انجام پروژه متلب

مطالب به سایت خانه متلب انتقال پیدا کرده است .بر روی لینک های زیر کلیک نمایید:

انجام پروژه متلب *** آموزش رایگان متلب *** دانلود کد متلب

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 آغازین و ساده‌تری از فناوری پیش‌رفته‌تر سامانه‌های دانش-بنیان به شمار می‌آیند.

 این سامانه‌ها معمولاً اطلاعات را به شکل واقعیت ها[۱] و قواعد[۲] در دادگانی به نام پایگاه دانش به شکل ساختار مند ذخیره نموده، و سپس با بهره گیری از روشهایی خاص استنتاج از این داده‌ها نتایج مورد نیاز حاصل می‌شود.

پیشگفتار

 در میان اهل فن و صاحبان اندیشه، استدلال تعاریف و تفاسیر گوناگونی دارد. در نگاهی کلی، بهره گرفتن از دلیل و برهان برای رسیدن به یک نتیجه از فرضیاتی منطقی با بکارگیری روش‌های شناخته شده، تعریفی از استدلال تلقی می‌شود؛ تعریفی که البته با دیدگاه‌های فلسفی و گاه آرمانگرایانه از استدلال تفاوت دارد. با این حال موضوع مهم و بنیادین در اینجا بحث در چیستی و چرایی این دیدگاه‌ها نیست، بلکه در مورد چگونگی طراحی دستگاههای استدلال گر، 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. سامانه های خبره(expert systems) اساساً برای چنین هدفی طراحی می‌شوند. در حقیقت به واسطه الگوبرداری این سامانه هااز نظام منطق و استدلال انسان و نیز یکسان بودن منابع دانش مورد استفاده آن‌ها، پیامد کار یک سامانه خبره می‌تواند تصمیماتی باشد که در حوزه‌ها و قلمروهای گوناگون قابل استفاده، مورد اطمینان و تاثیرگذار هستند. بسیاری بر این باورند که سامانه های خبره بیشترین پیشرفت را در هوش مصنوعی به وجود آورده‌اند.

حوزه‌های کاربرد

 سامانه های خبره در زمینه های بسیار متنوعی کاربرد یافته اند که برخی از این زمینه ها عبارتند از پزشکی، حسابداری، کنترل فرایندها، منابع انسانی، خدمات مالی، و GIS . حسابداری، تجزیه و تحلیلهای مالی پزشکی ( تشخیص بیماری )، آنژیوگرافی، باستان شناسی، تولید ویفرهای سیلیکونی و انواع خاصی از پرتونگاری در زمینه های مختلف دیگری نیز سیستمهای خبره پدید آمده اند همانند: مشاوره حقوقی، مشاوره برای انتخاب بهترین معماری یا ترکیب بندی سامانه کامپیوتری، مشاوره مهندسی ساختمان و غیره.

در هر یک از این زمینه‌ها می توان کارهایی از نوع راهنمایی، پردازش، دسته‌بندی، مشاوره، طراحی، تشخیص، کاوش، پیش بینی، ایجاد مفاهیم، شناسایی، توجیه، یادگیری، مدیریت، واپایش، برنامه‌ریزی، زمان بندی و آزمایش را با مددجویی از سامانه های تجربی با سرعت و آسانی بیشتری به انجام رسانید. ∗

سامانه های خبره یا به عنوان جایگزین فرد متخصص یا به عنوان کمک به وی استفاده می‌شوند.

کاربرد سامانه های خبره در خدمات کتابداری و اطلاع رسانی

سامانه های خبره این امکان را در اختیار می گذارد تا بتوان دانش موجود در سطح جامعه را به صورت گسترده تر و کم هزینه تری اشاعه داد . این موضوع یعنی اشاعه دانش برای عموم مردم یکی از بنیادی ترین و اصلی ترین وظایف و رسالتهای حوزه کتابداری است .

مثلاً از طریق واسطهای هوشمند جستجوی اطلاعات می توان مهارتهای جستجوی پیشرفته را که اغلب خاص متخصصان با تجربه است در میان طیف وسیعی از کاربران در دسترس قرار دهد . سرعت استدلال یا حل مسائل در نظام های خبره می تواند منجر به ارائه خدمات کارآتر و سریع تر در برخی فعالیتهای کتابداری شود و انعطاف پذیری بیشتری را در پاسخگویی به نیازهای مخاطبان به وجود آورد.

