومشاهدات درمورد موقعیت با مراجعه به تجربه خود و مشاهدات قبلی خود در مورد موقعیت یا موقعیتهای مشابه و استفاده از آن چه در زبان عامیانه آنرا حس ششم می نامیم، چندین تئوری ایجاد نموده وسپس با استفاده از قوانین پایه ای علمی وتصمیم درست را می گیرد پیتر جکسن سیستم های خبره را این چنین تعریف می کند :

“.یک سیستم خبره یک برنامه کامپیوتری است که عمل نمایش و تعقل دانش را با دست داشتن دانش یک متخصص ووظیفه حل مشکلات یا فراهم نمودن اندرز و مشورت انجام می دهد چنین سیستمی وظیفه انجام اموری را که به برای انجام شدن به یک متخصص انسان یا یک اسیستانتا برای یک متخصص نیاز دارد را دارد” .

         به زبان ساده سیستم خبره یک برنامه کامپیوتری است به طریقی که جلوتر تو ضیح داده خواهد شد دانش و تجربه لازم در مورد یک موضوع مشخص را در خود داشته و بادریافت اطلاعات در مورد مساله یا موقعیت کنونی که مربوط به دانش خود نیز می باشد تصمیم گیری یا نتیجه گیری درستی را که از یک انسان خبره انتظار میرود را انجام می دهد . سیستم خبره شاخه از هوش مصنوعی است که مربوط به تقلید توان هایی معرفتی و شعوری انسان، چون حل مسائل ، درک و فهم زبان، آواها و تصاویر می باشد . تکنو لوژی سیستم خبره جز موفق ترین حوزه های هوش مصنوعی است . و تا کنون این تکنولوژی در حیطه های علمی چون شیمی آلی و پزشکی داخلی پیاده سازی وبا موفقیت به مصرف رسیده است .
موارد پایین جزو تفاوت های یک سیستم خبره و یک برنامه عادی که به یک دیتا بیس متصل است ،می باشد.
الف :یک سیستم خبره برای حل یک مشکل به جای شبیه سازی مشکل با مدل های ریاضی آن را به سبک انسان حل می کند . این بدان معناست که یک سیستم خبره به دنبال حل نمود یک مساله از طریق روش های بشر گونه است .

ب:یک سیستم خبره جای انجام عملیات ریاضی و استد لال برپایه روابط ریاضی، بر پایه دانش انسانی تعقل می نماید . دانش در لفاف یک زبان مخصوص درون برنامه نگه داری می شود و از ؟؟؟؟تعفل انجام می دهد جداست این دو ماجول جدا را به ترتیب پایگاه دانش و موتور استناج یا نتیجه گیری می نامیم 
ج: یک سیستم خبره برای رسیدن به پاسخ از روشهای ابتکاری و تقریب زنی برای یافت پاسخ استفاده میکنند این روش ها بر خلاف استفاده از الگوریتم های مشخص رسیدن به پاسخ را ضمانت نمی کنند .                 روشهای ابتکاری و اساسا حسابهای تخمینی و فرضی هستند که در مدت توسط تجربه یا ابتکار به خرج دادن امتحان کردن راه های مختلف انجام یک کار بدست می آیند . ومنظور از تقریب ز نی آن است که داده ورودی حتما نباید کامل و عاری از خطا باشند و البته پاسخ های ایجاد شده توسط سیستم نیز خود همراه با ا یک در صد احتمال وقوع هستند .
مهم ترین موضوعات سیستم های خبره مباحث زیر هستند که مختصرا به تو ضیح هریک می پردازیم .


الف: فراگیری دانش

فراگیری دانش فرآیند تغییر تجربه و تخصص حل مسائل از یک منبع دانش به یک برنامه است .

معمولا این فرآیند طی سری مصاحبات بین یک متخصص کامپیوتر و یک خبره یک حوزه علمی انجام می گیرد که این فرآیند بسیار طولانی و سخت است زیرا اغلب اوقات افراد قادر به شرح فرآیند تصمیم گیری خویش نیستند . ویا افراد خبره از کلمات اصطلاحات حوزه تخصص خود برای توصیف فرآیند ها استفاده میکنند که تبدیل آن به داده کامپیوتری توسط یک متخصص کامپیوتر که از آن تخصص سر رشته ندارد عملا غیرممکن است .مثلا پخت غذا که همه با ان اشنا هستیم .یک اشپز از اصطلاح تفت دادن برای تشریح عمل سرخ کردن یک تکه خوراکی استفاده می کند اما واقعا تفت دادن یعنی چه ؟

سرخ کردن یک چیز در ماهیتابه تا زمانی که رنگ ان طلایی ش.د یک تو ضیح است >اما اگر بخواهیم سیب زمینی را تفت بدهیم چه ؟در مورد برنج در تخم مرغ خوابیده چی؟(برنج خوابیده در تخم مرغ یک غذای لذیذ اینگلیسی است )در مورد بادمجان چه ؟

این امر باعث شده دانشمندان این حوزه برای عمل کسب دانش در ماشین به شبکه های عصبی که به آموزش ماشین می انجامند روی بیاورند .

