هوش مصنوعی
مقدمه:
دهههاي آغازين سده بيستم ميلادي و دوران پيشرفت شگرفصنعتي، همراه با توليد خودرو بود كه انقلاب همه جانبهاين درترابري، افزايش شتاب جابجايي و صدها كار و پيشه جديد دررشتهها بازرگاني بوجود آورده است.
به نظر ميرسد كه سمبل دوران فراصنعتي و نماد فرآوردههايبيهمتاي قرن آينده«هوش مصنوعي» است. امروزه موضوعهوش مصنوعي داغترين بحث ميان كارشناسان دانش رايانه واطلاعات و ديگر دانشمندان و تصميمگيرندگان است. در سراسرتاريخ تا به امروز انسان از جنبه تن و روان، مركز و محور بحثهاو پژوهشها بوده است. ولي اكنون موجودي با رتبهاي پائينتر،بيجان و ساختگي ميخواهد جانشين او شود، امري كه بدون شك ميتوان ادعا نمود بيشتر انسانها با آن مخالفند.
هوش مصنوعي چنانچه به هدفهاي والاي خود برسد، جهشبزرگي در راه دستيابي بشر به رفاه بيشتر و حتي ثروت افزونترخواهد بود. هم اكنون نمونههاي خوب و پذيرفتن از هوش مصنوعيدر دنياي واقعي ما به كار افتاده است. چنين دستاوردهايي، صرفمنابع لازم در آينده را همچنان توجيه خواهد كرد.
از سوي ديگر، منتقدين هوش مصنوعي چنين استدلال ميكنندكه صرف زمان و منابع ارزشمندديگر در راه ساخت فراوردهاي كهپر از نقص و كاستي ودستآوردهاي مثبت اندكي است،مايه بدنام كردن و زير پا گذاشتنتوانمنديها و هوشمنديهايانسان ميباشد. تلخترين انتقادهابر اين باور است كه هوشمصنوعي، توهين آشكار به گوهر طبيعت و نقش انسان است.
== تاریخچه ==
پیش از بوجود آمدن علوم الکترونیک، هوش مصنوعی توسط فلاسفه و ریاضیدانانی نظیر جرج بول که اقدام به ارائه قوانین و نظریههایی در باب منطق نمودند، مطرح شده بود. با اختراع رایانههای الکترونیکی در سال ۱۹۴۳، هوش مصنوعی دانشمندان را به [[چالش|چالشی]] بزرگ فراخواند. در بادى امر، چنین بنظر میرسید که این فناوری در نهایت قادر به شبیهسازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن مینگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر [[سامانه|سامانههای]] هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شدهبود.
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازیها و نیز اثبات قضیههای ریاضی با کمک رایانهها بود. در آغاز چنین به نظر میآمد که رایانهها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آنها به انجام رسانند.
این اصطلاح (هوش مصنوعی) برای اولین بار توسط جان مکارتی (John McCarthy) که از آن بهعنوان پدر «علم و دانش تولید ماشینهای هوشمند» یاد میشود استفاده شد.اقای جان مکارتی مخترع یکی از زبانهای برنامه نویسی هوش مصنوعی به نام (lisp)نیز هستند. با این عنوان میتوان به هویت هوشمند یک ابزار مصنوعی اشاره کرد. (ساختهٔ دست بشر، غیر طبیعی، مصنوعی)
حال آنکه AI به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) میباشد.
از اصطلاح strong and weak AI میتوان تا حدودی برای معرفی ردهبندی سیستمها استفاده کرد. AIها در رشتههای مشترکی چون علم کامپیوتر، روانشناسی و فلسفه مورد مطالعه قرار میگیرند، که مطابق آن باعث ایجاد یک رفتار هوشمندانه، یادگیری و سازش میشود و معمولاً نوع پیشرفتهٔ آن در ماشینها و کامپیوترها استفاده میشود.
هوش مصنوعی به خودی خود علمی است كاملاً جوان. در واقع بسیاری شروع هوش مصنوعی را 1950 می دانند زمانی كه آلن تورینگ مقاله دورانساز خود را در باب چگونگی ساخت ماشین هوشمند نوشت (آنچه بعدها به تست تورینگ مشهور شد) تورینگ درآن مقاله یك روش را برای تشخیص هوشمندی پیشنهاد میكرد. این روش بیشتر به یك بازی شبیه بود.
فرض كنید شما در یك سمت یك دیوار (پرده یا هر مانع دیگر) هستید و به صورت تله تایپ باآن سوی دیوار ارتباط دارید و شخصی از آن سوی دیوار از این طریق با شما در تماس است. طبیعتاً یك مكالمه بین شما و شخص آن سوی دیوار میتواند صورت پذیرد. حال اگر پس از پایان این مكالمه، به شما گفته شود كه آن سوی دیوار نه یك شخص بلكه (شما كاملاً از هویت شخص آن سوی دیوار بیخبرید) یك ماشین بوده كه پاسخ شما را میداده، آن ماشین یك ماشین هوشمند خواهد بود، در غیر این صورت(یعنی در صورتی كه شما در وسط مكالمه به مصنوعی بودن پاسخ پی ببرید)
ماشین آن سوی دیوار هوشمند نیست و موفق به گذراندن تست تورینگ نشده است. باید دقت كرد كه تورینگ به دو دلیل كاملاً مهم این نوع از ارتباط(ارتباط متنی به جای صوت) را انتخاب كرد. اول این كه موضوع ادراكی صوت را كاملاً از صورت مساُله حذف كند و این تست هوشمندی را درگیر مباحث مربوط به دریافت و پردازش صوت نكند و دوم این كه بر جهت دیگری هوش مصنوعی به سمت نوعی از پردازش زبان طبیعی تاكید كند.