کاربرد سامانه های خبره و هوشمند را در حوزه های نمایه سازی، چکیده نویسی، طراحی و تولید اصطلاحنامه ها، فهرست نویسی، بازیابی متن فارغ از منطق بولی، بازیابی متون مبتنی بر منطق بولی، تجزیه و تحلیل خودکار محتوا و ارائه دانش، مدیریت و دسترسی به محتوی پایگاه های رابطه ای، اسناد هوشمند، پردازش پایگاه های اطلاعاتی دانسته اند.

کاربرد سامانه های خبره در حسابداری و امور مالی

یکی از پر رونق ترین زمینه های کاربرد سامانه های خبره، حوزه و تجزیه و تحلیلهای مالی است . یکی از مناسب ترین زمینه‌های کاربرد این سامانه ها حوزه حسابداری و امور مالی است . امروزه انواع زیادی از سامانه های خبره برای کاربردهای گوناگون در این شاخه از دانش بشری ساخته شده است که در مورد استفاده گروههای مختلفی از تصمیم گیرندگان مانند مدیران شرکتها و سازمانها، حسابداران، تحلیلگران مالی ، کارشناسان مالیاتی و بالاخره عامه مردم قرار می گیرد حتی متخصصین و کارشناسان حوزه های مختلف دانش حسابداری و مالی از این نرم‌افزارهای پر جاذبه به عنوان وسیله ای برای یافتن « حدس دوم » و اطمینان بیشتر نسبت به یافته ها و داوری های شخصی خود استفاده می کنند .

کاربردهای مختلفی از سامانه های خبره را در سه زمینه حسابداری، حسابداری مدیریت و امور مالیاتی به شرح ذیل می باشد :

    حسابرسی : ارزیابی ریسک – تهیه برنامه حسابرسی – فراهم آوردن کمکهای فنی – کشف تقلبات و جلوگیری از آنها

    حسابداری مدیریت : قیمت گذاری محصولات و خدمات – تعیین بهای تمام شده – طراحی سیستمهای حسابداری – بودجه بندی سرمایه ای – انتخاب روش حسابداری – ارزیابی اعتبار – ایجاد و برقراری واپایش (کنترل)

    امور مالیاتی : توصیه های مالیاتی – محاسبه مابه التفاوتهای مالیاتی – برنامه‌ریزی مالی شخصی .

تحلیلگران مالی نیز امروزه یکی از استفاده کنندگان سیستم های خبره هستند به هنگام بررسی وضعیت مالی یک شرکت یا مشتری معین، تحلیگران مالی در کنار برداشت خود از داده های مالی، نظر سامانه خبره را نیز به عنوان یک نظر تخصصی مکمل در اختیار دارد و در مواردی که این نظر یا داوری دوم با نظر خود او ناهمسویی داشته باشد می کوشد تا در واکاویهای خود دقت بیشتری به عمل آورده و حتی در مواردی بازبینی کند. سامانه های خبره در مورد بررسی صورتهای مالی شرکت قبل از ارائه به مدیران ارشد بررسی گزارشهای رسیده از شعب یا شرکتهای تابعه شرکت ارزیابی یک شرکت ارزیابی اعتبار مالی فروشندگان و خریداران (طرفهای تجاری ) و در بسیاری از زمینه های دیگر مالی امروز کاربردهای خود را یافته اند.

انواع سامانه های خبره تحلیل مالی

از آنجا که در داوریهای مختلف مالی عملاً هر چهار مرحله فرآیند تصمیم گیری یعنی گردآوری داده ها، انجام واکاوی، کسب بینش مشخص راجع به موضع و بالاخره تصمیم گیری دخالت دارد سامانه های خبره مرتبط با موضوع تحلیل مالی نیز بر پایۀ نوع کمکی که به مراحل مختلف فرآیند تصمیم گیری می کنند به سه قلمرو تقسیم می شوند .

این سه قلمرو عبارتند از :

