第三篇資訊管理系統應用實務

第九章 人工智慧與專家系統(人工智慧和專家系統) 第三篇資訊管理系統應用實務

9.1 人工智慧之應用 9.1.1 何謂人工智慧(人工智慧) ◎智慧：狹意的定義「智慧」，就是具有學習的能力，但實際上智慧包含了許多事情，一個過去的經驗或新的局面所產生聯想，結果可被歸納為一個系統化的模組。換言之，當我們遇到一個問題，首先我們會想能快速採用新的方法解決問題，也能夠區分重要和不重要的問題，和決定用何種工具，看它能不能幫助我們解決複雜的狀況。一言以蔽之，智慧就是有能力學習和思考，也可以說是經驗的累積。 ◎人工智慧(Artificial Intelligence，AI)：這個名詞是1956年，Dartmouth大學創造的，擁有智慧的機器能夠幫助人類做所有實體和知識性的工作，使得人類有時間投入再創新的活動。淺顯易見的，AI已經變成電腦科學家、認知科學家和商業學者的研究領域。藉由非商業性組織的努力，也發展出許多商業性的產品，AI已經確實影響商業環境，結合資訊系統和資料庫管理系統，程式利用人工智慧的原理，能提供卓越的資源給高階主管做決策。這些系統能夠廣泛的理解商業條件和可能發生的狀況，結合不同商業因子的關係，程式能夠在第一時間給予一些建議。在本章，我們將描述人工智慧在商業上的應用。

9.1 人工智慧之應用 9.1.2 人工智慧的種類人工智慧的種類包含軟體及硬體，例如：遺傳演算法、類神經網路、專家系統、影像辨視系統、語音辨視系統、模糊邏輯、智慧型代理人、機器人(Robotics)和人工視力(Artificial Vision)，例如：掃描辨識系統，如圖9-1所示。

9.1 人工智慧之應用 圖9-1人工智慧的種類包含軟體及硬體，例如：遺傳演算法、類神經網路、專家系統、影像辦視系統、語音辦視系統、模糊邏輯、智慧型代理人、機器人手臂(資料來源：http:// www.pchome.com.tw圖庫)

9.2 自然語言處理(自然語言處理，NLP) 自然語言處理是被設計用來接收人類的語言輸入，轉換成為電腦能夠執行的標準語法。這個程式能夠剖析語意，根據所提供的內容，轉換成微電腦能夠執行的程式或指令，它的目地允許人類利用自己的語言和程式產生互動，例如：資料庫管理系統(Database Management System，DBMS)和決策支援系統(Decision Support System，DDS)，能夠讓這些使用者免去學習程式語言的困擾。當我們面對問題時，最好能夠利用自然語言來解決，假設你想要某家公司客戶本年度在北部地區，訂單超過二十五萬元的名單，利用人類的語言，我們有幾種方式可以達到我們的要求： ◎列出本年度北部地區訂單，總合超過二十五萬元的客戶姓名和地址。 ◎顯示出本年度本公司的客戶，北部地區訂單總和超過二十五萬元的姓名和地址。 ◎列出本年度訂單超過二十五萬元，且住在北部地區的客戶姓名和地址。 ◎自然語言應用程式能夠將這些句子構文解析，轉換成為結構化查詢語言(Structured Query Language，SQL)的敘述。

9.2 自然語言處理(自然語言處理，NLP) 例如： SELECT NAME, ADDRESS, TEL FROM CLIENT WHERE REGION=”North” AND Y-T-D_ORD>=250000 自然語言處理的目地是免除人類需要學習程式語言，或者利用客製化的命令使電腦能夠了解，它們最大的優點在於結合語音辨識系統裝置，允許使用者命令電腦執行某項任務，而不用接觸鍵盤或其它的輸入裝置。自然語言輸入最大的挑戰，即使本文相同但口氣語音不同時，可能代表的是不同的意義。

9.3　機器人（Robotics） 機器人是用來設計執行有實用性的工作，相對於人類的角色，機器人主要應用在工業上，從事重複性或危險性較高的工作。在自動化的工業，機器人常常被用來焊接、塗漆和鎖螺絲。尤其許多工廠用人工的工作，在1980年後都被機器人所取代。目前為了鼓勵發展機器人，許多學校的機械工程系都設計機器人參加比賽，如圖9-2所示，大學實驗室利用機器手臂來取來進行手術。特別是機器人也可以利用在人們容易受到嚴重傷害的環境，例如警察可以利用搖控機器人，透過電視監視來指導機器人拆除炸彈，更有一些高級的機器人可以藉由嗅覺偵測炸彈，同樣的機器人也可在核能現場執行任務，以避免危害人類的健康和生命。

9.3　機器人（Robotics） 圖9-2大學實驗室利用機器手臂來取來進行手術(資料來源：http://www.cs.wright.edu)

