وقتی امروز درباره هوش مصنوعی صحبت می‌کنیم، معمولاً ذهنمان به سمت مدل‌های زبانی بزرگ، شبکه‌های عصبی، ChatGPT و AI Agentها می‌رود؛ اما بسیاری از ایده‌هایی که در سیستم‌های هوشمند امروزی دیده می‌شوند، ریشه در دهه‌های گذشته دارند. سیستم‌های خبره (Expert Systems) یکی از مهم‌ترین مراحل تاریخ هوش مصنوعی هستند؛ سیستم‌هایی که تلاش می‌کردند دانش و شیوه تصمیم‌گیری متخصصان انسانی را به مجموعه‌ای از قواعد قابل اجرا توسط کامپیوتر تبدیل کنند.

تاریخچه سیستم‌های خبره از پروژه‌هایی مانند DENDRAL در دهه ۱۹۶۰ آغاز شد و در دهه ۱۹۷۰ با سیستم پزشکی MYCIN به نقطه عطف مهمی رسید. سپس در دهه ۱۹۸۰، این فناوری وارد کسب‌وکار شد و در نهایت با مشکلاتی مانند هزینه بالای نگهداری و محدودیت در مواجهه با شرایط جدید، دوران افول خود را تجربه کرد. با این حال، ایده‌های اصلی سیستم‌های خبره همچنان در سیستم‌های قانون‌محور، Knowledge Graph، Explainable AI و Neuro-Symbolic AI دیده می‌شوند.

سیستم خبره چیست و چرا اهمیت دارد؟

سیستم خبره نوعی نرم‌افزار هوش مصنوعی است که برای حل مسائل تخصصی، از دانش استخراج‌شده از متخصصان انسانی استفاده می‌کند. برخلاف برنامه‌های سنتی که معمولاً یک مسیر مشخص از دستورها را اجرا می‌کنند، سیستم خبره می‌تواند مجموعه‌ای از قواعد را بررسی کرده و بر اساس اطلاعات موجود به یک نتیجه برسد. معماری کلاسیک این سیستم‌ها معمولاً شامل پایگاه دانش (Knowledge Base)، موتور استنتاج (Inference Engine) و رابط کاربری است. پایگاه دانش شامل اطلاعات و قواعد تخصصی است و موتور استنتاج وظیفه دارد این قواعد را برای رسیدن به نتیجه مناسب اجرا کند. اهمیت این رویکرد در آن بود که پژوهشگران دریافتند برای ساخت یک سیستم هوشمند همیشه لازم نیست یک «هوش عمومی» ایجاد کنند؛ گاهی می‌توان با وارد کردن دانش عمیق درباره یک حوزه محدود، سیستمی ساخت که در همان حوزه عملکرد بسیار خوبی داشته باشد. این ایده یکی از پایه‌های مهم پژوهش در سیستم‌های خبره شد.

DENDRAL؛ یکی از نخستین گام‌های سیستم‌های خبره

پیش از MYCIN، پروژه DENDRAL در دانشگاه استنفورد یکی از مهم‌ترین تلاش‌ها برای استفاده از هوش مصنوعی در یک حوزه تخصصی بود. این پروژه از اواسط دهه ۱۹۶۰ آغاز شد و هدف آن کمک به شیمی‌دانان برای شناسایی ساختار مولکول‌های ناشناخته بر اساس داده‌های طیف‌سنجی جرمی بود. DENDRAL اهمیت زیادی داشت، زیرا نشان داد می‌توان دانش تخصصی یک حوزه علمی را در یک سیستم کامپیوتری قرار داد و از آن برای تولید فرضیه و حل مسئله استفاده کرد. در منابع تاریخی، DENDRAL اغلب به‌عنوان نخستین نمونه مهم سیستم خبره شناخته می‌شود و بعدها ایده‌های آن بر پروژه‌های دیگری مانند MYCIN تأثیر گذاشت. در واقع، DENDRAL به پژوهشگران نشان داد که به جای تلاش برای ساخت یک الگوریتم عمومی برای حل تمام مسائل، می‌توان سیستم را روی یک حوزه محدود متمرکز کرد و دانش تخصصی آن حوزه را به بخش اصلی فرایند استدلال تبدیل کرد.

MYCIN؛ نقطه عطف تاریخ سیستم‌های خبره

اگر DENDRAL یکی از پایه‌های اولیه در تاریخچه سیستم‌های خبره بود، MYCIN را می‌توان یکی از مشهورترین نقاط عطف این حوزه دانست. MYCIN در دهه ۱۹۷۰ در دانشگاه استنفورد و در چارچوب پژوهش‌های Edward Shortliffe و همکارانش توسعه یافت. هدف MYCIN کمک به تشخیص برخی عفونت‌های باکتریایی شدید و پیشنهاد آنتی‌بیوتیک مناسب بود. این سیستم از مجموعه بزرگی از قواعد «اگر-آنگاه» استفاده می‌کرد و می‌توانست با دریافت اطلاعات بیمار، درباره عوامل احتمالی بیماری و درمان پیشنهادی استدلال کند. منابع مختلف تعداد قواعد MYCIN را حدود ۵۰۰ تا ۶۰۰ قاعده گزارش کرده‌اند. یکی از ویژگی‌های مهم MYCIN استفاده از certainty factor برای برخورد با عدم قطعیت بود. به عبارت دیگر، سیستم مجبور نبود برای هر نتیجه فقط با «درست» یا «غلط» تصمیم بگیرد، بلکه می‌توانست میزان اطمینان خود به یک نتیجه را نیز در نظر بگیرد.

