Astaraki

هوش مصنوعی ترکیبی


از بدو مطرح شدن هوش مصنوعي به عنوان يک Dicipline در علوم رايانه، دو طرز تفکر در تحقق سيستم هاي هوشمند مطرح بوده است، شايد بتوان آن دو را در پردازش نمادين و پردازش عددي تعريف نمود. براي درک پردازش نمادين مي توانيم به يک مثال اشاره داشته باشيم. فرض کنيد از يک نوازنده پيانو سوال مي کنيم که چگونه پيانو مي نوازي؟! اين نوازنده با استفاده از يک سري بيانات و شايد حرکات، روش کار خود را به ما نشان مي دهد و به احتمال زياد شيوه عمل او را هم درک مي کنيم و اگر کمي جديت به خرج دهيم شايد حتي بتوانيم چند نت را هم به گونهء جميع تکرار نماييم. حال فرض کنيد، مي خواهيم اين رفتار را با استفاده از يک فرمول رياضي( پردازش عددي) مدل کرده و مثلا با استفاده از يک ربات تکرار کنيم. سوال اين خواهد بود که آيا مدل رياضي که منحصر به روابط بين يک سري کيفيتهاي رقمي است، قادر به انجام اين عمل خواهد بود؟

فکر مي کنم جواب شما منفي باشد. در ادامه به يک وضعيت ديگر اشاره مي کنم. فرض کنيد مي خواهيد از يک خيابان که ماشين ها با سرعت عبور مي کنند، بگذريد. آيا روش تصميم گيري شما در رابطه با عبور کردن بر مبناي پردازش يک سري اندازه گيري انجام شده است؟ براي مثال آيا سرعت ماشين را تخمين زده و با در نظر گرفتن عرض خيابان، سرعت خود را محاسبه مي کنيد؟ به احتمال زياد در اين صورت مطمئناً شانس رسيدن شما به آن طرف خيابان بسيار پايين مي باشد و يا زمان بسيار زيادي طول خواهد کشيد که تصميم به عبور از خيابان را به مرحله اجرا در آوريد. در اين گونه شرايط ، روش برخورد ما به اين صورت خواهد بود که: " به نظر مي رسد ماشين آهسته حرکت مي کند؛ به آن طرف خيابان خواهم رسيد" در اين نوع پردازش انسان مواجه با تعداد زيادي نماد symbols مي باشد و با استفاده از اين نمادها براي تصميم گيري اقدام مي کند. اين نوع تصميم گيريها به طور واضح در رفتار آدمي مشاهده مي شود و طبيعي است که پردازش نمادين از جايگاهي ويژه در علم هوش مصنوعي برخوردار است.

در کنار پردازش نمادين در انسان مي دانيم که مغز انسان از يک مجموع منسجم سلول هاي عصبي تشکيل شده است و مدل هاي ارائه شده براي اين سيستم عصبي بر مبناي پردازش عددي عمل مي کند. چگونگي عمل سيستم طبيعي عصبي به طور واضح براي انسان مشخص نشده است و از آنجا که مدل هاي ارائه شده ، از قابليتهاي بسيار بالايي برخوردار هستند و در کاربردهاي زيادي از خود کارآيي خوبي ارائه کرده اند، به نظر مي رسد از واقعيت امر زياد دور نباشند. بنا براين، شايد بتوان گفت، انسان به طور کلي در سطح بالاي تصميم گيري از پردازش نمادين استفاده مي کند و در سطوح حسی و واکنشهای عصبی خود يک نوع پردازش عددي را به کار مي گيرد. بنابراين، رفتار هوشمندانه آدمي ناشي از يک روش نمادين تفکر در کنار محاسبات عصبي مغز مي باشد.

همانگونه که مطرح شد، اين دو محور در هوش انسان از بدو پيدايش هوش مصنوعي، به صورت دو ديدگاه معرفي شده اند.

