سیستمهای خبره

سلام.مقاله یا معرفی کتاب در رابطه با سیستمهای خبره

سامانه‌های خِبره یا سیستم‌های خِبره (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.

حوزه‌های کاربرد

سامانه‌های خبره موجبات انجام امور و یا تسهیل در انجام آنها را در زمینه‌های متنوّعی همچون پزشکی، حسابداری، کنترل فرایندها، منابع انسانی،خدمات مالی، و GIS فراهم می‌آورند. در هر یک از این زمینه‌ها می‌شود کارهایی از نوع راهنمایی، تحلیل، دسته‌بندی، مشاوره، طراحی، تشخیص، کاوش، پیش بینی، ایجاد مفاهیم، شناسایی، توجیه، یادگیری، مدیریت، کنترل، برنامه‌ریزی، زمان بندی و آزمایش را با مددجویی از سیستم‌های خِبره با سرعت و آسانی بیشتری به انجام رسانید.

نکات تاریخی

تا ابتدای دهۀ 1980 (م) کار چندانی در زمینۀ ساخت و ایجاد سامانه‌های خِبره توسط پژوهش گران هوش مصنوعی صورت نگرفته بود. از آن زمان به بعد، کار های زیادی در این راستا و در دو حوزۀ متفاوت ولی مرتبط سامانه‌های کوچک خبره و نیز سامانه‌های بزرگ خبره انجام شده است.
هوش مصنوعي: هوش مصنوعي روشي است در جهت هوشمند کردن کامپيوتر تا قادر باشد در هر لحظه تصميم گيري کرده و اقدام به بررسي يک مسئله نمايد. هوش مصنوعي، کامپيوتر را قادر به تفکر مي کند و روش آموختن انسان را تقليد مي نمايد. بنابراين اقدام به جذب اطلاعات جديد جهت بکارگيري مراحل بعدي مي پردازد. مغز انسان به بخش هايي تقسيم شده است که هر بخش وظيفه خاص خود را جدا از بقيه انجام مي دهد. اختلال در کار يک بخش تاثيري در ديگر قسمت هاي مغز نخواهد گذاشت. در برنامه هاي هوش مصنوعي نيز اين مسئله رعايت می‌شود درحالي که در برنامه هاي غير هوش مصنوعي مثل C يا Pascal تغيير در برنامه روي ساير قسمت هاي برنامه و اطلاعات تاثير دارد. مباحث کاربردي و مهم در تحقق يک سيستم هوش مصنوعي : 1- سيستم هاي خبره(Expert Systems) 2- شبکه هاي عصبي(Neural Network) 3- الگوريتم هاي ژنتيک(Genetic Algorithms) 4- سيستم هاي منطق فازي(Fuzzy Logic Systems)
سيستم هاي خبره: برنامه هايي هستند که رفتار يک انسان متخصص در يک زمينه بخصوص را تقليد مي کنند. اين برنامه از اطلاعاتي که استفاده کننده در آن‌ها ذخيره مي کند جهت اعلام يک عقيده در يک موضوع بخصوص استفاده مي کند. از اينرو سيستم هاي خبره تا هنگامي که بتوانند موضوعي را که با پاسخ هاي شما مطابقت داشته باشد بيابند به سوال کردن از شما ادامه مي دهند. به منظور درک کردن آنچه يک سيستم متخصص انجام مي دهد مکالمه زير که بين يک متخصص در امور ميوه و فرد ديگري که مي خواهد از وي توصيه اي در اين مورد دريافت کند را در نظر بگيريد: - متخصص: آيا ميوه سبز است؟ - استفاده کننده: خير. - متخصص: آيا ميوه قرمز است؟ - استفاده کننده: بله. - متخصص: آيا اين ميوه روي درخت رشد مي کند؟ - استفاده کننده: خير. - متخصص: آيا اين ميوه روي يک بوته رشد مي کند؟ - استفاده کننده: بله. - متخصص: آيا اين بوته تيغ دارد؟ - استفاده کننده: بله. - متخصص: اين ميوه تمشک است! هدف از طراحي يک سيستم متخصص کامپيوتري در امر ميوه توليد اين مکالمه است. در حالت عمومي تر سيستم متخصص سعي مي کند که به استفاده کننده از خود در مورد موضوعي که از آن مطلع است راهنمايي دهد.