ب : نمایش دانش

نمایش داده حوزه علمی است که فقط مربوط به تکنولوژی سیستم خبره نمیشود بلکه در تمام شاخه های هوش مصنوعی با آن بر خورد خواهیم داشت . نمایش داده موضوعی است که در مورد شیوه نگه داری ، ارائه برخورد با دانش را بررسی میکند که البته هدف آن تقلید شیوه نگاهداری ارائه وبرخورد دانش در مغز انسان است .هر روش نمایش دانش باید دارای زبانی ساده عاری از دو پهلویی بااستعاره و اشاره که دارای نحو ( کلمات ،جملات و اساس ساختاری ) مشخص و تعریف شده و قوانین معنای نسبی که به شکل حالت و مکان هر کلمه یا جز زبان، معنای آن را درست واضح بیان مینماید ،باشد .
ساختار یک سیستم خبره‌
هر سیستم خبره از دو بخش مجزا ساخته شده است: پایگاه دانش و موتور تصمیم‌گیری. 
پایگاه دانش یک سیستم خبره از هر دو نوع دانش مبتنی بر حقایق ‌(factual) و نیز دانش غیرقطعی (heuristic)  استفاده می‌کند. Factual knowledge، دانش حقیقی یا قطعی نوعی از دانش است که می‌توان آن را در حیطه‌های مختلف به اشتراک گذاشت و تعمیم داد؛ چراکه درستی آن قطعی است. 

در سوی دیگر، Heuristic knowledge قرار دارد که غیرقطعی‌تر و بیشتر مبتنی بر برداشت‌های شخصی است. هرچه حدس‌ها یا دانش هیورستیک یک سیستم خبره بهتر باشد، سطح خبرگی آن بیشتر خواهد بود و در شرایط ویژه، تصمیمات بهتری اتخاذ خواهد کرد. 
دانش مبتنی بر ساختار Heuristic در سیستم‌های خبره اهمیت زیادی دارد این نوع دانش می‌تواند به تسریع فرآیند حل یک مسئله کمک کند. 
البته یک مشکل عمده در ارتباط با به کارگیری دانشHeuristic آن است که نمی‌توان در حل همه مسائل از این نوع دانش استفاده کرد. به عنوان نمونه، نمودار (شکل ۱) به خوبی نشان می‌دهد که جلوگیری از حمل سموم خطرناک از طریق خطوط هوایی با استفاده از روش Heuristic امکانپذیر نیست.
 

نقش منابع هوشمند در مدیریت دانش
             هدف این بخش، بهبود درک فرآیندهایی است که بدان طریق فراهم‌آوری دانش، ابزارهای فنی، و عوامل سازمانی می‌توانند به توسعه سازمان از جهت گسترش دانش به عنوان یک سلاح رقابتی نظام‌‌مند کمک کنند. این بخش، روابط بین تکنولوژی و ارزشهای انسانی را بررسی می‌کند، زیرا این روابط ابزارهای ضروری فرایند مدیریت دانش می‌باشند. با توجه به اینکه مدیریت دانش به عوامل هوشمند، تکنولوژی اطلاعات، و سیستم‌های حمایت از تصمیمات استراتژیک ارتباط دارد، درمی‌یابیم که هدف آن ارائه بینش مؤثری درخصوص کارآیی مدیریت دانش می‌باشد. در این بخش، یک مدل مفهومی از کارایی مدیریت دانش در سازمانهایی که با ترکیبی از نقش عوامل هوشمند و منابع سیستم‌های هوشمند حمایت می‌شوند، ارائه می‌شود. این مدل به دو بخش تقسیم می‌گردد: 
۱) بخش ابزارهای فنی برای تعیین مشخصات منابع سیستم‌های هوشمند. 
۲) بخش عوامل هوشمند که وظیفه آنها تمرکز بر نقش‌شان در عملکرد سازمانی می‌باشد. 
عوامل عمده، مورد بحث قرار گرفته و برای پژوهشهای آینده پیشنهاداتی ارائه می‌گردد. 

