مرجع تخصصی پروژه های دانشجویی > پروژه دات کام <

هوش مصنوعی (artificial intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.

این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته‌های مختلف علوم و فناوری، مانند سازوکارهای ساده در ماشینها شروع شده، و به سیستمای خبره ختم می‌شود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهم‌ترین عامل توسعه و رشد هوش مصنوعی بوده‌است، هم اکنون از فراورده‌های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی‌ها و نرم افزارهای رایانه‌ای استفاده می‌شود.
فهرست
۱ تاریخچه
۲ تعریف و طبیعت هوش مصنوعی
۳ فلسفۀ هوش مصنوعی
۴ مدیریّت پیچیدگی
۵ عامل‌های هوشمند
۶ پیوندهای بیرونی
۷ منابع
۸ جستارهای وابسته

تاریخچه
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.(مرجع۱)
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آن‌ها به انجام رسانند.

تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. 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 نموده‌اند که: هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
سیستم‌هایی که به طور منطقی فکر می‌کنند
سیستم‌هایی که به طور منطقی عمل می‌کنند
سیستم‌هایی که مانند انسان فکر می‌کنند
سیستم‌هایی که مانند انسان عمل می‌کنند(مرجع۱)
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«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»(مرجع۲).

فلسفۀ هوش مصنوعی
مقالۀ اصلی: فلسفۀ هوش مصنوعی
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.

مدیریّت پیچیدگی
ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریّت پیچیدگی را باید به عنوان هستۀ بنیادین تلاش‌های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه‌های علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming)، یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم، و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی، در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر و بالاتر تجرید را نشانه می‌رود، تا آنجا که، سر‌انجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها به کار مشغولند.
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.

هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.
در سال ۱۹۵۰ آلن تورینگ (َAlain Turing)، ریاضی دان انگلیسی، معیار سنجش رفتار یک ماشین هوشمند را چنین بیان داشت: «سزاوارترین معیار برای هوشمند شمردن یک ماشین، اینست که آن ماشین بتواند انسانی را(و حتی یک محقق) توسط یک پایانه (تله تایپ) به گونه‌ای بفریبد که آن فرد (و حتی یک محقق) متقاعد گردد با یک انسان روبروست.»
در این آزمایش شخصی از طریق ۲ عدد پایانه (رایانه یا تله تایپ) که امکان برقراری ارتباط و گپ‌زنی را برای وی فراهم می‌کنند با یک انسان و یک ماشین هوشمند، بطور هم‌زمان به پرسش و پاسخ می‌پردازد. در صورتی که وی نتواند ماشین را از انسان تشخیص دهد، آن ماشین، هوشمند است. خلاصه ابنکه مورد تحقیق قرار گیرد و محقق نتواند دریابد در آن طرف انسان قرار دارد یا کامپیوتر.
آزمایش تورینگ از قرار دادن انسان و ماشینید، از تفکری انسانی برخوردار است.
آزمایش تورینگ مدل سازی نحوه تفکر انسان، تنها راه تولید ماشینهای هوشمند نیست. هم اکنون دو هدف برای تولید ماشینهای هوشمند، متصور است، که تنها یکی از آن دو از الگوی انسانی جهت فکر کردن بهره می‌برد:
سیستمی که مانند انسان فکر کند. این سیستم با مدل کردن مغز انسان و نحوه اندیشیدن انسان تولید خواهد شد و لذا از آزمون تورینگ سر بلند بیرون می‌آید. از این سیستم ممکن است اعمال انسانی سر بزند.
سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم‌ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم‌ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم‌ها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند. عامل‌ها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود می باشند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود. این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.
پیوندهای بیرونی
سامانه‌های خبره و هوش مصنوعی
انجمن امریکایی هوش مصنوعی
منابع
ایلین ریچ، هوش مصنوعی(وتکنیک‌ها)، ترجمه آزاد از دکتر مهرداد فهیمی، نشر جلوه، ۱۳۷۵،
وب‌گاه سیمرغ
هوش مصنوعی: به شیوه‌ای مدرن
Nisenfeld, A. E., Artificial Intelligence Handbook: Principles, Instrument Society of America, 1989. ISBN: 1 – 55617 – 133 –
جستارهای وابسته
وب معانی گرا
نمایش دانش
مدیریت دانش
مهندسی دانش
سامانه‌های خبره
سامانه‌های مبتنی بر دانش‌
مهندسی نرم‌افزار
فلسفه ذهن
بیوانفورماتیک (انفورماتیک حیات)
یادگیری ماشینی
کاوش‌های ماشینی در داده‌ها
هوش ازدحامی
عامل‌های هوشمند
سامانه‌های چندعامله
هوش مصنوعی توزیع‌شده
کاربردهای هوش مصنوعی در کشاورزی
سئوالی پرسيده بودند در مورد استفاده از هوش ماشين در صنايع و کشاورزی:

کاربردهای کشاورزی:
۱- استفاده برای استخراج اطلاعات کشاورزی و نقشه های سطح زمين٬ وضعيت آبی و زراعی زمين٬ وضعيت جنگلها و مراتع و … از تصاوير ماهواره ای
۲- تحليل اطلاعات استخراجی از تصاوير ماهواره ای و تطبيق با اطلاعات موجود با سيستم سنتی
۳- نگهداری اين اطلاعات در بانکهای اطلاعاتی جغرافيايی و بهره برداری معنايی و استخراج اطلاعات مفهومی
۴- خودکار سازی سيستم های ماشينی کاشت٬ داشت٬ برداشت و عرضه محصول و کنترل کيفيت آن نظير سيستم های خودکار داشت محصولات هيدروپونيک٬ يا سيستم های خودکار برداشت و بسته بندی چای و هزاران مورد ديگر

کاربردهای صنعتی:
کليه سيستم های خودکار جهت برش قطعات مختلف٬ سرهم کردن و فيکس کردن قطعات داخل هم٬ اتصال آنها به هم و کنترل کيفيت محصول.
از جمله موارد می توان به سيستم کنترل کوره ها٬ رباتهای مختلفی که در برشکاری ورق٬ اتصال و جوشکاری استفاده می شود و همچنين سيستم های هوشمند بينايی که در کنترل کيفيت انواع محصولات بکار می رود نام برد.
کاربردهای نظامی:
بسيار زياد
سيستم های هوشمند شناسايی مناطق جنگی اعم از هوايی و يا زميني٬ سيستم بمب ها و راکتهای هوشمندی که اهداف خود را ضمن شناسايی و دنبال کردن ماهواره اي٬ الگوهای سطح زمين راهم برای اطمينان چک می کنند..
استاد ما می گفت در آمريکا که بودم داشتند روی يکسری بمب کار می کردند که وقتی از هواپيما بصورت دسته جمعی رها می شوند٬ از سطح زمين عکس برداری کنند و اهداف روی سطح زمين را بين خودشان تقسيم کنند که هيچ کدام بيهوده هدر نرود.