مزاياي يک سيستم خبره چيست؟ ميزان مطلوب بودن يک سيستم خبره اصولا به ميزان قابليت دسترسي به آن و ميزان سهولت کار با آن بستگي دارد. مي توان مزايايي که يک سيستم خبره در برابر انسان خبره دارد را به اين صورت نام برد: - برخلاف انسان متخصص که نياز به خواب، استراحت و غذا و ... دارد، يک سيستم متخصص 24 ساعت در شبانه روز و 365 روز در سال قابل دسترس است. - دانش سيستم خبره از بين نمی‌رود بلکه مي توان آن را ذخيره نمود و حتي بسادگي مي توان آن را کپي برداري کرد. - يک سيستم متخصص همواره داراي حداکثر کارآيي خود است ولي به محض آنکه يک انسان متخصص خسته شود صحت توصيه هاي وي ممکن است کاهش يابد. - يک سيستم متخصص داراي شخصيت نيست. همانطور که شما هم درک کرده ايد شخصيت هاي افراد مختلف اغلب با يکديگر سازگار نيستند. اگر شما با يک متخصص رفيق يا دوست يا حداقل موافق نباشيد، آنگاه احتمالاً شانس اندکي براي استفاده از دانش اين فرد خواهيد داشت. عکس اين حالت نيز صحيح است. - آخرين برتري سيستم هاي خبره اين است که به سادگي و با کپي برداري اين برنامه از دستگاهي به دستگاه ديگر و در کمترين زمان ممکن مي توان يک سيستم متخصص ديگر بوجود آورد در حالي که تبديل يک انسان به يک متخصص زماني طولاني نياز دارد.
مثال هايي از سيستم هاي متخصص تجاري: MYCIN اولين سيستم متخصص موفق جهان بود که در سال 1970 در دانشگاه استنفورد طراحي شد. هدف از ساخت اين سيستم کمک به پزشکان در تشخيص بيماري هاي ناشي از باکتري بود. مشکل عمده در تشخيص بيماري براي يک پزشک آن است که تشخيص سريع و قاطع يک بيماري با توجه به تعداد بسيار زياد بيماري موجود، عملي دشوار است.MYCIN با تشخيص دادن قاطع بيماري‌ها توانست که اين نياز را برآورده سازد. PROSPECTOR يک متخصص در امر زمين شناسي است که احتمال وجود رسوبات معدني در يک ناحيه بخصوص را پيش بيني مي کند. اين سيستم در سال 1987 توسط «ريچارد دودا» و «پيتر هارد» و «رنه ربو» ساخته شد. در اوايل دهه 80 سيستم هاي متخصص به بازار عرضه شد که مي توانستند مشورت هاي مالياتي، توصيه هاي بيمه اي و يا قانوني را به استفاده کنندگان خود ارائه دهند.
سيستم هاي متخصص چگونه کار مي کنند؟ هر سيستم متخصص از دو بخش تشکيل می‌شود: - بانک اطلاعاتي - توليد کننده مکالمه
بانک اطلاعاتي : منظور از بانک اطلاعاتي در اينجا مکانيسم نگهداري اطلاعات و قوانين ويژه اي در مورد يک موضوع بخصوص مي باشد. با اين توصيف دو اصطلاح زير تعريف می‌شود: - شيء(Object): منظور از شيء در اينجا نتيجه اي است که با توجه به قوانين مربوط به آن تعريف مي گردد. - شاخص(Attribute): منظور از شاخص يا «صفت» يک کيفيت ويژه است که با توجه به قوانيني که براي آن در نظر گرفته شده است به شما در تعريف شيء ياري مي دهد. بنابراين مي توان بانک اطلاعاتي را بصورت ليستي از اشياء که در آن قوانين و شاخص هاي مربوط به هر شيء نيز ذکر شده است در نظر گرفته شود. در ساده ترين حالت(که در اکثر کاربردها نيز همين حالت بکار مي رود) قانوني که به يک شاخص اعمال می‌شود اين مطلب را بيان مي کند که آيا شيء مورد نظر شاخص دارد يا ندارد؟ يک سيستم متخصص که انواع مختلف ميوه را شناسايي مي کند احتمالاً داراي بانک اطلاعاتي به صورت زير خواهد بود: شيء قانون شاخص سيب دارد روي درخت رشد مي کند. دارد گرد است دارد رنگ قرمز يا زرد است ندارد در کوير رشد مي کند انگور ----- ------------------- بانک ساده شده بالا با تنها استفاده از قانون دارد:

شيء شاخص هايي که دارد سيب رشد روي درختگرد بودن رنگ قرمز يا زرد رشد نکردن در کوير
توليد کننده مکالمه: آن بخش از سيستم متخصص است که سعي مي کند از اطلاعاتي که شما ذخيره کرده ايد جهت يافتن يک شيء منطبق با خواسته شما استفاده نمايد. دو نوع عمده از توليد کننده هاي مکالمه وجود دارد : - قطعي - احتمالي برخي قوانين قطعي هستند. به عنوان مثال يک شيميدان مي تواند با قطعيت و يقين اعلام کند که اگر اتم مورد نظر داراي 2 الکترون باشد آنگاه اين اتم به عنصر هليم تعلق دارد. اکثر قوانين قطعي نيستند بلکه با يک درصد مشخص، احتمال وقوع آن‌ها مي رود. با اين وجود در بسياري از اينگونه موارد عامل عدم قطعيت از نظر آماري اهميت چنداني ندارد و از اين رو شما مي توانيد با اين قوانين بصورت قوانين جبري برخورد کنيد. در رابطه با اين دو گروه عمده(يعني قطعي و عدم قطعي) سه روش اساسي براي ساخت «توليد کننده مکالمه» وجود دارد: - استدلال پيشرو Forward Chaining - زنجيره سازي پسرو Backward Chaining - ارزشيابي Rule-Value تفاوت بين اين سه روش به شيوه اي که «توليد کننده مکالمه» توسط آن سعي مي کند به هدف خود برسد بستگي دارد.


منبع : ویکی پدیا

بازم چیزی پیدا کردم اینجا میزارم.

گذری بر سیستم‌های خبره (Expert Systems
مهیار داعی‌الحق

بزرگراه فناوری



[ برای مشاهده لینک ، با نام کاربری خود وارد شوید یا ثبت نام کنید ] اگر بخواهیم سیستم‌های خبره (Expert Systems) را در یک جمله توصیف کنیم باید بگوییم که این سیستم‌ها به‌طور کلی برنامه‌هایی هستند که قادرند همانند انسان مسایل خاصی را استدلال کنند. این سیستم‌ها برای استدلال، از الگوهای منطقی خاصی استفاده می‌کنند که مشابه همان کاری است که انسان در زمان حل یک مسئله عمل می‌کند. در واقع همان‌طور که انسان برای حل یک مسئله، تعقل یا اندیشه می‌کند، سیستم‌های خبره نیز برای این کار به الگوها و راه و روش‌هایی متوسل می‌شوند که انسان برای آن‌ها مشخص کرده است، بنابراین چون از منطق بشری استفاده می‌کنند می‌توان گفت که تا حدودی همانند انسان فکر می‌کنند. به همین دلیل همواره واژه دیگری نیز معادل سیستم‌های خبره در ادبیات مربوط به هوش مصنوعی آورده می‌شود که به آن سیستم‌های مبتنی بر دانش (KnowLedge Based System) گفته می‌شود. در واقع دلیل این نام‌گذاری، یکسان بودن معلومات مورد استفاده توسط این سیستم‌ها در حل مسایل با معلومات مورد استفاده یک انسان متبحر در یک رشته برای حل مسایل حوزه مربوطه است. هرچند دو واژه سیستم‌های خبره و سیستم‌های مبتنی بر دانش در متون هوش مصنوعی همواره مترادف یکدیگر در نظر گرفته می‌شوند، اما در کنار هم قرار گرفتن این دو گسترده‌ترین کاربرد دنیای هوش مصنوعی را به خود اختصاص می‌دهد. در واقع سیستم‌های خبره‌ای که به دلیل استفاده از دانش بشری قادر به استدلال و حل مسایل باشند بزرگ‌ترین و مهم‌ترین شاخه هوش مصنوعی به شمار می‌رود. یک واژه مهم دیگر در سیستم‌های خبره «دامنه وظیفه» یا همان Task Domain است. به این مفهوم که دامنه همان ناحیه یا گستره‌ای است که یک سیستم خبره در آن زمینه فعالیت می‌کند و وظیفه (Task) هدف یا کاری است که این سیستم خبره باید انجام دهد. مثلا علوم پزشکی، هوانوردی و معماری می‌توانند به‌عنوان دامنه‌های وظایفی چون تشخیص بیماری، زمان‌بندی پرواز و طراحی ساختمان مورد استفاده سیستم‌های خبره مربوطه قرار گیرند.