9.3　機器人（Robotics） 除了可以幫助人類執行危險任務，它也可以製作成玩具提供娛樂。目前已有利用人工智慧加入至各種機器裝置，如機器人，機器玩偶和寵物狗。如圖9-3所示，為日本新力公司，推出第二代機器寵物狗，新亮相的機器狗，不但肢體動作更靈活，還具備更多聰明的功能。在功能上，它能夠記住五十個單字，隨著主人的指令前進、後退、坐下或是搖搖尾巴。另外在它的鼻子裡面，裝有小型攝影機，讓它知道前面有東西，不會笨笨地去撞牆，這個攝影機甚至還可以拍照並且儲存起來。此外，它的內部還有日曆功能，能記住主人的生日，並且在當天說出或做出令人驚奇的舉動。有些公司發展機器人提供家庭使用，例如用吸塵器打掃。所有的機器人可以用電腦加以連接，通常機器人需要了解它們的所在及周圍環境，執行程式所要求的功能和提供程式所需要的回饋。甚至於可以利用語音辨識系統，用語音來命令機器人執行任務。

9.3　機器人（Robotics） 圖9-3日本新力公司，推出第二代機器寵物狗(資料來源：www.sony.co.jp)

9.4類神經網路(Neural Network) 同樣是程序規則的集合，更高級的專家系統是利用程式來模擬人類的思考模式，則稱之為類神經網路。它是被設計成模仿人類頭腦思考的方式，和利用經驗來學習了解新事務間彼此的關係。類神經網路可以視為機器學習(Machine Learning)，也就是說，此系統有能力自行更新它自己的知識，從他過去的經驗以應用於未來的判斷。類神經網路是軟體應用程式並和人類的神經系統相似，類神經網路的軟體細胞(Cell)或節點，彼此相互連接形成網路，這網路包括許多層，如圖9-4所示。網路上的節點是被程式轉化成為人類的實體神經網路一般，軟體節點在邏輯上的連接，如同實體一樣連接的方式，如圖9-5所示。

9.4類神經網路(Neural Network) 圖9-4 如圖為人類的神經細胞(資料來源：www.alz.orgbrain_chinese05.asp)。圖9-5 類神經網路。

9.4類神經網路(Neural Network) 當我們思考時，神經在我們體內藉電波脈衝來通訊，產生或結合各方面不同的事實和意見。在類神經網路的應用上，軟體節點被建造就好比神經一般，而節點則在系統的邊界接受信號，一直往內層處理，直到整個系統輸出某問題的解答。不像專家系統，類神經網路系統的學習是經由不斷推展(Propagation)和嘗試錯誤所累積的。由類神經網路系統所設計的知識工程師提供回饋(Feedback)，當作是系統的紀錄，當不斷衍生的數目和回饋的量增加時，這系統就能愈來愈能正確的預估結果。許多類神經網路系統能夠讓使用者從實際的電腦螢幕看到節點的連接，有時候稱之為電線(Wires)，當系統學習時能看到較佳的路徑(Favored Path)，從節點顏色碼的形式，就能得到所要的解答。類神經網路不可思議的學習能力，藉由他們自己不需要明確的軟體結構，曾經誘惑科學家許多年。但在商業應用的實作上，卻是十分的緩慢。事實上，因為在技術上，它是非常困難了解和使用的。

9.5　模糊集合與模糊邏輯（Fuzzy Set and Fuzzy Logic）模糊邏輯的系統規則並不一定限制於「either／or」的選擇，因此，此系統能夠很好的表達曖昧的狀態，更接近人類的思考方式，不再只是絕對的選項。模糊邏輯允許電腦應用程式解決問題時，更像人類的行為。當模糊邏輯被崁入專家系統中，這個系統的結果是模仿人類的自然行為，就像專家來解決問題一樣。事實上，模糊邏輯只是一種分類觀念的理論。它不是一種絕對分離的界線，而是一種延伸的連續。這種觀念是模糊邏輯應用的主要規則，我們稱之為語言變數(Linguistic Variable)，它就像數學變數一樣，語言變數描述名詞時，就相當於一個數字。例如：我們用年紀這個語言變數，我們可以說青少年、中年或者老人，青少年可能就是10~20歲，而中年可能是20~40歲，老年可能是65歲以上，如圖9-6所示。

9.5　模糊集合與模糊邏輯（Fuzzy Set and Fuzzy Logic）圖9-6青少年以10至20歲為主，而中年可能是20至40歲，老年可能是65歲以上。