    کمک به کسب بینش یا بینش آفرین Insight facilitaing

    آسان سازی تصمیم گیری Decision facilitating

    تصمیم سازی Decision Making

سامانه های خبره بینش آفرین

در این نوع سامانه ها، هدف اصلی ارائه پردازش های مربوط به کمک واکاوی نسبتها و نمودار هاست این نسبت ها و نمودارها برای دست اندرکاران تحلیل مالی در ایجاد بینش دقیق تری در مورد وضع مالی و چشم انداز آتی یک موسسه ، یعنی سودمند است با چنین هدفی عملاً مراحل اول و دوم از فرآیند چهار مرحله ای تصمیم گیری به کمک این سامانه ها انجام می شود این نرم‌افزارها را به این دلیل بینش آفرین می خوانیم که هدفشان کمک به کارگزاران و دست اندرکاران مالی برای انجام یک مشاهده بینش آفرین مشخص است بنابر این درجه از کارآزمودگی و تخصص موجود در زمره سامانه های خبره واقعی به حساب آورده نمونه هایی از این قبیل نرم‌افزارها عبارتند از : INsiGht و NEWVIEWS که هر دو عملاً سامانه های جامع حسابداری مشتمل بر تحلیلهای مالی اند یعنی در عین اینکه همه عملیات حسابداری را انجام می دهند. در محیطهای شبیه صفحه گسترده تحلیلهای مالی خود را نیز عرضه می کنند نرم‌افزار شناخته شده دیگر REFLEX نام دارد که ۱۲ نسبت کلیدی را محاسبه کرده و تحلیل و تفسیرهای پیشنهادی خود را نیز ارائه می کند این تحلیلها همراه با ارائه نسبت ها، روندها و نمودارهای مناسب است .

سامانه های خبره آسان کننده تصمیم‌گیری

در این نوع از سامانه های خبره مالی یک پایگاه دانش وجود دارد که ضمن تحلیل نسبتهای مالی می تواند بینشهای خود نسبت به موضوع مورد تحلیل را نیز ارائه دهد و همین امر موجب تمایز آن از سامانه های دسته اول می شود بنابر این در این قبیل سیستمها سه مرحله از چهار مرحله فرآیند تصمیم گیری انجام می شود یک نمونه از این سامانه های خبره « ANSWERS » است.

نکات تاریخی

تا ابتدای دههٔ ۱۹۸۰ (م) کار چندانی در زمینهٔ ساخت و ایجاد سامانه‌های خِبره توسط پژوهش گران هوش مصنوعی صورت نگرفته بود. از آن زمان به بعد، کارهای زیادی در این راستا و در دو حوزهٔ متفاوت ولی مرتبط سامانه‌های کوچک خبره و نیز سامانه‌های بزرگ خبره انجام شده است.

در دهه ۱۹۷۰، ادواردفیگن بام در دانشگاه استانفورد به دنبال کشف روش حل مساله ای بود که خیلی کلی و همه منظوره نباشد . پژوهشگران دریافتند که یک متخصص معمولاً دارای شماری رموز و فوت و فن خاص برای کار خود می باشد و در واقع از مجموعه ای از شگردهای سودمند و قواعد سرانگشتی در کار خود بهره می برد، این یافته مقدمه پیدایش سامانه خبره بود . سامانه خبره با برگرفتن این قواعد سر انگشتی از متخصصین و به تعبیری با تبدیل فرآیند استدلال و تصمیم گیری متخصصین به برنامه‌های رایانه ای می تواند به عنوان ابزار راهنمای تصمیم گیری در اختیار غیرمتخصص و حتی متخصصین کم تجربه قرار گیرد .

هوش مصنوعی: هوش مصنوعی روشی است در جهت هوشمند کردن راایانه تا قادر باشد در هر لحظه تصمیم گیری کرده و اقدام به بررسی یک مسئله نماید. هوش مصنوعی، رایانه را قادر به اندیشیدن می‌کند و روش آموختن انسان را رونوشت برداری می نماید. بنابراین اقدام به جذب اطلاعات جدید جهت بکارگیری در مراحل بعدی می پردازد.

مغز انسان به بخش هایی تقسیم شده است که هر بخش وظیفه خاص خود را جدا از بقیه انجام می دهد. آشفتگی در کار یک بخش تاثیری در دیگر بخشهای مغز نخواهد گذاشت. در برنامه‌های هوش مصنوعی نیز این مسئله رعایت می‌شود درحالی که در برنامه‌های غیر هوش مصنوعی مثل C یا Pascal تغییر در برنامه روی سایر قسمت‌های برنامه و اطلاعات تاثیر دارد.

مباحث کاربردی و مهم در تحقق یک سامانۀ هوش مصنوعی :

    سامانه های خبره (Expert Systems)

    شبکه‌های عصبی (Neural Network)

    الگوریتم‌های ژنتیک (Genetic Algorithms)

    سامانه هایمنطق فازی (Fuzzy Logic Systems)

سامانه های خبره

سامانه های 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 سامانه متخصص رایانه ای در امر میوه تولید چنین گفتگویی است. در حالت عمومی تر سامانۀ متخصص می کوشد که به استفاده کننده از خود در مورد موضوعی که از آن آگاه است راهنمایی دهد.

