कनेक्शनिस्ट विशेषज्ञ प्रणाली एक प्रकार की विशेषज्ञ प्रणाली है जो तर्क और निर्णय लेने के कार्यों को करने के लिए कृत्रिम तंत्रिका नेटवर्क (एएनएन) का उपयोग करती है, जो पारंपरिक रूप से नियम-आधारित प्रणालियों द्वारा संभाले जाते हैं। पारंपरिक विशेषज्ञ प्रणालियों के विपरीत, जो स्पष्ट रूप से कोडित नियमों पर निर्भर करती हैं, कनेक्शनिस्ट विशेषज्ञ प्रणालियाँ अपने अनुमान नियमों को नेटवर्क के सीखे गए भार और वास्तुकला से प्राप्त करती हैं, जिससे वे शोरगुल, अपूर्ण या अस्पष्ट डेटा को संभालने में सक्षम होती हैं। ये प्रणालियाँ कृत्रिम बुद्धिमत्ता का एक उपसमुच्चय हैं और अक्सर अनुकूलनशीलता और प्रदर्शन को बेहतर बनाने के लिए मशीन लर्निंग और डीप लर्निंग की तकनीकों को शामिल करती हैं।
यह अवधारणा 1980 के दशक के अंत में उभरी, जब शोधकर्ताओं ने तंत्रिका नेटवर्क की ताकत, जैसे सीखने और सामान्यीकरण, को प्रतीकात्मक तर्क की पारदर्शिता और व्याख्यात्मकता के साथ जोड़ने की कोशिश की। स्टीफन आई. गैलेंट द्वारा फरवरी 1988 में कम्युनिकेशंस ऑफ द एसीएम में प्रकाशित एक महत्वपूर्ण पेपर ने इस शब्द को पेश किया और प्रदर्शित किया कि कैसे एक तंत्रिका नेटवर्क को विशेषज्ञ प्रणाली के रूप में कार्य करने के लिए प्रशिक्षित किया जा सकता है, जो अपने कनेक्शन भार के माध्यम से नियम उत्पन्न करता है। इस कार्य ने बाद में हाइब्रिड बुद्धिमान प्रणालियों के विकास की नींव रखी, जो तंत्रिका और प्रतीकात्मक तरीकों को एकीकृत करती हैं।
वास्तुकला और तंत्र
कनेक्शनिस्ट विशेषज्ञ प्रणालियाँ आमतौर पर एक बहु-परत परसेप्ट्रॉन (एमएलपी) या समान फीडफॉरवर्ड नेटवर्क का उपयोग करती हैं, जहाँ इनपुट नोड्स विशेषताओं या गुणों का प्रतिनिधित्व करते हैं, छिपी हुई परतें गैर-रेखीय संबंधों को पकड़ती हैं, और आउटपुट नोड्स निष्कर्ष या वर्गीकरण उत्पन्न करते हैं। नेटवर्क को उदाहरणों के एक डेटासेट पर प्रशिक्षित किया जाता है, और परिणामी भार ज्ञान आधार को एनकोड करते हैं। कुछ डिज़ाइनों में, भाषाई या प्राकृतिक-रूप इनपुट को संभालने के लिए फ़ज़ी लॉजिक शामिल किया जाता है, जिससे सिस्टम बाइनरी सत्य/असत्य मानों के बजाय सदस्यता की डिग्री के साथ तर्क कर सके। उदाहरण के लिए, एक फ़ज़ी बहु-परत परसेप्ट्रॉन "उच्च तापमान" या "कम जोखिम" जैसे शब्दों को सीधे संसाधित कर सकता है, जिससे यह व्यक्तिपरक या अस्पष्ट मानदंडों वाले क्षेत्रों के लिए उपयुक्त हो जाता है।
रफ सेट सिद्धांत एक और तकनीक है जिसका उपयोग ज्ञान एनकोडिंग को बेहतर बनाने के लिए किया जाता है। डेटा का विश्लेषण करके निर्भरताओं और अतिरेक की पहचान करके, रफ सेट यह निर्धारित करने में मदद कर सकते हैं कि कौन सी विशेषताएँ सबसे अधिक प्रासंगिक हैं, जिससे नेटवर्क संरचना सरल हो जाती है और व्याख्यात्मकता बढ़ती है। आनुवंशिक एल्गोरिदम का उपयोग नेटवर्क के भार को अनुकूलित करने या प्रशिक्षण के दौरान बेहतर समाधान खोजने के लिए भी किया जा सकता है, विशेष रूप से जटिल समस्या स्थानों में जहाँ ग्रेडिएंट-आधारित विधियाँ संघर्ष करती हैं।
हाइब्रिड दृष्टिकोण
कई कनेक्शनिस्ट विशेषज्ञ प्रणालियाँ हाइब्रिड हैं, जो तंत्रिका नेटवर्क को प्रतीकात्मक तर्क विधियों के साथ जोड़ती हैं। यह एकीकरण, जिसे अक्सर हाइब्रिड बुद्धिमान प्रणाली कहा जाता है, का उद्देश्य तंत्रिका नेटवर्क की सीखने की क्षमताओं का लाभ उठाना है, जबकि प्रतीकात्मक प्रणालियों की तार्किक कठोरता को बनाए रखना है। उदाहरण के लिए, एक सिस्टम कच्चे डेटा को पूर्व-संसाधित करने और उम्मीदवार नियम उत्पन्न करने के लिए तंत्रिका नेटवर्क का उपयोग कर सकता है, जिन्हें फिर एक प्रतीकात्मक अनुमान इंजन द्वारा परिष्कृत और मान्य किया जाता है। ऐसे हाइब्रिड चिकित्सा निदान जैसे क्षेत्रों में लागू किए गए हैं, जहाँ वे रोगी डेटा को विशेषज्ञ ज्ञान के साथ एकीकृत करके नैदानिक निर्णय लेने में सहायता कर सकते हैं।
