استفاده از منطق فازي - سيستم‌هاي خبره‌ (Expert Systems)

موضوع مهم ديگر در ارتباط با سيستم‌هاي خبره، پيوند و ارتباط آن با ديگر شاخه‌هاي هوش مصنوعي است. به بيان روشن‌تر، برخي از سيستم‌هاي خبره از Fuzzy Logic يا منطق فازي استفاده مي‌كنند. در منطق غيرفازي تنها دو ارزش درست (true) يا نادرست (false) وجود دارد. چنين منطقي نمي‌تواند چندان كامل باشد؛ چراكه فهم و پروسه تصميم‌گيري انسان‌ها در بسياري از موارد، كاملا قطعي نيست و بسته به زمان و مكان آن، تا حدودي درست يا تا حدودي نادرست است. در خلال سال‌هاي 1920 و 1930، Jan Lukasiewicz فيلسوف لهستاني منطقي را مطرح كرد كه در آن ارزش يك قانون مي‌تواند بيشتر از دو مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفي‌زاده نشان داد كه منطق Lukasiewicz را مي‌توان به صورت "درجه درستي" مطرح كرد. يعني به جاي اين‌كه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر درست يا چقدر نادرست است؟

از منطق فازي در مواردي استفاده مي‌شود كه با مفاهيم مبهمي چون "سنگيني"، "سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد : "وزن يك شيء 500 كيلوگرم است، آيا اين شيء سنگين است؟" چنين سوالي يك سوال مبهم محسوب مي‌شود؛ چراكه اين سوال مطرح مي‌شود كه "از چه نظر سنگين؟" اگر براي حمل توسط يك انسان بگوييم، بله سنگين است. اگر براي حمل توسط يك اتومبيل مطرح شود، كمي سنگين است، ولي اگر براي حمل توسط يك هواپيما مطرح شود سنگين نيست

در اينجاست كه با استفاده از منطق فازي مي‌توان يك درجه درستي براي چنين پرسشي در نظر گرفت و بسته به شرايط گفت كه اين شيء كمي سنگين است. يعني در چنين مواردي گفتن اين‌كه اين شيء سنگين نيست
(false) 
يا سنگين است (true) پاسخ دقيقي نيست.


سيستم فازي

تاریخچه منطق فازی

زمانی که در سال 1965 پروفسور لطفی‌زاده، استاد ایرانی‌الاصل دانشگاه برکلی، اولین مقاله خود را در زمینه فازی تحت عنوان مجموعه‌های فازی (FUZZY TEST) منتشر کرد، هیچ کس باور نداشت که این جرقه‌ای خواهد بود که دنیای ریاضیات را به طور کلی تغییر دهد.

گرچه در دهه 1970 و اوایل دهه 1980 مخالفان جدی برای نظریه فازی وجود داشت، اما امروزه هیچ کس نمی‌تواند ارزش‌های منطق فازی و کنترل‌های فازی را منکر شود.
افتخار هر ایرانی است که پایه علوم قرن آینده از نظریات یک ایرانی می‌باشد؛ باید قدر این فرصت را دانست و در تعمیم نظریه فازی و استفاده از آن کوشش و تلاش کرد.
زمینه‌های پژوهش و تحقیق در نظریه فازی بسیار گسترده می‌باشد؛ پژوهشگران علاقه‌مند می‌توانند با پژوهش و تحقیق در این زمینه باعث رشد و شکوفایی هرچه بیشتر نظریه فازی شوند.

تاریخچة مختصری از نظریه و کاربردهای فازی دهه 1960 آغاز نظریه فازی

نظریه فازی به وسیله پروفسور لطفی‌زاده در سال 1965 در مقاله‌ای به نام مجموعه‌های فازی معرفی شد.


ایشان قبل از کار بر روی نظریه فازی، یک استاد برجسته در نظریه کنترل بود. او مفهوم «حالت» را که اساس نظریه کنترل مدرن را شکل می‌دهد، توسعه داد.
عسگرزاده در سال 1962 چیزی را بدین مضمون برای سیستم‌های بیولوژیک نوشت: ما اساساً به نوع جدید ریاضیات نیازمندیم؛ ریاضیات مقادیر مبهم یا فازی که توسط توزیع‌های احتمالات قابل توصیف نیستند.
وی فعالیت خویش در نظریه فازی را در مقاله‌ای با عنوان «مجموعه‌های فازی» تجسم بخشید.
مباحث بسیاری در مورد مجموعه‌های فازی به وجود آمد و ریاضیدانان معتقد بودند نظریه احتمالات برای حل مسائلی که نظریه فازی ادعای حل بهتر آن را دارد، کفایت می‌کند.
دهة 1960 دهة چالش کشیدن و انکار نظریه فازی بود و هیچ یک از مراکز تحقیقاتی، نظریه فازی را به عنوان یک زمینه تحقیق جدی نگرفتند.
اما در دهة 1970، به کاربردهای عملی نظریه فازی توجه شد و دیدگاه‌های شک‌برانگیز درباره ماهیت وجودی نظریه فازی مرتفع شد.
استاد لطفی‌زاده پس از معرفی مجموعة فازی در سال 1965، مفاهیم الگوریتم فازی را در سال 1968، تصمیم‌گیری فازی را در سال 1970 و ترتیب فازی را در سال 1971 ارائه نمود. ایشان در سال 1973 اساس کار کنترل فازی را بنا کرد.
این مبحث باعث تولد کنترل‌کننده‌های فازی برای سیستم‌های واقعی بود؛ ممدانی (Mamdani) و آسیلیان (Assilian) چهارچوب اولیه‌ای را برای کنترل‌کننده فازی مشخص کردند. در سال 1978 هومبلاد (Holmblad) و اوسترگارد(Ostergaard) اولین کنترل‌کننده فازی را برای کنترل یک فرایند صنعتی به کار بردند که از این تاریخ، با کاربرد نظریه فازی در سیستم‌های واقعی، دیدگاه شک‌برانگیز درباره ماهیت وجودی این نظریه کاملاً متزلزل شد.
دهة 1980 از لحاظ نظری، پیشرفت کندی داشت؛ اما کاربرد کنترل فازی باعث دوام نظریه فازی شد.
مهندسان ژاپنی به سرعت دریافتند که کنترل‌کننده‌های فازی به سهولت قابل طراحی بوده و در مورد بسیاری مسائل می‌توان از آنها استفاده کرد.
به علت اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، می‌توان آن را در مورد بسیاری از سیستم‌هایی که به وسیلة نظریه کنترل متعارف قابل پیاده‌سازی نیستند، به کار برد.
سوگنو مشغول کار بر روی ربات فازی شد، ماشینی که از راه دور کنترل می‌شد و خودش به تنهایی عمل پارک را انجام می‌داد.
یاشونوبو (Yasunobu) و میاموتو (Miyamoto) از شرکت هیتاچی کار روی سیستم کنترل قطار زیرزمینی سندایی را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر نشست و یکی از پیشرفته‌ترین سیستم‌های قطار زیرزمینی را در جهان به وجود آورد.
در دومین کنفرانس‌ سیستم‌های فازی که در توکیو برگزار شد، درست سه روز بعد از افتتاح قطار زیرزمینی سندایی، هیروتا (Hirota) یک روبات فازی را به نمایش گذارد که پینگ‌پونگ بازی می‌کرد؛ یاماکاوا (Yamakawa) نیز سیستم فازی را نشان داد که یک پاندول معکوس را در حالت تعادل نشان می‌داد. پس از این کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد و زمینه‌های پیشرفت نظریه فازی فراهم شد.
دهة 1990 ، توجه محققان امریکا و اروپا به سیستم‌های فازی
موفقیت سیستم‌های فازی در ژاپن، مورد توجه محققان امریکا و اروپا واقع شد و دیدگاه بسیاری از محققان به سیستم‌های فازی تغییر کرد.
در سال 1992 اولین کنفرانس بین‌المللی در مورد سیستم‌های فازی به وسیله بزرگترین سازمان مهندسی یعنی IEEE برگزار شد.
در دهة 1990 پیشرفت‌های زیادی در زمینة سیستم‌های فازی ایجاد شد؛ اما با وجود شفاف شدن تصویر سیستم‌های فازی، هنوز فعالیت‌های بسیاری باید انجام شود و بسیاری از راه‌حل‌ها و روش‌ها همچنان در ابتدای راه قرار دارد. بنابراین توصیه می‌شود که محققان کشور با تحقیق و تفحص در این زمینه، موجبات پیشرفت‌های عمده در زمینة نظریه فازی را فراهم نمایند.

