هوش مصنوعی را باید عرصه وسیع تلاقی بسیاری از علوم و فنون قدیم و جدید دانست و ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روانشناسی، نورولوژی و فیزیولوژی نشان گرفت. هم‌اکنون از هوش مصنوعی و شاخه‌ها و کاربردهای فراوان آن در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و... استفاده‌های زیادی می‌شود.
هر نظا‌می که سعی دارد از طریق رفتارهایی مانند انسان به هدف از پیش تعریف شده توسط انسان برسد، باید مانند او فکر کند، مانند او تصمیم بگیرد، مانند او به نتیجه برسد و مانند او عمل کند. به سادگی می‌توان تمام اینها را در یک نظام کلی به نام هوش گنجاند. عبارت هوش مصنوعی نخستین‌بار توسط دانشمند و ریاضیدان آمریکایی به نام جان مک‌کارتی در کنفرانس دارت موس در ژوئن 1956 به کار برده شد. از آن پس تمام تلاش‌ها و کوشش‌هایی که برای ایجاد و برپایی نظام‌هایی بر پایه یک نوع هوش بشری عمل می‌کنند، زیرشاخه‌هایی از علمی نام گرفته‌اند که آن را هوش مصنوعی می‌نامیم.
آزمون تورینگ برای آزمایش هوشمندی
یک ماشین
آزمون تورینگ آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته‌ای به نام «محاسبات ماشینی و هوشمندی» مطرح شد. در این آزمون شرایطی فراهم می‌شود که شخصی با ماشین تعامل برقرار کند و پرسش‌های کافی برای بررسی هوشمندی او بپرسد. چنانچه در پایان آزمایش نتواند تعیین کند با انسان در تعامل بوده یا با ماشین، تست تورینگ با موفقیت انجام شده است. تاکنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم است که سعی در شبیه‌سازی انسان دارد.
تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده و این امر به هیچ‌وجه مایه تعجب نیست چرا که مقوله مادر و اساسی‌تر از آن یعنی خود هوش هم هنوز به طور همه‌جانبه و فراگیر تن به تعریف نداده است. 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 کرده‌اند که هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارائه شده‌اند بر پایه یکی از ۴ دسته زیر قرار می‌گیرند، سیستم‌هایی که
1- به طور منطقی فکر می‌کنند.
2- به طور منطقی عمل می‌کنند.
3- مانند انسان فکر می‌کنند.
4- مانند انسان عمل می‌کنند.
شاید بتوان هوش مصنوعی را اینگونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه اینکه چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را بهتر انجام می‌دهند. مشاهده رفتاری هوشمندانه و صحیح از یک سیستم را نمی‌توان دلیلی کافی بر هوشمندی آن سیستم تصور کرد بلکه باید به ساختار داخلی و مکانیزم انتخاب راه‌حل توسط سیستم توجه شود که آیا مبتنی بر آگاهی خود سیستم است یا نه و این آگاهی زمانی میسر خواهد بود که سیستم خود قابلیت تحلیل اطلاعات دریافتی از محیط را داشته باشد و بتواند رابطه‌های معنی‌داری بین علت و معلول در اتفاقات محیطی ایجاد کند و در واقع قادر به ایجاد مدلی هر چند غیردقیق بر پایه مشاهدات خود از محیط باشد، سپس سیستم ایده ارزشمندی از نظر خود تولید بکند و به عنوان خواسته و هدف سعی در پیاده‌سازی آن کند یعنی در پی پیدا کردن و اتصال ابزارهای مناسبی به آن هدف باشد تا بتواند الگوریتم عملیاتی برای برآورد آن خواسته تولید کند.
مباحث کاربردی و مهم در هوش مصنوعی عبارتند از:
1 - سیستم‌های خبره (Expert Systems)
2 - شبکه‌های عصبی (Neural Network)
3 - الگوریتم‌های تکاملی مانند الگوریتم ژنتیک
(Genetic Algorithms)
4 - هوش جمعی(Swarm Intelligence) مانند الگوریتم کلونی مورچه‌ها (Ant Colo ny Optimization ACO) و الگوریتم بهینه‌سازی اجتماع پرندگان (اجتماع ذرات)
(Particle Swarm OptimizationoPSO)
5 - سیستم‌های منطق فازی (Fuzzy Logic Systems)
6 - روباتیک(Robotic).
