هوش مصنوعى تركیبى

از بدو مطرح شدن هوش مصنوعى به عنوان یك Dicipline در علوم رایانه، دو طرز تفكر در تحقق سیستم هاى هوشمند مطرح بوده است، شاید بتوان آن دو را در پردازش نمادین و پردازش عددى تعریف نمود. براى درك پردازش نمادین مى توانیم به یك مثال اشاره داشته باشیم. فرض كنید از یك نوازنده پیانو سوال مى كنیم كه چگونه پیانو مى نوازى؟! این نوازنده با استفاده از یك سرى بیانات و شاید حركات، روش كار خود را به ما نشان مى دهد و به احتمال زیاد شیوه عمل او را هم درك مى كنیم و اگر كمى جدیت به خرج دهیم شاید حتى بتوانیم چند نت را هم به گونه اى جمیع تكرار نماییم. حال فرض كنید، مى خواهیم این رفتار را با استفاده از یك فرمول ریاضى(پردازش عددى) مدل كرده و مثلا با استفاده از یك ربات تكرار كنیم. سوال این خواهد بود كه آیا مدل ریاضى كه منحصر به روابط بین یك سرى كیفیتهاى رقمى است، قادر به انجام این عمل خواهد بود؟ فكر مى كنم جواب شما منفى باشد. در ادامه به یك وضعیت دیگر اشاره مى كنم. فرض كنید مى خواهید از یك خیابان كه ماشین ها با سرعت عبور مى كنند، بگذرید. آیا روش تصمیم گیرى شما در رابطه با عبور كردن بر مبناى پردازش یك سرى اندازه گیرى انجام شده است؟ براى مثال آیا سرعت ماشین را تخمین زده و با در نظر گرفتن عرض خیابان، سرعت خود را محاسبه مى كنید؟ به احتمال زیاد در این صورت مطمئناً شانس رسیدن شما به آن طرف خیابان بسیار پایین مى باشد و یا زمان بسیار زیادى طول خواهد كشید كه تصمیم به عبور از خیابان را به مرحله اجراء در آورید. در این گونه شرایط ، روش برخورد ما به این صورت خواهد بود كه: « به نظر مى رسد ماشین آهسته حركت مى كند؛ به آن طرف خیابان خواهم رسید» در این نوع پردازش انسان مواجه با تعداد زیادى نماد symbols مى باشد و با استفاده از این نمادها براى تصمیم گیرى اقدام مى كند. این نوع تصمیم گیریها به طور واضح در رفتار آدمى مشاهده مى شود و طبیعى است كه پردازش نمادین از جایگاهى ویژه در علم هوش مصنوعى برخوردار است. در كنار پردازش نمادین در انسان مى دانیم كه مغز انسان از یك مجموع منسجم سلول هاى عصبى تشكیل شده است و مدل هاى ارائه شده براى این سیستم عصبى بر مبناى پردازش عددى عمل مى كند. چگونگى عمل سیستم طبیعى عصبى به طور واضح براى انسان مشخص نشده است و از آنجا كه مدل هاى ارائه شده،از قابلیتهاى بسیار بالایى برخوردار هستند و در كاربردهاى زیادى از خود كارآیى خوبى ارائه كرده اند، به نظر مى رسد از واقعیت امر زیاد دور نباشند. بنا براین، شاید بتوان گفت، انسان به طور كلى در سطح بالاى تصمیم گیرى از پردازش نمادین استفاده مى كند و در سطوح حسى و واكنشهاى عصبى خود یك نوع پردازش عددى را به كار مى گیرد. بنابراین، رفتار هوشمندانه آدمى ناشى از یك روش نمادین تفكر در كنار محاسبات عصبى مغز مى باشد. همانگونه كه مطرح شد، این دو محور در هوش انسان از بدو پیدایش هوش مصنوعى، به صورت دو دیدگاه معرفى شده اند. از یك دید، هدف ساختن مغز مصنوعى(شبكه هاى عصبى مصنوعى) است كه در صورت وجود این سخت افزار مى توان توقع داشت ماشینى كه به این وسیله مجهز شود، رفتار هوشمندانه از خود نشان دهد.از دیدگاه دوم، هدف، مدل سازى روش تفكر انسان است كه با استفاده از آن انسان تصمیم گیریهاى هوشمندانه مى كند. در دهه هاى ۵۰ و ۶۰ محور اول به عنوان محور اصلى در مخلوقات هوش مصنوعى مطرح بوده است ولى در دهه ،۷۰ پردازش نمادین به عنوان فهم روش تفكر در طراحى سیستم هاى هوشمندان مطرح شد.