در هر حال هر چند تاكنون تلاشهای متعددی در جهت پیاده سازی تست تورینگ صورت گرفته مانند برنامه Eliza و یا AIML (زبانی برای نوشتن برنامههایی كه قادر به chat كردن اتوماتیك باشند) اما هنوز هیچ ماشینی موفق به گذر از چنین تستی نشده است.
همانگونه كه مشخص است، این تست نیز كماكان دو پیش فرض اساسی را در بردارد:
1ـ نمونه كامل هوشمندی انسان است.
2ـ مهمترین مشخصه هوشمندی توانایی پردازش و درك زبان طبیعی است. درباره نكته اول به تفصیل تا بدین جا سخن گفته ایم؛ اما نكته دوم نیز به خودی خود باید مورد بررسی قرارگیرد. این كه توانایی درك زبان نشانه هوشمندی است تاریخی به قدمت تاریخ فلسفه دارد.
از نخستین روزهایی كه به فلسفه(Epistemology) پرداخته شده زبان همیشه در جایگاه نخست فعالیتهای شناختی قرار داشته است. از یونانیان باستان كه لوگوس را به عنوان زبان و حقیقت یكجا به كار میبردند تا فیلسوفان امروزین كه یا زبان را خانه وجود میدانند، یا آن را ریشه مسائل فلسفی میخوانند؛ زبان، همواره شاُن خود را به عنوان ممتازترین توانایی هوشمندترین موجودات حفظ كرده است.
با این ملاحظات میتوان درك كرد كه چرا آلن تورینگ تنها گذر از این تست متظاهرانه زبانی را شرط دستیابی به هوشمندی میداند. تست تورینگ اندكی كمتر از نیمقرن هوش مصنوعی را تحت تاُثیر قرار داد اما شاید تنها در اواخر قرن گذشته بود كه این مسئله بیش از هر زمان دیگری آشكار شد كه متخصصین هوش مصنوعی به جای حل این مسئله باشكوه ابتدا باید مسائل كماهمیتتری همچون درك تصویر (بینایی ماشین) درك صوت و… را حل كنند.به این ترتیب با به محاق رفتن آن هدف اولیه، اینك گرایشهای جدیدتری در هوش مصنوعی ایجاد شدهاند.
در سالهای آغازین AI تمركز كاملاً برروی توسعه سیستمهایی بود كه بتوانند فعالیتهای هوشمندانه(البته به زعم آن روز) انسان را مدل كنند، و چون چنین فعالیتهایی را در زمینههای كاملاً خاصی مانند بازیهای فكری، انجام فعالیتهای تخصصی حرفهای، درك زبان طبیعی، و…. میدانستند طبیعتاً به چنین زمینههایی بیشتر پرداخته شد. در زمینه توسعه بازیها، تا حدی به بازی شطرنج پرداخته شد كه غالباً عدهای هوش مصنوعی را با شطرنج همزمان به خاطر میآورند. مككارتی كه پیشتر اشاره شد، از بنیانگذاران هوش مصنوعی است این روند را آنقدر اغراقآمیز میداند كه میگوید:
«محدود كردن هوش مصنوعی به شطرنج مانند این است كه علم ژنتیك را از زمان داروین تا كنون تنها محدود به پرورش لوبیا كنیم.»
به هر حال دستاورد تلاش مهندسین و دانشمندان در طی دهههای نخست را میتوان توسعه تعداد بسیار زیادی سیستمهای خبره در زمینههای مختلف مانند پزشكی عمومی، اورژانس، دندانپزشكی، تعمیرات ماشین،….. توسعه بازیهای هوشمند، ایجاد مدلهای شناختی ذهن انسان، توسعه سیستمهای یادگیری،…. دانست. دستاوردی كه به نظر میرسد برای علمی با كمتر از نیم قرن سابقه قابل قبول به نظر میرسد.
== تعریف و طبیعت هوش مصنوعی ==
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشدهاست، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسیتر از آن، یعنی خود هوش هم هنوز بطور همهجانبه و فراگیر تن به تعریف ندادهاست. در واقع، میتوان نسلهایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نمودهاند که: هوش چیست؟
اما اکثر تعریفهایی که در این زمینه ارایه شدهاند بر پایه یکی از ۴ باور زیر قرار میگیرند:
#سیستمهایی که به طور منطقی فکر میکنند
#سیستمهایی که به طور منطقی عمل میکنند
#سیستمهایی که مانند انسان فکر میکنند
#سیستمهایی که مانند انسان عمل میکنند
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسانها آنها رابهتر انجام میدهند»
هر یک از این تعاریف طرفداران خاص خود را دارد و هریک در طول تاریخ هوش مصنوعی به شکلی دنبال شده اند. کاملا مشخص است که رهیافت انسانی بر شهود و فرضیات استوار است در حالی که رهیافت منطقی بر ریاضیات و منطق پایه گذاری شده است.