9.5　模糊集合與模糊邏輯（Fuzzy Set and Fuzzy Logic）模糊的推論利用了二大元素，模糊集合(Fuzzy Set)和模糊邏輯(Fuzzy Logic)，應用在當問題的邊界不是很清楚時候，例如：我覺得現在溫度大概是28度左右。其中的『大概是』的敘述，就是模糊邏輯的應用說法，所以模糊邏輯的敘述，諸如：大概是(Probably)、可能是(May be)、肯定是(Sure)等，以上三種名詞稱為語言變數。日本許多工廠將模糊邏輯加入其製作的微處理器中，例如：冰箱、洗衣機、微波爐。模糊邏輯能夠增進其在市場上的佔有率，因為它能夠幫助消費者更有彈性選擇某些功能，例如：冷氣機，其遙控器有選擇「感覺冷」或「感覺熱」的按鈕，使用者可以依照自己的感覺來選擇。又譬如洗衣機可以依據投入衣服的大約重量，來決定水量及洗衣行程等等。自從模糊邏輯能夠支援決策在不精確(Uncertain)資料的環境，得以應用在資訊導向的行業，例如：金融業、保險業和藥品業。

9.6 遺傳演算法（Genetics Algorithm） • 遺傳演算法是一種數學的功能，它利用達爾文原理或隨機的突變來改善它的應用。遺傳演算法它的功能是被用來設計將實體的環境模擬成為軟體的環境，而只需在數分、數秒之內，觀察其中的變化，就可以了解各項環境變數對結果的影響。例如：實際上發生在自然界要經過數百萬年之久的演化，我們可以利用電腦來預測其結果。在自然界中生物的演進，經由自然的選擇或者基因突變，它們能夠在實際的環境中，成功的生存或者失敗而滅絕，我們只要利用遺傳演算法軟體模擬這個程序，就可以使用電腦在非常短的時間內，產生其最佳化的結果，如圖9-7所示。

9.6 遺傳演算法（Genetics Algorithm） 圖9-7 如圖為遺傳演算法指定如何組合的方式，再破重組或者拋棄。

9.6 遺傳演算法（Genetics Algorithm） • 遺傳演算法是如何來實作的呢？如圖9-8所示。我們首先利用遺傳演算法打破應用程式的元素，變成區段(Segments)，我們稱之為染色體。它們彼此連接著，以一種隨機的方式，用程式化的型式來表示。這些程式不斷的改進和產生更好的因子組合輸出，然後再來改進這些因子的屬性。在短時間內，電腦能夠思考組合和拋棄許多元素。不像類神經網路開始時，我們必需提供一個清楚的候選人(Candidate)清單和學習參數，再經由回饋的分析。而遺傳演算法，在一開始時，它們的工作是先建造一很大的區域，經由巨大量不斷的衍生和嘗試錯誤，進而產生一個可行性的方案，用人類的行為來做可能要經過許多才會有結果。 • 接下來我們將舉一個例子來說明：當奇異電器(GE)設計一個更有效率的波音777客機的噴射引擎風扇時，他必需面對龐大的測試，可以影響引擎風扇的效能和成本，總共有381項，他們利用大型電腦，每秒可以執行數百萬計算的速度來測試每一項可能的組合。GE利用專家系統支援，它提供以規則為基礎的程式執行遺傳演算法，藉由遺傳演算法在一週內就可算出最佳的解答。事實上，這項耗費四十億美元研發的波音777客機，在1995年誕生，它總共有三百萬個零件所組成，而當它飛行時，總共有4,000,000行程式來執行它的各項自動控制功能，包括各式各樣的人工智慧。因此，軟體專家戲稱波音777客機，可以被視為一大堆長了翅膀的整合性軟體系統。

9.6 遺傳演算法（Genetics Algorithm） 圖9-8遺傳演算法的實作步驟(資料來源：http://www.ewh.ieee.org)

9.7　灰色系統理論（Grey System Theory） 在現實的世界中，錯綜複雜，身為人類的我們，對於事物的概念是源自於對該事物的部份信息或部份印象，再經由部份的信息或印象去推測整個事物，但是事實上此事物的真相可能離我們很遠，而且它有可能一直在改變，因此有可能今天的真相是清楚的，但到了明天真相可能被推翻，又會有另一個真相取而代之。正因為這樣，人類的各項研究，對各種事物的了解和探索，是一直在往前邁進，永不停止的。灰色系統理論是由華中理工大學鄧聚龍教授於1982 年提出。許多事物對人類來說不是白色的(一切皆知) ，也不是黑色的(一無所知) ，而是灰色的(半知半解) ，藉由此理論，揭開了人類認識系統本質的面紗，提出了在部分已知的信息中去處理系統問題的思考和解決方案，透過對問題的研究，不斷提高對系統的透明度，減少灰色的部份。。

