آشنایی با هوش مصنوعی

آشنایی با هوش مصنوعی

اسلاید 1: هوش مصنوعیاستاد: جناب آقای دکتر توحیدخواهگردآورنده : فاطمه شریفی1388

اسلاید 2: تاریخچه

اسلاید 3: تاریخچهآلن تورینگ (1950) یکی از بحث ‌بر‌انگیزترین پرسش‌های فلسفی تاریخ را پرسید: آیا ماشین می‌تواند فکر کند؟آیا 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؟تورینگ نتوانست پاسخ قطعی این پرسش ها را پیدا کند. اما برای یافتن پاسخ مناسب در آینده یک راهبرد خلاقانه پیشنهاد کرد:آزمون بازی تقلید

اسلاید 4: تاریخچه - ادامهدر سال ۱۹۵۶ جان مک‌ کارتی، یکی از نظریه‌پردازان پیشگام این نظریه در آن زمان، اصطلاح (هوشمند 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. تقریبا در همان زمان جان فون نیومان نظریه بازی‌ها را معرفی کرد. این نظریه نقش موثری در پیشبرد جنبه‌های نظری و علمی هوش مصنوعی داشت.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.

اسلاید 5: تاریخچه - ادامهدر سال ۱۹۶۸ آرتور سرکلارک، در رمان معروف خود، یعنی اودیسه فضایی ۲۰۰۱ اصطلاح (آزمون تورینگ) را به جای (بازی‌ تقلید)‌ سر زبان‌ها انداخت.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.

اسلاید 6: هوش مصنوعی چیست؟

اسلاید 7: هوش مصنوعی چیست؟هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است.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.هوش مصنوعي، شاخه‌ايست از علم كامپيوتر كه ملزومات محاسباتي اعمالي همچون ادراك (Perception)، استدلال (reasoning) و يادگيري (learning) را بررسي كرده و سيستمي جهت انجام چنين اعمالي ارائه مي‌دهد.هوش مصنوعي، مطالعه روش‌هايي است براي تبديل كامپيوتر به ماشيني كه بتواند اعمال انجام شده توسط انسان را انجام دهد.

اسلاید 8: هوش مصنوعی چیست؟ - ادامههوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.شیوه‌ها و تکنیک‌های هوش مصنوعی، در واقع، برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming)، یا شیوه‌های ریاضی قابل حل نبوده‌اند.روش‌هاي هوش‌ مصنوعي روش‌هايي هستند كه به درد حوزه‌هايي مي خورند كه مسائل آن‌ها به‌خوبي تعريف نمي‌شوند.هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است.

اسلاید 9: چالش‌هاي بنيادين هوش‌مصنوعي‌آيا صرف اين‌كه ماشيني بتواند نحوه صحبت كردن انسان را شبيه‌سازي كند، به معني آن است كه هوشمند است؟Chatter Bots : ELIZAاين 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 در حال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد.

اسلاید 10: چالش‌هاي بنيادين هوش‌مصنوعي‌ - ادامهيكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. 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.او معتقد است بحث هوشمندي ماشين‌هاي غيربيولوژيك اساساً بي‌ربط است.جان سیرل «بحث اتاق چيني» را برای اثبات ادعای خود بیان می کند.انتقادات ديگري نيز به آزمون تورينگ وارد مي‌شود. ازجمله اين‌كه: ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند.دانش پيش‌زمينه يا آرشيو ذهني يك موجود هوشمند نقش مؤثري در هوشمندي او بازي مي‌كند.

اسلاید 11: شاخه‌هاي علم هوش مصنوعي‌

اسلاید 12: شاخه‌هاي علم هوش مصنوعي‌امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم مي‌شود: «هوش مصنوعي سمبوليك يا نمادين» (Symbolic AI) هوش «غيرسمبوليك» یا «پيوندگرا» (Connection AI) 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 شبكه‌هايBayesian اشاره كرد.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) و الگوريتم ژنيتك كه با استفاده از ايده تكامل دارويني و انتخاب طبيعي پيشنهاد شده، در اين دسته قرار مي‌گيرند.

اسلاید 13: شاخه‌هاي علم هوش مصنوعي‌ - ادامهالبته هنگامي كه از گرايش‌هاي این علم سخن مي‌گوييم، هرگز نبايد از گرايش‌هاي تركيبي غفلت كنيم. گرايش‌هايي كه خود را به حركت در چارچوب شناختي يا بيولوژيك يا منطقي محدود نكرده و به تركيبي از آنها مي‌انديشند. شايد بتوان پيش‌بيني كرد كه چنين گرايش‌هايي فرا ساختارهاي (Meta Structure) رواني را براساس عناصر ساده بيولوژيك بنا خواهند كرد.

اسلاید 14: معرفی برخی از کاربردهای هوش مصنوعیسيستم های خبره منطق فازيشبكه‌هاي عصبي الگوریتم ژنتیکبينايي ماشين‌ پردازش زبان‌های طبیعی

اسلاید 15: سيستم های خبره (Expert Systems)سيستم‌هاي خبره، برنامه‌هاي كامپيوتري‌اي هستند كه نحوه تفكر يك متخصص در يك زمينه خاص را شبيه‌سازي مي‌كنند. 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.به محدوده اطلاعاتي از الگوهاي خبرگي 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.

اسلاید 16: سيستم های خبره (Expert Systems) - ادامهبه 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.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. موتور تصميم‌گيري سيستم خبره را قادر مي‌كند با استفاده از قوانين پايگاه دانش، پروسه تصميم‌گيري را انجام دهد.

اسلاید 17: مزایای‌ سیستم‌های‌ خبرهافزایش قابلیت‌ دسترسکاهش‌هزینهکاهش‌ خطردائمی‌ بودنتجربیات‌ چندگانهافزایش‌ قابلیت‌ اطمینانقدرت‌ تبیین‌ (Explanation)پاسخ‌دهی‌سریع‌پاسخ‌دهی‌ در همه‌ حالاتپایگاه‌ تجربهسهولت‌ انتقال‌ دانش

اسلاید 18: چند سیستم خبره مشهورDendarl: با بررسي آرايش و اطلاعات مربوط به يك ماده، ساختار مولكولي آن را شبيه‌سازي می كند.MYCIN : تشخيص عفونت‌هاي خوني با بررسي اطلاعات به دست آمده از شرايط جسمي بيمار و نيز نتيجه آزمايش‌هاي او.Centaur :بررسي آزمايش‌هاي تنفسي و تشخيص بيماري‌هاي ريوي.

اسلاید 19: منطق فازي(Fuzzy Logic)تئوري مجموعه‌هاي فازي و منطق فازي را اولين بار پرفسور لطفي‌زاده در سال 1965 معرفي نمود.منطق فازي به سيستم‌هايي اشاره دارد كه به جاي مقادير “درست” و “نادرست” كه در محيط‌هاي ديجيتال طبيعي‌ترند، مي‌توانند با سطوح متغير قطعيت كار كنند.تئوري مجموعه‌هاي فازي مفهوم عضویت باینری عناصر را بسط مي‌دهد و عضويت درجه‌بندي شده را مطرح مي‌كند.

اسلاید 20: منطق فازي(Fuzzy Logic) - ادامهجالب‌ترين كاربرد منطق فازي، تفسيري است كه اين علم از ساختار تصميم‌گيري‌هاي موجودات هوشمند، و در راس آن‌ها، هوش انساني، به دست مي‌دهد.شايد يكي از جالب‌ترين كاربردهاي منطق فازي هوش مصنوعي در بازي‌هاي رايانه‌اي و جلوه‌هاي ويژه سينمايي باشد.منطق فازي در هوشمند ساختن روبات‌هاي سخت‌افزاري نيز كاربردهاي زيادي دارد.

اسلاید 21: شبكه‌هاي عصبي (Neural Networks)شبكه‌هاي عصبي را مي‌توان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل‌هاي الكترونيكي شبكه‌هاي عصبي طبيعي نيز بر اساس همين الگو بنا شده‌اند و روش برخورد چنين مدل‌هايي با مسائل، با روش‌هاي محاسباتي كه به‌طور معمول توسط سيستم‌هاي كامپيوتري در پيش گرفته شده‌اند، تفاوت دارد.شبكه‌هاي عصبي شبيه‌سازي شده يا كامپيوتري، فقط قادرند تا بخش كوچكي از خصوصيات و ويژگي‌هاي شبكه‌هاي عصبي بيولوژيك را شبيه‌سازي كنند. در حقيقت، هدف از ايجاد يك شبكه عصبي نرم‌افزاري، بيش از آنكه شبيه‌سازي مغز انسان باشد، ايجاد مكانيسم ديگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكه‌هاي بيولوژيك است.

اسلاید 22: شبكه‌هاي عصبي (Neural Networks) - ادامهمدل ریاضی

اسلاید 23: شبكه‌هاي عصبي (Neural Networks) - ادامهواقع هنر يك طراح شبكه‌هاي عصبي مي‌تواند در چگونگي تركيب نرون‌ها در يك شبكه (neuran Clustering)، متجلي شود.در شبكه‌هاي عصبي بيولوژيك، نرون‌ها در ساختار‌ي سه بعدي به يكديگر اتصال يافته‌اند. اتصالات بين نرون‌ها در شبكه‌هاي عصبي بيولوژيك آنقدر زياد و پيچيده‌است كه به هيچ وجه نمي‌توان شبكه مصنوعي مشابهي طراحي كرد. تكنولوژي مدارات مجتمع امروزي به ما امكان مي‌دهد كه شبكه‌هاي عصبي را در ساختار‌هاي دو بعدي طراحي كنيم.

اسلاید 24: الگوریتم ژنتیکالگوريتم‌هاي ژنتيك از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش‌بينی يا تطبيق الگو استفاده مي‌كنند.در حقيقت بدين روش مي توانيم در فضاي حالت مسئله حركتي سريع‌تر براي يافتن جواب‌هاي احتمالي داشته باشيم؛ يعني مي توانيم با عدم بسط دادن كليه حالات، به جواب‌هاي مورد نظر برسيم.الگوريتم‌هاي ژنتيك الگوريتم‌هايي هستند كه داراي قدرت بسيار زيادي در يافتن جواب مسئله هستند، اما بايد توجه داشت كه شايد بتوان كاربرد اصلي اين الگوريتم ها را در مسائلي در نظر گرفت كه داراي فضاي حالت بسيار بزرگ هستند و عملاً بررسي همه حالت‌ها براي انسان در زمان‌هاي نرمال (در حد عمر بشر) ممكن نيست. از طرفي بايد توجه داشت كه حتماً بين حالات مختلف مسئله بايد داراي پيوستگي مناسب و منطقي باشيم.

اسلاید 25: بينايي ماشين‌ (Machine Vision )از ميان همه شاخه‌هاي هوش مصنوعي، شايد كاربردي‌ترين آن‌ها كامپيوتري و مكانيزه كردن سيستم‌هاي بينايي باشد.دامنه كاربرد اين شاخه از فناوري در حال رشد، بسيار وسيع است و از كاربردهاي عادي و معمولي مثل كنترل كيفيت خط توليد و نظارت ويدئويي گرفته تا تكنولوژي‌هاي جديد مثل اتومبيل‌هاي بدون راننده را دربرگرفته است. دامنه كاربردهاي اين تكنولوژي براساس تكنيك‌هاي مورد استفاده در آن‌ها تغيير مي‌كند.

اسلاید 26: بينايي ماشين‌ (Machine Vision )- کاربردهاکنترل کیفیت خط تولیدسيستم هاي تشخيص ايرادتشخيص الگوربات هاسه بعدي سازيتشخيص متن نوشته شده

اسلاید 27: پردازش زبان‌های طبیعی (NLP) پردازش زبان‌های طبیعی عبارت است از استفاده از رایانه برای پردازش زبان گفتاری و نوشتاری.پردازش‌ زبان‌های‌ طبیعی‌ بعنوان‌ زیرمجموعه‌ای‌ از هوش‌ مصنوعی‌، می‌تواند توصیه‌ها و بیانات‌ را با استفاده‌ از زبانی‌ که‌ شما به‌ طور طبیعی‌ در مکالمات‌ روزمره‌ بکار می‌برید، بفهمد و مورد پردازش‌ قرار دهد. به‌ طورکلی‌ نحوه‌ کار این‌ شاخه‌ از هوش‌ مصنوعی‌ این‌ است‌ که‌ زبانهای‌ طبیعی‌انسان‌ را تقلید می‌کند.در پردازش‌ زبانهای‌ طبیعی‌، انسان‌ و کامپیوتر ارتباطی‌ کاملا نزدیک‌ با یکدیگر دارند.تلاش‌ عمده در این زمینه ماشینی کردن فرایند درک و برداشت مفاهیم بیان گردیده با یک زبان طبیعی انسانی‌ست.

اسلاید 28: پردازش زبان‌های طبیعی (NLP)- ادامههنوز سیستم کارآمدی برای پردازش زبان‌های طبیعی به وجود نیامده‌است.موانع اساسی در این زمینه عبارتند از:نیاز به درک معانیدقیق نبودن دستور زبان‌ها

اسلاید 29: پردازش زبان‌های طبیعی (NLP)- ادامهکارکردهای مهم در این زمینه عبارتند از:خلاصه سازی خودکاراستخراج اطلاعاتبازیابی اطلاعاتترجمه ماشینیتشخیص نوری نویسه هاتشخیص گفتارویرایش

اسلاید 30: تکنیک‌ها و زبان‌های برنامه نویسی هوش مصنوعیLISPPROLOG

اسلاید 31: تکنیک‌ها و زبان‌های برنامه نویسی هوش مصنوعیزبانهای برنامه نویسی LISP,PROLOG از مهمترین زبانهای مورد استفاده در هوش مصنوعی هستند .خصوصیات نحوی و معنایی این زبان ها باعث شده که شیوه‌ها و راه حل‌های قوی برای حل مسئله ارایه کنند. PROLOG یک زبان برنامه نویسی منطقی است. در این زبان یک مفسر برنامه را بر اساس یک منطق می‌نویسد. ایده استفاده توصیفی محاسبه اولیه برای بیان خصوصیات حل مسئله یکی از محوریتهای مشارکت PROLOG می باشد.LISP اصولاً یک زبان کامل است که دارای عملکردها و لیست‌های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی می‌باشد.

اسلاید 32: ویژگی های فلسفی هوش مصنوعي

اسلاید 33: ویژگی های فلسفی هوش مصنوعيبازنمايي نمادين: هوش مصنوعي از نمادهاي عددي در حل مسائل استفاده مي کند. هوش مصنوعي بر پايه دستگاه دوگاني، صفر و يک مسائل را حل مي کند.روش اکتشافي: مسائلی که هوش مصنوعی حل می کند، معمولا راه حل الگوريتمي ندارند.بازنمايي معرفت: برنامه هاي هوش مصنوعی از تطابق عمليات استدلالي نمادين رايانه با عالم خارج حکايت مي کنند.اطلاعات ناقص: هوش مصنوعي مي تواند در حالتي که همه اطلاعات مورد نياز در دسترس نيستند ، به حل مساله دست بيابد.اطلاعات متناقض: هوش مصنوعي مي تواند درصورتي که با اطلاعات متناقض روبه رو شود حل مناسبي براي مساله پيدا کند. هوش مصنوعي در چنين موردي بهترين راه را براي حل مساله و رفع تناقض انتخاب کند.

اسلاید 34: متشکرمخسته نباشید