هوش مصنوعی:
هوش مصنوعی روشی است در جهت هوشمند کردن کامپیوتر تا قادر باشد در هر لحظه تصمیم گیری کرده و اقدام به بررسی یک مسئله نماید. هوش مصنوعی، کامپیوتر را قادر به تفکر می کند و روش آموختن انسان را تقلید می نماید. بنابراین اقدام به جذب اطلاعات جدید جهت بکارگیری مراحل بعدی می پردازد.
مغز انسان به بخش هایی تقسیم شده است که هر بخش وظیفه خاص خود را جدا از بقیه انجام می دهد. اختلال در کار یک بخش تاثیری در دیگر قسمت های مغز نخواهد گذاشت. در برنامه های هوش مصنوعی نیز این مسئله رعایت می شود درحالی که در برنامه های غیر هوش مصنوعی مثل C یا Pascal تغییر در برنامه روی سایر قسمت های برنامه و اطلاعات تاثیر دارد.
مباحث کاربردی و مهم در تحقق یک سیستم هوش مصنوعی :
1- سیستم های خبره(Expert Systems)
2- شبکه های عصبی(Neural Network)
3- الگوریتم های ژنتیک(Genetic Algorithms)
4- سیستم های منطق فازی(Fuzzy Logic Systems)
هوش مصنوعی:
هوش مصنوعی روشی است در جهت هوشمند کردن کامپیوتر تا قادر باشد در هر لحظه تصمیم گیری کرده و اقدام به بررسی یک مسئله نماید. هوش مصنوعی، کامپیوتر را قادر به تفکر می کند و روش آموختن انسان را تقلید می نماید. بنابراین اقدام به جذب اطلاعات جدید جهت بکارگیری مراحل بعدی می پردازد.
مغز انسان به بخش هایی تقسیم شده است که هر بخش وظیفه خاص خود را جدا از بقیه انجام می دهد. اختلال در کار یک بخش تاثیری در دیگر قسمت های مغز نخواهد گذاشت. در برنامه های هوش مصنوعی نیز این مسئله رعایت می شود درحالی که در برنامه های غیر هوش مصنوعی مثل C یا Pascal تغییر در برنامه روی سایر قسمت های برنامه و اطلاعات تاثیر دارد.
مباحث کاربردی و مهم در تحقق یک سیستم هوش مصنوعی :
1- سیستم های خبره(Expert Systems)
2- شبکه های عصبی(Neural Network)
3- الگوریتم های ژنتیک(Genetic Algorithms)
4- سیستم های منطق فازی(Fuzzy Logic Systems)
سیستم های خبره:
برنامه هایی هستند که رفتار یک انسان متخصص در یک زمینه بخصوص را تقلید می کنند. این برنامه از اطلاعاتی که استفاده کننده در آن ها ذخیره می کند جهت اعلام یک عقیده در یک موضوع بخصوص استفاده می کند. از اینرو سیستم های خبره تا هنگامی که بتوانند موضوعی را که با پاسخ های شما مطابقت داشته باشد بیابند به سوال کردن از شما ادامه می دهند. به منظور درک کردن آنچه که یک سیستم متخصص انجام می دهد مکالمه زیر که بین یک متخصص در امور میوه و فرد دیگری که می خواهد از وی توصیه ای در این مورد دریافت کند را در نظر بگیرید:
- متخصص: آیا میوه سبز است؟
- استفاده کننده: خیر.
- متخصص: آیا میوه قرمز است؟
- استفاده کننده: بله.
- متخصص: آیا این میوه روی درخت رشد می کند؟
- استفاده کننده: خیر.
- متخصص: آیا این میوه روی یک بوته رشد می کند؟
- استفاده کننده: بله.
- متخصص: آیا این بوته تیغ دارد؟
- استفاده کننده: بله.
- متخصص: این میوه تمشک است!
هدف از طراحی یک سیستم متخصص کامپیوتری در امر میوه تولید این مکالمه است.
در حالت عمومی تر سیستم متخصص سعی می کند که به استفاده کننده از خود در مورد موضوعی که از آن مطلع است راهنمایی دهد.
مزایای یک سیستم خبره چیست؟
میزان مطلوب بودن یک سیستم خبره اصولا به میزان قابلیت دسترسی به آن و میزان سهولت کار با آن بستگی دارد.
می توان مزایایی که یک سیستم خبره در برابر انسان خبره دارد را به این صورت نام برد:
- برخلاف انسان متخصص که نیاز به خواب، استراحت و غذا و ... دارد، یک سیستم متخصص 24 ساعت در شبانه روز و 365 روز در سال قابل دسترس است.
- دانش سیستم خبره از بین نمی رود بلکه می توان آنرا ذخیره نمود و حتی بسادگی می توان آنرا کپی برداری کرد.
- یک سیستم متخصص همواره دارای حداکثر کارآیی خود است ولی به محض آنکه یک انسان متخصص خسته شود صحت توصیه های وی ممکن است کاهش یابد.
