Y@SiN
01-25-2010, 11:28 AM
توانمندی چند رسانه ای هوش مصنوعی
http://pnu-club.com/imported/2010/01/75.gif
مقدمه:
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقي ميشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از كامپیوتر و الگوگيری از درک هوش انسانی و نهايتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی ميباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسايل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هايی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتيجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشي نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
بطور كلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعۀ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
علم اقتصاد نیز در دهه اخیر شاهد کاربردهای هوش مصنوعی در خود بوده است، بطوریکه اگر امروز مقالات علمی منتشر شده در نشریات معتبر اقتصادی را بررسی کنیم، متوجه خواهیم شد که در حدود نیمی از این مقالات برای اثبات یک تئوری جدید یا ارائه یک نظریه و یا رد نظریه ای دیگر، از یکی از کاربردهای این علم نوین استفاده شده است.
در این شماره ابتدا مهم ترین کاربردهای سیستم های هوش مصنوعی در علم اقتصاد را بررسی کرده و به معرفی آنها می پردازیم، و در شماره بعد، بیشتر به نحوه کاربرد این سیستم ها در اقتصاد خواهیم پرداخت.
سیستم های هوش مصنوعی در علم اقتصاد
در تصمیمات تجاری، هوش مصنوعی به صورت نرم افزار عرضه می شود. تحلیلگران مالی از نرم افزارهای مختلف هوش مصنوعی برای مدیریت دارائی ها، سرمایه گذاری در بازار بورس و انجام عملیات مالی استفاده می کنند. بیمارستان ها از هوش مصنوعی به طرق مختلف بهره برداری می کنند. برنامه ریزی برای پرسنل، تخصیص تخت های بیمارستان و تشخیص و معالجه بیماری ها از جمله موارد به کار گرفته شده در بیمارستانهاست. آژانس های دولتی از هوش مصنوعی برای کشف متقلبین کارت های اعتباری و شرکت های بیمه برای ردیابی و کشف حق بیمه های تقلبی بهره می برند. از هوش مصنوعی می توان در مواردی نظیر تعیین قیمت بلیت هواپیما برای مسیرهای مختلف، مهیا ساختن غذا، اکتشاف نفت و حفاظت از کودکان استفاده کرد.
تاکنون بشر موفق به اختراع سیستم هوش مصنوعی نشده است که واقعا بتواند جایگزین قدرت تعقل و تفکر و خلاقیت انسانها شود. مع هذا هرکدام از سیستم های AI بخشی از قدرت تفکر انسان را تقلید و به کار می گیرد.
طبقه بندی های مهم نرم افزارهای هوش مصنوعی که در فرآیند تصمیم گیری های افراد مورد استفاده قرار می گیرد عبارتند از:
سیستم های خبره.
شبکه های عصبی.
الگوریتم های ژنتیک.
منطق فازی.
- سیستم‌های خبره[1]
سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش[2] است که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی است. به منظور توانایی بر حل مسائل در چنین سطحی، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.
سامانه‌های خِبره یا سیستم‌های خِبره به دسته‌ای خاص از نرم‌افزارهای رایانه‌ای اطلاق می‌شود که در راستای کمک به کاردانان و متخصّصان انسانی و یا جایگزینی جزئی آنان در زمینه‌های محدود تخصّصی تلاش دارند. اینگونه سامانه‌ها، در واقع، نمونه‌های ابتدایی و ساده‌تری از فن‌آوری پیش‌رفته‌تر سیستم های مبتنی بر دانش[3] به حساب می‌آیند.این سامانه‌ها معمولاً اطلاعات را به شکل واقعیات[4] و قوانین[5] در پایگاهی به نام پایگاه داده به شکل ساختارمند ذخیره نموده، و سپس با استفاده از روشهایی خاص استنتاج از این داده‌ها نتایج مورد نیاز حاصل می شود.
حوزه‌های کاربرد:
سامانه‌های خبره موجبات انجام امور و یا تسهیل در انجام آنها را در زمینه‌های متنوّعی همچون پزشکی، حسابداری، کنترل فرایندها، منابع انسانی،خدمات مالی، و GIS فراهم می‌آورند. در هر یک از این زمینه‌ها می‌شود کارهایی از نوع راهنمایی، تحلیل، دسته‌بندی، مشاوره، طراحی، تشخیص، کاوش، پیش بینی، ایجاد مفاهیم، شناسایی، توجیه، یادگیری، مدیریت، کنترل، برنامه‌ریزی، زمان بندی و آزمایش را با مددجویی از سیستم‌های خِبره با سرعت و آسانی بیشتری به انجام رسانید.