چارنیاک و درموت هوش مصنوعی را بدین صورت تعریف می کند:"مطالعه توانایی ذهنی از طریق مدل های کامپیوتری" ،
تعریف هوش مصنوعی از دیدگاه وینستون :"مطالعه محاسبات که آن را قادر سازد تا درک و استدلال و عمل کنند". هر دوی این تعاریف مربوط به رهیافت منطقی فکر کردن، هستند.
اما تعاریف مربوط به رهیافت منطقی عمل کردن، عبارتند از ، تعریف شالاکوف :"حیطه ای از مطالعه که رفتار هوشمند را تحت عنوان فرآیندهای کامپیوتری شرح داده و مورد رقابت قرار دهد" ،
تعریف لاگر و زوبلفیلد :"شاخه ای از علم کامپیوتر که با اتوماسیون رفتار هوشمند مربوط می شود". در این دو رهیافت اخیر کوشش های بسیاری شده و نتایج چشم گیری حاصل شده است ، اما از دیدگاه طرفداران رهیافت انسانی این تعاریف معیار مناسبی برای هوشمندی یک سیستم نیستند. بر طبق تعریف هاگولند و بلمن هوشمندی یعنی رسیدن به ادراک انسانی،
تعریف هاگولند عبارت است از:"کوشش جدید هیجان انگیز برای ساختن کامپیوترهایی که فکر کنند ،ماشین هایی با قدرت تفکر و با حس کامل" ، و بلمن هوشمندی را این گونه بیان می کند:"اتوماسیون عملیاتی که با اعمال تفکر انسان نظیر تصمیم گیری،حل مسله و یادگیری مربوط می شوند".اینها تعاریف طرفداران رهیافت مانند انسان فکر کردن بود اما شاید نزدیکترین رهیافت به هوشمندی و ایده آلترین آنها رهیافت انسان گونه عمل کردن باشد.
کرزویل هوشمندی را اینگونه بیان می کند:"هنر خلق ماشین هایی که توالایی انجام عملیاتی را داشته باشند که انجام آن عملیات توسط انسان نیاز به هوشمندی داشته باشد" و از دیدگاه ریچ و نایت هوشمندی عبارت است از :"مطالعه برروی ساخت کامپیوترهایی که کارها را در هر لحظه بهتر از انسان انجام دهند".
محققین هوش مصنوعی علاقهمند به تولید ماشینی هستند که دستورات مورد نیاز را به صورت هوشمندانه انجام دهد. به عنوان مثال قابلیت کنترل، برنامهریزی و زمانبندی، توانایی تشخیص جواب به سوال مصرف کننده ، دست نویسها، زبان شناسی ، سخنرانی و شناسایی چهره را داشته باشد. مطالعه بر روی یک AI دارد به یک رشتهٔ مهندسی تبدیل میشود که کانون مشروط است بر حل مشکلات زندگی واقعی، علم معدن کاری، نرم افزارهای کاربردی ، استراتژی بازیها مثل بازی شطرنج و بازیهای ویدئویی یکی از بزرگترین مشکلات (سختیها) با AIها، قوهٔ درک آنها است.
تاحدی دستگاههای تولیدشده میتوانند شگفتانگیز باشند، اما کارشناسان هوش مصنوعی ادعا میکنند که ماشینهای هوشمند ساختهشده دارای درک واقعی و حقیقی نیستند.
--مشاهده رفتاري هوشمندانه و صحيح از يك سيستم را نمي توان دليلي كافي بر هوشمندي آن سيستم تصوركرد بلكه بايستي به ساختار داخلي و مكانيزم انتخاب راه توسط سيستم توجه شود كه آيا مبتني بر آگاهي خود سيستم است يا نه و اين آگاهي زماني ميسر خواهد بود كه سيستم خود قابليت تحليل اطلاعات در يافتي از محيط را داشته باشد و بتواند رابطه هاي معني داري بين علت و معلول ما بين اتفاقات محيطي ايجاد كند و د ر واقع قادر به ايجاد مدلي هر چند غير دقيق بر پايه مشاهدات خود از محيط باشد
سپس سيستم ايده ارزشمندي از نظرگاه خود توليد بكند و بعنوان خواسته و هدفي سعي در پياده سازي آن بكن د يعني در پي پيدا كردن و اتصال ابزارهاي مناسبي به آن هدف باشد تا بتواند آلگوريتم عملياتي براي برآورد آن خواسته توليد نمايد.
== فلسفهٔ هوش مصنوعی ==
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به [[دانش]] و یا ارایه تصمیم میباشد. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود. هوش مصنوعی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.
در مقایسه هوش مصنوعی با هوش انسانی میتوان گفت که انسان قادر به مشاهده و [[تجزیه و تحلیل]] مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویههایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبودهایم.
بطور کلّی، هوش مصنوعی را میتوان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافتهاست باید تفاوت قائل بود.
