Transcript Slide 1
استاد :جناب آقای دکتر توحیدخواه
گردآورنده :فاطمه شریفی
1388
آلن تورینگ ( )1950یکی از بحث برانگیزترین پرسشهای
فلسفی تاریخ را پرسید:
آیا ماشین میتواند فکر کند؟
آیا یک کامپیوتر میتواند بازی تقلید را با موفقیت پشت سر
بگذارد؟
آیا ماشین میتواند از انسان چنان تقلید کند که در یک آزمون
محاورهای نتوانیم تفاوت انسان و ماشین را تشخیص دهیم؟
تورینگ نتوانست پاسخ قطعی این پرسش ها را پیدا کند .اما
برای یافتن پاسخ مناسب در آینده یک راهبرد خالقانه پیشنهاد
کرد:
آزمون بازی تقلید
در سال ۱۹۵۶جان مک کارتی ،یکی از نظریهپردازان پیشگام
این نظریه در آن زمان ،اصطالح (هوشمند مصنوعی) را برای
اولینبار در نخستین کنفرانسی که به این موضوع اختصاص
یافته بود ،به کار برد.
دانشمندان بعدا این تاریخ را به عنوان تاریخ تولد علم هوش
مصنوعی انتخاب کردند.
تقریبا در همان زمان جان فون نیومان نظریه بازیها را معرفی
کرد .این نظریه نقش موثری در پیشبرد جنبههای نظری و علمی
هوش مصنوعی داشت.
مككارتي در آن زمان معتقد بود كه ميتوان كاري كرد كه
ماشین نیز هوشي همانند هوش انساني داشته باشد و LISPزباني
است كه ميتواند این هوش را توصیف كند.
در سال ۱۹۶۸آرتور سرکالرک ،در رمان معروف خود ،یعنی
اودیسه فضایی ۲۰۰۱اصطالح (آزمون تورینگ) را به جای
(بازی تقلید ) سر زبانها انداخت.
همه كساني كه نخستین گامها را در راه معرفي هوش مصنوعي
برداشتند ،یك هدف را در سرداشتند و آن رساندن سطح هوش
ماشیني به سطح هوش انساني بود.
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد
برای هوش مصنوعی ارائه نشدهاست.
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.
هوش مصنوعي ،شاخهایست از علم كامپیوتر كه ملزومات
محاسباتي اعمالي همچون ادراك ( ،)Perceptionاستدالل
( )reasoningو یادگیري ( )learningرا بررسي كرده و
سیستمي جهت انجام چنین اعمالي ارائه ميدهد.
هوش مصنوعي ،مطالعه روشهایي است براي تبدیل كامپیوتر
به ماشیني كه بتواند اعمال انجام شده توسط انسان را انجام دهد.
هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به
کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و
نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش
انسانی میباشد.
شیوهها و تکنیکهای هوش مصنوعی ،در واقع ،برای حل آن
دسته از مسائل به وجود آمده است که به طور سهل و آسان
توسط برنامهنویسی تابعی (،)Functional programming
یا شیوههای ریاضی قابل حل نبودهاند.
روشهاي هوش مصنوعي روشهایي هستند كه به درد
حوزههایي مي خورند كه مسائل آنها بهخوبي تعریف نميشوند.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بودهاست،
اکنون در خدمت توسعه علوم رایانه نیز است.
آیا صرف اینكه ماشیني بتواند نحوه صحبت كردن انسان را
شبیهسازي كند ،به معني آن است كه هوشمند است؟
Bots : ELIZA
Chatter
این روبات را ژوزف وایزن بام ،یكي دیگر از پژوهشگرا
ن
نامدار این حوزه اختراع كرد .الیزا در برخي مكالمات ساده
ميتواند طرف مقابل خود را به اشتباه بیندازد .طوري كه
مخاطب ممكن است فكر كند در حال گپ زدن با یك انسان است.
البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت
پشت سر بگذارد.
یكي از مشهورترین انتقادات در این زمینه را فیلسوفي به نام
جان سیرل ) (John Searleمطرح كرده است.
سیرل ابتدا نقد خود درباره هوش ماشیني را در 1980مطرح
كرد و سپس آن در مقاله كاملتري كه در 1990منتشر كرد،
بسط داد.