آزمون تورینگ
در سال ۱۹۵۰ آلن تورینگ، ریاضیدان انگلیسی، معیار سنجش هوشمندی یک ماشین را چنین بیان داشت:
«سزاوارترین معیار برای هوشمند شمردن یک ماشین، اینست که آن ماشین بتواند انسانی را توسط یک پایانه تله تایپ به گونه‌ای بفریبد که آن فرد متقاعد گردد با یک انسان روبروست.»
تا به امروز هیچ نرم‌افزار یا ماشین هوشمندی نتوانسته است از این آزمون سربلند بیرون بیاید.

بازی تقلید
تورینگ در سال ۱۹۵۰ در مقاله‌اش سعی می‌کند سؤال «آیا ماشین‌ها می‌توانند فکر کنند؟» را با تبدیل به مسأله‌ای خوش تعریف به نوعی حل کند. او در ابتدا می‌گوید سؤال بالا به خاطر داشتن کلماتی مانند فکر و ماشین خوش تعریف نیست و خود تورینگ هم برای برای اینکه نمی‌خواهد مقاله‌اش را درگیر بحث‌های فلسفی کند، تعریفی برای این کلمات ارائه نمی‌دهد. در عوض بازی‌ای را مطرح می‌کند و می‌گوید که اگر یک ماشین بتواند در این بازی موفقیتی در حد یک انسان را داشته باشد، می‌توانیم بگوییم که آن ماشین فکر می‌کند. اصل این بازی بدین ترتیب است که یک مرد (آ)، یک زن (ب)، و یک بازرس در اتاق‌های جدا هستند. بازپرس سؤالاتی از طرفین می‌پرسد و آ و ب هر کدام به نحوی جوابشان را به بازرس می‌رسانند. مثلاً جواب‌هاشان را تایپ کرده و سپس به بازرس ارائه می‌کنند تا از روی تن صدا و یا دستخط بازرس تنواند جنسیت را حدس بزند. هدف هر کدام از آ و ب اینست که بازرس او را به عنوان زن معرفی کند. تورینگ می‌گوید که حال فرض کنیم که یک رایانه (ک) داریم؛ سؤال «آیا ماشین ک می‌تواند فکر کند؟» را با سؤال «آیا ک می‌تواند جای آ را در این بازی بگیرد در حالیکه یک مرد جای (ب) را گرفته است؟» جایگزین ‌کنیم.
در ابتدای کار دو سؤال ساده مطرح می‌شود؛ چرا تورینگ یک مرد را جای ب می‌گذارد و چرا اصلاً بازی سه نفره هست در حالیکه می‌شد بدون حضور ب بازی را انجام داد. سؤال اول را اینگونه جواب دادن که تورینگ می‌خواست قدرت تقلید را مطرح کند و لذا بازی را بگونه‌ای تغییر داده که هم آ و هم ب سعی در تقلید چیزی کنند که نیستند. سؤال دوم را می‌توان این‌گونه جواب داد که احتمالاً تورینگ روی مقایسه‌ای بودن بازی تأکید داشته است. ولی به طور کلی برای دوری از این بحث‌ها می‌توان گفت که سؤال «آیا ماشین ک می‌تواند فکر کند؟» را با سؤال «آیا ک می‌تواند بازی تقلید را انجام دهد؟» جایگزین ‌کنیم. همانطور که خود تورینگ نیز در جاهایی از مقاله‌اش این موارد ریز را در نظر نگرفته است. تورینگ در مقاله‌اش در مورد پیاده‌سازی ک نکاتی را مطرح می‌کند. برای مثال در جایی از مقاله می‌گوید که ک می‌تواند گهگاه به سؤالات محاسباتی غلط جواب دهد و یا در دادن جواب تعلل کند. بعضی ایراد می‌گیرند که با این کار ماشین به جای تقلید رفتار انسان دارد تقلب می‌کند. در جواب این نقد می‌توان گفت که اولاً این بحث فقط در محاسبات ریاضی مطرح است و اگر ماشینی با چنین تقلبی این آزمون را موفقیت‌آمیز طی کند، می‌توان آن را دوباره برنامه‌ریزی کرد تا در محاسباتش اشتباه نکند. در ثانی این رفتار بیش از آنکه تقلب باشد، نیرنگ است و محوریت این بازی هم نیرنگ و فریب بازرس است.
انتقادات واردشده به آزمون تورینگ
ایراد فقهی: بدین ترتیب که فکر کردن خاصه‌ای از روح است و لذا ماشین نمی‌تواند فکر کند. تورینگ در جواب می‌گوید که دلیلی نمی‌بیند که خدا به یک ماشین روح اهدا نکند. تورینگ به طور کلی به کسانی که فکر کردن را خاص انسان می‌دانند و عقیده دارند اشتراک این خاصه با موجودی دیگر ایده دلچسبی نیست گروه سر زیر خاک کردگان می‌گوید!
ایراد بیش از حد حسی بودن آزمون: تورینگ برای حل این مشکل می‌گوید که می‌توان با اضافه کردن شرط‌هایی به آزمون، حسی بودن آزمون را به حد مورد قبول رساند.
ایراد ریاضی: این ایراد بر اساس نظریه گودل مبنی بر وجود محدودیت در محاسبات کامپیوترهای بر مبنای منطق شکل می‌گیرد. تورینگ در جواب به خطاهای انسان در محاسبات اشاره می‌کند و می‌گوید که از کجا معلوم انسان در محاسبات محدودیت نداشته باشد. تورینگ نداشتن خطا را شرط لازم برای تفکر نمی‌داند.
ایراد بانو لاولنس: این ایراد ابتکار کامپیوتر را هدف قرار می‌دهد. بدین ترتیب که می‌گوید کامپیوتر نمی‌تواند انسان را سورپرایز کند. تورینگ در جواب می‌گوید که کامپیوتر می‌تواند انسان را سورپرایز کند! چرا که نتایج واقعیات به طور آنی کشف نمی‌شوند.
ایراد رفتار غیرعادی: این ایراد می‌گوید که رفتار انسان غیر قابل پیش‌بینی است در حالیکه کامپیوتر با توجه به محدود بودنش در فضایی از قوانین قابل پیش‌بینی است. تورینگ در جواب می‌گوید که اولاً معلوم نیست رفتار انسان در فضایی محدود از قوانین نباشد و شاید در آینده مجموعه قوانین انسان پیدا شود. ثانیاً محدود بودن در قوانین قابل پیش‌بینی بودن رفتار را تضمین نمی‌کند. (همانطور که در قضیه رایس این مسأله را می‌بینیم.)

استخراج ویژگی یکی از مباحث پردازش تصویر است که دربرگیرنده استفاده از الگوریتم‌هایی است که بخش‌های مطلوب گوناگون را از یک تصویر دیجیتال یا یک دنباله تصاویر آشکارسازی و جدا می‌کند.

الگوریتم ژنتیک
الگوریتم ژنتیک (Genetic Algorithm – GA) 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.

