آبجی
3rd February 2010, 12:50 PM
تاريخچه
تعيين دقيق تاريخ ايجاد چيزي كه به اصطلاح «هوش مصنوعي» ناميده مي‌شود، كاري دشوار است. با اين وجود آنچه كه امروزه به‌عنوان هوش مصنوعي مطرح شده از حوالي 196 يعني هنگامي كه جان مك‌كارتي در دانشگاه MIT زبان LISP را به‌وجود آورد، شروع به شكل گرفتن كرد.
LISP اولين زبان تحقيقاتي در زمينه هوش مصنوعي بود. البته اصطلاح "هوش مصنوعي" اغلب با نام ماروين مينسكي همراه است. او نخستين كسي است كه در سال 1961 مقاله‌اي تحت عنوان "گام‌هايي به‌سوي هوش مصنوعي" را نوشت. دهه 60 دوره‌اي بود كه روي امكان وادار ساختن يك كامپيوتر به تفكر، تحقيقات بسياري صورت گرفت و در همين دهه بود كه اولين كامپيوتر شطرنج‌باز ساخته شد. اين كامپيوتر اولين و مشهورترين الگوريتم رياضي كامپيوتري را عرضه كرد. اين الگوريتم برنامه ELIZA بود كه در سال 1964 توسط "ژوزف وايزن‌باوم" نوشته شده بود. برنامه ELIZA همانند يك روانكاو فرويدي عمل مي‌كرد.
در اواخر دهه 70 موفقيت‌هايي نظير پردازش زبان‌هاي طبيعي (NLP) و حل مسايل به‌دست آمد و اين موفقيت‌ها زمينه لازم جهت ارايه اولين فرآورده تجاري هوش مصنوعي يعني سيستمهاي خبره را فراهم كرد.
ابداع زبان Prolog نيز گام ديگري بود كه در سال 1972 در شهر مارسي فرانسه برداشته شد كه همانند LISP زباني جهت كمك به حل مسايل هوش مصنوعي بود كه بر خلاف LISP داراي قابليت‌هاي ممتاز و ساختار دستوري ساده بود.
هوش در ماشين
براي اينکه بگوييم يك ماشين باهوش است يا خير، نياز داريم كه هوش را تعريف كنيم، اما مشكل اصلي آن است كه هنوز نمي‌توان هوش را به‌طور دقيق تعريف كرد كه اگر به فرض بتوانيم آن را تعريف كنيم، فقط توانسته‌ايم هوش انسان را تعريف كنيم، نه هوش ماشيني را!
اگر بخواهيم هوش ماشيني را با هوش انساني مقايسه كنيم، اكثر ماشين‌ها آن عملي را كه انسان انجام مي‌دهد، انجام نمي‌دهند. اما اگر اين قيد را برداريم به‌سادگي مي‌توان گفت كه برنامه‌هاي باهوش مي‌توانند وجود داشته باشند.
يك برنامه (ماشين) باهوش برنامه‌اي است كه در هنگام مواجه شدن با يك مسئله يكسان رفتاري مشابه با رفتار انسان از خود بروز دهد. اما لزومي ندارد كه اين برنامه حقيقتا يك مسئله را به همان ترتيبي كه يك انسان حل مي‌كند، حل كند يا اينکه سعي كند اين كار را انجام دهد.
موضوعات عمده در هوش مصنوعي
زمينه هوش مصنوعي از چندين زمينه مطالعاتي كوچك‌تر تشكيل شده است كه اعم آن‌ها چنين هستند.
جست‌وجو جهت يافتن راه‌حل‌ها
پردازش زبان طبيعي
ربات‌ها
سيستمهاي متخصص (خبره)
منطق
منطق مبهم و عدم قطعيت
يادگيري ماشين
تشخيص الگو
در نظر بسياري از متخصصان پردازش‌هاي زبان‌هاي طبيعي، سخت‌ترين مسئله‌اي است كه بايد حل شود زيرا به اين ترتيب كامپيوتر مي‌تواند زبان‌هاي انسان‌ها را به‌طور مستقيم درك كند. بزرگ‌ترين مانع در اين راه ابعاد پيچيدگي زبان‌هاي انساني است.
سيستمهاي خبره
سيستمهاي خبره (Expert System)اولين فرآورده‌هاي تجاري به‌وجود آورده از هوش مصنوعي محسوب مي‌شوند. اين سيستم‌ها همانند يك فرد متخصص مي‌توانند در زمينه مورد نظر فعاليت كنند و يا طرف مشورت قرار بگيرند.
