هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوترکه سعی در ایجاد آن دارد گفته می شود. جان مک کارتی "پدر علم و دانش ماشینهای هوشمند" ، واژه هوش مصنوعی را در سال 1956 به کار برد . تحقیقات و جستجوهای انجام شده برای رسیدن به ساخت چنین ماشینهائی مرتبط با بسیاری از علوم دیگر مانند رایانه ، روان شناسی ، فلسفه ، عصب شناسی ، علوم ادراکی ، تئوری کنترل ، احتمالات ، بهینه سازی و منطق می باشد .

هنوز تعریف دقیقی برای هوش مصنوعی ارائه نشده است که مورد قبول همه ی دانشمندان صاحب نظر در این زمینه باشد و این خود به علت آن است که اساس این موضوع یعنی هوش مورد جنجال و اختلاف است و تعریف جامعی درباره آن وجود ندارد.

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 مسائل دریافت شده تلقی می‌شود. هوش مصنوعی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی می‌باشد.

در مقایسه هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم می‌باشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر می‌باشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده‌ایم.

بطور کلّی، هوش مصنوعی را می‌توان 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 مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته‌است باید تفاوت قائل بود.

ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریّت پیچیدگی را باید به عنوان هستهٔ 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 حل آن دسته از مسائل به وجود آمده‌است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming) ، یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.

امروزه دانش مدرن هوش مصنوعی به دو دسته تقسیم می‌شود :‌

ا) هوش مصنوعی سمبلیک یا نمادین ( Symbolic Ai )

2) هوش غیر سمبلیک یا پیوندگرا ( Connection Ai )

هوش مصنوعی سمبلیک از رهیافتی مبتنی بر محاسبات آماری پیروی می‌کند و اغلب تحت عنوان «یادگیری ماشین» یا Machine Learning طبقه‌بندی می‌شود. هوش سمبلیک می‌کوشد سیستم و قواعد آن را در قالب سمبل‌ها بیان کند و با نگاشت اطلاعات به سمبل‌ها و قوانین به حل مسئله بپردازد. در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبلیک می‌توان به سیستم‌های خبره (Expert Systems) و شبکه‌هایBayesian اشاره کرد. اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت «آموزش/ بهبود سیستم از طریق تکرار» بهره می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و «یادگیری از راه تجربه»‌ است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می‌کند. متدهای ایجاد شبکه‌های عصبی (Network Neural) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرد.

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 از هوشمندی تجرید را نشانه می‌رود، تا آنجا که، سرانجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها رسیده‌اند.

به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی 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 دانش کمک زیادی 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 روباتیی هوشمند که بتواند اعضای بدن خود را به حرکت درآورد، این روبات نسبت به این حرکت خود آگاه بوده و با آزمون 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 نمونه بالا ممکن است کمی آرمانی به نگر برسد، ولی به هیچ عنوان دور از دسترس نمی‌باشد. دانشمندان، عموماً برای تولید چنین ماشینهایی، از وجود مدلهای زنده‌ای که در طبیعت وجود، به ویژه آدمی نیز سود برده‌اند.

هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز می‌باشد. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌هایی در راستای هوش مصنوعی بوده‌اند.

تاریخچه

هوش مصنوعی علمی است جوان با قدمتی کمی بیش از نیم قرن . 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.

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.

بیش از نیم قرن پیش، هنگامی که هنوز هیچ تراشه‌ سیلیکونی‌ای ساخته نشده بود، آلن تورینگ یکی از بحث ‌بر‌انگیزترین پرسش‌های فلسفی تاریخ را پرسید. او گفت: آیا ماشین می‌تواند فکر کند ؟

و اندکی بعد کوشید به پیروی از این قاعده که هر ادعای علمی باید از بوته آزمایش سربلند بیرون بیاید، پرسش فلسفی خود را با یک آزمایش ساده و در عین حال پیچیده جایگزین کند. او پرسید:

آیا یک ماشین 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؟

او در سال ۱۹۵۰ براساس محاسباتی تخمین زد که ۵۰ سال بعد کامپیوتری با یک میلیارد بیت حافظه خواهد توانست به موفقیت‌هایی در این زمینه دست پیدا کند. اکنون که در نیمه سال ۲۰۰۸ میلادی هستیم، حتی هشت سال بیشتر از زمانی که او لازم دانسته بود، هنوز هیچ ماشینی نتوانسته است از بوته آزمون تورینگ با موفقیت خارج شود. در سال ۲۰۰۰ مفهوم هوش مصنوعی برای هیچ‌کس غیر قابل باور نبود .

یکی از جالب‌ترین و هیجان‌انگیزترین پرسش‌هایی که تاکنون تاریخ فلسفه به خود دیده این پرسش است که آلن تورینگ فیلسوف و ریاضیدان انگلیسی در سال ۱۹۵۰ طی مقاله‌ای به نام: Computing Machinery and Intelligence ( ماشین محاسباتی و هوشمند ) مطرح کرد او پرسید آیا ماشین می‌تواند فکر کند. خود تورینگ نتوانست پاسخ قطعی این پرسش را پیدا کند. اما برای یافتن پاسخ مناسب در آینده یک راهبرد خلاقانه پیشنهاد کرد.

او آزمونی طراحی کرد که خود، آن را بازی تقلید نامید. او آزمون بازی تقلید را چنین شرح داد: یک پرسشگر- یک انسان- همزمان در حال گفت‌وگو با دو نفر است. هر یک از این دو نفر در اتاق‌های جداگانه قرار گرفته‌اند و پرسشگر نمی‌تواند هیچیک از آنها را ببیند یکی از این دو نفر انسان است و دیگری یک ماشین یعنی یک کامپیوتر. پرسشگر باید با این دو نفر شروع به گفت‌وگو کند و بکوشد بفهمد کدا‌میک از این دو، انسان است و کدامیک ماشین. اگر کامپیوتر بتواند طوری جواب دهد که پرسشگر نتواند انسان را از ماشین تمیز دهد آنگاه می‌توان ادعا کرد که این ماشین هوشمند است. تورینگ برای آسان‌کردن شرایط این آزمون و پرهیز از پیچیدگی‌های اضافی آن را به محاوره‌ای متنی و روی کاغذ محدود کرد تا مجبور به درگیر شدن با مسائل انحرافی مانند تبدیل متن به گفتار شفاهی و تنظیم تن صدا و لهجه نباشیم.

البته چند سال بعد ، در سال ۱۹۶۸ آرتور سرکلارک ، در رمان معروف خود ، یعنی اودیسه فضایی ۲۰۰۱ اصطلاح " آزمون تورینگ " را به جای " بازی‌ تقلید "‌ سر زبان‌ها انداخت . از زمانی که تورینگ این فرضیه را مطرح کرده است ، هزاران دانشمند با هدف ساختن ماشینی که بتواند آزمون تورینگ را با موفقیت تمام کند ، دست به کار شده‌اند . اما هنوز کسی موفق نشده است چنین ماشینی بسازد و پیش‌بینی تورینگ هم درست از آب در نیامده است.

او همچنین بر اساس یک سری محاسبات پیش‌بینی کرد که ۵۰ سال بعد یعنی در سال ۲۰۰۰ انسان قادر خواهد بود کامپیوترهایی بسازد که در یک گفت‌وگوی پنج‌ دقیقه‌ای، فقط ۷۰درصد پرسشگرها بتوانند کشف کنند که در حال گفت‌وگو با یک انسان هستند یا یک ماشین. او برخورداری از یک میلیارد بیت حافظه (۱۲۵ میلیون بایت- حدود ۱۲۰ مگابایت) را یکی از مشخصه‌های اصلی این کامپیوتر دانست.

تورینگ همچنین در این مقاله یک سری استدلال‌های مخالف با نظریه و آزمون خود را مطرح کرد و کوشید به آنها پاسخ دهد، تصور اینکه ماشین‌های هوشمندی ساخته شوند که بتوانند فکر کنند وحشتناک است. تورینگ در پاسخ می‌گوید این نکته‌ای انحرافی است، زیرا بحث اصلی او بایدها و نبایدها نیست بلکه بحث درباره ممکن‌هاست.