عملگرهای یک الگوریتم ژنتیک
در هر مسئله قبل از آنکه بتوان الگوریتم ژنتیک را برای یافتن یک پاسخ به کار برد به دو عنصر نیاز است: اول روشی برای ارائه یک جواب به شکلی که الگوریتم ژنتیک بتواند روی آن عمل کند لازم است. به شکل سنتی یک جواب به صورت یک رشته از بیتها، اعداد یا نویسهها.نمایش داده می‌شود.دوم روشی لازم است که بتواند کیفیت هر جواب پیشنهاد شده را با استفاده از توابع تناسب محاسبه نماید. مثلاً اگر مسئله هر مقدار وزن ممکن را برای یک کوله پشتی مناسب بداند بدون اینکه کوله پشتی پاره شود، (مسئله کوله پشتی را ببینید) یک روش برای ارائه پاسخ می‌تواند به شکل رشته ای از بیتهای ۰ و۱ در نظر گرفته شود, که ۱ یا ۰ بودن نشانه اضافه شدن یا نشدن وزن به کوله پشتی است.تناسب پاسخ، با تعیین وزن کل برای جواب پیشنهاد شده اندازه گیری می‌شود.
الگوریتم ژنتیک : 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: 1. زمان اجرای الگوریتم 2. تعداد نسلهایی که ایجاد می‌شوند 3. همگرایی معیار خطا
کاربردهای الگوریتم ژنتیک :
روندیابی هیدرولوژیکی رواناب جاری در شبکه رودخانه خشک
کمک در حل مسایل تصمیم گیری چند معیاره
بهینه سازی چند هدفه در مدیریت منابع آبی
بهینه سازی و بارآرایی شبکه های توزیع نیروی برق
و…
مراجع
J. H. Holland, Adoption in Natural and Artificial Systems, University of Michigan, Ann Arbor, 1975.
D. T. Pham and D. Karaboga, Intelligent Optimization Techniques, Springer, 2000.

بازیابی محتوامحور تصاویر
بازیابی محتوامحور تصویر (CBIR) که با نام‌های جستجو بر اساس محتوای تصویر (QBIC) و بازیابی محتوامحور داده‌های دیداری (CBVIR) نیز شناخته می‌شود کاربرد بینایی ماشین در مسالهٔ بازیابی تصویراست، یعنی مسالهٔ جستجو برای تصویر دیجیتال در پایگاه داده بزرگ. “محتوامحور” یعنی جستجو به جای استفاده از فوق داده وارد شده توسط انسان، مانند عنوان و کلیدواژگان، از محتوای خود تصاویر استفاده می‌کند. یک سامانه بازیابی محتوامحور تصاویر (CBIRS) نرم‌افزاری است که بازیابی محتوامحور تصاویر را پیاده‌سازی می‌کند.
به دلیل محدودیت‌های ذاتی سامانه‌های فوق داده‌محور علاقه به CBIR رو به رشد است. اطلاعات متنی درباره‌ تصاویر به آسانی به کمک فناوری موجود قابل جستجو، اما نیازمند انسان‌هایی است که شخصاً تمام تصاویر پایگاه داده را توصیف کنند. این کار برای پایگاه داده‌های خیلی بزرگ، یا تصاویری که به صورت خودکار ایجاد می‌شوند، مانند تصاویر دوربین نظارتی، غیر عملی است. همچنین ممکن است تصاویری که از کلمات هم‌معنی در توصیفشان استفاده شده است پیدا نشوند. سامانه‌های مبتنی بر طبقه‌بندی تصاویر در گروه‌های معنایی مانند “گربه” به عنوان زیرطبقه “حیوان” این اشکال را ندارند گرچه از همان مشکلات مقیاسی رنج می‌برند.
سامانه ایده‌آل CBIR از دیدگاه کاربر دربرگیرنده‌ چیزی است که به آن بازیابی معنایی می‌گویند و به عنوان مثال کاربر درخواستی مانند “تصاویر سگ‌ها را پیدا کن” و یا حتی “تصاویر محمد مصدق را پیدا کن ” مطرح می‌‌کند. انجام چنین کار بی‌انتهایی برای رایانه‌ها بسیار مشکل است – تصاویر سگ‌های ژرمن‌شپرد و دوبرمن‌ تفاوت زیادی با هم دارند، و محمد مصدق ممکن است همواره رو به دوربین و با همان ژست عکس نگرفته باشد. بنابراین سامانه‌های CBIR کنونی از ویژگی‌های سطح پایین‌تر همچون بافت، رنگ و شکل استفاده می‌کنند، با این وجود برخی از سامانه‌ها از ویژگی‌های سطح بالاتر بسیار عمومی مانند صورت‌ها سود می‌برند(سامانه بازشناسی صورت را ببینید). همه‌ سامانه‌های CBIR عام نیستند. برخی برای زمینهٔ خاصی طراحی شده‌اند، به عنوان مثال تطبیق شکل می‌تواند برای یافتن قطعات در یک پایگاه داده کد-کم به کار رود. پیاده‌سازی‌های مختلف CBIR از انواع مختلف جستجوهای کاربر استفاده می‌کنند.
با جستجو به کمک مثال، کاربر به کمک یک تصویر نمونه (تامین شده توسط خود کاربر یا انتخاب شده از یک مجموعه تصادفی) جستجو می‌کند، و نرم‌افزار تصاویر شبیه آن را بر اساس چندین ضابطه سطح پایین می‌یابد.
با جستجو به کمک طرح، کاربر تقریبی اولیه از تصویری که به دنبال آن است می‌کشد، مثلاً به کمک قطره‌های رنگ، و نرم‌افزار تصاویری را که طرح‌بندیشان به آن شبیه باشد را می‌یابد.
روش‌های دیگر شامل مشخص کردن نسبت رنگ‌های درخواستی(مثلاً “80% قرمز، 20% آبی”) و گشتن به دنبال تصاویر دربرگیرنده‌ جسمی که در یک تصویر نمونه داده شده است(مانند [1]) است.
سامانه‌های CBIR همچنین می‌توانند از پسخورد مرتبط بودن استفاده کنند، که در آن کاربر به صورت پیش‌رونده نتایج جستجو را با علامت‌گذاری نتایج جستجوی قبلی به عنوان “مرتبط”، “نامرتبط” یا “خنثی” بهبود می‌بخشد و جستجو را با اطلاعات جدید تکرار می‌کند.
یک کاربرد CBIR در شناسایی تصاویر دارای رنگ پوست و شکل‌هایی که می‌تواند نشانگر وجود برهنگی باشند جهت فیلترینگ و جستجو توسط ضابطین قانون است.
پیوند به بیرون
دموهای برخط SIMPLIcity و ALIP ساخته شده توسط دانشگاه‌های استنفورد و ایالتی پنسیلوانیا
GIFT-ابزار تصویریابی گنو- یک CBIRS کد باز با جستجو به کمک مثال
SIMBA دموی سامانه جستجوی تصاویر از روی ظاهر از موسسه بازشناسی الگو و پردازش تصویر دانشگاه آلبرت-لودویگز در فرایبورگ
دموی برخط FIRE، صفحه خانگی FIRE نرم‌افزار FIRE(مخفف Flexible Image Retrieval Engine) یک CBIRS جستجو به کمک مثال کد باز دیگر است
دموی وایپر یک نمایش برخط GIFT
پایگاه داده‌های پرتره‌های قرن نوزدهمی لایدن یک پایگاه داده‌های پرتره‌های قرن نوزدهم که به کمک CBIR جستجوپذیر است و در مقاله‌های علمی غالباً از آن یاد می‌شود
imgSeek نمایشگر و مدیر کد باز مجموعه عکس به همراه جستجوی محتوامحور و بسیاری ویژگی‌های دیگر
دموی ویدئوگوگل – در فیلم‌ها به دنبال اشیای ویژه بگردید
تشخیص گفتار
فناوری تشخیص گفتار به رایانه‌ای که توانایی دریافت صدا را دارد (برای مثال به یک میکروفن مجهز است) این قابلیت را می‌دهد که صحبت کاربر را متوجه شود. این فناوری در تبدیل گفتار به متن و یا به عنوان جایگزینی برای صفحه کلید یا ماوس برای وارد کردن دستورات مورد استفاده قرار می گیرد. سیستم های تشخیص دهنده گفتار انواع مختلفی دارند، بعضی قادرند گفتار پیوسته را شناسایی نمایند، بعضی دیگر فقط می توانند گفتار گسسسته (که بین کلمات سکوت وجود دارد) را تشخیص دهند. همچنین سیستم ها قادرند کلمات بیان شده توسط افراد مختلف و یا فقط توسط یک گوینده تشخیص دهند. بهر حال ایده آل ترین سیستم آن است که بتواند گفتار پیوسته غیر وابسته به گوینده را در محیط نویزی شناسایی نماید. این سیستم ها با بکار گیری روش های مختلف طبقه بندی و شناسایی الگو قادرند به تشخیص کلمات هستند که البته برای افزایش دقت در شناسایی از یک فرهنگ لغات نیز در انتهای سیستم استفاده می شود. روشهایی مانند Hidden Markov Model یا Neural Network در بسیاری از سیستم های تشخیص گفتار مورد استفاده قرار می گیرند و در بخش‌های انتهایی سیستم از هوش مصنوعی کمک گرفته می شود. امروزه با داشتن میکروفن و کارت صوتی در کامپیوتر و بکار گیری نرم افزار تشخیص گفتار میتوان دستورات یا کلمات را به صورت صوتی به کامپیوتر وارد کرد. حتی در بعضی از گوشی های تلفن همراه از این سیستم ها جهت دریافت دستورات بصورت صوتی استفاده می شود.