او معتقد است بحث هوشمندي ماشینهاي غیربیولوژیك اساسا
بيربط است.
جان سیرل «بحث اتاق چیني» را برای اثبات ادعای خود بیان
می کند.
انتقادات دیگري نیز به آزمون تورینگ وارد ميشود .ازجمله
اینكه:
ممكن است یك ماشین هوشمند باشد ،ولي نتواند همچون انسان ارتباط
Fuzzy values
DOM
Degree of
Membership
Young
Middle
Old
1
0.5
0
25
40
55
Age
امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسیم ميشود:
« هوش مصنوعي سمبولیك یا نمادین» )(Symbolic AI
هوش «غیرسمبولیك» یا «پیوندگرا» )(Connection AI
هوش سمبولیك ميكوشد سیستم و قواعد آن را در قالب سمبولها بیان
كند و با نگاشت اطالعات به سمبولها و قوانین به حل مسئله بپردازد.
در میان معروفترین شاخههاي هوش مصنوعي سمبولیك ميتوان به
سیستمهاي خبره ) (Expert Systemsو شبكههاي Bayesian
اشاره كرد.
در هوش مصنوعي پیوندگرا ،قواعد از ابتدا در اختیار سیستم قرار
نميگیرد ،بلكه سیستم از طریق تجربه ،خودش قوانین را استخراج
ميكند .متدهاي ایجاد شبكههاي عصبي ) (Neural Networksو
نیز بهكارگیري منطق فازي ) (Fuzzy Logicو الگوریتم ژنیتك كه
با استفاده از ایده تكامل دارویني و انتخاب طبیعي پیشنهاد شده ،در این
دسته قرار ميگیرند.
البته هنگامي كه از گرایشهاي این علم سخن ميگوییم ،هرگز
نباید از گرایشهاي تركیبي غفلت كنیم .گرایشهایي كه خود را
به حركت در چارچوب شناختي یا بیولوژیك یا منطقي محدود
نكرده و به تركیبي از آنها مياندیشند .شاید بتوان پیشبیني كرد
كه چنین گرایشهایي فرا ساختارهاي ()Meta Structure
رواني را براساس عناصر ساده بیولوژیك بنا خواهند كرد.
سیستمهاي خبره ،برنامههاي كامپیوترياي هستند كه نحوه تفكر
یك متخصص در یك زمینه خاص را شبیهسازي ميكنند.
این نرمافزارها ،الگوهاي منطقياي را كه یك متخصص بر
اساس آنها تصمیمگیري ميكند ،شناسایي مينمایند و سپس بر
اساس آن الگوها ،مانند انسانها تصمیمگیري ميكنند.
به محدوده اطالعاتي از الگوهاي خبرگي انسان كه به یك سیستم
خبره منتقل ميشود task domain ،گفته ميشود.
این محدوده ،سطح خبرگي یك سیستم خبره را مشخص ميكند و
نشان ميدهد كه آن سیستم خبره براي چه كارهایي طراحي شده
است.
سیستم خبره با این taskها یا وظایف ميتواند كارهایي چون
برنامهریزي ،زمانبندي ،و طراحي را در یك حیطه تعریف شده
knowledge
به روند ساخت یك سیستم خبره،
engineeringیا مهندسي دانش گفته ميشود.
یك مهندس دانش باید اطمینان حاصل كند كه سیستم خبره
طراحي شده ،تمام دانش مورد نیاز براي حل یك مسئله را دارد.
هر سیستم خبره از دو بخش مجزا ساخته شده است :پایگاه دانش
و موتور تصمیمگیري.
پایگاه دانش یك سیستم خبره از هر دو نوع دانش مبتني بر
غیرقطعي
دانش
نیز
و
حقایق ()factual
( )heuristicاستفاده ميكند.
موتور تصمیمگیري سیستم خبره را قادر ميكند با استفاده از
قوانین پایگاه دانش ،پروسه تصمیمگیري را انجام دهد.
افزایشقابلیتدسترس
کاهشهزینه
کاهشخطر
دائمیبودن
تجربیاتچندگانه
افزایشقابلیتاطمینان
قدرتتبیین()Explanation
پاسخدهیسریع
پاسخدهیدرهمهحاالت
پایگاهتجربه
سهولتانتقالدانش
:Dendarl با بررسي آرایش و اطالعات مربوط به یك ماده،
ساختار مولكولي آن را شبیهسازي می كند.
