هوش مصنوعی

تعیین دقیق تاریخ ایجاد چیزی که به اصطلاح «هوش مصنوعی» نامیده می‌شود، کاری دشوار است. با این وجود آنچه که امروزه به‌عنوان هوش مصنوعی مطرح شده از حوالی ۱۹۶ یعنی هنگامی که جان مک‌کارتی در دانشگاه MIT زبان LISP را به‌وجود آورد، شروع به شکل گرفتن کرد.
LISP اولین زبان تحقیقاتی در زمینه هوش مصنوعی بود. البته اصطلاح "هوش مصنوعی" اغلب با نام ماروین مینسکی همراه است. او نخستین کسی است که در سال ۱۹۶۱ مقاله‌ای تحت عنوان "گام‌هایی به‌سوی هوش مصنوعی" را نوشت. دهه ۶۰ دوره‌ای بود که روی امکان وادار ساختن یک کامپیوتر به تفکر، تحقیقات بسیاری صورت گرفت و در همین دهه بود که اولین کامپیوتر شطرنج‌باز ساخته شد. این کامپیوتر اولین و مشهورترین الگوریتم ریاضی کامپیوتری را عرضه کرد. این الگوریتم برنامه ELIZA بود که در سال ۱۹۶۴ توسط "ژوزف وایزن‌باوم" نوشته شده بود. برنامه ELIZA همانند یک روانکاو فرویدی عمل می‌کرد.
در اواخر دهه ۷۰ موفقیت‌هایی نظیر پردازش زبان‌های طبیعی (NLP) و حل مسایل به‌دست آمد و این موفقیت‌ها زمینه لازم جهت ارایه اولین فرآورده تجاری هوش مصنوعی یعنی سیستم‌‌های خبره را فراهم کرد.
ابداع زبان Prolog نیز گام دیگری بود که در سال ۱۹۷۲ در شهر مارسی فرانسه برداشته شد که همانند LISP زبانی جهت کمک به حل مسایل هوش مصنوعی بود که بر خلاف LISP دارای قابلیت‌های ممتاز و ساختار دستوری ساده بود.
● هوش در ماشین‌
برای اینکه بگوییم یک ماشین باهوش است یا خیر، نیاز داریم که هوش را تعریف کنیم، اما مشکل اصلی آن است که هنوز نمی‌توان هوش را به‌طور دقیق تعریف کرد که اگر به فرض بتوانیم آن را تعریف کنیم، فقط توانسته‌ایم هوش انسان را تعریف کنیم، نه هوش ماشینی را!
اگر بخواهیم هوش ماشینی را با هوش انسانی مقایسه کنیم، اکثر ماشین‌ها آن عملی را که انسان انجام می‌دهد، انجام نمی‌دهند. اما اگر این قید را برداریم به‌سادگی می‌توان گفت که برنامه‌های باهوش می‌توانند وجود داشته باشند.
یک برنامه (ماشین) باهوش برنامه‌ای است که در هنگام مواجه شدن با یک مسئله یکسان رفتاری مشابه با رفتار انسان از خود بروز دهد. اما لزومی ندارد که این برنامه حقیقتا یک مسئله را به همان ترتیبی که یک انسان حل می‌کند، حل کند یا اینکه سعی کند این کار را انجام دهد.
● موضوعات عمده در هوش مصنوعی
زمینه هوش مصنوعی از چندین زمینه مطالعاتی کوچک‌تر تشکیل شده است که اعم آن‌ها چنین هستند.
▪ جست‌وجو جهت یافتن راه‌حل‌ها
▪ پردازش زبان طبیعی
▪ ربات‌ها
▪ سیستم‌های متخصص (خبره)
▪ منطق
▪ منطق مبهم و عدم قطعیت
▪ یادگیری ماشین
▪ تشخیص الگو
در نظر بسیاری از متخصصان پردازش‌های زبان‌های طبیعی، سخت‌ترین مسئله‌ای است که باید حل شود زیرا به این ترتیب کامپیوتر می‌تواند زبان‌های انسان‌ها را به‌طور مستقیم درک کند. بزرگ‌ترین مانع در این راه ابعاد پیچیدگی زبان‌های انسانی است.
● سیستم‌های خبره
سیستم‌های خبره (Expert System)اولین فرآورده‌های تجاری به‌وجود آورده از هوش مصنوعی محسوب می‌شوند. این سیستم‌ها همانند یک فرد متخصص می‌توانند در زمینه مورد نظر فعالیت کنند و یا طرف مشورت قرار بگیرند.