سیستم‌های خبره
برنامه‌هایی هستند که رفتار یک انسان متخصص در یک زمینه خاص را تقلید می‌کنند. این برنامه از اطلاعاتی که کاربر در آنها ذخیره می‌کند جهت اعلام یک عقیده در یک موضوع خاص استفاده می‌کند، از این رو سیستم‌های خبره تا هنگا‌می که بتوانند موضوعی را که با پاسخ‌های شما مطابقت داشته باشد، بیابند به سوال کردن از شما ادامه می‌دهند.
مزایای سیستم خبره
- برخلاف انسان متخصص که نیاز به خواب، استراحت، غذا و... دارد، یک سیستم متخصص 24 ساعت در شبانه‌روز و 365 روز در سال قابل دسترس است.
- دانش سیستم خبره از بین نمی‌رود بلکه می‌توان آن را ذخیره و حتی به سادگی کپی‌برداری کرد.
- یک سیستم متخصص همواره دارای حداکثر کارآیی خود است ولی به محض آنکه یک انسان متخصص خسته شود صحت توصیه‌های وی ممکن است کاهش یابد.
- یک سیستم متخصص دارای شخصیت نیست. همانطور که شما هم درک کرده‌اید، شخصیت‌های 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 سیستم‌های خبره این است که به سادگی و با کپی‌برداری این برنامه از دستگاهی به دستگاه دیگر و در کمترین زمان ممکن می‌توان یک سیستم متخصص دیگر به‌وجود آورد در حالی که تبدیل یک انسان به یک متخصص زمانی طولانی نیاز دارد.
الگوریتم ژنتیک
تکنیک جست‌وجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جست‌وجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل D است که از تکنیک‌های زیست‌شناسی مانند وراثت و جهش استفاده می‌کند. در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود الگوریتم ژنتیک یا « GA» یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مساله استفاده می‌کند. مساله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کدگذاری می‌شوند که تابع تطابق نام دارد. هر راه‌حل کاندیدا را ارزیابی می‌کند که بیشتر آنها به صورت تصادفی انتخاب می‌شوند.
هوش جمعی
نوعی روش هوش مصنوعی است که مبتنی بر رفتارهای جمعی در سامانه‌های نامتمرکز و خودسامانده بنیان شده است. این سامانه‌ها معمولاً از جمعیتی از کنشگران ساده تشکیل شده که به طور محلی با یکدیگر و با محیط خود در تعامل هستند. با وجود اینکه معمولاً هیچ کنترل تمرکزیافته‌ای چگونگی رفتار کنشگران را به آنها تحمیل نمی‌کند، تعاملات محلی آنها به پیدایش رفتاری عمو‌می می‌انجامد. مثال‌هایی از چنین سیستم‌هایی را می‌توان در طبیعت مشاهده کرد؛ گروه‌های مورچه‌ها، دسته پرندگان، گله‌های حیوانات، تجمعات باکتری‌ها و دسته‌های ماهی‌ها.
الگوریتم مورچه‌ها
روش ACO، نوعی روش فرااکتشافی است که برای یافتن راهحلهای تقریبی برای مسائل بهینه‌سازی ترکیباتی مناسب است. روش ACO، مورچه‌های مصنوعی به‌وسیله حرکت روی گراف مساله و با باقی گذاشتن نشانه‌هایی روی گراف، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه (فرومون) باقی می‌گذارند، موجب می‌شوند مورچه‌های مصنوعی بعدی بتوانند راهحلهای بهتری برای مساله فراهم کنند.
الگوریتم اجتماع پرندگان (اجتماع ذرات)
روش PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای N بعدی است، برخورد کرد. در چنین فضایی، فرضیاتی مطرح شده و یک سرعت ابتدایی به آنها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات در نظر گرفته می‌شود، سپس این ذرات در فضای پاسخ حرکت می‌کنند و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. مزیت اصلی این روش بر استراتژی‌های کمینه‌سازی دیگر این است که تعداد فراوان ذرات ازدحام‌کننده موجب انعطاف روش در برابر مشکل پاسخ کمینه محلی می‌شود. زمانی برای هوشمندی ماشین‌ها
هوش مصنوعی را باید عرصه وسیع تلاقی بسیاری از علوم و فنون قدیم و جدید دانست و ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روانشناسی، نورولوژی و فیزیولوژی نشان گرفت. هم‌اکنون از هوش مصنوعی و شاخه‌ها و کاربردهای فراوان آن در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و... استفاده‌های زیادی می‌شود.