براي شناخت هوش مصنوعي شايسته است تا تفاوت آن را با هوشانساني به خوبي بدانيم. مغز انسان از ميلياردها سلول يا رشته عصبيدرست شده است و اين سلولها به صورت پيچيدهاي به يكديگرمتصلاند. شبيهسازي مغز انسان ميتواند از طريق سختافزار يا نرمافزارانجام گيرد. تحقيقات اوليه نشان داده است شبيهسازي مغز، كاريمكانيكي و ساده ميباشد. براي مثال، يك كرم داراي چند شبكه عصبياست. يك حشره حدود يك ميليون رشته عصبي دارد و مغز انسان ازهزار ميليارد رشته عصبي درست شده است. با تمركز و اتصال رشتههايعصبي مصنوعي ميتوان واحد هوش مصنوعي را درست كرد.
هوش انساني بسيار پيچيدهتر و گستردهتر از سيستمهاي رايانهاياست و توانمنديهاي برجستهاي مانند: استدلال، رفتار، مقايسه، آفرينشو بكار بستن مفهومها را دارد.
هوش انساني توان ايجاد ارتباط ميان موضوعها و قياس ونمونه سازيهاي تازه را دارد. انسان همواره قانونهاي تازهاي ميسازد و ياقانون پيشين را در موارد تازه بكار ميگيرد. توانايي بشر در ايجادمفهومهاي گوناگون در دنياي پيرامون خود، از ويژگيهاي ديگر اوست.مفهومهاي گستردهاي همچون روابط علت و معلولي، رمان و يامفهومهاي سادهتري مانند گزينش وعدههاي خوراك (صبحانه، ناهار وشام) را انسان ايجاد كرده است. انديشيدن در اين مفهومها و بكاربستنآنها، ويژه رفتار هوشمندانه انسان است.
هوش مصنوعي در پي ساخت دستگاههايي است كه بتوانندتوانمندهاي ياد شده (استدلال، رفتار، مقايسه و مفهوم آفريني) را از خودبروز دهند. آنچه تاكنون ساخته شده نتوانسته است خود را به اين پايهبرساند، هر چند سودمنديهاي فراواني به بار آورده است.
نكته آخر اينكه، يكي از علل رويارويي با مقوله هوش مصنوعي،ناشي از نامگذاري نامناسب آن ميباشد. چنانچه جان مككارتي در سال1956 ميلادي آن را چيزي مانند «برنامهريزي پيشرفته» ناميده بود شايد جنگ و جدلي در پيرامون آن رخ نميداد.
هوش مصنوعي به تعدادي ميدانهاي فرعي تقسيم شده است و سعيدارد تا سيستمها و روشهايي را ايجاد كند كه بطور تقليدي مانند هوش ومنطق تصميمگيرندگان عمل نمايد.
سه شاخه اصلي هوش مصنوعي عبارتند از: سيستمهايخبره(ES)(6)، آدموارهها(7) و پردازش زبان طبيعي (8) كه در زير بهصورت تصويري نشان داده شده است.
هوش مصنوعي در يك نگاه
سيستمهاي خبره، برنامههاي كاميپوتري هوشمندي هستند كه دانشو روشهاي استنباط و استنتاج را بكار ميگيرند تا مسائلي را حل كنند كهبراي حل آنها به مهارت انساني نياز است.
سيستمهاي خبره كاربر را قادر به مشاوره با سيستمهاي كامپيوتريدر مورد يك مسئله و يافتن دلايل بروز مسئله و راهحلهاي آن ميكند.در اين حالات مجموعه سختافزار و نرمافزار تشكيل دهنده سيستمخبره، مانند فرد خبره اقدام به طرح سئوالات مختلف و دريافتپاسخهاي كاربر، مراجعه به پايگاه دانش (تجربيات قبلي) و استفاده ازيك روش منطقي براي نتيجهگيري و نهايتا ارائه راهحل مينمايد.همچنين سيستم خبره قادر به شرح مراحل نتيجهگيري خود تا رسيدن بههدف)چگونگي نتيجهگيري(و دليل مطرح شدن يك سئوال اجرايي)روش حركت تا رسيدن به هدف(خواهد بود.
سيستمهاي خبره برخلاف سيستمهاي اطلاعاتي كه بر روي دادهها(Data) عمل ميكنند، بر دانش (Knowledge) متمركز شده است. همچنين دريك فرآيند نتيجهگيري، قادر به استفاده از انواع مختلف دادهها )عدديDigital، نمادي Symbolic و مقايسهاي Analoge( ميباشند.
يكي ديگر ازمشخصات اين سيستمها استفاده از روشهاي ابتكاري (Heuristic) به جايروشهاي الگوريتمي ميباشد. اين توانايي باعث قرار گرفتن محدودوسيعي از كاربردها در برد عملياتي سيستمهاي خبره ميشود. فرآيندنتيجهگيري در سيستمهاي خبره بر روشهاي استقرايي و قياسي پايهگذاريشده است. از طرف ديگر اين سيستمها ميتوانند دلايل خود در رسيدنبه يك نتيجهگيري خاص و يا جهت و مسير حركت خود به سوي هدفرا شرح دهند. با توجه به توانايي اين سيستمها در كار در شرايط فقداناطلاعات كامل و يا درجات مختلف اطمينان در پاسخ به سئوالات مطرحشده، سيستمهاي خبره نماد مناسبي براي كار در شرايط عدم اطمينان(Uncertainty) و يا محيطهاي چند وجهي ميباشند.