         دانش، دارایی واقعی سازمانی است که براساس اصول بازار آزاد فعالیت می‌‌کند و بر یکپارچگی در بخشها و اصول خود تأکید دارد. چون مدیریت دانش۱ با ابزارهای فنی و ارزشهای انسانی چندگانه سر و کار دارد می‌تواند نشان دهد که چگونه سازمانهای آموزشی، سازمانهای هوشمند، و اصولاً مدیریت سازمانی می‌توانند فرآیندهای خود را از طریق استفاده از یک رهیافت «دانش‌مدار» مجدداً طراحی نمایند. عوامل هوشمند (ارزشهای انسانی) و ابزارهای فنی قادر هستند مبنایی برای کارآیی بلندمدت سازمانیِ دستگاههایی که می‌خواهند مدیریت دانش را نهادینه سازند، فراهم کنند. مدیریت دانش بصورت روزافزون سودمندتر می‌‌گردد، زیرا مدیریت ارزش، سیستم‌های هوشمند و عوامل هوشمند را مدنظر قرار می‌دهد (ولدریج و جنین، ۱۹۹۵). 
        در خلال دهه گذشته، این آگاهی روزافزون حاصل گردیده که سازمانها باید سرمایه معنوی و ابزارهای فنی خود را که در قلمرو اطلاعات قرار دارند به درستی مدیریت نمایند، یعنی اینکه افراد و سیستم‌های اطلاعاتی، به صورت کارا، به کار گرفته شوند. بر طبق بعضی از اظهارنظرها (استوارت، ۱۹۹۷؛ ویگ، ۱۹۹۷)، مدیریت دانش به عنوان یک متدولوژی برای تولید، حفظ، و بهره‌برداری از تمام امکانات مجموعه عظیمی از دانش است که هر سازمانی در فعالیتهای روزانه خود از آنها سود می‌جوید. دیدگاه دیگری وجود دارد که مدیریت دانش را به عنوان مجموعه‌ای از فرآیندها توصیف می‌کند که از تولید، توزیع، و بهره‌برداری از دانش بین عوامل مرتبط هوشمند و ابزارهای فنی، چون تکنولوژی اطلاعات۲ و سیستم‌های حمایت از تصمیم‌گیری۳، حمایت می‌نماید (لیبوتیس و ولکاکس، ۱۹۹۷). بعضی سازمانها، علاقه زیادی به اجرای فرایندها و فنون مدیریت دانش نشان می‌دهند و حتی شروع به گزینش مدیریت دانش به عنوان بخشی از استراتژی حرفه خود کرده‌اند. با توجه به نیاز به افزودن علاقه مدیران، این مقاله معتقد است که مجموعه‌ای از عوامل به نحو چشمگیری برای تبیین رابطه بین کارایی مدیریت دانش، عوامل هوشمند، و منابع فنی سودمند می‌باشند. باید بر روابط عملیاتی تأکید گردد، زیرا باعث تقویت مدیریت دانش می‌گردد. این مقاله سعی دارد که مدل مفهومی برای کارایی مدیریت دانش و یک چارچوب برای نقشهای عوامل هوشمند و ابزارهای فنی در مدل مفهومی مدیریت دانش، ارائه دهد. در نهایت بعضی از نقطه نظرات و مسائل مدیریتی نیز ارائه خواهد شد. 
● ارتقای دانش از طریق ابزارهای فنی 
        ابزارهای متنوعی وجود دارند که می‌توان از آنها برای ایجاد ارتباطات آموزشی یا یادگیری، مدلهای توصیفی، و همچنین کنترل مدیریت دانش استفاده کنیم. ابزارهای یادگیری جدیدی در حال ظهور هستند که ابعاد فنی بر قابلیتهای فکری انسان ارائه می‌کنند، به این معنی که مکانیسمی برای ایجاد سیستم‌های پایدار مدیریت دانش ارائه می‌کنند. با این ابزارهای جدید، بخشی از دانش می‌تواند در یک برنامه‌ نرم‌افزاری تجسم پیدا نموده و برای عوامل هوشمندی که در قسمتهای مختلف سازمان قرار دارند، دسترس‌پذیر گردند. ایجاد چنین سیستمی مستلزم آن است که دانش دسترس‌پذیر، قابل درک و همچنین قابل ذخیره توسط افراد هوشمند باشد. در سالهای گذشته پیشرفتهای مهمی در تکنولوژی اطلاعات رخ داده است که قابلیتهای جدیدی برای فرایند مدیریت دانش داشته‌اند. به عنوان مثال، واسطه‌های پیشرفته کامپیوتری، ظرفیت بیشتر ذخیره، پیشرفت در رهیافتهای مهندسی دانش، سیستم‌های تقویت تصمیم‌گیری و سیستم‌های حمایت از تصمیم‌گیریهایی که به وسیله کامپیوتر حمایت می‌گردند کمکهای سودمندی نموده‌اند. ظهور سیستم‌های حمایت عملکرد۴ یکی از مهم‌ترین این رهاوردها می‌باشد (گری، ۱۹۹۱). 
تعداد زیاد کامپیوترهای شخصی و شبکه‌های ارتباطی به سازمانها این اجازه را داده که دانش جدید را به دست آورده و یا حفظ نموده و آن را در راستای نیل به موقعیتهای رقابتی برتر مورد استفاده قرار دهند (حلال و اسمیت، ۱۹۹۸؛ تاپ اسکاپ، ۱۹۹۶). 
  • بازدید : 60 views
  • بدون نظر
این فایل قابل ویرایش می باشد وبه صورت زیر تهیه شده:

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.  
روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند ،که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد . اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است .  انواع مختلفی از چنین سیستمهای خبره ای از زمانی که SHRTLIFFE روش SHRTLIFFE MYCIN   را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد ، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب ، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی میکنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده میکنند . آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی و خروجی آنها است ،یاد بگیرند. در حوزه تشخیص الگو در داده های پزشکی ، شبکه های عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند. برای انجام وظیفه چمع آوری دانش پایه که بخشی از روش ترکیبی ما است ، شبکه های عصبی جدیدی معرفی شده اند. منطق فازی که در علوم پزشکی نیز ظاهر شده اند ، با توضیحات شفاهی مبهم سروکار دارند. واژه هایی همانند کم ، زیاد یا احتمالاً برای مدلسازی با استفاده از روشهای منطقی مرسوم ،دشوار هستند. متغیرهای زبانی معرفی شده بوسیله توضیحات فازی ، توضیحات شبه گفتاری نزدیک به گفتارهای یک شخص طیبعی است. تمامی روشهای بالا دارای مزایا و معایبی هستند که در بخش ۲ توضیح داده خواهند شد. ترکیب این روشها نه تنها باعث افزایش مزیتها آن می شود بلکه باعث حذف برخی از نقاط ضعف آنها نیز میشود. تاکنون فقط چند روش در تشخیص پزشکی ، روشهای چندگانه هوش مصنوعی را با هم ترکیب کرده اند، که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند. 