دیگر اینکه، ادعا می‌شود محدودیت‌هایی درباره نوع پرسش‌هایی که می‌توان از کامپیوتر پرسید وجود دارد، زیرا کامپیوتر از منطق خاصی پیروی می‌کند. اما تورینگ در پاسخ می‌گوید:‌ خود انسان هنگام گفت‌وگو پرغلط ظاهر می‌شود و نمی‌توان گفتار هر انسانی را لزوما منطقی کرد. او پیش‌بینی کرد که منشأ اصلی هوشمندی ماشین فرضی او، حافظه بسیار زیاد و سریعی است که یک کامپیوتر می‌تواند داشته باشد . بنابراین از نگاه تورینگ، ماشین همچون کامپیوتر Deep Blue که کاسپاروف، قهرمان شطرنج را شکست داد، می‌تواند یک ماشین هوشمند تلقی شود. در عین حال تورینگ این نظر را که - آزمون مورد بحث معتبر نیست، زیرا انسان دارای احساسات است و مثلا موسیقی دراماتیک می‌سازد- رد کرد و گفت: هنوز هیچ سند قابل قبولی وجود ندارد که ثابت کند فقط ما انسان‌ها دارای احساسات هستیم، زیرا مشخص نیست مفهوم دقیق این واژه به لحاظ علمی چیست .

در سال ۱۹۵۶ جان مک‌ کارتی، یکی از نظریه‌پردازان پیشگام این نظریه در آن زمان، اصطلاح (هوش 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. البته علاقمندي مك‌كارتي به مقوله هوش مصنوعي به قبل از اين دوران برمي‌گردد. وي در سال 1948 از كارهاي جان فون‌نويمان (پدر منطق كامپيوترهاي امروزي) مطلع مي‌شود به آن‌ علاقمند مي‌گردد . این نظریه نقش موثری در پیشبرد جنبه‌های نظری و علمی هوش مصنوعی داشت . وليكن آنچه وي به آن مي‌انديشيد آن بود كه مي‌توان يافته‌هاي فون‌نويمان را به نحوي به‌كار بست كه بتوان هوش انساني را روي ماشين شبيه‌سازي نمود. او در اواسط دهه پنجاه ميلادي با كمك مالي بنياد راكفلر، كار روي شبيه‌سازي هوش انساني را آغاز كرد و بدين ترتيب هوش مصنوعي زاده شد.

در سال 1956، مك‌كارتي با همكاري كلود شانون و ماروين مينسكي يك كارگاه آموزشي را با موضوع هوش مصنوعي برگزار مي‌كند و اين موضوع را در آنجا مطرح مي‌نمايد. پس از آن‌كه موضوع هوش‌مصنوعي به‌طور جدي مطرح مي‌گردد، مك‌كارتي كار روي بازي‌هاي هوشمندانه ماشيني را آغاز مي‌كند و از حاصل اين كار، زبان LISP پديدار مي‌گردد، زباني براي توصيف خواسته‌هاي هوشمندانه از ماشين. اين زبان در سال 1958 در دانشگاه MIT توسعه داده شد. مك‌كارتي در آن زمان معتقد بود كه مي‌توان كاري كرد كه ماشين نيز هوشي همانند هوش انساني داشته باشد و LISP زباني است كه مي‌تواند اين هوش را توصيف كند . زبان LISP به جاي آن‌كه از منطق رياضي و كار روي اعداد استفاده كند، علامات و سمبل‌ها را به اشياء تغيير مي‌دهد، يعني از تعدادي ليست‌ براي توصيف منطق كاري برنامه بهره مي‌برد و در نهايت، خروجي اين زبان تعدادي جمله يا عبارت توصيفي خواهد بود. البته امروزه هم از شكل‌هاي تازه‌تري از زبان LISP در سيستم‌هاي خبره (Expert) و برنامه‌هاي پردازش زبان طبيعي(NLP) استفاده مي‌شود. اين زبان به قدري سطح بالا بود كه تازه در اواخر دهه هشتاد ميلادي كامپيوترهايي پديد آمدند كه توان كامل پردازش دستورات اين زبان را داشتند.

همه كساني كه نخستين گام‌ها را در راه معرفي هوش مصنوعي برداشتند، يك هدف را در سرداشتند و آن رساندن سطح هوش ماشيني به سطح هوش انساني بود. اما امروزه مي‌دانيم كه مطالعه در زمينه هوش و درك عملكرد آن، بسيار پيچيده و دشوار است. اكنون موضوع هوش را مي‌توان از دو جنبه بررسي نمود. جنبه نخست آن است كه آگاهي از جهان اطراف چگونه به دست مي‌آيد و چگونه مي‌توان از يافته‌ها، و حقايق نتيجه‌گيري هوشمندانه نمود. يك سيستم هوشمند نيازمند دريافت دانسته‌ها، تئوري‌هايي تخميني و غيرمشخص از اطراف است. وليكن از چيزهايي كه به‌طور دقيق و نامشخص تعريف شده‌اند، بايستي نتايج دقيقي استنتاج گردد. جنبه ديگر اين بررسي، حالت كشف و شهود هوشمندانه است . يعني بايد به طريقه كشف و شهود، راهي به سمت مقصد يافت كه اين راه از ميان هزاران راه ممكن و غيرممكن بايستي انتخاب گردد . اين موضوعات هنوز هم دلمشغولي‌هاي مك‌كارتي هستند و راه‌حل‌هاي دقيقي براي حل آن‌ها يافت نشده است.

هوش مصنوعی چیست؟

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.

هوش مصنوعی را به عنوان کوششهائی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند ، این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .

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.

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 چهار 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

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»

تعریف دیگری كه از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:

« 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.»

و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:

«هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل كامپیوتر به ماشینی كه بتواند اعمال انجام شده توسط انسان را انجام دهد.»

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 تلقی میشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از كامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.

در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.

روش شناسی ( Methodology ) هوش مصنوعی هنوز به عنوان یک نقطه ضعف مورد انتقاد بسیاری از صاحبنظران است ، از نظر برخی از آنان این ضعف یک شکل تکاملی است که به تاریخچه کوتاه علم رایانه مربوط است .

روش های هوش مصنوعی روش هائی هستند که به درد مسائلی می خورند که به خوبی تعریف شده اند ، به طور مثال بسیاری از مسائل محاسباتی معمولی از محاسبات فیزیک گرفته تا محاسبه حقوق و دستمزد از این دسته مسئل هستند که برای آنها الگوریتم مشخصی وجود دارد و نیازی به جستجو برای یافتن حل مسأله نیست .

دانشمندان هوش مصنوعی و به طور کلی دانشمندان رشته های مختلف ، اکنون مایلند با مدل هائی کار کنند که آنها را " مدل مؤلف " می نامند.

آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.

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 است ، 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.

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.

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.

چالش های بنیادین هوش مصنوعی

البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريباً مي‌توان گفت وجود دارد، اما دلايل اساسي متعددي وجود دارند كه نشان مي‌دهند چرا هنوز شكل تكامل يافته‌ هوشي كه تورينگ تصور مي‌كرد، به وقوع نپيوسته است. به طور كلي خود نظريه تورينگ مخالفاني جدي دارد. بعضي از اين منتقدان اصلا‌ً هوش ماشيني را قبول ندارند و برخي ديگر صرفاً كارآمدي آزمون تورينگ را براي اثبات هوشمندي زير سؤال مي‌برند. يكي از مهم‌ترين مباحث مطرح در اين زمينه، موضوع شبيه‌سازي است. غالباً پرسيده مي‌شود آيا صرف اين‌كه ماشيني بتواند نحوه صحبت كردن انسان را شبيه‌سازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روبات‌هاي نرم‌افزاري كه مي‌توانند چت كنند (Chatter Bots) چيزهايي شنيده باشيد. اين روبات‌ها از روش‌هاي تقليدي استفاده مي‌كنند و به تعبيري، نمونه مدرن و اينترنتي آزمون تورينگ هستند.

مثلاً روبات ELIZA يكي از اين‌هاست. اين روبات را ژوزف وايزن بام، يكي ديگر از پژوهشگران‌ نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده مي‌تواند طرف مقابل خود را به اشتباه بيندازد. طوري كه مخاطب ممكن است فكر كند درحال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد. با اين حال تكنيك‌هاي شبيه‌سازي مورد انتقاد گروهي از دانشمندان است. يكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندي ماشين‌هاي غيربيولوژيك اساساً بي‌ربط است و براي اثبات ادعاي خود مثالي مي‌آورد كه در مباحث تئوريك هوش مصنوعي <بحث اتاق چيني> ناميده مي‌شود. سيرل ابتدا نقد خود درباره هوش ماشيني را در 1980 مطرح كرد و سپس آن در مقاله كامل‌تري كه در 1990 منتشر كرد، بسط داد.