مزاياي سيستمهاي خبره را ميتوان به صورت زير دستهبندي كرد:
1-افزايش قابليت دسترسي: تجربيات بسياري از طريق كامپيوتر دراختيار قرار ميگيرد و به طور سادهتر ميتوان گفت يك سيستم خبره،توليد انبوه تجربيات است.
2-كاهشهزينه:هزينهكسبتجربهبرايكاربربهطورزياديكاهشمييابد.
3-كاهش خطر: سيستم خبره ميتواند در محيطهايي كه ممكن استبراي انسان سخت و خطرناك باشد نيز بكار رود.
4-دائمي بودن: سيستمهاي خبره دائمي و پايدار هستند. بعبارتي مانندانسانها نميميرند و فنا ناپذيرند.
5-تجربيات چندگانه: يك سيستم خبره ميتواند مجموع تجربيات وآگاهيهاي چندين فرد خبره باشد.
6-افزايش قابليت اطمينان: سيستمهاي خبره هيچ وقت خسته وبيمار نميشوند، اعتصاب نميكنند و يا عليه مديرشان توطئه نميكنند، درصورتي كه اغلب در افراد خبره چنين حالاتي پديد ميآيد.
7-قدرت تبيين (Explanation): يك سيستم خبره ميتواند مسير و مراحلاستدلالي منتهي شده به نتيجهگيري را تشريح نمايد. اما افراد خبره اغلباوقات بدلايل مختلف (خستگي، عدم تمايل و…) نميتوانند اين عمل رادر زمانهاي تصميمگيري انجام دهند. اين قابليت، اطمينان شما را در موردصحيح بودن تصميمگيري افزايش ميدهد.
8-پاسخدهيسريع:سيستمهايخبره،سريعودراسرعوقتجوابميدهند.
9-پاسخدهي در همه حالات: در مواقع اضطراري و مورد نياز،ممكن است يك فرد خبره بخاطر فشار روحي و يا عوامل ديگر، صحيحتصميمگيري نكند ولي سيستم خبره اين معايب را ندارد.
10-پايگاه تجربه: سيستم خبره ميتواند همانند يك پايگاه تجربهعمل كند وانبوهي از تجربيات را در دسترس قرار دهد.
11-آموزش كاربر: سيستم خبره ميتواند همانند يك خودآموز هوش(Intelligent Tutor) عمل كند. بدين صورت كه مثالهايي را به سيستم خبرهميدهند و روش استدلال سيستم را از آن ميخواهند.
12-سهولت انتقال دانش: يكي از مهمترين مزاياي سيستم خبره،سهولت انتقال آن به مكانهاي جغرافيايي گوناگون است. اين امر برايتوسعهكشورهاييكه استطاعت خريد دانش متخصصانراندارند،مهماست.
كلمه آدمواره (ربات)بعد از به صحنه درآمدن يك نمايش در سال1920 ميلادي در فرانسه متداول و مشهور گرديد. در اين نمايش كه اثر«كارل كپك» بود، موجودات مصنوعي شبيه انسان، وابستگي شديدينسبت به اربابان خويش از خود نشان ميدادند. اين موجودات مصنوعيشبيه انسان در آن نمايش، آدمواره نام داشتند(9).
در حال حاضر آدموارههايي را كه در شاخههاي مختلف صنايع مورداستفاده ميباشند، ميتوان به عنوان «ماشينهاي مدرن، خودكار، قابلهدايت و برنامهريزي»تعريف كرد.
اين آدموارهها قادرند در محلهايمتفاوت خطوط توليد، به طور خودكار، وظايف گوناگون توليدي را تحتيك برنامه از پيش نوشته شده انجام دهند. گاهي ممكن است يكآدمواره، جاي اپراتور در خط توليد بگيرد و زماني اين امكان هم وجوددار كه يك كار مشكل و يا خطرناك به عهده آدمواره واگذار شود.همانطور كه يك آدمواره ميتواند به صورت منفرد يا مستقل به كاربپردازد، اين احتمال نيز وجود دارد كه چند آدمواره به صورت جمعي و بهشكل رايانهاي در خط توليد به كار گرفته شوند.
آدموارهها عموماً داراي ابزار و آلاتي هستند كه به وسيله آنهاميتوانند شرايط محيط را دريابند.اين آلات و ابزار «حس كننده»(10)نام دارند، آدموارهها ميتوانند در چارچوب برنامه اصلي خود، برنامههايجديد عملياتي توليد نمايند. اين آدموارهها داراي سيستمهاي كنترل وهدايت خودكار هستند.
ویژگی های ادمواره ها:
آدموارههاي صنايع علاوه بر اين كه داراي راندمان، سرعت، دقت وكيفيت بالاي عملياتي ميباشند، از ويژگيهاي زير نيز برخوردارند:
1-بسياري از عمليات طاقت فرسا و غيرقابل انجام توسط متصديان راميتوانند انجام دهند.