9.7　灰色系統理論（Grey System Theory） 灰色系統理論主要是針對系統模型之不確定性及資訊之不完整性，進行系統的關聯分析及模型建構，並藉著預測及決策的方法來更清楚系統。灰色系統理論的應用範圍廣泛，主要是對事物的「不確定性」、「多變量輸入」、「離散的數據」及「數據的不完整性」做有效的處理，其研究項目可歸納為：灰生成這是一種就數找數的規律方法，使數據序列變成有規則的序列，希望在一些雜亂無章的數據中，設法將其原有的規律及特性浮現出來。換句話說，我們利用灰生成手段降低數據中的隨機性，並提升其規律性。在灰色理論中常用的生成方法有： (1)累加生成(Accumulated Generating Operation，AGO)：將數據依次累加。 (2)累減生成(Inverse Accumulated Generating Operation，IAGO)：累加生成的反向運算。 (3)插值生成(或局部生成)：又分為差值生成(Interpolating Generating Operation)及均值生成(Mean Value Generating Operation)；主要是在序列為非等距之下，或者序列中排除不適當的數據後，形成空點時，做為其中空缺填補數據。

9.7　灰色系統理論（Grey System Theory） • 灰關聯分析 • 這是在灰色系統理論中分析離散序列間的相關程度的一種測度方法。灰色關聯分析可以在不完全的信息下，對所要分析研究的因素中，找出它們的關聯性。所以灰關聯分析具有少數據及多因素分析的特點。 • 灰建模 • 這是利用生成過的數據建立一組灰差分方程與灰微分方程之模式，稱為灰建模。藉由建立灰色模型，以對系統進行預測，一般可以分成下面幾種： • (1)GM(1,1)：表示一階微分，而輸入變數為一個，一般做預測用。 • (2)GM(1,N)：表示一階微分，而輸入變數為N個，一般做多維關聯分析用。

9.7　灰色系統理論（Grey System Theory） • 灰預測 • 以GM(1,1)模型為基礎對現有數據所進行的預測方法，實際上是藉由灰模對系統的未來狀況作預測。 • 灰決策 • 進行灰預測後，再以預測的結果，進行分析與決策。因為考慮的對策不同而有不同的效果，此時將對策和GM(1,1)模型結合所做的決策稱為灰決策。 • 灰控制 • 傳統的控制上，是利用輸出及輸入間的數據，做成轉移函數而求出所需的增益值，或者利用狀態空間法求出輸入和輸出之間的動態關係。而灰色控制則是通過系統行為數據，尋求發展規律，預測未來的行為，並對系統進行控制的一種方法。 • 灰色系統理論在鄧聚龍教授之提倡後，經各界的推廣下，目前已應用於許多層面，包含金融、股市、廢棄物清運、醫療、軍事武器、影像處理、自動控制、水文、地質、天然災害、交通運輸、電力系統、農林魚牧、水力規劃、氣象變化等方面之預測。國內從事灰色系統理論研究的學者亦為數不少，且已有學會之組織與刊物之發行。

9.8　專家系統（Expert System） 什麼是專家系統？我們給它一個定義，就是模擬專家解決問題的能力。在1950年末1960年初，電腦科學家開始建造用來執行知識性任務的電腦。在那個時候，首先是發展解決針對一般性的問題。他們建造這些機器，模仿人類思考的程序，利用它們來解決任何人類行為可以解決的問題，但這些努力最後是失敗的，因為程式太過於巨大且與事實不符。後來科學家了解他們必須集中在某一特別型態的問題來設計系統，所以用來解決特定領域的問題所設計的程式，藉由專家的知識和推論，這樣的程式，我們稱之為專家系統。最早專家系統的發展是在學校的研究中心，在1965年史丹佛大學發展出DENDRAL，這個程式是用來解決複雜的數理方面的問題。而MACSYMA是麻省理工學院在1969年發展出來的，是為了解決複雜的數學問題。

9.8　專家系統（Expert System） 專家系統的應用範圍主要兩大類，第一類是控制問題及處理，診斷或設計。第二類是指示或規劃，排程及建議。專家系統的目地是複製非結構化和非文件化的專家知識，把它嵌入或配置於系統之中，因為專家系統是一種可將專家的經驗公式化，而以程式的運作來表現。因此專家系統能提供下列優點，如：讓非專家也可以工作，也具決策能力。其次，也可以將工作流程自動化，增進效能。最重要的是，可以保存可能流失的專家知識和經驗。能夠將專家的經驗嵌入系統之中，並建造專家系統的人我們稱之為知識工程師(Knowledge Engineer)，他／她們能將專家的知識轉成程式碼。知識的表示有許多方式，在大部分的系統，最受歡迎的是IF-THEN規則，稍後會特別介紹。另外電腦程式還有兩種方式來表示知識，分別是語意框架(Semantic Frame)和語意網路(Semantic Network)，同樣於後面會討論。