زندگینامة پروفسور لطفی‌زاده

استاد لطفی‌زاده در سال 1921 در باکو متولد شد. آنجا مرکز آذربایجان شوروی بود. لطفی‌زاده یک شهروند ایرانی بود؛ پدرش یک تاجر و نیز خبرنگار روزنامة ایرانیان بود.
استاد لطفی‌زاده از 10 تا 23 سالگی در ایران زندگی کرد و به مدرسة مذهبی رفت. خاندان لطفی‌زاده از اشراف و ثروتمندان ایرانی بودند که همیشه ماشین و خدمتکار شخصی داشتند.
در سال 1942 با درجة کارشناسی مهندسی برق از دانشکده فنی دانشگاه تهران فارغ‌التحصیل شد. او در سال 1944 وارد امریکا شد و به دانشگاه MIT رفت و در سال 1946 درجة کارشناسی‌ارشد را در مهندسی برق دریافت کرد. در سال 1951 درجة دکترای خود را در رشتة مهندسی برق دریافت نمود و به استادان دانشگاه کلمبیا ملحق شد. سپس به دانشگاه برکلی رفته و در سال 1963 ریاست دپارتمان مهندسی برق دانشگاه برکلی را که بالاترین عنوان در رشتة مهندسی برق است، کسب نمود. لطفی‌زاده انسانی است که همیشه موارد مخالف را مورد بررسی قرار داده و به بحث دربارة آن می‌پردازد. این خصوصیت، قابلیت پیروزی بر مشکلات را به لطفی‌زاده اعطا نموده است.
در سال 1956 لطفی‌زاده بررسی منطق چند ارزشی و ارائة مقالات تخصصی در مورد این منطق را آغاز کرد.
پروفسور لطفی‌زاده از طریق مؤسسة پرینستون با استفن کلین آشنا شد. استفن کلین کسی است که از طرف مؤسسة پرینستون، منطق چند ارزشی را در ایالات متحده رهبری می‌کرد. کلین متفکر جوان ایرانی را زیر بال و پر خود گرفت. آنها هیچ مقاله‌ای با یکدیگر ننوشتند، اما تحت تأثیر یکدیگر قرار داشتند.
لطفی‌زاده اصول منطق و ریاضی منطق چند ارزشی را فرا گرفت و به کلین اساس مهندسی برق و نظریة اطلاعات را آموخت.
وی پس از آشنایی با پرینستون، شیفتة منطق چند ارزشی شد.
در سال 1962 لطفی‌زاده تغییرات مهم و اصلی را در مقالة «از نظریة مدار به نظریة سیستم» در مجلة IRE که یکی از بهترین مجله‌های مهندسی آن روز بود، منتشر ساخت. در اینجا برای اولین بار عبارت فازی را برای چند ارزشی پیشنهاد داد.
لطفی‌زاده پس از ارائة منطق فازی، در تمام دهة 1970 و دهة 1980 به منتقدان خود در مورد این منطق پاسخ می‌داد. متانت، حوصله و صبوری استاد در برخورد با انتقادات و منتقدان منطق فازی از خود بروز می‌داد، در رشد و نمو منطق فازی بسیار مؤثر بوده است، به طوری که رشد کاربردهای کنترل فازی و منطق فازی در سیستم‌های کنترل را مدیون تلاش و کوشش پروفسور لطفی‌زاده می‌دانند و هرگز جهانیان تلاش این بزرگ‌مرد اسطوره‌ای ایرانی را فراموش نخواهند کرد.

تعریف سیستم‌های فازی و انواع آن

واژه فازی در فرهنگ لغت آکسفورد به صورت مبهم، گنگ و نادقیق تعریف شده است. اگر بخواهیم نظریة مجموعه‌های فازی را تعریف کنیم، باید بگوییم که نظریه‌ای است برای اقدام در شرایط عدم اطمینان؛ این نظریه قادر است بسیاری از مفاهیم و متغیر‌ها و سیستم‌هایی را که نادقیق هستند، صورت‌بندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم‌گیری در شرایط عدم اطمینان فراهم آورد.