مزايا:
ميزان مطلوب بودن يک سيستم خبره اصولا به ميزان قابليت دسترسي به آن و ميزان سهولت کار با آن بستگي دارد. مي توان مزايايي که يک سيستم خبره در برابر انسان خبره دارد را به اين صورت نام برد:
ü برخلاف انسان متخصص که نياز به خواب، استراحت و غذا و ... دارد، يک سيستم متخصص 24 ساعت در شبانه روز و 365 روز در سال قابل دسترس است.
ü دانش سيستم خبره از بين نمی‌رود بلکه مي توان آن را ذخيره نمود و حتي بسادگي مي توان آن را کپي برداري کرد.
ü يک سيستم متخصص همواره داراي حداکثر کارآيي خود است ولي به محض آنکه يک انسان متخصص خسته شود صحت توصيه هاي وي ممکن است کاهش يابد.
ü يک سيستم متخصص داراي شخصيت نيست. همانطور که شما هم درک کرده ايد شخصيت هاي افراد مختلف اغلب با يکديگر سازگار نيستند. اگر شما با يک متخصص رفيق يا دوست يا حداقل موافق نباشيد، آنگاه احتمالاً شانس اندکي براي استفاده از دانش اين فرد خواهيد داشت. عکس اين حالت نيز صحيح است.
ü آخرين برتري سيستم هاي خبره اين است که به سادگي و با کپي برداري اين برنامه از دستگاهي به دستگاه ديگر و در کمترين زمان ممکن مي توان يک سيستم متخصص ديگر بوجود آورد در حالي که تبديل يک انسان به يک متخصص زماني طولاني نياز دارد.
- شبکه هوشمند مصنوعی، روش های ابتکاری حل مسئله
یک شبکه عصبی یک سیستم هوش مصنوعی است که قابلیت فراگیری تمایز بین الگوها را دارد.از شبکه عصبی برای تجزیه و تحلیل در شرایطی که حجم اطلاعات بالا بوده و هدف شناسایی اطلاعات و یا طبقه بندی آنها باشد استفاده می کنند. یک شبکه عصبی را با تغذیه صدها یا هزاران بار از موضوع مورد نظر و طبقه بندی مربوطه تحت آموزش قرار می دهند.آنگاه از شبکه «فرا می گیرید» که چه ویژگی هایی در تشخیص تفاوت و تمایز بین نوع A و B مهم هستند. مشابه آنچه انسان در تشخیص اشیاء انجام می دهد.
موارد کاربرد شبکه های عصبی عبارتند از:
ارائه مجموعه تولیدات، کشف معاملات تقلبی، ارزیابی کارت های اعتباری، برآورد قیمت املاک و حتی خواندن دست نوشته ها.
کنترل سلول های غیر طبیعی در بافت انسان در تلاش برای یافتن نشانه های اولیه از نظر سرطان و سایر بیماریها توسط متخصصین پزشکی و سایر کاربردهای دیگر.
- الگوریتم ژنتیک[6]
تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.
الگوریتمهای ژنتیک معمولاً به عنوان یک شبیه‌ساز کامپیوتر که در آن جمعیت یک نمونهٔ انتزاعی (کروموزومها) از نامزدهای راه‌حل یک مسأله بهینه‌سازی به راه حل بهتری منجر شود، پیاده‌سازی می‌شوند. به طور سنتی راه‌حلها به شکل رشته‌هایی از ۰ و ۱ بودند، اما امروزه به گونه‌های دیگری هم پیاده‌سازی شده‌اند. فرضیه با جمعیتی کاملاً تصادفی منحصر بفرد آغاز می‌شود و در نسلها ادامه می‌یابد. در هر نسل گنجایش تمام جمعیت ارزیابی می‌شود، چندین فرد منحصر در فرایندی تصادفی از نسل جاری انتخاب می‌شوند (بر اساس شایستگیها) و برای شکل دادن نسل جدید، اصلاح می‌شوند (کسر یا دوباره ترکیب می‌شوند) و در تکرار بعدی الگوریتم به نسل جاری تبدیل می‌شود.