مهندسی دانش

یکی از مباحث اساسی و جالب توجه در حوزه سیستم‌های خبره، روشی است که برای ساختن این‌گونه سیستم‌ها به کار گرفته می‌شوند. به‌طور کلی به مراحل ساخت یک سیستم خبره، مهندسی دانش (KnowLedge Engineering) گفته می‌شود. چراکه سازنده یک سیستم خبره باید از وجود همه اطلاعات و علوم لازم در یک حوزه برای حل یک مسئله مربوط به آن حوزه اطمینان لازم را کسب کند. پس از مشخص کردن دامنه دانش مورد نیاز برای انتقال به یک کامپیوتر، سازنده سیستم خبره یا در اصطلاح همان مهندس دانش (KnowLedge Engineer) باید روش ثبت و نگهداری این علوم و اطلاعات را در کامپیوتر مشخص کند. به مرحله انتقال علوم جمع‌آوری شده در یک حوزه به کامپیوتر و نحوه چیدمان این علوم در آن‌جا «نمایش دانش» یا (KnowLedge Representation) گفته می‌شود. اما در مرحله بعد یعنی زمانی که یک کامپیوتر باید از اطلاعات و دانش ثبت شده در حافظه خود برای استدلال و حل یک مسئله استفاده کند، باید متد یا روشی وجود داشته باشد که بتواند مسئله مورد نظر را درک کرده و آن‌گاه از بین انبوه اطلاعات و علوم موجود و یا از ترکیب آن‌ها با یکدیگر راه‌حل مسئله را کشف کند. در این‌جا نقش سازنده یک سیستم خبره در معرفی روشی برای استفاده از معلومات ثبت شده برای حل مسایل بسیار مهم است. این روش به هر شکلی که باشد به‌عنوان «متد یا شیوه استدلال» (Reasoning Method) شناخته می‌شود.

اجزای سازنده

با توجه به مطالب فوق، یک سیستم خبره حداقل از دو قسمت اساسی تشکیل شده که یکی مبنا و هسته علمی آن یا همان KnowLedge Base (KB) است و دیگری، ماژول استدلال که Reasoning Engine نام دارد. برای اینکه یک سیستم خبره بتواند توانایی استدلال خوبی داشته باشد باید از مبنای علمی (KB) جامعی بهره‌مند باشد. یک KB جامع قاعدتا باید شامل دو دسته اطلاعات علمی در یک زمینه باشد. دسته اول شامل اطلاعاتی است که صد درصد پشتوانه علمی تئوری مرتبط با آن موضوع داشته و شامل اصول یا جزئیات مکتوب، رسمی و شناخته شده آن علم است که در بسیاری از منابع آن حوزه علمی مثل کتاب‌ها، دانشگاه‌ها و... مورد تایید قرار گرفته است. به این دسته از اطلاعات علمی، دانش مستند (Factual KnowLedge) گفته می‌شود. اما دسته دوم، آن‌هایی هستند که کمتر خاصیت مستند علمی داشته و بیشتر دارای پشتوانه تجربی (Experimental) منحصر به‌یک شخص یا گروه خاص یا طبق یک تئوری یا تشخیص غیررسمی است که به آن (Heuristic KnowLedge) گفته می‌شود.

همان‌طور که قبلا گفتیم به شیوه سامان‌دهی و چیدمان اطلاعات علمی در یک سیستم خبره، نمایش (Representation) گفته می‌شود. یکی از روش‌های معمول این نمایش روشی است به نام قاعده تولید (Production Rule) که دارای زنجیره‌ای از دستورات شرطی با ساختار آشنای برنامه‌نویسان یعنی IF-THEN است. در این روش اطلاعات مربوط به یک حوزه به‌صورت یک ساختار درختی که دارای یک سری دستورات IF-THEN ساده یا ترکیبی است در سیستم قرار داده می‌شود.

به سیستم‌های خبره‌ای که علوم مربوط به خود را به این روش نگهداری می‌کنند سیستم‌های مبتنی بر قاعده (Rule Based System) می‌گویند. اما یکی دیگر از انواع پرکاربرد نمایش اطلاعات در سیستم‌های خبره روشی است که در آن علوم به‌صورت یک موجودیت (Entity) که دارای نام، خواص و روابط با موجودیت‌های دیگر است نمایش داده می‌شود. در این روش علوم موجود در یک موضوع خاص می‌توانند در یک موجودیت مشخص قرار گرفته و از درون خود موجودیت‌های کوچک‌تر دیگری را که می‌توانند مشمول خود کنند، تشکیل دهند. به‌عنوان مثال در یک سیستم تشخیص پزشکی شاید بتوان هر یک از اعضای بدن را در یک موجودیت جداگانه با نام و خواص معلوم قرار داده و آن‌گاه هرچند موجودیت را به یک موجودیت سطح بالاتر مثل دستگاه عصبی، گوارش و... و یا چند موجودیت سطح پایین‌تر مثل اعضای تشکیل‌دهنده مانند (بافت، رگ، عصب و...) تقسیم‌بندی و به یکدیگر متصل کرد.