سامانه‌های چندعامله
سامانه‌های چندعامله (Multi Agent Systems) یا به اختصار MAS روش نوینی برای حل مسایل و پیاده‌سازی پروژه‌های نرم‌افزاری رایانه‌ای است.
مزایا
این سیستم در اکثر شرایط کار می‌کند. به این معنا که چون مغز متفکر واحد ندارد و تصمیم‌گیری توزیع‌شده است، چنانچه حتی بخشی از سیستم نیز از کار بیافتد باز هم سیستم به کار خود ادامه می‌دهد.
این سیستم برای محیط‌هایی با مقیاس وسیع (Large Scale) و محیط‌های ناشناخته (Unknown) نیز گزینهٔ مناسبی نسبت به سیستم‌های تک عامله به شمار میآید. زیرا محیط سریع‌تر و بهتر پویش می‌شود.
این سیستم به راحتی موازی می‌شود و پردازش موازی را آسان می‌کند.
این سیستم قابلیت تزاید در خود دارد بدین معنا که ۱+۱ = ۳. به طور مثال ما میزی را که ۱۱۰ نیوتن نیرو برای بلند کردن لازم دارد با چهار نفر که هر کدام ۲۵ نیوتن نیرو می‌گذارند بلند می‌کنیم.
هزینه‌ها در این سیستم پایین می‌آید. نیازی نیست تا با صرف هزینهٔ کلان امکان پردازش سنگینی برای یک عامل فراهم کنیم. بلکه می‌شود چندین عامل با قدرت پردازشی کمتر همان کار را حتی سریع‌تر انجام دهند.
معایب
البته این سیستم معایبی هم دارد که استفاده از آن را محدود می‌کند. مهم‌ترین آنها کندی اندک در کار است (به طور کلی).به هر حال می‌توان بر حسب مورد نیاز، از این سیستم استفاده کرد.

روبوکاپ
دکتر پیتر استون یک پژوهشگر آمریکایی در دهه ۹۰ در پایان نامه دکترای خود این مساله را عنوان کرد که فوتبال زمینه تحقیقاتی بسیار مناسبی برای سامانه‌های چند عامله است. این مساله در طی چند سال موجب پدید آمدن مسابفات بین المللی و موفق روبوکاپ شد که در آن تیم‌های دانشجویی و حتی دانش آموزی بسیاری از سراسر جهان با طراحی و شبیه سازی روبوت‌های فوتبالیست با هم رقابت می‌کنند. این مسابقات از سال ۹۷ همه ساله در یکی از کشورهای جهان , توسط فدراسیون جهانی روبوکاپ برگزار می‌گردد . البته لازم به ذکر است که مسابقات کوچک‌تری نیز همه ساله در سطح کوچک‌تری به صورت آزاد برگزار می‌گردند مانند Iran open , German open , US open, German open و … . این زمینه تحقیقاتی در دانشگاههای ایران و حتی برخی دبیرستان های خاص طرفداران بسیاری دارد و معمولاً تیم‌های ایرانی رتبه‌های مناسبی در این مسابقات کسب می‌کنند.

سامانه‌های خبره
سامانه‌های خِبره یا سیستم‌های خِبره (Expert systems) 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 سامانه‌های مبتنی بر دانش‌ به حساب می‌آیند.
این سامانه‌ها معمولاً اطلاعات را به شکل واقعیات (Facts) و قوانین (Rules) در دادگانی به نام پایگاه دانشگاه به شکل ساختار مند ذخیره نموده، و سپس با استفاده از روشهایی خاص استنتاج از این داده‌ها نتایج مورد نیاز حاصل می شود.
فهرست
۱ حوزه‌های کاربرد
۲ نکات تاریخی
۳ پیوندهای بیرونی
۴ منابع
۵ جستارهای وابسته

