تحلیلی بر معماری، بازنمایی دانش و استنتاج در سامانه های خبره دریایی

سامانه های خبره به عنوان یکی از اولین و در عین حال پایدارترین شاخه های هوش مصنوعی، در حوزه دریایی جایگاهی متمایز دارند. برخلاف مدل های یادگیری عمیق که به داده های عظیم برچسب خورده وابسته اند، سامانه های خبره بر دانش صریح متخصصان انسانی استوارند و در شرایطی که داده کافی وجود ندارد یا تصمیم گیری باید قابل تفسیر و قابل ردیابی باشد، مزیت خود را نشان می دهند. این مقاله با رویکردی ساختارمحور، به مرور معماری، روش های بازنمایی دانش و مکانیزم های استنتاج در سامانه های خبره دریایی می پردازد. ابتدا مبانی نظری و تفاوت های بنیادین سامانه های خبره با یادگیری ماشین تبیین می شود. سپس چهار محور کاربردی اصلی شامل پشتیبانی تصمیم ناوبری، اجتناب از برخورد مبتنی بر COLREGs، تشخیص خرابی تجهیزات دریایی و ارزیابی ریسک مورد بررسی قرار می گیرد. در ادامه، چالش های بنیادین نظیر استخراج دانش، نگهداری پایگاه دانش، عدم قطعیت و یکپارچگی با سامانه های مدرن بررسی می شود. نتیجه اصلی مقاله آن است که سامانه های خبره دریایی، به جای جایگزینی با یادگیری عمیق، در ترکیب با آن به یک پارادایم ترکیبی کارآمد تبدیل شده اند که هم زمان از قدرت تعمیم مدل های داده محور و شفافیت استدلال نمادین بهره می برد.

کلیدواژه ها:

سامانه خبره دریایی ، پایگاه دانش ، موتور استنتاج ، منطق فازی ، تشخیص خرابی