2-آنها، برخلاف عامل انساني يعني متصدي خط توليد، قادر هستند سهشيفت به كار بپردازند و در اين خصوص نه منع قانوني وجود دارد و نهمحدوديتهاي فيزيولوژيكي نيروي كار.
3-هزينههاي مربوط به جلوگيري از آلودگي صوتي، تعديل هوا و فراهمآوردن روشنايي لازم براي خط توليد، ديگر بر واحد توليد تحميلنخواهد شد.
4-براي اضافه كاري اين آدموارهها، هزينه اضافي پرداخت نميشود.حق بيمه، حق مسكن و هزينه اياب و ذهاب پرداخت نميشود. احتياج بهافزايش حقوق ندارند و هزينهاين نيز از بابت بهداشت و درمان بر واحدتوليدي تحميل نميكنند.
ويژگيهاي ذكر شده سبب ميشوند كه سهم هزينه كار مستقيم نيرويانساني در هزينه محصولات توليدي، واحدهاي توليدي كاهش پيداكند.
پردازش زبانهاي طبيعي (NLP) :
پردازش زبانهاي طبيعي بعنوان زيرمجموعهاي از هوش مصنوعي،ميتواند توصيهها و بيانات را با استفاده از زباني كه شما به طور طبيعي درمكالمات روزمره بكار ميبريد، بفهمد و مورد پردازش قرار دهد.
به طوركلي نحوه كار اين شاخه از هوش مصنوعي اين است كه زبانهاي طبيعيانسان را تقليد ميكند. در اين ميان، پيچيدگي انسان از بعد روانشناسي برروي ارتباط متعامل تاثير ميگذارد.
در پردازش زبانهاي طبيعي، انسان و كامپيوتر ارتباطي كاملا نزديكبا يكديگر دارند. كامپيوتراز لحاظ رواني در مغز انسان جاي داده مي شود.
بدين ترتيب يك سيستم خلاق شكل مي گيرد كه انسان نقش سازمان دهنده اصلي آن را برعهاده دارد. اگر چه هنوز موانع روانشناختي و زبانشناختي بسياري بر سر راه سبستمهاي محاوره اي وجود دارد. اما چشم اندهزهاي پيشرفت آنها يقيناً نويدبخش است. در حقيقت، توقعات يكسان از محاوره انسان- ماشني و محاوره انسان- انسان، معقول نيست.
بدين ترتيب سئوالاتي نظير اينكه هوش مصنوعي چيست، تفاوتهوش مصنوعي و هوش طبيعي (انساني) در چيست، شاخههاي عمدههوش مصنوعي كدامند؟ و نهايتاً جزاي هوش مصنوعي مشخص شد. دربخش دوم، ميتوان كاربردهاي هوش مصنوعي در صنايع و مؤسساتتوليدي، بخصوص در زمينه سيستمهاي خبره و آدموارهها را مورد مطالعهو تجزيه و تحليل قرار داد.
== تکنیکها وزبانهای برنامه نویسی هوش مصنوعی ==
عملکرد اولیه برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه سمبولیک است زبانهای برنامه نویسی LISP,PROLOG علاوه بر اینکه از مهمترین زبانهای مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی ومعنایی انها باعث شده که انها شیوهها وراه حلهای قوی برای حل مسئله ارایه کنند.
تاثیر قابل توجه این زبانها بر روی توسعه AI از جمله تواناییهای انها عنوان«ابزارهای فکرکردن»می باشد . در حقیقت همانطور که هوش مصنوعی مراحل رشد خود را طی میکند زبانهای LISP,PROLOGبیشتر مطرح میشوند این زبانها کار خود را در محدوده توسعه سیستمهای AIدر صنعت ودانشگاهها دنبال میکنند وطبیعتاً اطلاعات در مورد این زبانها بعنوان بخشی از مهارت هر برنامه نویس AIمیباشد.
PROLOGیک زبان برنامه نویسی منطقی است .یک برنامه منطقی دارای یک سری ویژگیهای قانون ومنطق است . در حقیقت خود این نام از برنامه نویسی PROدر LOGIC میآید .
در این زبان یک مفسر برنامه را بر اساس یک منطق مینویسد .ایده استفاده توصیفی محاسبهٔ اولیه برای بیان خصوصیات حل مسئله یکی از محوریتهای مشارکت PROLOGمی باشد که برای علم کامپیوتر بطورکلی وبطور اخص برای زبان برنامه نویسی هوشمند مورد استفاده قرار میگیرند .
اصولاً LISP یک زبان کامل است که دارای عملکردها ولیستهای لازمه برای توصیف عملکردهای جدید, تشخیص تناسب وارزیابی معانی میباشد LISP به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را میدهد گر چه LISP یکی از قدیمی ترین ترین زبانهای محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه نویسی وطراحی توسعه باعث شده که این یک زبان برنامه نویسی فعال باقی بماند .
در حقیقت این مدل برنامه نویسی طوری موثر بودهاست که تعدادی از دیگر زبانها براساس عملکرد برنامه نویسی آن بنا شدهاند :مثل . FP, ML, SCHEME
یکی از مهمترین برنامههای مرتبط با LISP برنامه SCHEME میباشد که یک تفکر دوباره در باره زبان در آن وجود دارد که بوسیله توسعه AI وبرای آموزش واصول علم کامپیوتر مورد استفاده قرار میگیرد.