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. [1]
نکات تاریخی
تا ابتدای دهۀ 1980 (م) کار چندانی در زمینۀ ساخت و ایجاد سامانه‌های خِبره توسط پژوهش گران هوش مصنوعی صورت نگرفته بود. از آن زمان به بعد، کار های زیادی در این راستا و در دو حوزۀ متفاوت ولی مرتبط سامانه‌های کوچک خبره و نیز سامانه‌های بزرگ خبره انجام شده است. هوش مصنوعي: هوش مصنوعي روشي است در جهت هوشمند کردن کامپيوتر تا قادر باشد در هر لحظه تصميم گيري کرده و اقدام به بررسي يک مسئله نمايد. هوش مصنوعي، کامپيوتر را قادر به تفکر مي کند و روش آموختن انسان را تقليد مي نمايد. بنابراين اقدام به جذب اطلاعات جديد جهت بکارگيري مراحل بعدي مي پردازد. مغز انسان به بخش هايي تقسيم شده است که هر بخش وظيفه خاص خود را جدا از بقيه انجام مي دهد. اختلال در کار يک بخش تاثيري در ديگر قسمت هاي مغز نخواهد گذاشت. در برنامه هاي هوش مصنوعي نيز اين مسئله رعايت می‌شود درحالي که در برنامه هاي غير هوش مصنوعي مثل C يا Pascal تغيير در برنامه روي ساير قسمت هاي برنامه و اطلاعات تاثير دارد. مباحث کاربردي و مهم در تحقق يک سيستم هوش مصنوعي : 1- سيستم هاي خبره(Expert Systems) 2- شبکه هاي عصبي(Neural Network) 3- الگوريتم هاي ژنتيک(Genetic Algorithms) 4- سيستم هاي منطق فازي(Fuzzy Logic Systems)
سيستم هاي خبره: برنامه هايي هستند که رفتار يک انسان متخصص در يک زمينه بخصوص را تقليد مي کنند. اين برنامه از اطلاعاتي که استفاده کننده در آن‌ها ذخيره مي کند جهت اعلام يک عقيده در يک موضوع بخصوص استفاده مي کند. از اينرو سيستم هاي خبره تا هنگامي که بتوانند موضوعي را که با پاسخ هاي شما مطابقت داشته باشد بيابند به سوال کردن از شما ادامه مي دهند. به منظور درک کردن آنچه يک سيستم متخصص انجام مي دهد مکالمه زير که بين يک متخصص در امور ميوه و فرد ديگري که مي خواهد از وي توصيه اي در اين مورد دريافت کند را در نظر بگيريد: – متخصص: آيا ميوه سبز است؟ – استفاده کننده: خير. – متخصص: آيا ميوه قرمز است؟ – استفاده کننده: بله. – متخصص: آيا اين ميوه روي درخت رشد مي کند؟ – استفاده کننده: خير. – متخصص: آيا اين ميوه روي يک بوته رشد مي کند؟ – استفاده کننده: بله. – متخصص: آيا اين بوته تيغ دارد؟ – استفاده کننده: بله. – متخصص: اين ميوه تمشک است! هدف از طراحي يک سيستم متخصص کامپيوتري در امر ميوه توليد اين مکالمه است. در حالت عمومي تر سيستم متخصص سعي مي کند که به استفاده کننده از خود در مورد موضوعي که از آن مطلع است راهنمايي دهد.
مزاياي يک سيستم خبره چيست؟ 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: – 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. – دانش سيستم خبره از بين نمی‌رود بلکه مي توان آن را ذخيره نمود و حتي بسادگي مي توان آن را کپي برداري کرد. – 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. – 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. – 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.
مثال هايي از سيستم هاي متخصص تجاري: MYCIN اولين سيستم متخصص موفق جهان بود که در سال 1970 در دانشگاه استنفورد طراحي شد. هدف از ساخت اين سيستم کمک به پزشکان در تشخيص بيماري هاي ناشي از باکتري بود. مشکل عمده در تشخيص بيماري براي يک پزشک آن است که تشخيص سريع و قاطع يک بيماري با توجه به تعداد بسيار زياد بيماري موجود، عملي دشوار است.MYCIN با تشخيص دادن قاطع بيماري‌ها توانست که اين نياز را برآورده سازد. PROSPECTOR يک متخصص در امر زمين شناسي است که احتمال وجود رسوبات معدني در يک ناحيه بخصوص را پيش بيني مي کند. اين سيستم در سال 1987 توسط «ريچارد دودا» و «پيتر هارد» و «رنه ربو» ساخته شد. در اوايل دهه 80 سيستم هاي متخصص به بازار عرضه شد که مي توانستند مشورت هاي مالياتي، توصيه هاي بيمه اي و يا قانوني را به استفاده کنندگان خود ارائه دهند.
سيستم هاي متخصص چگونه کار مي کنند؟ هر سيستم متخصص از دو بخش تشکيل می‌شود: – بانک اطلاعاتي – توليد کننده مکالمه
بانک اطلاعاتي : منظور از بانک اطلاعاتي در اينجا مکانيسم نگهداري اطلاعات و قوانين ويژه اي در مورد يک موضوع بخصوص مي باشد. با اين توصيف دو اصطلاح زير تعريف می‌شود: – شيء(Object): منظور از شيء در اينجا نتيجه اي است که با توجه به قوانين مربوط به آن تعريف مي گردد. – شاخص(Attribute): منظور از شاخص يا «صفت» يک کيفيت ويژه است که با توجه به قوانيني که براي آن در نظر گرفته شده است به شما در تعريف شيء ياري مي دهد. بنابراين مي توان بانک اطلاعاتي را بصورت ليستي از اشياء که در آن قوانين و شاخص هاي مربوط به هر شيء نيز ذکر شده است در نظر گرفته شود. در ساده ترين حالت(که در اکثر کاربردها نيز همين حالت بکار مي رود) قانوني که به يک شاخص اعمال می‌شود اين مطلب را بيان مي کند که آيا شيء مورد نظر شاخص دارد يا ندارد؟ يک سيستم متخصص که انواع مختلف ميوه را شناسايي مي کند احتمالاً داراي بانک اطلاعاتي به صورت زير خواهد بود: شيء قانون شاخص سيب دارد روي درخت رشد مي کند. دارد گرد است دارد رنگ قرمز يا زرد است ندارد در کوير رشد مي کند انگور —– ——————- بانک ساده شده بالا با تنها استفاده از قانون دارد:
شيء           شاخص هايي که دارد
سيب           رشد روي درخت

گرد بودن رنگ قرمز يا زرد رشد نکردن در کوير
توليد کننده مکالمه: آن بخش از سيستم متخصص است که سعي مي کند از اطلاعاتي که شما ذخيره کرده ايد جهت يافتن يک شيء منطبق با خواسته شما استفاده نمايد. دو نوع عمده از توليد کننده هاي مکالمه وجود دارد : – قطعي – احتمالي برخي قوانين قطعي هستند. به عنوان مثال يک شيميدان مي تواند با قطعيت و يقين اعلام کند که اگر اتم مورد نظر داراي 2 الکترون باشد آنگاه اين اتم به عنصر هليم تعلق دارد. اکثر قوانين قطعي نيستند بلکه با يک درصد مشخص، احتمال وقوع آن‌ها مي رود. با اين وجود در بسياري از اينگونه موارد عامل عدم قطعيت از نظر آماري اهميت چنداني ندارد و از اين رو شما مي توانيد با اين قوانين بصورت قوانين جبري برخورد کنيد. در رابطه با اين دو گروه عمده(يعني قطعي و عدم قطعي) سه روش اساسي براي ساخت «توليد کننده مکالمه» وجود دارد: – استدلال پيشرو Forward Chaining – زنجيره سازي پسرو Backward Chaining – ارزشيابي Rule-Value تفاوت بين اين سه روش به شيوه اي که «توليد کننده مکالمه» توسط آن سعي مي کند به هدف خود برسد بستگي دارد.
شبکه عصبی مصنوعی
شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدۀ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کند.
با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.