چرا سیستم‌های فازی:

دنیای واقعی ما بسیار پیچیده‌تر از آن است که بتوان یک توصیف و تعریف دقیق برای آن به دست آورد؛ بنابراین باید برای یک مدل، توصیف تقریبی یا همان فازی که قابل قبول و قابل تجزیه و تحلیل باشد معرفی شود.
با حرکت به سوی عصر اطلاعات، دانش و معرفت بشری بسیار اهمیت پیدا می‌کند. بنابراین ما به فرضیه‌ای نیاز داریم که بتواند دانش بشری را به شکلی سیستماتیک فرموله کرده و آن را به همراه سایر مدل‌های ریاضی در سیستم‌های مهندسی قرار دهد

سیستم‌های فازی چگونه سیستم‌هایی هستند؟
سیستم‌های فازی، سیستم‌های مبتنی بر دانش یا قواعد می‌باشند؛ قلب یک سیستم فازی یک پایگاه دانش است که از قواعد اگر ـ آنگاه فازی تشکیل شده است.
یک قاعده اگر ـ آنگاه فازی، یک عبارت اگر ـ آنگاه است که بعضی کلمات آن به وسیله توابع تعلق پیوسته مشخص شده‌اند.
مثال:
اگر سرعت خودرو بالاست، آنگاه نیروی کمتری به پدال گاز وارد کنید.
کلمات «بالا» و «کم» به وسیله توابع تعلق مشخص شده‌اند؛ توضیحات کامل در شکل ارائه شده است.
مثال 1-1:
فرض کنید می‌خواهیم کنترل‌کنند‌ه‌ای طراحی کنیم که سرعت خودرو را به طور خودکار کنترل کند. راه‌حل این است که رفتار رانندگان را شبیه‌سازی کنیم؛ بدین معنی که قواعدی را که راننده در حین حرکت استفاده می‌کند، به کنترل‌کنندة خودکار تبدیل نماییم.
در صحبت‌های عامیانه راننده‌ها در شرایط طبیعی از 3 قاعده زیر در حین رانندگی استفاده می‌کنند:
اگر سرعت پایین است، آنگاه نیروی بیشتری به پدال گاز وارد کنید.
اگر سرعت متوسط است، آنگاه نیروی متعادلی به پدال گاز وارد کنید.
اگر سرعت بالاست، آنگاه نیروی کمتری به پدال گاز وارد کنید.
به طور خلاصه، نقطة شروع ساخت یک سیستم فازی به دست آوردن مجموعه‌ای از قواعد اگر ـ آنگاه فازی از دانش افراد خبره یا دانش حوزه مورد بررسی می‌باشد؛ مرحلة بعدی، ترکیب این قواعد در یک سیستم واحد است.

انواع سیستم‌های فازی
سیستم‌های فازی خالص
سیستم‌های فازی تاکاگی ـ سوگنوکانگ (TSK)
سیستم‌های با فازی‌ساز و غیر فازی‌ساز
سیستم فازی خالص
موتور استنتاج فازی، این قواعد را به یک نگاشت از مجموعه‌های فازی در فضای ورودی به مجموعه‌های فازی و در فضای خروجی بر اساس اصول منطق فازی ترکیب می‌کند.
مشکل اصلی در رابطه با سیستم‌های فازی خالص این است که ورودی‌ها و خروجی‌های آن مجموعه‌های فازی می‌باشند. درحالی که در سیستم‌های مهندسی، ورودی‌ها و خروجی‌ها متغیرهایی با مقادیر حقیقی می‌باشند.
برای حل این مشکل، تاکاگی سوگنو و کانگ، نوع دیگری از سیستم‌های فازی معرفی کرده‌اند که ورودی‌ها و خروجی‌های آن متغیرهایی با مقادیر واقعی هستند.
سیستم فازی تاکاگی ـ سوگنو و کانگ
بدین ترتیب قاعده فازی از یک عبارت توصیفی با مقادیر زبانی، به یک رابطة ساده تبدیل شده است؛ به طور مثال در مورد خودرو می‌توان اعلام کرد که اگر سرعت خودرو X باشد، آنگاه نیروی وارد بر پدال گاز برابر Y=CX می‌باشد.
مشکلات عمدة سیستم فازی TSK عبارت است از:
بخش «آنگاه» قاعدة یک فرمول ریاضی بوده و بنابراین چهارچوبی را برای نمایش دانش بشری فراهم نمی‌کند.
این سیستم دست ما را برای اعمال اصول مختلف منطق فازی باز نمی‌گذارد و در نتیجه انعطاف‌پذیری سیستم‌های فازی در این ساختار وجود ندارد.
برای حل این مشکلات نوع سومی از سیستم‌های فازی یعنی سیستم فازی با فازی‌سازها و غیر فازی‌سازها مورد استفاده قرار گرفت.


سیستم‌های فازی با فازی‌ساز و غیر فازی ساز

این سیستم فازی معایب سیستم فازی خالص و سیستم فازی TSK را می‌پوشاند. در این مبحث، از این پس سیستم فازی با فازی ساز و غیر فازی‌ساز منظور خواهد بود.
به عنوان نتیجه‌گیری برای این بخش لازم است یادآوری شود که جنبة متمم نظریه سیستم‌های فازی این است که یک فرایند سیستماتیک را برای تبدیل یک پایگاه دانش به یک نگاشت غیر فعلی فراهم می‌سازد.

زمینه‌های تحقیق عمده در نظریه فازی
منظور از نظریه فازی، تمام نظریه‌هایی است که از مفاهیم اساسی مجموعه‌های فازی یا توابع تعلق استفاده می‌کنند. مطابق شکل، نظریه فازی را می‌توان به پنج شاخة عمده تقسیم کرد که عبارتند از:
ریاضیات فازی
مفاهیم ریاضیات کلاسیک، با جایگزینی مجموعه‌های فازی با مجموعه‌های کلاسیک توسعه پیدا کرده است.
منطق فازی و هوش مصنوعی
که در آن منطق کلاسیک تقریب‌هایی یافته و سیستم‌های خبره بر اساس اطلاعات و استنتاج تقریبی توسعه پیدا کرده است.
سیستم‌های فازی
سیستم‌های فازی که شامل کنترل فازی و راه‌حل‌هایی در زمینة پردازش سیگنال و مخابرات می‌باشد.
عدم قطعیت و اطلاعات
انواع عدم قطعیت‌ها را مورد تجزیه و تحلیل قرار می‌دهد.
تصمیم‌گیری فازی
مسائل بهینه‌سازی را با محدودیت‌ها در نظر می‌گیرد

کاربردهای منطق فازی‌
منطق فازی کاربردهای متعددی دارد. ساده‌ترین نمونه یک سیستم کنترل دما یا ترموستات است که بر اساس قوانین فازی کار می‌کند. سال‌هاست که از منطق فازی برای کنترل دمای آب یا میزان کدرشدن آبی که لباس‌ها در آن شسته شده‌اند در ساختمان اغلب ماشین‌های لباسشویی استفاده می‌شود.