== مدیریت پیچیدگی ==
ایجاد و ابداع فنون و تکنیکهای لازم برای مدیریّت [[پیچیدگی]] را باید به عنوان هستهٔ بنیادین تلاشهای علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینههای علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد. شیوهها و تکنیکهای هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمدهاست که به طور سهل و آسان توسط برنامهنویسی تابعی (Functional programming)، یا شیوههای ریاضی قابل حلّ نبودهاند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق میآییم و میتوانیم بر روی بخشهایی از مسئله متمرکز شویم که مهمتر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایهها و ترازهای بالاتر از هوشمندی [[تجرید (رایانه) | تجرید]] را نشانه میرود، تا آنجا که، سرانجام برنامههای کامپوتری درست در همان سطحی کار خواهند کرد که خود انسانها رسیدهاند.
به یاری [[پژوهش|پژوهشهای]] گسترده دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیمودهاست. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کردهاست.
یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و [[احساسات]] خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش [[دامنه]] دانش و تجربیاتش کند.
برای نمونه [[روبات|روباتی]] هوشمند که بتواند اعضای بدن خود را به حرکت درآورد، این روبات نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش میدهد و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن دست مییابد، که سازندگانش برای او متصور نبودهاند.
هر چند نمونه بالا ممکن است کمی آرمانی به نگر برسد، ولی به هیچ عنوان دور از دسترس نمیباشد. دانشمندان, عموماً برای تولید چنین ماشینهایی، از وجود مدلهای زندهای که در طبیعت وجود، به ویژه آدمی نیز سود بردهاند.
هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز میباشد. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند, پایگاههای دادهای پیشرفته، موتورهای جستجو، و بسیاری [[نرمافزار]]ها و ماشینها از نتایج پژوهشهایی در راستای هوش مصنوعی بودهاند.
== عاملهای هوشمند ==
عاملها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود میباشند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف میشود. این سیستمها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام میدهند. پس عاقلانه رفتار میکنند، هر چند الزاما مانند انسان فکر نمیکنند.
هوش مصنوعى تركيبى
از بدو مطرح شدن هوش مصنوعى به عنوان يك Discipline در علوم رايانه، دو طرز تفكر در تحقق سيستم هاى هوشمند مطرح بوده است، شايد بتوان آن دو را در پردازش نمادين و پردازش عددى تعريف نمود. براى درك پردازش نمادين مى توانيم به يك مثال اشاره داشته باشيم.
فرض كنيد از يك نوازنده پيانو سوال مى كنيم كه چگونه پيانو مى نوازى؟! اين نوازنده با استفاده از يك سرى بيانات و شايد حركات، روش كار خود را به ما نشان مى دهد و به احتمال زياد شيوه عمل او را هم درك مى كنيم و اگر كمى جديت به خرج دهيم شايد حتى بتوانيم چند نت را هم به گونه اى جميع تكرار نماييم. حال فرض كنيد، مى خواهيم اين رفتار را با استفاده از يك فرمول رياضى(پردازش عددى) مدل كرده و مثلا با استفاده از يك ربات تكرار كنيم.
سوال اين خواهد بود كه آيا مدل رياضى كه منحصر به روابط بين يك سرى كيفيتهاى رقمى است، قادر به انجام اين عمل خواهد بود؟ فكر مى كنیم جواب شما منفى باشد. در ادامه به يك وضعيت ديگر اشاره مى كنیم.
فرض كنيد مى خواهيد از يك خيابان كه ماشين ها با سرعت عبور مى كنند، بگذريد. آيا روش تصميم گيرى شما در رابطه با عبور كردن بر مبناى پردازش يك سرى اندازه گيرى انجام شده است؟ براى مثال آيا سرعت ماشين را تخمين زده و با در نظر گرفتن عرض خيابان، سرعت خود را محاسبه مى كنيد؟ به احتمال زياد در اين صورت مطمئناً شانس رسيدن شما به آن طرف خيابان بسيار پايين مى باشد و يا زمان بسيار زيادى طول خواهد كشيد كه تصميم به عبور از خيابان را به مرحله اجراء در آوريد.
در اين گونه شرايط ، روش برخورد ما به اين صورت خواهد بود كه: « به نظر مى رسد ماشين آهسته حركت مى كند؛ به آن طرف خيابان خواهم رسيد» در اين نوع پردازش انسان مواجه با تعداد زيادى نماد symbols مى باشد و با استفاده از اين نمادها براى تصميم گيرى اقدام مى كند.
اين نوع تصميم گيريها به طور واضح در رفتار آدمى مشاهده مى شود و طبيعى است كه پردازش نمادين از جايگاهى ويژه در علم هوش مصنوعى برخوردار است. در كنار پردازش نمادين در انسان مى دانيم كه مغز انسان از يك مجموع منسجم سلول هاى عصبى تشكيل شده است و مدل هاى ارائه شده براى اين سيستم عصبى بر مبناى پردازش عددى عمل مى كند.