الگوریتم ژنتیک که به‌عنوان یکی از روشهای تصادفی بهینه یابی شناخته شده, توسط جان هالند در سال ۱۹۶۷ ابداع شده‌است. بعدها این روش با تلاشهای گلدبرگ ۱۹۸۹, مکان خویش را یافته و امروزه نیز بواسطه تواناییهای خویش , جای مناسبی در میان دیگر روشها دارد. روال بهینه یابی در الگوریتم ژنتیک براساس یک روند تصادفی- هدایت شده استوار میباشد. این روش بر مبنای نظریه تکامل تدریجی و ایده‌های بنیادین داروین پایه گذاری شده‌است.در این روش ابتدا برای تعدادی ثابت که جمعیت نامیده می‌شود مجموعه‌ای از پارامترهای هدف بصورت اتفاقی تولید می‌شود.پس از اجرای برنامه شبیه ساز عددی را که معرف انحراف معیار و یا برازش آن مجموعه از اطلاعات است را به آن عضو از جمعیت مذکور نسبت می‌دهیم. این عمل را برای تک تک اعضای ایجاد شده تکرار می‌کنیم , سپس با فراخوانی عملگرهای الگوریتم ژنتیک از جمله لقاح , جهش و انتخاب نسل بعد را شکل می‌دهیم و این روال تا ارضای معیار همگرایی ادامه داده خواهد شد.بصورت متداول سه معیار به‌عنوان معیار توقف شمرده می‌شود:
زمان اجرای الگوریتم 2. تعداد نسلهایی که ایجاد می‌شوند 3. همگرایی معیار خطا
کاربردهای الگوریتم ژنتیک :
ü روندیابی هیدرولوژیکی رواناب جاری در شبکه رودخانه خشک
ü کمک در حل مسایل تصمیم گیری چند معیاره
ü بهینه سازی چند هدفه در مدیریت منابع آبی
ü بهینه سازی و بارآرایی شبکه های توزیع نیروی برق و...
- منطق فازی[7]
مفاهیم نادقیق بسیاری در پیرامون ما وجود دارند که آنها را به صورت روزمره در قالب عبارتهای مختلف بیان می‌کنیم. به این جمله دقت کنید: " هوا خوب است." هیچ کمیتی برای خوب بودن هوا مطرح نیست تا آن را اندازه بگیریم بلکه این یک حس کیفی است. در واقع مغز انسان با در نظر گرفتن عوامل گوناگون و بر پایه تفکر استنتاجی جملات را تعریف و ارزش گذاری می‌‌نماید که الگوبندی آنها به زبان و فرمولهای ریاضی اگر غیر ممکن نباشد کاری بسیار پیچیده خواهد بود. منطق فازی فناوری جدیدی است که شیوه‌هایی را که برای طراحی و مدل سازی یک سیستم نیازمند ریاضیات پیچیده و پیشرفته است، با استفاده از مقادیر زبانی و دانش فرد خبره جایگزین می‌‌سازد.
اگر از ما پرسیده شود منطق فازی چیست شاید ساده‌ترین پاسخ بر اساس شنیده‌ها این باشد که منطق فازی یک نوع منطق است که روشهای نتیجه گیری در مغز بشر را جایگزین می‌کند. مفهوم منطق فازی توسط دکتر لطفی زاده، استاد دانشگاه کالیفورنیا در برکلی، ارائه گردید و نه تنها به عنوان روش‌شناسی کنترل ارائه شد بلکه راهی برای پردازش داده‌ها، بر مبنای مجاز کردن عضویت گروهی کوچک به جای عضویت گروهی دسته‌ای ارائه کرد. به جهت نارسا و نابسنده بودن قابلیت رایانه‌های ابتدایی تا دهه 70 این فرضیه در سیستم‌های کنترلی به کار برده نشد.
پروفسور لطفی زاده اینطور استدلال کرد که بشر به ورودیهای اطلاعاتی دقیق نیازی ندارد بلکه قادر است تا کنترل تطبیقی را به صورت بالایی انجام دهد. پس اگر ما کنترل کننده‌های بازخورد را در سیستم‌ها طوری طراحی کنیم که بتواند داده‌های مبهم را دریافت کند، این داده‌ها می‌توانند به طور ساده تر و موثرتری در اجرا به کار برده شوند.