9.8　專家系統（Expert System） 專家系統工具軟體(ES Shell)是用來開發專家系統的工具程式，有些比較受歡迎的工具程式，如VP-EXPERT，NEXPERT和EXSYS。專家系統的研究仍持續進行，如何捕捉和呈現知識，及特別在如何解決非結構化問題的領域，包括遊戲或相關議題。有些遊戲是需要謀略的，像西洋棋。這個遊戲是高度非結構化的環境，因為有太多可移動的棋子及其下一步變化，因此，遊戲者就像專家一樣，選擇最棒的下一步，以便能贏得勝利。在1996年，在IBM的研究下，深藍(Deep Blue)這個電腦程式贏得世界西洋棋電腦冠軍，但仍輸給人類的冠軍。不過在1997年，此程式的加強版本，擊敗Kasparov(人類西洋棋的冠軍盟主)，真正贏得成為世界西洋棋冠軍，如圖9-9所示。 1980年代，是專家系統狂熱的時期，那時候有許多專家系統為了某些特別的用途開發出來。頂尖的資訊系統的管理者認為，專家系統若要被更廣泛的應用，仍需結合更高科技的技術，他們期待專家系統會變成非常受歡迎和流行的資訊系統。

9.8　專家系統（Expert System） 圖9-9深藍與Kasparov的西洋棋比賽 (資料來源：http://www.research.ibm.com/deepblue)

9.8.1　專家系統之貢獻暨應用 為什麼不使用傳統程式？而採用專家系統呢？其實最大的差別是專家系統具有推理的能力。傳統程式著重在重複性的運算和資料處理，專家系統利用演繹(Heuristics)及符號來達成推理的功能。從過去的案例中，專家系統對於組織提供極大的貢獻。雖然發展某些專家系統的成本可以達到數百萬美元或者是更多的，但利益勝過支出。專家系統所衍生龐大的利益是企業部門對專家系統投資的回饋，專家系統會引導員工工作，並約束員工使其注意工作的細節，這樣能提昇員工的工作效率。根據資料的調查，顯示出有許多公司的資訊系統，每年預算有將近USD $250,000是用在專家系統上，以提昇其企業的競爭優勢。我們來看看為何專家系統可以幫助企業提昇競爭優勢，討論如下：

9.8.1　專家系統之貢獻暨應用 ◎決策：專家系統能提供決策支援，就好比有多位專家協助，能提供組織策略武器。 ◎診斷：專家系統可以在不同的條件下，提供有價值的診斷支援。例如：人類生病時的醫生處方籤，工廠的生產線流程控管，工業上動態電腦輔助設計(Dynamic Computer-Aided Design)，電腦硬體的故障排除(Trouble Shooting)或商業上的全方位解決方案(Total Solution)。像有些瑞典著名的公司，例如：Volvo、Saab、ASEA Brown Bovey等都已經發展專家系統，來控制和解決他們專案計劃中所遭遇的問題。 ◎追蹤監視：專家系統可用於追蹤、監視、和企業處理的程序；諸如像現金管理，員工活動，都可藉由專家系統識別，很容易地提供安全防護或預防詐欺，例如：假鈔辨識。 ◎計劃：專家系統利用從先前的專案的資訊，去改進其後來的子計劃。

9.8.1　專家系統之貢獻暨應用 ◎訓練：許多專家系統在某些特定的問題，能夠教導初學者解決問題，使初學者可以輕鬆上線，利用其人工智慧的科技，專家系統也可以經過訓練，以累積經驗。經過訓練的專家系統，能輔助使用者作最終決策，最容易地訓練的方法，就是使用者可以帶專家系統去到自己的工作崗位上。 ◎偶發的學習：當專家系統所面臨的問題，超出其專業知識(Domain Knowledge)時，專家系統也可以用來增強使用者自己的專家知識，和讓使用者自己能作更好的決策。 ◎一致性的解答：許多組織想要他們自己的管理人員或員工，對於他們的決策可以一致行動。例如銀行對於某一客戶的信用評比，當主管和員工的意見是不一致的時候，可能是因為時間點的不同，導致主管和承辦人對擔保品的價值認定不同，專家系統能解決此特定問題，根據每次詢問本系統時，專家系統能根據最新的資訊，核定其信用額度。 ◎即時反應：不像人類的專家顧問可能必須安排時間，而專家系統能隨時提供立即的支援與處理。

9.8.2　專家系統的應用 專家系統在工業實際應用上有許多傑出的表現，例如：電信業，製造業，醫藥業和金融業等等方面，以下為實例探討(Case Study)： ◎命理風水：提供各種線上免費算命之服務，把中國或歐美之古老命理相關學術電腦網路化之精神，並由多位大師之指導與提供相關資料所匯集而成。只要你想了解居住或辦公室的環境對你的影響嗎？或者未來的環境對你是否有利，陽宅安檢可協助你趨吉避凶，無往不利。其它如奇門遁甲，易經卜卦，西洋占星術等等，亦可以將各個命理專家的之事件，構成一專家系統。 ◎信用評價：持有中國信託信用卡的會員利用信用卡消費。很明顯的，零售商與商店老闆並不會與中國信託直接接觸。中國信託利用專家系統來檢查，這個專家系統需要資料類似會計項目，消費的地點位置，與購買的數量。利用這些資訊和他先前的資料庫及其知識庫結合，確定是否接受此次信用額度，立即給予回應。 ◎生產排程：在目前的市場狀況下，我們可以發現大環境的步調不斷的加快，客戶訂單往往伴隨著迅速確認交期的要求，甚至有些客戶訂單會以能否在指定日期交貨為先決條件，已收到的客戶訂單也可能隨時會有調整變動，甚至可能要在既有的工作狀況下插入新訂單，往往因此使公司的作業流程為之紊亂失序。