چگونگى عمل سيستم طبيعى عصبى به طور واضح براى انسان مشخص نشده است و از آنجا كه مدل هاى ارائه شده،از قابليتهاى بسيار بالايى برخوردار هستند و در كاربردهاى زيادى از خود كارآيى خوبى ارائه كرده اند، به نظر مى رسد از واقعيت امر زياد دور نباشند. بنا براين، شايد بتوان گفت، انسان به طور كلى در سطح بالاى تصميم گيرى از پردازش نمادين استفاده مى كند و در سطوح حسى و واكنشهاى عصبى خود يك نوع پردازش عددى را به كار مى گيرد.
بنابراين، رفتار هوشمندانه آدمى ناشى از يك روش نمادين تفكر در كنار محاسبات عصبى مغز مى باشد. همانگونه كه مطرح شد، اين دو محور در هوش انسان از بدو پيدايش هوش مصنوعى، به صورت دو ديدگاه معرفى شده اند. از يك ديد، هدف ساختن مغز مصنوعى(شبكه هاى عصبى مصنوعى) است كه در صورت وجود اين سخت افزار مى توان توقع داشت ماشينى كه به اين وسيله مجهز شود، رفتار هوشمندانه از خود نشان دهد.از ديدگاه دوم، هدف، مدل سازى روش تفكر انسان است كه با استفاده از آن انسان تصميم گيريهاى هوشمندانه مى كند.
در دهه هاى ۵۰ و ۶۰ محور اول به عنوان محور اصلى در مخلوقات هوش مصنوعى مطرح بوده است ولى در دهه ،۷۰ پردازش نمادين به عنوان فهم روش تفكر در طراحى سيستم هاى هوشمندان مطرح شد.
خوشبختانه، در ۱۰ سال اخير محققان به اين نتيجه رسيده اند كه براى ساختن يك سيستم هوشمند كه بتواند در حوزه هاى (Domains) مختلف عمل كند، و يك مسأله پيچيده را حل كند، اعتماد كردن به يك روش(يا بينش) كافى نخواهد بود و از اين رو فلسفه هوش مصنوعى تركيبى (Hybrid Artificial Intelligence) مطرح شده است.
به طور كلى سه روش تركيب تكنيكهاى هوش مصنوعى در جهت ساخت يك سيستم هوشمند ارائه شده است كه در ذيل به اختصار به آنها مى پردازيم.در روش اول از يك تكنيك خاص جهت اجراى يك function در يك تكنيك ديگر هوش مصنوعى استفاده مى كنيم.
براى مثال در طراحى يك سيستم كنترلى فازى چندين بلوك وجود دارد كه هر كدام كار مشخصى را انجام مى دهند. يكى از اين بلوكها جهت انجام Justification طراحى مى شود. در يك سيستم تركيبى مى توان از شبكه هاى عصبى در انجام اين كار استفاده نمود. البته در اينجا در مورد مزايا يا معايب اين تركيب سخنى گفته نخواهد شد.
در يك مثال ديگر مى توان به كاربرد روشهاى ژنتيكى در امر يادگيرى شبكه هاى عصبى اشاره نمود.در روش دوم جهت ساخت يك سيستم پيچيده، آن سيستم را تجزيه نموده(به زير سيستم هاى كوچكتر تقسيم نموده) و بعد از آن هر زير سيستم را با يك روش مناسب هوشمند پياده سازى مى كنيم.
براى مثال جهت كنترل يك فرآيند پيچيده صنعتى از شبكه هاى عصبى جهت پيشگويى و مدل سازى يك سرى از پارامترهاى كليدى استفاده مى شود و نتايج به دست آمده جهت تصميم گيريهاى كلى به يك سيستم خبره داده مى شود.
سيستم خبره در اصل حكم يك مدير پروسه متخصص را دارد كه با استفاده از پارامترهاى توليد شده در سطح پايين تر تصميم گيرى مى كند. بسيارى از مسائل پيچيده از اين طبيعت برخوردار هستند و شكستن آن به مسائل كوچكتر و به كارگيرى روش مناسب براى حل هر كدام به صورت مجزا و در نهايت ادغام كردن نتايج به دست آمده، به حل درست مسأله اصلى كمك خواهد نمود.
روش آخر استفاده از يك روش هوشمند در پياده سازى يك روش ديگر مى باشد. براى مثال مى توان به پياده سازى يك سيستم خبره با استفاده از شبكه هاى عصبى اشاره نمود.
در اينجا هر نرون در شبكه عصبى يك قانون در پايگاه دانش مى باشد و با استفاده از محاسبات عصبى روش استنتاج را پياده مى كنيم. مثال ديگر به كارگيرى گرامرها در تحليل و نمايش دانش آموخته شده در شبكه هاى عصبى
مى باشد. البته توجه به اين نكته لازم مى باشد كه يك سيستم تركيبى هوشمند نبايد الزا ما ًاز روشهاى هوشمند در پياده سازى استفاده كند. در پياده سازى يك سيستم شايد نياز به به كارگيرى روشهاى آمارى، رياضى و تحليلى... نيز وجود داشته باشد.
4. http//mashamizi.webs.com
درباره وبلاگ