انگیزه و اهداف:
برای مقابله مؤثر با پیچیدگی روزافزون در بررسی، مطالعه، مدل سازی، و حل مسائل جدید در فیزیک، مهندسی، پزشکی، زیست شناسی، و بسیاری از امور گوناگون دیگر مجبور به ایجاد و ابداع روشهای محاسباتی جدیدی هستیم که بیشتر از پیش به شیوه‌های تفکر خود انسان نزدیک باشد. هدف اصلی آنست که مسائل و مشکلات بسیار پیچیده علمی را رایانه‌ها بتوانند با همان سهولت و شیوایی بررسی و حل و فصل کنند که ذهن انسان قادر به ادراک و اخذ تصمیمات سریع و مناسب است.
در جهان واقعیات، بسیاری از مفاهیم را آدمی به صورت فازی[8] (به معنای غیر دقیق، ناواضح، و مبهم) درک می‌کند و به کار می‌‌بندد. هر چند کلمات و مفاهیمی همچون گرم، سرد، بلند، کوتاه، پیر، جوان، و نظائر اینها به عدد خاص و دقیقی اشاره ندارند، ذهن انسان با سرعت و با انعطاف پذیری شگفت آوری همه را میفهمد و در تصمیمات و نتیجه گیریهای خود به حساب می‌گیرد. این، در حالیست که ماشین فقط اعداد را میفهمد و اهل دقّت است. اهداف شیوه‌های نو در علوم کامپیوتر آنست که اولا رمز و راز اینگونه تواناییها را از انسان بیاموزد و سپس آنها را تا حد امکان به ماشین یاد بدهد.
جهت شروع، باید به ایجاد و ابداع منطقی تازه و نو دست بزنیم که آن همانا منطق فازی است. در منطق قدیم فقط دو حالت داریم: سفید و سیاه، آری و خیر، روشن و تاریک، یک و صفر، و درست و غلط. قوانین علمی گذشته، مثل ریاضیّات، فیزیک و مکانیک نیوتونی، همه بر اساس اینگونه منطق استوار گردیده اند. پر واضح است که ذهن ما با منطقی دیگر کارهایش را انجام می‌دهد و تصمیماتش را اتّخاذ می‌کند.
[1] Expert systems
[2] Knowledge Engineering
[3] Knowledge-Based Systems
[4] Facts
[5] Rules
[6] Genetic Algorithm - GA
[7] Fuzzy Logic / Fuzzy Theory
[8] fuzzy
http://pnu-club.com/imported/2010/01/75.gif
مقدمه:
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقي ميشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از كامپیوتر و الگوگيری از درک هوش انسانی و نهايتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی ميباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسايل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هايی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتيجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشي نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
بطور كلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعۀ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
علم اقتصاد نیز در دهه اخیر شاهد کاربردهای هوش مصنوعی در خود بوده است، بطوریکه اگر امروز مقالات علمی منتشر شده در نشریات معتبر اقتصادی را بررسی کنیم، متوجه خواهیم شد که در حدود نیمی از این مقالات برای اثبات یک تئوری جدید یا ارائه یک نظریه و یا رد نظریه ای دیگر، از یکی از کاربردهای این علم نوین استفاده شده است.
در این شماره ابتدا مهم ترین کاربردهای سیستم های هوش مصنوعی در علم اقتصاد را بررسی کرده و به معرفی آنها می پردازیم، و در شماره بعد، بیشتر به نحوه کاربرد این سیستم ها در اقتصاد خواهیم پرداخت.
سیستم های هوش مصنوعی در علم اقتصاد
در تصمیمات تجاری، هوش مصنوعی به صورت نرم افزار عرضه می شود. تحلیلگران مالی از نرم افزارهای مختلف هوش مصنوعی برای مدیریت دارائی ها، سرمایه گذاری در بازار بورس و انجام عملیات مالی استفاده می کنند. بیمارستان ها از هوش مصنوعی به طرق مختلف بهره برداری می کنند. برنامه ریزی برای پرسنل، تخصیص تخت های بیمارستان و تشخیص و معالجه بیماری ها از جمله موارد به کار گرفته شده در بیمارستانهاست. آژانس های دولتی از هوش مصنوعی برای کشف متقلبین کارت های اعتباری و شرکت های بیمه برای ردیابی و کشف حق بیمه های تقلبی بهره می برند. از هوش مصنوعی می توان در مواردی نظیر تعیین قیمت بلیت هواپیما برای مسیرهای مختلف، مهیا ساختن غذا، اکتشاف نفت و حفاظت از کودکان استفاده کرد.