اگر بخواهیم تعریفی از سامانه های خبره ارایه دهیم می توان گفت « سامانه های خبره برنامه های رایانه ای هستند که با استفاده از قواعد مورد استفاده متخصصین به حل مسایل در زمینه ای خاص می پردازند. وجه تمایز اصلی سامانه های خبره نسبت به برنامه‌های کاربردی گذشته آن است که از استدلال مبتنی بر استنباط و استنتاج استفاده می کند در برنامه های کاربردی معمولی دارای الگوریتم و روش حل مساله ثابتی هستیم اما در روش های شهودی می توان با آزمون و خطا مسایل دشوارتری را حل کرد و به جواب رضایت بخش رسید .

مفهوم سامانه 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 سامانه های پشتیبانی تصمیم شامل برنامه هایی است که بازتاب دهندۀ چگونگی نگرش یک مدیر در حل یک مساله می باشد. یک سامانه خبره، ازطرف دیگر فرصتی برای تصمیم گیری ها پیش می آورد که از قابلیت های مدیر افزون تر است .تمایز دیگر میان سامانۀ خبره و سامانۀ پشتیبانی تصمیم، توانایی سامانۀ خبره در توصیف چگونگی استدلال جهت دستیابی به یک راهکار 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 سامانه پشتیبانی تصمیم استفاده می شود، اصولاً به صورت عددی بوده و برنامه ها، تاکید بر استفاده از روش های ریاضی دارند، لیکن داده هایی که به وسیله سامانه 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.

تفاوت سامانه های خبره با سایر سامانه های اطلاعاتی

سامانه های خبره برخلاف سامانه های اطلاعاتی که بر روی داده‌ها(Data) عمل میکنند، بر دانش (Knowledge) متمرکز شده است. همچنین دریک فرآیند نتیجه‌گیری، قادر به استفاده از انواع مختلف داده‌ها عددی(Digital)، نمادی Symbolic و مقایسه ای (Analog) می‌باشند. یکی دیگر ازمشخصات این سیستم‌ها استفاده از روشهای ابتکاری (Heuristic) به جای‌روشهای الگوریتمی می‌باشد. این توانایی باعث قرار گرفتن دامنۀ گسترده ای از کاربردها در برد عملیاتی سامانه های خبره می‌شود. فرآیندنتیجه‌گیری در سامانه های خبره بر روشهای استقرایی و قیاسی پایه‌گذاری‌شده است. از طرف دیگر این سامانه ها می‌توانند دلایل خود در رسیدن‌به یک نتیجه‌گیری خاص و یا جهت و مسیر حرکت خود به سوی هدف‌را شرح دهند. با توجه به توانایی این سیستم‌ها در کار در شرایط فقدان‌اطلاعات کامل و یا درجات مختلف اطمینان در پاسخ به پرسشهای مطرح‌شده، سامانه های خبره نماد مناسبی برای کار در شرایط عدم اطمینان(Uncertainty) و یا محیطهای چند وجهی می‌باشند.

مدل سیستم خبره

یک مدل سیستم خبره مشتمل بر چهار بخش اصلی است:

    پایگاه دانش (Knowledge Base)

    موتور استنتاج (Inference Engine)

    امکانات توضیح (Explanation Facilities)

    رابط کاربر

پایگاه دانش (Knowledge Base)

محلی است که دانش خبره به صورت کدگذاری شده و قابل فهم برای سیستم ذخیره می شود. با این توصیف دو اصطلاح زیر تعریف می‌شود:

- شیء (Object): منظور از شیء در اینجا نتیجه ای است که با توجه به قوانین مربوط به آن تعریف می گردد.

- شاخص (Attribute): منظور از شاخص یا «صفت» یک کیفیت ویژه است که با توجه به قوانینی که برای آن در نظر گرفته شده است به شما در تعریف شیء یاری می دهد.

بنابراین می توان پایگاه دانش را به صورت لیستی از اشیاء که در آن قوانین و شاخص‌های مربوط به هر شیء نیز ذکر شده است در نظر گرفته شود.

در ساده‌ترین حالت(که در اکثر کاربردها نیز همین حالت بکار می رود) قانونی که به یک شاخص اعمال می‌شود این مطلب را بیان می‌کند که آیا شیء مورد نظر شاخص دارد یا ندارد؟

یک سیستم متخصص که انواع مختلف میوه را شناسایی می‌کند احتمالاً دارای بانک اطلاعاتی به صورت زیر خواهد بود:

شیء قانون شاخص

سیب دارد روی درخت رشد می کند.