امروزه ماشین‌های ظرفشویی و بسیاری از دیگر لوازم خانگی نیز از این تکنیک استفاده می‌کنند. منطق فازی در صنعت خودروسازی نیز کاربردهای فروانی دارد. مثلاً سیستم ترمز و ABS در برخی از خودروها از منطق فازی استفاده می‌کند. یکی از معروف‌ترین نمونه‌های به‌کارگیری منطق فازی در سیستم‌های ترابری جهان، شبکه مونوریل (قطار تک ریل) توکیو در ژاپن است. سایر سیستم‌های حرکتی و جابه‌جایی بار، مثل آسانسورها نیز از منطق فازی استفاده می‌کنند

سیستم‌های تهویه هوا نیز به وفور منطق فازی را به‌کار می‌گیرند. از منطق فازی در سیستم‌های پردازش تصویر نیز استفاده می‌شود. یک نمونه از این نوع کاربردها را می‌توانید در سیستم‌های <تشخیص لبه و مرز> اجسام و تصاویر(3) مشاهده کنید که در روباتیک نیز کاربردهایی دارد. به طور کلی خیلی از مواقع در ساختمان سیستم‌های تشخیص الگوها (Pattern Recognition)مثل سیستم‌های تشخیص گفتار و پردازش تصویر از منطق فازی استفاده می‌شود


منطق فازی و هوش مصنوعی‌
جالب‌ترین کاربرد منطق فازی، تفسیری است که این علم از ساختار تصمیم‌گیری‌های موجودات هوشمند، و در راس آن‌ها، هوش انسانی، به دست می‌دهد. شاید یکی از جالب‌ترین کاربردهای منطق فازی هوش مصنوعی در بازی‌های رایانه‌ای و جلوه‌های ویژه سینمایی باشد. فیلم ارباب حلقه‌ها را بخاطر بیاورید. شاید اگر بگوییم ارباب حلقه‌ها فیلمی تقریبا مجازی است، سخنی به گزاف نگفته باشیم. بیشتر قسمت‌های این فیلم اساسا درون کامپیوتر خلق شده‌اند و واقعیت خارجی ندارند. کارگردان فیلم نزد یک متخصص جلوه‌های ویژه رفت و از او خواست که نرم‌افزاری بسازد که بتواند 70 هزار سوارکار زره‌پوش در حال حرکت را همچنان که به کشتار و خونریزی مشغولند، شبیه سازی کند.

در این برنامه متخصصان کامپیوتر و انیمیشن ابتدا موجوداتی را به صورت الگو ایجاد کرده بودند و سپس به کمک منطق فازی مصداق‌هایی تصادفی از این موجودات خیالی پدیدآورده بودند که حرکات تصادفی- اما از پیش تعریف شده‌ای ‌-‌ در اعضای بدن خود داشتند. این موجودات در حقیقت دارای نوعی هوش مصنوعی بودند و می‌توانستند برای نحوه حرکت دادن اعضای بدن خود تصمیم بگیرند. در عین حال تمام موجوداتی که در یک لشکر به سویی می‌تاختند یا با دشمنی می‌جنگیدند، از جهت حرکت یکسانی برخودار بودند و به سوی یک هدف مشخص حمله می‌کردند.


این ساختار کاملا‌ً پیچیده و هوشمند به فیلمسازان اجازه داده بود که این موجودات افسانه‌ای را در دنیای مجازی کامپیوتر به حال خود رها کنند تا به سوی دشمنان حمله کنند و این همه بی‌تردید بدون بهره‌گیری از منطق فازی امکان‌پذیر نبود. شرکت Massive Software که به دلیل به‌کارگیری منطق فازی برای ایجاد هوش‌مصنوعیدر طراحی لشکریان فیلم‌ ارباب حلقه‌ها برنده جایزه اسکار شد، بعداً این تکنیک را درفیلم‌های دیگری همچون I.Robot و King Kong نیز به‌کار برد.

استفاده از منطق فازی برای هوشمند‌کردن موجودات نرم‌افزاری تنها گونه‌ای ازکاربردهای این نظریه در هوش ‌مصنوعی است. منطق فازی در هوشمند ساختنروبات‌های سخت‌افزاری نیز کاربردهای زیادی دارد.

Normal 0 false false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4


دانش داده کاوی ( کشف دانش در داده ها)

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

دانش داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلابتکنولوژیک مواجه خواهد ساخت و بدین رو در سالهای اخیر در دنیا گسترش فوق العاده سریعی داشته است. امروزه در دنیای توسعه یافته مکان و موضوعی بدون بهره از دانش داده کاوی یافت نمیشود، بگونه ای که این دانش در تمامی شئون این کشور ها و در تمامی حوزه ها نقش دارد.دانش داده کاوی فرآیند کشف دانش پنهان درون داده ها است که با برخورداری از دامنه وسیع زیرزمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامونی، امروزه دارای کاربرد بسیار وسیع در حوزه های مختلف از جمله صنعتی، پزشکی، ارتباطات، کشاورزی، انرژی، علوم اجتماعی، فرهنگی، سیاسی، اقتصادی، بازرگانی، نظامی و آموزشی و ... است بگونه ایکه امروزه مرز و محدودیتی برای کاربرد این دانش در نظر گرفته نشده و زمینه های کاری این دانش را در تمامی عرصه های برخوردار از داده می دانند.

مراحل اصلی داده کاوی :

داده کاوی را " کشف دانش در داده ها " نیز می نامند. کشف دانش داده ها دارای مراحل مختلفی می باشد که در اینجا به صورت خلاصه آنها را بیان می کنیم :

• استخراج اطلاعات از چندین منبع داده ( پایگاه داده).