تعاريف مختلفي براي اين سيستم‌ها بيان شده‌است كه به چند مورد آن اشاره مي‌كنيم:
1- برنامه هوشمند كامپيوتري كه از دانسته‌ها و رويدادهاي استنباطي براي حل مسايل (كه به قدر كافي براي انسان متخصص حل آن‌ها مشكل است) استفاده مي‌كند.
2- به مدلي مي‌گويند كه با استفاده از متدهاي هوش مصنوعي و با به‌كارگيري به‌صورت انساني به حل مسايلي مي‌پردازد كه نياز به هوش انسان خبره دارد.
3- سيستمي است كه هدف آن تصميم‌گيري در چارچوب مشخص همانند تصميم‌گيري يك انسان خبره است.
مزاياي سيستم خبره چيست؟
ميزان مطلوبيت يك سيستم خبره اصولا به ميزان قابليت دسترسي به آن و نيز ميزان سهولت كار آن بستگي دارد بر خلاف يك انسان متخصص و خبره كه به خواب، غذا، استراحت، مرخصي و... نياز دارد. يك سيستم خبره در تمام ساعات شبانه‌روز و تمام روزهاي سال قابل دسترسي است. قابليت توليد سيستم متخصص بالاست ولي سيستم خبره را نمي‌توان به وفور توليد كرد. علاوه بر اين‌ها يك سيستم خبره هرگز نمي‌ميرد و دانش خود را از دست نمي‌دهد، زيرا دانش سيستم را مي‌توان به‌سادگي كپي‌برداري و ذخيره كرد، ديگر اينکه سيستم بر خلاف انسان همواره در حالت ايده‌آل و حداكثر توانايي خود به‌سر مي‌برد. اگر يك انسان خبره خسته شود، صحت توصيه‌هاي آن ممكن است كاهش يابد.
به‌عنوان يك مزيت كم اهميت‌تر، مي‌توان گفت كه سيستم خبره "شخصيت" ندارد! ممكن است شخصيت انسان خبره با اخلاق و شخصيت شما سازگار نباشد. شما ممكن است كه از مشاوره با آن فرد متخصص بهره كافي را نبريد يا متخصص نخواهد كه دانش خودش را در اختيار شما قرار دهد. اما اين مورد در سيستمهاي متخصص (در حال حاضر) منتفي است.
اجزاي سيستم خبره (يك نظر اجمالي)
يك سيستم خبره معمولا از قسمت‌هاي زير تشكيل شده است:
پايگاه دانسته‌ها يا بانك اطلاعاتي، اطلاعات موجود در اين بانك عموما دو جزء دارد: شيء (Object) كه مفهوم آن روشن است و مشخصه (Attribate) كه صفت يا كيفيت ويژه شيء است.
توليدكننده مكالمه يا موتور استنباط (Inference Engine) كه مي‌توان آن را به مغز انسان تشبيه كرد. براي ساخت اين قسمت سه روش عمده وجود دارد: استدلال پيشرو (Forward Chaining)، استدلال پسرو (Backward Chaining) و ارزشيابي (rule – value)
كسب دانسته‌ها و ارايه تفسير و تشريح براي استدلال‌هايي كه يك سيستم خبره ارايه مي‌دهد را نيز مي‌توان از قسمت‌هاي سيستمهاي خبره دانست.
همچنين مثلا شما مي‌توانيد با يك سيستم خبره بحث كنيد. در اين‌جا، منظور از بحث عباراتي است كه به‌طور منطقي به يكديگر متصل شده و به يك نتيجه منجر مي‌شوند. اين عبارات شامل دلايل رياضي منطق صوري و منطق فلسفي مي‌شوند. در نظر داشته باشيد كه اكثر تصميم‌گيري‌هايي كه ما انجام مي‌دهيم بر اساس آگاهي غيركامل است. بدين معني كه هنگامي كه شما يك خانه مي‌خريد نمي‌دانيد كه آيا همه لوله‌كشي‌هاي آن سالمند يا خير و تصميم شما براي ديدن اين خانه بر اساس فرضيات متعددي صورت گرفته كه هر يك داراي مقداري احتمال و به‌عبارت ديگر امكان درست بودن است. كامپيوتري كه قادر به فكر كردن است، در اين موارد از روش منطق فازي يا مبهم استفاده مي‌كند. در اين منطق تصميم‌گيري‌ها بر اساس اطلاعات غيركامل و غيرقطعي انجام مي‌گيرد
تعيين دقيق تاريخ ايجاد چيزي كه به اصطلاح «هوش مصنوعي» ناميده مي‌شود، كاري دشوار است. با اين وجود آنچه كه امروزه به‌عنوان هوش مصنوعي مطرح شده از حوالي 196 يعني هنگامي كه جان مك‌كارتي در دانشگاه MIT زبان LISP را به‌وجود آورد، شروع به شكل گرفتن كرد.