اگر چه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد این بخش جزواستفاده کنندگان بلقوه هوش مصنوعی هستند .عمومی ترین روشهای AI در بخش پزشکی سیستمهای مبتنی بر دانش ومدل سازی رفتار تشخیص متخصصین است .انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shortliffe روش MYCIN  Shortliffe را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی ومعرفی کرد ،بوسیله پزشکان مورد استفاده قرار گرفته است .یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب گردآوری ودانش پایه آن است .ما روش جدیدی را معرفی می کنیم که در آن یک دانش پایه با منبع دوگانه بوسیله یادگیری استنتاجی واستقرایی ایجاد میشود .شبکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند روابط بین مجموعه داده هارا با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی وخروجی آنها است ،یاد بگیرند.
در حوزه تشخیص الگودر دادهای پزشکی ،شبکه عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند .برای انجام وظیفه جمع آوری دانش پایه که بخش از روش ترکیبی ما است ،شبکه های عصبی جدیدا معرفی شده اند منطق فازی که در علوم پزشکی نیز ظاهر شده است ،با بیانات شفاهی نا مشخص سر وکار دارد .واژه هایی همانند زیاد ،کم یا احتمالا برای تبدیل شدن به مدل با استفاده از منطق مرسوم سخت هستند .متغیر های زبانی معرفی شده بوسیله بیانات فازی توضیحات شبه زبانی (گفتاری)نزدیک به گفتارهای یک شخص طبیعی است .تمامی روشهای بالا دارای مزایا ومعایبی هستند که در بخش ۲ توضیح داده خواهند شد .ترکیب این روشها نه تنها باعث افزایش مزیتهای آن ها می گرددبلکه باعث حذف برخی از معایب آنها نیز میشود .تاکنون فقط چند روش در تشخیص پزشکی ،روشهای چند گانه هوش مصنوعی را با هم ترکیب کرده اند ،که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند .
در اینجا ما سیستم ترکیبی را توضیح خواهیم داد که شامل یک سیستم خبره فازی برای استنتاج مبتنی بر قانون همراه با یک شبکه عصبی فازی برای کسب دانش مبتنی بر مورد علاوه بر دانش مبتنی بر توضیحات یک فرد خبره می باشد . (بخش ۳) دریافت خودکار قوانین توسط شبکه به موازات قانونمند کردن قوانین تجربی اجرا می شود . برای سیستم ترکیبی دو حالت برای پردازش نتایج وجود دارد : یک مود یادگیری برای تغذیه دانش پایه و مود اجرایی برای تشخیص اطلاعات بیمار . تمامی اجزای سیستم بر پایه نمایش فازی استوار هستند که بعنوان یک رابط شخص بین اجزا و فازی کردن اطلاعات ورودی ضروری عمل می کنند . از زیر بخش
 2-3 یک تکنیک نقشه زیری بسیار موثر معرفی خواهد شد که متغیرهای فازی را به علائم عصبی تبدیل می کند . برای مشاهده پردازش اطلاعات واقعی پزشکی در چنین سیستمی ، ما از تشخیص های electroenephalograms(EEGs) را برای نشان دادن استفاده می کنیم . این نوع از اطلاعات پزشکی که به صورت الکترونیکی اندازه گیری و ذخیره شده است ، برای پردازش خودکار بسیار مناسب هستند زیرا نیازی به تبدیل به علائم الکترونیکی ندارند . سایر انواع اطلاعات نیز برای تشخیص در سیستم ها مناسب هستند . ما سیستم خودمان را سوای از کاربردهای احتمالی و هدف عنوان شده توسط MC Clelland توضیح خواهیم داد . بنابراین برای نشان دادن چند گانگی پدیده و برای هر پدیده به ۸ نرون نیاز است . از آنجایکه تعداد ویژگیهای قرار گرفته در هر بخش از زمان در EEG تغییر می کند (هر نمونه بوسیله یک وسیله مصنوعی تغییر نخواهد کرد) به تصویری نیاز است که توانایی کد گذاری پدیده چندگانه بوسیله تعدادی عصب ثابت را داشته باشد . ما یک الگوی نقشه بندی را توسعه داده ایم که بر اساس آن و بوسیله محاسبه نتیجه فرعی که به تفضیل بعدا در مورد آن صحبت خواهیم کرد دو متغیر فازی را در یک شبکه مناسب برای نمایش ارائه قرار می دهد . دو متغیر چهار واژه ای بوسیله ۱۶ نرون N frequency x amplitude (N دفعه X شدت) بدست می آید . (شکل ۲ را ببینید ) هر نرون نشان دهنده ارتباط دو واژه فازی هر متغیر است و بنابراین بر مشکل پیوندی غلبه می کنیم . مقدار فعاللیت یک نزون از طریق ضرب جبری او تابع عضویت به صورت زیر محاسبه شده است :
Ndelta = udelta*uzero = 0.6*0.6=0.36
جمع فعالیت حاصل از یک پدیده طیفی برای ساده کردن قابلیت تفسیر مجدد قواعد یادگرفته شده بوسیله شبکه یک خواهد بود . 

۳-۳ : شبکه عصبی فازی 
ویژگیهای فازی که بوسیله روش الگو بندی دو بعدی برای شبکه عصبی نشان داده شده است : آنگاه برای شناخته شدن توسط شبکه یادگرفته می شوند . به منظور استخراج دانش گردآوری شده از یک شبکه فازی عصبی بنام fune در شبکه سه لایه ای خود استفاده می کنیم . ساختار احساسی چند لایه ای خاص بوسیله یک الگوریتم سلسله ای یاد گرفته می شود . در لایه میانی سه نوع نرون وجود دارد که به صورت توپوگرافیگی با یکدیگر تشکیل گروه داده اند . یک گروه از نرونهای توان فقط تابع or را برای ورودهای چند گانه انجام دهد ، در حالیکه گروه دیگر فقط عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و خروجیهای منفرد هستند . خروجی نرون به آسانی همانند یک عمل or بر روی تمامی نرونهای میانی عمل می کند . به عبارت ساده تر شبکه کاملا بهم متصل شده درونی نشاندهنده تمامی توابع منطقی احتالی از منطق or منطق and و ۱۶ منطق نامشخص است . در حین پروسه یادگیری تمامی اتصلاات زیر یک محدوده خاص محدود می شوند . این روش تقلیل بوسیله Lecun در سال ۱۹۹۰ معرفی شد تا بدینطریق سرعت یادگیری افزایش یابد البته این کار برای محدود کردن تعداد قواعد حاصله نیز مفید است . این نکته برای ما جالب است زیرا ما به طور مشخص این قواعد را بعد از یادگیری جدا می کنیم و می خواهیم از قواعدی که دشت چشم گیری ندارند ، دوری کنیم . شبکه ای که برای تشخیص bulbus های مصنوعی آموزشی داده شده است در فرم نهایی خود در شکل ۲ نشان داده شده است . 
بعنوان یک مثال اگر ورودی نرون نشاندهنده یک bulbus artifact(ba)  بر اساس روش ساده شده ۲ باشد ف تفاوت تکرار بالا خواهد بود در حالیکه اجزای تکراری بقیه کم است . شی تشخیص داده شده در خروجی نرون با حالت فعال آن یعنی ۱ نشان داده شده است . برخی از ورودیها مشارکت کمتری در عمل شناسایی انجام می دهند ، زیرا این اتصالات با ارزش وزنی کم قبلا نادیده گرفته شده اند . 
برای ساده شدن ما فقط از مقادیر ۵ و ۱ استفاده می کنیم ، البته آنها در واقعیت رخ نخواهند داد .
  • بازدید : 85 views
  • بدون نظر
این فایل در ۲۵صفحه قابل ویرایش تهیه شده وشامل موارد زیر است:

شبکه‌های ارتباطی تصميمگيری-علمی يک مجموعه کامل به قانون رياضی را عرضه ميکنند و از اين قوانين برای ساختن مبنا ی دانش سيستم‌ها (خبره) برای حوزه‌های نامعلوم که از اهميت مرکزی برخوردارند، استفاده می‌کنند.
در اين مقاله ،چنين سيستم‌هايی سيستم‌های خبره تصميمگيری -علمی ناميده خواهند شد. کاربرد اصلی در طبقه بندی (formalisms) اين قوانين است. برای مثال داريم: تشخيص ناخوشی(cf.[4]) با اين عبارت بيان ميشود و در تصميمگيری با شرايط نامعنوس است و در مثال ديگری داريم: حد مطلوب مديريت رفتار يک بيمار (cf.[1]) است.
قوانين شبکه تصميم گيری -علمی از دو زمينه مختلف سر چشمه ميگيرد:
۱- سيستم های پايه دانش (۱۱)
۲- تئوری تصميم آماری (۱۶)
همچنين وقتی که سيستم های خبره تصميمگيری -علمی بنا ميشونددر پی آمد های مختلفی که منعکس شده اند رخ ميدهند .هر سيستم خبره ،استخراج دانش از يک حوزه علمی از منابع مختلف مانند خبرها، متخصص ها،مطبوعات و پايگاه داده ها هستند که در طی  مراحل ساخت چينين سيستم هايی نياز هستتند، استفاده ميشوند.
مراحل اگاهی يابی به وسيله حوزه مخصوص ،بسيار وسيع و نمونه ها راهنمايی ميشوند بنابراين ،مراحل ساخت شبکه های مناسبتصميمگيری -علمی تبديل ميشوند به پيشنهادی از علم اصول در سال جديد(cf.[10]).
دانش مهندسی:
اين شيوه های دانش مهندسی با تکنيک های نمونه اي از تجزيه و تحليل آماری الحاق شده  است.از اين رو ، طراحی چينين سيستم هايی، نيازمند  طراحی روی تکنيک ها از روش های مختلف است.
اگر چه اين روش ها مشخص نميکند که چگونه اين تکنيک ها بايد ترکيب شوند .تشريح راهنمايی ها برای ساخت سيستم های خبره تصميمگيری -علمی متداول نيستند .
در اين مقاله ،مراحل ساخت شبکه های تصميمگيری -علمی در همکاری با يک حوزه خبره آدرس دهی شده اند.تشريح نزديک شدن به هدف مطرح شده است.به عنوان يک مثال انتخاب نوع عمل برای بيمار قلبی مادر زادی اتخاذ شده است .
نتايج بدست آمده از يک پروژه در خور شبکه های تصميمگيری -علمی برای کد کردن زمان انتخاب روش عمل رسيدگی شده، مشتق ميشود .
ساختار مقاله به شرح زير است : چرا که دانش پزشکی برای فهم،به مثال ها در اين مقاله نياز دارد.در بخش بعدی ،به تشخيص مسئله پزشکی و رفتار بيماری قلبی ارثی که شرح داده شده است،می پردازیم.
در بخش ۳ ،تئوری شبکه های تصميمگيری -علمی برّرسی شده اند.
بخش ۴،فرستادن آدرس نمونه های حوزه خلق شده که ميتوانند به عنوان مبنا برای ساختن شبکه های تصميمگيری -علمی استفاده شوند.يک روش برای طراحی شبکه های تصميمگيری -علمی ،پيشنهاد کردن است.
در بخش ۵،اندازه روش ها برای پالايش شبکه های تصميمگيری -علمی است.
و سرانجام در بخش ۶،بعضی  محدوديت ها و مسير بعدی برای دوباره جستجو کردن وشناسايی است.