• یکپارچه سازی اطلاعات و حذف داده های زاید.

• قرار دادن اطلاعات اصلاح شده در انبار داده ها.

• انجام عملیات داده کاوی توسط نرم افزار های مخصوص.

• نمایش نتایج به صورت قابل فهم مانند گزارش و گراف

 


استفاده از منطق فازي - سيستم‌هاي خبره‌ (Expert Systems)

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

موضوع مهم ديگر در ارتباط با سيستم‌هاي خبره، پيوند و ارتباط آن با ديگر شاخه‌هاي هوش مصنوعي است. به بيان روشن‌تر، برخي از سيستم‌هاي خبره از Fuzzy Logic يا منطق فازي استفاده مي‌كنند. در منطق غيرفازي تنها دو ارزش درست (true) يا نادرست (false) وجود دارد. چنين منطقي نمي‌تواند چندان كامل باشد؛ چراكه فهم و پروسه تصميم‌گيري انسان‌ها در بسياري از موارد، كاملا قطعي نيست و بسته به زمان و مكان آن، تا حدودي درست يا تا حدودي نادرست است. در خلال سال‌هاي 1920 و 1930، Jan Lukasiewicz فيلسوف لهستاني منطقي را مطرح كرد كه در آن ارزش يك قانون مي‌تواند بيشتر از دو مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفي‌زاده نشان داد كه منطق Lukasiewicz را مي‌توان به صورت "درجه درستي" مطرح كرد. يعني به جاي اين‌كه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر درست يا چقدر نادرست است؟

از منطق فازي در مواردي استفاده مي‌شود كه با مفاهيم مبهمي چون "سنگيني"، "سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد : "وزن يك شيء 500 كيلوگرم است، آيا اين شيء سنگين است؟" چنين سوالي يك سوال مبهم محسوب مي‌شود؛ چراكه اين سوال مطرح مي‌شود كه "از چه نظر سنگين؟" اگر براي حمل توسط يك انسان بگوييم، بله سنگين است. اگر براي حمل توسط يك اتومبيل مطرح شود، كمي سنگين است، ولي اگر براي حمل توسط يك هواپيما مطرح شود سنگين نيست

در اينجاست كه با استفاده از منطق فازي مي‌توان يك درجه درستي براي چنين پرسشي در نظر گرفت و بسته به شرايط گفت كه اين شيء كمي سنگين است. يعني در چنين مواردي گفتن اين‌كه اين شيء سنگين نيست
(false) 
يا سنگين است (true) پاسخ دقيقي نيست.


تفاوت سیستم های خبره با سایر سيستم‌هاي‌ اطلاعاتي‌

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

سيستم‌هاي‌ خبره‌ برخلاف‌ سيستم‌هاي‌ اطلاعاتي‌ كه‌ بر روي‌ داده‌ها(Data) عمل‌ مي‌كنند، بر دانش‌ (Knowledge) متمركز شده‌ است‌. همچنين‌ دريك‌ فرآيند نتيجه‌گيري‌، قادر به‌ استفاده‌ از انواع‌ مختلف‌ داده‌ها عددي‌(Digital)، نمادي‌ Symbolic و مقايسه‌ ای (Analog) مي‌باشند. يكي‌ ديگر ازمشخصات‌ اين‌ سيستم‌ها استفاده‌ از روشهاي‌ ابتكاري‌ (Heuristic) به‌ جاي‌روشهاي‌ الگوريتمي‌ مي‌باشد. اين‌ توانايي‌ باعث‌ قرار گرفتن‌ محدودوسيعي‌ از كاربردها در برد عملياتي‌ سيستم‌هاي‌ خبره‌ مي‌شود. فرآيندنتيجه‌گيري‌ در سيستم‌هاي‌ خبره‌ بر روشهاي‌ استقرايي‌ و قياسي‌ پايه‌گذاري‌شده‌ است‌. از طرف‌ ديگر اين‌ سيستم‌ها مي‌توانند دلايل‌ خود در رسيدن‌به‌ يك‌ نتيجه‌گيري‌ خاص‌ و يا جهت‌ و مسير حركت‌ خود به‌ سوي‌ هدف‌را شرح‌ دهند. با توجه‌ به‌ توانايي‌ اين‌ سيستم‌ها در كار در شرايط فقدان‌اطلاعات‌ كامل‌ و يا درجات‌ مختلف‌ اطمينان‌ در پاسخ‌ به‌ سئوالات‌ مطرح‌شده‌، سيستم‌هاي‌ خبره‌ نماد مناسبي‌ براي‌ كار در شرايط عدم‌ اطمينان‌(Uncertainty) و يا محيطهاي‌ چند وجهي‌ مي‌باشند


مزایای یک سیستم خبره چیست؟

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

میزان مطلوب بودن یک سیستم خبره اصولا به میزان قابلیت دسترسی به آن و میزان سهولت کار با آن بستگی دارد.

مزاياي‌ سيستم‌هاي‌ خبره‌ را مي‌توان‌ به‌ صورت‌ زير دسته‌بندي‌ كرد:

افزايش قابليت‌ دسترسي‌تجربيات‌ بسياري‌ از طريق‌ كامپيوتر دراختيار قرار مي‌گيرد و به‌ طور ساده‌تر مي‌توان‌ گفت‌ يك‌ سيستم‌ خبره‌، توليد انبوه‌ تجربيات‌ است‌.

كاهش‌هزينه‌:هزينه‌ كسب‌ تجربه‌ براي‌ كاربر به‌طور زيادي ‌كاهش ‌مي‌يابد.

كاهش‌ خطرسيستم‌ خبره‌ مي‌تواند در محيط هايي‌ كه‌ ممكن‌ است ‌براي‌ انسان‌ سخت‌ و خطرناك‌ باشد نيز بكار رود.

دائمي‌ بودن‌سيستم‌هاي‌ خبره‌ دائمي‌ و پايدار هستند. به عبارتي‌ مانندانسان‌ها نمي‌ميرند و فنا ناپذيرند.

تجربيات‌ چندگانه‌يك‌ سيستم‌ خبره‌ مي‌تواند مجموع‌ تجربيات‌ وآگاهي‌هاي‌ چندين‌ فرد خبره‌ باشد.