به هر یک از این موجودیت‌ها در ساختار علمی یک سیستم خبره، واحد (Unit) گفته می‌شود.

اما همان‌طور که گفتیم جزء اساسی دوم یک سیستم خبره، موتور استدلال یا مدل حل مسئله (Problem Solving Model) یا پارادایم (Paradigm) آن سیستم است که وظیفه سامان‌دهی و کنترل مراحل حل مسئله را به عهده دارد. یکی از متدهای بسیار معمول و ساده پیاده‌سازی یک پارادایم یا موتور استدلال روشی است همانند روش مبتنی بر قاعده (Rule Based) در ماژول مربوط به نگهداری اطلاعات علمی در آن سیستم خبره.

بدین معنی که زنجیره‌ای از دستورات IF-THEN در پارادایم وجود دارد که با بررسی و انطباق اصول و جزئیات صورت‌مسئله با اصول و جزئیات علمی موجود در KnowLedge Base در قسمت IF می‌تواند راه‌حل یک مسئله را در قسمت THEN آن زنجیره پیدا کند.

به این روش استدلال و یافتن راه‌حل مسئله در یک سیستم خبره، زنجیره کردن مستقیم دستورات IF-THEN (forward Chaining) گفته می‌شود. البته در برخی سیستم‌های خبره امروزی خاصیتی عکس زنجیره کردن مستقیم و در واقع استدلال معکوس نیز وجود دارد، بدین معنی که این سیستم خبره قادر است با دریافت راه‌حل و جواب یک مسئله صورت آن را پیدا کند. به‌‌عنوان مثال در یک سیستم خبره تشخیص بیماری، استدلال معکوس می‌تواند به‌صورت دریافت نوع بیماری و بیان علایم مربوط به آن عمل کند. به این قابلیت استدلال معکوس، Backward Chaining گفته می‌شود.

سیستم‌های خبره در یک نگاه

حال که با مفهوم و چگونگی ساختار سیستم‌های خبره آشنا شدیم بد نیست نگاهی اجمالی به برخی ویژگی‌های این سیستم‌ها بیندازیم که تفصیل هر کدام از آن‌ها از ظرفیت تنها یک مقاله خارج است.

* کاربرد: اصولا یک سیستم خبره را برای رسیدن به دو منظور می‌سازند: اول اینکه این سیستم باید بتواند به یک شخص حرفه‌ای در یک زمینه برای رسیدن به هدفش کمک برساند و در مواقع مهم در تصمیم‌گیری یا تشخیص به وی کمک کند که در این صورت به آنSupport Decision گفته می‌شود مثل همان سیستم‌های خبره‌ای که در امور پزشکی طراحی شده‌اند.

دوم اینکه این سیستم باید بتواند در یک زمینه خاص، خود تصمیم‌گیری و به آن عمل کند. در واقع در این روش، یک سیستم خبره به یک شخص مبتدی یا غیرحرفه‌ای می‌گوید که چه کاری باید انجام دهد (Decision Making). سیستم‌های خبره‌ای که در زمینه‌های صنعتی وجود دارند نمونه خوبی از این نوع به حساب می‌آیند.

* هدف: با استفاده از یک سیستم خبره می‌توان اطلاعات علمی و حرفه‌ای مربوط به یک رشته تخصصی را ثبت و در مجامع مربوطه به آن توزیع کرد، کیفیت انجام کارهای حرفه‌ای را با اطمینان از عدم اشتباه سیستم افزایش داد و در نهایت توانایی افراد مبتدی را به‌تدریج در اثر کار با یک سیستم خبره افزایش داده و آن‌ها را به تبحر حرفه‌ای خود نزدیک‌تر کرد.

