1. IntroductionLogNet is an intelli

1. Introduction
LogNet is an intelligent system that provides interactive advice to end-users on how to design cost-effective logistics networks. It implements its capabilities by utilizing a class of AI techniques known as model-based reasoning. These techniques solve problems by analyzing the structure and function of a system, as described by a symbolic model (Kunz, 1987). Unlike rule-based expert systems, which reason from ‘canned’ rule-based associations (IF-THEN rules), systems employing model-based reasoning contain a model simulating the structure and function of a system. In LogNet, we model business logistics networks and reason about their structure in order to offer end-users advice on how to design these networks more effectively.
Much of the previous research in model-based reasoning has focused on fault diagnosis of physical devices, such as the research work of Davis, 1984 and Davis and Hamscher, 1988in which they looked at troubleshooting simple electronic circuits. The goal of their research was to generate the candidate components of a simple electronic circuit, which could plausibly be responsible for an observed malfunctioning of the device. To accomplish this, they constructed a model of the device (i.e. a schematic of how the components were interconnected to one another). They then reasoned from this schematic to determine if there was a component that could be responsible for the inconsistent state of the device. Using the schematic, they asked: Is there any way one component alone could be broken to produce the symptoms noted? In other words, they start with an observed malfunctioning of a device, and work backwards to determine which underlying component might be the cause of the failure.
The use of model-based reasoning techniques has not been limited to fault diagnosis of physical devices. Patil (1988) explore the artificial intelligence techniques used for diagnosing diseases in medicine. Of particular relevance to model-based reasoning is their experimental program called ABEL. ABEL's knowledge base attempts to capture the underlying causal mechanisms of disease processes. ABEL views diagnosis as a process of building detailed causal models that explain a patient's illness. Such models ‘allow the program to reason with the details of the disease process, to recognize how one disease can alter the presentation of another, and to sort out component elements due to each disease’ (Patil, 1988, p. 373). Patil discusses many types of traditional approaches, as opposed to model-based reasoning, used to diagnose diseases: the use of clinical algorithms, flowcharts, pattern recognition, probability theory, and decision analysis. Each of these approaches, as Patil notes, suffers from serious weaknesses when applied to the broad and complicated domain of medical diagnosis.

ผลลัพธ์ (ไทย) 1:

1. บทนำLogNet เป็นระบบอัจฉริยะที่ให้คำแนะนำแบบโต้ตอบผู้ใช้ในการออกแบบเครือข่ายโลจิสติกส์ที่มีประสิทธิภาพ มันใช้ความสามารถ โดยใช้ระดับของเทคนิค AI เป็นเหตุผลตามแบบจำลอง เทคนิคเหล่านี้แก้ปัญหา โดยการวิเคราะห์โครงสร้างและหน้าที่ของระบบ ตามที่อธิบายไว้ โดยรูปแบบสัญลักษณ์ (Kunz, 1987) ไม่เหมือนกับกฎจากผู้เชี่ยวชาญระบบ ซึ่งเหตุผลจาก 'กระป๋อง' ตามกฎความสัมพันธ์ (ถ้านั้นกฎ), ระบบการใช้เหตุผลตามแบบจำลองประกอบด้วยแบบจำลองโครงสร้างและหน้าที่ของระบบ ใน LogNet เรารุ่นเครือข่ายโลจิสติกส์ธุรกิจและเหตุผลเกี่ยวกับโครงสร้างเพื่อให้ผู้แนะนำวิธีการออกแบบเครือข่ายเหล่านี้ได้อย่างมีประสิทธิภาพของการวิจัยก่อนหน้านี้ในเหตุผลตามแบบจำลองได้เน้นการวินิจฉัยข้อบกพร่องของอุปกรณ์ทางกายภาพ เช่นงานวิจัยของ Davis, 1984 และ Davis และ Hamscher ใน 1988 ซึ่งพวกเขามองปัญหาวงจรอิเล็กทรอนิกส์อย่างง่าย เป้าหมายของการวิจัยคือการ สร้างตัวเลือกส่วนประกอบของเรื่องอิเล็กทรอนิกส์วงจร plausibly จะชอบการสังเกตฮาร์ดแวร์ของอุปกรณ์ การทำ พวกเขาสร้างแบบจำลองของอุปกรณ์ (เช่นแบบแผนผังตัวอย่างของวิธีที่เข้าใจส่วนประกอบอื่น) พวกเขาแล้ว reasoned จากนี้มันกำหนดถ้ามีคอมโพเนนต์ที่สามารถรับผิดชอบสถานะไม่สอดคล้องกันของอุปกรณ์ ใช้มัน พวกเขาถาม: จะมีวิธีใดส่วนประกอบหนึ่งเพียงอย่างเดียวอาจเสียผลิตอาการที่ระบุไว้หรือไม่ ในคำอื่น ๆ พวกเขาเริ่มต้น ด้วยการสังเกตฮาร์ดแวร์ของอุปกรณ์ และงานย้อนหลังเพื่อกำหนดส่วนประกอบพื้นฐานที่อาจเป็นสาเหตุของความล้มเหลวThe use of model-based reasoning techniques has not been limited to fault diagnosis of physical devices. Patil (1988) explore the artificial intelligence techniques used for diagnosing diseases in medicine. Of particular relevance to model-based reasoning is their experimental program called ABEL. ABEL's knowledge base attempts to capture the underlying causal mechanisms of disease processes. ABEL views diagnosis as a process of building detailed causal models that explain a patient's illness. Such models ‘allow the program to reason with the details of the disease process, to recognize how one disease can alter the presentation of another, and to sort out component elements due to each disease’ (Patil, 1988, p. 373). Patil discusses many types of traditional approaches, as opposed to model-based reasoning, used to diagnose diseases: the use of clinical algorithms, flowcharts, pattern recognition, probability theory, and decision analysis. Each of these approaches, as Patil notes, suffers from serious weaknesses when applied to the broad and complicated domain of medical diagnosis.

ผลลัพธ์ (ไทย) 2:

1. บทนำ
LogNet เป็นระบบอัจฉริยะที่ให้คำแนะนำการโต้ตอบกับผู้ใช้ในการออกแบบเครือข่ายโลจิสติกที่มีประสิทธิภาพ จะดำเนินความสามารถของตนโดยใช้เทคนิคการเรียนของ AI ที่รู้จักกันเป็นเหตุผลแบบที่ใช้ เทคนิคเหล่านี้แก้ปัญหาโดยการวิเคราะห์โครงสร้างและการทำงานของระบบตามที่อธิบายรูปแบบสัญลักษณ์ (Kunz, 1987) ซึ่งแตกต่างจากการปกครองตามระบบผู้เชี่ยวชาญซึ่งเหตุผลจาก 'กระป๋อง' สมาคมตามกฎ (กฎ IF-แล้ว) ระบบการใช้เหตุผลแบบที่ใช้มีรูปแบบการจำลองโครงสร้างและการทำงานของระบบ ใน LogNet เราแบบเครือข่ายโลจิสติกธุรกิจและเหตุผลเกี่ยวกับโครงสร้างของพวกเขาเพื่อที่จะให้คำแนะนำผู้ใช้ในการออกแบบเครือข่ายเหล่านี้มีประสิทธิภาพมากขึ้น.
มากของการวิจัยก่อนหน้านี้ในการให้เหตุผลแบบที่ใช้มีความสำคัญกับการวินิจฉัยความผิดของอุปกรณ์ทางกายภาพเช่น เป็นงานวิจัยของเดวิสปี 1984 และเดวิสและ Hamscher, 1988in ที่พวกเขามองไปที่การแก้ไขปัญหาวงจรอิเล็กทรอนิกส์ที่เรียบง่าย เป้าหมายของการวิจัยของพวกเขาคือการสร้างองค์ประกอบที่ผู้สมัครของวงจรอิเล็กทรอนิกส์ง่ายซึ่งเหตุผลอาจจะเป็นผู้รับผิดชอบในการสังเกตชำรุดของอุปกรณ์ เพื่อให้บรรลุนี้พวกเขาสร้างรูปแบบของอุปกรณ์ (เช่นวงจรของวิธีการที่ชิ้นส่วนที่ถูกเชื่อมโยงกับอีกคนหนึ่ง) จากนั้นพวกเขาให้เหตุผลจากวงจรนี้เพื่อตรวจสอบว่ามีองค์ประกอบที่จะต้องรับผิดชอบในรัฐที่ไม่สอดคล้องกันของอุปกรณ์ ใช้วงจรที่พวกเขาถาม: มีวิธีใดองค์ประกอบเพียงอย่างเดียวอาจจะแตกเป็นอาการที่สังเกตเห็น? ในคำอื่น ๆ ที่พวกเขาเริ่มต้นด้วยการสังเกตการชำรุดของอุปกรณ์และการทำงานไปข้างหลังเพื่อตรวจสอบว่าองค์ประกอบพื้นฐานที่อาจเป็นสาเหตุของความล้มเหลว.
ใช้แบบจำลองที่ใช้เทคนิคการให้เหตุผลยังไม่ได้รับการ จำกัด ให้การวินิจฉัยความผิดของอุปกรณ์ทางกายภาพ พาติล (1988) สำรวจเทคนิคปัญญาประดิษฐ์ที่ใช้ในการวินิจฉัยโรคในยา โดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับการให้เหตุผลแบบที่ใช้เป็นโปรแกรมที่เรียกว่าการทดลองของพวกเขา ABEL ฐานความรู้ของอาเบลพยายามที่จะจับกลไกสาเหตุพื้นฐานของกระบวนการโรค ABEL มุมมองการวินิจฉัยเป็นกระบวนการของการสร้างแบบจำลองที่มีรายละเอียดเกี่ยวกับสาเหตุที่อธิบายความเจ็บป่วยของผู้ป่วย รุ่นดังกล่าว 'อนุญาตให้โปรแกรมที่จะให้เหตุผลกับรายละเอียดของกระบวนการของโรคที่จะรู้ว่าเป็นโรคหนึ่งที่สามารถปรับเปลี่ยนการนำเสนอของผู้อื่นและการจัดเรียงออกองค์ประกอบองค์ประกอบเนื่องจากโรคแต่ละ (พาติล, 1988, น. 373) Patil กล่าวถึงหลายประเภทของวิธีการแบบดั้งเดิมเมื่อเทียบกับการใช้เหตุผลแบบจำลองที่ใช้ในการวินิจฉัยโรค: การใช้ขั้นตอนวิธีการทางคลินิกผังงานการจดจำรูปแบบทฤษฎีความน่าจะเป็นและการวิเคราะห์การตัดสินใจ แต่ละวิธีการเหล่านี้เป็นบันทึก Patil ทนทุกข์ทรมานจากจุดอ่อนร้ายแรงเมื่อนำไปใช้โดเมนในวงกว้างและซับซ้อนของการวินิจฉัยทางการแพทย์

ผลลัพธ์ (ไทย) 3:

1 . บทนำ
lognet เป็นระบบอัจฉริยะที่ให้คำแนะนำแบบโต้ตอบกับผู้ใช้ในการออกแบบโครงข่ายโลจิสติกส์ที่มีประสิทธิภาพ มันใช้ความสามารถของตนโดยการใช้คลาสของไอเทคนิคที่เรียกว่าสำหรับเหตุผล เทคนิคเหล่านี้แก้ไขปัญหาโดยการวิเคราะห์โครงสร้างและการทำงานของระบบตามที่อธิบายไว้โดยรูปแบบสัญลักษณ์ ( คันส์ , 1987 )ซึ่งแตกต่างจากกฎระบบผู้เชี่ยวชาญ ซึ่งเหตุผลจาก ' กระป๋อง ' กฎสมาคม ( กฎเงื่อนไข ) , ระบบการสำหรับเหตุผลประกอบด้วยรูปแบบจำลองโครงสร้างและการทำงานของระบบ ใน lognet เราแบบโลจิสติกส์ ธุรกิจเครือข่าย และเหตุผลเกี่ยวกับโครงสร้างของพวกเขาเพื่อที่จะให้ผู้ใช้แนะนำวิธีการออกแบบโครงข่ายเหล่านี้ได้อย่างมีประสิทธิภาพ .
มากของการวิจัยก่อนหน้านี้ได้เน้นในเหตุผลสำหรับการวินิจฉัยข้อบกพร่องของอุปกรณ์ทางกายภาพ เช่น งานวิจัยของ เดวิส เดวิส และ hamscher 1984 และ 1988in , ซึ่งพวกเขามองวงจรอิเล็กทรอนิกส์ง่ายๆ การแก้ไขปัญหา เป้าหมายของการวิจัยคือเพื่อสร้างผู้สมัครส่วนประกอบของวงจรอิเล็กทรอนิกส์อย่างง่ายซึ่งจะยังคงรับผิดชอบการตรวจสอบปัญหาของอุปกรณ์ เพื่อให้บรรลุนี้ , พวกเขาได้สร้างแบบจำลองของอุปกรณ์ ( เช่นวงจรของส่วนประกอบวิธีมีเชื่อมต่อกันไปอีกแบบหนึ่ง ) พวกเขาก็ให้เหตุผลจากแผนผังเพื่อตรวจสอบหากมีองค์ประกอบที่อาจจะรับผิดชอบต่อรัฐไม่สอดคล้องกันของอุปกรณ์ การใช้แผนผัง , พวกเขาถาม :มีทางใดองค์ประกอบหนึ่งคนเดียวอาจจะเสียในการผลิตอาการสังเกต ? ในคำอื่น ๆที่พวกเขาเริ่มต้นด้วยการตรวจสอบปัญหาของอุปกรณ์ และทำงานไปข้างหลังเพื่อตรวจสอบซึ่งส่วนประกอบพื้นฐานที่อาจเป็นสาเหตุของความล้มเหลว .
ใช้เทคนิคสำหรับเหตุผลที่ไม่ได้ จำกัด การวินิจฉัยข้อบกพร่องของอุปกรณ์ทางกายภาพพาติล ( 1988 ) สำรวจปัญญาประดิษฐ์เทคนิคที่ใช้ในการวินิจฉัยโรคในการแพทย์ โดยเฉพาะเกี่ยวข้องกับเหตุผลของการทดลองสำหรับโปรแกรมที่เรียกว่าเอเบิล ความรู้พื้นฐานของเอเบิล พยายามจับสาเหตุพื้นฐานกลไกของกระบวนการโรค การวินิจฉัยโรค เบลวิว เป็นขั้นตอนของการสร้างรายละเอียดแบบที่อธิบายสาเหตุการเจ็บป่วยของผู้ป่วยโมเดลดังกล่าวอนุญาตให้โปรแกรมเหตุด้วย รายละเอียดของกระบวนการโรค รู้จักวิธีหนึ่งโรคที่สามารถปรับเปลี่ยนการนำเสนออื่น และ การแยกแยะองค์ประกอบ ส่วนประกอบ เนื่องจากแต่ละโรค ' ( ปาติล , 2531 , หน้า 171 ) ปาติลกล่าวถึงหลายประเภทของวิธีการแบบดั้งเดิม เป็นนอกคอก สำหรับเหตุผลที่ใช้ในการวินิจฉัยโรค : การใช้ขั้นตอนวิธีผังงาน , คลินิก ,การจดจำรูปแบบ ทฤษฎีความน่าจะเป็น และการวิเคราะห์เพื่อการตัดสินใจ แต่ละวิธีการเหล่านี้ ปาติล โน๊ต ทนทุกข์ทรมานจากจุดอ่อนร้ายแรงเมื่อใช้กับโดเมนกว้างและซับซ้อนของการวินิจฉัยทางการแพทย์