هر نظا‌می که سعی دارد از طریق رفتارهایی مانند انسان به هدف از پیش تعریف شده توسط انسان برسد، باید مانند او فکر کند، مانند او تصمیم بگیرد، مانند او به نتیجه برسد و مانند او عمل کند. به سادگی می‌توان تمام اینها را در یک نظام کلی به نام هوش گنجاند. عبارت هوش مصنوعی نخستین‌بار توسط دانشمند و ریاضیدان آمریکایی به نام جان مک‌کارتی در کنفرانس دارت موس در ژوئن 1956 به کار برده شد. از آن پس تمام تلاش‌ها و کوشش‌هایی که برای ایجاد و برپایی نظام‌هایی بر پایه یک نوع هوش بشری عمل می‌کنند، زیرشاخه‌هایی از علمی نام گرفته‌اند که آن را هوش مصنوعی می‌نامیم.
آزمون تورینگ برای آزمایش هوشمندی
یک ماشین
آزمون تورینگ آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته‌ای به نام «محاسبات ماشینی و هوشمندی» مطرح شد. در این آزمون شرایطی فراهم می‌شود که شخصی با ماشین تعامل برقرار کند و پرسش‌های کافی برای بررسی هوشمندی او بپرسد. چنانچه در پایان آزمایش نتواند تعیین کند با انسان در تعامل بوده یا با ماشین، تست تورینگ با موفقیت انجام شده است. تاکنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم است که سعی در شبیه‌سازی انسان دارد.
تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده و این امر به هیچ‌وجه مایه تعجب نیست چرا که مقوله مادر و اساسی‌تر از آن یعنی خود هوش هم هنوز به طور همه‌جانبه و فراگیر تن به تعریف نداده است. 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 کرده‌اند که هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارائه شده‌اند بر پایه یکی از ۴ دسته زیر قرار می‌گیرند، سیستم‌هایی که
1- به طور منطقی فکر می‌کنند.
2- به طور منطقی عمل می‌کنند.
3- مانند انسان فکر می‌کنند.
4- مانند انسان عمل می‌کنند.
شاید بتوان هوش مصنوعی را اینگونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه اینکه چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را بهتر انجام می‌دهند. مشاهده رفتاری هوشمندانه و صحیح از یک سیستم را نمی‌توان دلیلی کافی بر هوشمندی آن سیستم تصور کرد بلکه باید به ساختار داخلی و مکانیزم انتخاب راه‌حل توسط سیستم توجه شود که آیا مبتنی بر آگاهی خود سیستم است یا نه و این آگاهی زمانی میسر خواهد بود که سیستم خود قابلیت تحلیل اطلاعات دریافتی از محیط را داشته باشد و بتواند رابطه‌های معنی‌داری بین علت و معلول در اتفاقات محیطی ایجاد کند و در واقع قادر به ایجاد مدلی هر چند غیردقیق بر پایه مشاهدات خود از محیط باشد، سپس سیستم ایده ارزشمندی از نظر خود تولید بکند و به عنوان خواسته و هدف سعی در پیاده‌سازی آن کند یعنی در پی پیدا کردن و اتصال ابزارهای مناسبی به آن هدف باشد تا بتواند الگوریتم عملیاتی برای برآورد آن خواسته تولید کند.
مباحث کاربردی و مهم در هوش مصنوعی عبارتند از:
1 - سیستم‌های خبره (Expert Systems)
2 - شبکه‌های عصبی (Neural Network)
3 - الگوریتم‌های تکاملی مانند الگوریتم ژنتیک
(Genetic Algorithms)
4 - هوش جمعی(Swarm Intelligence) مانند الگوریتم کلونی مورچه‌ها (Ant Colo ny Optimization ACO) و الگوریتم بهینه‌سازی اجتماع پرندگان (اجتماع ذرات)
(Particle Swarm OptimizationoPSO)
5 - سیستم‌های منطق فازی (Fuzzy Logic Systems)
6 - روباتیک(Robotic).