دارد گرد است

دارد رنگ قرمز یا زرد است

ندارد در کویر رشد می کند

انگور —- —-

بانک ساده شده بالا، تنها با استفاده از قانون <<دارد>>:

شیء        شاخص هایی که دارد

سیب        رشد روی درخت

سیب        گرد بودن

سیب        رنگ قرمز یا زرد

سیب        رشد نکردن در کویر

به کسی که دانش خبره را به صورت کدگذاری شده در می آورد، مهندس دانش گفته می شود. به طور کلی دانش به صورت عبارات شرطی و قواعد در پایگاه دانش ذخیره می گردد.

موتور استنتاج (Inference Engine)

حتی زمانی که قلمرو دانش را با قوانین نمایش می دهیم، باز هم یک فرد خبره باید مشخص کند که کدام قوانین را برای حل مساله خاصی به کار می برد. علاوه بر این باید مشخص کند که این قوانین را در چه رده ای به کار می برد. به طور مشابه یک سیستم خبره نیاز خواهد داشت تا تصمیم بگیرد که چه قانونی و در چه مورد و رده ای باید برای ارزیابی انتخاب شود.

دستگاه استنتاج در واقع قلب یک سیستم خبره است. یک نظام پیچیده که قواعد استنتاج را که به صورت مجموعه ای از قواعد “اگر … پس …” برای یافتن پاسخ یا قضاوت نهایی به کار می گیرد چیزی که سیستم خبره را سیستم خبره میکند روشی است که این قواعد براساس آن مورد پردازش قرار می گیرند .دستگاه استنتاج برای رسیدن به قضاوت می تواند به دو صورت عمل کند و در واقع از سلسله مراتب قواعد استدلال به دو طریق عبور کند یکی از دو شیوه روش استدلال پیش رو است که از داده ها شروع می کند و به نتیجه می رسد یعنی با درنظر گرفتن داده های مربوط به موضوع مورد سوال از (اگر) ها شروع کرده و به نتایج یا (پس) های مناسب می رسد به عبارت دیگر در زنجیره پیش رو از مقدمات به نتایج می رسیم، روش دوم استنتاج آن است که از نتایج شروع می کند و برای چنان نتایج مشخص به دنبال مقامات یا شرایط اولیه مناسب می گردد به عبارت دیگر نقطه شروع (پس) ها هستند و از آن ها به (اگر) ها دست می یابد. روش اول استنتاج را روش مبتنی بر داده و روش دوم را روش مبتنی بر هدف می خوانند .

امکانات توضیح (Explanation Facilities)

برای نشان دادن مراحل نتیجه گیری سیستم خبره برای یک مساله خاص با واقعیات خاص به زبان قابل فهم برای کاربر به کار می رود. این امکانات این فایده را دارد که کاربر با دیدن مراحل استنتاج اطمینان بیشتری به تصمیم گرفته شده توسط سیستم خواهد داشت. و خبره ای که دانش او وارد پایگاه دانش شده است اطمینان حاصل خواهد کرد که دانش او به صورت صحیح وارد پایگاه دانش شده است.

رابط کاربر

منظور از رابط کاربر، مجموعه ای از تجهیزات و نرم‌افزارها است که به صورت کانال ارتباط کاربر و سیستم خبره عمل می کند یعنی به کاربر امکان ارایه اطلاعات مربوط به مساله مورد نظر را به سیستم می دهد و از طرف دیگر استنتاجات سیستم را در اختیار کاربر می گذارد.

واسط کاربر یک سیستم خبره طبیعتاً باید از قدرت تبادلی بالایی برخوردار باشد تا ساختار تبادل اطلاعات به شکل گفتگوی یک متقاضی و یک انسان خبره صورت گیرد.

مزایای یک سیستم خبره چیست؟

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

مزایای سیستم‌های خبره را می‌توان به صورت زیر دسته‌بندی کرد:

    افزایش قابلیت دسترسی: تجربیات بسیاری از طریق کامپیوتر دراختیار قرار می‌گیرد و به طور ساده‌تر می‌توان گفت یک سیستم خبره، تولید انبوه تجربیات است.