هوش ازدحامی
هوش ازدحامی (Swarm Intelligence) 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 است که بطور 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 سیستم‌های را می‌توان در طبیعت مشاهده کرد؛ گروههای مورچه‌ها، دستهٔ پرندگان، گله‌های حیوانات، تجمعات باکتری‌ها و گله‌های ماهی‌ها.
به احتمال، موفق‌ترین روش‌های هوش مصنوعی ازدحامی که تاکنون بوجود آمده است،روش بهینه‌سازی گروه مورچه‌ها (ACO) و روش بهینه‌سازی ازدحام ذرات (PSO) هستند. روش ACO، نوعی روش فرااکتشافی است که برای یافتن راه‌حل‌های تقریبی برای مسائل بهینه‌سازی ترکیبیاتی مناسب است (از دیگر مثال‌های روش‌های فرااکتشافی می‌‌توان به روش شبیه‌سازی کوره‌ای، روش جستجوی مبتنی بر منع، روش محاسبات تکاملی و دیگر روش‌ها اشاره نمود).
در روش ACO، مورچه‌های مصنوعی به‌وسیله‌ٔ حرکت بر روی گرافِ مساله و با باقی گذاشتن نشانه‌هایی بر روی گراف، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه‌های باقی می‌‌گذارند، باعث می‌شوند که مورچه‌های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مساله فراهم نمایند.
روش PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یکنقطه یا سطح در فضای n بعدی می‌‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یکسرعت ابتدایی به آنها اختصاص داده می‌‌شود، همچنین کانال‌های ارتباطی بین ذرات درنظر گرفته می‌‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه‌ٔ 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 ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ کمینه‌ٔ محلی می‌گردد.
روباتیک ازدحامی، کاربردی از اصول هوش مصنوعی ازدحامی در تعداد زیادی از روبات‌های ارزان قیمت است.
فهرست
۱ جذابیت هوش ازدحامی در فناوری اطلاعات
۲ مراحل طراحی یک سامانه
۳ کاربردهای فعلی و آتی
۴ منابع
۵ پیوند به بیرون

جذابیت هوش ازدحامی در فناوری اطلاعات
همگونی‌هایی بین مسائل متفاوت در حوزهٔ فناوری اطلاعات و رفتارهای حشرات اجتماعی وجود دارد :
سامانه‌ای توزیع شده از کنشگرهای مستقل و تعامل کننده.
اهداف: بهینه سازی کارآیی و توان.
خود تنظیم بودن در روش‌های کنترل و همکاری به شکل نامتمرکز.
توزیع کار و اختصاص وظایف به شکل توزیع شده.
تعاملات غیر مستقیم.
مراحل طراحی یک سامانه
مراحل طراحی یک سامانه با کاربردهای فناوری اطلاعات بر مبنای هوش مصنوعی ازدحامی فرآیندی سه مرحله‌ای است :
شناسایی همسانی‌ها: در سامانه‌های IT و طبیعت.
فهم: مدلسازی رایانه‌ای روش ازدحامی طبیعی به شکل واقع‌گرا.
مهندسی: ساده‌سازی مدل و تنظیم آن برای کاربردهای IT.
کاربردهای فعلی و آتی
مسیریابی در شبکه.
سامانه‌های توزیع‌شده‌ٔ رایانامهای.
اختصاص منابع به شکل بهینه.
زمان‌بندی وظایف.
بهینه‌سازی ترکیبیاتی.
روباتیک:
بررسی سیستم‌های لوله‌کشی.
تعمیرات و نگهداری ماهواره‌ها و کشتی‌ها.
روبوت‌های خود-مونتاژ.

فلسفه اطلاعات
فلسفهٔ اطّلاعات (Philosophy of information) به آن دسته از پژوهش‌های فلسفی و انتقادی اطلاق می‌گردد که به منظور تبیین و روشن‌سازی مفاهیم، سرچشمه‌ها، اصول، و مبادی بنیادین اطّلاعات انجام بپذیرد.
فهرست
۱ تعریف اطّلاعات
۲ دانش محاسبات و فلسفه
۳ جستار‌های وابسته
۴ پیوند‌های بیرونی

تعریف اطّلاعات
اگر چه تعریفی فراگیر و همه جانبه از اطّلاعات تا کنون میسّر نگردیده است، پدیده‌های گوناگونی را می‌توان بر حسب زمینه و موضوع، اطّلاعات نام‌داد. معمولاً از سه نوع پدیده به نام اطّلاعات یاد می‌شود:
اطّلاعات به عنوان یک فرایند شناخت‌محور (Cognitive)
اطّلاعات به عنوان دانشی که ارائه گردیده است
از داده‌ها، اسناد، تصاویر، و موارد همانند آنها به‌عنوان اطّلاعات یاد می‌شود
هر چند اطّلاعات به خودی خود مهمّ است، اهمّیّت واقعی آن به سبب دانشی است که می‌تواند از آن ناشی گردد. شایان اشاره و تأکید است که همچون تمامی موارد دیگر جهان، اطّلاعات، و دانش برآمده ازآن اطّلاعات هم مشمول ترازهای تجریداند: آنچه که در این لایه دانش نامیده می‌شود، خود اطّلاعات است برای دانشی که در تراز بلافاصله بالاتر از آن واقع است. شاید ساده‌ترین مثال را بشود ارتباط (مجرّد شده – Abstract) یک مقاله با خود آن دانست: هر چند خود مقاله می‌تواند پاسخگوی سوالات باشد و از نوع دانش، به عنوان اطّلاعات برای چکیدهٔ خود عمل خواهد نمود.

دانش محاسبات و فلسفه
تعاملات و داد و ستد‌های علمی مابین دانشمندان علوم رایانه و اندیشمندان وادی فلسفه به هیچ وجه امروزی نیست. فلسفهء تولّد و ظهور کامپیوتر‌های ارقامی (digital) در اواسط قرن بیستم (م) را در واقع می شود در حوزه‌ی بزرگتر فلسفه‌ی علوم، سیبرنتیک، علوم نرم، و نیز در مجموعه‌ی علل و انگیزه‌های مربوط به آغاز تفکرّات سیستمی و کلیّات‌نگر، و نیز در منشأ مشترک تمامی آنها – پیچیدگی – نشان گرفت.
جستار‌های وابسته
هوش مصنوعی
اطلاعات
نظریه اطلاعات
دانش
فلسفهٔ اطّلاعات چیست؟
هوش مصنوعی چیست؟
قصدم در اینجا نوشتن مصالبی در ارتباط با کاربرد تکنولوژی جدید هوش مصنوعی ( Artificial Intelligence) در مدیریت است اما بهتر دیدم در ابتدا توضیح ساده ای در باره هوش مصنوعی در اینجا بیاورم.
به زبان بسیار ساده هوش مصنوعی تلاش برای تولید ماشینی است که همانند انسان عمل کند. اما این تعریف حقایق و جزئیات را در خود جای نمی دهد. بنابراین بهتر است AI را توضیح بدهم.
AIیک رشته جدیدی است که در اواسط قرن 20 بوجود آمده است. اکثرا در روزنامه ها، تلویزیون، فیلمها و بازی های کامپوتری به این مقوله پرداخته شده اما درست درک نشده است. حتی بعضی ساده لوحان این طرح را غیر عملی میدانند و بعضی از دولتها هرگونه فعالیت در این زمینه را ممنوع کرده اند. اما این علم در صنعت و دانشگاهها در حال پیشرفت است اگرچه همیشه بعنوان هوش مصنوعی شناخته نمی شود، زیرا تکنیکها و ایده های مهمی از مهندسی نرم افزار را در خود دارد. بعضی دیگر از ساده لوحان نیز فکر می کنند که این علم در حال رشد سریعی است و در چند سال آینده رباتها انسانها را به زنجیر میکشند و دنیا را در اختیار خود میگیرند.
متاسفانه هیچ توضیح و یا اشاره ای ازAI در مدارس و حتی دانشگاها داده نمیشود و تعداد معدودی از دانشگاها هستند که رشته و یا درس AI را در برنامه درسی خود قرار داده اند.
AI یک علم بسیار عمیق و پیچیده در قرن اخیر است که در حالت کلی به مطالعه بر روی اطلاعات، چگونگی جمع آوری و نگهداری از آنها، بکارگیری اطلاعات و جابجایی و انتقال آنها به ماشین و یا انسان و حیوان میپردازد.
در فیزیک و شیمی بر اساس قانون اصل بقای انرژی، انرژی از بین نمیرود و فقط از صورتی بصورت دیگری در می آید. بسیاری از علوم مانند بیولوژی، داروسازی، زمین شناسی و دانشهای مهندسی براساس این اصل تکامل یافته است و تمامی این رشته ها بر اساس درک صحیحی از مکانیزم طبیعی و یا مصنوعی تبدیل نیرو، جرم و انرژی استوار است. در مورد اطلاعات نیز این اصل استوار است که اطلاعات انتقال می یابد و از صورتی بصورت دیگر در می آید.