چرا MYCIN مهم بود؟

MYCIN تنها به ارائه یک پاسخ محدود نمی‌شد. سیستم می‌توانست درباره دلیل پرسیدن برخی سؤالات یا نحوه رسیدن به یک نتیجه توضیح ارائه کند. این ویژگی برای حوزه پزشکی بسیار مهم بود، زیرا متخصصان نیاز داشتند بدانند سیستم چگونه به نتیجه رسیده است. ارزیابی‌های تاریخی نیز نشان دادند MYCIN در حوزه تخصصی خود عملکرد قابل‌توجهی داشت. با این حال، این سیستم هرگز به شکل گسترده در بیمارستان‌ها مورد استفاده قرار نگرفت. مسائل مربوط به مسئولیت حقوقی، اعتماد پزشکان و محدودیت‌های فنی از جمله موانع مهم بودند.

EMYCIN؛ جدا شدن دانش از موتور استنتاج

یکی از میراث مهم MYCIN، فقط قواعد پزشکی آن نبود؛ بلکه معماری آن بود. پژوهشگران دریافتند که می‌توان بخش مربوط به دانش پزشکی را از موتور استنتاج جدا کرد. با حذف دانش خاص پزشکی، نسخه‌ای عمومی‌تر به نام EMYCIN شکل گرفت که می‌توانست برای ساخت سیستم‌های خبره در حوزه‌های دیگر نیز مورد استفاده قرار گیرد. این ایده بعدها به مفهوم Expert System Shell منجر شد؛ یعنی چارچوبی که موتور استنتاج و امکانات سیستم را در اختیار دارد و توسعه‌دهنده می‌تواند دانش حوزه موردنظر را به آن اضافه کند. این جداسازی یک تحول مهم بود، زیرا نشان داد یک موتور استنتاج می‌تواند در چندین حوزه مختلف مورد استفاده قرار گیرد و فقط پایگاه دانش آن تغییر کند.

دهه ۱۹۸۰؛ دوران طلایی سیستم‌های خبره

موفقیت پروژه‌هایی مانند MYCIN باعث شد توجه شرکت‌ها و صنعت به سیستم‌های خبره افزایش پیدا کند. در دهه ۱۹۸۰، سیستم‌های خبره از محیط دانشگاهی خارج شدند و در حوزه‌هایی مانند پزشکی، صنعت، بانکداری، نفت، تشخیص خرابی تجهیزات و پیکربندی سیستم‌های کامپیوتری مورد استفاده قرار گرفتند. یکی از مشهورترین نمونه‌ها XCON بود که شرکت Digital Equipment Corporation برای پیکربندی سفارش‌های رایانه‌ای خود از آن استفاده کرد. این دوره را می‌توان یکی از نخستین موج‌های تجاری‌شدن جدی هوش مصنوعی دانست. دانشگاه استنفورد نیز در تاریخ سیستم‌های خبره نقش مهمی داشت و پژوهش‌های این دوره به شکل‌گیری صنعت Knowledge Engineering کمک کردند.

چرا سیستم‌های خبره افول کردند؟

با وجود موفقیت‌های اولیه، سیستم‌های خبره با یک مشکل اساسی روبه‌رو شدند: نگهداری و به‌روزرسانی پایگاه دانش بسیار دشوار بود. در یک سیستم بزرگ ممکن بود هزاران قاعده وجود داشته باشد. تغییر یک قاعده می‌توانست روی قواعد دیگر تأثیر بگذارد و بررسی تمام این وابستگی‌ها زمان‌بر و پرهزینه بود. علاوه بر این، استخراج دانش متخصصان و تبدیل تجربه آنها به قواعد دقیق همیشه آسان نبود.

سیستم‌های خبره همچنین در خارج از محدوده دانش خود انعطاف‌پذیری محدودی داشتند. اگر شرایط واقعی با سناریوهایی که برای آنها قاعده نوشته شده بود تفاوت زیادی داشت، سیستم ممکن بود عملکرد ضعیفی داشته باشد. همین محدودیت‌ها و هزینه‌های بالای توسعه و نگهداری باعث کاهش جذابیت تجاری این فناوری در اواخر دهه ۱۹۸۰ و اوایل دهه ۱۹۹۰ شد و به دوره‌ای از کاهش سرمایه‌گذاری در برخی حوزه‌های هوش مصنوعی کمک کرد.