افزايش‌ قابليت‌ اطمينان‌سيستم‌هاي‌ خبره‌ هيچ‌ وقت‌ خسته‌ و بيمار نمي‌شوند، اعتصاب‌ نمي‌كنند و يا عليه‌ مديرشان‌ توطئه‌ نمي‌كنند، درصورتي‌ كه‌ اغلب‌ در افراد خبره‌ چنين‌ حالاتي‌ پديد مي‌آيد.

قدرت‌ تبيين‌ (Explanation): يك‌ سيستم‌ خبره‌ مي‌تواند مسير و مراحل‌ استدلالي‌ منتهي‌ شده‌ به‌ نتيجه‌گيري‌ را تشريح‌ نمايد. اما افراد خبره‌ اغلب‌ اوقات‌ به دلايل‌ مختلف‌ (خستگي‌، عدم‌ تمايل‌ وغيره) نمي‌توانند اين‌ عمل‌ را در زمان هاي‌ تصميم‌گيري‌ انجام‌ دهند. اين‌ قابليت‌، اطمينان‌ شما را در مورد صحيح‌ بودن‌ تصميم‌گيري‌ افزايش‌ مي‌دهد.

پاسخ‌دهي‌سريع‌:سيستم‌هاي ‌خبره‌، سريع‌ و دراسرع‌ وقت ‌جواب ‌مي ‌دهند.

پاسخ‌دهي‌ در همه‌ حالات‌در مواقع‌ اضطراري‌ و مورد نياز، ممكن‌ است‌ يك‌ فرد خبره‌ به خاطر فشار روحي‌ و يا عوامل‌ ديگر، صحيح ‌تصميم‌گيري‌ نكند ولي‌ سيستم‌ خبره‌ اين‌ معايب‌ را ندارد.

پايگاه‌ تجربه‌سيستم‌ خبره‌ مي‌تواند همانند يك‌ پايگاه‌ تجربه‌عمل‌ كند وانبوهي‌ از تجربيات‌ را در دسترس‌ قرار دهد.

آموزش‌ كاربر(Intelligent Tutor): سيستم‌ خبره‌ مي‌تواند همانند يك‌ خودآموز هوش‌ عمل‌ كند. بدين‌ صورت‌ كه‌ مثال هايي‌ را به‌ سيستم‌ خبره‌ مي‌دهند و روش‌ استدلال‌ سيستم‌ را از آن‌ مي‌خواهند.

سهولت‌ انتقال‌ دانش‌يكي‌ از مهمترين‌ مزاياي‌ سيستم‌ خبره‌، سهولت‌ انتقال‌ آن‌ به‌ مكان‌هاي‌ جغرافيايي‌ گوناگون‌ است‌. اين‌ امر براي‌ توسعه‌ كشورهايي ‌كه‌ استطاعت‌ خريد دانش‌ متخصصان‌ را ندارند، مهم‌است‌.

 


سیستم‌های خبره

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

سیستم‌های خبره برنامه هایی هستند که رفتار یک انسان متخصص در یک زمینه بخصوص را تقلید می کنند. این برنامه از اطلاعاتی که استفاده کننده در آن‌ها ذخیره می‌کند جهت اعلام یک عقیده در یک موضوع بخصوص استفاده می کند. از این رو سیستم‌های خبره تا هنگامی که بتوانند موضوعی را که با پاسخ‌های شما مطابقت داشته باشد بیابند به سوال کردن از شما ادامه می دهند. به منظور درک کردن آنچه یک سیستم متخصص انجام می دهد مکالمه زیر که بین یک متخصص در امور میوه و فرد دیگری که می خواهد از وی توصیه ای در این مورد دریافت کند را در نظر بگیرید:

-
متخصص: آیا میوه سبز است؟

- استفاده کننده: خیر.

- متخصص: آیا میوه قرمز است؟

- استفاده کننده: بله.
-
متخصص: آیا این میوه روی درخت رشد می کند؟
-
استفاده کننده: خیر.

- متخصص: آیا این میوه روی یک بوته رشد می کند؟
-
استفاده کننده: بله.

- متخصص: آیا این بوته تیغ دارد؟

- استفاده کننده: بله.

- متخصص: این میوه تمشک است!

هدف از طراحی یک سیستم متخصص کامپیوتری در امر میوه تولید این مکالمه است. در حالت عمومی تر سیستم متخصص سعی می‌کند که به استفاده کننده از خود در مورد موضوعی که از آن مطلع است راهنمایی دهد.

اگر بخواهيم تعريفي از سيستم هاي خبره ارایه دهيم مي توان گفت « سيستم هاي خبره برنامه هاي كامپيوتري هستند كه با استفاده از قواعد مورد استفاده متخصصين به حل مسایل در زمينه اي خاص مي پردازند. وجه تمايز اصلي سيستم هاي خبره نسبت به برنامه‌هاي كاربردي گذشته آن است كه از استدلال مبتني بر استنباط و استنتاج استفاده مي كند در برنامه هاي كاربردي معمولي داراي الگوريتم و روش حل مساله ثابتي هستيم اما در روش هاي شهودي مي توان با آزمون و خطا مسایل دشوارتري را حل كرد و به جواب رضايت بخش رسيد .

مفهوم سیستم های خبره بر این فرض استوار است که دانش متخصصین در حافظه رایانه ضبط و در دسترس کسانی که به کاربرد آن دانش نیاز دارند، قرار گیرد. یک سیستم پشتیبانی تصمیم شامل برنامه هایی است که منعکس کننده چگونگی اعتقاد یک مدیر در حل یک مساله می باشد. یک سیستم خبره، ازطرف دیگر فرصتی برای تصمیم گیری ها پیش می آورد که از قابلیت های مدیر افزون تر است .تمایز دیگر بین سیستم خبره و سیستم پشتیبانی تصمیم، توانایی سیستم خبره در توصیف نحوه استدلال جهت نیل به یک راه حل خاص است. اغلب اوقات شرح نحوه دست یابی به یک راه حل، از خود راه حل ارزشمندتر است.

داده هایی که به وسیله برنامه های سیستم پشتیبانی تصمیم استفاده می شود، اصولا ‌به صورت عددی بوده و برنامه ها، تاکید بر استفاده از روش های ریاضی دارند، لیکن داده هایی که به وسیله سیستم های خبره به کار می رود نمادی تر بوده و اغلب به صورت متن تشریحی می باشند. برنامه های سیستم های خبره بر به کارگیری برنامه های منطقی تاکید دارند.

