第三篇 資訊管理系統應用實務

11

第三篇 資訊管理系統第三篇 資訊管理系統應用實務應用實務

第九章 人工智慧與專家系統 ( 人工智慧和專家系統 )

22

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。

33

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。

44

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 )

55

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。

66

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。

77

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。

88

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)

99

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。

1010

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)

1111

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。

1212

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。

1313

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。

1414

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。

1515

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。

1616

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。

1717

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。

1818

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。

1919

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。

2020

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)

2121

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。。

2222

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。

2323

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。

2424

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。

2525

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。

2626

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。

2727

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。

2828

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)

2929

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：

3030

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。

3131

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。

3232

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。

3333

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。

3434

9.8.2 　專家系統的應用

圖 9-10 JIT排程之專家系統

3535

◎ 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

3636

◎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

3737

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)

3838

◎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

3939

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/)

4040

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

4141

◎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

4242

◎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

4343

◎ 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

4444

◎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。

9.8.2 　專家系統的應用

4545

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。

4646

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。

4747

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。

4848

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。

4949

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。

5050

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。

5151

9.8.5 　專家系統之知識表示方式（ Knowledge Representation ）

圖 9-15 　如圖為語法網路，其盒子是一個物件（或屬性），盒子間的連線代表其屬性或關係。

5252

9.8.5 　專家系統之知識表示方式（ Knowledge Representation ）

圖 9-16框架描述有皮毛、四條腿、 MOO ，只有牛滿足所有修件與關係。

5353

9.8.5 　專家系統之知識表示方式（ Knowledge Representation◎框架 (Frames) ：知識利用表格的方式來組織所有的事實，稱之為框架。一個表格代表一個個體 (Entity) ，包含此個體的所有屬性 (Attributes) 。例如：狗這項個體，其屬性包括哺乳類動物，有皮毛，四條腿，和吠聲等等。當詢問時，推論引擎就會搜尋本表，條件滿足所提供的資訊時，就會顯示本表格，或稱為框架的個體或事件。◎ 知識工程師 (Knowledge Engineer) ：知識工程師，特別是指發展專家系統的程式設計人員，他能和專家探討交涉，有技巧的詢問專家適當的問題且將其答案轉換至知識庫中。很有趣的，但不用驚訝，許多成功的知識工程師是有名的心理教育工作者，這樣的背景使知識工程師和他合作的專家，在幫助人類工作時，能提供所有的知識及資訊。也是就說，知識工程師必須具備有良好的溝通技巧和驚人的耐力。例如，當一位機械技師描述他如何從引擎的聲音不同，來判定為哪裡故障，根據他的經驗的印象來解釋哪裡故障了。很清楚的，那並不容易逐步解釋這個事實，和把這些連接在一起。 不用詫異，有些專家系統已經很多年了。例如： Caduceus ，醫藥的內科診斷專家系統，是由世界有名的內科醫生和素有聲望的知識工程師兩位的努力，這個系統的知識庫超過 5,000 條的 IF-THEN 的規則，而且這幾年來，不斷的重新編譯和再組織。

5454

9.8.6 　專家系統之限制雖然使用專家系統能夠節省資源，但也有限制，時間和研究成果能克服這些限制。即使如使，專家系統仍包含這些限制，也就是說，專家系統必須限制在一個狹小的範圍內，因為早期想要開發一個解決一般性問題的專家系統，卻不幸的失敗了。所以將專家系統的範圍限定在一個狹小的領域內，那麼專家系統就可以做的很好。 MYCIN ，第一個成功的醫學專家系統，只包括細菌的疾病。 CADUCEUS ，另一個醫學專家系統，是內科診斷用的。 很可惜，專家系統不能處理常識，僅能處理有關於知識的問題，因為專家系統不能組織需要常識的問題，這個系統只能處理這些用特定程序才能解決的問題。專家系統的學習能力有限制，即使當類神經網路在機器學習的領域上跨進一大步，電腦學習能力仍有限制。因此必須使知識工程能幫助系統提供重覆和回饋的資訊，使系統來自己學習。我們期待科學家構建能快速學習的專家系統，並提供自我學習知識的能力。 這些專家系統的限制，使喜歡冒險的資本家在幾年後熱情越來越減緩，在1990 年代，專家系統發展的速度越來越緩慢。無論如何，專家系統在企業、醫學、科學的潛在價值再次被確認，專家系統面對的是美好的未來。9.8.7 　向前推論（ Forward Chaining ）與向後推論（ Backward Chaining ）假如專家系統必須被發展來具有向前推論與向後推論的功能時，首先把決定看作橫切面的決策樹，對於每一個交叉點，你必須找尋到最好的路徑。◎ 問題的解決不是瑣碎的。瑣碎的問題可以被初學者所解決，而沒有太大的幫助。◎ 這個問題的範圍必須是非常廣泛且無系統化，但是它需要專家的智慧。◎某問題會時常發生。◎ 專家必須建立可以使用的專家系統。