به همین دلیل میتوان این علم را علم اطلاعات و یا علم هوش نامگداری کرد. علمی که بر اساس اصل تبدیل اطلاعات به فرم مکانیکی و شیمیایی و بالعکس استوار است.
نه تنها سیستمهای مصنوعی بلکه انسانها نیز اطلاعات را دریافت میکنند، بکار میگیرند و انتقال می دهند. انسانها حتی با اینها کنترل میشوند. برای مثال با جایزه خوشحال، با خبر بد غمگین، از صدای بلند در تاریکی هراسناک میشوند یعنی با دریافت یکسری اطلاعات از خود احساس نشان میدهند. این مورد نیز در در حال بررسی و مطالعه است. بنابراین AI برخلاف ظاهر اسمش، درباره سیستمهای طبیعی و مصنوعی تجزیه و تحلیل اطلاعات و نه فقط چگونگی دریافت اطلاعات بلکه چه میکنند و چگ.نه احساس میکنند، میباشد.
AIزمینه های پژوهشی دیگری را نیز شامل میشود
اگر ما AI را بدین صورت تعبیر کنیم که علمی است که به چگونگی دریافت، پردازش، نگهداری و استفاده اطلاعات در هوش انسان و حیوان و ماشین باشد، بطور حتم با زمینه های پژوهشی قدیمیتری مانند روانشناسی، اعصاب و روان، فلسفه و منطق نیز در ارتباط هستیم.

پیشرفت کامپیوترها راههای جدیدی برای حل مشکلات AIدر برابر ما گشوده است. در گذشته روانشناسان و دانشمندان مغز و اعصاب نمیتوانستند سیستمهای پردازش اطلاعات حیوانات و آدمی را آزمایش کنند و فلاسفه فقط میتوانستند تئوریهایی در زمینه چگونگی کارکرد مغز و زبان بدهند. حال آنکه امروزه میتوان فراتر از آنها رفت و سیستمهایی طراحی نمود که تئوریها را مورد آزمایش قرار دهد و صحت و سقم آنها را یافت.

تجربه های بدست آمده
طراحی ماشین با توانایی های خاص خیلی سخت تر از فرضیات اولیه دانشمندان است. خیلی کارها که در ابتدا ساده بنظر می رسند، موارد دقیق و عمیقی در خود دارند. برای مثال “دیدن” فقط تشخیص اشیا نیست، بیکه شامل ایجاد احساس و درک محیط و درک امن و یا نا امن بودن آن میباشد.
همچنین توانایی فهم زبانی مانند انگلیسی، فرانسه و یا فارسی خیلی پیچیده تر از آن است که محققان فکر کردند. استفاده از زبانهای برنامه نویسی مثل C و C++ و Java نیز خیلی دست و پا گیر است.
ما امروزه میدانیم که حتی افراد کودن هم به مراتب از ماشینهایی که امروزه طراحی شده اند پیشرفته تر و آگاه تر هستند. به هیچ رباتی نمیشود اطمینان داشت که برود و ظروف را از روی میز جمع کند، بشورد و در جاظرفی بچیند و همه این کارها را بدرستی انجام دهد. درحالی که همان افراد کودن هم این کارها را براحتی انجام میدهند.
امروزه این به اثبات رسیده که ماشینها قادر به انجام کارهایی هستند که در ابتدا برای محققان انجام آن توسط ماشینها سخت مینمود مانند
حساب کردن و شطرنج بازی کردن.
ما امروزه فهمیده ایم که خیلی از کارهای پیچیده انسان و حیوان مانند بالا رفتن از درخت و ساختن آشیانه، هوش بسیار بالا و دانش پیچیده ای نیاز دارد که تئوریهای ما هنوز آنها را پوشش نمی دهند. همچنین درک غرایز حیوانی نیز حتی در میان فلاسفه بسیار مشکل است.
بسیاری از محققین سعی میکنند که موارد فوق را بدرستی درک کنند و برای آنها مکانیسمهایی طراحی کنند. طراحی شبکه های عصبی و مترجمهای چند زبانه راهایی هستند که محققین برای رسیدن به این اهداف بزرگ پی گرفته اند. همچنین محققین در تلاشند روشهایی برای ساختن سیستمهای با مکانیزمی که بتواند انگیزه و احساس را دریافت و درک کند، میباشند.
بنابراین AI علاوه بر مطالعه بر روی درک و دریافت، تعلیم؛ یادگیری، احساسات، ارتباطات و غیره، زمینه های دیگر بخصوص فلسفه، منطق، روانشناسی و همچنین مهندسی نرم افزار و علم کامپیوتر را نیز مورد مطالعه قرار میدهد.

