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