5555

9.8.7 　向前推論（ Forward Chaining ）與向後推論（ Backward Chaining ）專家系統解答問題時，需要輸入某些數值來作為推論的參數，再利用系統的推論引擎來產生結果輸出。假如系統已經被賦予一個目標及請求的狀況，向前推論可以帶來大約合適的結果，而向後推論則是處理程序或者是目標趨向的程序。舉例說明：假如有一個投資者決定去投資 $100,000 使用在年度政府債卷上，向前推論將會預報一年的收益利潤有 5％。若投資者想要去賺得至少 20％的年度收益，向後推論將建議投資者投資科技類股。 假如專家系統必須被發展來具有向前推論與向後推論的功能時，首先把決定看作橫切面的決策樹，對於每一個交叉點，你必須找尋到最好的路徑。在同樣的決策樹從一個已知的環境區域，去往結果方向移動是向前推論，或從一個目標直接向後推論。當然，許多專家系統的程式架構就如同專家所慣用的方式，都是建立在向前推論與向後推論上。

5656

9.8.7 　向前推論（ Forward Chaining ）與向後推論（ Backward Chaining ）假使當一個人只會盲目的使用專家系統時，僅提供某些資訊讓專家系統作決策，大部分的人們會想要了解，系統是如何接近問題的。所以，假如專家系統要求確實的資料時，會在一些詢問的問題上作相同的處理，要求使用者必須了解需求或狀況，以便向後推論。也就是說，當系統到達某一階段時，會導出先前的階段情況，並呈現目前的結果來說明之。專家系統的要素，提供充分根據來獲得結果專家系統已經具有學習的能力，而且會呈現出來。專家系統會有意義的改善組織的決策。事實上，這就是專家系統的主要功能，可以在公司企業中為技術專家服務，並且很容易培養及訓練新進的員工。學習就好比論證，初學者在工作中使用專家系統，會將專家系統知識庫內的知識融會貫通，而成為自己的知識，如此更加速他／她們的學習。若要發展建構一個專家系統時，有一些因素需要注意：◎ 問題的解決不是瑣碎的。瑣碎的問題可以被初學者所解決，而沒有太大的幫助。◎ 這個問題的範圍必須是非常廣泛且無系統化，但是它需要專家的智慧。◎某問題會時常發生。◎ 專家必須建立可以使用的專家系統。

5757

9.8.7 　向前推論（ Forward Chaining ）與向後推論（ Backward Chaining ）專家系統的發展是需要專家貢獻他長時間累積的知識與技術，而這些時間是昂貴的，並且不是所有的東西，都可以利用的在專家系統上。早期的專家系統的發展，都使用某些特殊的程式語言，這些程式語言是為了人工智慧的應用特別設計的，如： LISP， KEE( 知識技術環境 )， PROLOG等等。當一些專家系統使用這些語言建構，而這些程式語言也提供知識工程師使用它們所提供的開發介面，協助程式人員發展建立一個專家系統。專家系統之開發介面會詢問發展人員，對於事實描述及結合他們之間的事，這些資訊會構成知識庫的一部份。有些程式語言提供專家系統開發介面，使新進人員能夠發展他們自己的專家系統。大多數的專家系統開發介面是使用 IF-THEN 法則。開發介面顯示文字 IF 在螢幕上，並且讓發展人員能很容易進入狀況。當發展人員完成後，開發介面會顯示文字 THEN ，來促使發展人員繼續提供推論。當發展人員提供各種狀況及推論結果(THEN陳述 ) ，程式就建立一個知識庫與推論引擎。 開發介面對於龐大與複雜的專家系統並不適當，通常它們被專家使用來建立小規模的系統。對於初學者之訓練，即使沒有專業的知識專家來參與設計亦可。大部分的專家系統開發介面的程式可分為三種，例如： VP-Expert， NEXPERT和 EXSYS等。