تاکنون بشر موفق به اختراع سیستم هوش مصنوعی نشده است که واقعا بتواند جایگزین قدرت تعقل و تفکر و خلاقیت انسانها شود. مع هذا هرکدام از سیستم های AI بخشی از قدرت تفکر انسان را تقلید و به کار می گیرد.
طبقه بندی های مهم نرم افزارهای هوش مصنوعی که در فرآیند تصمیم گیری های افراد مورد استفاده قرار می گیرد عبارتند از:
سیستم های خبره.
شبکه های عصبی.
الگوریتم های ژنتیک.
منطق فازی.
- سیستم‌های خبره[1]
سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش[2] است که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی است. به منظور توانایی بر حل مسائل در چنین سطحی، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.
سامانه‌های خِبره یا سیستم‌های خِبره به دسته‌ای خاص از نرم‌افزارهای رایانه‌ای اطلاق می‌شود که در راستای کمک به کاردانان و متخصّصان انسانی و یا جایگزینی جزئی آنان در زمینه‌های محدود تخصّصی تلاش دارند. اینگونه سامانه‌ها، در واقع، نمونه‌های ابتدایی و ساده‌تری از فن‌آوری پیش‌رفته‌تر سیستم های مبتنی بر دانش[3] به حساب می‌آیند.این سامانه‌ها معمولاً اطلاعات را به شکل واقعیات[4] و قوانین[5] در پایگاهی به نام پایگاه داده به شکل ساختارمند ذخیره نموده، و سپس با استفاده از روشهایی خاص استنتاج از این داده‌ها نتایج مورد نیاز حاصل می شود.
حوزه‌های کاربرد:
سامانه‌های خبره موجبات انجام امور و یا تسهیل در انجام آنها را در زمینه‌های متنوّعی همچون پزشکی، حسابداری، کنترل فرایندها، منابع انسانی،خدمات مالی، و GIS فراهم می‌آورند. در هر یک از این زمینه‌ها می‌شود کارهایی از نوع راهنمایی، تحلیل، دسته‌بندی، مشاوره، طراحی، تشخیص، کاوش، پیش بینی، ایجاد مفاهیم، شناسایی، توجیه، یادگیری، مدیریت، کنترل، برنامه‌ریزی، زمان بندی و آزمایش را با مددجویی از سیستم‌های خِبره با سرعت و آسانی بیشتری به انجام رسانید.
مزايا:
ميزان مطلوب بودن يک سيستم خبره اصولا به ميزان قابليت دسترسي به آن و ميزان سهولت کار با آن بستگي دارد. مي توان مزايايي که يک سيستم خبره در برابر انسان خبره دارد را به اين صورت نام برد:
ü برخلاف انسان متخصص که نياز به خواب، استراحت و غذا و ... دارد، يک سيستم متخصص 24 ساعت در شبانه روز و 365 روز در سال قابل دسترس است.
ü دانش سيستم خبره از بين نمی‌رود بلکه مي توان آن را ذخيره نمود و حتي بسادگي مي توان آن را کپي برداري کرد.
ü يک سيستم متخصص همواره داراي حداکثر کارآيي خود است ولي به محض آنکه يک انسان متخصص خسته شود صحت توصيه هاي وي ممکن است کاهش يابد.
ü يک سيستم متخصص داراي شخصيت نيست. همانطور که شما هم درک کرده ايد شخصيت هاي افراد مختلف اغلب با يکديگر سازگار نيستند. اگر شما با يک متخصص رفيق يا دوست يا حداقل موافق نباشيد، آنگاه احتمالاً شانس اندکي براي استفاده از دانش اين فرد خواهيد داشت. عکس اين حالت نيز صحيح است.
ü آخرين برتري سيستم هاي خبره اين است که به سادگي و با کپي برداري اين برنامه از دستگاهي به دستگاه ديگر و در کمترين زمان ممکن مي توان يک سيستم متخصص ديگر بوجود آورد در حالي که تبديل يک انسان به يک متخصص زماني طولاني نياز دارد.