هوش مصنوعی چیست ؟
هوش مصنوعی، شاخه‌ایست از علم كامپیوتر كه ملزومات محاسباتی اعمالی همچون ادراك (Perception)، استدلال(reasoning) و یادگیری(learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.
۲        ۱
در هر حال هر چند تاكنون تلاش‌های متعددی در جهت پیاده سازی تست تورینگ صورت گرفته مانند برنامه Eliza و یا AIML (زبانی برای نوشتن برنامه‌‌‌‌هایی كه قادر به chat كردن اتوماتیك باشند) اما هنوز هیچ ماشینی موفق به گذر از چنین تستی نشده است.
همانگونه كه مشخص است، این تست نیز كماكان دو پیش فرض اساسی را در بردارد:
۱ـ نمونه كامل هوشمندی انسان است.
۲ـ مهمترین مشخصه هوشمندی توانایی پردازش و درك زبان طبیعی است. درباره نكته اول به تفصیل تا بدین جا سخن گفته ایم؛ اما نكته دوم نیز به خودی خود باید مورد بررسی قرارگیرد. این كه توانایی درك زبان نشانه هوشمندی است تاریخی به قدمت تاریخ فلسفه دارد. از نخستین روزهایی كه به فلسفه(Epistemology) پرداخته شده زبان همیشه در جایگاه نخست فعالیت‌های شناختی قرار داشته است. از یونانیان باستان كه لوگوس را به عنوان زبان و حقیقت یكجا به كار می‌بردند تا فیلسوفان امروزین كه یا زبان را خانه وجود می‌دانند، یا آن را ریشه مسائل فلسفی می‌خوانند؛ زبان، همواره شاُن خود را به عنوان ممتازترین توانایی هوشمندترین موجودات حفظ كرده است. با این ملاحظات می‌توان درك كرد كه چرا آلن تورینگ تنها گذر از این تست متظاهرانه زبانی را شرط دست‌یابی به هوشمندی می‌داند. تست تورینگ اندكی كمتر از نیم‌قرن هوش مصنوعی را تحت تاُثیر قرار داد اما شاید تنها در اواخر قرن گذشته بود كه این مسئله بیش از هر زمان دیگری آشكار شد كه متخصصین هوش مصنوعی به جای حل این مسئله باشكوه ابتدا باید مسائل كم‌اهمیت‌تری همچون درك تصویر (بینایی ماشین) درك صوت و? را حل كنند.به این ترتیب با به محاق رفتن آن هدف اولیه، اینك گرایش‌های جدیدتری در هوش مصنوعی ایجاد شده‌اند. در سال‌های آغازین AI تمركز كاملاً برروی توسعه سیستم‌هایی بود كه بتوانند فعالیت‌های هوشمندانه(البته به زعم آن روز) انسان را مدل كنند، و چون چنین فعالیت‌هایی را در زمینه‌های كاملاً خاصی مانند بازی‌های فكری، انجام فعالیت‌های تخصصی حرف‌های، درك زبان طبیعی، و?. می‌دانستند طبیعتاً به چنین زمینه‌هایی بیشتر پرداخته شد.
در زمینه توسعه بازی‌ها، تا حدی به بازی شطرنج پرداخته شد كه غالباً عده‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند. مك‌كارتی كه پیشتر اشاره شد، از بنیان‌گذاران هوش مصنوعی است این روند را آنقدر اغراق‌آمیز می‌داند كه می‌گوید:
?محدود كردن هوش مصنوعی به شطرنج مانند این است كه علم ژنتیك را از زمان داروین تا كنون تنها محدود به پرورش لوبیا كنیم.? به هر حال دستاورد تلاش مهندسین و دانشمندان در طی دهه‌های نخست را می‌توان توسعه تعداد بسیار زیادی سیستم‌های خبره در زمینه‌های مختلف مانند پزشكی عمومی، اورژانس، دندانپزشكی، تعمیرات ماشین،?.. توسعه بازی‌های هوشمند، ایجاد مدل‌های شناختی ذهن انسان، توسعه سیستمهای یادگیری،?. دانست. دستاوردی كه به نظر می‌رسد برای علمی با كمتر از نیم قرن سابقه قابل قبول به نظر می‌رسد.
افق‌های هوش مصنوعی در ۱۹۴۳،Mcclutch (روانشناس، فیلسوف و شاعر) و Pitts (ریاضیدان) طی مقاله‌ای، دیده‌های آن روزگار درباره محاسبات، منطق و روانشناسی عصبی را تركیب كردند. ایده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسیله اجزای ساده شبكه عصبی بود. اجزای بسیار ساده (نورون‌ها) این شبكه فقط از این طریق سیگنال های تحریك (exitory) و توقیف (inhibitory) با هم درتماس بودند. این همان چیزی بود كه بعدها دانشمندان كامپیوتر آن را مدارهای (And) و (OR) نامیدند و طراحی اولین كامپیوتر در ۱۹۴۷ توسط فون نیومان عمیقاً از آن الهام می‌گرفت. امروز پس از گذشته نیم‌قرن از كار Mcclutch و Pitts شاید بتوان گفت كه این كار الهام بخش گرایشی كاملاً پویا و نوین در هوش مصنوعی است. پیوندگرایی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای كاملاً ساده به هم مرتبط می‌داند. شبكه‌های عصبی كه از مدل شبكه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای كاربردهای كاملاً علمی و گسترده تكنولوژیك شده‌اند و كاربرد آن در زمینه‌های متنوعی مانند سیستم‌های كنترلی، رباتیك، تشخیص متون، پردازش تصویر،? مورد بررسی قرار گرفته است.
علاوه بر این كار بر روی توسعه سیستم‌های هوشمند با الهام از طبیعت (هوشمندی‌های ـ غیر از هوشمندی انسان) اكنون از زمینه‌های كاملاً پرطرفدار در هوش مصنوعی است. الگوریتم ژنیتك كه با استفاده از ایده تكامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازیست. به همین ترتیب روش‌های دیگری نیز مانند استراتژی‌های تكاملی نیز (Evolutionary Algorithms) در این زمینه پیشنهاد شده اند. دراین زمینه هر گوشه‌ای از سازو كار طبیعت كه پاسخ بهینه‌ای را برای مسائل یافته است مورد پژوهش قرار می‌گیرد. زمینه‌هایی چون سیستم امنیتی بدن انسان (Immun System) كه در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌شوند و یا روش پیدا كردن كوتاه‌ترین راه به منابع غذا توسط مورچگان (Ant Colony) همگی بیانگر گوشه‌هایی از هوشمندی بیولوژیك هستند. گرایش دیگر هوش مصنوعی بیشتر بر مدل سازی اعمال شناختی تاُكید دارد (مدل سازی نمادین یا سمبولیك) این گرایش چندان خود را به قابلیت تعمق بیولوژیك سیستم‌های ارائه شده مقید نمی‌كند. CASE-BASED REASONING یكی از گرایش‌های فعال در این شاخه می‌باشد. بعنوان مثال روند استدلال توسط یك پزشك هنگام تشخیص یك بیماری كاملاً شبیه به CBR است به این ترتیب كه پزشك در ذهن خود تعداد بسیار زیادی از شواهد بیماری‌های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه‌های موجود در ذهن خویش تطبیق داده، شبیه‌ترین نمونه را به عنوان بیماری بیابد. به این ترتیب مشخصات، نیازمندی‌ها و توانایی‌های CBR به عنوان یك چارچوب كلی پژوهش در هوش مصنوعی مورد توجه قرارگرفته است.
البته هنگامی كه از گرایش‌های آینده سخن می‌گوییم، هرگز نباید از گرایش‌های تركیبی غفلت كنیم. گرایش‌هایی كه خود را به حركت در چارچوب شناختی یا بیولوژیك یا منطقی محدود نكرده و به تركیبی از آنها می‌اندیشند. شاید بتوان پیش‌بینی كرد كه چنین گرایش‌هایی فرا ساختارهای (Meta ?Structure) روانی را براساس عناصر ساده بیولوژیك بنا خواهند كرد.

این مطلب را به اشتراک بگذارید: