شاهین آقامعلی
تصور کنید یک شرکت قصد دارد هزاران رایانه صنعتی را با مشخصات سخت‌افزاری متفاوت به مشتریان خود تحویل دهد. هر سفارش ممکن است شامل پردازنده، حافظه، تجهیزات ذخیره‌سازی، کابل‌ها، کنترل‌کننده‌ها و قطعات جانبی مختلفی باشد. مشکل زمانی ایجاد می‌شود که برخی قطعات با یکدیگر سازگار نباشند یا برای راه‌اندازی صحیح سیستم، تجهیزات ضروری در سفارش مشتری وجود نداشته باشند. بررسی دستی تمام این ترکیب‌ها کاری زمان‌بر، پیچیده و مستعد خطای انسانی است.
در دهه ۱۹۸۰، شرکت Digital Equipment Corporation (DEC) با چنین مشکلی مواجه بود. راهکار این شرکت، اسسیستم تفاده از یک سیستم هوش مصنوعی به نام XCON بود؛ ابزاری که توانست دانش متخصصان کامپیوتر را به مجموعه‌ای از قوانین قابل اجرا تبدیل کند و فرایند بررسی و پیکربندی سفارش‌های سخت‌افزاری را خودکار سازد. XCON یکی از موفق‌ترین نمونه‌های تجاری سیستم‌های خبره (Expert Systems) محسوب می‌شود و اهمیت آن تنها به خودکارسازی یک فرایند محدود نبود؛ بلکه نشان داد هوش مصنوعی می‌تواند در مقیاس صنعتی، تصمیم‌های تخصصی و پیچیده را با سرعت و دقت قابل توجهی انجام دهد.
XCON چیست و چرا ساخته شد؟
XCON مخفف عبارت Expert Configurer است و در ابتدا با نام R1 شناخته می‌شد. این سیستم توسط جان مک‌درموت (John McDermott)، پژوهشگر دانشگاه Carnegie Mellon، توسعه پیدا کرد و از سال ۱۹۸۰ به‌صورت عملی در شرکت DEC مورد استفاده قرار گرفت. وظیفه اصلی XCON بررسی سفارش مشتریان برای رایانه‌های سری VAX-11/780 بود. این رایانه‌ها از مجموعه‌ای از قطعات سخت‌افزاری تشکیل می‌شدند که انتخاب و اتصال صحیح آن‌ها به دانش فنی قابل توجهی نیاز داشت.
پیش از توسعه XCON، متخصصان فنی باید سفارش‌ها را بررسی می‌کردند، قطعات ناسازگار را شناسایی می‌کردند، تجهیزات ضروری را به سفارش اضافه می‌کردند و در نهایت دستورالعمل مونتاژ را تهیه می‌کردند. افزایش تعداد سفارش‌ها باعث ایجاد گلوگاه در این فرایند شده بود. XCON این دانش تخصصی را در قالب قوانین ذخیره کرد تا بتواند سفارش‌ها را به‌صورت خودکار بررسی و اصلاح کند. مقاله اصلی مک‌درموت در سال ۱۹۸۲ نیز توضیح می‌دهد که این سیستم به‌جای جست‌وجوی تعداد زیادی راه‌حل احتمالی، از دانش موجود برای تشخیص مستقیم اقدامات لازم استفاده می‌کرد.
معماری XCON و اجزای اصلی آن چگونه بود؟
XCON یک سیستم خبره مبتنی بر قوانین (Rule-Based Expert System) بود که از معماری سیستم‌های تولیدی (Production System) استفاده می‌کرد. در این معماری، دانش متخصصان به شکل قوانین شرطی تعریف می‌شود و موتور استنتاج با بررسی شرایط موجود، قوانین مناسب را اجرا می‌کند.
معماری این ابزار را می‌توان با سه بخش اصلی توضیح داد:
۱. پایگاه دانش (Knowledge Base)
پایگاه دانش محل ذخیره اطلاعات تخصصی درباره قطعات سخت‌افزاری و نحوه ارتباط آن‌ها با یکدیگر بود. برای مثال، سیستم باید می‌دانست هر پردازنده به چه تجهیزات جانبی نیاز دارد، کدام قطعات با یکدیگر سازگار هستند و چه محدودیت‌هایی برای نصب تجهیزات در کابینت‌های رایانه وجود دارد. این اطلاعات از تجربه متخصصان فنی DEC استخراج و به قوانین قابل اجرا تبدیل می‌شدند.
۲. موتور استنتاج (Inference Engine)
موتور استنتاج مسئول بررسی وضعیت سفارش و انتخاب قوانین مناسب بود. XCONاز روش تطبیق الگو (Match) در یک سیستم مبتنی بر قوانین تولیدی استفاده می‌کرد. به‌عنوان نمونه، اگر سفارش شامل یک پردازنده با یک نوع رابط مشخص بود، موتور استنتاج بررسی می‌کرد که آیا تجهیزات مورد نیاز آن رابط در سفارش وجود دارند یا خیر. در صورت وجود نقص، قانون مربوطه فعال می‌شد و تغییر لازم در پیکربندی انجام می‌گرفت.
۳. حافظه کاری (Working Memory)
حافظه کاری اطلاعات مربوط به سفارش جاری و وضعیت پیکربندی را نگهداری می‌کرد. هر بار که قانونی اجرا می‌شد، وضعیت سیستم تغییر می‌کرد و قوانین دیگری می‌توانستند فعال شوند. ترکیب این سه بخش باعث می‌شد XCON بتواند از یک سفارش اولیه به یک پیکربندی کامل و قابل اجرا برسد.
XCON چگونه کار می‌کرد؟ یک مثال کاربردی
برای درک بهتر عملکرد XCON، فرض کنید مشتری قصد خرید یک رایانه VAX را دارد و در سفارش خود پردازنده، حافظه و تجهیزات ذخیره‌سازی را انتخاب کرده است؛ اما برخی قطعات ضروری برای اتصال و راه‌اندازی تجهیزات را فراموش کرده است.
در چنین شرایطی، XCON مراحل زیر را انجام می‌داد:
۱. دریافت سفارش: اطلاعات قطعات انتخاب‌شده و مشخصات سیستم مورد نیاز مشتری وارد سیستم می‌شد.
۲. بررسی سازگاری: سیستم با استفاده از پایگاه دانش، ارتباط میان قطعات را بررسی می‌کرد تا ترکیب‌های ناسازگار شناسایی شوند.
۳. شناسایی تجهیزات ناقص: قوانین موجود بررسی می‌کردند که آیا برای عملکرد صحیح قطعات، تجهیزات جانبی و اتصالات ضروری وجود دارند یا خیر.
۴. اصلاح پیکربندی: در صورت وجود نقص، سیستم قطعات مورد نیاز را به سفارش اضافه می‌کرد یا تغییرات لازم را پیشنهاد می‌داد.
۵. تعیین محل نصب قطعات: تجهیزات باید در کابینت‌ها و محفظه‌های مناسب قرار می‌گرفتند. XCON محدودیت‌های فیزیکی و ارتباطی مربوط به این مرحله را نیز بررسی می‌کرد.
۶. تولید خروجی نهایی: در پایان، سیستم مشخصات اصلاح‌شده سفارش و نمودارهایی از ارتباط و محل قرارگیری قطعات تولید می‌کرد تا تکنسین‌ها بتوانند رایانه را مطابق آن مونتاژ کنند.
نکته مهم این است که XCON صرفاً یک ابزار کنترل سفارش نبود؛ بلکه بخشی از دانش فنی مورد نیاز برای طراحی و آماده‌سازی یک سیستم کامپیوتری را در اختیار داشت.
روش کار با XCON؛ آیا امروزه می‌توان از آن استفاده کرد؟
XCON یک محصول عمومی مانند نرم‌افزارهای امروزی نیست که بتوان آن را دانلود و روی رایانه شخصی نصب کرد. این سیستم برای فرایندهای داخلی شرکت DEC توسعه داده شده بود و امروزه بیشتر به‌عنوان یک نمونه تاریخی و آموزشی از سیستم‌های خبره شناخته می‌شود. بااین‌حال، می‌توان روش کار آن را با استفاده از ابزارهای مدرن سیستم‌های خبره بازسازی کرد. برای این کار، ابزارهایی مانند CLIPS و Drools گزینه‌های مناسبی هستند.
فرایند ساخت یک سیستم مشابه XCONبه شکل زیر خواهد بود:
مرحله اول: تعریف مسئله
ابتدا باید مشخص شود سیستم قرار است چه کاری انجام دهد. برای مثال، بررسی سازگاری قطعات سخت‌افزاری و تشخیص تجهیزات مورد نیاز برای یک رایانه سفارشی.
مرحله دوم: ایجاد پایگاه دانش
اطلاعات قطعات، مشخصات فنی، محدودیت‌ها و ارتباط میان تجهیزات جمع‌آوری می‌شوند. این اطلاعات باید تا حد امکان دقیق و قابل اعتماد باشند.
مرحله سوم: تعریف قوانین
قوانین شرطی برای تصمیم‌گیری ایجاد می‌شوند. برای مثال:
IF CPU requires a compatible controller THEN add controller
این قانون به زبان ساده می‌گوید اگر پردازنده به کنترل‌کننده سازگار نیاز داشته باشد، سیستم باید وجود آن را بررسی کند و در صورت نیاز به پیکربندی اضافه کند.
مرحله چهارم: اجرای موتور استنتاج
سفارش وارد سیستم می‌شود و موتور استنتاج قوانین را بررسی و اجرا می‌کند. با تغییر وضعیت سفارش، قوانین جدیدی فعال می‌شوند تا پیکربندی کامل شود.
مرحله پنجم: ارزیابی و اصلاح قوانین
نتایج سیستم با تصمیم متخصصان مقایسه می‌شوند. هرگونه خطا یا قانون ناقص باید اصلاح شود تا عملکرد سیستم در شرایط مختلف قابل اعتماد باشد. بنابراین، اگرچه نسخه اصلی XCON برای استفاده عمومی در دسترس نیست، روش طراحی و منطق تصمیم‌گیری آن همچنان برای توسعه سیستم‌های خبره کاربرد دارد.