 


مهندسی نرم افزار

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

مهندسی نرم افزار:فرایندی است که طراحی وپیاده سازی و نگهداری یک نرم افزار قابل اطمینان را در بر می گیرد.که روش ها و راه حل هایی که باکارگیری ابزارها و تکنیک های مختلف باعث تولید یک نرم افزار با کیفیت مطلوب و هزینه ی پایین می شود.

تصور نادرست=گاهی اوقات به اشتباه تصور می شود که مهندسی کامپیوتر همان برنامه نویسی است.

وظایف مهندس نرم افزار:

۱-طراحی نرم افزار یا مدیریت پروژه.

۲-پیاده سازی نرم افزار.

۳-پشتیبانی نرم افزار.

اهمیت مهندسی نرم افزار:هرچه اندازه سخت افزار کوچک تر گردد باعث همه گیر شدن و زیاد شدن آن خواهد آمد.حال نیاز به نرم افزار های مفیدتری برای استفاده بهینه از پتانسیل سخت افزار داریم.

 دوره تکامل نرم افزار: 

۱-دوره اول ۱۹۶۵-۱۹۵۰:مشخصات این دوره عبارتند از:۱-در اغلب مراکز سخت افزار اختصاصی بوده و نرم افزار خاص آن محیط کاربرد دارد.۲-نرم افزارهایی که بیش از یک کاربر داشته باشد وجود نداشت یعنی به عبارتی دیگر نرم افزار انعطاف پذیری نداشت۳-نرم افزار متکی به فرد بود یعنی یک نفر برنامه را می نوشت واگر در برنامه مشکلی پیش می آمد همان یک نفر باید مشکل را حل می کرد.۴-طراحی یک کار ضمنی بود یعنی مستنداتی درباره ی آن وجود نداشت.۵-مفهوم شدگی وجود نداشت.

۲-دوره دوم ۱۹۷۵-۱۹۶۵:مشخصات این دوره عبارتند از:۱-ایده چند کاربره و چند برنامه ای مطرح شد.      ۲-سیستم های بلادرنگ قادر به عملکرد و تولید خروجی در چند میلی ثانیه شدند.۳-اولین نسل از سیستم مدیریت بانک های اطلاعاتی به وجود آمده.۴-ظهور نرم افزار برای بیش از یک کاربر به وقوع پیوست.۵-فعالیتی به نام نگهداری نرم افزار بوجود آمد.۶-بحران نرم افزار به وقوع پیوست مطرح شد.

۳-دوره سوم:۱۹۸۵-۱۹۷۵:مشخصات این دوره عبارتند از:۱-ریز پردازنده های میکروپروسور کامپیوتر های شخصی کاربر پیدا کردند.۲-سیستم های توکار مطرح شد.۳-شبکه های محلی و غیر محلی به وجود آمدند.۴-سیستم های توضیع شده مطرح شدند.

۴-دوره چهارم:۲۰۰۰-۱۹۸۵:مشخصات این دوره عبارتند از:۱-تکنیک های نرم افزاری این دوره در حال تغییر شیوه توسعه نرم افزار می باشد.۲-استفاده از کامپیوتر جهت کمک به مهندسی نرم افزار.۳-سیستم های خبره وسیستم های هوشمند برای حل مسائل جهان واقعی به کار گرفته شدند.۴-پردازش موازی مطرح شد.

 بحران نرم افزاری

در فاصله سال های ۱۹۷۰-۱۹۶۰ تولید و فروش کامپیوتر های خانگی به دلیل تقاضای کاربران افزایش یافت.بنابراین نیاز به برنامه های مختلف کامپیوتری بود این امر باعث تولی غیرقانونی نرم افزار و در نتیجه نارضایتی مشتریان شد که در حقیقت بحران نرم افزار نامیده می شود.

دلایل بحران نرم افزاری

۱-هزینه های بالایی برای تولی نرم افزار صرف شد۲-نرم افزار تولید شده نیازهای مشتریان را برآورده نمی کرد۳-بخش کنترل روی طراحی نرم افزار صورت نمی گرفت    ۴-تحویل نرم افزار در موعد مقرر انجام نمی شد۵-پیشرفت سخت افزار بسیار سریع بود و نرم افزار قادر به رقابت نبود۶-خطاهای موجود در نرم افزار بسیار زیاد بود۷-امکانات توسعه نرم افزار و قدرت ونگهداری و پشتیبانی بسیار محدود بود.

بحران نرم افزاری باعث شد که نرم افزار های مطلوب تری وارد بازار شدند.

انواع نرم افزارها

۱-نرم افزار سیستمی:مجموعه ای از برنامه هاست که برای سرویس دادن به سایز برنامه ها نوشته می شود مانند کامپایلرها.

مشخصه های نرم افزارهای سیستمی:۱-تقابل بسیار زیاد با سخت افزار۲-استفاده بسیار زیاد توسط چند کاربر۳-عملیات همروند که مستلزم زمان بندی و اشتراک منابع است.                                                                 

 ۲-نرم افزار های بلادرنگ:نرم افزارهایی هستند که نظارت/تحلیل/کنترل رویدادهای جهانی واقعی را بر عهده دارند.این نرم افزار باید در محدوده ی زمانی مشخص پاسخ گو باشند در غیر اینصورت خسارت جبران ناپذیری به دنبال دارد.

۳-نرم افزارهای تجاری:این نرم افزار عملا یک پایگاه داده محسوب می شود که برای کارهای تجاری/ حسابداری/انبارداری و.....کاربرد دارند مانند سیستم انبار داری.این نرم افزار عملیات تصمیم گیری را مدیریت می کنند.

۴-نرم افزارهای مهندسی یا علمی:جزء نرم افزارهای کاربردی محسوب می شود مانند فتوشاپ و اتوکد.

۵-نرم افزار های توکار:برای کنترل سیستم محصولات صنعتی به کار می روند و معمولا در حافظه های فقط خواندنی قرار دارند و به صورت از پیش تعیین شده توسط شرکت سازنده هستند مانند ماشین لباس شویی.