LISP اولين زبان تحقيقاتي در زمينه هوش مصنوعي بود. البته اصطلاح "هوش مصنوعي" اغلب با نام ماروين مينسكي همراه است. او نخستين كسي است كه در سال 1961 مقاله‌اي تحت عنوان "گام‌هايي به‌سوي هوش مصنوعي" را نوشت. دهه 60 دوره‌اي بود كه روي امكان وادار ساختن يك كامپيوتر به تفكر، تحقيقات بسياري صورت گرفت و در همين دهه بود كه اولين كامپيوتر شطرنج‌باز ساخته شد. اين كامپيوتر اولين و مشهورترين الگوريتم رياضي كامپيوتري را عرضه كرد. اين الگوريتم برنامه ELIZA بود كه در سال 1964 توسط "ژوزف وايزن‌باوم" نوشته شده بود. برنامه ELIZA همانند يك روانكاو فرويدي عمل مي‌كرد.
در اواخر دهه 70 موفقيت‌هايي نظير پردازش زبان‌هاي طبيعي (NLP) و حل مسايل به‌دست آمد و اين موفقيت‌ها زمينه لازم جهت ارايه اولين فرآورده تجاري هوش مصنوعي يعني سيستمهاي خبره را فراهم كرد.
ابداع زبان Prolog نيز گام ديگري بود كه در سال 1972 در شهر مارسي فرانسه برداشته شد كه همانند LISP زباني جهت كمك به حل مسايل هوش مصنوعي بود كه بر خلاف LISP داراي قابليت‌هاي ممتاز و ساختار دستوري ساده بود.
هوش در ماشين
براي اينکه بگوييم يك ماشين باهوش است يا خير، نياز داريم كه هوش را تعريف كنيم، اما مشكل اصلي آن است كه هنوز نمي‌توان هوش را به‌طور دقيق تعريف كرد كه اگر به فرض بتوانيم آن را تعريف كنيم، فقط توانسته‌ايم هوش انسان را تعريف كنيم، نه هوش ماشيني را!
اگر بخواهيم هوش ماشيني را با هوش انساني مقايسه كنيم، اكثر ماشين‌ها آن عملي را كه انسان انجام مي‌دهد، انجام نمي‌دهند. اما اگر اين قيد را برداريم به‌سادگي مي‌توان گفت كه برنامه‌هاي باهوش مي‌توانند وجود داشته باشند.
يك برنامه (ماشين) باهوش برنامه‌اي است كه در هنگام مواجه شدن با يك مسئله يكسان رفتاري مشابه با رفتار انسان از خود بروز دهد. اما لزومي ندارد كه اين برنامه حقيقتا يك مسئله را به همان ترتيبي كه يك انسان حل مي‌كند، حل كند يا اينکه سعي كند اين كار را انجام دهد.
موضوعات عمده در هوش مصنوعي
زمينه هوش مصنوعي از چندين زمينه مطالعاتي كوچك‌تر تشكيل شده است كه اعم آن‌ها چنين هستند.
جست‌وجو جهت يافتن راه‌حل‌ها
پردازش زبان طبيعي
ربات‌ها
سيستمهاي متخصص (خبره)
منطق
منطق مبهم و عدم قطعيت
يادگيري ماشين
تشخيص الگو
در نظر بسياري از متخصصان پردازش‌هاي زبان‌هاي طبيعي، سخت‌ترين مسئله‌اي است كه بايد حل شود زيرا به اين ترتيب كامپيوتر مي‌تواند زبان‌هاي انسان‌ها را به‌طور مستقيم درك كند. بزرگ‌ترين مانع در اين راه ابعاد پيچيدگي زبان‌هاي انساني است.
سيستمهاي خبره
سيستمهاي خبره (Expert System)اولين فرآورده‌هاي تجاري به‌وجود آورده از هوش مصنوعي محسوب مي‌شوند. اين سيستم‌ها همانند يك فرد متخصص مي‌توانند در زمينه مورد نظر فعاليت كنند و يا طرف مشورت قرار بگيرند.