مقایسه XCON با سایر سیستم‌های خبره
XCON تنها سیستم خبره موفق دهه ۱۹۸۰ نبود. در همان دوره، پروژه‌های دیگری نیز برای حل مسائل تخصصی در پزشکی، شیمی و فروش توسعه پیدا کردند. البته تمام این ابزارها رقیب مستقیم XCON نبودند و هرکدام مسئله متفاوتی را هدف قرار می‌دادند.
یکی از نکات مهم در این مقایسه، ارتباط XSEL و XCON است. XSEL به فروشندگان DEC کمک می‌کرد تا سفارش متناسب با نیاز مشتری را آماده کنند و سپس اطلاعات سفارش را برای بررسی فنی به XCON تحویل می‌داد. در واقع، این دو سیستم به‌جای رقابت با یکدیگر، در یک فرایند مشترک فعالیت می‌کردند.
دستاوردهای XCON و تأثیر آن بر صنعت هوش مصنوعی
موفقیت XCON نشان داد که سیستم‌های خبره می‌توانند فراتر از محیط‌های دانشگاهی عمل کنند و به بخشی از عملیات روزمره شرکت‌های بزرگ تبدیل شوند. بر اساس پژوهش‌های منتشرشده درباره این سیستم، XCON طی سال‌های فعالیت خود به هزاران قانون تخصصی مجهز شد. در گزارش ناسا درباره سیستم‌های دانش‌محور، تعداد قوانین XCON در سپتامبر ۱۹۸۸ حدود ۱۰٬۲۱۹ قانون اعلام شده است.
همچنین در همان گزارش، صرفه‌جویی سالانه حاصل از مجموعه سیستم‌های خبره پیکربندی DEC حدود ۴۰ میلیون دلار برآورد شده است. این رقم مربوط به مجموعه چند سیستم از جمله XCON و ابزارهای مرتبط است و نباید تمام آن را صرفاً به XCON نسبت داد. این دستاورد نشان داد که ذخیره دانش متخصصان و تبدیل آن به قوانین اجرایی می‌تواند هزینه‌ها را کاهش دهد، خطاهای انسانی را محدود کند و سرعت فرایندهای صنعتی را افزایش دهد.
محدودیت‌های XCON؛ چرا نگهداری سیستم دشوار شد؟
با وجود موفقیت چشمگیر، XCON بدون مشکل نبود. مهم‌ترین چالش آن، افزایش تعداد قوانین و دشوار شدن نگهداری پایگاه دانش بود. هر بار که DEC قطعه جدیدی به محصولات خود اضافه می‌کرد یا مشخصات سخت‌افزاری تغییر می‌کرد، قوانین سیستم نیز باید به‌روزرسانی می‌شدند. با افزایش تعداد قوانین، احتمال تداخل میان آن‌ها و ایجاد خطاهای ناخواسته بیشتر می‌شد.
در یک پژوهش منتشرشده در سال ۱۹۸۷، اشاره شده است که تعداد قوانین XCON طی هفت سال به حدود ۶۲۰۰ قانون رسیده بود و نزدیک به نیمی از آن‌ها هر سال تغییر می‌کردند. این تجربه یکی از درس‌های مهم توسعه سیستم‌های خبره را آشکار کرد: ساخت پایگاه دانش تنها مرحله اول است؛ نگهداری، اصلاح و به‌روزرسانی دانش در طول زمان به همان اندازه اهمیت دارد.
نتیجه گیری:
امروزه با ظهور یادگیری ماشین، یادگیری عمیق و مدل‌های زبانی بزرگ، روش‌های توسعه سیستم‌های هوشمند تغییر کرده‌اند؛ اما ایده اصلی XCONهمچنان در بسیاری از نرم‌افزارهای تخصصی دیده می‌شود. برای مثال، سیستم‌های پیکربندی محصولات در فروشگاه‌های آنلاین، ابزارهای بررسی سازگاری قطعات کامپیوتر، نرم‌افزارهای طراحی صنعتی و سیستم‌های مدیریت تجهیزات می‌توانند از منطق مشابهی استفاده کنند.
تفاوت مهم این است که سیستم‌های مدرن می‌توانند قوانین صریح را با داده‌های یادگیری ماشین یا حتی مدل‌های زبانی ترکیب کنند. در چنین معماری‌هایی، مدل هوش مصنوعی می‌تواند اطلاعات را دریافت یا پیشنهاد تولید کند، درحالی‌که موتور قوانین مسئول بررسی محدودیت‌ها و اعتبارسنجی تصمیم نهایی خواهد بود. XCON یادآوری می‌کند که هوش مصنوعی همیشه به معنای ساخت مدل‌های بزرگ و پیچیده نیست. گاهی تبدیل دانش تخصصی به مجموعه‌ای از قوانین دقیق، راهکاری ساده‌تر، قابل کنترل‌تر و اقتصادی‌تر برای حل یک مسئله واقعی است.
منبع مقاله:
پاسخ :