: MYCIN تشخیص عفونتهاي خوني با بررسي اطالعات به
دست آمده از شرایط جسمي بیمار و نیز نتیجه آزمایشهاي او.
: Centaur بررسي آزمایشهاي تنفسي و تشخیص بیماريهاي
ریوي.
تئوري مجموعههاي فازي و منطق فازي را اولین بار پرفسور
لطفيزاده در سال 1965معرفي نمود.
منطق فازي به سیستمهایي اشاره دارد كه به جاي مقادیر
“درست” و “نادرست” كه در محیطهاي دیجیتال طبیعيترند،
ميتوانند با سطوح متغیر قطعیت كار كنند.
تئوري مجموعههاي فازي مفهوم عضویت باینری عناصر را
بسط ميدهد و عضویت درجهبندي شده را مطرح ميكند.
جالبترین كاربرد منطق فازي ،تفسیري است كه این علم از
ساختار تصمیمگیريهاي موجودات هوشمند ،و در راس آنها،
هوش انساني ،به دست ميدهد.
شاید یكي از جالبترین كاربردهاي منطق فازي هوش مصنوعي
در بازيهاي رایانهاي و جلوههاي ویژه سینمایي باشد.
منطق فازي در هوشمند ساختن روباتهاي سختافزاري نیز
كاربردهاي زیادي دارد.
شبكههاي عصبي را ميتوان با اغماض زیاد ،مدلهاي
الكترونیكي از ساختار عصبي مغز انسان نامید.
مكانیسم فراگیري و آموزش مغز اساسا بر تجربه استوار است.
مدلهاي الكترونیكي شبكههاي عصبي طبیعي نیز بر اساس همین
الگو بنا شدهاند و روش برخورد چنین مدلهایي با مسائل ،با
روشهاي محاسباتي كه بهطور معمول توسط سیستمهاي
كامپیوتري در پیش گرفته شدهاند ،تفاوت دارد.
شبكههاي عصبي شبیهسازي شده یا كامپیوتري ،فقط قادرند تا
بخش كوچكي از خصوصیات و ویژگيهاي شبكههاي عصبي
بیولوژیك را شبیهسازي كنند.
در حقیقت ،هدف از ایجاد یك شبكه عصبي نرمافزاري ،بیش از
آنكه شبیهسازي مغز انسان باشد ،ایجاد مكانیسم دیگري براي حل
مسائل مهندسي با الهام از الگوي رفتاري شبكههاي بیولوژیك
مدل ریاضی
واقع هنر یك طراح شبكههاي عصبي
ميتواند در چگونگي تركیب نرونها
( neuran
شبكه
یك
در
،)Clusteringمتجلي شود.
در شبكههاي عصبي بیولوژیك،
نرونها در ساختاري سه بعدي به
یكدیگر اتصال یافتهاند.
اتصاالت بین نرونها در شبكههاي
عصبي بیولوژیك آنقدر زیاد و
پیچیدهاست كه به هیچ وجه نميتوان
شبكه مصنوعي مشابهي طراحي كرد.
تكنولوژي مدارات مجتمع امروزي
به ما امكان ميدهد كه شبكههاي
عصبي را در ساختارهاي دو بعدي
الگوریتمهاي ژنتیك از اصول انتخاب طبیعي داروین براي یافتن
فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده ميكنند.
در حقیقت بدین روش مي توانیم در فضاي حالت مسئله حركتي
سریعتر براي یافتن جوابهاي احتمالي داشته باشیم؛ یعني مي
توانیم با عدم بسط دادن كلیه حاالت ،به جوابهاي مورد نظر
برسیم.
الگوریتمهاي ژنتیك الگوریتمهایي هستند كه داراي قدرت بسیار
زیادي در یافتن جواب مسئله هستند ،اما باید توجه داشت كه شاید
بتوان كاربرد اصلي این الگوریتم ها را در مسائلي در نظر
گرفت كه داراي فضاي حالت بسیار بزرگ هستند و عمال
بررسي همه حالتها براي انسان در زمانهاي نرمال (در حد
عمر بشر) ممكن نیست.