उल्लेखनीय उदाहरणों में HYCONES शामिल है, जो 1990 के दशक की शुरुआत में चिकित्सा अनुप्रयोगों के लिए विकसित एक हाइब्रिड कनेक्शनिस्ट विशेषज्ञ प्रणाली है, और बार्टन और लीज़ द्वारा 1995 में वर्णित पैर के नीचे दबाव पैटर्न के आधार पर पैर की समस्याओं की पहचान करने के लिए डिज़ाइन की गई प्रणालियाँ। इन प्रणालियों ने तंत्रिका सीखने को डोमेन-विशिष्ट नियमों के साथ संयोजित करने की व्यावहारिक उपयोगिता प्रदर्शित की।
अनुप्रयोग
कनेक्शनिस्ट विशेषज्ञ प्रणालियों ने चिकित्सा, इंजीनियरिंग और अंतरिक्ष उड़ान जैसे क्षेत्रों में अनुप्रयोग पाए हैं। स्वास्थ्य देखभाल में, उनका उपयोग निर्णय समर्थन के लिए किया जाता है, जिससे चिकित्सकों को जटिल नैदानिक डेटा की व्याख्या करने में मदद मिलती है। उदाहरण के लिए, 2001 में ब्रासिल और सहकर्मियों द्वारा किए गए एक अध्ययन ने चिकित्सा निर्णय समर्थन के लिए एक हाइब्रिड विशेषज्ञ प्रणाली का वर्णन किया, जिसने जटिलता और संज्ञानात्मक कंप्यूटिंग को एकीकृत किया। एयरोस्पेस में, शोधकर्ताओं ने भविष्य के मानवयुक्त अंतरिक्ष मिशनों में मानव-कृत्रिम बुद्धिमत्ता प्रणालियों के लिए उनके उपयोग की खोज की है, जैसा कि 2003 के एक चीनी-भाषा पेपर में उल्लेख किया गया है।
डेटा से सीखने की क्षमता इन प्रणालियों को उन क्षेत्रों में विशेष रूप से मूल्यवान बनाती है जहाँ नियमों को व्यक्त करना कठिन है लेकिन उदाहरण प्रचुर हैं। उनका उपयोग नैदानिक निर्णय समर्थन प्रणालियों में भी निदान और उपचार योजना में सहायता के लिए किया जाता है।
लाभ और सीमाएँ
कनेक्शनिस्ट विशेषज्ञ प्रणालियों का एक प्रमुख लाभ शोरगुल या अपूर्ण इनपुट को संभालने में उनकी मजबूती है, जो अक्सर नियम-आधारित प्रणालियों के प्रदर्शन को खराब कर देते हैं। वे पुनः प्रशिक्षण के माध्यम से नए डेटा के अनुकूल भी हो सकते हैं, जिससे वे स्थिर नियम सेटों की तुलना में अधिक लचीले होते हैं। हालाँकि, उन्हें व्याख्यात्मकता में चुनौतियों का सामना करना पड़ता है, क्योंकि सीखे गए भार मनुष्यों द्वारा आसानी से व्याख्या योग्य नहीं होते हैं। इससे प्रशिक्षित नेटवर्क से नियम निकालने के तरीकों पर चल रहे शोध को बढ़ावा मिला है, एक विषय जिसे 1990 के दशक में रॉन सन जैसे शोधकर्ताओं ने खोजा।
एक और सीमा पर्याप्त प्रशिक्षण डेटा और कम्प्यूटेशनल संसाधनों की आवश्यकता है। तंत्रिका नेटवर्क को प्रशिक्षित करना समय लेने वाला हो सकता है, और सिस्टम की गुणवत्ता प्रशिक्षण सेट की प्रतिनिधित्वशीलता पर काफी हद तक निर्भर करती है। इन मुद्दों के बावजूद, कनेक्शनिस्ट विशेषज्ञ प्रणालियाँ कृत्रिम बुद्धिमत्ता के भीतर अध्ययन का एक प्रासंगिक क्षेत्र बनी हुई हैं, जो प्रतीकात्मक और उप-प्रतीकात्मक दृष्टिकोणों के बीच की खाई को पाटती हैं।
यह भी देखें
संदर्भ
- Gallant, Stephen I. (1988). "Connectionist expert systems". Communications of the ACM, 31(2), 152–169.
- Sun, Ron (1994). Integrating Rules and Connectionism for Robust Commonsense Reasoning. Wiley & Sons.
- Leão Bde F, Reátegui EB (1993). "HYCONES: a hybrid connectionist expert system". Proc Annu Symp Comput Appl Med Care, 461–465.
- Barton JG, Lees A (1995). "Development of a connectionist expert system to identify foot problems based on under-foot pressure patterns". Clinical Biomechanics, 10(7), 385–391.
- Brasil LM, de Azevedo FM, Barreto JM (2001). "Hybrid expert system for decision supporting in the medical area". International Journal of Medical Informatics, 63(1–2), 19–30.