- یک سیستم متخصص دارای شخصیت نیست. همانطور که شما هم درک کرده اید شخصیت های افراد مختلف اغلب با یکدیگر سازگار نیستند. اگر شما با یک متخصص رفیق یا دوست یا حداقل موافق نباشید، آنگاه احتمالا شانس اندکی برای استفاده از دانش این فرد خواهید داشت. عکس این حالت نیز صحیح است.
- آخرین برتری سیستم های خبره این است که به سادگی و با کپی برداری این برنامه از دستگاهی به دستگاه دیگر و در کمترین زمان ممکن می توان یک سیستم متخصص دیگر بوجود آورد در حالی که تبدیل یک انسان به یک متخصص زمانی طولانی نیاز دارد.
مثال هایی از سیستم های متخصص تجاری:
MYCIN اولین سیستم متخصص موفق جهان بود که در سال 1970 در دانشگاه استنفورد طراحی شد. هدف از ساخت این سیستم کمک به پزشکان در تشخیص بیماری های ناشی از باکتری بود. مشکل عمده در تشخیص بیماری برای یک پزشک آن است که تشخیص سریع و قاطع یک بیماری با توجه به تعداد بسیار زیاد بیماری موجود، عملی دشوار است.MYCIN با تشخیص دادن قاطع بیماری ها توانست که این نیاز را برآورده سازد.
PROSPECTOR یک متخصص در امر زمین شناسی است که احتمال وجود رسوبات معدنی در یک ناحیه بخصوص را پیش بینی می کند. این سیستم در سال 1987 توسط « ریچارد دودا» و « پیتر هارد» و « رنه ربو» ساخته شد.
در اوایل دهه 80 سیستم های متخصص به بازار عرضه شد که می توانستند مشورت های مالیاتی، توصیه های بیمه ای و یا قانونی را به استفاده کنندگان خود ارائه دهند.
سیستم های متخصص چگونه کار می کنند؟
هر سیستم متخصص از دو بخش تشکیل می شود:
- بانک اطلاعاتی
- تولید کننده مکالمه
بانک اطلاعاتی :
منظور از بانک اطلاعاتی در اینجا مکانیسم نگهداری اطلاعات و قوانین ویژه ای در مورد یک موضوع بخصوص می باشد. با این توصیف دو اصطلاح زیر تعریف می شود:
- شیء(Object): منظور از شیء در اینجا نتیجه ای است که با توجه به قوانین مربوط به آن تعریف می گردد.
- شاخص(Attribute): منظور از شاخص یا «صفت» یک کیفیت ویژه است که با توجه به قوانینی که برای آن در نظر گرفته شده است به شما در تعریف شیء یاری می دهد.
بنابراین می توان بانک اطلاعاتی را بصورت لیستی از اشیاء که در آن قوانین و شاخص های مربوط به هر شیء نیز ذکر شده است در نظر گرفته شود.
در ساده ترین حالت( که در اکثر کاربرد ها نیز همین حالت بکار می رود) قانونی که به یک شاخص اعمال می شود این مطلب را بیان می کند که آیا شیء مورد نظر شاخص دارد یا ندارد؟
یک سیستم متخصص که انواع مختلف میوه را شناسایی می کند احتمالا دارای بانک اطلاعاتی به صورت زیر خواهد بود:
شیء | قانون | شاخص |
سیب | دارد | روی درخت رشد می کند. |
دارد | گرد است | |
دارد | رنگ قرمز یا زرد است | |
ندارد | در کویر رشد می کند | |
انگور | ----- | ------------------- |
بانک ساده شده بالا با تنها استفاده از قانون دارد:
شیء شاخص هایی که دارد
سیب رشد روی درخت
گرد بودن
رنگ قرمز یا زرد
رشد نکردن در کویر
تولید کننده مکالمه:
آن بخش از سیستم متخصص است که سعی می کند از اطلاعاتی که شما ذخیره کرده اید جهت یافتن یک شیء منطبق با خواسته شما استفاده نماید. دو نوع عمده از تولید کننده های مکالمه وجود دارد :
- قطعی
- احتمالی
برخی قوانین قطعی هستند. به عنوان مثال یک شیمیدان می تواند با قطعیت و یقین اعلام کند که اگر اتم مورد نظر دارای 2 الکترون باشد آنگاه این اتم به عنصر هلیم تعلق دارد. اکثر قوانین قطعی نیستند بلکه با یک درصد مشخص، احتمال وقوع آن ها می رود. با این وجود در بسیاری از اینگونه موارد عامل عدم قطعیت از نظر آماری اهمیت چندانی ندارد و از این رو شما می توانید با این قوانین بصورت قوانین جبری برخورد کنید.
در رابطه با این دو گروه عمده( یعنی قطعی و عدم قطعی) سه روش اساسی برای ساخت «تولید کننده مکالمه» وجود دارد:
- استدلال پیشرو Forward Chaining
- زنجیره سازی پسرو Backward Chaining
- ارزشیابی Rule-Value
تفاوت بین این سه روش به شیوه ای که «تولید کننده مکالمه» توسط آن سعی می کند به هدف خود برسد بستگی دارد.
منبع:irandoc.ac.ir
عالی بود