توانایی

به‌طور کلی توانایی محسوس یا نامحسوس یک سیستم خبره را می‌توان به عناوین زیر خلاصه کرد:

1- تشخیص مشکل (صورت‌مسئله)

2- تشخیص راه‌حل‌ها و انتخاب از بین آن‌‌ها

3- توصیف و استدلال راه‌حل انتخاب شده

4- تعامل با اطلاعات ناقص برای کسب یا یافتن اطلاعات کامل‌تر

5- امکان ثبت و بازسازی همه مراحل حل یک مسئله

سیستم‌های خبره، دیروز و امروز

دهه 1950 و 1960 را می‌توان آغازی بر به‌وجود آمدن برنامه‌های کامپیوتری هوشمند (بر اساس هوش مصنوعی) به حساب آورد.

در طی همین سال‌ها بود که تئوری جدیدی به نام Heuristics که بعدا به سیستم‌های خبره تغییر هویت داد، مطرح شد. این تئوری در واقع روشی بود برای یافتن یک راه‌حل از بین چند راه‌حل موجود برای یک مسئله بخصوص.

پس از چندی نیز خبر از به‌وجود آمدن یک زبان برنامه‌نویسی جدید به نام LISP (LIST Processing) به میان آمد. این زبان برنامه‌نویسی قابلیت بسیار مناسبی در پردازش انواع ساختارهای اطلاعاتی (Data Structures) به‌خصوص ساختار Link List داشت و از همین‌رو قادر بود تا برنامه‌هایی که بر اساس پردازش زنجیره‌ای و سلسله‌مراتبی اطلاعات کار می‌کنند (مثل برنامه‌های هوش مصنوعی و سیستم‌های خبره) را بسازد.

اما در دهه هفتاد تحقیقات و دستاوردهای هوش مصنوعی به‌سمت مسایل علمی‌تر و به‌خصوص شاخه‌هایی از علم که تاثیر بیشتری در زندگی عامیانه مردم داشت گرایش یافت. به‌عنوان مثال در این ایام برنامه‌ای با نام Dendral (دندرال) نوشته شد که می‌توانست ساختار مولکولی ترکیبات شیمیایی را مشخص کند. پس از آن برنامه دیگری به‌نام Macsyma (ماکسیما) ابداع شد که می‌توانست مسایل ریاضی را حل کند. به‌طور کلی برنامه‌هایی که در این دهه در زمینه هوش مصنوعی با گرایش سیستم‌های خبره نوشته شد، مبتنی بر فناوری و روش‌های جست‌وجو (Search Technique) بود، بنابراین اثر کمتری از متد استدلال علمی و حل مسایل بر اساس مبنای علمی آن‌ها (KnowLedge Base) دیده می‌شد. در این دوران خبر از پیدایش یک زبان برنامه‌نویسی به نام PROLOG (Programming Logic) به میان آمد که علاوه بر دارا بودن قابلیت‌های زبان LISP، به دلیل مشابه بودن دستورات و ساختار آن با زبان انگلیسی، از محبوبیت زیادی در ساخت برنامه‌های هوش مصنوعی برخوردار شد.

اما دهه هفتاد و اوایل دهه هشتاد میلادی را می‌توان سرآغازی بر سیستم‌های خبره مدرن امروزی به حساب آورد. در این دوره بود که سیستم‌هایی بر اساس آنالیز دانش روز بشر ابداع شد. به‌عنوان مثال در این ایام بود که Mycin یک برنامه کامپیوتری برای کمک به پزشکان در تشخیص آزمایش خون و بیماری افراد کمک کرده و نسخه پیشنهادی مناسب با آن را ارایه می‌کرد یا مثلا R1 نام سیستم خبره دیگری بود که توسط کمپانی Digital Equipment Co نوشته شد و وظیفه آن جمع‌آوری اطلاعات مربوط به نیاز مشتریان و ارایه بهترین سیستم کامپیوتری و لوازم جانبی آن، منطبق با نیاز هر مشتری بود. در حال حاضر نیز کاربرد سیستم‌های خبره در بسیاری از شاخه‌های صنعت به وضوح دیده می‌شود. در بسیاری از سیستم‌های تشخیص خطا و بحران در سیستم‌های صنعتی، برخی سیستم‌های مربوط به تعمیر نگهداری و برنامه‌ریزی در صنایع هوایی، سیستم‌های مربوط به تحقیقات در مواد شیمیایی و دارویی، پزشکی و مالی، نرم‌افزارهای ویژه طراحی مهندسی صنعتی و هر برنامه‌ای که مبتنی بر دانش بشری در هر یک از شاخه‌های علوم باشد، به نوعی استفاده از الگوریتم‌ها و روش‌های یک سیستم خبره به وضوح مشاهده می‌شود.

چند مثال و یا کاربرد از سیستم های خبره میشه بگید تا بدونیم چی به چیه؟؟