9.8.2　專家系統的應用 由於傳統的排程做法採取正向推展的思維，以充分利用自身的產能為主要目的，排程結果往往是無法趕上客戶交期，或是提前生產提高成品庫存，因此而積壓大筆資金，不僅如此，在面對插入新單或調整舊單的要求時，無法迅速反映出是否需要加班與材料能否適時供應的問題，所以發展專家系統，主要是考慮JIT(Just In Time)。因此，這些專家利用排程方式，以符合客戶要求交期為主要考量的逆向牽引式排程。以客戶訂單中指定的交期為依據，參考扣除已排工作之後目前所能動用的產能數據(有限產能原則)，先算出最後一個製程的上線與完工時間，然後逆向牽引前一製程的上線與完工時間，以此方式循環算出所有工作的上線與完工時間，若有必要則自動排入加班。並且同步計算所需的材料供應量，因為所有的工作安排都以交貨前數日完成為依據，所以當然不會發生存貨過高導致資金積壓的問題，而且因為電腦計算速度極快，所以又能同時符合快速變化的市場需求，如圖9-10所示。

9.8.2　專家系統的應用 圖9-10 JIT排程之專家系統

9.8.2　專家系統的應用 ◎電話網路的維護：我國之電信研究所使用交換機診斷系統，該專家系統以診斷其電話之交換機，找出其的缺點，並且嘗試修正，以完成障礙排除。本專家系統包含三個部分： □監察者(Monitor) □商議者(Consultant) □預測者(Forecaster) 監察者時常監視中華電信之電話交換機，檢查所有的錯誤。當問題被偵查到時，系統會使用語音或其訊息來提醒交換機之網路專家，專家可以使用商議者的建議，發現錯誤且修理故障。在剛開始使用交換機診斷之專家系統時，就能發現錯誤且完成障礙排除，而這些錯誤通常是少數的高度訓練專家才可達成之任務。預測者是專家系統的第三部份，藉著檢查系統檔案，靠著之前的經驗法則，提供工作人員意見，防止問題再發生。

9.8.2　專家系統的應用 ◎租稅規劃：由於世界各國的稅法並不相同，也十分複雜，因此需要專家的意見來選擇企業政策，以便把支出減至最少。有好幾個稅法的專家系統已經為此目的而發展，例如，所得稅與贈予稅規劃的問題。系統被推崇的程度，以能夠把稅金減至最少，或是把各別的稅轉嫁到最後而自動免除。財經顧問使用稅務諮詢系統來獲得客觀的意見，包括在計劃上、產品上、合併案上與獲得知識。這樣的系統提供有關於公司的資訊，系統也評估如何提案執行，在當稅法改變或是其他因素衝擊稅法本身時，也能夠即時轉換。由於在美國聯邦政府與各州的稅法非常複雜，目前在美國較常用的是TaxIQ，這套系統是由Coopers與Lybland所發展的，當企業在準備資產負債表時，這套系統可提供意見，或是指引查帳員及稅務專家，可以確認幾個重要關鍵決策制定，如：稅務規劃、稅務依據與稅務的服務。在國內也有人提供此類之專家系統，加上財經法規方面之資料庫檢索，如圖9-11所示。

9.8.2　專家系統的應用 圖9-11稅法財經之專家系統(資料來源：http://richmall.yam.com/newrich/about_ours/about_ours.asp)

9.8.2　專家系統的應用 ◎醫學的診斷：從以前到現在，醫學都是屬於非結構化的領域。所以很多早期的專家系統，都是發展來幫助醫生診斷症狀和提供治療的建議。Iliad，CADUCEUS，A.D.A.M和PUFF都是醫學的專家系統。其中Iliad是一個專業醫學軟體，它的功能包括以下功能應用，如圖9-12所示。 □提供世界各地的醫生及醫學界的專業人士作病人模擬的診斷分析、練習和測驗。 □包含930種疾病及1,500種症狀，並針對每一個疾病及症狀提供治療的實施計劃，每個診斷亦包含國際通用疾病編碼。 □超過11,900種疾病的範例，包括內科、小兒科、皮膚科、精神醫學、婦產科、神經末梢血管疾病、睡眠失調..等範例顯示。 □能提供您專業顧問的分析診斷，或是給您一個評估診斷的參考。本軟體附有種不同的模擬病患，可幫助您作特別的練習和測驗。