5858

9.9 　分散式專家系統（ Distributed Expert ）9.9.1 　何謂分散式人工智慧所謂分散式人工智慧 (Distributed Artificial Intelligent， DAI) 是人工智慧非常重要的研究領域，傳統的方法是利用單獨的 AI 展現它強大的能力解決某一領域的問題，但由於通訊科技的發達，可以藉著分散不同位置 AI 系統的互動 (Interacting) 能力，完成某一特定的任務。一般來說， DAI 系統包含許多多重處理程序的節點，和每一個節點有一個或者多個專家系統，解決問題時， DAI 系統的觀點會先精確地反覆一些處理，這些處理包括分解問題，解決問題核心的子問題，和結果的合成。 解決問題盡量是以及時 (Real-Time) 的方式反應，以及增進可靠度(Reliability) 和彈性 (Flexibility) ，和降低處理的成本。專家系統為人工智慧之重要分支，隨著分散式作業系統之普及，分散式專家系統成為分散式人工智慧之重要分支。

5959

9.9 　分散式專家系統（ Distributed Expert ）9.9.1 　何謂分散式人工智慧解決問題時首先要根據分散式的環境，先建立問題解決的階層(Hierarchy) 。而所謂的分散式的環境是規劃的內部節點通訊的程序。DAI 系統是一個動態自我組織 (Self-Organized) 的系統，和能夠藉著操作資訊的獲得最佳化來改善執行效率，而操作資訊獲得的最佳化是從某些問題解決的程序所得知的。 這些節點架構主要的元件是專家知識所轉變的知識 (Meta-Knowledge) 資料庫，從分散式環境中每個節點的專家系統的知識庫所提供，而這知識是從它們解決問題的過程逐漸累積而成。每一個節點也包括動態規劃的能力，能指導解決問題的程序給最有希望能直接解決問題的專家系統，或評估資訊。焦點是在於控制限制探索解決問題空間的大小，同時減少它通訊頻寬的需求。例如：數位邏輯設計的領域是被證實系統操作時，結果必須很明確的降低任務(Tasks)執行的數目和減少通訊的信息。

6060

9.10 　智慧型代理人（ Intelligent Agent， IA ） 9.10.1 　何謂智慧型代理人（ IA ）在人工智慧領域最後發展的是智慧型代理人，它是一種電腦程式，能夠自動的從巨大的資料中選擇出有用的資料，和傳送更適合的資訊給最終的使用者。更先進智慧型代理人能夠經由網路的電腦執行某些作業，諸如尋找購買的訂單。智慧型代理人在網際網路上的應用，包括能建構智慧型教學系統，或者和消費者或和廠商能夠進行線上議價， IA 包括能溝通 (Communicate) 、合作 (Cooperate) 、協商 (Negotiate) 和衝突解決 (Conflict Resolution) ，透由網際網路能夠藉由電子的方式購買物品、服務或資訊。 我們必須注意的是智慧型代理人不像專家系統，僅利用專家在某一狹窄領域做決策，相反地，它是被期待來執行廣大系列的任務。 IA最主要的目地是快速地分派任務，比人類的行為更有效率(Effectiveness) 和效能 (Efficiency) 。最近幾年在人工智慧領域發展而提出的智慧型代理人，乃是透過電腦程式自動地處理大量資料的選擇，幫忙排序和過濾收到的資料流，而自動地整理成可管理的高價值資訊，傳送給此系統使用者。

6161

9.10.2 學者對智慧型代理人下了一個明確的定義Sycara等認為智慧型代理人是一套電腦程式，它可以協助人類使用者，執行費力的資訊收集工作，包括線上不同資訊來源之尋找與存取、資訊不一致性的重新解答、不相關與多餘資訊的過濾、龐雜資訊來源的資訊整合以及隨著時間來調適使用者需求等。 Wooldridge與 Jennings 認為：「代理人是一個電腦系統，被置於某個環境中。它具有彈性及自主性的能力，以期達成所設定的目標。」在此定義中，也有學者根據其環境(Situation) 、自主性 (Autonomy) 與彈性 (Flexibility) 三個主要概念逐一討論。