خوشبختانه، در ۱۰ سال اخیر محققان به این نتیجه رسیده اند كه براى ساختن یك سیستم هوشمند كه بتواند در حوزه هاى (Domains) مختلف عمل كند، و یك مسأله پیچیده را حل كند، اعتماد كردن به یك روش(یا بینش) كافى نخواهد بود و از این رو فلسفه هوش مصنوعى تركیبى (Hybrid Artificial Intelligence) مطرح شده است.به طور كلى سه روش تركیب تكنیكهاى هوش مصنوعى در جهت ساخت یك سیستم هوشمند ارائه شده است كه در ذیل به اختصار به آنها مى پردازیم.در روش اول از یك تكنیك خاص جهت اجراى یك function در یك تكنیك دیگر هوش مصنوعى استفاده مى كنیم. براى مثال در طراحى یك سیستم كنترلى فازى چندین بلوك وجود دارد كه هر كدام كار مشخصى را انجام مى دهند. یكى از این بلوكها جهت انجام Fuzzification طراحى مى شود. در یك سیستم تركیبى مى توان از شبكه هاى عصبى در انجام این كار استفاده نمود. البته در اینجا در مورد مزایا یا معایب این تركیب سخنى گفته نخواهد شد. در یك مثال دیگر مى توان به كاربرد روشهاى ژنتیكى در امر یادگیرى شبكه هاى عصبى اشاره نمود.در روش دوم جهت ساخت یك سیستم پیچیده، آن سیستم را تجزیه نموده(به زیر سیستم هاى كوچكتر تقسیم نموده) و بعد از آن هر زیر سیستم را با یك روش مناسب هوشمند پیاده سازى مى كنیم. براى مثال جهت كنترل یك فرآیند پیچیده صنعتى از شبكه هاى عصبى جهت پیشگویى و مدل سازى یك سرى از پارامترهاى كلیدى استفاده مى شود و نتایج به دست آمده جهت تصمیم گیریهاى كلى به یك سیستم خبره داده مى شود. سیستم خبره در اصل حكم یك مدیر پروسه متخصص را دارد كه با استفاده از پارامترهاى تولید شده در سطح پایین تر تصمیم گیرى مى كند. بسیارى از مسائل پیچیده از این طبیعت برخوردار هستند و شكستن آن به مسائل كوچكتر و به كارگیرى روش مناسب براى حل هر كدام به صورت مجزا و در نهایت ادغام كردن نتایج به دست آمده، به حل درست مسأله اصلى كمك خواهد نمود. روش آخر استفاده از یك روش هوشمند در پیاده سازى یك روش دیگر مى باشد. براى مثال مى توان به پیاده سازى یك سیستم خبره با استفاده از شبكه هاى عصبى اشاره نمود. در اینجا هر نرون در شبكه عصبى یك قانون در پایگاه دانش مى باشد و با استفاده از محاسبات عصبى روش استنتاج را پیاده مى كنیم. مثال دیگر به كارگیرى گرامرها در تحلیل و نمایش دانش آموخته شده در شبكه هاى عصبى مى باشد. البته توجه به این نكته لازم مى باشد كه یك سیستم تركیبى هوشمند نباید الزا ما ًاز روشهاى هوشمند در پیاده سازى استفاده كند. در پیاده سازى یك سیستم شاید نیاز به به كارگیرى روشهاى آمارى، ریاضى و تحلیلى... نیز وجود داشته باشد.
منبع : وبلاگ laylon.blogfa