9.8.2　專家系統的應用 圖9-12醫學診斷及教學之專家系統(資料來源：http://easydiagnosis.com/)

9.8.2　專家系統的應用 最近有些醫學系統，則都包含使用儀器來連結到病人的身體，和輸入有關於病人的狀態，然後再藉由專家系統去分析是何種疾病。除連接儀器外，很多的系統也都包含整合性的類神經網路(Neural Network)，就像有一種軍事系統用在識別敵軍的各式武器，例如：坦克和大砲，或是描繪出地形狀態。同樣的道理，有些醫療的專家系統可以使用圖形來辨識和分析腫瘤，再經由X射線取樣之癌細胞和肺腫瘤，經由類神經網路電腦去辨認兩者的不同。然而這個系統不會取代醫療專家，但會有效地幫助他們診斷癌症的病情。

9.8.2　專家系統的應用 ◎礦石探測：PROSPECTOR系統，是一般專家系統判定是否應該要繼續鑽探礦石時使用的。例如：當探測礦石時，用土壤樣本的成份來測定是否有足夠的沉積物，以證明是否要繼續鑽探。假設掘到沉積物的機會需要輸入高度的經驗和昂貴的機器，PROSPECTOR系統將篩選土壤的成份當作輸入值，並以專家知識為基礎，找尋相似的沉積物。使用這個系統，只需要較少的經驗與較便宜的機器即可分析土壤的樣本了，其餘較昂貴的部份就交給專家系統吧!

9.8.2　專家系統的應用 ◎內部秘密交易的追查：台灣的證券交易所像美國證券交易所(AMEX)機構一樣，擁有特殊的部門，在其監督下來防止出現秘密交易。內部交易泛指證券買賣來自公司內部，而非從大眾，平面或數位媒體取得資訊。這項業務嚴重地違反政府法令，為了查明內部交易，部門會從好幾個來源來接收訊息，從不尋常的交易活動中，使用這些資訊來判定，這些證券是否須要接受調查。藉由使用專家系統的分析，進入記錄證券交易的資料庫，和選擇某一段時間作調查，這個系統將會提出問題，調查員則由資料來回答，這些問題是有系統的陳述，並且是由過去專家的調查經驗反應出來，當調查員回答全部的問題後，系統會提供兩種判斷，在未來調查是否有內線交易，被證明的機率很大、亦或是相反。

9.8.2　專家系統的應用 ◎學生的課程選擇：從過去經驗顯示，如果有好的建議系統和提供準確的課程資訊，能減少肄業的學生。但是提供適合課程的建議，是蠻耗費時間和金錢，特別是大學有很多轉學生(這裡指美國的狀況)，且學生有工作，而需在其他時間上課，California大學發展出專家系統去幫助學生作需要的建議。這個專家系統，由學生執行操作，來追蹤學生的興趣，他們的排程表，和他們已修的學分，不管在校內或校外的。分析這些資訊，存取系上的和大學的資料庫，取得學習動機和個人興趣。這個系統能建議一系列的課程，來幫助學生計劃排程，讓他們能在最短的時間內畢業。所以學生可以選擇最適合的課程，當這個系統能提供額外的服務給學生時，也能節省學校的人力資源。

9.8.2　專家系統的應用 ◎台灣水庫預警系統：由於台灣的雨量多集中於梅雨季節和颱風季節，而在河川的下游市人口聚集的都市，此外上游是山區，一下雨河水會立即暴漲，因此工研院水資源研究所發展水庫預警之專家系統，根據雨量、風向及降雨地區的資料，來協助水庫洩洪的時機和出水量，避免山洪爆發，水庫無法承受，造成水災。其它專家系統，在台灣包括政府或商界都有，例如：財政部的營所稅稽核專家系統，空軍的兵棋系統，中國鋼鐵之高爐監控系統，以及漢祥航空工業之飛機引擎診斷系統和飛行控制系統等等。在學術界如警察大學之高速公路閘道管制系統等等，都是利用專家系統來協助人員管理、稽核、控制、發展及訓練等工作。