۲-گزينش رفتار در بيماری قلبی ارثی:                                                                            
از هر ۱۰۰۰ نوزادی که متولد می شوند ،هشت نوزاد ضربان قلبی منظمی ندارند که در اين افراد،تنگی آئورت به صورت منظم بارها اتفاق می افتاد و اغلب در ترکيب با ديگر بی نظمی های دستگاه قلبی-عروقی است.
 

در شکل ۱ ساختار تنگی آئورت نمايش داده شده است .در تنگی آئورت يک انقباض در آئورت وجود دارد،در نزديکيه لوله شريان . لوله شريان قسمتی از جنينی است ،که به طور عادی بعد از تولد سريع بسته ميشود. 
در باز شدنلوله شريان متواليا برخورد در اتصال با بی نظمی های قلبی-عروقی رخ ميدهد.فشار و جريان خون به وسيله بطن چپ حمايت ميشود ،که بلافصله منقبض ميشود ،و خون را از آئورت خارج ميکند. 
آئورت در هر دفعه اکسيژن فراوانی را در خون می فرستد.به علت تنگی آئورت ،بطن چپ دارای بار اضافی شده است ،که آن توانايی يافتن نيازمندی های هر شخص را برای تغذيه خون ندارد.
 اين حالات در نارسايی قلبی مشخص است . مشکلات ناشی از نارسايی قلبی بلافاصله بعد از تولددر بيمارها با تنگی آئورت رخ ميدهد.امتحان يک نوزاد از لحاظ جسمانی با تنگی آئورت و وابسته شدن به نارسايی قلبی را به صورت نشانه هاو اثرات زير آشکار می سازد :
بزرگ شدن قلب (cardiomegaly) .
بزرگ شدن کبد(hepatomegalty).
گوش کردن به ضربان قلب غير عادی (صدای ريوی).
نشانه های مختلف تنگی نفس (نفس تنگی).
افزايش سرعت تنفس(tachgpnoea).
تپش قلب (افزايش ضربان قلب ).
تنگی آئورت (که باعث ميشود فشار خون در نيمه  بالايی بدن افزايش يابد و فشار نيمه پايينی بدن کاهش می يابد). 
عمل جراحی هدفی است که تنگی و فشار را تصحيح ميکند. انتخاب 
کردن بين انواع عمل های جراحی در موارد زير ذکر شده است:
۱- عمل جراحی اصلاحی تنگی آئورت. 
۲- علاوه بر مداوا به وسيله عمل جراحی ،مکانی برای مديريت پزشکی و فرو نشاندن متوالی علائم با بيماری وجود دارد. 
در ميان انواع ديگر ،ماده پروستاگلاندنE توزيع شده است . اين ماده در دريچه لوله شريان ، يک تابع مهم در عبور از تنگ شدگی است. اگر يک بيماری به شدت مريض باشد و تحت عمل جراحی قرار گيرد فقط مديريت پزشکی برای مداوای او مفيد خواهد بود .
انتخاب يک راه درمان مناسب به وضعيت بيمار و پيچيدگی رفتاری آن شخص بستگی دارد. علاقه زياد در اين رابطه زمانی را به اين عملکرد اختصاص ميدهد(رجوع شود به ۱۲ از مرجع).
وقتی که يک بيمار که به تازگی متولد شده (اوايل عمرش است )مورد عمل جراحی قرار ميگيرد ،خطر عمل بسيار زياد است.هر چند صبر کردن برای مدت طولانی نيز خطرناک است ، زيرا يک بيمار بعد از مدتی با افزايش فشار خون مواجه ميشود ،و اين عوارضی که اخيرا برای او پيش آمده باعث کاهش عمر بيمار ميشود.
۳- شبکه های تصميمگيری – علمی:
ما به طور خلاصه نظريه شبکه های تصميمگيری-علمی را تا آنجايی که برای مطالعه مقاله لازم باشد ،مرورمی کنيم.
از نگاهی ديگر به موضوع ،به مطالب ذکر شده در بند(۲ مرجع )و (۷ مرجع ). 
قالب اوقات ،يک فرقی بين دو نوع شبکه تصميم گيری -علمی به وجود می آيد:  
شبکه های عقيده ،که شبکه های احتمالی نيز ناميده ميشوند.
برتری نمودار ها و نمادها.
يک شبکه عقيده اي يا احتمالی يک گراف غير مدور جهت دار G=(N,A) است. با قرار دادن گره های N به عنوان متغير های تصادفیV € N و قرار دادن کمان های A به عنوان بيان کننده علت يا رابطه های با نفوذ بين متغير های تصادفی .
وجود يک قوس يا کمان ميان دو متغير ،موجوديت يک رابط با نفوذ را مشخص ميکند.فقدان يک کمان به اين معنی است که متغير ها تاثير مستقيمی به يک ديگر ندارند. ملحق شدن با يک شبکه عقيده اي مثلG  يک  روابط عمومی توزيع احتمال توأم ،که بر حسب احتمال مشروط مطابق فهرست های مکان شناسی گراف تعيين شده است . 
به وسيله الگوريتم های مخصوص برای نتيجه احتمالی(cf.[13.9]) ، يک بار ديگرايجاد شدن يک شبکه احتمالي ميتوند برای پردازش مدارک ،بازدهی و برای مثال تشخيص نا خوشی ،بکار گرفته شود.
شبکه احتمالی فورماليته فقط شرايط را برای نتيجه احتمالی مهيا ميسازد.  شبکه احتمالی فورماليته برای شناختن تصميم ها و برخی تعميم ها نياز می شوند و در ميان ديگر شبکه ها به علت بر تری نموداری فورماليته پيشنهاد می شوند .
 تشابه يک شبکه -احتمالی ،يک توانايی نموداری است و يک گراف غير مدور جهتدار  G=(N,A) است، به جز گره های احتمالی O زير مجموعه N،دو نوع  گره ديگر متمايز نشده اند .
۱- تصميم گره ها: 
۲- ارزش گره:
  • بازدید : 51 views
  • بدون نظر
این فایل قابل ویرایش تهیه شده وشامل موارد زیر است:

هزاران سال است بشر تلاش مي كند بفهمدكه چگونه فكر مي¬كند، يعني چگونه يك موجود مي تواند حس كند،  بفهمد، پيش بيني كند و دنيايي بسيار بزرگتر و پيچيده تر از خود را كنترل كند. رشته هوش مصنوعي از اين حد هم جلوتر مي رود : نه تنها براي درك موجودات هوشمند تلاش مي كند، بلكه قصد دارد موجودات هوشمند نيز بسازد. هوش مصنوعي يكي از جديدترين علوم مي باشد. در حال حاضر هوش مصنوعي داراي شاخه¬هاي بسيار  
متنوعي است  مانند هوش جمعي كه هم در زمينه هاي همه منظوره مانند يادگيري و ادراك و هم در زمينه هاي بسيار خاص مانند بازي شطرنج، اثبات قضاياي رياضي و تشخيص بيماري مفيد است. مفهوم ايده آل هوش مصنوعي  عقلانيت ناميده مي شود در واقع يك سيستم را عقلاني مي ناميم اگر  براساس دانسته¬هايش، كار درست را انجام ده
تاريخچه هوش مصنوعي
      هوش مصنوعی را باید عرصهٔ پهناور تلاقی 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 گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسي 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 . مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول 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.

 1- 3 هوش چیست؟

    اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از باورهاي زیر قرار می‌گیرند:
– سیستم‌هایی که به طور منطقی فکر می‌کنند.
– سیستم‌هایی که به طور منطقی عمل می‌کنند.
– سیستم‌هایی که مانند انسان فکر می‌کنند.
– سیستم‌هایی که مانند انسان عمل می‌کنند.
– ظرفيت كسب و به كار گيري دانش و مهارت فكر كردن و استنتاج ؛
– توانايي رفتار مناسب در شرايط غير قابل پيش بيني ؛
– توانايي بدست آوردن اهداف پيچيده در محيط پيچيده
– توانايي كار و تطبيق با محيط همراه با منابع و دانش ناكافي
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.


۱-۴ فلسفۀ هوش مصنوعی

   بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارائه 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 هنوزكسي  قادر به پیاده کردن هوشي نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده است.
۱-۵ مدیریت 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، 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 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 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 اين مثال  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. 

۱-۶ عامل‌های هوشمند

     عامل‌ها  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.


۱-۷ 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 انسانی ا‌ست. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمينه خاص ضروري ميگردد.

عتیقه زیرخاکی گنج