- شبکه هوشمند مصنوعی، روش های ابتکاری حل مسئله
یک شبکه عصبی یک سیستم هوش مصنوعی است که قابلیت فراگیری تمایز بین الگوها را دارد.از شبکه عصبی برای تجزیه و تحلیل در شرایطی که حجم اطلاعات بالا بوده و هدف شناسایی اطلاعات و یا طبقه بندی آنها باشد استفاده می کنند. یک شبکه عصبی را با تغذیه صدها یا هزاران بار از موضوع مورد نظر و طبقه بندی مربوطه تحت آموزش قرار می دهند.آنگاه از شبکه «فرا می گیرید» که چه ویژگی هایی در تشخیص تفاوت و تمایز بین نوع A و B مهم هستند. مشابه آنچه انسان در تشخیص اشیاء انجام می دهد.
موارد کاربرد شبکه های عصبی عبارتند از:
ارائه مجموعه تولیدات، کشف معاملات تقلبی، ارزیابی کارت های اعتباری، برآورد قیمت املاک و حتی خواندن دست نوشته ها.
کنترل سلول های غیر طبیعی در بافت انسان در تلاش برای یافتن نشانه های اولیه از نظر سرطان و سایر بیماریها توسط متخصصین پزشکی و سایر کاربردهای دیگر.
- الگوریتم ژنتیک[6]
تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.
الگوریتمهای ژنتیک معمولاً به عنوان یک شبیه‌ساز کامپیوتر که در آن جمعیت یک نمونهٔ انتزاعی (کروموزومها) از نامزدهای راه‌حل یک مسأله بهینه‌سازی به راه حل بهتری منجر شود، پیاده‌سازی می‌شوند. به طور سنتی راه‌حلها به شکل رشته‌هایی از ۰ و ۱ بودند، اما امروزه به گونه‌های دیگری هم پیاده‌سازی شده‌اند. فرضیه با جمعیتی کاملاً تصادفی منحصر بفرد آغاز می‌شود و در نسلها ادامه می‌یابد. در هر نسل گنجایش تمام جمعیت ارزیابی می‌شود، چندین فرد منحصر در فرایندی تصادفی از نسل جاری انتخاب می‌شوند (بر اساس شایستگیها) و برای شکل دادن نسل جدید، اصلاح می‌شوند (کسر یا دوباره ترکیب می‌شوند) و در تکرار بعدی الگوریتم به نسل جاری تبدیل می‌شود.
الگوریتم ژنتیک که به‌عنوان یکی از روشهای تصادفی بهینه یابی شناخته شده, توسط جان هالند در سال ۱۹۶۷ ابداع شده‌است. بعدها این روش با تلاشهای گلدبرگ ۱۹۸۹, مکان خویش را یافته و امروزه نیز بواسطه تواناییهای خویش , جای مناسبی در میان دیگر روشها دارد. روال بهینه یابی در الگوریتم ژنتیک براساس یک روند تصادفی- هدایت شده استوار میباشد. این روش بر مبنای نظریه تکامل تدریجی و ایده‌های بنیادین داروین پایه گذاری شده‌است.در این روش ابتدا برای تعدادی ثابت که جمعیت نامیده می‌شود مجموعه‌ای از پارامترهای هدف بصورت اتفاقی تولید می‌شود.پس از اجرای برنامه شبیه ساز عددی را که معرف انحراف معیار و یا برازش آن مجموعه از اطلاعات است را به آن عضو از جمعیت مذکور نسبت می‌دهیم. این عمل را برای تک تک اعضای ایجاد شده تکرار می‌کنیم , سپس با فراخوانی عملگرهای الگوریتم ژنتیک از جمله لقاح , جهش و انتخاب نسل بعد را شکل می‌دهیم و این روال تا ارضای معیار همگرایی ادامه داده خواهد شد.بصورت متداول سه معیار به‌عنوان معیار توقف شمرده می‌شود:
زمان اجرای الگوریتم 2. تعداد نسلهایی که ایجاد می‌شوند 3. همگرایی معیار خطا
کاربردهای الگوریتم ژنتیک :
ü روندیابی هیدرولوژیکی رواناب جاری در شبکه رودخانه خشک
ü کمک در حل مسایل تصمیم گیری چند معیاره
ü بهینه سازی چند هدفه در مدیریت منابع آبی
ü بهینه سازی و بارآرایی شبکه های توزیع نیروی برق و...