تعاريف مختلفي براي اين سيستم‌ها بيان شده‌است كه به چند مورد آن اشاره مي‌كنيم:
1- برنامه هوشمند كامپيوتري كه از دانسته‌ها و رويدادهاي استنباطي براي حل مسايل (كه به قدر كافي براي انسان متخصص حل آن‌ها مشكل است) استفاده مي‌كند.
2- به مدلي مي‌گويند كه با استفاده از متدهاي هوش مصنوعي و با به‌كارگيري به‌صورت انساني به حل مسايلي مي‌پردازد كه نياز به هوش انسان خبره دارد.
3- سيستمي است كه هدف آن تصميم‌گيري در چارچوب مشخص همانند تصميم‌گيري يك انسان خبره است.
مزاياي سيستم خبره چيست؟
ميزان مطلوبيت يك سيستم خبره اصولا به ميزان قابليت دسترسي به آن و نيز ميزان سهولت كار آن بستگي دارد بر خلاف يك انسان متخصص و خبره كه به خواب، غذا، استراحت، مرخصي و... نياز دارد. يك سيستم خبره در تمام ساعات شبانه‌روز و تمام روزهاي سال قابل دسترسي است. قابليت توليد سيستم متخصص بالاست ولي سيستم خبره را نمي‌توان به وفور توليد كرد. علاوه بر اين‌ها يك سيستم خبره هرگز نمي‌ميرد و دانش خود را از دست نمي‌دهد، زيرا دانش سيستم را مي‌توان به‌سادگي كپي‌برداري و ذخيره كرد، ديگر اينکه سيستم بر خلاف انسان همواره در حالت ايده‌آل و حداكثر توانايي خود به‌سر مي‌برد. اگر يك انسان خبره خسته شود، صحت توصيه‌هاي آن ممكن است كاهش يابد.
به‌عنوان يك مزيت كم اهميت‌تر، مي‌توان گفت كه سيستم خبره "شخصيت" ندارد! ممكن است شخصيت انسان خبره با اخلاق و شخصيت شما سازگار نباشد. شما ممكن است كه از مشاوره با آن فرد متخصص بهره كافي را نبريد يا متخصص نخواهد كه دانش خودش را در اختيار شما قرار دهد. اما اين مورد در سيستمهاي متخصص (در حال حاضر) منتفي است.
اجزاي سيستم خبره (يك نظر اجمالي)
يك سيستم خبره معمولا از قسمت‌هاي زير تشكيل شده است:
پايگاه دانسته‌ها يا بانك اطلاعاتي، اطلاعات موجود در اين بانك عموما دو جزء دارد: شيء (Object) كه مفهوم آن روشن است و مشخصه (Attribate) كه صفت يا كيفيت ويژه شيء است.
توليدكننده مكالمه يا موتور استنباط (Inference Engine) كه مي‌توان آن را به مغز انسان تشبيه كرد. براي ساخت اين قسمت سه روش عمده وجود دارد: استدلال پيشرو (Forward Chaining)، استدلال پسرو (Backward Chaining) و ارزشيابي (rule – value)
كسب دانسته‌ها و ارايه تفسير و تشريح براي استدلال‌هايي كه يك سيستم خبره ارايه مي‌دهد را نيز مي‌توان از قسمت‌هاي سيستمهاي خبره دانست.
همچنين مثلا شما مي‌توانيد با يك سيستم خبره بحث كنيد. در اين‌جا، منظور از بحث عباراتي است كه به‌طور منطقي به يكديگر متصل شده و به يك نتيجه منجر مي‌شوند. اين عبارات شامل دلايل رياضي منطق صوري و منطق فلسفي مي‌شوند. در نظر داشته باشيد كه اكثر تصميم‌گيري‌هايي كه ما انجام مي‌دهيم بر اساس آگاهي غيركامل است. بدين معني كه هنگامي كه شما يك خانه مي‌خريد نمي‌دانيد كه آيا همه لوله‌كشي‌هاي آن سالمند يا خير و تصميم شما براي ديدن اين خانه بر اساس فرضيات متعددي صورت گرفته كه هر يك داراي مقداري احتمال و به‌عبارت ديگر امكان درست بودن است. كامپيوتري كه قادر به فكر كردن است، در اين موارد از روش منطق فازي يا مبهم استفاده مي‌كند. در اين منطق تصميم‌گيري‌ها بر اساس اطلاعات غيركامل و غيرقطعي انجام مي‌گيرد