    کاهش‌هزینه:تجربیات بسیاری از طریق کامپیوتر دراختیار قرار می‌گیرد و به طور ساده‌تر می‌توان گفت یک سیستم خبره، تولید انبوه تجربیات است

    کاهش خطر: سیستم خبره می‌تواند در محیط هایی که ممکن است برای انسان سخت و خطرناک باشد نیز بکار رود.

    دائمی بودن: سیستم‌های خبره دائمی و پایدار هستند. به عبارتی مانندانسان‌ها نمی‌میرند و فنا ناپذیرند.

    تجربیات چندگانه: یک سیستم خبره می‌تواند مجموع تجربیات وآگاهی‌های چندین فرد خبره باشد.

    افزایش قابلیت اطمینان: سیستم‌های خبره هیچ وقت خسته و بیمار نمی‌شوند، اعتصاب نمیکنند و یا علیه مدیرشان توطئه نمیکنند، درصورتی که اغلب در افراد خبره چنین حالاتی پدید می‌آید.

    قدرت تبیین (Explanation): یک سیستم خبره می‌تواند مسیر و مراحل استدلالی منتهی شده به نتیجه‌گیری را تشریح نماید. اما افراد خبره اغلب اوقات به دلایل مختلف (خستگی، عدم تمایل و…) نمی‌توانند این عمل را در زمان های تصمیم‌گیری انجام دهند. این قابلیت، اطمینان شما را در مورد صحیح بودن تصمیم‌گیری افزایش می‌دهد.

    پاسخ‌دهی‌سریع:سیستم‌های خبره، سریع و دراسرع وقت جواب می دهند.

    پاسخ‌دهی در همه حالات: در مواقع اضطراری و مورد نیاز، ممکن است یک فرد خبره به خاطر فشار روحی و یا عوامل دیگر، صحیح تصمیم‌گیری نکند ولی سیستم خبره این معایب را ندارد.

    پایگاه تجربه: سیستم خبره می‌تواند همانند یک پایگاه تجربه‌عمل کند وانبوهی از تجربیات را در دسترس قرار دهد.

    آموزش کاربر(Intelligent Tutor): سیستم خبره می‌تواند همانند یک خودآموز هوش عمل کند. بدین صورت که مثال هایی را به سیستم خبره می‌دهند و روش استدلال سیستم را از آن می‌خواهند.

    سهولت انتقال دانش: یکی از مهمترین مزایای سیستم خبره، سهولت انتقال آن به مکان‌های جغرافیایی گوناگون است. این امر برای توسعه کشورهایی که استطاعت خرید دانش متخصصان را ندارند، مهم‌است.

مثال هایی از سیستم‌های خبره تجاری:

تعیین مکان,تعیین مکان هاب,تعیین مکان هاب یا hub location allocation در matlab,تعیین مکان هاب یا hub location allocation در متلب,تعیین مکان هاب یا hub location allocation در مطلب,تغییر اندازه یک ماتریس,تغییر پارامتر,تغییر عبارتهای جبری,تغییر مقیاس محورهای مختصات,تفاوت clustering و طبقه بندی,تفاوت pca و fda,تفاوت خوشه بندی و طبقه بندی,تفکیک زمانی سری های زمانی,تقریب تابع,تقریب سطح,تقسیم بندی تصویر image segmentation,تقسیم بندی متن در latex,تقسیم بندی های متن در latex,تقسیم جمعیت,تکامل latex,تکامل اجتماعی,تکامل تفاضلی,تکامل تفاضلی differential evolution یا de,

    MYCIN : اولین سیستم متخصص موفق جهان بود که در سال ۱۹۷۰ در دانشگاه استنفورد طراحی شد. هدف از ساخت این سیستم کمک به پزشکان در تشخیص بیماری‌های ناشی از باکتری بود. مشکل عمده در تشخیص بیماری برای یک پزشک آن است که تشخیص سریع و قاطع یک بیماری با توجه به تعداد بسیار زیاد بیماری موجود، عملی دشوار است.MYCIN با تشخیص دادن قاطع بیماری‌ها توانست که این نیاز را برآورده سازد.

    PROSPECTOR: یک متخصص در امر زمین‌شناسی است که احتمال وجود رسوبات معدنی در یک ناحیه بخصوص را پیش بینی می کند. این سیستم در سال ۱۹۸۷ توسط «ریچارد دودا» و «پیتر هارد» و «رنه ربو» ساخته شد.

در اوایل دهه ۸۰ سیستم‌های متخصص به بازار عرضه شد که می توانستند مشورت‌های مالیاتی، توصیه‌های بیمه ای و یا قانونی را به استفاده کنندگان خود ارائه دهند.