از سیستم‌های خبره تا Machine Learning

پس از افول سیستم‌های خبره، تمرکز بخش بزرگی از تحقیقات هوش مصنوعی به سمت روش‌های آماری و سپس Machine Learning تغییر کرد. تفاوت مهم این بود که در سیستم خبره، انسان معمولاً دانش و قواعد را به سیستم می‌داد؛ اما در یادگیری ماشین، الگوریتم تلاش می‌کند الگوها را از داده‌ها یاد بگیرد. با رشد داده‌های دیجیتال، قدرت پردازشی و GPUها، این رویکرد به‌ویژه در دهه ۲۰۱۰ با Deep Learning به موفقیت‌های بزرگی رسید. تشخیص تصویر، پردازش زبان طبیعی و سیستم‌های توصیه‌گر از جمله حوزه‌هایی بودند که از این تغییر بهره بردند. تاریخچه رسمی آموزش‌های هوش مصنوعی استنفورد نیز حرکت از سیستم‌های خبره دهه‌های ۱۹۷۰ و ۱۹۸۰ به سمت رشد Machine Learning از دهه ۱۹۹۰ و Deep Learning در دهه ۲۰۱۰ را نشان می‌دهد.

بازگشت ایده سیستم‌های خبره در هوش مصنوعی مدرن

با وجود افول سیستم‌های خبره کلاسیک، ایده اصلی آنها از بین نرفته است. امروزه بسیاری از سیستم‌های هوشمند همچنان از قواعد، دانش ساختاریافته، موتورهای استنتاج و Knowledge Graphها استفاده می‌کنند. از طرف دیگر، ظهور مدل‌های زبانی بزرگ مانند LLMها باعث ایجاد علاقه دوباره به ترکیب روش‌های آماری با استدلال نمادین شده است. در رویکردهایی مانند Neuro-Symbolic AI، تلاش می‌شود توانایی یادگیری شبکه‌های عصبی با قابلیت استدلال و ساختاردهی دانش در سیستم‌های نمادین ترکیب شود. این مسیر شباهت جالبی با ایده اولیه سیستم‌های خبره دارد: استفاده از دانش ساختاریافته برای افزایش قابلیت اعتماد و کنترل سیستم هوشمند. تفاوت این است که سیستم‌های مدرن می‌توانند یادگیری از داده، زبان طبیعی، شبکه‌های عصبی و استدلال نمادین را در یک معماری ترکیب کنند.

سیستم‌های خبره چه چیزی به هوش مصنوعی امروز آموختند؟

مهم‌ترین میراث سیستم‌های خبره این است که نشان داد دانش تخصصی می‌تواند به یک جزء قابل استفاده در سیستم‌های محاسباتی تبدیل شود. MYCIN همچنین اهمیت توضیح‌پذیری، مدیریت عدم قطعیت و جداسازی دانش از موتور استنتاج را برجسته کرد. جالب‌تر اینکه بسیاری از چالش‌هایی که در دهه ۱۹۷۰ مطرح بودند، امروز نیز در شکل جدیدی وجود دارند. برای مثال، یک مدل هوش مصنوعی مدرن ممکن است عملکرد بسیار خوبی داشته باشد، اما همچنان پرسش‌هایی درباره اعتماد، توضیح تصمیم، مسئولیت حقوقی، خطا و نحوه استفاده در محیط‌های حساس وجود داشته باشد. بنابراین تاریخ سیستم‌های خبره فقط یک فصل قدیمی از تاریخ هوش مصنوعی نیست؛ بلکه بخشی از ریشه‌های فناوری‌هایی است که امروز در قالب هوش مصنوعی توضیح‌پذیر، سیستم‌های قانون‌محور، Knowledge Graphها، Neuro-Symbolic AI و AI Agentها در حال بازگشت یا تکامل هستند.

نتیجه گیری:
تاریخچه سیستم‌های خبره از DENDRAL و MYCIN آغاز شد، در دهه ۱۹۸۰ به یک فناوری تجاری مهم تبدیل شد و سپس به دلیل محدودیت‌های فنی و اقتصادی وارد دوره افول شد. اما ایده اصلی آن یعنی استفاده از دانش ساختاریافته برای ایجاد سیستم‌های تصمیم‌گیر هرگز کاملاً کنار گذاشته نشد. امروز، هوش مصنوعی بیشتر بر یادگیری از داده و مدل‌های عصبی متکی است، اما ترکیب این روش‌ها با استدلال نمادین می‌تواند بار دیگر اهمیت معماری‌های مبتنی بر دانش را افزایش دهد. به همین دلیل، برای درک مسیر آینده AI، شناخت تاریخ سیستم‌های خبره و میراث پروژه‌هایی مانند MYCIN همچنان اهمیت دارد.

منبع مقاله:

ttu-ir.tdl

sciencedirect

wikipedia