سیستم‌های خبره
برنامه‌هایی هستند که رفتار یک انسان متخصص در یک زمینه خاص را تقلید می‌کنند. این برنامه از اطلاعاتی که کاربر در آنها ذخیره می‌کند جهت اعلام یک عقیده در یک موضوع خاص استفاده می‌کند، از این رو سیستم‌های خبره تا هنگا‌می که بتوانند موضوعی را که با پاسخ‌های شما مطابقت داشته باشد، بیابند به سوال کردن از شما ادامه می‌دهند.
مزایای سیستم خبره
- برخلاف انسان متخصص که نیاز به خواب، استراحت، غذا و... دارد، یک سیستم متخصص 24 ساعت در شبانه‌روز و 365 روز در سال قابل دسترس است.
- دانش سیستم خبره از بین نمی‌رود بلکه می‌توان آن را ذخیره و حتی به سادگی کپی‌برداری کرد.
- یک سیستم متخصص همواره دارای حداکثر کارآیی خود است ولی به محض آنکه یک انسان متخصص خسته شود صحت توصیه‌های وی ممکن است کاهش یابد.
- یک سیستم متخصص دارای شخصیت نیست. همانطور که شما هم درک کرده‌اید، شخصیت‌های 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 سیستم‌های خبره این است که به سادگی و با کپی‌برداری این برنامه از دستگاهی به دستگاه دیگر و در کمترین زمان ممکن می‌توان یک سیستم متخصص دیگر به‌وجود آورد در حالی که تبدیل یک انسان به یک متخصص زمانی طولانی نیاز دارد.
الگوریتم ژنتیک
تکنیک جست‌وجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جست‌وجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل D است که از تکنیک‌های زیست‌شناسی مانند وراثت و جهش استفاده می‌کند. در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود الگوریتم ژنتیک یا « GA» یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مساله استفاده می‌کند. مساله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کدگذاری می‌شوند که تابع تطابق نام دارد. هر راه‌حل کاندیدا را ارزیابی می‌کند که بیشتر آنها به صورت تصادفی انتخاب می‌شوند.
هوش جمعی
نوعی روش هوش مصنوعی است که مبتنی بر رفتارهای جمعی در سامانه‌های نامتمرکز و خودسامانده بنیان شده است. این سامانه‌ها معمولاً از جمعیتی از کنشگران ساده تشکیل شده که به طور محلی با یکدیگر و با محیط خود در تعامل هستند. با وجود اینکه معمولاً هیچ کنترل تمرکزیافته‌ای چگونگی رفتار کنشگران را به آنها تحمیل نمی‌کند، تعاملات محلی آنها به پیدایش رفتاری عمو‌می می‌انجامد. مثال‌هایی از چنین سیستم‌هایی را می‌توان در طبیعت مشاهده کرد؛ گروه‌های مورچه‌ها، دسته پرندگان، گله‌های حیوانات، تجمعات باکتری‌ها و دسته‌های ماهی‌ها.
الگوریتم مورچه‌ها
روش ACO، نوعی روش فرااکتشافی است که برای یافتن راهحلهای تقریبی برای مسائل بهینه‌سازی ترکیباتی مناسب است. روش ACO، مورچه‌های مصنوعی به‌وسیله حرکت روی گراف مساله و با باقی گذاشتن نشانه‌هایی روی گراف، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه (فرومون) باقی می‌گذارند، موجب می‌شوند مورچه‌های مصنوعی بعدی بتوانند راهحلهای بهتری برای مساله فراهم کنند.
الگوریتم اجتماع پرندگان (اجتماع ذرات)
روش PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای N بعدی است، برخورد کرد. در چنین فضایی، فرضیاتی مطرح شده و یک سرعت ابتدایی به آنها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات در نظر گرفته می‌شود، سپس این ذرات در فضای پاسخ حرکت می‌کنند و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. مزیت اصلی این روش بر استراتژی‌های کمینه‌سازی دیگر این است که تعداد فراوان ذرات ازدحام‌کننده موجب انعطاف روش در برابر مشکل پاسخ کمینه محلی می‌شود. ارسال نظر
پربیننده