از طرفي باید توجه داشت كه حتما بین حاالت مختلف مسئله باید
داراي پیوستگي مناسب و منطقي باشیم.
از میان همه شاخههاي هوش مصنوعي ،شاید كاربرديترین
آنها كامپیوتري و مكانیزه كردن سیستمهاي بینایي باشد.
دامنه كاربرد این شاخه از فناوري در حال رشد ،بسیار وسیع
است و از كاربردهاي عادي و معمولي مثل كنترل كیفیت خط
تولید و نظارت ویدئویي گرفته تا تكنولوژيهاي جدید مثل
اتومبیلهاي بدون راننده را دربرگرفته است.
دامنه كاربردهاي این تكنولوژي براساس تكنیكهاي مورد استفاده
در آنها تغییر ميكند.
کنترلکیفیتخط
تولید
سیستمهايتشخیص
ایراد
تشخیصالگو
رباتها
سهبعديسازي
تشخیصمتننوشته
شده
پردازش زبانهای طبیعی عبارت است از استفاده از رایانه
برای پردازش زبان گفتاری و نوشتاری.
پردازش زبانهای طبیعی بعنوان زیرمجموعهای از هوش
مصنوعی ،میتواند توصیهها و بیانات را با استفاده از زبانی که
شما به طور طبیعی در مکالمات روزمره بکار میبرید ،بفهمد و
مورد پردازش قرار دهد.
به طورکلی نحوه کار این شاخه از هوش مصنوعی این است ک ه
زبانهای طبیعیانسان را تقلید میکند.
در پردازش زبانهای طبیعی ،انسان و کامپیوتر ارتباطی کامال
نزدیک با یکدیگر دارند.
تالش عمده در این زمینه ماشینی کردن فرایند درک و برداشت
مفاهیم بیان گردیده با یک زبان طبیعی انسانیست.
هنوزسیستمکارآمدیبرایپردازشزبانهایطبیعیبهوجود
نیامدهاست.
موانعاساسیدراینزمینهعبارتنداز:
نیازبهدرکمعانی
دقیقنبودندستورزبانها
کارکردهایمهم دراینزمینهعبارتنداز:
خالصهسازیخودکار
استخراجاطالعات
بازیابیاطالعات
ترجمهماشینی
تشخیصنورینویسهها
تشخیصگفتار
ویرایش
زبانهای برنامه نویسی LISP,PROLOGاز مهمترین زبانهای
مورد استفاده در هوش مصنوعی هستند .
خصوصیات نحوی و معنایی این زبان ها باعث شده که شیوهها
و راه حلهای قوی برای حل مسئله ارایه کنند.
PROLOG یک زبان برنامه نویسی منطقی است .در این زبان
یک مفسر برنامه را بر اساس یک منطق مینویسد .ایده استفاده
توصیفی محاسبه اولیه برای بیان خصوصیات حل مسئله یکی از
محوریتهای مشارکت PROLOGمی باشد.
LISP اصوال یک زبان کامل است که دارای عملکردها و
لیستهای الزمه برای توصیف عملکردهای جدید ،تشخیص
تناسب و ارزیابی معانی میباشد.
بازنمایي نمادین :هوش مصنوعي از نمادهاي عددي در حل
مسائل استفاده مي کند .هوش مصنوعي بر پایه دستگاه دوگاني،
صفر و یک مسائل را حل مي کند.
روش اکتشافي :مسائلی که هوش مصنوعی حل می کند ،معموال
راه حل الگوریتمي ندارند.
بازنمایي معرفت :برنامه هاي هوش مصنوعی از تطابق عملیات
استداللي نمادین رایانه با عالم خارج حکایت مي کنند.
اطالعات ناقص :هوش مصنوعي مي تواند در حالتي که همه
اطالعات مورد نیاز در دسترس نیستند ،به حل مساله دست
بیابد.
اطالعات متناقض :هوش مصنوعي مي تواند درصورتي که با
اطالعات متناقض روبه رو شود حل مناسبي براي مساله پیدا
کند .هوش مصنوعي در چنین موردي بهترین راه را براي حل
متشکرم
خسته نباشید