ماجراي اتاق چيني به اين صورت است: فرض كنيد داخل اتاقي يك نفر نشسته است و كتابي از قواعد سمبول‌هاي زبان چيني در اختيار دارد. براي اين فرد عبارات - سمبول‌‌هاي - چيني روي كاغذ نوشته مي‌شود و از زير درِ اتاق به داخل فرستاده مي‌شود. او بايد با مراجعه به كتاب قواعد پاسخ مناسب را تهيه كند و روي كاغذ پس بفرستد. اگر فرض كنيم كتاب مرجع مورد نظر به اندازه كافي كامل است، اين فرد مي‌تواند بدون اين‌كه حتي معني يك نماد از سمبول‌هاي زبان چيني را بفهمد، به پرسش‌ها پاسخ دهد. آيا مي‌توان به اين ترتيب نتيجه گرفت كه پاسخ دهنده هوشمند است؟

استدلال اصلي اين منتقد و ديگر منتقدان موضوع شبيه‌سازي اين است كه مي‌توان ماشيني ساخت (مثلاً يك نرم‌افزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. يعني ماشيني كه كلمات و سمبول‌هاي ورودي را دريافت و سمبول‌ها و كلمات خروجي را توليد كند؛ بدون اين‌كه خود ماشين معني و مفهوم اين سمبول‌ها را درك كند. بنابراين آزمون تورينگ

حتي در صورت موفقيت نيز نمي‌تواند ثابت كند كه يك ماشين هوشمند است .

ماشين‌ها بتوانند با دنياي پيرامون خود كنش و واكنش داشته باشند، آنگاه مي‌توانند فكر كنند. منظور اين است كه كامپيوترها نيز مانند ما داراي حس بينايي، شنوايي، لامسه و حس‌هاي ديگر باشند. در اين صورت، تركيب همزمان " پاسخ‌هاي تقليدي " با " واكنش مناسب به محيط " يعني همان " هوشمندي " اتفاقاً كسي مانند جان سيرل نيز تفكرات مشابهي دارد؛ با اين تفاوت كه به طور خاص او شكل ايده‌آل كنش و واكنش مورد نياز را همان تعامل بيولوژيكي مي‌داند.

انتقادات ديگري نيز به آزمون تورينگ وارد مي‌شود. ازجمله اين‌كه ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند. ديگر اين‌كه، در آزمون تورينگ فرض مي‌شود كه انسان مورد آزمايش - يكي از دو نفري كه داخل اتاق در بسته به سؤالات پاسخ مي‌دهد - به اندازه كافي هوشمند است. در حالي كه با استناد به استدلال خود تورينگ مي‌توان نتيجه گرفت كه خيلي از افراد مانند بچه‌ها و افراد بيسواد در اين آزمون مردود مي‌شوند؛ نه به دليل هوشمندي ماشين، بلكه به دليل نداشتن مهارت كافي در ارتباط‌گيري از طريق مكاتبه.

مسئله ديگري كه در بحث هوش مصنوعي اهميت دارد، موضوع <قالب و محتوا> است. منظور از قالب يا Context در اينجا، ظرفي است كه محتوا داخل آن قرار مي‌گيرد.

يكي از پايه‌هاي هوشمندي انسان توجهي است كه او به قالب محتوا - و نه صرفاً خود محتوا - دارد. به عنوان مثال، وقتي مي‌گوييم "شير"، اين كلمه به تنهايي معاني متفاوتي دارد، ولي هنگامي كه همين واژه داخل يك جمله قرار مي‌گيرد، فقط يك معني صحيح دارد. انسان مي‌تواند معاني كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگيشان به جمله تشخيص دهد. مشابه همين هوشمندي، در تمام حس‌هاي پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمي ثابت شده است كه گوش انسان مي‌تواند هنگام توجه به صحبت‌هاي يك انسان ديگر در محيطي شلوغ، كلمات و عباراتي را كه نمي‌شنود، خودش تكميل كند يا چشم انسان مي‌تواند هنگام مشاهده يك تصوير، قسمت‌هاي ناواضح آن را با استفاده از دانسته‌هاي بصري قبلي خود تكميل كند.

از اين رو كارشناسان معتقدند، دانش پيش‌زمينه يا " آرشيو ذهني" يك موجود هوشمند نقش مؤثري در هوشمندي او بازي مي‌كند. در حقيقت منشأ پيدايش برخي از شاخه‌هاي مدرن و جديد دانش هوش مصنوعي همچون " سيستم‌هاي خبره " و " شبكه‌هاي عصبي " همين موضوع است و اساسا با اين هدف پديد آمده‌اند كه بتوانند به ماشين قدرت آموختن و فراگيري بدهند؛ هرچند كه هر يك از اين شاخه‌ها، از پارادايم متفاوتي براي آموزش به ماشين استفاده مي‌كنند و همين تفاوت‌ها مبنا و اساس دو جريان فكري عمده در محافل علمي مرتبط با هوش مصنوعي را پديد آورده‌اند.

شاخه‌هاي علم هوش مصنوعي‌

امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم مي‌شود: يكي هوش مصنوعي سمبوليك يا نمادين (Symbolic AI) و ديگري هوش غيرسمبوليك كه پيوندگرا (Connection AI) نيز ناميده مي‌شود.

هوش مصنوعي سمبوليك از رهيافتي مبتني بر محاسبات آماري پيروي مي‌كند و اغلب تحت عنوان "يادگيري ماشين" يا (Machine Learning) طبقه‌بندي مي‌شود. هوش سمبوليك مي‌كوشد سيستم و قواعد آن را در قالب سمبول‌ها بيان كند و با نگاشت اطلا‌عات به سمبول‌ها و قوانين به حل مسئله بپردازد. در ميان معروف‌ترين شاخه‌هاي هوش مصنوعي سمبوليك مي‌توان به سيستم‌هاي خبره (Expert Systems) و شبكه‌هاي Bayesian اشاره كرد.

يك سيستم خبره مي‌تواند حجم عظيمي از داده‌ها را پردازش نمايد و بر اساس تكنيك‌هاي آماري، نتايج دقيقي را تهيه كند. شبكه‌هاي Bayesian يك تكنيك محاسباتي براي ايجاد ساختارهاي اطلاعاتي و تهيه استنتاج‌هاي منطقي از روي اطلاعاتي است كه به كمك روش‌هاي آمار و احتمال به دست‌ آمده‌اند. بنابراين در هوش سمبوليك، منظور از "يادگيري ماشين" استفاده از الگوريتم‌هاي تشخيص الگوها، تحليل و طبقه‌بندي اطلاعات است.

این گرایش هوش مصنوعی ، بیشتر بر مدل سازی شناخت اعمال تأکید دارد و چندان خود را به قابلیت تعمق در بیولوژیک سیستم های ارائه شده مقید نمی کند.Case-Based Reasoning یکی از گرایش های فعال در این شاخه می باشد . به عنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملاً شبیه به CBR می باشد به این ترتیب که پزشک در ذهن خود تعداد بسیاری زیادی از شواهد بیماریهای شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه های موجود در ذهن خویش تطبیق داده ، شبیه ترین نمونه را به عنوان بیماری بیابد . به این ترتیب مشخصات ، نیازمندی ها و توانائیهای CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است.

اما هوش پيوندگرا متكي بر يك منطق استقرايي است و از راه حل "آموزش/ بهبود سيستم از طريق تكرار" بهره‌ مي‌گيرد. اين آموزش‌ها نه بر اساس نتايج و تحليل‌هاي دقيق آماري، بلكه مبتني بر شيوه آزمون و خطا و <يادگيري از راه تجربه> است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نمي‌گيرد، بلكه سيستم از طريق تجربه، خودش قوانين را استخراج مي‌كند. متدهاي ايجاد شبكه‌هاي عصبي (Neural Networks) و نيز به‌كارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي‌گيرند.

پيوندگرايی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم‌زمان و در عين حال تعامل تعداد بسيار زيادی 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 تكنولوژيك شده‌اند و كاربرد آن در زمينه‌های متنوعی مانند سيستم‌های كنترلی، رباتيك، تشخيص متون، پردازش تصوير،… مورد بررسی قرار گرفته است.

علاوه بر اين كار بر روی توسعه سيستم‌های هوشمند با الهام از طبيعت (هوشمندی‌های ـ غير از هوشمندی انسان) اكنون از زمينه‌های كاملاً پرطرفدار در هوش مصنوعی است.