9.8.3　專家系統之構建 專家系統是人工智慧眾多型態中最主要的，因為專家系統是被設計成用在高度非結構化的領域，諸如內科醫藥、投資股票、節稅計劃、求數學的近似值、工程、物理、金融分析和會計、和其他專業領域。不需要人類的專家，專家系統就可以提供專家的決策。因此在發展專家系統時，必須找到你所信賴的專家，並將他們的知識崁入專家系統中。專家知識(Expertise)指的是技巧(Skill)和知識(Knowledge)，主要是從以往的經驗所獲得。專家知識通常含有大量的事實資訊，根據經驗獲得最有效的作法，而這些專家知識是從很多的試驗和累積錯誤的經驗得到的，因此專家在處理此問題時，可以很技巧地避免錯誤發生，而且更有效率來處理。碰到一些沒處理過的問題時，也可以應用大量的規則，給你一些啟發性的思考，用來解決問題。證明知識不只是可經由經驗獲得，也可以經由知識和其它經驗來獲得。對於不同種類的問題，經由分類，衍生和分析，產生答案。假設你的車子故障，發出一種奇怪的聲音。經由專家系統機器的判斷，可能認為是水箱破裂，這或許不是正確的診斷，但經過許多次的推論和嘗試錯誤，專家系統啟發性的公式能引導系統下次作正確的診斷。

9.8.4　專家系統之組成元件 專家系統包含三個元件：如圖9-13所示 ◎介面(Interface)或對話管理員(Dialog Management)：使用者和系統間的互動(Interaction)很容易，就像決策支援系統一樣，對話管理員模組提示使用者有條理的輸入，當成決策所需的參數。 ◎知識庫(Knowledge Base)：能夠提供輸入到這個系統中儲存起來的事實和其他相關的事實的集合，所構成的資料庫稱之。在知識庫中，有許多不同種的方法來表示知識。 ◎推論引擎(Inference Engine)：它是一種程式，能結合使用者所供給的資料和規則的集合，來推論其答案和解釋如何推論到答案。推論引擎藉由使用者輸入對話管理員的資料，和結合知識庫內的專家知識來產生解答，一個決策或一段對話。

9.8.4　專家系統的應用 圖9-13專家系統的三元件：對話管理員、知識庫、推論引擎。

9.8.5　專家系統之知識表示方式（Knowledge Representation）決策支援系統利用的是資料庫(Database)，而專家系統所用的是知識庫(Knowledge Base)。知識庫包含如下：電腦可讀的形式、事實、或結合其關係和可信賴的專家經驗。在知識庫中，有多種的方法來組織知識。 ◎If-Then Rule：又稱程序法則(Production Rules)，是最普遍的知識表示法，有超過70%的專家系統都採用此法來建構知識庫。用一個簡單的例子，利用知識庫來分辨動物的種類，我們用If-Then的敘述：「If it has 4 legs, and if it has a tail, and if it moos, then it is a cow」知識庫有像這樣的規則成千上萬條。現在我們利用專家系統來幫助我們分辨動物的種類，如圖9-14所示。首先，對話管理模式會先要求我們輸入此動物有幾條腿，然後問我們是否有尾巴，然後它可以列出多種聲音，並要求我們選擇其一，或者要求我們描述其聲音，再我們一一回答問題之後，推論引擎根據其THEN來推論，對話框輸出其答案是「The animal is a cow.」。當然使用者也可以輸入其主要項目都相同，而僅有聲音一項不同，這推論引擎根據知識庫所得的答案是虎。IF 的敘述是上述狀況，然而，其結果是需要推論的。

9.8.5　專家系統之知識表示方式（Knowledge Representation）圖9-14牛與虎的推論。

9.8.5　專家系統之知識表示方式（Knowledge Representation） ◎語法網路(Semantic Nets)：語意模型是1970年代末期和1980年代初期的一項主要的研究主題，這項研究的動機如下：一般而言，不管資料庫系統是關連式或非關連式，對資料庫內的資料意義了解非常有限，系統只『了解』某些簡單完整性限制，但是對其他的資料卻幾乎不了解，也就是說將複雜的解釋全部留給使用者來理解。如果專家系統能夠了解更多的資訊，則和使用者交談時就可以具有一些智慧，進而能提供比較高階的使用者介面。例如：如果我們能讓電腦了解原料的重量和或供貨的數量之間是不同的，也就是說，雖然這兩種資料都是數值型態，但在語意上卻不一樣。所以，如果以原料重量和供貨數量來做加總的運算，即使這樣不被拒絕，但是至少電腦能提出警告給使用者，認為這種方式是不合理的。當然，定義域的觀念和上述例子有密切的關係，它說明了目前的資料模型，並非完全沒有語意層面。語意模型化的觀念對於專家系統的資料庫設計會有幫助，語意模型化觀念有助於針對專家資料庫之設計上的應用。知識用物件(Object)的形式來儲存，和他們之間的關係也是，這樣我們稱之為語法網路(Semantic Nets)。因為當他們繪製成為圖表時，知識庫就像有盒子的網路，如圖9-15所示，盒子就是一個物件或屬性(Attributes)，盒子間的連線代表其屬性或關係。用同樣的例子，我們提供的屬性有哺乳類動物，有皮毛，四條腿，和哞聲，只有牛滿足所有的條件及關係，如圖9-16所示。

第三篇 資訊管理系統應用實務