تعاریف مختلفی برای این سیستم‌ها بیان شده‌است که به چند مورد آن اشاره می‌کنیم:
۱) برنامه هوشمند کامپیوتری که از دانسته‌ها و رویدادهای استنباطی برای حل مسایل (که به قدر کافی برای انسان متخصص حل آن‌ها مشکل است) استفاده می‌کند.
۲) به مدلی می‌گویند که با استفاده از متدهای هوش مصنوعی و با به‌کارگیری به‌صورت انسانی به حل مسایلی می‌پردازد که نیاز به هوش انسان خبره دارد.
۳) سیستمی است که هدف آن تصمیم‌گیری در چارچوب مشخص همانند تصمیم‌گیری یک انسان خبره است.
● مزایای سیستم خبره چیست؟
میزان مطلوبیت یک سیستم خبره اصولا به میزان قابلیت دسترسی به آن و نیز میزان سهولت کار آن بستگی دارد بر خلاف یک انسان متخصص و خبره که به خواب، غذا، استراحت، مرخصی و... نیاز دارد. یک سیستم خبره در تمام ساعات شبانه‌روز و تمام روزهای سال قابل دسترسی است. قابلیت تولید سیستم متخصص بالاست ولی سیستم خبره را نمی‌توان به وفور تولید کرد. علاوه بر این‌ها یک سیستم خبره هرگز نمی‌میرد و دانش خود را از دست نمی‌دهد، زیرا دانش سیستم را می‌توان به‌سادگی کپی‌برداری و ذخیره کرد، دیگر اینکه سیستم بر خلاف انسان همواره در حالت ایده‌آل و حداکثر توانایی خود به‌سر می‌برد. اگر یک انسان خبره خسته شود، صحت توصیه‌های آن ممکن است کاهش یابد.
به‌عنوان یک مزیت کم اهمیت‌تر، می‌توان گفت که سیستم خبره "شخصیت" ندارد! ممکن است شخصیت انسان خبره با اخلاق و شخصیت شما سازگار نباشد. شما ممکن است که از مشاوره با آن فرد متخصص بهره کافی را نبرید یا متخصص نخواهد که دانش خودش را در اختیار شما قرار دهد. اما این مورد در سیستم‌های متخصص (در حال حاضر) منتفی است.
● اجزای سیستم خبره (یک نظر اجمالی)
یک سیستم خبره معمولا از قسمت‌های زیر تشکیل شده است:
پایگاه دانسته‌ها یا بانک اطلاعاتی، اطلاعات موجود در این بانک عموما دو جزء دارد: شیء (Object) که مفهوم آن روشن است و مشخصه (Attribate) که صفت یا کیفیت ویژه شیء است.
تولیدکننده مکالمه یا موتور استنباط (Inference Engine) که می‌توان آن را به مغز انسان تشبیه کرد. برای ساخت این قسمت سه روش عمده وجود دارد: استدلال پیشرو (Forward Chaining)، استدلال پسرو (Backward Chaining) و ارزشیابی (rule – value)
کسب دانسته‌ها و ارایه تفسیر و تشریح برای استدلال‌هایی که یک سیستم خبره ارایه می‌دهد را نیز می‌توان از قسمت‌های سیستم‌های خبره دانست.
همچنین مثلا شما می‌توانید با یک سیستم خبره بحث کنید. در این‌جا، منظور از بحث عباراتی است که به‌طور منطقی به یکدیگر متصل شده و به یک نتیجه منجر می‌شوند. این عبارات شامل دلایل ریاضی منطق صوری و منطق فلسفی می‌شوند. در نظر داشته باشید که اکثر تصمیم‌گیری‌هایی که ما انجام می‌دهیم بر اساس آگاهی غیرکامل است. بدین معنی که هنگامی که شما یک خانه می‌خرید نمی‌دانید که آیا همه لوله‌کشی‌های آن سالمند یا خیر و تصمیم شما برای دیدن این خانه بر اساس فرضیات متعددی صورت گرفته که هر یک دارای مقداری احتمال و به‌عبارت دیگر امکان درست بودن است. کامپیوتری که قادر به فکر کردن است، در این موارد از روش منطق فازی یا مبهم استفاده می‌کند. در این منطق تصمیم‌گیری‌ها بر اساس اطلاعات غیرکامل و غیرقطعی انجام می‌گیرد

http://it-pnu.blogfa.com/
سید مهدی سروی