6262

9.10.2 學者對智慧型代理人的定義◎ 環境：表示當代理人從其環境中接收到輸入資料時，該代理人會利用一些方法，執行一些活動來改變這個環境。以機器人為例，當系統要求一機器人從 A點移動至 B點，機器人會根據電腦所給予的資料，排除或設法略過 A、 B點中間的障礙，而達成移動至 B點的目標。 ◎ 自主性：在系統運作中，不需人力直接干涉，而能控制自己的行為，這就是代理人的「自動性」，更甚者，系統可以從經驗中自動學習。符合此特性的系統有自動調溫器，能即時監控環境的變化，當環境改變時產生調整環境的動作。但上述的系統並不能稱之為 Agent ，因它們並沒有為達到所設定目標的彈性行動能力。 ◎彈性：代理人應能感知所處的環境，並適時地反應以改變所處環境，並且能主動地表現其目標導向行為，在適當的時機展現其進取心，以及和其他代理人互動，以幫助完成各自或共同的問題解決，這就是代理人的「彈性」。也就是使用者事先通知代理人即將被執行的動作或是將完成的工作，當代理人接受這些要求，就代表使用者去執行這些工作。例如：代理人會比較網路商店上同類產品的價格，再將資訊回饋給使用者。

6363

9.10.2 學者對智慧型代理人的定義因此我們可以指出，智慧型代理人不只是程式化與被限制在狹隘領域中，它能取代人工，正確、快速且有效率地執行複雜的工作。智慧型代理人擁有彼此溝通、合作、談判、衝突解決等特性。目前對於代理人的定義仍諸多分歧，依其特性的強弱，將其區分為二。特性較弱的定義為：a. 自主性 (Autonomy) ：代理人程式必須能夠自我控制、運作。b. 自發性 (Pro-activeness) ：代理人應該有自己的動機及目標。c.反應 (Reactivity) ：代理人要對環境的變化有所反應。d.溝通 (Social Ability) ：代理人可以和其他代理器溝通。除了上述定義外，有些更高級的智慧型代理人還需具備人類的心智活動，例如：知識 (Knowledge) 、認知 (Belief) 、意圖 (Intention) 、情感 (Emotion) 。一個智慧型代理人就是一個電腦軟體，透過感應器 (Sensor) 去認知它所在的環境，學習並更新自己的知識(Knowledge) ，透過作用器 (Effectors)對環境做出合理的回應，並依循自己的知識，主動的去幫助人們或是其他的 Agents ，達到一個特定的目標。

6464

9.10.2 學者對智慧型代理人的定義Shoham 利用物件導向程式設計 (Object-Oriented Programming， OOP) 的觀念，與代理導向程式設計(Agent-Oriented Programming， AOP) 作比較，分辨其間的異同之比較，如圖 9-17 所示。從專家系統的案例中來比較兩者不同，智慧型代理人搜尋的範圍勝過專家系統，因為 IA 可以主動地 (Proactively)透過網際網路來搜尋相關資源，以解決問題。在未來 IA不僅是一種發展的技術挑戰，更是社會和倫理的議題，諸如誰應該被控制，是人類的行為還是程式呢？將再度引發資訊科技對人類社會規範的衝擊。

6565

9.10.2 學者對智慧型代理人的定義

圖 9-17物件導向程式設計 OOP與代理人導向程式設計的比較

6666

前面我們談了很多有關專家系統的設計與案例，接下來我們來看看人工智慧很重要的另一個領域，分散式人工智慧的延伸－智慧型代理人。因此，對於未來，將智慧型代理人之溝通、合作等特性應用在電子商務之線上交易系統，智慧型代理人將是一個重要的課題，我們特別提出來討論。 9.11.1 　智慧型代理人分析與設計我們分析智慧型代理人所形成的社會型態可區分為兩種，一種為單一智慧型代理系統體 (Single-Agent System， SAS) ，另一種為多重智慧型代理系統體 (Multi-Agent System，MAS) 。SAS 是一種採用中央集權式的代理人系統，整個系統中只有一個代理人。這種系統通常是應用在小規模的區域網路或個人工作環境中。而MAS 是一種採用分散式架構的代理人系統，整個系統包含了兩個以上的代理人，每個代理人皆必須負責其特定任務與功用，並具有互相溝通的特性，共同完成任務。此種系統適合應用在多人操作的網路環境或大型分散式網路 ( 例如：Internet) 上。 SAS與MAS 的優點與限制，如圖 9-18 所示。

9.11 　專家系統 V.S. 智慧型代理人分析與設計

6767

圖 9-18 　如圖為單一智慧系統代理軟體 SAS 與多重智慧系統代理軟體之優點與限制。

9.11.1 　智慧型代理人分析與設計

6868

9.11.2 　智慧型代理人相關研究一般而言，為使代理人在不同策略中，做最佳選擇及規劃事件的能力，有三種方法可用來訓練代理人推理能力的方法。第一種方法為事先寫好決定代理人必須採取行動的命令，亦即以規則為基礎的方式 (Rule-based Approach) 。其次為以知識為基礎的方法 (Knowledge-based Approach) ，利用專家編撰大量資訊，再將資料提供給代理人演繹出適當行為。最後一種則為學習的方法 (Learning Approach) ，使代理人一邊做事一邊學習，收集過去的統計資料並吸收新知識，以使代理人學習未來的行動。 目前已有國外學者利用智慧型代理人機制應用於網路消費行為，亦即建立一可於網路漫遊的智慧型交易代理人架構，使用者將需求列於一張表，啟動代理人機制，代理人漫遊於網路中，收集商業相關資料，根據使用者需求，將最符合使用者需求的產品記錄下來，並自動代替使用者訂購此項產品。

6969

9.11.2 　智慧型代理人相關研究就國內對智慧型代理人研究來說，幾乎全是在網際網路之平台上運作，以決策支援系統為例，提供決策支援服務之代理人在使用者輸入所欲尋找的特定商品廠商服務資料後，即提供該使用者關於符合條件廠商的排序、可用資源、距離遠近等資料。另外，亦有研究針對使用者電腦之代理伺服器 (Proxy Server)中，發展個人化代理人程式，在使用者不需改變原有使用瀏覽器以及程式發展者不需改變原有網際網路協定之情況下，可以輔助使用者快速搜尋產品。此外，其他如利用智慧型代理人進行論文檢索系統之資料庫設計等研究。 由於網路購物流程，包括商品瀏覽、訂購、付款、交貨等交易處理功能，但較複雜的互動式及多方參與，且涉及線上支付的商業交易處理流程，則需包括產品搜尋及發現、評比及條件協商、確定及訂購、付款授權、交貨、交易完成及轉帳 (Settlement and Fund Transfer) 、售後服務及爭議處理等主要階段。因此，藉由智慧型代理人定義與特性之闡述，以及目前國內外學術界應用智慧型代理人相關研究之描述，期望藉以智慧型代理人協助企業完成網路購物流程及處理。

7070

由於網際網路的成長帶動新一代的商業革命，而電腦間的互動已不再侷限於企業內部，更超越地理疆域的界線，使我們可以快速掌握瞬息萬變的資訊、尋找及交換資料檔案。透過網際網路，企業可以 24小時日夜無休地進行跨國交易，而一般消費者亦不需花費重要時間在逛街、尋找商品上。透過智慧型代理人的協助，可以快速取得相關產品或服務資訊，並完成線上訂購交易流程。 在整合式 Agent-based線上交易系統中，所有的動作、程序都是由代理人透過彼此的溝通、合作來完成，包括接收使用者的基本資料、服務或產品的查詢請求、欲購訂單的基本項目等，與提供使用者個人化資訊、產品或服務。查詢結果及欲購訂單的允收程度等交易資料。只要使用者將所需的服務定義完整、發出請求訊息，就能驅動代理人間的相互合作，進而得到所需的服務支援。整合式 Agent-based線上交易系統的系統概念，如圖 9-19 所示。

9.11.3 整合式智慧型代理人設計概念

7171

9.11.3 整合式智慧型代理人設計概念

圖 9-19整合式 Agent-based 線上交易系統之概念圖

7272

然而，智慧型代理人不只是程式化與被限制在狹隘領域中，它能取代人工，正確、快速且有效率地執行複雜的工作。智慧型代理人擁有彼此溝通、合作、談判、衝突解決等特性。同時，智慧型代理人主要活動在網際網路平台上。因此，以線上交易模式為例，將智慧型代理人的特性簡單說明如下。 ◎溝通 (Communication) ：買賣雙方可以透過智慧型代理人間的訊息傳遞，執行溝通活動。◎ 合作 (Cooperation) ：透過智慧型代理人彼此間的合作，可以快速地執行任務，以及尋求最佳解答，甚至達成跨平台的整合機制。◎談判 (Negotiation) ：若賣方代理人無法在資源限制內完成買方要求之任務，則賣方代理人可自動計算系統資源允許範圍，與買方代理人進行談判活動。◎衝突解決 (Conflict Resolution) ：若代理人間的談判持續無法取得共識，則將買方需求公布於佈告欄上 (Bulletin Board) 。各賣方智慧型代理人可從布告欄上取得待執行任務訊息，若某系統擁有可執行此任務之資源，則由此賣方代理人向買方代理人傳遞可完成此任務之訊息，如圖 9-20 所示。

9.11.3 整合式智慧型代理人設計概念

7373

9.11.3 整合式智慧型代理人設計概念

圖 9-20 智慧型代理人特性示意圖－線上交易模式為例

7474

我們僅以智慧型代理人之溝通、合作特性來完成線上交易系統之功能來說明，如圖 9-21 示，該圖說明智慧型代理人間的溝通與合作特性。買方代理人為負責買方之代理人協調，買方後端則分別有倉儲代理人、行銷代理人、製造代理人等，而賣方後端代理人亦分別有倉儲代理人、行銷代理人、製造等代理人等。 買方代理人的目標任務為協助使用者或後端代理人向賣方代理人要求產品之訂購，而賣方代理人的目標任務為協調後端代理人資源，完成買方代理人要求之訂單。當買方代理人接收到使用者或其他代理人採購訊息時，即向賣方代理人要求訂單購買，而賣方代理人接受到訂單訊息時，例如： A 產品數量 5,000 個，交期 5天等，賣方代理人即根據此內容向相關代理人要求產品相關資料查詢，再經由賣方代理人將收到的查詢資料予以整合後，回覆至買方代理人處。經過賣方代理人與其後端代理人之合作，在賣方資源足夠前提下，應可順利完成買方要求之訂單。另外，當賣方資源不足時，經由代理人之互相協議，例如：在 5天內可先達交 4,000 個，另外 1,000個將在一週後送達，這就是智慧型代理人之談判特性。

9.11.3 整合式智慧型代理人設計概念

7575

9.11.3 整合式智慧型代理人設計概念

買 方 代理 人

倉 儲 代 理人

行 銷 代 理人

.

.

.

.

.

製 造 代 理人

賣 方 代理 人

倉 儲 代 理人

行 銷 代 理人

.

.

.

.

.

製 造 代 理人

圖 9-21買賣雙方之智慧型代理人概念性架構

7676

9.11.4 　整合式智慧型代理人運作模式一個智慧型代理人就是一個電腦軟體，透過感應器去認知它所在的環境，學習並更新自己的知識庫，對環境做出合理的回應，並依循自己的知識，主動的去幫助人們或是其他的 Agents ，達到一個特定的目標。因此，整合式智慧型代理人內部運作之設計，如圖 9-22 所示。每一個代理人有其特定的目標或任務，當它偵測到周圍的環境產生任何變化，如真實世界使用者呼叫代理人或其他代理人透過訊息傳遞與之溝通等，該代理人會依據其內含之知識庫或執行資料庫查詢來對環境做出適當回應與行動，以完成設計者所賦予之目標或任務。因此，對系統而言，首先由使用者透過網際網路進入本系統，以瀏覽器為使用介面，進行線上交易活動，因而驅動各代理人根據使用者介入而產生不同反應。本系統是透過代理人與代理人之間訊息的溝通與合作來完成設計者或使用者所賦予的任務或目標，而每個代理人與其他代理人間，皆有不同的溝通模式與合作方式，甚至會根據設計者所定義之知識庫進行資料庫查詢或維護活動，將其溝通模式與合作方式繪製，如圖 9-23 所示。

7777

9.11.4 　整合式智慧型代理人運作模式

Agent

目標、任務

資料庫 知識庫

環境

使用者、 Agent...感應

行動

圖 9-22 　如圖為整合式代理人內部運作設計圖。

7878

9.11.4 　整合式智慧型代理人運作模式

圖 9-23 智慧型代理人間溝通與合作示意圖。

使用者

( )資訊擷取介面 瀏覽器

Agent 1 Agent 2 Agent 3 Agent n...

資料庫 知識庫

T1 T2 T3 Tn

R1 R2 R3 Rn

7979

9.11.4 　整合式智慧型代理人運作模式面臨全球性的競爭市場，如何利用現代的資訊科技輔助企業推動電子商務，透過智慧型代理人完成網際網路上線上交易行為，藉以提高網路交易之效率與網路行銷之服務品質，不但可協助消費者進行合適商品的選購，還更進一步應用到網路交易流程，可獲得節省業務人力浪費、提升企業的效率及服務的品質之效益，是有其意義與價值。