۶-نرم افزارهای کامپیوتر های شخصی:این دسته از نرم افزارها کاربردهایی نظیر برنامه های گرافیکی و.....دارند و جهت استفاده در کامپیوترهای شخصی طراحی می شوند.

۷-نرم افزارهای مبتنی بر وب.

۸-نرم افزارهای هوشمند:برای حل مسائل پیچیده ای به کار می روند که به روش عددی قابل حل نیستند به کار می روند.

 

 


کتابهای سیستم های خبره

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

کتاب درس سیستمهای خبره به زبان فارسی

کتاب گذری بر سیستم‌های خبره‌ (Expert Systems) به زبان فارسی

کتاب الکترونیکی گذری بر سیستم های خبره به زبان فارسی

دانلود:

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

http://www.aghazeh.com/expert-system-book.html


گذری بر سیستم های خبره / سیستم خبره چیست؟

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

گذری بر سیستم های خبره /سیستم خبره چیست؟ 
سامانه‌های خبره یا سیستم‌های خبره (Expert systems) به دسته‌ای خاص از نرم‌افزارهای رایانه‌ای اطلاق می‌شود که در راستای کمک به کاردانان و متخصّصان انسانی و یا جایگزینی جزئی آنان در زمینه‌های محدود تخصّصی تلاش دارند. اینگونه سامانه‌ها، در واقع، نمونه‌های ابتدایی و ساده‌تری از فن‌آوری پیش‌رفته‌تر سامانه‌های مبتنی بر دانش‌ به حساب می‌آیند.
این سامانه‌ها معمولاً اطلاعات را به شکل واقعیات (Facts) و قواعد (Rules) در دادگانی به نام پایگاه دانش به شکل ساختار مند ذخیره نموده، و سپس با استفاده از روشهایی خاص استنتاج از این داده‌ها نتایج مورد نیاز حاصل می شود.
ساختار يك سيستم خبره‌
يكي از اهداف هوش مصنوعي، فهم هوش انساني با شبيه‌سازي آن توسط برنامه‌هاي كامپيوتري است. البته بديهي است كه "هوش‌"‌ را مي‌توان به بسياري از مهارت‌هاي مبتني بر فهم، از جمله توانايي تصميم‌گيري، يادگيري و فهم زبان تعميم داد و از اين‌رو واژه‌اي كلي محسوب مي‌شود
سیستم های خبره یکی از دیدگاههای اصلی و مهم حاصله از کارهای اولیه در حل مسئله، اهمیت دانش خاص با محوریت حوزه مربوطه بود. به عنوان مثال، یک پزشک در تشخیص بیماری تنها موثر نیست زیرا وی از یک مهارت حل مسئله کلی فطری برخوردار است. وی به دلیل آنکه اطلاعات زیادی در زمینه پزشکی دارد موثر و مفید می باشد. بخه طور مشابه، یک زمین شناس دریافتن و کشف ذخیره های معدنی تأثیر گذار است زیرا او قادر به بکارگیری خوب دانش تجربی ونظری در زمینه زمین شناسی و مشکلات روبرو می باشد. دانش خبره، ترکیبی از یک فهم نظری مسئله و مجموعه ای از قوانین حل مسئله اکتشافی است که تجربه نشانگر آن است در آن زمینه مفید بوده است. سیستمهای هوشمند با اکتساب این دانش از سوی یک فرد خبره و کد گزاری آن به فرمی که یک کامپیوتر ممکن است برای مسائل مشابه به کاربرد ساخته می شوند.این تکیه بر دانش زمینه فرد خبره برای راهکارهای حل مسئله سیستم یک ویژگی مهم سیستمهای خبره محسوب می گردد. اگرچه، بعضی از برنامه های به گونه ای نوشته می شوند که در آنها طراح همچنین منبع دانشی حوزه نیز به شمار می آید، فراتر از نوع معمول و واقعی می باشد که دیده شود چنین برنامه هایی حاصل رشد و همکاری بین یک خبره حوزه باشد نظیر یک پزشک، شیمی دان، زمین شناس یا مهندس و يک متخصص مجزای هوش مصنوعی. خبره حوزه، دانش لازم حوزه مسئله را از طریق یک بحث کلی روش های حل مسئله خود و با نمایش دادن مهارتها بر روی یک سری از مسائل نمونه ای کاملا" دقیق انتخاب شده ارائه می دهند. متخصص هوش مصنوعی یا مهندس دانش مانند طراحان سیستمهای خبره که اغلب شناخته می شوند، مسئول اجرای این دانش در برنامه ایکه هم مؤثر و هم در رفتار هوشمندانه باشند هستند. به محض آنکه چنین برنامه ای نوشته شود، نیاز به پالایش و تصفیه خبرگی ازطریق یک فرآیند ارائه مسائل نمونه ای جهت حل می باشد و خبره حوزه اجازه انتقاد در زمینه رفتار آن داده میشود و تحولات و تعدیلات لازم برای دانش برنامه صورت می گیرد. این فرآیند تکرار می گردد تا برنامه به سطح عملکرد دلخواه خود برسد
هر سيستم خبره از دو بخش مجزا ساخته شده است: پايگاه دانش و موتور تصميم‌گيري.
پايگاه دانش يك سيستم خبره از هر دو نوع دانش مبتني بر حقايق (factual) و نيز دانش غيرقطعي (heuristic)  استفاده مي‌كند. Factual knowledge، دانش حقيقي يا قطعي نوعي از دانش است كه مي‌توان آن را در حيطه‌هاي مختلف به اشتراك گذاشت و تعميم داد؛ چراكه درستي آن قطعي است. در سوي ديگر، Heuristic knowledge قرار دارد كه غيرقطعي‌تر و بيشتر مبتني بر برداشت‌هاي شخصي است. هرچه حدس‌ها يا دانش هيورستيك يك سيستم خبره بهتر باشد، سطح خبرگي آن بيشتر خواهد بود و در شرايط ويژه، تصميمات بهتري اتخاذ خواهد كرد. دانش مبتني بر ساختار Heuristic در سيستم‌هاي خبره اهميت زيادي دارد اين نوع دانش مي‌تواند به تسريع فرآيند حل يك مسئله كمك كند. البته يك مشكل عمده در ارتباط با به كارگيري دانشHeuristic آن است كه نمي‌توان در حل همه مسائل از اين نوع دانش استفاده كرد