- منطق فازی[7]
مفاهیم نادقیق بسیاری در پیرامون ما وجود دارند که آنها را به صورت روزمره در قالب عبارتهای مختلف بیان می‌کنیم. به این جمله دقت کنید: " هوا خوب است." هیچ کمیتی برای خوب بودن هوا مطرح نیست تا آن را اندازه بگیریم بلکه این یک حس کیفی است. در واقع مغز انسان با در نظر گرفتن عوامل گوناگون و بر پایه تفکر استنتاجی جملات را تعریف و ارزش گذاری می‌‌نماید که الگوبندی آنها به زبان و فرمولهای ریاضی اگر غیر ممکن نباشد کاری بسیار پیچیده خواهد بود. منطق فازی فناوری جدیدی است که شیوه‌هایی را که برای طراحی و مدل سازی یک سیستم نیازمند ریاضیات پیچیده و پیشرفته است، با استفاده از مقادیر زبانی و دانش فرد خبره جایگزین می‌‌سازد.
اگر از ما پرسیده شود منطق فازی چیست شاید ساده‌ترین پاسخ بر اساس شنیده‌ها این باشد که منطق فازی یک نوع منطق است که روشهای نتیجه گیری در مغز بشر را جایگزین می‌کند. مفهوم منطق فازی توسط دکتر لطفی زاده، استاد دانشگاه کالیفورنیا در برکلی، ارائه گردید و نه تنها به عنوان روش‌شناسی کنترل ارائه شد بلکه راهی برای پردازش داده‌ها، بر مبنای مجاز کردن عضویت گروهی کوچک به جای عضویت گروهی دسته‌ای ارائه کرد. به جهت نارسا و نابسنده بودن قابلیت رایانه‌های ابتدایی تا دهه 70 این فرضیه در سیستم‌های کنترلی به کار برده نشد.
پروفسور لطفی زاده اینطور استدلال کرد که بشر به ورودیهای اطلاعاتی دقیق نیازی ندارد بلکه قادر است تا کنترل تطبیقی را به صورت بالایی انجام دهد. پس اگر ما کنترل کننده‌های بازخورد را در سیستم‌ها طوری طراحی کنیم که بتواند داده‌های مبهم را دریافت کند، این داده‌ها می‌توانند به طور ساده تر و موثرتری در اجرا به کار برده شوند.
انگیزه و اهداف:
برای مقابله مؤثر با پیچیدگی روزافزون در بررسی، مطالعه، مدل سازی، و حل مسائل جدید در فیزیک، مهندسی، پزشکی، زیست شناسی، و بسیاری از امور گوناگون دیگر مجبور به ایجاد و ابداع روشهای محاسباتی جدیدی هستیم که بیشتر از پیش به شیوه‌های تفکر خود انسان نزدیک باشد. هدف اصلی آنست که مسائل و مشکلات بسیار پیچیده علمی را رایانه‌ها بتوانند با همان سهولت و شیوایی بررسی و حل و فصل کنند که ذهن انسان قادر به ادراک و اخذ تصمیمات سریع و مناسب است.
در جهان واقعیات، بسیاری از مفاهیم را آدمی به صورت فازی[8] (به معنای غیر دقیق، ناواضح، و مبهم) درک می‌کند و به کار می‌‌بندد. هر چند کلمات و مفاهیمی همچون گرم، سرد، بلند، کوتاه، پیر، جوان، و نظائر اینها به عدد خاص و دقیقی اشاره ندارند، ذهن انسان با سرعت و با انعطاف پذیری شگفت آوری همه را میفهمد و در تصمیمات و نتیجه گیریهای خود به حساب می‌گیرد. این، در حالیست که ماشین فقط اعداد را میفهمد و اهل دقّت است. اهداف شیوه‌های نو در علوم کامپیوتر آنست که اولا رمز و راز اینگونه تواناییها را از انسان بیاموزد و سپس آنها را تا حد امکان به ماشین یاد بدهد.
جهت شروع، باید به ایجاد و ابداع منطقی تازه و نو دست بزنیم که آن همانا منطق فازی است. در منطق قدیم فقط دو حالت داریم: سفید و سیاه، آری و خیر، روشن و تاریک، یک و صفر، و درست و غلط. قوانین علمی گذشته، مثل ریاضیّات، فیزیک و مکانیک نیوتونی، همه بر اساس اینگونه منطق استوار گردیده اند. پر واضح است که ذهن ما با منطقی دیگر کارهایش را انجام می‌دهد و تصمیماتش را اتّخاذ می‌کند.
[1] Expert systems
[2] Knowledge Engineering
[3] Knowledge-Based Systems
[4] Facts
[5] Rules
[6] Genetic Algorithm - GA
[7] Fuzzy Logic / Fuzzy Theory
[8] fuzzy