از يک ديد، هدف ساختن مغز مصنوعي(شبکه هاي عصبي مصنوعي) است که در صورت وجود اين سخت افزار مي توان توقع داشت ماشيني که به اين وسيله مجهز شود، رفتار هوشمندانه از خود نشان دهد.

از ديدگاه دوم، هدف، مدل سازي روش تفکر انسان است که با استفاده از آن انسان تصميم گيريهاي هوشمندانه مي کند. در دهه هاي 50 و 60 محور اول به عنوان محور اصلي در مخلوقات هوش مصنوعي مطرح بوده است ولي در دهه 70، پردازش نمادين به عنوان فهم روش تفکر در طراحي سيستم هاي هوشمندان مطرح شد. خوشبختانه، در ده سال اخير محققان به اين نتيجه رسيده اند که براي ساختن يک سيستم هوشمند که بتواند در حوزه هاي (Domains) مختلف عمل کند، و با يک مساله پيچيده را حل کند، اعتماد کردن به يک روش(يا بينش) کافي نخواهد بود و از اينرو فلسفه هوش مصنوعي ترکيبي (Hybrid Artificial Intelligence) مطرح شده است.

به طور کلي سه روش ترکيب تکنيکهاي هوش مصنوعي در جهت ساخت يک سيستم هوشمند ارائه شده است که در ذيل به اختصار به آنها مي پردازيم.

در روش اول از يک تکنيک خاص جهت اجراي يک function در يک تکنيک ديگر هوش مصنوعي استفاده مي کنيم. براي مثال در طراحي يک سيستم کنترلي فازي چندين بلوک وجود دارد که هر کدام کار مشخصي را انجام مي دهند. يکي از اين بلوکها جهت انجام Fuzzification طراحي مي شود. در يک سيستم ترکيبي مي توان از شبکه هاي عصبي در انجام اين کار استفاده نمود. البته در اينجا در مورد مزايا يا معايب اين ترکيب سخني گفته نخواهد شد. در يک مثال ديگر مي توان به کاربرد روشهاي ژنتيکي در امر يادگيري شبکه هاي عصبي اشاره نمود.

در روش دوم جهت ساخت يک سيستم پيچيده، آن سيستم را تجزيه نموده( به زير سيستم هاي کوچکتر تقسيم نموده) و بعد از آن هر زير سيستم را با يک روش مناسب هوشمند پياده سازي مي کنيم. براي مثال جهت کنترل يک فرآيند پيچيده صنعتي از شبکه هاي عصبي جهت پيشگويي و مدل سازي يک سري از پارامترهاي کليدي استفاده مي شود و نتايج به دست آمده جهت تصميم گيريهاي کلي به يک سيستم خبره داده مي شود. سيستم خبره در اصل حکم يک مدير پروسه متخصص را دارد که با استفاده از پارامترهاي توليد شده در سطح پايين تر تصميم گيري مي کند. بسياري از مسائل پيچيده از اين طبيعت برخوردار هستند و شکستن آن به مسائل کوچکتر و به کارگيري روش مناسب براي حل هر کدام به صورت مجزا و در نهايت ادغام کردن نتايج به دست آمده، به حل درست مساله اصلي کمک خواهد نمود.

روش آخر استفاده از يک روش هوشمند در پياده سازي يک روش ديگر مي باشد. براي مثال مي توان به پياده سازي يک سيستم خبره با استفاده از شبکه هاي عصبي اشاره نمود. در اينجا هر نرون در شبکه عصبي يک قانون در پايگاه دانش مي باشد و با استفاده از محاسبات عصبي روش استنتاج را پياده مي کنيم. مثال ديگر به کارگيري گرامرها در تحليل و نمايش دانش آموخته شده در شبکه هاي عصبي مي باشد.

البته توجه به اين نکته لازم مي باشد که يک سيستم ترکيبي هوشمند نبايد الزا ما از روشهاي هوشمند در پياده سازي استفاده کند. در پياده سازي يک سيستم شايد نياز به بکارگيري روشهاي آماري، رياضي و تحليلي... نيز وجود داشته باشد.

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!