الگوريتم ژنيتك كه با استفاده از ايده تكامل داروينی و انتخاب طبيعی پيشنهاد شده روش بسيار خوبی برای يافتن پاسخ به مسائل بهينه سازيست. به همين ترتيب روش‌های ديگری نيز مانند استراتژی‌های تكاملی نيز (Evolutionary Algorithms) در اين زمينه پيشنهاد شده اند.

دراين زمينه هر گوشه‌ای از سازو كار طبيعت كه پاسخ بهينه‌ای را برای مسائل يافته است مورد پژوهش قرار می‌گيرد. زمينه‌هايی چون سيستم امنيتی بدن انسان (Immun System) كه در آن بيشمار الگوی ويروس‌های مهاجم به صورتی هوشمندانه ذخيره می‌شوند و يا روش پيدا كردن كوتاه‌ترين راه به منابع غذا توسط مورچگان (Ant Colony) همگی بيانگر گوشه‌هايی از هوشمندی بيولوژيك هستند.

براي درك بهتر تفاوت ميان اين دو شيوه به يك مثال توجه كنيد. فرض كنيد مي‌خواهيم يك سيستم OCR بسازيم. سيستم OCR نرم‌افزاري است كه پس از اسكن كردن يك تكه نوشته روي كاغذ مي‌تواند متن روي آن را استخراج كند و به كاراكترهاي متني تبديل نمايد.

بديهي است كه چنين نرم‌افزاري به نوعي هوشمندي نياز دارد. اين هوشمندي را از دو طریق متفاوت مي‌توان فراهم كرد. اگر از روش سمبوليك استفاده كنيم ، قاعدتاً بايد الگوي هندسي تمام حروف و اعداد را در حالت‌هاي مختلف در بانك اطلاعاتي سيستم تعريف كنيم و سپس متن اسكن شده را با اين الگوها مقايسه كنيم تا بتوانيم متن را استخراج نماييم. در اينجا الگوهاي حرفي-‌عددي يا همان سمبول‌ها پايه و اساس هوشمندي سيستم را تشكيل مي‌دهند.

روش دوم يا متد « پيوندگرا »اين است كه يك سيستم هوشمند غيرسمبوليك درست كنيم و متن‌هاي متعددي را يك به يك به آن بدهيم تا آرام آرام آموزش ببيند و سيستم را بهينه كند. در اينجا سيستم هوشمند مي‌تواند مثلا‌ً يك شبكه عصبي يا مدل مخفي ماركوف باشد. در اين شيوه سمبول‌ها پايه هوشمندي نيستند، بلكه فعاليت‌هاي سلسله اعصاب يك شبكه و چگونگي پيوند ميان آن‌ها مبناي هوشمندي را تشكيل مي‌دهند.

در طول دهه‌هاي 1960 و 1970 به دنبال ابداع اولين برنامه نرم‌افزاري موفق در گروه سيستم‌هاي مبتني بر دانش(Knowledge-Based) توسط جوئل موزس، سيستم‌هاي هوش سمبوليك به يك جريان مهم تبديل شد. ايده و مدل شبكه‌هاي عصبي ابتدا در دهه 1940 توسط Warren McCulloch و Walter Pitts معرفي شد.

سپس در دهه 1950 كارهاي روزنبالت (Rosenblatt) درمورد شبكه‌هاي دولايه مورد توجه قرارگرفت. در 1974 الگوريتم Back Propagation توسط Paul Werbos معرفي شد، ولي متدولوژي شبكه‌هاي عصبي عمدتاً از دهه 1980 به اين سو رشد زيادي پيدا كرد و مورد استقبال دانشمندان قرار گرفت. منطق فازي ابتدا توسط پروفسور لطفي زاده، در 1965 معرفي شد و از آن زمان به بعد توسط خود او و ديگر دانشمندان دنبال شد.

در دهه 1980 تلاش‌هاي دانشمندان ژاپني براي كاربردي كردن منطق فازي به ترويج و معرفي منطق فازي كمك زيادي كرد. مثلاً طراحي و شبيه سازي سيستم كنترل فازي براي راه‌آهن Sendai توسط دو دانشمند به نام‌هايYasunobu و Miyamoto در 1985، نمايش كاربرد سيستم‌هاي كنترل فازي از طريق چند تراشه مبتني بر منطق فازي در آزمون « پاندول معكوس » توسط Takeshi Yamakawa در همايش بين‌المللي پژوهشگران منطق فازي در توكيو در 1987 و نيز استفاده از سيستم‌هاي فازي در شبكه مونو ريل توكيو و نيز و معرفي سيستم ترمز ABS مبتني بر كنترلرهاي فازي توسط اتومبيل‌سازي هوندا در همين دهه تاثير زيادي در توجه مجدد دانشمندان جهان به اين حوزه از علم داشت.

البته هنگامی كه از گرايش‌های آينده سخن می‌گوييم، هرگز نبايد از گرايش‌های تركيبی غفلت كنيم. گرايش‌هايی كه خود را به حركت در چارچوب شناختی يا بيولوژيك يا منطقی محدود نكرده و به تركيبی از آنها می‌انديشند. شايد بتوان پيش‌بينی كرد كه چنين گرايش‌هايی فرا ساختارهای (Meta –Structure) روانی را براساس عناصر ساده بيولوژيك بنا خواهند كرد.

کاربردهای هوش مصنوعی

سيستم های خبره (Expert Sytems)

در يك تعريف كلي مي‌توان گفت سيستم‌هاي خبره، برنامه‌هاي كامپيوتري‌اي هستند كه نحوه تفكر يك متخصص در يك زمينه خاص را شبيه‌سازي مي‌كنند. در واقع اين نرم‌افزارها، الگوهاي منطقي‌اي را كه يك متخصص بر اساس آن‌ها تصميم‌گيري مي‌كند، شناسايي مي‌نمايند و سپس بر اساس آن الگوها، مانند انسان‌ها تصميم‌گيري مي‌كنند.

يكي از اهداف هوش مصنوعي، فهم هوش انساني با شبيه‌سازي آن توسط برنامه‌هاي كامپيوتري است. البته بديهي است كه "هوش‌"‌ را مي‌توان به بسياري از مهارت‌هاي مبتني بر فهم، از جمله توانايي تصميم‌گيري، يادگيري و فهم زبان تعميم داد و از اين‌رو واژه‌اي كلي محسوب مي‌شود.

بيشتر دستاوردهاي هوش مصنوعي در زمينه تصميم‌گيري و حل مسئله بوده است كه اصلي‌ترين موضوع سيستم‌هاي خبره را شامل مي‌شوند. به آن نوع از برنامه‌هاي هوش مصنوعي كه به سطحي از خبرگي مي‌رسند كه مي‌توانند به جاي يك متخصص در يك زمينه خاص تصميم‌گيري كنند، Expert Systems يا سيستم‌هاي خبره گفته مي‌شود. اين سيستم‌ها برنامه‌هايي هستند كه پايگاه دانش آن‌ها انباشته از اطلاعاتي است كه انسان‌ها هنگام تصميم‌گيري درباره يك موضوع خاص، براساس آن‌ها تصميم مي‌گيرند. روي اين موضوع بايد تأكيد كرد كه هيچ‌يك از سيستم‌هاي خبره‌اي كه تا‌كنون طراحي و برنامه‌نويسي شده‌اند، همه‌منظوره نبوده‌اند و تنها در يك زمينه محدود قادر به شبيه‌سازي فرآيند تصميم‌گيري انسان هستند.

به محدوده اطلاعاتي از الگوهاي خِبرگي انسان كه به يك سيستم خبره منتقل مي‌شود Task Domain گفته مي‌شود. اين محدوده، سطح خبرگي يك سيستم خبره را مشخص مي‌كند و نشان مي‌دهد ‌كه آن سيستم خبره براي چه كارهايي طراحي شده است. سيستم خبره با اين Task ها يا وظايف مي‌تواند كارهايي چون برنامه‌ريزي، زمانبندي، و طراحي را در يك حيطه تعريف شده انجام دهد.

به روند ساخت يك سيستم خبره، Knowledge Engineering يا مهندسي دانش گفته مي‌شود. يك مهندس دانش بايد اطمينان حاصل كند كه سيستم خبره طراحي شده، تمام دانش مورد نياز براي حل يك مسئله را دارد. طبيعتاً در غيراين‌صورت، تصميم‌هاي سيستم خبره قابل اطمينان نخواهند بود.

ساختار يك سيستم خبره

هر سيستم خبره از دو بخش مجزا ساخته شده است: پايگاه دانش و موتور تصميم‌گيري.
پايگاه دانش يك سيستم خبره از هر دو نوع دانش مبتني بر حقايق ‌(Factual) و نيز دانش غيرقطعي (Heuristic) استفاده مي‌كند. Factual Knowledge، دانش حقيقي يا قطعي نوعي از دانش است كه مي‌توان آن را در حيطه‌هاي مختلف به اشتراك گذاشت و تعميم داد؛ چراكه درستي آن قطعي است.

در سوي ديگر، Heuristic knowledge قرار دارد كه غيرقطعي‌تر و بيشتر مبتني بر برداشت‌هاي شخصي است. هرچه حدس‌ها يا دانش هيورستيك يك سيستم خبره بهتر باشد، سطح خبرگي آن بيشتر خواهد بود و در شرايط ويژه، تصميمات بهتري اتخاذ خواهد كرد.

دانش مبتني بر ساختار Heuristic در سيستم‌هاي خبره اهميت زيادي دارد اين نوع دانش مي‌تواند به تسريع فرآيند حل يك مسئله كمك كند .

البته يك مشكل عمده در ارتباط با به كارگيري دانشHeuristic آن است كه نمي‌توان در حل همه مسائل از اين نوع دانش استفاده كرد. به عنوان نمونه، نمودار (شكل 1) به خوبي نشان مي‌دهد كه جلوگيري از حمل سموم خطرناك از طريق خطوط هوايي با استفاده از روش Heuristic امكانپذير نيست.

شكل 1

اطلاعات اين بخش از سيستم خبره از طريق مصاحبه با افراد متخصص در اين زمينه تامين مي‌شود. مهندس دانش يا مصاحبه‌كننده، پس از سازمان‌دهي اطلاعات جمع‌آوري‌شده از متخصصان يا مصاحبه شوندگان، آ‌ن‌ها را به قوانين قابل فهم براي كامپيوتر به صورت (If-Then) موسوم به قوانين ساخت (Production Rules) تبديل مي‌كند.

موتور تصميم‌گيري سيستم خبره را قادر مي‌كند با استفاده از قوانين پايگاه دانش، پروسه تصميم‌گيري را انجام دهد. براي نمونه، اگر پايگاه دانش قوانيني به صورت زير داشته باشد:

●دفتر ماهنامه شبكه در تهران قرار دارد.

●تهران در ايران قرار دارد.

سيستم خبره مي‌تواند به قانون زير برسد:

●‌ دفتر ماهنامه شبكه در ايران قرار دارد.

استفاده از منطق فازي

موضوع مهم ديگر در ارتباط با سيستم‌هاي خبره، پيوند و ارتباط آن با ديگر شاخه‌هاي هوش مصنوعي است. به بيان روشن‌تر، برخي از سيستم‌هاي خبره از Fuzzy Logic يا منطق فازي استفاده مي‌كنند. در منطق غيرفازي تنها دو ارزش درست (True) يا نادرست (False) وجود دارد. چنين منطقي نمي‌تواند چندان كامل باشد؛ چراكه فهم و پروسه تصميم‌گيري انسان‌ها در بسياري از موارد، كاملا قطعي نيست و بسته به زمان و مكان آن، تا حدودي درست يا تا حدودي نادرست است. در خلال سال‌هاي 1920 و 1930، Jan Lukasiewicz فيلسوف لهستاني منطقي را مطرح كرد كه در آن ارزش يك قانون مي‌تواند بيشتر از دو مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفي‌زاده نشان داد كه منطق Lukasiewicz را مي‌توان به صورت "درجه درستي" مطرح كرد. يعني به جاي اين‌كه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر درست يا چقدر نادرست است؟"

از منطق فازي در مواردي استفاده مي‌شود كه با مفاهيم مبهمي چون "سنگيني"، "سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد : "وزن يك شيء 500 كيلوگرم است، آيا اين شيء سنگين است؟" چنين سوالي يك سوال مبهم محسوب مي‌شود؛ چراكه اين سوال مطرح مي‌شود كه "از چه نظر سنگين؟" اگر براي حمل توسط يك انسان بگوييم، بله سنگين است. اگر براي حمل توسط يك اتومبيل مطرح شود، كمي سنگين است، ولي اگر براي حمل توسط يك هواپيما مطرح شود سنگين نيست.

در اينجاست كه با استفاده از منطق فازي مي‌توان يك درجه درستي براي چنين پرسشي در نظر گرفت و بسته به شرايط گفت كه اين شيء كمي سنگين است. يعني در چنين مواردي گفتن اين‌كه اين شيء سنگين نيست
(False) يا سنگين است (True) پاسخ دقيقي نيست.

مزايا و محدوديت‌هاي سيستم‌هاي خبره

دستاورد سيستم‌هاي خبره را مي‌توان صرفه‌جويي در هزينه‌ها و نيز تصميم‌گيري‌هاي بهتر و دقيق‌تر و بسياري موارد تخصصي‌تر ديگر عنوان كرد. استفاده از سيستم‌هاي خبره براي شركت‌ها مي‌تواند صرفه‌جويي به همراه داشته باشد.

در زمينه تصميم‌گيري نيز گاهي مي‌توان در شرايط پيچيده، با بهره‌گيري از چنين سيستم‌هايي تصميم‌هاي بهتري اتخاذ كرد و جنبه‌هاي پيچيده‌اي را در مدت زمان بسيار كمي مورد بررسي قرار داد كه تحليل آنها به روزها زمان نياز دارد.

مزاياي‌ سيستم‌هاي‌ خبره‌ را مي‌توان‌ به‌ صورت‌ زير دسته‌بندي‌ كرد:

1-افزايش قابليت‌ دسترسي‌: تجربيات‌ بسياري‌ از طريق‌ كامپيوتر دراختيار قرار مي‌گيرد و به‌ طور ساده‌تر مي‌توان‌ گفت‌ يك‌ سيستم‌ خبره‌،توليد انبوه‌ تجربيات‌ است‌.

2-كاهش‌هزينه‌:هزينه‌كسب‌تجربه‌براي‌كاربربه‌طورزيادي‌كاهش‌مي‌يابد.

3-كاهش‌ خطر: سيستم‌ خبره‌ مي‌تواند در محيطهايي‌ كه‌ ممكن‌ است‌براي‌ انسان‌ سخت‌ و خطرناك‌ باشد نيز بكار رود.

4-دائمي‌ بودن‌: سيستم‌هاي‌ خبره‌ دائمي‌ و پايدار هستند. بعبارتي‌ مانندانسان‌ها نمي‌ميرند و فنا ناپذيرند.

5- تجربيات‌ چندگانه‌: يك‌ سيستم‌ خبره‌ مي‌تواند مجموع‌ تجربيات‌ وآگاهي‌هاي‌ چندين‌ فرد خبره‌ باشد.

6-افزايش‌ قابليت‌ اطمينان‌: سيستم‌هاي‌ خبره‌ هيچ‌ وقت‌ خسته‌ وبيمار نمي‌شوند، اعتصاب‌ نمي‌كنند و يا عليه‌ مديرشان‌ توطئه‌ نمي‌كنند، درصورتي‌ كه‌ اغلب‌ در افراد خبره‌ چنين‌ حالاتي‌ پديد مي‌آيد.

7-قدرت‌ تبيين‌ (Explanation): يك‌ سيستم‌ خبره‌ مي‌تواند مسير و مراحل‌استدلالي‌ منتهي‌ شده‌ به‌ نتيجه‌گيري‌ را تشريح‌ نمايد. اما افراد خبره‌ اغلب‌اوقات‌ بدلايل‌ مختلف‌ (خستگي‌، عدم‌ تمايل‌ و…) نمي‌توانند اين‌ عمل‌ رادر زمانهاي‌ تصميم‌گيري‌ انجام‌ دهند. اين‌ قابليت‌، اطمينان‌ شما را در موردصحيح‌ بودن‌ تصميم‌گيري‌ افزايش‌ مي‌دهد.

8-پاسخ‌دهي‌سريع‌:سيستم‌هاي‌خبره‌،سريع‌ودراسرع‌وقت‌جواب‌مي‌دهند.
9-پاسخ‌دهي‌ در همه‌ حالات‌: در مواقع‌ اضطراري‌ و مورد نياز،ممكن‌ است‌ يك‌ فرد خبره‌ بخاطر فشار روحي‌ و يا عوامل‌ ديگر، صحيح‌تصميم‌گيري‌ نكند ولي‌ سيستم‌ خبره‌ اين‌ معايب‌ را ندارد.

10-پايگاه‌ تجربه‌: سيستم‌ خبره‌ مي‌تواند همانند يك‌ پايگاه‌ تجربه‌عمل‌ كند وانبوهي‌ از تجربيات‌ را در دسترس‌ قرار دهد.

11-آموزش‌ كاربر: سيستم‌ خبره‌ مي‌تواند همانند يك‌ خودآموز هوش‌(Intelligent Tutor) عمل‌ كند. بدين‌ صورت‌ كه‌ مثالهايي‌ را به‌ سيستم‌ خبره‌مي‌دهند و روش‌ استدلال‌ سيستم‌ را از آن‌ مي‌خواهند.

12-سهولت‌ انتقال‌ دانش‌: يكي‌ از مهمترين‌ مزاياي‌ سيستم‌ خبره‌،سهولت‌ انتقال‌ آن‌ به‌ مكان‌هاي‌ جغرافيايي‌ گوناگون‌ است‌. اين‌ امر براي‌توسعه‌كشورهايي‌كه‌ استطاعت‌ خريد دانش‌ متخصصان‌راندارند،مهم‌است‌.

از سوي ديگر، به‌كارگيري سيستم‌هاي خبره محدوديت‌هاي خاصي دارد. به عنوان نمونه، اين سيستم‌ها نسبت به آنچه انجام مي‌دهند، هيچ "حسي" ندارند. چنين سيستم‌هايي نمي‌توانند خبرگي خود را به گستره‌هاي وسيع‌تري تعميم دهند؛ چراكه تنها براي يك منظور خاص طراحي شده‌اند و پايگاه دانش آن‌ها از دانش متخصصان آن حوزه نشات گرفته و از اين‌رو محدود است.

چنين سيستم‌هايي از آنجا كه توسط دانش متخصصان تغذيه اطلاعاتي شده‌اند، در صورت بروز برخي موارد پيش‌بيني نشده، نمي‌توانند شرايط جديد را به درستي تجزيه و تحليل نمايند.

كاربرد سيستم‌هاي خبره‌

از سيستم‌هاي خبره در بسياري از حيطه‌ها از جمله برنامه‌ريزي‌هاي تجاري، سيستم‌هاي امنيتي، اكتشافات نفت و معادن، مهندسي ژنتيك، طراحي و ساخت اتومبيل، طراحي لنز دوربين و زمانبندي برنامه پروازهاي خطوط هوايي استفاده مي‌شود. دو نمونه از كاربردهاي اين سيستم‌ها در ادامه توضيح داده‌شده‌اند.

●‌ طراحي و زمانبندي‌

سيستم‌هايي كه در اين زمينه مورد استفاده قرار مي‌گيرند، چندين هدف پيچيده و تعاملي را مورد بررسي قرار مي‌دهند تا جوانب كار را روشن كنند و به اهداف مورد نظر دست يابند يا بهترين گزينه را پيشنهاد دهند. بهترين مثال از اين مورد، زمانبندي پروازهاي خطوط هوايي، كارمندان و گيت‌هاي يك شركت حمل و نقل هوايي است.

‌●تصميم‌گيري‌هاي مالي‌

صنعت خدمات مالي يكي از بزرگ‌ترين كاربران سيستم‌هاي خبره است. نرم‌افزارهاي پيشنهاددهنده نوعي از سيستم‌هاي خبره هستند كه به عنوان مشاور بانكداران عمل مي‌كنند. براي نمونه، با بررسي شرايط يك شركت متقاضي وام از يك بانك تعيين مي‌كند كه آيا پرداخت اين وام به شركت براي بانك مورد نظر صرفه اقتصادي دارد يا نه. همچنين شركت‌هاي بيمه براي بررسي ميزان خطرپذيري و هزينه‌هاي موارد مختلف، از اين سيستم‌ها استفاده مي‌كنند.

چند سيستم خبره مشهور

از نخستين سيستم‌هاي خبره مي‌توان به Dendral اشاره كرد كه در سال 1965 توسط Edward Feigenbaum و Joshun Lederberg پژوهشگران هوش مصنوعي در دانشگاه استنفورد ساخته شد.

وظيفه اين برنامه كامپيوتري، تحليل‌هاي شيميايي بود. ماده مورد آزمايش مي‌توانست تركيبي پيچيده از كربن، هيدروژن و نيتروژن باشد. Dendral مي‌توانست با بررسي آرايش و اطلاعات مربوط به يك ماده، ساختار مولكولي آن را شبيه‌سازي كند. كاركرد اين نرم‌افزار چنان خوب بود كه مي‌توانست با يك متخصص رقابت كند.

از ديگر سيستم‌هاي خبره مشهور مي‌توان به MYCIN اشاره كرد كه در سال 1972 در استنفورد طراحي شد. MYCIN برنامه‌اي بود كه كار آن تشخيص عفونت‌هاي خوني با بررسي اطلاعات به دست آمده از شرايط جسمي بيمار و نيز نتيجه آزمايش‌هاي او بود.

برنامه به گونه‌اي طراحي شده بود كه در صورت نياز به اطلاعات بيشتر، با پرسش‌هايي آن‌ها را درخواست مي‌كرد تا تصميم‌گيري بهتري انجام دهد؛ پرسش‌هايي چون "آيا بيمار اخيرا دچار سوختگي شده است؟" (براي تشخيص اين‌كه آيا عفونت خوني از سوختگي نشات گرفته يا نه. MYCIN ( گاه مي‌توانست نتايج آزمايش را نيز از پيش حدس بزند.

سيستم خبره ديگر در اين زمينه Centaur بود كه كار آن بررسي آزمايش‌هاي تنفسي و تشخيص بيماري‌هاي ريوي بود.
يكي از پيشروان توسعه و كاربرد سيستم‌هاي خبره، سازمان‌هاي فضايي هستند كه براي مشاوره و نيز بررسي شرايط پيچيده و صرفه‌جويي در زمان و هزينه چنين تحليل‌هايي به اين سيستم‌ها روي آورده‌اند.

Marshall Space Flight Center) MSFC) يكي از مراكز وابسته به سازمان فضايي ناسا از سال 1994 در زمينه توسعه نرم‌افزارهاي هوشمند كار مي‌كند كه هدف آن تخمين كمّ و كيف تجهيزات و لوازم مورد نياز براي حمل به فضا است.

اين برنامه‌هاي كامپيوتري با پيشنهاد راهكارهايي در اين زمينه از بار كاري كارمندان بخش‌هايي چون ISS (ايستگاه فضايي بين المللي) مي‌كاهند و به گونه‌اي طراحي شده‌اند كه مديريت‌پذيرند و بسته به شرايط مختلف، قابل تعريف هستند.

مركز فضايي MSFC، توسط فناوري ويژه خود موسوم به 2G به ايجاد برنامه‌هاي ويژه كنترل هوشمندانه و سيستم‌هاي مانيتورينگ خطاياب مي‌پردازد. اين فناوري را مي‌توان هم در سيستم‌هاي لينوكسي و هم در سيستم‌هاي سرور مبتني بر ويندوز مورد استفاده قرار داد .

آنچه در نهايت مي‌توان گفت آن است كه يكي از مزيت‌هاي سيستم‌هاي خبره اين است كه مي‌توانند در كنار متخصصان انساني مورد استفاده قرار بگيرند كه ماحصل آن تصميمي مبتني بر تخصص انساني و دقت ماشيني است. اين فناوري از ديد تجاري نيز براي توسعه‌دهندگان آن سودآور است.

هم‌اكنون شركت‌هاي بسياري به فروش سيستم‌هاي خبره و پشتيباني از مشتريان محصولات خود مي‌پردازند. درآمد يك شركت كوچك فعال در زمينه فروش چنين محصولاتي مي‌تواند سالانه بالغ بر پنج تا بيست ميليون دلار باشد. بازار فروش و پشتيباني سيستم‌هاي خبره در سراسر جهان نيز سالانه به صدها ميليون دلار مي‌رسد.

منطق فازی (Fuzzy Logic)

پیشینه منطق فازی

تئوري مجموعه‌هاي فازي و منطق فازي را اولين بار پرفسور لطفي‌زاده در رساله‌اي به نام «مجموعه‌هاي فازي ، اطلاعات و كنترل» در سال 1965 معرفي نمود. هدف اوليه او در آن زمان، توسعه مدلي كارآمدتر براي توصيف فرآيند پردازش زبان‌هاي طبيعي بود. او مفاهيم و اصلاحاتي همچون مجموعه‌هاي فازي، رويدادهاي فازي، اعداد فازي و فازي‌سازي را وارد علوم رياضيات و مهندسي نمود. از آن زمان تاكنون، پرفسور لطفي زاده به دليل معرفي نظريه بديع و سودمند منطق فازي و تلاش‌هايش در اين زمينه، موفق به كسب جوايز بين‌المللي متعددي شده است.

پس از معرفي منطق فازي به دنياي علم، در ابتدا مقاومت‌هاي بسياري دربرابر پذيرش اين نظريه صورت گرفت . بخشي از اين مقاومت‌ها، چنان كه ذكر شد، ناشي از برداشت‌هاي نادرست از منطق فازي و كارايي آن بود. جالب اين‌كه، منطق فازي در سال‌هاي نخست تولدش بيشتر در دنياي مشرق زمين، به‌ويژه كشور ژاپن با استقبال روبه‌رو شد، اما استيلاي انديشه كلاسيك صفر و يك در كشورهاي مغرب زمين، اجازه رشد اندكي به اين نظريه داد. با اين حال به تدريج كه اين علم كاربردهايي پيدا كرد و وسايل الكترونيكي و ديجيتالي جديدي وارد بازار شدند كه بر اساس منطق فازي كارمي‌كردند، مخالفت‌ها نيز اندك اندك كاهش يافتند.

در ژاپن استقبال از منطق فازي، عمدتاً به كاربرد آن در روباتيك و هوش مصنوعي مربوط مي‌شود. موضوعي كه يكي از نيروهاي اصلي پيش‌برندهِ اين علم طي چهل سال گذشته بوده است. در حقيقت مي‌توان گفت بخش بزرگي از تاريخچه دانش هوش مصنوعي، با تاريخچه منطق فازي همراه و هم‌داستان است.

مجموعه‌هاي فازي

بنياد منطق فازي بر شالوده نظريه مجموعه‌هاي فازي استوار است. اين نظريه تعميمي از نظريه كلاسيك مجموعه‌ها در علم رياضيات است. در تئوري كلاسيك مجموعه‌ها، يك عنصر، يا عضو مجموعه است يا نيست. در حقيقت عضويت عناصر از يك الگوي صفر و يك و باينري تبعيت مي‌كند. اما تئوري مجموعه‌هاي فازي اين مفهوم را بسط مي‌دهد و عضويت درجه‌بندي شده را مطرح مي‌كند. به اين ترتيب كه يك عنصر مي‌تواند تا درجاتي - و نه كاملاً - عضو يك مجموعه باشد. مثلاً اين جمله كه «آقاي الف به اندازه هفتاددرصد عضو جامعه بزرگسالان است»از ديد تئوري مجموعه‌هاي فازي صحيح است. در اين تئوري، عضويت اعضاي مجموعه از طريق تابع (u‌(x مشخص مي‌شود كه x نمايانگر يك عضو مشخص و u تابعي فازي است كه درجه عضويت ‌x در مجموعه مربوطه را تعيين مي‌كند و مقدار آن بين صفر و يك است (فرمول 1).

فرمول 1

به بيان ديگر، (‌u‌(x نگاشتي از مقادير x به مقادير عددي ممكن بين صفرويك را مي‌سازد. تابع (‌u‌(x ممكن است مجموعه‌اي از مقادير گسسته (Discrete) يا پيوسته باشد. وقتي كه u فقط تعدادي از مقادير گسسته بين صفر و يك را تشكيل مي‌دهد، مثلاً ممكن است شامل اعداد 3/0 و 5/0 و 7/0 و 9/0 و صفر و يك باشد. اما وقتي مجموعه مقاديرu پيوسته باشند، يك منحني پيوسته از اعداد اعشاري بين صفر و يك تشكيل مي‌شود.

شكل 2 نموداري از نگاشت پيوسته مقادير x به مقادير ‌(‌u‌(x را نشان مي‌دهد. تابع‌ (‌u‌(x در اين نمودار مي‌تواند قانون عضويت در يك مجموعه فازي فرضي را تعريف كند.

منطق فازي چگونه به‌كار گرفته مي‌شود؟
منطق فازي را از طريق قوانيني كه «عملگرهاي فازي» ناميده مي‌شوند،

مي‌توان به‌كار گرفت. اين قوانين معمولاً بر اساس مدل زير تعريف مي‌شوند : شکل 2

If Variable Is set Then Action
به عنوان مثال فرض كنيد مي‌خواهيم يك توصيف فازي از دماي يك اتاق ارائه دهيم. در اين صورت مي‌توانيم چند مجموعه فازي تعريف كنيم كه از الگوي تابع (‌u‌(x تبعيت كند. شكل 3 نموداري از نگاشت متغير «دماي هو» به چند مجموعه‌ فازي با نام‌هاي "سرد"، "خنك"، "عادي"، "گرم" و "داغ" است. چنان كه ملاحظه مي‌كنيد، يك درجه حرارت معين ممكن است متعلق به يك يا دو مجموعه باشد.

شكل 3

به عنوان نمونه، درجه حرارت‌هاي بين دماي T1 و T2 هم متعلق به مجموعه "سرد" و هم متعلق به مجموعه "خنك" است. اما درجه عضويت يك دماي معين در اين فاصله، در هر يك از دو مجموعه متفاوت است. به طوري كه دماي نزديك ‌T2 تنها به اندازه چند صدم در مجموعه "سرد" عضويت دارد، اما نزديك نوددرصد در مجموعه "خنك" عضويت دارد.

پارادايم حاكم بر يك كنترلر فازي به اين ترتيب است كه متغيرهاي دنياي واقعي به عنوان ورودي دريافت مي‌شوند. قوانين فازي آن‌ها را به متغيرهاي معنايي تبديل مي‌كند. فرآيند فازي اين ورودي را مي‌گيرد و خروجي معنايي توليد مي‌كند و سرانجام خروجي‌ها به زبان دنياي واقعي ترجمه مي‌شوند. نمودار شكل 4 مصداقي از همين روند است.

اكنون مي‌توان بر اساس مدل فوق قانون فازي زير را تعريف كرد:

اگر دماي اتاق <خيلي گرم> است، سرعت پنكه را <خيلي زياد> كن.

اگر دماي اتاق <گرم> است، سرعت پنكه را <زياد> كن.

اگر دماي اتاق <معتدل> است، سرعت پنكه را در <همين اندازه> نگه‌دار.

اگر دماي اتاق <خنك> است، سرعت پنكه را <كم> كن.

اگر دماي اتاق <سرد> است، پنكه را <خاموش> كن.

اگر اين قانون فازي را روي يك سيستم كنترل دما اعمال كنيم، آن‌گاه مي‌توانيم دماسنجي بسازيم كه دماي اتاق را به صورت خودكار و طبق قانون ما، كنترل مي‌كند. اما اين سؤال پيش مي‌آيد كه اگر دو يا چند قانون همزمان براي يك متغير ورودي فعال شود چه اتفاقي خواهد افتاد؟ فرض كنيد دماي اتاق برابر Tx₁‌ است در اين صورت هم قانون مربوط به اتاق گرم و هم قانون مربوط به دماي اتاق معتدل صادق است و مقادير U1 و U2 به ترتيب به دست مي‌آيد. طبق كدام قانون بايد عمل كرد؟ لطفي‌زاده خود پاسخ اين معما را نداد. در سال 1975 دو دانشمند منطق فازي به نام ممداني (Mamdani) و آسيليان اولين كنترل فازي واقعي را طراحي كردند. آنان پاسخ اين معما را با محاسبهِ نقطه ثقل (C) مساحتي كه از تركيب دو ذوزنقه زير U1 و U2 در شكل 4 پديد آمده و نگاشت آن به محور t و به دست آوردن مقدار Tx₂ حل كردند.

منطق فازي، همچون منطق كلاسيك تعدادي عملگر پايه دارد. مثلاً در منطق كلاسيك از عملگرهاي AND و ‌OR و‌NOT استفاده مي‌شود كه دانش آموزان رشته رياضي فيزيك در دبيرستان با آن‌ها آشنا مي‌شوند. در منطق فازي معادل همين عملگرها وجود دارد كه به آن‌ها عملگرهاي <زاده> مي‌گويند. اين عملگرها به صورت زير تعريف مي‌شوند: (فرمول 2)

به عنوان مثال تركيب AND دو متغير x و y عبارت است از كمينه مقادير (‌u‌(x و (‌u(y. به عبارت ساده‌تر، آنجا كه هم x و y از نظر فازي"صحيح" باشند، همزمان مقادير (‌u‌(x و (‌u(y به كمترين مقدار خود مي‌رسند.

تفاوت ميان نظريه احتمالات و منطق فازي

يكي از مباحث مهم در منطق فازي، تميزدادن آن از نظريه احتمالات در علم رياضيات است. غالباً نظريه فازي با نظريه احتمالات اشتباه مي‌شود. در حالي كه اين دو مفهوم كاملاً با يكديگر متفاوتند. اين موضوع به قدري مهم است كه حتي برخي از دانشمندان بزرگ علم رياضيات در دنيا - به‌ويژه كشورهاي غربي - درمورد آن با يكديگر بحث دارند و جالب آن كه هنوز هم رياضيداناني وجود دارند كه با منطق فازي مخالفند و آن را يك سوء تعبير از نظريه احتمالات تفسير مي‌كنند.

از نگاه اين رياضيدانان، منطق فازي چيزي نيست جز يك برداشت نادرست از نظريه احتمالات كه به گونه‌اي غيرقابل قبول،مقاديرواندازه‌گيري‌هاي نادقيق را واردعلوم رياضيات ،مهندسي وكنترل كرده است.بعضي نيزمانندBruno de Finetti معتقدند فقط يك نوع توصيف از مفهوم عدم‌قطعيت در علم رياضيات كافي است و چون علم آمار و احتمالات وجود دارد، نيازي به مراجعه به منطق فازي نيست.

با اين حال، اكثريت طرفداران نظريه منطق فازي، كارشناسان و متخصصاني هستند كه به طور مستقيم يا غيرمستقيم با علم مهندسي كنترل سروكار دارند. حتي تعدادي از پيروان منطق فازي همچون بارت كاسكو تا آنجا پيش مي‌روند كه احتمالات را شاخه و زيرمجموعه‌اي از منطق فازي مي‌نامند.

توضيح تفاوت ميان اين دو نظريه البته كار چندان دشواري نيست. منطق فازي با حقايق نادقيق سروكار دارد و به حدود و درجات يك واقعيت اشاره دارد؛ حال آن‌كه نظريه احتمالات بر شالوده مجموعه حالات تصادفيِ يك پديده استوار است و درباره شانس وقوع يك حالت خاص صحبت مي‌كند؛ حالتي كه وقتي اتفاق بيفتد، دقيق فرض مي‌شود. ذكر يك مثال مي‌تواند موضوع را روشن كند. فرض كنيد در حال رانندگي در يك خيابان هستيد. اتفاقاً متوجه مي‌شويد كه كودكي در اتومبيل ديگري كه به موازات شما در حال حركت است، نشسته و سر و يك دست خود را از پنجره ماشين بيرون آورده و در حال بازي‌گوشي است. اين وضعيت واقعي است و نمي‌توان گفت احتمال اين‌كه بدن اين كودك بيرون اتومبيل باشد، چقدر است.

چون بدن او واقعاً بيرون ماشين است، با اين توضيح كه بدن او كاملاً بيرون نيست، بلكه فقط بخشي از بدن او در خارج اتومبيل قرارگرفته است. تئوري احتمالات در اينجا كاربردي ندارد. چون ما نمي‌توانيم از احتمال خارج بودن بدن كودك از ماشين صحبت كنيم؛ زيرا آشكارا فرض غلطي است. اما مي‌توانيم از احتمال وقوع حادثه‌ صحبت كنيم. مثلاً هرچه بدن كودك بيشتر بيرون باشد، احتمال اين‌كه در اثر برخورد با بدنه يك اتومبيل در حال حركت دچار آسيب شود، بيشتر مي‌شود. اين حادثه هنوز اتفاق نيفتاده است، ولي مي‌توانيم از احتمال وقوع آن صحبت كنيم. اما بيرون بودن تن كودك از ماشين همين حالا به واقعيت تبديل شده است و فقط مي‌توانيم از ميزان و درجات آن صحبت كنيم.

تفاوت ظريف و در عين حال پررنگي ميان نظريه احتمالات و نظريه فازي وجود دارد كه اگر دقت نكنيم، دچار اشتباه مي‌شويم؛ زيرا اين دو نظريه معمولاً در كنار يكديگر و در مورد اشياي مختلف همزمان مصداق‌هايي پيدا مي‌كنند. هنگامي كه به يك پديده مي‌نگريم، نوع نگاه ما به آن پديده مي‌تواند تعيين كند كه بايد درباره احتمالات صحبت كنيم يا منطق فازي. در مثال فوق موضوع دغدغه ما كودكي است كه در حال بازي گوشي است. اما يك وقت نگران اين هستيم كه تا چه اندازه خطر او را تهديد مي‌كند. خطري كه هنوز به وقوع نپيوسته است. يك وقت هم ممكن است نگران باشيم كه بدن او چقدر بيرون پنجره است. واقعيتي كه هم‌اكنون به وقوع پيوسته است.

يك ديدگاه درباره علت بحث و جدل علمي ميان دانشمندان اين است كه برخي از رياضيدانان اتكا به علم آمار و احتمال را كافي مي‌دانند و نظريه فازي را يك برداشت غيركارآمد از جهان درباره ما تلقي مي‌كنند. به عنوان مثال، اگر به مورد كودك و اتومبيل مراجعه كنيم، اين پرسش مطرح مي‌شود كه اگر نگراني و دغدغه نهايي ما احتمال وقوع حادثه است، ديگر چه نيازي به اين است كه ما درباره درجات «بيرون بودن تن كودك از اتومبيل» صحبت كنيم؟

بحث درباره ابعاد فلسفي منطق فازي بسيار شيرين و البته گسترده است. متأسفانه مجال براي طرح گستردهِ ابعاد فلسفي منطق فازي در اين مقاله وجود ندارد. از اين رو اگر مايل به مطالعه بيشتر در اين زمينه هستيد، كتاب بسياري خواندني "تفكر فازي" را كه در پي‌نوشت دوم انتهاي مقاله معرفي كرده‌ام، توصيه مي‌كنم.

كاربردهاي منطق فازي‌

منطق فازي كاربردهاي متعددي دارد. ساده‌ترين نمونه يك سيستم كنترل دما يا ترموستات است كه بر اساس قوانين فازي كار مي‌كند. سال‌هاست كه از منطق فازي براي كنترل دماي آب يا ميزان كدرشدن آبي كه لباس‌ها در آن شسته شده‌اند در ساختمان اغلب ماشين‌هاي لباسشويي استفاده مي‌شود.

امروزه ماشين‌هاي ظرفشويي و بسياري از ديگر لوازم خانگي نيز از اين تكنيك استفاده مي‌كنند. منطق فازي در صنعت خودروسازي نيز كاربردهاي فرواني دارد. مثلاً سيستم ترمز و ABS در برخي از خودروها از منطق فازي استفاده مي‌كند. يكي از معروف‌ترين نمونه‌هاي به‌كارگيري منطق فازي در سيستم‌هاي ترابري جهان، شبكه مونوريل (قطار تك ريل) توكيو در ژاپن است. ساير سيستم‌هاي حركتي و جابه‌جايي بار، مثل آسانسورها نيز از منطق فازي استفاده مي‌كنند.

سيستم‌هاي تهويه هوا نيز به وفور منطق فازي را به‌كار مي‌گيرند. از منطق فازي در سيستم‌هاي پردازش تصوير نيز استفاده مي‌شود. يك نمونه از اين نوع كاربردها را مي‌توانيد در سيستم‌هاي «تشخيص لبه و مرز» اجسام و تصاوير مشاهده كنيد كه در روباتيك نيز كاربردهايي دارد. به طور كلي خيلي از مواقع در ساختمان سيستم‌هاي تشخيص الگوها (Pattern Recognition) مثل سيستم‌هاي تشخيص گفتار و پردازش تصوير از منطق فازي استفاده مي‌شود.

شكل 4

فرمول 2

ادامه مطلب

|+| نوشته شده توسط فروزان در سه شنبه بیستم دی 1390 |