‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫ﺣﺴﻦ ﻋﺴﻜﺮزاده‬

‫ﻗﺎﺑﻞ ﺗﻮﺟﻪ داﻧﺸﺠﻮﻳﺎن و اﺳﺎﺗﻴﺪ ﻣﺤﺘﺮم‬

‫آﺧﺮﻳﻦ وﺿﻌﻴﺖ اﺻﻼح ﺷﺪه ﺟﺰوه ﻫﻮش و ﻫﻤﭽﻨﻴﻦ ﺳﻮاﻻت ﺗﺴﺘﻲ و ﺗﺸﺮﻳﺤﻲ‬
‫ازﺳﺎﻳﺖ داﻧﺸﮕﺎه وآدرس ‪ www.askarzadeh.ir‬ﻗﺎﺑﻞ اﺳﺘﻔﺎده اﺳﺖ‪.‬ﺟﻬﺖ‬
‫ﻛﺴﺐ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ ﺑﺎ ﺷﻤﺎره ‪ 02126120039‬ﺗﻤﺎس ﺑﮕﻴﺮﻳﺪ‪.‬‬
 ‫ﻓﺼﻞ ‪1‬‬ ‫
‬

‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﻳﻚ ﻧﮕﺎه‬ ‫‬

‫اﻫﺪاف ﻛﻠﻲ‬
‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬
‫‪ .1‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﻪ ﻣﻔﺎﻫﻴﻢ و ﺗﻌﺎرﻳﻔﻲ دارد‪.‬‬
‫‪ .2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﮕﻮﻧﻪ رﺷﺪﻛﺮد و ﺗﺎرﻳﺨﭽﺔ آن ﭼﻴﺴﺖ‪.‬‬
‫‪ .3‬ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ در زﻧﺪﮔﻲ ﻛﺪاماﻧﺪ‪.‬‬
‫‪ .4‬آﻳﻨﺪة ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﺤﻘﻖ ﻛﺪام ﻳﻚ از اﻫﺪاف ﺑﺸﺮ را ﻧﺸﺎﻧﻪ ﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬

‫‪ 1.1‬ﻧﮕﺎه ﻛﻠﻲ ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫راﻳﺎﻧﻪﻫﺎي اوﻟﻴﻪ ﺑﺎ ﻣﺤﺎﺳﺒﺎت ﻋﺪدي در ارﺗﺒﺎط ﺑﻮدﻧﺪ‪ .‬راﻳﺎﻧﻪﻫﺎي ﻛﻨﻮﻧﻲ‪ ،‬ﻋﻼوه ﺑﺮ‬
‫ﻣﺤﺎﺳﺒﺎت ﻋﺪدي‪ ،‬ﺑﺎ اﺳﺘﺪﻻل ﺑﺮ ﻣﺒﻨﺎي داﻧﺶ ﻧﻴﺰ درﮔﻴﺮﻧﺪ‪ .‬ﺑﺎ ﻓﻨﺎوريﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﻛﻪ آن را ﺑﻪ اﺧﺘﺼﺎر ‪ 1AI‬ﻣﻲﻧﺎﻣﻴﻢ ﻧﻘﺶ راﻳﺎﻧﻪﻫﺎ از وﺳﻴﻠﻪاي ﻣﻔﻴﺪ ﺑﻪ وﺳﻴﻠﻪاي ﺿﺮوري و‬
‫ﺣﻴﺎﺗﻲ ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﺪ‪.‬‬
‫ﻫﺪف ‪ AI‬اﻳﻦ اﺳﺖ ﻛﻪ راﻳﺎﻧﻪﻫﺎ را ﺑﻪ اﻧﺠﺎم ﻛﺎرﻫﺎﻳﻲ ﻛﻪ ﺑﺸﺮ ﻣﺎﻳﻞ اﺳﺖ در آن ﻣﺎﻫﺮ ﺑﺎﺷﺪ‬
‫وادارﻛﻨﺪ‪ .‬از ﺟﻬﺘﻲ ‪ AI‬ﺳﻌﻲ دارد راﻳﺎﻧﻪﻫﺎ را ﺑﻪ رﻓﺘﺎر زﻳﺮﻛﺎﻧﻪﺗﺮ وادارﻛﻨﺪ‪.‬‬
‫ﻧﺎم ‪ AI‬را ﺟﺎن ﻣﻚﻛﺎرﺗﻲ در دﻫﺔ ‪ 1960‬اﺑﺪاع ﻛﺮد‪ .‬او ﻃﺮاح زﺑﺎن ‪ LISP‬ﺑﻮد‪ AI .‬ﻓﺎﺻﻠﺔ‬
‫ﻣﻴﺎن داﻧﺸﻤﻨﺪان ﻋﻠﻮم رﻓﺘﺎري و داﻧﺸﻤﻨﺪان راﻳﺎﻧﻪ را ﭘﺮﻣﻲﻛﻨﺪ‪.‬‬
‫ﭼﻴﺰي ﻛﻪ در ﻣﻮرد راﻳﺎﻧﻪ ﻣﻲداﻧﻴﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺠﻤﻮﻋﻪاي اﺳﺖ از دﺳﺘﻮرات ﻧﻮﺷﺘﻪﺷﺪه‬
‫ﺑﻪ زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻛﻪ ﻫﻤﻮاره ﺑﻪ ﻃﻮر دﻗﻴﻖ اﺟﺮاﻣﻲﺷﻮد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ داﻧﺸﻤﻨﺪان ﻋﻠﻮم‬
‫اﻧﺴﺎﻧﻲ ﻣﻲﺗﻮاﻧﻨﺪ ﻧﻈﺮﻳﻪﻫﺎي ﺧﻮد را در ﻣﻮرد رﻓﺘﺎر ﺑﺸﺮ ﺑﺎ ﺗﺒﺪﻳﻞ ﻗﻮاﻧﻴﻦ آﻧﻬﺎ ﺑﻪ ﺑﺮﻧﺎﻣﻪﻫﺎي‬
‫راﻳﺎﻧﻪاي ﻣﺤﻚﺑﺰﻧﻨﺪ و ﺑﺒﻴﻨﻨﺪ آﻳﺎ رﻓﺘﺎر راﻳﺎﻧﻪ در اﺟﺮاي اﻳﻦ ﺑﺮﻧﺎﻣﻪﻫﺎ ﺷﺒﻴﻪ رﻓﺘﺎر ﻃﺒﻴﻌﻲ‬
‫ﺑﺸﺮ ﻳﺎ ﺣﺪاﻗﻞ زﻳﺮﻣﺠﻤﻮﻋﺔ ﻛﻮﭼﻜﻲ از رﻓﺘﺎر ﺑﺸﺮ اﺳﺖ‪.‬‬

‫‪1‬‬
‫‪Artificial Intelligence‬‬
‫داﻧﺸﻤﻨﺪان ﻋﻠﻮم راﻳﺎﻧﻪ ﻣﻲﺗﻮاﻧﻨﺪ رﻓﺘﺎر ﺑﺸﺮ را اﻟﮕﻮي ﻛﺎر ﺧﻮد ﻗﺮاردﻫﻨﺪ و ﺑﺎ ﻣﻘﺎﻳﺴﺔ آن‬
‫ﺑﺎ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﺗﻮاﻧﺎﻳﻲﻫﺎي ﺧﻮد را ارﺗﻘﺎﺑﺨﺸﻨﺪ؛ اﻳﻨﻜﻪ ﻣﺜﻼً آﻳﺎ ﻣﻲﺗﻮاﻧﻴﻢ ﺑﺮﻧﺎﻣﺔ راﻳﺎﻧﻪاي‬
‫ﻣﻄﺎﺑﻖ ﺑﺎ ﻛﺎري ﻛﻪ ﺷﺨﺺ اﻧﺠﺎم ﻣﻲدﻫﺪ ﺑﻨﻮﻳﺴﻴﻢ؟‬
‫ﻧﺎم ‪ AI‬ﻧﺎﻣﻲ ﺑﺮﺧﻮاﺳﺘﻪ از اﺣﺴﺎﺳﺎت اﺳﺖ‪ ،‬ﻫﺮ ﭼﻨﺪ اﻛﻨﻮن ﺟﺎاﻓﺘﺎده و ﺑﻌﻴﺪ اﺳﺖ‬
‫ﺗﻐﻴﻴﺮﻛﻨﺪ‪ .‬اﻳﻨﻜﻪ آﻳﺎ ﻣﻮﺟﻮدات ﺑﺸﺮي ﻓﻘﻂ »ﻣﺎﺷﻴﻦﻫﺎي ﮔﻮﺷﺘﻲ« ﺧﻴﻠﻲ ﭘﻴﭽﻴﺪهاياﻧﺪ‪ ،‬آﻳﺎ ﺑﻪ‬
‫ﻟﺤﺎظ ﻧﻈﺮي اﻣﻜﺎن دارد ‪ AI‬واﻗﻌﻲ اﻳﺠﺎدﻛﺮد‪ ،‬آﻳﺎ ﺑﺮﻧﺎﻣﻪاي راﻳﺎﻧﻪاي واﻗﻌﺎً ﻣﻲﺗﻮاﻧﺪ ﻣﺎﻧﻨﺪ‬
‫اﻧﺴﺎﻧﻲ ﻛﺎﻣﻞ رﻓﺘﺎر ﻛﻨﺪ‪ ،‬ﻣﺒﺎﺣﺚ ﺟﺬاﺑﻲ اﺳﺖ‪ .‬اﻟﺒﺘﻪ ﻣﺴﻠﻢ اﺳﺖ ﻛﻪ رﻓﺘﺎر ﺑﺸﺮ ﺑﻪ ﻣﺮاﺗﺐ از‬
‫آﻧﺎﻟﻴﺰﻫﺎي راﻳﺎﻧﻪاي ﭘﻴﭽﻴﺪهﺗﺮ اﺳﺖ‪ .‬اﻣﺎ‪ ،‬ﻛﺴﻲ ﻛﻪ در ﺣﻮزة ‪ AI‬ﻣﻄﺎﻟﻌﻪ ﻣﻲﻛﻨﺪ ﺧﻮد را‬
‫درﮔﻴﺮ اﻳﻦ ﮔﻮﻧﻪ ﺑﺎورﻫﺎ ﻧﻤﻲﻛﻨﺪ‪.‬‬
‫در ﺣﻘﻴﻘﺖ‪ ،‬ﺗﻨﻬﺎ واﻗﻌﻴﺖ ﺗﺼﺪﻳﻖﺷﺪه در ﻣﻮرد ‪ ،AI‬اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻮﺟﻮدات ﺑﺸﺮي ﻧﺴﺒﺖ‬
‫ﺑﻪ ﭼﻴﺰي ﻛﻪ آﻧﺎﻟﻴﺰﻫﺎي راﻳﺎﻧﻪاي در ﻧﻈﺮ ﻣﻲﮔﻴﺮﻧﺪ ﭘﻴﭽﻴﺪهﺗﺮﻧﺪ‪ .‬ﭘﻴﺸﮕﻮﻳﻲﻫﺎﻳﻲ ﻧﻈﻴﺮ اﻳﻨﻜﻪ‬
‫‪ AI‬ﻣﺸﺎﺑﻪ اﻧﺴﺎن ﺑﻪ زودي ﺳﺎﺧﺘﻪ ﻣﻲﺷﻮد‪ ،‬اﻏﻠﺐ ﻓﻘﻂ ﭘﻴﺮويﻛﺮدن از اﺣﺴﺎﺳﺎت و‬
‫ﻋﻮاﻃﻒ رﺳﺎﻧﻪﻫﺎﺳﺖ وﺗﺎ اﻳﻦ ﻟﺤﻈﻪ درﺳﺘﻲ آن ﺛﺎﺑﺖ ﻧﺸﺪه اﺳﺖ‪.‬‬
‫ﭼﻨﺎﻧﻜﻪ ﻣﻴﺪاﻧﻴﻢ ﺑﺮﻧﺎﻣﻪ ي ﻓﻀﺎﻳﻲ ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ﻧﺸﺴﺘﻦ ﺳﻔﻴﻨﻪ روي ﻛﺮه ﻣﺎه ﺷﺪ ‪،‬ﻫﺮﮔﺰ ﺑﻪ‬
‫ﻫﺪف ﺧﻮد ﻳﻌﻨﻲ اﻗﺎﻣﺖ اﻧﺴﺎن در ﻣﺎه ﻣﻨﺠﺮ ﻧﺸﺪ ﺑﻠﻜﻪ ﺑﻪ ﭘﻴﺸﺮﻓﺖ ﺗﻜﻨﻮﻟﻮژي ﻓﻀﺎﻳﻲ‬
‫ﻣﻨﺠﺮ ﺷﺪ‪ .‬ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ در ﻣﻮرد ‪ AI‬ﻧﻴﺰ ﭼﻨﻴﻦ ﺑﺎﺷﺪ ﻳﻌﻨﻲ ﻣﻨﺎﻓﻊ واﻗﻌﻲ در ﺗﺤﻘﻴﻖ‬
‫دراﻳﻦ زﻣﻴﻨﻪ ﺑﻪ ﺳﻤﺘﻲ ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﺪ ﻛﻪ در ﻛﻞ ﺑﺎﻋﺚ ﭘﻴﺸﺮﻓﺖ ﻋﻠﻢ راﻳﺎﻧﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫در ﻣﻮارد ﺧﺎص‪ ،‬ﺗﺤﻘﻴﻘﺎت ‪ AI‬اﻏﻠﺐ ﺑﺎ ﻣﺸﻜﻼت ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﺧﺎﺻﻲ ﻣﻮاﺟﻪ ﺷﺪه اﺳﺖ‪.‬‬
‫ﺑﺴﻴﺎري از ﻣﻔﺎﻫﻴﻢ در ﻃﺮاﺣﻲ زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ و روشﺷﻨﺎﺳﻲ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻛﻪ اﻛﻨﻮن‬
‫در ﻋﻠﻮم راﻳﺎﻧﻪاي ﻋﻤﻮﻣﻴﺖ دارد از ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬ﻧﺸﺄت ﮔﺮﻓﺘﻪاﻧﺪ‪.‬‬

‫‪ 2.1‬ﺗﻌﺮﻳﻒ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫ﮔﻔﺘﻪ ﻣﻲﺷﻮد ﺑﺴﻴﺎري از ﻓﻌﺎﻟﻴﺖﻫﺎي ﻓﻜﺮي ﺑﺸﺮ ﻣﺜﻞ ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎ‪ ،‬ﻓﻬﻤﻴﺪن زﺑﺎن‪،‬‬
‫درﮔﻴﺮﺷﺪن در ﺑﺮداﺷﺖ اﺳﺘﺪﻻل‪ ،‬ﻳﺎ ﺣﺘﻲ راﻧﻨﺪﮔﻲ ﺑﻪ ﻫﻮش اﺣﺘﻴﺎج دارد‪ .‬ﻣﺘﺠﺎوز از ﭼﻨﺪ‬
‫دﻫﺔ ﮔﺬﺷﺘﻪ راﻳﺎﻧﻪﻫﺎﻳﻲ ﺑﺮاي اﻧﺠﺎم ﭼﻨﻴﻦ وﻇﺎﻳﻔﻲ ﺳﺎﺧﺘﻪﺷﺪهاﻧﺪ‪ .‬ﺑﻪ ﻃﻮر ﺧﺎص‬
‫ﺳﻴﺴﺘﻢﻫﺎﻳﻲ وﺟﻮد دارﻧﺪ ﻛﻪ ﻣﻲﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر ﺧﻮدﻛﺎر ﻛﺪ راﻳﺎﻧﻪاي ﺗﻮﻟﻴﺪﻛﻨﻨﺪ‪ ،‬ﺗﻔﻜﻴﻚ و‬
‫ﺗﺠﻤﻊ ﺳﻤﺒﻮﻟﻴﻚ را اﻧﺠﺎمدﻫﻨﺪ‪ ،‬ﻣﺘﻨﻲ را ﺑﻪ اﻧﺪازة ﻣﺸﺨﺼﻲ دركﻛﻨﻨﺪ و ﻣﻮاردي ﺟﺰ آن‪.‬‬
 ‫در ﻧﻤﻮﻧﻪﻫﺎي ذﻛﺮﺷﺪه ﮔﻔﺘﻪ ﻣﻲﺷﻮد ﺳﻴﺴﺘﻢﻫﺎ درﺟﺎﺗﻲ از ﻫﻮش ﻣﺼﻨﻮﻋﻲ را داراﻳﻨﺪ‪.‬‬
‫ﺑﺎ اﻳﻦ ﻣﻘﺪﻣﻪ‪ ،‬ﻣﻲﺗﻮاﻧﻴﻢ ‪ AI‬را از زواﻳﺎي ﻣﺨﺘﻠﻒ ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ‪ ،‬از ﺟﻤﻠﻪ‪:‬‬
‫● ﻣﻄﺎﻟﻌﺔ ﻧﺤﻮة وادارﻛﺮدن راﻳﺎﻧﻪﻫﺎ ﺑﻪ اﻧﺠﺎم ﭼﻴﺰﻫﺎﻳﻲ ﻛﻪ ﻣﺮدم در آن زﻣﻴﻨﻪ ﻫﻢاﻛﻨﻮن ﺑﻬﺘﺮ‬
‫از راﻳﺎﻧﻪﻫﺎﻳﻨﺪ‪.‬‬
‫● ﺷﺎﺧﻪاي از ﻋﻠﻢ راﻳﺎﻧﻪ ﻛﻪ ﺑﺎ ﺳﻤﺒﻞﮔﺬاري‪ ،‬و روشﻫﺎي ﻏﻴﺮاﻟﮕﻮرﻳﺘﻤﻲ ﺣﻞ ﻣﺴﺎﺋﻞ‬
‫ﺳﺮوﻛﺎر دارد‪.‬‬
‫● ﺑﺨﺸﻲ از ﻋﻠﻢ راﻳﺎﻧﻪ ﻛﻪ ﺑﻪ ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢﻫﺎي راﻳﺎﻧﻪاي ﻫﻮﺷﻤﻨﺪ ﻣﺮﺑﻮط اﺳﺖ‪ .‬اﻳﻦ‬
‫ﺳﻴﺴﺘﻢﻫﺎ ﺧﺼﻮﺻﻴﺎﺗﻲ دارﻧﺪ ﻛﻪ ﻓﻘﻂ در رﻓﺘﺎر ﻣﻮﺟﻮدات ﻫﻮﺷﻤﻨﺪ ﻣﺎﻧﻨﺪ اﻧﺴﺎن ﻣﺸﻬﻮد‬
‫اﺳﺖ‪.‬‬
‫● ﻣﺠﻤﻮﻋﻪاي از ﺗﻔﻜﺮات ﻳﺎ ﻣﻔﺎﻫﻴﻢ ﻓﻜﺮي و راﻫﻲ ﺑﺮاي ﻧﮕﺎهﻛﺮدن و ﺣﻞ ﻣﺸﻜﻼت از‬
‫ﻣﻨﻈﺮي ﺧﺎص‪.‬‬
‫آﻧﭽﻪ ‪ AI‬را از ﺳﺎﻳﺮ ﻋﻠﻮم راﻳﺎﻧﻪاي و ﻣﻬﻨﺪﺳﻲ ﻣﺘﻤﺎﻳﺰﻣﻲﻛﻨﺪ روش اﻛﺘﺸﺎﻓﻲ ﺣﻞ ﻣﺴﺌﻠﻪ‬
‫اﺳﺖ‪ .‬در اﻳﻦ ﻛﺘﺎب ﺑﺎ ﻣﻔﺎﻫﻴﻢ‪ ،‬روشﻫﺎ و ﻓﻨﻮن آن آﺷﻨﺎ ﻣﻲﺷﻮﻳﻢ‪.‬‬
‫ﻣﺸﻜﻼت ‪ AI‬ﻃﻴﻒ ﺑﺴﻴﺎر وﺳﻴﻌﻲ دارد‪ .‬اﻳﻦ ﻣﺸﻜﻼت در ﺟﺰﺋﻴﺎت و ﻣﻮارد ﺧﺎص‬
‫ﭘﺪﻳﺪارﻣﻲﺷﻮﻧﺪ‪ .‬ﻓﻨﻮن ‪ AI‬ﺑﺮاي دﺳﺖﻛﺎري ﺳﻤﺒﻞﻫﺎ ﻫﻤﺎﻧﻨﺪ اﻃﻼﻋﺎت ﻋﺪدي ﻃﺮاﺣﻲ‬
‫ﺷﺪهاﻧﺪ ﻛﻪ ﺣﻮزة وﺳﻴﻌﻲ از آنﻫﺎ را ﻣﺤﻘﻘﺎن ‪ AI‬ﮔﺴﺘﺮش دادهاﻧﺪ‪ .‬اﻳﻦ ﻛﺘﺎب ﻣﺤﺪودهاي‬
‫از اﻳﻦ ﻓﻨﻮن را ﻣﻌﺮﻓﻲ ﻣﻲﻛﻨﺪ‪.‬‬

‫‪ 3.1‬دﻻﻳﻞ ﮔﺮاﻳﺶ ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫راﻳﺎﻧﻪﻫﺎ اﻧﺴﺎنﻫﺎ را از اﻧﺠﺎم ﺑﺴﻴﺎري وﻇﺎﻳﻒ ﺑﻲﻧﻴﺎز ﻛﺮدهاﻧﺪ‪ .‬ﻧﻤﻮﻧﻪاي از اﻳﻦ وﻇﺎﻳﻒ ﺑﻪ‬
‫ﺷﺮح زﻳﺮ اﺳﺖ‪:‬‬
‫‪ .1‬ﻣﺤﺎﺳﺒﺎت ﻋﺪدي‪ .‬راﻳﺎﻧﻪﻫﺎ در ﻣﺤﺎﺳﺒﺎت ﻋﺪدي ﺑﻪ ﻃﻮر ﻗﻄﻊ ﺳﺮﻳﻊﺗﺮ و دﻗﻴﻖﺗﺮ از‬
‫اﻧﺴﺎنﻫﺎﻳﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬راﻳﺎﻧﻪ ﻣﻲﺗﻮاﻧﺪ ‪ 189254‬را در ‪ 829099743‬ﺿﺮبﻛﻨﺪ و ﺗﻘﺮﻳﺒﺎً‬
‫ﻧﺘﻴﺠﻪ را ﻓﻮراً ﺑﺪﻫﺪ؛ درﺣﺎﻟﻲ ﻛﻪ ﺑﺸﺮ ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ ‪ 2‬دﻗﻴﻘﻪ زﻣﺎن ﻻزم دارد ﺗﺎ ﻫﻤﻴﻦ‬
‫ﻋﻤﻠﻴﺎت را اﻧﺠﺎم دﻫﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ در ﻣﻮرد اﻧﺴﺎن‪ ،‬اﻣﻜﺎن ﺑﺮوز ﺧﻄﺎ ﺑﻴﺸﺘﺮ اﺳﺖ‪.‬‬
‫‪ .2‬ذﺧﻴﺮهﺳﺎزي اﻃﻼﻋﺎت‪ .‬راﻳﺎﻧﻪﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻘﺪار زﻳﺎدي اﻃﻼﻋﺎت را ذﺧﻴﺮه ﻛﻨﻨﺪ‪.‬‬
‫ﺣﺠﻢ ﻣﺤﺪودﺷﺪه ﻓﻘﻂ ﺑﻪ دﻟﻴﻞ در دﺳﺘﺮسﺑﻮدن اﻃﻼﻋﺎت اﺳﺖ‪ .‬اﻳﻦ ﻳﻚ ﺗﺒﺎﻳﻦ ﺑﺎ ﺑﺸﺮ‬
‫اﺳﺖ‪ .‬در ﺟﺎﻳﻲ ﻛﻪ ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ ﻓﻘﻂ ﻣﻘﺪار ﻣﻌﻴﻨﻲ از ﻣﻄﺎﻟﺐ ﻣﻲﺗﻮاﻧﺪ ذﺧﻴﺮهﺷﻮد‪،‬‬
‫راﻳﺎﻧﻪﻫﺎ ﻛﺎراﺗﺮﻧﺪ‪ ،‬ﭼﻮن ﺑﺮ ﺧﻼف اﻧﺴﺎن ﺑﻪ ﺳﺮﻋﺖ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻄﺎﻟﺐ را ﺗﻜﺜﻴﺮ ﻳﺎ در ﭼﻨﺪ‬
‫ﻧﻘﻄﻪ ﻧﮕﻬﺪاري ﻛﻨﻨﺪ‪.‬‬
‫‪ .3‬ﻋﻤﻠﻴﺎت ﺗﻜﺮاري‪ .‬روﺷﻦ اﺳﺖ ﻛﻪ ﺑﺸﺮ ﻣﻮﻗﻊ اﻧﺠﺎم ﻋﻤﻠﻴﺎت ﺗﻜﺮاري ﺑﻲﺣﻮﺻﻠﻪ و‬
‫ﻣﺮﺗﻜﺐ ﺧﻄﺎ ﻣﻲﺷﻮد‪ .‬راﻳﺎﻧﻪﻫﺎ ﺑﻪ ﻃﻮر ﺧﺎص ﺑﺮاي اﻧﺠﺎم ﭼﻨﻴﻦ ﻛﺎرﻫﺎﻳﻲ ﺳﺎﺧﺘﻪ ﺷﺪهاﻧﺪ‪.‬‬
‫راﻳﺎﻧﻪﻫﺎ ﻫﻨﮕﺎم اﻧﺠﺎم ﻋﻤﻠﻴﺎت ﺗﻜﺮاري ﻧﻪ ﺷﻜﺎﻳﺖ ﻣﻲﻛﻨﻨﺪ و ﻧﻪ ﺧﺴﺘﻪ ﻣﻲﺷﻮﻧﺪ‪.‬‬
‫ﻣﺤﺎﺳﺒﺎت اﻋﺪاد‪ ،‬ذﺧﻴﺮهﺳﺎزي اﻃﻼﻋﺎت‪ ،‬و ﻋﻤﻠﻴﺎت ﺗﻜﺮاري ﻓﻌﺎﻟﻴﺖﻫﺎﻳﻲاﻧﺪ ﺻﺮﻓﺎً‬
‫ﻣﻜﺎﻧﻴﻜﻲ و ﺑﺪون ﻧﻴﺎز ﺑﻪ ﺗﻔﻜﺮ‪ .‬اﻧﺴﺎنﻫﺎ در اﻧﺠﺎم ﻛﺎرﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺑﻬﺘﺮ از راﻳﺎﻧﻪﻫﺎﻳﻨﺪ‪.‬‬
‫ﺑﻴﺶ از ﻫﺮ ﭼﻴﺰ ﺷﺎﻳﺪ ﺑﻬﺘﺮ ﺑﺎﺷﺪ ﺑﺎ ﻣﻌﻨﺎي ﻫﻮﺷﻤﻨﺪي آﺷﻨﺎﺷﻮﻳﻢ‪ .‬ﻫﻮﺷﻤﻨﺪي ﻣﻔﻬﻮﻣﻲ‬
‫ﻧﺴﺒﻲ اﺳﺖ و ﺗﻌﺮﻳﻒ دﻗﻴﻖ و ﻣﺠﺮدي ﻧﺪارد‪ .‬رﻓﺘﺎري ﻛﻪ از ﻧﻈﺮ ﻳﻚ ﻓﺮد ﻫﻮﺷﻤﻨﺪاﻧﻪ‬
‫ﺑﻪﻧﻈﺮﻣﻲرﺳﺪ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﻓﺮد دﻳﮕﺮي اﻳﻦﮔﻮﻧﻪ ﻧﺒﺎﺷﺪ‪ .‬اﻣﺎ‪ ،‬در ﻣﺠﻤﻮع ﺧﺼﻮﺻﻴﺎت‬
‫زﻳﺮ ﻗﺎﺑﻠﻴﺖﻫﺎي ﺿﺮوري ﺑﺮاي ﻫﻮﺷﻤﻨﺪي اﺳﺖ‪:‬‬
‫● ﭘﺎﺳﺦ ﺑﻪ ﻣﻮﻗﻌﻴﺖﻫﺎي از ﻗﺒﻞ ﺗﻌﺮﻳﻒﻧﺸﺪه ﺑﺎ اﻧﻌﻄﺎف ﺧﻴﻠﻲ ﺑﺎﻻ‬
‫● ﻣﻌﻨﺎدادن ﺑﻪ ﭘﻴﺎمﻫﺎي ﻣﺒﻬﻢ ﻳﺎ ﻧﺎدرﺳﺖ‬
‫● اﺧﺘﺼﺎص اﻋﺘﺒﺎر ﻧﺴﺒﻲ ﺑﻪ ﻋﻨﺎﺻﺮ در ﻳﻚ ﻣﻮﻗﻌﻴﺖ‬
‫● ﭘﻴﺪاﻛﺮدن ﺷﺒﺎﻫﺖﻫﺎ‪ ،‬وﻟﻮ اﻳﻨﻜﻪ ﻣﻮﻗﻌﻴﺖﻫﺎ ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‬
‫● درك ﺗﻤﺎﻳﺰﻫﺎ ﺑﻴﻦ ﻣﻮﻗﻌﻴﺖﻫﺎ‪ ،‬وﻟﻮ اﻳﻨﻜﻪ ﺷﺒﺎﻫﺖﻫﺎي ﺑﺴﻴﺎري ﺑﻴﻦ آنﻫﺎ وﺟﻮد داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻪ ﻓﺮض اﻳﻨﻜﻪ ﺗﻌﺮﻳﻒ ﺑﺎﻻ را از ﻫﻮﺷﻤﻨﺪي ﺑﭙﺬﻳﺮﻳﻢ‪ ،‬ﻣﻮارد زﻳﺮ ﻓﻬﺮﺳﺘﻲ از وﻇﺎﻳﻔﻲ اﺳﺖ‬
‫ﻛﻪ ﻫﻮﺷﻤﻨﺪي ﻻزم دارد‪:‬‬
‫●ﺗﻮﻟﻴﺪ و درك ﮔﻔﺘﺎر‬
‫● ﺗﺸﺨﻴﺺ اﻟﮕﻮ‬
‫●ﺣﺮﻛﺖ در ﻓﻀﺎﻳﻲ ﭘﺮ از ﻣﻮاﻧﻊ دﻳﻨﺎﻣﻴﻚ‬
‫●اﺛﺒﺎت ﻗﻀﻴﺔ رﻳﺎﺿﻲ‬
‫● اﺳﺘﺪﻻل‪.‬‬
 ‫‪ 4.1‬ﭘﻴﺸﻴﻨﺔ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﻳﻜﻲ از ﻧﺘﺎﻳﺞ اوﻟﻴﺔ ﻛﺎر ﺑﺎ ‪ AI‬درك و ﺗﻔﻜﻴﻚ ﻣﺴﺎﺋﻠﻲ اﺳﺖ ﻛﻪ ﺑﺮاي ﻫﻮش اﻧﺴﺎن ﺳﺨﺖ‬
‫و ﺑﺮاي ﻫﻮش ﻣﺼﻨﻮﻋﻲ آﺳﺎن اﺳﺖ‪ ،‬و ﺑﺮﻋﻜﺲ‪ .‬ﻣﻼﺣﻈﻪ ﻣﻲﻛﻨﻴﻢ ﻛﻪ ﺑﺸﺮ وﻇﺎﻳﻒ رﻳﺎﺿﻲ‬
‫ﻓﻜﺮي را ﺑﺎ اﺳﺘﻔﺎده از ﻣﺎﺷﻴﻦ ﺣﺴﺎب ﺑﻪ ﺳﺮﻋﺖ اﻧﺠﺎم ﻣﻲدﻫﺪ‪.‬‬
‫ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎي راﻳﺎﻧﻪاي ﺑﺮاي ﻣﺮﺗﺐﻛﺮدن ﭘﺎزل ﻛﻪ ﻧﻮﻋﻲ ﺳﻨﺠﺶ ﻫﻮش اﺳﺖ آﺳﺎن‬
‫اﺳﺖ‪ .‬اﻣﺎ ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎﻳﻲ ﻛﻪ ﺑﺘﻮاﻧﻨﺪ ﻛﺎرﻫﺎﻳﻲ را اﻧﺠﺎم دﻫﻨﺪ ﻛﻪ ﺑﺸﺮ ﺑﻪ ﻃﻮر ﻃﺒﻴﻌﻲ‬
‫اﻧﺠﺎم ﻣﻲدﻫﺪ ﺑﺴﻴﺎر دﺷﻮار اﺳﺖ‪ ،‬ﺣﺘﻲ آن دﺳﺘﻪ از ﻓﻌﺎﻟﻴﺖﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ‬
‫ﻫﻮش ﻛﻤﻲ ﻣﻲﺧﻮاﻫﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎي راﻳﺎﻧﻪاي ﺑﺮاي ﻓﻬﻢ ﺟﻤﻼت ﺳﺎده‪،‬‬
‫ﻳﺎ ﺗﻔﺴﻴﺮ ﺗﺼﺎوﻳﺮ ﺳﺎده ﻛﺎر دﺷﻮاري اﺳﺖ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻪ ﻃﻮر ﻛﺎﻣﻞ ﺣﻞ ﻧﺸﺪه اﺳﺖ‪.‬‬
‫راﻳﺎﻧﻪ ﻫﺎ ﻣﺎﺷﻴﻦ ﻫﺎي ﺿﺮوري ﺑﺮاي اﺟﺮا ﻛــﺮدن دﺳﺘﻮرات ﺑﻪ ﺻﻮرت ﺳﺮﻳﻊ و ﺑﺎ دﻗﺖ‬
‫ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﺑﺸﺮ ﺑﺎ ﺑﻴﻨﺸﻲ ﻛﺎرﻫﺎي ﺧﻮد را اﻧﺠﺎمﻣﻲدﻫﺪ ﻛﻪ روانﺷﻨﺎﺳﺎن ﻫﻨﻮز ﻛﺎﻣﻞ آن را درك‬
‫ﻧﻜﺮدهاﻧﺪ‪ .‬در ﻣﻮرد اﻧﺴﺎن درﻳﺎﻓﺘﻪاﻳﻢ ﻛﻪ ﺗﻌﺪاد ﻣﺤﺪودي ﻗﻮاﻧﻴﻦ ﻳﺎ ﻣﻮﺿﻮﻋﺎت را ﻣﻲﺗﻮاﻧﻴﻢ‬
‫ﺑﻪ ﺧﺎﻃﺮ آورﻳﻢ‪ ،‬وﻟﻲ ﻫﻨﮕﺎم ﺣﻞ ﻣﺴﺎﺋﻠﻲ ﻛﻪ ﻫﻤﻪ ﺻﻮرت ﻣﺴﺪﻟﻪ ﺑﻪ ﺻﻮرت ﺻﺮﻳﺢ ﺑﻴﺎن‬
‫ﻧﺸﺪه اﺳﺖ ‪ ،‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻫﻤﺔ ﺗﺮﻛﻴﺐﻫﺎي اﻃﻼﻋﺎﺗﻲ را ﻛﻪ از ﺗﺠﺮﺑﻪ در ﻃﻮل زﻧﺪﮔﻲ‬
‫ﺑﻪدﺳﺖ آوردهاﻳﻢ ﺑﻪ ذﻫﻦ ﺑﻴﺎورﻳﻢ‪ .‬ﺑﺮاي ﻣﺜﺎل دو ﺟﻤﻠﺔ زﻳﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫‪ -‬ﺑﺮاي رﻧﮓﻛﺮدن ﭘﻨﺠﺮه روي ﻣﻴﺰ اﻳﺴﺘﺎدم‪ .‬آن ﺷﻜﺴﺖ و ﻣﻦ روي ﺑﻮﺗﺔ ﮔﻞ اﻓﺘﺎدم‪.‬‬
‫‪ -‬ﺑﺮاي رﻧﮓﻛﺮدن ﭘﻨﺠﺮه روي ﻣﻴﺰ اﻳﺴﺘﺎدم‪ .‬آن ﺷﻜﺴﺖ و ﻣﻦ روي ﻗﺎﻟﻲ اﻓﺘﺎدم‪.‬‬
‫اﻳﻦ ﻣﺜﺎل ﺳﺎده ﻳﻜﻲ از ﻧﻤﻮﻧﻪﻫﺎﻳﻲ اﺳﺖ ﻛﻪ اﺑﻬﺎم در زﺑﺎن را ﻧﺸﺎنﻣﻲدﻫﺪ‪ .‬ﻣﺸﺨﺺ ﻧﻴﺴﺖ‬
‫»آن« ﺑﻪ ﭼﻪ اﺷﺎره دارد‪ .‬در ﻫﺮ دو ﻣﻮرد »آن« ﻣﻤﻜﻦ اﺳﺖ ﻣﻴﺰ ﻳﺎ ﭘﻨﺠﺮه ﺑﺎﺷﺪ‪ .‬در ﭼﻨﻴﻦ‬
‫ﻣﻮاردي ﺑﺎﻓﺖ ﻳﺎ ﺟﻤﻼت ﺗﻜﻤﻴﻠﻲﺗﺮ اﺑﻬﺎم را ﺑﺮﻃﺮف ﻣﻲﻛﻨﻨﺪ‪ .‬ﭼﻨﺎﻧﭽﻪ در اداﻣﺔ ﺟﻤﻼت‬
‫ﺑﺎﻻ ﮔﻔﺘﻪ ﺷﻮد‪» :‬ﻧﺒﺎﻳﺪ ﺑﺎﻻي ﻣﻴﺰ ﻣﻲرﻓﺘﻢ« ﻣﺮﺟﻊ »آن« ﻣﺸﺨﺺ ﻣﻲﺷﻮد‪.‬‬
‫ﺑﻪ ﻃﻮر ﻛﻠﻲ درك و ﺗﻔﺴﻴﺮ ﺟﻤﻼت زﺑﺎن ﻃﺒﻴﻌﻲ ﺑﻪ درك ﻣﺸﺘﺮك از ﺟﻬﺎنِ ﭘﻴﺮاﻣﻮن ﻧﻴﺎز‬
‫دارد ﻛﻪ اﻳﻦ ﺧﻮد ﭘﻴﭽﻴﺪﮔﻲ ﻛﺎر ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ را دو ﭼﻨﺪان ﻣﻲﻛﻨﺪ‪ .‬اﮔﺮ ﺑﺮﻧﺎﻣﺔ راﻳﺎﻧﻪاﻳﻲ‬
‫ﺑﻪ ﻣﻨﻈﻮر ﺗﻔﺴﻴﺮ ﺟﻤﻼت زﺑﺎن ﻃﺒﻴﻌﻲ و ذﺧﻴﺮة اﻃﻼﻋﺎت ﻻزم آن ﺑﺎ اﺳﺘﻔﺎده از‬
‫ﻣﺠﻤﻮﻋﻪاي از ﺟﻤﻼت ﻣﻨﻄﻘﻲ ﺑﻨﻮﻳﺴﻴﻢ‪ ،‬اﻃﻤﻴﻨﺎن از اﻳﻨﻜﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﻤﻴﺸﻪ »آن« را ﺑﻪ‬
‫ﭼﻴﺰي ﻛﻪ اﻧﺴﺎن ﺑﻪ ﻃﻮرﻃﺒﻴﻌﻲ ﺗﻔﺴﻴﺮ ﻣﻲﻛﻨﺪ ﺗﺮﺟﻤﻪ ﻛﻨﺪ ﻛﺎر ﺳﺨﺘﻲ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
 ‫درﺣﻘﻴﻘﺖ‪ ،‬ﻗﺮاردادن ﻗﻮاﻧﻴﻨﻲ ﺑﺮاي ﭘﻮﺷﺶ ﻫﺮ ﻣﻮﻗﻌﻴﺖ ﻣﻤﻜﻦ‪ ،‬ﺗﻘﺮﻳﺒﺎً ﻧﺎﻣﻤﻜﻦ اﺳﺖ‪.‬‬

‫‪ 5.1‬ﺗﻔﺎوت ﺑﻴﻦ اراﺋﺔ ﺳﻤﺒﻠﻴﻚ و ﻏﻴﺮﺳﻤﺒﻠﻴﻚ‬

‫ﺑﺮاي ﺳﺎﺧﺘﻦ ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻻزم اﺳﺖ اﺑﺘﺪا ﻣﻄﺎﺑﻖ ﺑﺎ ﻓﻌﺎﻟﻴﺖﻫﺎي دﺳﺘﻲ دركﺷﺪه‬
‫از رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ از ﺳﻤﺒﻞﻫﺎﻳﻲ ﻛﻪ ﺑﺎ ﻓﻌﺎﻟﻴﺖ ادراﻛﻲ ﻣﻄﺎﺑﻘﺖ دارﻧﺪ اﺳﺘﻔﺎدهﺷﻮد‪ .‬اﻳﻦ‬
‫اراﺋﻪﻫﺎي ﺳﻤﺒﻠﻴﻚ ﺑﻪ دﻧﻴﺎي ﺧﺎرج اﺷﺎره ﻣﻲﻛﻨﻨﺪ )ﺷﻜﻞ ‪.(1.1‬‬

‫ﺟﻌﺒﻪ آﻛﺎﻫﻲ‬

‫ﺳﻴﺴﺘﻢ ﺣﺮﻛﺘﻲ‬
‫ﺳﻴﺴﺘﻢ ﺣﻮاس‬

‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي‬ ‫زﺑﺎن ارﺗﺒﺎﻃﻲ‬

‫ﺷﻜﻞ ‪ 1.1‬ﻧﻤﺎﻳﺶ ﺳﻤﺒﻠﻴﻚ‬

‫ﻣﺰاﻳﺎي اراﺋﺔ ﺳﻤﺒﻠﻴﻚ ﻋﺒﺎرتاﻧﺪ از‪:‬‬

‫ـ ﺳﺎزﻧﺪة ﺳﻴﺴﺘﻢ ﻣﻲﺗﻮاﻧﺪ ﭼﻴﺰي را ﻛﻪ ﺳﻴﺴﺘﻢ ﻣﻲداﻧﺪ ﺑﺨﻮاﻧﺪ‪.‬‬
 ‫ـ آﮔﺎﻫﻲ و داﻧﺶ ﺑﺎ ﺟﻤﻼﺗﻲ ﺑﻪ زﺑﺎن رﺳﻤﻲ ﺑﻴﺎن ﻣﻲﺷﻮد‪.‬‬
‫ـ ﺧﻮاﻧﺪن اراﺋﻪ و ﻓﻬﻤﻴﺪن ﻣﻌﻨﻲ داﻧﺶ اﻣﻜﺎنﭘﺬﻳﺮ اﺳﺖ‪.‬‬
‫در اراﺋﺔ ﻏﻴﺮﺳﻤﺒﻠﻴﻚ آﮔﺎﻫﻲ ﻣﺎ از ﻣﻮﺿﻮع ﺑﺎ اوزان روي ارﺗﺒﺎﻃﺎت ﻣﻮﺟﻮد در ﻳﻚ ﺷﺒﻜﻪ‬
‫ﻧﺸﺎن داده ﻣﻲﺷﻮد )ﺷﻜﻞ ‪.(2.1‬‬

‫ﺷﻜﻞ ‪ 2.1‬ﻧﻤﺎﻳﺶ ﻏﻴﺮﺳﻤﺒﻠﻴﻚ‬

‫اراﺋﺔ ﻏﻴﺮﺳﻤﺒﻠﻴﻚ ﻣﻲﺗﻮاﻧﺪ ﺑﺎ ﺗﺮﻛﻴﺒﺎﺗﻲ از ﺧﺼﻮﺻﻴﺎت‪ ،‬ﻣﺜﻞ ﻳﻚ ﺗﺼﻮﻳﺮ ارﺗﺒﺎط ﺑﺮﻗﺮارﻛﻨﺪ‬

‫و ﺗﺤﻤﻞﭘﺬﻳﺮي ﺑﻴﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﻧﻮﻓﻪ دارﻧﺪ‪.‬‬

‫‪ 6.1‬ﺗﺎرﻳﺨﭽﺔ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫آﻟﻦ ﺗﻮرﻳﻨﮓ‪ ،‬وارِن ﻣﻚﻛﺎﻟﻮچ‪ ،‬ﻛﻠﻮد ﺷﺎﻧﻮن‪ ،‬ﻧﻮرﺑﺮت وِﻳ ‪‬ﻨﺮ‪ ،‬ﺟﺎن ﻣﻚﻛﺎرﺗﻲ‪ ،‬ﻣﺎروﻳﻦ‬
‫ﻣﻴﻨﺴﻜﻲ‪ُ ،‬ﻧﻮِل‪ ،‬ﺳﺎﻳﻤﻮن‪ ،‬آرﺗﻮر ﺳﺎﻣﻮﺋﻞ‪ ،‬و دﻳﮕﺮان اﻓﺮادياﻧﺪ ﻛﻪ ﺗﻮاﻧﺎﻳﻲﻫﺎ ‪ AI‬را ﺛﺎﺑﺖ‬
‫ﻛﺮدهاﻧﺪ و ﻓﻨﻮن آن را ﻧﺸﺎن دادهاﻧﺪ‪.‬‬

‫‪ 1.6.1‬ﺗﺴﺖ ﺗﻮرﻳﻨﮓ‬
‫ﻳﻜﻲ از ﻣﻘﺎﻟﻪﻫﺎي اوﻟﻴﻪ ﺑﺮاي ﻧﺸﺎندادن ﻫﻮش ﻣﺎﺷﻴﻦ را ﻛﻪ ﺑﻪ ﻃﻮر اﺧﺺ در ارﺗﺒﺎط ﺑﺎ‬
‫راﻳﺎﻧﺔ دﻳﺠﻴﺘﺎل اﻣﺮوزي اﺳﺖ در ﺳﺎل ‪ 1950‬آﻟﻦ ﺗﻮرﻳﻨﮓ‪ ،‬رﻳﺎﺿﻲدان اﻧﮕﻠﻴﺴﻲ‪ ،‬ﻧﻮﺷﺖ‪.‬‬
‫ﺗﻮرﻳﻨﮓ ﻛﻪ ﺑﻴﺸﺘﺮ ﺑﻪ دﻟﻴﻞ ﻫﻤﻜﺎري در ﻧﻈﺮﻳﺔ ﻣﺤﺎﺳﺒﻪﭘﺬﻳﺮي ﺷﻨﺎﺧﺘﻪﺷﺪه‪ ،‬ﺑﻪ دﻧﺒﺎل ﭘﺎﺳﺦ‬
‫ﺑﻪ اﻳﻦ ﺳﺆال ﺑﻮد ﻛﻪ آﻳﺎ ﻣﺎﺷﻴﻨﻲ ﻣﻲﺗﻮاﻧﺪ ﺳﺎﺧﺘﻪ ﺷﻮد ﻛﻪ ﻓﻜﺮ ﻛﻨﺪ‪.‬‬
‫ﻧﻜﺘﺔ ﻣﻬﻢ وﺟﻮد اﺑﻬﺎﻣﺎت اﺳﺎﺳﻲ در اﻳﻦ ﺳﺆال اﺳﺖ‪ .‬اﺑﻬﺎﻣﺎﺗﻲ ﭼﻮن ﻓﻜﺮﻛﺮدن ﭼﻴﺴﺖ؟ ﻳﺎ‬
‫ﻣﺎﺷﻴﻦ ﭼﻴﺴﺖ؟ اﻳﻦ اﺑﻬﺎﻣﺎت ﻣﺎﻧﻨﺪ ﺳﺪي در ﻣﻘﺎﺑﻞ ﻫﺮ ﭘﺎﺳﺦ ﻣﺴﺘﺪل ﻗﺮارداﺷﺖ‪ .‬او ﺑﺮاي‬
‫ﮔﺬر از اﻳﻦ ﺳﺪ ﭘﻴﺸﻨﻬﺎد ﻛﺮد ﻛﻪ ﺳﺆال ﻫﻮش ﺑﺎ ﺗﺴﺖ ﺗﺠﺮﺑﻲ ﺗﻌﺮﻳﻒﺷﺪه و واﺿﺢﺗﺮي‬
‫ﺟﺎﻳﮕﺰﻳﻦﺷﻮد‪.‬‬
‫ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻛﺎراﻳﻲ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ را در ﺑﺮاﺑﺮ اﻧﺴﺎن اﻧﺪازه ﻣﻲﮔﻴﺮد‪ ،‬ﭼﻮن اﻧﺴﺎن‬
‫ﺑﻬﺘﺮﻳﻦ و ﺗﻨﻬﺎ اﺳﺘﺎﻧﺪارد رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪.‬‬
‫اﻳﻦ ﺗﺴﺖ ﻛﻪ ﺗﻮرﻳﻨﮓ آن را »ﺑﺎزي ﺗﻘﻠﻴﺪ« ﻧﺎﻣﻴﺪ‪ ،‬ﻣﺎﺷﻴﻦ و اﻧﺴﺎن را در ﻛﻨﺎر ﻫﻢ و در‬
‫اﺗﺎﻗﻲ ﺟﺪا از اﻧﺴﺎن ﺳﻮم‪ ،‬ﻛﻪ آن را ﻣﺤﻘﻖ ﻣﻲﻧﺎﻣﺪ‪ ،‬ﻗﺮار داد‪ .‬ﻣﺤﻘﻖ ﻗﺎدر ﻧﻴﺴﺖ ﺑﺎ ﻫﻴﭻ‬
‫ﻛﺪام از آن دو )اﻧﺴﺎن و ﻣﺎﺷﻴﻦ ﻛﻨﺎرش( ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻴﻢ ﺻﺤﺒﺖ ﻛﻨﺪ و ﻧﻤﻲداﻧﺪ ﻛﺪام‬
‫ﻣﻮﺟﻮدﻳﺖ واﻗﻌﺎً ﻣﺎﺷﻴﻦ اﺳﺖ‪ .‬ﺗﻨﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺮﻣﻴﻨﺎل ﻣﺘﻨﻲ ﻣﻲﺗﻮاﻧﺪ ﺑﺎ آنﻫﺎ ارﺗﺒﺎط‬
‫ﺑﺮﻗﺮار ﻛﻨﺪ‪ .‬ﺷﺎﻳﺪ اﻣﺮوز ﺧﻮاﻧﻨﺪﮔﺎن ﺑﺎ ﺗﺮﻣﻴﻨﺎل ﻣﺘﻨﻲ )در ﻣﻘﺎﺑﻞ ﺗﺮﻣﻴﻨﺎل ﮔﺮاﻓﻴﻜﻲ( آﺷﻨﺎﻳﻲ‬
‫ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬زﻳﺮا در آن زﻣﺎن راﻳﺎﻧﻪﻫﺎي ﺷﺨﺼﻲ ﺑﻪوﺟﻮد ﻧﻴﺎﻣﺪه ﺑﻮد و ﻣﻌﻤﻮﻻً اﻓﺮاد ﺑﺎ‬
‫اﺳﺘﻔﺎده از دﺳﺘﮕﺎﻫﻲ ﺷﺒﻴﻪ ﻧﻤﺎﻳﺸﮕﺮﻫﺎي اﻣﺮوزي و ﺑﺎ ﺻﻔﺤﻪﻛﻠﻴﺪي ﻛﻪ ﻓﻘﻂ وﻇﻴﻔﺔ ارﺳﺎل‬
‫و درﻳﺎﻓﺖ اﻃﻼﻋﺎت ﺑﺎ راﻳﺎﻧﺔ ﻣﺮﻛﺰي را ﺑﺮﻋﻬﺪه داﺷﺖ ﻧﻴﺎزﻫﺎي ﺧﻮد را ﻣﺮﺗﻔﻊ‬
‫ﻣﻲﺳﺎﺧﺘﻨﺪ‪.‬‬
‫از ﻣﺤﻘﻖ ﺧﻮاﺳﺘﻪ ﺷﺪ از ﻃﺮﻳﻖ ﺗﺮﻣﻴﻨﺎل ﻣﺘﻨﻲ ﺳﺆاﻻﺗﻲ ﺑﺮاي ﻫﺮ دو ﻣﻄﺮح ﻛﻨﺪ و ﺑﺮاﺳﺎس‬
‫ﺟﻮابﻫﺎﻳﻲ ﻛﻪ درﻳﺎﻓﺖ ﻣﻲﻛﻨﺪ راﻳﺎﻧﻪ را از اﻧﺴﺎن ﺗﺸﺨﻴﺺ دﻫﺪ‪ .‬اﮔﺮ ﻣﺤﻘﻖ ﻧﺘﻮاﻧﺪ ﻣﺎﺷﻴﻦ‬
‫را از اﻧﺴﺎن ﺗﺸﺨﻴﺺ دﻫﺪ‪ ،‬ﺗﻮرﻳﻨﮓ ﻣﻲﺗﻮاﻧﺴﺖ اﺳﺘﺪﻻل ﻛﻨﺪ ﻛﻪ ﻣﺎﺷﻴﻦ ﻣﻲﺗﻮاﻧﺪ‬
‫ﻫﻮﺷﻤﻨﺪ ﻓﺮض ﺷﻮد‪.‬‬
‫ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﺑﺎ ﺟﺪاﻛﺮدن ﻣﺤﻘﻖ از راﻳﺎﻧﻪ و ﻓﺮد ﺷﺮﻛﺖﻛﻨﻨﺪة دﻳﮕﺮ اﻃﻤﻴﻨﺎن ﺣﺎﺻﻞ‬
‫ﻣﻲﻛﻨﺪ ﻛﻪ ﺗﺸﺨﻴﺺ ﻣﺤﻘﻖ ﺑﺎ ﻇﺎﻫﺮ ﻣﺎﺷﻴﻦ ﻳﺎ ﻣﺸﺨﺼﺔ ﻣﻜﺎﻧﻴﻜﻲ ﺻﺪا ﺗﺤﺖ ﺗﺄﺛﻴﺮ‬
‫ﻗﺮارﻧﮕﺮﻓﺘﻪ اﺳﺖ‪ .‬ﻣﺤﻘﻖ در ﺟﻬﺖ ﺗﺸﺨﻴﺺ ﻫﻮﻳﺖ راﻳﺎﻧﻪ آزاد اﺳﺖ ﻫﺮ ﺳﺆال ﻣﻨﻄﻘﻲ ﻳﺎ‬
‫ﻏﻴﺮﻣﻨﻄﻘﻲ را ﻣﻄﺮح ﻛﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل ﻣﺤﻘﻖ ﻣﻲﺗﻮاﻧﺪ ﻫﻢ از راﻳﺎﻧﻪ و ﻫﻢ از اﻧﺴﺎن ﺑﺨﻮاﻫﺪ‬
‫ﻳﻚ ﻣﺤﺎﺳﺒﺔ رﻳﺎﺿﻲ ﻧﺴﺒﺘﺎً ﭘﻴﭽﻴﺪه را اﻧﺠﺎم دﻫﻨﺪ‪ .‬ﺑﻪ ﻓﺮض اﻳﻨﻜﻪ اﺣﺘﻤﺎل درﺳﺖ ﺑﻮدن‬
‫ﺟﻮاب راﻳﺎﻧﻪ ﻧﺴﺒﺖ ﺑﻪ ﺟﻮاب اﻧﺴﺎن ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ‪ ،‬در ﺑﺮﺧﻮرد ﺑﺎ اﻳﻦ راﻫﺒﺮد راﻳﺎﻧﻪ ﻧﻴﺎز‬
‫دارد ﺑﺪاﻧﺪ ﭼﻪ ﻣﻮﻗﻊ ﺑﺎﻳﺪ ﺑﻪ ﭼﻨﻴﻦ ﺳﺆاﻻﺗﻲ ﺟﻮاب ﻧﺎدرﺳﺖ ﺑﺪﻫﺪ ﺗﺎ ﺷﺒﻴﻪ اﻧﺴﺎن ﺑﻪ ﻧﻈﺮ‬
‫آﻳﺪ‪.‬‬
‫ﺑﺮاي ﻛﺸﻒ ﻫﻮﻳﺖ اﻧﺴﺎﻧﻲ ﺑﺮاﺳﺎس ﻃﺒﻴﻌﺖ اﺣﺴﺎﺳﻲ ﻣﻤﻜﻦ اﺳﺖ ﻣﺤﻘﻖ از ﻫﺮ دو‬
‫ﺳﺆاﻟﻲ درﺑﺎرة ﻳﻚ ﺷﻌﺮ ﻳﺎ ﻛﺎر ﻫﻨﺮي ﺑﭙﺮﺳﺪ‪ .‬راﻳﺎﻧﻪ ﺑﺮاي ﭘﺎﺳﺦ ﻻزم اﺳﺖ ﺑﺎ اﺣﺴﺎﺳﺎت و‬
‫ﻋﻮاﻃﻒ اﻧﺴﺎﻧﻲ آﺷﻨﺎ ﺷﻮد‪.‬‬
‫وﻳﮋﮔﻲﻫﺎي ﻣﻬﻢ اﻳﻦ ﺗﺴﺖ ﻋﺒﺎرتاﻧﺪ از‪:‬‬
‫اﻟﻒ( اﻳﻦ ﺗﺴﺖ ﻣﻔﻬﻮﻣﻲ ﻣﻌﻘﻮل از ﻫﻮش اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬رﻓﺘﺎر ﻣﻮﺟﻮدي ﻫﻮﺷﻤﻨﺪ در‬
‫ﭘﺎﺳﺦ ﺑﻪ ﻣﺠﻤﻮﻋﺔ ﺧﺎﺻﻲ از ﺳﺆاﻻت ﻣﺸﺨﺺ ﻣﻲﺷﻮد‪ .‬اﻳﻦ ﺗﺴﺖ اﺳﺘﺎﻧﺪاردي ﺑﺮاي‬
‫ﺗﻌﻴﻴﻦ ﻫﻮش اﺳﺖ‪.‬‬
‫ب( اﻳﻦ ﺗﺴﺖ ﻣﺎ را ﺑﺎ ﺳﺆاﻻت ﮔﻴﺞﻛﻨﻨﺪه و ﺑﻲﭘﺎﺳﺦ از ﻣﻨﺤﺮف ﺷﺪن از ﻣﺴﻴﺮ اﺻﻠﻲ ﻣﻨﻊ‬
‫ﻣﻲﻛﻨﺪ‪ .‬در ﻫﻤﻪ ﺣﺎل راﻳﺎﻧﻪ از ﭘﺮدازشﻫﺎي داﺧﻠﻲ ﻣﻨﺎﺳﺐ اﺳﺘﻔﺎده ﻣﻲﻛﻨﺪ و ﺑﻪ ﻫﺮ ﺣﺎل‬
‫ﻣﺎﺷﻴﻦ واﻗﻌﺎً از اﻋﻤﺎﻟﺶ آﮔﺎه اﺳﺖ‪.‬‬
‫ج( اﻳﻦ ﺗﺴﺖ ﺑﺎ وادارﻛﺮدن ﻣﺤﻘﻖ ﺗﻨﻬﺎ ﺑﺎ ﺗﻤﺮﻛﺰﻛﺮدن ﺑﺮ ﻣﺤﺘﻮاي ﭘﺎﺳﺦ ﺳﺆاﻻت ﻫﺮ‬
‫ﻣﺤﺮك ﺗﺸﺨﻴﺼﻲاي را ﻛﻪ ﻗﺎﺑﻠﻴﺖ ﺗﺸﺨﻴﺺ ﻣﻮﺟﻮد زﻧﺪه را ﻓﺮاﻫﻢ ﻣﻲﻛﻨﺪ ﺣﺬف ﻣﻲﻛﻨﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻦ ﻣﺰاﻳﺎ ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﺗﻜﻴﻪﮔﺎﻫﻲ ﺑﺮاي ﺑﺴﻴﺎري از ﻃﺮحﻫﺎي واﻗﻌﻲ در ارزﻳﺎﺑﻲ‬
‫ﺑﺮﻧﺎﻣﻪﻫﺎي ‪ AI‬اﻣﺮوزي اﺳﺖ‪ .‬ﺑﺮاي ارزﻳﺎﺑﻲ ﻫﻮﺷﻤﻨﺪي ﻳﻚ ﻧﺮماﻓﺰار ﻛﻪ ﺑﻪ اﺳﺘﻨﺎد ﺑﻌﻀﻲ‬
‫از ﺷﺎﺧﺺﻫﺎي ﻓﻨﻲ ﻫﻮﺷﻤﻨﺪ ﺗﺸﺨﻴﺺ داده ﺷﺪه ﻣﻲﺑﺎﻳﺪ ﻛﺎراﻳﻲ آن را در ﺣﻞ‬
‫ﻣﺠﻤﻮﻋﻪاي از ﻣﺴﺎﺋﻞ ﺑﺎ اﻧﺴﺎﻧﻲ ﺧﺒﺮه ﻣﻘﺎﻳﺴﻪﻛﺮد‪ .‬اﻳﻦ ﺷﻴﻮة ارزﻳﺎﺑﻲ ﻓﻘﻂ ﻧﻤﻮﻧﻪاي از‬
‫ﺗﺴﺖ ﺗﻮرﻳﻨﮓ اﺳﺖ‪.‬‬
‫از ﮔﺮوﻫﻲ از اﻧﺴﺎنﻫﺎ ﺧﻮاﺳﺘﻪ ﺷﺪه ﻛﺎراﻳﻲ راﻳﺎﻧﻪ و اﻧﺴﺎن را در ﻣﺠﻤﻮﻋﺔ ﺧﺎﺻﻲ از‬
‫ﻣﺴﺎﺋﻞ ﻣﻘﺎﻳﺴﻪﻛﻨﻨﺪ‪ .‬ﻫﻤﺎنﻃﻮر ﻛﻪ ﺧﻮاﻫﻴﻢ دﻳﺪ‪ ،‬اﻳﻦ روش اﺑﺰاري ﺿﺮوري ﻫﻢ در‬
‫ﮔﺴﺘﺮش و ﻫﻢ در ﺗﺄﻳﻴﺪ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮة اﻣﺮوزي اﺳﺖ‪.‬‬
‫ﺑﺮ ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻋﻠﻲرﻏﻢ درك ﻣﺴﺘﻘﻴﻢ ﻇﺎﻫﺮياش اﻧﺘﻘﺎدﻫﺎي ﻫﻢ ﺷﺪه اﺳﺖ‪ .‬ﻳﻜﻲ از‬
‫ﻣﻬﻢﺗﺮﻳﻦ اﻧﺘﻘﺎدﻫﺎ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ روش ﺳﻤﺒﻠﻴﻚ ﺑﻪ ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﻲﭘﺮدازد‪ .‬اﮔﺮﭼﻪ درك‬
‫ﻣﺴﺘﻘﻴﻢ ﺟﺰء ﻣﻬﻤﻲ از ﻫﻮش اﻧﺴﺎﻧﻲ اﺳﺖ‪ ،‬ﺗﻮاﻧﺎﻳﻲﻫﺎﻳﻲ ﻛﻪ ﻧﻴﺎزﻣﻨﺪ ﻗﺪرت ادراك ﻳﺎ‬
‫ﻣﻬﺎرت ﺑﺎﺷﻨﺪ را آزﻣﻮن ﻧﻤﻲﻛﻨﺪ‪.‬‬
‫اﻳﻦ در ﺣﺎﻟﻲ اﺳﺖ ﻛﻪ ﮔﺎه ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻫﻮش ﻣﺎﺷﻴﻦ را وادارﻣﻲﻛﻨﺪ ﺑﺎ‬
‫ﻗﺎﻟﺐ اﻧﺴﺎﻧﻲ ﺗﻄﺒﻴﻖﻳﺎﺑﺪ‪ .‬ﻫﻮش ﻣﺎﺷﻴﻦ ﻣﺘﻔﺎوت از ﻫﻮش اﻧﺴﺎن اﺳﺖ و ﺗﻼش ﺑﺮاي‬
‫ارزﻳﺎﺑﻲ آن ﺑﺎ ﺷﺮاﻳﻂ اﻧﺴﺎﻧﻲ اﺷﺘﺒﺎﻫﻲ اﺳﺎﺳﻲ اﺳﺖ‪ .‬آﻳﺎ ﻣﺎﻳﻠﻴﻢ ﻣﺎﺷﻴﻦ ﻋﻤﻠﻴﺎت رﻳﺎﺿﻲ را‬
‫ﺑﻪ ﻛﻨﺪي و ﺑﻲدﻗﺘﻲ ﻳﻚ اﻧﺴﺎن اﻧﺠﺎم دﻫﺪ؟ آﻳﺎ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ﻧﺒﺎﻳﺪ ﺳﺮﻣﺎﻳﻪﻫﺎي ﺧﻮدش‬
‫از ﺟﻤﻠﻪ ﺣﺎﻓﻈﻪ‪ ،‬ﺳﺮﻋﺖ و ﺟﺰ آن را در ﺗﻼش ﺑﺮاي رﻗﺎﺑﺖ ﺑﺎ ادراك ﺑﺸﺮي اﻓﺰاﻳﺶ‬
‫دﻫﺪ؟‬
‫در ﺣﻘﻴﻘﺖ ﺗﻌﺪادي از ﺻﺎﺣﺐﻧﻈﺮان اﻣﺮوزي ‪ AI‬ﻣﺎﻧﻨﺪ ُﻓﺮد و ﻫﺎﻳﺲ در ﭘﺎﺳﺦ ﺑﻪ اﻳﻦ‬
‫ﭼﺎﻟﺶ ﺗﺴﺖ ﺗﻮرﻳﻨﮓ را اﺷﺘﺒﺎه و ﮔﻤﺮاﻫﻲ ﺑﺰرگ در ﭘﻴﺸﺮﻓﺖ ﻧﻈﺮﻳﻪﻫﺎي ﻋﻤﻮﻣﻲ ﺑﺮاي‬
‫ﻛﺸﻒ و ﺑﻴﺎن ﺳﺎزوﻛﺎرﻫﺎي ﻫﻮش در اﻧﺴﺎن و ﻣﺎﺷﻴﻦ‪ ،‬و ﻛﺎرﺑﺮد اﻳﻦ ﻧﻈﺮﻳﻪﻫﺎ در دﺳﺘﻴﺎﺑﻲ‬
‫ﺑﻪ اﺑﺰارﻫﺎي ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﻤﻠﻲ ﺧﺎص ﻣﻲداﻧﻨﺪ‪ .‬ﮔﺮﭼﻪ داﻧﺸﻤﻨﺪان ﺑﺴﻴﺎري ﺑﺎ دﻏﺪﻏﻪﻫﺎي‬
‫ﻓﺮد و ﻫﺎﻳﺲ ﻣﻮاﻓﻖاﻧﺪ‪ ،‬ﻫﻨﻮز ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﺟﺰء ﻣﻬﻤﻲ در ﺗﺄﻳﻴﺪ و اﻋﺘﺒﺎر ﻧﺮماﻓﺰار ﻣﺪرن‬
‫‪ AI‬اﺳﺖ‪.‬‬
‫ﺗﻮرﻳﻨﮓ ﻧﻈﺮﻳﺔ اﻣﻜﺎنﭘﺬﻳﺮ ﭘﻴﺎدهﺳﺎزي ﻳﻚ ﺑﺮﻧﺎﻣﺔ ﻫﻮﺷﻤﻨﺪ را روي راﻳﺎﻧﺔ دﻳﺠﻴﺘﺎل ﻧﻴﺰ‬
‫ﻣﻌﺮﻓﻲ ﻛﺮد‪ .‬ﺗﻮرﻳﻨﮓ ﺑﺎ اراﺋﺔ اﻟﮕﻮي ﺧﺎص از ﻣﺎﺷﻴﻦ ﻣﺤﺎﺳﺒﺔ ﺣﺎﻟﺖ ﮔﺴﺴﺘﺔ اﻟﻜﺘﺮوﻧﻴﻚ‬
‫ﺗﺨﻤﻴﻦ ﻣﺴﺘﺤﻜﻤﻲ در ﻣﻮرد ﻇﺮﻓﻴﺖ ذﺧﻴﺮه‪ ،‬ﭘﻴﭽﻴﺪﮔﻲ ﺑﺮﻧﺎﻣﻪ و ﻓﻠﺴﻔﺔ ﻃﺮاﺣﻲ اﺳﺎﺳﻲ‬
‫ﻣﻮرد ﻧﻴﺎز در ﭼﻨﻴﻦ ﺳﻴﺴﺘﻤﻲ را ﺑﻪ وﺟﻮد آورد‪ .‬در ﻧﻬﺎﻳﺖ‪ ،‬ﺗﻮرﻳﻨﮓ ﻧﻘﺎﻳﺺ ﻣﻌﻨﻮي‪،‬‬
‫ﻓﻠﺴﻔﻲ‪ ،‬و ﻋﻠﻤﻲ اﻣﻜﺎن ﺳﺎﺧﺘﻦ ﭼﻨﻴﻦ ﺑﺮﻧﺎﻣﻪاي را ﺑﺮ ﺣﺴﺐ ﻓﻨﺎوري واﻗﻌﻲ ﺑﻴﺎن ﻛﺮد‪.‬‬
‫ﻣﺜﺎلﻫﺎﻳﻲ ﻫﻢ در ﻣﻮرد ﻫﻤﻜﺎري اﻧﺴﺎن و ﺑﺮﻧﺎﻣﺔ ﻫﻮﺷﻤﻨﺪ وﺟﻮد دارد ﻛﻪ ﻛﺎراﻳﻲ اﻧﺴﺎن را‬
‫ﺑﻬﺒﻮد ﺑﺨﺸﻴﺪه اﺳﺖ‪.‬‬
‫ﺳﻴﺴﺘﻢ ‪ Dendral‬ﻣﺜﺎﻟﻲ ﺧﻮب ﺑﺮاي اﻳﻦ ﻣﻮرد اﺳﺖ‪ ،‬در ﺗﺸﺨﻴﺺ ﺳﺎﺧﺘﺎر ﺷﻴﻤﻴﺎﻳﻲ ﻣﻮاد‬
‫از ﻃﻴﻒﻧﮕﺎر ﺟﺮم ﻫﺮ ﻣﺎده‪ ,.‬ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ ﻧﺮماﻓﺰار ﻗﻮاﻧﻴﻨﻲ ﻛﺸﻒ ﺷﺪ ﻛﻪ ﺗﺎ آن زﻣﺎن‬
‫اﻓﺮاد ﺧﺒﺮه ﻧﻴﺰ ﻧﻤﻲﺷﻨﺎﺧﺘﻨﺪ‪.‬‬
‫ﺗﻮرﻳﻨﮓ در ﻣﻮرد ﻣﻔﻬﻮم ﻫﻮﺷﻤﻨﺪي ﻣﺎﺷﻴﻦ‪ ،‬در دﻫﺔ ‪ 1950‬ﺗﺴﺖ زﻳﺮ را ﺗﺪوﻳﻦ ﻛﺮد‪:‬‬
‫ﻣﺤﻘﻖ ﻣﻲﺗﻮاﻧﺪ ﺳﺆاﻻﺗﻲ را ﺑﺎ ﺑﻴﺎن ﻳﻚ ﺳﺮي ﺟﻤﻼت ﻣﻔﻬﻮﻣﻲ ﺑﻪ ﻣﺎﺷﻴﻦ در ﻳﻚ اﺗﺎق و‬
‫اﻧﺴﺎﻧﻲ در اﺗﺎﻗﻲ دﻳﮕﺮ ﺑﭙﺮﺳﺪ‪ .‬اﮔﺮ ﻣﺤﻘﻖ از ﺟﻮابﻫﺎي درﻳﺎﻓﺖﺷﺪه ﻗﺎدر ﻧﺒﺎﺷﺪ ﺗﺼﻤﻴﻢ‬
‫ﺑﮕﻴﺮد ﻛﻪ ﻛﺪام ﺑﻪ ﻣﺎﺷﻴﻦ وﺻﻞ اﺳﺖ‪ ،‬ﺗﻮرﻳﻨﮓ ﻧﺘﻴﺠﻪ ﻣﻲﮔﻴﺮد ﻛﻪ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪.‬‬
‫ﺑﺮﻧﺎﻣﺔ ﺗﻘﻠﻴﺪ ﻣﻜﺎﻟﻤﻪ ﺑﺎ روانﺷﻨﺎﺳﻲ ﺑﻪ ﻧﺎم اﻟﻴﺰا‪ ،‬از اوﻟﻴﻦ ﺗﻼشﻫﺎ ﺑﺮاي ﺳﺎﺧﺖ ﺑﺮﻧﺎﻣﻪاي‬
‫ﺑﻮد ﻛﻪ ﺑﺘﻮاﻧﺪ در ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻗﺒﻮل ﺷﻮد‪ .‬در ﻧﻈﺮ اول اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﻼً ﻣﺆﺛﺮ ﻣﻲﻧﻤﺎﻳﺪ‪،‬‬
‫اﻣﺎ ﺧﻴﻠﻲ زود‪ ،‬ﺣﻘﻪزدن ﺑﻪ آن و در ﺣﻘﻴﻘﺖ ﻧﺤﻮة اﺳﺘﻨﺘﺎج و ﻛﺎرﻛﺮدن ﺑﺎ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺑﻪ‬
‫ﺳﺮﻋﺖ ﻣﻌﻠﻮم ﻣﻲﺷﻮد‪ .‬ﻳﻜﻲ از ﭘﻴﺎدهﺳﺎزيﻫﺎي اﻟﻴﺰا را در اداﻣﻪ ﻛﺘﺎب ﺑﺮرﺳﻲ ﺧﻮاﻫﻴﻢ‬
‫ﻛﺮد‪.‬‬
‫واﺿﺢ اﺳﺖ ﺑﻪ ﻣﻨﻈﻮر ﻗﺒﻮﻟﻲ در ﺗﺴﺖ ﺗﻮرﻳﻨﮓ‪ ،‬ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪ زﺑﺎن ﻃﺒﻴﻌﻲ را ﺑﻔﻬﻤﺪ‪ .‬ﮔﻔﺘﺎر‬
‫ﺑﺸﺮ ﻛــﻪ ﻫﻤﻪ ﻧﻮع ﻓﺮﺿﻴﺎت و اﺳﺘﻨﺘﺎجﻫﺎﻳﻲ را ﺑﻪ ﻣﻨﻈﻮر ﻣﻌﻨﺎدادن ﺑﻪ ﺟﻤﻼت و ﺳﺨﻨﺎن‬
‫اﻧﺠﺎم ﻣﻲدﻫﻨﺪ ﻓﻌﺎﻟﻴﺖ ﭘﻴﭽﻴﺪهاي اﺳﺖ‪ .‬ﻟﺬا ﭼﻨﺎﻧﭽﻪ ﻣﺎﺷﻴﻦ ﺑﺨﻮاﻫﺪ ﻫﻤﭽﻮن اﻧﺴﺎن از زﺑﺎن‬
‫ﻃﺒﻴﻌﻲ اﺳﺘﻔﺎده ﻛﻨﺪ ﺑﺎﻳﺪ ﺑﺘﻮاﻧﺪ اﺳﺘﺪﻻل ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف را ﺑﺎ دﺳﺘﺮﺳﻲ ﺑﻪ ﻧﻮﻋﻲ‬
‫اﻃﻼﻋﺎت ﻋﻤﻮﻣﻲاي ﻛﻪ اﻧﺴﺎن داراﺳﺖ ﺗﺮﻛﻴﺐ ﻛﻨﺪ‪.‬‬
‫در ﻃﺮح ﺳﻴﺲ )‪ (cyc‬ﺗﻼشﺷﺪهاﺳﺖ اﻃﻼﻋﺎت ﭘﺎﻳﻪ از ﺟﻬﺎن اﺳﺘﺨﺮاج ﺷﻮد‪ .‬ﺗﻮرﻳﻨﮓ‬
‫درﺳﺪد ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻋﻈﻴﻤﻲ ﺑﻮد ﻛﻪ ﺳﻌﻲ ﻣﻲﻛﺮد ﺗﻤﺎﻣﻲ داﻧﺶ ﺑﺸﺮ را ﺗﺴﺨﻴﺮ ﻛﻨﺪ‪.‬‬
‫ﻋﺮﺿﺔ اﻳﻦ ﻓﻨﺎوري ﺑﻪ ﺷﺮﻛﺖ ﺳﻲﻛﻮرپ واﮔﺬار ﺷﺪ‪ .‬اﻳﻦ ﮔﺮوه ﻣﺘﻮﻧﻲ را ﻛﻪ اﻋﺘﻘﺎد‬
‫داﺷﺖ ﺑﺎﻳﺪ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ از دﻧﻴﺎ ﺑﺪاﻧﺪ را از داﻳــﺮاﻟﻤﻌﺎرفﻫﺎ‪ ،‬روزﻧﺎﻣﻪﻫﺎ‪ ،‬و ﻧﻈﺎﻳﺮ آن‬
‫اﺳﺘﺨﺮاج و در ﭘﺎﻳﮕﺎه داﻧﺶ درج ﻣﻲﻛﺮد‪ .‬ﺑﻪ ﻃﻮر ﻣﻌﻤﻮل‪ ،‬ﭼﻨﺪﻳﻦ ﻣﻴﻠﻴﻮن ورودي‬
‫)ﻣﺪﺧﻞ( در اﻳﻦ ﭘﺎﻳﮕﺎه داﻧﺶ وﺟﻮد دارد‪.‬‬

‫‪ 7.1‬ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪ 1.7.1‬ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ‬

‫وﻗﺘﻲ اﻓﺮاد ﺑﺎ ﻳﻜﺪﻳﮕﺮ ارﺗﺒﺎط ﺑﺮﻗﺮارﻣﻲﻛﻨﻨﺪ‪ ،‬ﺗﻘﺮﻳﺒﺎٌ ﺑﺪون ﺗﻼش ﺧﺎص وﺧﻴﻠﻲ ﭘﻴﭽﻴﺪه ﺑﺎ‬
‫ﻳﻜﺪﻳﮕﺮ ﺗﻌﺎﻣﻞ و ﻫﻤﻜﺎري دارﻧﺪ و ﺑﺎ اﻃﻼﻋﺎت ﻧﺎﭼﻴﺰ ﻣﻲﺗﻮاﻧﻨﺪ ﻓﺮاﻳﻨﺪﻫﺎ را درك ﻛﻨﻨﺪ‪.‬‬
‫ﺳﺎﺧﺘﻦ راﻳﺎﻧﻪﻫﺎﻳﻲ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﺗﻮﻟﻴﺪ و درك ﺣﺘﻲ ﻛﺴﺮ ﻛﻮﭼﻜﻲ از زﺑﺎن ﻃﺒﻴﻌﻲ ﻣﺜﻞ‬
‫اﻧﮕﻠﻴﺴﻲ را داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﺴﻴﺎر دﺷﻮار اﺳﺖ‪ .‬اﻳﻦ دﺷﻮاري ﺑﻪ اﻳﻦ دﻟﻴﻞ اﺳﺖ ﻛﻪ زﺑﺎن ﺑﻪ‬
‫رﺳﺎﻧﺔ ارﺗﺒﺎﻃﻲ ﻣﺆﺛﺮي در ﺑﻴﻦ اﻓﺮاد ﺑﺎﻫﻮش ﺑﺪل ﺷﺪه اﺳﺖ‪ .‬ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ در ﻧﺘﻴﺠﺔ‬
‫اﻧﺘﻘﺎل ذرهاي از ﺳﺎﺧﺘﺎر ﻓﻜﺮي ﺗﺤﺖ ﺷﺮاﻳﻂ ﻣﺤﻴﻂ از ﻣﻐﺰي ﺑﻪ ﻣﻐﺰ دﻳﮕﺮ‪ ،‬ﻫﺮ ﻣﻐﺰي‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﺑﺰرگ ﻓﻜﺮي ﻣﺸﺎﺑﻪ دارد‪ .‬اﻳﻦ ﻣﻔﺎﻫﻴﻢ‪ ,‬ﻣﻔﺎﻫﻴﻢ ﻋﻤﻮﻣﻲ ﻣﺸﺘﺮكاﻧﺪ ﻛﻪ درك‬
‫زﺑﺎن را ﻣﻤﻜﻦ ﻣﻲﻛﻨﻨﺪ‪ .‬اﻳﻦ ﺗﺸﺎﺑﻪ در ﻣﻔﺎﻫﻴﻢ‪ ،‬ﺑﻪ اﻳﺠﺎد و ﻓﻬﻢ ﭘﻴﺎمﻫﺎي ﻣﺒﻬﻢ ﻛﻤﻚ‬
‫ﻣﻲﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬درك زﺑﺎنﻫﺎي ﻃﺒﻴﻌﻲ ﻣﺸﻜﻞ ﭘﻴﭽﻴﺪه و ﺑﺰرﮔﻲ از رﻣﺰﮔﺬاري و‬
‫رﻣﺰﮔﺸﺎﻳﻲ اﺳﺖ‪.‬‬
‫ﻳﻜﻲ از اﻫﺪاف ﻫﻤﻴﺸﮕﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪ ،‬ﺧﻠﻖ ﺑﺮﻧﺎﻣﻪﻫﺎﻳﻲ اﺳﺖ ﻛﻪ در درك و اﻳﺠﺎد‬
‫زﺑﺎن ﺑﺸﺮي ﺗﻮاﻧﺎ ﺑﺎﺷﺪ‪ .‬ﺑﻪ ﻧﻈﺮ ﻧﻤﻲرﺳﺪ ﺗﻨﻬﺎ ﺗﻮاﻧﺎﻳﻲ اﺳﺘﻔﺎده و درك زﺑﺎن ﻃﺒﻴﻌﻲ‬
‫ﺧﺼﻮﺻﻴﺖ ﺑﻨﻴﺎدي ﻫﻮش ﺑﺸﺮي ﺑﺎﺷﺪ‪ ،‬اﻣﺎ ﻋﺪم ﻛﻨﺘﺮل و ﻫﺪاﻳﺖ ﻣﻮﻓﻖ دﺳﺘﮕﺎهﻫﺎ ﺑﻪ ﻃﻮر‬
‫ﺧﻮدﻛﺎر‪ ،‬ﺿﺮﺑﻪاي ﺑﺎورﻧﻜﺮدﻧﻲ ﺑﺮ ﻗﺎﺑﻠﻴﺖ اﺳﺘﻔﺎده و ﺳﻮدﻣﻨﺪي راﻳﺎﻧﻪﻫﺎﺳﺖ‪ .‬ﺗﻼشﻫﺎي‬
‫ﺑﺴﻴﺎري در ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎﻳﻲ ﻛﻪ زﺑﺎن ﻃﺒﻴﻌﻲ را دركﻛﻨﻨﺪ ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ‪ .‬اﮔﺮﭼﻪ‬
‫اﻳﻦ ﺑﺮﻧﺎﻣﻪﻫﺎ در ﻣﺘﻮن ﺑﺎ ﻟﻐﺎت و زﻣﻴﻨﻪ ﻣﺤﺪود ﺑﻪ ﻣﻮﻓﻘﻴﺖﻫﺎﻳﻲ دﺳﺖﻳﺎﻓﺘﻪاﻧﺪ‪،‬‬
‫ﺳﻴﺴﺘﻢﻫﺎﻳﻲ ﻛﻪ ﺑﺘﻮاﻧﻨﺪ زﺑﺎن ﻃﺒﻴﻌﻲ را ﺑﺎ اﻧﻌﻄﺎفﭘﺬﻳﺮي و ﻋﻤﻮﻣﻴﺘﻲ ﻛﻪ ﺑﺸﺮ ﺻﺤﺒﺖ‬
‫ﻣﻲﻛﻨﺪ اﺳﺘﻔﺎده ﻛﻨﻨﺪ ﻫﻨﻮز ﺗﻮﻟﻴﺪ ﻧﺸﺪه اﺳﺖ‪ ،‬زﻳﺮا ﻓﺮاﺳﻮي ﮔﻔﺘﺎر ﺑﺎ روش و ﭼﺎرﭼﻮب‬
‫راﻳﺞ اﺳﺖ‪.‬‬
‫ﭘﻴﭽﻴﺪﮔﻲ درك زﺑﺎن ﻃﺒﻴﻌﻲ ﺧﻴﻠﻲ ﺑﻴﺸﺘﺮ از ﺗﺠﺰﻳﺔ ﺟﻤﻼت و ﺟﺴﺘﺠﻮي ﻟﻐﺎت در‬
‫ﻓﺮﻫﻨﮓ ﻟﻐﺖ اﺳﺖ‪ .‬ادراك واﻗﻌﻲ ﺑﻪ ﻋﻮاﻣﻞ زﻳﺎدي ﺑﺴﺘﮕﻲ دارد‪ ،‬از ﺟﻤﻠﻪ ﺑﻪ وﺳﻌﺖ‬
‫داﻧﺴﺘﻪﻫﺎي ﻗﺒﻠﻲ درﺑﺎرة ﻗﻠﻤﺮو ﻣﺒﺎﺣﺜﻪ و اﺻﻄﻼﺣﺎت اﺳﺘﻔﺎده ﺷﺪه در آن ﻗﻠﻤﺮو و ﻧﻴﺰ‬
‫ﺗﻮاﻧﺎﻳﻲ ﺑﻪﻛﺎرﺑﺴﺘﻦ آﮔﺎﻫﻲ واﺑﺴﺘﻪ ﺑﻪ ﻗﺮاﻳﻦ ﻋﻤﻮﻣﻲ ﺟﻬﺖ رﻓﻊ و ﺣﺬف اﺑﻬﺎﻣﺎﺗﻲ ﻛﻪ ﺑﻪ‬
‫ﺻﻮرت ﻃﺒﻴﻌﻲ در ﮔﻔﺘﺎر ﺑﺸﺮ وﺟﻮد دارﻧﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬ﺑﻪ ﻣﻨﻈﻮر ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢﻫﺎي راﻳﺎﻧﻪاﻳﻲ ﻛﻪ ﺑﺘﻮاﻧﻨﺪ زﺑﺎن ﻃﺒﻴﻌﻲ را درك ﻛﻨﻨﺪ‪ ،‬ﻫﻢ‬
‫آﮔﺎﻫﻲ واﺑﺴﺘﻪ ﺑﻪ ﻗﺮاﻳﻦ و ﻫﻢ ﻓﺮاﻳﻨﺪﻫﺎ ﺟﻬﺖ ﺳﺎﺧﺖ اﺳﺘﻨﺒﺎطﻫﺎي ﻣﺆﺛﺮ ﻻزم اﺳﺖ‪.‬‬
‫ﻣﺤﻘﻘﺎن زﻳﺎدي ﻣﺠﺬوب اﻳﻦ ﻗﻠﻤﺮو ﺧﻴﻠﻲ ﻣﻬﻢ ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺷﺪهاﻧﺪ‪.‬‬

‫‪ 2.7.1‬ﺑﺎزﻳﺎﺑﻲ ﻫﻮﺷﻤﻨﺪ از ﭘﺎﻳﮕﺎه داده‬

‫ﺳﻴﺴﺘﻢﻫﺎي ﭘﺎﻳﮕﺎه داده ﺣﻮزة وﺳﻴﻌﻲ از ﺣﻘﺎﻳﻖ درﺑﺎرة ﺑﻌﻀﻲ ﻣﻮﺿﻮﻋﺎت را در ﺑﺮ ﻣﻲ‬
‫ﮔﻴﺮد و ﺷﺎﻣﻞ اﺑﺰاري ﺑﺮاي ﺟﺴﺘﺠﻮي و ﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت از آن ﻣﻲ ﺑﺎﺷﺪ‪. ..‬ﻓﺮض ﻛﻨﻴﺪ‬
‫اﻃﻼﻋﺎت ﻫﻨﺮﭘﻴﺸﻪ ﻫﺎ در ﭘﺎﻳﮕﺎه داده ﻫﻨﺮﭘﻴﺸﮕﺎن وارد ﺷﺪه اﺳﺖ ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ داده‬
‫ﻫﺎﻳﻲ ﻧﺸﺎﻧﺪﻫﻨﺪه ﺳﻦ ‪ ،‬ﻗﺪ ‪ ،‬وزن ‪ ،‬ﺗﻌﺪاد ﻛﻼه ‪ ،‬ﻛﻞ درآﻣﺪ ‪ ... ،‬در اﻳﻦ ﭘﺎﻳﮕﺎه وﺟﻮد‬
‫داﺷﺘﻪ ﺑﺎﺷﺪ ‪ .‬ﺑﺎ اﻳﻦ ﺣﻘﺎﻳﻖ ذﺧﻴﺮه ﺷﺪه در ﻳﻚ ﺷﻜﻞ ﻣﻨﻈﻢ ‪ ،‬ﻫﺮ ﻛﺴﻲ ﻣﻲ ﺗﻮاﻧﺪ ﭘﺎﺳﺦ‬
‫ﭘﺮس وﺟﻮ ﻫﺎ ﻳﻲ ﻧﻈﻴﺮ " ﻟﻴﺴﺖ ﻫﻤﻪ ﻫﻨﺮﭘﻴﺸﻪ ﮔﺎﻧﻲ ﻛﻪ ﻗﺪ آﻧﺎن ﺑﻴﺶ از ‪ 170‬ﺳﺎﻧﺘﻲ ﻣﺘﺮ‬
‫اﺳﺖ ‪ ".‬ﻳﺎ "ﻣﺘﻮﺳﻂ درآﻣﺪ ﺳﺎﻟﻴﺎﻧﻪ ﻫﻨﺮﭘﻴﺸﻪ ‪ X‬ﭼﻘﺪر اﺳﺖ ؟" را ﺑﻪ دﺳﺖ آورد ‪ .‬ﻃﺮاﺣﻲ‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﺎﻳﮕﺎه داده ﻫﻨﻮز ﻳﻚ ﻣﻮﺿﻮع ﺑﺴﻴﺎر ﺟﺪي در ﻣﺤﺪوده ﻋﻠﻢ راﻳﺎﻧﻪ اﺳﺖ ‪ .‬از‬
‫ﻧﻘﻄﻪ ﻧﻈﺮ ‪ ، AI‬اﮔﺮ ﺑﺮاي ﻳﺎﻓﺘﻦ ﭘﺎﺳﺦ ﻫﺎ ﺑﻪ اﺳﺘﺪﻻل ﻫﺎي ﻗﻴﺎﺳﻲ ﺑﺎ ﺣﻘﺎﻳﻖ ﻣﻮﺟﻮد در‬
‫ﭘﺎﻳﮕﺎه داده ‪ ،‬ﻧﻴﺎز داﺷﺘﻪ ﺑﺎﺷﻴﻢ اﻳﻦ ﻣﻴﺪان ﻛﺎري ﺣﺘﻲ از اﻳﻦ ﻫﻢ ﻣﻬﻤﺘﺮ ﺧﻮاﻫﺪ ﺷﺪ ‪.‬‬
‫ﺑﺮاي اﻳﺠﺎد ﺳﻴﺴﺘﻢ ﻫﺎي ﺑﺎزﻳﺎﺑﻲ ﻫﻮﺷﻤﻨﺪ داده ﻫﺎ ﺗﻼش وﻳﮋه اي ﺻﻮرت ﮔﺮﻓﺘﻪ اﻣﺎ‬
‫ﻣﺸﻜﻼت ﻓﺮاواﻧﻲ ﻧﻴﺰ وﺟﻮد دارد‪, .‬ﻣﺸﻜﻞ اول درك ﭘﺮس و ﺟﻮﻫﺎي اﻇﻬﺎر ﺷﺪه در ﻳﻚ‬
‫زﺑﺎن ﻃﺒﻴﻌﻲ ﻧﻈﻴﺮ اﻧﮕﻠﻴﺴﻲ اﺳﺖ ﻣﺸﻜﻞ دوم اﻳﻨﻜﻪ ‪ ،‬ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ ﺳﻴﺴﺘﻢ ‪ ,‬ﭘﺮس و‬
‫ﺟﻮﻫﺎ را ﻛﺎﻣﻼٌ درك ﻛﺮده ﺑﺎﺷﺪ ‪ ،‬ﭼﮕﻮﻧﻪ ﺑﺎﻳﺪ ﭘﺎﺳﺦ را از داده ﻫﺎي ﻣﻮﺟﻮد در ﭘﺎﻳﮕﺎه داده‬
‫اﺳﺘﻨﺘﺎج ﻛﻨﺪ‪ ..‬ﻣﺸﻜﻞ ﺳﻮم اﻳﻨﻜﻪ ﭼﮕﻮﻧﻪ اﻃﻼﻋﺎت ﻋﻤﻮﻣﻲ ﻛﻪ ﺑﺼﻮرت ﺻﺮﻳﺢ در ﭘﺮس و‬
‫ﺟﻮ ﻳﺎ ﺣﺘﻲ در ﭘﺎﻳﮕﺎه ذﻛﺮ ﻧﺸﺪه را ﺑﺎﻳﺪ در ﻧﻈﺮ ﮔﺮﻓﺖ ﻛﻪ ﺑﻪ ﭘﺎﺳﺦ ﻣﻄﻠﻮب ﺑﺮﺳﻴﻢ‪ .‬ﺑﺮاي‬
‫ﻣﺜﺎل ‪ ،‬اﮔﺮ ﻫﻨﺮﭘﻴﺸﻪ ‪ P‬ﻛﺎﭘﻴﺘﺎن ﺑﺎﺷﺪ ‪ ،‬آﻧﮕﺎه ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪ ﺑﺪاﻧﺪ ﻛﺎﭘﻴﺘﺎن ﻛﺴﻲ اﺳﺖ ﻛﻪ ﺗﻴﻤﻲ‬
‫را در ﻳﻚ ﻣﻴﺪان ﻣﺴﺎﺑﻘﻪ راﻫﻨﻤﺎﻳﻲ ﻣﻲ ﻛﻨﺪ و ﻋﻀﻮي از ﻫﺴﺘﻪ ﮔﺮوه اﻧﺘﺨﺎب ﻛﻨﻨﺪﮔﺎن‬
‫ﺑﺎزﻳﻜﻨﺎن ﺗﻴﻢ اﺳﺖ ‪ .،‬ﭼﻨﻴﻦ ﺣﻘﺎﻳﻘﻲ ﻣﻤﻜﻦ اﺳﺖ در ﻃﻲ ﺗﻮﺳﻌﻪ ﭘﺎﻳﮕﺎه داده ﺑﻪ ﺻﺮاﺣﺖ‬
‫اﻇﻬﺎر ﻧﺸﺪه ﺑﺎﺷﺪ ‪.‬‬
‫‪ 3-3-1‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪ ،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺸﺎور اﺗﻮﻣﺎﺗﻴﻚ ﻫﺴﺘﻨﺪ ‪ .‬اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﻣﺸﺎوره ﺧﻮد‬
‫را از ﻃﺮﻳﻖ اﺳﺘﻨﺘﺎج ﻫﺎي ﺧﺒﺮه راﺟﻊ ﺑﻪ ﻣﺤﺪوده ﻫﺎﻳﻲ ﻛﻪ در آن ﺗﺨﺼﺺ ﻳﺎﻓﺘﻪ اﻧﺪ را‬
‫اراﻳﻪ ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻃﻮري ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ‬
‫ﻋﻴﻮب ﻣﻮﺟﻮد در ﺳﻴﺴﺘﻢ ﻫﺎي ﻧﻈﺎﻣﻲ ﻧﻈﻴﺮ ﻫﻮاﭘﻴﻤﺎﻫﺎ ‪ ،‬رادارﻫﺎ و ﺳﺎﻳﺮ ادوات ﻧﻈﺎﻣﻲ را‬
‫ﺗﺸﺨﻴﺺ دﻫﻨﺪ ‪ ،‬ﻧﻤﻮﻧﻪ ﻫﺎي ﺧﺎص از ﻣﻮﺟﻮدات را ﺑﻪ ﺻﻮرت ﻋﻠﻤﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﻧﻤﺎﻳﻨﺪ‪،‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ اﻳﺠﺎد ﺳﺎﺧﺘﺎر ﻫﺎي ﺷﻴﻤﻴﺎﻳﻲ ﻣﻤﻜﻦ از ﻣﻮاد ﻣﺨﺘﻠﻒ اراﻳﻪ ﻧﻤﺎﻳﻨﺪ‪ ،‬ﻋﺎﻣﻞ ﺑﺎﻟﻘﻮه‬
‫ﺳﻨﮓ ﻣﻌﺪﻧﻲ ﻛﻪ ﺗﻪ ﻧﺸﻴﻦ ﻣﻲ ﺷﻮد را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻨﺪ‪ ،‬ﻳﺎ ﺣﺘﻲ اﻣﺮاض را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ‬
‫ﺷﻮاﻫﺪ ﻣﻮﺟﻮد ﺗﺸﺨﻴﺺ دﻫﺪ ‪.‬‬

‫در ﻃﺮاﺣﻲ ﻫﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺮاي ﺣﻞ ﻫﺮ ﻣﺴﺌﻠﻪ دو ﻛﻠﻴﺪ ﺗﺮﻛﻴﺐ ﺷﺪه وﺟﻮد دارد ‪ .‬ﻳﻜﻲ‬
‫از اﻳﻦ ﻛﻠﻴﺪﻫﺎ ﻧﺸﺎﻧﺪﻫﻨﺪه داﻧﺶ ﻣﻮﺟﻮد از ﻣﻮﺿﻮع ودﻳﮕﺮي ﻛﺎرﺑﺮد اﻳﻦ داﻧﺶ در ﻫﻨﮕﺎم‬
‫اراﻳﻪ ﻧﺘﺎﻳﺞ اﺳﺖ ‪ .‬ﻧﻤﺎﻳﺶ داﻧﺶ ﻗﺪري ﭘﻴﭽﻴﺪه اﺳﺖ زﻳﺮا ﻛﻪ داﻧﺶ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺒﻬﻢ و ﻳﺎ‬
‫ﻧﺎﻣﻌﻠﻮم ﺑﺎﺷﺪ ‪ .‬اﺳﺎﺳﺎٌ داﻧﺶ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﺑﺰرگ از ﻗﻮاﻧﻴﻦ ﺳﺎده اراﺋﻪ و در‬
‫ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ ﻛﻪ ﻗﺎﻟﺐ‪ 1‬و ﻣﺘﻮن اﺧﺒﺎري ‪ ،2‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ‪ ،‬ﻧﻤﺎﻳﺶ داده ﻣﻴﺸﻮد ‪ .‬ﻧﺘﺎﻳﺞ‬
‫ﻳﺎ ﭘﺎﺳﺦ ﻋﻤﻮﻣﺎٌ از ﺗﻜﻨﻴﻚ ﻫﺎي اﺳﺘﻨﺘﺎج ﻗﻮاﻧﻴﻦ ﭘﺎﻳﻪ اي ‪ ،‬ﺣﺎﺻﻞ ﻣﻲ ﺷﻮﻧﺪ ‪ .‬در ﺳﺎل ﻫﺎي‬

‫‪1‬‬
‫‪2‬‬
‫‪Frame‬‬
‫‪Script‬‬
‫اﺧﻴﺮ ﺷﻜﻞ ﻫﺎي دﻳﮕﺮ اﺳﺘﻨﺘﺎج ﻣﺎﻧﻨﺪ اﺳﺘﻨﺘﺎج اﺣﺘﻤﺎﻟﻲ ﺑﻪ ﻃﻮر ﺟﺪي ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ اﺳﺖ ‪.‬‬
‫ﻧﺮم اﻓﺰار ‪ DENDRAL‬ﻳﻜﻲ از ﺳﻴﺴﺘﻢ ﻫﺎي اوﻟﻴﻪ ﺑﺮاي ﺑﻪ ﻛﺎر ﺑﺮدن داﻧﺶ ﺣﻮزه ﺧﺎص‬
‫ﺟﻬﺖ ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻮد ﻛﻪ در اﺳﺘﻨﻔﺮد‪ 1‬و در اواﺧﺮ دﻫﻪ ‪ 1960‬ﺗﻮﺳﻌﻪ داده ﺷﺪ‪.‬‬
‫‪ DENDRAL‬ﺑﺮاي اﺳﺘﻨﺒﺎط ﺳﺎﺧﺘﺎر ﺑﻨﻴﺎﻧﻲ ﻣﻮﻟﻜﻮل ﻫﺎ از ﻓﺮﻣﻮل ﻫﺎي ﺷﻴﻤﻴﺎﻳﻲ ﺷﺎن وﺑﺎ‬
‫ﺗﻜﻴﻪ ﺑﺮ داﻧﺶ وﺳﻴﻌﻲ از ﺗﺠﺰﻳﻪ و رواﺑﻂ ﺷﻴﻤﻴﺎﻳﻲ ﻣﻮﺟﻮد در ﻣﻮﻟﻜﻮل ﻫﺎ ‪ ،‬ﻃﺮاﺣﻲ ﺷﺪه‬
‫ﺑﻮد ‪ .‬ﭼﻮن ﻣﻮﻟﻜﻮل ﻫﺎي ﺑﻨﻴﺎدي ﻣﻴﻞ دارﻧﺪ ﻛﻪ ﺧﻴﻠﻲ ﮔﺴﺘﺮده ﺑﺎﺷﻨﺪ ‪ ،‬ﺗﻌﺪاد ﺳﺎﺧﺘﺎرﻫﺎي‬
‫ﻣﻤﻜﻦ ﺑﺮاي اﻳﻦ ﻣﻮﻟﻜﻮﻟﻬﺎ ﻧﻴﺰ ﺗﻤﺎﻳﻞ ﺑﻪ ﺑﺰرگ و ﮔﺴﺘﺮده ﺷﺪن دارﻧﺪ ‪ DENDRAL .‬ﺑﺎ‬
‫ﺑﻜﺎر ﺑﺮدن داﻧﺶ اﻛﺘﺸﺎﻓﻲ ﺷﻴﻤﻴﺪاﻧﺎن ﺧﺒﺮه و ﻣﺘﺨﺼﺺ ‪ ،‬ﻣﺴﺌﻠﻪ ﺗﻌﻴﻴﻦ ﺳﺎﺧﺘﺎر ﻣﻮﻟﻜﻮﻟﻲ‬
‫ﻳﻚ ﻣﺎده را از ﺑﻴﻦ اﺣﺘﻤﺎﻻت ﮔﺴﺘﺮده ﻣﺤﻴﻂ ﺗﺤﻘﻴﻖ را ﺣﻞ ﻣﻲ ﻛﻨﺪ ‪ .‬روﺷﻬﺎي‬
‫‪ ، DENDRAL‬ﻓﻮق اﻟﻌﺎده ﻣﻮﺛﺮ ﺑﻮدﻧﺪ ‪ ،‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺗﻨﻬﺎ ﺑﻌﺪ از ﻳﻚ آزﻣﺎﻳﺶ ﻛﻮﺗﺎه ‪،‬‬
‫ﺳﺎﺧﺘﺎر ﺻﺤﻴﺢ ﻣﻮﻟﻜﻮﻟﻬﺎ را از ﻣﻴﺎن ﻣﻴﻠﻴﻮﻧﻬﺎ اﺣﺘﻤﺎل ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ ‪ .‬اﻳﻦ ﻋﻤﻠﻜﺮد‬
‫ﺑﻜﺎرﮔﻴﺮي ﻧﺴﻞ ﻫﺎي ﺑﻌﺪي اﻳﻦ ﺳﻴﺴﺘﻢ را در آزﻣﺎﻳﺸﮕﺎه ﻫﺎي ﺷﻴﻤﻴﺎﻳﻲ و داروﻳﻲ در‬
‫ﺳﺮاﺳﺮ دﻧﻴﺎ ﺗﻀﻤﻴﻦ ﻧﻤﻮد ‪.‬‬
‫اﻟﺒﺘﻪ ‪ ، DENDRAL‬ﻳﻜﻲ از اوﻟﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ در اﺳﺘﻔﺎده ﻣﻮﺛﺮ داﻧﺶ ﻣﺎﺷﻴﻨﻲ در ﺣﻮزه‬
‫ﺧﺎص ﺟﻬﺖ دﺳﺖ ﻳﺎﻓﺘﻦ ﺑﻪ ﻫﺪف ﺣﻞ ﻣﺴﺎﺋﻞ در ﺳﻄﺢ داﻧﺸﻤﻨﺪان ﺧﺒﺮه ﺑﻮد ‪،‬‬
‫‪ MYCIN‬ﻧﻤﻮﻧﻪ دﻳﮕﺮي از ﺑﺮﻧﺎﻣﻪ اﺳﺖ ﻛﻪ ﺑﺎ روﻳﻜﺮد اﻳﺠﺎد ﺑﺮﻧﺎﻣﻪ ﺧﺒﺮه در ﺣﻮزه ﺧﺎص‬
‫ﭘﺎﻳﻪ ﮔﺬاري ﺷﺪ‪ MYCIN .‬از داﻧﺶ ﻣﺘﺨﺼﺼﻴﻦ و ﺧﺒﺮﮔﺎن ﭘﺰﺷﻜﻲ ﺟﻬﺖ ﺗﺸﺨﻴﺺ و‬
‫ﺗﻌﻴﻴﻦ درﻣﺎن ﺗﻮرم ﺳﺘﻮن ﻓﻘﺮات و ﻋﻔﻮﻧﺖ ﻣﻴﻜﺮﺑﻲ در ﺧﻮن اﺳﺘﻔﺎده ﻣﻲ ﻛﺮد‪.‬‬
‫‪ MYCIN‬ﻛﻪ در اﺳﺘﻨﻔﺮد و اواﺳﻂ دﻫﻪ ‪ 1970‬ﺗﻮﺳﻌﻪ داده ﺷﺪ ‪ ،‬ﻳﻜﻲ از اوﻟﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ‬
‫ﺟﻬﺖ ﻧﺸﺎن دادن ﻣﺸﻜﻼت اﺳﺘﺪﻻل ﺑﺎ اﻃﻼﻋﺎت ﻧﺎﻣﻌﻠﻮم و ﻧﺎﻗﺺ ﺑﻮد ‪ MYCIN .‬ﺷﺮح‬
‫وﺗﻔﺴﻴﺮ اﺳﺘﺪﻻﻟﺶ را واﺿﺢ و ﻣﻨﻄﻘﻲ ﺗﻬﻴﻪ ﻛﺮد و از ﺳﺎﺧﺘﺎر ﻛﻨﺘﺮل ﻣﻨﺎﺳﺐ ﺑﺮاي ﺣﻮزه‬
‫ﻣﺴﺎﺋﻞ ﺧﺎص و ﺿﻮاﺑﻂ ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﺟﻬﺖ ارزﻳﺎﺑﻲ ﻛﺎراﻳﻲ اش ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ اﻋﺘﻤﺎد ‪،‬‬
‫اﺳﺘﻔﺎده ﻛﺮد‪.‬‬
‫‪ 4-3-1‬اﺛﺒﺎت ﻗﻀﻴﻪ‬
‫اﺛﺒﺎت ﻳﺎ رد ﻗﻀﺎﻳﺎي رﻳﺎﺿﻲ ﻛﺎري اﺳﺖ ﻛﺎﻣﻼٌ ﻓﻜﺮي اﺳﺖ و ﺑﻪ اﺳﺘﻨﺘﺎج ﻫﺎﻳﻲ از‬
‫ﻓﺮﺿﻴﺎت اوﻟﻴﻪ ﻧﻴﺎز دارد و ﻋﻼوه ﺑﺮ آن ﺑﺎ ﺣﻜﻢ ﻫﻢ درﮔﻴﺮ ﻣﻲ ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﺣﻜﻢ ﺑﺮ روي‬

‫‪1‬‬
‫‪Stanford‬‬
‫ﺣﺠﻢ وﺳﻴﻌﻲ از اﻃﻼع ﺗﺨﺼﺼﻲ ‪ ،‬ﭘﺎﻳﻪ ﮔﺬاري ﺷﺪه اﺳﺖ و ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﺣﺪس‬
‫ﺻﺤﻴﺢ راﺟﻊ ﺑﻪ ﭼﻴﺰي ﻛﻪ ﻗﺒﻼٌ ﺛﺎﺑﺖ ﺷﺪه اﺳﺖ )ﻗﻀﻴﻪ( ﺗﻼش ﻓﻜﺮي ﺑﺎﻳﺪ ﺻﻮرت‬
‫ﮔﻴﺮد‪ ،‬اﻳﻦ ﻣﻮﺿﻮع ﻛﻤﻚ ﻣﻴﻜﻨﺪ ﻛﻪ ﻣﺴﺎﻳﻞ را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻀﺎﻳﺎي ﻣﻮﺟﻮد ﺑﻪ ﻣﺴﺎﻳﻞ‬
‫ﻛﻮﭼﻜﺘﺮ ﺷﻜﺴﺘﻪ و ﻣﺴﺘﻘﻼ آﻧﻬﺎ را ﺣﻞ و ﺳﭙﺲ ﻣﺠﺪدا ﺗﺮﻛﻴﺐ ﻛﻨﻴﻢ ‪ .‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي زﻳﺎدي‬
‫ﺑﺮاي اﺛﺒﺎت ﻣﺎﺷﻴﻨﻲ ﻗﻀﺎﻳﺎ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﻛﺎر ﻛﺮدن ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ را‬
‫دارﻧﺪ ‪ .‬ﺑﺮاي درك اﺟﺰاء اﺳﺘﺪﻻل از ﺗﻜﻨﻴﻚ ﻫﺎي ﻓﺮﻣﻮل ﺑﻨﺪي ﻗﻴﺎﺳﻲ ﻛﻪ از زﺑﺎن ﻣﻨﻄﻖ‬
‫ﮔﺰاره اي اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﻛﻤﻚ ﻣﻴﮕﻴﺮﻳﻢ ‪ .‬ﻓﻌﺎﻟﻴﺘﻬﺎي ﺑﺪون ﻗﺎﻋﺪﻧﻪ زﻳﺎدي ﻣﺎﻧﻨﺪ ﺗﺸﺨﻴﺺ‬
‫ﭘﺰﺷﻜﻲ را ﻣﻴﺘﻮان ﺑﺎ روش اﺛﺒﺎت ﻗﻀﺎﻳﺎ ﻓﺮﻣﻮل ﺑﻨﺪي ﻛﺮد ‪.‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ اﺳﺘﺪﻻل ﻣﻨﻄﻘﻲ روش ﻋﻤﻮﻣﻲ و رﺳﻤﻲ ﺑﺮاي ﺣﻞ ﻣﺴﺎﻳﻞ اﺳﺖ ﺟﺎذﺑﻪ‬
‫زﻳﺎدي را ﺑﺮاي اﺛﺒﺎت ﻗﻀﺎﻳﺎ اﻳﺠﺎد ﻛﺮده اﺳﺖ ‪ ،‬ﻣﻨﻄﻖ ﺧﻮد ﺑﻪ ﻓﺮآﻳﻨﺪ ﻣﻜﺎﻧﻴﺰه ﺷﺪن ﻛﺎرﻫﺎ‬
‫ﻣﻨﺠﺮ ﻣﻲ ﺷﻮد‪ .‬ﻃﻴﻒ وﺳﻴﻌﻲ از ﻣﺴﺎﺋﻞ وﺟﻮد دارﻧﺪ ﻛﻪ ﻣﺎ آﻧﻬﺎ را از ﻃﺮﻳﻖ ﻧﺸﺎن دادن‬
‫ﺧﻮد ﻣﺴﺌﻠﻪ و اﻃﻼﻋﺎت زﻣﻴﻨﻪ اي آن ‪ ,‬ﺑﺎ اﺳﺘﻔﺎده از اﺻﻮل ﻣﻨﻄﻘﻲ و ﻧﻤﻮﻧﻪ ﻫﺎي ﻗﻀﺎﻳﺎﻳﻲ‬
‫ﻛﻪ اﺛﺒﺎت ﺷﺪه اﻧﺪ ﺣﻞ ﻣﻴﻜﻨﻴﻢ ‪ .‬ﻳﻚ دﻟﻴﻞ دﻳﮕﺮ ﺑﺮاي ﻋﻼﻗﻤﻨﺪي اﺛﺒﺎت ﻗﻀﻴﻪ ﻫﺎ ﺑﺼﻮرت‬
‫اﺗﻮﻣﺎﺗﻴﻚ ‪ ،‬ﺗﻔﻬﻴﻢ ﻣﺴﺎﺋﻞ ﺑﻪ راﻳﺎﻧﻪ ﻫﺎﺳﺖ ‪.‬ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﻣﻴﺪاﻧﻴﻢ ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ‪،‬‬
‫ﺗﻮاﻧﺎﻳﻲ ﺣﻞ ﻣﺴﺎﺋﻞ ﺧﻴﻠﻲ ﭘﻴﭽﻴﺪه را ﺑﺪون ﻛﻤﻚ ﺑﺸﺮ و ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ ﻧﺪارﻧﺪ ‪ .‬اﻣﺎ‬
‫ﺑﺼﻮرت ﻛﺎرﺑﺮدي در اﺛﺒﺎت ﺑﺴﻴﺎري از ﻗﻀﺎﻳﺎي اﻣﺮوزي ‪ ،‬ﺑﻪ ﻋﻨﻮان دﺳﺘﻴﺎران ﻫﻮﺷﻤﻨﺪ‬
‫اﻧﺴﺎن ﻋﻤﻞ ﻛﺮده و وﻇﺎﻳﻒ ﺳﺨﺖ و دﻗﻴﻖ ﻣﺎﻧﻨﺪ ﺗﺠﺰﻳﻪ ﻣﺴﺎﺋﻞ ﺑﺰرگ ﺑﻪ ﻣﺴﺎﺋﻞ ﻛﻮﭼﻜﺘﺮ‬
‫و اﺳﺘﻨﺘﺎج اﻛﺘﺸﺎﻓﻲ ﺑﺮاي ﺟﺴﺘﺠﻮ در ﻓﻀﺎي اﺳﺘﺪﻻل ﻣﻨﻄﻘﻲ را اﻧﺠﺎم دﻫﻨﺪ ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫اﺛﺒﺎت ﻗﻀﻴﻪ ﺳﺎده ﺗﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد ‪.‬اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ ﻫﻨﻮز ﺑﻪ دﻧﺒﺎل اﻧﺠﺎم اﺛﺒﺎت اﺻﻞ‬
‫ﻣﻮﺿﻮع ‪ ،‬ﺑﺎزﺑﻴﻨﻲ ﺗﺨﻤﻴﻦ ﻫﺎي ﻛﻮﭼﻜﺘﺮ ‪ ،‬و ﻛﺎﻣﻞ ﻛﺮدن ﺧﺼﻮﺻﻴﺎت رﺳﻤﻲ ﻳﻚ اﺛﺒﺎت‬
‫ﻃﺮح رﻳﺰي ﺷﺪه ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺎ ﻫﻤﻜﺎري و ﻣﺸﺎرﻛﺖ ﺑﺎ اﻧﺴﺎن ﺻﻮرت ﻣﻴﭙﺬﻳﺮد وﺑﻪ ﻫﻤﻴﻦ‬
‫دﻟﻴﻞ ﺣﻞ ﻗﻀﺎﻳﺎ ﻳﻚ زﻳﺮ ﺑﺨﺶ ﻣﻬﻢ از ‪ AI‬اﺳﺖ ‪.‬‬
‫‪ 5-3-1‬رﺑﺎﺗﻴﻚ‬
‫اﻧﺴﺎﻧﻬﺎ ﻗﺎدرﻧﺪ در ﻣﺤﻴﻂ ﺷﺎن ﺟﺎﺑﺠﺎي ﻳﺎ ﺗﻐﻴﻴﺮ ﺻﻮرت دﻫﻨﺪ ﻣﺜﻼ ﺟﻌﺒﻪ اﺳﺒﺎب ﺑﺎزي را‬
‫ﺟﺎﺑﺠﺎ ﻛﻨﻨﺪ ﻳﺎ وﺿﻌﻴﺖ ﺧﺎﻣﻮش و روﺷﻦ ﺑﻮدن ﻛﻠﻴﺪ را ﺗﻐﻴﻴﺮ دﻫﻨﺪ‪ .‬اﮔﺮﭼﻪ ﺑﻪ ﻃﻮر‬
‫ﻧﺎﺧﻮدآﮔﺎه اﻳﻦ اﻋﻤﺎل ﺑﻪ وﺳﻴﻠﻪ اﻧﺴﺎن اﻧﺠﺎم ﻣﻲ ﺷﻮد ‪ ،‬اﻣﺎ اﻧﺠﺎم آن ﺑﺎ ﭘﻴﭽﻴﺪﮔﻲ ﻫﺎ ي‬
‫ﻓﺮاواﻧﻲ ﻫﻤﺮاه اﺳﺖ ‪ .‬وﻗﺘﻲ ﺗﻼش ﻣﻲ ﻛﻨﻴﻢ ﺑﺮﻧﺎﻣﻪ اي ﻛﻪ رﻓﺘﺎر ﻣﺸﺎﺑﻪ را در ﻣﺎﺷﻴﻦ ﻫﺎي‬
‫ﻫﻮﺷﻤﻨﺪ ﺑﻮﺟﻮد آورد را ﺑﻨﻮﻳﺴﻴﻢ ‪ ،‬درﻣﻲ ﻳﺎﺑﻴﻢ ﻛﻪ اﻳﻦ ﻛﺎر ﻧﻴﺎزﻣﻨﺪ ﺗﻮاﻧﺎﻳﻲ ﻫﺎي ﺑﺴﻴﺎري‬
‫اﺳﺖ ﻛﻪ ﻓﻘﻂ در ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﺴﻴﺎر ﻋﻘﻼﻧﻲ ﺗﺮ وﺟﻮد دارد‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺣﺎﻟﺖ ‪,‬ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﮔﺎﻣﻬﺎ در ﻓﺮآﻳﻨﺪ ﻃﺮاﺣﻲ رﺑﺎﺗﻲ اﺳﺖ ﻛﻪ ﻛﺎرﻫﺎﻳﺶ‬
‫را در راﺑﻂ ﺑﺎ ﺟﻬﺎن ﺧﺎرج ﺑﺎ درﺟﻪ اي از ﺣﺴﺎﺳﻴﺖ و اﻧﻌﻄﺎف ﭘﺬﻳﺮي اﻧﺠﺎم ﻣﻴﺪﻫﺪ ﺑﻪ‬
‫ﻃﻮر ﺧﻼﺻﻪ ‪ ،‬در ﺑﺮﻧﺎﻣﻪ رﻳﺰي ‪ ،‬رﺑﺎﺗﻲ را در ﻧﻈﺮ ﻣﻴﮕﻴﺮﻳﻢ ﻛﻪ ﻗﺎﺑﻠﻴﺖ اﻧﺠﺎم اﻋﻤﺎل ﺗﺠﺰﻳﻪ‬
‫ﻧﺎﭘﺬﻳﺮ ﻣﻌﻴﻦ را ﻣﺎﻧﻨﺪ ﺣﺮﻛﺖ ﺑﻪ ﺟﻠﻮ ‪ ,‬ﺣﺮﻛﺖ ﺑﻪ ﭼﭗ و ‪ ...‬دارد ‪ .‬ﻓﺮآﻳﻨﺪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي‬
‫ﺗﻼش ﻣﻴﻜﻨﺪ ﺗﺮﺗﻴﺒﻲ از اﻋﻤﺎﻟﻲ را ﺑﺪﺳﺖ آورد ﻛﻪ وﻇﺎﻳﻒ ﺳﻄﺢ ﺑﺎﻻﺗﺮ ﻧﻈﻴﺮ ﺣﺮﻛﺖ از‬
‫ﻳﻚ ﺳﻮ ﺑﻪ ﺳﻮي دﻳﮕﺮ در ﻳﻚ اﺗﺎق ﭘﺮ از ﻣﺎﻧﻊ را اﻣﻜﺎن ﭘﺬﻳﺮ ﻛﻨﺪ ‪ .‬ﻣﺎﻧﻨﺪ رﺳﻴﺪن ﺑﻪ‬
‫ﺗﺮﺗﻴﺐ ﻣﻨﺎﺳﺐ ﮔﺮﻓﺘﻦ ﻛﻼچ ‪ ,‬ﻗﺮار دادن دﻧﺪه در وﺿﻌﻴﺖ ﺣﺮﻛﺖ ﺑﻪ ﺟﻠﻮ و ﻓﺸﺎر ﮔﺎز و‬
‫و رﻫﺎ ﻛﺮدن ﻛﻼچ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف راه اﻓﺘﺎدن ﺧﻮدرو از ﻧﻘﻄﻪ ﺳﻜﻮن ‪.‬‬
‫ﺑﻪ دﻻﻳﻞ زﻳﺎدي ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻛﺎر ﺳﺨﺘﻲ اﺳﺖ ‪ ،‬ﻧﻪ ﺑﺪﻟﻴﻞ اﻳﻨﻜﻪ ﺣﺎﻟﺘﻬﺎي ﺣﺮﻛﺎت ﭘﻴﻮﺳﺘﻪ‬
‫ي ﻣﻤﻜﻦ زﻳﺎد اﺳﺖ زﻳﺮا ﺣﺘﻲ ﻳﻚ رﺑﺎت ﺑﻲ ﻧﻬﺎﻳﺖ ﺳﺎده ﻫﻢ ﺗﻮاﻧﺎﻳﻲ اﻧﺠﺎم ﺗﻌﺪاد زﻳﺎدي‬
‫از ﺣﺮﻛﺘﻬﺎي ﭘﻴﻮﺳﺘﻪ را ﺑﻪ ﺻﻮرت ﺑﺎﻟﻘﻮه دارد ‪ .‬ﺑﺮاي ﻣﺜﺎل ‪ ،‬رﺑﺎﺗﻲ را ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ‬
‫ﺳﻤﺖ ﺟﻠﻮ ‪ ،‬ﻋﻘﺐ ‪ ،‬راﺳﺖ ﻳﺎ ﭼﭗ ﺣﺮﻛﺖ ﻛﻨﺪ ‪ ،‬ﺗﺼﻮر ﻛﻨﻴﺪ ‪ ،‬و ﭼﮕﻮﻧﮕﻲ راه ﻫﺎي‬
‫ﻣﺨﺘﻠﻔﻲ ﻛﻪ رﺑﺎت اﺣﺘﻤﺎﻻٌ ﻣﻲ ﺗﻮاﻧﺪ اﻃﺮاف اﺗﺎق ﺣﺮﻛﺖ ﻛﻨﺪ ‪،‬ﻫﻤﭽﻨﻴﻦ ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ در‬
‫اﺗﺎق ﻣﻮاﻧﻌﻲ وﺟﻮد دارد ﻛﻪ رﺑﺎت ﻣﺠﺒﻮر اﺳﺖ ﻣﺴﻴﺮي را اﻧﺘﺨﺎب ﻛﻨﺪ ﻛﻪ ﺑﺎ ﻳﻚ روش‬
‫ﻣﻮﺛﺮ و ﻛﺎرآﻣﺪ آن را اﻃﺮاف اﺗﺎق ﺣﺮﻛﺖ دﻫﺪ ‪ .‬ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ اي ﻛﻪ ﺑﺘﻮاﻧﺪ ﺑﻪ ﻃﻮر‬
‫ﻫﻮﺷﻤﻨﺪاﻧﻪ ﺑﻬﺘﺮﻳﻦ ﻣﺴﻴﺮ را ﺑﺪون دﺳﺖ ﭘﺎﭼﻪ ﺷﺪن ﺑﻪ ﺳﺒﺐ زﻳﺎد ﺑﻮدن ﺗﻌﺪاد اﺣﺘﻤﺎﻻت‬
‫و ﺗﺤﺖ ﺷﺮاﻳﻂ ﻣﺤﻴﻂ ﭘﻴﺪا ﻛﻨﺪ ﻛﺎر ﺳﺎده اي ﻧﻴﺴﺖ و ﻣﻲ ﺑﺎﻳﺪ رﺑﺎت ﺑﻪ ﺗﻜﻨﻴﻚ ﻫﺎي‬
‫ﻣﻬﺎرﺗﻲ ﺑﺮاي اراﺋﻪ داﻧﺶ ﻓﺎﺻﻠﻪ ﻫﺎ و ﻛﻨﺘﺮل ﺟﺴﺘﺠﻮي ﺑﻬﺘﺮﻳﻦ راه از ﻛﻞ راه ﻫﺎي‬
‫ﻣﻤﻜﻦ ‪ ،‬ﻣﺠﻬﺰ ﺑﺎﺷﺪ ‪.‬ﺗﺤﻘﻴﻖ در ﻣﻮرد رﺑﺎﺗﻴﻚ ﺑﻪ ﺗﻮﺳﻌﻪ وﮔﺴﺘﺮش ﺑﺴﻴﺎري از ﺗﻜﻨﻴﻚ‬
‫ﻫﺎي ‪ AI‬و ﻣﺪﻟﺴﺎزي از دﻧﻴﺎ ﻣﻨﺠﺮ ﺷﺪه اﺳﺖ‬
‫‪ 6-3-1‬ﻣﺴﺎﺋﻞ زﻣﺎن ﺑﻨﺪي و ﺗﺮﻛﻴﺒﻲ‬
‫ﻣﺜﺎل ﻛﻼﺳﻴﻚ ﻣﺴﺌﻠﻪ ﻣﺴﺎﻓﺮت ﻓﺮوﺷﻨﺪﮔﺎن دوره ﮔﺮد را ﺑﻪ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ‪ ،‬ﺟﺎﺋﻲ ﻛﻪ‬
‫ﺻﻮرت ﻣﺴﺌﻠﻪ ‪ ،‬ﭘﻴﺪا ﻛﺮدن ﻣﺴﻴﺮي ﻛﻪ ﻓﺮوﺷﻨﺪه از ﻫﻤﻪ ﺷﻬﺮﻫﺎ ﻓﻘﻂ ﻳﻜﺒﺎر ﻋﺒﻮر ﻛﺮده و‬
‫ﻛﻤﺘﺮﻳﻦ ﻣﺴﺎﻓﺖ را ﻫﻢ ﻃﻲ ﻛﻨﺪ و ﺑﻪ ﻣﺒﺪا ﺑﺎزﮔﺮدد ﻣﻲ ﺑﺎﺷﺪ ‪ ،‬ﺑﻪ اﺳﺘﻔﺎده از ﺗﺌﻮري ﮔﺮاف‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ ﻳﺎﻓﺘﻦ ﻣﺴﻴﺮ ﺑﺎ ﻛﻤﺘﺮﻳﻦ ﻫﺰﻳﻨﻪ روي ﻟﺒﻪ ﻫﺎي ﮔﺮاﻓﻲ ﺷﺎﻣﻞ ‪ n‬ﮔﺮه‪ 1‬ﻣﻲ ﺑﺎﺷﺪ در‬
‫ﺣﺎﻟﻲ ﻛﻪ ﻫﺮ ﮔﺮه ﺑﻴﺶ از ﻳﻚ ﺑﺎر ﻣﻼﻗﺎت ﻧﺸﻮد‪ .‬در ﭼﻨﻴﻦ ﻣﺴﺎﺋﻠﻲ داﻣﻨﻪ ﺗﺮﻛﻴﺒﺎت ﻳﺎ‬
‫ﺗﺮﺗﻴﺒﺎت اﺣﺘﻤﺎﻟﻲ از ﭼﻴﺰي ﻛﻪ ﻳﻚ دﺳﺘﻪ ﺟﻮاب ﺑﺎ ﺣﺎﻟﺘﻬﺎي ﻣﺘﻌﺪد دارد ‪ ،‬اﻧﺘﺨﺎب ﻣﻲ‬
‫ﺷﻮد ‪.‬ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ ﺗﻮﺳﻂ اﻳﻦ راه ﺣﻞ ﻫﺎ ﺣﺘﻲ ﻣﻨﺎﺑﻊ ﺑﺰرﮔﺘﺮﻳﻦ راﻳﺎﻧﻪ ﻫﺎ ﻧﻴﺰ ﺟﻮاﺑﮕﻮ‬
‫ﻧﻴﺴﺖ ‪ Brute force‬ﺳﻌﻲ ﻛﺮد روﺷﻲ را ﺑﻮﺟﻮد آورد ﻛﻪ ﺑﻪ ﻣﺸﻜﻞ ﻛﻤﺒﻮد ﻣﻨﺎﺑﻊ ﻓﺎﻳﻖ‬
‫آﻳﺪ‪ .‬در ﻧﻈﺮﻳﻪ ﻣﺤﺎﺳﺒﺎت ﺑﻪ ﭼﻨﻴﻦ ﻣﺴﺎﺋﻠﻲ ﻣﺴﺎﺋﻞ " ‪ NP‬ﻛﺎﻣﻞ" ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ‪.‬‬
‫ﻣﺤﻘﻘﻴﻦ ‪ AI‬روي روﺷﻬﺎﻳﻲ ﺑﺮاي ﺣﻞ ﮔﻮﻧﻪ ﻫﺎي ﻣﺨﺘﻠﻒ از ﻣﺴﺎﺋﻞ ﺗﺮﻛﻴﺒﻲ ‪ ،‬ﻛﺎر ﻛﺮده‬
‫اﻧﺪ ‪ .‬ﻛﻠﻴﺪ ﺣﻞ ﭼﻨﻴﻦ ﻣﺴﺎﺋﻠﻲ ‪ ،‬اﻃﻼع درﺑﺎرة داﻣﻨﺔ ﻣﺴﺌﻠﻪ ﻣﻲ ﺑﺎﺷﺪ ‪ .‬روﺷﻬﺎي ﺗﻮﺳﻌﻪ داده‬
‫ﺷﺪه اي ﻛﻪ ﻛﺎراﻳﻲ آﻧﻬﺎ ﺟﻬﺖ ﺣﻞ ﻣﺴﺎﺋﻞ ﺗﺮﻛﻴﺒﻲ اي اﺛﺒﺎت ﺷﺪه اﻧﺪ ‪ ،‬ﺑﻪ ﺣﻞ ﻣﺴﺎﺋﻞ در‬
‫ﺣﻮزه ﻫﺎﻳﻲ ﻛﻪ ﺣﺎﻟﺖ ﺗﺮﻛﻴﺒﻲ ﻛﻤﺘﺮي دارﻧﺪ ﻧﻴﺰ ﻛﻤﻚ ﻣﻮﺛﺮي ﻧﻤﻮده اﺳﺖ‪.‬‬
‫‪ 7-3-1‬ﻣﺴﺎﺋﻞ ادراﻛﻲ‬
‫ﺗﻼﺷﻬﺎي زﻳﺎدي ﺑﺮاي ﺳﺎﺧﺘﻦ راﻳﺎﻧﻪ ﻫﺎﻳﻲ ﻛﻪ ﺑﺒﻴﻨﻨﺪ و ﺑﺸﻨﻮﻧﺪ ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ ‪ .‬ﻫﺮ‬
‫ﺟﻨﺪ ﻛﻪ ﺑﺎ ﺑﺎﻻ رﻓﺘﻦ ﺳﺮﻋﺖ ﭘﺮدازش راﻳﺎﻧﻪ ﻫﺎ و ارزان ﺷﺪن ﺣﺎﻓﻄﻪ و ﺗﻮﺳﻌﻪ اﻟﮕﻮرﻳﺘﻤﻬﺎ‬
‫ﺟﺪﻳﺪ روز ﺑﻪ روز ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﻮﻓﻖ ﺗﺮي ﭘﻴﺎده ﺳﺎزي ﻣﻴﺸﻮد اﻣﺎ ﺗﻮﻓﻴﻖ در اﻳﻦ زﻣﻴﻨﻪ‬
‫ﻣﺴﺘﻠﺰم درك و ﭘﺮدازش داده ﻫﺎي ورودي ﭘﻴﭽﻴﺪه و داﺷﺘﻦ داﻧﺶ وﺳﻴﻌﻲ در ﺧﺼﻮص‬
‫اﺷﻴﺎء ﺗﻤﻴﺰ داده ﺷﺪه اﺳﺖ‬
‫ﭘﺮدازش ادراﻛﻲ ﺑﻪ ﻋﻨﻮان ﻣﺠﻤﻮﻋﻪ اي از ﻋﻤﻠﻴﺎت ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ ‪ .‬ﻳﻚ‬
‫ﻣﻨﻈﺮه ﺑﺼﺮي ﺑﻪ وﺳﻴﻠﻪ ﮔﻴﺮﻧﺪه ﻫﺎي ﺣﺴﻲ درك ‪.‬و ﺗﻮﺳﻂ ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻛﻪ دراﻳﻪ ﻫﺎي آن‬
‫اﻋﺪاد وزن دﻫﻲ ﺷﺪه ي ﺑﺪﺳﺖ آﻣﺪه از ﮔﻴﺮﻧﺪه ﻫﺎي ﺣﺴﻲ اﺳﺖ ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮد‬
‫)ﺗﺼﺎوﻳﺮ ﺑﻴﺖ ﻣﭗ (‪ .‬ﺣﺎل ﺑﺮاي ﭘﺮدازش ﺑﺎﻳﺪ ﺗﺼﻮﻳﺮ ﺑﻪ اﺟﺰاﻳﻲ ﻛﻪ ﺳﻮژه ﻫﺎي ﻣﺨﺘﻠﻒ‬
‫در آن ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ ﺑﺎﺷﺪ ﺗﻔﻜﻴﻚ ﺷﻮد ‪.‬ﺳﮕﻤﻨﺖ ﻫﺎي ﺧﻄﻲ ‪ ،‬ﻣﻨﺤﻨﻲ ﻫﺎي ﺳﺎده ‪ ،‬زواﻳﺎ‬
‫در ﺷﻜﻞ ﺟﺴﺘﺠﻮ و ﭘﺮدازش ﺷﻮﻧﺪ در اﻳﻦ ﺣﺎﻟﺖ ﺑﻪ ﺟﺎي ﭘﺮداﺧﺘﻦ ﺑﻪ ﺟﺰﺋﻴﺎت ﻳﻚ‬
‫ﺗﺼﻮﻳﺮ ﻃﺮح ﻛﻠﻲ اﺟﺰاء ﺗﺸﻜﻴﻞ دﻫﻨﺪ ﻣﺸﺨﺺ ﻣﻴﮕﺮدد ‪..‬اﻳﻦ ﻫﻤﺎن ﻓﻌﺎﻟﻴﺘﻲ اﺳﺖ ﻛﻪ‬
‫ﭼﺸﻢ اﻧﺴﺎن ﺑﺎ ﻛﻤﻚ ﻣﻐﺰ اﻧﺠﺎم ﻣﻴﺪﻫﺪ ‪ .‬در ﭼﺸﻢ اﻧﺴﺎن ﻧﻴﺰ ﺳﻠﻮﻟﻬﺎي اﺳﺘﻮاﻧﻪ اي ﻣﺴﺌﻮل‬
‫ﺗﺸﺨﻴﺺ اﺟﺰاء ﺗﺼﻮﻳﺮ ﺑﻮده و ﺳﻠﻮﻟﻬﺎي ﻣﺨﺮوﻃﻲ ﻣﺴﺌﻮل ﺗﺸﺨﻴﺺ رﻧﮓ ﻫﺴﺘﻨﺪ اﻣﺎ‬
‫ﺑﺴﻴﺎري از ﺳﻠﻮﻟﻬﺎي اﺳﺘﻮاﻧﻪ اي ﺑﺎ ﻛﻤﻚ ﻣﻐﺰ ﺑﻪ ﺟﺎي درك ﺟﺰﺋﻴﺎت ﺗﺼﻮﻳﺮ ‪ ,‬ﺗﺼﺎوﻳﺮ ﻟﺒﻪ‬

‫‪1‬‬
‫‪Node‬‬
‫دارد و ﺑﺨﺶ ﻫﺎي ﻣﺘﺤﺮك ﺗﺼﻮﻳﺮ را ﺗﺸﺨﻴﺺ ﻣﻲ دﻫﻨﺪ و اﻳﻦ ﻛﺎر را ﺑﺎ ﻗﺎب ﺑﻨﺪي‬
‫ﺗﺼﺎوﻳﺮ ﺣﻚ ﺷﺪه در ﺷﺒﻜﻴﻪ اﻧﺠﺎم ﻣﻴﺪﻫﻨﺪ‪ .‬در ﻧﻬﺎﻳﺖ ﻳﻚ ﻣﺪل ﻛﻠﻲ ﻣﺜﻼ ﻳﻚ ﺗﭙﻪ ﺑﺎ ﻳﻚ‬
‫درﺧﺖ روي آن درك ﻣﻴﺸﻮد ‪.‬‬
‫ﺑﺮاي اﻳﻨﻜﻪ ﺑﺘﻮاﻧﻴﻢ ﺑﻪ درك ﻛﻠﻲ ﺑﺮﺳﻴﻢ ﺑﺎﻳﺪ ﻳﻚ ﻧﺴﺨﻪ ﺧﻼﺻﻪ ﺷﺪة ورودي از ﻣﻘﺎدﻳﺮ‬
‫وﺳﻴﻊ داده ورودي ﺧﺎم ﺑﺪﺳﺖ آورﻳﻢ ﻛﻪ ﻗﺎﺑﻞ ﻣﺪﻳﺮﻳﺖ ﻛﺮدن ﻧﻴﺰ ﻧﻴﺴﺘﻨﺪ‪ .‬اﺷﻜﺎل اﺻﻠﻲ‬
‫در ﻣﺴﺎﺋﻞ ادراﻛﻲ ‪ ،‬ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎد ﺗﻮﺻﻴﻒ ﻫﺎي ﻛﺎﻧﺪﻳﺪ از ﻳﻚ ﻣﻨﻈﺮه اﺳﺖ‪ .‬ﻳﻚ راه‬
‫ﺣﻞ ﺑﺮاي اﻳﻦ ﻣﻮرد ‪ ،‬اﺳﺘﺮاﺗﮋي ﺳﺎﺧﺘﻦ ﻓﺮﺿﻴﻪ از ﻫﺮ ﺗﻮﺻﻴﻒ و ﺳﭙﺲ ﺗﺴﺖ ﻛﺮدن آﻧﻬﺎ‬
‫ﺑﻪ ﻣﻨﻈﻮر رﺳﻴﺪن ﺑﻪ ﻫﺪف اﺳﺖ‪ .‬ﺑﺮاي ﺗﺸﻜﻴﻞ اﻳﻦ ﻓﺮﺿﻴﻪ ‪ ،‬داﻧﺶ زﻳﺎدي در ﺑﺎرة ﻣﻨﺎﻇﺮ‬
‫ﻣﻮرد اﻧﺘﻈﺎر ﻧﻴﺎز اﺳﺖ ‪ .‬ﻛﻪ ﻛﺎر را ﺑﺴﻴﺎر دﺷﻮار ﻣﻴﻜﻨﺪ ‪.‬‬
‫‪ 8-3-1‬ﻣﻌﻤﺎرﻳﻬﺎي واﺑﺴﺘﻪ ﺑﻪ ﺳﻠﺴﻠﻪ اﻋﺼﺎب ‪.‬‬
‫ﺷﻨﺎﺧﺖ و ﭘﻴﺎده ﺳﺎزي ﻣﻌﻤﺎري ﻫﺎي ﻋﺼﺒﻲ ﺑﻪ ﻋﻨﻮان ﻣﻜﺎﻧﻴﺰﻣﻬﺎﻳﻲ ﺑﺮاي ﭘﻴﺎده ﺳﺎزي‬
‫ﻫﻮش ﺑﺮاي ﺑﻌﻀﻲ از اﻫﺪاف ﺟﺬاب اﺳﺖ ‪ .‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﺳﻨﺘﻲ ‪ AI‬ﺑﻲ دوام و ﺧﻴﻠﻲ‬
‫ﺣﺴﺎس ﺑﻪ ﭘﺎرازﻳﺖ و داده ﻫﺎي ﻏﻴﺮ ﻣﺘﻌﺎرف ﻫﺴﺘﻨﺪ ‪ ،‬ﭼﻨﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ ﺗﻤﺎﻳﻞ دارﻧﺪ ﻳﺎ‬
‫درﺳﺖ ﺑﺎﺷﻨﺪ ﻳﺎ اﻳﻨﻜﻪ ﻛﻼ‪ ‬رد ﺷﻮﻧﺪ ‪.‬‬
‫ﻫﻮش اﻧﺴﺎن اﻧﻌﻄﺎف ﭘﺬﻳﺮﺗﺮ اﺳﺖ‪ .‬ﻣﺎ در ﺗﻔﺴﻴﺮ ورودي ﻫﺎي ﻣﺒﻬﻢ ﻣﺜﻞ ﺗﺸﺨﻴﺺ ﻳﻚ‬
‫ﭼﻬﺮه در ﻳﻚ اﺗﺎق ﺗﺎرﻳﻚ از ﻳﻚ زاوﻳﻪ ﻋﺠﻴﺐ ﻳﺎ ﺗﻔﻜﻴﻚ ورودﻳﻬﺎي ﭘﺮ ﻧﻮﻳﺰ ﻣﺎﻧﻨﺪ دﻧﺒﺎل‬
‫ﻛﺮدن ﻳﻚ ﻣﻜﺎﻟﻤﻪ درﻳﻚ ﻣﻬﻤﺎﻧﻲ ﺷﻠﻮغ ﻣﺎﻫﺮ ﻫﺴﺘﻴﻢ ‪ .‬اﻧﺴﺎﻧﻬﺎ اﻏﻠﺐ ﺟﺎﻳﻲ ﻛﻪ ﻗﺎدر ﺑﻪ ﺣﻞ‬
‫ﻣﺴﺌﻠﻪ اي ﻧﻴﺴﺘﻨﺪ ‪ ،‬ﺑﺮاي رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ﻳﻚ ﺣﺪس ﻣﻌﻘﻮل ﺑﻪ راه ﺣﻞ ﻣﻴﺮﺳﻨﺪ‪.‬‬
‫ﭼﻮن ﻣﻌﻤﺎري ﻫﺎي ﻋﺼﺒﻲ ‪ ،‬داﻧﺶ را در واﺣﺪ ﻫﺎي ﺑﺎ ﻗﻄﻌﺎت ﻛﻮﭼﻚ ذﺧﻴﺮه ﻣﻲ ﻛﻨﻨﺪ‬
‫ﺑﻪ ﻧﻈﺮ ﭘﺘﺎﻧﺴﻴﻞ ﺑﻴﺸﺘﺮي ﺑﺮاي ﺗﻄﺒﻴﻖ ﺟﺰﺋﻲ داده ي ﭘﺮ ﻧﻮﻳﺰ و ﻧﺎﻛﺎﻣﻞ را دارﻧﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ‬
‫ﻣﻌﻤﺎري ﻫﺎي ﻋﺼﺒﻲ ﻣﺤﻜﻢ و ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﻫﺴﺘﻨﺪ زﻳﺮا داﻧﺶ ﺗﺎ ﺣﺪي ﺑﻪ ﻃﻮر ﻳﻜﻨﻮاﺧﺖ‬
‫درﺷﺒﻜﻪ ﺗﻮزﻳﻊ ﺷﺪه اﺳﺖ ‪ .‬ﺑﻪ ﻋﻼوه ‪ ،‬ﻣﻌﻤﺎري ﻋﺼﺒﻲ ﻳﻚ ﻣﺪل ﻃﺒﻴﻌﻲ ﺑﺮاي ﻣﺸﺎﺑﻬﺖ‬
‫ﺗﻔﻜﺮ اﻧﺴﺎن و راﻳﺎﻧﻪ را ﺗﺄﻣﻴﻦ ﻣﻲ ﻛﻨﺪ ‪ ،‬ﭼﻮن ﻫﺮ رﺷﺘﻪ ﻋﺼﺒﻲ ﻳﻚ واﺣﺪ ﻣﺴﺘﻘﻞ اﺳﺖ ‪.‬‬
‫‪ Hillis‬ﺛﺎﺑﺖ ﻣﻴﻜﻨﺪ ﻣﻐﺰ ﺑﺸﺮ وﻗﺘﻲ داﻧﺶ ﺑﻴﺸﺘﺮي در ﺧﻮد ذﺧﻴﺮه ﻛﺮده ﺳﺮﻳﻌﺘﺮ ﻋﻤﻞ‬
‫ﻣﻴﻜﻨﺪ اﻣﺎ راﻳﺎﻧﻪ ﻫﺎ ﺑﺮ ﻋﻜﺲ ﻫﺴﺘﻨﺪ ﻳﻌﻨﻲ ﺑﺎ اﻓﺰاﻳﺶ داﻧﺶ و ﺑﺰرگ ﺷﺪن اﻧﺪازه ﭘﺎﻳﮕﺎه‬
‫اﻃﻼﻋﺎت ﻳﺎ ﭘﺎﻳﮕﺎه داﻧﺶ ﺳﺮﻋﺖ رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ﺑﻪ ﺷﻜﻞ ﻣﺤﺴﻮﺳﻲ ﻛﻢ ﻣﻴﺸﻮد اﻳﻦ‬
‫ﻛﻢ ﺷﺪن ﺳﺮﻋﺖ ﺑﻪ ﻣﻨﻈﻮر ﺗﺎﻣﻴﻦ ﻫﺰﻳﻨﻪ زﻣﺎﻧﻲ ﺟﺴﺘﺠﻮي ﺗﺮﺗﻴﺒﻲ ﻳﻚ ﭘﺎﻳﮕﺎه داﻧﺶ اﺳﺖ ‪.‬‬
 ‫ﻳﻚ ﻣﻌﻤﺎري ﻛﺎﻣﻼ ﺷﺒﻴﻪ ﻣﻐﺰ اﻧﺴﺎن از اﻳﻦ ﻣﺸﻜﻞ رﻧﺞ ﻧﻤﻲ ﺑﺮد ‪.‬‬
‫ﺑﺎزي ﻛﺮدن‬ ‫‪9-3-1‬‬
‫ﺑﻴﺸﺘﺮ ﺗﺤﻘﻴﻖ اوﻟﻴﻪ در وﺿﻌﻴﺖ ﻓﻀﺎي ﺟﺴﺘﺠﻮ ﺑﺎ اﺳﺘﻔﺎده از ﺑﺎزﻳﻬﺎي ﺗﺨﺘﻪ اي ﻧﻈﻴﺮ ﺗﺨﺘﻪ‬
‫ﻧﺮد ‪ ،‬ﺷﻄﺮﻧﺞ و ﻣﻌﻤﺎي ‪ 15‬ﺗﻜﻪ اﻧﺠﺎم ﺷﺪه اﺳﺖ ‪ .‬ﺑﺎزﻳﻬﺎي ﺗﺨﺘﻪ اي ﻋﻼوه ﺑﺮ ﻇﺎﻫﺮ‬
‫ﻋﻘﻼﻧﻲ ﺧﻮد ‪ ،‬ﺧﺎﺻﻴﺖ ﻫﺎي ﻣﻌﻴﻨﻲ دارﻧﺪ ﻛﻪ آﻧﻬﺎ را ﻣﻮﺿﻮﻋﺎت اﻳﺪه آل ﺑﺮاي ﻛﺎر اوﻟﻴﻪ‬
‫ﺳﺎﺧﺘﻪ اﺳﺖ ‪.‬‬
‫اﻏﻠﺐ ﺑﺎزي ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺠﻤﻮﻋﻪ ﻗﻮاﻧﻴﻦ ﺧﻮش‪ -‬ﺗﻌﺮﻳﻒ اﻧﺠﺎم ﻣﻲ ﺷﻮﻧﺪ ‪ :‬اﻳﻦ‬
‫ﻗﻮاﻧﻴﻦ ﺗﻮﻟﻴﺪ ﻓﻀﺎي ﺟﺴﺘﺠﻮ را آﺳﺎن ﻣﻲ ﻛﻨﺪ و ﻣﺤﻘﻘﺎن را از اﺑﻬﺎﻣﺎت زﻳﺎد و ﭘﻴﭽﻴﺪﮔﻲ‬
‫ﻫﺎي ذاﺗﻲ در ﻣﺴﺎﺋﻞ ﻛﻤﺘﺮ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ رﻫﺎ ﻣﻲ ﺳﺎزد ‪ .‬ﺷﻜﻞ ﻫﺎي ﺗﺨﺘﻪ اﺳﺘﻔﺎده ﺷﺪه در‬
‫اﻳﻦ ﺑﺎزﻳﻬﺎ ﺑﻪ آﺳﺎﻧﻲ روي ﻳﻚ راﻳﺎﻧﻪ ﺑﺪون ﻧﻴﺎز ﺑﻪ رﻋﺎﻳﺖ ﻇﺎﻫﺮ ﭘﻴﭽﻴﺪه ﻻزم ﻗﺎﺑﻞ اراﻳﻪ‬
‫اﺳﺖ و ﻧﻴﺎزي ﻧﻴﺴﺖ ﻣﺎﻧﻨﺪ درك ﺗﺼﻮﻳﺮ اﻗﺪاﻣﺎت ﻫﻮﺷﻤﻨﺪ دﻳﮕﺮي ﺑﺮاي درك ﺣﺎﻟﺘﻬﺎي‬
‫آن ﺻﻮرت ﮔﻴﺮد ‪ .‬در ﺑﺎزي ﻫﺎ ﻓﻀﺎﻫﺎي ﺟﺴﺘﺠﻮي ﺧﻴﻠﻲ ﺑﺰرﮔﺘﺮي ﺗﻮﻟﻴﺪ ﻣﻴﮕﺮدد اﻳﻦ‬
‫ﺑﺎزي ﻫﺎ ﺑﻪ ﻗﺪري ﺑﺰرگ و ﭘﻴﭽﻴﺪه ﻫﺴﺘﻨﺪ ﻛﻪ ﻧﻴﺎزﻣﻨﺪ ﺗﻜﻨﻴﻚ ﻫﺎي ﻗﺪرﺗﻤﻨﺪ ﺑﺮاي ﻳﺎﻓﺘﻦ‬
‫راﻫﻲ ﺑﻪ ﻣﻨﻈﻮر ﻛﺎوش در ﻓﻀﺎي ﻣﺴﺄﻟﻪ ﻣﻲ ﺑﺎﺷﻨﺪ‪ .‬اﻳﻦ ﺗﻜﻨﻴﻚ ﻫﺎ ﻣﻜﺎﺷﻔﻪ اي ﻧﺎﻣﻴﺪه ﻣﻲ‬
‫ﺷﻮﻧﺪ و ﻣﺤﺪوده ي وﺳﻴﻌﻲ از ﺗﺤﻘﻴﻘﺎت ‪ AI‬را ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﻨﺪ‪ .‬ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ‬
‫ﭼﻴﺰي ﻛﻪ ﻣﺎ آﻧﺮا ﻫﻮش ﻣﻲ ﻧﺎﻣﻴﻢ ‪ ،‬در ﻣﻜﺎﺷﻔﻪ ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ ﺗﻮﺳﻂ اﻧﺴﺎﻧﻬﺎ ﺑﺮاي‬
‫ﺣﻞ ﻣﺴﺎﺋﻞ ‪ ،‬ﻧﻬﻔﺘﻪ ﺷﺪه ﺑﺎﺷﺪ‪.‬‬
‫‪ 4-1‬اﻫﺪاف ‪AI‬‬
‫اﻫﺪاف اﺻﻠﻲ ﺗﺤﻘﻴﻖ ‪ AI‬ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫● ﻓﻬﻤﻴﺪن ادراك اﻧﺴﺎن ‪ .‬ﻣﺜﻼً ﭼﮕﻮﻧﻪ اﻧﺴﺎن ﻫﺎ ﻣﺴﺎﺋﻞ را ﺣﻞ ﻣﻲ ﻛﻨﻨﺪ؟ ﺳﻌﻲ ﺑﺮاي‬
‫ﺑﺪﺳﺖ آوردن داﻧﺶ ﻋﻤﻴﻖ ﺣﺎﻓﻈﻪ اﻧﺴﺎن ‪ ،‬ﺗﻮاﻧﺎﻳﻲ ﻫﺎي ﺣﻞ ﻣﺴﺄﻟﻪ ‪ ،‬آﻣﻮزش و ﺗﺼﻤﻴﻢ‬
‫ﮔﻴﺮي و‪....‬‬
‫● ﺧﻮدﻛﺎر ﺳﺎزي ﻓﻌﺎﻟﻴﺘﻬﺎي اﻗﺘﺼﺎدي ‪ ،‬اﻧﺴﺎﻧﻬﺎ را در وﻇﺎﻳﻒ ﻫﻮﺷﻤﻨﺪ ﺑﺎ ﻣﺎﺷﻴﻦ و راﻳﺎﻧﻪ‬
‫ﺟﺎﻳﮕﺰﻳﻦ ﻣﻲ ﻛﻨﺪ‪ .‬آﻳﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﺧﻮﺑﻲ ﺑﺸﺮ ﻛﺎري را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ ‪ ،‬وﺟﻮد‬
‫دارﻧﺪ ؟‬
‫● ﺗــﻮﺳﻌﻪ ﻫﻮﺷﻤﻨــﺪ ﻓﻌﺎﻟﻴﺘﻬﺎي اﻗﺘﺼﺎدي ﻋﺎﻣﻞ ﺗﻮﻟﻴﺪ ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺟﺪﻳﺪي‬
‫اﺳﺖ ﺗﺎ ﺑﻪ اﻧﺴﺎﻧﻬﺎ ﻛﻤﻚ ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ ﺑﻬﺘﺮ ‪ ،‬ﺳﺮﻳﻌﺘﺮ و ﻋﻤﻴﻖ ﺗﺮ ﻓﻜﺮ ﻛﻨﻨﺪ ﺑﺮاي ﻣﺜﺎل‬
 ‫ﺳﻴﺴﺘﻤﻲ ﻛﻪ ﺑﻪ ﻳﻚ راﻳﺎﻧﻪ ﻫﻤﻪ ﻣﻨﻈﻮره ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﺗﺎ ﺑﻴﻤﺎرﻳﻬﺎ را ﺗﺸﺨﻴﺺ دﻫﺪ‪.‬‬
‫● ﻫﻮش ﻓﻮق ﺑﺸﺮي ‪ :‬آﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎ و راﻳﺎﻧﻪ ﻫﺎﻳﻲ ﺳﺎﺧﻨﻪ ﺧﻮاﻫﺪ ﺷﺪ ﻛﻪ از ﻫﻮش اﻧﺴﺎن‬
‫ﺑﺮﺗﺮ ﺑﺎﺷﻨﺪ‪ .‬؟‬
‫●ﺣــﻞ ﻣﺴﺄﻟﻪ ﻋﻤﻮﻣﻲ‪ ،‬ﺗﻮﻟﻴﺪ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﺑﻪ وﺳﻌﺖ ذﻫﻦ ﺣﻮزه وﺳﻴﻌــﻲ از ﻣﺴﺎﺋﻞ را‬
‫ﺣﻞ ﻣـﻲ ﻛﻨﺪ‪.‬‬
‫● ﻣﺒﺎﺣﺜﻪ داراي ﻧﺘﻴﺠﻪ ﻣﻨﻄﻘﻲ ﺑﺎ اﻧﺴﺎﻧﻬﺎ ﻛﻪ در آن ﻣﺎﺷﻴﻦ ﺑﺎ اﻧﺴﺎن ﺑﺎ زﺑﺎن ﻃﺒﻴﻌﻲ و در‬
‫ﻳﻚ ﻣﻜﺎﻟﻤﻪ ﻫﻮﺷﻤﻨﺪ ارﺗﺒﺎط ﺑﺮﻗﺮار ﻣﻲ ﻛﻨﺪ‪.‬‬
‫● ﺧﻮد ﻣﺨﺘﺎري ‪ ،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮﺷﻤﻨﺪي ﻛﻪ از ﺧﻮد اﺑﺘﻜﺎر ﺑﻪ ﺧﺮج داده و ﺑﻪ دﻧﻴﺎي‬
‫واﻗﻌﻲ ﻋﻜﺲ اﻟﻌﻤﻞ ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪.‬‬
‫● آﻣﻮزش و اﺳﺘﻘﺮاء ‪ :‬ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪ ﻋﻼوه ﺑﺮ ﮔﺮد آوري داده ﻫﺎﻳﻲ ﻛﻪ ﺧﻮد آن را ﺟﻤﻊ‬
‫آوري ﻛﺮده ‪ ،‬ﻗﺎدر ﺑﺎﺷﺪ ﺑﻪ آﻧﻬﺎ ﻋﻤﻮﻣﻴﺖ دﻫﺪ ‪ ،‬ﻓﺮﺿﻬﺎي ﺟﺪﻳﺪ ﻣﻄﺮح ﻛﻨﺪ ‪،‬ﺑﺎ ﻣﻮارد‬
‫ﻣﺸﺎﺑﻪ ﻧﻄﺒﻴﻖ دﻫﺪ ‪ ،‬ﺑﺮﻫﺎن ﻛﻨﺪ‪.‬‬
‫● ذﺧﻴﺮه اﻃﻼﻋﺎت ﺟﺪﻳﺪ و داﻧﺴﺘﻦ ﭼﮕﻮﻧﮕﻲ ﺑﺎزﻳﺎﺑﻲ آن ‪.‬‬
‫‪ 5-1‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫رﻫﻴﺎﻓﺖ ﻣﻬﻨﺪﺳﻲ ﻧﺮم اﻓﺰار ﻣﺮﺳﻮم ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﻪ ﻃﻲ ﻣﺮاﺣﻠﻲ ﺷﺎﻣﻞ ﺷﻨﺎﺧﺖ وﺿﻊ‬
‫ﻣﻮﺟﻮد ‪ ،‬ﻧﻴﺎزﺳﻨﺠﻲ ‪ ،‬ﺗﻄﺒﻴﻖ ﺧﻮاﺳﺘﻪ ﻫﺎي ﺟﺪﻳﺪ ﺑﺎ وﺿﻊ ﻣﻮﺟﻮد ‪ ،‬ﺷﻜﺴﺘﻦ ﻣﺴﺄﻟﻪ ﺑﻪ‬
‫ﻗﺴﻤﺖ ﻫﺎي ﻛﻮﭼﻜﺘﺮ و در ﻣﺮﺣﻠﻪ آﺧﺮ ﺑﻪ ﻛﺪ ﻛﺮدن ﺗﺎٌﻛﻴﺪ دارد ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ راﺣﺘﻲ ﺑﺎ ﻣﺪل ﻫﺎي ﻣﻬﻨﺪﺳﻲ ﻧﺮم اﻓﺰار ﻣﺮﺳﻮم‬
‫ﻗﺎﺑﻞ ﺗﻄﺒﻴﻖ ﻧﻴﺴﺖ ‪ .‬ﻣﺴﺎﺋﻞ ‪ AI‬را ﺑﻪ دﻟﻴﻞ ﻃﺒﻴﻌﺘﺸﺎن ﻧﻤﻲ ﺗﻮان ﺑﻪ ﻃﻮر دﻗﻴﻖ و رﺳﻤﻲ‬
‫ﻣﺸﺨﺺ ﻛﺮد ‪ .‬ارزﻳﺎﺑﻲ ﻋﻤﻠﻜﺮد ﻳﻚ ﺳﻴﺴﺘﻢ ‪ AI‬ﺑﺎ ﺗﻄﺒﻴﻖ ﻛﺎراﻳﻲ آن ﺑﺎ وﻳﮋﮔﻴﻬﺎي رﺳﻤﻲ‬
‫ﺻﻮرت ﻧﻤﻴﮕﻴﺮد ‪ ،‬ﺑﻠﻜﻪ ﺑﺎ ﺳﻨﺠﺶ ﻧﺰدﻳﻜﻲ ﻛﺎراﻳﻲ آن ﺑﻪ ﻛﺎراﻳﻲ اﻧﺴﺎن اﻧﺪازه ﮔﺮﻓﺘﻪ ﻣﻲ‬
‫ﺷﻮد‪ .‬در ﻧﺘﻴﺠﻪ ﻣﺮﺣﻠﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ ،‬ﺑﻪ ﻋﻨﻮان رﻓﺘﺎري » اﻛﺘﺸﺎﻓﻲ « ﻳﺎ » ﺷﻜﻞ اوﻟﻴﻪ «‬
‫ﺗﻠﻘﻲ ﻣﻲ ﺷﻮد‪ .‬ﻳﻌﻨﻲ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﻪ روﺷﻲ ﻛﻤﺘﺮ رﺳﻤﻲ ‪ ،‬ﻧﺴﺒﺖ ﺑﻪ ﻣﻬﻨﺪﺳﻲ ﻧﺮم اﻓﺰار‬
‫ﻣﺮﺳﻮم ﺗﻮﺳﻌﻪ داده ﻣﻲ ﺷﻮﻧﺪ ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﺗﻮﻟﻴﺪ ﺷﺪه ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ‬
‫ﻋﻨﻮان اﻟﮕﻮﻫﺎي ﺗﺠﺮﺑﻲ ﻧﺴﺒﺖ ﺑﻪ ﻣﺤﺼﻮﻻت ﻧﻴﻤﻪ ﻛﺎﻣﻞ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﻴﺮﻧﺪ ‪ .‬ﻳﻚ‬
‫ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺎ ﻣﺤﺪوده اي از ﻣﺜﺎل ﻫﺎي اﻧﺴﺎﻧﻲ آزﻣﻮن ﺷﻮد و در ﺻﻮرت‬
‫ﻟﺰوم ﻃﻮري اﺻﻼح ﺷﻮد ﻛﻪ ﻣﺜﻞ ﻳﻚ اﻧﺴﺎن روي آن ﻣﺴﺎﺋﻞ ﻋﻤﻞ ﻛﻨﺪ‪ .‬ﻣﻤﻜﻦ اﺳﺖ‬
‫ﻣﻮﻓﻖ ﺷﻮﻳﻢ ﺑﺎ ﺑﻌﻀﻲ از اﺻﻼﺣﺎت ﻛﺎراﻳﻲ ﻣﺎﺷﻴﻦ را در ﻣﻮارد ﺧﺎﺻﻲ ﺑﻪ ﻛﺎراﻳﻲ ﺑﺸﺮ‬
‫ﻧﺰدﻳﻚ ﻛﻨﻴﻢ‪.‬اﻣﺎ اﻳﻦ اﺻﻼح ﻣﻤﻜﻦ اﺳﺖ در ﺑﻘﻴﻪ ﻣﻮارد ﻛﺎراﻳﻲ را اﻓﺰاﻳﺶ ﻧﺪﻫﺪ ‪ .‬ﺑﻪ‬
‫ﻫﺮﺣﺎل ‪ ،‬اﮔﺮ در ﻫﺮ ﻣﻮرد ﺧﺎص اﺻﻼﺣﻲ ﺑﺮاي ﭘﻮﺷﺶ دادن ﺣﺎﻟﺖ ﺧﺎص ﺑﻪ ﺑﺮﻧﺎﻣﻪ‬
‫اﺿﺎﻓﻪ ﺷﻮد ﺑﺎﻋﺚ ﭘﻴﭽﻴﺪه ﺗﺮ ﺷﺪن و ﻛﻨﺪﺗﺮ ﺷﺪن ﺑﺮﻧﺎﻣﻪ ﺧﻮاﻫﺪ ﺷﺪ ‪ .‬در ﻣﻮارد زﻳﺎدي‬
‫ﺑﺮﻧﺎﻣﻪ ﺗﻮﻟﻴﺪ ﺷﺪه ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻣﻘﺪﻣﺎﺗﻲ ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺷﺪه و ﻛﻨﺎر ﮔﺬاﺷﺘﻪ ﺧﻮاﻫﺪ‬
‫ﺷﺪ اﻣﺎ درس ﻫﺎي آﻣﻮﺧﺘﻪ ﺷﺪه از ﺳﺎﺧﺖ آن ‪ ،‬ﻧﮕﻬﺪاري ﺷﺪه اﻧﺪ و ﺑﺮاي ﺳﺎﺧﺖ ﻳﻚ‬
‫ﺑﺮﻧﺎﻣﻪ ﺑﻬﺘﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻳﻦ ﭘــﺮدازش ﻣـﻤﻜﻦ اﺳﺖ در ﻳﻚ ﭼﺮﺧﻪ ﭼﻨﺪﻳﻦ ﺑﺎر‬
‫ﺗﻜﺮار ﺷﻮد ‪ ،‬ﻫﺮ ﭼﺮﺧﻪ ﻳﻚ اﻟﮕﻮي ﺑﻬﺘﺮ ﻣﻲ ﺳﺎزد‪ .‬اﻳﻦ رﻫﻴﺎﻓﺖ ﺑﺎ ﻋﺒﺎرت ﺑﺮﻧﺎﻣﻪ اﺟﺮا ـ‬
‫ﻓﻬﻢ ـ اﺷﻜﺎل زداﻳﻲ ـ وﻳﺮاﻳﺶ )‪ (RUDE1‬ﺗﻮﺻﻴﻒ ﻣﻴﮕﺮدد )اﻓﺎو(‪ .‬اﮔﺮ‪ AI‬را ﺑﻪ ﻋﻨﻮان‬
‫ﻧﻤﻮﻧﻪ اي از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎ روش ‪ RUDE‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ‪ ،‬آﻧﮕﺎه ﻧﺮم اﻓﺰار ﺑﺎزي‬
‫ﺷﻄﺮﻧﺞ را ﻛﻪ ﻳﻚ ﺑﺨﺶ ﻣﺸﻜﻮك ‪ AI‬اﺳﺖ ‪ ،‬ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺑﺨﺶ ﺛﺎﺑﺖ ‪ AI‬در‬
‫ﻧﻈﺮ ﮔﺮﻓﺖ‪ .‬ﺣﺎل ﻣﻤﻜﻦ اﺳﺖ ﻗﺎدر ﺑﻪ ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ اي ﺑﺎﺷﻴﻢ ﻛﻪ ﺑﺘﻮاﻧﺪ ﺑﺮ ﻫﻤﻪ ﺑﻪ ﺟﺰ‬
‫اﺳﺘﺜﻨﺎﺋﻲ ﺗﺮﻳﻦ ﺷﻄﺮﻧﺞ ﺑﺎزان اﻧﺴﺎﻧﻲ ﻏﻠﺒﻪ ﻛﻨﺪ ‪ .‬اﻣﺎ ﻧﻤﻴﺘﻮاﻧﻴﻢ ﺑﺮﻧﺎﻣﻪ اي ﺑﻨﻮﻳﺴﻴﻢ ﻛﻪ ﺑﻬﺘﺮﻳﻦ‬
‫ﺣﺮﻛﺖ ﺑﻌﺪي را در ﻫﺮ ﻣﻮﻗﻌﻴﺖ داده ﺷﺪه ﺗﻌﻴﻴﻦ ﻛﻨﺪ‪ .‬اﺻﻼح ﻣﺪل اﺳﺎﺳﻲ ﺑﺎزي ﺷﻄﺮﻧﺞ‬
‫ﺑﺎ اﺿﺎﻓﻪ ﻛﺮدن ﺗﻐﻴﻴﺮاﺗﻲ ﺑﻪ زﻳﺮ ﺑﺮﻧﺎﻣﻪ ﺟﺴﺘﺠﻮي اﺻﻠﻲ ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ‪ .‬اﻳﻦ زﻳﺮ ﺑﺮﻧﺎﻣﻪ‬
‫ﺑــﻪ روش ﺗﺠـﺮﺑﻲ و ﺑﺎ اﺟﺮاي ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﻞ در ﺑﺮاﺑﺮ ﺑﺎزﻳﻜﻦ اﻧﺴﺎﻧﻲ آزﻣﻮن ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫ﻧﻜﺘﻪ اﻳﻨﻜﻪ ﭘﺮوﺳﻪ ﻣﻬﻨﺪﺳﻲ ﻧﺮم اﻓﺰار ﺗﻮﻟﻴﺪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ از ﻣﺸﺨﺼﺎت رﺳﻤﻲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ‬
‫ﻳﻚ ﻣﺴﺄﻟﻪ ‪ AI‬اﺳﺖ ‪ ،‬درﻏﻴﺮ اﻳﻨﺼﻮرت ﻣﺎ ﻣﺠﺒﻮر ﺑﻪ اﺳﺘﺨﺪام ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﺑﺮاي اﻧﺠﺎم‬
‫آن ﻧﺒﻮدﻳﻢ و ﻣﻲ ﺗﻮاﻧﺴﺘﻴﻢ آن ر ا ﺑﻪ ﻃﻮر ﺧﻮدﻛﺎر اﻧﺠﺎم دﻫﻴﻢ‪ » .‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺧﻮدﻛﺎر«‬
‫ﺧﻮد ﻳﻚ ﺷﺎﺧﻪ از ‪ AI‬اﺳﺖ ‪ .‬ﻧﻜﺘﻪ دﻳﮕﺮ اﻳﻨﻜﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺧﻮدﻛﺎر اﺻﻄﻼﺣﻲ اﺳﺖ‬
‫ﻛﻪ ﻣﻌﻨﻲ آن ﺑﺎ ﮔﺬﺷﺖ زﻣﺎن ﺗﻐﻴﻴﺮ ﻛﺮده اﺳﺖ ‪ .‬وﻗﺘـﻲ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﺑﻪ زﺑﺎن ﻣﺎﺷﻴﻦ‬
‫ﺑﺮﻧﺎﻣﻪ ﻣﻲ ﻧﻮﺷﺘﻨﺪ ‪ ،‬ﻛﺎﻣﭙﺎﻳﻠﺮﻫﺎﻳﻲ ﻛﻪ زﺑﺎن ﺳﻄﺢ ﺑﺎﻻي اوﻟﻴﻪ ) ﻣﺜﻞ ﻓﺮﺗﺮن ( را ﺑﻪ ﻛﺪ‬
‫ﻣﺎﺷﻴﻦ ﺗﺮﺟﻤﻪ ﻛﺮدﻧﺪ ‪ ،‬ﺑﻪ ﻋﻨﻮان ﺳﻴﺴﺘﻢ ﻫﺎي » ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺧﻮدﻛﺎر« ﺗﻠﻘﻲ ﻣﻲ ﺷﺪﻧﺪ‪.‬‬
‫اﻣﺮوزه اﻳﻦ اﺻﻄﻼح را ﺑﺮاي ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﺑﻪ ﻛﺎر ﻣﻲ ﺑﺮﻳﻢ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي اﺟﺮاﻳﻲ از‬
‫ﻣﺸﺨﺼﺎت ﻏﻴﺮ ﻗﺎﺑﻞ اﺟﺮا ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺷﺎﺧﻪ دﻳﮕﺮ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺧﻮدﻛﺎر » ﺗﺮﻛﻴﺐ و‬
‫ﺗﻠﻔﻴﻖ ﻣﺜﺎﻟﻬﺎ « اﺳﺖ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ را از ﻣﺸﺨﺼﺎت ﻏﻴﺮ رﺳﻤﻲ ﻛﻪ ﺷﺎﻣﻞ ﻣﺜﺎل ﻫﺎﻳﻲ از‬

‫‪1‬‬
‫‪RUDE : Run, Underestand ,Debug ,Edit‬‬
‫ورودي و ﺧﺮوﺟﻲ ﻫﺎي ﻣﻮرد اﻧﺘﻈﺎر از اﻳﻦ ورودي ﻫﺎ اﺳﺖ ‪ ،‬ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ ‪ .‬ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ‪ AI‬اﻏﻠﺐ از زﺑﺎﻧﻬﺎي اﺧﺒﺎري اﺳﺘﻔـــﺎده ﻣﻲ ﻛﻨﺪ زﻳﺮا اﻳﻦ روش در ﻣﻘﺎﻳﺴﻪ ﺑﺎ‬
‫زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﻪ روش اﺳﺘﺪﻻل ﻣﺮﺳﻮم ﻧﺰدﻳﻚ ﺗﺮ اﺳﺖ ‪ .‬ﻃﺒﻴﻌﺖ اﻛﺘﺸﺎﻓﻲ ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ‪ AI‬اﻳﺠﺎب ﻣﻴﻜﻨﺪ ﻛﻪ در ﻓﺮآﻳﻨﺪ ﻛﺪ ﻧﻮﻳﺴﻲ ‪ ,‬ﻛﺪﻫﺎي ﻧﻮﺷﺘﻪ ﺷﺪه ﻗﺎﺑﻞ ﻓﻬﻢ‬
‫ﺑﻮدﻧﺸﺎن را ﺣﻔﻆ ﻛﻨﻨﺪ و در ﺟﺰﺋﻴﺎﺗﻲ ﻛﻪ ﻣﺮﺗﺒﻂ ﺑﺎ دﺳﺘﻜﺎري ﺣﺎﻓﻈﻪ راﻳﺎﻧﻪ اﺳﺖ درﮔﻴﺮ‬
‫ﻧﺸﻮﻧﺪ ‪ .‬اﻳﻦ ﻛﺎر در زﺑﺎن ‪ LISP‬اﻧﺠﺎم ﺷﺪه اﺳﺖ‪ ،‬اﻳﻦ زﻳﺎن ﻣﺒﺘﻨﻲ ﺑﺮ زﺑﺎن ‪Miranda‬‬
‫اﺳﺖ ‪ .‬در ‪ LISP‬ﺑﻪ ﺟﺎي اﺳﺘﻔﺎده از ﻧﻤﺎدﻫﺎي ﻛﺎر ﺑﺎ آراﻳﻪ ﻫﺎ و داده ﻋﺪدي ﻋﻠﻤﻲ و‬
‫ﻣﻬﻨﺪﺳﻲ و ﭘﺮدازش داده ﻣﺎﻧﻨﺪ آﻧﭽﻪ در ‪ C‬وﭘﺎﺳﻜﺎل اﺳﺖ از ﻟﻴﺴﺘﻬﺎ اﺳﺘﻔﺎده ﻣﻴﺸﻮد ‪,‬ﺑﺎ‬
‫اﺳﺘﻔﺎده از ﻟﻴﺴﺖ ﻫﺎ ﺑﺮاي ذﺧﻴﺮه داده و ﺗﺄﻛﻴﺪ روي اﻳﺠﺎد و اﺻﻼح ﻧﻤﺎدﻫﺎﻳﻲ ﻣﻨﺎﺳﺐ‬
‫ﺗﻮﻟﻴﺪ ﺳﻴﺴﺘﻤﻬﺎي ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﻛﺎر ‪ AI‬آﺳﺎن ﮔﺮدﻳﺪه اﺳﺖ ‪ .‬ﺑﺴﻴﺎري از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن‬
‫‪ AI‬اﺳﺘﻔﺎده از زﺑﺎن ‪ PROLOG‬را ﺗﺮﺟﻴﺢ ﻣﻴﺪﻫﻨﺪ زﻳﺮا ﻫﻢ ﺧﺼﻮﺻﻴﺎت ﭘﺮدازش ﻟﻴﺴﺖ و‬
‫دﺳﺘﻜﺎري ﻧﻤﺎد ‪ LISP‬را دارد و ﻫﻢ ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﻨﻄﻖ اﺳﺖ‪.‬‬
‫در زﺑﺎﻧﻬﺎي دﺳﺘﻮري ﻣﺎﻧﻨﺪ ‪ C‬ﻳﺎ ‪ PASCAL‬دﺳﺘﻮرات ﻣﻨﻄﻘﻲ و ﻛﻨﺘﺮﻟﻲ ﺑﺎ ﻫﻢ ﺗﺮﻛﻴﺐ‬
‫ﺷﺪه و در ﻛﻨﺎر ﻳﻜﺪﻳﮕﺮﻧﺪ در ﻧﺘﻴﺠﻪ ﺗﻮﻟﻴﺪ و اﺻﻼح ﺑﺮﻧﺎﻣﻪ ﻛﻤﻲ ﮔﻴﺞ ﻛﻨﻨﺪه ﺧﻮاﻫﺪ ﺑﻮد‬
‫اﻣﺎ در ‪ PROLOG‬ﻛﻨﺘﺮل از ﻣﻨﻄﻖ ﺟﺪاﺳﺖ و ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ‪ AI‬ﺑﺮ ﻣﻨﻄﻖ و اﺻﻼح آن‬
‫ﻣﺘﻤﺮﻛﺰ ﻣﻴﮕﺮدد‪.‬‬
‫ﻳﻚ ﺟﻨﺒﻪ ﻣﻬﻢ ﺟﺪاﻳﻲ ﻣﻨﻄﻖ و ﻛﻨﺘﺮل ﻛﻪ ﺟﺎﻳﮕﺎه ﻣﻬﻤﻲ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ AI‬دارد ‪ ،‬ﻓﺮق‬
‫ﺑﻴﻦ زﺑﺎن وﺷﺒﻪ زﺑﺎن اﺳﺖ ‪ .‬در زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺘﺪاول ﺑﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ و داده ﻫﺎ‬
‫ﺗﻔﻜﻴﻚ و ﺟﺪاﻳﻲ وﺟﻮد دارد ﻛﻪ ﺑﻪ آن ﺟﺪاﻳﻲ دوﮔﺎﻧﻪ ﻣﻲ ﮔﻮﻳﻨﺪ ‪ .‬در زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ‪ AI‬اﻏﻠﺐ ﻳﻚ ﺟﺪاﻳﻲ ﺳﻪ ﮔﺎﻧﻪ در داده ‪ ،‬ﻗﻮاﻧﻴﻦ دﺳﺘﻜﺎري داده و ﻗﻮاﻧﻴﻦ ﺑﻴﺎن‬
‫ﭼﮕﻮﻧﮕﻲ دﺳﺘﻜﺎري ﻗﻮاﻧﻴﻦ داده ي وﺟﻮد دارد‪ .‬ﺷﺒﻪ ﺑﺮﻧﺎﻣﻪ ﻣﺠﻤﻮﻋﻪ اي از ﻗﻮاﻧﻴﻦ ﺳﻄﺢ‬
‫ﺑﺎﻻ اﺳﺖ ‪ ،‬ﺑﺮﻧﺎﻣﻪ اي ﻛﻪ ﺑﺎ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺑﻪ ﻋﻨﻮان ﻳﻚ داده ﺑﺮﺧﻮرد ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ 6-1‬اﻧﺘﻘﺎد از ‪AI‬‬
‫ﻳﻚ اﻧﺘﻘﺎد ﺑﺮﺣﻖ از ‪ AI‬اﻳﻦ اﺳﺖ ﻛﻪ ‪ AI‬روي دﻧﻴﺎي ﻣﺤﺪود ﺷﺪه )‪(micro – worlds‬‬
‫ﻣﺘﻤﺮﻛﺰ اﺳﺖ و واﻗﻌﺎً ﺑﻪ ﻫﻮش ﺑﻪ ﻋﻨﻮان ﻣﺪل رﻓﺘﺎر ﺑﺸﺮ ﻧﮕﺎه ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫ﻳﻘﻴﻨﺎٌ ﻣﻲ ﺗﻮاﻧﻴﻢ ‪ AI‬را ﺑﻪ ﻋﻨﻮان زﻣﻴﻨﻪ ي ﻣﻔﻴﺪي ﺑﻨﮕﺮﻳﻢ ﻛﻪ ﺗﻮﺟﻪ ﺧﻮد را ﺑﻪ روش ﻫﺎي‬
‫ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎي راﻳﺎﻧﻪ اي ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﻣﺴﺎﺋﻞ ﺳﺨﺖ را ﺣﻞ ﻛﻨﻨﺪ ﻣﻌﻄﻮف ﻧﻤﻮده‬
‫اﺳﺖ‪ .‬ﭼﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﺘﻮاﻧﻨﺪ ﺑﻪ ﻋﻨﻮان ﺑﻼﻛﻬﺎي ﭘﻴﺶ ﺳﺎﺧﺘﻪ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف‬
‫ﺑﺰرﮔﺘﺮ ﺳﺎﺧﺖ »ﻣﻮﺟﻮدات ﺑﺸﺮي ﻣﺼﻨﻮﻋﻲ « در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ ﻳﺎ ﻓﻘﻂ ﻛﺎرﺑﺮد‬
‫ﻣﺤﺪود داﺷﺘﻪ ﺑﺎﺷﺪ ‪ .‬ﺑﻪ ﻫﺮﺣﺎل در ﭘﻲ اﻳﻦ اﻧﺘﻘﺎدات ﺷﺎﻫﺪ رﺷﺪ در ﺷﺎﺧﻪ دﻳﮕﺮ ‪ AI‬آن‬
‫ﻫﻢ ﺑﺮاي ﻟﺤﺎظ ﻛﺮدن ﺑﻌﻀﻲ ﺟﻨﺒﻪ ﻫﺎي اﺳﺘﺪﻻل ﻣﺎﻧﻨﺪ » ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف « ﺑﻮده اﻳﻢ ‪ .‬ﺑﻪ‬
‫ﻋﻨﻮان ﻧﻤﻮﻧﻪ ‪ ،‬ﻣﻨﻄﻖ ﭘﻴﺸﮕﻮﻳﻲ اﺳﺘﺎﻧﺪارد ﺑﻪ دﻟﻴﻞ ﻧﺎﺗﻮان ﺑﻮدن در اراﺋﻪ ﺣﻘﻴﻘﺘﻲ ﻛﻪ ﻏﺎﻟﺒﺎٌ‬
‫ﻓﺮض ﻫﺎي ﻗﺮاردادي ﺑﺮاﻳﺶ در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻧﺪ ﻣﻮرد اﻧﺘﻘﺎد اﺳﺖ‪ .‬ﺑﺮاي درك ﻣﻔﺎﻫﻴﻢ‬
‫»ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف « و » ﻣﻨﻄﻖ ﭘﻴﺸﮕﻮﻳﻲ اﺳﺘﺎﻧﺪارد « ﺑﻪ ﻣﺜﺎل زﻳﺮ ﺗﻮﺟﻪ ﻛﻨﻴﺪ ‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ﻣﻲ داﻧﻴﻢ ﻛﻪ اﮔﺮ دو ﺟﻤﻠﻪ )‪ p(x) → q(x‬را وﻗﺘﻲ ‪ x‬ﻣﺘﻐﻴﺮ اﺳﺖ و )‪p(a‬‬
‫ﻣﻮﻗﻌﻲ ﻛﻪ ‪ a‬ﻳﻚ ﺛﺎﺑﺖ اﺳﺖ را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ )‪ q(a‬را ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮﻳﻢ ‪ .‬ﺑﻪ ﻋﻨـﻮان‬
‫ﻧﻮﻋﻲ ﻣﺜﺎل ﻓﺮض ﻛﻨﻴﺪ ﺑﮕﻮﻳﻴﻢ » ﻫﻤﻪ داﻧﺸﺠﻮﻳﺎن ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ درس ﻣﻨﻄﻖ را ﻣﻲ‬
‫ﮔﻴﺮﻧﺪ‪ « .‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻴﺎن ﻛﻨﻴﻢ ﻛﻪ )‪ . CompSci ( x) → Logic ( x‬و اﮔﺮ ﺣﻘﻴﻘﺖ »ﻋﻠﻲ‬
‫ﻳــﻚ داﻧﺸﺠﻮي ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ« را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﺑﺎ ﺗﻮﺟﻪ‬
‫ﺑﻪ )‪ CompSci ( x) → Logic ( x‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮﻳﻢ ) ‪ Logic (Ali‬ﻳﻌﻨﻲ ﻋﻠﻲ‬
‫درس ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮد ‪.‬‬
‫اﮔﺮ ﭼﻪ اﻳﻦ ﻳﻚ اﺳﺘﺪﻻل ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﺳﺖ ﻛﻪ ﻫﺮ ﻛﺴﻲ ﻣﻲ ﺗﻮاﻧــﺪ ﺑﺎ‬
‫وﺟﻮد )‪ p(a) P( x) → q( x‬را از )‪ q(a‬ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮد ‪ ،‬اﻣﺎ اﮔــﺮ ﺣﻘﻴﻘﺖ » زﻫﺮا درس‬
‫ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮد« را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪ ،‬ﻧﻤﻲ ﺗﻮاﻧﻴﻢ » زﻫﺮا داﻧﺸﺠﻮي ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ «‬
‫را ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮﻳﻢ ‪ .‬ﭼﻮن ﻣﻤﻜﻦ اﺳﺖ داﻧﺸﺠﻮﻳﺎن رﻳﺎﺿﻲ ﻫﻢ اﻳﻦ درس را ﺑﮕﻴﺮﻧﺪ ‪.‬‬
‫ﻣﺮدم اﻏﻠﺐ اﻳﻦ ﻧﮕﺎه ﻏﻠﻂ را در اﺳﺘﺪﻻل ﻛﺮدن دارﻧﺪ و ﻫﻤﻴﺸﻪ ﻧﻤﻲ ﺗﻮاﻧﻴﻢ ذﻫﻦ و رﻓﺘﺎر‬
‫آﻧﻬﺎ را از ﻏﻴﺮ ﻣﻨﻄﻘﻲ ﺑﻮدن رﻫﺎ ﻛﻨﻴﻢ ‪ .‬ﻣﻤﻜﻦ اﺳﺖ ﻣﻮردي ﺑﺎﺷﺪ ﻛﻪ ﻫﻤﻪ داﻧﺸﺠﻮﻳﺎن‬
‫ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ درس ﻣﻨﻄﻖ را ﺑﮕﻴﺮﻧﺪ ‪ ،‬وﻟــﻲ ﻳﻚ ﻳــﺎ دو داﻧﺸﺠـﻮ از دﻳﮕﺮ ﮔﺮوﻫﻬﺎي‬
‫آﻣﻮزﺷﻲ ﻫﻢ وﺟﻮد دارﻧﺪ ﻛﻪ درس ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮﻧﺪ ‪ .‬ﭘﺲ اﻳﻦ ﻳﻚ اﺳﺘﻨﺘﺎج »ﺑﺮداﺷﺖ‬
‫ﻋﻤﻮﻣﻲ ﻣﻌﻘﻮل « اﺳﺖ ﻛﻪ اﮔﺮ داﺷﺘﻪ ﺑﺎﺷﻴﻢ » زﻫﺮا درس ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮد « ﺑﮕﻮﻳﻴﻢ ﻛﻪ‬
‫زﻫﺮا داﻧﺸﺠﻮي رﺷﺘﻪ ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ ﻣﮕﺮ اﻳﻨﻜﻪ دﻟﻴﻠﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ ﺧﻼف آن را‬
‫ﺛﺎﺑﺖ ﻛﻨﺪ ‪ .‬ﻣﻨﻄﻖ ﭘﻴﺸﮕﻮﻳﻲ ﻣﺘﺪاول ﺑﺮ ﺧﻼف روش ﻣﺘﻌﺎرف ) و ﻏﻠﻂ( اﻧﺴﺎﻧﻬﺎ ‪ ,‬ﻧﻤﻲ‬
‫ﺗـﻮاﻧﺪ اﻳﻦ اﺳﺘﺪﻻل را اﻧﺠﺎم دﻫﺪ ‪.‬ﻫﻨﻮز اﻳﻦ ﻣﻮﺿﻮع ﻳﻚ ﺗﺤﻘﻴﻖ در زﻣﻴﻨﻪ ﻣﻨﻄﻖ اﺳﺖ ﻛﻪ‬
‫آﻳﺎ ﻣﻴﺘﻮان ﻣﻨﻄﻘﻲ ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ ﺑﻮﺟﻮد آورد‪ .‬دراﻳﻦ ﻣﻮرد ﻋﻨﺼﺮ اﺣﺘﻤﺎل ﻧﻴﺰ وﺟﻮد دارد ‪:‬‬
‫اﮔﺮ در ﻣﺜﺎل ﺑﺎﻻ ﻛﻪ ﻳﻚ ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف ﻣﻌﻘﻮل ﺗﺤﺖ ﺷﺮاﻳﻂ داده ﺷﺪه اﺳﺖ ‪ ،‬اﮔﺮ ﻣﺎ‬
‫داﻧﺸﺠﻮﻳﺎن ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ ﻓﻘﻂ ﺟﺰ ﻛﻮﭼﻜﻲ از داﻧﺸﺠﻮﻳﺎﻧﻲ ﺑﺎﺷﻨﺪ ﻛﻪ درس ﻣﻨﻄﻖ را ﻣﻲ‬
‫ﮔﻴﺮﻧﺪ ‪ ,‬ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف ﻣﺎ دﻳﮕﺮ ﻣﻌﻘﻮل ﻧﻴﺴﺖ ﻳﺎ دﻳﮕﺮ اﻳﻦ ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف ﺻﻮرت‬
‫ﻧﻤﻴﮕﺮﻓﺖ‪ .‬ﻓﺮض دﻧﻴﺎي ﻣﺤﺪود در ﻧﻈﺮ ﻣﻴﮕﻴﺮد ﻛﻪ داده ﻫﺎﻳﻲ ﻛﻪ ﻣﺎ اراﺋﻪ ﻛﺮده اﻳﻢ ‪ ،‬ﻫﻤﻪ‬
‫ﭼﻴﺰي اﺳﺖ ﻛﻪ ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﺳﺖ ‪ .‬در اﻳﻦ دﻧﻴﺎ ﻓﺮض اﻳﻦ اﺳﺖ ﻛﻪ اﮔﺮ ﻧﺘﻮاﻧﻴﻢ درﺳﺘﻲ‬
‫ﭼﻴﺰي را ﺛﺎﺑﺖ ﻛﻨﻴﻢ ‪ ،‬ﭘﺲ آن ﭼﻴﺰ ﺑﺎﻳﺪ ﻏﻠﻂ ﺑﺎﺷﺪ ‪.‬اﻳﻦ ﻓﺮض وﻗﺘﻲ ﻛﻪ ﻣﺎ درﻣﻮرد‬
‫دﻧﻴﺎي واﻗﻌﻲ اﺳﺘﺪﻻل ﻣﻲ ﻛﻨﻴﻢ ﻣﻤﻜﻦ اﺳﺖ ﺻﺤﻴﺢ ﻧﺒﺎﺷﺪ ‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ‪ :‬اﮔﺮ ﻗﻮاﻧﻴﻨﻲ ﻛﻪ ﻣﺎ در ﻣﻮرد اﻳﻨﻜﻪ ﭼﻪ ﻛﺴﻲ درس ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮد ﻓﻘﻂ‬
‫اﮔﺮ‬ ‫‪:‬‬ ‫ﺑﺎﺷﺪ‬ ‫)‪Maths ( x) → Logic ( x‬‬ ‫و‬ ‫)‪CompSci( x) → Logic( x‬‬
‫)‪ Compsci(Ali‬ﻳﺎ )‪ Maths (Ali‬را ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮﻳﻢ )‪Logic(Ali‬‬
‫ﻏﻠﻂ اﺳﺖ ‪) .‬ﻳﻌﻨﻲ ﻋﻠﻲ درس ﻣﻨﻄﻖ را ﻧﮕﺮﻓﺘﻪ اﺳﺖ‪(.‬‬
‫اﻳﻦ اﺳﺘﻨﺘﺎج در ﻓﺮض دﻧﻴﺎي ﻣﺤﺪود ‪ ،‬ﻫﻤﻴﺸﻪ درﺳﺖ اﺳﺖ ‪ ،‬وﻟﻲ دﻧﻴﺎي واﻗﻌﻲ ﻣﺤﺪود‬
‫ﻧﻴﺴﺖ و در ﻋﻤﻞ ﻣﻤﻜﻦ اﺳﺖ اﻃﻼﻋﺎت و اﺳﺘﺪﻻل ﻫﺎي ﻧﺎﺷﻨﺎﺧﺘﻪ اي درﺑﺎرة داﻧﺸﺠﻮﻳﻲ‬
‫ﻛﻪ درس ﻣﻨﻄﻖ را ﻣﻲ ﮔﻴﺮد ‪ ،‬ﺟﺪا از اﻳﻨﻜﻪ او داﻧﺸﺠﻮي ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ ﻳﺎ رﻳﺎﺿﻲ ‪ ،‬وﺟﻮد‬
‫داﺷﺘﻪ ﺑﺎﺷﺪ ‪ .‬اﻟﺒﺘﻪ ﻫﻨﻮز ﻣﻲ ﺗﻮاﻧﻴﻢ ﻓﺮض ﻛﻨﻴﻢ ﻋﻠﻲ درس ﻣﻨﻄﻖ را ﻧﻤﻲ ﮔﻴﺮد وﻟﻲ ﻣﺜﻞ‬
‫ﻣﻮرد ﺑﺎﻻ اﻳﻦ ﻓﻘﻂ ﻓﺮﺿﻲ اﺳﺖ ﻛﻪ ﺗﺎ زﻣﺎﻧﻴﻜﻪ داﻧﺶ ﺑﻴﺸﺘﺮ ﺑﺪﺳﺖ ﺑﻴﺎورﻳﻢ ‪ ،‬در ﻧﻈﺮ ﻣﻲ‬
‫ﮔﻴﺮﻳﻢ ‪.‬‬
‫‪ 7-1‬آﻳﻨﺪة ‪AI‬‬
‫در دﻫﻪ ﻫﺎي ﺑﻌﺪي ‪ AI‬در ﺑﺴﻴﺎري زﻣﻴﻨﻪ ﻫﺎ ﮔﺴﺘﺮش ﺧﻮاﻫﺪ ﻳﺎﻓﺖ ‪ .‬اﻣﺎ ﻳﻜﻲ از‬
‫ﻣﻬﻤﺘﺮﻳﻦ ﻛﺎرﺑﺮدﻫﺎي ‪ AI‬در آﻳﻨﺪه ﻫﻤﻜﺎري ﻧﺰدﻳﻚ و ﻣﺘﻌﺎﻣﻞ ﺑﺎ ﺑﺸﺮ اﺳﺖ ‪.‬اﻳﺪه اي ﻛﻪ در‬
‫ﻓﻴﻠﻢ "ﻣﺮد ‪ 200‬ﺳﺎﻟﻪ " ﺑﻪ ﺗﺼﻮﻳﺮ ﻛﺸﻴﺪه ﺷﺪ ‪ .‬ﻣﻨﻈﻮر ﻓﻌﺎﻟﻴﺘﻬﺎي ﭘﻴﭽﻴﺪه اي اﺳﺖ ﻛﻪ ﻳﻜﻲ‬
‫درﻣﻴﺎن ﺑﻪ وﺳﻴﻠﻪ ﺑﺸﺮ و ﻣﺎﺷﻴﻦ اﻧﺠﺎم ﻣﻲ ﺷﻮﻧﺪ ‪ .‬ﭼﻨﻴﻦ وﺿﻌﻴﺘﻲ وﻗﺘﻲ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﻣﺎﺷﻴﻦ‬
‫ﺑﺮاي اﻧﺠﺎم دادن ﻫﻤﻪ ﻓﻌﺎﻟﻴﺘﻬﺎ ﻛﺎﻓﻲ ﻧﻴﺴﺖ ﺑﻪ ﺻﻮرت رﻓﺖ و ﺑﺮﮔﺸﺘﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ‪.‬‬
‫اﻳــﻦ ﻛﺎرﺑﺮد ﺟﺪﻳﺪ ﺑﺎ ﻓﻌﺎﻟﻴﺖ ﻫﺎي اﺧﻴﺮ در ‪ AI‬درﺗﻀﺎد اﺳﺖ ‪ ،‬در ﮔﺬﺷﺘﻪ ﻓﻌﺎﻟﻴﺖ ﻫﺎي‬
‫ﻋﻤﺪه از ﻳﻚ ﻧﻘﻄــﻪ ﻧﻈﺮ ﻣﻨﻄﻘــﻲ اﻧﺠﺎم ﺷــﺪه اﺳﺖ ‪ .‬ﺳﻴﺴﺘﻢ ﻫــﺎ ﻧﻘﺶ ﻳﻚ ﺟﻌﺒﻪ ﺳﻴﺎه‬
‫‪ 1‬را داﺷﺘﻨﺪ و اﺳﺘﺪﻻل ﻣﻨﻄﻘﻲ دﻏﺪﻏﻪ اﺻﻠﻲ آﻧﻬﺎ ﺑﻮده اﺳﺖ ‪ .‬در ﻛﺎرﺑﺮدﻫﺎي ﻋﻤﻠﻲ ‪،‬‬

‫‪1‬‬
‫‪Black Box‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﻣﺎﻧﻨﺪ ﺗﺸﺨﻴﺺ ﭘﺰﺷﻜﻲ ‪ ،‬ﻋﻴﺐ ﻳﺎﺑﻲ در ﺣﻮزه ﻫﺎي ﺗﻜﻨﻴﻜﻲ ‪،‬‬
‫ﭘﻴﻜﺮﺑﻨﺪي ‪ ،‬ﻃﺮاﺣﻲ و ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻋﻤﻠﻲ ﮔﺴﺘﺮش ﭘﻴﺪا ﻛﺮدﻧﺪ‪ .‬ﻃﻮﻟﻲ ﻧﻜﺸﻴﺪ ‪ ،‬ﻛﻪ ﻛﺎﻓﻲ‬
‫ﻧﺒﻮدن ﻣﻨﻄﻖ ﺑﻪ ﺗﻨﻬﺎﻳﻲ ﺑﻪ ﻋﻨﻮان ﻳﻚ دﻳﺪﮔﺎه درك و اﺛﺒﺎت ﺷﺪ ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻨﻄﻖ ﺑﺎ ﻓﺮم‬
‫ﻫﺎي ﻣﺨﺘﻠﻒ اﺳﺘﺪﻻل ﻋﺪم ﻗﻄﻌﻴﺖ ﻣﺜﻞ ﻓﺎﻛﺘﻮر ﻫﺎي ﻋﺪم ﻗﻄﻌﻴﺖ ‪ ،‬ﺷﺒﻜﻪ ﻫﺎي‬
‫‪ ، Bayesian‬ﻣﺠﻤﻮﻋﻪ ﻫﺎي ﻓﺎزي ‪ ،‬اﺳﺘﺪﻻل ﻣﺸﺎﺑﻬﺖ و ‪ ....‬ﺗﻜﻤﻴﻞ ﺷﺪ‬
‫ﻳﻚ دﻳﺪﮔﺎه اﻳﻦ اﺳﺖ ﻛﻪ اﻳﻦ ﻓﺮﻣﻬﺎي ﺟﺪﻳﺪ اﺳﺘﺪﻻﻟﻲ اﻏﻠﺐ ﻣﺒﺘﻨﻲ ﺑﺮ ﻓﺮض ﻫﺎي رﻳﺎﺿﻲ‬
‫دﻗﻴﻖ ﺑﻮده اﻧﺪ ﻛﻪ ﺑﻪ ﺗﺪرﻳﺞ ﺗﻜﻤﻴﻞ و ﺑﻪ ﻓﻀﺎي ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ راه ﻳﺎﻓﺘﻪ اﻧﺪ ‪.‬‬
‫اﻣﺎ آﻧﭽﻪ ﻣﻬﻢ اﺳﺖ اﻳﻦ اﺳﺖ ﻛﻪ ﻫﻤﻪ اﻳﻦ رﻫﻴﺎﻓﺖ ﻫﺎ ﻣﺠﺪداٌ ﺑﺎﻋﺚ ﻣﻮﻓﻘﻴﺖ ﻫﺎي ﻗﺎﺑﻞ‬
‫ﺗﻮﺟﻪ ﻫﻢ در ﻛﺎرﺑﺮدﻫﺎي ﺟﺪﻳﺪ و ﻫﻢ در ﺗﻜﻤﻴﻞ ﻛﺎرﺑﺮدﻫﺎي ﮔﺬﺷﺘﻪ ‪ AI‬ﺷﺪه اﻧﺪ ‪،‬‬
‫ﻫﻤﭽﻨﻴﻦ واﺿﺢ ﺑﻮد ﻛﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ‪ AI‬ﻛﻼﺳﻴﻚ ﻗﺎدر ﻧﺒﻮدﻧﺪ ‪ ،‬ﺑﺎ ﭘﺪﻳﺪة » ﺑﺮداﺷﺖ‬
‫ﻣﺘﻌﺎرف « ﺑﻪ ﺻﻮرت رﺿﺎﻳﺖ ﺑﺨﺶ ارﺗﺒﺎط ﺑﺮﻗﺮار ﻛﻨﻨﺪ‪.‬‬
‫در ﺣﺪود ‪ 20‬ﺳﺎل ﻗﺒﻞ ‪ ،‬ﻫﻤﻪ ﻓﻜﺮ ﻣﻴﻜﺮدﻧﺪ ﻛﻪ ﻣﺸﻜﻞ ﻓﻮق ﺑﻪ دﻟﻴﻞ ﭘﻴﭽﻴﺪﮔﻲ ﺑﻴﺶ از‬
‫ﺣﺪ داﻧﺶ "ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف" اﺳﺖ زﻳﺮا ﺑﺸﺮ ﺑﻪ ﻣﻨﻈﻮر ﺗﺴﻠﻂ ﺑﺮ دﻧﻴﺎي واﻗﻌﻲ ﺑﻪ ﺳﺎل‬
‫ﻫﺎ ﻣﻄﺎﻟﻌﻪ ﻧﻴﺎز دارد ‪ .‬ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ اﻧﺴﺎن در ﻫﺮ روز ‪ 10/000‬داﻧﺶ ﻛﺴﺐ ﻛﻨﺪ و ﻣﺎ‬
‫ﺑﺨﻮاﻫﻴﻢ داﻧﺶ ﻳﻚ ﻓﺮد را ﻛﻪ در ﻃﻮل ‪ 30‬ﺳﺎل ﺑﺪﺳﺖ آورده ﺑﻜﺎر ﺑﮕﻴﺮﻳﻢ ﺑﺎﻳﺪ ﺣﺪود‬
‫‪ 100‬ﻣﻴﻠﻴﻮن واﺣﺪ داﻧﺶ را ﺟﻤﻊ آوري و دﺳﺘﻪ ﺑﻨﺪي ﻛﻨﻴﻢ ‪ .‬ﺑﺎ داﺷﺘﻦ اﻳﻦ داﻧﺶ ﻣﻴﺘﻮاﻧﻴﻢ‬
‫ﺑﺮداﺷﺖ ﻣﺘﻌﺎرف از دﻧﻴﺎي واﻗﻌﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪ .‬ﭘﺮوژة ‪ CYC‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﮔﺎم ﻣﻘﺪﻣﺎﺗﻲ‬
‫و ﺗﻮﺳﻂ ﻟﻨﺎت‪ ١‬در ﺗﮕﺰاس ﺑﺮاي ﺗﻬﻴﻪ اﻳﻦ داﻧﺶ آﻏﺎز ﮔﺮدﻳﺪ ‪.‬‬
‫ﻧﺘﺎﻳﺞ ﻧﺸـــﺎن داد ﻛﻪ روش ﻓﻮق ﺑﺎ اﻳﻨﻜﻪ ﺷﺎﻳﺴﺘﮕﻲ ﻫﺎي زﻳﺎدي داﺷﺖ اﻣﺎ در ﻛﻞ ﻣﻮﻓﻖ‬
‫ﻧﺒﻮد ‪ .‬ﻳﻜﻲ از دﻻﻳﻞ ﻧﺘﺎﻳﺞ ﻣﻨﻔﻲ ‪ ،‬ﺑﻮﺟﻮد آﻣﺪن ﻣﺠﻤﻮﻋﻪ ﻫﺎي ﺑﺰرگ از واﺣﺪ ﻫﺎي داﻧﺶ‬
‫ﺑﻮد ﻛﻪ ﻛﻨﺘﺮل ﻛﺮدن و ﺗﻌﺎﻣﻞ آﻧﻬﺎ ﺑﺎ ﻫﻢ ﺧﻴﻠﻲ ﺳﺨﺖ ﺑﻮد‪ .‬درﺳﺎل ﻫﺎي ﮔﺬﺷﺘﻪ اﻳﺪه‬
‫دﻳﮕﺮي ﺑﺴﻂ داده ﺷﺪ ﻛﻪ در اﺻﻞ ﺟﺪﻳﺪ ﻧﺒﻮد اﻣﺎ ﺗﻮﺟﻪ ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﺑﻪ آن ﻧﺸﺪه ﺑﻮد‪.‬اﻳﻦ‬
‫اﻳﺪه ﭼﻴﺰي ﺟﺰ روش ﺗﻘﺴﻴﻢ ﻛﺮدن ﻛﺎر ﺑﻴﻦ اﻧﺴﺎﻧﻬﺎﻳﻲ ﻛﻪ اﻳﺪه ﻫﺎي ﺧﻼق و ﺑﺮداﺷﺖ‬
‫ﻋﻤﻮﻣﻲ دارﻧﺪ ﺑﺎ راﻳﺎﻧﻪ ﻫﺎ ﻧﺒﻮد ‪ .‬از ﻳﻚ ﻃﺮف اﻳﻦ اﻓﺮاد ﻣﻲ ﺗﻮاﻧﻨﺪ اﻳﺪه ﻫﺎي ﭘﺎﻳﻪ ﺗﻮﻟﻴﺪ‬
‫ﻛﻨﻨﺪ و از ﻃﺮف دﻳﮕﺮ ﻣﺎﺷﻴﻦ ﻫﺎﻳﻲ ﻛﻪ ﺟﺴﺘﺠﻮي ﺑﺪون ﺗﻌﻘﻞ اﻣﺎ ﺳﺮﻳﻊ و ﺑﻪ ﺻﺮﻓﻪ اﻧﺠﺎم‬
‫ﻣﻲ دﻫﻨﺪ ‪ ،‬ﺗﻮاﻧﺎﻳﻲ ﻣﺪﻳﺮﻳﺖ ﭘﺎﻳﮕﺎه داده ﻫﺎي ﺑﺰرگ را دارﻧﺪ و ﻣﻲ ﺗﻮاﻧﻨﺪ ﻣﺤﺎﺳﺒﺎت وﺳﻴﻊ‬

‫‪1‬‬
‫‪D. Lenat‬‬
‫اﻧﺠﺎم دﻫﻨﺪ‪ .‬اﻳﻦ ﻛﺎر ﺑﻪ اﻳﺪة ﺗﻮﻟﻴﺪ ﻳﻚ ﺳﻴﺴﺘﻢ دﺳﺘﻴﺎر ﻣﻨﺠﺮ ﺷﺪه ﺑﻮد‪ .‬در ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫دﺳﺘﻴﺎر ﮔﺬﺷﺘﻪ ‪ ،‬ﻣﻮاﻗﻌﻲ ﻛﻪ ﻣﺎﺷﻴﻦ ﻋﺎﺟﺰ از ﺗﻮﻟﻴﺪ ﻧﺘﺎﻳﺞ دﻟﺨﻮاه ﺑﻮد از ﺑﺸﺮ ﺑﺮاي ﻛﻤﻚ ﺑﻪ‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﻣﻴﺸﺪ‪.‬‬
‫ﻳﻚ رﻫﻴﺎﻓﺖ ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﻧﻴﺎزﻣﻨﺪ رﺳﻴﺪﮔﻲ ﺑﻪ اﻧﻮاع ﻣﺴﺎﺋﻞ زﻳﺮ اﺳﺖ ‪:‬‬
‫‪1‬ـ ﺗﻮﺻﻴﻒ اﻳﻨﻜﻪ ﭼﻪ ﻛﺎرﻫﺎﻳﻲ را ﺑﺸﺮ ﺑﻬﺘﺮ از ﻣﺎﺷﻴﻦ ﻣﻲ ﺗﻮاﻧﺪ اﻧﺠﺎم دﻫـــﺪ و ﺑﺮ ﻋﻜﺲ‬
‫‪.‬‬
‫‪2‬ـ ﺗﻮﻟﻴﺪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻛﺎري ﻛﻪ در ﻣﻮاﻗﻌﻲ ﻛﻪ ﻛﺎري ﺳﺨﺖ ﺑﻴﻦ اﻧﺴﺎﻧﻬﺎ و ﻋﺎﻣﻞ ﻫﺎي ﻧﺮم‬
‫اﻓﺰاري ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد ﺑﺘﻮاﻧﺪ اﻳﻦ ﺗﻌﺎﻣﻞ را ﻣﺪﻳﺮﻳﺖ ﻛﻨﺪ‪.‬‬
‫‪3‬ـ ﺗﻮﺻﻴﻒ ﺟﻨﺒﻪ ﻫﺎي ﺗﻜﻨﻴﻜﻲ در ارﺗﺒﺎط ﺑﻴﻦ ﻋﺎﻣﻞ ﻫﺎي ﻣﺨﺘﻠﻒ‪.‬‬
‫‪4‬ـ ﻳﻜﭙﺎرﭼﮕﻲ اﺳﺘﺪﻻل ﺑﺮداﺷﺖ ﻋﻤﻮﻣﻲ و اﺳﺘﻔﺎده از ﻣﻔﺎﻫﻴﻢ ﻏﻴﺮ رﺳﻤﻲ ﺑﺎ ﺗﻔﻜﺮ‬
‫ﻣﻨﻄﻘﻲ و ﻣﺤﺎﺳﺒﺎت راﻳﺎﻧﻪ ﺑﺎﻳﺪ ﺑﻮﺟﻮد آﻳﺪ ‪ .‬در اﻳﻦ زﻣﻴﻨﻪ ﺗﺤﻘﻴﻘﺎت ﻣﻔﺼﻠﻲ ﺻﻮرت‬
‫ﻣﻴﮕﻴﺮد ﻛﻪ ﺑﻪ " ﺳﻴﺴﺘﻢ ﻫﺎي ﻧﻴﻤﻪ رﺳﻤﻲ " ﻣﻌﺮوف ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺨﺘﺼﺮً دراﻳﻨﺠﺎ دو ﻋﺎﻟﻢ ﺑﺎ ﻫﻢ روﺑﺮو ﻣﻲ ﺷﻮﻧﺪ ‪ ،‬ﻓﺮﻣﺎﻟﻴﺴﻢ ﻫﺎ در ﺑﺮاﺑﺮ ﻣﻔﺎﻫﻴﻢ‬
‫ﻏﻴﺮ رﺳﻤﻲ ‪ ،‬ﺣﻘﻴﻘﺖ ﻣﻨﻄﻘﻲ در ﺑﺮاﺑﺮ اﺳﺘﺪﻻل ﺗﺨﻤﻴﻨﻲ ‪ ،‬از ﻛﻞ ﺑﻪ ﺟﺰء رﺳﻴﺪن‬
‫)اﺳﺘﻨﺘﺎج( در ﺑﺮاﺑﺮ اﺳﺘﻘﺮا و ﻳﺎدﮔﻴﺮي ‪ .‬در ﺗﻀﺎد ﺑﺎ اﻳﺪه ﻫﺎي ﭘﺮوژه ‪ ، CYC‬ﻫﺮ ﺷﺨﺼﻲ‬
‫ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺑﺮ ﭘﻴﭽﻴﺪﮔﻲ دﻧﻴﺎ ﺑﺎ ﺷﻨﺎﺧﺖ ﻧﺎ درﺳﺘﻲ ‪ ،‬ﺗﺴﻠﻂ ﭘﻴﺪا ﻛﻨﺪ ‪ .‬اﻳﻦ راﻫﻲ اﺳﺖ‬
‫ﻛﻪ اﻧﺴﺎﻧﻬﺎ آن را ﭘﻴﻤﻮده اﻧﺪ و ﺳﻴﺴﺘﻢ ﻫﺎي دﺳﺘﻴﺎر ﺑﺎﻳﺪ اﻳﻦ ﺗﻮاﻧﺎﻳﻲ ﻫﺎ را ﺑﺪﺳﺖ آورﻧﺪ‪.‬‬
‫واﺿﺢ اﺳﺖ درﻫﻤﻜﺎري ﺑﻴﻦ اﻧﺴﺎن و ﻣﺎﺷﻴﻦ اﻧﺴﺎﻧﻬﺎ ﺷﺮﻳﻚ ﻫﺎي ﺑﺮﺗﺮي ﻫﺴﺘﻨﺪ‪ .‬اﻧﺴﺎﻧﻬﺎ‬
‫ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺎي ﻧﻬﺎﻳﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ و ﻧﺴﺒﺖ ﺑﻪ ﻋﻮاﻗﺐ ﻛﺎر ﻣﺴﺌﻮﻟﻴﺖ دارﻧﺪ ‪.‬‬
‫ﻳﻚ روش ﺟﻬﺖ ﺗﻮﺻﻴـﻒ ﻧﻘﺶ ﺗﺎﺑﻌﻲ ﻣﺎﺷﻴﻦ ﻫﺎ ‪ ،‬در ﻧﻈﺮ ﮔﺮﻓﺘﻦ آﻧﻬﺎ ﺑﻪ ﻋﻨﻮان‬
‫ﺧﺪﻣﺘﻜﺎراﻧﻲ اﺳــﺖ ﻛﻪ اﻧﺴﺎﻧﻬــﺎ را ﺑﺎ ﺗﻮﻟﻴﺪ داﻧﺶ ﻻزم ﺑﻪ ﺷﻜﻞ ﻣﻔﻴﺪ و ﺑﻪ ﻟﺤﻈﻪ ‪،‬‬
‫ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﻣﺸﻜﻞ دﻳﮕﺮي ﻛﻪ ﻓﻮراٌ اﻳﺠﺎد ﻣﻲ ﺷﻮد‪ ،‬ﻛﻨﺘﺮل ﺑﻲ دﻗﺘﻲ اﺳﺖ ﭼﻮن‬
‫ﺧﻄﺎ ﻫﺎي ﻣﻄﻠﻖ ﻗﺎﺑﻞ ﭘﺬﻳﺮش ﻧﻴﺴﺘﻨﺪ و اﻳﻦ ﺑﻪ ﻣﻌﻨﻲ داﺷﺘﻦ ﻣﺤﺪوده ﻫﺎي اﻣﻦ در‬
‫ﻣﺪﻳﺮﻳﺖ ﺧﻄﺎي ﻋﺪدي در اﺳﺘﺪﻻل ﺳﻤﺒﻠﻴﻚ اﺳﺖ‪.‬‬
‫زﻣﻴﻨﻪ ﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺎ اﻳﻦ ﻣﻮﺿﻮع وﺟﻮد دارﻧﺪ ﻛﻪ ﺑﺮﺟﺴﺘﻪ ﺗﺮﻳﻦ آﻧﻬﺎ اﺳﺘﺪﻻل ﺑﺮ ﻣﺒﻨﺎي‬
‫ﻣﺸﺎﺑﻬﺖ و اﺳﺘﺪﻻل ﻓﺎزي اﺳﺖ ‪ .‬ﺑﺮاي ﺗﻮﺳﻌﻪ آﻳﻨﺪه ‪ AI‬در اﻳﻦ زﻣﻴﻨﻪ ﮔﺴﺘﺮش ﺣﻮزة‬
‫ﺗﻜﻨﻴﻚ ﻫﺎي ‪ AI‬ﺳﻨﺘﻲ ﻣﻬﻤﺘﺮﻳﻦ ﮔﺎم ﻧﻴﺴﺖ ﺑﻠﻜﻪ ﻣﻬﻤﺘﺮﻳﻦ ﮔﺎم ﻛﺸﻒ روﺷﻲ اﺳﺖ ﻛﻪ‬
‫ﺑﺸﺮ اﺳﺘﺪﻻل ﻣﻴﻜﻨﺪ‪ .‬اﻳــﻦ ﻳﻚ رﻫﻴﺎﻓﺖ ﻣﺮﺣﻠﻪ اي اﺳﺖ ﻛﻪ اﻧﺴﺎﻧﻬﺎ را ﺑﻪ ﺷﻜﻞ ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي دﺳﺘﻴﺎر ﻣﺘﺤﺪ ﻣﻲ ﻛﻨﺪ و ﺑﻪ ﻣﺎﺷﻴﻦ اﺟﺎزه ﻣﻲ دﻫﺪ ﺑﺎ اﻧﻮاع روش ﻫﺎي ﻓﻜﺮي اﻧﺴﺎن ﺑﺎ‬
‫ﻣﻔﺎﻫﻴﻢ ﻏﻴﺮ رﺳﻤﻲ ارﺗﺒﺎط داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻣﻄﻤﺌﻨﺎً اﻳﻦ ﻣﺰﻳﺖ ﺑﺰرﮔﻲ ﺑﺮاي ﻛﺎرﺑﺮد ﻫﺎي‬
‫ﺑﺴﻴﺎري ﻣﺜﻞ ﺗﺠﺎرت اﻟﻜﺘﺮوﻧﻴﻜﻲ‪ ،‬ﭘﺰﺷﻜﻲ ‪ ،‬ﺗﺤﺼﻴﻼت و‪ ...‬ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬
‫ﺗﺤﻘﻴﻖ و ﭘﻴﺸﺮﻓﺖ آﻳﻨﺪه در ‪ AI‬ﻣﻲ ﺗﻮاﻧﺪ در ﺳﻪ ﻋﺒﺎرت » ﺗﻮﻟﻴﺪ داﻧﺶ« ‪ » ،‬ﺧﻮد ﻣﺨﺘﺎري‬
‫« و » ﻣﻮﻗﻌﻴﺖ ﺷﻨﺎﺳﻲ «ﮔﻨﺠﺎﻧﺪه ﺷﻮد‪.‬‬
‫‪ 1-7-1‬اﻳﺠﺎد اﻃﻼﻋﺎت‬
‫اﮔﺮ از داده ﻫﺎي اﻧﺒﻮه ذﺧﻴﺮه ﺷﺪه در ﻳﻚ ﭘﺎﻳﮕﺎه داده و از روﺷﻬﺎي ﻣﻌﻤﻮﻟﻲ ﺑﺎزﻳﺎﺑﻲ داده‬
‫ﻫﺎ اﺳﺘﻔﺎده ﻛﻨﻴﻢ ﺗﻨﻬﺎ ﻣﻴﺘﻮاﻧﻴﻢ ﺑﻪ ﭘﺮﺳﺸﻬﺎي از ﭘﻴﺶ ﺗﻌﻴﻴﻦ ﺷﺪه ﭘﺎﺳﺦ دﻫﻴﻢ ﺣﺎل آﻧﻜﻪ‬
‫داﻧﺶ زﻳﺎدي در اﻳﻦ ﭘﺎﻳﮕﺎﻫﻬﺎ ﻧﻬﻔﺘﻪ اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﻃﺮاﺣﺎن دﺳﺘﻪ ﺑﻨﺪي ﻧﮕﺮدﻳﺪه اﻧﺪ ‪.‬‬
‫اﻣﺮوزه ﻧﻴﺎزﻣﻨﺪ اﻋﻤﺎل ﺳﻮاﻻت واﻗﻌﻲ از اﻳﻦ ﭘﺎﻳﮕﺎﻫﻬﺎ ﻫﺴﺘﻴﻢ‪.‬اﻣﺮوزه روﺷﻬﺎي زﻳﺎدي‬
‫ﻣﺎﻧﻨﺪ‪ ، (data warehouse)1‬ﻣﺘﺪﻫﺎي ﻛﻼﺳﻴﻚ آﻣﺎري ‪ ،‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ‬
‫ﻫﺎي ﻳﺎدﮔﻴﺮي ﻣﺎﺷﻴﻦ ﺑﺮاي اﻳﻦ ﻛﺎر ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ‪.‬‬
‫ﻓﻨﺎوري اﺳﺘﺨﺮاج داﻧﺶ از اﻃﻼﻋﺎت ﻏﻴﺮ دﺳﺘﻪ ﺑﻨﺪي ﺷﺪه داده ﻛﺎوي ﻧﺎﻣﻴﺪه ﻣﻴﺸﻮد ‪AI .‬‬
‫ﻛﻤﻚ اﺳﺎﺳﻲ ﺑﻪ ﺗﻮﺳﻌﻪ اﻳﻦ ﻓﻨﺎوري ﻛﺮده اﺳﺖ ‪ .‬در ﺳﺎﻟﻬﺎي اﺧﻴﺮ از اﻳﻦ ﻓﻨﺎوري ﺑﻪ‬
‫ﺻﻮرت ﺗﺠﺎري اﺳﺘﻔﺎده زﻳﺎدي ﻣﻲ ﺷﻮد ‪.‬ﻣﺜﻼ از اﻃﻼﻋﺎت ﺟﺴﺘﺠﻮ ﺷﺪه ﺗﻮﺳﻂ ﻣﺮدم در‬
‫ﺳﺎﻳﺘﻬﺎﻳﻲ ﻣﺎﻧﻨﺪ ﮔﻮﮔﻞ ﻋﻼﻗﻪ ﻣﻨﺪي آﻧﺎن ﺑﻪ ﻣﻮﺿﻮﻋﺎت ﻣﺨﺘﻠﻒ اﺳﺘﺨﺮاج ﻣﻴﺸﻮد ﻛﻪ ﺧﻮد‬
‫داﻧﺸﻲ ﮔﺮاﻧﺒﻬﺎ ﺑﺮاي ﻣﻬﻨﺪﺳﻲ اﺟﺘﻤﺎﻋﻲ ﺟﺎﻣﻌﻪ ﻳﺎ ﺗﻮﺳﻌﻪ ﻣﺪ ﻳﺎ ﻛﺸﻒ ﺧﻼﻫﺎي ﺳﻴﺎﺳﻲ‬
‫اﺳﺖ ‪ .‬داده ﻛﺎوي در ﺣﻮزه ﻫﺎي ﻣﺤﺪودﺗﺮ ﻧﺎﻣﻬﺎي دﻳﮕﺮي دارد ﻣﺜﻼ ﺑﺮاي داده ي ﻓﺮﻣﺖ‬
‫ﻧﺸﺪه ﻣﺘﻦ ﻛﺎوي ‪ ،‬ﺑﺮاي اﻃﻼﻋﺎت ﺳﺎﻳﺘﻬﺎي وب ‪ ،‬وب ﻛﺎوي ﻳﺎ ﺑﺮاي اﻃﻼﻋﺎت ﻧﻬﻔﺘﻪ در‬
‫ﺗﺼﺎوﻳﺮ ﺗﺼﻮﻳﺮﻛﺎوي ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫اﻃﻼﻋﺎت ﺗﻮﻟﻴﺪ ﺷﺪه ﺑﻪ اﻳﻦ روش از ﻳﻚ ﻓﻀﺎي ﺧﺎﻟﻲ ‪ ،‬اﻳﺠﺎد ﻧﺸﺪه اﺳﺖ ‪ ،‬ﺑﻠﻜﻪ ﺑﻪ ﻃﻮر‬
‫ﺿﻤﻨﻲ از ﻳﻚ ﺳﺮي داده ﮔﺮدآوري ﺷﺪه اﺳﺖ ‪ ،‬ﺑﻪ ﺑﻴﺎن دﻳﮕﺮ ‪ ،‬اﻳﻦ اﻃﻼﻋﺎت ﻳﻚ‬
‫ﺧﻼﺻﻪ داده اﺳﺖ ‪ .‬اﻏﻠﺐ ﺑﻪ ﻳﺎدﮔﻴﺮي ﻣﺎﺷﻴﻦ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻧﻤﻮﻧﻪ ﺑﺮاي ﻳﺎدﮔﻴﺮي اﻧﺴﺎن‬
‫ﺗﻮﺟﻪ ﻣﻲ ﺷﻮد ‪ .‬اﻳﻦ دﻳﺪﮔﺎه ﻗﻄﻌﺎٌ ﻏﻠﻂ ﻧﻴﺴﺖ وﻟﻲ ﺧﻴﻠﻲ ﻣﺤﺪود اﺳﺖ ‪ .‬از ﻋﻠﻮم ﺷﻨﺎﺧﺘﻪ‬
‫ﺷﺪه در ﻣﻲ ﻳﺎﺑﻴﻢ ﻛﻪ در ﻳﺎدﮔﻴﺮي اﻧﺴﺎن ‪ ،‬آﻣﺎر و ارﻗﺎم ﻫﻢ ﻧﻘﺶ ﻣﻬﻤﻲ دارﻧﺪ ‪ ،‬ﭘﺲ ﻣﻲ‬

‫‪1‬‬
‫‪Data Warehouse‬‬
‫ﺗﻮاﻧﻴﻢ ﻓﺮض ﻛﻨﻴﻢ ﻛﻪ ﻳﺎدﮔﻴﺮي ‪ ،‬ﻳﻚ ﭘﺮدازش ﭘﻴﭽﻴﺪه در ﺟﺎﻳﮕﺎﻫﻲ اﺳﺖ ‪ ،‬ﻛﻪ اﻟﮕﻮﻫﺎي‬
‫ﺷﻨﺎﺧﺘﻲ ﻣﺨﺘﻠﻒ ﺑﺎ ﻫﻢ در ﺗﻌﺎﻣﻠﻨﺪ ‪ .‬اﻳﻦ ﻣﻮرد ﺑﻪ وﺳﻴﻠﻪ ﺗﺮﻛﻴﺐ روﺷﻬﺎي ﻣﺨﺘﻠﻒ در داده‬
‫ﻛﺎوي ﺑﻪ ﺧﻮﺑﻲ ﻧﻤﺎﻳﺎن اﺳﺖ‪ .‬اﻟﺒﺘﻪ ﺑﺮاي ﺣﻞ اﻳﻦ ﻣﺴﺌﻠﻪ ﺗﺤﻘﻴﻘﺎت زﻳﺎدي در آﻳﻨﺪه ﺻﻮرت‬
‫ﺧﻮاﻫﺪ ﮔﺮﻓﺖ ‪ .‬راه ﺣﻠﻲ ﻛﻪ ﻓﻘﻂ ﻛﺎراﻳﻲ ﻓﻨﺎوري داده ﻛﺎوي ﻣﻮﺟﻮد را ﺑﻬﺒﻮد ﻧﻤﻲ ﺑﺨﺸﺪ‬
‫‪ ،‬ﺑﻠﻜﻪ ﻳﻚ ﺟﻨﺒﺔ ﺷﻨﺎﺧﺘﻲ دارد ‪ .‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻓﺮﺿﻴﻪ اي ﻛﻪ ﺑﺸﺮ‪ ،‬داﻧﺶ را از ﺗﺠﺮﺑﻴﺎت‬
‫ﺑﺪﺳﺖ ﻣﻲ آورد را دﻧﺒﺎل ﻛﻨﻴﻢ ‪ ،‬ﺑﺸﺮ ﺑﺎ ﺗﺮﻛﻴﺐ ﻣﺠﻤﻮﻋﻪ ﻫﺎي ﺑﺰرﮔﻲ از ﻣﺜﺎﻟﻬﺎﻳﻲ ﻛﻪ در‬
‫ﻃﻮل زﻧﺪﮔﻴﺶ ﻣﻲ ﺑﻴﻨﻨﺪ داﻧﺶ ﻛﺴﺐ ﻛﺮده و ﺑﻪ اﺻﻄﻼح ﺧﺒﺮه ﻣﻲ ﺷﻮد ‪ ,‬ﺗﻘﻠﻴﺪ اﻳﻦ‬
‫روش در ﻓﻨﺎوري داده ﻛﺎوي ﻫﺮ روز در ﺣﺎل ﭘﻴﺸﺮﻓﺖ اﺳﺖ ‪ .‬ﭘﺮدازش اﻧﺘﺰاع در ﻗﺴﻤﺖ‬
‫ﺷﻨﺎﺳﺎﻳﻲ دﻗﻴﻖ و ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ دﻗﻴﻖ ﺑﺮ ﻣﺒﻨﺎي › داﻧﺶ ﭘﺎﻳﻪ‹ و › داﻧﺶ ﺗﺨﺼﺼﻲ‹ ﺻﻮرت‬
‫ﻣﻴﮕﻴﺮد‪ .‬اﻳﻦ ﭘﺮدازش ﻣﻤﻜﻦ اﺳﺖ ﺑﺎ ﺗﻜﻨﻴﻚ ﻫﺎي داده ﻛﺎوي ﭘﻴﺸﺮﻓﺘﻪ ﺷﺒﻴﻪ ﺳﺎزي ﺷﻮد و‬
‫ﺑﺎ اﻳﻦ روش ﻣﻤﻜﻦ اﺳﺖ داﻧﺶ )ﺧﺒﺮﮔﻲ( از داده ﺑﻪ ﻃﻮر اﺗﻮﻣﺎﺗﻴﻚ ﺗﻮﻟﻴﺪ ﺷﻮد‪.‬‬
‫‪ 2-7-1‬ﺧﻮد ﻣﺨﺘﺎري‬
‫از ﺳﺎﻟﻬﺎ ﭘﻴﺶ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﻮزﻳﻊ ﺷﺪه ﺑﻪ ﻋﻨﻮان اﺑﺰار ﻗﺪرﺗﻤﻨﺪ ﺑﺮاي اﻓﺰاﻳﺶ ﻛﺎراﻳﻲ ﺣﻞ‬
‫ﻣﺴﺌﻠﻪ در ﺣﻮزه ﻛﺎﻣﭙﻴﻮﺗﺮ ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ اﻧﺪ و ﻫﺮ روز داﻣﻨﻪ ﻫﺎي ﻛﺎرﺑﺮدي ﺟﺪﻳﺪي ﺑﺮاي‬
‫ﺗﻜﻨﻮﻟﻮژي راﻳﺎﻧﻪ ﺑﻮﺟﻮد ﻣﻲ آورﻧﺪ ‪.‬ﺳﻴﺴﺘﻤﻬﺎي ﺗﻮزﻳﻊ ﺷﺪه اﻣﺮوزي ﺑﺮاي ﺗﻀﻤﻴﻦ‬
‫ﻳﻜﭙﺎرﭼﮕﻲ ﻧﻴﺎزﻣﻨﺪ ارﺗﺒﺎﻃﺎت زﻳﺎدي ﻫﺴﺘﻨﺪ ﻛﻪ اﻳﻦ ارﺗﺒﺎط ﺑﺪﻻﻳﻠﻲ ﻣﺎﻧﻨﺪ دوري ﻣﺴﺎﻓﺖ و‬
‫ﻏﻴﺮه ﻣﺒﺘﻨﻲ ﺑﺮ ﺷﺒﻜﻪ ﻫﺎﺳﺖ و ﺑﺴﺘﻪ ﺑﻪ ﻣﻮﻗﻌﻴﺖ ﻳﻚ ﺷﺒﻜﻪ اﻣﻜﺎن ﻗﻄﻊ اﻳﻦ ارﺗﺒﺎط وﺟﻮد‬
‫دارد ‪.‬ﺣﺎل اﮔﺮ اﻳﻦ ارﺗﺒﺎط ﺑﺮاي ﻣﺪت ﻃﻮﻻﻧﻲ ﻗﻄﻊ ﺷﻮد ﭼﻪ اﺗﻔﺎﻗﻲ ﺧﻮاﻫﺪ اﻓﺘﺎد‪ .‬ﻓﻨﺎوي‬
‫‪ AI‬ﻋﻼوه ﺑﺮ ﺗﻼش ﺟﻬﺖ ﮔﺴﺘﺮش اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺟﺪﻳﺪ ﺗﻮزﻳﻊ ﺑﻬﻴﻨﻪ داده و ﺗﺮﻛﻨﺶ ﻫﺎ‬
‫ﺑﺮاي اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﺳﻌﻲ ﻣﻴﻜﻨﺪ اﺟﺰاي اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ را ﺑﻪ درﺟﺎﺗﻲ از ﺧﻮد ﻣﺨﺘﺎري‬
‫ﻣﺠﻬﺰ ﻛﻨﺪ ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي راﻳﺎﻧﻬﻲ ﺑﻴﺸﺘﺮ ﺑﻪ ﻋﻨﻮان ﻣﺎﺷﻴﻦ ﻫﺎي ﻣﺤﺎﺳﺒﻪ و ذﺧﻴﺮه ﺳﺎز داده ﻫﺎي اﻧﺒﻮه‬
‫و ﺟﻬﺖ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﻧﺪ ‪ .‬ﺑﺸﺮ ﺑــﺮاي ﭘﺬﻳــﺮش‬
‫ﺗﺼﻤﻴﻤﺎت ﮔﺮﻓﺘﻪ ﺷﺪه ﺗﻮﺳﻂ راﻳﺎﻧﻪ ﻫﻤﻮاره در ﺗﺮدﻳﺪ ﺑﻪ ﺳﺮ ﺑﺮده اﺳﺖ ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل‬
‫ﺟﻨﺪي اﺳﺖ راﻳﺎﻧﻪ ﻫﺎ ﺗﺄﺳﻴﺴﺎت ﺑﺰرﮔﻲ را در ﺑﻌﻀﻲ ﺣﻮزه ﻫﺎي ﻓﻨﻲ ﻣﺎﻧﻨﺪ ﺳﺪ و ﺻﻨﺎﻳﻊ‬
‫ﻛﻨﺘﺮل ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ در ﺑﻌﻀﻲ ﻣﻮاﻗﻊ رﺳﻴﺪﮔﻲ ﺑﻪ اﻣﻮر ﻧﻴﺎزﻣﻨﺪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﺳﺖ اﻣﺎ ﻫﻨﻮز‬
‫اﻧﺴﺎن ﺑﻪ ﻋﻨﻮان ﻧﺎﻇﺮ و ﺳﺮﭘﺮﺳﺖ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ ﻣﻴﺘﻮان از ﺳﻴﺴﺘﻤﻬﺎي‬
‫ﻛﻨﺘﺮل درﻳﭽﻪ ﻫﺎي ﺳﺪ ﻳﺎ ﻛﻨﺘﺮل درﻳﭽﻪ ﻫﺎي ﻣﺴﻴﺮﻫﺎي ﻓﺸﺎر ﮔﺎز ﻧﺎم ﺑﺮد ‪ .‬ﭘﺲ ﻣﻴﺘﻮاﻧﻴﻢ‬
‫ﻓﺮض ﻛﻨﻴﻢ ﺳﻴﺴﺘﻢ ﻫﺎي راﻳﺎﻧﻪ اي ﻗﺒﻼً ﺧﻮد ﻣﺨﺘﺎر ﺷﺪن را آﻏﺎز ﻛﺮده اﻧﺪ ‪ .‬وﻟﻲ اﻳﻦ ﺗﻨﻬﺎ‬
‫ﺷﺮوع ﻳﻚ ﻓﺮآﻳﻨﺪ ﺑﺰرگ اﺳﺖ ‪ .‬در ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﻛﻪ ﺑﺎ ﻛﻤﻚ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫در ﺣﺎل ﮔﺴﺘﺮش ﻫﺴﺘﻨﺪ ‪ ،‬ﺧﻮدﻣﺨﺘﺎري ﻳﻚ ﻣﻮﺿﻮع ﻛﻠﻴﺪي اﺳﺖ‪ .‬ﻳﻚ ﺟﺰء از ﺳﻴﺴﺘﻢ‬
‫ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻋﺎﻣﻞ ﻛﻪ ﻓﻘﻂ درﺟﻪ اي از ﺧﻮد ﻣﺨﺘﺎري را دارد ‪ ،‬دﻳﺪه ﻳﺎ ﻃﺮح‬
‫رﻳﺰي ﺷﻮد ﻳﺎ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺟﺰء ﻣﻨﻔﻌﻞ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد ‪ .‬ﺧﻮدﻣﺨﺘﺎري ﺑﺎ ﭼﻨﺪ وﻳﮋﮔﻲ‬
‫ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد ‪ .‬اﺑﺘﺪا ‪ ،‬ﺧﻮدﻣﺨﺘﺎري ﺑﻪ ﻣﻌﻨﻲ ﺗﻮاﻧﺎﻳﻲ اﻧﺘﺨﺎب ﭼﻨﺪ ﻋﻤﻞ از ﻣﺠﻤﻮﻋﻪ‬
‫اي از اﻋﻤﺎل ﻣﻤﻜﻦ در ﻣﻮﻗﻌﻴﺖ ﻣﻌﻴﻦ ‪ ،‬ﺷﺎﻣﻞ ﺗﺼﻤﻴﻢ ﺑﻴﻦ ﻏﻴﺮﻓﻌﺎل ﺑﻮدن ﻳﺎ ﻣﻮﻗﻊ ﻧﻴﺎز‬
‫ﻓﻌﺎل ﺷﺪن ‪ ،‬ﻣﻲ ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﺗﻮاﻧﺎﻳﻲ ‪ Proactivity‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ‪ .‬وﻳﮋﮔﻲ ﻣﻬﻢ دﻳﮕﺮ‬
‫ﺗﻮاﻧﺎﻳﻲ دﻧﺒﺎل ﻛﺮدن اﻫﺪاف اﺳﺖ ‪ .‬ﻧﻪ ﺗﻨﻬﺎ ﻻزم اﺳﺖ ﻛﻪ ﻳﻚ ﻋﺎﻣﻞ ‪ ،‬اﻫﺪاﻓﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‬
‫ﻛﻪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي و ﻓﻌﺎﻟﻴﺘﺶ را راﻫﻨﻤﺎﻳﻲ ﻛﻨﺪ ﺑﻠﻜﻪ اﻳﻨﻜﻪ ﻋﺎﻣﻞ ﺑﺘﻮاﻧﺪ اﻳﻦ اﻫﺪاف را ﺗﻐﻴﻴﺮ‬
‫دﻫﺪ ‪ ،‬رﻫﺎ ﻛﻨﺪ ﻳﺎ اﻫﺪاف ﺟﺪﻳﺪي اﺗﺨﺎذ ﻛﻨﺪ ﻧﻴﺰ ﺑﺴﻴﺎر ﺿﺮوري اﺳﺖ ‪ .‬وﻳﮋﮔﻲ ﺳﻮم‬
‫ﺗﻮاﻧﺎﻳﻲ ارﺗﺒﺎط ﻓﻌﺎل و ﻫﻤﻜﺎري اﺳﺖ ‪ .‬ﻛﻠﻤﻪ" ‪) " active‬ﻓﻌﺎل( در اﻳﻨﺠﺎ ﻣﻬﻢ اﺳﺖ ﭼﻮن‬
‫ﺗﺒﺎدل ﭘﻴﺎم ﺑﻪ ﻣﻨﻈﻮر ﻓﺮاﺧﻮاﻧﻲ ﻫﺎي ﺗﺎﺑﻌﻲ ‪ ,‬ﺑﻴﻦ اﺟﺰا ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﻌﻤﻮﻻ ارﺗﺒﺎط ﻧﺎﻣﻴﺪه‬
‫ﻣﻲ ﺷﻮد ‪ ،‬اﻣﺎ اﻳﻨﺠﺎ اﻳﻦ ﻣﻌﻨﻲ را ﻧﻤﻲ دﻫﺪ ‪ .‬ارﺗﺒﺎط و ﻫﻤﻜﺎري ﺑﻴﻦ ﻋﺎﻣﻞ ﻫﺎ ﻳﻚ رﻓﺘﺎر‬
‫‪ proactive‬اﺳﺖ ‪ ،‬ﻳﻚ ﻋﺎﻣﻞ ﻣﻲ ﺗﻮاﻧﺪ ارﺗﺒﺎط را ﺷﺮوع ﻛﻨﺪ ﻳﺎ ﺑﺮاي ﻫﻤﻜﺎري ﺑﺎ ﺑﻘﻴﻪ‬
‫ﻫﺮ ﻣﻮﻗﻊ ﻛﻪ اﺣﺴﺎس ﻛﻨﺪ ﻻزم اﺳﺖ ﺑﻪ ارﺗﺒﺎط دﻳﮕﺮان ﮔﻮش ﻛﻨﺪ‪ .‬وﻳﮋﮔﻲ ﺧﻮد ﻣﺨﺘﺎري‬
‫ﻳﻚ راﺑﻄﻪ ﺟﺪﻳﺪ ﺑﻴﻦ ﻋﺎﻣﻞ ﻫﺎ اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ ﭼﻪ آﻧﻬﺎ ﺑﻪ ﻋﻨﻮان رﺑﺎت و ﻳﺎ ﺑﻪ ﻋﻨﻮان‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻧﺮم اﻓﺰاري و اﻧﺴﺎﻧﻬﺎﻳﻲ ﻛﻪ ﺧﺼﻮﺻﻴﺖ ﻣﺸﺎرﻛﺖ دارﻧﺪ ‪ ،‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ‬
‫ﺷﻮﻧﺪ ‪ .‬ﻋﺎﻣﻞ ﻫﺎي ﺧﻮد ﻣﺨﺘﺎر ﺑﺎ ﻣﺎﺷﻴﻦ ﻫﺎﻳﻲ ﻛﻪ در ﻫﻨﮕﺎم ﻧﻴﺎز ﺷﺮوع ﺑﻪ ﻛﺎر ﻣﻴﻜﻨﻨﺪ ‪،‬‬
‫ﻛﺎرﺷﺎن را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ و ﺧﺎﻣﻮش ﻳﺎ ﻏﻴﺮ ﻓﻌﺎل ﻣﻲ ﺷﻮﻧﺪ ‪،‬ﻛﺎﻣﻼ ﻣﺘﻔﺎوﺗﻨﺪ ‪ .‬ﻣﻤﻜﻦ‬
‫اﺳﺖ ﺷﺨﺼﻲ ﺑﻪ اﻳﻦ ﻋﻮاﻣﻞ ﺑﻪ دﻳﺪ ﺧﺪﻣﺘﻜﺎران ﻧﮕﺎه ﻛﻨﺪ ‪ ،‬وﻟﻲ ﺧﺪﻣﺘﻜﺎران ﺧﻮاﺳﺘﻪ ﻫﺎ و‬
‫ﺗﻮاﻧﺎﻳﻲ ﻫﺎﻳﻲ ادراﻛﻲ ﭘﻴﭽﻴﺪه ﺧﻮدﺷﺎن را دارﻧﺪ ‪ ،‬و اﻳﻦ ﻣﻮارد ﺑﺎﻳﺪ ﺑﻪ ﻋﺎﻣﻞ ﻫﺎ واﮔﺬار‬
‫ﺷﻮﻧﺪ ‪ .‬ﻣﺎ ﺑﺎﻳﺪ اﻧﺘﻈﺎر زﻧﺪﮔﻲ در ﻳﻚ ﺟﺎﻣﻌﻪ ﭘﻴﭽﻴﺪه ﺗﺮ را در آﻳﻨﺪه داﺷﺘﻪ ﺑﺎﺷﻴﻢ زﻳﺮا در‬
‫آﻳﻨﺪه ﻣﺎ ﺑﺎ ﻋﺎﻣﻞ ﻫﺎ ﺑﻪ ﻋﻨﻮان ﻧﻮﻋﻲ از ﻣﻮﺟﻮدﻳﺖ ﻫﺎي زﻧﺪه ﻫﻤﻜﺎري ﻣﻲ ﻛﻨﻴﻢ ‪ ،‬اﻳﻦ‬
‫ﻋﻮاﻣﻞ در زﻧﺪﮔﻲ روزﻣﺮه ﻣﺎ ﻣﺜﻞ دﺳﺘﻴﺎر ﻫﺎي ﺷﺨﺼﻲ در ﺳﻴﺴﺘﻢ ﻫﺎي راﻳﺎﻧﻪ اي ﻣﺎن ‪ ،‬ﺑﻪ‬
‫ﻋﻨﻮان راﻧﻨﺪه در ﻣﺎﺷﻴﻨﻤﺎن ‪ ،‬ﻳﺎ ﻣﺜﻞ ﺳﺮاﻳﺪار ﺧﺎﻧﻪ ﻣﺎن ﺣﺎﺿﺮ ﺧﻮاﻫﻨﺪ ﺷﺪ ‪ .‬ﻣﺤﻘﻘﺎن ‪AI‬‬
‫ﺑﺎﻳﺪ ﺑﺎ ﺟﺎﻣﻌﻪ ﺷﻨﺎﺳﺎن در ﺑﺎره ﻣﺴﺎﺋﻠﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ از اﻳﻦ دﻳﺪ اﻳﺠﺎد ﺷﻮﻧﺪ ‪ ،‬در‬
‫ارﺗﺒﺎط ﺑﺎﺷﻨﺪ ‪.‬‬
‫‪ 3-7-1‬ﻣﻮﻗﻌﻴﺖ ﺷﻨﺎﺳﻲ‬
‫در ﻳﻚ دﻳﺪ ﻛﻠﻲ ‪ ،‬ﻫﻤﻪ ﺳﻴﺴﺘﻢ ﻫﺎي راﻳﺎﻧﻪ اي در ﺷﺮاﻳﻂ و ﻣﻮﻗﻌﻴﺘﻬﺎﻳﻲ ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ ‪،‬‬
‫اﻣﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﺳﻨﺘﻲ ﻣﻮﺟﻮد در ﺷﺮاﻳﻂ ﺧﻮش‪ -‬ﺗﻌﺮﻳﻒ و ﺧﻴﻠﻲ ﻣﺤﺪود ﺷﺪه ﻛﻪ ﻛﺎﻣﻼٌ‬
‫ﺑﻪ وﺳﻴﻠﻪ ﺑﺸﺮ ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ‪ ،‬ﻗﺮار دارﻧﺪ ‪ .‬ﻣﻮﻗﻌﻴﺖ ﺷﻨﺎﺳﻲ ﻳﻚ ﻣﻮﺿﻮع ﻣﻬﻢ‬
‫ﺗﺤﻘﻴﻘﺎﺗﻲ درﺑﺎره ارﺗﺒﺎط ﻣﺘﻘﺎﺑﻞ ﻋﻮاﻣﻞ در ﺳﻴﺴﺘﻤﻬﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ اﺳﺖ و در ﻛﺎرﻛﺮد‬
‫ﺻﺤﻴﺢ رﺑﺎﺗﻬﺎي ﻣﺘﺤﺮك ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ ‪ .‬ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ ﻣﻮﻗﻌﻴﺖ ﺷﻨﺎﺳﻲ ﻳﻜﻲ از‬
‫ﭘﻴﺎﻣﺪﻫﺎي ﺧﻮد ﻣﺨﺘﺎري اﺳﺖ ‪ .‬ﻓﻘﻂ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﻮد ﻣﺨﺘﺎر ﻣﻲ ﺗﻮاﻧﻨﺪ ﺧﻮدﺷﺎن را در‬
‫ﺟﻬﺖ و ﺟﺎﻳﮕﺎه ﻣﻨﺎﺳﺐ ﻗﺮار دﻫﻨﺪ و در ﻫﺮ ﻣﻮﻗﻌﻴﺖ ﻋﻤﻞ ﻣﻨﺎﺳﺐ ﺻﻮرت دﻫﻨﺪ‪ .‬در‬
‫اﻳﻨﺠﺎ ﻣﻮﻗﻌﻴﺖ ﺑﻪ ﻣﻌﻨﻲ ﻣﺠﻤﻮﻋﻪ ﺗﺎﺛﻴﺮﻫﺎﻳﻲ از ﻣﺤﻴﻂ اﺳﺖ ﻛﻪ ﺗﻘﺮﻳﺒﺎ ﻏﻴﺮ ﻗﺎﺑﻞ ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫اﻧﺪ اﻣﺎ اﻫﻤﻴﺖ زﻳﺎدي ﺑﺮاي ﺳﻴﺴﺘﻢ دارﻧﺪ ﺑﻪ ﻃﻮري ﻛﻪ ﺳﻴﺴﺘﻢ ﻣﺠﺒﻮر ﺑﻪ ﻧﺸﺎن دادن‬
‫واﻛﻨﺶ ﺑﺎ روش ﻣﻨﺎﺳﺐ اﺳﺖ ‪ .‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺟﺎﻳﮕﺰﻳﻦ ﻣﺠﺒﻮر اﺳﺖ دو ﻣﺴﺌﻠﻪ اﺻﻠﻲ را‬
‫ﺣﻞ ﻛﻨﺪ ‪ ،‬ﺑﺮاي ﻣﺜﺎل ﭼﮕﻮﻧﻪ ﻣﻮﻗﻌﻴﺖ را ﺣﺲ ﻛﻨﺪ و ﭼﮕﻮﻧﻪ واﻛﻨﺶ ﻣﻨﺎﺳﺐ را اﻧﺘﺨﺎب‬
‫ﻛﻨﺪ ‪ .‬درﻳﺎﻓﺖ ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻣﻤﻜﻦ اﺳﺖ ﻳﻚ ﻛﺎر ﺳﺎده ﺑﺮاي ﻳﻚ ﻋﺎﻣﻞ ﻧﺮم اﻓﺰاري در‬
‫ﻳﻚ ﻣﺤﻴﻂ ﺧﻮش ﺳﺎﺧﺖ ﺑﺎﺷﺪ ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل اﮔﺮ ﺑﻪ ﻓﻌﺎﻟﻴﺖ ﻋﻮاﻣﻞ ﻣﺜﻼٌ در اﻳﻨﺘﺮﻧﺖ ﻓﻜﺮ‬
‫ﻛﻨﻴﻢ ‪ ،‬ﻛﺎرﻫﺎ ﺧﻴﻠﻲ ﭘﻴﭽﻴﺪه ﺗﺮ ﻣﻲ ﺷﻮﻧﺪ ﭼﻮن اﻳﻦ ﻣﺤﻴﻂ ﺑﻪ ﺷﺪت ﻏﻴﺮ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ و‬
‫دﻳﻨﺎﻣﻴﻚ اﺳﺖ ‪ .‬اﻟﺒﺘﻪ ﺣﺲ ﻛﺮدن ﺑﺎ رﺑﺎﺗﻬﺎ از آن ﻫﻢ ﭘﻴﭽﻴﺪه ﺗﺮ اﺳﺖ ‪ .‬در اﻳﻨﺠﺎ اﺑﺘﺪا‬
‫ﺳﻴﮕﻨﺎﻟﻬﺎي ﻓﻴﺰﻳﻜﻲ اوﻟﻴﻪ ﺑﺎﻳﺪ ﺑﻪ داده ﺗﺒﺪﻳﻞ ﺷﻮد ‪ ،‬وﻇﻴﻔﻪ اي ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻓﻴﺰﻳﻚ‬
‫داﻧﺎن و ﻣﻬﻨﺪﺳﺎن اﻟﻜﺘﺮوﻧﻴﻚ ﻣﺤﻮل ﮔﺮدد ‪ .‬در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ‪ ،‬ﺳﻴﮕﻨﺎل ﻫﺎ از ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ ‪،‬‬
‫ﺑﺎﻳﺪ ﺑﺎ ﻫﻢ ﺗﺮﻛﻴﺐ ﺷﻮﻧﺪ ﺗﺎ ﺗﻮﺻﻴﻔﻲ از وﺿﻌﻴﺖ ﻣﻮﺣﻮد اﻳﺠﺎد ﻛﻨﻨﺪ ﻛﻪ ﺳﻴﺴﺘﻢ را ﻗﺎدر ﺑﻪ‬
‫واﻛﻨﺶ ﻣﻨﺎﺳﺐ ﻛﻨﺪ ‪ .‬اﻳﻦ وﻇﻴﻔﻪ اﻣﺘﺰاج ﺣﺴﮕﺮ ﻳﺎ ‪ sensor fusion‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد و اﻳﻨﺠﺎ‬
‫ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ روﺷﻬﺎي ‪ AI‬وارد ﻋﻤﻞ ﻣﻴﺸﻮﻧﺪ ‪ .‬ﭼﻨﺎﻧﻜﻪ ﻣﻴﺪاﻧﻴﻢ ﻓﻬﻢ ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻓﺮاﻳﻨﺪ‬
‫ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه اي اﺳﺖ ﻛﻪ ﻧﻴﺎز ﺑﻪ اﻃﻼع ﭘﺎﻳﻪ اي و ﻓﻌﺎﻟﻴﺘﻬﺎي ﻋﺼﺒﻲ زﻳﺎدي دارﻧﺪ ‪ .‬ﻣﻐﺰ‬
‫ﻣﻮﻗﻌﻴﺖ را از ﺗﺮﻛﻴﺐ ورودي ﻫﺎ ﻣﺘﻔﺎوت درك ﻣﻲ ﻛﻨﺪ ‪ .‬ﻫﻨﻮز درﺑﺎره اﻳﻦ ﻓﺮاﻳﻨﺪ ﭼﻴﺰ‬
‫ﻛﻤﻲ ﻣﻲ داﻧﻴﻢ و ﺑﺮاي اﺳﺘﺪﻻﻟﻬﺎي واﺿﺢ ‪ ،‬دوﺑﺎره ﺳﺎزي آن ﺑﺮاي ﻣﺎﺷﻴﻦ ﺳﺨﺖ اﺳﺖ ‪.‬‬
‫اﻣﺎ ﺑﺮاي ﺑﺪﺳﺖ آوردن ﺑﻴﻨﺸﻲ در اﻳﻦ ﻣﻮﺿﻮع ﻣﻴﺘﻮاﻧﻴﻢ از ﺷﺒﻴﻪ ﺳﺎزي ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ‬
‫ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ‪ AI‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ ‪ .‬در ﺻﻮرﺗﻴﻜﻪ اﻣﻜﺎن ﺷﺒﻴﻪ ﺳﺎزي وﺟﻮد داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ ‪ ،‬ﻣﻲ ﺗﻮان از ﺳﻴﺴﺘﻢ ﻫﺎي ﺟﺎﻳﮕﺰﻳﻦ ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﻣﻨﻈﻮر ﺗﻮﺳﻌﻪ ﺗﻮﺻﻴﻒ ﻣﻨﺎﺳﺐ‬
‫ﺑﺮاي درك ﻣﻮﻗﻌﻴﺘﻬﺎ اﺳﺘﻔﺎده ﻛﺮد‪.‬‬
 ‫ﻓﺼﻞ ﺳﻮم‬

‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬

‫اﻫﺪاف‬
‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬
‫ﻫﻮش ﻣﺎﺷﻴﻦ‬
‫ﻣﻬﻨﺪﺳﻲ داﻧﺶ‬
‫روﻳﻪ ﺑﺮاي ﻓﺮاﮔﻴﺮي داﻧﺶ‬
‫ﻧﻤﺎﻳﺶ ﺣﻘﺎﻳﻖ‬
‫ﻃﺮح ﻫﺎي ﻧﻤﺎﻳﺶ ﻣﻨﻄﻘﻲ‬
‫ﻃﺮح ﻫﺎي ﻧﻤﺎﻳﺶ روﻳﻪ اي‬
‫ﻃﺮح ﻫﺎي ﻧﻤﺎﻳﺶ ﺷﺒﻜﻪ‬
‫ﻃﺮح ﻫﺎي ﻧﻤﺎﻳﺶ ﺳﺎﺧﺖ ﻳﺎﻗﺘﻪ‬

‫‪ 1-3‬ﻣﻘﺪﻣﻪ‬
‫ﺣﺘﻲ ﺑﺤﺚ ﻛﺮدن راﺟﻊ ﺑﻪ ﻛﺎر ﻣﺎﺷﻴﻨﻬﺎي ﻧﺴﺒﺘﺎً ﺳﺎده ﻣﺎﻧﻨﺪ ﻣﺎﺷﻴﻦ ﻫﺎي ﻟﺒﺎﺳﺸﻮﺋﻲ ﻳﺎ ﭼﺮخ‬
‫ﻫﺎي ﺧﻴﺎﻃﻲ ﺳﺨﺖ ﺑﻪ ﻧﻈﺮ ﻣﻲ آﻳﺪ ‪ ،‬ﻣﮕﺮ اﻳﻨﻜﻪ ﻛﺎرﻛﺮد ﻫﺎﻳﻲ را ﻛﻪ اﻳﻦ ﻣﺎﺷﻴﻦ ﻫﺎ ‪ ،‬ﺑﺮ‬
‫اﺳﺎس آﻧﻬﺎ و در ﺟﻬﺖ اﻧﺠﺎم وﻇﺎﻳﻔﺸﺎن ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ‪ ،‬ﻗﺎﺑﻞ درك ﺑﺎﺷﺪ ‪ .‬از آﻧﺠﺎﺋﻲ‬
‫ﻛﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﺎ ﭘﻴﭽﻴﺪه ﺗﺮﻳﻦ ﻧﻮع ﻣﺎﺷﻴﻨﻬﺎي ﻗﺎﺑﻞ ﺗﺼﻮرﻣﺎن ‪ ،‬ارﺗﺒﺎط دارد ‪’ ،‬ﻣﺎﺷﻴﻦ‬
‫ﻫﺎي ﻫﻮﺷﻤﻨﺪ ‘ ‪ ،‬ﺷﺎﻳﺪ ﺑﺎﻳﺪ در ﺗﻌﺮﻳﻒ ﻛﺮدن اﻧﺘﻈﺎرﻣﺎن از وﻇﺎﻳﻒ ﭼﻨﻴﻦ ﻣﺎﺷﻴﻦ ﻫﺎﻳﻲ ‪،‬‬
 ‫‪2‬‬

‫ﺗﻼش وﻳﮋه اي ﺻﻮرت دﻫﻴﻢ ‪ .‬ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ اﻧﺘﻈﺎر دارﻳﻢ اﻳﻦ ﻣﺎﺷﻴﻦ ﻫﺎ ﻫﻮﺷﻤﻨﺪ‬
‫ﺑﺎﺷﻨﺪ ‪ .‬اﻣﺎ ﻣﻨﻈﻮرﻣﺎن از ﻫﻮﺷﻤﻨﺪي ﭼﻴﺴﺖ ؟‬
‫ﺑﺎ ﻣﺮاﺟﻌﻪ ﺑﻪ ﻓﺮﻫﻨﮓ ﻟﻐﺖ ﻫﻮﺷﻤﻨﺪي ﻋﺒﺎرت اﺳﺖ از ﺗﻮاﻧﺎﺋﻲ درك ﻛﺮدن و درك‬
‫ﻛﺮدن ﻳﻌﻨﻲ درﻳﺎﻓﺖ و درك ﭼﻴﺰي ﻳﺎ ﺗﺸﺨﻴﺺ ﻣﻌﻨﺎي آن ‪ .‬اﻳﻦ ﺗﻌﺎرﻳﻒ ﻣﻔﻬﻮﻣﻲ اﺳﺖ‬
‫ﻛﻪ ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ واﺿﺢ و روﺷﻦ ﺑﻪ ﻧﻈﺮ ﻣﻲ آﻳﺪ ‪ .‬وﻗﺘﻲ اﻳﻦ ﻣﻔﺎﻫﻴﻢ را ﺑﻪ ﻃﻮر ذﻫﻨﻲ ﺑﻪ‬
‫ﻛﺎر ﻣﻲ ﺑﺮﻳﻢ ‪ ،‬ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ ﻛﻪ آﻧﻬﺎ ﺑﺎ ﺗﺠﺮﺑﻪ ﺷﺨﺼﻲ ﻣﺎن از ﭼﻴﺰي ﻛﻪ ﻣﺎﻳﻞ اﺳﺖ‬
‫ﻫﻮﺷﻤﻨﺪ ﺑﺎﺷﺪ ﻳﺎ از ﻫﻮش ﻣﺎن اﺳﺘﻔﺎده ﻛﻨﺪ راﺑﻄﻪ اي ﺑﺪون ﺧﻄﺎ دارﻧﺪ ‪ .‬ﻣﺘﺎﺳﻔﺎﻧﻪ ‪ ،‬ﺑﻪ‬
‫ﻛﺎرﮔﻴﺮي اﻳﻦ ﻣﻔﺎﻫﻴﻢ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺑﻪ ﻃﻮر ﻣﻌﻘﻮل و ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺗﻮاﻧﺎﺋﻲ ذﻫﻨﻲ ﺗﻌﺮﻳﻒ‬
‫ﻣﻴﺸﻮﻧﺪ ‪ ،‬ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻧﻴﺴﺘﻨﺪ ‪ ،‬زﻳﺮا ﻣﻤﻜﻦ اﺳﺖ اﻳﻦ ﺗﻮاﻧﺎﺋﻲ ذﻫﻨﻲ ﺑﺎ دﻳﮕﺮ ﻣﻮﺟﻮدﻳﺘﻬﺎ‬
‫ﺧﻮاه زﻧﺪه ﻳﺎ ﻣﻜﺎﻧﻴﻜﻲ ‪ ،‬ﻣﺸﺘﺮك ﺑﺎﺷﺪ ‪.‬‬
‫ﻣﺴﺌﻠﻪ اﺻﻠﻲ اﻳﻦ اﺳﺖ ﻛﻪ ‪ ،‬ﻣﻲ داﻧﻴﻢ ﺑﺮاي درك ﭼﻴﺰي ﭼﻪ اﺣﺴﺎس ﻣﻲ ﻛﻨﻴﻢ و ﺑﻪ ﻃﻮر‬
‫ﻋﺎم ﻣﺎﻳﻞ ﻫﺴﺘﻴﻢ ﺑﻪ دﻳﮕﺮ اﻓﺮاد ﻳﺎ اﺷﻴﺎء ﺑﺎ اﺣﺴﺎس ﻣﺸﺎﺑﺔ اﺣﺴﺎس ﺧﻮدﻣﺎن ‪ ،‬اﻋﺘﺒﺎر دﻫﻴﻢ‬
‫‪ .‬ﻳﻚ ﻣﺜﺎل ﺳﺎده ﻣﺎﻧﻨﺪ ﻳﻚ ﻗﻄﻌﻪ آﺷﻨﺎ از ﻣﺎﺷﻴﻦ ‪ ،‬ﻣﺜﻞ ﺗﺮﻣﻮﺳﺘﺎت درﺳﻴﺴﺘﻢ ﺣﺮارت‬
‫ﻣﺮﻛﺰي را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ‪ .‬ﺗﺮﻣﻮﺳﺘﺎت ﻓﻘﻂ ﺑﺎﻻﺗﺮ ﻳﺎ ﭘﺎﺋﻴﻦ ﺗﺮ ﺑﻮدن دﻣﺎ از ﻳﻚ ﺣﺪ ﻣﻌﻴﻦ‬
‫را ﺗﺸﺨﻴﺺ ﻧﻤﻲ دﻫﺪ ‪ ،‬ﺑﻠﻜﻪ ﺑﺎ ﻳﻚ ﻋﻤﻞ ﻣﻨﺎﺳﺐ ﺑﻪ اﻳﻦ وﺿﻌﻴﺖ ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ ‪ .‬ﺑﻪ‬
‫ﻧﻈﺮ ﻣﻲ آﻳﺪ ﻛﻪ در ﻳﻚ راﺑﻄﻪ ﻛﺎﻣﻼً ﻣﺤﺪود ﺷﺪه ‪ ،‬ﺗﺮﻣﻮﺳﺘﺎت داراي درك و ﻓﻬﻢ ﻣﻲ‬
‫ﺑﺎﺷﺪ و اﻳﻦ ﻣﻮﺿﻮع را ﺑﺎ واﺿﺢ ﺗﺮﻳﻦ روش ﻣﻤﻜﻦ ‪ ،‬از ﻃﺮﻳﻖ رﻓﺘﺎري ﻫﻮﺷﻤﻨﺪاﻧﻪ اﺛﺒﺎت‬
‫ﻣﻲ ﻛﻨﺪ ‪ .‬اﮔﺮ ﺗﺮﻣﻮﺳﺘﺎت ﻫﻮﺷﻤﻨﺪ ﺑﺎﺷﺪ ‪ ،‬ارزش ﻟﻐﺖ ﻫﻮﺷﻤﻨﺪي را ﻣﻲ ﻛﺎﻫﻴﻢ ‪ .‬ﺑﺎ دﻗﺖ‬
‫در ﻣﻮارد ﺑﻜﺎرﮔﻴﺮي ﻋﻤﻠﻲ ﻋﺒﺎرت ﻫﻮش ﻣﺜﻼ ﺳﺌﻮاﻻت ﻣﻮرد اﺳﺘﻔﺎده در آزﻣﻮن ﻫﻮش ﻛﻪ‬
‫ﺑﻪ ﻋﻨﻮان ﻣﻌﻴﺎري ﺑﺮاي ﺳﻨﺠﺶ ﻣﻴﺰان ﺷﺎﻳﺴﺘﮕﻲ اﻓﺮاد ﺟﻬﺖ ﺷﻐﻠﻬﺎي ﻛﺎﻣﻼً ﺗﻌﺎﻣﻠﻲ ﻣﻮرد‬
‫اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد ﺑﻪ اﻳﻦ ﻧﺘﻴﺠﻪ ﻣﻲ رﺳﻴﻢ ﻛﻪ ﻫﻮش ﺗﺼﻮر ﻛﻠﻲ از ﻣﻘﺪاري ﻣﺒﻬﻢ‬
‫اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ آﻳﺎ ﻻزم اﺳﺖ ﻛﻪ ﻫﻮﺷﻤﻨﺪي را ﺑﻪ ﺗﻮاﻧﺎﺋﻲ ﻫﺎي ذﻫﻨﻲ ﺟﺪاﮔﺎﻧﻪ اي ازﻗﺒﻴﻞ‬
‫ادراك ‪ ،‬دﻟﻴﻞ ‪ ،‬ﺧﻼﻗﻴﺖ ﺗﺠﺰﻳﻪ ﻛﻨﻴﻢ ؟ اﮔﺮ ﭼﻨﻴﻦ اﺳﺖ ‪ ،‬ﺗﻔﺎوت ﻣﻴﺎن ﻫﻮﺷﻤﻨﺪي و داﻧﺶ‬
‫ﭼﻴﺴﺖ؟‬
‫ﻳﻜﻲ از ﻣﻌﺪود ﻧﺘﺎﻳﺞ ﻏﻴﺮ ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ و ﺛﺎﺑﺖ ﻛﻪ از ﺳﻪ دﻫﻪ اول ﺗﺤﻘﻴﻘﺎت ‪ AI‬ﺷﻨﺎﺧﺘﻪ‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪3‬‬

‫ﺷﺪه اﺳﺖ ‪ ،‬اﻳﻦ اﺳﺖ ﻛﻪ " ﻫﻮﺷﻤﻨﺪي ﺑﻪ داﻧﺶ ﻧﻴﺎز دارد ‪ ".‬ﺿﺮورﺗﺎً داﻧﺶ داراي‬
‫ﭼﻨﺪﻳﻦ وﻳﮋﮔﻲ ﻣﻄﻠﻮب ﻛﻤﻲ اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ ﻣﻮارد ذﻳﻞ ﻣﻲ ﺑﺎﺷﺪ ‪:‬‬
‫• ﺣﺠﻴﻢ اﺳﺖ ‪.‬‬
‫• ﺑﺮاي ﺗﻮﺻﻴﻒ و ﻣﺸﺨﺺ ﻛﺮدن ﺑﻪ ﺻﻮرت درﺳﺖ و دﻗﻴﻖ ﺳﺨﺖ و دﺷﻮار‬
‫اﺳﺖ ‪.‬‬
‫• ﭘﻴﻮﺳﺘﻪ در ﺣﺎل ﺗﻐﻴﻴﺮ اﺳﺖ‪.‬‬
‫• ازﻣﺮﺣﻠﻪ داده ﺗﺎ ﻣﺮﺣﻠﻪ ﺳﺎزﻣﺎن دﻫﻲ ﺷﺪه ﻣﺘﻔﺎوت ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫راﻫﻬﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي ﻃﺒﻘﻪ ﺑﻨﺪي اﻧﻮاع داﻧﺶ وﺟﻮد دارد ‪ ،‬ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﻣﻌﻴﺎرﻫﺎ‬
‫ﺗﻔﺎوت ﻣﻴﺎن داﻧﺶ اﻟﻘﺎء ﺷﺪه و داﻧﺶ اﺳﺘﻨﺘﺎج ﺷﺪه ‪ ،‬اﺳﺖ ‪ .‬اﻳﻦ ﺑﻬﺘﺮﻳﻦ ﺗﻌﺒﻴﺮ ﺑﻪ وﺳﻴﻠﻪ‬
‫ﻳﻚ ﻣﺜﺎل اﺳﺖ ‪.‬‬
‫ﻳﻚ ﻣﻬﺎرت ﻣﻌﻤﻮﻟﻲ ﻛﻪ ﺑﻴﺸﺘﺮ ﺑﭽﻪ ﻫﺎ در ﺳﻨﻴﻦ ﺑﻴﻦ ﭘﻨﺞ ﺗﺎ ده ﺳﺎﻟﮕﻲ ﺑﺮ آن ﺗﺴﻠﻂ دارﻧﺪ ‪،‬‬
‫در اﺧﺘﻴﺎر ﮔﺮﻓﺘﻦ ﺗﻮپ اﺳﺖ ‪ .‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﻛﻮدﻛﻲ در ﺳﻦ ﭘﻨﺞ ﺳﺎﻟﮕﻲ ﮔﺮﻓﺘﻦ ﻳﻚ‬
‫ﺗﻮپ ﺑﺰرگ و ﺳﺒﻚ و ﭘﺮﺗﺎب ﻛﺮدن آن ﺑﻪ ﺳﻤﺖ ﺑﺎﻻ ﺣﺘﻲ ﺑﺮاي ﻛﺴﺮي از ﻣﺘﺮ ﻣﺸﻜﻞ‬
‫ﺑﺎﺷﺪ ‪ ،‬اﻣﺎ ﭼﻨﺪﻳﻦ ﺳﺎل ﺑﻌﺪ ﺷﺎﻳﺪ ﻗﺎدر ﺑﻪ در اﺧﺘﻴﺎر ﮔﺮﻓﺘﻦ ﻳﻚ ﺗﻮپ ﺗﻨﻴﺲ وﭘﺮﺗﺎب آن ﺑﻪ‬
‫ﻫﻮا ﺗﺎ ﺻﺪ ﻣﺘﺮ ﻳﺎ دورﺗﺮ ﻫﻢ ﺑﺎﺷﺪ ‪ .‬ﺑﺸﺮ در ﺳﺎﻟﻬﺎي اوﻟﻴﻪ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ ﻗﺎدر ﺑﻪ ﻛﺴﺐ‬
‫ﻣﻬﺎرت ﺗﻜﻨﻴﻜﻲ و ﻓﻨﻲ ﺟﻬﺖ ﻣﺤﺎﺳﺒﻪ ﻣﺴﻴﺮ ﮔﻠﻮﻟﻪ ﻫﺎي ﭘﺮﺗﺎﺑﻪ اي ﻧﺒﻮد ‪ .‬ﻓﻬﻢ ﻳﻚ ﻛﻮدك‬
‫ﺑﻪ وﺳﻴﻠﻪ ﻗﻴﺎس ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ‪ .‬اﻳﻦ ﻓﻬﻢ در ﻧﺘﻴﺠﻪ ﻣﺸﺎﻫﺪه زﻳﺎد ﻣﺴﻴﺮﻫﺎي ﺗﻮپ ﻫﺎي‬
‫ﭘﺮﺗﺎب ﺷﺪه و ﺗﻼش ﺑﺮاي در اﺧﺘﻴﺎر ﮔﺮﻓﺘﻦ آﻧﻬﺎ ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد ﺑﻨﺎﺑﺮ اﻳﻦ ﺑﭽﻪ ﻫﺎ ﻗﺎدر ﺑﻪ‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﺴﻴﺮ ﺗﻮپ ﺑﻌﺪي ﻛﻪ ﻣﻲ ﺧﻮاﻫﻨﺪ دراﺧﺘﻴﺎر ﺑﮕﻴﺮﻧﺪ ﻫﺴﺘﻨﺪ ‪ .‬از ﻃﺮف دﻳﮕﺮ ‪،‬‬
‫ﻳﻚ ﺳﻴﺴﺘﻢ ﻛﺎﻣﭙﻴﻮﺗﺮي ﺑﺎ ﺗﻜﻴﻪ ﺑﺮ اﻃﻼﻋﺎت ﺷﺎﻣﻞ ﺳﺮﻋﺖ ﺳﻴﺮ ﭘﺮﺗﺎﺑﻪ و ﻣﺴﻴﺮ آن ‪ ،‬ﻣﻜﺎن‬
‫ﺑﻌﺪي ﭘﺮﺗﺎﺑﻪ را ﺑﺎ اﺳﺘﻔﺎده از ﻗﻮاﻧﻴﻦ ﻧﻴﻮﺗﻦ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ ‪ .‬اﻳﻦ ﻣﻮﺿﻮع ﺑﻪ ﻣﺠﻤﻮﻋﻪ‬
‫ﻓﺮﻣﻮل ﻫﺎي واﺿﺢ ‪ ،‬دﻗﻴﻖ ‪ ،‬واﺑﺴﺘﻪ ﺑﻪ ﻗﻮاﻧﻴﻦ رﻳﺎﺿﻲ و ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺷﺪه در ﻛﺎﻣﭙﻴﻮﺗﺮ‪،‬‬
‫ﺑﺴﺘﮕﻲ دارد ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮ را ﻗﺎدر ﻣﻲ ﺳﺎزد ﺗﺎ در ﻣﻮرد ﻣﺴﻴﺮ ﭘﺮواز ﻳﻚ ﭘﺮﺗﺎﺑﻪ‬
‫ﺑﺎ ﻣﺮاﺟﻌﻪ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻗﻮاﻧﻴﻦ رﺳﻤﻲ رﻳﺎﺿﻲ ‪ ،‬ﻧﺘﻴﺠﻪ ﮔﻴﺮي ﻛﻨﺪ ‪.‬‬
‫ﺗﻌﺪاد ﻛﻤﻲ از ﻣﺮدم ﻣﻤﻜﻦ اﺳﺖ در ﻣﻮرد ﻣﺤﺎﺳﺒﻪ ﻗﻀﻴﻪ ﻣﺴﻴﺮ ﻳﻚ ﭘﺮﺗﺎﺑﺔ ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﻮاﻧﻴﻦ‬
 ‫‪4‬‬

‫رﻳﺎﺿﻲ ﻛﻪ ﺑﻪ ﻫﻮﺷﻤﻨﺪي ﺑﻴﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺗﻮاﻧﺎﻳﻲ در اﺧﺘﻴﺎر ﮔﺮﻓﺘﻦ ﻳﻚ ﺗﻮپ ﻧﻴﺎز دارد ‪،‬‬
‫ﺑﺎ ﻫﻢ ﺑﺤﺚ ﻛﻨﻨﺪ ‪ .‬ﭘﺲ ﻳﻚ ﺗﻤﺎﻳﺰ ﻣﻬﻢ ﻣﻴﺎن داﻧﺶ و ﻫﻮﺷﻤﻨﺪي وﺟﻮد دارد‪.‬‬
‫واﺿﺢ اﺳﺖ ﻛﻪ اﻣﻜﺎن دارد ﻳﻚ ﻣﺎﺷﻴﻦ ﻟﺰوﻣﺎً ﺑﺪون داﺷﺘﻦ ﻫﻮش ‪ ،‬داﻧﺶ را ذﺧﻴﺮه ﻛﻨﺪ ‪،‬‬
‫وﻟﻲ وﺟﻮد ﻳﻚ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ﻛﻪ داﻧﺶ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ﻏﻴﺮ ﻣﻤﻜﻦ ﺑﻪ ﻧﻈﺮ ﻣﻲ آﻳﺪ ‪.‬‬
‫ﺳﺌﻮال راﺟﻊ ﺑﻪ ﭼﮕﻮﻧﮕﻲ ‪ ،‬ﻣﻴﺰان وﺳﻌﺖ و اﻧﺪازه ذﺧﻴﺮه ﺳﺎزي داﻧﺶ در ﻳﻚ ﻣﺎﺷﻴﻦ ‪،‬‬
‫در ﻫﻤﻪ زﻣﻴﻨﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻳﻚ ﺳﺌﻮال ﺑﻨﻴﺎدي اﺳﺖ ‪.‬‬

‫‪ 2-3‬ﻫﻮش ﻣﺎﺷﻴﻦ‬
‫ﺻﺎﺣﺒﻨﻈﺮان در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻌﺘﻘﺪﻧﺪ ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ‪ ،‬ﻣﺎﺷﻴﻨﻲ اﺳﺖ ﻛﻪ ﻗﺎدر‬
‫ﺑﻪ اﻧﺠﺎم ﻛﺎرﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﺑﺸﺮ اﻧﺠﺎم ﺷﺪه اﺳﺖ و ﺑﺮاي اﻧﺠﺎم آن ﻛﺎرﻫﺎ ﻧﻴﺎز ﺑﻪ‬
‫ﻫﻮش دارﻳﻢ ‪ .‬ﺑﻨﺎﺑﺮ اﻳﻦ اراﻳﻪ ﺗﻌﺮﻳﻒ دﻳﮕﺮي از ﻫﻮش ﻏﻴﺮ ﺿﺮوري اﺳﺖ ‪ .‬اﻳﻦ ﻣﻄﻠﺐ‬
‫ﺧﻴﻠﻲ ﻛﺎرﺑﺮدي ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ ‪ .‬ﺑﻪ زﺑﺎن ﺑﻬﺘﺮ اﮔﺮ ﻣﺎ ﻧﻤﻲ ﺗﻮاﻧﻴﻢ ﻫﻮش را ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ ‪،‬‬
‫اﻣﺎ ﻗﺎدر ﺑﻪ ﺗﺸﺨﻴﺺ اﻳﻨﻜﻪ ﻛﺪام اﻓﺮاد و ﭼﻪ ﻣﻮﻗﻊ ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﻧﻈﺮ ﻣﻴﺮﺳﻨﺪ ﻫﺴﺘﻴﻢ ‪.‬‬
‫ﻣﺘﺎﺳﻔﺎﻧﻪ ‪ ،‬اﻳﻦ ﺗﻌﺮﻳﻒ ﻫﻢ ﺑﻪ ﺳﺎدﮔﻲ ﺷﻜﺴﺖ ﻣﻲ ﺧﻮرد ‪ .‬در ﭘﺎﺳﺦ ﺑﻪ ﺳﻮال ﻣﻘﺎﻳﺴﻪ‬
‫ﻣﻨﻄﻘﻲ اﻧﺴﺎﻧﻴﻜﻪ ﺑﺮاي اﻧﺠﺎم ﻳﻚ وﻇﻴﻔﻪ ﻧﻴﺎز ﺑﻪ ﻫﻮش دارد و ﻫﻮﺷﻤﻨﺪ ﺑﻮدن ﻳﻚ ﻣﺎﺷﻴﻦ‬
‫ﻛﻪ رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪاﻧﻪ را ﻧﺴﺨﻪ ﺑﺮداري و ﺗﻜﺮار ﻣﻲ ﻛﻨﺪ ‪ ،‬اﻓﺮاد ﺑﺪﺑﻴﻦ و ﺷﻜﺎك ﭘﺎﺳﺦ ﻣﻲ‬
‫دﻫﻨﺪ اﺛﺒﺎت ﺷﺪه اﺳﺖ ﻛﻪ ﻛﺎري را ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ اﻧﺠﺎم ﻣﻴﺪﻫﺪ ﻳﻚ ﻛﺎر ﻣﻜﺎﻧﻴﻜﻲ و ﻏﻴﺮ‬
‫ﻓﻜﺮي اﺳﺖ زﻳﺮا اﮔﺮ ﻗﺎدر ﺑﻪ ﺗﻮﺿﻴﺢ ﻧﺤﻮه ﻛﺎر ﻳﻚ ﻣﺎﺷﻴﻦ ﺑﺎﺷﻴﻢ ‪ ،‬ﻫﻤﺎﻧﺎ ﻫﻮﺷﻤﻨﺪي آن‬
‫را ﺗﻮﺿﻴﺢ داده اﻳﻢ ‪ .‬اﮔﺮ ﻫﻢ ﺑﭙﺬﻳﺮﻳﻢ ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪاﻧﻪ رﻓﺘﺎر ﻣﻲ ﻛﻨﺪ ‪ ،‬آﻳﺎ ﻣﻤﻜﻦ‬
‫اﺳﺖ اﻳﻦ رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ ﻫﻤﺎن ﻫﻮﺷﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺧﺼﻮﺻﻴﺖ از اﻓﺮادي ﻣﻲ‬
‫ﺷﻨﺎﺳﻴﻢ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻧﻪ ﺧﻮد ﻣﺎﺷﻴﻦ را ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻛﺮده اﻧﺪ ؟ ﻫﻤﭽﻨﻴﻦ آﻳﺎ ﻣﻲ ﺗﻮان‬
‫ﺗﻤﺎﻳﺰي ﻣﻴﺎن رﻓﺘﺎري ﻫﻮﺷﻤﻨﺪ و رﻓﺘﺎري ﻛﻪ ﻓﻘﻂ ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ ﻗﺎﻳﻞ ﺷﺪ ؟‬
‫ﺑﻪ ﻃﻮر ﻃﺒﻴﻌﻲ ‪ ،‬زﻣﺎﻧﻲ ﻛﻪ ﻧﻤﻲ داﻧﻴﻢ ﭼﻪ در ﻣﻐﺰ ﻣﺎ رخ ﻣﻲ دﻫﺪ ‪ ،‬ﭘﺬﻳﺮش اﻳﻦ ﺑﺤﺚ ‪،‬‬
‫دﻻﻟﺖ ﺿﻤﻨﻲ ﺑﺮ اﻳﻦ ﻣﻄﻠﺐ دارد ﻛﻪ ﻫﻮش ﺧﻮد ﻣﺎ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﺳﺒﻚ و روﺷﻲ ﻏﻴﺮ‬
‫واﻗﻌﻲ ﺑﺎﺷﺪ ‪ .‬ﺷﺎﻳﺪ ﻓﻘﻂ ﻓﻜﺮ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻴﻢ ‪ .‬در ﻣﻮرد ﻳﻚ ﻣﺎﺷﻴﻦ ﻣﻲ‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪5‬‬

‫ﺗﻮاﻧﻴﻢ ﺧﺼﻮﺻﻴﺖ و ﻃﺒﻴﻌﺖ ﻓﺮآﻳﻨﺪﻫﺎي داﺧﻠﻲ را اﻳﺠﺎد ﻛﻨﻴﻢ ‪ .‬اﮔﺮ ﻣﺎﺷﻴﻦ و اﻧﺴﺎن رﻓﺘﺎر‬
‫ﻳﻜﺴﺎﻧﻲ ﻧﺸﺎن دﻫﻨﺪ ‪ ،‬ﻓﺮآﻳﻨﺪﻫﺎي داﺧﻠﻲ ﺗﺎ ﭼﻪ ﺣﺪ ﻗﺎﺑﻞ ﻣﻘﻴﺎﺳﻪ ﻫﺴﺘﻨﺪ ؟‬
‫اﮔﺮ داﻧﺶ اﻧﺒﺎﺷﺘﻪ ﺷﺪه ﺑﻴﺸﺘﺮ از ﺗﻮان ﻧﮕﻬﺪاري و ﭘﺮدازش ﻧﺒﺎﺷﺪ ‪ ،‬ﺣﺘﻲ ﻫﻮش ﻳﻚ‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﻧﺴﺒﺘﺎً ﻣﺘﻮﺳﻂ ﺑﻴﺸﺘﺮ از ﻫﻮﺷﻤﻨﺪ ﺗﺮﻳﻦ اﻓﺮاد ارزﻳﺎﺑﻲ ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ ﻃﻮر ﻣﺴﻠﻢ ‪،‬‬
‫ﻇﺮﻓﻴﺖ ﻣﺤﺾ ﺣﺎﻓﻈﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ از ﺣﺎﻓﻈﻪ ﺧﻮد ﻣﺎ ﭘﻴﺸﻲ ﮔﺮﻓﺘﻪ اﺳﺖ ‪ .‬دﻗﻴﻘﺎً ﺑﻪ ﻫﻤﻴﻦ‬
‫ﻋﻠﺖ اﺳﺖ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﻣﻔﻴﺪ ﺑﻪ ﻧﻈﺮ ﻣﻴﺮﺳﻨﺪ زﻳﺮا ﻣﺜﻼ در ﻳﻚ ﻣﻴﻠﻴﻮﻧﻴﻢ ﺛﺎﻧﻴﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ‬
‫ﺑﻪ ﻓﺮوﺷﻨﺪه ﺑﻠﻴﻂ اﻃﻼع دﻫﻨﺪ ‪ ،‬ﻛﻪ آﻳﺎ ﺟﺎﺋﻲ در ﭘﺮواز ﻓﺮدا ﺑﻪ ﺷﻴﺮاز ﺑﺎﻗﻲ ﻣﺎﻧﺪه اﺳﺖ ﻳﺎ‬
‫ﺧﻴﺮ ‪ .‬اﻟﺒﺘﻪ اﻳﻦ ﻋﻤﻞ ﺑﻪ ﻛﻤﻚ دﺳﺘﺮﺳﻲ ﺑﻪ ﺣﺎﻓﻈﻪ ﺑﺴﻴﺎر ﺑﺰرگ و اﭘﺮاﺗﻮري ﻛﻪ ﺳﺌﻮاﻻت‬
‫ﻛﺎﻣﻼً درﺳﺖ ‪ ،‬و دﻗﻴﻖ راً ﺑﺎ روش و ﺗﺮﺗﻴﺐ ﻣﻨﺎﺳﺐ ﻣﻲ ﭘﺮﺳﺪ اﻣﻜﺎن ﭘﺬﻳﺮ اﺳﺖ‪.‬در واﻗﻊ‬
‫ﻧﺮم اﻓﺰار ﻫﻮﺷﻤﻨﺪ ﺑﺨﺸﻲ از دﻟﻴﻞ اﺟﺮاي ﻣﻮﻓﻖ ﻳﻚ ﺳﻴﺴﺘﻢ اﺳﺖ ‪.‬‬
‫ﻣﻮﺿﻮﻋﺎت ﻛﻠﻴﺪي ﻛﻪ ﻳﻚ ﻃﺮاح ﺳﻴﺴﺘﻢ ‪ AI‬ﺑﺎ آﻧﻬﺎ روﺑﺮو ﻣﻲ ﺷﻮد ‪ ،‬ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫• ﻓﺮاﮔﻴﺮي داﻧﺶ‬
‫• اراﺋﻪ داﻧﺶ‬
‫• دﺳﺘﻜﺎري داﻧﺶ‬
‫دﺳﺘﻜﺎري داﻧﺶ اﺻﻮﻻً ﺑﻪ واﺳﻄﻪ اﺳﺘﻨﺘﺎج و اﺳﺘﻨﺒﺎط و در اﻛﺜﺮ ﻣﻮاﻗﻊ اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل‬
‫ﺟﺴﺘﺠﻮﮔﺮا ﻳﺎ ﻣﻮﺗﻮر اﺳﺘﻨﺒﺎط ) ﻛﻪ ﻣﻮارد داﻧﺶ ﺑﺪﺳﺖ آﻣﺪه ‪ ،‬ﻧﺘﺎﻳﺞ اﻳﺠﺎد ﺷﺪه ‪ ،‬و‬
‫ﺗﺮﺗﻴﺐ ﮔﺎﻣﻬﺎي ﺑﻜﺎر ﺑﺮده ﺷﺪه را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ ‪ ( .‬رخ ﻣﻲ دﻫﺪ ‪.‬‬
‫ﻓﺮاﮔﻴﺮي داﻧﺶ ﭼﻴﺴﺖ ؟ ﺑﻮﭼﺎﻧﺎن‪ 1‬ﻓﺮاﮔﻴﺮي داﻧﺶ را ﭼﻨﻴﻦ ﺗﻌﺮﻳﻒ ﻣﻴﻜﻨﺪ ‪:‬ﺗﻐﻴﻴﺮ ﺷﻜﻞ‬
‫راه ﺣﻞ ﻣﺴﺎﻟﻪ ﻧﺎﺷﻲ ﻛﻪ از وﺟﻮد ﭼﻨﺪ ﻣﻨﺒﻊ داﻧﺶ ﻛﻪ راه ﺣﻞ ﺑﺎﻟﻘﻮه در آﻧﻬﺎ وﺟﻮد دارد و‬
‫ﺑﻪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻣﻨﺘﻘﻞ ﺷﺪه اﺳﺖ ‪.‬‬
‫ﺑﺮاي اﻳﺠﺎد ﺗﻮاﻧﻤﻨﺪي ﺟﻬﺖ ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪه ﻓﺮآﻳﻨﺪ ﻓﺮاﮔﻴﺮي داﻧﺶ ﺑﺎﻳﺪ ﺑﻪ ﺷﻨﺎﺧﺘﻦ‬
‫و اﺳﺘﺨﺮاج داﻧﺶ ﻛﺎﻓﻲ در ﺣﻮزه ﻣﺮﺑﻮﻃﻪ ﺑﭙﺮدازد ‪ .‬ﻏﺎﻟﺒﺎً اﻳﻦ ﻓﺮآﻳﻨﺪ ﺑﻪ اﻧﺘﻘﺎل و اﺳﺘﺨﺮاج‬
‫داﻧﺶ از ﻣﻨﺎﺑﻊ ﻣﺘﻨﻮع و ﻧﻤﺎﻳﺶ آن در ﻳﻚ ﻏﺎﻟﺐ ﻣﻨﺎﺳﺐ اﺷﺎره ﻣﻴﻜﻨﺪ ‪.‬‬

‫‪1 Buchanan 1983‬‬

 ‫‪6‬‬

‫‪ 3-3‬ﻣﻬﻨﺪﺳﻲ داﻧﺶ‬
‫ﺣﻮزه ﻣﻬﻨﺪﺳﻲ داﻧﺶ را ﻣﻲ ﺗﻮان روش ارزﻳﺎﺑﻲ ﻣﺴﺎﻳﻞ ‪ ،‬آﻣﻮﺧﺘﻦ داﻧﺶ واﻳﺠﺎد ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ داﻧﺶ ﻣﺤﻮر ﺗﻌﺮﻳﻒ ﻛﺮد ‪) .‬ﻫﺎرﻣﻮن‪ 1‬و ﻛﻴﻨﮓ‪(1985 2‬‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﻣﺮﺳﻮم ﺑﻪ ﻃﻮر ﺳﻨﺘﻲ از ﻃﺮﻳﻖ ﺗﺤﻠﻴﻞ ﮔﺮ ﺳﻴﺴﺘﻢ ‪ ،‬ﺑﺮﻧﺎﻣﻪ رﻳﺰي و‬
‫ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ‪ .‬ﺗﺤﻠﻴﻞ ﮔﺮ ﺑﻴﻦ ﻛﺎرﺑﺮي ﻛﻪ داﻧﺶ ﻛﻤﻲ در ﻣﻮرد ﺟﺰﺋﻴﺎت ﺗﻜﻨﻴﻜﻲ‬
‫ﺳﺨﺖ اﻓﺰار و ﻧﺮم اﻓﺰار دارد و ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﻛﻪ اﻳﺪه ﻛﻮﭼﻜﻲ در ﺣﻞ ﺗﻘﺎﺿﺎﻫﺎي‬
‫ﻛﺎرﺑﺮ دارد ارﺗﺒﺎط ﺑﺮﻗﺮار ﻣﻲ ﻛﻨﺪ ‪ .‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ )ﺷﻜﻞ ‪ (3,1‬ﻧﻴﺎزﻣﻨﺪ‬
‫رﻫﻴﺎﻓﺖ ﻣﺸﺎﺑﻬﻲ ﻫﺴﺘﻨﺪ ﻫﺮ ﭼﻨﺪ ﻳﻚ ﺗﻔﺎوت ﻋﻤﺪه وﺟﻮد دارد ‪ .‬ﺗﺤﻠﻴﻞ ﮔﺮان ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﻛﻪ رواﻟﻬﺎي ﺧﺎﺻﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ را ﻃﺮاﺣﻲ ﻣﻲ ﻛﻨﻨﺪ اﻣﺎ ﺗﻮﺳﻌﻪ و‬
‫ﭘﻴﺸﺮﻓﺖ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ‪ ،‬ﺑﺎ اﻟﺤﺎق داﻧﺶ ﺧﺒﺮه در ﻳﻚ ﺳﻴﺴﺘﻢ ‪،‬ﺣﺎﺻﻞ‬
‫ﻣﻴﮕﺮدد ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ‪ ،‬ﻣﻬﻨﺪس داﻧﺶ ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢ را ﺑﻪ ﺗﻘﻠﻴﺪ از روش ﺳﻨﺘﻲ ﻋﻬﺪه‬
‫دار ﺷﺪه اﺳﺖ )آدﻟﻲ‪ . (1988 3‬ﻣﻬﻨﺪس داﻧﺶ ﺑﺎ ﺗﺤﻠﻴﻞ ﮔﺮ ﺳﻴﺴﺘﻢ ﻗﺎﺑﻞ ﻣﻘﺎﻳﺴﻪ اﺳﺖ‬
‫اﻣﺎ ﺑﺎ ﻓﺮآﻳﻨﺪﻫﺎي ﺧﺒﺮه ارﺗﺒﺎط ﺑﻴﺸﺘﺮي دارد ‪.‬‬

‫‪1 Harmon‬‬
‫‪2 King‬‬
‫‪3 Adeli‬‬

‫‪.‬‬
‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪7‬‬

‫ﺷﻜﻞ ‪ 1-3‬ﺳﻴﺴﺘﻢ ﺑﺮ ﻣﺒﻨﺎي داﻧﺶ‬

‫ورودي‬
‫وﻇﻴﻔﻪ ﻣﺪﻳﺮﻳﺖ ‪:‬‬
‫ﺷﻨﺎﺧﺖ ﻣﺴﺎﻟﻪ ﻣﻮرد ﺣﻞ‬
‫وﻇﻴﻔﻪ ﻓﺮد ﺧﺒﺮه ‪:‬‬
‫ﺗﻮﺿﻴﺢ ﻓﻌﺎﻟﻴﺖ‬
‫ﺗﻮﺻﻴﻒ دﻻﺋﻞ‬
‫ﺷﻨﺎﺧﺖ ﻣﻨﺎﺑﻊ اﺿﺎﻓﻲ داﻧﺶ‬
‫ﺗﻌﻴﻴﻦ ﻋﻤﻠﻜﺮد ﻣﻮﻓﻖ‬
‫وﻇﻴﻔﻪ ﻛﺎرﺑﺮ ‪:‬‬
‫داﻧﺴﺘﻦ ﺑﺮﺧﻲ ﺣﻘﺎﻳﻖ ) واﻗﻌﻴﺘﻬﺎ ( و رواﺑﻂ آﻧﻬﺎ‬
‫ﻧﻴﺎزﻫﺎي ﻣﺸﻮرﺗﻲ‬

‫ﻣﻬﻨﺪس داﻧﺶ‬
‫ﺷﻨﺎﺧﺖ ﻧﻘﺎط ﻗﻮت و ﺿﻌﻒ اﺑﺰارﻫﺎ‬
‫ﻳﺎدﮔﻴﺮي ﻓﻌﺎﻟﻴﺖ از ﻣﺪﻳﺮﻳﺖ ‪ ،‬ﻓﺮد ﺧﺒﺮه و ﻛﺎرﺑﺮان‬
‫اﻣﻜﺎن ﻓﺮاﻫﻢ ﻛﺮدن ﻣﻬﺎرت از ﺗﺠﺎرب ﺧﻮد و داﻧﺶ‪.‬‬

‫ﺧﺮوﺟﻲ ﻫﺎ‬
‫اﻧﺘﺨﺎب ﺣﻮزه و ﻓﻌﺎﻟﻴﺘﻬﺎي ﻣﻨﺎﺳﺐ‬
‫ﺗﺠﺰﻳﻪ وﺗﺤﻠﻴﻞ ‪،‬ﻣﻌﺮﻓﻲ و ﻛﻨﺘﺮل اﺳﺘﺮاﺗﮋﻳﻬﺎ‬
‫ﺳﺎﺧﺘﻦ ﻧﻤﻮﻧﻪ اوﻟﻴﻪ ﺳﻴﺴﺘﻢ‬
‫ﺗﻮﺳﻌﻪ ﻧﻤﻮﻧﻪ اوﻟﻴﻪ‬
‫زﻣﻴﻨﻪ ﺳﺎزي ﺳﻴﺴﺘﻢ‬
‫ﻧﮕﻬﺪاري ﺳﻴﺴﺘﻢ‬
 ‫‪8‬‬

‫ﻫﺎرت‪ (1986) 1‬ﭘﻴﺸﻨﻬﺎد داد ﻛﻪ ﻣﻬﻨﺪس داﻧﺶ ‪ ،‬ﻫﺮﮔﺰ ﻧﺒﺎﻳﺪ ﻣﺘﺨﺼﺺ در ﺗﻬﻴﻪ داﻧﺶ‬
‫ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﻣﻮﺿﻮع ﺑﺮﻣﺒﻨﺎي ﻓﺮﺿﻲ ﺑﻴﺎن ﺷﺪه اﺳﺖ ﻛﻪ ﻣﻬﻨﺪس داﻧﺶ ﻣﻌﻤﻮﻻً داراي‬
‫اﻃﻼﻋﺎت ﻧﺎﻛﺎﻓﻲ درﺑﺎره ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ و ﺗﻜﻨﻴﻜﻬﺎي ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ اﺳﺖ‬
‫زﻳﺮا ﺷﺮح و ﺗﻮﺻﻴﻒ ﻛﺎﻣﻞ و دﻗﻴﻖ اﻳﻦ اﻃﻼﻋﺎت ﺑﺮاي آﻧﻬﺎ دﺷﻮار ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬
‫ﻳﻚ ﻣﻬﻨﺪس داﻧﺶ ﺑﺎﻳﺪ ﺑﺎ ﺣﻮزه داﻧﺶ ﺗﺤﺖ آزﻣﺎﻳﺶ ‪ ،‬ﭼﻴﺰي ﻛﻪ اﻏﻠﺐ ﺑﻪ آﺳﺎﻧﻲ ﻗﺎﺑﻞ‬
‫دﺳﺖ ﻳﺎﻓﺘﻦ ﻧﻴﺴﺖ ‪ ،‬آﺷﻨﺎ ﺑﺎﺷﺪ ‪ .‬ﺧﺼﻮﺻﺎً اﻳﻦ وﺿﻌﻴﺖ ﺑﺮاي ﺣﻮزه ﻫﺎي داﻧﺶ ﻣﻬﻨﺪﺳﻲ‬
‫ﺻﺎدف اﺳﺖ ‪ .‬آدﻟﻲ )‪ (1988‬ﻣﻌﺘﻘﺪ اﺳﺖ ‪ ،‬در آﻳﻨﺪه ‪ ،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ‬
‫ﻣﻬﻨﺪﺳﻲ ‪ ،‬ﺑﻪ وﺳﻴﻠﻪ ﻣﻬﻨﺪﺳﻴﻦ ﻣﺎﻫﺮ و ﻣﻄﻠﻊ در ﺣﻮزه ﻫﺎي ﻛﺎرﻳﺸﺎن ﺗﻮﺳﻌﻪ ﺧﻮاﻫﺪ‬
‫ﻳﺎﻓﺖ‪ ،‬ﺧﺼﻮﺻﺎً ﭼﻨﺎﻧﭽﻪ ﻣﻬﻨﺪﺳﻴﻦ ﺑﻴﺸﺘﺮي ﻣﻌﺮﻓﻲ ﺷﺪه ﺑﺎﺷﻨﺪ و در ﺑﺎره اﺑﺰارﻫﺎ و ﻓﻨﻮن‬
‫‪ AI‬ﻣﻄﺎﻟﺒﻲ را آﻣﻮﺧﺘﻪ ﺑﺎﺷﻨﺪ ‪.‬‬

‫‪ 4-3‬روش ﻓﺮاﮔﻴﺮي داﻧﺶ‬

‫در اﺑﺘﺪا ‪ ،‬ﺑﺮاي ﺗﻀﻤﻴﻦ ﻛﺮدن ﺗﻮﺳﻌﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺤﻜﻢ و ﻣﺘﻤﺮﻛﺰ ‪ ،‬داﻣﻨﻪ داﻧﺶ)ﺷﻜﻞ‬
‫‪ (3,2‬ﺑﺎﻳﺪ ﻛﺎﻣﻼً ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ‪ .‬اﻳﻦ دﺳﺘﺎورد از ﻃﺮﻳﻖ ﻳﻚ آزﻣﺎﻳﺶ دﻗﻴﻖ ﺑﺮ روي‬
‫اﻫﺪاف ﺳﻴﺴﺘﻢ ﭘﻴﺸﻨﻬﺎد ﺷﺪه ‪ ،‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ‪.‬‬
‫ﻣﺤﻞ ﻣﻨﺎﺑﻊ داﻧﺶ در داﻣﻨﻪ ﻣﺮﺑﻮط ﺑﺮاي ﺗﺤﻠﻴﻞ و اﺳﺘﺨﺮاج ﺑﻌﺪي ﺑﺎﻳﺪ ﺗﻌﻴﻴﻦ ﮔﺮدد ‪.‬‬
‫ﭘﻴﺶ از ﺗﻌﺮﻳﻒ ﻣﺮزﻫﺎي داﻣﻨﻪ ‪ ،‬ﻧﮕﺎه ﻛﻠﻲ ﺑﻪ ﻣﻮﺿﻮع اﺻﻠﻲ ﺗﻮﺻﻴﻪ ﻣﻲ ﮔﺮدد ‪ .‬اﻳﻦ ﻧﮕﺎه‬
‫ﻛﻠﻲ ﺑﻪ ﻣﻨﻈﻮر اﻳﺠﺎد ﺑﺼﻴﺮت ﺑﻮده و ﺳﺎﺧﺘﺎري ﺑﺮاي ﻛﺎرﻫﺎي آﻳﻨﺪه ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ ﺿﻤﻨﺎ‬
‫ﻣﺸﻜﻼت ﺑﺎﻟﻘﻮه را ﻧﻴﺰ ﻣﺸﺨﺺ و ﭘﺮ رﻧﮓ ﻣﻲ ﻛﻨﺪ ‪.‬‬

‫‪1 Hart‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪9‬‬

‫ﺗﻌﻴﻴﻦ داﻣﻨﻪ داﻧﺶ‬

‫ﻣﻜﺎﻧﻴﺎﺑﻲ ﻣﻨﺒﻊ داﻧﺶ‬

‫ﻧﮕﺎه ﻛﻠﻲ ﺑﻪ داﻣﻨﻪ داﻧﺶ‬

‫ﺗﻌﺮﻳﻒ ﻣﺤﺪوده داﻧﺶ‬

‫اﻧﺘﺨﺎب و ﻛﺎرﺑﺮد ﻓﻦ اﺳﺘﺨﺮاج‬

‫ﻣﺮور و ﺗﺠﺰﻳﻪ داﻧﺶ‬

‫ﺣﺎﺻﻞ ﺷﺪه‬

‫ﻣﺤﺪوده ﭘﺎﻳﮕﺎه داﻧﺶ‬

‫ﺷﻜﻞ ‪ 2-3‬روش ﻓﺮاﮔﻴﺮي داﻧﺶ‬

‫ﺗﻌﺮﻳﻒ ﻣﺮزﻫﺎي داﻣﻨﻪ ﺗﻀﻤﻴﻦ ﻣﻲ ﻛﻨﺪ ﻫﻴﭻ ﮔﻮﻧﻪ ﺣﺬف ﻋﻤﺪه ﻧﺎﺧﻮاﺳﺘﻪ ﻳﺎ ﺗﻼش ﻫﺪر‬
‫رﻓﺘﻪ در ارﺗﺒﺎط ﺑﺎ ﮔﺮدآوري اﻃﻼﻋﺎت در ﻃﻲ ﻓﺮآﻳﻨﺪ اﺳﺘﺨﺮاج داﻧﺶ ﺻﻮرت ﻧﻤﻲ ﮔﻴﺮد‪.‬‬
‫اﻧﺘﺨﺎب ﺗﻜﻨﻴﻚ اﺳﺘﺨﺮاج ﻣﻨﺎﺳﺐ داﻧﺶ از روﺷﻲ ﻛﻪ ﺑﺮاي ﺗﺠﺰﻳﻪ ﻛﺮدن اﻃﻼﻋﺎت ﺑﻜﺎر‬
‫ﺑﺮده ﺷﺪه اﺳﺖ ‪ ،‬ﭘﻴﺮوي ﻣﻲ ﻛﻨﺪ ﺑﺮاي اﻳﻦ ﻛﺎر ﺗﻜﻨﻴﻚ ﻫﺎي ﻣﺘﻨﻮع و ﮔﻮﻧﺎﮔﻮﻧﻲ در‬
‫دﺳﺘﺮس ﻫﺴﺘﻨﺪ ‪.‬زﻣﺎﻧﻲ ﻛﻪ داﻧﺶ ﺷﻨﺎﺧﺘﻪ و ﻓﺮاﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬آﺧﺮﻳﻦ وﻇﻴﻔﻪ در‬
‫ﭘﺮدازش اﻳﻦ اﺳﺖ ﻛﻪ ﺗﻀﻤﻴﻦ ﻛﻨﺪ ‪ ،‬داﻧﺶ درﺳﺖ و ﺑﻲ ﻋﻴﺐ ‪ ،‬در ﺻﻮرت ﺗﻜﺮار ﻗﺎﺑﻞ‬
‫اﻋﺘﻤﺎد و ﻣﺘﻤﺮﻛﺰ ﺷﺪه در ﻳﻚ ﻗﺎﻟﺐ ﻣﻨﺎﺳﺐ اﺳﺖ ‪ .‬ﻣﺠﻤﻮﻋﻪ داﻧﺸﻲ ﻛﻪ در داﻣﻨﻪ ﺗﺤﺖ‬
‫رﺳﻴﺪﮔﻲ و ﺑﺮرﺳﻲ ﺷﺮﻛﺖ ﻣﻲ ﻛﻨﺪ ‪ ،‬ﺑﺎﻳﺪ ﻗﺎﺑﻞ ﻓﻬﻢ و واﺿﺢ ﺑﺎﺷﺪ ‪.‬‬
‫اﺳﺘﻨﺒﺎط ‪ ،‬ﻣﻮﺿﻮﻋﺎت ﻣﻨﻔﺮد داﻧﺶ را ﻛﻪ ﻻزم اﺳﺖ در ﺗﻤﺎم ﻣﻮارد ﻳﻜﺴﺎن و ﺳﺎزﻣﺎن دﻫﻲ‬
‫ﺷﺪه ﺑﺎﺷﺪ را اﺳﺘﺨﺮاج ﻣﻴﻨﻤﺎﻳﺪ ‪ .‬اﻣﺎ اﻳﻨﻜﻪ ﭼﻪ ﻣﻴﺰان ﺳﺎزﻣﺎن دﻫﻲ ﻻزم اﺳﺖ ‪ ،‬ﺑﻪ روﺷﻲ‬
 ‫‪10‬‬

‫ﻛﻪ ﺑﺎﻧﻚ اﻃﻼﻋﺎت اﺟﺮا و اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ﺑﺴﺘﮕﻲ زﻳﺎدي دارد ‪ .‬ﺑﺮﺧﻲ ﭘﻴﺎده ﺳﺎزي ﻫﺎ‬
‫ﺑﻪ ﻣﻮﺿﻮﻋﺎت و ﺑﺨﺶ ﻫﺎﻳﻲ ﻛﻪ در ﮔﺮوه ﻫﺎ و دﻧﺒﺎﻟﻪ ﻫﺎ ﻣﺮﺗﺐ ﺷﺪه اﻧﺪ ﻧﻴﺎز دارﻧﺪ ‪ ،‬ﻛﻪ‬
‫اﻳﻦ ﻧﻈﻢ و ﺗﺮﺗﻴﺐ ‪ ،‬ارﺗﺒﺎﻃﺎت ﻣﻴﺎن ﺑﺨﺶ ﻫﺎي ﻣﻮﺟﻮد در ﭘﺎﻳﮕﺎه داﻧﺶ را ﻧﺸﺎن ﻣﻲ دﻫﺪ ‪.‬‬
‫اﻳﻦ ﻧﻈﻢ و ﺗﺮﺗﻴﺐ ﻛﺎرﺑﺮد ﻓﺮاواﻧﻲ دارد ‪.‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺜﺎل ﺟﺎﻣﻊ و ﻣﺤﻜﻢ ‪ ،‬ﺧﻴﻠﻲ از‬
‫ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﻪ اﻃﻼﻋﺎﺗﻲ در ﺑﺎره ﻣﺸﺘﺮي و ﺑﻴﻤﺎر از ﻗﺒﻴﻞ ‪ :‬ﻧﺎم ‪ ،‬ﺳﻦ ‪ ،‬ﺟﻨﺴﻴﺖ و ﺳﺎﻳﺮ‬
‫ﻣﻮارد ‪ ،‬ﻧﻴﺎز دارد ‪ .‬ﺳﻴﺴﺘﻢ ﻣﺠﺒﻮر ﺑﻪ اﻧﺘﺨﺎب ﺗﺮﺗﻴﺒﻲ ﺑﺮاي ﺑﺪﺳﺖ آوردن اﻳﻦ اﻃﻼﻋﺎت‬
‫اﺳﺖ ‪ .‬ﻳﻚ راه ﺳﺎده دﻧﺒﺎل ﻛﺮدن ﺗﺮﺗﻴﺐ ﻣﺘﻨﻲ اﻳﻦ ﺑﺨﺶ ﻫﺎ در ﭘﺎﻳﮕﺎه داﻧﺶ اﺳﺖ ‪.‬‬
‫‪ 1-4-3‬ﻣﻨﺎﺑﻊ داﻧﺶ‬
‫ﺳﻪ ﻣﻨﺒﻊ اﺻﻠﻲ داﻧﺶ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫ﻣﻄﺎﻟﺐ ﻧﻮﺷﺘﺎري‬ ‫•‬
‫• اﻓﺮاد ﺧﺒﺮه‬
‫• ﻣﺜﺎل ﻫﺎ‪.‬‬
‫ﺳﻪ رﻛﻦ ﻣﺨﺘﻠﻒ داﻧﺶ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫• ﻗﻮاﻧﻴﻦ ﻋﻠﻤﻲ‬
‫• ﺗﺠﺮﺑﻪ‬
‫• اﻟﮕﻮﻫﺎ‬
‫ﻣﻲ داﻧﻴﻢ ﻛﻪ داﻧﺶ ‪ ،‬اﻃﻼﻋﺎﺗﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﻣﺎ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻮﺟﻮد در ﻳﻚ داﻣﻨﻪ ﺧﺎص‬
‫ﻳﺎري ﻣﻲ دﻫﺪ ‪ .‬ﺳﻮدﻣﻨﺪﺗﺮﻳﻦ داﻧﺶ ‪ ،‬ﺑﻴﺎﻧﻲ ازﺑﻌﻀﻲ ﻗﻮاﻋﺪ اﺳﺖ ﻛﻪ ﺑﻪ ﻣﺎ ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫ﭼﻴﺰي ﻛﻪ ﺑﻌﺪاً اﺗﻔﺎق ﺧﻮاﻫﺪ اﻓﺘﺎد ﻳﺎ ﺗﻮﺿﻴﺢ و ﺗﺸﺮح ﻧﺤﻮه و دﻟﻴﻞ ﺑﺮﺧﻲ ﻣﻮاردي ﻛﻪ‬
‫اﺗﻔﺎق اﻓﺘﺎده اﺳﺖ ‪ ،‬ﻳﺎري ﻣﻲ رﺳﺎﻧﺪ ‪ .‬ﻗﻮﻳﺘﺮﻳﻦ ﻗﻮاﻧﻴﻦ ﺑﺎ ﻗﺎﻋﺪه ﻛﻪ ﻣﻲ ﺷﻨﺎﺳﻴﻢ ‪ ،‬ﻗﻮاﻧﻴﻦ‬
‫ﻋﻠﻤﻲ ﻣﻲ ﺑﺎﺷﻨﺪ ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ‪ ،‬ﻓﺮاﮔﻴﺮي داﻧﺶ در زﻣﻴﻨﻪ ﻋﻠﻤﻲ از زﻣﻴﻨﻪ ﻫﺎي دﻳﮕﺮ ﺳﺎده ﺗﺮ‬
‫اﺳﺖ ‪ ،‬و اﻳﻨﻜﻪ آﻳﺎ اﻳﻦ ﻗﻮاﻧﻴﻦ ازﻛﺘﺎب ﺑﻪ دﺳﺖ آﻣﺪه اﻧﺪ ﻳﺎ از ﻣﻬﺎرت ‪ ،‬ﭼﻨﺪان اﻫﻤﻴﺖ‬
‫ﻧﺪارد ‪.‬‬
‫در ﺣﻮزه ﻫﺎﻳﻲ ﻛﻪ ﻛﻤﺘﺮ ﺑﺎ اﺻﻮل ﻋﻠﻤﻲ ﺗﻄﺒﻴﻖ دارﻧﺪ ‪ ،‬ﻏﺎﻟﺒﺎً ﻗﺎﻋﺪه ﻫﺎ ﺿﻌﻴﻔﺘﺮ ﻫﺴﺘﻨﺪ و ﺑﻪ‬
‫ﻃﻮر واﺿﺢ ﺑﻴﺎن ﻧﺸﺪه اﻧﺪ ‪ .‬از ﻗﻮاﻧﻴﻦ ﻋﻠﻤﻲ ﻣﻮﺟﻮد در ﺑﺎﻏﺒﺎﻧﻲ ﻳﺎ ﺗﻮﺻﻴﻪ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪11‬‬

‫ﻛﺴﻲ ﭼﻴﺰي ﻧﺸﻨﻴﺪه اﺳﺖ ‪ ،‬ﺑﺎ اﻳﻦ ﺣﺎل ﻓﺮد ﺧﻴﺮه در اﻳﻦ زﻣﻴﻨﻪ ﻫﺎ از ﻗﻮاﻋﺪ و‬
‫ﻣﻮﺿﻮﻋﺎت ﻣﻬﻢ ﻣﺮﺗﺒﻂ ﺑﺎ آن آﮔﺎه ﺑﻮده و روزاﻧﻪ از آﻧﻬﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ‪ .‬در اﻳﻨﺠﺎ‬
‫داﻧﺴﺘﻦ ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ ﻛﺴﺐ داﻧﺶ ﺿﺮوري ﺗﺮ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫در زﻣﻴﻨﻪ ﻫﺎي ﻛﺎرﺑﺮدي ‪ ،‬اﻣﻜﺎن ﻧﺪارد ﻳﻚ ﺗﺠﺮﺑﻪ ﺧﺒﺮه ﺗﺪوﻳﻦ و ﻧﻮﺷﺘﻪ و ﺛﺒﺖ ﺷﺪه ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺎ ﺣﻘﻴﻘﺘﺎً ﺑﻪ ﻳﻚ ﻓﺮد ﺧﺒﺮه زﻧﺪه ﻧﻴﺎز دارﻳﻢ ‪ ،‬زﻳﺮا ﻣﻴﺰان ﻛﻤﻲ از داﻧﺶ ﺑﻪ ﺷﻜﻞ ﻣﻜﺘﻮب و‬
‫ﻧﻮﺷﺘﻪ ﺷﺪه در دﺳﺘﺮس ﻗﺮار دارد‪ .‬و اﻟﺒﺘﻪ ﺗﺎﻛﻨﻮن ﺑﻴﺸﺘﺮ ﻛﺎرﺑﺮدﻫﺎي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در‬
‫اﻳﻦ ﺣﻮزه ﻫﺎ ﺑﻮده اﻧﺪ ‪ .‬ﭘﺎﻳﮕﺎه داﻧﺶ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻛﺎرﺑﺮدي اﻣﺮوزه اﻏﻠﺐ ﻓﺎﻗﺪ‬
‫ﻓﺮﻣﻮل ﻋﻠﻤﻲ ﺑﻮده و ﺑﻴﺸﺘﺮ ﻣﺘﻜﻲ ﺑﻪ ﺗﺠﺮﺑﻪ اﻓﺮاد ﺧﺒﺮه اﺳﺖ‪ .‬ﺑﺰرﮔﺘﺮﻳﻦ ﻣﺸﻜﻞ در اﻳﻦ‬
‫زﻣﻴﻨﻪ ﻫﺎ اﻳﻦ اﺳﺖ ﻛﻪ ﻓﺮد ﺧﺒﺮه ﺗﻮاﻧﺎﺋﻲ ﻣﻜﺘﻮب ﻛﺮدن داﻧﺶ ﺧﻮد را ﻧﺪارد ﺑﻨﺎﺑﺮ اﻳﻦ ﻏﺎﻟﺒﺎً‬
‫اﻳﻦ ﻣﻮﺿﻮﻋﺎت ﺟﻤﻊ آوري داﻧﺶ را ‪ ،‬ﻫﻢ ﺑﺮاي ﻓﺮد ﺧﺒﺮه و ﻫﻢ ﺑﺮاي ﻣﻬﻨﺪس داﻧﺶ‬
‫ﻛﺎري ﺳﺨﺖ و دﻳﺮﺑﺎزده ﻣﻲ ﺳﺎزد ‪.‬‬
‫داﻧﺶ ‪ ،‬ﺣﺎوي ﺣﻘﺎﻳﻖ ‪ ،‬رواﻟﻬﺎ و ﻗﻮاﻋﺪ ﺣﻜﻤﻲ اﺳﺖ و ﺑﻪ ﻃﻮر وﺳﻴﻊ ﻣﻨﺘﺸﺮ ﺷﺪه اﺳﺖ ‪.‬‬
‫ﺑﺴﻴﺎري ﻣﻮارد ﻣﺨﺘﻠﻒ دﻳﮕﺮ اﺳﺖ ‪ .‬اﻓﺮاد ﺧﺒﺮه ‪ ،‬ﻣﺮدم ﺑﺎ ﺗﺠﺮﺑﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ اﻧﻮاع ﻣﺨﺘﻠﻔﻲ‬
‫از اﻃﻼﻋﺎت را ﻓﺮاﻫﻢ آورد ‪ .‬وﻳﺲ‪ 1‬و ﻛﻮﻟﻴﻜﻮﺳﻜﻲ‪ (1983) 2‬ﻣﻌﺘﻘﺪﻧﺪ ﻛﻪ ﻣﻨﺎﺑﻊ ﺗﻮﻟﻴﺪ‬
‫اﻃﻼﻋﺎﺗﻲ ﻛﻪ ﺑﻪ ﺗﻮﻟﻴﺪ داﻧﺶ ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﻨﺠﺮ ﻣﻴﺸﻮد ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫• ﺗﺠﺎرب ﺷﺨﺼﻲ از ﻣﺴﺎﺋﻞ ﺣﻞ ﺷﺪه ﮔﺬﺷﺘﻪ ‪.‬‬
‫• ﻧﻈﺮﻳﻪ ﻳﺎ روﺷﻬﺎي ﺷﺨﺼﻲ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ‪.‬‬
‫• داﻧﺶ ﺷﺨﺼﻲ درﺑﺎره اﺳﺘﺪﻻﻟﻬﺎ ﺑﺮاي اﻧﺘﺨﺎب روﺷﻬﺎي ﺑﻜﺎررﻓﺘﻪ ‪.‬‬
‫ﺑﻬﺮ ﺣﺎل ‪ ،‬ﺑﺮاي ﭘﺎﻳﮕﺎه داﻧﺶ ﺳﻴﺴﺘﻢ ﻫﺎي ﻛﺎرﺑﺮدي ﺣﻮزه ﻣﻬﻨﺪﺳﻲ ‪ ،‬اﻳﻦ رﻫﻴﺎﻓﺖ ‪،‬‬
‫ﻧﺎﻛﺎﻓﻲ اﺳﺖ ‪ .‬ﻣﺴﺎﺋﻞ ﻣﻬﻨﺪﺳﻲ ﻣﻌﺪودي ‪ ،‬ﻛﺎﻣﻼً اﻛﺘﺸﺎﻓﻲ ﻫﺴﺘﻨﺪ ﻟﺬا ﻣﻨﺎﺑﻊ داﻧﺶ اﺷﺎره‬
‫ﺷﺪه در زﻳﺮ ﺑﺎﻳﺪ ﻋﻼوه ﺑﺮ داﻧﺶ ﻓﺮد ﺧﺒﺮه ﻣﻮرد ﺑﺮرﺳﻲ و ﺗﺤﻘﻴﻖ ﻗﺮار ﮔﻴﺮد ‪:‬‬
‫ﻧﻈﺮﻳﻪ ﺧﺒﺮه‬
‫داده ﻫﺎي ﺳﻮاﺑﻖ ﻗﺒﻠﻲ‬
‫رﻓﺘﺎرﻫﺎي ﻋﺮﻓﻲ‬

‫‪1 Weiss‬‬
‫‪2 Kulikowski‬‬
 ‫‪12‬‬

‫روال ﻫﺎي اﺳﺘﺎﻧﺪارد ﻣﻬﻨﺪﺳﻲ‬

‫داده ﻫﺎي آزﻣﺎﻳﺸﻲ‬
‫ﻣﻜﺘﻮﺑﺎت ﻓﻨﻲ ﺷﺎﻣﻞ ‪:‬‬
‫ﻛﺘﺎﺑﻬﺎي ﺗﺨﺼﺼﻲ‬
‫ﻣﺠﻼت‬
‫راﻫﻨﻤﺎ ﻫﺎي اﺳﺘﻔﺎده‬
‫اﻃﻼﻋﺎت ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه‬
‫ﻣﻌﺎدﻻت ﻣﻬﻨﺪﺳﻲ ﻗﻄﻌﻲ ﺷﺪه‬
‫ﺑﻨﺎﺑﺮ اﻳﻦ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﻳﺎ داده ﺻﺤﻴﺢ و اﺻﻼح ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻛﺎرﺑﺮدي ﺑﻪ اﺳﺘﻨﺎد آن ‪،‬‬
‫در ﻣﺴﻴﺮ ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﺎﻋﺚ ﺗﻮﻟﻴﺪ داﻧﺶ ﺷﻮد‬
‫‪ 2-4-3‬اﻧﻮاع داﻧﺶ‬
‫ﺳﺌﻮال ﺑﻌﺪي ﻛﻪ درﮔﻴﺮ آن ﻫﺴﺘﻴﻢ اﻳﻦ اﺳﺖ ﻛﻪ ‪ ،‬ﺑﺮاي ﻓﺮاﮔﻴﺮي داﻧﺶ ﭼﻪ ﭼﻴﺰي ﺑﺎﻳﺪ‬
‫ﮔﺮدآوري ﺷﻮد ؟ ﻣﺎ در ﭘﻲ ﺳﻪ دﺳﺘﻪ ﺑﻨﺪي داﻧﺶ ﻫﺴﺘﻴﻢ ‪.‬‬
‫اوﻟﻴﻦ دﺳﺘﻪ ﺑﻨﺪي ‪ ،‬ﺳﺎده ﺗﺮﻳﻦ آن اﺳﺖ ﻛﻪ آﻧﺮا » داﻧﺶ ادراﻛﻲ « ﻣﻲ ﻧﺎﻣﻴﻢ‪ .‬اﻳﻦ ﮔﺮوه‬
‫داﻧﺶ ﺷﺎﻣﻞ ﺣﻘﺎﻳﻖ ﺳﺎده و رواﺑﻄﻲ ﻣﺎﻧﻨﺪ رﻧﮓ ﺑﻠﻮر ﻫﺎي ﻛﻮارﺗﺰ ‪ ،‬ﻧﻘﻄﻪ ذوب آﻫﻦ ﻳﺎ‬
‫ﻣﺎﻛﺰﻳﻤﻢ ﮔﺸﺘﺎور ﻳﻚ ﻣﻮﺗﻮر اﺳﺖ ‪ .‬اﮔﺮ ﺑﺨﻮاﻫﻴﻢ دﻗﻴﻘﺘﺮ ﺻﺤﺒﺖ ﻛﻨﻴﻢ ‪ ،‬ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫ﺧﺒﺮه ﻧﻴﺎزي ﺑﻪ ﻧﮕﻬﺪاري اﻳﻦ اﻃﻼﻋﺎت ﻧﺪارﻧﺪ زﻳﺮا ﻣﻲ ﺗﻮان ﺑﺎ ﻃﺮح ﺳﻮاﻻﺗﻲ ﭘﺎﺳﺦ ﻫﺎي‬
‫ﻣﻮرد ﻧﻈﺮ را ﺑﻪ دﺳﺖ آورد ‪ .‬اﻣﺎ در ﻋﻤﻞ ﻫﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه اي ﺑﻪ ﻧﮕﻬﺪاري و دﺳﺘﻪ ﺑﻨﺪي‬
‫ﻛﺮدن ﭼﻨﻴﻦ اﻃﻼﻋﺎﺗﻲ ﻧﻴﺎز دارد ‪.‬‬
‫ﺳﻄﺢ ﺑﻌﺪي ﭼﻴﺰي اﺳﺖ ﻛﻪ اﻏﻠﺐ اﻓﺮاد در داﻧﺶ ﻣﻼﺣﻈﻪ ﻣﻲ ﻛﻨﻨﺪ ﻳﻌﻨﻲ ﻣﻔﺎﻫﻴﻢ و‬
‫رواﺑﻂ ‪ .‬در اﻳﻨﺠﺎ ﻗﻮاﻧﻴﻦ ﻋﻠﻤﻲ از ﻗﺒﻴﻞ ﻣﻌﺎدﻻت ﻧﻴﻮﺗﻦ و ﻗﺎﻧﻮن ﺑﻮﻳﻞ و ﻧﻴﺰ ﻣﺸﺎﻫﺪات‬
‫اﻛﺘﺸﺎﻓﻲ ﻧﻈﻴﺮ " ﺗﺐ ﻧﺸﺎن دﻫﻨﺪه ﺑﻴﻤﺎري اﺳﺖ ‪ " .‬ﻗﺮار دارﻧﺪ ‪ .‬اﻳﻦ ﺳﻄﺢ ‪ ،‬اﺻﻮل ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﺧﺒﺮه اﺳﺖ ‪.‬‬
‫ﺳﻮﻣﻴﻦ ﺳﻄﺢ ﻛﻪ ﻗﻄﻌﺎ ﻣﻬﻢ ﺗﺮﻳﻦ ﺳﻄﺢ ﻫﻢ ﻣﻲ ﺑﺎﺷﺪ داﻧﺶ روش دﺳﺘﻪ ﺑﻨﺪي ﻣﺴﺎﺋﻞ و‬
‫ﻧﺤﻮه ﭼﮕﻮﻧﮕﻲ ﺷﺮوع ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ و ﭼﮕﻮﻧﮕﻲ ﺗﻔﻜﻴﻚ و ﺗﺠﺰﻳﻪ ﻣﺴﺎﻳﻞ اﺳﺖ ﻛﻪ‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪13‬‬

‫داﻧﺶ اﺳﺘﺮاﺗﮋﻳﻚ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ‪.‬‬

‫ﺳﻮدﻣﻨﺪي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻛﺎﻣﻼً ﺑﻪ داﻧﺶ اﺳﺘﺮاﺗﮋﻳﻚ واﺑﺴﺘﻪ اﺳﺖ ‪ .‬اﻳﻦ ﺳﻪ ﺳﻄﺢ ﻧﻪ‬
‫ﺗﻨﻬﺎ ﻗﺪرت اﻳﻦ ﺑﺨﺸﻬﺎ را ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ ﺑﻠﻜﻪ ﻧﺤﻮه ﺳﺨﺖ و دﺷﻮار ﻧﮕﻬﺪاري اﻃﻼﻋﺎت‬
‫آﻧﺮا ﻧﻴﺰ ﻧﻤﺎﻳﺎن ﻣﻲ ﺳﺎزد ‪.‬‬

‫‪ 5-3‬ﻧﻤﺎﻳﺶ داﻧﺶ‬
‫ﻣﺴﺌﻠﻪ ﻧﻤﺎﻳﺶ داﻧﺶ ﺑﻪ ﻋﺪم ﻣﻄﺎﺑﻘﺖ ﺑﻴﻦ ﺣﺎﻓﻈﻪ ﺑﺸﺮ و ﺣﺎﻓﻈﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﺮﺑﻮط ﻣﻲ ﺷﻮد‪،‬‬
‫ﻣﺜﻼً ﭼﮕﻮﻧﻪ ﺑﺎﻳﺪ داﻧﺶ را ﻛﺪﮔﺬاري و ﻧﻤﺎﻳﺶ دﻫﻴﻢ ﻛﻪ ﺑﺎزﺗﺎﺑﻲ ﻣﻨﺎﺳﺐ از داﻧﺶ ﻓﺮد‬
‫ﺧﺒﺮه ﺑﻮده و ﺑﺘﻮاﻧﺪ ﺗﻮﺳﻂ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻫﻢ دﺳﺘﻜﺎري ﺷﻮد ‪ .‬ﺗﺤﻘﻴﻘﺎت رواﻧﺸﻨﺎﺳﻲ اﺷﺎره ﺑﺮ‬
‫اﻳﻦ ﻣﻄﻠﺐ دارد ﻛﻪ ﻣﺎ اﻧﻮاع رﻓﺘﺎر ﻫﺎي اﺳﺘﺪﻻﻟﻲ را ﻧﻤﺎﻳﺶ ﻧﻤﻲ دﻫﻴﻢ ‪ ،‬ﺑﻠﻜﻪ آﻧﺮا ﺑﺎ‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي اﺳﺘﻘﺮاﺋﻲ ﻳﺎ ﺳﻴﺴﺘﻢ ﻫﺎي اﺛﺒﺎت ﻗﻀﻴﻪ ارﺗﺒﺎط ﻣﻲ دﻫﻴﻢ ‪) .‬ﻫﺎرت ‪(1985‬‬
‫اﻧﺴﺎﻧﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺠﺮﺑﻴﺎت ﻣﻨﻄﻘﻲ وﻗﻮع ﻫﺮ اﺗﻔﺎﻗﻲ را دﻟﻴﻞ وﺟﻮد ﺷﺮاﻳﻂ و ﺣﺎﻟﺘﻲ‬
‫ﻣﻴﺪاﻧﻨﺪ‪ .‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎ ﻣﺴﺎﺋﻞ ﻏﻴﺮ ﻣﻠﻤﻮﺳﻲ ﻧﻈﻴﺮ اﻳﺪه ﻫﺎ ‪ ،‬ﻣﻔﺎﻫﻴﻢ و رواﺑﻄﺸﺎن‬
‫‪ ،‬ﻗﺎﺑﻠﻴﺖ رﺳﻤﻲ اراﺋﻪ و دﺳﺘﻜﺎري ﻣﻮﺟﻮدﻳﺘﻬﺎي ﻧﺴﺒﺘﺎً اﻧﺘﺰاﻋﻲ ﻛﻪ ﺑﺎﻳﺪ ﺗﻌﺒﻴﻪ و ﺑﺮﻧﺎﻣﻪ‬
‫رﻳﺰي ﺷﻮﻧﺪ ‪ ،‬ﺳﺮو ﻛﺎر دارد ‪ .‬اﻳﻦ ﻛﺎر ﻣﺴﺘﻠﺰم اﺳﺘﻔﺎده از اﺑﺰارﻫﺎي ﺳﺎﺧﺘﻴﺎﻓﺘﻪ و ﭘﺮدازﺷﻲ‬
‫اﺳﺖ ﻛﻪ ﺗﻮان ﻓﺎﻳﻖ آﻣﺪن ﺑﻪ اﻧﻮاع ورودﻳﻬﺎ ﻧﻈﻴﺮ داده ‪ ،‬ﻣﺘﻦ ‪ ،‬و دﺳﺘﻜﺎري ﻋﺪدي و‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺤﺎﺳﺒﻪ ﮔﺮا و زﺑﺎﻧﻬﺎﻳﻲ ﻛﻪ ﻫﻢ اﻛﻨﻮن ﻣﺘﺪاول ﺷﺪه اﻧﺪ را داﺷﺘﻪ ﺑﺎﺷﺪ ‪ .‬اﻳﻦ‬
‫ﺳﺎﺧﺘﺎر ﻫﺎي ﺑﺴﻴﺎر ﻗﻮي را » ﭘﺎﻳﮕﺎه داﻧﺶ « و ﻋﻤﻠﮕﺮ ﻫﺎي دﺳﺘﻜﺎري ﺑﺮ روي ﭘﺎﻳﮕﺎه‬
‫داﻧﺶ را » ﻣﻮﺗﻮر اﺳﺘﻨﺒﺎط « ﻣﻲ ﻧﺎﻣﻴﻢ ‪.‬‬
‫‪ 1-5-3‬ﭼﻪ ﭼﻴﺰي اراﺋﻪ ﻣﻲ ﺷﻮد ؟‬
‫در اﺑﺘﺪا اﺟﺎزه دﻫﻴﺪ اﻧﻮاع داﻧﺶ ﻣﻮرد ﻧﻴﺎز ﺑﺮاي اراﻳﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ‪ AI‬ﻣﻌﺮﻓﻲ ﻛﻨﻴﻢ ‪:‬‬
‫اﺷﻴﺎء ‪ :1‬ﻣﻮﺟﻮدﻳﺘﻬﺎي دﻧﻴﺎ ﻛﻪ درﺑﺎره آﻧﻬﺎ اﻃﻼﻋﺎﺗﻲ دارﻳﻢ ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪» ،‬ﮔﻴﺘﺎر« ﺳﺎز‬
‫ﺳﻴﻤﻲ اﺳﺖ ﻳﺎ »ﺗﺮاﻣﭙﺖ« ﻳﻚ آﻟﺖ ﻣﻮﺳﻴﻘﻲ ﺑﺮﻧﺠﻲ اﺳﺖ ‪ .‬ﻛﻪ در اﻳﻦ دو ﺟﻤﻠﻪ ﮔﻴﺘﺎر و‬
‫ﺗﺮﻣﭙﺖ ﻣﻮﺟﻮدﻳﺘﻬﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﺎ در ﺑﺎره آﻧﻬﺎ ﺣﻘﺎﻳﻘﻲ را ﻣﻴﺪاﻧﻴﻢ‬

‫‪1 objects‬‬
 ‫‪14‬‬

‫رﺧﺪادﻫﺎ‪ : 1‬اﻋﻤﺎﻟﻲ ﻛﻪ در دﻧﻴﺎي ﻣﺎ رخ ﻣﻲ دﻫﺪ ‪ ،‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪ ،‬ﭘﺮوﻳﺰ ﭘﺮﺳﺘﻮﻳﻲ در‬
‫ﻓﻴﻠﻢ آژاﻧﺲ ﺷﻴﺸﻪ اي ﻧﻘﺶ آﻓﺮﻳﻨﻲ ﻣﻴﻜﻨﺪ‪.‬‬
‫اﺟﺮاء‪ : 2‬رﻓﺘﺎري ﺷﺒﻴﻪ ﻧﻮاﺧﺘﻦ ﮔﻴﺘﺎر ﺑﺎ داﻧﺸﻲ درﺑﺎره ﻧﺤﻮه اﺟﺮاي ﻛﺎرﻫﺎ درﮔﻴﺮ اﺳﺖ ‪.‬‬
‫ﻓﺮاداﻧﺶ ‪ :‬داﻧﺶ ‪ ،‬درﺑﺎره ﭼﻴﺰﻫﺎﺋﻲ ﻛﻪ ﻣﻲ ﺷﻨﺎﺳﻴﻢ ‪ .‬ﻣﺎﻧﻨﺪ ‪ ،‬ﺧﻮاﻫﺮم ﺑﺮﻧﺎﻣﻪ ﻳﻚ ﺳﻔﺮ‬
‫دارد‪ .‬ﺧﻮاﻫﺮم ﻣﻲ داﻧﺪ ﻛﻪ ﻋﻼﺋﻢ ﺧﻴﺎﺑﺎﻧﻬﺎي ﻃﻮل ﻣﺴﻴﺮش را ﺟﻬﺖ آﮔﺎﻫﻲ از ﻣﻮﻗﻌﻴﺖ‬
‫ﺧﻮدش ﻣﻲ ﺗﻮاﻧﺪ ﺑﺨﻮاﻧﺪ‪ .‬ﺑﻨﺎﺑﺮ اﻳﻦ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻮﺟﻮد در ‪ AI‬ﺑﺎﻳﺪ داﻧﺶ اراﺋﻪ دﻫﻴﻢ‬
‫و دو ﻣﻮﺟﻮدﻳﺘﻲ ﻛﻪ ﺑﺎ آﻧﻬﺎ ﺳﺮوﻛﺎر دارﻳﻢ ‪ ،‬ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫ﺣﻘﺎﻳﻖ‪ : 3‬واﻗﻌﻴﺖ ﻫﺎﺋﻲ درﺑﺎره دﻧﻴﺎي واﻗﻌﻲ و ﭼﻴﺰي ﻛﻪ ﻣﺎ ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻴﻢ و ﺑﻪ آن‬
‫»ﺳﻄﺢ داﻧﺶ« ﻣﻴﮕﻮﻳﻴﻢ ‪.‬‬
‫اراﺋﻪ ﺣﻘﺎﻳﻖ ‪ :‬آﻧﭽﻪ ﻛﻪ دﺳﺘﻜﺎري ﻣﻲ ﻛﻨﻴﻢ ‪ .‬اراﺋﻪ ﺣﻘﺎﻳﻖ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ »ﺳﻄﺢ ﻧﻤﺎد« ﻧﺴﺒﺖ‬
‫داده ﺷﻮد ‪ ،‬از اﻳﻨﺮو ﻣﻌﻤﻮﻻً ﺣﻘﺎﻳﻖ ﺑﺎ ﺗﺮﻛﻴﺒﻲ از ﻧﻤﺎدﻫﺎ ﻧﻤﺎﻳﺶ داده ﻣﻴﺸﻮد ﻛﻪ ﺑﺎ ﺑﺮﻧﺎﻣﻪ‬
‫ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﺑﺘﻮان آﻧﺮا ﺗﻐﻴﻴﺮ داد ‪ .‬اﻳﻦ ﻣﻮﺟﻮدﻳﺘﻬﺎ را ﻣﻲ ﺗﻮاﻧﻴﻢ در دو ﺳﻄﺢ‬
‫ﺳﺎزﻣﺎﻧﺪﻫﻲ ﻧﻤﺎﺋﻴﻢ ‪:‬‬
‫ﺳﻄﺢ داﻧﺶ ‪ ،‬ﺟﺎﺋﻲ ﻛﻪ ﺣﻘﺎﻳﻖ ﺗﻌﺮﻳﻒ ﺷﺪه اﻧﺪ ‪.‬‬
‫ﺳﻄﺢ ﻧﻤﺎد ‪ ،‬ﻧﻤﺎﻳﺶ ﻣﻮﺟﻮدﻳﺘﻬﺎ ﺑﺎ ﻧﻤﺎدﻫﺎﻳﻲ ﺻﻮرت ﻣﻴﻜﻴﺮد ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﺘﻮاﻧﻨﺪ آﻧﺮا‬
‫دﺳﺘﻜﺎري ﻛﻨﻨﺪ‪.‬‬
‫زﺑﺎن اﻧﮕﻠﻴﺴﻲ ﻳﺎ زﺑﺎن ﻃﺒﻴﻌﻲ ﻳﻚ روش واﺿﺢ از اراﺋﻪ و ﺑﺮرﺳﻲ ﺣﻘﺎﻳﻖ اﺳﺖ ‪ .‬ﻣﻨﻄﻖ ‪،‬‬
‫ﻣﺎ را در ﺑﺮرﺳﻲ ﺣﻘﺎﻳﻖ زﻳﺮ ﺗﻮاﻧﺎ ﻣﻲ ﺳﺎزد »ﺗﺎم ﻳﻚ ﮔﺮﺑﻪ اﺳﺖ « و اﺳﺘﻨﺒﺎط ﻣﺎ اﻳﻦ اﺳﺖ‬
‫ﻛﻪ »ﮔﺮﺑﻪ ﻫﺎ دم دارﻧﺪ« ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮﻳﻢ ‪ :‬ﻛﻪ » ﺗﺎم دم دارد« ‪.‬‬
‫)‪cat(Tom‬‬
‫)‪cat(x) → hasatail(x‬‬ ‫⇒‬ ‫)‪hasatail(Tom‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از داﻧﺶ ﮔﺬﺷﺘﻪ و ﺗﺴﺮي آن ﺑﻪ ﺣﻘﻴﻘﺖ اول در اﺳﺘﻨﺘﺎج » ﺗﺎم دم دارد« ﺗﻮﻟﻴﺪ‬
‫ﻣﻴﺸﻮد‪.‬‬

‫‪1 Events‬‬
‫‪2 performance‬‬
‫‪3 facts‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪15‬‬

‫ﺗﻮاﺑﻊ در دﺳﺘﺮس ﻫﻤﻴﺸﻪ ﻳﻚ ﺑﻪ ﻳﻚ ﻧﻴﺴﺘﻨﺪ ‪ ،‬ﺑﻠﻜﻪ ﭼﻨﺪ ﺑﻪ ﭼﻨﺪ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ ﻣﺸﺨﺼﻪ‬

‫اي از اراﺋﻪ ﻫﺎ در زﺑﺎن ﻃﺒﻴﻌﻲ اﺳﺖ )ﭼﻪ اﻧﮕﻠﻴﺴﻲ ﭼﻪ ﻓﺎرﺳﻲ( ‪.‬ﻫﺮ دو ﺟﻤﻠﻪ » ﻫﻤﻪ ﺳﮕﻬﺎ‬
‫دﻣﻬﺎﺋﻲ دارﻧﺪ« و »ﻫﺮ ﺳﮓ ﻳﻚ دم دارد« ﺑﻴﺎن ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ ﻫﺮ ﺳﮓ ﻳﻚ دم دارد اﻣﺎ‬
‫اوﻟﻴﻦ ﺟﻤﻠﻪ را ﻣﻲ ﺗﻮان ﭼﻨﻴﻦ ﺗﻔﺴﻴﺮ ﻛﺮد ﻛﻪ ﻫﺮ ﺳﮓ ﺑﻴﺶ از ﻳﻚ دم دارد ؛ اﻳﻦ ﻛﺎر را‬
‫ﻣﺠﺪداً ﺑﺎ ﺗﻌﻮﻳﺾ دم ﺑﺎ دﻧﺪان اﻧﺠﺎم دﻫﻴﺪ ‪ .‬وﻗﺘﻲ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻳﻚ اراﺋﻪ داﺧﻠﻲ از‬
‫ﺣﻘﺎﻳﻖ را دﺳﺘﻜﺎري ﻣﻲ ﻛﻨﺪ ‪ ،‬اﻳﻦ اراﺋﻪ ﻫﺎي ﺟﺪﻳﺪ ﻧﻴﺰ ﺑﺎﻳﺪ ﺑﻪ ﻋﻨﻮان اراﺋﻪ ﻫﺎي ﺟﺪﻳﺪي‬
‫از ﺣﻘﺎﻳﻖ ﻗﺎﺑﻞ ﺗﻔﺴﻴﺮ ﺑﺎﺷﻨﺪ ‪.‬‬
‫‪ 2-5-3‬ﻛﺎرﺑﺮد داﻧﺶ‬
‫ﺗﺎ ﻛﻨﻮن ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ ﻣﻮاردي را ﻛﻪ داﻧﺶ در ﺳﻴﺴﺘﻤﻬﺎي ‪ AI‬ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‬
‫را ذﻛﺮ ﻛﺮدﻳﻢ ‪ .‬اﺟﺎزه دﻫﻴﺪ ‪ ،‬ﻗﺪري ﺑﻴﺸﺘﺮ درﺑﺎره ﭼﮕﻮﻧﮕﻲ ﻛﺎرﺑﺮد ﻫﺎ و ﭼﻨﺪ و ﭼﻮن‬
‫داﻧﺸﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ اﺳﺘﻔﺎده ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬ﺑﺮرﺳﻲ ﻛﻨﻴﻢ ‪.‬‬
‫ﻳﺎدﮔﻴﺮي‪ : 1‬ﺑﻪ ﻣﻌﻨﺎي ﻓﺮاﮔﻴﺮي داﻧﺶ اﺳﺖ ‪ .‬ﻓﺮاﮔﻴﺮي ﺑﻴﺶ از اﻓﺰودن ﻳﻚ ﺣﻘﻴﻘﺖ ﺟﺪﻳﺪ‬
‫ﺑﻪ ﭘﺎﻳﮕﺎه داﻧﺶ اﺳﺖ ‪ .‬در اﻳﻦ ﻓﺮآﻳﻨﺪ داﻧﺶ ﺟﺪﻳﺪ ﺑﻪ ﭘﺎﻳﮕﺎه داﻧﺶ اﻓﺰوده ﺷﺪه اﺳﺖ و‬
‫داﻧﺸﻲ ﻛﻪ ﭘﻴﺶ ﺗﺮ ﺣﺎﺻﻞ ﺷﺪه ﺗﺼﻔﻴﻪ ﻳﺎ اﺻﻼح ﻣﻴﮕﺮدد ‪.‬‬
‫ﺑﺎزﻳﺎﺑﻲ‪ : 2‬ﭼﺎرﭼﻮب اراﺋﻪ اﺳﺘﻔﺎده ﺷﺪه ‪ ،‬ﻣﻲ ﺗﻮاﻧﺪ ﺗﺎﺛﻴﺮ ﻛﻠﻴﺪي روي ﺑﺎزده و ﻛﺎرآراﺋﻲ‬
‫ﻳﻚ روش ﺑﮕﺬارد ‪ .‬اﻧﺴﺎﻧﻬﺎ در اﻳﻦ ﻛﺎر ﺧﻴﻠﻲ ﺧﻮب و ﻣﻨﺎﺳﺐ ﻋﻤﻞ ﻣﻴﻜﻨﻨﺪ ‪.‬‬
‫اﺳﺘﺪﻻل ‪ :‬اﺳﺘﻨﺒﺎط ﺣﻘﺎﻳﻖ از داده ﻫﺎي ﻣﻮﺟﻮد ‪.‬اﮔﺮ ﻳﻚ ﺳﻴﺴﺘﻢ ﺗﻨﻬﺎ ﺑﺪاﻧﺪ ﻛﻪ ‪:‬‬
‫» ﺗﺠﻮﻳﺪي ﻳﻚ ﻧﻮازﻧﺪه وﻳﻮﻟﻮن اﺳﺖ « و »ﻫﻤﻪ ﻧﻮازﻧﺪﮔﺎن وﻳﻮﻟﻮن ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺧﻮﺑﻲ‬
‫ﺑﻨﻮازﻧﺪ « ‪.‬اﮔﺮ ﺳﻮاﻟﻬﺎﻳﻲ ﻣﺎﻧﻨﺪ » آﻳﺎ ﺗﺠﻮﻳﺪي ﻳﻚ ﻧﻮازﻧﺪه وﻳﻮﻟﻮن اﺳﺖ ؟« ﻳﺎ »آﻳﺎ ﻧﻮازﻧﺪه‬
‫ﻫﺎي وﻳﻮﻟﻮن ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺧﻮﺑﻲ ﺑﻨﻮازﻧﺪ؟« ﭘﺮﺳﻴﺪه ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬ﭘﺎﺳﺦ ﺳﺌﻮاﻻت ﺑﻪ‬
‫ﺳﻬﻮﻟﺖ از داده ﻫﺎي ﺳﺎﺧﺘﻴﺎﻓﺘﻪ و روﻳﻪ ﻫﺎي ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ‪ ،‬ﺳﺌﻮاﻟﻲ ﻧﻈﻴﺮ‬
‫» آﻳﺎ ﺗﺠﻮﻳﺪي ﺳﺎزش را ﺧﻮب ﻣﻲ ﻧﻮازد ؟« ﺑﻪ اﺳﺘﺪﻻل ﻧﻴﺎز دارد ‪ .‬ﻫﻤﻪ ﻣﻮارد ﺑﺎﻻ ﺑﻪ ﻫﻢ‬
‫ﻣﺮﺑﻮط ﻫﺴﺘﻨﺪ ‪ .‬ﺑﺮاي ﻣﺜﺎل ‪ ،‬ﻛﺎﻣﻼً واﺿﺢ و روﺷﻦ اﺳﺖ ﻛﻪ ﻳﺎدﮔﻴﺮي و اﺳﺘﺪﻻل ﺑﺎ‬

‫‪1 learning‬‬
‫‪2 retrieval‬‬
 ‫‪16‬‬

‫ﺑﺎزﻳﺎﺑﻲ داده ﻫﺎ ﻣﺮﺗﺒﻂ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪ 3-5-3‬ﻓﺮم در ﺑﺮاﺑﺮ ﻣﺤﺘﻮاي داﻧﺶ‬
‫ﻓﺮض ﻛﻨﻴﻢ ﻣﻴﺨﻮاﻫﻴﻢ ﺑﺎ ﻳﻚ ﺳﻴﺴﺘﻢ ﺟﻤﻊ دو ﻋﺪد را اﻧﺠﺎم دﻫﻴﻢ ‪ .‬اﻳﻦ ﻛﺎر را ﻣﻲ ﺗﻮان‬
‫از ﻃﺮﻳﻖ ذﺧﻴﺮه ﻛﺮدن ﻣﺠﻤﻮع ﻫﻤﻪ ﺟﻔﺘﻬﺎي ورودي اﻋﺪاد ﺻﺤﻴﺢ ﻗﺎﺑﻞ ﭘﺬﻳﺮش در ﻳﻚ‬
‫ﺟﺪول ﺟﺴﺘﺠﻮ اﺟﺮا ﻛﺮد ‪ .‬راه دوم اﺳﺘﻔﺎده از ﻳﻚ ﺷﻤﺎرﻧﺪه اﺳﺖ ﻛﻪ اﻳﻦ ﺷﻤﺎرﻧﺪه ﭘﻲ در‬
‫ﭘﻲ ﺑﻪ وﺳﻴﻠﻪ دو ﻋﺪد ﺻﺤﻴﺤﻲ ﻛﻪ ﻣﺠﻤﻮﻋﺸﺎن را ﻗﺮار اﺳﺖ ﺑﻪ دﺳﺖ آورﻳﻢ اﻓﺰاﻳﺶ ﻣﻲ‬
‫ﻳﺎﺑﺪ ‪ .‬از ﻧﻈﺮاﺣﺮاﻳﻲ ‪ ،‬دو روش ﭘﺎﺳﺨﻬﺎي ﻳﻜﺴﺎن اﻳﺠﺎد ﺧﻮاﻫﻨﺪ ﻛﺮد ‪ .‬اﻣﺎ از ﻧﻘﻄﻪ ﻧﻈﺮ‬
‫اراﺋﻪ اي و ﻧﻤﺎﻳﺸﻲ ﺗﻔﺎوت ﻫﺎي ﻣﻬﻤﻲ وﺟﻮد دارد ﻛﻪ ﺑﻪ ﻃﻮر ﻣﺆﺛﺮ ﺑﺮ ﻧﺤﻮه ﺗﻮاﻧﺎﻳﻲ ﻣﺎ در‬
‫اﻧﺠﺎم وﻇﺎﻳﻒ ﻣﺤﻮﻟﻪ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد ‪ .‬اﺳﺘﻔﺎده از ﺟﺪول ﺟﺴﺘﺠﻮ ﻣﺎ را ﺑﺎ ﺳﺮﻋﺖ ﺑﻴﺸﺘﺮي‬
‫ﺑﻪ ﻧﺘﻴﺠﻪ ﻣﻴﺮﺳﺎﻧﺪ اﻣﺎ اﮔﺮ ﺑﺎ ارﻗﺎم ﺑﺰرگ ﺳﺮوﻛﺎر داﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪ ،‬رﺳﻴﺪن ﺑﻪ اﻳﻦ ﺳﺮﻋﺖ‬
‫ﻧﻴﺎزﻣﻨﺪ ﻧﮕﻬﺪاري و ذﺧﻴﺮه اﻋﺪاد در ﻳﻚ ﺣﺎﻓﻈﻪ ﺑﺰرگ اﺳﺖ ‪ .‬روش ﺷﻤﺎرﻧﺪه از ﻧﻈﺮ‬
‫ﻋﺪم ﻧﻴﺎز ﺑﻪ ﺳﺨﺖ اﻓﺰارﻫﺎي ﭘﻴﺸﺮﻓﺘﻪ ﺑﺴﻴﺎر ﻛﺎرآﻣﺪ اﺳﺖ اﻣﺎ ﺧﻴﻠﻲ ﻛﻨﺪﺗﺮ ﭘﺎﺳﺦ ﺳﻮال را‬
‫ﻓﺮاﻫﻢ ﻣﻴﻜﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ‪ ،‬اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎرﻫﺎي ﺧﺎص و داﻧﺸﻲ ﻛﻪ در ﻗﺎﻟﺐ ﻣﻨﺎﺳﺐ‬
‫ﺗﻮﺻﻴﻒ ﺷﺪه اﻧﺪ ‪ ،‬ﺗﺎﺛﻴﺮ ﻣﻬﻤﻲ ﺑﺮ ﺣﻞ ﻣﺴﺎﺋﻞ دارد ‪ .‬ﺑﻪ ﻋﻼوه ‪ ،‬از آﻧﺠﺎﺋﻴﻜﻪ ﻫﻴﭻ ﻧﻤﺎﻳﺶ‬
‫ﻳﺎ ﻣﺪل اﻧﻔﺮادي ﻧﻤﻲ ﺗﻮاﻧﺪ ﻫﻤﻪ ﺟﻨﺒﻪ ﻫﺎي ﻳﻚ ﺷﺊ واﻗﻌﻲ را در ﺑﺮﮔﻴﺮد ‪ ،‬ﻳﻚ ﻣﻮﺟﻮدﻳﺖ‬
‫ﻫﻮﺷﻤﻨﺪ ﺑﺎﻳﺪ ﻃﻴﻒ ﮔﺴﺘﺮده اي از ﻧﻤﺎﻳﺸﻬﺎ و اراﺋﻪ ﻫﺎ را ﺟﻬﺖ ارﺗﺒﺎط ﺑﺎ دﻧﻴﺎ ﺑﻜﺎر ﮔﻴﺮد ‪.‬‬
‫‪ 4-5-3‬اراﺋﻪ داﻧﺶ‬
‫ﻧﻤﺎﻳﺶ و اراﺋﻪ ﻳﻚ وﺿﻌﻴﺖ )ﻳﺎ ﺷﺊ ‪ ،‬ﻳﺎ ﻣﺴﺌﻠﻪ ( ﻳﻚ اﻧﺘﻘﺎل ﺑﻪ ﺳﻴﺴﺘﻤﻲ اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ‬
‫واژﮔﺎﻧﻲ ﺑﻪ ﻧﺎم ﻫﺎي اﺷﻴﺎء و ارﺗﻴﺎﻃﺎت و اﻗﺪاﻣﺎﺗﻲ ﻛﻪ ﻣﻴﺘﻮاﻧﺪ روي ﺷﻲء ﺻﻮرت ﮔﻴﺮد و‬
‫ﺣﻘﺎﻳﻘﻲ و ﻣﺤﺪودﻳﺘﻬﺎﻳﻲ اﺳﺖ ﻛﻪ از آن ﺷﻲء ﻣﻴﺸﻨﺎﺳﻴﻢ‪.‬‬
‫ﻣﺸﺨﺼﺎت اﺧﺘﺼﺎﺻﻲ ﭘﺎﻳﻪ از ﻳﻚ ﻧﻤﺎﻳﺶ و اراﺋﻪ ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫اﻟﻒ ( ﭼﻪ اﻃﻼﻋﺎﺗﻲ ﺻﺮﻳﺢ و روﺷﻦ ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ‪.‬‬
‫ب ( ﭼﮕﻮﻧﻪ اﻃﻼﻋﺎت ﺑﻪ ﻃﻮر ﻓﻴﺰﻳﻜﻲ ﺑﻴﺎن ﺷﺪه اﻧﺪ ‪.‬‬
‫ﻫﺪف از اراﺋﻪ ‪ ،‬ﺳﺎده ﻛﺮدن ﭘﺎﺳﺦ ﺑﻪ ﮔﺮوه ﻣﺤﺪودي از ﺳﺌﻮاﻻت درﺑﺎره ﻣﻮﻗﻌﻴﺖ داده‬
‫ﺷﺪه اﺳﺖ ﺑﻨﺎﺑﺮاﻳﻦ اﻧﺘﺨﺎب ﻧﻮع اراﺋﻪ ﺑﺎﻳﺪ در ﻣﺴﻴﺮ ﻫﺪف ﺑﺎﺷﺪ ‪.‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪17‬‬

‫ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ در دﻧﻴﺎي واﻗﻌﻲ ﺣﺪاﻗﻞ دو اراﺋﻪ ﻣﺠﺰا ﺑﺮاي ﺗﻄﺒﻴﻖ و اﻧﺘﺨﺎب از ﺑﻴﻦ‬
‫ﭼﻨﺪ ﻣﻜﺎﻧﻴﺰم ﻣﺤﺎﺳﺒﻪ اي داده ﺷﺪه ﻻزم اﺳﺖ ‪ :‬اوﻟﻴﻦ اراﺋﻪ ‪ ،‬ﻟﻮازم ﺳﻤﺒﻠﻴﻚ و ﻧﻤﺎدﻳﻦ‬
‫ﻛﺎرآﻣﺪ را ﺑﺮاي ﭘﺎﺳﺦ دﻫﻲ ﺑﻪ ﺳﺌﻮاﻻت درﺑﺎره وﺿﻌﻴﺖ داده ﺷﺪه ‪ ،‬ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ و‬
‫دوﻣﻲ ‪ ،‬ﺗﻜﻨﻴﻚ ﻫﺎي راه ﺣﻞ اوﻟﻲ را ﺑﻪ دﺳﺘﻮراﻟﻌﻤﻠﻬﺎ و ﺳﺎﺧﺘﺎر ﻫﺎي ذﺧﻴﺮه ﺳﺎزي‬
‫ﻣﻨﺎﺳﺐ در ﻣﺎﺷﻴﻦ ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻓﻜﺮ ﻛﻨﻴﻢ ﭘﺎﻳﮕﺎه داﻧﺶ ﻧﮕﺎﺷﺘﻲ ﺑﻴﻦ ﻳﻚ ﺷﻲ و ارﺗﻴﺎﻃﺎﺗﺶ در ﺣﻮزه‬
‫ﻣﺴﺌﻠﻪ و اﺷﻴﺎء ﻣﺤﺎﺳﺒﺎﺗﻲ و ارﺗﻴﺎﻃﺎﺗﺶ در ﻣﺤﻴﻂ ﺑﺮﻧﺎﻣﻪ اﺳﺖ ‪ .‬ﻧﺘﺎﻳﺞ اﺳﺘﻨﺒﺎﻃﻬﺎ ﻣﺒﺘﻨﻲ ﺑﺮ‬
‫ﭘﺎﻳﮕﺎه داﻧﺶ ﺑﺎﻳﺪ ﺑﺎ ﻧﺘﺎﻳﺞ اﻋﻤﺎل ﻳﺎ ﻣﺸﺎﻫﺪات در دﻧﻴﺎ ﻣﺸﺎﺑﻪ ﺑﺎﺷﺪ ‪ .‬اﺷﻴﺎء ﻣﺤﺎﺳﺒﺎﺗﻲ ‪،‬‬
‫رواﺑﻂ و اﺳﺘﻨﺒﺎﻃﻬﺎي ﻗﺎﺑﻞ دﺳﺘﺮس ‪ ،‬ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﺑﻪ وﺳﻴﻠﻪ زﺑﺎن اراﺋﻪ داﻧﺶ ﻛﻪ‬
‫اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻨﺪ ‪ ،‬ﺗﻌﻴﻴﻦ ﻣﻴﺸﻮد ‪ .‬ﻳﻚ زﺑﺎن ﻣﻨﺎﺳﺐ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ در ﺟﻤﻊ‬
‫آوري ‪ ،‬ﺳﺎزﻣﺎﻧﺪﻫﻲ و ﻏﻠﻂ ﻳﺎﺑﻲ ﭘﺎﻳﮕﺎه داﻧﺶ ﻛﻤﻚ ﻛﻨﺪ ‪.‬‬
‫ﻗﺎﻟﺐ ﻫﺎي ﻣﺘﻔﺎوت زﻳﺎدي ﺑﺮاي اراﻳﻪ داﻧﺶ ﻣﻄﺮح ﻫﺴﺘﻨﺪ ﻛﻪ ﻫﺮﻛﺪام ﻧﻘﺎط ﺿﻌﻒ و‬
‫ﻗﻮت ﺧﻮد را دارﻧﺪ ‪ .‬ﻣﺎﻳﻠﻮﭘﻮﻟﺲ‪ 1‬و ﻟﻮﺳﻚ‪ (1954) 2‬اﻳﻦ ﻗﺎﻟﺒﻬﺎ را ﺑﻪ ﭼﻬﺎر ﮔﺮوه ﺗﻘﺴﻴﻢ‬
‫ﺑﻨﺪي ﻛﺮده اﻧﺪ ‪:‬‬
‫اﻟﻒ ( ﻗﺎﻟﺐ ﻧﻤﺎﻳﺶ ﻣﻨﻄﻘﻲ‬
‫اي‪3‬‬ ‫ب( ﻗﺎﻟﺐ ﻧﻤﺎﻳﺶ روﻳﻪ‬
‫ج( ﻗﺎﻟﺐ ﻧﻤﺎﻳﺶ ﺷﺒﻜﻪ اي‬
‫د( ﻗﺎﻟﺐ ﻧﻤﺎﻳﺶ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ‬
‫ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ ﻣﻨﻄﻘﻲ‬
‫اﻳﻦ دﺳﺘﻪ از ﻧﻤﺎﻳﺶ ﻫﺎ از ﻋﺒﺎرات ﻣﻮﺟﻮد در ﻣﻨﻄﻖ ﻧﻤﺎدﻳﻦ ﺑﺮاي ﻧﻤﺎﻳﺶ دادن ﭘﺎﻳﮕﺎه‬
‫داﻧﺶ ﺑﻬﺮه ﻣﻲ ﮔﻴﺮد ‪ .‬ﻗﻮاﻧﻴﻦ اﺳﺘﻨﺒﺎﻃﻲ و روﻳﻪ ﻫﺎي اﺳﺘﺪﻻﻟﻲ اﻳﻦ ﻗﺎﻟﺐ اراﻳﻪ داﻧﺶ را‬
‫ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺷﻬﻮدي ﻣﻨﺎﺳﺐ ﻛﺮده اﺳﺖ ‪ .‬رﻳﺎﺿﻴﺎت اﺧﺒﺎري ﻣﺮﺗﺒﻪ اول در ﻗﺎﻟﺐ‬
‫اراﻳﻪ ﻣﻨﻄﻘﻲ ﺑﺴﻴﺎر ﺑﻜﺎر ﻣﻴﺮود‪ ،‬ﭘﺮوﻟﻮگ ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﻳﺪه ال ﺑﺮاي ﭘﻴﺎده‬

‫‪1 Mylopoulos‬‬
‫‪2 Levesque‬‬
‫‪3 procedural representation Schemes‬‬
 ‫‪18‬‬

‫ﺳﺎزي و اﺟﺮاي ﻗﺎﻟﺒﻬﺎي ﻧﻤﺎﻳﺶ ﻣﻨﻄﻘﻲ اﺳﺖ ‪.‬‬

‫ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ روﻳﻪ اي‬
‫ﻗﺎﻟﺒﻬﺎي روﻳﻪ اي ‪ ،‬داﻧﺶ را ﺑﻪ ﻣﺜﺎﺑﻪ ﻣﺠﻤﻮﻋﻪ اي از دﺳﺘﻮر اﻟﻌﻤﻞ ﻫﺎ ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ‬
‫ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ ‪ .‬اﻳﻦ روش ﺑﺎ ﻧﻤﺎﻳﺶ ﻫﺎي اﻋﻼﻧﻲ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﻣﻨﻄﻖ و ﺷﺒﻜﻪ ﻫﺎي‬
‫ﻣﻌﻨﺎﺋﻲ ﻓﺮاﻫﻢ ﺷﺪه اﻧﺪ ﻣﻐﺎﻳﺮت دارد ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪ ،‬در ﻳﻚ ﺳﻴﺴﺘﻢ ﻗﺎﻋﺪه ﮔﺮا‪ ، 1‬ﻗﺎﻋﺪه‬
‫‪ ، if…then‬ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻋﻨﻮان روﻳﻪ اي ﺑﺮاي ﺣﻞ ﻛﺮدن و رﺳﻴﺪن ﺑﻪ ﻳﻚ ﻫﺪف در‬
‫ﺣﻮزه ﻣﺴﺌﻠﻪ ﺗﻔﺴﻴﺮ ﺷﻮد ‪.‬‬
‫ﺑﺮاي ﺣﻞ اﺳﺘﻨﺘﺎج ‪ ،‬ﺣﻞ ﻛﺮدن ﻓﺮض ﻫﺎي ﭘﺎﻳﻪ اي و ﻣﻘﺪﻣﺎﺗﻲ اوﻟﻮﻳﺖ دارد ‪ .‬ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﺗﻮﻟﻴﺪي ‪ ،‬ﻣﺜﺎل ﻫﺎﺋﻲ از ﻃﺮح ﻫﺎي ﻧﻤﺎﻳﺶ روﻳﻪ اي ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻃﺮﺣﻬﺎي ﻧﻤﺎﻳﺶ ﺷﺒﻜﻪ‬
‫ﻧﻤﺎﻳﺶ ﻫﺎي ﺷﺒﻜﻪ اي ‪ ،‬داﻧﺶ را ﺑﻪ ﻋﻨﻮان ﻳﻚ ﮔﺮاف در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮد ﻛﻪ ﮔﺮه ﻫﺎي اﻳﻦ‬
‫ﮔﺮاف ﻣﻮﺿﻮﻋﺎت ﻳﺎ ﻣﻔﺎﻫﻴﻢ ﻣﻮﺟﻮد در داﻣﻨﻪ ﻣﺴﺌﻠﻪ و ﻳﺎﻟﻬﺎي آن رواﺑﻂ ﻳﺎ واﺑﺴﺘﮕﻲ ﺑﻴﻦ‬
‫ﻣﻮﺿﻮﻋﺎت را ﻧﺸﺎن ﻣﻲ دﻫﺪ ‪ .‬ﻣﺜﺎﻟﻬﺎﺋﻲ از ﻧﻤﺎﻳﺶ ﻫﺎي ﺷﺒﻜﻪ ﺷﺎﻣﻞ »ﺷﺒﻜﻪ ﻫﺎي ﻣﻌﻨﺎﺋﻲ«‬
‫و »واﺑﺴﺘﮕﻲ ﻫﺎي ادراﻛﻲ« و »ﮔﺮاف ﻫﺎي ادراﻛﻲ« ﻣﻲ ﺑﺎﺷﻨﺪ ‪.‬‬
‫ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ‬
‫زﺑﺎن ﻫﺎي ﻧﻤﺎﻳﺶ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ ‪ ،‬ﺑﻪ ﺷﻜﻠﻲ ﺷﺒﻜﻪ ﻫﺎ را ﮔﺴﺘﺮش ﻣﻴﺪﻫﺪ ﺗﺎ ﺑﺘﻮاﻧﻨﺪ در ﻫﺮ‬
‫ﮔﺮه ﺳﺎﺧﺘﺎر داده اي ﭘﻴﭽﻴﺪه اي را ﺑﻪ ﻧﺎم »اﺳﻼت« را ﻧﮕﻬﺪاري و ﻣﻘﺎدﻳﺮي را ﺑﻪ آن‬
‫ﻧﺴﺒﺖ دﻫﺪ‪ .‬اﻳﻦ ﻣﻘﺎدﻳﺮ ﻣﻤﻜﻦ اﺳﺖ ارﻗﺎﻣﻲ ﺳﺎده ﻳﺎ داده ﻧﻤﺎدﻳﻦ ‪ ،‬اﺷﺎره ﮔﺮ ﻫﺎﺋﻲ ﺑﻪ‬
‫دﻳﮕﺮ ﻗﺎﻟﺒﻬﺎ ‪ ،‬ﻳﺎ ﺣﺘﻲ روﻳﻪ ﻫﺎﺋﻲ ﺑﺮاي اﺟﺮاي وﻇﻴﻔﻪ اي ﺧﺎص ﺑﺎﺷﻨﺪ ‪ .‬ﻣﺜﺎل ﻫﺎﺋﻲ از‬
‫ﻧﻤﺎﻳﺸﻬﺎي ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ ﺷﺎﻣﻞ اﺳﻜﺮﻳﭙﺖ ﻫﺎ وﻗﺎﻟﺒﻬﺎ‪ 2‬و اﺷﻴﺎء‪ 3‬اﺳﺖ ‪.‬‬

‫‪ 6-3‬ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ ﻣﻨﻄﻘﻲ‬

‫ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ اﻳﻦ ﮔﺮوه ﻣﺸﺘﻤﻞ ﺑﺮ ﺟﺒﺮ ﮔﺰاره اي و ﻣﺴﻨﺪي اﺳﺖ ‪ .‬اﻳﻦ ﺟﺒﺮﻫﺎ ‪،‬‬

‫‪1 rule base‬‬

‫‪2 Frame‬‬
‫‪3 Object‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪19‬‬

‫زﺑﺎن ﻫﺎي ﻧﻤﺎﻳﺶ ﺑﺮاي ‪ AI‬ﻫﺴﺘﻨﺪ ‪ .‬ﻫﺮ دو ﻧﻮع ﺟﺒﺮ در ﻓﺼﻞ ﻗﺒﻞ ﺷﺮح داده ﺷﺪه اﻧﺪ ‪.‬‬
‫‪ 7-3‬ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ روﻳﻪ اي‬
‫اﻳﻦ ﻗﺎﻟﺐ ﻧﻤﺎﻳﺸﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻗﺎﻋﺪه ﮔﺮا را ﺑﻨﻴﺎن ﻧﻬﺎده اﺳﺖ ‪ .‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‬
‫ﻳﻚ ﺑﺮﻧﺎﻣﻪ داﻧﺶ ﮔﺮا ﻳﺎ داﻧﺶ ﻣﺤﻮر اﺳﺖ ﻛﻪ راه ﺣﻞ ﻫﺎي را ﺑﺮاي ﻣﺴﺎﺋﻞ ﻣﻮﺟﻮد در‬
‫ﺣﻮزه ي ﺧﺎص و ﺑﺎ »ﻛﻴﻔﻴﺖ ﺧﺒﺮه« ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ ‪ .‬ﻣﺜﺎل ‪ 1-3‬ﻧﻤﻮﻧﻪ اي از ﻛﺎرﺑﺮد‬
‫اﺳﺘﺪﻻل ﺑﺮ ﻣﺒﻨﺎي ﺟﻤﻼت اﺧﺒﺎري ﻏﻴﺮ ﻣﺘﻮاﻟﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﭘﺎﻳﮕﺎه داﻧﺶ ﻛﺸﺎورزي اﺳﺖ‪.‬‬
‫ﻣﺜﺎل ‪ 1-3‬ﺟﻤﻼت اﺧﺒﺎري اﮔﺮ‪...‬آﻧﮕﺎه ﻛﻪ در ﭘﺎﻳﮕﺎه داﻧﺶ ﻛﺸﺎورزي ﻗﺮار دارد‬
‫اﮔﺮ ﭼﺮاغ روﺷﻦ ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﺑﻬﺘﺮﻳﻦ ﮔﻴﺎه »ﺑﮕﻮﻧﻴﺎ« اﺳﺖ‬
‫اﮔﺮ ﭼﺮاغ ﻛﻢ ﻧﻮر ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﺑﻬﺘﺮﻳﻦ ﮔﻴﺎه ﭘﻴﭽﻚ اﺳﺖ‬
‫اﮔﺮ ﻧﻮر ‪ ،‬ﻧﻮر ﺧﻮرﺷﻴﺪ ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﻧﻮر ‪ ،‬درﺧﺸﺎن اﺳﺖ‬
‫اﮔﺮ ﻧﻮر‪ ،‬ﻧﻮر ﻻﻣﭗ ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﻧﻮر ﻛﻢ ﺳﻮ اﺳﺖ‬
‫اﮔﺮ ﻣﻜﺎن ‪ ،‬ﻣﻜﺎﻧﻲ ﺳﺮﺑﺎز ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﻧﻮر ‪ ،‬ﻧﻮر ﺧﻮرﺷﻴﺪ اﺳﺖ‬
‫اﮔﺮ ﻣﻜﺎن ﺳﺮﭘﻮﺷﻴﺪه ﺑﺎﺷﺪ‬
‫آﻧﮕﺎه ﻧﻮر ‪ ،‬ﻧﻮر ﻻﻣﭗ اﺳﺖ‬
‫‪ 8-3‬ﻗﺎﻟﺒﻬﺎي ﻧﻤﺎﻳﺶ ﺷﺒﻜﻪ اي‬
‫از ﻧﻈﺮ ﺗﺌﻮري ﻫﺎي ارﺗﺒﺎﻃﻲ ﻣﻔﻬﻮم ﻫﺮ ﺷﻲ در ذﻫﻦ ﻳﺎ ﭘﺎﻳﮕﺎه داﻧﺶ در ﺷﺒﻜﻪ اي ﭘﻴﻮﻧﺪ‬
‫ﺧﻮرد ﺑﺎ دﻳﮕﺮ اﺷﻴﺎء ﺗﻌﻴﻴﻦ ﻣﻴﺸﻮد ‪ .‬اﮔﺮﭼﻪ در دﻧﻴﺎ اﺷﻴﺎء ﺑﺎ ﻧﻤﺎدﻫﺎ ﻣﺸﺨﺺ ﻣﻴﺸﻮﻧﺪ اﻣﺎ‬
‫اﻳﻦ ﻓﻘﻂ وﺳﻴﻠﻪ اي ﺑﺮاي ﺣﻔﻆ و ذﺧﻴﺮه داﻧﺶ اﺳﺖ ‪ .‬زﻣﺎﻧﻲ ﻛﻪ راﺟﻊ ﺑﻪ ﻳﻚ ﻣﻮﺿﻮع‬
‫درك و اﺳﺘﺪﻻﻟﻲ دارﻳﻢ ‪ ،‬در اﺑﺘﺪا آن درك و اﺣﺴﺎس در ﻣﻔﻬﻮم ﻣﻮﺟﻮد در ذﻫﻦ ﻣﺎ‬
‫ﻧﮕﺎﺷﺘﻪ ﺷﺪه اﺳﺖ ‪ .‬اﻳﻦ ﻣﻔﻬﻮم ﻗﺴﻤﺘﻲ از داﻧﺶ ﺗﻤﺎم و دﺳﺖ ﻧﺨﻮرده ﻣﺎ از ﺟﻬﺎن اﺳﺖ‬
 ‫‪20‬‬

‫و ﺑﺎ ﺳﺎﻳﺮ ﻣﻔﺎﻫﻴﻢ رواﺑﻄﻲ ﻣﻨﺎﺳﺐ ﺑﺮﻗﺮار ﻣﻴﻜﻨﺪ ‪ .‬اﻳﻦ رواﺑﻂ ﻓﻬﻢ و ادراك ﻣﺎ را از‬
‫وﻳﮋﮔﻴﻬﺎ و ﺧﻮاص و رﻓﺘﺎر ﻳﻚ ﻣﻮﺿﻮع ﻣﺎﻧﻨﺪ »ﺑﺮف« ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﺪ ‪ ،‬ﺑﺮاي ﻣﺜﺎل ﺑﻪ‬
‫واﺳﻄﻪ ﺗﺠﺮﺑﻪ ‪ ،‬ﻣﻔﻬﻮم "ﺑﺮف" را ﺑﺎ ﻣﻔﺎﻫﻴﻢ دﻳﮕﺮ از ﻗﺒﻴﻞ ﺳﺮﻣﺎ ‪ ،‬ﺳﻔﻴﺪي ‪ ،‬آدم ﺑﺮﻓﻲ ‪ ،‬ﻟﻴﺰ‬
‫ﺧﻮردن ‪ ،‬و ﻳﺦ ارﺗﺒﺎط ﻣﻲ دﻫﻴﻢ ‪ .‬درك ﻣﺎ از ﺑﺮف و درﺳﺘﻲ ﻋﺒﺎراﺗﻲ ﻣﺎﻧﻨﺪ »ﺑﺮف ﺳﻔﻴﺪ‬
‫اﺳﺖ « ﺑﻪ دﻟﻴﻞ ﺷﺒﻜﻪ ارﺗﺒﺎﻃﻲ ﺑﻴﻦ اﺷﻴﺎء ‪ ،‬ﺣﻘﻴﻘﺖ ﺧﻮدش را آﺷﻜﺎر و ﻣﻌﻠﻮم ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫در اﻳﻨﺠﺎ دو ﻧﻮع ﻗﺎﻟﺐ ﻧﻤﺎﻳﺶ ﺷﺒﻜﻪ اي ﻛﻪ در زﻳﺮ ﻣﻄﺮح ﺷﺪه اﻧﺪ را ﺧﻮاﻫﻴﻢ دﻳﺪ ‪:‬‬
‫ﻣﻌﻨﺎﺋﻲ‪1‬‬ ‫‪ 1-8-3‬ﺷﺒﻜﻪ ﻫﺎي‬
‫ﺷﺒﻜﻪ ﻫﺎي ﻣﻌﻨﺎﺋﻲ ‪ ،‬ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﺮاي ﻣﻨﻄﻖ ﮔﺰاره ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺷﻜﻞ و ﻓﺮم از ﻧﻤﺎﻳﺶ‬
‫داﻧﺶ ﻫﺴﺘﻨﺪ ‪ .‬اﻳﻦ اﻳﺪه ﺑﺮ اﻳﻦ اﺻﻞ اﺳﺘﻮار اﺳﺖ ﻛﻪ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ داﻧﺶ ﺧﻮد را در در‬
‫ﺑﺎره ﻣﻮﺟﻮدات ﻫﺴﺘﻲ در ﻳﻚ ﮔﺮاف ﺑﺎ ﮔﺮه ﻫﺎﺋﻲ ﻛﻪ ﺑﻴﺎﻧﮕﺮ اﺷﻴﺎء و ﻳﺎﻟﻬﺎﺋﻲ ﻛﻪ ﻧﺸﺎﻧﺪﻫﻨﺪه‬
‫رواﺑﻂ ﺑﻴﻦ اﻳﻦ اﺷﻴﺎء ﻫﺴﺘﻨﺪ ‪ ،‬ﺑﮕﻨﺠﺎﻧﻴﻢ ‪.‬‬
‫ﮔﺮاﻓﻬﺎ از ﻃﺮﻳﻖ اﻳﺠﺎد ﻧﻤﺎﻳﺶ ﺻﺮﻳﺢ رواﺑﻂ ﺑﻴﻦ ﻳﺎﻟﻬﺎ و ﮔﺮه ﻫﺎ ‪ ،‬ﺛﺎﺑﺖ ﻛﺮده اﻧﺪ ﻛﻪ وﺳﻴﻠﻪ‬
‫اي ﻣﻨﺎﺳﺐ ﺑﺮاي رﺳﻤﻲ ﻛﺮدن ﻧﻈﺮﻳﻪ ﻫﺎي ارﺗﺒﺎط )اﺟﺘﻤﺎﻋﻲ( داﻧﺶ ﻫﺴﺘﻨﺪ ‪ .‬ﻳﻚ ﺷﺒﻜﻪ‬
‫ﻣﻌﻨﺎﺋﻲ ‪ ،‬داﻧﺶ را ﺑﻪ ﻋﻨﻮان ﻳﻚ ﮔﺮاف ﺑﺎ ﮔﺮه ﻫﺎﺋﻲ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﺣﻘﺎﻳﻖ ﻳﺎ ﻣﻔﺎﻫﻴﻢ و ﻳﺎل ﻫﺎﺋﻲ‬
‫ﻛﻪ ﺑﻴﻦ ﻣﻔﺎﻫﻴﻢ ارﺗﺒﺎط و واﺑﺴﺘﮕﻲ ﺑﺮﻗﺮار ﻣﻲ ﻛﻨﻨﺪ ‪ ،‬ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ ‪ .‬ﺑﻌﻀﻲ از اﺻﻮل‬
‫ﺷﺒﻜﻪ ﻫﺎي ﻣﻌﻨﺎﺋﻲ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺷﻜﻞ ‪ (3-3‬ﺑﻪ ﺷﺮح ذﻳﻞ ﻫﺴﺘﻨﺪ ‪:‬‬
‫• ﺷﺒﻜﻪ ﻫﺎي ﻣﻌﻨﺎﺋﻲ رواﺑﻂ ﺑﻴﻦ اﺷﻴﺎءي را ﻛﻪ در ﮔﺮه ﻫﺎ ﻗﺮار دارد را وﺻﻒ و‬
‫ﺗﺸﺮﻳﺢ ﻣﻲ ﻛﻨﻨﺪ ‪.‬‬
‫• ﮔﺮه ﻫﺎ داﻳﺮه ﻫﺎي ﻧﺎﻣﮕﺬاري ﺷﺪه ﻫﺴﺘﻨﺪ‪.‬‬
‫• ارﺗﺒﺎﻃﺎت ﺑﻴﻦ ﮔﺮه ﻫﺎ ﺑﻪ وﺳﻴﻠﻪ ﻳﺎﻟﻬﺎﺋﻲ ﻛﻪ ﺑﻪ اﻳﻦ دواﻳﺮ وﺻﻞ ﻫﺴﺘﻨﺪ ﻧﻤﺎﻳﺶ‬
‫داده ﺷﺪه اﻧﺪ ‪.‬‬
‫• ﻳﻚ ﺷﺒﻜﻪ ﻣﻌﻨﺎﺋﻲ ﻣﻴﺘﻮاﻧﺪ ﺑﺮاي ﺗﻮﻟﻴﺪ ﺳﺎﺧﺘﺎرﻫﺎ و اﺷﻴﺎء اﺳﺘﻔﺎده ﺷﺪه ﺑﺎﺷﺪ ‪.‬‬
‫• ﻳﻚ ﺷﺒﻜﻪ ﻣﻌﻨﺎﺋﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي ﺗﻮﻟﻴﺪ ﻗﻮﻋﺪ ﻳﻚ ﭘﺎﻳﮕﺎه داﻧﺶ اﺳﺘﻔﺎده ﺷﺪه‬
‫ﺑﺎﺷﺪ ‪.‬‬

‫‪1 semantic networks‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪21‬‬

‫ﺷﺒﻜﻪ ﻣﻌﻨﺎﺋﻲ ﺷﻜﻞ ‪ 3-3‬ﻣﻴﺨﻮاﻫﺪ داده ﻫﺎي زﻳﺮ را ﻧﻤﺎﻳﺶ دﻫﺪ ‪:‬‬
‫ﺗﺎم ﻳﻚ ﮔﺮﺑﻪ اﺳﺖ ‪.‬‬
‫ﺗﺎم ﻳﻚ ﭘﺮﻧﺪه ﻣﻲ ﮔﻴﺮد ‪.‬‬
‫ﺗﺎم ﻣﺎل ﺟﺎن اﺳﺖ ‪.‬‬
‫ﺗﺎم رﻧﮓ ﺗﻨﺪي دارد ‪.‬‬
‫ﮔﺮﺑﻪ ﻫﺎ ﺧﺎﻣﻪ دوﺳﺖ دارﻧﺪ ‪.‬‬
‫ﮔﺮﺑﻪ روي ﭘﺎدري ﻧﺸﺴﺘﻪ اﺳﺖ ‪.‬‬
‫ﮔﺮﺑﻪ ﺟﺰو ﭘﺴﺘﺎﻧﺪاران اﺳﺖ ‪.‬‬
‫ﭘﺮﻧﺪه ﻳﻚ ﺣﻴﻮان اﺳﺖ ‪.‬‬
‫ﻫﻤﻪ ﭘﺴﺘﺎﻧﺪاران ﺟﺰو ﺣﻴﻮاﻧﺎت ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﭘﺴﺘﺎﻧﺪاران ﺧﺰ دارﻧﺪ ‪.‬‬
‫دارد‬
‫ﭘﺴﺘﺎﻧﺪاران‬
‫ﺧﺰ‬

‫ﻫﺴﺖ ﻳﻚ‬
‫ﭘﺎدري‬
‫ﻧﺸﺴﺘﻪ اﺳﺖ‬ ‫ﻫﺴﺖ ﻳﻚ‬
‫ﺣﻴﻮان‬
‫ﮔﺮﺑﻪ‬
‫ﺧﺎﻣﻪ‬ ‫ﻫﺴﺖ ﻳﻚ‬
‫دوﺳﺖ دارد‬
‫ﻫﺴﺖ ﻳﻚ‬ ‫ﭘﺮﻧﺪه‬

‫ﺗﺎم‬
‫ﺗﻨﺪ‬
‫رﻧﮓ‬ ‫ﺻﺎﺣﺐ‬

‫ﺷﻜﻞ ‪3-3‬‬
‫اﻳﻦ ﻗﺎﻟﺐ از ﻧﻤﺎﻳﺶ ﺑﻪ روش داﻧﺶ ﺳﺎﺧﺘﺎري ﺑﺸﺮ ﻧﺰدﻳﻜﺘﺮ اﺳﺖ ‪ ،‬اﻟﺒﺘﻪ ذﻫﻦ ﺑﺸﺮ ﺑﺎ‬
‫وﺟﻮد ﺑﻬﺮه ﮔﻴﺮي از ﺳﺎﺧﺘﺎر ﺷﺒﻜﻪ اي ﺗﻮاﻧﺎﻳﻲ ﺑﺮﻗﺮاري ارﺗﺒﺎط ﺑﺎ ﻣﻨﻄﻖ ﮔﺰاره اي را ﻧﻴﺰ‬
 ‫‪22‬‬

‫دارد ‪.‬‬
‫ﻋﺒﺎرت »ﻫﺴﺖ ﻳﻚ« در ﺷﻜﻞ ‪ 3-3‬ﻳﻚ ﭘﻴﻮﻧﺪ ﺑﺎ دو ﺗﻔﺴﻴﺮ ﻣﺘﻔﺎوت اﺳﺖ ‪ .‬ﻋﺒﺎرت ﻓﻮق‬
‫را ﻣﻲ ﺗﻮان ﺑﻪ وﺟﻮد ﻳﻚ ﻧﻤﻮﻧﻪ ﻣﻨﻔﺮد از ﻳﻚ ﮔﺮوه ﺗﻔﺴﻴﺮ ﻛﺮد ﻣﺎﻧﻨﺪ »ﺗﺎم ﻋﻀﻮ ﮔﺮوه‬
‫ﮔﺮﺑﻪ ﻫﺎﺳﺖ« ‪ ،‬ﻳﺎ اﻳﻨﻜﻪ ﻣﻴﺘﻮان آﻧﺮا ﺑﻪ وﺟﻮد ﻳﻚ ﮔﺮوه ﻛﻪ زﻳﺮ ﻣﺠﻤﻮﻋﻪ از ﮔﺮوه دﻳﮕﺮ‬
‫اﺳﺖ ﺗﻔﺴﻴﺮ ﻧﻤﻮد ﻣﺎﻧﻨﺪ » ﮔﺮوه ﮔﺮﺑﻪ ﻫﺎ زﻳﺮ ﻣﺠﻤﻮﻋﻪ ﮔﺮوه ﭘﺴﺘﺎﻧﺪاران اﺳﺖ« ‪ .‬اﻳﻦ‬
‫ﮔﻴﺠﻲ و اﺷﺘﺒﺎه در ﻣﻨﻄﻖ ﻫﺮﮔﺰ رخ ﻧﻤﻲ دﻫﺪ ‪.‬‬
‫‪ 2-8-3‬ﮔﺮاﻓﻬﺎي ادراﻛﻲ‬
‫ﻳﻚ ﮔﺮاف ادراﻛﻲ ﻳﻚ ﮔﺮاف ﻣﺘﻨﺎﻫﻲ ‪ ،‬ﻣﺘﺼﻞ و دوﻗﺴﻤﺘﻲ اﺳﺖ ‪ .‬ﮔﺮه ﻫﺎي ﮔﺮاف‬
‫ﻧﺸﺎﻧﺪﻫﻨﺪه ارﺗﺒﺎﻃﺎت ﻣﻔﻬﻮﻣﻲ ﻳﺎ ادراﻛﻲ ﻫﺴﺘﻨﺪ ‪ .‬ﮔﺮاﻓﻬﺎي ادراﻛﻲ از ﻳﺎل ﻫﺎي ﺑﺮﭼﺴﺐ‬
‫دار اﺳﺘﻔﺎده ﻧﻤﻲ ﻛﻨﻨﺪ و ﺑﻪ ﺟﺎي آن ﮔﺮه ﻫﺎي راﺑﻂ ﻛﻪ ﺑﻴﻦ دو ﻣﻔﻬﻮم ﻗﺮار ﻣﻴﮕﻴﺮﻧﺪ‬
‫اﺳﺘﻔﺎده ﻣﻴﻜﻨﻨﺪ‪ .‬ﺑﻪ ﻣﺜﺎل زﻳﺮ را ﺗﻮﺟﻪ ﻛﻨﻴﺪ‪:‬‬

‫در اﻳﻨﺠﺎ »ﺳﮓ« و »ﻗﻬﻮه اي« ﮔﺮه ﻫﺎي ﻣﻔﻬﻮﻣﻲ ﻫﺴﺘﻨﺪ و رﻧﮓ راﺑﻄﻪ ﻣﻔﻬﻮﻣﻲ اﺳﺖ ‪.‬‬
‫ﺑﺮاي ﺗﺸﺨﻴﺺ دادن اﻳﻦ ﻧﻮع ﮔﺮه ﻫﺎ ‪ ،‬ﻣﻔﺎﻫﻴﻢ ﺑﻪ وﺳﻴﻠﻪ ﺟﻌﺒﻪ ﻫﺎ )ﻣﺴﺘﻄﻴﻞ( و رواﺑﻂ‬
‫ﻣﻔﻬﻮﻣﻲ ﺑﻪ وﺳﻴﻠﻪ ﺑﻴﻀﻲ ﻫﺎ ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮﻧﺪ ‪ .‬ﺷﻜﻞ ‪ 3-4‬ﻳﻚ ﺷﺒﻜﻪ ﻣﻌﻨﺎﺋﻲ را‬
‫ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ ﻛﻪ رواﺑﻂ ﺑﻴﻦ اﺟﺰاء ﻳﻚ ﭘﺮﻧﺪه و ﻳﻚ ﻫﻮاﭘﻴﻤﺎ را ﻧﺸﺎن ﻣﻲ دﻫﺪ ‪.‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪23‬‬

‫ﺷﻜﻞ ‪ 4-3‬ﺷﺒﻜﻪ ﻣﻌﻨﺎﻳﻲ ﻛﻪ ارﺗﺒﺎط ﺑﻴﻦ اﺟﺰاء ﭘﺮﻧﺪه و ﻫﻮاﭘﻴﻤﺎ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ‬
‫ﺧﺼﻮﺻﻴﺎت ﮔﺮاف ﻫﺎي ادراﻛﻲ ‪:‬‬
‫• ﮔﺮه ﻫﺎي ﻣﻔﻬﻮﻣﻲ ﻳﺎ ﻣﻮﺿﻮﻋﺎت اﻧﺘﺰاﻋﻲ و ﻳﺎ واﻗﻌﻲ از ﺟﻬﺎن ﻣﻮرد ﺑﺤﺚ را‬
‫ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻨﺪ ‪.‬‬
‫• ﮔﺮه ﻫﺎي ارﺗﺒﺎط ﻣﻔﻬﻮﻣﻲ راﺑﻄﻪ اي را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺎ ﻳﻚ ﻳﺎ ﭼﻨﺪﻳﻦ ﻣﻔﻬﻮم‬
‫در ﺗﻌﺎﻣﻞ اﺳﺖ ‪.‬‬
‫• ﻫﺮ ﮔﺮاف ﻣﻔﻬﻮﻣﻲ ﻳﻚ ﮔﺰاره ﻣﻨﻔﺮد را ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ ‪ .‬ﻳﻚ ﭘﺎﻳﮕﺎه داﻧﺶ‬
‫ﻣﺘﻌﺎرف ﺷﺎﻣﻞ ﺗﻌﺪادي از اﻳﻦ ﮔﺮاف ﻫﺎﺳﺖ‪ .‬ﻣﻤﻜﻦ اﺳﺖ ﮔﺮاف ﻫﺎ ﭘﻴﭽﻴﺪه‬
‫ﺑﺎﺷﻨﺪ ‪ ،‬اﻣﺎ ﺑﺎﻳﺪ ﺣﺘﻤﺎً ﻣﺘﻨﺎﻫﻲ ﺑﺎﺷﻨﺪ ‪.‬‬
‫• ﻧﻈﺮﻳﻪ ﮔﺮاف ﻫﺎي ﻣﻔﻬﻮﻣﻲ ‪ ،‬ﺷﺎﻣﻞ ﻋﻤﻠﻴﺎت ﻫﺎ ﻳﻲ اﺳﺖ ﻛﻪ اﺟﺎزه اﻳﺠﺎد‬
‫ﮔﺮاﻓﻬﺎي ﺟﺪﻳﺪ را از ﮔﺮاﻓﻬﺎي ﻣﻮﺟﻮد ﻣﻲ دﻫﺪ‪.‬‬
‫ﻋﻤﻠﻴﺎت ﻫﺎ روي ﮔﺮاف ﻫﺎي ادراﻛﻲ ‪:‬‬
‫ﻋﻤﻠﻴﺎﺗﻲ روي ﮔﺮاف ﻫﺎي ادراﻛﻲ ‪ ،‬ﺑﻪ ﻣﺎ اﺟﺎزه اﻳﺠﺎد ﻳﻚ ﮔﺮاف ﺟﺪﻳﺪ از ﻳﻚ ﮔﺮاف‬
‫ﻣﻮﺟﻮد را ﻣﻲ دﻫﺪ ‪ .‬اﻳﻦ ﻛﺎر ﺑﻪ وﺳﻴﻠﻪ ﭼﻬﺎر ﻋﻤﻠﻴﺎت ﻛﻪ ﻛﭙﻲ ﻛﺮدن ‪ ،‬ﻣﺤﺪود ﻛﺮدن ‪،‬‬
‫ﻣﺘﺼﻞ ﻛﺮدن و ﻣﺨﺘﺼﺮ ﻛﺮدن ﻧﺎم دارﻧﺪ ‪ ،‬اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد ‪.‬‬
 ‫‪24‬‬

‫ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ ‪ g1‬و ‪ g2‬دو ﮔﺮاف ﻣﻔﻬﻮﻣﻲ ﺑﺎﺷﻨﺪ ‪ ،‬آﻧﮕﺎه ‪:‬‬

‫• ﻗﺎﻋﺪه ﻛﭙﻲ ﺑﻪ ﻣﺎ اﺟﺎزه ﺷﻜﻞ دﻫﻲ ﮔﺮاف ﺟﺪﻳﺪ ‪ G ،‬ﻛﻪ ﻳﻚ ﻛﭙﻲ از ‪ g1‬اﺳﺖ‬
‫را ﻣﻲ دﻫﺪ ‪.‬‬
‫• »ﻣﺤﺪودﻳﺖ« ﺑﻪ ﮔﺮه ﻫﺎي ﻣﻔﻬﻮﻣﻲ در ﻳﻚ ﮔﺮاف اﺟﺎزه ﻣﻲ دﻫﺪ ﺗﺎ ﺟﺎﻳﮕﺰﻳﻦ‬
‫ﮔﺮﻫﻲ ﺷﻮﻧﺪ ﻛﻪ وﻳﮋﮔﻴﻬﺎي آﻧﺮا ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ ‪.‬‬
‫• ﻗﺎﻧﻮن ﻣﺘﺼﻞ ﻛﺮدن ‪ ،‬ﺑﻪ ﻣﺎ اﺟﺎزه ﺗﺮﻛﻴﺐ دو ﮔﺮاف در ﻗﺎﻟﺐ ﻳﻚ ﮔﺮاف ﻣﻨﻔﺮد‬
‫را ﻣﻲ دﻫﺪ ‪.‬‬
‫• اﮔﺮ ﻳﻚ ﮔﺮاف ﻣﺤﺘﻮي دو راﺑﻄﻪ ﺗﻜﺮاري ﺑﺎﺷﺪ ‪ ،‬آﻧﮕﺎه ﻣﻤﻜﻦ اﺳﺖ ﻳﻜﻲ از‬
‫آﻧﻬﺎ ﺣﺬف ﺷﻮد ‪ .‬اﻳﻦ ﻗﺎﻋﺪه ‪ ،‬ﻣﺨﺘﺼﺮ ﻛﺮدن ﻧﺎم دارد‪.‬‬
‫‪ 3-8-3‬واﺑﺴﺘﮕﻲ ﻣﻔﻬﻮﻣﻲ‬
‫راﺟﺮ ﺷﺎﻧﻚ‪ 1‬و داﻧﺸﺠﻮاﻧﺶ ﻧﻈﺮﻳﻪ اي را ﺑﻪ ﻧﺎم »واﺑﺴﺘﮕﻲ ﻣﻔﻬﻮﻣﻲ« ﺗﻮﺳﻌﻪ دادﻧﺪ‪،‬‬
‫ادﻋﺎي آﻧﺎن ﺑﺮ ﭘﺎﻳﻪ اﻳﻦ ﻧﻈﺮﻳﻪ اﻳﻦ ﺑﻮد ﻛﻪ ﻣﻴﺘﻮان ﺑﺴﻴﺎري از داﺳﺘﺎﻧﻬﺎ را ﺑﺎ اﺳﺘﻔﺎده از ﺗﻌﺪاد‬
‫ﻛﻤﻲ از ﻣﻔﺎﻫﻴﻢ ﻧﻤﺎﻳﺶ داد ‪ .‬او ﺗﻌﺪادي ﺳﻴﺴﺘﻢ ‪ NL2‬را ﺗﻮﺳﻌﻪ داد ﻛﻪ ﺟﻤﻼت ﺗﻮﺻﻴﻔﻲ‬
‫اﻧﮕﻠﻴﺴﻲ داﺳﺘﺎﻧﻬﺎي ﻣﻮﺟﻮد را ﺑﻪ ﻣﺤﻴﻂ »ﻧﻤﺎﻳﺶ و اراﻳﻪ« ﺧﻮد ﻧﮕﺎﺷﺖ ﻣﻴﻜﺮد‪ .‬در اﻳﻨﺠﺎ‬
‫ﺟﻤﻼت ﻣﺨﺘﻠﻒ اﻧﮕﻠﻴﺴﻲ ﺑﺎ ﻣﻌﻨﺎي ﻳﻜﺴﺎن ﺑﺎ »ﻧﻤﺎﻳﺸﻲ« ﻳﻜﺴﺎن ﻧﮕﺎﺷﺖ ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫در واﺑﺴﺘﮕﻲ ادراﻛﻲ‪ (CD) 3‬ﺳﺎﺧﺘﺎرﻫﺎي »ﺷﻜﺎﻓﻨﺪه« و »ﭘﺮﻛﻨﻨﺪه« ‪ ،‬ﺑﺮاي ﻧﻤﺎﻳﺶ داﻧﺸﻲ‬
‫اﺳﺘﻔﺎده ﻣﻴﺸﻮﻧﺪ ﻛﻪ درﺑﺎره وﻗﺎﻳﻌﻲ ﻛﻪ ﻣﻌﻤﻮﻻً در ﺟﻤﻼت زﺑﺎن ﻃﺒﻴﻌﻲ ﻧﻘﻞ ﻣﻲ ﺷﻮﻧﺪ‬
‫ﻫﺪف اﻳﻦ ﻛﺎر ﻧﻤﺎﻳﺶ داﻧﺶ ﺑﺮاي ﺗﺤﻘﻖ اﻫﺪاف زﻳﺮ اﺳﺖ ‪:‬‬
‫• ﺗﺴﻬﻴﻞ ﻛﺮدن رﺳﻢ اﺳﺘﻨﺒﺎﻃﻬﺎ از ﺟﻤﻼت ‪.‬‬
‫• ﻣﺴﺘﻘﻞ ﺑﻮدن از زﺑﺎن در ﺟﻤﻼت اﺻﻠﻲ ‪.‬‬
‫ﻧﻈﺮﻳﻪ واﺑﺴﺘﮕﻲ ادراﻛﻲ‬
‫• ﺑﺮاي ﻫﺮ دو ﺟﻤﻠﻪ اي ﻛﻪ در ﻣﻌﻨﻲ ﻳﻜﺴﺎن ﻫﺴﺘﻨﺪ ‪ ،‬ﺻﺮف ﻧﻈﺮ از زﺑﺎن ‪ ،‬ﻓﻘﻂ‬
‫ﺑﺎﻳﺪ ﻳﻚ ﻧﻤﺎﻳﺶ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬

‫‪1 Roger Schank‬‬

‫ﻃﺒﻴﻌﻲ ‪2 Natural Language‬‬ ‫زﺑﺎن‬
‫‪3 Conceptual Dependency‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪25‬‬

‫• ﻫﺮ اﻃﻼﻋﺎﺗﻲ در ﺟﻤﻠﻪ ﻛﻪ ﺗﻠﻮﻳﺤﻲ و ﺿﻤﻨﻲ اﺳﺖ ﺑﺎﻳﺪ در ﻧﻤﺎﻳﺶ ﻣﻌﻨﻲ آن‬

‫ﺟﻤﻠﻪ ﺑﻪ ﺻﻮرت ﺻﺮﻳﺢ اﻳﺠﺎد ﺷﻮد ‪.‬‬
‫ﺑﻠﻮك ﻫﺎي ﺳﺎﺧﺘﻤﺎن ‪:‬‬
‫واﺑﺴﺘﮕﻲ ادراﻛﻲ ‪ 11 :‬ﻋﻤﻞ اوﻟﻴﻪ ‪:‬‬
‫‪ : ATRANS‬اﻧﺘﻘﺎل ﻳﻚ راﺑﻄﻪ اﻧﺘﺰاﻋﻲ ) ﻣﺎﻧﻨﺪ اراﺋﻪ دادن (‬
‫‪ : PTRANS‬اﻧﺘﻘﺎل ﻣﻮﻗﻌﻴﺖ ﻓﻴﺰﻳﻜﻲ ﻳﻚ ﺷﺊ ) ﻣﺎﻧﻨﺪ رﻓﺘﻦ (‬
‫‪ : PROPEL‬ﻛﺎر ﺑﺮد ﻧﻴﺮو ﻓﻴﺰﻳﻜﻲ در ﻳﻚ ﺷﺊ ) ﻣﺎﻧﻨﺪ ﻓﺸﺎر دادن(‬
‫‪ : MOVE‬ﺟﺎﺑﺠﺎﺋﻲ ﻋﻀﻮي از ﺑﺪن ﺑﻪ وﺳﻴﻠﻪ ﺻﺎﺣﺐ ﺧﻮدش ) ﻣﺎﻧﻨﺪ ﻟﮕﺪ زدن (‬
‫‪ : GRASP‬ﻧﮕﺎه داﺷﺘﻦ ﻳﻚ ﺷﺊ از ﻃﺮﻳﻖ ﻳﻚ ﻋﻤﻠﮕﺮ ) ﻣﺎﻧﻨﺪ ﻛﻼچ (‬
‫‪ : INGEST‬ﺑﻠﻌﻴﺪن ﻳﻚ ﺷﺊ ﺑﻪ وﺳﻴﻠﻪ ﻳﻚ ﺣﻴﻮان ) ﻣﺎﻧﻨﺪ ﺧﻮردن (‬
‫‪ : EXPEL‬اﺧﺮاج و دﻓﻊ ﭼﻴﺰﻫﺎﺋﻲ از ﺑﺪن ﻳﻚ ﺣﻴﻮان ) ﻣﺎﻧﻨﺪ ﮔﺮﻳﻪ ﻛﺮدن(‬
‫‪ : MTRANS‬اﻧﺘﻘﺎل اﻃﻼﻋﺎت ذﻫﻨﻲ ) ﻣﺎﻧﻨﺪ ﮔﻔﺘﻦ (‬
‫‪ : MBUILD‬درﺳﺖ ﻛﺮدن اﻃﻼﻋﺎﺗﻲ ﺟﺪﻳﺪ از روي ﮔﺬﺷﺘﻪ ) ﻣﺎﻧﻨﺪ ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻦ(‬
‫‪ : SPEAK‬ﺗﻮﻟﻴﺪ اﺻﻮات ) ﻣﺎﻧﻨﺪ ﮔﻔﺘﻦ (‬
‫‪ : ATTEND‬ﺗﻮﺟﻪ ﻳﻚ اﻧﺪام ﺣﺴﻲ ﺑﻪ ﻃﺮف ﻣﺤﺮك ) ﻣﺎﻧﻨﺪ ﮔﻮش دادن(‬
‫ﭼﻬﺎر ﻣﺠﻤﻮﻋﻪ ﻣﻔﻬﻮﻣﻲ اوﻟﻴﻪ ﺑﺮاي اﻳﺠﺎد ﺳﺎﺧﺘﺎر ﻫﺎي واﺑﺴﺘﻪ ‪:‬‬
‫‪ : ACTs‬اﻋﻤﺎل‬
‫‪ : PPs‬اﺷﻴﺎء ) ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ﻫﺎي ﺗﺼﻮﻳﺮ (‬
‫‪ : AAs‬ﺗﻌﺪﻳﻞ ﻛﻨﻨﺪه ﻫﺎي اﻋﻤﺎل ) ﻋﻤﻞ ‪( aider‬‬
‫‪ : PAs‬ﺗﻌﺪﻳﻞ ﻛﻨﻨﺪه ﻫﺎي ﺗﺼﻮﻳﺮ ) ﺗﺼﻮﻳﺮ ‪( aider‬‬
‫واﺑﺴﺘﮕﻲ ﻫﺎ در ﻣﻴﺎن ﺗﺼﻮرات ﺑﺎ رواﺑﻂ ﻣﻌﻨﺎﻳﻲ در ﻣﻴﺎن ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳﻲ ‪ ،‬ﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﻣﺰاﻳﺎي اﺻﻠﻲ واﺑﺴﺘﮕﻲ ﻣﻔﻬﻮﻣﻲ‬
‫ﺷﺮح ﻗﻮاﻧﻴﻦ اﺳﺘﻨﺘﺎﺟﻲ ﺑﺎ داﻧﺸﻲ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ دﺳﺘﻜﺎري ﺷﻮد ‪ ،‬ﺳﺎده ﺗﺮ اﺳﺖ ‪ .‬ﻗﻮاﻧﻴﻦ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﻳﻚ ﺑﺎر ﺑﺮاي ﻫﺮ ﻋﻤﻞ )‪ (ACT‬ﺳﺮﻳﻌﺘﺮ از ﺗﻤﺎﻣﻲ ﻟﻐﺎﺗﻲ ﻛﻪ آن ﻋﻤﻞ )‪ (ACT‬را‬
‫ﺗﻮﺻﻴﻒ ﻣﻲ ﻛﻨﺪ ‪ ،‬ﻧﻤﺎﻳﺶ داده ﺷﻮﻧﺪ ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل دادن ‪ ،‬ﮔﺮﻓﺘﻦ ‪ ،‬دزدﻳﺪن و ﺑﺨﺸﻴﺪن‬
 ‫‪26‬‬

‫ﻫﻤﻪ ﻧﻤﻮﻧﻪ ﻫﺎﺋﻲ از ‪ ATRANS‬ﺗﻠﻘﻲ ﻣﻲ ﺷﻮﻧﺪ و ﻣﻲ ﺗﻮاﻧﻨﺪ اﺳﺘﻨﺘﺎج ﻫﺎي ﻳﻜﺴﺎﻧﻲ‬

‫درﺑﺎره ﻛﺴﻲ ﻛﻪ اﻳﻦ ﺷﺊ را دارد ‪ ،‬و ﻛﺴﻲ ﻛﻪ ﻳﻜﺒﺎر آن ﺷﺊ را داﺷﺘﻪ اﺳﺖ ‪ ،‬اﻳﺠﺎد ﻛﻨﻨﺪ ‪.‬‬
‫ﺑﺮاي اﻳﺠﺎد ﻧﻤﺎﻳﺶ ‪ CD‬اﻃﻼﻋﺎت ﺻﺮﻳﺤﻲ ﻛﻪ درﻣﺘﻦ ﺑﻴﺎن ﻧﺸﺪه اﻧﺪ ‪ ،‬را ﺑﻪ وﺟﻮد ﻣﻲ‬
‫آورﻳﻢ ‪ .‬ﻣﺎﻧﻨﺪ »ﺳﻌﻴﺪ ﻛﺘﺎب را از ﮔﻴﺘﺎ ﮔﺮﻓﺖ« و اﻃﻼﻋﺎﺗﻲ ﻣﺎﻧﻨﺪ »ﮔﻴﺘﺎ ﻣﺪت زﻳﺎدي ﻛﺘﺎب‬
‫را در اﺧﺘﻴﺎر ﻧﺪاﺷﺘﻪ اﺳﺖ« را ﺑﻪ ﻃﻮر ﺻﺮﻳﺢ اﻳﺠﺎد ﻣﻲ ﻛﻨﻴﻢ ‪ .‬اﻳﻦ ﻛﺎر ﻣﻤﻜﻦ اﺳﺖ ‪ ،‬ﻓﻬﻢ‬
‫ﻋﺒﺎرت ﺑﻌﺪي ﻣﺎﻧﻨﺪ »ﮔﻴﺘﺎ ﭼﻴﺰي ﺑﺮاي ﺧﻮاﻧﺪن ﻧﺪارد « را آﺳﺎن ﺗﺮ ﻛﻨﺪ‪.‬‬
‫ﺑﺎﻳﺪ رﺋﻮس ﻣﻄﺎﻟﺐ ﻳﻚ ﻣﺨﺘﺼﺮﺳﺎز از ﻳﻜﻲ از ﺳﻴﺴﺘﻢ ﻫﺎي راﺟﺮﺷﺎﻧﻚ را ﺗﻬﻴﻪ ﻛﻨﻴﻢ‬
‫‪.‬اﻳﻦ روش »ﻣﻜﺎﻧﻴﺰم ﺗﻘﺎﺿﺎ ﻛﻨﻨﺪه اﺳﻜﺮﻳﭙﺖ« ﻳﺎ ‪ SAM1‬ﻧﺎﻣﻴﺪه ﻣﻴﺸﻮد‪ .‬اﻳﻦ ﻋﻤﻞ ﺑﺎ در‬
‫اﺧﺘﻴﺎر ﮔﺮﻓﺘﻦ ﻧﻤﺎﻳﺸﻲ از ﻳﻚ داﺳﺘﺎن و ادﻏﺎم آن ﺑﺎ ﻳﻚ اﺳﻜﺮﻳﭙﺖ اﺳﺘﺎﻧﺪارد ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ‬
‫اﻳﻦ اﺳﻜﺮﻳﭙﺖ ﺑﺮاي اﺳﺘﺨﺮاج ﺳﻨﺎرﻳﻮ و اﻳﺠﺎد ﺗﻔﺴﻴﺮي از ﻣﻮﻗﻌﻴﺖ ﻣﻲ ﺗﻮاﻧﺪ اﺳﺘﻔﺎده‬
‫ﺷﻮد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در اﻳﻦ روش ﻣﺎ ﺧﻮاﺳﺘﺎر ﻓﻬﻤﻲ از داﺳﺘﺎن در اﺻﻄﻼﺣﺎت اﺳﻜﺮﻳﭙﺖ‬
‫ﻫﺴﺘﻴﻢ ‪ .‬راﺟﺮ ﺷﺎﻧﻚ و دوﺳﺘﺎﻧﺶ ﻣﻌﺘﻘﺪﻧﺪ ﻛﻪ ﺑﺮاي ﻓﻬﻢ ﺧﻴﻠﻲ از ﻣﻮﻗﻌﻴﺖ ﻫﺎي ﺑﺸﺮ ﺑﻪ‬
‫ﺗﻌﺪاد ﻛﻤﻲ اﺳﻜﺮﻳﭙﺖ ﻧﻴﺎز دارﻳﻢ ‪.‬‬
‫ﺷﺎﻧﻚ ﺣﺪود ‪ 11‬ﻋﻤﻞ ) ‪ ( ACTs‬ﭘﺎﻳﻪ اي ﺑﺮاي اراﺋﻪ و ﻧﻤﺎﻳﺶ ﻣﻌﺎﻧﻲ ﺑﻪ ﻛﺎر ﺑﺮد ‪ .‬ﻛﻪ‬
‫ﻓﻘﻂ ﭼﻬﺎر ﻣﻮرد آﻧﻬﺎ را ﺑﺮاي ﻓﻬﻢ ﺳﺎده ﺗﺮ ﻓﻬﺮﺳﺖ وار ﻣﻲ آورﻳﻢ ‪:‬‬
‫‪ ) -1‬ﺷﺊ ‪ ، 1‬ﺷﺊ‪ ، 2‬ﻣﻜﺎن ‪ ،1‬ﻣﻜﺎن ‪: ptrans ( 2‬ﻣﻮﻗﻌﻴﺖ ﻳﻚ ﺷﺊ ﻓﻴﺰﻳﻜﻲ )ﺷﺊ‪ ( 1‬را‬
‫ﺑﻪ ﻣﻮﻗﻌﻴﺖ ﺷﺊ ‪ 2‬از ﻣﻜﺎن ‪ 1‬ﺑﻪ ﻣﻜﺎن ‪ 2‬ﺗﻐﻴﻴﺮ ﻣﻲ دﻫﺪ ‪.‬‬
‫‪ -2‬ﺑﻠﻌﻴﺪن ) ﺑﺎزﻳﮕﺮ ‪ ،‬ﻏﺬا ‪ ،‬ﺛﺮوﺗﻤﻨﺪ ( ‪ :‬ﮔﺮﻓﺘﻦ ﭼﻴﺰﻫﺎﺋﻲ از داﺧﻞ ﻳﻚ ﺷﺊ ﺟﺎﻧﺪار ‪-‬‬
‫ﺑﺎزﻳﮕﺮ ﻏﺬا را ﺑﺎ اﻟﮕﻮﺑﺮداري از اﻧﺴﺎﻧﻬﺎي ﺛﺮوﺗﻤﻨﺪ ﻣﻲ ﺧﻮرد‪.‬‬
‫‪ ) -3‬ﺑﺎزﻳﮕﺮ ‪ ،1‬ﺷﺊ ‪ ،‬ﺑﺎزﻳﮕﺮ ‪ ، 2‬ﺑﺎزﻳﮕﺮ ‪ ، atrans ( 3‬ﺗﻐﻴﻴﺮ ﻳﻚ راﺑﻄﻪ ﻣﻄﻠﻖ ازﻗﺒﻴﻞ‬
‫ﻣﺎﻟﻜﻴﺖ‪/‬ﻣﺎﻟﻜﻴﺖ ﻳﻚ ﺷﺊ ‪-‬ﺑﺎزﻳﮕﺮ‪ 1‬ﺑﺎ اﻧﺘﻘﺎل ﺛﺮوت ﺑﺎزﻳﮕﺮ ‪ 2‬ﺑﻪ ﺑﺎزﻳﮕﺮ ‪ 3‬ﻣﻮﺿﻮع را‬
‫ﺗﻐﻴﻴﺮ ﻣﻲ دﻫﺪ ‪.‬‬
‫‪ ) -4‬ﺑﺎزﻳﮕﺮ‪ ، info ، 1‬ﺑﺎزﻳﮕﺮ ‪ ، mtrans ( 2‬اﻃﻼﻋﺎت را اﻧﺘﻘﺎل ﻣﻲ دﻫﺪ ‪ -‬اﻧﺘﻘﺎل‬

‫‪1‬‬ ‫‪Script Applier Mechanism‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪27‬‬

‫اﻃﻼﻋﺎت از ﺑﺎزﻳﮕﺮ ‪ 1‬ﺑﻪ ﺑﺎزﻳﮕﺮ ‪2‬‬

‫ﻣﻔﺎﻫﻴﻢ دﻳﮕﺮي از ﻗﺒﻴﻞ زﻣﺎن ‪ ،‬ﻣﻮﻗﻌﻴﺖ و ﺧﻮاص ﻧﻴﺰ در ﻛﻨﺎر ‪ ACT‬ﻫﺎ وﺟﻮد دارد ‪.‬‬
‫‪ 9-3‬ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﻳﺶ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ‬
‫ﭼﮕﻮﻧﻪ ﻳﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻲ ﺗﻮاﻧﺪ ﺗﻮﺟﻪ ﺧﻮدش را ﻓﻘﻂ ﺑﺮ روي ﺟﻨﺒـﻪ ﻫـﺎﺋﻲ از ﻣـﺴﺌﻠﻪ داده‬
‫ﺷﺪه ﻛﻪ ﺑﻪ راه ﺣﻞ ﻣﺮﺑﻮط اﺳﺖ ‪ ،‬ﻣﻌﻄﻮف ﻛﻨﺪ ؟ اﻳﻦ ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﺮﺑﻮط ﺑﻪ »ﻗﺎﻟﺐ« اﺳـﺖ‬
‫) ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﻣﺎرﺗﻴﻦ ﻣﻴﻨﺴﻜﻲ اﺧﺘﺮاع ﺷﺪه اﺳﺖ ( ‪.‬‬
‫ﻳﻚ ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪ ‪ ،‬در ﺗﻼش ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ ﻳﺎ اﻧﺠﺎم ﻳﻚ ﻋﻤﻞ ﭼﮕﻮﻧﻪ ﻣﻲ‬
‫ﺗﻮاﻧﺪ درﻳﺎﺑﺪ ‪ ،‬ﻛﻪ از ﭼﻪ اﻃﻼﻋﺎﺗﻲ در ﭘﺎﻳﮕﺎه داده ﺑﺎﻳﺪ ﺻﺮف ﻧﻈﺮ ﺷﻮد و ﭼﻪ اﻃﻼﻋﺎﺗﻲ ﺑﻪ‬
‫ﻣﺴﺌﻠﻪ ﻣﻮﺟﻮد ﻣﺮﺑﻮط اﺳﺖ ؟‬
‫‪ 1-9-3‬ﻗﺎﻟﺐ ﻫﺎ‬
‫ﻫﺮﭼﻪ وﻇﺎﻳﻒ ﭘﻴﭽﻴﺪه ﺗﺮ ﻣﻲ ﺷﻮﻧﺪ ‪ ،‬ﻻزم اﺳﺖ ﻛﻪ اراﺋﻪ و ﻧﻤﺎﻳﺶ آﻧﻬﺎ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ ﺗﺮ‬
‫ﺑﺎﺷﺪ ‪ .‬ﺳﺎﺧﺘﻴﺎﻓﺘﻪ ﺗﺮ ﺑﻮدن ﺳﻴﺴﺘﻢ ‪ ،‬ﺑﺮاي ﺑﻜﺎر ﺑﺮدن ﻗﺎﻟﺒﻬﺎ ﺳﻮدﻣﻨﺪﺗﺮ اﺳﺖ ‪ .‬ﻳﻚ ﻗﺎﻟﺐ ‪،‬‬
‫ﻣﺠﻤﻮﻋﻪ اي ازﺧﺼﻮﺻﻴﺎت ﻳﺎ اﺳﻼت ﻫﺎ و ﻣﻘﺎدﻳﺮ ﺷﺮﻛﺖ ﻛﻨﻨﺪه ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﻌﻀﻲ‬
‫ﻣﻮﺟﻮدﻳﺖ ﻫﺎي دﻧﻴﺎي واﻗﻌﻲ را ﺗﻮﺻﻴﻒ ﻣﻲ ﻛﻨﺪ ‪ .‬ﻗﺎﻟﺒﻬﺎ ﺑﻪ ﺷﻜﻞ ﺧﺎﺻﻲ در ﺳﺎﺧﺘﺎر‬
‫ﺧﻮدﺷﺎن ﻣﻔﻴﺪ ﻧﻴﺴﺘﻨﺪ ‪ ،‬اﻣﺎ ﺳﻴﺴﺘﻤﻬﺎي ﻗﺎﻟﺐ ﻳﻚ روش ﻗﺪرت ﻣﻨﺪ از رﻣﺰﮔﺬاري‬
‫اﻃﻼﻋﺎت ﺑﺮاي ﭘﺸﺘﻴﺒﺎﻧﻲ ﻛﺮدن اﺳﺘﺪﻻل ﻣﻲ ﺑﺎﺷﻨﺪ ‪ .‬ﻧﻈﺮﻳﻪ ﻣﺠﻤﻮﻋﻪ ﻫﺎ ﭘﺎﻳﻪ و اﺳﺎس‬
‫ﺧﻮب و ﻣﻨﺎﺳﺐ ﺑﺮاي درك ﺳﻴﺴﺘﻢ ﻫﺎي ﻗﺎﻟﺐ را ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﻨﺪ ‪.‬‬
‫ﻣﺎ داﻧﺶ را ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻧﻤﺎﻳﺶ و ارﺗﺒﺎﻃﺎت ﺻﺮﻳﺢ و روﺷﻦ ﻳﺎ ارﺗﺒﺎط ﺑﻴﻦ اﺷﻴﺎء‬
‫در ﭘﺎﻳﮕﺎه داﻧﺶ ﺳﺎﻣﺎﻧﺪﻫﻲ ﺷﺪه در ﻧﻈﺮ ﻣﻴﮕﻴﺮﻳﻢ ‪ .‬ﻣﻲ ﺗﻮاﻧﻴﻢ داﻧﺶ را در واﺣﺪ ﻫﺎي‬
‫ﭘﻴﭽﻴﺪه ﺗﺮ ﻛﻪ ﻣﻮﻗﻌﻴﺖ ﻫﺎ ﻳﺎ اﺷﻴﺎﻫﺎي ﭘﻴﭽﻴﺪه در ﺣﻮزه را ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻨﺪ ﺳﺎزﻣﺎن دﻫﻲ‬
‫ﻛﻨﻴﻢ ‪ .‬اﻳﻦ ﻫﺎ " ﻗﺎﻟﺒﻬﺎ " ﻳﺎ "ﺷﻤﺎ " ﻧﺎﻣﻴﺪه ﻣﻴﺸﻮﻧﺪ‪.‬‬
‫ﻫﺮ ﻗﺎﻟﺐ ﻣﻨﻔﺮد ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺳﺎﺧﺘﺎر داده در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬ﻫﻤﺎﻧﻨﺪ‬
‫ﺧﻴﻠﻲ از اﻃﻼﻋﺎت در رﻛﻮرد ﺳﻨﺘﻲ آﻧﻬﺎ ‪ ،‬ﻛﻪ اﻳﻦ رﻛﻮرد ﺣﺎوي اﻃﻼﻋﺎﺗﻲ ﻣﺮﺑﻮط ﺑﻪ‬
‫ﻣﻮﺟﻮدﻳﺖ ﻫﺎي ﻛﻠﻴﺸﻪ اي و ﻓﺎﻗﺪ ﻧﺒﻮغ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺷﻜﺎف ﻫﺎ درﻗﺎﻟﺐ ﺣﺎوي اﻃﻼﻋﺎﺗﻲ از ﻗﺒﻴﻞ ﻣﻮارد زﻳﺮ ﻫﺴﺘﻨﺪ ‪:‬‬
 ‫‪28‬‬

‫اﻟﻒ( اﻃﻼﻋﺎت ﺑﺎزﺷﻨﺎﺳﻲ ﻗﺎﻟﺐ‬

‫ب( راﺑﻄﻪ ﺑﻴﻦ ﻳﻚ ﻗﺎﻟﺐ و ﻗﺎﻟﺒﻬﺎي دﻳﮕﺮ ‪ " .‬ﺗﻠﻔﻦ ﻫﺘﻞ " ﻣﻤﻜﻦ اﺳﺖ ﻧﻤﻮﻧﻪ ﺧﺎﺻﻲ از‬
‫ﺗﻠﻔﻦ ﺑﺎﺷﺪ ‪ ،‬ﻳﺎ ﺑﻪ ﺷﻜﻠﻲ دﻳﮕﺮ ﻧﻤﻮﻧﻪ اي از ﻳﻚ "دﺳﺘﮕﺎه ارﺗﺒﺎﻃﻲ " ﺑﺎﺷﺪ ‪.‬‬
‫پ( ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪﮔﺎن ﺗﻘﺎﺿﺎﻫﺎ ﺑﺮاي ﻣﻄﺎﺑﻘﺖ ﺑﺎ ﻗﺎﻟﺒﻬﺎ ‪ .‬ﺑﻪ ﻃﻮر ﻣﺜﺎل ‪ ،‬ﻧﺸﻴﻤﻨﮕﺎه ﻳﻚ‬
‫ﺻﻨﺪﻟﻲ ﺑﻴﻦ ‪ 20‬ﺗﺎ ‪ 40‬ﺳﺎﻧﺘﻴﻤﺘﺮ از ﻛﻒ ﻓﺎﺻﻠﻪ دارد و ﻗﺴﻤﺖ ﭘﺸﺘﻲ آن ارﺗﻔﺎﻋﻲ ﺑﻴﺶ از‬
‫‪ 60‬ﺳﺎﻧﺘﻴﻤﺘﺮ دارد ‪ .‬ﻣﻤﻜﻦ اﺳﺖ اﻳﻦ ﺗﻘﺎﺿﺎﻫﺎ ﺑﺮاي ﺗﻌﻴﻴﻦ اﻳﻨﻜﻪ ﭼﻪ ﻣﻮﻗﻌﻲ ﻳﻚ‬
‫ﻣﻮﺟﻮدﻳﺖ ﺟﺪﻳﺪ ﺑﺎ رﻓﺘﺎر ﺗﻌﺮﻳﻒ ﺷﺪه در ﻗﺎﻟﺐ ﺗﻄﺒﻴﻖ دارد ﺑﻜﺎر روﻧﺪ‪.‬‬
‫ت( اﻃﻼﻋﺎت روﻳﻪ اي در اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎر ﻫﺎي ﺗﻮﺻﻴﻒ ﺷﺪه ‪ :‬ﺧﺼﻮﺻﻴﺖ ﻣﻬﻢ ﻗﺎﻟﺒﻬﺎ‬
‫ﺗﻮاﻧﺎﺋﻲ اﻟﺼﺎق ﻛﺪ روﻳﻪ اي ﺑﻪ ﻳﻚ اﺳﻼت اﺳﺖ ‪.‬‬
‫ث( اﻃﻼﻋﺎت ﭘﻴﺶ ﻓﺮض ﻗﺎﻟﺐ ‪ :‬اﻳﻦ اﻃﻼﻋﺎت ﻣﻘﺎدﻳﺮ ﺷﻜﺎف ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺮاي ﺻﺤﻴﺢ‬
‫ﺑﻮدن در زﻣﺎﻧﻲ ﻛﻪ ﻫﻴﭻ ﻣﺪرﻛﻲ ‪ ،‬ﻣﺨﺎﻟﻒ ﻳﺎﻓﺖ ﻧﺸﺪه اﺳﺖ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﻧﺪ ‪ .‬ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺜﺎل ‪ ،‬ﺻﻨﺪﻟﻲ ﻫﺎ ﭼﻬﺎر ﭘﺎﻳﻪ دارﻧﺪ ‪ ،‬ﺗﻠﻔﻦ ﻫﺎ دﻛﻤﻪ ﻓﺸﺎري دارﻧﺪ ‪ ،‬ﻳﺎ ﺗﺨﺖ ﻫﺎي‬
‫ﻫﺘﻞ ﺑﻪ وﺳﻴﻠﻪ ﻛﺎرﻣﻨﺪان ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ‪.‬‬
‫ج( اﻃﻼﻋﺎت ﻧﻤﻮﻧﻪ ﺟﺪﻳﺪ ‪ .‬ﺧﻴﻠﻲ از ﺷﻜﺎف ﻫﺎي ﻗﺎﻟﺐ ﻣﻤﻜﻦ اﺳﺖ ﻧﺎﻣﻌﻠﻮم ﺑﻤﺎﻧﻨﺪ ﺗﺎ‬
‫زﻣﺎﻧﻲ ﻛﻪ ﻳﻚ ﻣﻘﺪار ﺑﺮاي ﻳﻚ ﻧﻤﻮﻧﻪ ﺧﺎص داده ﺷﺪه ﻳﺎ ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﻻزم ﺷﺪه ﺑﺎﺷﺪ‬
‫‪ .‬ﺑﺮاي ﻣﺜﺎل رﻧﮓ ﭼﺎدر ﺷﺐ ﺗﺨﺘﺨﻮاب ﻣﻤﻜﻦ اﺳﺖ در ﺗﻌﺮﻳﻒ ﺗﺨﺘﺨﻮاب ﻧﺎﻣﻌﻠﻮم ﺑﻤﺎﻧﺪ‬
‫‪.‬‬
‫ﻣﺜﺎل زﻳﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ‪:‬‬
‫ﻣﺜﺎل ‪3-2‬‬
‫ﺷﺨﺺ ﻫﺴﺖ ﻳﻚ ‪ :‬ﭘﺴﺘﺎﻧﺪار‬
‫ﻣﺮد ﺑﺎﻟﻎ ﻫﺴﺖ ﻳﻚ ‪ :‬ﺷﺨﺺ‬
‫ﺑﺎزﻳﻜﻦ ﻓﻮﺗﺒﺎل ﻫﺴﺖ ﻳﻚ ‪ :‬ﻣﺮد ﺑﺎﻟﻎ‬
‫ﭘﺴﺖ ﺑﺎزي ‪:‬‬ ‫وزن‪:‬‬ ‫ﻗﺪ‪:‬‬
‫ﺗﻴﻢ ‪:‬‬
‫ﺳﻌﻴﺪ ﻫﺴﺖ ﻳﻚ ‪ :‬ﺑﺎزﻳﻜﻦ ﻓﻮﺗﺒﺎل‬ ‫رﻧﮓ ﺗﻴﻤﻬﺎ ‪:‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪29‬‬

‫ﻛﺴﺐ اﻣﺘﻴﺎز ﺗﻮﺳﻂ ‪ :‬ﻣﺠﻴﺪ ﺷﺎﻣﺨﻲ ﻋﻀﻮ ‪:‬ﺳﻌﻴﺪ‬

‫ﭘﺴﺖ ‪ :‬ﻣﻴﺎﻧﻲ‬ ‫دﺳﺘﻪ ‪ :‬ﻳﻚ‬
‫رﻧﮓ ﭘﻴﺮاﻫﻦ ﻫﺎي ﺗﻴﻢ ‪ :‬ﺳﻴﺎه ‪ /‬آﺑﻲ‬ ‫ﺗﻴﻢ ‪ :‬ﭘﻴﺎم ﻧﻮر‬
‫ﺗﻴﻢ ﻓﻮﺗﺒﺎل ﻫﺴﺖ ﻳﻚ ‪ :‬ﺗﻴﻢ‬
‫ﺗﻌﺪاد اﻋﻀﺎ ‪ 15 :‬ﻧﻔﺮ‬
‫ﻣﺮﺑﻲ ‪ :‬ﺟﻼل دوﺳﺘﻲ‬
‫در اﻳﻨﺠﺎ ﻗﺎﻟﺒﻬﺎي ﺷﺨﺺ ‪ ،‬ﻣﺮد ﺑﺎﻟﻎ‪ ،‬ﺑﺎزﻳﻜﻦ ﻓﻮﺗﺒﺎل ‪ ،‬ﺗﻴﻢ ﻓﻮﺗﺒﺎل ‪ ،‬ﻫﻤﮕﻲ ﻃﺒﻘﻪ ﺑﻨﺪي‬
‫ﻫﺴﺘﻨﺪ و ﻗﺎﻟﺒﻬﺎي ﻣﺠﻴﺪ ﺷﺎﻣﺨﻲ و ﭘﻴﺎم ﻧﻮر ﻧﻤﻮﻧﻪ ﻫﺎي آﻧﻬﺎ ﻣﻲ ﺑﺎﺷﻨﺪ ‪.‬‬
‫ﺑﻌﻀﻲ از ﺧﺼﻮﺻﻴﺖ ﻫﺎي ﻣﻬﻢ ﻗﺎﻟﺒﻬﺎ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫• ﻗﺎﻟﺐ ﻫﺎ ﺷﺒﻜﻪ ﻫﺎي ﻣﻌﻨﺎﺋﻲ را از راﻫﻬﺎي ﻣﺨﺘﻠﻒ ﮔﺴﺘﺮش ﻣﻲ دﻫﻨﺪ ﻣﻬﻢ ﺗﺮﻳﻦ‬
‫آﻧﻬﺎ ﺳﺎزﻣﺎن دﻫﻲ داﻧﺶ در ﺳﺎﺧﺘﺎرﻫﺎﺳﺖ و اﻳﻦ ﻣﻮﺿﻮع ﻣﻬﻤﻲ ﺑﺮاي ﭘﺎﻳﮕﺎه‬
‫داﻧﺶ اﺳﺖ ‪.‬‬
‫اﻟﺤﺎق روﻳﻪ اي ‪ ،‬ﺗﺎ وﻗﺘﻴﻜﻪ داﻧﺶ ﻣﻌﻴﻦ ﺑﺎ ﻧﻤﺎﻳﺶ ﻫﺎ ﺑﻪ ﺧﻮﺑﻲ وﻓﻖ داده ﻧﺸﺪه‬ ‫•‬
‫اﻧﺪ ‪ ،‬ﻳﻚ ﺧﺼﻮﺻﻴﺖ ﻣﻬﻢ وﻳﮋه از ﻗﺎﻟﺒﻬﺎ اﺳﺖ‪.‬‬
‫• ﻧﻤﺎﻳﺶ دادن داﻧﺶ ﺑﺎ ﺳﻴﺴﺘﻢ ﻗﺎﻟﺐ ‪ ،‬اﮔﺮﭼﻪ داراي اﻃﻼﻋﺎت ﻧﺎﺗﻤﺎم ﻣﻲ ﺑﺎﺷﺪ ‪،‬‬
‫ﺣﺪاﻗﻞ ﺗﺎﺣﺪي ﺑﻪ ﻣﺎ اﺟﺎزه اﺳﺘﺪﻻل ﻛﺮدن و اﺳﺘﻨﺘﺎج ﺳﺮﻳﻊ ﺣﻘﺎﻳﻘﻲ ﻛﻪ ﺑﻪ ﻃﻮر‬
‫ﺻﺮﻳﺢ ﻣﺸﺎﻫﺪه و آﺷﻜﺎر ﻧﺸﺪه اﻧﺪ را ﻣﻲ دﻫﻨﺪ‪.‬‬
‫• ﻳﻜﻲ از ﻣﺸﻜﻼت ﻧﻤﺎﻳﺶ ﻗﺎﻟﺒﻲ ‪ ،‬دﺷﻮاري ﺗﻌﻴﻴﻦ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ ﺑﻪ ﻃﻮر ﺻﺤﻴﺢ و‬
‫دﻗﻴﻖ ﺑﺮاي ﻳﻚ ﻗﺎﻟﺐ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪ 2-9-3‬اﺳﻜﺮﻳﭙﺖ ﻫﺎ‬
‫ﻃﺒﻖ ﺗﻌﺮﻳﻒ ‪ ،‬ﻳﻚ اﺳﻜﺮﻳﭙﺖ ﻳﻚ اراﺋﻪ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ اﺳﺖ ﻛﻪ ﻳﻚ رﺷﺘﻪ ﺣﻮادث و وﻗﺎﻳﻊ‬
‫ﻛﻠﻴﺸﻪ اي از ﺣﻘﺎﻳﻖ را در ﻳﻚ ﻣﺤﺘﻮاي ﻣﺨﺼﻮص ﺗﻮﺻﻴﻒ ﻣﻲ ﻛﻨﺪ ‪ .‬در اﺻﻞ اﺳﻜﺮﻳﭙﺖ‬
‫ﺑﻪ وﺳﻴﻠﻪ ﺷﺎﻧﻚ و ﮔﺮوه ﺗﺤﻘﻴﻖ اش )ﺷﺎﻧﻚ و آﺑﻠﺴﻮن ‪ (1977‬ﺑﺮاي ﺳﺎزﻣﺎن دﻫﻲ ﺳﺎﺧﺘﺎر‬
‫ﻫﺎي واﺑﺴﺘﮕﻲ ﻣﻔﻬﻮﻣﻲ ﺑﻪ ﺗﻮﺻﻴﻒ وﺿﻌﻴﺘﻬﺎي ﻣﺘﻌﺎرف ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ‪ .‬اﺳﻜﺮﻳﭙﺖ ﻫﺎ‬
‫در ﺳﻴﺴﺘﻢ ﻫﺎي درك زﺑﺎن ﻫﺎي ﻃﺒﻴﻌﻲ ‪ ،‬ﺑﻪ ﻋﻨﻮان اﺟﺰاي ﭘﺎﻳﮕﺎه داﻧﺶ اﺳﺘﻔﺎده ﺷﺪه اﻧﺪ ‪.‬‬
 ‫‪30‬‬

‫اﺟﺰاي ﻳﻚ اﺳﻜﺮﻳﭙﺖ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫• ﺗﻮﺻﻴﻒ ﮔﺮان ﻳﺎ ﺷﺮاﻳﻂ ورودي از دﻧﻴﺎ ﻛﻪ ﺑﺎﻳﺪ ﺑﺮاي اﺳﻜﺮﻳﭙﺘﻲ ﻛﻪ ﻓﺮاﺧﻮاﻧﺪه‬
‫ﺷﺪه ‪ ،‬ﺻﺤﻴﺢ ﺑﺎﺷﻨﺪ ‪ .‬در ﻳﻚ رﺳﺘﻮران اﺳﻜﺮﻳﭙﺖ ‪ ،‬رﺳﺘﻮران ﺑﺎز اﺳﺖ و‬
‫ﻣﺸﺘﺮي ﮔﺮﺳﻨﻪ ﺷﻨﺎﺧﺘﻦ اﺟﺰاي دﻧﻴﺎ در ﻗﺎﻟﺐ ﺟﻤﻼت درﺳﺖ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫• ﻧﺘﺎﻳﺞ ﻳﺎ ﺣﻘﺎﻳﻖ وﻗﺘﻲ ﻛﻪ اﺳﻜﺮﻳﭙﺖ ﺧﺎﺗﻤﻪ ﻳﺎﻓﺘﻪ اﺳﺖ ‪ ،‬درﺳﺖ ﻫﺴﺘﻨﺪ ‪ .‬ﺑﺮاي‬
‫ﻣﺜﺎل ‪ ،‬آن ﻣﺸﺘﺮي ﮔﺮﺳﻨﻪ ﻧﻴﺴﺖ و ﭘﻮل ﻛﻤﻲ ﻫﻢ دارد ‪ .‬ﺻﺎﺣﺐ رﺳﺘﻮران ﭘﻮل‬
‫ﺑﻴﺸﺘﺮي دارد‪.‬‬
‫• اﺛﺎﺛﻴﻪ‪ 1‬ﻳﺎ ﻫﺮ ﭼﻴﺰي ﻛﻪ ﻣﺤﺘﻮاي اﺳﻜﺮﻳﭙﺖ را درﺳﺖ ﻣﻲ ﻛﻨﺪ ‪ .‬اﻳﻦ اﺛﺎﺛﻴﻪ ﻫﺎ‬
‫ﻣﻤﻜﻦ اﺳﺖ ﺷﺎﻣﻞ ﻣﻴﺰﻫﺎ ‪ ،‬ﭘﻴﺸﺨﺪﻣﺖ ﻫﺎ ‪ ،‬و ﻣﻨﻮ ﻏﺬا ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﺣﺎﻟﺖ اﺟﺎزه‬
‫ﻣﻲ دﻫﺪ ‪ ،‬ﻓﺮض ﻫﺎي ﻗﺮاردادي ﻗﺎﺑﻞ اﺳﺘﺪﻻل درﺑﺎره ﻣﻮﻗﻌﻴﺖ ﻫﺎ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪،‬‬
‫ﺑﺮاي ﻣﺜﺎل ‪ ،‬ﻓﺮض ﺷﺪه اﺳﺖ ﻛﻪ ﻳﻚ رﺳﺘﻮران ﻣﻴﺰ و ﺻﻨﺪﻟﻲ دارد ﻣﮕﺮ اﻳﻨﻜﻪ‬
‫ﻟﻔﻈﻲ ﻏﻴﺮ از اﻳﻦ را ﺑﻴﺎن ﻛﺮده ﺑﺎﺷﺪ‪.‬‬
‫• ﻧﻘﺶ ﻫﺎ اﻋﻤﺎﻟﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺷﺮﻛﺖ ﻛﻨﻨﺪﮔﺎن ﻓﺮدي آﻧﻬﺎ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ ‪.‬‬
‫ﭘﻴﺸﺨﺪﻣﺖ ﺳﻔﺎرﺷﻬﺎ را ﻣﻲ ﮔﻴﺮﻧﺪ ‪ ،‬ﻏﺬا ﺗﺤﻮﻳﻞ ﻣﻲ دﻫﻨﺪ و ﺻﻮرت ﺣﺴﺎب را‬
‫اراﺋﻪ ﻣﻲ ﻧﻤﺎﻳﻨﺪ ‪ .‬ﻣﺸﺘﺮي ﺳﻔﺎرش ﻣﻲ دﻫﺪ ‪ ،‬ﻣﻲ ﺧﻮرد و ﺻﻮرت ﺣﺴﺎب را‬
‫ﭘﺮداﺧﺖ ﻣﻲ ﻧﻤﺎﻳﺪ ‪.‬‬
‫• ﺷﺎﻧﻚ اﺳﻜﺮﻳﭙﺖ را ﺑﻪ ﺗﺮﺗﻴﺒﻲ ﺑﻪ ﺻﺤﻨﻪ‪ 2‬ﻫﺎ ﺷﻜﺴﺖ ‪ ،‬ﻛﻪ ﻫﺮ ﻛﺪام از آﻧﻬﺎ ﻳﻚ‬
‫ﺧﺼﻮﺻﻴﺖ ﻣﻮﻗﺘﻲ از اﺳﻜﺮﻳﭙﺖ را اراﺋﻪ ﻣﻲ دﻫﺪ‪ .‬در رﺳﺘﻮران ورود ‪ ،‬ﺳﻔﺎرش‬
‫و ﺧﻮردن و ‪ ...‬وﺟﻮد دارد ‪.‬‬
‫اﺳﻜﺮﻳﭙﺖ ﻫﺎ در ﺷﺮح ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻣﻌﻴﻦ از ﻗﺒﻴﻞ "ﺳﺮﻗﺖ از ﺑﺎﻧﻚ " ﻣﻔﻴﺪ ﻫﺴﺘﻨﺪ ‪ .‬ﻛﻪ‬
‫ﻣﻤﻜﻦ اﺳﺖ ﺑﺎ ﻣﻮارد زﻳﺮ درﮔﻴﺮ ﺑﺎﺷﻨﺪ ‪:‬‬
‫• ﺑﻪ دﺳﺖ آوردن ﻳﻚ ﺗﻔﻨﮓ ‪.‬‬
‫• ﺳﺮﻗﺖ ﻣﺴﻠﺤﺎﻧﻪ از ﺑﺎﻧﻚ ‪.‬‬
‫• ﮔﺮﻳﺨﺘﻦ از ﺑﺎﻧﻚ ﺑﻪ ﻫﻤﺮاه ﭘﻮل ‪.‬‬

‫‪1 Props‬‬
‫‪2 Scene‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪31‬‬

‫اﻳﻨﺠﺎ اﺛﺎﺛﻴﻪ ﻣﻤﻜﻦ اﺳﺖ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ ﺑﺎﺷﺪ‪:‬‬

‫• ﺗﻔﻨﮓ ‪ ،‬ت ‪.‬‬
‫• ﻏﺎرت ‪ ،‬غ ‪.‬‬
‫• ﻛﻴﻒ ‪ ،‬ك ‪.‬‬
‫• ﻓﺮار ﻣﺎﺷﻴﻦ ‪ ،‬م ‪.‬‬
‫ﻧﻘﺶ ﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ ﺑﺎﺷﺪ ‪:‬‬
‫• ﺳﺎرق ‪S ،‬‬
‫• ﺻﻨﺪوق دار ‪M ،‬‬
‫• ﻣﺪﻳﺮ ﺑﺎﻧﻚ ‪O ،‬‬
‫• ﭘﻠﻴﺲ ‪P ،‬‬
‫اﻧﮕﻴﺰه ﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ ﺑﺎﺷﺪ ‪:‬‬
‫‪ S‬ﻓﻘﻴﺮ اﺳﺖ ‪.‬‬ ‫•‬
‫‪ S‬ﺑﻴﻨﻮا اﺳﺖ ‪.‬‬ ‫•‬
‫ﻧﺘﺎﻳﺞ ﻣﻤﻜﻦ اﺳﺖ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ ﺑﺎﺷﺪ ‪:‬‬
‫• ‪ S‬ﭘﻮل ﺑﻴﺸﺘﺮي دارد‬
‫‪ O‬ﻋﺼﺒﺎﻧﻲ اﺳﺖ‬ ‫•‬
‫‪ M‬در ﺣﺎﻟﺖ ﺷﻮك اﺳﺖ‬ ‫•‬
‫‪ P‬ﮔﻠﻮﻟﻪ اﺳﺖ ‪.‬‬ ‫•‬
‫ﺳﻪ ﺻﺤﻨﻪ وﺟﻮد دارد ‪ :‬ﺑﻪ دﺳﺖ آوردن ﺗﻔﻨﮓ ‪ ،‬ﺳﺮﻗﺖ ﺑﺎﻧﻚ و ﮔﺮﻳﺨﺘﻦ‪ .‬اﺳﻜﺮﻳﭙﺖ‬
‫ﻛﺎﻣﻞ ﻫﻤﺎن ﻃﻮر ﻛﻪ در ﺟﺪول دﻳﺪه ﺷﺪه ﺗﻮﺻﻴﻒ ﻣﻴﮕﺮدد ‪.‬‬
‫ﺑﺮﺧﻲ ﻧﻜﺎت اﺿﺎﻓﻲ ﺑﺮاي ﻳﺎدداﺷﺖ روي اﺳﻜﺮﻳﭙﺖ ﻫﺎ ‪:‬‬
‫• اﮔﺮ ﻳﻚ اﺳﻜﺮﻳﭙﺖ ﺧﺎص ﺑﻪ ﻛﺎر ﺑﺮده ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬ﺑﺎﻳﺪ ﻓﻌﺎل ﺷﺪه ﺑﺎﺷﺪ و اﻳﻦ‬
‫ﻓﻌﺎل ﺑﻮدن ﺑﻪ اﻫﻤﻴﺘﺶ ﺑﺴﺘﮕﻲ دارد ‪.‬‬
‫• اﮔﺮ ﻣﻮﺿﻮع در ﺣﺎل ﻋﺒﻮر ذﻛﺮ ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬آﻧﮕﺎه ﻳﻚ اﺷﺎره ﮔﺮ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي‬
‫آن اﺳﻜﺮﻳﭙﺖ ﻧﮕﻬﺪاري ﺷﺪه ﺑﺎﺷﺪ ‪.‬‬
 ‫‪32‬‬

‫• اﮔﺮ ﻣﻮﺿﻮع ﺑﺎ اﻫﻤﻴﺖ اﺳﺖ ‪ ،‬آﻧﮕﺎه اﺳﻜﺮﻳﭙﺖ ﺑﺎﻳﺪ ﺑﺎز ﺷﺪه ﺑﺎﺷﺪ ‪.‬‬
‫• دروﻏﻬﺎي ﺧﻄﺮﻧﺎك در داﺷﺘﻦ ﺗﻌﺪاد زﻳﺎدي اﺳﻜﺮﻳﭙﺖ ﻓﻌﺎل ﺣﺘﻲ ﺑﻪ اﻧﺪازه ﻳﻜﻲ‬
‫ﻫﻢ ﻣﻤﻜﻦ اﺳﺖ ﭘﻨﺠﺮه ﻫﺎي زﻳﺎد ﺑﺎزي را ﺑﺎ ﭘﺮده ﻳﺎ ﻓﺮاﺧﻮان ﻫﺎي ﺑﺎزﮔﺸﺘﻲ‬
‫ﺑﺴﻴﺎر در ﻳﻚ ﻣﺴﺌﻠﻪ ‪ ،‬داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬
‫• ﺣﻮادث اﻳﺠﺎد ﺷﺪه ‪ ،‬ﻳﻚ دﻧﺒﺎﻟﻪ ﺷﻨﺎﺧﺘﻪ ﺷﺪه را دﻧﺒﺎل ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ‬
‫از اﺳﻜﺮﻳﭙﺖ ﻫﺎ ﺑﺮاي اراﺋﻪ اﻋﻤﺎل درﮔﻴﺮ ﺷﺪه و ﺟﻬﺖ ﭘﺎﺳﺦ دﻫﻲ ﺑﻪ ﺳﺌﻮال‬
‫ﻫﺎي ﺟﺰﺋﻴﺎﺗﻲ ﺑﻜﺎر ﮔﻴﺮﻳﻢ ‪.‬‬
‫• دﻧﺒﺎﻟﻪ ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﭘﻲ آﻣﺪ ﻫﺎي ﻣﺘﻔﺎوت از ﻳﻚ اﺳﻜﺮﻳﭙﺖ‬
‫ﻣﺠﺎز ﺑﺎﺷﺪ ) ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺳﺮﻗﺖ ﺑﺎﻧﻚ اﺷﺘﺒﺎه اﺳﺖ ‪(.‬‬
‫ﻣﺰاﻳﺎي اﺳﻜﺮﻳﭙﺖ ﻫﺎ ‪:‬‬
‫• ﺗﻮاﻧﺎﺋﻲ ﺟﻬﺖ ﭘﻴﺸﮕﻮﺋﻲ وﻗﺎﻳﻊ‬
‫• ﺗﻔﺴﻴﺮ ﻣﻨﺴﺠﻢ اﻧﻔﺮادي ﻣﻤﻜﻦ اﺳﺖ از ﻣﺠﻤﻮﻋﻪ اي از ﻣﺸﺎﻫﺪات ﺳﺎﺧﺘﻪ ﺷﺪه‬
‫ﺑﺎﺷﺪ ‪.‬‬
‫ﻣﻌﺎﻳﺐ اﺳﻜﺮﻳﭙﺖ ﻫﺎ ‪:‬‬
‫• ﻋﻤﻮﻣﻴﺖ ﻛﻤﺘﺮ ﻧﺴﺒﺖ ﺑﻪ ﻗﺎﻟﺒﻬﺎ ‪.‬‬
‫• ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي اراﺋﻪ ﻛﻠﻴﻪ اﻧﻮاع داﻧﺶ ﻣﻨﺎﺳﺐ ﻧﺒﺎﺷﺪ ‪.‬‬
‫در اﻳﻨﺠﺎ ﻣﺜﺎل دﻳﮕﺮي از اﺳﻜﺮﻳﭙﺖ ﻫﺎ )ﻣﺜﺎل ‪ ( 3-3‬در اﺑﺘﺪا ﺑﻪ ﻓﺎرﺳﻲ و ﺳﭙﺲ در ﻓﺮم‬
‫ﻗﺎﻟﺐ اراﺋﻪ اي داده ﺷﺪه اﺳﺖ ‪.‬‬
‫اﺳﻜﺮﻳﭙﺖ ﻫﺎي ﻳﻚ رﺳﺘﻮران‬
‫‪ -1‬ﻣﺸﺘﺮي ﺑﻪ رﺳﺘﻮران ﻣﻲ رود ‪.‬‬
‫‪ -2‬ﻣﺸﺘﺮي ﺑﻪ ﺳﻤﺖ ﻣﻴﺰ ﻣﻲ رود ‪.‬‬
‫‪ -3‬ﭘﻴﺸﺨﺪﻣﺖ ﻏﺬا ﻣﻲ آورد ‪.‬‬
‫‪ -4‬ﻣﺸﺘﺮي ﻏﺬا ﻣﻲ ﺧﻮرد‬
‫‪ -5‬ﻣﺸﺘﺮي ﺑﻪ ﭘﻴﺸﺨﺪﻣﺖ ﭘﻮل ﭘﺮداﺧﺖ ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫‪ -6‬ﻣﺸﺘﺮي رﺳﺘﻮران را ﺗﺮك ﻣﻲ ﻛﻨﺪ‪.‬‬

‫‪.‬‬
 ‫ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ‬ ‫‪33‬‬

‫ﺣﺎل اﺳﻜﺮﻳﭙﺖ را ﺑﻪ ﻋﻨﻮان ﻳﻚ اﺳﻜﺮﻳﭙﺖ ﺗﺎﻛﻴﺪي ‪ ) PROLOG‬ﻧﺎم ‪ ،‬اﺳﻜﺮﻳﭙﺖ ‪،‬‬

‫ﻗﺮارداد ﻫﺎ ( ﻛﻪ ﻧﺎم ﻓﻘﻂ ﻫﻤﺎن ﻧﺎم اﺳﻜﺮﻳﭙﺖ ‪ ،‬اﺳﻜﺮﻳﭙﺖ ﻟﻴﺴﺘﻲ از ارﺗﺒﺎﻃﺎت ﺑﺎ ﻣﻘﺎدﻳﺮ‬
‫آزاد ﺗﺸﺮﻳﺢ اﺳﻜﺮﻳﭙﺖ در ﻣﺆﻟﻔﻪ ﻫﺎﺋﻲ از ‪ ACTs‬ﻣﻲ ﺑﺎﺷﺪ ‪ ،‬و ﭘﻴﺶ ﻓﺮض ﻫﺎ ﻳﺎ ﻗﺮاردادﻫﺎ‬
‫ﻟﻴﺴﺘﻲ از زوﺟﻬﺎ ‪ ،‬ﻫﻢ ﺑﺴﺘﻪ ﻛﺮدن ﻣﻘﺎدﻳﺮ ﺑﺮاي ﻧﺎم ﻫﺎي ﭘﻴﺶ ﻓﺮض ﻣﻲ ﺑﺎﺷﻨﺪ ‪ ،‬اﮔﺮ آﻧﻬﺎ‬
‫ﺑﻪ وﺳﻴﻠﻪ ﻣﺜﺎل ﻫﺎي واﻗﻌﻲ ﻛﻪ ﺑﺎ زﻳﺮ ﻣﺠﻤﻮﻋﻪ اي از اﺳﻜﺮﺑﭙﺖ ﻫﺎ ﺗﺮﻛﻴﺐ ﻣﻲ ﺷﻮد ﻣﻌﺮﻓﻲ‬
‫ﻧﺸﺪه ﺑﺎﺷﺪ ‪.‬‬
‫اﺳﻜﺮﻳﭙﺖ)رﺳﺘﻮران ‪)ptrans ] ،‬ﺑﺎزﻳﮕﺮ ‪ ،‬ﺑﺎزﻳﮕﺮ ‪ ،‬ﻣﻜﺎن اوﻟﻴﻪ ‪ ،‬رﺳﺘﻮران(‪،‬‬
‫‪)Ptrans‬ﺑﺎزﻳﮕﺮ‪ ،‬ﺑﺎزﻳﮕﺮ‪ ،‬در‪ ،‬ﻣﻴﺰ(‪،‬‬
‫‪)Ptrans‬ﭘﻴﺸﺨﺪﻣﺖ ‪ ،‬ﻏﺬا‪ ،‬آﺷﭙﺰﺧﺎﻧﻪ ‪ ،‬ﻣﻴﺰ(‪،‬‬
‫ﺑﻠﻌﻴﺪن)ﺑﺎزﻳﮕﺮ‪ ،‬ﻏﺬا‪ ،‬دﻫﺎن)ﺑﺎزﻳﮕﺮ((‪،‬‬
‫‪)Atrans‬ﺑﺎزﻳﮕﺮ‪،‬ﭘﻮل‪،‬ﺑﺎزﻳﮕﺮ‪،‬ﭘﻴﺸﺨﺪﻣﺖ(‪،‬‬
‫‪)Ptrans‬ﺑﺎزﻳﮕﺮ‪ ،‬ﺑﺎزﻳﮕﺮ‪ ،‬رﺳﺘﻮران ‪،‬ﺟﺎﺋﻲ دﻳﮕﺮ([‪،‬‬
‫] )ﺑﺎزﻳﮕﺮ‪ ،‬ﻣﺸﺘﺮي(‪)،‬ﻣﻜﺎن اوﻟﻴﻪ ‪ ،‬ﻣﻜﺎن ‪،( 1‬‬
‫)رﺳﺘﻮران‪،‬رﺳﺘﻮران(‪)،‬در‪،‬در(‪،‬‬
‫)ﻣﻴﺰ‪،‬ﻣﻴﺰ(‪)،‬ﻏﺬا‪،‬ﻏﺬا(‪،‬‬
‫)ﭘﻴﺸﺨﺪﻣﺖ‪ ،‬ﭘﻴﺸﺨﺪﻣﺖ(‪)،‬آﺷﭙﺰﺧﺎﻧﻪ‪،‬آﺷﭙﺰﺧﺎﻧﻪ (‪،‬‬
‫)ﭘﻮل‪،‬ﺻﻨﺪوق(‪)،‬ﺟﺎﺋﻲ دﻳﮕﺮ‪،‬ﻣﻜﺎن‪.( [(2‬‬
 ‫ﻓﺼﻞ ﺷﺸﻢ‬

‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ‬

‫اﻫﺪاف‬
‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬
‫ﺟﺴﺘﺠﻮي ﻣﻬﺎرﺗﻬﺎ‬
‫ﻣﺸﻜﻞ اراﺋﻪ )ﻧﻤﺎﻳﺶ(‬
‫ﺗﻌﺎرﻳﻒ‬
‫اراﺋﻪ ﺑﺮﻧﺎﻣﻪ‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﺗﻜﻨﻴﻚ وﺳﻴﻊ ﺟﺴﺘﺠﻮ‬
‫روش ارﺗﺒﺎط و اﻧﺸﻌﺎب ﺑﺎ رﻧﺎﻣﻪ رﻳﺰي دﻳﻨﺎﻣﻴﻜﻲ )ﭘﻮﻳﺎﻳﻲ(‬
‫روش ﻣﻴﻨﻲ ﻣﻜﺲ‬

‫‪ 1-6‬ﺟﺴﺘﺠﻮي ﻣﻬﺎرﺗﻬﺎ‬
‫در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺟﺴﺘﺠﻮ ‪ ،‬ﺑﻪ ﺑﺪﻧﻪ ﺑﺰرﮔﻲ از ﻋﻘﺎﻳﺪ اﺻﻠﻲ ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ا ﺳﺘﻨﺒﺎط و‬
‫اﺳﺘﻨﺘﺎج و ﺑﺮﻧﺎﻣﻪ رﻳﺰي و اﺳﺘﺪﻻل و اﺛﺒﺎت ﻗﻀﻴﻪ و ﭘﺮدازش ﻣﻴﺸﻮد ‪ ،‬ﻣﺮﺑﻮط اﺳﺖ ‪. .‬‬
‫ﻛﺎرﺑﺮد اﻳﻦ ﻋﻘﺎﻳﺪ ﻛﻠﻲ در ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ و ﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت و ﺑﺮﻧﺎﻣﻪ رﻳﺰي‬
‫اﺗﻮﻣﺎﺗﻴﻚ و رﺑﺎﺗﻬﺎ و ﺗﺠﺰﻳﻪ ﻣﺮاﺣﻞ و ﺑﺎزي و ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه و اﺛﺒﺎت ﻗﻀﻴﻪ ﻫﺎي‬
‫رﻳﺎﺿﻲ ﻳﺎﻓﺖ ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﻪ ﻃﻮر ﻛﻠﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﺟﺴﺘﺠﻮ ﺳﻪ ﺟﺰء دارﻧﺪ‪:‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪35‬‬

‫‪ -1‬ﭘﺎﻳﮕﺎه داده‬
‫‪ -2‬ﻋﻤﻠﮕﺮﻫﺎ‬
‫‪ -3‬اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل‬
‫ﭘﺎﻳﮕﺎه داده داﻣﻨﻪ ﻛﺎري ﺟﺎري و ﻫﺪف ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ اﻋﻤﺎل ﻛﺎر را ﺷﺮح ﻣﻲ دﻫﺪ ‪.‬‬
‫ﻋﻤﻠﮕﺮ ﻫﺎ ﺑﺮاي دﺳﺘﻜﺎري ﭘﺎﻳﮕﺎه داده اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‬
‫اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮد ﻛﻪ ﭼﻪ ﻋﻤﻠﮕﺮي و ﻛﺠﺎ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﻮد‬
‫ﻣﻨﻈﻮر از ﻫﺮ ﺗﻜﻨﻴﻚ ﺟﺴﺘﺠﻮﻳﻲ ﺑﻪ ﻛﺎرﮔﻴﺮي ﻳﻚ ﺗﺮﺗﻴﺐ ﻣﻨﺎﺳﺒﻲ از ﻋﻤﻠﮕﺮﻫﺎ ﺑﺮاي ﻳﻚ‬
‫داﻣﻨﻪ اوﻟﻴﻪ ﻛﺎري ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف اﺳﺖ‪.‬‬
‫دو راه ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف وﺟﻮد دارد ‪:‬‬
‫‪ -1‬اﺳﺘﺪﻻل ﭘﻴﺸﻴﻦ‬
‫‪ -2‬اﺳﺘﺪﻻل ﭘﺴﻴﻦ‬
‫اﺳﺘﺪﻻل ﭘﺴﻴﻦ ﺑﻪ ﻛﺎرﺑﺮد ﻋﻤﻠﮕﺮﻫﺎ‬
‫ﺑﻪ آن ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ در ﭘﺎﻳﮕﺎه داده ﻛﻪ داﻣﻨﻪ ﻛﺎري را ﺑﻪ ﻣﻨﻈﻮر اﻳﺠﺎد ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﺗﻌﻴﻴﻦ‬
‫ﺷﺪه ﺷﺮح ﻣﻲ دﻫﻨﺪ ﻣﺮﺑﻮط ﻣﻲ ﺷﻮد ‪.‬ﻣﺜﻞ روش اﺳﺘﺪﻻل ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ ﻳﺎ داده اﺷﺘﻘﺎﻗﻲ ‪،‬‬
‫ﻛﻪ ﻫﺪف اﻳﻦ اﺳﺖ ﻣﻮﻗﻌﻴﺖ را از ﺣﺎﻟﺖ اوﻟﻴﻪ ﺑﻪ ﺣﺎﻟﺖ ﭘﻴﺸﺮو ﺑﻴﺎورد ‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ﻳﻚ ﺑﺎزي ﺷﻄﺮﻧﺞ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫ﻣﻮﻗﻌﻴﺖ اوﻟﻴﻪ ‪ .‬ﻣﺸﺨﺺ ﻛﺮدن ﻣﻜﺎن ﻣﻬﺮه ﻫﺎي ﺷﻄﺮﻧﺞ روي ﺗﺨﺘﻪ در ﺷﺮوع ﺑﺎزي‬
‫ﻫﺪف‪ .‬ﻫﺮ وﺿﻌﻴﺘﻲ از ﺗﺨﺘﻪ ﺑﺎزي ﻛﻪ ﻛﻴﺶ و ﻣﺎت ﻛﻨﺪ‬
‫ﻋﻤﻠﮕﺮﻫﺎ‪ .‬ﻗﻮاﻧﻴﻨﻲ ﺑﺮاي ﺣﺮﻛﺖ ﻗﺎﻧﻮﻧﻲ در ﺷﻄﺮﻧﺢ‬

‫اﺳﺘﺪﻻل ﭘﻴﺸﻴﻦ ﻳﺎ ﺑﺎﻻ‪ -‬ﻳﺎﻳﻴﻦ ﻳﺎ اﺳﺘﺪﻻل ﻫﺪف ﻫﺪاﻳﺖ ﺷﺪه ‪ ،‬ﺟﻤﻼت ﻫﺪف ) ﻣﺴﺌﻠﻪ (‬
‫را ﺑﻪ " زﻳﺮﻫﺪف " ﻫﺎ ﻳﻲ ﻣﻲ ﺷﻜﻨﺪ اﺳﺖ ﻛﻪ اﻣﻴﺪواراﻧﻪ ‪ ،‬ﺑﺮاي ﺣﻞ ﻛﺮدن آﺳﺎﻧﺘﺮ اﺳﺖ و‬
‫راه ﺣﻞ آن ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ اﺻﻠﻲ ﻛﺎﻓﻲ اﺳﺖ ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻣﺴﺌﻠﻪ اﻧﺘﮕﺮال ﮔﻴﺮي را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪:‬‬

‫‪1/cos 2 dx‬‬

‫اﮔﺮﻋﻤﻠﮕﺮ اﺟﺎزه دﻫﺪ ‪:‬‬

 ‫‪36‬‬

‫‪1/cos2 dx‬‬
‫آﻧﮕﺎه ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺠﺪدا" ﺑﻪ اﻳﻦ ﺻﻮرت ﺑﻴﺎن ﻛﻨﻴﻢ‪:‬‬
‫‪Sec2x dx‬‬
‫ﺟﺎﻟﺐ ﺗﻮﺟﻪ اﺳﺖ ﻛﻪ ﺑﺴﻴﺎري از اﺳﺘﺪﻻﻟﻬﺎي ﻣﺎ اﺳﺘﺪﻻل ﭘﻴﺸﻴﻦ اﺳﺖ‪.‬‬

‫‪ 2-6‬ﻣﺸﻜﻞ اراﺋﻪ )ﻧﻤﺎﻳﺶ(‬

‫ﻳﻚ ﺳﻴﺴﺘﻢ ﺣﻞ ﻣﺴﺌﻠﻪ ﻫﺮ دو ﺻﻮرت اﺳﺘﺪﻻل " ﭘﻴﺸﻴﻦ" ﻳﺎ " ﭘﺴﻴﻦ" را اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‬
‫ﻛﻪ ﻫﺮ ﻋﻤﻠﮕﺮ ﻓﻘﻂ ﺑﺮاي ﺗﻮﻟﻴﺪ ﻳﻚ ﺷﻲء ﺟﺪﻳﺪ ﻳﺎ ﻳﻚ ﺣﺎﻟﺖ ﺟﺪﻳﺪ ﭘﺎﻳﮕﺎه داده ﻛﺎر ﻣﻲ‬
‫ﻛﻨﺪ ﻛﻪ ﺑﻪ آن ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﻣﺴﺎﺋﻞ را در ﻳﻚ ﻓﻀﺎي ﺣﺎﻟﺖ ﻧﻤﺎﻳﺶ دﻫﺪ ‪.‬‬
‫در اﻳﻦ ﺟﺎ ﺟﺎﻟﺐ اﺳﺖ ﻛﻪ ﺗﻮﺟﻪ ﺷﻮد ﻛﻪ در ﻣﻮرد اﺳﺘﺪﻻل ﭘﻴﺸﻴﻦ ؛ دو ﺣﺎﻟﺖ رخ ﻣﻲ‬
‫دﻫﺪ‪:‬‬
‫‪-1‬ﻛﺎرﺑﺮد ﻳﻚ ﻋﻤﻠﮕﺮ ﻳﻚ ﻣﺴﺌﻠﻪ ﺟﺪﻳﺪي را ﻛﻪ اﻧﺪازه ﻳﺎ ﺳﺨﺘﻲ آن ﻛﻤﺘﺮ از ﻣﺴﺌﻠﻪ‬
‫اﺻﻠﻲ اﺳﺖ ﺑﻪ ﺑﺎر ﻣﻲ آورد ‪.‬‬
‫‪-2‬ﻛﺎرﺑﺮد ﻳﻚ ﻋﻤﻠﮕﺮ در ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺠﺘﻤﻊ ﻳﻚ ﻣﺴﺌﻠﻪ را ﺑﻪ ﻣﺠﻤﻮﻋﻪ اي از "زﻳﺮ‬
‫ﻣﺴﺎﺋﻞ" ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‬
‫ﺷﺎﻳﺪ اﻫﻤﻴﺖ ﻛﻤﺘﺮي از ﻣﺴﺌﻠﻪ اﺻﻠﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫اراﺋﻪ ﻛﺎﻫﺶ ﻣﺴﺌﻠﻪ ﺑﻪ ﭼﻨﻴﻦ ﺳﻴﺴﺘﻤﻲ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‬
‫در ﻫﺮ ﺣﺎل ﺑﻴﻦ ﻛﺎﻫﺶ اراﺋﻪ ﻣﺴﺌﻠﻪ و ﻓﻀﺎي ﺣﺎﻟﺖ ﻳﻚ راﺑﻄﻪ وﺟﻮد داردو ﻣﻤﻜﻦ‬
‫اﺳﺖ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ در ﺗﺮﺗﻴﺐ " زﻳﺮ ﻣﺴﺌﻠﻪ " ﻫﺎ ﻣﺤﺪودﻳﺖ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻳﺎ‬
‫وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ‪ :‬اﮔﺮ ﻋﻤﻠﮕﺮ اﺻﻠﻲ در اﻧﺘﮕﺮال ﮔﻴﺮي ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﺎﺷﺪ‬
‫‪[f(x)+g(x)] dx‬‬
‫ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع ﻧﻤﺎﻳﺶ ﻣﺴﺎﺋﻞ ﺟﺪﻳﺪ ﻣﻴﺘﻮاﻧﺪ ﺑﻪ دو ﺣﺎﻟﺖ دﻳﺪه ﺷﺪه وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬
‫‪ .‬دو ﻣﺴﺌﻠﻪ ﻳﻜﭙﺎرﭼﻪ ﺟﺪﻳﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ در ﻫﺮدر ﺣﻞ ﺷﻮد‬
‫‪ .‬دو ﻣﺴﺌﻠﻪ ﻳﻜﭙﺎرﭼﻪ ﺑﻌﻼوه ﻳﻚ ﻣﺴﺌﻠﻪ ﺳﻮم ‪ f‬در اﻧﺘﮕﺮال ﺟﻤﻊ ﺷﻮد‬
‫در آﺧﺮﻳﻦ ﺣﺎﻟﺖ؛ ﺗﻜﻠﻴﻒ ﺳﻮم ﻧﻤﻲ ﺗﻮاﻧﺪ اﺟﺮا ﺷﻮد ﻣﮕﺮ اﻳﻨﻜﻪ دو ﺗﻜﻠﻴﻒ اول زودﺗﺮ‬
‫ﻛﺎﻣﻞ ﺷﻮﻧﺪ‪.‬‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪37‬‬

‫‪ 3-6‬ﺗﻌﺎرﻳﻒ‬
‫در اﻳﻦ ﻛﺘﺎب ﻣﺎ ﺑﻌﻀﻲ از ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ را ﺑﻪ دﻗﺖ ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ‪ .‬اﻣﺎ ﻗﺒﻞ از‬
‫اﻧﺠﺎم اﻳﻦ ﻛﺎر ﺗﻌﺪادي از ﺗﻌﺎرﻳﻒ اوﻟﻴﻪ را در اﻳﻨﺠﺎ ﺷﺮح ﻣﻲ دﻫﻴﻢ‪:‬‬
‫ﻧﻤﻮدار‪ :‬ﻳﻚ ﻧﻤﻮدار ﻳﻚ ﺷﻲء داده اي اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ دو ﻣﺠﻤﻮﻋﻪ اﺳﺖ ﻛﻪ رﺋﻮس و‬
‫ﻟﺒﻪ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪ V .‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻨﺎﻫﻲ و ﻏﻴﺮ ﺗﻬﻲ از ﮔﺮه ﻫﺎﺳﺖ و ‪ E‬ﻳﻚ‬
‫ﻣﺠﻤﻮﻋﻪ ﻣﺘﻨﺎﻫﻲ از ﺟﻔﺖ ﮔﺮه ﻫﺎ ﺳﺖ‪ .‬ﻫﺮ ﺟﻔﺖ در ‪ E‬ﻳﻚ ﻟﺒﻪ در ﻧﻤﻮداراﺳﺖ‪ .‬اﮔﺮ ﻫﺮ‬
‫ﺟﻔﺖ از رﺋﻮس ﺑﻪ ﺻﻮرت)‪ (i,j‬ﻣﺮﺗﺐ )ﻛﻪ ﻣﺘﻔﺎوت از )‪ (j,i‬ﻣﻲ ﺑﺎﺷﺪ( ﺷﺪه ﺑﺎﺷﺪ ﺳﭙﺲ‬
‫ﻧﻤﻮدار ﻣﺴﺘﻘﻴﻢ اﺳﺖ در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﻧﻤﻮدار ﻏﻴﺮ ﻣﺴﺘﻘﻴﻢ اﺳﺖ ‪.‬‬
‫درﺧﺖ‪ :‬ﻳﻚ درﺧﺖ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻨﺎﻫﻲ از ﻳﻚ ﻳﺎ ﭼﻨﺪ ﮔﺮه اﺳﺖ‪ .‬وﻳﻚ ﮔﺮه وﻳﮋه ﻛﻪ‬
‫رﻳﺸﻪ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮدوﺟﻮد دارد‪.‬؛ ﮔﺮه ﻫﺎي ﺑﺎﻗﻴﻤﺎﻧﺪه در ﻣﺠﻤﻮﻋﻪ ﻫﺎي ﮔﺴﺴﺘﻪ ي‬
‫‪ T1……Tn‬دﺳﺘﻪ ﺑﻨﺪي ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ ﻫﺮ ﻳﻚ از اﻳﻦ ﻣﺠﻤﻮﻋﻪ ﻫﺎ ﻳﻚ درﺧﺖ اﺳﺖ‪.‬‬
‫‪" T1……Tn‬زﻳﺮ درﺧﺖ" ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﮔﺮه رﻳﺸﻪ‪ ،‬ﮔﺮه ﻧﻬﺎﻳﻲ و ﺑﭽﻪ ﻫﺎ‪ :‬ﮔﺮه ي ﺑﺎﻻي درﺧﺖ ﻛﻪ ﭘﺪر ﻧﺪارد رﻳﺸﻪ درﺧﺖ ﻧﺎﻣﻴﺪه‬
‫ﻣﻲ ﺷﻮد‪.‬‬
‫ﮔﺮه ﻗﻌﺮ درﺧﺖ ﻛﻪ ﻓﺮزﻧﺪي ﻧﺪارد ﮔﺮه ﻧﻬﺎﻳﻲ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ .‬اﮔﺮ ﻫﺮ ﮔﺮه اي ﺑﻪ ﮔﺮه ﻫﺎ‬
‫ي دﻳﮕﺮ وﺻﻞ ﺷﺪه ﺑﺎﺷﺪ ﻳﺎ ﮔﺮه ﺷﺎﺧﻪ ﻫﺎ ﻛﻪ ﮔﺮه ﻫﺎي دﻳﮕﺮ ﺑﻪ آن وﺻﻞ ﺷﺪﻧﺪ ﻓﺮزﻧﺪ‬
‫آن ﮔﺮه ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب‪،‬ﮔﺴﺘﺮش‪،‬ﺷﺮوع‪ ،‬ﭘﺎﻳﺎن‪ :‬اﮔﺮ ﺗﻌﺪاد ﻓﺮزﻧﺪان ﻫﻤﻴﺸﻪ ﺑﺮاي ﻫﻤﻪ ﮔﺮه ﻫﺎﻳﻲ ﻛﻪ‬
‫ﻓﺮزﻧﺪ دارﻧﺪ ﻳﻜﺴﺎن اﺳﺖ اﻳﻦ ﺗﻌﺪاد ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ .‬ﭘﺮدازش ﻓﺮزﻧﺪان ﺑﻪ‬
‫دﺳﺖ آﻣﺪه از ﮔﺮه ﻫﺎ را ﮔﺴﺘﺮش ﮔﺮه ﮔﻮﻳﻨﺪ‪ .‬ﮔﺮه ﻫﺎ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﺑﺎز ﺷﻮﻧﺪ ﺗﺎ اﻳﻨﻜﻪ‬
‫ﮔﺴﺘﺮش داده ﺷﻮﻧﺪ ﺳﭙﺲ آﻧﻬﺎ ﻣﺴﺪود ﻣﻲ ﺷﻮﻧﺪ)ﮔﺮه ﭘﺎﻳﺎن(‪.‬‬
‫ﻣﺴﻴﺮ‪:‬ﻳﻚ ﻣﺴﻴﺮ از راس ‪ Up‬ﺑﻪ راس دﻳﮕﺮ‪ Uq‬ﻳﻚ ﺗﻨﺎوﺑﻲ از رﺋﻮس‬
‫)‪ ( Up,Ui1) ,……( Uin,Up‬ﻟﺒﻪ ﻫﺎ‬ ‫‪ Up,Ui1,….Uin‬اﺳﺖ ﭼﻨﺎن ﻛﻪ‬
‫در )‪ E(G‬ﻫﺴﺘﻨﺪ‪ .‬ﻃﻮل ﻣﺴﻴﺮ ﺗﻌﺪاد ﻟﺒﻪ ﻫﺎ در آن اﺳﺖ ‪.‬‬
‫ﻫﺪف‪ :‬ﻫﺪف ﻳﻚ ﻣﺴﻴﺮ از رﻳﺸﻪ درﺧﺖ ﺑﻪ ﺣﺎﻟﺖ ﻫﺪف اﺳﺖ‪ .‬ﺣﺎﻟﺖ ﻫﺪف ﻣﻤﻜﻦ اﺳﺖ‬
‫ﺑﻪ دوﺻﻮرت ﺗﻌﺮﻳﻒ ﺷﻮد‪ :‬ﺑﻪ ﺻﻮرت ﺻﺮﻳﺢ و واﺿﺢ ؛ ﻳﺎ ﺗﺮﻛﻴﺒﻲ از ﺣﺎﻟﺘﻬﺎ ﻛﻪ ﺑﻪ ﺣﺎﻟﺘﻲ‬
‫ﻣﻌﻠﻮم دﻻﻟﺖ ﻣﻲ ﻛﻨﺪ‪.‬‬
 ‫‪38‬‬

‫ﺟﺴﺘﺠﻮي ﻳﻚ راه ﺣﻞ ﺑﻮﺳﻴﻠﻪ اﻳﺠﺎد ﻳﻚ درﺧﺖ ﻓﻀﺎي ﺣﺎﻟﺖ ﻛﻪ ﺷﺎﻣﻞ ﻣﺴﻴﺮ راه ﺣﻞ‬
‫اﺳﺖ اﻧﺠﺎم ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﺮﮔﺸﺖ در ﻟﻴﺴﺖ‪:‬ﺑﺮﮔﺸﺖ در ﻟﻴﺴﺖ ﻳﻜﻲ از ﻣﻌﻤﻮﻟﺘﺮﻳﻦ ﺗﻜﻨﻴﻜﻬﺎ در ﻃﺮاﺣﻲ اﻟﮕﻮرﻳﺘﻢ‬
‫اراﺋﻪ ﻣﻲ دﻫﺪ‪ .‬ﺑﺮاي ﺑﻪ ﻛﺎرﮔﻴﺮي اﻳﻦ روش ‪ ،‬راه ﺣﻞ ﻣﻄﻠﻮب ﺑﺎﻳﺪ ﺑﺮ ﻳﻚ ﺑﺎزه ‪ n‬ﺗﺎﻳﻲ‬
‫ﺑﻪ ﺻﻮرت ) ‪ (g1…..gn‬دﻻﻟﺖ ﻛﺮدﻛﻪ ‪ gi‬از ﻣﺠﻤﻮﻋﻪ ﻣﺤﺪود از ‪ Di‬اﻧﺘﺨﺎب ﻣﻲ ﺷﻮد‪.‬‬
‫ﺣﻞ ﺷﺪه اﺳﺖ ﺑﺮاي ﺑﻴﺸﻴﻨﻪ ﺳﺎﺧﺘﻦ ﻣﻘﻴﺎس ﻛﺎرﻛﺮد ﺗﺎﺑﻊ‬ ‫اﻏﻠﺐ ﻣﺴﺌﻠﻪ ي ﻛﻪ‬
‫)‪ P(g1….gn‬ﻓﺮاﺧﻮاﻧﻲ ﻣﻲ ﺷﻮد ‪.‬‬
‫اﻛﻨﻮن ﻓﺮض ﻛﻨﻴﺪ ‪ m‬اﻧﺪازه ‪ Di‬ﺑﺎﺷﺪ‪ .‬آﻧﮕﺎه ‪ n‬ﺗﺎﻳﻲ ‪ m = m1,m2m…,mn‬وﺟﻮد‬
‫دارد ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﺣﻞ ﻣﻘﻴﺎس ﺗﺎﺑﻊ ‪ P‬ﻛﺎﻧﺪﻳﺪ ﺷﺪه ﺑﺎﺷﺪ‪.‬‬
‫روﻳﻪ"‪ "back track‬ﻓﻘﻂ ﺗﺎ ﭘﻠﻬﺎﻳﻲ ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻲ ﺷﻮﻧﺪ ارزﻳﺎﺑﻲ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫آن ﻳﻚ ﻋﻘﻴﺪه اﺳﺎﺳﻲ اﺳﺖ ﺗﺎ ﺑﺮدار راه ﺣﻞ ﻳﻚ ﺟﺰءي در ﻳﻚ زﻣﺎن ﺑﺎﻻ ﺑﺒﺮد و ﻣﻘﻴﺎس‬
‫اﺻﻼح ﺷﺪه ﺗﺎﺑﻊ ) ‪ Pi( g1,…,gn‬را اﺳﺘﻔﺎده ﻛﻨﺪ ﺑﺮاي ﺗﺴﺖ اﻳﻨﻜﻪ آﻳﺎ ﻣﺴﻴﺮ ﻣﻮﺟﻮد‬
‫ﻫﻴﭻ ﺷﺎﻧﺴﻲ ﺑﺮاي ﻣﻮﻓﻘﻴﺖ دارد ﻳﺎ ﻧﻪ‪.‬‬
‫اﮔﺮ در ﺣﺎﻟﺘﻲ اﺣﺴﺎس ﺷﻮد ﻛﻪ ﻣﺴﻴﺮ اﻧﺘﺨﺎب ﺷﺪه ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺳﻮي ﻳﻚ راه ﺣﻞ ﺑﻬﻴﻨﻪ‬
‫ﻫﺪاﻳﺖ ﺷﻮد آﻧﮕﺎه ﻣﻤﻜﻦ اﺳﺖ آزﻣﺎﻳﺶ ﻣﺴﻴﺮ اﻧﺘﺨﺎب ﺷﺪه ﻛﺎﻣﻼ" ﻧﺎدﻳﺪه ﮔﺮﻓﺘﻪ ﺷﻮد‪.‬‬
‫‪.‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﭘﻮﻳﺎ‪ :‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﭘﻮﻳﺎ ﻳﻚ روش ﻃﺮاﺣﻲ اﻟﮕﻮرﻳﺘﻢ اﺳﺖ ‪ .‬ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ‬
‫وﻗﺘﻲ اﺳﺘﻔﺎده ﺷﻮد ﻛﻪ ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ ﺑﻪ ﻋﻨﻮان ﻧﺘﻴﺠﻪ ﻳﻚ ﺗﻮاﻟﻲ از ﺗﺼﻤﻴﻤﺎت دﻳﺪه ﺷﻮد‪.‬‬
‫ﺑﻪ ﻫﺮ ﺣﺎل در ﺑﻌﻀﻲ از ﺣﺎﻻت ؛ﭼﻨﻴﻦ ﺗﺼﻤﻴﻢ ﺗﺪرﻳﺠﻲ )ﻓﻘﻂ ﺑﺮ اﺳﺎس اﻃﻼﻋﺎت ﻣﺤﻠﻲ‬
‫( ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﺳﺎﺧﺘﻦ ﻣﻘﺪور ﻧﺒﺎﺷﺪ‪ .‬ﻳﻚ راه ﺑﺮاي ﺑﺪﺳﺖ آوردن راه ﺣﻞ ﺑﻬﻴﻨﻪ در‬
‫ﭼﻨﻴﻦ ﻣﻮاردي اﻳﻦ اﺳﺖ ﻛﻪ ﻫﻤﻪ ﻣﺴﻴﺮﻫﺎي ﻣﻤﻜﻦ را اﻣﺘﺤﺎن ﻛﺮده وﺑﻬﺘﺮﻳﻦ ﻣﻮرد را‬
‫اﻧﺘﺨﺎب ﻛﻨﻴﻢ‪ .‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﭘﻮﻳﺎاﻏﻠﺐ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮي ﻣﻴﺰان ﺷﻤﺎرش را ﺑﻮﺳﻴﻠﻪ ﺟﻠﻮﮔﻴﺮي‬
‫از ﺷﻤﺎرش ﺗﺮﻛﻴﺒﻲ از ﺗﺼﻤﻴﻤﺎﺗﻲ ﻛﻪ ﻧﻤﻲ ﺗﻮاﻧﻨﺪ ﺑﻬﻴﻨﻪ ﺑﺎﺷﻨﺪ ﻛﻢ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺷﺎﺧﻪ و ﺣﺪ‪ :‬ﺷﺎﺧﻪ و ﺣﺪ ﺑﻪ ﻫﻤﻪ روﺷﻬﺎي ﺟﺴﺘﺠﻮي ﻓﻀﺎي ﺣﺎﻟﺖ ‪ ،‬ﻛﻪ ﻫﻤﻪ ﻓﺮزﻧﺪان‬
‫ﮔﺮه رﻳﺸﻪ ﻳﺎ ﮔﺮه ﺟﺎري ﻗﺒﻞ از ﻫﺮ ﮔﺮه دﻳﮕﺮي ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﮔﺮه ﺟﺎري ﺷﻮد اﻳﺠﺎد ﺷﺪه‬
‫اﻧﺪ ﻣﺮ ﺑﻮط ﻣﻲ ﺷﻮد ‪.‬‬
‫ﻗﺎﻋﺪه اﻧﺘﺨﺎب اﻳﺠﺎد ﮔﺮه ﺑﻌﺪي ‪ ،‬ﻫﻴﭻ ﺑﺮﺗﺮي ﺑﻪ ﻳﻚ ﮔﺮه ﻧﻤﻲ دﻫﺪ ﻛﻪ ﺷﺎﻧﺲ ﺧﻮﺑﻲ‬
‫ﺑﺮاي رﺳﻴﺪن از ﺟﺴﺘﺠﻮ ﺑﻪ ﮔﺮه ﺟﻮاب دارد ‪.‬‬
‫اﻳﻦ روش ﺟﺴﺘﺠﻮي ﻧﻴﺮوي ﺣﻴﻮان ﺻﻔﺖ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ وﺳﻴﻠﻪ اراﺋﻪ رﺗﺒﻪ اي ﺑﻪ ﮔﺮه ﻫﺎ ﻛﻪ‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪39‬‬

‫ﺗﺎ ﻛﻨﻮن ﻛﺎوش ﻧﺸﺪه اﻧﺪ ﺑﻬﻴﻨﻪ ﺷﻮد‪ .‬ﻻزم اﺳﺖ ﻫﺰﻳﻨﻪ ﻣﺤﺎﺳﺒﺎت ﻳﻚ " ﮔﺮه ﭘﺎﺳﺦ" از‬
‫ﮔﺮه ﺟﺎري را ﺑﺪﺳﺖ آورﻳﻢ‪.‬‬
‫اﻳﻦ ﻫﺰﻳﻨﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺗﻌﺪاد ﮔﺮه ﻫﺎي ﻻزم ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف ﻳﺎ ﻣﺠﻤﻮع ﺗﻌﺪاد‬
‫ﺳﻄﻮﺣﻲ ﻛﻪ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﮔﺮه ﻫﺪف ﻧﻴﺎز اﺳﺖ ‪ ،‬ﺑﺎﺷﺪ ‪.‬‬
‫ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ در ﻋﻤﻞ ﺑﻜﺎرﮔﻴﺮي ﺿﻮاﺑﻂ ﺑﺎﻻ ﺧﻴﻠﻲ ﻣﺸﻜﻞ اﺳﺖ ﭼﻮن ﻧﻴﺮوي ﻣﻮرد ﻧﻴﺎز‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﺰﻳﻨﻪ ﮔﺮه ﻣﻤﻜﻦ اﺳﺖ ﺧﻴﻠﻲ زﻳﺎد ﺑﺎﺷﺪ ﻛﻪ ﺷﺎﻣﻞ ﻫﺰﻳﻨﻪ ﺟﺴﺘﺠﻮي " زﻳﺮ‬
‫درﺧﺖ " از ﮔﺮه ﺟﺎري اﺳﺖ‪.‬‬

‫‪ 4-6‬ﺷﻤﺎﻫﺎي اراﺋﻪ‬
‫در ﺗﺠﺰﻳﻪ ﺑﻪ ﺧﻮﺑﻲ ﺣﻞ؛ ﺳﺎﺧﺘﺎر درﺧﺘﻲ ﺑﻄﻮر ﻣﻌﻤﻮل ﺑﺮاي ﻧﻤﺎﻳﺶ اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل در‬
‫ﺟﺴﺘﺠﻮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫در ﻧﻤﺎﻳﺶ ﻓﻀﺎي ﺣﺎﻟﺖ ‪ ،‬ﻳﻚ درﺧﺖ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﻧﻤﺎﻳﺶ ﻣﺠﻤﻮﻋﻪ اي از ﺣﺎﻟﺘﻬﺎي‬
‫ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﺷﻮد ﻛﻪ ﺑﻮﺳﻴﻠﻪ ﻛﺎرﺑﺮد ﻋﻤﻠﮕﺮﻫﺎ ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮد‪.‬‬
‫در ﭼﻨﻴﻦ ﻧﻤﺎﻳﺸﻲ ‪ ،‬رﻳﺸﻪ درﺧﺖ ﺣﺎﻟﺖ ﻣﺴﺌﻠﻪ اوﻟﻴﻪ ﻳﺎ ﻣﻮﻗﻌﻴﺖ را اراﺋﻪ ﻣﻲ دﻫﺪ ‪ .‬ﻫﺮ ﻳﻚ‬
‫از ﺣﺎﻻت ﺟﺪﻳﺪ ﻣﻴﺘﻮاﻧﻨﺪ ﺑﻮﺳﻴﻠﻪ اﻋﻤﺎل ﻳﻚ ﻋﻤﻠﮕﺮﺑﻪ رﻳﺸﻪ ﻛﻪ ﺑﻪ ﻋﻨﻮان ﮔﺮه ﺟﺎﻧﺸﻴﻦ‬
‫ﮔﺮه رﻳﺸﻪ اراﺋﻪ ﻣﻲ ﺷﻮﻧﺪ ﺑﺪﺳﺖ ﺑﻴﺎﻳﻨﺪ‪.‬‬
‫ﻛﺎرﺑﺮد ﻋﻤﻠﮕﺮ ﺑﺮاي اﻳﻦ ﮔﺮه ﻫﻬﺎ ﺟﺎﻧﺸﻴﻦ ﺑﻌﺪي را ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﺑﻪ ﻫﺮ ﺣﺎل در ﻋﻤﻞ ؛ ﺣﺎﻟﺖ ﻫﺎ ﺑﻮﺳﻴﻠﻪ ﻳﻚ ﮔﺮاف ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮﻧﺪ ﺗﺎ ﻳﻚ درﺧﺖ‬
‫زﻣﺎﻧﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﻣﺴﻴﺮﻫﺎي ﻣﺨﺘﻠﻔﻲ از رﻳﺸﻪ ﺑﻪ ﮔﺮه داده ﺷﺪه وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫در ﻛﻨﺎر درﺧﺖ و ﮔﺮاﻓﻬﺎ ﺷﻤﺎﻫﺎي ﻧﻤﺎﻳﺶ دﻳﮕﺮ ﺷﺎﻣﻞ ﮔﺮاﻓﻬﺎي ‪ AND/OR‬اﺳﺖ ﻛﻪ ﻛﻪ‬
‫در روش ﺣﻞ ﻣﺴﺌﻠﻪ ﺷﺎﻣﻞ ﻛﺎﻫﺶ ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫آﻧﻬﺎ اﺑﺰاري را ﺑﺮاي ﺑﺪﺳﺖ آوردن "زﻳﺮﻫﺪف" ﻫﺎ ﻓﺮاﻫﻢ ﻣﻲ آورﻧﺪ ﻛﻪ ﺗﺮﻛﻴﺒﻲ اﺳﺖ ﻛﻪ‬
‫ﺑﺮاي ﺑﺪﺳﺖ آوردن ﻫﺪف ﻣﻄﻠﻮب ﻛﺎﻓﻲ اﺳﺖ‪.‬‬
‫در اﻳﻨﺠﺎ ﺷﻜﻞ ‪ 1-6‬ﻳﻚ ﻧﻤﺎﻳﺶ ﺳﺎده از ﻳﻚ درﺧﺖ اﺳﺖ ﻛﻪ ﺣﺎﻟﺘﻬﺎي ﻣﺨﺘﻠﻔﻲ را ﺑﺎ ﻫﻢ‬
‫و ﺑﺎ ﺗﻐﻴﻴﺮ ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻧﻤﺎﻳﺸﻲ از ﺗﻐﻴﻴﺮ ازﺣﺎﻟﺘﻲ ﺑﻪ ﺣﺎﻟﺖ دﻳﮕﺮ ﺑﺎ ﻛﺎرﺑﺮد‬
‫ﻳﻚ ﻋﻤﻠﮕﺮ در ﻳﻚ ﺷﺎﺧﻪ از درﺧﺖ درﺷﻜﻞ ‪ 2-6‬داده ﺷﺪه اﺳﺖ‪.‬‬
 ‫‪40‬‬

‫ﺷﻜﻞ ‪1-6‬‬

‫ﻳﻚ ﻣﺴﺌﻠﻪ ﺟﺴﺘﺠﻮي ﭘﺎﻳﻪ اي در ﺷﻜﻞ ‪ 1-6‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪ .‬ﻳﻚ ﻣﺴﻴﺮ از ﮔﺮه‬
‫ﺷﺮوع )‪ (S‬ﺑﻪ ﮔﺮه ﻫﺪف )‪ (G‬ﭘﻴﺪا ﺷﺪه اﺳﺖ ‪.‬‬
‫ﺷﻜﻞ‪ 2-6‬روﻳﻪ ﻫﺎي ﺟﺴﺘﺠﻮ درﺧﺘﻬﺎ را ﻣﺎﻧﻨﺪ اﻳﻨﻬﺎ ﻛﺎوش ﻣﻲ ﻛﻨﻨﺪ ‪.‬‬

‫ﺷﻜﻞ ‪2-6‬‬

‫اﻳﻦ ﭘﻴﺶ زﻣﻴﻨﻪ ﺑﻪ ﻣﺎ اﺟﺎزه ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻪ روﻳﻪ ﻣﻌﻤﻮﻟﻲ ﺣﻞ ﻣﺴﺌﻠﻪ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﻧﻈﺮي ﺑﻴﻨﺪازﻳﻢ ‪.‬‬

‫‪ 5-6‬ﺣﻞ ﻣﺴﺌﻠﻪ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫روﻳﻪ اوﻟﻴﻪ ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ در ‪ AI‬ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت زﻳﺮ ﻧﻮﺷﺘﻪ ﺷﻮد ‪:‬‬
‫روﻳﻪ ﺗﻮﻟﻴﺪ‬
‫ﭘﺎﻳﮕﺎه داده اوﻟﻴﻪ‬ ‫‪ -1‬داده‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪41‬‬

‫‪ -2‬ﺑﻌﻀﻲ ﻗﻮاﻧﻴﻨﻲ‪ R‬را از ﻣﺠﻤﻮ ﻋﻪ اي از ﻗﻮاﻧﻴﻦ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ داده اﻋﻤﺎل ﺷﻮﻧﺪ‬

‫اﻧﺘﺨﺎب ﻛﻦ‬
‫ﻧﺘﻴﺠﻪ اﻋﻤﺎل ﻗﺎﻋﺪه ﺑﻪ داده ﻫﺎ‬ ‫‪ -3‬داده‬
‫ﭘﺎﻳﺎن ﭘﺮدازش‬
‫در روﻳﻪ ﺑﺎﻻ ﻣﺴﺌﻠﻪ ﻛﻨﺘﺮل ﺑﻨﻴﺎدي اﻧﺘﺨﺎب ﻗﻮاﻧﻴﻦ ‪ R‬ﺑﺮاي ﻛﺎرﺑﺮد در ﭘﺎﻳﮕﺎه داده اﺳﺖ ﻳﻚ‬
‫ﻣﺸﺨﺼﻪ ﻣﻬﻢ در اﻳﻦ ﻣﻼﺣﻈﻪ ﻣﻴﺰان اﻃﻼﻋﺎت و آﮔﺎﻫﻲ در دﺳﺖ ﻛﻪ اﻳﻦ ﺗﺨﻤﻴﻦ ﻫﺎ ﺑﻪ‬
‫ﻛﺎر ﻣﻲ ﺑﺮﻧﺪ ‪.‬‬
‫ﭼﻨﻴﻦ روﻳﻪ ﺟﺴﺘﺠﻮﻳﻲ اﻃﻼﻋﺎﺗﺶ را ﻣﺎﻧﻨﺪ روﻳﻪ ﺟﺴﺘﺠﻮي " ﻛﺸﻒ ﻛﻨﻨﺪه‪/‬ﻣﻄﻠﻊ" ﺑﻜﺎر‬
‫ﻣﻲ ﺑﺮد ﺑﺮ ﺧﻼف ﻳﻚ روﻳﻪ ﺟﺴﺘﺠﻮي " ﻛﻮر‪/‬ﻧﺎﺑﻴﻨﺎ "ﺟﺎﻳﻲ ﻛﻪ اﻧﺘﺨﺎﺑﻬﺎ دﻟﺨﻮاﻫﺎﻧﻪ اﻧﺠﺎم‬
‫ﻣﻲ ﺷﻮد و ﻣﺆﺛﺮ ﺑﻮدن ﻣﺤﺎﺳﺒﺎت ﻳﻚ ﺟﺴﺘﺠﻮ ﺑﺴﺘﮕﻲ ﺑﻪ ﻃﻴﻒ )ﺑﻲ اﻃﻼﻋﻲ ‪ /‬ﻣﻄﻠﻊ ( در‬
‫اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل دارد ‪.‬‬
‫اﻳﻦ ﻣﻮﺛﺮ ﺑﻮدن ﺑﺎ دوﻧﻮع ﻫﺰﻳﻨﻪ اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﺷﻮد‪ :‬ﻫﺰﻳﻨﻪ ﻛﺎرﺑﺮد ﻗﻮاﻧﻴﻦ و ﻫﺰﻳﻨﻪ ﻛﻨﺘﺮل‬
‫اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل ﻛﺎﻣﻼ" ﺑﻲ اﻃﻼع ﻓﻘﻂ ﻳﻚ ﻣﺤﺎﺳﺒﺎت ﻛﻨﺘﺮﻟﻲ ﻛﻮﭼﻚ ﺑﻪ وﺟﻮد ﻣﻲ آورد‪.‬‬
‫ﺑﻪ ﻫﺮ ﺣﺎل ﻧﺘﻴﺠﻪ ﭼﻨﻴﻦ اﺳﺘﺮاﺗﮋي در ﻫﺰﻳﻨﻪ ‪،‬درﺧﻮاﺳﺖ ﻗﻮاﻧﻴﻦ ﺑﺎﻻ اﺳﺖ و ﺗﻌﺪاد زﻳﺎدي‬
‫از درﺧﻮاﺳﺖ ﻗﻮاﻧﻴﻦ ﺑﺮاي ﭘﻴﺪا ﻛﺮدن راه ﺣﻞ ﺑﺮاي آﮔﺎﻫﻲ دادن ﻳﻚ اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل‬
‫درﺑﺎره ﻗﻠﻤﺮو ﻣﺴﺌﻠﻪ را ﻻزم دارد ‪.‬‬
‫‪ 6-6‬ﺗﻜﻨﻴﻚ ﻫﺎي ﺟﺴﺘﺠﻮي ﻛﻮرﻛﻮراﻧﻪ‬
‫اﮔﺮ ﭼﻪ ﺗﻜﻨﻴﻚ ﻫﺎي ﺟﺴﺘﺠﻮي ﻧﺎ آﮔﺎﻫﺎﻧﻪ ﺑﺮاي ﻣﺴﺎﺋﻞ ﻛﻠﻲ ﻋﻤﻠﻲ ﻧﻴﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل‬
‫ﻳﻚ ﭘﺎﻳﻪ اي را ﺑﺮاي درك اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮي آﮔﺎﻫﺎﻧﻪ ﻓﺮاﻫﻢ ﻣﻲ آورد‪.‬‬
‫ﻫﻤﻪ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺟﺴﺘﺠﻮ ﻓﺮﺿﻬﺎي زﻳﺮ را ﺑﻪ وﺟﻮد ﻣﻲ آورﻧﺪ‪:‬‬
‫ﻳﻚ ﮔﺮه ﻣﻲ ﺗﻮاﻧﺪ ﺑﻮﺳﻴﻠﻪ ﺑﻌﻀﻲ روﻳﻪ ﻫﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﻣﺎﻧﻨﺪ روﻳﻪ ﮔﺴﺘﺮش ‪ ،‬ﺗﻮﺳﻌﻪ‬
‫ﻳﺎﺑﺪ‪.‬‬
‫ﮔﺮاف ﻓﻀﺎي ﺣﺎﻟﺖ ﻳﻚ درﺧﺖ اﺳﺖ ﻛﻪ دﻻﻟﺖ دارد ﺑﻪ اﻳﻨﻜﻪ ﻓﻘﻂ ﻳﻚ ﺣﺎﻟﺖ ﺷﺮوع و‬
‫ﻳﻚ راه ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد از ﻳﻚ ﮔﺮه ﺑﻪ دﻳﮕﺮي وﺟﻮد دارد‪.‬‬
‫ﻫﺮ وﻗﺖ ﻳﻚ ﮔﺮه ﮔﺴﺘﺮش داده ﻣﻲ ﺷﻮد ﺗﺎ ﻓﺮزﻧﺪاﻧﺶ را ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﻳﻚ اﺷﺎره ﮔﺮ ﺑﻪ‬
‫ﻋﻘﺐ از ﻓﺮزﻧﺪان ﺑﻪ واﻟﺪ اﻳﺠﺎد ﻣﻲ ﺷﻮد ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ وﻗﺘﻲ ﻳﻚ ﮔﺮه ﻫﺪف ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ وﻳﮋﮔﻴﻬﺎ دﻧﺒﺎل ﻛﺮدن ﻣﺴﻴﺮ راه ﺣﻞ را ﻣﻤﻜﻦ‬
‫ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺑﺮاي ﺗﻤﺎم روﺷﻬﺎي ﺟﺴﺘﭽﻮ درﺧﺖ داده ﺷﺪه در ﺷﻜﻞ ‪ 6-3‬ﺣﺎﻟﺖ ﺷﺮوع‬
 ‫‪42‬‬

‫ﻣﺴﺌﻠﻪ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬

‫ﺷﻜﻞ ‪3-6‬‬
‫‪ 1-6-6‬ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ‬
‫در ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ ‪ ،‬ﻣﺎ از ﻳﻚ ﮔﺮه اوﻟﻴﻪ ‪ S‬ﺷﺮوع ﻣﻲ ﻛﻨﻴﻢ و آن را ﺑﻪ ﻋﻨﻮان ﮔﺮه‬
‫ﻣﻼﻗﺎت ﺷﺪه ﻋﻼﻣﺖ ﮔﺬاري ﻣﻲ ﻛﻨﻴﻢ ‪.‬‬
‫ﺳﭙﺲ ‪ S‬ﺑﺮاي ﺑﺪﺳﺖ آوردن ﻫﻤﻪ ﮔﺮه ﻫﺎي دﻳﮕﺮ ﺑﻪ ﺗﺮﺗﻴﺐ ﻧﺰدﻳﻜﻲ ﺑﻪ ‪ ، S‬ﮔﺴﺘﺮش داده‬
‫ﻣﻲ ﺷﻮد ‪ .‬اﻳﻦ ﺑﻮﺳﻴﻠﻪ ﺗﻌﺪاد ﻟﺒﻪ ﻫﺎي ﺑﻴﻦ آﻧﻬﺎ اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﺷﻮد‪ .‬ﻣﺎ ﭘﻴﻤﺎن ﻧﺎﻣﻪ اي‬
‫ﻛﻪ در ﺷﻴﻮه " ﭼﭗ ﺑﻪ راﺳﺖ " آزﻣﻮده ﺷﺪه اﺳﺖ را اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﻳﻌﻨﻲ ﺗﻤﺎم‬
‫ﻋﻤﻠﮕﺮﻫﺎي ﻣﻤﻜﻦ ﺳﻄﺢ ‪ n‬ﻗﺒﻞ از ﻫﺮ ﻋﻤﻠﮕﺮ دﻳﮕﺮي در ﺳﻄﺢ ‪ n+1‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ‬
‫ﺷﻮد ‪.‬‬
‫اﮔﺮ ﭼﻪ اﻳﻦ روﻳﻪ ﻣﻤﻜﻦ اﺳﺖ ﺧﻴﻠﻲ ﻃﻮﻻﻧﻲ ﺑﺎﺷﺪ ﺑﺎ اﻳﻦ ﺣﺎل ﻳﻚ راه ﺑﻬﻴﻨﻪ ﺑﺮاي ﻫﺪف‬
‫ﭘﻴﺪا ﻣﻲ ﺷﻮد اﮔﺮ ﭼﻨﻴﻦ راﻫﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ ﺑﻮﺳﻴﻠﻪ اﻟﮕﻮرﻳﺘﻢ زﻳﺮ ﺷﺮح داده ﻣﻲ ﺷﻮد‪:‬‬
‫‪ -1‬از ﻳﻚ ﺻﻒ ﻳﻚ ﻋﺎﻣﻠﻲ ﺷﺎﻣﻞ ﮔﺮه رﻳﺸﻪ ‪.‬‬

‫‪ -2‬ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ ﻳﺎ ﻫﺪف در دﺳﺘﺮس اﺳﺖ ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ‬
‫اوﻟﻴﻦ ﻋﺎﻣﻞ در ﺻﻒ ﮔﺮه ﻫﺪف اﺳﺖ ‪.‬‬
‫‪ (a‬اﮔﺮ ﻋﻨﺼﺮ اول ﮔﺮه ﻫﺪف اﺳﺖ ﺳﭙﺲ ﻋﻤﻠﻲ اﻧﺠﺎم ﻧﺪﻫﻴﺪ‪.‬‬
‫‪ (b‬اﮔﺮ ﻋﻨﺼﺮ اول ﮔﺮه ﻫﺪف ﻧﻴﺴﺖ ﺳﭙﺲ ﻋﻨﺼﺮ اول را از ﺻﻒ ﺣﺬف ﻛﻨﻴﺪ و‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪43‬‬

‫ﻓﺮزﻧﺪان ﻋﻨﺼﺮ اول را اﺿﺎﻓﻪ ﻛﻨﻴﺪ‪.‬‬

‫‪ -3‬اﮔﺮ ﻫﺪف ﻳﺎﻓﺖ ﺷﺪ اﻋﻼم ﻣﻮﻓﻘﻴﺖ اﺳﺖ در ﻏﻴﺮ اﻳﻨﺼﻮرت اﻋﻼم ﺷﻜﺴﺖ اﺳﺖ‪.‬‬
‫در ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ ﭘﺮدازش ﺳﻄﺢ ﺑﻪ ﺳﻄﺢ رو ﺑﻪ ﭘﺎﻳﻴﻦ اﻧﺠﺎم ﻣﻲ ﺷﻮد ﺗﺎاﻳﻨﻜﻪ‬
‫ﻫﺪف ﺑﻪ دﺳﺖ آﻳﺪ‬
‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺸﺎﻫﺪه زﻳﺮ را در ﺑﺎره ﺟﺴﺘﺠﻮ ﻫﺎي ﺳﻄﺤﻲ اﻳﺠﺎد ﻧﻤﺎﻳﻴﻢ‪.‬‬
‫و آن ﻳﻚ اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮي ﺳﻴﺴﺘﻤﺎﺗﻴﻚ اﺳﺖ ﻛﻪ ﻫﻤﻪ ﮔﺮه ﻫﺎ در ﺳﻄﺢ ﻳﻚ و‬
‫ﺳﭙﺲ ﻫﻤﻪ ﺣﺎﻟﺘﻬﺎ در ﺳﻄﺢ ‪ 2‬و ﻏﻴﺮه در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮد‪.‬اﮔﺮ راه ﺣﻠﻲ وﺟﻮد داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ اﻳﻦ ﺟﺴﺘﺠﻮ ﺗﻀﻤﻴﻦ ﻣﻲ ﻛﻨﺪ ﻛﻪ آﻧﺮا ﺑﻴﺎﺑﺪ ‪.‬و اﮔﺮ ﭼﻨﺪﻳﻦ راه ﺣﻞ وﺟﻮد داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ اﺑﺘﺪا ﻛﻢ ﻋﻤﻖ ﺗﺮﻳﻦ وﺿﻌﻴﺖ ﻫﺪف را ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫‪ 7-6‬روﻳﻪ ارﺗﺒﺎﻃﺎت و اﻧﺸﻌﺎب ﺑﺎ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﭘﻮﻳﺎ‬
‫‪-1‬از ﺻﻒ ﻣﺴﻴﺮﻫﺎي ﻧﺎﻗﺺ_ﺻﻒ اوﻟﻴﻪ ﺷﺎﻣﻞ ﻃﻮل ﻣﺴﻴﺮ ﺻﻔﺮ و ﻗﺪم ﺻﻔﺮ از ﮔﺮه رﻳﺸﻪ‬
‫ﺑﻪ ﻫﻴﭻ ﻣﻜﺎﻧﻲ اﺳﺖ‪.‬‬
‫‪-2‬ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ ﻳﺎ ﺑﻪ ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮده اﺳﺖ‪.‬اﮔﺮ اوﻟﻴﻦ ﻣﺴﻴﺮ در‬
‫ﺻﻒ ﺑﻪ ﮔﺮه ي ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮد ‪ ،‬ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪:‬‬
‫‪ (a‬اﮔﺮ اوﻟﻴﻦ ﻣﺴﻴﺮ ﺑﻪ ﮔﺮه ي ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮد ﻛﺎري اﻧﺠﺎم ﻧﺪﻫﻴﺪ‬
‫‪ (b‬اﮔﺮ اوﻟﻴﻦ ﻣﺴﻴﺮ ﺑﻪ ﮔﺮه ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻧﻜﺮد‪:‬‬
‫‪ (I‬ﺑﺮداﺷﺖ ﻣﺴﻴﺮ اول از ﺻﻒ‬
‫‪ (ii‬در ﻣﺴﻴﺮ ﺟﺪﻳﺪ ﺗﻮﺳﻌﻪ اوﻟﻴﻦ ﻗﺪم ﺑﻮﺳﻴﻠﻪ ي ﻣﺴﻴﺮ ﺑﺮداﺷﺘﻪ ﺷﺪه‪.‬‬
‫‪ (iii‬اﺿﺎﻓﻪ ﻛﺮدن ﻣﺴﻴﺮﻫﺎي ﺟﺪﻳﺪ ﺑﻪ ﺻﻒ‬
‫‪ (iv‬ﻣﺮﺗﺐ ﺳﺎزي ﺻﻒ ﺑﻮﺳﻴﻠﻪ ي ﺟﻤﻊ ﺑﻨﺪي ﻫﺰﻳﻨﻪ در ﻣﻘﺎﺑﻞ ﺑﺎ ﻫﺰﻳﻨﻪ ي ﻛﻤﺘﺮ ﻣﺴﻴﺮﻫﺎ‬
‫‪ (v‬اﮔﺮ ‪ 2‬ﻣﺴﻴﺮ ﻳﺎ ﻣﺴﻴﺮﻫﺎي ﺑﻴﺸﺘﺮي ﺑﻪ ﻳﻚ ﮔﺮه دﺳﺖ ﻳﺎﻗﺖ ﺗﻤﺎم ﻣﺴﻴﺮﻫﺎي دﻳﮕﺮ را‬
‫ﺣﺬف ﻛﻨﻴﺪ ﺑﻪ ﺟﺰ ان ﻣﺴﻴﺮي ﻛﻪ ﺑﻪ آن ﮔﺮه ﺑﺎ ﻛﻤﺘﺮﻳﻦ ﻫﺰﻳﻨﻪ دﺳﺘﺮﺳﻲ دارد‪.‬‬
‫‪(3‬اﮔﺮ ﻫﺪف ﭘﻴﺪا ﺷﺪ اﻋﻼم ﻣﻮﻓﻘﻴﺖ اﺳﺖ وﮔﺮ ﻧﻪ اﻋﻼم ﺷﻜﺴﺖ اﺳﺖ‪.‬‬
‫ﭘﺎﻳﺎن ارﺗﺒﺎط و اﻧﺸﻌﺎب ﺑﺎ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﭘﻮﻳﺎ‬
‫ﺟﺴﺘﺠﻮي ارﺗﺒﺎط و اﻧﺸﻌﺎب ﺑﻮﺳﻴﻠﻪ ي ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﭘﻮﻳﺎ ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ ﻛﻪ‬
‫ﻣﺴﻴﺮ ‪ S_D_E_F_G‬ﺑﻬﻴﻨﻪ اﺳﺖ‪ .‬ارﻗﺎم در ﻛﻨﺎر ﮔﺮه ﻫﺎ ﻓﺎﺻﻠﻪ ﻫﺎ را ﺟﻤﻊ ﻛﺮده اﻧﺪ‪.‬‬
‫ﮔﺮه ﻫﺎي ﺣﺬف ﺷﺪه ﺑﻲ ﻓﺎﻳﺪه ﻣﺸﺨﺺ ﺷﺪه اﻧﺪ‪ .‬ﮔﺮه ﻫﺎي ﻛﻤﺘﺮ ﺑﺎ ﻋﻤﻠﻴﺎت ﺟﺴﺘﺠﻮي‬
‫ارﺗﺒﺎط و اﻧﺸﻌﺎب ﺑﺪون ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﭘﻮﻳﺎ ﮔﺴﺘﺮش ﭘﻴﺪا ﻛﺮده اﻧﺪ‪.‬‬
 ‫‪44‬‬

‫روﻳﻪ ‪: A‬‬
‫روﻳﻪ ‪ A‬ﻳﻚ ﺟﺴﺘﺠﻮي ارﺗﺒﺎط و اﻧﺸﻌﺎب اﺳﺖ ﻛﻪ ﺑﺎ ﺑﺮاوردي از ﻓﺎﺻﻠﻪ ﺑﺎﻗﻲ ﻣﺎﻧﺪه ﺑﺎ‬
‫روﻧﺪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﭘﻮﻳﺎ ﺗﺮﻛﻴﺐ ﺷﺪه اﺳﺖ‪ .‬اﮔﺮ ﺗﺨﻤﻴﻦ ﻓﺎﺻﻠﻪ ي ﺑﺎﻗﻲ ﻣﺎﻧﺪه ي ﻛﻤﺘﺮ از‬
‫ﻓﺎﺻﻠﻪ واﻗﻌﻲ ﺑﺎﺷﺪ‪ .‬ﺳﭙﺲ روﻳﻪ‪ A‬راه ﺣﻞ ﺑﻬﻴﻨﻪ را اراﺋﻪ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮ اﻳﻦ روﻳﻪ‬
‫ﺟﺴﺘﺠﻮي ‪ A‬اﻳﻦ اﺳﺖ‪:‬‬
‫روش ‪:A‬‬
‫‪ -1‬از ﻳﻚ ﺻﻒ ﻣﺴﻴﺮﻫﺎي ﻧﺎﻗﺺ_ ﺻﻒ اوﻟﻴﻪ ﺷﺎﻣﻞ ﻃﻮل ﻣﺴﻴﺮ ﺻﻔﺮ‪ ،‬ﮔﺎم ﺻﻔﺮ از ﮔﺮه‬
‫ي رﻳﺸﻪ ﺑﻪ ﻫﻴﭻ ﻣﻜﺎﻧﻲ اﺳﺖ‪.‬‬
‫‪ -2‬ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ ﻳﺎ ﺑﻪ ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮده اﺳﺖ اوﻟﻴﻦ ﻣﺴﻴﺮ در‬
‫ﺻﻒ را ﻛﻪ ﺑﻪ ﮔﺮه ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮده را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬
‫‪ (a‬اﮔﺮ اوﻟﻴﻦ ﻣﺴﻴﺮ ﺑﻪ ﮔﺮه ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻛﺮد ﻛﺎري اﻧﺠﺎم ﻧﺪﻫﻴﺪ‪.‬‬
‫‪ (b‬اﮔﺮ اوﻟﻴﻦ ﻣﺴﻴﺮ ﺑﻪ ﮔﺮه ي ﻫﺪف دﺳﺘﺮﺳﻲ ﭘﻴﺪا ﻧﻜﺮد‪:‬‬
‫‪ (I‬ﺑﺮداﺷﺘﻦ اوﻟﻴﻦ ﻣﺴﻴﺮ از ﺻﻒ‬
‫‪ (II‬در ﻣﺴﻴﺮ ﺟﺪﻳﺪ ﺗﻮﺳﻌﻪ اوﻟﻴﻦ ﻗﺪم ﺑﻮﺳﻴﻠﻪ ي ﻣﺴﻴﺮ ﺑﺮداﺷﺘﻪ ﺷﺪه‬
‫‪ (III‬اﺿﺎﻓﻪ ﻛﺮدن ﻣﺴﻴﺮ ﺟﺪﻳﺪ ﺑﻪ ﺻﻒ‬
‫‪ (IV‬ﻣﺮﺗﺐ ﺳﺎزي ﺻﻒ ﺑﻮﺳﻴﻠﻪ ي ﺟﻤﻊ ﺑﻨﺪي ﻫﺰﻳﻨﻪ در ﻣﻘﺎﺑﻞ ﺑﺎ ﻣﺴﻴﺮﻫﺎﻳﻲ ﺑﺎ ﻛﻤﺘﺮﻳﻦ‬
‫ﻫﺰﻳﻨﻪ‬
‫‪ (V‬اﮔﺮ ‪ 2‬ﻳﺎ ﺗﻌﺪاد ﺑﻴﺸﺘﺮي ﺑﻪ ﻳﻚ ﮔﺮه دﺳﺖ ﻳﺎﺑﻨﺪ ﺗﻤﺎم ﻣﺴﻴﺮﻫﺎي دﻳﮕﺮ را ﺣﺬف ﻛﻨﻴﺪ‬
‫ﺑﻪ ﺟﺰ آن ﻣﺴﻴﺮي ﻛﻪ ﺑﻪ آن ﮔﺮه ﺑﺎ ﻛﻤﺘﺮﻳﻦ ﻫﺰﻳﻨﻪ دﺳﺘﺮﺳﻲ دارد‪.‬‬
‫‪-3‬اﮔﺮ ﻫﺪف ﭘﻴﺪا ﺷﺪ اﻋﻼم ﻣﻮﻓﻘﻴﺖ اﺳﺖ وﮔﺮ ﻧﻪ اﻋﻼم ﺷﻜﺴﺖ اﺳﺖ ‪.‬‬
‫ﭘﺎﻳﺎن ‪A‬‬

‫‪ 8-6‬ﺟﺴﺘﺠﻮي ﺑﺎزي‬
‫ﺑﺎزي ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﺷﻄﺮﻧﺞ ‪ ،‬ﭼﻜﺮز‪ ،‬ﺗﻴﻚ ﺗﺎك ﻧﻮ و ﻏﻴﺮه ﻧﻮع دﻳﮕﺮي ﺟﺴﺘﺠﻮ ﻧﻴﺎز دارﻧﺪ‪.‬‬
‫ﮔﺮه دردرﺧﺖ ﺑﺎزي ﻧﺸﺎن دﻫﻨﺪه ي ﺗﺮﻛﻴﺒﺎت ﺻﻔﺤﻪ ي ﺷﻄﺮﻧﺞ و ﺷﺎﺧﻪ ﻫﺎ ﻧﺸﺎن دﻫﻨﺪة‬
‫ﺗﻐﻴﻴﺮ ﺷﻜﻞ ازﺗﺮﻛﻴﺐ ﻳﻚ ﺻﻔﺤﻪ ﺑﻪ ﺻﻔﺤﻪ ي دﻳﮕﺮ اﺳﺖ‪ .‬ﺗﺼﻤﻴﻤﺎت ﺑﻮﺳﻴﻠﻪ ي ‪ 2‬ﻧﻔﺮ ﻳﺎ‬
‫ﺣﺮﻳﻔﺎن ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ ﻫﺮ ﻛﺪام ﻳﻚ ﺗﺼﻤﻴﻢ در ﻫﻨﮕﺎم ﻧﻮﺑﺘﺸﺎن ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬ﺗﻮﺟﻪ‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪45‬‬

‫ﻛﻨﻴﺪ در ﺑﺎزي ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﺷﻄﺮﻧﺞ ﻳﻚ ﺣﺮﻛﺖ ﺑﻪ ﻣﻌﻨﻲ ﺣﺮﻛﺖ ﻣﻨﻔﺮد ﻳﻚ ﺑﺎزﻳﻜﻦ و‬
‫ﺟﻮاب ﺣﺮﻳﻔﺶ ﻣﻲ ﺑﺎﺷﺪ‪ .‬در اﻳﻦ ﺟﺎ ﺑﻄﻮر ﻏﻴﺮ رﺳﻤﻲ ﺣﺮﻛﺖ ﺑﻪ ﻋﻤﻞ ﻣﻨﻔﺮد ﻳﻚ ﻓﺮد ﺑﺮ‬
‫ﻣﻲ ﮔﺮدد‪.‬‬
‫ﺑﺎزي ﻫﺎ ﻧﻴﺎزﻣﻨﺪ روﻳﻪ ﻫﺎي ﺟﺴﺘﺠﻮي ﻣﺨﺘﻠﻔﻲ ﻫﺴﺘﻨﺪ ﻧﺴﺒﺖ ﺑﻪ ﭼﻴﺰي ﻛﻪ ﻣﺎ ﺑﺎ آن ﻗﺒﻼ‬
‫ﻣﻮاﺟﻪ ﺷﺪﻳﻢ‪ .‬روﺷﻬﺎي ﺟﺴﺘﺠﻮي اﺟﺒﺎري ﺣﻴﻮاﻧﻲ ﻗﻄﻌﺎ ﺧﺎرج ﺷﺪه اﻧﺪ‪ .‬اﻳﻦ ﺑﻪ ﺧﺎﻃﺮ ان‬
‫اﺳﺖ ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺷﻄﺮﻧﺞ اﮔﺮ ﻣﺎ ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻣﻮﺛﺮ را ‪ 16‬و ﻋﻤﻖ ‪ 100‬در‬
‫ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ﺳﭙﺲ ﺗﻌﺪاد اﻧﺸﻌﺎﺑﻬﺎ اﺣﺘﻤﺎل ﺧﺴﺘﻪ ﻛﻨﻨﺪه اي ﺑﻄﻮر ﺗﻘﺮﻳﺒﻲ ‪ 100‬ﺧﻮاﻫﺪ ﺑﻮد‬
‫ﻛﻪ ﺑﻄﻮر ﻣﺴﺨﺮه آﻣﻴﺰي ﻳﻚ ﻋﺪد ﺑﺰرگ اﺳﺖ‪.‬‬
‫از ﻃﺮف دﻳﮕﺮ اﮔﺮ ﻣﻘﺪاري را ﺑﻌﻨﻮان ازﻣﺎﻳﺸﻲ ﺑﺮاي اﻧﺘﺨﺎب ﺣﺮﻛﺖ ﺑﻌﺪي ﻣﺎن ﻓﺮض ﻣﻲ‬
‫ﻛﻨﻴﻢ ﺳﺮاﻧﺠﺎم ﻣﺎ ﻧﺘﺎﻳﺞ ﺿﻌﻴﻔﻲ را ﺧﻮاﻫﻴﻢ ﮔﺮﻓﺖ‪ .‬ﺑﻨﺎﺑﺮ اﻳﻦ اﻳﻦ ﻗﺒﻴﻞ ﺗﻜﻨﻴﻚ ﻫﺎ ﻧﻴﺎزﻣﻨﺪ‬
‫ﻳﻚ آﻧﺎﻟﻴﺰور ﻣﻮﻗﻌﻴﺖ اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻌﺪ از آﻧﻜﻪ ﺑﺎزي از ﻃﺮﻳﻖ ﺣﺮﻛﺎت ﻣﺮاﺣﻞ‬
‫ﻣﺨﺘﻠﻒ ﺗﻮﺳﻌﻪ ﭘﻴﺪا ﻛﺮد اﺳﺘﻔﺎده ﺷﻮد‪ .‬ﺑﺎﻳﺪ ﺑﻪ ﺣﺪ ﻛﺎﻓﻲ در دﻗﺖ ﺷﻮد ﻛﻪ در ﻣﺠﻤﻮﻋﻪ‬
‫ﻓﻮران رخ ﻧﺪﻫﺪ‪ .‬ﺑﻪ اﻳﻦ دﻟﻴﻞ ﭘﺲ از ﻳﻚ ﻋﻤﻖ ﻣﻨﻄﻘﻲ ‪ ،‬ﻣﻮﻗﻌﻴﺖ ﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮ ﻃﺒﻖ‬
‫ﻳﻚ ﺣﺮﻛﺖ رو ﺑﻪ ﺟﻠﻮ ﻧﮕﻬﺪاري ﺷﻮﻧﺪ‪ .‬اﻳﻦ ﺑﺮ اﺳﺎس ﻳﻚ ﺗﺼﻮري اﺳﺖ ﻛﻪ ﺣﺮﻛﺎت‬
‫ﻣﻮﻗﻌﻴﺖ ﻫﺎي ﻗﻄﻌﻲ را ﺑﻪ ﻋﻨﻮان ﭘﻴﺸﺮﻓﺖ ﻫﺎي ﺑﺎزي ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﺑﺎﻳﺪ ﻣﻮرد ﺗﻮﺟﻪ‬
‫ﻗﺮار ﮔﻴﺮد ﻛﻪ اﻳﻦ ﮔﻤﺎن ﻳﻚ ﻓﺮض ﻗﺎﺑﻞ ﺑﺤﺚ اﺳﺖ‪.‬‬
‫‪ 1-8-6‬روش ﻣﻴﻨﻲ ﻣﻜﺲ‬
‫ﻓﺮض ﻛﻨﻴﺪ ﻣﺎ ﻳﻚ آﻧﺎﻟﻴﺰور دارﻳﻢ ﻛﻪ ﺗﻤﺎم ﻗﻀﺎوﺗﻬﺎ در ﻣﻮرد ﻣﻮﻗﻌﻴﺘﻬﺎي ﺻﻔﺤﻪ ﺷﻄﺮﻧﺞ را‬
‫ﺑﻪ ﻳﻚ ﻋﺪد ﻛﻴﻔﻴﺘﻲ ﺗﻐﻴﻴﺮ ﻣﻲ دﻫﺪ‪ .‬ﻫﻢ ﭼﻨﻴﻦ ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ اﻋﺪاد ﻣﺜﺒﺖ ﻧﺸﺎن دﻫﻨﺪه‬
‫ﺣﻤﺎﻳﺖ از ﻳﻚ ﻓﺮد و اﻋﺪاد ﻣﻨﻔﻲ ﺑﺮاي ﺣﺮﻳﻒ او ﻫﺴﺘﻨﺪ درﺟﻪ ﺣﻤﺎﻳﺖ ﺑﻪ ارزش واﻗﻌﻲ‬
‫ﻋﺪد ﺑﺴﺘﮕﻲ دارد ‪.‬‬
‫ﭘﺮوﺳﻪ ﺗﻌﻴﻴﻦ ﻛﻴﻔﻴﺖ ﻋﺪد " ارزﻳﺎﺑﻲ آﻣﺎري" ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ‪.‬در ﭘﺎﻳﺎن ﺗﻌﺪاد ﺣﺮﻛﺎ ت‬
‫اﺳﺖ ﻛﻪ اﻣﺘﻴﺎزات ارزﻳﺎﺑﻲ آﻣﺎري را ﭘﻴﺪا ﻛﻨﺪ ﻛﻪ ﺑﻮﺳﻴﻠﻪ آﻧﺎﻟﻴﺰورﻫﺎي ﻣﻮﻗﻌﻴﺖ ﻛﻪ ارزﻳﺎﺑﻲ‬
‫ﻛﻨﻨﺪﮔﺎن آﻣﺎري ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ ﻓﺮاﻫﻢ ﺷﺪه اﺳﺖ‪.‬‬
‫اﻣﻴﺪ ﺑﺎزﻳﻜﻦ ﺑﺮاي اﻋﺪاد ﻣﺜﺒﺖ ﺑﺎزﻳﻜﻦ ﺑﻴﺸﺘﺮ و ﺣﺮﻳﻒ او ﺑﺎزﻳﻜﻦ ﻛﻤﺘﺮ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫در ﺳﻄﺢ ﻣﻴﺎﻧﻲ در درﺧﺖ ‪،‬ارزﺷﻬﺎ در وﺿﻌﻴﺖ ﭘﺎﻳﺎﻧﻲ داده ﺷﺪه اﻧﺪ ‪.‬ارزش ﻳﻚ وﺿﻌﻴﺖ‬
‫ﻏﻴﺮ ﭘﺎﻳﺎﻧﻲ ﺑﻮﺳﻴﻠﻪ ﺑﺮﮔﺸﺖ دوﺑﺎره از ﻣﺮاﺣﻞ ﭘﺎﻳﺎﻧﻲ ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ ‪ .‬اﻳﻦ روش ﻛﻪ‬
‫ﺑﻮﺳﻴﻠﻪ اﻃﻼﻋﺎت اﻣﺘﻴﺎز دﻫﻨﺪﮔﻲ ﺷﻤﺎ را از درﺧﺖ ﺑﺎزي ﻣﻲ ﮔﺬراﻧﺪ روﻳﻪ ﻣﻴﻨﻲ ﻣﻜﺲ‬
 ‫‪46‬‬

‫ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد از وﻗﺘﻲ ﻛﻪ اﻣﺘﻴﺎز در ﻫﺮ ﮔﺮه ﺣﺪاﻗﻞ ﻳﺎ ﺣﺪاﻛﺜﺮ از اﻣﺘﻴﺎزات آﻧﻲ ﭘﺎﻳﻴﻦ ﺗﺮ‬
‫اﺳﺖ‪.‬‬
‫روﻳﻪ ﻣﻴﻨﻲ ﻣﻜﺲ‬
‫‪ -1‬ﻣﺸﺨﺺ ﻛﻨﻴﺪ اﮔﺮ ﻣﺤﺪودﻳﺖ ﺟﺴﺘﺠﻮ ﻣﻮرد دﺳﺘﺮﺳﻲ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ ﻳﺎ اﮔﺮ‬
‫ﻳﻚ ﺳﻄﺢ ﺣﺪاﻗﻞ ﻳﺎ ﻳﻚ ﺳﻄﺢ ﺣﺪاﻛﺜﺮ اﺳﺖ‪.‬‬
‫اﮔﺮ ﻣﺤﺪودﻳﺖ ﺟﺴﺘﺠﻮ در دﺳﺘﺮس ﺑﺎﺷﺪ ارزش آﻣﺎري ﻣﻮﻗﻌﻴﺖ ﺟﺎري واﺑﺴﺘﻪ‬ ‫‪( a‬‬
‫ﺑﻪ ﺑﺎزﻳﻜﻦ ﺧﺎص ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد ‪ .‬ﻧﺘﻴﺠﻪ را ﮔﺰارش ﻛﻨﻴﺪ ‪.‬‬
‫‪ (b‬اﮔﺮ ﻣﺮﺣﻠﻪ ﺳﻄﺢ ﺣﺪاﻗﻞ اﺳﺖ ﻣﻴﻨﻲ ﻣﻜﺲ را روي ﻓﺮزﻧﺪان در ﻣﻮﻗﻌﻴﺖ ﺟﺎري‬
‫اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪ .‬ﺣﺪاﻗﻞ ﻧﺘﺎﻳﺞ را ﮔﺰارش ﻛﻨﻴﺪ‪.‬‬
‫‪ (c‬در ﻏﻴﺮ اﻳﻦ ﺻﻮرت اﮔﺮ ﻣﺮﺣﻠﻪ ﺳﻄﺢ ﺣﺪاﻛﺜﺮ اﺳﺖ ﻣﻴﻨﻲ ﻣﻜﺲ را روي ﻓﺮزﻧﺪان‬
‫ﻣﻮﻗﻌﻴﺖ ﺟﺎري اﺳﺘﻔﺎده ﻛﻨﻴﺪ ‪ .‬ﺣﺪاﻛﺜﺮ ﻧﺘﺎﻳﺞ را ﮔﺰارش ﺑﺪﻫﻴﺪ‪.‬‬

‫ﺗﺼﻮﻳﺮ ‪ : 11-6‬روش ﻣﻴﻨﻲ ﻣﻜﺲ از ﺟﺮﻳﺎن ﻛﺴﺐ ﻛﺮدن ﻫﺪف ﻋﺒﻮر ﻣﻲ ﻛﻨﺪ‪.‬‬
‫روﻳﻪ ﻣﻴﻨﻲ ﻣﻜﺲ از ﻳﻚ ارزﻳﺎﺑﻲ ﻛﻨﻨﺪه آﻣﺎري را ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺗﻌﺪاد ﻓﻮاﻳﺪ ﻣﻮﻗﻌﻴﺖ‬
‫ﺑﺎزي در اﻧﺘﻬﺎي ﻳﻚ درﺧﺖ ﺑﺎزي ﺑﻪ ﻃﻮر ﺟﺰﺋﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ‪ ..‬اﮔﺮ روﻳﻪ‬
‫ﻣﻴﻨﻲ ﻣﻜﺲ ﻣﻮرد اﺳﺘﻔﺎده واﻗﻊ ﺷﻮد ارزﻳﺎب ﻛﻨﻨﺪه آﻣﺎري ﺑﺎﻳﺪ در ﻫﺮ وﺿﻌﻴﺖ ﻛﻪ در‬
‫اﻧﺘﻬﺎي ﻫﺮ درﺧﺖ ﭘﻴﺪا ﻣﻲ ﺷﻮد ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد ﺧﻮﺷﺒﺨﺘﺎﻧﻪ روش ﻫﺎﻳﻲ وﺟﻮد‬
‫دارد ﻛﻪ اﻋﺪاد ارزﻳﺎﺑﻲ ﻫﺎ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﻛﺎﻫﺶ ﺗﻌﺪاد اﻧﺸﻌﺎﺑﻬﺎ در درﺧﺖ ﻛﺎﻫﺶ ﭘﻴﺪا ﻛﻨﺪ‪.‬‬

‫‪ 2-8-6‬روش آﻟﻔﺎ – ﺑﺘﺎ‬

‫روش آﻟﻔﺎ – ﺑﺘﺎ اﻳﻦ ﻃﻮر رﻓﺘﺎر ﻣﻲ ﻛﻨﺪ ‪ :‬اﮔﺮ ﺣﺮﻳﻒ ﻳﻚ ﺟﻮاب دارد ﻛﻪ ﭘﺘﺎﻧﺴﻴﻞ ﺣﺮﻛﺖ‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪47‬‬

‫ﺑﺪ اﺳﺖ ﻧﻴﺎزي ﺑﺮاي ﺑﺮرﺳﻲ ﺟﻮاب ﻫﺎي دﻳﮕﺮ ﺑﺮاي ﭘﺘﺎﻧﺴﻴﻞ ﺣﺮﻛﺖ ﻧﻴﺴﺖ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ روﻳﻪ آﻟﻔﺎ – ﺑﺘﺎ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬
‫‪ -1‬ﻣﺸﺨﺺ ﻛﻨﻴﺪ ﺳﻄﺢ ﺑﺎﻻﺗﺮﻳﻦ ﺳﻄﺢ اﺳﺖ ﻳﺎ اﮔﺮﺑﻪ ﻣﺤﺪودﻳﺖ ﺟﺴﺘﺠﻮ رﺳﻴﺪه‬
‫اﺳﺖ ﻳﺎ اﮔﺮ ﻣﺮﺣﻠﻪ ﺳﻄﺢ ﭘﺎﻳﻴﻦ ﺗﺮي اﺳﺖ ﻳﺎ اﮔﺮ ﺳﻄﺢ ﺑﺎﻻﺗﺮي اﺳﺖ‪.‬‬
‫‪ (a‬اﮔﺮ ﺳﻄﺢ ﺑﺎﻻﺗﺮﻳﻦ ﻣﺮﺣﻠﻪ اﺳﺖ اﺟﺎزه دﻫﻴﺪ آﻟﻔﺎ ‪ -00‬ﺑﺎﺷﺪ و ﺑﺘﺎ ‪ +00‬ﺑﺎﺷﺪ‪.‬‬
‫‪ (b‬اﮔﺮ ﺑﻪ ﻣﺤﺪودﻳﺖ ﺟﺴﺘﺠﻮ رﺳﻴﺪه اﺳﺖ ﻣﻘﺪار آﻣﺎري ﻣﻮﻗﻌﻴﺖ ﺟﺎري ﻛﻪ واﺑﺴﺘﻪ‬
‫ﺑﻪ ﺑﺎزﻳﻜﻦ ﺧﺎص اﺳﺖ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬ﻧﺘﻴﺠﻪ را ﮔﺰارش دﻫﻴﺪ‪.‬‬
‫‪ (c‬اﮔﺮ ﻣﺮﺣﻠﻪ ﻳﻚ ﺳﻄﺢ ﭘﺎﻳﻴﻦ اﺳﺖ‬
‫ﺗﺎ وﻗﺘﻲ ﻛﻪ ﻫﻤﻪ ﺑﭽﻪ ﻫﺎ ﻣﻮرد آزﻣﺎﻳﺶ ﺑﺎ ﻣﻴﻨﻲ ﻣﻜﺲ ﺑﻮده اﻧﺪ آﻟﻔﺎ ﺑﺰرﮔﺘﺮ‬ ‫‪(i‬‬
‫از ﺑﺘﺎ اﺳﺖ‪.‬‬
‫‪ :A‬ﺑﺘﺎ را ﺑﻪ ﻛﻮﭼﻜﺘﺮ از ﺑﺘﺎي ﻣﻌﻴﻦ ﺷﺪه ﺗﻨﻈﻴﻢ ﻛﻨﻴﺪ و ﻛﻮﭼﻜﺘﺮﻳﻦ ﻣﻘﺪار ﮔﺰارش‬
‫داده ﺷﺪه ﺑﻮﺳﻴﻠﻪ ﻣﻴﻨﻲ ﻣﻜﺲ را روي ﻓﺮزﻧﺪان ﺑﻜﺎر ﺑﺮﻳﺪ‪.‬‬
‫‪ : B‬ﻣﻴﻨﻲ ﻣﻜﺲ را ﺑﺮ روي ﻓﺮزﻧﺪ ﺑﻌﺪي آﻟﻔﺎ و ﺑﺘﺎ اﺳﺘﻔﺎده ﻛﻨﻴﺪ‬

‫ﺑﺘﺎ را ﮔﺰارش دﻫﻴﺪ‪.‬‬ ‫‪(ii‬‬

‫‪ (d‬اﮔﺮ ﻣﺮﺣﻠﻪ ﻳﻚ ﺳﻄﺢ ﺑﺎﻻﺗﺮ اﺳﺖ ‪:‬‬

‫ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﻫﻤﻪ ﺑﭽﻪ ﻫﺎ ﺑﺎ ﻣﻴﻦ ﻣﻜﺲ ﻳﺎ آﻟﻔﺎ ﻣﻮرد آزﻣﺎﻳﺶ ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ‬ ‫‪(i‬‬
‫آﻧﻬﺎ ﺑﺰرﮔﺘﺮ از ﺑﺘﺎ ﻫﺴﺘﻨﺪ ‪.‬‬
‫‪ : A‬آﻟﻔﺎ را ﺑﺎ ﺑﺰرﮔﺘﺮﻳﻦ ﻣﻘﺪار آﻟﻔﺎي ﻣﻌﻴﻦ ﺷﺪه ﺗﻨﻈﻴﻢ ﻛﻨﻴﺪ و ﺑﺰرﮔﺘﺮﻳﻦ ﻣﻘﺪار‬
‫ﮔﺰارش ﺷﺪه ﺑﻮﺳﻴﻠﻪ ﻣﻴﻨﻲ ﻣﻜﺲ را روي ﺑﭽﻪ ﻫﺎ ﺑﻪ ﻛﺎر ﺑﺮﻳﺪ‪.‬‬
‫‪ : B‬ﻣﻴﻨﻲ ﻣﻜﺲ را ﺑﺮ روي ﻓﺮزﻧﺪ ﺑﻌﺪي ﻣﻮﻗﻌﻴﺖ ﺟﺎري اﺳﺘﻔﺎده ﻛﻨﻴﺪ آﺧﺮﻳﻦ‬
‫ﺗﻘﺎﺿﺎي ﺟﺪﻳﺪ ﻣﻴﻨﻲ ﻣﻜﺲ از آﺧﺮﻳﻦ آﻟﻔﺎ و ﺑﺘﺎ را ﻧﮕﻬﺪاري ﻛﻨﻴﺪ ‪.‬‬
‫‪ (ii‬آﻟﻔﺎ را ﮔﺰارش دﻫﻴﺪ‬

‫ﺑﺮاي ﺑﻜﺎر ﮔﺮﻓﺘﻦ ﻳﻚ ﺟﺴﺘﺠﻮي ﻣﺎ ﻧﻴﺎز دارﻳﻢ ﻛﻪ ﮔﺮه ﻫﺎي ﭘﺎﻳﻪ ‪ ،‬ﺑﺮاﺳﺎس ﻣﻘﺪار‬
 ‫‪48‬‬

‫ﺑﺮﮔﺸﺘﻲ از ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ﻣﺮﺗﺐ ﺷﻮﻧﺪ‪.‬‬

‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﭼﻨﻴﻦ ﺟﺴﺘﺠﻮ را ﺑﺮاي اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﻋﻤﻮﻣﻲ ﺑﻪ ﻛﺎر ﺑﺒﺮﻳﻢ‪.‬ﺗﺎﺑﻌﻲ ﻛﻪ‬
‫‪BEST-FIRST-‬‬ ‫ﺑﻬﺘﺮﻳﻦ ﮔﺮه را ﺑﺮاي ﮔﺴﺘﺮش دادن اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ ﺗﺎﺑﻊ‬
‫‪ SEARCH‬ﻣﻲ ﻧﺎﻣﻴﻢ‪.‬‬
‫در ﺣﻘﻴﻘﺖ ﻧﻤﻲ ﺗﻮاﻧﻴﻢ ﻣﻄﻤﺌﻦ ﺑﺎﺷﻴﻢ ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﮔﺮه را اول ﮔﺴﺘﺮش دادﻳﻢ ﺑﻪ ﻋﺒﺎرت‬
‫دﻳﮕﺮ اﻳﻦ ﺟﺴﺘﺠﻮ در ﻫﻤﻪ ﺣﺎﻻت ﻣﺎ را از ﺣﺎﻟﺖ ﺟﺎري ﺑﻪ ﺣﺎﻟﺖ ﻫﺪف ﻧﻤﻲ رﺳﺎﻧﺪ‪.‬‬
‫اﻣﺎ ﺑﻪ ﻣﺎ اﻳﻦ داﻧﺶ را ﻣﻴﺪﻫﺪ ﻛﻪ ﺑﺎور ﻛﻨﻴﻢ آن ﺑﻬﺘﺮﻳﻦ ﮔﺮه ﺑﺮاي ﮔﺴﺘﺮش اﺳﺖ و اﻳﻦ ﺗﺎﺑﻊ‬
‫‪،‬‬
‫) ‪ BEST-FIRST-SEARCH( problem, EVAL-FN‬ﻳﻚ رﺷﺘﻪ از راه‬
‫ﺣﻠﻬﺎ را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ‪.‬‬

‫ورودي‪Problem , a problem :‬‬

‫‪ EVAL-FN‬ﻳﻚ ﺗﺎﺑﻊ ارزﻳﺎﺑﻲ‬
‫‪ Queueing-Fn‬ﻳﻚ ﺗﺎﺑﻊ ﻛﻪ ﮔﺮه ﻫﺎ را ﺑﻮﺳﻴﻠﻪ ‪ EVAL-FN‬ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﺪ‬
‫‪ 3-8-6‬ﺟﺴﺘﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ‬
‫ﺟﺴﺘﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ ﭘﻴﺎده ﺳﺎزي ﻓﻠﺴﻔﻪ ﺟﺴﺘﺠﻮي ﺑﻬﺘﺮﻳﻦ اﺳﺖ ‪ .‬آن روي ﻳﻚ اﺻﻞ‬
‫ﻋﻠﻤﻲ ﻛﺎر ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﺰرﮔﺘﺮﻳﻦ ﺑﻴﺖ از ﻣﺴﺌﻠﻪ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫ﺟﺴﺘﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺗﺎ ﻫﺰﻳﻨﻪ ﺗﺨﻤﻴﻦ زده ﺷﺪه ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف را‬
‫ﺣﺪاﻗﻞ ﻛﻨﺪ‪.‬‬
‫ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ﮔﺮه ﻫﺎﻳﻲ را ﻛﻪ ﻓﻜﺮ ﻣﻲ ﻛﻨﺪ ﺑﻪ ﺣﺎﻟﺖ ﻫﺪف ﻧﺰدﻳﻜﺘﺮﻧﺪ ﮔﺴﺘﺮش ﻣﻲ‬
‫دﻫﺪ‪.‬ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ را ﺑﻜﺎر ﻣﻲ ﺑﺮد ‪.‬‬
‫ﺑﺎ ﺑﺪﺳﺖ آوردن ﻳﻚ ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ‪ h‬؛ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻳﻚ ﺟﺴﺘﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ را ﺑﻪ‬
‫ﻛﺎر ﺑﮕﻴﺮﻳﻢ ﻣﺎﻧﻨﺪ زﻳﺮ‪:‬‬
‫ﺗﺎﺑﻊ)‪ GREEDY-SEARCH(problem‬ﻳﻚ راه ﺣﻞ ﺷﻜﺴﺖ را ﺑﺮﻣﻲ ﮔﺮداﻧﺪ‪.‬‬
‫)‪Return BEST-SEARCH(problem,h‬‬

‫‪ 4-8-6‬ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪49‬‬

‫ﺑﺮرﺳﻲ ﻫﺎي ﻻزم ﺷﺎﻳﺪ راه ﻫﺎي ﻣﺮﺗﺐ ﺳﺎزي ﺑﻪ ﺻﻮرت ﺗﻨﺎوﺑﻲ ﻳﺎ اﻧﺘﺨﺎﺑﻲ ﺑﻬﺒﻮد ﺑﺒﺨﺸﺪ‬
‫ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي ﻳﻚ ﺗﻜﻨﻴﻜﻲ اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ ﻣﺮﺗﺐ ﺳﺎزي ﺑﻪ ﺻﻮرت ﺟﺴﺘﺠﻮي‬
‫ﻋﻤﻘﻲ اﺳﺖ‪.‬‬
‫ﻳﻚ ﻃﺮح ﻣﺮﺗﺐ ﺳﺎزي ‪ ،‬ﺑﺮ اﺳﺎس ﻣﺴﺎﻓﺘﻬﺎي ﺑﺎﻗﻴﻤﺎﻧﺪه ﻣﺜﻞ ﺧﻂ ﻣﺴﺘﻘﻴﻢ ﻳﺎ ﻣﺴﺎﻓﺖ‬
‫ﭘﺮوازي اﺳﺖ‪.‬‬
‫ﺷﻜﻞ ‪ 6-6‬روﻳﻪ ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي را ﻧﺸﺎن ﻣﻲ دﻫﺪ‬
‫روﻳﻪ ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي‪:‬‬
‫از ﻳﻜﻲ از ﻋﻨﺎﺻﺮ ﺻﻒ ﺷﺎﻣﻞ ﮔﺮه رﻳﺸﻪ‬ ‫‪-1‬‬
‫ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﺻﻒ ﻫﺴﺖ ﺧﺎﻟﻲ ﻳﺎ ﻫﺪف ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﺗﻌﻴﻴﻦ ﻛﻦ ﻛﻪ آﻳﺎ اوﻟﻴﻦ‬ ‫‪-2‬‬
‫ﻋﻨﺼﺮدر ﺻﻒ ﮔﺮه ﻫﺪف اﺳﺖ ‪ (a :‬اﮔﺮ اوﻟﻴﻦ ﻋﻨﺼﺮ ﮔﺮه ﻫﺪف اﺳﺖ ﻛﺎري اﻧﺠﺎم ﻧﺪه‬
‫‪ (b‬اﮔﺮ اوﻟﻴﻦ ﻋﻨﺼﺮ؛ ﮔﺮه ﻫﺪف ﻧﻴﺴﺖ ‪ ،‬اوﻟﻴﻦ ﮔﺮه را‬
‫ﺣﺬف ﻛﻦ‪ .‬ﻓﺮزﻧﺪان آن ﮔﺮه را اﮔﺮ وﺟﻮد دازد ﻣﺮﺗﺐ ﻛﻦ ‪ ،‬ﻣﺴﺎﻓﺖ ﺑﺎﻗﻲ ﻣﺎﻧﺪه را ﺗﺨﻤﻴﻦ‬
‫ﺑﺰن‪.‬و آﻧﻬﺎ را در اﺑﺘﺪاي ﺻﻒ اﺿﺎﻓﻪ ﻛﻦ ‪.‬‬
‫اﮔﺮ ﻫﺪف ﭘﻴﺪا ﺷﺪ ﻣﻮﻓﻘﻴﺖ را ﻧﺸﺎن ﺑﺪه در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﺷﻜﺴﺖ را ﻧﺸﺎن‬ ‫‪-3‬‬
‫ﺑﺪه‪.‬‬

‫ﺷﻜﻞ ‪6-6‬‬
‫ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي ‪ ،‬ﻳﻚ ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ ﺑﺎ ﻳﻚ اﻧﺪازه ﮔﻴﺮي اﻛﺘﺸﺎﻓﻲ اﺳﺖ ﻛﻪ‬
 ‫‪50‬‬

‫ﮔﺮه ﻫﺎﻳﻲ را ﻛﻪ ﮔﺴﺘﺮش ﻣﻲ دﻫﻴﻢ ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﺪ‪ .‬ﺷﻤﺎره ﻛﻨﺎر ﮔﺮه ﻫﺎ ‪ ،‬ﻣﺴﺎﻓﺖ ﺧﻂ‬
‫ﻣﺴﺘﻘﻴﻤﻲ اﺳﺖ ﻛﻪ ﮔﺮه ﺑﺎ ﮔﺮه ﻫﺪف دارد‪.‬‬
‫‪ 5-8-6‬ﺟﺴﺘﺠﻮي *‪A‬‬
‫در ﺑﺨﺶ ﻗﺒﻠﻲ ﻣﺎ ﺟﺴﺘﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ را در ﻧﻈﺮ ﮔﺮﻓﺘﻴﻢ ‪ .‬اﻳﻦ روش ﺟﺴﺘﺠﻮ ﻫﺰﻳﻨﻪ‬
‫رﺳﻴﺪن ﺑﻪ ﻫﺪف را ﺑﺎ اﺳﺘﻔﺎده ازﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‪.‬‬
‫ﺟﺴﺠﻮي ﺣﺮﻳﺼﺎﻧﻪ ﻣﻴﺘﻮاﻧﺪ زﻣﺎن ﺟﺴﺘﺠﻮ را ﻛﺎﻫﺶ دﻫﺪ اﻣﺎ ﻧﻪ ﻛﺎﻣﻞ اﺳﺖ ﻧﻪ ﺑﻬﻴﻨﻪ‪.‬‬
‫در ﻣﻘﺎﻳﺴﻪ ﺟﺴﺘﺠﻮ ﺑﺎ ﻫﺰﻳﻨﻪ ﻳﻜﺴﺎن ﻫﺰﻳﻨﻪ ﻣﺴﻴﺮ را ﻧﻴﺰ ﺣﺪاﻗﻞ ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫ﺟﺴﺘﺠﻮي ﺑﺎ ﻫﺰﻳﻨﻪ ﻳﻜﺴﺎن ﻫﻢ ﺑﻬﻴﻨﻪ ﻫﺴﺖ ﻫﻢ ﻛﺎﻣﻞ اﻣﺎ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺴﻴﺎر ﺑﻲ ﻓﺎﻳﺪه‬
‫ﺑﺎﺷﺪ‪.‬‬
‫اﮔﺮ ﻣﺎ ﺑﺘﻮاﻧﻴﻢ دو اﺳﺘﺮاﺗﮋي را ﺑﺮاي دﺳﺖ ﻳﺎﻓﺘﻦ ﺑﻪ ﻣﺰاﻳﺎي ﻫﺮ دو ﺟﺴﺘﺠﻮﺗﺮﻛﻴﺐ‬
‫ﻛﻨﻴﻢ ‪ ،‬ﺑﻬﺘﺮﻳﻦ ﻛﺎر را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ ‪ .‬ﺧﻮﺷﺒﺨﺘﺎﻧﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﺎ ﺗﺮﻛﻴﺐ دو ﺗﺎﺑﻊ‬
‫ارزﻳﺎﺑﻲ ﺑﻪ اﻳﻦ اﻣﺮ دﺳﺖ ﻳﺎﺑﻴﻢ ‪.‬‬
‫)‪F(n) = g(n) + h(n‬‬

‫)‪ g(n‬ﻫﺰﻳﻨﻪ ﻣﺴﻴﺮ از ﮔﺮه ﺷﺮوع ﺑﻪ ﮔﺮه ‪ n‬را ﻣﻲ دﻫﺪ و )‪ h(n‬ﻫﺰﻳﻨﻪ ﺗﺨﻤﻴﻨﻲ از‬
‫ارزاﻧﺘﺮﻳﻦ ﻣﺴﻴﺮ از ‪ n‬ﺑﻪ ﻫﺪف اﺳﺖ ‪ .‬ﻣﺎ دارﻳﻢ ‪:‬‬
‫)‪= F(n‬ﻫﺰﻳﻨﻪ ﺗﺨﻤﻴﻦ زده ﺷﺪه از ارزاﻧﺘﺮﻳﻦ راه ﺣﻞ از ﻃﺮﻳﻖ ‪n‬‬

‫ﭼﻴﺰ ﺧﻮب درﺑﺎره اﻳﻦ اﺳﺘﺮاﺗﮋي اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺎ وﺟﻮد ﻗﺮار دادن ﻣﺤﺪودﻳﺘﻲ روي‬
‫ﺗﺎﺑﻊ ‪ h‬ﺑﻬﻴﻨﻪ ‪ ,‬ﻛﺎﻣﻞ اﺳﺖ ‪.‬‬
‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺟﺴﺘﺠﻮي *‪ A‬را ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﻪ ﻛﺎر ﺑﺒﺮﻳﻢ‪:‬‬
‫ﺗﺎﺑﻊ )‪ A*-SEARCH ( problem‬راه ﺣﻞ ﺷﻜﺴﺖ را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ‪.‬‬

‫) ‪Return BEST-FIRST-SEARCH(problem , g + h‬‬

‫ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ اﮔﺮ ﺷﻤﺎ از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﺻﻮرت دﺳﺘﻲ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﺪ ﻫﻤﻴﺸﻪ‬
‫ﻛﻢ ﻫﺰﻳﻨﻪ ﺗﺮﻳﻦ ﮔﺮه را روي رﻳﺸﻪ ﻫﺮ ﺟﺎﻳﻴﻜﻪ ﮔﺮه در درﺧﺖ ﺟﺴﺘﺠﻮاﺳﺖ ﮔﺴﺘﺮش‬
‫دﻫﻴﺪ‪.‬‬
‫ﺑﻪ اﻳﻦ ﻣﻨﻈﻮر ﮔﺮه اي ﻛﻪ ﺷﻤﺎ ﺑﺮاي ﮔﺴﺘﺮش ﺑﻌﺪي اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻴﺪ ﻓﻘﻂ ﺑﻪ ﮔﺮه‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪51‬‬

‫ﻫﺎﻳﻲ ﻛﻪ ﺗﻮﻟﻴﺪ ﺷﺪه اﻧﺪ ﻣﺤﺪود ﻧﺸﺪه اﺳﺖ‪ .‬اﻟﺒﺘﻪ اﻳﻦ در اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﻋﻨﻮان ﺗﺎﺑﻊ‬
‫ﺻﻒ ﺑﻪ ﺻﻮرت اﺗﻮﻣﺎﺗﻴﻚ ﺑﻪ ﺗﺮﺗﻴﺐ ﮔﺮه ﻫﺎ ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ ‪.‬‬
‫‪ 6-8-6‬ﻛﺸﻒ ﻛﻨﻨﺪه ﻗﺎﺑﻞ ﻗﺒﻮل‬
‫ﻣﺤﺪودﻳﺘﻬﺎﻳﻲ را ﻛﻪ در ﺑﺎﻻ ﺑﺮاي ﺗﺎﺑﻊ ‪ h‬ﻧﺎم ﺑﺮدﻳﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﺗﺎﺑﻊ ‪ h‬ﻧﺒﺎﻳﺪ ﻫﺮﮔﺰ‬
‫ﻫﺰﻳﻨﻪ اي ﺑﻴﺶ از ﺗﺨﻤﻴﻦ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﭼﻨﻴﻦ ﺗﺎﺑﻊ ‪ h‬اي را ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ﻗﺎﺑﻞ ﻗﺒﻮل ﻣﻲ ﻧﺎﻣﻴﻢ‪ .‬راه دﻳﮕﺮ ﺗﻮﺻﻴﻒ ﺗﺎﺑﻊ‬
‫ﻗﺎﺑﻞ ﻗﺒﻮل اﻳﻦ ﻫﺴﺖ ﻛﻪ ﺑﮕﻮﻳﻴﻢ آﻧﻬﺎ ﺧﻮﺷﺒﻴﻨﺎﻧﻪ ﻫﺴﺘﻨﺪ‪.‬وﻗﺘﻲ ﻛﻪ آﻧﻬﺎ ﻫﻤﻴﺸﻪ ﻓﻜﺮ ﻣﻲ‬
‫ﻛﻨﻨﺪ ﻛﻪ ﻫﺰﻳﻨﻪ رﺳﻴﺪن ﺑﻪ ﻫﺪف ﻛﻤﺘﺮ از ﻣﻘﺪار واﻗﻌﻲ آن اﺳﺖ‪.‬‬
‫آن واﺿﺢ اﺳﺖ ﻛﻪ ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﺪده ‪ SLD‬ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ ﺑﻄﻮرﻳﻜﻪ ﻣﺎ ﻫﺮﮔﺰ‬
‫ﻧﺘﻮاﻧﻴﻢ ﻳﻚ ﻣﺴﻴﺮ ﻛﻮﺗﺎه ﺗﺮ ﺑﻴﻦ ﻫﺮ دوﺷﻬﺮ ﭘﻴﺪا ﻛﻨﻴﻢ ‪.‬‬
‫*‪ A‬ﻫﻢ ﺑﻬﻴﻨﻪ ﻫﺴﺖ ﻫﻢ ﻛﺎﻣﻞ اﻣﺎ اﻳﻦ ﺧﺒﺮ ﺧﻮﺑﻲ ﻧﻴﺴﺖ‪ .‬ﻣﻲ ﺗﻮاﻧﺪ ﻧﺸﺎن داده ﺷﻮد‬
‫ﻛﻪ ﺗﻌﺪادي از ﮔﺮه ﻫﺎ ﻛﻪ ﺑﺪﺳﺖ آﻣﺪه اﻧﺪ ﻫﻨﻮز ﺑﻪ ﺻﻮرت ﺗﺎﺑﻊ ﻧﻤﺎﻳﻲ از ﻃﻮل ﻓﻀﺎي‬
‫ﺟﺴﺘﺠﻮ ﺑﺮاي ﺑﻴﺸﺘﺮ ﻣﺴﺎﺋﻞ ﻫﺴﺘﻨﺪ ‪.‬‬
‫اﻳﻦ ﺣﺎﻟﺖ دﻻﻳﻠﻲ ﺑﺮاي زﻣﺎن ﺟﺴﺘﺠﻮدارد اﻣﺎ ﻣﻌﻤﻮﻻ" ﺑﺮاي ﻓﻀﺎي ﻣﻮرد ﻧﻴﺎز ﺧﻴﻠﻲ‬
‫ﺟﺪي ﺗﺮ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ 7-8-6‬ﻣﻌﻤﺎي ‪8‬‬
‫ﻣﻌﻤﺎي ‪ 8‬ﺷﺎﻣﻞ ﻫﺸﺖ ﻣﺮﺑﻊ و ﻳﻚ ﻓﻀﺎي ﺧﺎﻟﻲ اﺳﺖ‪ .‬ﻫﺪف ﭼﻴﺪن ﻫﺮ ﻣﺮﺑﻊ در ﻳﻚ‬
‫زﻣﺎن ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺣﺎﻟﺖ ﻫﺪف اﺳﺖ ‪.‬‬
‫ﻣﺴﺌﻠﻪ در ﺷﻜﻞ ‪ 7-6‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‬

‫ﺷﻜﻞ‪7-6‬‬
‫اﻳﻦ ﻣﺴﺌﻠﻪ ﻓﻘﻂ ﻣﺮﺣﻠﻪ ﻣﺴﺘﻘﻴﻢ اﺳﺖ ﻛﻪ آن را ﺑﺮاي ﻣﻄﺎﻟﻌﻪ ﺳﺨﺖ ﻣﻲ ﺳﺎزد در ﻋﻴﻦ ﺣﺎل‬
‫آﻧﭽﻨﺎن ﺳﺨﺖ ﻧﻴﺴﺖ ﻛﻪ ﻣﺎ ﺗﻮي ﺑﺎﺗﻼق ﮔﻴﺮ ﻛﻨﻴﻢ‬
‫ﻳﻚ راه ﺣﻞ ﻣﻌﻤﻮل آن ﺣﺪود ‪ 20‬ﻣﺮﺣﻠﻪ اﺳﺖ ‪ .‬ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب آن ‪ 3‬اﺳﺖ )‪ -4‬وﻗﺘﻲ‬
 ‫‪52‬‬

‫ﻛﻪ ﺧﺎﻧﻪ ﺧﺎﻟﻲ در ﻣﺮﻛﺰ ﻗﺮار دارد ‪ -2 .‬وﻗﺘﻲ ﻛﻪ ﺧﺎﻧﻪ ﺧﺎﻟﻲ در ﮔﻮﺷﻪ ﻫﺎ ﺑﺎﺷﺪو ‪ -3‬ﺑﺮاي‬
‫ﺣﺎﻟﺘﻬﺎي دﻳﮕﺮ( اﻳﻦ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ درﻳﻚ ﺟﺴﺘﺠﻮي ﺧﺴﺘﻪ ﻛﻨﻨﺪه در ﺣﺪود‬
‫‪ 3^20‬ﺣﺎﻟﺖ وﺟﻮد دارد‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ﺑﻮﺳﻴﻠﻪ ﻧﮕﻬﺪاري اﺛﺮ ﺣﺎﻟﺘﻬﺎي ﺗﻜﺮاري ﻣﻲ ﺗﻮاﻧﻴﻢ‬
‫آﻧﺮا ﻛﺎﻫﺶ دﻫﻴﻢ ﭼﻮن ﻓﻘﻂ ‪ 9!=3,62,880‬ﺗﺮﺗﻴﺐ ﻣﺘﻔﺎوت از ‪ 9‬ﻣﺮﺑﻊ وﺟﻮد دارد ‪.‬‬

‫اﻣﺎ ﺣﺘﻲ ‪ 3,62,880‬ﺗﻌﺪاد زﻳﺎدي ﺑﺮاي ﺟﺴﺘﺠﻮ اﺳﺖ ﺑﻨﺎﺑﺮاﻳﻦ ﻛﺎر ﺑﻌﺪي ﻳﺎﻓﺘﻦ ﻳﻚ ﺗﺎﺑﻊ‬
‫ﻛﺸﻒ ﻛﻨﻨﺪه ﺧﻮب اﺳﺖ‪.‬‬

‫اﮔﺮ ﻣﺎ ﺑﺨﻮاﻫﻴﻢ ﻳﻚ راه ﺣﻞ ﺑﻬﻴﻨﻪ ﭘﻴﺪا ﻛﻨﻴﻢ ﺑﻪ ﻳﻚ ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه اﺣﺘﻴﺎج دارﻳﻢ ﻛﻪ‬
‫ﻫﺮﮔﺰ ﺗﺨﻤﻴﻦ ﺑﺎﻻﻳﻲ از ﺗﻌﺪاد ﻣﺮاﺣﻞ در رﺳﻴﺪن ﺑﻪ ﻫﺪف را اراﺋﻪ ﻧﺪﻫﺪ‪ ..‬ﺑﻪ ﻳﻚ ﻛﺸﻒ‬
‫ﻛﻨﻨﺪه ﻗﺎﺑﻞ ﻗﺒﻮل اﺣﺘﻴﺎج دارﻳﻢ‪.‬‬
‫اﻳﻨﺠﺎ دو اﻣﻜﺎن وﺟﻮد دارد ‪:‬‬
‫‪ H1‬ﻛﻪ ﺗﻌﺪاد ﺧﺎﻧﻪ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ در ﻣﻜﺎﻧﻬﺎي ﻧﺎدرﺳﺖ ﻫﺴﺘﻨﺪ‪.‬در ﺷﻜﻞ ﺑﺎﻻ در ﻗﺴﻤﺖ‬
‫ﺣﺎﻟﺖ اوﻟﻴﻪ از ﻫﺸﺖ ﺳﻔﺎل ؛ ﻫﻔﺖ ﺗﺎي آن در ﺧﺎرج از ﻣﻜﺎن واﻗﻌﻲ ﻫﺴﺘﻨﺪ‪.‬‬
‫اﻳﻦ ﻛﺸﻒ ﻛﻨﻨﺪ ه ﺑﻪ ﺻﻮرت واﺿﺢ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ ﻛﻪ ﻫﺮ ﻳﻚ از ﺧﺎﻧﻪ ﻫﺎﻳﻲ ﻛﻪ ﺧﺎرج‬
‫از ﻣﻜﺎن ﺧﻮد ﻫﺴﺘﻨﺪ ﻧﻴﺎز دارﻧﺪ ﻛﻪ ﺣﺪاﻗﻞ ﻳﻚ ﺑﺎر ﺣﺮﻛﺖ داده ﺷﻮﻧﺪ ﺗﺎ ﺑﻪ ﻣﺤﻞ ﺻﺤﻴﺢ‬
‫ﺑﺮﺳﻨﺪ‪.‬‬
‫‪ : H2‬ﻣﺠﻤﻮع ﻓﻮاﺻﻞ ﺧﺎﻧﻪ ﻫﺎ از ﻣﻜﺎن ﻫﺪﻓﺸﺎن ‪ .‬روﺷﻲ ﻛﻪ ﻣﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ ﺑﺮاي‬
‫ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﻓﻮاﺻﻞ ﺧﺎﻧﻪ ﻫﺎ از ﻣﻮﻗﻌﻴﺖ ﻫﺪﻓﺸﺎن ﺟﻤﻊ ﻛﺮدن ﺗﻌﺪاد اﻓﻘﻲ و ﻋﻤﻮدي‬
‫ﻣﻮﻗﻌﻴﺖ ﻫﺎاﺳﺖ‪.‬‬
‫اﻳﻦ ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ﻫﻤﭽﻨﻴﻦ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ ﭼﻮن ﻫﺮ ﺣﺮﻛﺘﻲ ﻓﻘﻂ ﻣﻲ ﺗﻮاﻧﺪ ﻳﻚ ﺧﺎﻧﻪ‬
‫را ﻳﻚ ﻣﺮﺣﻠﻪ ﺑﻪ ﻫﺪف ﻧﺰدﻳﻜﺘﺮ ﻛﻨﺪ ‪.‬‬
‫ﻓﺎﺻﻠﻪ ﻣﺎن ﻫﺎﺗﺎن ﺑﺮاي ﺣﺎﻟﺖ ﺷﺮوع در ﺑﺎﻻ ﻫﺴﺖ‪:‬‬
‫‪H2 = 2 + 3 + 3 + 2 + 4 + 2 + 0 + 2 = 18‬‬

‫ﺑﺮاي ﺧﺎﻧﻪ ﻫﺎي ‪ 1‬ﺗﺎ ‪. 8‬‬

‫ﭼﮕﻮﻧﻪ ﻣﺎ ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ ﻛﺪام ﻳﻚ ﺑﺮاي اﺳﺘﻔﺎده ﺑﻬﺘﺮﻳﻦ اﺳﺖ؟‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪53‬‬

‫ﻳﻚ روش اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺜﺎﻟﻬﺎي زﻳﺎدي از ﻣﺴﺌﻠﻪ را اﻳﺠﺎد ﻛﻨﻴﻢ و از ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه‬
‫اﺳﺘﻔﺎده ﻛﻨﻴﻢ و ﺑﺒﻴﻨﻴﻢ ﻛﻪ ﻛﺪام ﻳﻚ ﺑﻪ ﻣﺎ ﺑﻬﺘﺮﻳﻦ راه ﺣﻞ را ﻣﻲ دﻫﺪ‬

‫ﺟﺪول ‪ 6,1‬ﻧﺘﻴﺠﻪ اي از ‪ 100‬ﻣﺴﺌﻠﻪ اﺟﺮا ﺷﺪه در ﻋﻤﻖ )ﻃﻮل راه ﺣﻞ ( ‪2‬و‪4‬و‪6‬و‪...‬و‬

‫‪ 24‬ﻛﻪ از *‪ A‬ﺑﺎ ﺗﺎﺑﻊ ﻫﺎ ي ﻛﺸﻒ ﻛﻨﻨﺪه ‪ h1,h2‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﻫﺰﻳﻨﻪ ﺟﺴﺘﺠﻮ ﻋﺪدي را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻧﺸﺎن دﻫﻨﺪه ﻣﻴﺎﻧﮕﻴﻦ ﺗﻌﺪاد ﮔﺮه ﻫﺎﻳﻲ‬
‫اﺳﺖ ﻛﻪ ﮔﺴﺘﺮش داده ﺷﺪه اﻧﺪ‪.‬‬

‫‪Table 6.1‬‬

‫‪Search cost‬‬ ‫‪EBF‬‬

‫‪Depth‬‬ ‫‪IDS‬‬ ‫)‪A*(h1‬‬ ‫)‪A*(h2‬‬ ‫‪IDS‬‬

‫)‪A*(h1‬‬ ‫)‪A*(h2‬‬

‫‪2‬‬ ‫‪10‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪2,45‬‬ ‫‪1,79‬‬ ‫‪1.79‬‬

‫‪4‬‬ ‫‪112‬‬ ‫‪13‬‬ ‫‪12‬‬ ‫‪2,87‬‬ ‫‪1,48‬‬ ‫‪1,45‬‬

‫‪6‬‬ ‫‪680‬‬ ‫‪20‬‬ ‫‪18‬‬ ‫‪2,73‬‬ ‫‪1,34‬‬ ‫‪1,30‬‬

‫‪8‬‬ ‫‪6384‬‬ ‫‪39‬‬ ‫‪25‬‬ ‫‪2,80‬‬ ‫‪1,33‬‬ ‫‪1,24‬‬

‫‪10‬‬ ‫‪47127‬‬ ‫‪93‬‬ ‫‪39‬‬ ‫‪2,79‬‬ ‫‪1,38‬‬ ‫‪1.22‬‬

‫‪227‬‬ ‫‪73‬‬ ‫‪2,78‬‬ ‫‪1,42‬‬ ‫‪1,24‬‬

 ‫‪54‬‬

‫‪12‬‬ ‫‪364404‬‬

‫‪14‬‬ ‫‪3473941‬‬ ‫‪539‬‬ ‫‪113‬‬ ‫‪2,83‬‬ ‫‪1,44‬‬ ‫‪1,23‬‬

‫‪211‬‬ ‫‪1,45‬‬ ‫‪1.25‬‬

‫‪16‬‬ ‫‪1301‬‬

‫از اﻳﻦ ﻧﺘﺎﻳﺞ واﺿﺢ اﺳﺖ ﻛﻪ ‪ h2‬ﻛﺸﻒ ﻛﻨﻨﺪه ﺑﻬﺘﺮي اﺳﺖ ﻛﻪ ﺑﺎ ﺑﺴﻂ دادن ﺗﻌﺪاد ﻛﻤﺘﺮي‬
‫ﮔﺮه ﺑﻪ ﻧﺘﻴﺠﻪ ﻣﻲ رﺳﺪ‪.‬اﻣﺎ ﭼﺮا اﻳﻦ ﮔﻮﻧﻪ اﺳﺖ؟‬
‫ﻳﻚ دﻟﻴﻞ واﺿﺢ اﻳﻦ اﺳﺖ ﻛﻪ ﺗﻌﺪاد ﮔﺮه ﻫﺎ ﻳﻲ ﻛﻪ ﮔﺴﺘﺮش داده ﻣﻲ ﺷﻮﻧﺪ ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب‬
‫ﻫﺴﺘﻨﺪ ‪ .‬اﮔﺮ ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﺑﺎﻻ اﺳﺖ ﭘﺲ ﮔﺮه ﻫﺎي ﺑﻴﺸﺘﺮي ﮔﺴﺘﺮش داده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻳﻚ راه ﺑﺮاي اﻧﺪازه ﮔﻴﺮي ﻛﻴﻔﻴﺖ ﺗﺎﺑﻊ ﻛﺸﻒ ﻛﻨﻨﺪه ؛ درك ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻣﻴﺎﻧﮕﻴﻦ‬
‫اﺳﺖ ‪.‬‬
‫اﮔﺮ ﻣﺎ از *‪ A‬ﺑﺮاي ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﻛﻨﻴﻢ و ﻋﻤﻖ راه ﺣﻞ ‪ d‬ﺑﺎﺷﺪ ﺳﭙﺲ *‪ b‬ﻓﺎﻛﺘﻮر‬
‫اﻧﺸﻌﺎﺑﻲ اﺳﺖ ﻛﻪ ﻳﻚ درﺧﺖ ﻳﻜﻨﻮاﺧﺖ ﺑﺎﻋﻤﻖ ‪ d‬ﺧﻮاﻫﺪ داﺷﺖ ﺗﺎ ﮔﺮه ﻫﺎي ‪ N‬را ﻧﮕﻪ‬
‫دارد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪:‬‬
‫‪N = 1+ b* + (b*)^2 + … + (b*)^d‬‬

‫ﻳﻚ ﻣﺜﺎل ﺑﺮاي ﻣﺤﺴﻮس ﻛﺮدن ﻣﻄﻠﺐ اراﺋﻪ ﻣﻲ دﻫﻴﻢ‪ .‬اﮔﺮ *‪ A‬ﻳﻚ راه ﺣﻞ در ﻋﻤﻖ ‪5‬‬
‫ﭘﻴﺪا ﻛﻨﺪ‪ .‬از ‪ 52‬ﮔﺮه اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﺳﭙﺲ ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻣﻮﺛﺮ ‪ 1,91‬اﺳﺖ ‪:‬‬

‫‪52 = 1 + 1.91 + (1.91)^2 + (1.91)^3 + (1.91)^4 +(1.91)^5‬‬

‫ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻣﺆﺛﺮدر ﺟﺪول ﺑﺮاي اﺳﺘﺮاﺗﮋي ﻫﺎي ﻣﺨﺘﻠﻒ ﺟﺴﺘﺠﻮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪.‬‬
‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻔﻬﻤﻴﻢ ازاﻳﻦ ﻛﻪ *‪ A‬ﻛﻪ ‪ h2‬را ﺑﻜﺎر ﻣﻲ ﺑﺮد ﻓﺎﻛﺘﻮر اﻧﺸﻌﺎب ﻣﺆﺛﺮ ﭘﺎﻳﻴﻦ‬
‫ﺗﺮي دارد ﺑﻨﺎﺑﺮاﻳﻦ‪ h2‬ﻳﻚ ﻛﺸﻒ ﻛﻨﻨﺪه ﺑﻬﺘﺮ از‪ h1‬اﺳﺖ‪.‬‬
‫ﻣﺎ ﻣﻲ ﺗﻮا ﻧﻴﻢ ﺑﭙﺮﺳﻴﻢ آﻳﺎ ‪h2‬ﻫﻤﻴﺸﻪ ﺑﻬﺘﺮ از ‪ h1‬اﺳﺖ؟در ﺣﻘﻴﻘﺖ آن اﺳﺎن اﺳﺖ ﻛﻪ‬
‫ﺑﺒﻴﻨﻴﻢ ﺑﺮاي ﻫﺮ ﮔﺮه ‪ n‬؛ )‪. h2(n) > h1(n‬‬
‫اﻳﻦ ﺣﺎﻟﺖ را " ﺳﻠﻄﻪ " ﻣﻲ ﻧﺎﻣﻴﻢ و ﻣﻲ ﮔﻮﻳﻴﻢ ﻛﻪ ‪ h2‬ﺑﺮ ‪ h1‬ﻏﻠﺒﻪ ﻣﻲ ﻛﻨﺪ‪.‬ﺗﺴﻠﻂ ﻣﺴﺘﻘﻴﻤﺎ‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪55‬‬

‫ﺑﻪ ﻣﺆﺛﺮ ﺑﻮدن ﺗﺮﺟﻤﻪ ﻣﻲ ﺷﻮد ‪.‬‬

‫آن ﭼﻴﺰي اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﮕﻮﻳﻴﻢ ‪ h2‬ﺑﺮ ‪ h1‬ﺳﻠﻄﻪ دارد اﻣﺎ ﭼﻄﻮر ﻣﻲ ﺗﻮاﻧﻴﻢ ‪ h2‬را‬
‫در اوﻟﻴﻦ ﻣﻜﺎن ﻣﻄﺮح ﻛﻨﻴﻢ‪.‬‬
‫ﻫﺮدو ﺗﺎﺑﻊ ‪ h1,h2‬ﺗﻌﺪاد ﺣﺮﻛﺎت را ﺑﺮاي ﺣﻞ ﻧﻬﺎﻳﻲ ﺗﺨﻤﻴﻦ ﻣﻲ زﻧﻨﺪ‪ .‬ﻣﻤﻜﻦ اﺳﺖ ﻛﻪ ﻣﺎ‬
‫اﺣﺘﻴﺎج داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ ﺣﺮﻛﺎت ﺑﻴﺸﺘﺮي را ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﻢ‪ .‬اﻣﺎ اﮔﺮ ﻣﺎ ﻗﻮاﻧﻴﻦ ﺑﺎزي را ﺑﻪ‬
‫روﺷﻨﻲ ﺗﻐﻴﻴﺮ دﻫﻴﻢ ﺳﭙﺲ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ اﻳﻦ ﻛﺸﻒ ﻛﻨﻨﺪه ﻫﺎ را ﺑﺴﺎزﻳﻢ ﻛﻪ ﻳﻚ ﻃﻮل‬
‫ﻣﺴﻴﺮ دﻗﻴﻖ ﻛﻪ ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ ﻧﻴﺎز اﺳﺖ را ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺜﺎل ؛ اﮔﺮ ﻗﻮاﻧﻴﻦ ﭼﻨﺎن ﺗﻐﻴﻴﺮ ﻛﻨﻨﺪ ﻛﻪ ﻣﺎ ﺑﺘﻮاﻧﻴﻢ ﻫﺮ ﺧﺎﻧﻪ را ﺑﻪ ﺳﻮي ﻣﺮﺑﻊ ﺧﺎﻟﻲ‬
‫ﺣﺮﻛﺖ دﻫﻴﻢ ﺳﭙﺲ ‪ h1‬ﻣﻲ ﺗﻮاﻧﺪ ﻣﻘﺪار دﻗﻴﻖ ﻃﻮل ﻣﺴﻴﺮ ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ را‬
‫ﻧﺸﺎن دﻫﺪ‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ اﮔﺮ ﻳﻚ ﺧﺎﻧﻪ ﺑﺘﻮاﻧﺪ در ﻫﺮ ﻣﺴﻴﺮي ﺣﺘﻲ ﺑﻪ ﺳﻤﺖ ﻳﻚ ﻣﺮﺑﻊ اﺷﻐﺎل ﺷﺪه‬
‫ﺣﺮﻛﺖ ﻛﻨﺪ ؛ ﺳﭙﺲ ‪ h2‬ﻳﻚ ﻃﻮل ﻣﺴﻴﺮ دﻗﻴﻖ از راه ﺣﻞ را ﻣﻲ دﻫﺪ‪.‬اﻳﻦ ﺗﻐﻴﻴﺮات در‬
‫ﻗﻮاﻧﻴﻦ ؛ ﻗﻮاﻧﻴﻦ و ﻣﺴﺌﻠﻪ را ﻛﻪ ﻣﺤﺪودﻳﺖ ﻋﻤﻠﮕﺮ دارﻧﺪ راﺣﺖ ﺗﺮ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻳﻚ ﻣﺴﺌﻠﻪ‬
‫راﺣﺖ ﺷﺪه ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬اﻳﻦ ﻣﻌﻤﻮﻻ در ﻣﻮردي اﺳﺖ ﻛﻪ ﻫﺰﻳﻨﻪ راه ﺣﻞ دﻗﻴﻖ ﻳﻚ‬
‫ﻣﺴﺌﻠﻪ راﺣﺖ ‪ ،‬ﻛﺸﻒ ﻛﻨﻨﺪه ﺧﻮﺑﻲ ﺑﺮاي ﻣﺴﺌﻠﻪ اﺻﻠﻲ اﺳﺖ ‪.‬‬

‫‪ 9-6‬وﻳﮋﮔﻲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي‬

‫اﻳﻦ ﺑﺨﺶ ﺷﻤﺎ را ﻣﺮﺣﻠﻪ ﺑﻪ ﻣﺮﺣﻠﻪ در اﻳﺠﺎد ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻟﻴﺴﭗ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ‬
‫ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ راﻫﻨﻤﺎﻳﻲ ﻣﻲ ﻛﻨﺪ و ﺳﭙﺲ ﻣﺴﺎﺋﻞ ﺣﺮﻳﻔﺎن و ادم ﺧﻮاران را ﺑﺎ اﺳﺘﻔﺎده از‬
‫‪ prolog‬ﻧﻤﺎﻳﺶ ﻣﻴﺪﻫﺪ‪ .‬ﻧﻮﺷﺘﻦ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺑﺮاي ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ آﺳﺎن اﺳﺖ‪ .‬دو روﻳﻪ‬
‫ﺑﺎزﮔﺸﺘﻲ ﻳﻚ درﺧﺖ را ﺑﻪ ﺻﻮرت ﻣﻮﺛﺮ ﻣﻲ ﺷﻜﺎﻓﻨﺪ‪ .‬اﮔﺮﭼﻪ ﻛﻪ اﺻﻼح اﻳﻦ ﻛﺪﻫﺎ و وﻓﻖ‬
‫دادن آﻧﻬﺎ ﺑﺮاي ﺟﺴﺘﺠﻮي ﺳﻄﺤﻲ و دﻳﮕﺮ ﺟﺴﺘﺠﻮﻫﺎ آﺳﺎن ﻧﻴﺴﺖ‪.‬‬
‫ﺑﻪ ﻣﺎ اﺟﺎزه دﻫﻴﺪ ﻛﻪ روي ﻳﻚ ﺟﺴﺠﻮي ﺻﻒ ﮔﺮا ﻛﺎر ﻛﻨﻴﻢ‪ .‬ﺻﻒ ﻣﺎ ﺷﺎﻣﻞ ﻣﺴﻴﺮ ﻫﺎي‬
‫ﻧﺎﻗﺺ اﺳﺖ‪ .‬اﺳﺘﻔﺎده از ﺻﻔﻬﺎﻳﻲ ﺑﺎ ﻣﺴﻴﺮ ﻫﺎي ﻧﺎﻗﺺ در اﺑﺘﺪا ﺳﺨﺖ اﺳﺖ‪ .‬اﻣﺎ ﻳﻜﺒﺎر ﻛﻪ‬
‫ﻣﺎ ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ را اﻧﺠﺎم دﻫﻴﻢ ‪ ،‬ﺗﻐﻴﻴﺮ دادن اﻳﻦ ﻛﺪﻫﺎ ﺑﺮاي اﻧﺠﺎم ﺟﺴﺘﺠﻮﻫﺎي دﻳﮕﺮ‬
‫آﺳﺎن ﺧﻮاﻫﺪ ﺷﺪ ‪.‬‬
‫ﺟﺴﺘﺠﻮ ﺑﻪ ﺳﺎدﮔﻲ اوﻟﻴﻦ ﺑﺤﺚ ﺧﻮدش را ﺑﻪ ﻳﻚ ﺻﻒ ﺗﻚ ﻋﺎﻣﻠﻲ ﺑﺮاي ﺳﻮداوري‬
‫ﺟﺴﺘﺠﻮ ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﺪ ‪ ..‬ﺳﭙﺲ ﺟﺴﺘﺠﻮ ﺻﻒ را اﻣﺘﺤﺎن ﻣﻲ ﻛﻨﺪ و اوﻟﻴﻦ ﻣﺴﻴﺮ در ﺻﻒ‬
 ‫‪56‬‬

‫را ﺑﺮاي ﻣﻮﻓﻘﻴﺖ ﺗﺴﺖ ﻣﻲ ﻛﻨﺪ‪ .‬اﮔﺮ آﺧﺮﻳﻦ ﮔﺮه در اوﻟﻴﻦ ﻣﺴﻴﺮ ‪ ،‬ﮔﺮه ﭘﺎﻳﺎﻧﻲ ﻧﻴﺴﺖ‬
‫ﺟﺴﺘﺠﻮ ﻣﺴﻴﺮ را ﺗﻮﺳﻌﻪ ﻣﻲ دﻫﺪ و ﺻﻒ را اﺻﻼح ﻣﻲ ﻛﻨﺪ و ﺻﻒ را ﺑﻪ ﻛﭙﻲ دﻳﮕﺮي از‬
‫ﺟﺴﺘﺠﻮ ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ ‪.‬‬
‫‪ -142‬ﺟﺴﺘﺠﻮي اوﻟﻴﻪ ) ﺷﺮوع ﭘﺎﻳﺎن (‬
‫) ﺟﺴﺘﺠﻮي اول ) ﻓﻬﺮﺳﺖ ﺷﺮوع ( ﭘﺎﻳﺎن ( ﻣﻘﺪار دﻫﻲ ‪:‬‬
‫)ﺷﺮط )ﺻﻒ ﭘﻮچ( ‪. :( NIL‬ﺑﺮﮔﺸﺖ ‪ NIL‬اﮔﺮ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ‪.‬‬
‫)ﭘﺎﻳﺎن ﺑﺮاﺑﺮ ) ﺻﻒ ﻣﺎﺷﻴﻦ ( )‪ : (T‬ﺑﺮﮔﺸﺖ ‪ T‬اﮔﺮ ﻫﺪف ﭘﻴﺪا ﺷﺪه اﺳﺖ‪.‬‬
‫ﺟﺴﺘﺠﻮي اول‪: T‬‬
‫> ادﻏﺎم ﺧﺎص ) ﺗﻮﺳﻌﻪ ) ﺻﻒ ﻣﺎﺷﻴﻦ ( و ﺻﻒ < ﭘﺎﻳﺎن ‪.‬‬
‫در اﻳﻨﺠﺎ ﮔﺴﺘﺮش ‪ ،‬ﻓﺮزﻧﺪان ﻳﻚ ﮔﺮه را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ ﻛﻪ ﮔﺮه ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺑﺤﺚ ﺗﻌﻴﻴﻦ‬
‫ﻣﻲ ﺷﻮد ‪.‬ﻗﺒﻞ از اﻳﻨﻜﻪ ﮔﺴﺘﺮش را ﺑﻨﻮﻳﺴﻴﻢ اﺟﺎزه دﻫﻴﺪ ﻧﮕﺎﻫﻲ ﺑﻪ ﻧﻤﺎﻳﺶ داده در ﺑﺮﻧﺎﻣﻪ‬
‫ﺑﻴﻨﺪازﻳﻢ‪.‬اﮔﺮ ﻣﺎ ﻓﻘﻂ ﺑﺎ درﺧﺘﺎن ﻣﻮاﺟﻪ ﺷﻮﻳﻢ ﻓﻬﺮﺳﺘﻬﺎي ﺧﺎﻧﮕﻲ ﺑﺎﻳﺪ ﺑﻪ ﺧﻮﺑﻲ اﻧﺠﺎم‬
‫ﺷﻮﻧﺪ ‪ .‬اﮔﺮ ﻫﻤﭽﻨﻴﻦ ﻣﺎ ﺑﺨﻮاﻫﻴﻢ ﺗﻤﺎم ﺷﺒﻜﻪ ﻫﺎ را ﻛﻨﺘﺮل ﻛﻨﻴﻢ ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ از ﻧﺸﺎﻧﻪ ﻫﺎ و‬
‫ﺧﺼﺎﻳﺺ اﺳﺘﻔﺎده ﻛﻨﻴﻢ ‪.‬ﮔﺮه ﻫﺎ و ﻓﺮزﻧﺪاﻧﺸﺎن ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻮﺳﻴﻠﻪ ﻧﺸﺎﻧﻪ ﻫﺎ اراﺋﻪ ﺷﻮﻧﺪ و‬
‫ﻛﻤﺎﻧﻬﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ وﺳﻴﻠﻪ ي ﺧﺼﺎﻳﺺ ﻧﺸﺎن داده ﺷﻮﻧﺪ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪:‬‬

‫) ‪SETF ( GET ' S CHILDREN‬‬ ‫)‪( LO‬‬

‫ﺣﻘﻴﻘﺖ را درك ﻛﻨﻴﺪ ﻛﻪ ‪ S‬ﻳﻚ واﻟﺪ اﺳﺖ و ﺑﭽﻪ ﻫﺎﻳﺶ ‪ L‬و ‪ O‬ﻫﺴﺘﻨﺪ‪.‬‬
‫)‪SETF (GET 'L CHILDREN‬‬ ‫)‪(M F‬‬

‫ﺣﻘﻴﻘﺖ اﻳﻦ اﺳﺖ ﻛﻪ ‪ L‬ﻳﻚ واﻟﺪ اﺳﺖ و ﺑﭽﻪ ﻫﺎﻳﺶ ‪ M‬و ‪ F‬ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﺎ ﺗﻜﺮار اﻧﻮاع ﺣﺎﻻت ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻛﻞ ﻳﻚ درﺧﺖ را ﺷﺮح دﻫﻴﻢ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻳﻚ‬
‫درﺧﺖ ﻧﻤﻮﻧﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﺎﺷﺪ‪.‬‬
‫) ‪SETF (GET 'S CHILDREN‬‬ ‫)‪(LO‬‬
‫) ‪SETF (GET 'L CHILDREN‬‬ ‫) ‪( MF‬‬
‫) ‪SETF (GET 'M CHILDREN‬‬ ‫)‪(N‬‬
‫) ‪SETF (GET 'N CHILDREN‬‬ ‫)‪(F‬‬
‫) ‪SETF (GET 'O CHILDREN‬‬ ‫) ‪( PQ‬‬
‫) ‪SETF (GET 'P CHILDREN‬‬ ‫)‪(F‬‬
‫) ‪SETF ( GET 'Q CHILDREN‬‬ ‫)‪(F‬‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪57‬‬

‫ﻗﺒﻼ ﻣﺸﺨﺺ ﺷﺪ ﻛﻪ ﭼﮕﻮﻧﻪ ﮔﺮه ﻫﺎ ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﺪه اﻧﺪ ﻣﺎ اﻛﻨﻮن ﺑﺮاي ﻧﻮﺷﺘﻦ ﻛﺪ‬
‫ﺑﺮاي ﮔﺴﺘﺮش آﻣﺎده ﻫﺴﺘﻴﻢ‪.‬‬
‫‪DEFUND‬‬ ‫‪EXPAND‬‬ ‫‪(NODE)(GET‬‬ ‫)‪NODE CHILDREN‬‬

‫روش ﺗﻠﻔﻴﻖ ﻓﺮزﻧﺪان ﺟﺪﻳﺪ در ﺻﻒ ﻗﺪﻳﻤﻲ ﺑﺴﺘﮕﻲ ﺑﻪ اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮ دارد‪ .‬ﺑﺮاي‬
‫ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ ﻓﺮم ﻣﺨﺼﻮص اﻳﻦ اﺳﺖ‪:‬‬
‫) )‪(EXPAND(CAR QUEUE)(CDR QUEUE‬اﻓﺰودن(‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻳﻚ ﺟﺴﺘﺠﻮي ﻋﻤﻘﻲ ﺑﻲ ﺗﺠﺮﺑﻪ ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ‪:‬‬
‫‪ (DEFOUND DEPTH (Start Finish):‬ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮدر اﺳﻢ‬ ‫‪DEPTH‬‬
‫‪ (DEPTH (List Start) Finish):‬ﻣﻘﺪار دﻫﻲ اوﻟﻴﻪ‬
‫‪ (DEFOUND DEPTH (Queue Finish): DEPTH‬ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮدر اﺳﻢ‬
‫‪ (cond (null Queue) N/L).‬ﺑﺮﮔﺸﺖ ‪ NULL‬اﮔﺮ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ‬
‫ﺑﺮﮔﺸﺖ ‪ T‬اﮔﺮ ﻫﺪف ﭘﻴﺪا ﺷﺪه اﺳﺖ‬ ‫)‪(Equal Finish(Car Queuet‬‬
‫ﺗﻼش دوﺑﺎره ﺑﺎ ﺻﻒ ﺟﺪﻳﺪ‬ ‫)‪( T (depth , t,y‬‬
‫ﮔﺮه ﺟﺪﻳﺪ در ﺳﺮ‬ ‫)‪(append (expand (car Queue‬‬
‫ﺑﻘﻴﻪ ﺻﻒ‬ ‫;))‪(CDR Queue‬‬
‫))))‪FINISH‬‬

‫اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻛﺎر ﻛﻮﭼﻜﻲ را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ .‬ﺑﻪ ﺳﺎدﮔﻲ ‪ t‬ﻳﺎ ‪ null‬را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ و ﺧﻮب اﺳﺖ‬
‫اﮔﺮ ﻣﺎ ﺑﺪاﻧﻴﻢ ﻛﻪ ﮔﺮه ﻫﺎ در ﻃﻲ ﻣﺴﻴﺮ ﻣﺎ را ﺑﻪ ﺳﻮي ﻫﺪف ﺳﻮق ﻣﻲ دﻫﻨﺪ‪ .‬ﻫﻢ ﭼﻨﻴﻦ اﻳﻦ‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺷﺒﻜﻪ ﻫﺎ را ﻛﻨﺘﺮل ﻛﻨﺪ وﻫﻴﭻ آزﻣﻮﻧﻲ ﺑﺮاي ﺟﻠﻮﮔﻴﺮي از رﻓﺘﻦ آﻧﻬﺎ ﺑﻪ‬
‫ﺳﻮي ﺣﻠﻘﻪ ﻫﺎي ﺑﻲ ﻧﻬﺎﻳﺖ وﺣﻮد ﻧﺪارد‪.‬‬
‫ﭼﮕﻮﻧﻪ ﺑﻪ ﺑﺮﻧﺎﻣﻪ اي ﺑﺮﺳﻴﻢ ﻛﻪ ﻣﺴﻴﺮ را ﺑﺮﮔﺮداﻧﺪ ؟ ﻣﺎ ﺑﺎﻳﺪ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮي از ﻋﻮاﻣﻞ‬
‫ﺳﺎﺧﺘﻤﺎن داده اي ﺻﻒ ﺟﻤﻊ آوري ﻛﻨﻴﻢ ‪ .‬ﺗﺎ ﺑﻪ ﺣﺎل ﻧﻤﺎﻳﺶ ﻋﻮاﻣﻠﻲ ﻛﻪ ﮔﺮه ﻫﺎ ﻧﮕﻪ ﻣﻲ‬
‫دارﻧﺪ ﺗﺴﺖ ﺷﺪه اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﺻﻒ ﻣﻲ ﺗﻮاﻧﺪ ﺷﺒﻴﻪ اﻳﻦ ﺑﺎﺷﺪ‪:‬‬
‫)‪(s‬‬
‫)‪(L O‬‬
‫)‪(M F O‬‬
‫)‪(N F O‬‬
‫)‪(F F O‬‬

‫در ﻋﻮض ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻋﻮاﻣﻞ ﻧﻪ ﺗﻨﻬﺎ ﮔﺮه ﻫﺎ ﺑﻠﻜﻪ ﻣﺴﻴﺮﻫﺎ را ﻧﺸﺎن دﻫﻨﺪ‪ .‬ﻫﺮ ﻣﺴﻴﺮ ﺑﺎ‬
 ‫‪58‬‬

‫ﮔﺮه آﻏﺎزي ﺷﺮوع ﻣﻲ ﺷﻮد و ﺑﻪ ﮔﺮه اي ﻛﻪ ﻓﺮزﻧﺪاﻧﺶ ﻫﻨﻮز زﻳﺎد ﻧﺸﺪه اﻧﺪ ﺗﻮﺳﻌﻪ ﻣﻲ‬
‫ﻳﺎﺑﺪ‪ .‬ﺳﭙﺲ ﺻﻒ ﻣﺎﻧﻨﺪ زﻳﺮ ﺗﻮﺳﻌﻪ ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‬

‫)))‪(((S‬‬
‫))‪((LS)(OS‬‬
‫))‪((MLS) (F L S) (O S‬‬
‫))‪((N M L S) (F L S) (OS‬‬
‫))‪((F N M L S) (F L S) (O S‬‬

‫ﺑﻪ ﺧﺎﻃﺮ ﺷﻜﻞ ﺟﺪﻳﺪ در ﺻﻒ ﻻزم ﻫﺴﺖ ﻛﻪ ﻣﺎ ﻋﻤﻖ را ﻋﻮض ﻛﻨﻴﻢ ‪ .‬اول ﭘﺎﻳﺎن (‬
‫)‪ CAAR QUEUE‬ﺑﺎ )‪ (CAR QUEUE‬ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ ‪ .‬ﺳﭙﺲ ﺑﻪ ﺟﺎي‬
‫ﺑﺮﮔﺸﺖ ‪ T‬ﻣﺴﻴﺮي ﻛﻪ ‪ T‬در آن ﻗﺮار ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺮ ﮔﺮداﻧﺪه ﻣﻲ ﺷﻮد ‪ .‬در آﺧﺮ ﻳﻚ‬
‫ﺳﺎزﮔﺎري ﻛﻮﭼﻚ ﺑﺮاي ﻧﻤﺎﻳﺶ ﻧﺘﻴﺠﻪ ﺑﻪ ﺻﻮرت ﺑﺮ ﻋﻜﺲ ﻛﻪ ﻳﻚ ﺗﺮﺗﻴﺐ ﻃﺒﻴﻌﻲ اﺳﺖ‬
‫ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ از ﻣﻨﺒﻊ ﺗﺎ ﻫﺪف ﻧﺎم ﮔﺬاري ﺷﺪه اﺳﺖ‪.‬‬

‫ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮ در اﺳﻢ ‪ DEPTH‬اﺳﺖ‬ ‫;)‪(DEFUN DEPTH( START FINISH‬‬

‫ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮ ﻣﺤﺴﻮس‬
‫ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮ در اﺳﻢ ‪DEPTH‬‬
‫ﺑﺮﮔﺴﺖ ‪ null‬اﮔﺮ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ‬
‫ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮ ﻛﻮﭼﻚ در ‪CAAR‬‬
‫ﺗﻮﺟﻪ ﺗﻐﻴﻴﺮ ﻛﻮﭼﻚ در ‪CAAR‬‬
‫ﺗﻼش دوﺑﺎره ﺑﺎ ﺻﻒ ﺟﺪﻳﺪ‬
‫ﮔﺮه ﺟﺪﻳﺪ در ﻗﺴﻤﺖ ﺳﺮ‬
‫ﺑﻘﻴﻪ ﺻﻒ‬
‫; )‪DEPTH LIST (LIST START ) FINISH‬‬
‫;)‪(DEFUND DEPTH ( QUEUE FINISH‬‬
‫)‪(COUD ((NULL QUEUE) N/L‬‬
‫))‪((EQUAL FINISH ((CAAR QUEUE‬‬
‫)))‪REVERSE (CAR QUEUE‬‬
‫))‪(T ( DEPTH1‬‬
‫)‪(APPEND (EXPAND (CAR QUEUE‬‬
‫))‪(CDR QUEUE‬‬
‫))))‪(FINISH‬‬

‫ﻫﻤﭽﻨﻴﻦ ﻣﺎ ﺑﺎﻳﺪ ﮔﺴﺘﺮش را ﺗﻐﻴﻴﺮ ﺑﺪﻫﻴﻢ ‪.‬ﻋﻼوه ﺑﺮ ﮔﺮﻓﺘﻦ ﻳﻚ ﮔﺮه و ﺑﺮﮔﺮداﻧﺪن ﻳﻚ‬
‫ﻟﻴﺴﺖ از ﻓﺮزﻧﺪاﻧﺶ ‪ ،‬آن ﺑﺎﻳﺪ ﻳﻚ ﻣﺴﻴﺮ را ﺑﮕﻴﺮد ‪ ،‬در ﭘﺎﻳﺎن ﻣﺴﻴﺮ ﻓﺮزﻧﺪان ﻳﻚ ﮔﺮه را‬
‫ﭘﻴﺪا ﻛﻨﻨﺪ و ﻓﻬﺮﺳﺘﻲ از ﻣﺴﻴﺮﻫﺎي ﺟﺪﻳﺪ را ﺑﺮ ﮔﺮداﻧﺪ ‪ .‬ﻫﺮ ﻣﺴﻴﺮ ﺟﺪﻳﺪ ﺷﺎﻣﻞ ﻣﺴﻴﺮ اﺻﻠﻲ‬
‫ﺑﺎ ﻳﻜﻲ از ﺑﭽﻪ ﻫﺎﻳﺶ ﺧﻮاﻫﺪ ﺑﻮد ‪.‬اﻳﻦ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺎﻧﻨﺪ زﻳﺮ ﻣﺮﺗﺐ ﺷﻮد‪:‬‬

‫)‪DEFUN EXPAND (PATH‬‬

‫))‪MAPCAR <> (LAMBDA(CHILD)(CONS CHILD PATH‬‬
‫)))‪(GET (CAR PATH), CHILDREN‬‬

‫‪.‬‬
 ‫ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ‪59‬‬

‫ﻧﻘﺸﻪ ﻛﺎر ﺑﺮاي ﻳﻚ ﻣﺴﻴﺮ ﺟﺪﻳﺪ ﻛﻪ ﺑﺮاي ﻫﺮ ﻓﺮزﻧﺪ ﻣﺘﻌﻠﻖ ﺑﻪ اﻧﺘﻬﺎي ﻣﺴﻴﺮ ﻗﺪﻳﻤﻲ ﺳﺎﺧﺘﻪ‬
‫ﺷﺪه ‪ ،‬ﺗﻨﻈﻴﻢ ﺷﺪه اﺳﺖ و ﻫﻨﻮز اﮔﺮ ﺣﻠﻘﻪ ﻫﺎﻳﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻛﺎر ﻧﻤﻲ ﻛﻨﺪ‪ .‬اﮔﺮ ﻣﺎ‬
‫آرزو دارﻳﻢ ﻛﻪ ﺷﺒﻜﻪ ﻫﺎ را ﺑﻪ ﺧﻮﺑﻲ درﺧﺘﺎن ﻣﺪﻳﺮﻳﺖ ﻛﻨﻴﻢ ‪ ،‬ﺑﺎﻳﺪ ﻣﺴﻴﺮﻫﺎي ﭘﻴﺸﻨﻬﺎد‬
‫ﺷﺪه ﺑﻮﺳﻴﻠﻪ ﻋﻤﻠﻴﺎت ﮔﺴﺘﺮش را اﻣﺘﺤﺎن ﻛﻨﻴﻢ ‪ ،‬ﺑﺮرﺳﻲ ﻛﻨﻴﻢ ﻛﻪ ﺑﺒﻴﻨﻴﻢ آﻳﺎ ﮔﺮه ﺟﺪﻳﺪي‬
‫در ﺟﺎي دﻳﮕﺮي اراﺋﻪ ﺷﺪه اﺳﺖ و آﻧﺮا اﺳﺘﺨﺮاج ﻛﻨﻴﻢ ‪.‬‬

‫;)‪DEFUN EXPAND (PATH‬‬

‫‪REMOVE-IF‬‬
‫)))‪LAMBDA(PATH) (MEMBER(CAR PATH)CDR PATH‬‬
‫))‪MAPCAR<> (LAMBDA(CHILD)(CONS CHILD PATH‬‬
‫)))‪(GET (CAR PATH) CHILDREN‬‬
 ‫ﻓﺼﻞ ﻫﻔﺘﻢ‬

‫ﺗﻜﻨﻮﻟﻮژي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫اﻫﺪاف‬
‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬
‫• آﺷﻨﺎﻳﻲ ﺑﺎ ﺳﻪ ﻓﻨﺎوري ﻣﺨﺘﻠﻒ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪ ،‬ﺷﺎﻣﻞ ﭼﺸﻢ ﻛﺎﻣﭙﻴﻮﺗﺮي ‪،‬‬
‫ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ و ﺷﻨﺎﺳﺎﻳﻲ ﻛﻼم ﻳﺎ ﮔﻔﺘﺎر‬
‫• آﺷﻨﺎﻳﻲ ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﺷﻨﺎﺳﺎﻳﻲ ﭼﻬﺮه و ﭼﮕﻮﻧﮕﻲ ﻣﺤﺎﺳﺒﻪ دﻗﺖ در آن‬
‫• اراﺋﻪ ﺗﻌﺮﻳﻒ ﮔﺮاﻣﺮ ﻳﻚ زﺑﺎن و اﻧﻮاع آن‬
‫• آﺷﻨﺎﻳﻲ ﺑﺎ ﭼﮕﻮﻧﮕﻲ اﺷﺘﻘﺎق ﺟﻤﻼت از ﻳﻚ ﮔﺮاﻣﺮ و ﭼﮕﻮﻧﮕﻲ ﻋﻤﻠﻜﺮد ﺗﺠﺰﻳﻪ‬
‫ﻛﻨﻨﺪه ﻫﺎ‬
‫• آﺷﻨﺎﻳﻲ ﺑﺎ ﮔﺮاﻣﺮ و ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻨﻄﻘﻲ‬
‫• آﺷﻨﺎﻳﻲ ﺑﺎ زﺑﺎن ﻧﻤﺎﻳﺶ داﻧﺶ و ﺳﭙﺲ ﺗﻌﺮﻳﻒ ﻣﻌﻨﻲ ﺷﻨﺎﺳﻲ ﺟﻤﻼت‬
‫• ﺗﻌﺮﻳﻒ ﭼﮕﻮﻧﮕﻲ ﭘﺮدازش ﺳﻴﮕﻨﺎل ﺻﻮﺗﻲ‬

‫‪ 1-7‬ﻣﻘﺪﻣﻪ‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫اﻣﺮوزه ﻓﻨﺎوري ﻫﺎي زﻳﺎدي در زﻣﻴﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﺣﺎل ﻣﺸﻬﻮر ﺷﺪن ﻫﺴﺘﻨﺪ‪.‬اﻳﻦ‬
‫ﻓﻨﺎوري ﻫﺎ ﺑﻪ ﻋﻨﻮان زﻣﻴﻨﻪ ﻫﺎي ﻣﺨﺘﻠﻒ ﺗﺤﻘﻴﻘﺎﺗﻲ ﻣﻄﺮح ﺷﺪه اﻧﺪ ‪.‬در اﻳﻦ ﻓﺼﻞ ﻣﺎ راﺟﻊ ﺑﻪ‬
‫ﺳﻪ ﻓﻨﺎوري ﻣﺨﺘﻠﻒ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﺤﺚ ﺧﻮاﻫﻴﻢ ﻧﻤﻮد‪.‬اﺑﺘﺪا ﺑﺎ ﻣﺒﺤﺚ دﻳﺪ ﻛﺎﻣﭙﻴﻮ ﺗﺮي‬
‫)‪ (computer vision‬ﻛﻪ ﺑﺮاي ﻛﺎرﺑﺮدﻫﺎي ارﺗﺸﻲ و ﻧﻈﺎﻣﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ ﺷﺮوع‬
‫ﺧﻮاﻫﻴﻢ ﻧﻤﻮد‪.‬‬
‫اﻣﺮوزه ﻣﺎ ﺗﻮﺳﻌﻪ ﻫﺎي ﺑﻲ ﻧﻈﻴﺮي از ‪ computer vision‬را در زﻣﻴﻨﻪ ﻫﺎﻳﻲ از ﭼﺸﻢ‬
‫روﺑﺎﺗﻬﺎ ﮔﺮﻓﺘﻪ ﺗﺎ دﻳﺪ ﻣﺎﺷﻴﻨﻲ )ﭼﺸﻢ ﻣﺎﺷﻴﻨﻲ ‪ ( machine vision‬ﺷﺎﻫﺪ ﻫﺴﺘﻴﻢ‪.‬‬
‫ﺳﭙﺲ ﺑﻪ ﺗﻮﺿﻴﺢ ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ ﺧﻮاﻫﻴﻢ ﭘﺮداﺧﺖ ‪.‬اﻳﻦ ﻓﺮاﻳﻨﺪ ﻣﺎ را ﻗﺎدر ﺑﻪ ﻣﻜﺎﻟﻤﻪ ﺑﺎ‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﻪ زﺑﺎن ﻃﺒﻴﻌﻲ ﻣﻲ ﺳﺎزد‪.‬اﻳﻦ ﻣﺒﺤﺚ در ﺑﺴﻴﺎري از ﭘﺎﻳﮕﺎﻫﻬﺎي داده ‪,‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‬
‫‪ ,‬روﺑﺎﺗﻬﺎ و ﻏﻴﺮه ﻣﺸﻬﻮر اﺳﺖ‪.‬ﻫﻤﻜﺎر اﺻﻠﻲ ‪ NLP‬ﻳﻚ ﺑﺎزﺷﻨﺎس ﻛﻼم ﻳﺎ ﮔﻔﺘﺎر اﺳﺖ ﻛﻪ در‬
‫ﺑﺨﺶ ﻧﻬﺎﻳﻲ اﻳﻦ ﻓﺼﻞ ﺑﻪ ان ﭘﺮداﺧﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫‪ 2-7‬ﺑﻴﻨﺎﻳﻲ ﻛﺎﻣﭙﻴﻮﺗﺮي‪1‬‬
‫ﻣﺸﻜﻞ اﺻﻠﻲ ﻳﻚ ﭼﺸﻢ ﻛﺎﻣﭙﻴﻮﺗﺮي ﺗﺸﺨﻴﺺ و ﻓﻬﻢ ﻳﻚ ﺷﻴﺊ ﻳﺎ ﻳﻚ ﻣﻨﻈﺮه ﺑﺎ ﺧﻮاص ﺳﻪ‬
‫ﺑﻌﺪي ان در ﻳﻚ ﺗﺼﻮﻳﺮ ﻳﺎ ﻳﻚ ﺗﻮاﻟﻲ از ﺗﺼﺎوﻳﺮ اﺳﺖ‪.‬‬
‫دﻳﺪ ﻳﺎ ‪ vision‬ﭘﺮدازﺷﻲ اﺳﺖ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ان ﺷﺮح ﻣﻨﺎﻇﺮ ﻓﻴﺰﻳﻜﻲ از ﺗﺼﻮﻳﺮ اﻧﻬﺎ اﺳﺘﻨﺘﺎج‬
‫ﻣﻲ ﺷﻮد‪.‬ﻛﺎرﺑﺮدﻫﺎي ﻣﺘﻨﻮﻋﻲ از ﭼﺸﻢ ﻛﺎﻣﭙﻴﻮﺗﺮي وﺟﻮد دارﻧﺪ ﻫﻤﺎﻧﻨﺪ‪ :‬اﻧﺎﻟﻴﺰ ﺗﺼﺎوﻳﺮ ﭘﺰﺷﻜﻲ ‪,‬‬
‫ﻣﺠﺘﻤﻊ ﻛﺮدن )‪ , ( assembly‬ﻛﺸﺘﻴﺮاﻧﻲ و ﻧﺎوﺑﺮي ‪ ,‬واﺳﻂ اﻧﺴﺎن و ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻏﻴﺮه‪.‬‬
‫ﻳﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ دﻳﺪ اﻧﺴﺎن را در ‪ 4‬ﻣﺮﺣﻠﻪ ﺗﻘﻠﻴﺪ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﻋﺒﺎرﺗﻨﺪ از ‪(1‬اﻛﺘﺴﺎب‬
‫ﺗﺼﻮﻳﺮ ‪ (2‬ﭘﺮدازش ﺗﺼﻮﻳﺮ ‪ (3‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺗﺼﻮﻳﺮ ‪ (4‬ﻓﻬﻢ ﺗﺼﻮﻳﺮ ‪.‬‬
‫اﻣﺮوزه دﺳﺘﮕﺎﻫﻬﺎ و اﺑﺰار ﺧﻮﺑﻲ ﺑﺮاي ﮔﺮﻓﺘﻦ ﺗﺼﺎوﻳﺮ واﺿﺢ وﺟﻮد دارد‪.‬‬
‫وﻗﺘﻲ ﺗﺼﻮﻳﺮي ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد ‪ ,‬ﺗﺎﻳﻴﺪ ﻛﻴﻔﻴﺖ ﺗﺼﺎوﻳﺮ ﺑﻪ وﺳﻴﻠﻪ ﻣﻜﺎﻧﻴﺰم ﭘﺮدازش ﺗﺼﻮﻳﺮ اﻧﺠﺎم‬
‫ﻣﻲ ﺷﻮد‪..‬در اﻳﻨﺠﺎ اﺛﺮات ﺳﻴﮕﻨﺎﻟﻬﺎي ﻧﻮﻳﺰ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻋﻠﺖ وﺟﻮد ﺧﺮاﺑﻲ در دﺳﺘﮕﺎه‬
‫ﺗﺼﻮﻳﺮﺑﺮداري ﻳﺎ ﺗﻨﻮع در ﻧﻮرﭘﺮدازي و ﻳﺎ وﺟﻮد اﺷﺘﺒﺎه در ﻓﺮاﻳﻨﺪ دﻳﺠﻴﺘﺎﻟﻲ ﻛﺮدن ﺑﺎﺷﻨﺪ‬

‫‪1‬‬ ‫‪computer vision‬‬

 ‫‪62‬‬

‫‪,‬ﻧﺎدﻳﺪه ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪.‬از ان ﭘﺲ ﻓﺎز ﺗﺤﻠﻴﻞ اﻏﺎز ﺷﺪه ﻛﻪ ﺑﺎ ﻓﺎز ﻓﻬﻢ ﺗﺼﻮﻳﺮ دﻧﺒﺎل ﻣﻲ ﺷﻮد‬
‫و ﺑﺎ ﺷﻨﺎﺳﺎﻳﻲ و ﺗﺸﺨﻴﺺ اﺷﻴﺎ ﻣﺨﺘﻠﻒ در ﺗﺼﻮﻳﺮ ﺳﺮوﻛﺎر دارد‪.‬‬
‫‪eigenspace‬‬ ‫اﺟﺎزه دﻫﻴﺪ ﺑﺎ ﻳﻚ ﻣﺴﺎﻟﻪ ﺗﺸﺨﻴﺺ ﭼﻬﺮه ﺑﺎ اﺳﺘﻔﺎده از ﻳﻚ‬
‫‪ representation‬ﺷﺮوع ﻛﻨﻴﻢ‪.‬‬
‫ﻓﺮض ﻛﻨﻴﺪ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ‪ M‬ﺗﺎﻳﻲ ﺗﺼﻮﻳﺮ ﺑﺎ ﺳﺎﻳﺰ ‪ N x N‬ﭘﻴﻜﺴﻞ ﻛﻪ ﻫﺮ ﺗﺼﻮﻳﺮ ﺷﺎﻣﻞ ﭼﻬﺮه‬
‫ﻳﻚ ﻓﺮد و ﺗﻘﺮﻳﺒﺎ" ﺗﺼﻮﻳﺮ ﻓﻘﻂ روي ﻣﻮﻗﻌﻴﺖ ﭼﻬﺮه ﺑﺎ روﺷﻨﺎﻳﻲ ﻛﺎﻓﻲ اﺳﺖ ‪ ,‬داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ .‬و‬
‫ﻳﻚ ﺗﺼﻮﻳﺮ ﻫﻢ دارﻳﻢ ﻛﻪ ان را ﺑﺎ ﺳﺮي ﺗﺼﺎوﻳﺮ ﻣﻘﺎﻳﺴﻪ ﻧﻤﻮده و ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﺪام ﻳﻚ‬
‫از ﺗﺼﺎوﻳﺮ ان ﻣﺠﻤﻮﻋﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻋﻜﺲ ﻣﻮرد ﻧﻈﺮ اﺳﺖ‪.‬‬

‫‪Eigenspace Representation of images 1-2-7‬‬

‫ﻳﻚ ﺗﺼﻮﻳﺮ ‪ N x N‬ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻧﻘﻄﻪ در ﻓﻀﺎي ﺗﺼﻮﻳﺮ‪ N 2‬ﺑﻌﺪي ﺑﻴﺎن ﺷﻮد ﻛﻪ‬
‫در ان ﻫﺮ ﺑﻌﺪ ﺑﺎ ﻳﻜﻲ از ﭘﻴﻜﺴﻠﻬﺎ در ﺗﺼﻮﻳﺮ ﻣﺮﺗﺒﻂ اﺳﺖ و ارزش ﻣﻤﻜﻦ ﺑﺮاي ﻫﺮ ﺑﻌﺪ ﺑﺎ‬
‫ﺳﻄﺢ ﺧﺎﻛﺴﺘﺮي ﺑﻮدن ﻫﺮ ﭘﻴﻜﺴﻞ ارﺗﺒﺎط دارد‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻳﻚ ﺗﺼﻮﻳﺮ ‪ 512x512‬ﻛﻪ در‬
‫ان ﻫﺮ ﭘﻴﻜﺴﻞ ﻳﻚ ﻋﺪد ﺻﺤﻴﺢ در ﺑﺎزه ‪ 0‬ﺗﺎ ‪ ) 255‬ﻳﻚ ﭘﻴﻜﺴﻞ در ﻳﻚ ﺑﺎﻳﺖ ذﺧﻴﺮه ﻣﻲ‬
‫ﺷﻮد( اﺳﺖ‪.‬ﻓﻀﺎي ﺗﺼﻮﻳﺮ ﻳﻚ‬
‫‪ 144,262‬ﺑﻌﺪي اﺳﺖ ﻛﻪ ﻫﺮ ﺑﻌﺪ ‪ 256‬ارزش ﻣﻤﻜﻦ دارد ‪.‬‬
‫اﮔﺮ ﻣﺎ ﺳﺮي ‪ M‬ﺗﺎﻳﻲ ﺗﺼﺎوﻳﺮ را ﺑﻪ ﻋﻨﻮان ‪ M‬ﺗﺎ ﻧﻘﻄﻪ در ﻓﻀﺎي ﺗﺼﻮﻳﺮ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ﻳﻚ‬
‫راه ﺷﻨﺎﺳﺎﻳﻲ ﭼﻬﺮه ﻳﻚ ﻓﺮد در ﻳﻚ ﺗﺴﺖ ﺟﺪﻳﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﺗﺼﻮﻳﺮ در ان ﺳﺮي‬
‫در ﻓﻀﺎي ﺗﺼﻮﻳﺮ را ﭘﻴﺪا ﻛﻨﻴﻢ‪.‬وﻟﻲ اﻳﻦ را ه ﺣﻞ ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ اﻧﺪازه ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﺴﻴﺎر‬
‫ﺑﺰرگ اﺳﺖ ﺑﺴﻴﺎر ﻛﻨﺪ ﺧﻮاﻫﺪ ﺑﻮد ‪ .‬ﺑﻪ اﻳﻦ دﻟﻴﻞ ﺑﻪ ﺟﺎي اﻳﻦ روش اﺟﺎزه دﻫﻴﺪ ﻫﺮ ﺗﺼﻮﻳﺮ را‬
‫در ﻳﻚ ﻓﻀﺎ ﺑﺎ اﺑﻌﺎد ﻛﻤﺘﺮ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ‪ ,‬ﻓﻀﺎﻳﻲ ﻛﻪ ﻓﻀﺎي ﭼﻬﺮه ) ‪ ( face space‬ﻳﺎ‬
‫‪ eigen space‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫ﻓﺮض ﻛﻨﻴﺪ ﻣﺎ ’‪ M‬ﺗﺎ ﺗﺼﻮﻳﺮ ’‪ E1,E2,….EM‬دارﻳﻢ ﻛﻪ ‪ eigen space‬ﻳﺎ ‪eigen‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪vectors‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬اﻳﻦ ﺗﺼﺎوﻳﺮ‪ ,‬ﺗﺼﺎوﻳﺮ ﭘﺎﻳﻪ ﻣﺠﻤﻮﻋﻪ را ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﻫﺮ‬

‫ﺗﺼﻮﻳﺮ در دوره اي ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﭼﻘﺪرﺑﻪ ﻫﺮ ﻛﺪام از ﺗﺼﺎوﻳﺮ ﻣﺠﻤﻮﻋﻪ ﭘﺎﻳﻪ ﺷﺒﺎﻫﺖ‬
‫دارد‪.‬‬
‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻳﻚ ﺗﺼﻮﻳﺮ دﻟﺨﻮاه ‪ I‬را ﺑﻪ ﻋﻨﻮان ﺗﺮﻛﻴﺐ وزن دار )ﺧﻄﻲ( از اﻳﻦ‬
‫‪ eigenvector‬ﻫﺎ ﻧﻤﺎﻳﺶ دﻫﻴﻢ ﻣﺎﻧﻨﺪ زﻳﺮ‪:‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﺗﺼﻮﻳﺮ را از ﺗﻤﺎم ﺗﺼﺎوﻳﺮازﻣﺎﻳﺸﻲ ‪ I1,I2…..IM‬ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪(A) :‬‬

‫‪M‬‬
‫‪1‬‬
‫=‪A‬‬
‫‪M‬‬
‫‪∑I‬‬
‫‪i =1‬‬
‫‪i‬‬

‫ﺑﺮاي ’‪ K=1,2,…..M‬ارزش ﺣﻘﻴﻘﻲ وزن ‪ WK‬را ﻛﻪ ﻣﻴﺰان ﺷﺒﺎﻫﺖ ﺑﻴﻦ ﺗﺼﻮﻳﺮ ورودي ‪I‬‬
‫و ‪ k eigenvector‬ام را ﻧﺸﺎن ﻣﻲ دﻫﺪ )‪ (EK‬ﺣﺴﺎب ﻛﻨﻴﺪ‪.‬‬

‫)‪WK = EKT * (I − A‬‬

‫ﺟﺎﻳﻴﻜﻪ ﺗﺼﻮﻳﺮ ‪ I‬ﻣﻔﺮوض اﺳﺖ و ﻧﺸﺎن دﻫﻨﺪه ﺑﺮدار ﺳﺘﻮن از ﻃﻮل ‪ N2‬اﺳﺖ‪K , EK ,‬‬
‫اﻣﻴﻦ ﺗﺼﻮﻳﺮ از ‪ eigen face‬ﻣﻲ ﺑﺎﺷﺪ و ﺑﺮدار ﺳﺘﻮن از ﻃﻮل ‪ N2‬ﻣﻲ ﺑﺎﺷﺪ ‪ A ,‬ﻫﻢ ﺑﺮدار‬
‫ﺳﺘﻮن از ﻃﻮل ‪ N2‬اﺳﺖ‪.‬‬
‫* ﻋﻤﻞ ﺣﺎﺻﻠﻀﺮب ﻧﻘﻄﻪ اي و ﻋﻤﻞ _ ﺗﻔﺮﻳﻖ ﭘﻴﻜﺴﻞ ﺑﻪ ﭘﻴﻜﺴﻞ ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ‪WK‬‬
‫ارزش ﺣﻘﻴﻘﻲ ﻗﺎﺑﻞ ﺳﻨﺠﺶ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ W = [w1 , w2 .....wM ' ]T‬ﺑﺮدار ﺳﺘﻮﻧﻲ از وزﻧﻬﺎﺳﺖ ﻛﻪ ﺳﻬﻢ ﻫﺮ ﻛﺪام از ﺗﺼﺎوﻳﺮ ‪eigen‬‬
‫‪ face‬در ﻧﻤﺎﻳﺶ ‪ I‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﺑﻪ ﺟﺎي ﻧﻤﺎﻳﺶ ﺗﺼﻮﻳﺮ ‪ I‬در ﻓﻀﺎي ﺗﺼﺎوﻳﺮ ﻣﺎ ان را ﺑﻪ ﻋﻨﻮان ‪ W point‬در ﻓﻀﺎي‬
‫’‪M‬‬
‫ﺑﻌﺪي وزن ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻴﻢ ﻛﻪ ﻣﺎ اﻧﺮا ﻓﻀﺎي ﭼﻬﺮه ﻳﺎ ‪eigen space‬ﻣﻲ ﻧﺎﻣﻴﻢ‪.‬‬
‫از اﻳﻨﺮو ﻫﺮ ﺗﺼﻮﻳﺮ از اﺻﻞ ‪ eigenspace‬ﻃﺮاﺣﻲ ﺷﺪه اﺳﺖ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺘﺮاﻛﻢ ﺳﺎزي ‪,‬‬
 ‫‪64‬‬

‫ﻫﺮ ﺗﺼﻮﻳﺮ ﺑﻪ وﺳﻴﻠﻪ اﻋﺪاد ﺣﻘﻴﻘﻲ ’‪ M‬ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮد‪ ,‬ﺑﻪ ﻣﻌﻨﻲ اﻳﻨﻜﻪ ﺑﺮاي ﻫﺮ ارزش‬
‫ﻧﻮﻋﻲ ﻣﺎﻧﻨﺪ ‪ M=10‬و ‪ 32‬ﺑﻴﺖ ﺑﺮاي ﻫﺮ وزن ‪ ,‬ﻣﺎ اﺣﺘﻴﺎج ﺑﻪ ‪ bits/image 320‬ﺑﺮاي‬
‫رﻣﺰﮔﺬاري ان در ﻓﻀﺎي ﭼﻬﺮه دارﻳﻢ‪.‬‬
‫ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ ﻣﺎ ﻫﻤﭽﻨﻴﻦ ﺑﺎﻳﺪ ’ ‪ M‬ﺗﺎ ﺗﺼﻮﻳﺮ ‪ eigen face‬را ذﺧﻴﺮه ﻛﻨﻴﻢ ﻛﻪ اﻳﻨﻬﺎ ﻫﺮ‬
‫ﻛﺪام ‪ N2‬ﭘﻴﻜﺴﻠﻲ ﻣﻲ ﺑﺎﺷﻨﺪ وﻟﻲ اﻳﻦ ﻫﺰﻳﻨﻪ ﺻﺮف ﺗﻤﺎم ﺗﺼﺎوﻳﺮ ازﻣﺎﻳﺸﻲ )‪ ( training‬ﻣﻲ‬
‫ﺷﻮد‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻫﺰﻳﻨﻪ اﺿﺎﻓﻲ ﻛﻮﭼﻚ ﻣﻄﺮح ﺷﻮد‪.‬‬
‫ﺗﺼﻮﻳﺮ ‪ I‬ﺣﺪودا" ﻣﻲ ﺗﻮاﻧﺪ ﺗﻮﺳﻂ ‪ W‬ﻣﺎﻧﻨﺪ زﻳﺮ ﺑﺎزﺳﺎزي ﺷﻮد‪:‬‬
‫' ‪M‬‬
‫‪I ≈ A +‬‬ ‫∑‬
‫‪i =1‬‬
‫‪wi * Ei‬‬

‫اﻳﻦ ﺑﺎزﺳﺎزي و اﺣﻴﺎ ﺻﺤﻴﺢ و ﻛﺎﻣﻞ ﻣﻲ ﺷﻮد اﮔﺮ ) ‪. M ' = min(M , N 2‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻧﻤﺎﻳﺶ ﻳﻚ ﺗﺼﻮﻳﺮ در ‪ eigen space‬در ﺻﻮرﺗﻲ ﻛﻪ ﻋﻜﺲ ﻧﻮﺳﺎزي و‬
‫ﻣﻄﺎﺑﻖ اﺻﻞ ﺑﺎزﺳﺎزي ﻧﺸﺪه ﺑﺎﺷﺪ ‪,‬درﺳﺖ و دﻗﻴﻖ ﻧﺨﻮاﻫﺪ ﺑﻮد‪.‬وﻟﻲ ﺑﺮاي ﻓﺮق ﻗﺎﺋﻞ ﺷﺪن‬
‫ﺑﻴﻦ ﺗﺼﺎوﻳﺮ ﻫﻤﻴﻦ اﻧﺪازه ﺷﺒﺎﻫﺖ ﻛﺎﻓﻴﺴﺖ‪.‬‬
‫در اﻳﻦ ﻣﺮﺣﻠﻪ ارزﺷﻲ ﺑﺮاي ’‪ M‬اﻧﺘﺨﺎب ﻛﻨﻴﺪ و ﺳﭙﺲ ﺑﻬﺘﺮﻳﻦ ﺗﺼﺎوﻳﺮ ‪eigen‬‬
‫‪ vector‬را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬اﻳﻦ ﻋﻤﻞ ﺑﻪ وﺳﻴﻠﻪ ﺗﻜﻨﻴﻚ اﻣﺎرﺷﻨﺎﺳﻲ ﻛﻪ ﻣﻮﻟﻔﻪ اﺻﻠﻲ‬
‫ﺗﺤﻠﻴﻞ) ‪ ( Principal Components Analysis‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد اﻧﺠﺎم ﻣﻲ‬
‫ﮔﺮدد‪.‬‬
‫ذاﺗﺎ" اﻳﻦ ﺗﻜﻨﻴﻚ ’‪ M‬ﺗﺎ ﺗﺼﻮﻳﺮ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺣﺠﻢ اﻃﻼﻋﺎت را در ﻣﺘﺮاﻛﻢ‬
‫ﺳﺎزي ﺑﻴﺸﻴﻨﻪ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺑﻬﺘﺮﻳﻦ ’‪ M‬ﺗﺎ ﺗﺼﺎوﻳﺮ ‪ eigen face‬ﺑﻪ ﺻﻮرت زﻳﺮ ﺣﺴﺎب ﻣﻲ ﺷﻮﻧﺪ‪:‬‬
‫ﺑﺮاي ﻫﺮ ﺗﺼﻮﻳﺮ ازﻣﺎﻳﺸﻲ )‪ , Ii ( training‬ﺑﻪ وﺳﻴﻠﻪ ﺗﻔﺮﻳﻖ ﻣﻴﺎﻧﮕﻴﻦ ﻧﺮﻣﺎل ﻣﻲ ﺷﻮد‪:‬‬

‫‪Yi = I i − A‬‬
‫ﻣﺎﺗﺮﻳﺲ ﻛﻮوارﻳﺎﻧﺲ ‪ N2xN2‬را ﺣﺴﺎب ﻛﻨﻴﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪:‬‬

‫‪ eigen vector‬ﻫﺎي ‪ C‬را ﻛﻪ ﺑﺎ ’‪ M‬ﺗﺎ از ﺑﺰرﮔﺘﺮﻳﻦ ‪ eigen values‬ﻣﺮﺗﺒﻂ ﻣﻲ‬

‫ﺑﺎﺷﻨﺪ را ﺑﻴﺎﺑﻴﺪ‪.‬‬
‫’‪ E1,E2….EM‬ﺑﻨﺎﻣﻴﺪ‪.‬اﻳﻨﻬﺎ ﺗﺼﺎوﻳﺮ ‪ eigen face‬اي‬ ‫‪ eigen vector‬ﻫﺎ را‬
‫ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ اﻟﮕﻮرﻳﺘﻢ ﺑﺎﻻ اﺳﺘﻔﺎده ﺷﺪه اﻧﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ‪ C‬ﺑﺴﻴﺎر ﺑﺰرگ اﺳﺖ ‪ ,‬اﻳﻦ روش از ﻟﺤﺎظ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺴﻴﺎر ﺳﺨﺖ اﺳﺖ‪.‬ﺑﺎ‬
‫اﻳﻦ ﺣﺎل ﻫﺴﺘﻨﺪ روش ﻫﺎي ﺳﺮﻳﻊ ﻣﺸﺎﺑﻪ ﺑﺮاي ﭘﻴﺪا ﻛﺮدن ‪ K‬ﺗﺎ از ﺑﺰرﮔﺘﺮﻳﻦ ‪eigen‬‬
‫‪M‬‬ ‫‪vector‬ﻫﺎ‪.‬‬
‫‪1‬‬
‫=‪C‬‬
‫‪M‬‬
‫‪∑YY‬‬
‫‪i =1‬‬
‫‪i i‬‬
‫‪T‬‬

‫‪2-2-7‬اﻟﮕﻮرﻳﺘﻢ ﺷﻨﺎﺳﺎﻳﻲ ﭼﻬﺮه)‪(FaceRecognition Algorithm‬‬

‫ﻛﻞ اﻟﮕﻮرﻳﺘﻢ ﺷﻨﺎﺳﺎﻳﻲ و ﺗﺸﺨﻴﺺ ﭼﻬﺮه در ﻣﺮاﺣﻞ زﻳﺮ ﻣﻲ ﺗﻮاﻧﺪ ﺧﻼﺻﻪ ﺷﻮد‪:‬‬
‫‪ (1‬ﺑﺎ داﺷﺘﻦ ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﺗﺼﺎوﻳﺮازﻣﺎﻳﺸﻲ ﭼﻬﺮه ﻫﺎ‪ M’ ,‬ﺗﺎ از ﺑﺰرﮔﺘﺮﻳﻦ ‪eigen‬‬
‫‪vector‬ﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪. E1,E2….EM’:‬‬
‫‪ M’=10‬ﻳﺎ ‪ 20‬ﻳﻚ ارزش ﻧﻮﻋﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ اﻳﻦ ﻣﺮﺣﻠﻪ ﺗﻨﻬﺎ ﻳﻜﺒﺎر‬
‫اﻧﺠﺎم ﻣﻲ ﺷﻮد‪.(offline).‬‬
‫‪ (2‬ﺑﺮاي ﻫﺮ ﻓﺮد در ﻣﺠﻤﻮﻋﻪ ازﻣﺎﻳﺸﻲ ‪ ,‬اﺻﻞ ﻫﻤﺒﺴﺘﮕﻲ را ﺑﺎ ﺷﺨﺺ در ان ‪eigen‬‬
‫اﺳﺘﻔﺎده‬ ‫ﺑﺎﻻ‬ ‫از ﻓﺮﻣﻮل‬ ‫ﻛﺎر‬ ‫ي اﻳﻦ‬ ‫ﻛﻨﻴﺪ‪.‬رﺑﺎ‬ ‫ﻣﺤﺎﺳﺒﻪ‬ ‫‪space‬‬
‫ﻛﻨﻴﺪ‪. W = [w1 , w2 ....wM ' ].‬‬
‫ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻛﻪ اﻳﻦ ﻣﺮﺣﻠﻪ ﻧﻴﺰ ﺗﻨﻬﺎ ﻳﻜﺒﺎر اﻧﺠﺎم ﻣﻲ ﺷﻮد‪(offline).‬‬
‫‪ (3‬ﺑﺎ داﺷﺘﻦ ﺗﺼﻮﻳﺮ ازﻣﺎﻳﺸﻲ ‪ , Itest,‬ان را ﺑﻪ وﺳﻴﻠﻪ ﻣﺤﺎﺳﺒﻪ ‪ Wtest‬ﺗﻮﺳﻂ ﻓﺮﻣﻮل ﺑﺎﻻ‬
‫ﺑﻪ ﻳﻚ ‪ M’ eigen space‬ﺑﻌﺪي ﺗﺒﺪﻳﻞ ﻛﻨﻴﺪ‪.‬‬
‫‪ (4‬ﻧﺰدﻳﻜﺘﺮﻳﻦ ﭼﻬﺮه از ﺗﺼﺎوﻳﺮ ازﻣﺎﻳﺸﻲ ﺑﻪ ﺗﺼﻮﻳﺮ ﻣﻮرد ﻧﻈﺮ را ﺑﻴﺎﺑﻴﺪ‪:‬‬
 ‫‪66‬‬

‫‪d = min k Wtest − WK‬‬

‫ﻫﻨﮕﺎﻣﻴﻜﻪ ‪ WK‬ﻧﻘﻄﻪ اي در ‪ eigen space‬ﻣﺮﺗﺒﻂ ﺑﺎ ﺷﺨﺺ ‪ k‬ام در ﻣﺠﻤﻮﻋﻪ ﻣﻮرد‬

‫ازﻣﺎﻳﺶ اﺳﺖ و||‪ ||x‬ﻓﺎﺻﻠﻪ اﻗﻠﻴﺪﺳﻲ در ‪ eigen space‬را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ (5‬ﻓﺎﺻﻠﻪ ﺗﺼﻮﻳﺮ ﻣﻮرد ازﻣﺎﻳﺶ را از ‪ eigen space‬ﺑﻴﺎﺑﻴﺪ‪.‬‬
‫‪dffs = Y − Yf‬‬

‫زﻣﺎﻧﻴﻜﻪ ‪. Y = I test − A‬‬

‫‪ (6‬اﮔﺮ ‪dffs<Threshold1‬‬
‫• ﺗﺼﻮﻳﺮ ازﻣﺎﻳﺸﻲ ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺑﻪ ‪ eigen space‬ﺷﺒﻴﻪ اﺳﺖ‪ .‬در ﻣﻘﺎﻳﺴﻪ‬
‫ﺑﺎ ﻛﻞ ﺗﺼﺎوﻳﺮ ﻣﻲ ﺗﻮان ﻣﻄﻤﺌﻦ ﺑﻮد ﻛﻪ اﻳﻦ ﺗﺼﻮﻳﺮ ﻳﻚ ﭼﻬﺮه اﺳﺖ ﻧﻪ ﭼﻴﺰ‬
‫دﻳﮕﺮ‪.‬‬
‫ﺳﭙﺲ اﮔﺮ ‪d< Threshold2‬‬
‫• ﻣﻲ ﺗﻮان ‪ Itest‬را ﺑﺎ ﻋﻨﻮان ﺗﺼﻮﻳﺮي ﻛﻪ ﺷﺎﻣﻞ ﭼﻬﺮه ﺷﺨﺺ ‪ k‬ام اﺳﺖ دﺳﺘﻪ‬
‫ﺑﻨﺪي ﻛﺮد ‪ ,‬زﻣﺎﻧﻴﻜﻪ ‪ k‬ﻧﺰدﻳﻜﺘﺮﻳﻦ ﭼﻬﺮه در ‪ eigen space‬ﺑﻪ ‪Wtest‬‬
‫اﺳﺖ‪.‬‬
‫در ﻏﻴﺮ اﻳﻦ ﺻﻮرت‬
‫• ﺗﺼﻮﻳﺮ ‪ Itest‬را ﺑﻪ ﻋﻨﻮان ﺷﺨﺺ ﻧﺎ ﺷﻨﺎﺧﺘﻪ دﺳﺘﻪ ﺑﻨﺪي ﻛﻦ‪.‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫در ﻏﻴﺮ اﻳﻨﺼﻮرت‬
‫• ﺗﺼﻮﻳﺮ ‪ Itest‬را ﺑﻪ ﻋﻨﻮان ﺗﺼﻮﻳﺮي ﻛﻪ ﺷﺎﻣﻞ ﭼﻬﺮه ﻧﻴﺴﺖ دﺳﺘﻪ ﺑﻨﺪي ﻛﻦ‪.‬‬

‫ﻣﺜﺎل ‪7-1‬‬
‫ﻓﺮض ﻛﻨﻴﺪ دو ﺗﺼﻮﻳﺮ ازﻣﺎﻳﺸﻲ ‪ 3*3‬دارﻳﻢ ﻛﻪ ‪ N=3,M=2‬ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ‬
‫ﺷﺪه اﺳﺖ‪:‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪10 10 10‬‬
‫‪0 0 0‬‬
‫‪Image I1‬‬

‫ﻣﺎ اﻳﻦ دو ﺗﺼﻮﻳﺮ را ﺑﻪ ﻋﻨﻮان دو آراﻳﻪ )‪ ( 9=3*3‬در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ‪.‬‬

‫‪I1=[0,0,0,10,10,10,10,0,0,0]T‬‬
‫‪I2=[0,10,0,0,10,0,0,10,0]T‬‬
‫ﺣﺎل ﻓﺮض ﻛﻨﻴﺪ از ﻳﻚ ﺷﺒﻪ ﻓﻀﺎي )ﻓﻀﺎي ﻓﺮﻋﻲ ( ﻳﻚ ﺑﻌﺪي اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪.‬ﻛﻪ‬
‫‪ M=1‬و ‪ eigen vector‬ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ‪:‬‬
‫‪E=[5,0,5,0,10,5,0,5,0]T‬‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﺗﺼﻮﻳﺮ ﻳﺎ ‪ A‬ﺗﻮﺳﻂ ﻣﺤﺎﺳﺒﻪ ﻫﺮ ﭘﻴﻜﺴﻞ از ‪ I1,I2‬ﺑﺪﺳﺖ ﻣﻲ اﻳﺪ‪.‬‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﺳﻄﺢ ﺧﺎﻛﺴﺘﺮي ﺑﻮدي دو ﺗﺼﻮﻳﺮ از ﭘﻴﻜﺴﻠﻬﺎي ﻣﺘﻨﺎﻇﺮ ﺑﺪﺳﺖ ﻣﻲ اﻳﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫ﭘﻴﻜﺴﻞ دوم در ‪ A‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪(0 + 10) / 2 = 5‬‬
‫از اﻳﻨﺮو }‪.A={0,5,0,5,10,5,0,5,0‬‬
‫اﻛﻨﻮن ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻔﻬﻤﻴﻢ ﻛﻪ ﭼﮕﻮﻧﻪ ‪ I1‬ﺑﻪ ﻳﻚ ‪ eigen space‬ﻳﻚ ﺑﻌﺪي ﺑﻪ وﺳﻴﻠﻪ‬
‫ﺷﻮدﻫﻨﮕﺎﻣﻴﻜﻪ‬ ‫ﻃﺮاﺣﻲ ﻣﻲ‬ ‫ﻣﺤﺎﺳﺒﻪ ‪W1‬‬
‫‪0 10‬‬ ‫‪0‬‬
‫‪0 10‬‬ ‫‪0‬‬ ‫)‪. w1,1 = E1T * (I1 − A‬‬
‫‪0 10‬‬ ‫‪0‬‬ ‫ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺎ اﻳﻨﺠﺎ دارﻳﻢ‪:‬‬
‫‪Image I2‬‬
 ‫‪68‬‬

‫‪I 1' = I 1− A = [0,−5,0,5,05,0,−5,0]T‬‬

‫‪w1,1 = 5 * 0 + −5 * 0 + 5 * 0 + 10 * 5 + .... + 5 * 0 = 0‬‬
‫]‪W1 = [0‬‬

‫اﻛﻨﻮن ﻓﺮض ﻛﻨﻴﺪ ﺗﺼﻮﻳﺮ ازﻣﺎﻳﺸﻲ زﻳﺮ رادارﻳﻢ‪:‬‬

‫‪0‬‬ ‫‪7 3‬‬
‫‪0‬‬ ‫‪1 1‬‬
‫‪0 0‬‬
‫‪0 1 0‬‬
‫‪0‬‬
‫‪Image‬‬
‫‪Itest‬‬

‫] ‪Wtest = [wtest ,1‬‬ ‫ﺑﺎ ﺗﺼﻮﻳﺮ ﻛﺮدن ﻳﺎ ﺗﺠﺴﻢ ‪ Itest‬ﺑﻪ ﻓﻀﺎي ﭼﻬﺮه دارﻳﻢ‪:‬‬
‫زﻣﺎﻧﻴﻜﻪ ‪:‬‬
‫)‪wtest = E1T * (I test − A‬‬
‫]‪= [5,0,5,10,5,10,5,0,5]* [0,2,3,−5,0,5,0‬‬
‫‪T‬‬

‫‪= 15‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ‪ (15)= Wtest‬ﻛﻪ ﺑﻪ اﻳﻦ ﻣﻔﻬﻮم اﺳﺖ ﻛﻪ ‪ Wtest‬ﺑﻪ ‪ I1‬ﺑﻴﺸﺘﺮ ﺷﺒﻴﻪ اﺳﺖ ﺗﺎ ﺑﻪ ‪I2‬‬
‫‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺎ ‪ Itest‬را ﺟﺰء ﻛﻼس ﻳﺎ ﮔﺮوه ‪ I1‬ﻃﺒﻘﻪ ﺑﻨﺪي ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫‪ 3-2-7‬دﻗﺖ ﺷﻨﺎﺳﺎﻳﻲ ﭼﻬﺮه‪(Face Recognition Accuracy):‬‬

‫ﻛﺎراﻳﻲ اﺳﺘﻔﺎده از ‪ 20 eigen space‬ﺑﻌﺪي ﺑﻪ ﻃﺒﻘﻪ ﺑﻨﺪي ﺻﺤﻴﺢ ‪ %95‬اي از ﻳﻚ‬
‫ﭘﺎﻳﮕﺎه ﺷﺎﻣﻞ ‪ 7500‬ﺗﺼﻮﻳﺮ از ‪ 3000‬ﻧﻔﺮ را ﻧﺘﻴﺠﻪ داد‪.‬‬
‫اﮔﺮ ﻣﺠﻤﻮﻋﻪ ﺗﺼﺎوﻳﺮ ازﻣﺎﻳﺸﻲ ﺷﺎﻣﻞ دو ﺗﺼﻮﻳﺮ از ﻫﺮ ﺷﺨﺺ اﺳﺖ ﭘﺲ ﺑﺮاي ﻫﺮ‬
‫ﺷﺨﺺ ﻧﻘﻄﻪ ﻣﻴﺎﻧﮕﻴﻦ در ‪ eigen space‬را ﺑﺎﻳﺪ از ﻧﻘﺎط ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﺑﺮاي ﻫﺮ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺗﺼﻮﻳﺮ از ﻳﻚ ﺷﺨﺺ ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬اﻳﻦ ﻣﺘﺪ ﻧﻴﺎزﻣﻨﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﻫﻤﻪ ﺗﺼﺎوﻳﺮ در ﭘﺎﻳﮕﺎه‬
‫ﺷﺎﻣﻞ ﭼﻬﺮه ﻫﺎﻳﻲ از ﻳﻚ ﺳﺎﻳﺰ )اﻧﺪازه( و ﻳﻚ ﻣﻮﻗﻌﻴﺖ و ﻳﻚ ﺟﻬﺖ ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮرﻳﻜﻪ‬
‫ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ ﺗﺎﺑﻊ ﻋﻤﻮﻣﻲ ﻓﺎﺻﻠﻪ ﺑﺘﻮان اﻧﻬﺎ را در ‪ eigen space‬ﻣﻘﺎﻳﺴﻪ ﻛﺮد ‪.‬‬
‫اﮔﺮ از ﻳﻚ ﺷﻲء ﺳﻪ ﺑﻌﺪي ﭼﻨﺪﻳﻦ ﺗﺼﻮﻳﺮ وﺟﻮد دارد)ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪:‬ﺳﺮ ﻳﻚ ﺷﺨﺺ از‬
‫ﺟﻬﺎت ﻣﺨﺘﻠﻒ( ﺳﭙﺲ ﻧﻘﺎط ﻣﻮﺟﻮد در ‪ eigen space‬ﻛﻪ ﻣﺘﻨﺎﻇﺮ ﺑﺎ دﻳﺪﻫﺎي ‪3‬‬
‫ﺑﻌﺪي ﻣﺨﺘﻠﻒ اﺳﺖ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ وﺳﻴﻠﻪ ﺗﻄﺎﺑﻖ ﻳﻚ ﻓﺮاﺳﻄﺢ )‪ (Hyper surface‬ﺑﻪ‬
‫ﻫﻤﻪ ﻧﻘﺎط ﺗﺮﻛﻴﺐ ﺷﻮﻧﺪ‪.‬‬

‫اﻳﻦ ‪ hyper surface‬ﻳﺎ ﻓﺮاﺳﻄﺢ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺗﻮﺻﻴﻒ از ﺷﺨﺺ در‬

‫‪ eigen space‬ذﺧﻴﺮه ﺷﻮد‪.‬در ﺣﺎل ﺣﺎﺿﺮ ﻣﺤﺼﻮﻻت ﺗﺠﺎري ﻣﺨﺘﻠﻔﻲ وﺟﻮد دارﻧﺪ‬
‫ﻛﻪ ﺑﺮ اﺳﺎس اﻳﻦ ﻣﺘﺪ ‪ eigen face‬ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫‪ 3-7‬ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ‪1‬‬

‫ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ ﻳﻜﻲ از ﺑﺰرﮔﺘﺮﻳﻦ ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪.‬‬
‫اﻳﻦ ﻣﺒﺤﺚ ﺑﻪ ﺗﻜﻨﻴﻚ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﺮاي اﻳﺠﺎد ارﺗﺒﺎط ﺑﺎ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎ ﻳﻚ زﺑﺎن ﻃﺒﻴﻌﻲ‬
‫رﺟﻮع ﻣﻲ ﻛﻨﺪ‪.‬اﺳﺘﻔﺎده از ﻳﻚ واﺳﻂ زﺑﺎن ﻃﺒﻴﻌﻲ ﻳﻚ راه ﻣﻌﻘﻮل ﺑﺮاي ﭘﺮداﺧﺘﻦ ﺑﻪ‬
‫ﻃﺮاﺣﻲ ﻧﻮﻋﻲ ﺧﺎص از واﺳﻂ اﺳﺖ‪.‬‬
‫ﻣﺰﻳﺖ ان اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ ﻫﻴﭻ ﻣﻬﺎرت ﺧﺎﺻﻲ ﻏﻴﺮ از داﺷﺘﻦ ﺗﻮاﻧﺎﻳﻲ اﺑﺘﺪاﻳﻲ در ﺗﺎﻳﭗ ﻳﻚ‬
‫ﻳﺎ دو ﺟﻤﻠﻪ ﺑﻪ وﺳﻴﻠﻪ ﺻﻔﺤﻪ ﻛﻠﻴﺪ ﻧﻴﺎز ﻧﺪارد‪.‬‬
‫از ﻃﺮف دﻳﮕﺮ ﻋﻴﺐ واﺳﻄﻬﺎي زﺑﺎن ﻃﺒﻴﻌﻲ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﻣﺨﺘﺼﺮ و ﻣﻮﺟﺰ‬
‫ﻧﻴﺴﺘﻨﺪ‪.‬‬
‫از ﻟﺤﺎظ ﻣﻔﻬﻮﻣﻲ ‪ 2‬ﻧﻮع واﺳﻂ ‪ ( Natural language) NL‬وﺟﻮد دارد‪ ( 1.‬آﻧﻬﺎﻳﻲ‬
‫ﻛﻪ ﺧﻮد را ﺑﻪ ﻳﻚ زﻳﺮ ﻣﺠﻤﻮﻋﻪ از زﺑﺎن اﻧﮕﻠﻴﺴﻲ ﻣﺤﺪود ﻣﻲ ﻛﻨﻨﺪ ) ﻳﺎ ﻳﻚ زﺑﺎن دﻳﮕﺮ(‬
‫‪ (2‬آﻧﻬﺎﻳﻲ ﻛﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﻨﺪ ﻳﻚ ﭘﻮﺷﺶ ﻛﺎﻣﻞ )ﻛﻤﺘﺮ ﻳﺎ ﺑﻴﺸﺘﺮ( از ﻳﻚ زﺑﺎن را ﺗﺎﻣﻴﻦ‬

‫‪1‬‬ ‫‪Natural language Processing‬‬

 ‫‪70‬‬

‫ﻛﻨﻨﺪ) ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﺣﺘﻲ اﻧﺴﺎﻧﻬﺎ ﻫﻤﻪ ﻛﻠﻤﺎت و ﻣﻌﺎﻧﻲ آﻧﻬﺎ را در زﺑﺎن ﻣﺎدري ﺧﻮد‬
‫ﻧﻤﻲ داﻧﻨﺪ(‪.‬‬
‫ﻫﻤﻪ واﺳﻂ ﻫﺎي ﻣﺤﺪود ﺷﺪه ﺑﺎ ﻣﺸﻜﻞ ﻗﺎﺑﻠﻴﺖ ﺳﻜﻨﻲ )‪ (Habitability‬ﻣﻮاﺟﻪ ﻣﻲ‬
‫ﺷﻮﻧﺪ‪ .‬آﻳﺎ ﻳﻚ ﻛﺎرﺑﺮ ﻣﻲ ﺗﻮاﻧﺪ دﻗﻴﻘﺎ" ﻫﻤﺎن زﻳﺮﻣﺠﻤﻮﻋﻪ اي از ﻳﻚ زﺑﺎن را ﻳﺎد ﺑﮕﻴﺮد ﻛﻪ‬
‫واﺳﻂ ان را ﭘﻮﺷﺶ ﻣﻲ دﻫﺪ؟‬

‫ﻛﺎرﺑﺮدﻫﺎي دﻳﮕﺮ ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ )‪ (NLP‬ﺷﺎﻣﻞ ﺗﺮﺟﻤﻪ ﺑﻪ زﺑﺎن ﻣﺎﺷﻴﻦ )‪ (MT‬و‬
‫ﺳﻴﺴﺘﻤﻬﺎي‬
‫‪ (Computer aided Instruction) NL CAI‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻮدﺟﻪ ﻣﺼﺮف ﺷﺪه ﺑﺮاي ﺧﺪﻣﺎت ﺗﺮﺟﻤﻪ ﺳﺎﻻﻧﻪ ﺑﻴﺶ از ﻣﻴﻠﻴﺎردﻫﺎ دﻻر اﺳﺖ‪.‬ﻗﺴﻤﺖ‬
‫اﻋﻈﻢ اﻳﻦ ﺗﺮﺟﻤﻪ ﻫﺎ ‪ ,‬ﺗﺮﺟﻤﻪ ﻫﺎي ﺗﺠﺎري و اﺳﻨﺎد ﺗﻜﻨﻴﻜﻲ ‪ ,‬ﻗﺮاردادﻫﺎ و ﻛﺘﺎﺑﻬﺎي‬
‫راﻫﻨﻤﺎﺳﺖ‪.‬‬
‫ﺳﺎﺧﺘﺎر ﻳﻚ زﺑﺎن ﻣﺎﻧﻨﺪ اﻧﮕﻠﻴﺴﻲ ﺑﻪ ﺧﺼﻮص ﺳﺎﺧﺘﺎر ﻧﺤﻮي ان ﻣﻌﻤﻮﻻ" ﺑﻪ وﺳﻴﻠﻪ ﻗﻮاﻧﻴﻦ‬
‫ﮔﺮاﻣﺮي ﺑﻴﺎن ﻣﻲ ﺷﻮد‪.‬اﻳﻦ ﻗﻮاﻧﻴﻦ ﻳﻚ ﺟﻤﻠﻪ ﻳﺎ ﻳﻚ واﺣﺪ از زﺑﺎن را ﺑﻪ واﺣﺪﻫﺎي‬
‫ﻛﻮﭼﻜﺘﺮ ﺗﺠﺰﻳﻪ ﻣﻲ ﻛﻨﺪ ‪.‬ﺑﻪ ﻃﻮر ﻣﺜﺎل ﻣﻤﻜﻦ اﺳﺖ ﻗﺎﻧﻮﻧﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ )در اﻧﮕﻠﻴﺴﻲ( ﻛﻪ‬
‫ﺑﮕﻮﻳﺪ ﻳﻚ ﺟﻤﻠﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﻳﻚ ﻋﺒﺎرت اﺳﻤﻲ ﻛﻪ ﺑﺎ ﻳﻚ ﻋﺒﺎرت ﻓﻌﻠﻲ دﻧﺒﺎل ﻣﻲ ﺷﻮد‬
‫وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬اﻳﻦ ﻗﺎﻧﻮن ﺑﻪ اﺧﺘﺼﺎر ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ اﻳﻦ ﺻﻮرت ﺑﻴﺎن ﺷﻮد‪:‬‬
‫)ﻋﺒﺎرت ﻓﻌﻠﻲ ‪,‬ﻋﺒﺎرت اﺳﻤﻲ → ﺟﻤﻠﻪ( ) ‪(S → NP,VP‬‬
‫در ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ دو ﺗﻜﻨﻴﻚ ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ زﺑﺎن ﻃﺒﻴﻌﻲ ﻳﺎ ‪ NL‬وﺟﻮد‬
‫دارد‪.‬‬
‫‪ (1‬ﺗﻄﺒﺴﻖ ﺑﺎ ﻗﺎﻟﺐ )ﻫﻤﭽﻨﻴﻦ ‪.( key board analysis‬در اﻳﻦ روش ﺳﻴﺴﺘﻢ ﺟﻤﻠﻪ‬
‫وروردي را ﺑﺮاي ﻛﻠﻤﺎت ﻛﻠﻴﺪي ﺧﺎﺻﻲ ﭘﻮﻳﺶ ﻣﻲ ﻛﻨﺪو وﻗﺘﻲ ﭘﻴﺪا ﺷﺪﻧﺪ ‪ ,‬ﺳﻴﺴﺘﻢ ﺑﺎ‬
‫ﻳﻚ ﭘﺎﺷﺦ ﻣﻮﺟﻮد واﻛﻨﺶ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫‪ (2‬ﺗﺠﺰﻳﻪ ﻧﺤﻮي )‪: (Syntactic driven Parsing‬در اﻳﻦ روش داﻧﺶ ﻗﻮاﻋﺪ ﻳﻚ‬
‫زﺑﺎن ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪ 1-3-7‬ﮔﺮاﻣﺮ ) ‪( Grammer‬‬
‫ﮔﺮاﻣﺮ ﻳﻚ ﺗﻮﺻﻴﻒ رﺳﻤﻲ از ﺳﺎﺧﺘﺎر ﻳﻚ زﺑﺎن ﻣﻲ ﺑﺎﺷﺪ‪.‬ﻳﻚ ﮔﺮاﻣﺮ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺠﺎز‬
‫ﻳﻚ زﺑﺎن را ﻣﺸﺨﺺ ﻛﺮده و ﺑﻪ ﻳﻚ ﺟﻤﻠﻪ اﺟﺎزه ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺷﺪن ﻣﻲ دﻫﺪ‪.‬ﺗﺠﺰﻳﻪ‬
‫ﻳﻚ ﺟﻤﻠﻪ ﻳﺎﻓﺘﻦ ﻳﻚ ﺳﺎﺧﺘﺎر ﻣﺠﺎز ﻣﻤﻜﻦ را ﺷﺎﻣﻞ ﻣﻲ ﺷﻮد‪.‬ﻧﺘﻴﺠﻪ ﻣﻌﻤﻮﻻ" ﺑﻪ ﺻﻮرت‬
‫ﻳﻚ درﺧﺖ اﺳﺖ‪).‬ﺑﻪ ﻧﺎم درﺧﺖ ﺗﺠﺰﻳﻪ(‪.‬ﻳﻚ ﻧﻤﻮﻧﻪ در ﺷﻜﻞ ‪ 7-1‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪.‬‬
‫‪ 2-3-7‬ﭘﺎرﺳﺮ ﻳﺎ ﺗﺠﺰﻳﻪ ﻛﻨﻨﺪه )‪(Parser‬‬
‫ﭘﺎرﺳﺮ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاي ﺗﺤﻠﻴﻞ ﻳﻚ ﺟﻤﻠﻪ ﺑﺎ ﮔﺮاﻣﺮ ﻣﻌﻠﻮم اﺳﺖ ﻛﻪ ﺑﻪ ﺻﻮرت‪:‬‬
‫‪(1‬ﻓﻘﻂ ﺟﻮاب ﺑﻠﻲ‪/‬ﺧﻴﺮ ﺑﻪ ﺳﻮال ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ‪.‬آﻳﺎ اﻳﻦ ﺟﻤﻠﻪ از ﻗﻮاﻋﺪ داده ﺷﺪه ﭘﻴﺮوي‬
‫ﻣﻲ ﻛﻨﺪ؟‬
‫اﻳﻦ ﭼﻨﻴﻦ ﭘﺎرﺳﺮي ﻳﻚ ﭘﺬﻳﺮﻧﺪه )‪ (accepter‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫‪ (2‬ﻫﻤﭽﻨﻴﻦ ﻳﻚ ﺳﺎﺧﺘﺎر ﺗﻮﺻﻴﻔﻲ ﺑﺮاي ﺟﻤﻼت ﺻﺤﻴﺢ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ ‪.‬ﺑﺮاي ﻣﺜﺎل‬
‫درﺧﺖ در ﺷﻜﻞ ‪1‬‬
‫‪ 7-1‬ﺑﻪ ﺻﻮرت ﻟﻴﺴﺖ زﻳﺮ ﻣﻲ ﺗﻮاﻧﺪ ﻧﺸﺎن داده ﺷﻮد‪.‬‬

‫ﺷﻜﻞ ‪7-1‬‬
‫درﺧﺖ ﻣﻮرد ﻧﻈﺮ در زﺑﺎن ‪: LISP‬‬
‫))‪(S (NP (NAME john‬‬
‫)‪(VP (V ate‬‬
 ‫‪72‬‬

‫))‪(NP (ART the‬‬

‫)))‪(N cat‬‬
‫درﺧﺖ ﻣﻮرد ﻧﻈﺮ در ‪: PROLOG‬‬

‫‪S(np(name(john)),‬‬
‫‪Vp(v(ate),‬‬
‫‪Np(art(the),‬‬
‫))))‪N(cat‬‬

‫ﺗﻮﺿﻴﺢ‪ :‬ﮔﺮاﻣﺮ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ‪:‬‬

‫‪1. S
NP VP‬‬
‫‪2. VP
V NP‬‬
‫‪3. NP
NAME‬‬
‫‪4. NP
ART N‬‬
‫‪5. NAME
john‬‬
‫‪6. V
ate‬‬
‫‪7. ART
the‬‬
‫‪8. N
cat‬‬

‫ﺗﻮﺿﻴﺢ‪ :‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ ‪ 5‬ﺗﺎﻳﻲ اﺳﺖ ﺑﻪ ﺻﻮرت)‪: (P,A,N,T,S‬‬

‫• ‪ P‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﻗﻮاﻧﻴﻦ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ‬
‫• ‪ A‬ﻣﺠﻤﻮﻋﻪ اي از ﺳﻤﺒﻮﻟﻬﺎي اﻟﻔﺒﺎﻳﻲ از ﻗﻮاﻧﻴﻦ‬
‫• ‪ N‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﺳﻤﺒﻮﻟﻬﺎي ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل اﺳﺖ‪.‬‬
‫• ‪ T‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﺳﻤﺒﻮﻟﻬﺎي ﺗﺮﻣﻴﻨﺎل اﺳﺖ‪.‬‬
‫• ‪ S‬ﻳﻚ ﺳﻤﺒﻮل ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل ﺑﻪ ﻧﺎم ﺳﻤﺒﻮل ﺷﺮوع اﺳﺖ‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺜﺎل‪:‬‬
‫}‪T= {ate, cat, john, the‬‬
‫}‪N ={S, NP , VP, N, V, NAME, ART‬‬
‫}‪P ={S
NP VP , VP
V NP,….‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﭼﮕﻮﻧﻪ ﻗﻮاﻧﻴﻦ ﺗﻮﻟﻴﺪ ﺑﻪ ﻗﻮاﻧﻴﻦ ﮔﺮاﻣﺮي و ﻓﺮﻫﻨﮓ ﻟﻐﺎت ﺑﺎﻻ ﻣﻨﺸﻌﺐ‬
‫ﻣﻲ ﺷﻮد‪.‬‬
‫‪ NAME V,N,‬و ‪ ART‬ﺳﻤﺒﻮﻟﻬﺎي ﻟﻐﻮي ﻳﺎ ‪ pre-terminal‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫در ﮔﺮاﻣﺮ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻗﻮاﻋﺪ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ﻣﺜﻞ زﻳﺮ ﻣﻲ ﺑﺎﺷﺪ‪:‬‬

‫‪While Statement
while condition do Statement List end‬‬

‫‪Statement List
Statement‬‬
‫‪Statement List
Statement ; Statement List‬‬

‫‪ 3-3-7‬اﻧﻮاع ﮔﺮاﻣﺮ‬
‫ﮔﺮاﻣﺮ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻳﻜﻲ از ﺻﻮرﺗﻬﺎي زﻳﺮ ﺑﺎﺷﺪ‪:‬‬
‫• ﻗﻮاﻧﻴﻦ ﻧﺎﻣﺤﺪود )‪(unrestricted grammars‬‬
‫• ﻗﻮاﻧﻴﻦ ﺣﺴﺎس ﺑﻪ ﻣﺘﻦ )‪(context-sensitive grammar‬‬
‫• ﻗﻮاﻧﻴﻦ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ )‪(context-free grammars‬‬
‫• ﮔﺮاﻣﺮﻫﺎي ﺑﺎ ﻗﺎﻋﺪه )‪(regular grammars‬‬

‫اﻳﻦ ‪ 4‬ﻧﻮع از ﮔﺮاﻣﺮ در ﺑﺎزﻧﻮﻳﺴﻲ ﻗﻮاﻋﺪ اﻟﻔﺎ ‪ <--‬ﺑﺘﺎ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻓﺮق دارﻧﺪ‪.‬‬

‫ﻗﻮاﻋﺪ ﻧﺎﻣﺤﺪود‪:‬‬ ‫•‬

‫ﻫﻴﭻ ﻣﺤﺪودﻳﺘﻲ در ﻗﻮاﻋﺪ ان وﺟﻮد ﻧﺪارد‪.‬ﻗﻮاﻋﺪ ﻧﺎﻣﺤﺪود ﺑﻪ ﺻﻮرت ﮔﺴﺘﺮده اﺳﺘﻔﺎده‬
‫ﻧﻤﻲ ﺷﻮﻧﺪ‪.‬ﻗﺪرت و ﺗﻮاﻧﺎﻳﻲ زﻳﺎد آﻧﻬﺎ اﺳﺘﻔﺎده از آن را ﻣﺸﻜﻞ ﺳﺎﺧﺘﻪ اﺳﺖ‪.‬‬
‫ﻗﻮاﻋﺪ ﺣﺴﺎس ﺑﻪ ﻣﺘﻦ ﻳﺎ ﮔﺮاﻣﺮ دﮔﺮﮔﻮﻧﻲ‪(transformational :‬‬ ‫•‬
‫)‪grammar‬‬
‫ﻃﻮل رﺷﺘﻪ در ﺳﻤﺖ ﭼﭗ ﻗﺎﻧﻮن)آﻟﻔﺎ( ﺑﺎﻳﺪ ﻛﻤﺘﺮ ﻳﺎ ﻣﺴﺎوي ﺑﺎ ﻃﻮل رﺷﺘﻪ در ﺳﻤﺖ‬
‫راﺳﺖ)ﺑﺘﺎ( ﻗﺎﻧﻮن ﺑﺎﺷﺪ‪.‬‬
 ‫‪74‬‬

‫ﻗﻮاﻧﻴﻦ ﺗﻮﻟﻴﺪ در ﮔﺮاﻣﺮ ﻫﺎي ﺣﺴﺎس ﺑﻪ ﻣﺘﻦ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮي ﺗﺒﺪﻳﻞ ﺟﻤﻼت ﻣﻌﻠﻮم ﺑﻪ‬
‫ﺟﻤﻼت ﻣﺠﻬﻮل ﻣﺘﻨﺎﻇﺮ اﺳﺘﻔﺎده ﺷﻮد‪.‬‬
‫ﻗﻮاﻋﺪ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ﻳﺎ ﮔﺮاﻣﺮ ﺳﺎﺧﺘﺎر ﻋﺒﺎرت ‪(phrase‬‬ ‫•‬
‫)‪: structure grammar‬‬
‫ﻫﻤﻪ ﻗﻮاﻧﻴﻦ ﺑﺎﻳﺪ ﺑﻪ ﻓﺮم ‪ A → alpha‬ﺑﺎﺷﻨﺪ ﻛﻪ در آن ‪ A‬ﻳﻚ ﺳﻤﺒﻮل ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل‬
‫اﺳﺖ و ‪ alpha‬ﻳﻚ رﺷﺘﻪ دﻟﺨﻮاه از ﺳﻤﺒﻮﻟﻬﺎﺳﺖ‪.‬‬
‫ﻳﺎ ﮔﺮاﻣﺮ ﺧﻄﻲ راﺳﺖ ‪right linear‬‬ ‫ﮔﺮاﻣﺮﻫﺎي ﺑﺎ ﻗﺎﻋﺪه‬ ‫•‬
‫)‪:( grammar‬‬
‫ﻫﻤﻪ ﻗﻮاﻧﻴﻦ ﻳﻜﻲ از اﻳﻦ دو ﻓﺮم را در ﺑﺮ ﻣﻲ ﮔﻴﺮﻧﺪ‪ A → t :‬و ‪ , A → tN‬ﻃﻮرﻳﻜﻪ ‪A,N‬‬
‫ﺳﻤﺒﻮﻟﻬﺎي ﻏﻴﺮﺗﺮﻣﻴﻨﺎل و ‪ t‬ﻋﻀﻮ واژﮔﺎن ﻣﻲ ﺑﺎﺷﺪ )ﺳﻤﺒﻮل ﻧﻬﺎﻳﻲ(‬
‫ﮔﺮاﻣﺮﻫﺎي ﺑﺎ ﻗﺎﻋﺪه ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﻗﺪرﺗﻤﻨﺪ و ﺗﻮاﻧﺎ ﻧﻴﺴﺘﻨﺪ ﺗﺎ ﺑﺘﻮاﻧﻨﺪ ﺑﻪ راﺣﺘﻲ زﺑﺎن‬
‫ﻃﺒﻴﻌﻲ را ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪ ‪).‬ﺣﺘﻲ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ را(‪.‬آﻧﻬﺎ ﮔﺎﻫﻲ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮاي ﺗﻮﺻﻴﻒ‬
‫ﺑﺨﺸﻲ از از زﺑﺎﻧﻬﺎ اﺳﺘﻔﺎده ﺷﻮﻧﺪ و اﻳﻦ ﻣﺰﻳﺖ را دارﻧﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺳﺮﻳﻌﺘﺮ ﺗﺠﺰﻳﻪ‬
‫ﺷﻮﻧﺪ‪.‬‬
‫اﻳﻦ ﻣﺤﺪودﻳﺘﻬﺎ ﺑﻪ ﻗﻮاﻧﻴﻦ اﻧﻮاع ﮔﺮاﻣﺮﻫﺎ اﻋﻤﺎل ﻣﻲ ﺷﻮد‪.‬‬

‫‪ 4-3-7‬اﺷﺘﻘﺎق ﺟﻤﻼت از ﻳﻚ ﮔﺮاﻣﺮ‬

‫ﺑﺮاي اﺷﺘﻘﺎق ﺟﻤﻠﻪ از ﻳﻚ ﮔﺮاﻣﺮ ‪ ,‬از ﺳﻤﺒﻮل ‪ S‬ﺷﺮوع ﻛﺮده و ان را ﺑﻪ ﻋﻨﻮان رﺷﺘﻪ‬
‫ﺟﺎري در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫ﻣﻜﺮرا" ﭘﺮوﺳﻪ ﻫﺎي ﺑﺎزﻧﻮﻳﺴﻲ را ﺑﻪ ﺻﻮرت زﻳﺮ اﺟﺮا ﻛﻨﻴﺪ‪:‬‬
‫• ﻗﺎﻧﻮﻧﻲ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ ﻛﻪ ‪) LHS‬ﻗﺴﻤﺖ ﺳﻤﺖ ﭼﭗ( ان در رﺷﺘﻪ ﺟﺎري رخ‬
‫دﻫﺪ‪).‬در ﮔﺮاﻣﺮﻫﺎي ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ‪ LHS‬ﺑﺎﻳﺪ ﺳﻤﺒﻮل ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل ﺑﺎﺷﺪ(‬
‫‪ LHS‬ان ﻗﺎﻧﻮن را ﺑﺎ ‪) RHS‬ﻗﺴﻤﺖ ﺳﻤﺖ راﺳﺖ(ﻗﺎﻧﻮن در رﺷﺘﻪ ﺟﺎري‬ ‫•‬
‫ﺟﺎﻳﮕﺰﻳﻦ ﻛﻨﻴﺪ‪.‬و ﻳﻚ رﺷﺘﻪ ﺟﺎري ﺟﺪﻳﺪ ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‪.‬‬
‫اﻳﻦ ﻋﻤﻠﻴﺎت را ﺗﻜﺮار ﻛﻨﻴﺪ ﺗﺎ زﻣﺎﻧﻴﻜﻪ ﻫﻴﭻ ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎﻟﻲ در رﺷﺘﻪ ﺟﺎري ﺑﺎﻗﻲ ﻧﻤﺎﻧﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺳﭙﺲ اﻳﻦ رﺷﺘﻪ ﺟﺎري ﺗﻮﻟﻴﺪ ﺷﺪه ﻳﻚ ﺟﻤﻠﻪ در زﺑﺎﻧﻲ اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﮔﺮاﻣﺮ اﻳﺠﺎد‬
‫ﺷﺪه‪).‬ﻗﺒﻼ" آن ﻳﻚ ﺗﺮم ﻳﺎ ﻋﺒﺎرت ﻣﺤﺴﻮب ﻣﻲ ﺷﺪ‪(.‬‬
‫‪Current string‬‬ ‫‪Rewriting‬‬
‫‪S
NP VP‬‬ ‫‪S‬‬
‫‪
NAME VP‬‬ ‫‪NP‬‬
‫‪
john VP‬‬ ‫‪NAME‬‬
‫‪
john V NP‬‬ ‫‪VP‬‬
‫‪
john ate NP‬‬ ‫‪V‬‬
‫‪
john ate ART N‬‬ ‫‪NP‬‬
‫‪
john ate the N‬‬ ‫‪ART‬‬
‫‪
john ate the cat‬‬ ‫‪N‬‬
‫ﺗﺠﺰﻳﻪ ﻛﺮدن ﺷﺎﻳﺪ ﻣﻌﻜﻮس اﻳﻦ ﭘﺮدازش ﺑﺎﺷﺪ‪).‬اﻧﺠﺎم ﮔﺎﻣﻬﺎﻳﻲ ﻛﻪ در ﺑﺎﻻ ﻧﺸﺎن داده ﺷﺪه‬
‫‪ ,‬ﺗﺠﺰﻳﻪ ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ و راﺳﺖ ﺑﻪ ﭼﭗ ‪ john ate the cat‬را ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﺪ‪(.‬‬
‫‪ 5-3-7‬ﺗﺠﺰﻳﻪ ﺑﺎﻻ ﺑﻪ ﭘﺎﻳﻴﻦ )‪(Top –Down Parsing‬‬
‫در اﻳﻦ روش ﺗﺠﺰﻳﻪ ‪ ,‬ﻣﺎ ﺣﺪس ﻣﻲ زﻧﻴﻢ )ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﻛﻨﻴﻢ( ﻛﻪ ﻛﺪام ﻣﺤﺼﻮل ﺑﻌﺪا"‬
‫ﺑﻜﺎر ﺑﺮده ﻣﻲ ﺷﻮد ودر ﺻﻮرﺗﻴﻜﻪ ﺣﺪس ﻣﺎ اﺷﺘﺒﺎه ﺑﺎﺷﺪ ‪ ,‬ﭘﻴﺸﻨﻬﺎدﻫﺎي ﻣﺘﻨﺎوب را ﺑﻪ‬
‫ﺻﻮرت ﭘﺸﺘﻪ در ﻣﻲ آورﻳﻢ و در ﺻﻮرت ﻧﻴﺎز ﺑﻪ آﻧﻬﺎ ﺑﺮ ﻣﻲ ﮔﺮدﻳﻢ ‪.‬‬
‫اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ ﭘﻴﭽﻴﺪﮔﻲ زﻣﺎﻧﻲ ﻧﻤﺎﻳﻲ در ﺟﻤﻼت ﺑﺎ ﮔﺮاﻣﺮﻫﺎي ﻣﺴﺘﻘﻞ از ﻣﺘﻨﻲ‬
‫ﻛﻪ ﺧﻮب ﻧﻴﺴﺘﻨﺪ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﺎ ﮔﺮاﻣﺮ ‪ well behaved‬ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ زﻣﺎن ﺧﻄﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬ﮔﺮاﻣﺮﻫﺎي‬
‫‪ NL‬ﻣﻌﻤﻮﻻ" ‪ well behaved‬ﻧﻴﺴﺘﻨﺪ‪.‬ﻧﻤﻮﻧﻪ زﻳﺮ ﻳﻚ ﺗﺠﺰﻳﻪ ﺑﺎﻻ ﺑﻪ ﭘﺎﻳﻴﻦ را ﻧﺸﺎن‬
‫ﻣﻲ دﻫﺪ‪.‬‬
‫‪S
NP VP‬‬
‫‪NP
ART N | NAME‬‬
‫‪PP
PREP NP‬‬
‫‪VP
V | V NP |V NP PP |V PP‬‬

‫‪Sentence :1 The 2 dogs 3 cried 4.‬‬

‫‪Backup states‬‬ ‫‪Position‬‬
‫‪S
NP VP‬‬ ‫‪1‬‬
‫‪
ART N VP‬‬ ‫‪1‬‬
 ‫‪76‬‬

‫‪NAME VP‬‬ ‫‪1‬‬

‫‪
(The) N VP‬‬ ‫‪2‬‬
‫‪NAME VP‬‬ ‫‪1‬‬
‫‪
(dogs) VP‬‬ ‫‪3‬‬
‫‪NAME VP‬‬ ‫‪1‬‬
‫‪
V‬‬ ‫‪3‬‬
‫‪V NP‬‬ ‫‪3‬‬
‫‪V NP PP‬‬ ‫‪3‬‬
‫‪V PP‬‬ ‫‪3‬‬
‫‪NAME VP‬‬ ‫‪1‬‬
‫)‪
(cried.‬‬ ‫‪4‬‬

‫‪ 6-3-7‬ﺗﺠﺰﻳﻪ ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ )‪(Bottom –up Parsing‬‬

‫‪Thee dogs cried
ART N V‬‬
‫‪
NP V‬‬
‫‪
NP VP‬‬
‫‪
S‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﻣﺘﺪ ﺗﺠﺰﻳﻪ ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ ﻫﻤﻪ ﮔﺮاﻣﺮﻫﺎي ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ﻣﻲ ﺗﻮاﻧﻨﺪ در ‪n x‬‬
‫‪ n x n‬ﮔﺎم ﺗﺠﺰﻳﻪ ﺷﻮﻧﺪ ﻃﻮرﻳﻜﻪ ‪ n‬ﻃﻮل ﺟﻤﻠﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻣﻤﻜﻦ اﺳﺖ ﺗﺠﺰﻳﻪ ﻗﺎﺑﻞ ﭘﻴﺶ ﺑﻴﻨﻲ ﭘﻴﭽﻴﺪﮔﻲ زﻣﺎﻧﻲ ﻧﻤﺎﻳﻲ داﺷﺘﻪ ﺑﺎﺷﺪ ﻟﺬا‬
‫ﻣﻤﻜﻦ اﺳﺖ ﻗﺴﻤﺘﻬﺎﻳﻲ از ﺟﻤﻠﻪ ﺧﺼﻮﺻﺎ" ﻗﺴﻤﺘﻬﺎي ﮔﻴﺞ ﻛﻨﻨﺪه ﻣﺠﺪدا" ﺗﺠﺰﻳﻪ ﺷﻮﻧﺪ‪.‬‬

‫‪ 7-3-7‬ﺗﺠﺰﻳﻪ ﻧﻤﻮداري )‪(Chart Parsing‬‬

‫ﻧﻤﻮدار ﻳﺎ ‪ chart‬رﻛﻮردي از ﺗﻤﺎم زﻳﺮﺳﺎﺧﺘﺎرﻫﺎﺳﺖ ﻛﻪ در ﻃﻮل ﺗﺠﺰﻳﻪ ﺷﺪن ﺳﺎﺧﺘﻪ‬
‫ﺷﺪه اﻧﺪ‪.‬ﻧﻤﻮدار ﮔﺎﻫﻲ ﻣﻤﻜﻦ اﺳﺖ ‪ well-formed substring table‬ﻧﺎﻣﻴﺪه‬
‫ﺷﻮد‪.‬ﻧﻤﻮدارﻫﺎي واﻗﻌﻲ ﺑﻪ ﺳﺮﻋﺖ ﭘﻴﭽﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻧﻤﻮدارﻫﺎ ﺑﺮاي ﺟﻤﻼت ﻣﺤﺬوف ﻳﺎ ‪ elliptical‬ﻧﻴﺰ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪.‬‬
‫?‪1 : Q .How much are apples‬‬
‫‪2 : A .Thirty cents each.‬‬
‫?‪3 : Q .Plums‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺗﺠﺰﻳﻪ ﺟﻤﻠﻪ ﺳﻮم ﺑﻪ ﻋﻨﻮان ﺟﻤﻠﻪ ﺣﺬﻓﻲ ﻣﻲ ﺑﺎﺷﺪ وﻟﻲ ﺗﻤﺎم آﻧﻬﺎ ﻣﺤﺬوف ﻧﻴﺴﺘﻨﺪ و در‬
‫ﺗﺠﺰﻳﻪ " آﻟﻮ" ﺑﻪ ﻋﻨﻮان ‪ NP‬روي ﭼﺎرت ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺗﺠﺰﻳﻪ ﻛﺎﻣﻞ ﻛﻞ ﻣﻜﺎﻟﻤﻪ ﺑﻪ ﻋﻨﻮان ﻧﻮﻋﻲ ﺳﺎﺧﺘﺎر ﻣﻲ ﺗﻮاﻧﺪ ﻣﻔﻴﺪ ﺑﺎﺷﺪ‪.‬‬

‫اﻟﮕﻮرﻳﺘﻢ ﺗﺠﺰﻳﻪ ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ ﻣﺒﺘﻨﻲ ﺑﺮ ﭼﺎرت ‪(A Bottom up Chart-based‬‬

‫)‪Parsing Algorithm‬‬
‫اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺗﺎﺛﻴﺮ ﭘﺮدازش ﺗﺠﺰﻳﻪ ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺗﺠﺰﻳﻪ ﺟﻤﻠﻪ ﺑﻪ ﻃﻮل ‪ n‬ﺑﺎ ‪ n x n x n‬ﮔﺎم ﺿﻤﺎﻧﺖ ﺷﺪه اﺳﺖ و ﺑﻬﺘﺮ از ﮔﺮاﻣﺮ ‪well-‬‬
‫‪ behaved‬ﺑﺎ )‪ (n x n steps or n step‬ﻛﺎر ﻣﻲ ﻛﻨﺪ‪.‬‬
‫اﻟﮕﻮرﻳﺘﻢ اﺟﺰاء اﺻﻠﻲ ﺟﻤﻠﻪ را ﻣﻲ ﺳﺎزد‪).‬ﻋﺒﺎرﺗﻲ ﻳﺎ ﻛﻠﻤﻪ اي(‬
‫ﻧﻜﺎت ‪ 2‬ﺗﺎ ‪ 9‬زﻳﺮ ﺑﻪ ﻃﻮر ﻛﺎﻣﻞ ﻣﺸﺨﺺ ﻧﻤﻲ ﻛﻨﺪ ﻛﻪ ﻛﺪام ﮔﺎﻣﻬﺎي ﺗﺠﺰﻳﻪ اﻧﺠﺎم ﻣﻲ‬
‫ﺷﻮﻧﺪ‪.‬‬
‫ﻳﻚ راه ﻣﻌﻘﻮل اﻳﻨﺴﺖ ﻛﻪ ﻳﻚ ﻛﻠﻤﻪ را ﭘﻮﻳﺶ )ﻣﺎﻧﻨﺪ ﻧﻜﺘﻪ ‪ (3‬و ﺑﻌﺪ ﺗﻤﺎﻣﻲ ﮔﺎﻣﻬﺎي‬
‫ﺗﺠﺰﻳﻪ ﻣﻤﻜﻦ در)‪ 4‬ﺗﺎ ‪ (7‬را ﻗﺒﻞ از ﭘﻮﻳﺶ ﻛﻠﻤﻪ دﻳﮕﺮ اﻧﺠﺎم داد‪.‬‬
‫ﺗﺠﺰﻳﻪ زﻣﺎﻧﻲ ﻛﺎﻣﻞ ﻣﻲ ﺷﻮد ﻛﻪ آﺧﺮﻳﻦ ﻛﻠﻤﻪ ﺧﻮاﻧﺪه ﺷﻮد و ﺗﻤﺎﻣﻲ ﮔﺎﻣﻬﺎي ﺗﺠﺰﻳﻪ ﺑﺮاي‬
‫آن اﺟﺮا ﺷﻮد‪.‬‬
‫ورودي ﻫﺎي ﭘﺎرﺳﺮ‪:‬ﺟﻤﻠﻪ ‪ ,‬ﻛﻠﻤﻪ ‪ ,‬ﮔﺮاﻣﺮ‪.‬‬

‫ﻋﻤﻠﻴﺎت ﺗﺠﺰﻳﻪ ﻛﻨﻨﺪه‪:‬‬

‫‪ ( 1‬اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در دئ ﺳﺎﺧﺘﺎر داده اي ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‪.‬ﻧﻤﻮدار ﻓﻌﺎل ﻛﻪ ﻣﺠﻤﻮﻋﻪ اي از‬
‫ﻛﻤﺎﻧﻬﺎي ﻓﻌﺎل و ﺟﺰء اﺻﻠﻲ اﺳﺖ از اﺑﺘﺪا ﺧﺎل ﻫﺴﺘﻨﺪ‪.‬‬
‫‪ ( 2‬ﮔﺮاﻣﺮ ﺑﺮاي در ﺑﺮ ﮔﺮﻓﺘﻦ ﻗﻮاﻧﻴﻦ اﻟﺤﺎق ﻛﻠﻤﺎت ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬ﺑﺮاي ﻣﺜﺎل‬
‫اﮔﺮ" ‪ " fly‬در ﻓﺮﻫﻨﮓ ﻟﻐﺎت ﺑﻪ ﻋﻨﻮان ﻛﻠﻤﻪ اﺳﺘﻔﺎده ﺷﺪه ﺑﺎﺷﺪ و در ﻫﻤﺎن ﻣﺪﺧﻞ ﻟﻐﻮي‬
‫ﺑﻪ ﻋﻨﻮان ﻓﻌﻞ ﻧﻴﺰ ﺑﻪ ﻛﺎر ﺑﺮده ﺷﻮد ﺳﭙﺲ ﺑﻪ ﺻﻮرت ﻗﺴﻤﺘﻲ از ﮔﺮاﻣﺮ زﻳﺮ ﺧﻮاﻫﺪ ﺑﻮد‪:‬‬
 ‫‪78‬‬

‫‪N
fly‬‬
‫‪V
fly‬‬
‫‪ ( 3‬ﻛﻠﻤﻪ اي ﻣﺎﻧﻨﺪ ‪ fly‬ﭘﻮﻳﺶ ﺷﺪه اﺳﺖ‪ ,‬اﺟﺰاء اﺻﻠﻲ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻋﻨﻮاﻧﻬﺎي ﻛﻠﻤﻪ اي‬
‫ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪:‬‬
‫‪N1: N
fly FROM 2 TO 3, and‬‬
‫‪V1: V
fly FROM 2 TO 3‬‬

‫‪ ( 4‬اﮔﺮ ﮔﺮاﻣﺮﺷﺎﻣﻞ ﻗﻮاﻧﻴﻨﻲ ﻣﺎﻧﻨﺪ ‪ NP
ART ADJ N‬و ﺟﺰء اﺻﻠﻲ ﻣﺎﻧﻨﺪ‬
‫‪ ART1: ART
the FROM m TO n‬در ﺟﻤﻠﻪ ﻳﺎﻓﺘﻪ ﺷﻮد ﺳﭙﺲ ﻛﻤﺎن‬
‫ﻓﻌﺎل‬
‫‪ ARC1: NP
ART1 * ADJ N FROM m TO n‬ﺑﻪ ﭼﺎرت ﻳﺎ ﻧﻤﻮدار‬
‫ﻓﻌﺎل اﺿﺎﻓﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫ﻋﻼﻣﺖ )*( در ﻛﻤﺎن ﻓﻌﺎل ﻧﺸﺎﻧﻪ ﻛﺮاﻧﻪ ﺑﻴﻦ ﺟﺰء اﺻﻠﻲ ﻳﺎﻓﺖ ﺷﺪه و ﺟﺰء اﺻﻠﻲ ﻫﻨﻮز‬
‫ﻳﺎﻓﺖ ﻧﺸﺪه ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫‪ ( 5‬ﭘﻴﺶ روي )*(‪ :‬اﮔﺮ ﻧﻤﻮدا رﻳﺎ ﭼﺎرت ﻓﻌﺎل ﻛﻤﺎن ﻓﻌﻠﻲ ﻣﺎﻧﻨﺪ زﻳﺮ راداﺷﺘﻪ ﺑﺎﺷﺪ‪:‬‬
‫‪ARC1: NP
ART1 * ADJ N FROM m TO n‬‬

‫و ﻳﻚ ﺟﺰء اﺻﻠﻲ در ﻧﻤﻮدار ﻧﻮع ‪) ADJ‬ﻣﺜﻼ" اوﻟﻴﻦ آﻳﺘﻢ ﺑﻌﺪ از *( وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‬
‫ﻣﻲ ﮔﻮﻳﻴﻢ‪:‬‬
‫‪ADJ1: ADJ
green FROM n TO p‬‬

‫اﮔﺮ ‪ FROM‬در ﺟﺰء اﺻﻠﻲ ﺑﺎ ﻣﻮﻗﻌﻴﺖ ‪ TO‬در ﻛﻤﺎن ﻓﻌﺎل ﺗﻄﺎﺑﻖ ﭘﻴﺪا ﻛﻨﺪ ‪ ,‬ﺳﭙﺲ )*(‬
‫ﻣﻲ ﺗﻮاﻧﺪ ﭘﻴﺸﺮﻓﺖ ﻛﻨﺪ و ﻳﻚ ﺋﻜﻤﺎن ﻓﻌﺎل ﺟﺪﻳﺪ ﺗﻮﻟﻴﺪ ﻛﻨﺪ‪.‬‬
‫‪ARC2: NP
ART1 ADJ * N FROM m TO p‬‬

‫در ﺷﻜﻞ زﻳﺮ ﻛﺎﻣﻦ ﺟﺪﻳﺪ از ‪ 0‬ﺗﺎ ‪ 2‬ﺗﻮﻟﻴﺪ ﺷﺪه اﻧﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪The green fly flies‬‬

‫‪An active arc‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪FROM 0 TO 2‬‬

‫‪ARC2: NP
DET1 ADJ1 . NOUN‬‬

‫‪ ( 6‬اﮔﺮ ﭘﺮدازش ﺑﺮاي ﭘﻴﺶ روي * ﻳﻚ ﻛﻤﺎن ﻓﻌﺎل ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﻛﻪ * در ﻗﺴﻤﺖ دورﺗﺮي‬
‫در ﺳﻤﺖ راﺳﺖ ﻗﺎﻧﻮن ﻗﺮار ﺑﮕﻴﺮد ‪:‬ﻫﻤﺎﻧﻨﺪ‪:‬‬
‫‪ARC3: NP
ART1 ADJ1 N1 * FROM 0 TO 3‬‬

‫ﺳﭙﺲ اﻳﻦ ﻛﻤﺎن ﺑﻪ ﻳﻚ ﺟﺰأ اﺻﻠﻲ ﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮد‪:‬‬

‫‪NP1: NP
ART1 ADJ1 N1 FROM 0 TO 3‬‬

‫ﻫﻤﻪ ﻛﻤﺎﻧﻬﺎي ﻓﻌﺎل در اﻳﻦ ﺟﻬﺖ ﻛﺎﻣﻞ ﻧﻤﻲ ﺷﻮﻧﺪ‪.‬‬

‫‪ ( 7‬ﻫﻢ اﺟﺰاء اﺻﻠﻲ و ﻫﻢ ﻋﺒﺎرات ﻣﻲ ﺗﻮاﻧﻨﺪ در ﮔﺎﻣﻬﺎي ‪ 4‬و ‪ 5‬اﺳﺘﻔﺎده ﺷﻮﻧﺪ‪.‬ﻣﺜﻼ" اﮔﺮ‬
‫ﮔﺮاﻣﺮ ﺷﺎﻣﻞ ﻗﺎﻧﻮن ‪ S
NP VP‬ﺑﺎﺷﺪ ‪ ,‬ﺑﻪ ﻣﺤﺾ اﻳﻨﻜﻪ ﺟﺰء اﺻﻠﻲ ‪ NP1‬در ﮔﺎم‬
‫‪ 5‬ام ﺳﺎﺧﺘﻪ ﺷﺪ ‪ ,‬ﺳﺎﺧﺘﻦ ﻛﻤﺎن ﻓﻌﺎل ﺟﺪﻳﺪ ﻣﻤﻜﻦ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫‪ARC4: S
NP1 * VP FROM 0 TO 3‬‬

‫وﻗﺘﻲ ﺟﺰء اﺻﻠﻲ ﺑﻌﺪي ﺳﺎﺧﺘﻪ ﺷﺪ ر ﻣﻲ ﺗﻮاﻧﻨﺪ ﻧﺎﻣﻬﺎﻳﻲ ﻣﺜﻞ‬ ‫‪( 8‬‬
‫‪ NP2,NP3,ADJ2‬و ‪ ...‬داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ ( 9‬ﻫﺪف اﺻﻠﻲ ﺗﺠﺰﻳﻪ ﺑﺪﺳﺖ اوردن ﺟﺰء اﺻﻠﻲ ﻋﺒﺎرت ) ﻣﻌﻤﻮﻻ" از ﻧﻮع ‪ ( S‬ﻛﻪ‬
‫‪ FROM‬آن ‪ 0‬و ‪ TO‬آن ﻃﻮل ﺟﻤﻠﻪ ﻣﻲ ﺑﺎﺷﺪ اﺳﺖ‪.‬‬

‫ﻧﻤﻮﻧﻪ اي از ﺗﺠﺰﻳﻪ ﭼﺎرت ﻳﺎ ﻧﻤﻮدار‪( Chart parsing):‬‬

‫ﮔﺮاﻣﺮ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪1 . S
NP VP‬‬
‫‪2 . NP
ART ADJ N‬‬
 80

3 . NP
ART N
4 . NP
ADJ N
5 . VP
AUX V NP
6 . VP
V NP

: ‫ﮔﺎﻣﻬﺎي ﺗﺠﺰﻳﻪ‬

* sentence *: the * * position *:1

* constituents *:
ART 1: ART
the FROM 0 TO 1
* active – arcs *:
ARC1: NP
ART * ADJ N FROM 0 TO 1 [rule 2]
ARC2: NP
ART1 * N FROM 0 TO 1 [rule3]

* sentence *: the large * position *:2

* constituent *: add
ADJ1: ADJ
large FROM 1 TO 2
* active – arcs *:add
ARC3: NP
ART1 ADJ1 * N FROM 0 TO 2 [arc1*
]
ARC4: NP
ADJ1 * N FROM 1 TO 2 [rule4]

* sentence *: the large can * position*: 3

* constituents * :add
NP2:
ART1 ADJ1 N1 FROM 0 TO 3 [arc3*
]
NP1: NP
ADJ1 N1 FROM 1 TO 3 [arc4 *
]
N1: N
can FROM 2 TO 3
AUX1: AUX
can FROM 2 TO 3
V1: V
can FROM 2 TO 3
*active – arcs *: add
ARC5: VP
V1 * NP FROM 2 TO 3 [rule 6]
ARC6: VP
AUX1 * V NP FROM 2 TO 3 [rule 5]
ARC7: S
NP1 * VP FROM 1 TO 3 [rule1]
ARC8: S
NP2 * VP FROM 0 TO 3 [rule 1]

*sentence * : the large can can * position*:4

*constituents* : add

.
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

ARC9: VP
AUX1 V2 * NP FROM 2 O 4 [arc6 *
]

ARC10: VP
V2 * NP FROM 3 TO 4 [rule6]
ARC11: VP
AUX2 * V NP FROM 3 TO 4 [rule 5]

*sentence* : the large can can hold

*position* : 5
*constituents*: add
N3: N
hold FROM 4 TO 5
V3: V
hold FROM 4 TO 5
*active – arcs* : add
ARC 12: VP
AUX2 V3 * NP FROM 3 TO 5 [arc11*
]
ARC13: VP
V3 * NP FROM 4 TO 5 [rule 6]

*sentence*: the large can can hold the

*position*: 6
*constituents* : add
ART2: ART
the FROM 5 TO 6
*active-arcs* : add
ARC14: NP
ART2 * ADJ N FROM 5 TO 6 [rule 2]
ARC15: NP
ART2 * N FROM 5 TO 6 [rule 3]

*sentence* : the large can can hold the water

* position * : 7
* constituents * : add
S2: S
NP1 VP2 FROM 1 TO 7 [arc7 *
]
S1: S
NP2 VP2 FROM 0 TO 7 [arc8*
]
VP2: VP
AUX2 V3 NP3 FROM 3 TO 7[arc12 *
]
VP1: VP
V3 NP3 FROM 4 TO 7 [arc13 *
]
NP3: NP
ART2 N4 FROM 5 TO 7 [arc15*
]
N4: V
water FROM 6 TO 7
V4: V water FROM 6 TO 7
*active-arcs*: add
ARC16: VP
V4 * NP FROM 6 TO 7 [rule 6]
ARC17: S
NP3 * VP FROM 5 TO 7 [rule 1]

.‫ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﺗﻜﺮار ﻛﻨﻴﺪ‬7-2 ‫اﻳﻦ ﮔﺎﻣﻬﺎ را ﺑﻪ ﺻﻮرﺗﻲ ﻛﻪ در ﺷﻜﻞ‬
 ‫‪82‬‬

‫ﻋﻴﺐ روش ﭘﺎﻳﻴﻦ ﺑﻪ ﺑﺎﻻ اﻳﻦ اﺳﺖ ﻛﻪ ﺟﺰ اﺻﻠﻲ ﺑﻲ ارﺗﺒﺎط را ﻧﻴﺰ ﭘﻴﺪا ﺧﻮاﻫﺪ ﻛﺮد ﻣﺎﻧﻨﺪ‬
‫”‪ “hold the water‬ﻛﻪ اﻳﻦ ﺟﺰء ﺗﻮﺳﻂ روش ﺗﺠﺰﻳﻪ ﺑﺎﻻ ﺑﻪ ﭘﺎﻳﻴﻦ ﻣﻮرد ﺗﻮﺟﻪ واﻗﻊ‬
‫ﻧﺨﻮاﻫﺪ ﺷﺪ‪.‬ﻳﻚ ﺗﺠﺰﻳﻪ ﻛﻨﻨﺪه ﺑﺎﻻ ﺑﻪ ﭘﺎﻳﻴﻦ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ﻣﻲ ﺗﻮاﻧﺪ ﻳﻚ ﭼﺎرت داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ‪.‬‬

‫ﺛﺒﺖ ﺳﺎﺧﺘﺎر ﺟﻤﻠﻪ)‪: ( Recording Sentence structure‬‬

‫ﺟﻤﻠﻪ زﻳﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪:‬‬
‫”‪“ Jack found a dollar‬‬
‫)‪(S SUBJ (NP NAME jack‬‬
‫‪MAIN-V find‬‬
‫‪TENSE past‬‬
‫))‪OBJ (NP ART a HEAD dollar‬‬

‫‪S( subj(np(name(jack))),‬‬
‫‪Main(find),‬‬
‫‪Tense(past),‬‬
‫))))‪Obj(np (art (a),head (dollar‬‬

‫‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
 84

.
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺷﻜﻞ ‪7-2‬‬

‫‪ 8-3-7‬ﮔﺮاﻣﺮو ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻨﻄﻘﻲ‬

‫)‪:(Grammars & Logic programming‬‬

‫ﻗﻮاﻧﻴﻦ ﮔﺮاﻣﺮ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺴﺘﻘﻴﻤﺎ" در ‪ PROLOG‬ﻛﺪﻧﻮﻳﺴﻲ ﺷﻮد‪.‬‬

‫‪S
NP VP ………s(p1,p3) :- np(P1,P2), vp(P2,P3).‬‬

‫اﻳﻦ ﻋﺒﺎرت ﺑﺪﻳﻦ ﻣﻌﻨﺎﺳﺖ ﻛﻪ ‪ S‬وﺟﻮد دارد از ﻣﻮﻗﻌﻴﺖ ‪ P1‬ﺑﻪ ﻣﻮﻗﻌﻴﺖ ‪ P3‬ﺑﻪ ﺷﺮط‬
‫اﻳﻨﻜﻪ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪ NP‬از‪ P1‬ﺑﻪ ‪ P2‬و ‪ VP‬از ‪ P2‬ﺑﻪ ‪. P3‬ﻫﻤﻴﻨﻄﻮر‪:‬‬
‫‪VP
V NP ……vp(P1,P3) :- v(P1,P2), np(P2,P3).‬‬
‫‪NP
NAME …….np(P1,P2) :-propernoun(P1,P2).‬‬
‫‪NP
ART N …….np(P1.P3) :- art(P1,P2), noun (P2,P3).‬‬

‫ﻟﻐﺎت ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻮﺳﻂ ﮔﺰاره ﻫﺎ ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪.‬ﻣﺎﻧﻨﺪ‪:‬‬

‫‪NAME
John ….. isname(john).‬‬
‫‪V
ate‬‬ ‫‪…..‬‬ ‫‪isverb(ate).‬‬
‫‪ART
the‬‬ ‫‪…..‬‬ ‫‪isart(the).‬‬
‫‪N
cat‬‬ ‫‪…..‬‬ ‫‪isnoun(cat).‬‬
 ‫‪86‬‬

‫ﺑﺮاي ﻫﺮﻋﻨﻮان ﻟﻐﺘﻲ ﻣﺎﻧﻨﺪ ‪ ART‬ﻳﻚ ﮔﺰاره )‪ (predicate‬ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻴﻢ ﻣﺜﻼ"‬

‫ﺑﺮاي ‪ART‬‬
‫)‪Art (FROM,TO ) :_word ( Word, FROM ,TO), isart (Word‬‬

‫اﻳﻦ ﻣﻄﻠﺐ زﻣﺎﻧﻲ درﺳﺖ اﺳﺖ ﻛﻪ ﻛﻠﻤﻪ اي ﻛﻪ ﻣﻮﻗﻌﻴﺖ آن ﻣﺸﺨﺺ ﺷﺪه ‪ ,‬از ﻫﻤﺎن‬
‫ﻋﻨﻮان ﺑﺎﺷﺪ‪.‬‬
‫در ﻣﺜﺎل زﻳﺮ‪:‬‬
‫)‪Word ( Word , FROM ,TO‬‬

‫ﻋﺒﺎرت ﺑﺎﻻ ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ ﻛﻪ ‪ word‬در ﺟﻤﻠﻪ ورودي ‪ ,‬ﺑﻴﻦ ﻣﻮﻗﻌﻴﺖ ﻫﺎي ‪FROM‬‬
‫و ‪ TO‬ﻗﺮار دارد‪.‬ﺑﻪ ﻫﻤﺎﻳﻦ ﺻﻮرت‪:‬‬
‫)‪Noun(FROM,TO‬‬ ‫‪:-‬‬ ‫‪word(Word ,FROM ,‬‬ ‫‪TO),‬‬
‫‪isnoun(Word).‬‬
‫‪V(FROM ,TO) :- word (Word , FROM ,TO), isverb(Word).‬‬
‫‪Propernoun(FROM, TO ):- word(Word , FROM ,TO),‬‬
‫‪isname(Word).‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻤﻲ ﻛﻪ ﻗﺒﻼ" ﺗﻮﺻﻴﻒ ﺷﺪه ﺑﻮد‪,‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﻮﻗﻌﻴﺖ ﻛﻠﻤﺎت در ﺟﻤﻠﻪ‬
‫ﻫﺎﻳﺸﺎن را ﺛﺎﺑﺖ ﻛﻨﻴﻢ‪.‬‬
‫‪Word(john ,1,2).‬‬
‫‪Word(ate ,2, 3).‬‬
‫‪Word(the ,3 ,4).‬‬
‫‪Word(cat, 4 ,5).‬‬

‫ﺳﭙﺲ از ‪ query‬ﭘﺮوﻟﻮگ اﺳﺘﻔﺎده ﻛﻨﻴﺪ?)‪s(1,5‬‬

‫ﻧﺘﻴﺠﻪ آ ن ** ﺑﻠﻪ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫ﺑﺮاي درك ﺳﺎﺧﺘﺎر ﺟﻤﻠﻪ‪ ,‬آرﮔﻮﻣﺎن ﻫﺎ و اﺳﺘﺪﻻل ﻫﺎي اﺿﺎﻓﻲ ﺑﺮاي ﻋﺒﻮر از ﮔﻠﻮﮔﺎﻫﻬﺎ‬
‫اﺿﺎﻓﻪ ﻛﻨﻴﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪S(p1,p3, S(np,vp)) :- np(P1,P2,NP), vp(P2,P3,VP),‬‬

‫‪Vp(P1,P3,vp(v(Verb),NP)) :- v(P1,P2,Verb), np(P2,P3,NP).‬‬
‫‪Np(P1,P2,np(name))) :-proper(P1,P2,Name).‬‬
‫)))‪Np(P1,P3,np (art(Art),noun(Noun‬‬
‫‪Art(P1,P2,Art),‬‬
‫‪Noun(P2,P3,Noun).‬‬

‫)‪Art(FROM,TO,Word‬‬ ‫‪:-‬‬ ‫‪word(Word,FROM,TO),‬‬

‫‪isart(Word).‬‬
‫)‪Noun(FROM,TO,Word‬‬ ‫‪:-‬‬
‫‪WORD(Word,FROM,TO),isnoun(Word).‬‬
‫)‪V(FROM,TO,Word‬‬ ‫‪:-‬‬ ‫‪word(Word,FROM,TO),‬‬
‫‪isverb(Word).‬‬
‫)‪Proper(FROM,TO,Word‬‬ ‫‪:-‬‬
‫‪word(Word,FROM,TO),isname(Word).‬‬

‫‪ 9-3-7‬زﺑﺎن ﻧﻤﺎﻳﺶ داﻧﺶ )‪(Knowledge Representation Language‬‬

‫ﻣﻮﺿﻮع ﻧﻤﺎﻳﺶ داﻧﺶ ﻣﺮﺗﺒﻂ ﺑﺎ ﺳﻴﺴﺘﻢ ‪ NLP‬ﻛﻪ ﺷﺎﻣﻞ اﻃﻼﻋﺎت ﻛﻠﻲ درﺑﺎره ﺟﻬﺎﻧﻲ ﻛﻪ‬
‫ﻧﻴﺎزﻣﻨﺪ زﺑﺎﻧﻲ ﻗﺎﺑﻞ ﻓﻬﻢ اﺳﺖ ‪ ,‬ﻣﻲ ﺑﺎﺷﺪو ﻧﻮﻋﻲ داﻧﺶ ﻣﺨﺼﻮص ﻛﻪ ﺑﺎ ﺳﻴﺴﺘﻢ ‪NLP‬‬
‫ﻣﺮﺗﺒﻂ اﺳﺖ‪.‬‬
‫زﺑﺎن ﻧﻤﺎﻳﺶ داﻧﺶ ﻳﺎ )‪(KRL=knowledge Representation language‬‬
‫ﺑﻪ زﺑﺎن ﻣﺨﺼﻮﺻﻲ اﺷﺎره دارد ﻛﻪ ﺑﺮاي ﻛﺪﺑﻨﺪي داﻧﺶ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫ﻣﺠﻤﻮﻋﻪ اﻃﻼﻋﺎت و داﻧﺸﻲ ﻛﻪ ﺗﻮﺳﻂ ﺳﻴﺴﺘﻢ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﭘﺎﻳﮕﺎه داﻧﺶ )‪ (KB‬ﻧﺎم‬
‫دارد‪.‬‬
‫ﻧﻤﺎﻳﺶ ﺑﺮ ﭘﺎﻳﻪ ‪: FOPC‬‬
‫زﺑﺎﻧﻲ ﻛﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد اﺷﺘﺮاﻛﺎﺗﻲ ﺑﺎ زﺑﺎن ﻣﻨﻄﻘﻲ دارد‪.‬ﺑﺨﺸﻲ از زﺑﺎن ﺷﺎﻣﻞ ﺛﺎﺑﺘﻬﺎ ﻣﺎﻧﻨﺪ‬
‫‪, john1‬ﺗﺎﺑﻊ ﻫﺎي ﻛﺎرﺑﺮدي ﻣﺎﻧﻨﺪ )‪ father (john1‬و ﻣﺘﻐﻴﺮﻫﺎ ﻣﺎﻧﻨﺪ ‪x‬و ‪ y‬ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻓﺮم ﻣﻨﻄﻘﻲ زﺑﺎن از ﺛﺎﺑﺘﻬﺎ اﺳﺘﻔﺎده ﻧﻤﻲ ﻛﻨﺪ ‪ ,‬ﻫﻤﻪ ﭼﻴﺰ ﺑﺎ‬
 ‫‪88‬‬

‫ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺘﻘﻞ ﺑﻴﺎن ﻣﻲ ﺷﺪ ﺗﺎ ﻧﻤﺎﻳﺶ ﻣﺘﻦ ﻣﺴﺘﻘﻞ را ﻧﮕﻪ دارد‪.‬ﺑﺮاي ﻣﺜﺎل ‪ ,‬ﻓﺮم ﻣﻨﻄﻘﻲ‬
‫)”‪ (NAME j1 “john‬در ﻣﺘﻦ ﺧﺎﺻﻲ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻋﻨﻮان ﺛﺎﺑﺖ ‪ john1‬در‪KB‬‬
‫ﻧﻤﺎﻳﺶ داده ﺷﻮد‪.‬‬
‫ﺗﻌﺎرﻳﻒ ﻣﺤﺪود ﺷﺪه در ‪ KRL‬ﻣﻌﻨﻲ ﭘﻴﺪا ﻣﻲ ﻛﻨﻨﺪ ﻫﻤﺎﻧﻄﻮر ﻛﻪ در زﺑﺎن ﻣﻨﻄﻘﻲ ﻣﻌﻨﻲ‬
‫دارﻧﺪ‪.‬‬

‫) ‪∃x : Person ( x) Happy ( X‬‬

‫‪∀x : Person ( x) Happy ( X ) There is a happy person‬‬
‫‪All people are happy‬‬

‫ﻋﺒﺎرت دوم ﻣﻌﺎدل اﺳﺖ ﺑﺎ ) ‪. ∀xPerson( x) → Happy ( X‬‬

‫‪Many KR systems do not explicitly use quantifiers. Their‬‬
‫‪variables are all tacitly‬‬
‫‪universally quantified, as in PROLOG. Thus eats(john1, X) :-‬‬
‫‪fried(X). means "John‬‬
‫‪eats anything if it's fried". Literally anything, of course-if‬‬
‫‪fried(cartyres1) is stored‬‬
‫‪in the KB, then eats(john1, cartyresl) is true.‬‬

‫ﺗﻌﺪاد زﻳﺎدي ﺳﻴﺴﺘﻢ ‪ KR‬ﺑﻪ ﻃﻮر واﺿﺢ و آﺷﻜﺎر از ﻛﻤﻴﺖ ﺳﻨﺞ اﺳﺘﻔﺎده ﻧﻤﻲ‬
‫ﻛﻨﻨﺪ‪.‬ﻣﺘﻐﻴﺮﻫﺎي آﻧﻬﺎ ﻫﻤﮕﻲ ﺑﻪ ﻃﻮر ﻓﺮاﮔﻴﺮ ﺳﻨﺠﻴﺪه ﺷﺪه اﻧﺪ ﭼﻨﺎن ﻛﻪ در ‪PROLOG‬‬
‫اﺳﺖ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫)‪ Eats(john1, X) :-fried(x‬ﺑﻪ ﻣﻌﻨﻲ ‪“john eats anything if it’s‬‬
‫”‪ fried.‬اﺳﺖ‪.‬‬

‫ﺛﺎﺑﺘﻬﺎي ‪ SKOLEM‬و ﺗﻮاﺑﻊ‪:‬‬

‫ﻣﺘﻐﻴﺮﻫﺎي ﺑﺎ ﺳﻮر وﺟﻮدي ﺑﻪ وﺳﻴﻠﻪ ﺗﻜﻨﻴﻜﻲ ﺑﻪ ﻧﺎم ‪ Skolemization‬ﺑﻜﺎرﺑﺮده ﺷﺪه‬
‫اﻧﺪ ﺑﻪ ﻃﻮرﻳﻜﻪ ﻣﺘﻐﻴﺮﻫﺎ را ﺑﺎ ﺛﺎﺑﺘﻬﺎي ﺟﺪﻳﺪ ﺟﺎﻳﮕﺰﻳﻦ ﻣﻲ ﻛﻨﺪ‪.‬ﺑﺮاي ﻣﺜﺎل ﻓﺮﻣﻮل‬
‫) ‪∃y∀xloves( x, y‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺑﻪ ﺻﻮرت ﻓﺮﻣﻮل روﺑﺮو ﻛﺪﺑﻨﺪي ﻣﻲ ﺷﻮﻧﺪ‪ loves ( X , sk1) .‬ﺟﺎﻳﻲ ﻛﻪ ‪ sk1‬ﻳﻚ ﺛﺎﺑﺖ‬
‫ﺟﺪﻳﺪ اﺳﺖ ﻛﻪ ﺑﺠﺎي ﺷﺊ اي ﻛﻪ وﺟﻮد را ﺛﺎﺑﺖ ﻣﻲ ﻛﻨﺪ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬
‫واﺑﺴﺘﮕﻲ ﻫﺎي ﺳﻮرﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻮاﺑﻊ ﺟﺪﻳﺪي ﺑﻪ ﻧﺎم ‪ Skolem function‬ﻧﺸﺎن‬
‫داده ﻣﻲ ﺷﻮد‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻓﺮﻣﻮل ) ‪ ∀y∃xloves( x, y‬ﺑﻪ ﺻﻮرت ﻓﺮﻣﻮل‬
‫)‪ loves(sk2(Y),Y‬ﻛﺪﺑﻨﺪي ﺧﻮاﻫﺪ ﺷﺪ‪.‬ﺟﺎﻳﻴﻜﻪ ‪ sk2‬ﻳﻚ ﺗﺎﺑﻊ ﺟﺪﻳﺪ اﺳﺖ ﻛﻪ ﺑﻪ‬
‫ﺻﻮرت ﺑﺎﻟﻘﻮه ﻳﻚ ﺷﺊ ﺟﺪﻳﺪ ﺑﺮاي ﻫﺮ ﻣﻘﺪار ‪ Y‬ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﻣﻌﻨﻲ ﺷﻨﺎﺳﻲ)‪: (Semantics‬‬

‫وﻇﺎﻳﻒ زﻳﺎدي ﺗﺤﺖ ﻋﻨﻮان ‪ semantic‬وﺟﻮد دارﻧﺪ‪ semantic).‬ﺑﻪ ﻣﻌﻨﺎي ﻣﻄﺎﻟﻌﻪ‬
‫ﻣﻌﺎﻧﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺑﺮاي ﻣﺒﺤﺚ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻣﺎ ‪ semantic ,‬ﺑﻪ ﻣﻌﻨﻲ ﭘﺮدازش ﺗﻌﻴﻴﻦ‬
‫ﻣﻌﻨﻲ ﺟﻤﻼت ورودي اﺳﺖ‪(.‬‬
‫• ﻛﻠﻤﻪ ﺻﺤﻴﺢ را ﺑﺮاي ﻣﻌﻨﻲ ﻛﺮدن اﻧﺘﺨﺎب ﻛﻨﻴﺪ‪.‬‬
‫• اﺑﻬﺎﻣﺎت را از آن ﺑﺮدارﻳﺪ‪.‬زﻣﺎﻧﻲ ﻛﻪ از ﻟﺤﺎظ ﻧﺤﻮي ﺗﻔﺴﻴﺮﻫﺎي ﻣﺘﻌﺪدي ﻣﻤﻜﻦ‬
‫اﺳﺖ ‪ ,‬ﺗﻔﺴﻴﺮي را اﻧﺘﺨﺎب ﻛﻨﻴﺪ ﻛﻪ ﻣﻌﻨﻲ ﺑﺪﻫﺪ‪.‬‬
‫" اﻣﺮوز ﺻﺒﺢ ‪,‬ﺟﺎن ﺳﮓ ﻣﺮا دﻳﺪ ﻛﻪ ﺑﻪ ﻃﺮف ﻣﺤﻞ ﻛﺎرش راﻧﻨﺪﮔﻲ ﻣﻲ‬
‫ﻛﺮد‪".‬‬
‫• ﻣﺮاﺟﻊ ﺿﻤﻴﺮ را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬
‫" ﺑﻴﻞ دوﭼﺮﺧﻪ ﺟﺎن را ﺧﻮاﺳﺖ‪.‬‬
‫او آن را ﻓﺮوﺧﺖ‪".‬‬
‫• ﻧﻤﺎﻳﺸﻲ از ﻣﻌﻨﻲ زﺑﺎن ورودي را ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‪.‬اﻳﻦ ﺑﺎز ﻧﻤﺎﻳﻲ ﻣﻤﻜﻦ اﺳﺖ ﺗﺎ ﺣﺪي‬
‫از ورودي ﻣﺘﻔﺎوت ﺑﺎﺷﺪ‪.‬‬
‫"ﺟﺎن ﺧﺮﮔﻮﺷﺶ را ﺑﻪ ﺑﻴﻞ ﻓﺮوﺧﺖ‪.‬‬
‫آﻳﺎ ﺑﻴﻞ ﻳﻚ ﺣﻴﻮان ﺧﺎﻧﮕﻲ ﺧﺮﻳﺪه اﺳﺖ؟"‬
‫• اﻃﻼﻋﺎت ﺣﺬف ﺷﺪه را ﭘﺮ ﻛﻨﻴﺪ‪.‬‬
‫" ﻣﻦ اﻣﺮوز از ﻛﺎر دﻳﺮم ﺷﺪ‪.‬‬
 ‫‪90‬‬

‫ﻣﺎﺷﻴﻦ ﻣﻦ اﺳﺘﺎرت ﻧﻤﻲ زد‪.‬‬

‫ﺑﺎﺗﺮي آن ﺗﻤﺎم ﺷﺪه ﺑﻮد‪.‬‬
‫ﺑﺎﺗﺮي ﻗﺴﻤﺘﻲ از اﺗﻮﻣﺒﻴﻞ ﻣﻦ اﺳﺖ‪.‬ﺗﻤﺎم ﺷﺪن ﺑﺎﺗﺮي ﺑﺎﻋﺚ ﺷﺪ اﺗﻮﻣﺒﻴﻞ ﻣﻦ اﺳﺘﺎرت‬
‫ﻧﺰﻧﺪ‪.‬اﺳﺘﺎرت ﻧﺰدن ﻣﺎﺷﻴﻦ ﺑﺎﻋﺚ ﺷﺪ ﻛﻪ ﻣﻦ دﻳﺮ ﺳﺮﻛﺎر ﺑﺮﺳﻢ ﺑﺮاي اﻳﻨﻜﻪ ﻣﻦ‬
‫ﻣﻌﻤﻮﻻ" ﺑﺮاي رﻓﺘﻦ ﺑﻪ ﺳﺮ ﻛﺎر از ﻣﺎﺷﻴﻦ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻢ و اﮔﺮ ﻣﺎﺷﻴﻨﻲ اﺳﺘﺎرت ﻧﺰﻧﺪ‬
‫‪ ,‬ﻧﻤﻲ ﺗﻮاﻧﺪ ﺣﺮﻛﺖ ﻛﻨﺪ‪.‬‬
‫اﺑﻬﺎﻣﺎت)‪: (Ambiguity‬‬
‫اﺑﻬﺎﻣﺎت زﻳﺎدي ﺑﻴﺶ از آﻧﭽﻪ ﺑﺘﻮاﻧﻴﻢ ﺗﺼﻮر ﻛﻨﻴﻢ در ﻳﻚ زﺑﺎن ﻃﺒﻴﻌﻲ وﺟﻮد دارد‪.‬‬
‫اﺑﻬﺎﻣﺎت ﻟﻐﻮي‪:‬‬
‫ﻳﻚ ﻛﻠﻤﻪ ﻣﻲ ﺗﻮاﻧﺪ ﻧﻘﺶ ﻫﺎي ﻣﺘﻌﺪدي در ﺳﺨﻦ داﺷﺘﻪ ﺑﺎﺷﺪ و ﺑﺮاي ﻫﺮ ﻧﻘﺶ‬
‫داراي ﻳﻚ ﻣﻌﻨﻲ ﺑﻪ ﺧﺼﻮص ﺑﺎﺷﺪ‪.‬‬
‫ﺗﻌﺪاد ﺗﺮﻛﻴﺒﺎت ﻣﻌﻨﺎﻳﻲ ‪ ,‬ﻣﺤﺼﻮل ﺗﻌﺪد ﻣﻌﺎﻧﻲ ﺑﺮاي ﻫﺮ ﻛﻠﻤﻪ اﺳﺖ‪.‬‬

‫اﺑﻬﺎﻣﺎت ﻧﺤﻮي‪:‬‬
‫ﻋﺒﺎرات ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻗﺴﻤﺘﻬﺎي ﻣﺨﺘﻠﻔﻲ از ﺟﻤﻠﻪ ﻣﺮﺑﻮط ﺑﺎﺷﻨﺪ‪.‬ﻣﺨﺼﻮﺻﺎ"‬
‫ﺗﺮﻛﻴﺒﺎت ﻋﻄﻔﻲ و ﻋﺒﺎرت ﮔﺰاره اي ﻗﺴﻤﺘﻬﺎي ﭘﺮ زﺣﻤﺖ ﻫﺴﺘﻨﺪ‪.‬‬

‫‪ 10-3-7‬ﻣﺜﺎﻟﻬﺎ‬
‫در اﻳﻦ ﻗﺴﻤﺖ ﻣﺎ ﺑﻪ دوﻣﺜﺎل ﺑﺮاي رﻓﻊ ﺑﺮﺧﻲ ﻣﺸﻜﻼت ‪ NL‬ﺑﺎ اﺳﺘﻔﺎده از ﮔﺮاﻣﺮ‬
‫ﺷﺮط ﻗﻄﻌﻲ‬
‫)‪ (DCG=Definite Clause Grammar‬ﻣﻲ ﭘﺮدازﻳﻢ‪.‬‬
‫اوﻟﻴﻦ ﻣﺜﺎل ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﭼﮕﻮﻧﻪ ﻳﻚ ﻋﺒﺎرت ﻓﻌﻞ‪-‬اﺳﻢ )‪ (noun-verb‬ﻣﻲ‬
‫ﻇﺎﻫﺮ‬ ‫ﺗﻮاﻧﺪ از ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ ﺧﻮد ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺻﻮرت ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل در‪DCG‬‬
‫ﺷﻮﻧﺪ ﺑﺪﺳﺖ آﻳﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﻓﻘﻂ ﻓﻌﻠﻬﺎي زﻣﺎن ﺣﺎل ﺷﺮح داده ﺧﻮاﻫﻨﺪ ﺷﺪ‪.‬ﺳﭙﺲ ﻣﺎ ﺑﻪ ﻣﺸﻜﻼت ﺗﺮﺟﻤﻪ از ﻳﻚ‬
‫زﺑﺎن ﺑﻪ زﺑﺎن دﻳﮕﺮ ﺧﻮاﻫﻴﻢ ﭘﺮداﺧﺖ ‪.‬‬
‫در اﻳﻨﺠﺎ ﻳﻚ ﺟﻤﻠﻪ ﺑﻪ زﺑﺎن ﻓﺮاﻧﺴﻪ ﺗﺠﺰﻳﻪ ﺷﺪه و در ﻫﻤﺎن زﻣﺎن ﺗﺮﺟﻤﻪ اﻧﮕﻠﻴﺴﻲ در‬
‫ﻳﻜﻲ از ﻣﺘﻐﻴﺮﻫﺎ اﻧﺠﺎم ﺷﺪه اﺳﺖ‪.‬‬
‫ﻣﺎ در اﺑﺘﺪا ﺑﺎ ﻣﻌﺮﻓﻲ ﻛﻠﻲ از ﻧﺤﻮ و ﺗﺮﺟﻤﻪ ‪ DCG‬در ‪ PROLOG‬آﻏﺎز ﻣﻲ‬
‫ﻛﻨﻴﻢ‪.‬ﺑﻴﺸﺘﺮ ﻧﺴﺨﻪ ﻫﺎي ‪ PROLOG‬ﺗﻮاﻧﺎﻳﻲ ﺗﻌﺮﻳﻒ زﺑﺎن و ﻋﻤﻠﻴﺎت ﺑﺮ روي آﻧﻬﺎ‬
‫ﺗﻮﺳﻂ ‪ DCG‬را دارﻧﺪ‪ .‬ﮔﺮاﻣﺮ ﻫﺎي ‪ DCG‬ﺑﺴﻴﺎر ﺷﺒﻴﻪ ﮔﺮاﻣﺮ ﻫﺎي ﻣﺴﺘﻘﻞ از ﻣﺘﻦ‬
‫ﻫﺴﺘﻨﺪ وﻟﻲ ‪ DCG‬ﻫﺎ ﺻﺮاﺣﺘﺎ" ﺑﻪ دﻟﻴﻞ داﺷﺘﻦ ﺣﺴﺎﺳﻴﺖ ﻧﺴﺒﺖ ﺑﻪ ﻣﺘﻦ ‪,‬‬
‫ﻗﻮﻳﺘﺮﻧﺪ‪.‬‬

‫آﺳﺎﻧﺘﺮﻳﻦ ﻓﺮم )‪:(Simplest form‬‬

‫ﭘﺎﻳﻪ اي ﺗﺮﻳﻦ ﻓﺮم ‪ DCG‬اﺳﺎﺳﺎ" ﻫﻤﺎن ﮔﺮاﻣﺮ ‪ Context Free‬ﻳﺎ ﻣﺴﺘﻘﻞ از ﻣﺘﻦ‬
‫اﺳﺖ‪.‬‬
‫ﺑﺎ ﻳﻚ ﻣﺜﺎل ﺗﻮﺿﻴﺢ ﻣﻲ دﻫﻴﻢ‪.‬ﻳﻜﺒﺎر ﻗﻮاﻧﻴﻦ ﺑﻪ ﻣﺘﺮﺟﻢ ‪ PROLOG‬ﻧﺸﺎن داده ﻣﻲ‬
‫ﺷﻮد وآﻧﻬﺎ ﺑﻪ ﺷﺮﻃﻬﺎ و ﻋﺒﺎرات ﺧﺎﻟﺺ در ‪ PROLOG‬ﺗﺮﺟﻤﻪ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫اﮔﺮ ﻓﻬﺮﺳﺖ ﻧﻮﻳﺴﻲ اﻧﺠﺎم ﺷﺪ ﺳﭙﺲ ﺗﺮﺟﻤﻪ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﺧﻮاﻫﺪ ﺑﻮد‪ ).‬ﻓﻬﺮﺳﺘﻲ از‬
‫ﺷﺮﻃﻬﺎ(‬

‫ﻣﺜﺎل ‪:1‬‬
‫در اﻳﻨﺠﺎ ﮔﺮاﻣﺮي ﺑﺮاي ﺗﺸﺨﻴﺺ اﻧﻮاع ﻓﺮم ﻫﺎي اﻋﺪاد دارﻳﻢ‪.‬اﺟﺎزه دﻫﻴﺪ ﺑﺒﻴﻨﻴﻢ‬
‫ﭼﻘﺪر ﺑﻪ ﺗﻌﺮﻳﻒ ﻧﺮﻣﺎل ﮔﺮاﻣﺮﻫﺎي ﻣﺴﺘﻘﻞ از ﻣﺘﻦ ﻧﺰدﻳﻚ اﺳﺖ؟‬

‫‪Digit
[0], [1], [2] ,[3] ,[4] ,[5] ,[6] ,[7] ,[8] ,[9].‬‬
‫‪Nat num
digit .‬‬
‫
‪)Nat num‬ﺗﻮاﻟﻲ از ارﻗﺎم‬
‫( ‪digit,nat num‬‬
 92

Int
nat
num.
Int
sign ,nat num.
Real
int.
Real
int,[.],nat num.
Sign
[-],[+].

‫ﺷﻨﺎﺳﻪ ﻫﺎي دﻳﮕﺮ ﻧﻘﺶ ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل را‬.‫اﺷﻴﺎ درون " ][ " ﻋﻨﺎﺻﺮ ﺗﺮﻣﻴﻨﺎل زﺑﺎن ﻫﺴﺘﻨﺪ‬
.‫دارﻧﺪ‬
‫ﻗﻮاﻧﻴﻦ ﺑﺎﻻ ﺑﻪ‬.‫ﻗﻮاﻧﻴﻦ در ﺳﻤﺖ راﺳﺖ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻮﺳﻂ ﻋﻼﻣﺖ | ازﻫﻢ ﺗﻤﻴﺰ داده ﺷﻮﻧﺪ‬
.‫ﺻﻮرت زﻳﺮ در ﭘﺮوﻟﻮگ ﺗﺮﺟﻤﻪ ﻣﻲ ﺷﻮﻧﺪ‬

Nat num(A,B) :-
Digit(A,B).
Nat num(A,B) :- digit(A,C),
Nat num(C,B).
Sign(A,B) :-
( “C” (A,-B) |
“C” (A ,+,B).
Real(A,B) :-
Int(A,B).
Real(A,B) :-
Int(A,C),
“C” (C,”.”,D),
Nat num (D,B).
Real (A,B) :-
Sign(A,C),
“C” (C,”.”,D),
Nat num(D,B).
Int(A,B) :-
Nat num (A,B)
Int (A,B) :-

.
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪Sign(A,C),‬‬
‫‪Nat num (C,B).‬‬
‫‪Digit (A,B) :-‬‬
‫| ) ‪(“C”(A,0,B‬‬
‫| )‪“C” (A,1,B‬‬
‫| )‪“C” (A,2,B‬‬
‫| )‪“C” (A,3,B‬‬
‫| )‪“C” (A,4,B‬‬
‫| )‪“C” (A,5,B‬‬
‫| )‪“C” (A,6,B‬‬
‫| )‪“C” (A,7,B‬‬
‫| )‪“C” (A,8,B‬‬
‫‪“C” (A,9,B) ).‬‬

‫اﮔﺮ ﻣﺎ )‪ nat num(A,B‬را ﺑﺮدارﻳﻢ ‪ ,‬ﺳﭙﺲ ﺗﻔﺴﻴﺮ اﻳﻦ ﮔﺰاره اﻳﻨﮕﻮﻧﻪ ﺧﻮاﻫﺪ ﺑﻮد ﻛﻪ‬
‫ﺗﻮاﻟﻲ ﻋﻨﺎﺻﺮ ‪ , B‬ﻗﺴﻤﺖ اﻧﺘﻬﺎﻳﻲ ‪ A‬ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ زوج )‪ (A,B‬را ﺑﺮاي‬
‫اﻳﺠﺎد ﻟﻴﺴﺖ ﺗﻔﺎﺿﻞ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫ﺗﺎ ﺣﺎﻻ ﻣﺜﺎل )][‪ nat num([1,2,3],‬درﺳﺖ ﺑﻮده اﺳﺖ وﺑﻪ ﻃﻮر ﻛﻠﻲ ﺗﺮ ﻋﺒﺎرت‬
‫ﻣﺬﻛﻮر ﺑﺮاي ﻫﺮ ‪ x‬اي درﺳﺖ اﺳﺖ‪.‬ﮔﺰاره داﺧﻠﻲ ”‪ “C‬ﺑﺮاي ﺗﺸﺨﻴﺺ ﺗﺮﻣﻴﻨﺎﻟﻬﺎ ‪ ,‬و‬
‫ﻋﺒﺎرت )‪ “C”(X,Terminal,Y‬ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﺗﺮﻣﻴﻨﺎل ﻫﺪ ﻳﺎ ﺳﺮ ‪ , X‬و دﻧﺒﺎﻟﻪ‬
‫آن ‪ Y‬اﺳﺖ ) در ﺻﻮرﺗﻲ ﻛﻪ ﺻﻮرت روﺑﺮو ﺗﻌﺮﻳﻒ ﺷﺪه ﺑﺎﺷﺪ‪“C”([X|Xs],X,Xs) .‬‬
‫ﺑﺮاي آﺳﺎﻧﺘﺮ ﻧﻤﻮدن ﻣﺜﺎل ﺑﺎﻻ ﻣﻴﺘﻮاﻧﻴﻢ روﻳﻪ اي ﺑﻨﻮﻳﺴﻴﻢ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ اﻋﺪاد در ﻧﻤﺎﻳﺶ‬
‫ﻧﺮﻣﺎل را ﺑﻪ ﻳﻚ ﺗﻮاﻟﻲ از ﺳﻴﻤﺒﻮﻟﻬﺎي ﺟﺪاﮔﺎﻧﻪ ﺗﺒﺪﻳﻞ ﻛﻨﺪ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻋﺪد ‪ +123‬ﺑﻪ‬
‫ﺻﻮرت ﻟﻴﺴﺖ ]‪ [+,1,2,3‬و ﻋﺪد ‪ 1.23‬ﺑﻪ ﺻﻮرت ]‪ [1,”.”,2,3‬ﺗﺒﺪﻳﻞ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻛﻪ وﺟﻮد "‪ ".‬ﺿﺮوري ﻣﻲ ﺑﺎﺷﺪ در ﻏﻴﺮ اﻳﻨﺼﻮرت ﭘﺮوﻟﻮگ آن را ﺑﻪ‬
‫ﻋﻨﻮان ﻳﻚ ﺗﺮﻣﻴﻨﺎﺗﻮر در ﻧﻈﺮ ﺧﻮاﻫﺪ ﮔﺮﻓﺖ و ﭘﻴﻐﺎم ﺧﻄﺎ ﺧﻮاﻫﺪ داد‪.‬ﻫﻤﭽﻨﻴﻦ اﮔﺮ ﻋﺪدي‬
‫ﺷﺎﻣﻞ ﻋﻼﻣﺖ ﺑﺎﺷﺪ ﺑﺎﻳﺪ ﺑﻪ ﺻﻮرت ﻳﻚ اﺳﻢ ﻛﻪ ﻧﻴﺎزﻣﻨﺪ اﺗﻢ اﺳﺖ‪ ,‬ﻧﻘﻞ ﺷﻮد‪).‬ﻋﺪد‬
 ‫‪94‬‬

‫‪ +123‬ﻳﻚ اﺗﻢ ﻧﻴﺴﺖ ﭼﻮن ﺑﺎ ‪ +‬ﺷﺮوع ﺷﺪه(‪.‬‬

‫‪Convert ti list(Atom,Lst):-‬‬
‫‪Name(Atom,Atom Lst),‬‬
‫‪% convert to list of asci numbers‬‬
‫‪List to vals(AtomLst,Lst).‬‬
‫‪Asci to char(Asc,Chr):-‬‬
‫‪Name(Chr,[Asc]).‬‬
‫‪List to vals([],[]). % apply down a list‬‬
‫‪List to vals([H|T],[HV|TV]):-‬‬
‫‪Asci to val(H,HV),‬‬
‫‪List to vals(T,TV).‬‬

‫ﺑﻪ ﺟﺎي اﺳﺘﻔﺎده ﻛﺮدن از ﮔﺰاره ﻫﺎي ﺗﺮﺟﻤﻪ ﺷﺪه ﺑﺮاي ﺗﺸﺨﻴﺺ ﻋﻨﺎﺻﺮ ﻳﻚ زﺑﺎن ‪ ,‬ﻣﻲ‬
‫ﺗﻮاﻧﻴﻢ ﻫﻤﭽﻨﻴﻦ از ﻋﺒﺎرات ﮔﺰاره اي داﺧﻠﻲ )‪ (built-in‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬ﻋﺒﺎرت‬
‫)‪ (NT,Lst‬ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ‪ L‬ام ﺑﻪ وﺳﻴﻠﻪ ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل ‪ NT‬ﺗﻮﻟﻴﺪ ﺷﺪه اﺳﺖ‪.‬ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺜﺎل ﻋﺒﺎرت )]‪ (real[1,2,”.”,4,5‬درﺳﺖ اﺳﺖ‪.‬‬
‫اﻛﻨﻮن ﮔﺮاﻣﺮ ﺑﺎﻻ اﻋﺪادي ﻛﻪ ﺑﺎ ﺻﻔﺮ ﺷﺮوع ﻣﻲ ﺷﻮﻧﺪ ﻣﺎﻧﻨﺪ ‪ 003‬را ﻣﻲ ﭘﺬﻳﺮد‪.‬دﮔﺮﮔﻮن‬
‫ﺳﺎﺧﺘﻦ ﮔﺮاﻣﺮ ﺗﻮﺳﻂ ﻣﻌﺮﻓﻲ ﻏﻴﺮ ﺗﺮﻣﻴﻨﺎل ﻫﺎ ﺑﺮاي ﻧﭙﺬﻳﺮﻓﺘﻦ و رد ﭼﻨﻴﻦ اﻋﺪادي ﺧﻴﻠﻲ‬
‫ﻣﺸﻜﻞ ﻧﻴﺴﺖ‪ .‬ﺗﻐﻴﻴﺮات ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﻲ ﺑﺎﺷﺪ‪:‬‬
‫| ]‪Nonz digit
[1] |[2]| [3] | [4] | [5] | [6‬‬
‫‪[7] | [8] | [9] .% a nonz digit is in 1-9‬‬
‫‪Digit
[0] | nonz digit.‬‬
‫‪Red nat num
digit | nonz digit, nat num.‬‬
‫‪Red int
red nat num | sign , red nat num.‬‬
‫‪Red real
red int | red int, [“.”], nat num.‬‬

‫‪(nat num‬‬ ‫))‪ (red nat num(0,0,2,3‬اﺷﺘﺒﺎه وﻟﻲ ﺑﺮاي‬ ‫ﺑﺮاي ﻋﺒﺎرت‬
‫)]‪ [0,0,1,2‬درﺳﺖ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫ﻣﺜﺎل ﭘﻴﭽﻴﺪه ﺗﺮ‪:‬‬
‫‪ DCG‬ﻫﻤﭽﻨﻴﻦ اﻳﻦ اﻣﻜﺎن را دارد ﻛﻪ ﻛﺪﻫﺎي ﭘﺮوﻟﻮگ را در ﻣﺤﻔﻈﻪ )‪(body‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺟﺎﺳﺎزي ﻛﻨﺪ‪.‬اﻳﻦ ﻛﺎر ﺗﻮﺳﻂ ﺟﺎ دادن ﻛﺪ ﻣﻮرد ﻧﻴﺎز در }{ اﻧﺠﺎم ﻣﻲ ﮔﻴﺮدوﻫﺮ آﻧﭽﻪ‬
‫داﺧﻞ }{ ﺑﺎﺷﺪ ‪ ,‬ﻏﻴﺮ ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ ﺗﻮﺳﻂ ﻣﻔﺴﺮ ﺧﻮاﻫﺪ ﺑﻮد‪.‬ﭘﺎراﻣﺘﺮﻫﺎ ﻧﻴﺰ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ‬
‫ﻋﻨﻮان آرﮔﻮﻣﺎن در ﺳﻤﺒﻮل ﻫﺎي ﻏﻴﺮﺗﺮﻣﻴﻨﺎل ﻇﺎﻫﺮ ﺷﻮﻧﺪ ﺑﻨﺎﺑﺮاﻳﻦ ﻧﺘﺎﻳﺞ ﻣﻲ ﺗﻮاﻧﻨﺪ در‬
‫در ﺗﺸﺨﻴﺺ ﻳﺎ ﻓﻬﻢ ﻳﻚ‬ ‫ﻣﺤﺎﺳﺒﺎت دﻳﮕﺮ اﺳﺘﻔﺎده ﺷﻮﻧﺪ ﻳﺎ ﺑﻪ ﻋﻨﻮان ‪side effect‬‬
‫زﺑﺎن در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ‪.‬‬
‫ﻣﺜﺎل ‪:1‬‬
‫ﭘﺎراﻣﺘﺮي را ﺑﻪ ﻣﺜﺎل ﻗﺒﻠﻲ اﺿﺎﻓﻪ ﻛﺮدﻳﻢ ﺑﻨﺎﺑﺮاﻳﻦ ﺑﻌﺪ از ﺗﺸﺨﻴﺺ ﻋﺪد درﺳﺖ ‪ ,‬آن ﭘﺎراﻣﺘﺮ‬
‫ﺣﺎوي ﻣﻘﺪار ﻳﺎ ارزش آن ﻋﺪد ﺧﻮاﻫﺪ ﺑﻮد‪.‬ﻫﻤﭽﻨﻴﻦ ﻻزم اﺳﺖ ﺑﺪاﻧﻴﻢ ﭼﻨﺪ ﺗﺎ رﻗﻢ در ﻋﺪد‬
‫ﻣﺎ ﻇﺎﻫﺮ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻣﺜﻼ" ﻋﺒﺎرت )]‪ (nat num (N),[1,2,3,1‬ﻣﺘﻐﻴﺮ ‪ N‬را ﺑﻪ ﻣﻘﺪار ‪ 1231‬ﻣﻌﺮﻓﻲ ﻣﻲ‬
‫ﻛﻨﺪ‪.‬‬
‫‪Digit (0)
[0]. % a digit is in 0-9‬‬
‫‪Digit (1)
[1].‬‬
‫‪Digit (2)
[2].‬‬
‫‪Digit (3)
[3]. % etc.‬‬
‫‪….‬‬
‫‪Digit (9)
[9].‬‬
‫‪Nat num (N,1)
digit(N).% a natural number is a‬‬
‫‪sequence of digits‬‬
‫‪Nat num(N,ND)
digit (D), nat num (N2,ND1),‬‬
‫‪% ND is the number of digits.‬‬
‫‪{plus (ND1,1,ND),‬‬
‫‪Power ten(D,ND1,P),‬‬
‫‪Plus (P,N2,N)}.‬‬
‫‪Int(N,D)
nat num (N,D). % an intiger is‬‬
‫‪a natural number‬‬
‫‪% possibly with a sign‬‬
‫‪Int(N,D)
[+],nat num(N,D).‬‬
‫‪Int(N,D)
[-], namt num(N1,D),‬‬
‫‪{ N is – N1}.‬‬
‫‪Real(R)
int ( R ) . % a real is given in normal decimal‬‬
‫‪notation‬‬
 96

Real (R )
int(I),[“.”] , nat num(N, ND),

{ neg power ten(ND,inv P),
( I >= 0
R is I+ N * InvP;
R is I – N * Inv P)}.
Real ( R)
[+],[“.”], nat num(N,D),
{ neg power ten(D,inv P),
R is –N * invP}.
Real (R )
[-],[“.”] , nat num (N,D),
{ neg power ten (D,InvP),
R is – N * InvP }.
Power ten(D,0,D) :-!.
Power ten(D,E1,P) :-
E1 >0,
Plus(E,1,E1),
Power ten(D,E,P1),
P is P1 * 10,! .
Neg power ten(0,1_ :- !.
Neg power ten(N,P) :-
N>0,
Succ(N1,N),
Neg power ten(N1,P1),
P is P1/10.

‫ ﻣﻘﺪار درﺳﺖ را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ و‬real (R,[-2,3,”.”,45],[]) "‫ﻳﻚ ﻓﺮاﺧﻮاﻧﻲ ﻣﺜﻼ‬

‫ را‬N ( int(N,D),[-,1,2,3]) ‫ و ﻳﻚ ﻓﺮاﺧﻮاﻧﻲ ﻋﺒﺎرت‬-23.45 ‫ ﻣﻌﺎدل اﺳﺖ ﺑﺎ‬R
.‫ اﺳﺖ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‬3 ‫ ﺗﻌﺪاد ارﻗﺎم ﻋﺪد ﻛﻪ‬D ‫ ﻣﻌﺮﻓﻲ ﻧﻤﻮده و‬-123 ‫ﺑﻪ ﻋﺪد‬
:2 ‫ﻣﺜﺎل‬
% parse simple English sentence
% for time being just present as a list of identifiers
% e.g. [ the ,big ,cat,kicks,the,black,dog]
% first we have a straightforward generator
% will not repeat adjective like big big girl!
% also check whether we need an “an” or an “a”.
Adjnounph (CV)
noun(CV).

.
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪Adjnounph (CV)
adjective(CV,Adj), noun().‬‬

‫‪Adjnounph (CV)
adjective (CV,Adj),adjective(Adj2),‬‬
‫}‪{ Adj \== Adj2‬‬
‫‪Noun ().‬‬
‫‪Nounphrase
det(CV),adjnounph(CV).‬‬
‫‪Sentence
nounphrase, verb , nounphrase.‬‬
‫‪% now some explicit examples‬‬
‫‪Det(cons)
[the] | [a].‬‬
‫‪Det(vowel)
[an].‬‬
‫‪Verb
[hit] | [kicks] | [kisses].‬‬
‫‪Noun(cons)
[cat] | [boy] |[girl].‬‬
‫‪Noun(vowel)
[owl] | [ox].‬‬
‫‪Adjective(cons,big)
[big].‬‬
‫‪Adjective(cons,black)
[black].‬‬
‫‪Adjective(cons,brown)
[brown].‬‬
‫‪Adjective(cons,tabby)
[tabby].‬‬
‫‪Adjective(vowel,awful)
[awful].‬‬
‫‪Adjective(vowel,awesome)
[awesome].‬‬

‫ﮔﺮاﻣﺮ ﺑﺎﻻ ﺟﻤﻠﻪ ”‪ “ an awful owl hits an ox‬را ﭘﺬﻳﺮﻓﺘﻪ و ﺟﻤﻠﻪ ‪“ an‬‬
‫”‪ awesome cat kisses an awful girl‬را رد ﺧﻮاﻫﺪ ﻛﺮد‪.‬‬
‫اﺟﺎزه دﻫﻴﺪ ﺑﻪ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﺑﭙﺮدازﻳﻢ ﻛﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﻨﺪ اﻧﮕﻠﻴﺴﻲ )ﺗﺮﺟﻴﺤﺎ" ﻫﺮ زﺑﺎن‬
‫ﻃﺒﻴﻌﻲ (را ﺑﻪ ﻋﻨﻮان ورودي ﺑﻔﻬﻤﻨﺪ ‪.‬ﻓﻘﻂ اﻳﻦ اواﺧﺮ اﺳﺖ ﻛﻪ ﻣﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ دارﻳﻢ ﻛﻪ‬
‫ﻣﻲ ﺗﻮاﻧﻨﺪ از ﻋﻬﺪه ﺟﻤﻠﻪ ﻫﺎي ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه ﺑﺮاﻳﻨﺪ و در ﺣﺎﻟﻲ ﻛﻪ ﺑﺴﻴﺎر ﺑﺰرگ و ﻛﻨﺪ‬
‫ﻫﻢ ﻣﻲ ﺑﺎﺷﻨﺪ ‪.‬ﻣﻮﻓﻘﻴﺖ ﻫﺎي ﺑﻴﺸﺘﺮي ﻣﻲ ﺗﻮاﻧﻨﺪ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ در ﺻﻮرﺗﻲ ﻛﻪ داﻣﻨﻪ‬
‫ﺳﺨﻦ ﻣﺤﺪود ﺷﻮد‪.‬ﻫﻤﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي اوﻟﻴﻪ ﺑﻪ اﻳﻦ ﻓﺮم ﺑﻮدﻧﺪ‪.‬‬
‫‪ 11-3-7‬اﻟﻴﺰا )‪(ELIZA‬‬
‫اﻳﻦ ﺗﻼﺷﻲ اﺳﺖ ﺑﺮاي ﺑﺎزي ﻛﺮدن ﻧﻘﺶ ﻳﻚ رواﻧﭙﺰﺷﻚ )‪(Rogerian therapist‬‬
‫ﻛﻪ ﺗﻨﻬﺎ ﺑﺎ ﻋﻠﻢ ﻧﺤﻮ )‪ (pure syntactic‬ﻛﺎر ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫اﻳﻦ روش ﻣﺎﻧﻨﺪ اﻳﻦ اﺳﺖ ﻛﻪ رواﻧﭙﺰﺷﻚ ﭼﻴﺰي را ﺑﻪ ﺑﻴﻤﺎر ﺧﻮد ﺗﻠﻘﻴﻦ ﻛﻨﺪ ﻧﻪ اﻳﻨﻜﻪ ﺑﻴﻤﺎر‬
‫را وا دارد ﺗﺎ اﺣﺴﺎﺳﺎت و اﻓﻜﺎر ﺧﻮد را ﺑﺮوز دﻫﺪ‪.‬اﻟﻴﺰا ﻟﻴﺴﺘﻲ از ﻗﺎﻟﺐ ﻫﺎ ﻳﺎ اﻟﮕﻮﻫﺎﻳﻲ‬
 ‫‪98‬‬

‫دارد ﻛﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺳﻮاﻟﻬﺎي ورودي را ﺑﺎ ﻟﻴﺴﺘﻲ از ﻛﻠﻤﺎت ﻛﻠﻴﺪي ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﻳﺎ‬
‫ﻣﻨﻈﻢ ﺗﻄﺒﻴﻖ دﻫﺪ‪.‬‬
‫اﻟﮕﻮﻫﺎ ﺑﻪ ﻳﻜﻲ از ﻓﺮم ﻫﺎي زﻳﺮ ﻣﻲ ﺑﺎﺷﻨﺪ‪:‬‬
‫‪ (1‬ﻛﺎراﻛﺘﺮ ﻫﺎي ﻣﻄﺎﺑﻖ ﺑﺎ ﻛﺎراﻛﺘﺮﻫﺎ‬
‫‪<string> % (2‬‬
‫‪<string> % < string> (3‬‬
‫رﺷﺘﻪ ﻫﺎ ﻟﻴﺴﺘﻲ از ﻛﺎراﻛﺘﺮﻫﺎ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ ﺑﺎﻳﺪ دﻗﻴﻘﺎ" ﻣﻄﺎﺑﻘﺖ داﺷﺘﻪ ﺑﺎﺷﻨﺪ و ﻋﻼﻧﺖ ‪%‬‬
‫ﺑﺎ زﻳﺮ رﺷﺘﻪ اي ﻛﻪ ﺑﺎﻗﻲ ﻣﺎﻧﺪه ‪ ,‬ﺗﻄﺒﻴﻖ ﻣﻲ ﻳﺎﺑﺪ‪.‬‬
‫ﻣﻘﺪار ‪ %‬ﺑﺮاي دادن ﭘﺎﺳﺦ ﻣﻌﻘﻮﻟﺘﺮ اﺳﺘﻔﺎده ﺧﻮاﻫﺪ ﺷﺪ ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺎ اﺣﺴﺎس ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ‬
‫ﻣﺎﺷﻴﻦ واﻗﻌﺎ" ورودي ﻫﺎ را ﻓﻬﻤﻴﺪه اﺳﺖ ‪.‬اﻟﺒﺘﻪ ﻓﻘﻂ در وﺿﻌﻴﺖ ‪ 1‬اﺳﺖ ﻛﻪ ﻣﻲ داﻧﻴﻢ‬
‫ﻛﺎرﺑﺮ دﻗﻴﻘﺎ" ﭼﻪ ﭼﻴﺰي را ﺑﻪ ﻋﻨﻮان ورودي وارد ﻣﻲ ﻛﻨﺪ‪.‬‬
‫اﺟﺎزه دﻫﻴﺪ ﺑﻪ ﻗﺎﻟﺒﻲ ﻛﻪ ﺑﺎ ﻓﺮم دوم ﻣﻄﺎﺑﻘﺖ ﻣﻲ ﻛﻨﺪ ﺑﭙﺮدازﻳﻢ‪ .‬ﭘﺎﺳﺦ ﻫﺎي ﻣﻤﻜﻦ ﻋﺒﺎرﺗﻨﺪ‬
‫از‪:‬‬
‫اﻟﻒ( ﭼﻪ ﻓﺮﻗﻲ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻣﻦ اﻋﺘﻘﺎد دارم ﻳﺎ ﻧﻪ؟‬
‫ب( ﺷﺎﻳﺪ اﻋﺘﻘﺎد دارم و ﺷﺎﻳﺪ ﻫﻢ ﻧﺪارم‪.‬‬
‫ج( ﺑﻠﻪ ‪ ,‬اﻋﺘﻘﺎد دارم‪.‬‬
‫اﻳﻦ ﭘﺎﺳﺦ ﻫﺎ در ﺟﻮاب ﺳﻮال زﻳﺮ اﺳﺖ‪:‬‬
‫آﻳﺎ ﺷﻤﺎ ﺑﻪ ﺧﺪا اﻋﺘﻘﺎد دارﻳﺪ؟ ﺳﭙﺲ ﻳﻚ ﭘﺎﺳﺦ ﻣﻤﻜﻦ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﭘﺎﺳﺦ دوم‪ ,‬ﺧﻮاﻫﺪ ﺑﻮد‪:‬‬
‫ﺷﺎﻳﺪ ﻣﻦ ﺑﻪ ﺧﺪا اﻋﺘﻘﺎد دارم و ﺷﺎﻳﺪ ﻫﻢ ﻧﺪارم‪.‬‬
‫ﺗﻜﻨﻴﻚ ‪ hashing‬ﺑﺮاي ﺑﺎزﻳﺎﺑﻲ ﺳﺮﻳﻊ و ﺗﻄﺒﻴﻖ اﻟﮕﻮﻫﺎ ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد‪.‬ﺑﺮاي ﻣﺜﺎل‬
‫در اﺟﺮاي ﻳﻮﻧﻴﻜﺲ ‪ ,‬اﺑﺘﺪا ﺗﻄﺒﻴﻖ در دو ﻛﺎراﻛﺘﺮ اول اﻧﺠﺎم ﻣﻲ ﺷﻮد‪.‬اﮔﺮ ﻫﻴﭻ اﻟﮕﻮي‬
‫ﺗﻄﺒﻴﻘﻲ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ﺳﭙﺲ ﻳﻚ ﺟﺴﺘﺠﻮ ﺑﺎ اﺳﺘﻔﺎده از ﻛﻠﻤﺎت ﻛﻠﻴﺪي در ﺟﻤﻼت‬
‫ورودي اﻧﺠﺎم ﻣﻲ ﺷﻮد‪.‬ﻛﻠﻤﺎت ﻛﻠﻴﺪي ﻣﺮﺗﺐ ﺷﺪه اﻧﺪ‪.‬ﻟﻴﺴﺖ ﭘﺎﺳﺦ ﻫﺎي ﻣﻤﻜﻦ ﺑﺮاي‬
‫ﻛﻠﻴﺪي )‪ (difficult‬ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﺎﺷﺪ‪:‬‬
‫‪a) tell me about your difficulties‬‬
‫‪b) what do you mean by difficult‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫اﮔﺮ ﻫﻴﭻ ﻛﻠﻤﻪ ﻛﻠﻴﺪي در ﺟﻤﻠﻪ ﻧﺒﺎﺷﺪ ﻛﻪ ﺑﺎ ﻛﻠﻤﺎت ﻛﻠﻴﺪي در ﭘﺎﻳﮕﺎه داده ﻣﻄﺎﺑﻘﺖ‬
‫داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺳﭙﺲ ﺗﻌﺪادي ﻣﻼﺣﻈﺎت ﻳﺎ ﺗﺒﺼﺮه ﻫﺎي ﻏﻴﺮاﻟﺰاﻣﻲ اﺳﺘﺎﻧﺪارد ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ‬
‫ﺻﻮرت زﻳﺮ اﻳﺠﺎد ﺷﻮد‪.‬‬
‫‪a) let’s change the subject‬‬ ‫ﺑﻴﺎﻳﺪ ﻣﻮﺿﻮع را ﻋﻮض ﻛﻨﻴﻢ‬
‫‪b) go on‬‬ ‫اداﻣﻪ ﺑﺪه!‬

‫ﻳﻚ رﻫﻴﺎﻓﺖ ﺟﺎﻳﮕﺰﻳﻦ ‪ ,‬اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ از ﻳﻜﻲ از ﻛﻠﻤﺎت ﻛﻠﻴﺪي ﻛﻪ ﻗﺒﻼ" اﺳﺘﻔﺎده‬
‫ﺷﺪه ﻣﻲ ﺑﺎﺷﺪ‪.‬رﻛﻮردي از ‪ 4‬ﻛﻠﻤﻪ ﻛﻠﻴﺪي ﻛﻪ ﻗﺒﻼ" اﺳﺘﻔﺎده ﺷﺪه ﻧﮕﻬﺪاري ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ در اﻳﻨﺠﺎ ﺳﻴﺴﺘﻢ از ﺗﺎرﻳﺨﭽﻪ ﻣﺤﺪود ﺷﺪه اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪.‬اﻳﻦ ﺗﻜﻨﻴﻚ اﺳﺎﺳﻲ‬
‫اﺳﺖ ﻛﻪ اﻟﻴﺰا از آن اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﺑﻪ ﻏﻴﺮ از زﻣﺎﻧﻲ ﻛﻪ ﻳﻚ ﻗﺎﻟﺐ ﻳﺎ اﻟﮕﻮﻳﻲ ﻛﻪ ﺑﺎ ﻳﻜﻲ از‬
‫ﻓﺮم ﻫﺎي ‪ 2‬ﻳﺎ ‪ 3‬ﺗﻄﺒﻴﻖ ﻳﺎﻓﺘﻪ ‪ ,‬ﻛﻨﺎر ﮔﺬاﺷﺘﻪ ﺷﻮد‪ .‬ﭼﻨﺪ ﺗﺎ ﭘﻴﺶ ﭘﺮدازش ﺑﺎﻳﺪ ﺑﺮاي ﺗﻮﻟﻴﺪ‬
‫ﭘﺎﺳﺦ درﺳﺖ از ﻟﺤﺎظ ﮔﺮاﻣﺮي اﺟﺮا ﺷﻮﻧﺪ‪.‬‬
‫اﮔﺮ ﻛﺎرﺑﺮ ﺿﻤﻴﺮ ﺷﺨﺼﻲ )ﻣﻦ( را در ورودي ذﻛﺬ ﻛﻨﺪ‪ ,‬دﻳﮕﺮ در ﺟﺎﻳﻲ ﻛﻪ ﻫﺴﺖ ﺑﺎ‬
‫ﺿﻤﻴﺮ دﻳﮕﺮي ﻧﻤﻲ ﺗﻮاﻧﺪ ﺟﺎﻳﮕﺰﻳﻦ ﺷﻮد‪.‬‬
‫ﻓﺮض ﻛﻨﻴﺪ اﻟﮕﻮﻳﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﺻﻮرت ‪ , because %‬ﻫﻤﺮاه ﺑﺎ ﻳﻚ ﻗﺎﻟﺐ‬
‫ﭘﺎﺳﺦ‪.‬‬
‫!‪% ? that’s incredible‬‬
‫ﺳﭙﺲ در ورودي دارﻳﻢ‪:‬‬
‫‪Because I am clever.‬‬
‫ﻳﻚ ﺟﺎﻳﮕﺰﻳﻦ ﺻﺮﻳﺢ و آﺳﺎن ﺑﻪ ﺻﻮرت زﻳﺮ ﻧﺘﻴﺠﻪ ﺧﻮاﻫﺪ داد‪:‬‬
‫! ‪I am clever ? that’s incredible‬‬
‫ﺳﭙﺲ ﻳﻚ ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﻪ ﺟﺎي ‪ i‬ﺑﻪ ﺻﻮرت زﻳﺮ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫!‪You am clever? that’s incredible‬‬

‫اﻟﺒﺘﻪ اﻳﻦ ﺟﻤﻠﻪ ﻫﻨﻮز درﺳﺖ ﻧﻴﺴﺖ و ﺑﺎﻳﺪ ﺗﻐﻴﻴﺮاﺗﻲ روي آن ﺻﻮرت ﮔﻴﺮد‪you am .‬‬
 ‫‪100‬‬

‫ﺑﻪ ‪ you are‬ﺗﻐﻴﻴﺮ ﻳﺎﺑﺪ‪.‬اﻳﻦ دو ﻣﺮﺣﻠﻪ ‪ fix‬و ‪ grammar‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪.‬‬

‫‪ Fix‬ﺗﻐﻴﻴﺮات زﻳﺮ را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪:‬‬

‫‪You
me‬‬
‫‪I
you‬‬
‫‪Me
you‬‬
‫‪That you
that I‬‬
‫ﻫﻤﭽﻨﻴﻦ ﺗﻐﻴﻴﺮات دﻳﮕﺮي ﻧﻴﺰ اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪.‬‬
‫در اﻳﻨﺠﺎ ﺑﻌﻀﻲ از ﺧﻄﺎﻫﺎي ﮔﺮاﻣﺮي ﺳﺎده اﺻﻼح ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪You am
you are‬‬
‫‪Me are
I am‬‬
‫ﺑﺎ دﻳﮕﺮ ﺗﻐﻴﻴﺮات ﻣﺸﺎﺑﻪ‪.‬‬
‫ﻣﻬﻢ اﺳﺖ ﻛﻪ ﺑﺪاﻧﻴﻢ ﻣﺮﺣﻠﻪ ‪ fix‬ﻗﺒﻞ از ﻣﺮﺣﻠﻪ ‪ grammar‬اﺟﺮا ﻣﻲ ﺷﻮد‪.‬‬
‫?‪Do you think I am clever‬‬
‫⇓‬
‫‪May be I think I am clever and may be I don’t.‬‬
‫‪⇓ fix‬‬
‫‪may be I think you am clever and may be I don’t.‬‬
‫‪⇓ grammar‬‬
‫‪May be I think you are clever and may be I don’t.‬‬
‫اﻳﻦ روش ﻧﻤﻲ ﺗﻮاﻧﺪ ﺗﻤﺎﻣﻲ ﺧﻄﺎﻫﺎي ﮔﺮاﻣﺮي را رﻓﻊ ﻛﻨﺪ و ﻧﺴﺒﺘﺎ" ﺑﺮاي آن آﺳﺎن اﺳﺖ‬
‫ﻛﻪ ﺟﻮاﺑﻬﺎي ﻏﻴﺮ ﮔﺮاﻣﺮي ﺑﺪﻫﺪ‪.‬ﺑﺮاي ﻣﺜﺎل در اﺟﺮاي ﻳﻮﻧﻴﻜﺲ ﺟﺎري ‪ ,‬ﺗﻮﺟﻪ ﻧﻤﻲ ﻛﻨﺪ ﻛﻪ‬
‫ﭼﻪ ﭼﻴﺰي ﺑﺎﻳﺪ ﺑﻪ ﺟﺎي ‪ fix, you‬ﺷﻮد‪ .‬ﭘﺲ ﺑﺮاي ﺳﻮءال زﻳﺮ ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬
‫?‪Do you belive in what you do‬‬
‫ﺟﻮاب ﺧﻮاﻫﻴﻢ ﮔﺮﻓﺖ‪:‬‬
‫‪May be I do belive in what me do or maybe I don’t.‬‬

‫اﻟﺒﺘﻪ در اﻳﻨﺠﺎ آﺳﺎن اﺳﺖ ﻛﻪ ﺗﻐﻴﻴﺮات ‪ fix‬را ﺑﺮاي اﺻﻼح ﻛﺮدن اﻋﻤﺎل ﻛﻨﻴﻢ وﻟﻲ ﻣﺜﺎﻟﻬﺎي‬
‫زﻳﺎدي وﺟﻮد دارﻧﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮﻧﺎﻣﻪ را ﻓﺮﻳﺐ دﻫﻨﺪ‪.‬ﺗﻨﻬﺎ اﻃﻼع دﻗﻴﻘﻲ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ‬
‫درﺑﺎره ﺑﺮﻧﺎﻣﻪ اي ﺑﮕﻮﻳﻴﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ ‪ fix‬ﻳﺎ ‪ grammar‬اﺳﺖ وﻟﻲ ﻫﻴﭻ ﻗﺪرت‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﻗﻴﺎﺳﻲ ﺑﺮاي ﻳﻚ ﻧﻤﻮﻧﻪ وﺟﻮد ﻧﺪارد‪.‬‬

‫ﺑﻪ ﻫﻴﭻ ﻋﻨﻮان اﻳﻦ ﻓﻜﺮ درﺳﺘﻲ ﺑﺮاي ﺑﺎ ﻫﻮش ﺑﻮدن ﻧﻴﺴﺖ‪.‬ﺑﺮاي ﺑﻬﺒﻮد دادن ‪ ,‬ﻧﻴﺎزﻣﻨﺪ ‪fix‬‬
‫ﻫﺎي ﺑﻴﺸﺘﺮي ﺑﺮاي ﻣﻮاﺟﻪ ﺷﺪن ﺑﺎ ﻣﻮردﻫﺎي ﺟﺪﻳﺪ اﺳﺖ‪.‬‬

‫‪ 4-7‬ﺷﻨﺎﺳﺎﻳﻲ ﻛﻼم ﻳﺎ ﮔﻔﺘﺎر‪1‬‬

‫ﺷﻨﺎﺳﺎﻳﻲ ﺳﺨﻦ ﻋﻤﻞ ﺗﺸﺨﻴﺺ از ﺑﺎزﺳﺎزي ﻛﻠﻤﺎﺗﻲ ﻛﻪ ﻳﻚ ﺳﻴﮕﻨﺎل ﺻﻮﺗﻲ ﻣﻌﻠﻮم را‬
‫ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻨﺪ اﺳﺖ‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ‪ ,‬ﻣﺴﺌﻠﻪ ﺗﺮﺟﻤﻪ و اﻧﺘﻘﺎل ﺳﻴﮕﻨﺎﻟﻬﺎي ﺻﻮﺗﻲ‬
‫دﻳﺠﻴﺘﺎﻟﻲ ﻛﺪ ﺷﺪه ﻳﻚ ﮔﻮﻳﻨﺪه در زﺑﺎن ﻃﺒﻴﻌﻲ )اﻧﮕﻠﻴﺴﻲ( ﺑﻪ ﻣﺘﻦ آن در ﻫﻤﺎن زﺑﺎن ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﺑﻬﺎﻣﺎﺗﻲ ﻛﻪ در ﺳﻄﻮح ﻣﺨﺘﻠﻒ اﻳﻦ ﻣﺴﺌﻠﻪ وﺟﻮد دارد)ﻣﺜﻞ ﺻﺪاي ﭘﺲ زﻣﻴﻨﻪ‪,‬‬
‫ﻟﻬﺠﻪ ﮔﻮﻳﻨﺪه‪ ,‬ﺻﺪاي دﻳﺠﻴﺘﺎل ﺷﺪن و ‪ (...‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺴﺌﻠﻪ را رﺳﻤﺎ" ﺑﻪ ﺻﻮرت زﻳﺮ‬
‫ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪:‬‬

‫)‪Argmaxwords P(words | signal‬‬

‫ﻃﻮرﻳﻜﻪ ‪ , words‬رﺷﺘﻪ ﻛﻠﻤﺎت در زﺑﺎن ﻃﺒﻴﻌﻲ ﻣﺎﻧﻨﺪ اﻧﮕﻠﻴﺴﻲ ﻣﻲ ﺑﺎﺷﺪ و ﺳﻴﮕﻨﺎل ‪,‬‬
‫ﺗﺮﺗﻴﺒﻲ از داده ﻫﺎي ﺻﻮﺗﻲ ﮔﺮﻓﺘﻪ ﺷﺪه ﻛﻪ دﻳﺠﻴﺘﺎﻟﻲ ﺷﺪه اﻧﺪ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ 1-4-7‬ﭘﺮدازش ﺳﻴﮕﻨﺎل )‪(Signal processing‬‬
‫ﺻﺤﺒﺖ ﻛﺮدن ﻳﻜﻲ از اﺻﻠﻲ ﺗﺮﻳﻦ و ﻋﻤﺪه ﺗﺮﻳﻦ روﺷﻬﺎﻳﻲ اﺳﺖ ﻛﻪ اﻧﺴﺎﻧﻬﺎ ﺑﺮاي اﻳﺠﺎد‬
‫ارﺗﺒﺎط از آن اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ در ﻃﻮل ﺳﺎﻟﻬﺎ ﭘﻴﻮﺳﺘﻪ در ﺣﺎل اﻓﺰاﻳﺶ ﺗﻮاﻧﺎﻳﻲ‬
‫ﻣﺤﺎﺳﺒﻪ ﺑﻮده اﻧﺪ و در ﻛﻨﺎر آن ﻗﺎﺑﻠﻴﺖ ﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﻛﻼم ﻧﻴﺰ اﻓﺰاﻳﺶ ﭘﻴﺪا ﻛﺮده اﺳﺖ‪.‬‬
‫ﻛﻼم ﺑﻪ دو دﺳﺘﻪ ﻋﻤﻮﻣﻲ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد‪:‬‬
‫‪ (1‬ﺗﺸﺨﻴﺺ و ﺷﻨﺎﺳﺎﻳﻲ ﻛﻼم‬
‫‪ (2‬ﻓﻬﻢ ﻛﻼم‬

‫‪1‬‬ ‫‪Speech Recognition‬‬

 ‫‪102‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻫﺪف و ﻣﻘﺼﻮد اﻳﻦ ﻣﺒﺤﺚ‪ ,‬از آﻧﺠﺎﻳﻲ ﻛﻪ ﺗﺸﺨﻴﺺ ﻛﻼم زﻳﺮ ﻣﺠﻤﻮﻋﻪ اي از‬
‫ﻓﻬﻢ ﻛﻼم ﻧﻴﺰ ﻣﻲ ﺑﺎﺷﺪ‪ ,‬ﻓﻬﻤﻴﺪن ﻛﻼم ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﺧﻮاﻫﺪ ﮔﺮﻓﺖ ‪.‬‬
‫ﺗﺸﺨﻴﺺ ﻛﻼم ﻋﻤﻞ ﻧﮕﺎﺷﺖ از ﺳﻴﮕﻨﺎﻟﻬﺎي ﺻﻮﺗﻲ دﻳﺠﻴﺘﺎﻟﻲ ﺷﺪه ﺑﻪ رﺷﺘﻪ اي از ﻛﻠﻤﺎت‬
‫ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪ ﺑﻪ ﺳﻪ ﺳﺌﻮال زﻳﺮ ﭘﺎﺳﺦ دﻫﺪ‪:‬‬
‫‪ (1‬ﮔﻮﻳﻨﺪه ﺑﺎ ﭼﻪ ﺻﺪاﻳﻲ ﻛﻼم ﻳﺎ ﺳﺨﻦ را ادا ﻛﺮد؟‬
‫‪ (2‬ﮔﻮﻳﻨﺪه ﭼﻪ ﻛﻠﻤﺎﺗﻲ را ﺑﺎ آن ﺻﺪاي ﺳﺨﻦ ﻣﻲ ﺧﻮاﺳﺖ ﺑﻴﺎن ﻛﻨﺪ؟‬
‫‪ (3‬ﮔﻮﻳﻨﺪه ﭼﻪ ﻣﻔﻬﻮﻣﻲ را ﻣﻲ ﺧﻮاﺳﺖ ﺑﺎ ﺑﻴﺎن آن ﻛﻠﻤﺎت ﺑﺮﺳﺎﻧﺪ؟‬
‫ﺑﺮاي ﭘﺎﺳﺦ دادن ﺑﻪ ﺳﺌﻮال اول ‪ ,‬اﺑﺘﺪا ﺑﺎﻳﺪ ﻓﺮق ﺑﻴﻦ ﺻﺪاﻫﺎي ﻣﻌﻤﻮﻟﻲ و ﺻﺪاي ﺳﺨﻦ ﻳﺎ‬
‫ﻛﻼم را از ﻫﻢ ﺗﻤﻴﺰ داد‪ .‬ﻫﻤﻪ زﺑﺎﻧﻬﺎي ﺑﺸﺮي ‪ ,‬ﺗﺮﻛﻴﺒﻲ از ‪ 40‬ﺗﺎ ‪ 50‬ﺻﻮت ﻣﺘﻤﺎﻳﺰ ﻣﻲ‬
‫ﺑﺎﺷﻨﺪ ﻛﻪ ‪ phone‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪ Phone .‬ﺻﻮﺗﻲ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻳﻚ‬
‫ﻣﺼﻮت واﺣﺪ ﻳﺎ ﺣﺮف ﺻﺎﻣﺖ واﺣﺪاﺳﺖ ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ﻗﺎﺑﻞ ذﻛﺮ اﺳﺖ ﺗﺮﻛﻴﺐ ﻣﺸﺨﺼﻲ‬
‫از ﺣﺮوف ﻣﻲ ﺗﻮاﻧﻨﺪ ﺻﻮت ﺧﺎص ﻣﺎﻧﻨﺪ‬
‫)*‪ (*th‬را ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪ و ﺗﺮﻛﻴﺐ ﺣﺮوف ﺑﻪ ﺧﺼﻮﺻﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺗﻌﺪاد ﻣﺨﺘﻠﻔﻲ ﺻﻮت ‪,‬‬
‫ﺑﺴﺘﻪ ﺑﻪ ﻣﻔﻬﻮم ﻳﺎ ﻣﺘﻦ را ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪ‪ a).‬در ‪ cat‬و ‪.( rat‬‬
‫اﺑﺘﺪا ﺑﺎﻳﺪ ﺗﻤﺎﻣﻲ اﺻﻮات ﻣﻤﻜﻦ ار ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪ ,‬ﺳﭙﺲ آﻧﻬﺎ را ﺑﻪ روﺷﻲ ﺧﺎص ﺗﻮﺻﻴﻒ‬
‫ﻛﻨﻴﻢ و ﺑﻨﺎﺑﺮ آن ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻪ آﺳﺎﻧﻲ در دﻳﻜﺸﻨﺮي ﺻﺪاﻫﺎ ﺑﻪ آﻧﻬﺎ رﺟﻮع ﻛﻨﻴﻢ‪.‬آﺳﺎﻧﺘﺮﻳﻦ و‬
‫واﺿﺢ ﺗﺮﻳﻦ روش‪ ,‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ اﺻﻮات ﺗﻮﺳﻂ ﺗﻤﻴﺰ دادن آﻧﻬﺎ ﺑﻪ وﺳﻴﻠﻪ ﻓﺮﻛﺎﻧﺲ ﻳﺎ‬
‫داﻣﻨﻪ ﻧﻮﺳﺎن ﻳﺎ ‪ ...‬اﺳﺖ‪.‬‬
‫ﺳﭙﺲ ﻻزم اﺳﺖ اﻳﻦ ﺧﺼﻮﺻﻴﺎت را در ﻛﺘﺎب ﻣﺮﺟﻊ ﻳﺎ دﻳﻜﺸﻨﺮي ﺟﺎﻳﮕﺬاري ﻛﺮد ﻛﻪ از‬
‫آﻧﺠﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺻﺪاﻫﺎ را ﺑﻪ درﺳﺘﻲ ﺗﺸﺨﻴﺺ دﻫﻴﻢ‪.‬‬
‫ﺑﻬﺘﺮﻳﻦ روش ﻣﺮﺗﺐ ﻛﺮدن ﺑﺮ اﺳﺎس ﺗﻠﻔﻆ ﻣﻲ ﺑﺎﺷﺪ ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ‪ spelling‬ﻳﺎ اﻣﻼء‬
‫دراﻳﻦ ﻣﻘﻮﻟﻪ ﺑﻲ رﺑﻂ و ﻧﺎﻣﻨﺎﺳﺐ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺳﺌﻮال ﺑﻌﺪي اﻳﻦ اﺳﺖ ﻛﻪ ﭼﮕﻮﻧﻪ ﻣﺸﺨﺺ ﻛﻨﻴﻢ ﻛﻪ ﮔﻮﻳﻨﺪه ﭼﻪ ﻛﻠﻤﺎﺗﻲ را ﻣﻲ ﺧﻮاﺳﺖ‬
‫ﺑﻪ ﺷﻨﻮﻧﺪﮔﺎن ﺑﮕﻮﻳﺪ؟ ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﺎ ﻳﻚ ﻟﻐﺖ ﻧﺎﻣﻪ ﻳﺎ دﻳﻜﺸﻨﺮي ﺑﺮ اﺳﺎس ﺗﻠﻔﻆ‬
‫ﻣﺮﺗﺐ ﺷﺪه دارﻳﻢ وﻟﻲ ﻫﻨﻮز ﻣﺴﺎﺋﻠﻲ وﺟﻮد دارد ﻛﻪ ﺑﺎﻳﺪ ﺣﻞ ﺷﻮﻧﺪ‪.‬ﻳﻜﻲ از ﻣﺴﺎﺋﻞ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺗﺼﺎدف ﻳﺎ وﻗﻮع ﻫﻢ ﺻﺪاﻫﺎ )‪ (homophones‬ﻣﻲ ﺑﺎﺷﺪ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ دو ﻳﺎ ﺑﻴﺸﺘﺮ‬

‫از ‪ 2‬ﺗﺎ ﻛﻠﻤﻪ وﺟﻮد دارﻧﺪ ﻛﻪ ﺗﻠﻔﻆ ﻳﻜﺴﺎﻧﻲ دارﻧﺪ ﻣﺎﻧﻨﺪ …‪their,they’re,there,‬‬
‫‪.‬ﻣﺴﺌﻠﻪ دﻳﮕﺮ ﻣﺸﺨﺺ ﻛﺮدن رﺷﺘﻪ درﺳﺘﻲ از ﻛﻠﻤﺎت ﻛﻪ ﻫﻴﭻ ﺷﻜﺎﻓﻲ ﺑﻴﻦ آﻧﻬﺎ وﺟﻮد‬
‫ﻧﺪارد اﺳﺖ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺎ ﺑﺎﻳﺪ روﺷﻲ را ﺑﺮاي ﺗﻌﻴﻴﻦ اﻳﻦ ﻛﻪ ﭼﻪ وﻗﺖ ﻛﻠﻤﻪ اي ﺑﻪ ﭘﺎﻳﺎن ﻣﻲ‬
‫رﺳﺪ و ﭼﻪ وﻗﺖ ﻛﻠﻤﻪ اي دﻳﮕﺮ آﻏﺎز ﻣﻲ ﮔﺮدد‪ ,‬ﺑﺪﺳﺖ آورﻳﻢ‪.‬اﮔﺮ ﻧﺘﻮاﻧﻴﻢ ﻛﻠﻤﺎت را از‬
‫ﻳﻜﺪﻳﮕﺮ ﺗﻤﻴﺰ دﻫﻴﻢ ‪ ,‬ﻻزم اﺳﺖ دوﺑﺎره ﻧﮕﺎﻫﻲ ﺑﻪ ﻟﻐﺖ ﻧﺎﻣﻪ ﺑﺮاي ﻫﺮ ﺻﻮت ﺑﻴﻨﺪازﻳﻢ ﺑﻪ‬
‫اﻳﻦ دﻟﻴﻞ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﻫﺮ ﺻﻮت ﺟﺪﻳﺪ آﻏﺎزﻛﻨﻨﺪه ﻛﻠﻤﻪ دﻳﮕﺮي ﺑﺎﺷﺪ‪.‬‬
‫ﭘﺎﺳﺦ ﺑﻪ ﺳﺌﻮال آﺧﺮ ﻫﻨﻮز ﻛﺎﻣﻼ" ﺣﻞ ﻧﺸﺪه اﺳﺖ‪.‬ﻣﻌﻨﻲ ﻛﻠﻤﺎﺗﻲ ﻛﻪ ﺑﻴﺎن ﻣﻲ ﺷﻮد‬
‫ﭼﻴﺴﺖ؟‬
‫ﺑﺮاي ﭘﺎﺳﺦ ﺑﻪ اﻳﻦ ﺳﻮال اﺑﺘﺪا ﺑﺎﻳﺪ ﻣﺸﺨﺺ ﻛﻨﻴﻢ ﻛﺪام ﻛﻠﻤﻪ ﻫﺎ ﮔﻔﺘﻪ ﺷﺪه اﻧﺪ‪ ,‬ﺳﭙﺲ ﺑﻪ‬
‫ﺗﺤﻠﻴﻞ ﮔﺮ ﻫﺎﻳﻲ ﻛﻪ ﺳﻌﻲ دارﻧﺪ ﻣﻌﻨﻲ را ﺑﻪ ﻛﻤﭙﻴﻮﺗﺮ اﻧﺘﻘﺎل دﻫﻨﺪ واﮔﺬار ﻛﻨﻴﻢ‪.‬‬
‫ﻣﻴﻜﺮوﻓﻮن ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد ‪ ,‬درآﻏﺎز دﻳﺠﻴﺘﺎﻟﻲ‬ ‫ﺳﻴﮕﻨﺎل ﺻﻮﺗﻲ ﺧﺎم ﻛﻪ ﺗﻮﺳﻂ‬
‫)‪ (digitized‬و ﭘﻴﺶ ﭘﺮدازش ﻣﻲ ﺷﻮﻧﺪ‪ Diditization.‬ﺷﺎﻣﻞ ﻧﻤﻮﻧﻪ ﺑﺮاداري از‬
‫ﺳﻴﮕﻨﺎﻟﻬﺎي آﻧﺎﻟﻮگ ﻣﻌﻤﻮﻻ" ﺑﻴﻦ ‪ 8,16 khz‬ﻣﻲ ﺑﺎﺷﺪ و ﺳﭙﺲ درﺟﻪ ﺑﻨﺪي ﻫﺮ ﻧﻘﻄﻪ‬
‫ﻧﻤﻮﻧﻪ ﻣﻌﻤﻮﻻ" از ‪ 8‬ﺗﺎ ‪ 12‬ﺑﻴﺖ ارزش ﺑﺮاي ﻫﺮ ﻧﻘﻄﻪ اﺳﺖ‪.‬در ﻗﺪم ﺑﻌﺪي زﻳﺮ دﻧﺒﺎﻟﻪ‬
‫ﻫﺎي روي ﻫﻢ اﻓﺘﺎده و داراي اﺷﺘﺮاك داده ﻫﺎي دﻳﺠﻴﺘﺎﻟﻲ ﺷﺪه ﭘﺮدازش ﻣﻲ ﺷﻮﻧﺪ‪.‬زﻳﺮ‬
‫دﻧﺒﺎﻟﻪ ﻫﺎي ﺑﻪ ﻃﻮل ﺣﺪودا" ‪) 10msec‬ﺷﺎﻣﻞ ‪ 160-80‬ﻧﻘﻄﻪ داده اي( ﺑﺮاي ﺗﻌﺮﻳﻒ‬
‫ﺗﺮﺗﻴﺒﻲ از ﻓﺮﻳﻢ ﻫﺎ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬در داﺧﻞ ﻫﺮ ﻓﺮﻳﻢ ﻣﺠﻤﻮﻋﻪ اي از ﺧﺼﻮﺻﻴﺎت ﻛﻪ‬
‫ﺑﻌﺪا" ﻛﺸﻒ ﺧﻮاﻫﻨﺪ ﺷﺪ‪ ,‬وﺟﻮد دارد‪.‬ﺑﺮاي ﻣﺜﺎل ﻛﻞ اﻧﺮژي در ﻳﻚ ﻓﺮﻳﻢ و اﺧﺘﻼف‬
‫اﻧﺮژي ﺑﻴﻦ ﻓﺮﻳﻢ ﺟﺎري و ﻓﺮﻳﻢ ﻗﺒﻠﻲ‪.‬‬
‫در ﻳﻚ ﻓﺮﻳﻢ ﺣﺪود ‪ 8‬ﺗﺎ ‪ 40‬وﻳﮋﮔﻲ ﻳﺎﻓﺖ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫‪Vector‬‬ ‫اﻳﻦ ‪ n-D‬ﺑﺮدار از وﻳﮋﮔﻲ ﻫﺎي ﺧﻮد ﺑﻌﺪا" ﺗﻮﺳﻂ ﭘﺮدازﺷﻲ ﺑﻪ ﻧﺎم‬
‫‪ quantized‬ﻳﺎ درﺟﻪ ﺑﻨﺪي ﻣﻲ ﺷﻮد ﻣﺜﻼ" ‪. 256 bin‬‬ ‫‪,quantization‬‬
‫ﻫﺮ ﻓﺮﻳﻢ ﻳﺎ ﭼﺎرﭼﻮب اﻛﻨﻮن ﺗﻮﺳﻂ ﻳﻜﻲ از ‪ 256‬ﺑﺮﭼﺴﺐ ﻣﻤﻜﻦ ﺗﻮﺿﻴﺢ داده ﻣﻲ‬
‫ﺷﻮد‪.‬ﻧﺘﻴﺠﻪ ﻛﻞ اﻳﻦ ﭘﺮدازش ﺗﻮﺿﻴﺢ ﻓﺸﺮده اي از ﻓﻀﺎﻫﺎي روي ﻫﻢ اﻧﺒﺎﺷﺘﻪ از‬
 ‫‪104‬‬

‫ﺳﻴﮕﻨﺎﻟﻬﺎي ﺻﻮﺗﻲ اﺳﺖ ﻛﻪ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﻛﻠﻤﻪ ﻛﺎﻓﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫اﺳﺎس رﻫﻴﺎﻓﺖ ﺷﻨﺎﺳﺎﻳﻲ و ﺗﺸﺨﻴﺺ ﻛﻼم اﺳﺘﻔﺎده از ﻗﺎﻧﻮن ﺑﻴﺰ )‪ (Bayes‬ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ‬
‫ﻣﺴﺌﻠﻪ را ﺑﻪ ﻗﺴﻤﺖ ﻫﺎي ﻗﺎﺑﻞ ﻣﺪﻳﺮﻳﺖ ﻣﻲ ﺷﻜﻨﺪ‪.‬‬

‫)‪P(words | signal )= P (words) P(signal | words) / P(signal‬‬

‫از آﻧﺠﺎﻳﻲ ﻛﻪ ﻣﺎ ﺳﻴﮕﻨﺎل ﻫﺎي دﻳﺠﻴﺘﺎﻟﻲ از ﻧﻮع ﺗﻮﺻﻴﻒ ﺷﺪه در ﺑﺎﻻ دارﻳﻢ و ﻫﺪف ﻣﺎ‬
‫ﭘﻴﺪا ﻛﺮدن ﺗﺮﺗﻴﺒﻲ از ﻛﻠﻤﺎت ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ )‪ P(words | signal‬راﺑﻴﺸﻴﻨﻪ ﻣﻲ ﻛﻨﺪ‪,‬‬
‫)‪ P(signal‬ﺛﺎﺑﺘﻲ ﺑﺮاي ورودي ﻫﺎي ﺻﻮﺗﻲ ﻣﻌﻠﻮم ﻣﻲ ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻪ‬
‫آﺳﺎﻧﻲ اﻳﻦ ﻣﺴﺌﻠﻪ را رﻫﺎ ﻛﻨﻴﻢ ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﻫﺪف ﺟﺪﻳﺪ ﻣﺎ ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار زﻳﺮ اﺳﺖ‪:‬‬
‫)‪Argmax words P(signal | words) P(words‬‬
‫)‪ P(words‬ﻧﺸﺎن دﻫﻨﺪه ﻣﺪل زﺑﺎن ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺗﺼﺮﻳﺢ ﻛﻨﻨﺪه اﺣﺘﻤﺎﻻت ﻗﺒﻠﻲ از رﺷﺘﻪ‬
‫ﻛﻠﻤﺎت ﺧﺎﺻﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎﻳﺪ ﺗﻌﻴﻦ ﻛﻨﻨﺪه ﻣﻴﺰان اﺣﺘﻤﺎل وﻗﻮع ﺑﺮﺧﻲ ﻛﻠﻤﺎت‬
‫اﻧﮕﻠﻴﺴﻲ ﺑﺎﺷﺪ‪.‬‬
‫)‪ P (signal | words‬ﻣﺪل ﺻﻮﺗﻲ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻣﺸﺨﺺ ﻛﻨﻨﺪه اﺣﺘﻤﺎﻟﻬﺎﻳﻲ از‬
‫اﺻﻮاﺗﻲ از ﻛﻠﻤﺎت ﻛﻪ ﺑﻴﺎن ﺷﺪه اﻧﺪ‪ ,‬ﻣﻲ ﺑﺎﺷﺪ‪.‬اﻳﻦ ﻗﺴﻤﺖ ﺗﻮﺳﻂ ﺣﻘﻴﻘﺘﻲ ﻛﻪ اﻛﺜﺮ ﻛﻠﻤﺎت‬
‫ﺑﻪ راﻫﻬﺎ و ﻃﺮق ﻣﺨﺘﻠﻒ ﺗﻠﻔﻆ ﻣﻲ ﺷﻮﻧﺪ‪ ,‬ﭘﻴﭽﻴﺪه ﺗﺮ ﻣﻲ ﺷﻮد‪.‬ﻗﺴﻤﺖ ﺑﻌﺪي ﺟﺰﺋﻴﺎت‬
‫ﺑﻴﺸﺘﺮي در ﻣﻮرد ﻣﺪل زﺑﺎن و ﻣﺪل ﺻﻮﺗﻲ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ 2-4-7‬ﻣﺪل زﺑﺎن )‪(The Language Model‬‬
‫)‪ p(words‬اﺣﺘﻤﺎﻟﻬﺎي ﻗﺒﻠﻲ از ﺗﺮﺗﻴﺒﻲ از ﻛﻠﻤﺎت ‪ words=w1w2…wn.‬ﻣﻲ ﺑﺎﺷﺪ‬
‫ﻛﻪ ﻣﺤﺘﻤﻞ ﺗﺮ در زﺑﺎن ﻃﺒﻴﻌﻲ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬ﻣﺜﻼ" ”‪ “ I have agun‬ﻣﺤﺘﻤﻞ ﺗﺮ از ‪“I‬‬
‫”‪ have a gub‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻳﻚ راه ﺑﺮاي ﺑﻴﺎن اﺣﺘﻤﺎل ﻫﺎي واﺑﺴﺘﻪ ﺑﻪ اﺳﺘﻔﺎده از ﻗﺎﻧﻮن ﻫﺎي زﻧﺠﻴﺮه اي ﺑﻪ ﺻﻮرت‬
‫زﻳﺮ ﻣﻲ ﺑﺎﺷﺪ ‪:‬‬
‫| ‪P(w1,w2…..wn) = P(w1) P(w2‬‬ ‫)‪w1) …P(wn-1 |w1….,wn-2‬‬
‫)‪P(wn | w1,…wn-1‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫اﻛﻨﻮن ﻣﺎ ﻧﻴﺎز ﺑﻪ ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﻛﻠﻤﻪ اول در ﺟﻤﻠﻪ )‪ (w1‬و ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﻛﻠﻤﻪ دوم‬
‫)‪ (w2‬در ﺻﻮرﺗﻲ ﻛﻪ ﻛﻠﻤﻪ اول در ﺟﻤﻠﻪ ﺑﺎﺷﺪ دارﻳﻢ‪ .‬در اﻧﺘﻬﺎ ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﻛﻠﻤﻪ ‪wn‬‬
‫اﺳﺖ در ﺻﻮرﺗﻲ ﻛﻪ ‪ n-1‬ﻛﻠﻤﻪ ﻗﺒﻠﻲ ﺷﺎﻣﻞ ﻛﻠﻤﺎت ‪ w1….wn-1‬ﺑﺎﺷﻨﺪ‪.‬اﻳﻦ ﻧﻮع ﺑﻴﺎن‬
‫ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه اﺳﺖ ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻧﻴﺎزﻣﻨﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺎ اﺣﺘﻤﺎﻟﻬﺎي ﺷﺮﻃﻲ از ﺗﺮﺗﻴﺒﻲ از‬
‫ﻛﻠﻤﺎت ﻣﻤﻜﻦ را ﻣﺸﺨﺺ ﻛﻨﻴﻢ ‪.‬اﮔﺮ ﺳﺮي ﻛﻠﻤﺎت ﺷﺎﻣﻞ ‪ n‬ﺗﺎ ﻛﻠﻤﻪ و زﺑﺎن ﻣﺎ ﺷﺎﻣﻞ ‪m‬‬
‫ﺗﺎ ﻛﻠﻤﻪ ﺑﺎﺷﺪ‪ ,‬ﺳﭙﺲ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ) ‪P (wn | w1 ,....wn −1‬‬
‫ﻧﻴﺎزﻣﻨﺪ ﻣﺤﺎﺳﺒﻪ ‪ mn-1‬ﺣﺎﻟﺖ از ﺗﺮﺗﻴﺐ ﻛﻠﻤﺎت )ﺷﺮوع ﻛﻨﻨﺪه ﺟﻤﻠﻪ( ﻣﻤﻜﻦ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻪ ﺟﺎي اﻳﻦ ﻛﺎر ﻣﻲ ﺗﻮاﻧﻴﻢ از ﻓﺮﺿﻴﻪ آﺳﺎﻧﻲ ﺑﻪ ﻧﺎم ‪ First-order Markov‬اﺳﺘﻔﺎده‬
‫ﻛﻨﻴﻢ ﺑﻪ اﻳﻦ ﺻﻮرت ﻛﻪ اﺣﺘﻤﺎل وﻗﻮع ﻳﻚ ﻛﻠﻤﻪ ﻓﻘﻂ واﺑﺴﺘﻪ ﺑﻪ ﻛﻠﻤﻪ ﻗﺒﻠﻲ ﺧﻮد ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫) ‪P (wn | w1 ,...., wn −1 ) =≈ P (wn | wn−1‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ ﻓﺮﺿﻴﻪ اﻛﻨﻮن ﻣﺎ ﺑﻴﺎن ﺳﺎده ﺗﺮي ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎﻻت ﻣﺘﺼﻞ دارﻳﻢ‪.‬‬
‫) ‪P (w1 w2 .....wn ) = P (w1 )P (w2 | w1 )....P (wn | wn−1‬‬

‫اﻳﻦ ﻣﺪل ﺳﺎده ﺷﺪه ﻣﺪل ‪ bigaram‬ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ﺑﻪ ﺧﺎﻃﺮ اﻳﻨﻜﻪ ﻣﺮﺑﻮط ﺑﻪ زوج ﻫﺎي‬
‫ﻣﺘﻮاﻟﻲ از ﻛﻠﻤﺎت ﻣﻲ ﺑﺎﺷﺪ واﻳﻦ ﻣﺪل ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار ﻣﺘﻦ ﺑﺮاي ﺗﻌﻴﻴﻦ اﺣﺘﻤﺎل ﻫﺮ ﻛﻠﻤﻪ در‬
‫ﺟﻤﻠﻪ را ﻓﺮاﻫﻢ ﻣﻲ ﺳﺎزد‪.‬واﺿﺢ اﺳﺖ اﺳﺘﻔﺎده ﺑﻴﺸﺘﺮ از ﻣﺘﻦ‪ ,‬ﺻﺤﻴﺢ ﺗﺮ ﻣﻲ ﺑﺎﺷﺪ وﻟﻲ‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﺰﻳﻨﻪ ﺑﻴﺸﺘﺮي ﻣﻲ ﻃﻠﺒﺪ‪).‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻓﺮﺿﻴﻪ ‪second order‬‬
‫‪ Markov‬ﻛﻪ در اﻳﻦ ﺻﻮرت ﻣﺪل ‪ trigram‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪(.‬‬
‫ﻣﻲ ﺗﻮاﻧﻴﻢ ﺟﺪوﻟﻲ ﺑﺮاي ﻧﻤﺎﻳﺶ ﻣﺪل ‪ bigram‬ﺗﻮﺳﻂ ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎﻟﻬﺎﻳﻲ از ﺗﻮاﻟﻲ زوج‬
‫ﻛﻠﻤﻪ ﻫﺎي ﻣﻤﻜﻦ در ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﺑﺰرگ آزﻣﺎﻳﺸﻲ ﻛﻠﻤﺎت اﻳﺠﺎد ﻛﻨﻴﻢ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ‬
‫ﺣﺮف )‪ 10000 (a‬ﺑﺎر در ﻣﺠﻤﻮﻋﻪ آزﻣﺎﻳﺸﻲ ﻇﺎﻫﺮ ﺷﺪه و )‪ (a‬ﺗﻮﺳﻂ ﻛﻠﻤﻪ )‪37 (gun‬‬
‫ﺑﺎر دﻧﺒﺎل ﺷﻮد ﺑﻨﺎﺑﺮاﻳﻦ )‪ (gun | a‬ﺑﺮاﺑﺮ ﺑﺎ ‪ 37/10000‬ﻳﺎ ‪ 0.0037‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻪ ﺟﺎي ﻧﻤﺎﻳﺶ ﻣﺪل ‪ bigram‬در ﻳﻚ ﺟﺪول ﻣﻲ ﺗﻮاﻧﻴﻢ از آﺗﺎﻣﺎﺗﺎي اﺣﺘﻤﺎﻟﻲ‬
‫ﻣﺤﺪود)‪ (Probabilistic finite automata‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬ﮔﺮه اي )ﺣﺎﻟﺖ( ﺑﺮاي‬
 ‫‪106‬‬

‫ﻫﺮ ﻛﻠﻤﻪ ﻣﻤﻜﻦ اﻳﺠﺎد ﻛﻨﻴﺪ و ﻛﻤﺎﻧﻲ از ﻫﺮ ﮔﺮه ﺑﻪ ﻫﻤﻪ ﮔﺮه ﻫﺎي دﻳﮕﺮ رﺳﻢ ﻛﻨﻴﺪ ‪.‬ﻫﺮ‬
‫ﻛﻤﺎن را ﺑﺎ اﺣﺘﻤﺎﻟﻲ ﻛﻪ ﻛﻠﻤﻪ ﺑﺎ ﮔﺮه ﻣﻨﺒﻊ) ﻣﺒﺪاء( ﻣﺮﺑﻮط اﺳﺖ و ﭘﻴﺮو ﻛﻠﻤﻪ اي ﻛﻪ ﺑﺎ ﮔﺮه‬
‫ﻣﻘﺼﺪ ﭘﻴﻮﺳﺘﻪ اﺳﺖ‪ ,‬ارزش ﮔﺬاري ﻳﺎ ﺑﺮﭼﺴﺐ ﮔﺬاري ﻛﻨﻴﺪ‪.‬در اﻧﺘﻬﺎ ﮔﺮه اي ﺑﻪ ﻧﺎم ﺷﺮوع‬
‫ﻳﺎ ‪ start‬اﺿﺎﻓﻪ ﻛﻨﻴﺪ و ﻛﻤﺎﻧﻲ از آن ﺑﻪ ﻫﻤﻪ ﮔﺮه ﻫﺎ ﺑﻜﺸﻴﺪ‪.‬اﻳﻦ ﻛﻤﺎﻧﻬﺎ را ﺑﺎ اﺣﺘﻤﺎﻟﻲ ﻛﻪ‬
‫ﻛﻠﻤﻪ ﺑﺎ ﮔﺮه ﻣﻘﺼﺪ در ارﺗﺒﺎط اﺳﺖ و ﻣﻲ ﺗﻮاﻧﺪ ﻳﻚ ﺟﻤﻠﻪ را ﺷﺮوع ﻛﻨﺪ ارزش ﮔﺬاري‬
‫ﻛﻨﻴﺪ‪.‬‬
‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ از اﻳﻦ ‪ (FSM)Finite state Machine‬ﺑﺮاي ﺗﻌﻴﻴﻦ اﺣﺘﻤﺎل ﺟﻤﻠﻪ‬
‫‪ start‬ﺷﺮوع ﻣﻲ ﺷﻮد و ﺑﻪ ﮔﺮه ﻫﺎﻳﻲ ﻛﻪ ﻣﺮﺑﻮط ﺑﻪ ﻛﻠﻤﺎت ﻣﺘﻮاﻟﻲ در‬ ‫اي ﻛﻪ ﺑﺎ ﮔﺮه‬
‫ﺟﻤﻠﻪ ﻣﻲ ﺑﺎﺷﺪ و ﮔﺬار ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪ ,‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬
‫‪ 3-4-7‬ﻣﺪل ﺻﻮﺗﻲ ) )‪:(The Acuostic Model P(signal | words‬‬

‫ﻣﺪل ﺻﻮﺗﻲ ﺑﻪ ﻣﺎ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﭼﻪ ﺻﺪاﻳﻲ ﭘﺲ از اداي ﻛﻠﻤﺎت ﺷﻨﻴﺪه ﺧﻮاﻫﺪ ﺷﺪ‪.‬ﻣﺪل‬

‫‪ Markov‬ﺑﻪ ﻣﺎ ﺗﻠﻔﻆ ﻫﺎي ﻣﺘﻨﺎوب ﻛﻠﻤﺎت را ﻧﺸﺎن ﻣﻲ دﻫﺪ ‪.‬اﻳﻦ ﺗﺤﻮل و ﮔﺬار ﻓﻘﻂ‬
‫ﻣﺮﺑﻮط ﺑﻪ ﺣﺎﻟﺖ ﺟﺎري اﺳﺖ ﻧﻪ ﺑﻪ ﺣﺎﻟﺘﻬﺎي ﻗﺒﻠﻲ ‪.‬اﻳﻦ ﻣﺪل ﺗﻤﺎﻣﻲ راﻫﻬﺎي ﻣﻤﻜﻦ را‬
‫ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف‪ ,‬ﺑﺮاﺳﺎس ﺣﺎﻟﺖ ﻛﻨﻮﻧﻲ آن و ﻧﻪ ﺣﺎﻟﺘﻬﺎي ﻗﺒﻠﻲ ‪ ,‬ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﺷﻜﻞ ﺷﻤﺎره ‪ 7-3‬ﻣﺪل ﻣﺎرﻛﻮف‬

‫‪ Co- articulation‬زﻣﺎﻧﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﺷﺨﺺ آرام ي اﺗﻨﺪ ﺣﺮف ﻣﻲ زﻧﺪ و‬

‫ﺻﺪاﻫﺎ را ﻣﻲ آﻣﻴﺰد وﻣﺒﻬﻢ ﻣﻲ ﻛﻨﺪ و اﺳﺎﺳﺎ" اﻧﺪﻛﻲ ﺗﻠﻔﻆ آﻧﻬﺎ را ﻋﻮض ﻣﻲ ﻛﻨﺪ ‪.‬اﻳﻦ ﺑﻪ‬
‫اﻧﺴﺎﻧﻬﺎﻳﻲ اﺷﺎره ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺧﻴﻠﻲ ﺗﻨﺪ ﺣﺮف ﻣﻲ زﻧﻨﺪ و ﺑﺮﺧﻲ ﻛﻠﻤﺎت را ﺑﺎ ﻫﻢ ﻣﻲ‬
‫آﻣﻴﺰﻧﺪ ﻳﺎ ﻣﺎﻧﻨﺪ اﻧﺴﺎﻧﻬﺎﻳﻲ ﻛﻪ ﻟﻬﺠﻪ دارﻧﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫ﺷﻜﻞ ﺷﻤﺎره ‪co- articulation 7-4‬‬

‫ﻣﺪل ﭘﻨﻬﺎﻧﻲ ‪ (The Hidden Markov model) Markov‬ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺑﻪ‬

‫اﺧﺘﻼف در ﮔﻔﺘﺎر ﺗﻮﺟﻪ ﻛﻨﺪ و ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ) ‪ P(words | phones‬و‬
‫) ‪ P(signal | phones‬را ﻛﻤﻴﻨﻪ ﻛﻨﺪ ﻫﻤﭽﻨﻴﻦ ﺑﻪ ﺧﻄﺎﻫﺎي ﻣﻤﻜﻦ ﻳﺎ ﺗﻜﻪ ﻫﺎﻳﻲ از ﮔﻔﺘﺎر‬
‫ﻛﻪ در ﺣﺎﻟﺖ ﺗﻌﻠﻴﻖ )‪ (hang‬ﻣﻲ ﺑﺎﺷﺪ ‪ ,‬ﺗﻮﺟﻪ ﻣﻲ ﻛﻨﺪ‪.‬‬
 ‫ﻓﺼﻞ ﻫﺸﺘﻢ‬

‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه‬

‫اﻫﺪاف‬

‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬

‫■ ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻛﻪ در ﺳﻴﺴﺘﻤﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﺗﺠﻠﻲ‬
‫ﻳﺎﻓﺘﻪ اﺳﺖ آﺷﻨﺎ ﻣﻴﺸﻮﻳﺪو ﺑﺮ ﺗﻔﺎوﺗﻬﺎي آن ﺑﺎ ﺑﺮ ﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻌﻤﻮﻟﻲ ﭘﻲ ﻣﻴﺒﺮﻳﺪ‪.‬‬
‫■ ﺗﻌﺎرﻳﻔﻲ از ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه و ﻫﻤﻴﻨﻄﻮر ﻣﻌﻤﺎري و ﺧﺼﻮﺻﻴﺎت آﻧﻬﺎ را ﻣﺸﺎﻫﺪه‬
‫ﻣﻴﻜﻨﻴﺪو ﻣﺨﺘﺼﺮا" در ﻣﻮرد ﺗﺎرﻳﺨﭽﻪ آن اﻃﻼع ﻛﺴﺐ ﻣﻴﻜﻨﻴﺪ‬
‫■ ﺑﺎ ﻣﻔﻬﻮم ﻣﻬﻨﺪﺳﻲ داﻧﺶ و داﻧﺶ داﻣﻨﻪ آﺷﻨﺎ ﻣﻴﺸﻮﻳﺪو ﺑﻄﻮر ﻛﺎﻣﻞ در ﻣﻮرد ﻣﺮاﺣﻞ‬
‫اﻛﺘﺴﺎب داﻧﺶ آﮔﺎﻫﻲ ﺑﺪﺳﺖ ﻣﻲ آورﻳﺪ‪.‬‬
‫■ در ﻣﻮرد روﻳﻪ ي اﺳﺘﻨﺘﺎج در ﺣﺴﺎب ﮔﺰاره اي و ﻣﺴﻨﺪي و در ﺳﻴﺴﺘﻤﻬﺎي ﺗﻮﻟﻴﺪ‬
‫ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﺎﻧﻮن ﺧﻮاﻫﻴﺪ ﺧﻮاﻧﺪ‪.‬‬
‫■ ﺑﺎاﺑﺰارﻫﺎي ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﻛﻪ در دﺳﺘﺮس ﻗﺮار دارﻧﺪ ﻣﺎﻧﻨﺪ زﺑﺎﻧﻬﺎي‬
‫اﻟﮕﻮرﻳﺘﻤﻴﻚ و زﺑﺎﻧﻬﺎي ﺳﻤﺒﻮﻟﻴﻚ آﺷﻨﺎ ﺧﻮاﻫﻴﺪ ﺷﺪ‪.‬و در ﻣﻮرد زﺑﺎﻧﻬﺎﻳﻲ ﻣﺎﻧﻨﺪ ﭘﺮوﻟﻮگ و‬
‫ﻟﻴﺴﭗ ﻛﻪ ﺑﻪ ﻋﻨﻮان زﺑﺎﻧﻬﺎﻳﻲ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻫﺴﺘﻨﺪ ﻣﻄﺎﻟﺒﻲ ﺧﻮاﻫﻴﺪ‬
‫ﺧﻮاﻧﺪ‪.‬‬
‫■ و در آﺧﺮ ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﻛﺎرﺑﺮدﻫﺎي ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﻣﺎﻧﻨﺪ واﻟﻴﺰاو ﻣﺎﻳﺴﻴﻦ و ﻏﻴﺮه‬
‫راﺧﻮاﻫﻴﺪ دﻳﺪ‪PARRY .‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪109‬‬

‫‪ 1-8‬ﻣﻘﺪﻣﻪ‬
‫در ﺳﺎﻟﻬﺎي اﺧﻴﺮ ﺗﺤﻘﻴﻘﺎت در زﻣﻴﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ,‬ﻣﻮﻓﻘﻴﺖ ﻫﺎي ﺑﺰرﮔﻲ را ﻛﺴﺐ‬
‫ﻧﻤﻮده اﺳﺖ‪ .‬درﻣﻴﺎن ﻫﻤﻪ اﻳﻦ ﻣﻮﻓﻘﻴﺖ ﻫﺎ ﺑﺎرزﺗﺮﻳﻦ آﻧﻬﺎ ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﻛﺎﻣﭙﻮﺗﺮي‬
‫ﻗﺪرﺗﻤﻨﺪي ﺑﻪ ﻧﺎم ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﻳﺎ ﺳﻴﺴﺘﻤﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﺑﻮده اﺳﺖ‪.‬ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ‬
‫ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ﺗﺎ داﻧﺶ واﻗﻌﻲ در زﻣﻴﻨﻪ ﻫﺎي ﺧﺎص ﺗﺨﺼﺼﻲ را ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮاردﻫﻨﺪ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺗﻼﺷﻬﺎﻳﻲ ﺑﺎ ﻫﻤﻜﺎري ﻣﺘﺨﺼﺼﻴﻦ و ﺗﻮﺳﻌﻪ‬
‫دﻫﻨﺪﮔﺎن ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ ﻛﻪ ﻧﺘﻴﺠﻪ آن ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻤﻬﺎي ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎري‪,‬‬
‫ﭘﻴﻜﺮﺑﻨﺪي ﺳﻴﺴﺘﻤﻬﺎي ﻛﺎﻣﭙﻮﺗﺮي و اﻛﺘﺸﺎف ﻛﺎﻧﻴﻬﺎ و ﻣﻌﺎدن ﺑﺎ ﻛﻴﻔﻴﺖ اﺟﺮاي ﺑﺮاﺑﺮ ﺑﺎ‬
‫ﻛﻴﻔﻴﺖ ﻛﺎر ﻣﺘﺨﺼﻴﺼﻴﻦ واﻗﻌﻲ ﺑﻮده اﺳﺖ‪.‬‬
‫ﺳﻤﺒﻮﻟﻬﺎﻳﻲ ﻛﻪ در ﺳﻴﺴﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮداﻧﺶ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ ﻣﺠﺎزي ﻫﺮ ﻧﻮع‬
‫ﺷﻲء اﻋﻢ از ﻣﺼﻨﻮﻋﺎت‪,‬اﻧﺴﺎﻧﻬﺎ‪ ,‬اﺟﺴﺎم ‪ ,‬ارﮔﺎﻧﻬﺎي زﻳﺴﺘﻲ‪ ,‬ﻛﻼﺳﻬﺎي ﻣﺨﺘﻠﻒ اﺷﻴﺎ‪,‬‬
‫ﻣﻔﺎﻫﻴﻢ و ‪....‬اﺳﺖ‪.‬‬
‫ﻣﻄﻠﺐ ﻗﺎﺑﻞ ﺗﻮﺟﻪ در اﻳﻨﺠﺎ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺎ ﻗﺼﺪ ﻣﺸﺎﻫﺪه و دﺳﺘﻜﺎري ﺳﻤﺒﻮﻟﻬﺎ ﺑﻪ ﻋﻨﻮان‬
‫ﭼﻴﺰي ﻏﻴﺮ از اﻋﺪاد ﻣﺤﺾ را دارﻳﻢ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺎ ﺑﻪ ﺧﺼﻮﺻﻴﺎ ت و ﺗﺴﻬﻴﻼت زﺑﺎﻧﻬﺎي‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺘﻔﺎوﺗﻲ ﻧﻴﺎز دارﻳﻢ‪.‬‬
‫از ﺗﻔﺎوﺗﻬﺎي دﻳﮕﺮ ﺑﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﻟﮕﻮرﻳﺘﻤﻴﻚ ﻣﻌﻤﻮل و ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ‪ -‬ﻛﻪ در ﺳﻴﺴﺘﻤﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﺗﺠﻠﻲ ﻳﺎﻓﺘﻪ اﺳﺖ‪ -‬ﻣﻲ ﺗﻮان روش ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ را ﻧﺎم ﺑﺮد‪.‬در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻌﻤﻮﻟﻲ ﻛﻪ اﻏﻠﺐ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ روﻳﻪ اي ﻧﻴﺰ ﻧﺎﻣﻴﺪه‬
‫ﻣﻲ ﺷﻮد‪ ,‬ﻣﺎ ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎﻳﺪ ﺑﮕﻮﻳﻴﻢ ﻛﻪ ﺑﺎ داده ﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﺻﻮرت ﻣﺘﻮاﻟﻲ وارد ﻛﺎﻣﭙﻴﻮﺗﺮ‬
‫ﻣﻲ ﺷﻮد ﭼﻪ ﻛﺎر ﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ روﻳﻪ اي ‪ ,‬روﻳﻪ ﻫﺎ ﺑﺎزﻧﻤﺎﻳﻲ ﭼﮕﻮﻧﮕﻲ‬
‫اﻧﺠﺎم ﻛﺎري ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ‪.‬‬
‫از ﺳﻮي دﻳﮕﺮ ‪ ,‬در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ‪ ,‬ﻣﺎ در ﺣﻮزه ﺧﺎﺻﻲ‪ ,‬داﻧﺶ را ﺑﻪ‬
‫ﺻﻮرت اﺧﺒﺎري ﺑﺎزﻧﻤﺎﻳﻲ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﻣﺎ ﺗﻨﻬﺎ آﻧﭽﻪ را ﻛﻪ ﻣﻲ داﻧﻴﻢ ﺑﺎزﻧﻤﺎﻳﻲ ﻣﻲ ﻛﻨﻴﻢ ﺑﺪون‬
‫اﻳﻨﻜﻪ دﻗﻴﻘﺎ" و ﺑﻪ ﺻﻮرت ﭘﻴﺸﺮﻓﺘﻪ ﺑﻪ ﭼﮕﻮﻧﮕﻲ اﺳﺘﻔﺎده از آن ﺗﻮﺟﻪ ﻛﻨﻴﻢ‪.‬‬
‫ﺟﺪول ‪ 8-1‬ﺗﻔﺎوﺗﻬﺎي ﺑﻴﻦ اﻳﻦ دو ﻧﻮع ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ را ﺧﻼﺻﻪ ﻣﻲ ﻛﻨﺪ‪.‬دو ﻧﻜﺘﻪ در اﻳﻨﺠﺎ‬
‫ﺧﺎرج از ﻣﺒﺤﺚ ﻣﺎ ﻫﺴﺘﻨﺪ‪.‬اول‪ ,‬ﺳﺎزﮔﺎري ﺑﺎ دو ﺣﺎﻟﺘﻲ ﺑﻮدن روﻳﻪ اي در ﻣﻘﺎﺑﻞ روش‬
‫اﺧﺒﺎري ﻛﻪ ﺗﻮﺿﻴﺢ داده ﺷﺪ‪ ،‬ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ روﻳﻪ اي ﻣﺎ درﺑﺎره ﺗﻐﻴﻴﺮ و‬
‫دﺳﺘﻜﺎري داده ﻫﺎ ﺻﺤﺒﺖ ﻣﻲ ﻛﻨﻴﻢ در ﺣﺎﻟﻲ ﻛﻪ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﺧﺒﺎري ﻣﺎ درﻣﻮرد‬
 ‫‪110‬‬

‫ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ ﺑﺤﺚ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﻧﻜﺘﻪ دوم و ﻣﻬﻢ ﺗﺮ ﺻﻔﺖ ﺟﺪاﺳﺎزي داﻧﺶ از ﻛﻨﺘﺮل‬
‫اﺳﺖ ﻛﻪ ﻣﺸﺨﺼﻪ اي از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ اﺳﺖ‪.‬‬

‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻌﻤﻮل‬ ‫ﻧﺮم اﻓﺰار ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ‬

‫• ﻧﻴﺎزﻣﻨﺪ داده ﻫﺎي ﺻﺤﻴﺢ اﺳﺖ‬ ‫• ﻗﺎﺑﻠﻴﺖ اداره ﻛﺮدن داده ﻫﺎي ﮔﻢ‬
‫• ﺳﺎﺧﺘﺎر روﻳﻪ اي ﺛﺎﺑﺖ‬ ‫ﺷﺪه ﻳﺎ ﻏﻴﺮﻗﻄﻌﻲ‬
‫• ﻣﻨﺎﺳﺐ ﺑﺮاي ﭘﺮدازش ﻋﺪدي‬ ‫• ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺗﺮﺗﻴﺐ وﺗﻮاﻟﻲ‬
‫• ﻓﻘﻂ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ آن را ﻣﻲ‬ ‫ﺗﻮﺳﻂ ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج‬
‫ﻓﻬﻤﺪ‬ ‫• ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﻐﻴﻴﺮ ﺳﻴﻤﺒﻮﻟﻬﺎ‬
‫• ﺗﻮﺿﻴﺢ در ﺣﻴﻦ اﺟﺮا ﻏﻴﺮ ﻣﻤﻜﻦ‬ ‫• واﺳﻂ ﻫﺎي زﺑﺎن ﻃﺒﻴﻌﻲ‬
‫• ﺑﺮﻧﺎﻣﻪ = اﻟﮕﻮرﻳﺘﻢ ‪ +‬داده‬ ‫• اﻣﻜﺎن ﺗﻮﺿﻴﺢ در ﺣﻴﻦ اﺟﺮا‬
‫• ﺳﻴﺴﺘﻢ ﺧﺒﺮه = ﻣﺴﺌﻠﻪ ‪ +‬ﻛﻨﺘﺮل ‪+‬‬
‫داده‬

‫‪ 1-1-8‬ﺗﻌﺎرﻳﻒ‪:‬‬
‫ﺗﻌﺎرﻳﻒ ﻣﺨﺘﻠﻔﻲ از ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه وﺟﻮد دارد ﻫﺮﭼﻨﺪ ﻛﻪ ﺑﺴﻴﺎري از آﻧﻬﺎ ﻣﺸﺎﺑﻪ‬
‫ﻫﺴﺘﻨﺪ‪.‬ﭘﺮﻓﺴﻮر ﻓﺎﻳﮕﻦ ﺑﺎم از داﻧﺸﮕﺎه اﺳﺘﻨﻔﻮرد ﻳﻚ ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه را اﻳﻨﮕﻮﻧﻪ ﺗﻮﺻﻴﻒ‬
‫ﻧﻤﻮده اﺳﺖ‪:‬‬
‫" ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﭙﻴﻮﺗﺮي ﻫﻮﺷﻤﻨﺪ اﺳﺖ ﻛﻪ از داﻧﺶ و روﻳﻪ ﻫﺎي اﺳﺘﻨﺘﺎج ﺑﺮاي‬
‫ﺣﻞ ﻣﺴﺎﺋﻞ دﺷﻮاري ﻛﻪ ﻧﻴﺎزﻣﻨﺪ ﻛﺎرﺷﻨﺎﺳﺎن ﺧﺒﺮه ﻫﺴﺘﻨﺪ‪ ,‬اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ‪.‬داﻧﺶ ﻣﻮرد‬
‫ﻧﻴﺎز ﺑﺮاي اﺟﺮا در ﭼﻨﻴﻦ ﺳﻄﺤﻲ ﺑﻪ ﻫﻤﺮاه روﻳﻪ ﻫﺎي اﺳﺘﻨﺘﺎج ﻣﻮرد اﺳﺘﻔﺎده‪ ,‬ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺪﻟﻲ از ﻣﺘﺨﺼﺼﻴﻦ و ﻛﺎرﺷﻨﺎﺳﺎن در ﻳﻚ زﻣﻴﻨﻪ ﺧﺎص در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد‪".‬‬
‫ﻳﻚ ﺗﻌﺮﻳﻒ اراﺋﻪ ﺷﺪه ﻛﻪ ﺧﻴﻠﻲ ﻫﻢ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ ‪ ,‬ﺗﻌﺮﻳﻔﻲ اﺳﺖ ﻛﻪ از ﺳﻮي‬
‫" ﮔﺸﻴﻨﮓ ‪ ,‬رﻳﺒﻮ و راﻳﺘﺮ " اراﺋﻪ ﺷﺪه اﺳﺖ‪:‬‬
‫" ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪ ,‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي داراي اﺛﺮ ﻣﺘﻘﺎﺑﻞ ﻫﺴﺘﻨﺪ ﻛﻪ ﻋﻤﻞ ﺗﻠﻔﻴﻖ‬
‫ﻗﻀﺎوت‪ ,‬ﻗﻮاﻧﻴﻦ ‪ ,‬ﺷﻬﻮد و دﻳﮕﺮ ﺗﺨﺼﺺ ﻫﺎ را ﺑﺮاي ﺗﺎﻣﻴﻦ ﻳﻚ ﺗﻮﺻﻴﻪ ﻗﺎﺑﻞ درك و‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪111‬‬

‫زﻳﺮﻛﺎﻧﻪ در اﻣﻮر ﻣﺨﺘﻠﻒ ‪ ,‬اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪".‬‬

‫ﻳﻚ ﺗﻌﺮﻳﻒ ﺟﺎﻣﻊ ﺗﺮ از ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه را ﺑﺮﻛﻤﻦ اراﺋﻪ داد‪:‬‬
‫" ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺳﻴﺴﺘﻤﻲ اﺳﺖ ﻛﻪ داراي ﻗﻮاﻧﻴﻦ ﻛﺎرﺷﻨﺎﺳﺎﻧﻪ اﺳﺖ و از ﺟﺴﺘﺠﻮﻫﺎي‬
‫ﻛﻮرﻛﻮراﻧﻪ اﺟﺘﻨﺎب ﻣﻲ ﻛﻨﺪ‪ ,‬ﺑﺎ ﺗﻐﻴﻴﺮ و دﺳﺘﻜﺎري ﺳﻴﻤﺒﻮﻟﻬﺎ اﺳﺘﺪﻻل ﻣﻲ ﻛﻨﺪ‪ ,‬اﺻﻮل‬
‫اﺳﺎﺳﻲ و ﺑﻨﻴﺎدي در ﻳﻚ ﺣﻮزه ﺧﺎص را ﻣﻲ ﻓﻬﻤﺪ و ﻣﻲ ﻳﺎﺑﺪ ‪ ,‬ﻣﺘﺪﻫﺎي ﺿﻌﻴﻒ اﺳﺘﺪﻻل‬
‫ﺑﺮاي ﻋﻘﺐ ﻧﺸﻴﻨﻲ در ﻣﻮاﻗﻌﻲ ﻛﻪ ﻗﻮاﻧﻴﻦ ﺧﺒﺮه ﺟﻮاﺑﮕﻮ ﻧﻴﺴﺘﻨﺪ دارد ‪.‬‬
‫ﺑﺎ ﻣﺴﺎﺋﻞ دﺷﻮار در زﻣﻴﻨﻪ ﻫﺎي ﭘﻴﭽﻴﺪه ﺳﺮوﻛﺎر دارد‪ .‬ﻣﻲ ﺗﻮاﻧﺪ ﺗﺸﺮﻳﺤﻲ از ﻳﻚ ﻣﺴﺌﻠﻪ ﺑﻪ‬
‫ﺻﻮرت ﻋﺒﺎرات ﻏﻴﺮ ﺗﺨﺼﺼﻲ ﮔﺮﻓﺘﻪ و آﻧﻬﺎ را ﺑﻪ ﺑﺎزﻧﻤﺎﻳﻲ داﺧﻠﻲ ﻣﻨﺎﺳﺐ ﺑﺮاي ﭘﺮدازش‬
‫ﺑﺎ ﻗﻮاﻧﻴﻦ ﻛﺎرﺷﻨﺎﺳﻲ و ﺗﺨﺼﺼﻲ ﺧﻮد ﺗﺒﺪﻳﻞ ﻛﻨﺪ‪ .‬ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي داﻧﺶ دروﻧﻲ ﺧﻮد ﻧﻴﺰ‬
‫اﺳﺘﺪﻻل ﻛﻨﺪ‪ ,‬ﺑﻪ ﺧﺼﻮص ﺑﺮاي ﺑﺎزﺳﺎزي ﻣﻨﻄﻘﻲ ﻣﺴﻴﺮﻫﺎي اﺳﺘﻨﺘﺎج ﺑﺮاي ﺗﻮﺿﻴﺢ و‬
‫ﺗﻔﺴﻴﺮ و ﺗﻮﺟﻴﻪ ﻛﺮدن ﺧﻮد‪".‬‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﺳﻌﻲ در ﻳﺎﻓﺘﻦ ﺗﻜﻨﻴﻚ ﻫﺎ و روﺷﻬﺎي ﺳﺎﺧﺖ ﺳﻴﺴﺘﻤﻬﺎي‬
‫اﻧﺴﺎن – ﻣﺎﺷﻴﻦ ﺑﺎ ﺗﺨﺼﺺ ﻫﺎي ﺧﺎص ﺣﻞ ﻣﺴﺎﺋﻞ اﺳﺖ‪.‬‬
‫ﺗﺨﺼﺺ ﺷﺎﻣﻞ داﻧﺶ درﻳﻚ زﻣﻴﻨﻪ ﺑﻪ ﺧﺼﻮص ‪ ,‬ﻓﻬﻢ وﺗﺸﺨﻴﺺ ﻣﺸﻜﻼت آن ﺣﻮزه و‬
‫ﻣﻬﺎرت در ﺣﻞ ﺑﻌﻀﻲ از آﻧﻬﺎﺳﺖ‪ .‬ﻣﻌﻤﻮﻻداﻧﺶ در ﻫﺮ رﺷﺘﻪ ﺗﺨﺼﺼﻲ ﺑﺮ دو ﻗﺴﻢ اﺳﺖ‪:‬‬
‫• داﻧﺶ ﺧﺼﻮﺻﻲ‬
‫• داﻧﺶ ﻋﻤﻮﻣﻲ‬
‫‪ 2-1-8‬داﻧﺶ ﻋﻤﻮﻣﻲ‪:‬‬
‫داﻧﺶ ﻋﻤﻮﻣﻲ ﺷﺎﻣﻞ ﺗﻮﺻﻴﻔﺎت‪,‬ﺣﻘﺎﻳﻖ و ﺗﺌﻮري ﻫﺎي ﻣﻨﺘﺸﺮ ﺷﺪه اﺳﺖ ﻛﻪ در ﻛﺘﺎﺑﻬﺎي‬
‫درﺳﻲ ‪ ,‬روزﻧﺎﻣﻪ ﻫﺎ و ﻣﻘﺎﻻت ﺗﺤﻘﻴﻘﻲ ﻏﻴﺮه اﺳﺖ‪.‬‬
‫‪ 3-1-8‬داﻧﺶ ﺧﺼﻮﺻﻲ‪:‬‬
‫داﻧﺶ ﻋﻤﻮﻣﻲ ﺗﻨﻬﺎ ﻣﻨﺒﻊ ﻣﺘﺨﺼﺼﻴﻦ اﻧﺴﺎﻧﻲ ﻧﻤﻲ ﺑﺎﺷﺪ‪ .‬ﻣﺘﺨﺼﺼﺎن ﻣﻌﻤﻮﻻ" داراي داﻧﺶ‬
‫ﺧﺼﻮﺻﻲ ﻫﺴﺘﻨﺪ‪.‬‬
‫داﻧﺶ ﺧﺼﻮﺻﻲ ﺑﻪ ﻃﻮر ﮔﺴﺘﺮده اي ﺷﺎﻣﻞ ﻗﻮاﻧﻴﻦ ‪ thumb‬ﺑﻪ ﻧﺎم ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ ﻫﺎ ﻣﺘﺨﺼﺼﻴﻦ را ﻗﺎدر ﻣﻲ ﺳﺎزد ﺗﺎدر ﺻﻮرت ﻟﺰوم‪ ،‬ﺣﺪس ﻫﺎي آﮔﺎﻫﺎﻧﻪ‬
‫ﺑﺰﻧﻨﺪ‪ ,‬ﺗﺸﺨﻴﺺ رﻫﻴﺎﻓﺖ ﻫﺎي ﻣﺤﺘﻤﻞ ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ وﺳﺮوﻛﺎر ﺑﺎ داده ﻫﺎي‬
‫ﻧﺎﻛﺎﻣﻞ و ﭘﺮ از ﺧﻄﺎ ﺑﻪ ﺻﻮرت ﻣﻮﺛﺮ اﺳﺖ‪.‬‬
 ‫‪112‬‬

‫‪ 2-8‬ﻣﻬﺎرت در ﻣﻘﺎﺑﻞ داﻧﺶ‬

‫ﻣﻬﺎرت در ﺣﻞ ﻣﺴﺎﺋﻞ ‪ ،‬ﻋﻤﻮﻣﺎ دﻻﻟﺖ ﺑﺮ ﺳﺮﻋﺖ‪ ,‬ﻛﺎرآﻳﻲ ‪ ,‬ﺧﻄﺎﻫﺎي ﻛﺎﻫﺶ ﻳﺎﻓﺘﻪ ‪ ,‬ﺑﺎر‬
‫ادراﻛﻲ ﻛﺎﻫﺶ ﻳﺎﻓﺘﻪ‪ ,‬ﻧﻴﺮوﻣﻨﺪي و ﻏﻴﺮه دارد ‪.‬از ﺳﻮي دﻳﮕﺮ ‪ ,‬داﻧﺶ ﺑﻪ اﻧﺴﺎن اﺟﺎزه ﻣﻲ‬
‫دﻫﺪ ﺑﻮاﺳﻄﻪ ﻗﻴﺎس‪ ,‬ادراك و ﺷﻌﻮر ﻣﺘﻌﺎرف ‪,‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ و ﻏﻴﺮه ﺑﻪ ﺣﻞ ﻣﺴﺎﺋﻞ‬
‫ﺟﺪﻳﺪ ﺑﭙﺮدازد‪.‬ﺣﺪ اﻗﻞ ﺗﺎ ﻛﻨﻮن ﻣﺴﺎﺋﻞ دﺷﻮار و ﺟﺎﻟﺐ ﺗﻮﺟﻪ راه ﺣﻞ ﻫﺎي اﻟﮕﻮرﻳﺘﻤﻴﻚ‬
‫ﻧﺪاﺷﺘﻪ اﻧﺪ‪ .‬ﺑﺴﻴﺎري از اﻣﻮر ﻣﻬﻢ درﻣﺘﻮن و ﻣﻔﺎﻫﻴﻢ اﺟﺘﻤﺎﻋﻲ – ﻓﻴﺰﻳﻜﻲ رخ ﻣﻲ دﻫﻨﺪ‪ ,‬ﻛﻪ‬
‫ﻋﻤﻮﻣﺎ" در ﻣﻘﺎﺑﻞ ﺗﻮﺻﻴﻔﺎت دﻗﻴﻖ و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻫﺎي ﺳﺨﺖ ﻣﻘﺎوﻣﺖ ﻣﻲ ﻛﻨﻨﺪ ‪.‬ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺜﺎل ﻃﺮح رﻳﺰي اﺳﺘﺪﻻل ﻫﺎي ﻣﺸﺮوع ﺗﺸﺨﻴﺺ ﻫﺎي ﭘﺰﺷﻜﻲ‪ ,‬اﻣﻜﺎﻧﺎت ﻋﻴﺐ‬
‫ﺷﻨﺎﺳﻲ ﻣﺎﺷﻴﻨﻬﺎي ﺗﺤﻠﻴﻞ ﻣﻮﻗﻌﻴﺖ ﻧﻈﺎﻣﻲ و ﻏﻴﺮه‪.‬‬
‫اﻧﺴﺎﻧﻬﺎي ﻛﺎرﺷﻨﺎس ﺑﻪ ﻛﺎراﻳﻲ ﺑﺮﺟﺴﺘﻪ اي دﺳﺖ ﻣﻲ ﻳﺎﺑﻨﺪ زﻳﺮا آﻧﻬﺎ ﻣﻄﻠﻊ و ﺑﺎ ﺗﺠﺮﺑﻪ اﻧﺪ‪.‬‬
‫دﻟﻴﻞ ﺳﻮم ﺑﺮاي ﻣﺘﻤﺮﻛﺰ ﺷﺪن ﺑﺮ داﻧﺶ ‪ ,‬ﺗﺸﺨﻴﺺ ارزش ذاﺗﻲ ﺧﻮد آن اﺳﺖ‪.‬داﻧﺶ ﻳﻚ‬
‫ﻣﻨﺒﻊ ﻛﻤﻴﺎب اﺳﺖ ﻛﻪ ﺗﻜﺜﻴﺮ و ﭘﺎﻟﻮدﮔﻲ ان ‪ ,‬ﺗﻮاﻧﮕﺮي ﺑﻪ ﻫﻤﺮاه ﻣﻲ آورد‪.‬داﻧﺶ ﺑﺸﺮي‬
‫ﺗﻮﺳﻂ آﻣﻮزش و ﻛﺎرآﻣﻮزي اﻧﺘﻘﺎل و ﭘﺨﺶ ﻣﻴﺸﻮد‪.‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از داﻧﺶ ‪ ,‬اﻧﺴﺎن ﻫﺎ ﺑﻪ ﻣﻮﻓﻘﻴﺖ ﻫﺎي ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ در ﺣﻞ ﻣﺴﺎﺋﻞ دﺷﻮار دﺳﺖ‬
‫ﻳﺎﻓﺘﻪ اﻧﺪ‪.‬در ﺻﻮرﺗﻲ ﻛﻪ اﻳﻦ داﻧﺶ از ﻣﺘﺨﺼﺼﻴﻦ اﻗﺘﺒﺎس ﺷﺪه و در ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﭙﻴﻮﺗﺮي‬
‫ﻗﺮار ﮔﻴﺮدﻛﻪ اﺳﺘﻔﺎده ﺷﻮد‪ ,‬ﺳﭙﺲ آن ﺑﺮﻧﺎﻣﻪ ﻫﻢ ﺑﺎﻳﺪ ﺑﻪ ﺳﻄﺢ ﺑﺎﻻﻳﻲ از ﻛﺎراﻳﻲ ﻧﺎﺋﻞ‬
‫آﻳﺪ‪.‬اﻗﺘﺒﺎس داﻧﺶ از ﻛﺎرﺷﻨﺎﺳﺎن و ﻗﺮار دادن آن در ﻓﺮم ﻫﺎي ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ‪ ,‬ﻫﺰﻳﻨﻪ ﻫﺎي‬
‫ﺗﻮﻟﻴﺪ ﻣﺠﺪد داﻧﺶ و ﺑﻬﺮه ﺑﺮداري از داﻧﺶ را ﺑﻪ ﻧﺤﻮ ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ ﺧﻮاﻫﺪ‬
‫ﻛﺎﺳﺖ‪.‬ﻫﻤﺰﻣﺎن ‪ ,‬داﻧﺶ ﺧﺼﻮﺻﻲ ﺑﻪ واﺳﻄﻪ ﻗﺮار ﮔﺮﻓﺘﻦ در دﺳﺘﺮس ﻋﻤﻮم ﺑﺮاي ارزﻳﺎﺑﻲ‬
‫و آزﻣﺎﻳﺶ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎﻋﺚ ﺳﺮﻋﺖ ﮔﺮﻓﺘﻦ ﭘﻴﺸﺮﻓﺖ ﻋﻠﻢ ﺷﻮد‪.‬‬
‫در ﺑﻴﺸﺘﺮ ﻣﻮارد در روش ﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﻳﺎ ﻫﻮﺷﻤﻨﺪ ‪ ,‬ﻣﺎ ﺑﺎ ﻣﺴﺎﺋﻠﻲ‬
‫روﺑﺮو ﻫﺴﺘﻴﻢ ﻛﻪ راه ﺣﻞ ﻫﺎي رﺳﻤﻲ ﻳﺎ اﻟﮕﻮرﻳﺘﻤﻴﻚ ﻧﺪارﻧﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ روﺷﻬﺎي ﻛﺸﻒ‬
‫ﻛﻨﻨﺪﮔﻲ ﺑﺎﻳﺪ اﺳﺘﻔﺎده ﺷﻮﻧﺪ ‪.‬راه ﺣﻞ ﻫﺎي ﻣﻮءﺛﺮ ﺑﺴﺘﮕﻲ ﺑﻪ اﺳﺘﻔﺎده ﺑﻪ ﻫﻨﮕﺎم و ﺑﻪ ﺟﺎ از‬
‫داﻧﺶ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﺗﺼﻤﻴﻤﺎت ﺑﺎﻟﻘﻮه اي دارﻧﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﻧﺘﺎﻳﺞ ﻣﺤﺘﻤﻞ و اﻣﻴﺪﺑﺨﺶ‬
‫ﺑﻪ ﺑﺎر آورﻧﺪ و اﺗﻨﺨﺎب ﻫﺎي ﻏﻴﺮ ﺛﻤﺮ ﺑﺨﺶ را ﺣﺬف ﻛﻨﻨﺪ‪.‬اﻳﻦ اﻳﺪه ﺑﻨﻴﺎدي از ﻫﺮ روش‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت زﻳﺮ ﺧﻼﺻﻪ ﺷﻮد‪:‬‬
‫‪ (1‬داﻧﺶ = ﺣﻘﺎﻳﻖ ‪ +‬ﻋﻘﺎﻳﺪ ‪ +‬ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ‬
‫‪ (2‬ﻣﻮﻓﻘﻴﺖ = ﻳﺎﻓﺘﻦ ﻳﻚ روش ﺣﻞ ﻣﺴﺌﻠﻪ ﺧﻮب ﺑﺎ در اﺧﺘﻴﺎر داﺷﺘﻦ ﻣﻨﺎﺑﻊ در دﺳﺘﺮس‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪113‬‬

‫‪ (3‬ﺑﺎزده ﺟﺴﺘﺠﻮ ﻣﺴﺘﻘﻴﻤﺎ" ﺑﺮ ﻣﻮﻓﻘﻴﺖ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد‪.‬‬

‫‪ (4‬ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮﻳﻚ راه ﺣﻞ ﻛﺎراﻣﺪ‪:‬‬
‫• داﻧﺶ ﻗﺎﺑﻞ اﺟﺮا ‪ ,‬ﺻﺤﻴﺢ و ﻗﺎﺑﻞ ﺗﻔﻜﻴﻚ و ﺗﻤﺎﻳﺰ‪.‬‬
‫• ﺣﺬف ﺳﺮﻳﻊ دﻳﺪﮔﺎه ﻫﺎي ﻏﻴﺮ ﺛﻤﺮ ﺑﺨﺶ‬
‫• ﻣﻨﺎﺑﻊ داﻧﺶ ﻣﻀﺎﻋﻒ ﻣﺸﺘﺮك‬
‫• ﺗﻘﺴﻴﻢ راه ﺣﻞ ﻫﻞ ﺑﻪ ﺳﻄﻮح ﻣﺘﻔﺎوﺗﻲ از ﺗﺠﺮد‬
‫‪ (5‬ﻣﺸﻜﻼت اﺳﺎﺳﻲ در رﻫﻴﺎﻓﺖ ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ‪:‬‬
‫• داﻧﺶ اﺷﺘﺒﺎه ﻳﺎ ﺧﻄﺎ‬
‫• وﺟﻮد اﻣﻜﺎن ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺮاي ارزﻳﺎﺑﻲ ﻛﺮدن‬
‫• وﺟﻮد روﻳﻪ ﻫﺎي ﭘﻴﭽﻴﺪه ﺟﻬﺖ ﺣﺬف اﺣﺘﻤﺎﻻت‬
‫• ﻣﺴﺎﺋﻠﻲ ﻛﻪ ﺑﻪ ﺻﻮرت ﭘﻮﻳﺎ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﻨﺪ‬
‫ﺑﺮ اﺳﺎس ﺗﺠﺮﺑﻪ ﻣﺎن در ﺣﻞ ﻣﺴﺎﺋﻞ ﻫﻮﺷﻤﻨﺪ‪ ,‬اﻳﺪه اﺳﺎﺳﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮ اﺳﺎس ﻣﻮارد زﻳﺮ‬
‫ﺗﺸﺮﻳﺢ ﺷﻮد‪:‬‬
‫‪ ( 1‬ﺳﺎﺧﺖ راه ﺣﻠﻬﺎ ﺑﻪ ﺻﻮرت ﻛﺎراﻣﺪ وﺑﻪ ﻃﻮر اﻧﺘﺨﺎﺑﻲ از ﻓﻀﺎﻳﻲ از ﭘﻴﺸﻨﻬﺎدات‬
‫ﻣﺘﻨﺎوب‬
‫‪ (2‬ﺷﻨﺎﺳﺎﻳﻲ راه ﺣﻞ ﻫﺎي ﻣﻔﻴﺪ و ﺳﭙﺲ ﻛﺎوش ﺑﻴﺸﺘﺮ در آﻧﻬﺎ‬
‫‪ (3‬ﻫﺮس ﻛﺮدن راه ﺣﻞ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺑﻬﺘﺮﻳﻦ راه ﺣﻞ‬

‫ﻳﻚ ﺣﻞ ﻛﻨﻨﺪه ﻣﺴﺌﻠﻪ اﻳﺪه آل ﺑﺎﻳﺪ ﻣﻮارد زﻳﺮ را داﺷﺘﻪ ﺑﺎﺷﺪ‪:‬‬

‫‪ (1‬ﭘﺮدازﻧﺪه زﺑﺎن ﺑﺮاي ﻣﻜﺎﻟﻤﺎت ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﺴﺎﺋﻞ‬
‫‪ (2‬ﭼﺮﻛﻨﻮﻳﺲ ﺑﺮاي ﺛﺒﺖ ﻧﺘﺎﻳﺞ ﻣﻴﺎﻧﻲ‬
‫‪ (3‬داﻧﺶ در ﻣﻮرد ﻳﻚ ﺣﻮزه ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺷﺎﻣﻞ ﺣﻘﺎﻳﻖ ‪ ,‬ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ و ﻋﻘﺎﻳﺪ ﺑﺎﺷﺪ‬
‫‪ (4‬داﻧﺶ ﺑﺮاي ﭼﻚ ﻛﺮدن ﺛﺒﺎت ﻳﻚ راه ﺣﻞ ﭘﺪﻳﺪار ﺷﺪه‬
‫‪ (5‬داﻧﺶ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﻳﺰي اﺳﺘﺮاﺗﮋي راه ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻌﺪي‬
‫‪ (6‬داﻧﺶ ﺑﺮاي ارزﻳﺎﺑﻲ راه ﺣﻞ ﻫﺎي ﺟﺰﺋﻲ‬

‫ﺣﻞ ﻛﻨﻨﺪه ﻫﺎي اوﻟﻴﻪ ﻣﺴﺎﺋﻞ ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﺳﻤﺖ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه رﺷﺪ ﻛﺮدﻧﺪ‪.‬ﺳﻴﺴﺘﻢ‬
 ‫‪114‬‬

‫ﻫﺎي ﺧﺒﺮه ‪ ,‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ ﺳﺎده ﺷﺪه اﻧﺪ زﻳﺮا ﻛﻞ داﻧﺶ ﺣﻞ ﻣﺴﺌﻠﻪ در ﻫﺮ‬
‫زﻣﻴﻨﻪ اي ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه اﺳﺖ و ﻧﻤﻲ ﺗﻮاﻧﺪ ﺗﻮﺳﻂ ﺳﺎﺧﺘﺎرﻫﺎي ﻧﺤﻮي ﺳﺎده ﺗﺴﺨﻴﺮ‬
‫ﺷﻮد‪.‬ﺑﻨﺎﺑﺮاﻳﻦ داﻣﻨﻪ ﻣﺴﺌﻠﻪ ﺑﺎﻳﺪ ﺗﻨﮓ ﺗﺮ ﺷﻮد ‪.‬و ﺑﻨﺎﺑﺮاﻳﻦ ﻫﻤﻪ اﻫﺪاف ﻛﺎرﺑﺮدي و ﻋﻤﻠﻲ‬
‫داﻧﺶ ﻣﺤﺪود ﺷﺪه ﺗﺎ ﺑﺘﻮاﻧﺪ در زﺑﺎﻧﻬﺎي ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ ﺳﺎده ﺷﺪه ﺗﺴﺨﻴﺮ ﺷﻮد‪.‬ﻗﺒﻞ از‬
‫اﻳﻨﻜﻪ ﺑﻪ ﺟﺰﺋﻴﺎت ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﭙﺮدازﻳﻢ ‪ ,‬ﺷﺎﻳﺴﺘﻪ اﺳﺖ ﻛﻪ اﺑﺘﺪا ﺑﺘﻮاﻧﻴﻢ ﺗﻔﺎوﺗﻬﺎي‬
‫ﺑﻴﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﻌﻤﻮﻟﻲ و ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه را ﺑﺸﻨﺎﺳﻴﻢ ‪.‬اﻳﻦ ﻣﻮﺿﻮع ﻳﻚ دورﻧﻤﺎ ﻳﺎ‬
‫ﻣﻨﻈﺮ ﻣﺘﻨﺎوب ﺑﺮاي ﺗﻮﺻﻴﻒ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﻪ ﻣﺎ ﻣﻲ دﻫﺪ‪.‬‬

‫)ﺷﻜﻞ ‪ (8-1‬ﻣﻌﻤﺎري اﻳﺪه آل ﺳﻴﺴﺘﻢ ﺧﺒﺮه‬

‫‪ 1-2-8‬ﭼﮕﻮﻧﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه از ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﻌﻤﻮﻟﻲ ﺗﻤﻴﻴﺰ داده ﻣﻲ ﺷﻮﻧﺪ؟‬
‫اﺳﺎﺳﻲ ﺗﺮﻳﻦ ﺗﻔﺎوت ﻣﻴﺎن اﻳﻦ دو اﻳﻦ اﺳﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه داﻧﺶ را ﺗﻐﻴﻴﺮ ﻣﻲ‬
‫دﻫﻨﺪ در ﺣﺎﻟﻲ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﻌﻤﻮﻟﻲ داده ﻫﺎ را دﺳﺘﻜﺎري ﻣﻲ ﻛﻨﻨﺪ‪).‬ﺟﺪول ‪(8-2‬‬
‫ﭘﺮدازش داده‬ ‫ﭘﺮدازش داﻧﺶ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪115‬‬
‫• ﺑﺎزﻧﻤﺎﻳﻲ و اﺳﺘﻔﺎده از داده ﻫﺎي‬
‫اﺳﺘﺎﺗﻴﻚ‬
‫• اﻟﮕﻮرﻳﺘﻢ ﻫﺎ‬
‫• ﭘﺮدازش ﺗﻜﺮاري‬
‫• ﺑﺮاي ﻛﻨﺘﺮل و ﻣﻘﺪار زﻳﺎد داده‬
‫ﺟﺪاﮔﺎﻧﻪ ﻧﮕﻪ داﺷﺘﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﻪ ﻫﺮﺣﺎل ﺗﻔﺎوﺗﻬﺎي اﺳﺎﺳﻲ ﺑﻴﻦ ﭘﺎﻳﮕﺎه ﻫﺎي داده و ﭘﺎﻳﮕﺎه داﻧﺶ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‬
‫ﭘﺎﻳﮕﺎه داده‬
‫• ﻣﺠﻤﻮﻋﻪ اي از داده ﻫﺎي‬
‫ﻧﻤﺎﻳﺶ دﻫﻨﺪه ﺣﻘﺎﻳﻖ‬
‫• ﻓﻘﻂ ﺑﺮ روي ﻳﻚ ﺷﺊ واﺣﺪ‬
‫ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‬
‫ﺻﺮاﺣﺘﺎ"‬ ‫ﺑﺎﻳﺪ‬ ‫• اﻃﻼﻋﺎت‬
‫ﺗﻮﺻﻴﻒ ﺷﺪه ﺑﺎﺷﻨﺪ‬
‫• ﺑﻪ ﺻﻮرت ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ ﻳﺎ‬
‫ارﺗﺒﺎﻃﻲ ﻳﺎ ﺑﺮاﺳﺎس ﻣﺪل ﺷﺒﻜﻪ‬
‫ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮد‪.‬‬
‫• ﺑﺮاي اﻫﺪاف ﻋﻤﻠﻴﺎﺗﻲ اﺑﻘﺎ ﻣﻲ‬
‫ﺷﻮد‬
‫ﺷﻜﻞ ‪ 8-2‬ﻣﻌﻤﺎري ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻧﻮﻋﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫• ﺑﺎزﻧﻤﺎﻳﻲ و اﺳﺘﻔﺎده داده ‪+‬‬
‫ﻛﻨﺘﺮل = داﻧﺶ‬
‫• ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ‬
‫• ﭘﺮدازش ﻫﺎي اﺳﺘﻨﺘﺎﺟﻲ‬
‫• ﻛﻨﺘﺮل ﮔﺴﺘﺮده و ﻣﻘﺪار ﻛﻢ داده‬
‫ﺑﺎ ﻫﻢ ﻧﮕﻪ داري ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫)ﺟﺪول ‪:(8-3‬‬
‫ﭘﺎﻳﮕﺎه داﻧﺶ‬
‫• اﻃﻼﻋﺎت در ﺳﻄﺢ ﺑﺎﻻﺗﺮي از‬
‫ﺗﺠﺮد ﻗﺮار دارﻧﺪ‪.‬‬
‫• ﺑﻴﺸﺘﺮ ﺑﺮ روي ﻛﻼﺳﻲ از اﺷﻴﺎ‬
‫ﻋﻤﻠﻴﺎت اﻧﺠﺎم ﻣﻲ دﻫﺪ ﺗﺎ ﻳﻚ‬
‫ﺷﺊ واﺣﺪ‬
‫• از ﻗﺪرت اﺳﺘﻨﺘﺎﺟﻲ ﺑﻬﺮه ﻣﻨﺪ‬
‫اﺳﺖ‬
‫• ﺑﺎزﻧﻤﺎﻳﻲ ﺑﻪ وﺳﻴﻠﻪ ﻣﻨﻄﻖ ‪ ,‬ﻗﻮاﻧﻴﻦ‬
‫ﻳﺎ ﻓﺮﻳﻢ ﻫﺎ ﻳﺎ ﻣﺴﺘﻨﺪات ﻳﺎ ﺷﺒﻜﻪ‬
‫ﻫﺎي ﻣﻌﻨﺎﻳﻲ اﻧﺠﺎم ﻣﻲ ﺷﻮد‪.‬‬
‫• ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﺗﺤﻠﻴﻞ داه ﻫﺎ‬
‫و ﺑﺮﻧﺎﻣﻪ رﻳﺰي‬
 ‫‪116‬‬

‫) ﺷﻜﻞ ‪ (8-2‬ﺳﺎﺧﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‬

‫‪ 3-8‬ﺧﺼﻮﺻﻴﺎت اوﻟﻴﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‬

‫ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺎﻳﺪ ﻣﻮارد زﻳﺮ را داﺷﺘﻪ ﺑﺎﺷﺪ‪:‬‬
‫‪ (1‬ﻣﺘﺨﺼﺼﻲ ﻛﻪ ﺑﺎﻳﺪ ﻛﺎراﻳﻲ ﺗﺨﺼﺼﻲ و ﻛﺎرﺷﻨﺎﺳﺎﻧﻪ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬آﻧﻬﺎ ﺑﺎﻳﺪ ﺻﺎﺣﺐ‬
‫درﺟﻪ ﺑﺎﻻﻳﻲ از ﻣﻬﺎرت ﺑﺎﺷﻨﺪ و ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﻗﺪرﺗﻤﻨﺪ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ (2‬ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ داﻧﺶ آﻧﻬﺎ ﺳﻤﺒﻮﻟﻴﻚ اﺳﺖ ‪ ,‬اﺳﺘﺪﻻل ﺳﻤﺒﻮﻟﻴﻚ را اﺟﺮا ﻛﻨﻨﺪ‪.‬‬
‫‪ (3‬آﻧﻬﺎ ﺑﺎﻳﺪ ﻗﺎدر ﺑﺎﺷﻨﺪ ﻗﻮاﻧﻴﻦ ﭘﻴﭽﻴﺪه را اﺳﺘﻔﺎده ﻛﻨﻨﺪ و داﻣﻨﻪ ﻫﺎي ﻣﺸﻜﻞ ﻣﺴﺎﺋﻞ را اداره‬
‫ﻛﻨﻨﺪ‪.‬‬
‫‪ self-knowledge (4‬آﻧﻬﺎ ﺑﺎﻳﺪ ﻗﺎدر ﺑﻪ ﺗﺴﺖ و اﻣﺘﺤﺎن ﻛﺮدن ﻗﺪرت اﺳﺘﺪﻻل ﺧﻮد‬
‫ﺑﺎﺷﻨﺪ و ﺑﺘﻮاﻧﻨﺪ ﻋﻤﻠﻴﺎت ﺧﻮد را ﺗﻮﺿﻴﺢ دﻫﻨﺪ‪.‬‬
‫ﻣﻴﺰان ﻣﻔﻴﺪ ﺑﻮدن ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﺴﺘﻘﻴﻤﺎ" واﺑﺴﺘﻪ ﺑﻪ ﻛﻴﻔﻴﺖ داﻧﺶ آﻣﺎده ﺷﺪه ﺗﻮﺳﻂ‬
‫ﻃﺮاﺣﺎن اﺳﺖ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﺑﻪ ﺻﻮرت ﺑﺎزﮔﺸﺘﻲ ﺗﺼﻔﻴﻪ و ﻣﻌﺘﺒﺮ‬
‫ﺷﻮد‪.‬‬
‫‪ 4-8‬ﺗﺎرﻳﺨﺠﻪ ﻣﺨﺘﺼﺮي درﺑﺎره ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
‫در ﻛﻨﻔﺮاﻧﺲ ﻣﻌﺘﺒﺮ و ﺑﻴﻦ اﻟﻤﻠﻠﻲ در زﻣﻴﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﺳﺎل ‪ , 1977‬ﭘﺮﻓﺴﻮر‬
‫ﻓﺎﻳﮕﻦ ﺑﺎم ‪ ,‬در ﻳﻚ ﻣﻘﺎﻟﻪ ‪ ,‬ﻛﻠﻴﺪ ﺑﻴﻨﺶ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه را اراﺋﻪ داد‪ ":‬ﻗﺪرت ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه ﺑﻪ دﻟﻴﻞ اﺷﺘﻘﺎق از داﻧﺸﻲ اﺳﺖ ﻛﻪ دارا ﻣﻲ ﺑﺎﺷﺪ ﻧﻪ از ﻳﻚ ﻓﺮﻣﺎﻟﻴﺴﻢ ﺧﺎص ﻳﺎ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪117‬‬

‫ﺗﻤﻬﻴﺪات اﺳﺘﻨﺘﺎﺟﻲ"‬
‫در ﺳﺎﻟﻬﺎي ﻧﺨﺴﺖ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ,‬ﺗﺼﻮر ﻣﻲ ﺷﺪ ﻛﻪ ﻫﻤﺮاه ﻛﺮدن ﭼﻨﺪ ﻗﺎﻧﻮن اﺳﺘﺪﻻل‬
‫ﺑﺎ ﻳﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻗﺪرﺗﻤﻨﺪ ﻣﻲ ﺗﻮاﻧﺪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه اي ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﻛﻪ ﻗﺎدر ﺑﻪ اداره ﻫﺮ ﻧﻮع‬
‫ﻣﺴﺌﻠﻪ اي در ﻫﺮ ﺣﻮزه اي ﺑﺎﺷﺪ‪.‬ﻣﺎﻧﻨﺪ )‪. (GPS=General Problem Solver‬ﺑﺎ‬
‫اﻓﺰاﻳﺶ ﺗﺠﺮﺑﻪ در اﻳﻦ زﻣﻴﻨﻪ ‪ ,‬ﻗﺪرت ﺷﺪﻳﺪا" ﻣﺤﺪود ‪ ،GPS‬در ﻧﻬﺎﻳﺖ ﻣﻨﺠﺮ ﺑﻪ درك‬
‫اﻳﻦ ﻣﻮﺿﻮع ﺷﺪ ﻛﻪ ‪ GPS‬ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪه ﺑﺴﻴﺎر ﺿﻌﻴﻒ اﺳﺖ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ‬
‫ﻛﺎرﺷﻨﺎﺳﺎن ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﺧﺖ ﺣﻞ ﻛﻨﻨﺪه ﻫﺎي ﻋﻤﻮﻣﻲ ﻣﺴﺎﺋﻞ‪ ،‬ﺑﻴﺸﺘﺮ ﺷﺮوع ﺑﻪ ﺗﻔﻜﺮ در‬
‫زﻣﻴﻨﻪ ﻣﺴﺎﺋﻞ ﺑﺎ داﻣﻨﻪ ﻫﺎي ﻣﺤﺪودﺗﺮي ﻧﻤﻮدﻧﺪ‬
‫در اواﺳﻂ دﻫﻪ ‪ , 70‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﻣﺘﻌﺪدي ﭘﺪﻳﺪار ﺷﺪﻧﺪ‪.‬ﺗﻌﺪاد ﻣﺤﺪودي از ﻣﺤﻘﻘﺎن‬
‫ﻛﻪ ﻧﻘﺶ اﺻﻠﻲ داﻧﺶ در اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ را ﻣﺘﻮﺟﻪ ﺑﻮدﻧﺪ ﺷﺮوع ﺑﻪ ﺗﻼﺷﻬﺎﻳﻲ ﺑﺮاي ﺗﻮﺳﻌﻪ‬
‫ﺗﺌﻮري ﻫﺎي ﺟﺎﻣﻊ ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ و ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻣﻨﻈﻮره ﻧﻤﻮدﻧﺪ‪.‬آﻧﻬﺎ ﻧﻴﺰ ﻣﻮﻓﻖ‬
‫ﻧﺸﺪﻧﺪ ﺑﻪ اﻳﻦ دﻟﻴﻞ ﻛﻪ داﻧﺶ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﻪ وﺳﻴﻠﻪ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺘﻨﺎﻫﻲ ﺗﺴﺨﻴﺮ ﺷﻮد زﻳﺮا‬
‫ﻛﻪ داﻧﺶ ﺑﺴﻴﺎر ﻣﺘﻨﻮع و ﮔﺴﺘﺮده اﺳﺖ‪.‬‬
‫از ﺳﻮي دﻳﮕﺮ رﻫﻴﺎﻓﺖ ﻫﺎي ﻣﺨﺘﻠﻒ دﻳﮕﺮي ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ در آﻣﺪﻧﺪ ﻛﻪ ﺑﺮاي ﺣﻞ‬
‫ﻣﺴﺎﺋﻞ در زﻣﻴﻨﻪ ﻫﺎي ﺧﺎﺻﻲ ﻃﺮاﺣﻲ ﺷﺪه ﺑﻮدﻧﺪ‪.‬‬

‫‪ 1-4-8‬ﻣﻨﻈﻮر ﻣﺎ از داﻧﺶ در ﻳﻚ داﻣﻨﻪ ﭼﻴﺴﺖ؟‬

‫در ﻳﻚ ﻧﮕﺎه ﻣﺠﺮد وﻋﻤﻮﻣﻲ ‪ ,‬داﻧﺶ ﺷﺎﻣﻞ ﺗﻮﺻﻴﻔﺎت ‪ ,‬ارﺗﺒﺎﻃﺎت و روﻳﻪ ﻫﺎ در ﻳﻚ زﻣﻴﻨﻪ‬
‫ﻣﻮرد ﻋﻼﻗﻪ اﺳﺖ‪.‬‬
‫ﺗﻮﺻﻴﻔﺎت در ﻳﻚ زﻣﻴﻨﻪ داﻧﺶ ﻛﻪ اﺷﻴﺎ و ﻛﻼﺳﻬﺎ را ﺷﻨﺎﺳﺎﻳﻲ و ﺗﻤﻴﻴﺰ ﻣﻲ دﻫﺪ ‪ ,‬ﺷﺎﻣﻞ‬
‫ﺟﻤﻼت ﺑﻪ ﻳﻚ زﺑﺎن ﺧﺎص اﺳﺖ ‪.‬زﺑﺎن ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت ﻳﻚ ﺳﻴﺴﺘﻢ رﺳﻤﻲ ﻣﺎﻧﻨﺪ‬
‫ﻣﻨﻄﻖ ﻛﻼﺳﻴﻚ )ﻣﺎﻧﻨﺪ ﻣﻨﻄﻖ ﺣﺴﺎب ﮔﺰاره اي ‪ ,‬ﺣﺴﺎب ﻣﺴﻨﺪي ﻳﺎ ﺧﺒﺮي( ﺑﺎﺷﺪﻃﻮري‬
‫ﻛﻪ ﻫﺮ ﻣﻮﺟﻮدﻳﺖ ﺧﻮش ﺗﺮﻛﻴﺐ اﺳﺖ و ﻳﻚ ﻋﻼﻣﺖ ﺗﻔﻜﻴﻚ ﻣﻌﻨﺎﻳﻲ ﻣﺸﺨﺺ دارد ﻳﺎ‬
‫زﺑﺎن اﺻﻼح ﺷﺪه ﻫﻤﺎﻧﻄﻮر ﻛﻪ در ﻣﻨﻄﻖ ﻏﻴﺮ رﺳﻤﻲ وﺟﻮد دارد ﻣﺎﻧﻨﺪ ﻣﻨﻄﻖ ﻗﺮاردادي ‪,‬‬
‫ﻣﻨﻄﻖ ﻣﺪل ‪ ,‬ﻣﻨﻄﻖ ﻏﻴﺮ ﻳﻜﻨﻮاﺧﺖ ‪ ,‬ﻣﻨﻄﻖ اﺣﺘﻤﺎﻻﺗﻲ و ﻣﻨﻄﻖ ﺷﻮﻻ ﻳﺎ ‪ fuzzy‬اﺳﺖ ﻛﻪ‬
‫ﻫﻤﮕﻲ از ﻣﻨﻄﻖ ﻛﻼﺳﻴﻚ ﻣﺸﺘﻖ ﺷﺪه اﻧﺪ‪.‬ﻫﻤﻴﻦ ﻃﻮر ﺑﻪ وﺳﻴﻠﻪ اﺿﺎﻓﻪ ﻧﻤﻮدن ﻗﻮاﻧﻴﻦ‬
‫اﺳﺘﺪﻻﻟﻲ ﺧﺎص ﻳﺎ ﺑﻪ وﺳﻴﻠﻪ ﭘﻴﻮﺳﺘﻦ ﻳﻚ ﻣﺪل ﻛﺎﻧﻮﻧﻴﻜﺎل‪.‬ﻫﺮ ﺳﻴﺴﺘﻤﻲ داراي ﻓﻮاﻳﺪ و‬
‫ﻋﻴﻮب ﺧﺎص ﺧﻮدش اﺳﺖ و ﻫﻴﭻ ﻛﺪام از آﻧﻬﺎ ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ ﻛﻞ داﻣﻨﻪ داﻧﺶ ﺑﻪ اﻧﺪازه‬
 ‫‪118‬‬

‫ﻛﺎﻓﻲ ﻣﻨﺎﺳﺐ ﻧﻴﺴﺘﻨﺪ‪.‬‬

‫ﻫﻤﭽﻨﻴﻦ ارﺗﺒﺎﻃﺎت ﺧﺎﺻﻲ ﻣﻴﺎن اﻳﻦ ﺗﻮﺻﻴﻔﺎت در ﻳﻚ زﻣﻴﻨﻪ داﻧﺶ وﺟﻮد دارد ‪.‬اﻳﻦ‬
‫ﻣﻮﺿﻮع واﺑﺴﺘﮕﻲ ﻫﺎ و ﺗﺠﻤﻊ ﻣﻴﺎن ﻣﻮﺟﻮدﻳﺖ ﻫﺎ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ ‪.‬اﻳﻦ ارﺗﺒﺎﻃﺎت ﻧﻮﻋﺎ"‬
‫ﻣﻲ ﺗﻮاﻧﻨﺪ ﭘﻴﻮﺳﺘﮕﻲ ﻫﺎي رده ﺑﻨﺪي ﺷﺪه‪ ,‬ﺗﻌﺮﻳﻔﻲ ﻳﺎ ﺗﺠﺮﺑﻲ ﺑﺎﺷﻨﺪ‪ .‬از ﺳﻮي دﻳﮕﺮ روﻳﻪ‬
‫ﻫﺎ ‪ ,‬ﻋﻤﻠﻴﺎت ﻗﺎﺑﻞ اﺟﺮا ﺑﺮ روي اﻳﻦ ﻣﻮﺟﻮدﻳﺖ ﻫﺎ را در ﻫﻨﮕﺎم ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﺸﺨﺺ‬
‫ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫در ﻋﻤﻞ‪ ،‬داﻧﺶ در ﻳﻚ ﻓﺮم ﻧﺎﮔﻬﺎﻧﻲ ﭘﺪﻳﺪار ﻧﻤﻲ ﺷﻮد ﺑﻠﻜﻪ ﺑﻪ زﻳﺒﺎﻳﻲ ﺑﺎ ﻋﻨﺎوﻳﻦ ﻣﺠﺮدي‬
‫ﺗﻄﺎﺑﻖ ﻣﻲ ﻳﺎﺑﺪ‪.‬داﻧﺶ ﻣﺎﻧﻨﺪ ﻳﻚ ﻣﺎده ﺗﺼﻔﻴﻪ ﻧﺸﺪه اﺳﺖ ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻣﻲ ﺗﻮاﻧﺪ در ﺣﻮزه‬
‫ﻋﻠﻮم ﺗﺠﺮﺑﻲ ﻫﻤﺎﻧﻨﺪ ﺗﺸﺨﻴﺺ ﻫﺎي ﭘﺰﺷﻜﻲ ‪ ,‬زﻣﻴﻦ ﺷﻨﺎﺳﻲ و ﻏﻴﺮه ﺑﺎﺷﺪ‪.‬ﺟﺎﻳﻲ ﻛﻪ ﺑﺮاي‬
‫ﻳﻚ داده ﻣﺸﺎﻫﺪه ﺷﺪه ﻣﻲ ﺗﻮاﻧﺪ دﻻﻳﻞ زﻳﺎدي وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ‬
‫ﻓﺮم ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ ) اﻛﺘﺸﺎﻓﻲ( ‪ ,‬ﻣﺤﺪودﻳﺖ دار و ﺗﻨﻈﻴﻤﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻫﻨﺮ ﺟﻤﻊ آوري و ﭘﺮدازش داﻧﺶ ‪ ,‬ﻣﻬﻨﺪﺳﻲ داﻧﺶ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ .‬ارزﻳﺎﺑﻲ ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه در ﺷﻜﻞ ‪ 8-3‬آﻣﺪه اﺳﺖ‪.‬‬

‫)ﺷﻜﻞ ‪ ( 8-3‬ﺗﻮﺳﻌﻪ در ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬

‫‪ 5-8‬ﻣﻬﻨﺪﺳﻲ داﻧﺶ‬
‫ﻣﻬﻨﺪﺳﻲ داﻧﺶ ﻳﻚ ﻧﺎم ﺑﻲ ﻣﺴﻤﻲ اﺳﺖ و ﺑﺎﻳﺪ ﺑﻪ ﻫﻨﺮ ﻳﺎ ﻣﻬﺎرت داﻧﺶ ﺗﻐﻴﻴﺮ ﻧﺎم دﻫﺪ‪.‬‬
‫آن ﺑﻪ ﺻﻮرت ﮔﺴﺘﺮده ﺷﺎﻣﻞ‪:‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ و ادراك ﻣﺴﺌﻠﻪ اﺳﺖ ‪ .‬ادراك ﺑﻪ ﻣﻌﻨﻲ ﺷﻨﺎﺳﺎﻳﻲ ﻣﻔﺎﻫﻴﻢ ﻛﻠﻴﺪي ‪ ,‬راﺑﻄﻪ ﻫﺎ ‪,‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪119‬‬

‫روﻳﻪ ﻫﺎ و ﻣﻮارد وﻳﮋه اﺳﺖ‪.‬‬

‫رﺳﻤﻲ ﺳﺎزي ‪ ,‬اﺟﺮا و آزﻣﺎﻳﺶ اﺳﺖ‪.‬‬

‫‪ 1-5-8‬ﻣﺮاﺣﻞ اﻛﺘﺴﺎب داﻧﺶ‬

‫ﺣﺼﻮل داﻧﺶ از ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻔﻲ از ﻗﺒﻴﻞ ﻛﺎرﺷﻨﺎﺳﺎن ‪ ,‬ﻛﺘﺎب ﻫﺎ و ﻏﻴﺮه اﺳﺖ ﻛﻪ در آن‬
‫ﻣﻬﻨﺪس داﻧﺶ ﺑﻪ واﺳﻄﻪ ﭼﻨﺪﻳﻦ ﻣﺮﺣﻠﻪ و ﻃﺒﻘﻪ ﻗﺒﻞ از ﺗﻮﻟﻴﺪ و ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺷﺮح‬
‫داده ﺷﺪه در ﺷﻜﻞ ‪ 8-4‬ﭘﻴﺶ ﻣﻲ رود‪.‬اﻳﻦ ﻣﺮاﺣﻞ ﺣﻘﻴﻘﺘﺎ" ﻳﻚ ﺗﻮﺻﻴﻒ درﺷﺖ از ﻳﻚ‬
‫ﻓﻌﺎﻟﻴﺖ ﭘﻴﭽﻴﺪه و ﺳﺎﺧﺘﺎر ﺿﻌﻴﻒ اﺳﺖ ﻛﻪ در ﻃﻮل اﻛﺘﺴﺎب داﻧﺶ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‬

‫)ﺷﻜﻞ ‪ (8-4‬ﻣﺮاﺣﻞ اﻛﺘﺴﺎب داﻧﺶ‬

‫آﻧﻬﺎ از ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﺑﻪ ﻳﻚ ﻣﻮﻗﻌﻴﺖ دﻳﮕﺮ ﻓﺮق ﻣﻲ ﻛﻨﻨﺪ‪.‬ﻓﻌﺎﻟﻴﺖ ﻫﺎ ﺑﻪ‬

‫ﺻﻮرت ﮔﺴﺘﺮده ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت زﻳﺮ رده ﺑﻨﺪي ﺷﻮﻧﺪ‪:‬‬
‫ﻣﺮﺣﻠﻪ ﺷﻨﺎﺳﺎﻳﻲ‪:‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﺷﺮﻛﺖ ﻛﻨﻨﺪﮔﺎن و ﻧﻘﺶ آﻧﻬﺎ ‪ :‬ﻗﺒﻞ از اﻳﻨﻜﻪ اﻛﺘﺴﺎب و اﺳﺘﻔﺎده از داﻧﺶ آﻏﺎز‬
‫ﮔﺮدد‪ ,‬اﺑﺘﺪا ﺑﺎﻳﺪ ﺷﺮﻛﺖ ﻛﻨﻨﺪﮔﺎن و ﻧﻘﺶ ﻫﺮ ﻳﻚ از آﻧﻬﺎ اﻧﺘﺨﺎب و ﺷﺮح داده ﺷﻮد‬
‫‪.‬ﻣﺘﺪاول ﺗﺮﻳﻦ ﺳﻨﺎرﻳﻮ ﺷﺎﻣﻞ ﻋﻤﻞ ﻣﺘﻘﺎﺑﻞ ﺑﻴﻦ ﻳﻚ ﻛﺎرﺷﻨﺎس در ﻳﻚ زﻣﻴﻨﻪ ﺧﺎص و ﻳﻚ‬
‫ﻣﻬﻨﺪس داﻧﺶ اﺳﺖ‪.‬ﻛﺎرﺷﻨﺎس ﺣﻮزه ﻳﺎ داﻣﻨﻪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻓﺮد ﻣﻄﻠﻊ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ ﻛﻪ‬
‫ﺑﻪ ﻣﻬﻨﺪس داﻧﺶ در ﻣﻮرد داﻧﺶ و ﺗﺨﺼﺺ اش ﺗﻮﺿﻴﺢ ﻣﻲ دﻫﺪ‪ .‬ﻓﺮاﻳﻨﺪ اﻛﺘﺴﺎب‬
‫واﺳﺘﻔﺎده از داﻧﺶ ﻣﻲ ﺗﻮاﻧﺪ ﺷﺎﻣﻞ ﺷﺮﻛﺖ ﻛﻨﻨﺪﮔﺎن دﻳﮕﺮي ﻧﻴﺰ ﺑﺎﺷﺪ‪.‬ﻣﻤﻜﻦ اﺳﺖ ﭼﻨﺪﻳﻦ‬
‫ﻛﺎرﺷﻨﺎس داﻣﻨﻪ ﻳﺎ ﺣﻮزه ﻣﺨﺘﻠﻒ ‪ ,‬ﭼﻨﺪﻳﻦ ﻣﻬﻨﺪس داﻧﺶ و ﺣﺘﻲ ﭼﻨﺪﻳﻦ ﻛﺎرﺷﻨﺎس‬
 ‫‪120‬‬

‫اﻧﻀﺒﺎﻃﻲ در آﻧﺠﺎ ﺣﻀﻮر داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬

‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﺴﺌﻠﻪ‪:‬‬
‫زﻣﺎﻧﻲ ﻛﻪ ﺷﺮﻛﺖ ﻛﻨﻨﺪﮔﺎن اﻧﺘﺨﺎب ﺷﺪﻧﺪ‪ ,‬ﻣﻬﻨﺪس داﻧﺶ و ﻛﺎرﺷﻨﺎس ﺣﻮزه ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﺴﺌﻠﻪ ﻣﻮرد ﻧﻈﺮ ﺑﭙﺮدازﻧﺪ‪.‬اﻳﻦ ﻛﺎر ﺷﺎﻣﻞ ﻳﻚ ﻣﺒﺎدﻟﻪ ﻏﻴﺮ رﺳﻤﻲ دﻳﺪﮔﺎﻫﻬﺎ از‬
‫ﻣﻨﻈﺮﻫﺎي ﻣﺘﻔﺎوت ﻳﻚ ﻣﺴﺌﻠﻪ اﺳﺖ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺗﻮﺻﻴﻔﺎت آن ‪ ,‬ﺧﺼﻮﺻﻴﺎت و‬
‫زﻳﺮﻣﺴﺌﻠﻪ ﻫﺎﺳﺖ ‪.‬ﺑﻪ ﻣﻨﻈﻮر ﺷﻨﺎﺳﺎﻳﻲ ﻳﻚ ﻣﺴﺌﻠﻪ ‪ ،‬ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ ﺳﺆاﻻت زﻳﺮ ﻣﻬﻢ اﺳﺖ‪:‬‬
‫از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اﻧﺘﻈﺎر ﺣﻞ ﻣﺴﺎﺋﻞ در ﭼﻪ ﻛﻼﺳﻲ ﻣﻲ رود؟‬ ‫•‬
‫• اﻳﻦ ﻣﺴﺎﺋﻞ ﭼﮕﻮﻧﻪ ﺗﺸﺮﻳﺢ و ﺗﻮﺻﻴﻒ ﺧﻮاﻫﻨﺪ ﺷﺪ؟‬
‫• زﻳﺮ ﻣﺴﺌﻠﻪ ﻫﺎي ﻣﻬﻢ و ﺟﺰءﺑﻨﺪي ﻫﺎي وﻇﺎﺋﻒ ﻛﺪام ﻫﺎ ﻫﺴﺘﻨﺪ؟‬
‫• داده ﻫﺎي در دﺳﺘﺮس ﻛﺪاﻣﻨﺪ؟‬
‫• ﻣﻔﺎﻫﻴﻢ ﻣﻬﻢ و رواﺑﻂ ﻣﺸﺘﺮك دروﻧﻲ ﻛﺪام ﻫﺎ ﻫﺴﺘﻨﺪ؟‬
‫• ﭼﻪ ﻧﻮع راه ﺣﻞ ﻫﺎﻳﻲ ﻣﻮرد ﻧﻴﺎز ﻫﺴﺘﻨﺪ؟‬
‫• ﻣﺘﺨﺼﺼﻴﻦ اﻧﺴﺎﻧﻲ در ﭼﻪ ﺣﻮزه ﻫﺎﻳﻲ ﻣﻮرد ﻧﻴﺎز ﻫﺴﺘﻨﺪ؟‬

‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﻨﺎﺑﻊ‪:‬‬
‫ﻣﻨﺎﺑﻊ ﺑﻪ ﻣﻨﻈﻮر اﻛﺘﺴﺎب داﻧﺶ‪ ,‬ﭘﻴﺎده ﺳﺎزي ﺳﻴﺴﺘﻢ و ﻫﻤﭽﻨﻴﻦ آزﻣﺎﻳﺶ آن ﻣﻮرد ﻧﻴﺎز‬
‫ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻣﻨﺎﺑﻊ ﻧﻤﻮﻧﻪ اي ﺷﺎﻣﻞ ﻣﻨﺎﺑﻊ داﻧﺶ‪ ,‬زﻣﺎن ‪ ,‬اﻣﻜﺎﻧﺎت ﻣﺤﺎﺳﺒﻪ و ﭘﻮل ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ اﻫﺪاف‪:‬‬
‫اﺣﺘﻤﺎﻻ" ﻛﺎرﺷﻨﺎﺳﺎن داﻣﻨﻪ ‪ ,‬ﺷﻨﺎﺳﺎﻳﻲ اﻫﺪاف را در ﺳﺎﺧﺖ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه در ﺣﻴﻦ‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﺴﺌﻠﻪ اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪.‬ﺑﻪ ﻫﺮ ﺣﺎل ﻣﻔﻴﺪ ﺧﻮاﻫﺪ ﺑﻮد اﮔﺮ اﻫﺪاف را از وﻇﺎﻳﻒ‬
‫ﺧﺎص ﺟﺪا ﻛﻨﻴﻢ‪.‬ﺑﻪ اﻳﻦ دﻟﻴﻞ ﻛﻪ آﻧﻬﺎ ﻣﺤﺪودﻳﺘﻬﺎ و ﻗﻴﻮد اﺿﺎﻓﻲ ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﻨﺪ ﻛﻪ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﺑﺮاي ﺗﻮﺻﻴﻒ ﺷﺮاﻳﻂ ﻣﻄﻠﻮب واﻣﻜﺎن و ﺷﺪﻧﻲ ﺑﻮدن ﻳﻚ رﻫﻴﺎﻓﺖ ﺧﺎص ﻣﻔﻴﺪ‬
‫ﺑﺎﺷﻨﺪ‪.‬‬

‫ﻣﺮﺣﻠﻪ ادراك‪:‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪121‬‬

‫در اﻳﻦ ﻣﺮﺣﻠﻪ ﻣﻔﺎﻫﻴﻢ ﻛﻠﻴﺪي و رواﺑﻂ ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه در ﻣﺮاﺣﻞ ﻗﺒﻠﻲ ‪ ,‬ﺑﻪ ﺻﻮرت واﺿﺢ‬
‫ﺗﺮي ﺗﻮﺻﻴﻒ ﻣﻲ ﺷﻮﻧﺪ‪.‬ﺳﺌﻮاﻻﺗﻲ ﻛﻪ در اﻳﻦ ﻣﺮﺣﻠﻪ ﺑﺎﻳﺪ ﭘﺎﺳﺦ ﮔﻔﺘﻪ ﺷﻮد ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫• ﭼﻪ ﻧﻮع داده ﻫﺎﻳﻲ در اﻳﻦ ﻣﺮﺣﻠﻪ در دﺳﺘﺮس ﻫﺴﺘﻨﺪ؟‬
‫• ﭼﻪ ﭼﻴﺰي داده ﺷﺪه و ﭼﻪ ﭼﻴﺰي ﺑﺎﻳﺪ اﺳﺘﻨﺘﺎج ﺷﻮد؟‬
‫• آﻳﺎ زﻳﺮ وﻇﺎﻳﻒ داراي ﻧﺎم ﺧﺎﺻﻲ ﻫﺴﺘﻨﺪ؟‬
‫• آﻳﺎ اﺳﺘﺮاﺗﮋي ﻫﺎ داراي ﻧﺎم ﺧﺎﺻﻲ ﻫﺴﺘﻨﺪ؟‬
‫• آﻳﺎ ﻓﺮﺿﻴﻪ ﻫﺎي ﺟﺰﺋﻲ ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ وﺟﻮد دارﻧﺪ ﻛﻪ ﺑﻪ ﻃﻮر ﻣﺘﺪاول اﺳﺘﻔﺎده‬
‫ﻣﻲ ﺷﻮﻧﺪ؟اﮔﺮ وﺟﻮد دارﻧﺪ ﻛﺪام ﻫﺎ ﻫﺴﺘﻨﺪ؟‬
‫• آﻳﺎ ﻣﻲ ﺗﻮاﻧﻴﺪ ﻣﻔﺎﻫﻴﻢ و راﺑﻄﻪ ﻫﺎ را ﺑﻪ ﺻﻮرت دﻳﺎﮔﺮام ﻧﻤﺎﻳﺶ دﻫﻴﺪ؟‬
‫• ﻣﺤﺪودﻳﺖ ﻫﺎي ﻣﻮﺟﻮد در اﻳﻦ ﭘﺮوﺳﻪ ﻫﺎ ﻛﺪاﻣﻨﺪ؟‬
‫• اﻟﮕﻮي ﺟﺮﻳﺎن اﻃﻼﻋﺎت ﭼﻴﺴﺖ؟‬

‫اﻳﻦ ﻣﺮﺣﻠﻪ ﻫﻤﺎﻧﻨﺪ ﺑﻘﻴﻪ ﻣﺮاﺣﻞ ﺷﺎﻣﻞ ﺗﺮاﻛﻨﺶ ﻫﺎي ﺗﻜﺮاري ﺑﻴﻦ ﻣﻬﻨﺪﺳﻲ داﻧﺶ و‬
‫ﻛﺎرﺷﻨﺎس داﻣﻨﻪ اﺳﺖ‪.‬‬

‫ﻣﺮﺣﻠﻪ رﺳﻤﻲ ﺳﺎزي‪:‬‬

‫ﻓﺮاﻳﻨﺪ رﺳﻤﻲ ﺳﺎزي ﺷﺎﻣﻞ ﻧﮕﺎﺷﺖ ﻣﻔﺎﻫﻴﻢ ﻛﻠﻴﺪي ‪ ,‬زﻳﺮﻣﺴﺎﺋﻞ ‪ ,‬ﺧﺼﻮﺻﻴﺎت ﺟﺮﻳﺎن‬
‫اﻃﻼﻋﺎﺗﻲ در ﺣﻴﻦ ﻣﺮﺣﻠﻪ ادراك ﺑﻪ ﺣﺎﻟﺖ ﻧﻤﺎﻳﺶ و ﺑﺎزﻧﻤﺎﻳﻲ رﺳﻤﻲ ﺗﺮي ﺑﺮ اﺳﺎس‬
‫اﺑﺰارﻫﺎي ﻣﺘﻨﻮع ﻣﻬﻨﺪﺳﻲ داﻧﺶ ﻳﺎ ﭼﺎرﭼﻮب ﻫﺎ ﻣﻲ ﺑﺎﺷﺪ‪.‬ﻣﻬﻨﺪس داﻧﺶ اﻛﻨﻮن ﻧﻘﺶ‬
‫ﻏﺎﻟﺐ را در ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺮ ﻋﻬﺪه دارد‪.‬در اﻳﻦ ﻣﺮﺣﻠﻪ‪ ,‬ﻣﻬﻨﺪس داﻧﺶ ﺑﺎﻳﺪ ﻳﻚ‬
‫ﭘﻮﺳﺘﻪ ﻣﻨﺎﺳﺐ را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﺪ ﻛﻪ ﺑﺮاي ﻣﺴﺌﻠﻪ ي در دﺳﺖ ﻣﻨﺎﺳﺒﺘﺮﻳﻦ ﺑﺎﺷﺪ ‪.‬ﻗﺎﻟﺐ‬
‫ﻧﻤﺎﻳﺶ داﻧﺶ ‪ ,‬اﻧﻮاع داده ﻫﺎي آﻣﺎده ‪ ,‬اﺳﺘﺮاﺗﮋي اﺳﺘﻨﺘﺎج و ﻏﻴﺮه ﺑﺎﻳﺪ ﻛﺎﻣﻼ" ﺑﺎ‬
‫ﺧﺼﻮﺻﻴﺎت ﻣﺴﺌﻠﻪ ﻣﻨﻄﺒﻖ ﺑﺎﺷﺪ‪.‬ﺳﻪ ﻋﺎﻣﻞ ﻣﻬﻢ در ﻓﺮاﻳﻨﺪ رﺳﻤﻲ ﺳﺎزي ﻋﺒﺎرﺗﻨﺪ از ‪(1 :‬‬
‫ﻓﻀﺎي ﻓﺮﺿﻴﻪ ‪ (2‬ﻣﺪل اﺻﻮﻟﻲ ﻓﺮاﻳﻨﺪ ‪ (3‬ﺧﺼﻮﺻﻴﺎت داده ﻫﺎ ‪ .‬ﺑﺮاي ﻓﻬﻢ ﺳﺎﺧﺘﺎر ﻓﻀﺎي‬
‫ﻓﺮﺿﻴﻪ ‪ ,‬ﻣﻔﺎﻫﻴﻢ ﺑﺎﻳﺪ رﺳﻤﻲ ﺳﺎزي ﺷﺪه و در ﻣﻮرد ﭼﮕﻮﻧﮕﻲ اﺗﺼﺎل آﻧﻬﺎ ﺑﻪ ﻓﺮم ﻓﺮﺿﻴﻪ‬
‫ﻳﺎ ﺷﻨﺎﺳﺎﻳﻲ زﻧﺠﻴﺮه ﻗﻮاﻧﻴﻦ ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﻧﺠﺎم ﺷﻮد ‪.‬ﺳﺎﺧﺘﺎر ﺗﻚ ﺗﻚ ﻣﻔﺎﻫﻴﻢ ﺑﺎﻳﺪ ﻗﻄﻌﻲ‬
‫ﺑﺎﺷﻨﺪ‪.‬‬
 ‫‪122‬‬

‫ﺳﺌﻮاﻻﺗﻲ ﻛﻪ ﺑﺎﻳﺪ ﺑﻪ آﻧﻬﺎ در اﻳﻦ ﻣﺮﺣﻠﻪ ﭘﺎﺳﺦ داده ﺷﻮد ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫• آﻳﺎ ﻣﻔﺎﻫﻴﻢ ‪ ,‬اﺷﻴﺎ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ ﻫﺴﺘﻨﺪ ﻳﺎ ﻣﻮﺟﻮدﻳﺖ ﻫﺎي اﺑﺘﺪاﻳﻲ ﻣﻲ ﺑﺎﺷﻨﺪ؟‬
‫• آﻳﺎ رواﺑﻂ ﺳﺒﺒﻲ ﻳﺎ رواﺑﻂ واﺑﺴﺘﻪ ﺑﻪ ﻓﻀﺎ و زﻣﺎن ﻣﻴﺎن ﻣﻔﺎﻫﻴﻢ ﻣﻬﻢ اﺳﺖ؟‬
‫• آﻳﺎ ﻣﻔﺎﻫﻴﻢ و ﻓﻀﺎي ﻓﺮﺿﻴﻪ‪ ،‬ﻣﺘﻨﺎﻫﻲ ﻫﺴﺘﻨﺪ ﻳﺎ ﺧﻴﺮ؟‬
‫• آﻳﺎ ﺗﺮدﻳﺪﻫﺎ ﻳﺎ ﻋﻨﺎﺻﺮ ﻗﺎﺑﻞ داوري ﻣﺮﺗﺒﻂ ﺑﺎ ﻓﺮﺿﻴﻪ ﻫﺎي ﻧﻬﺎﻳﻲ ﻳﺎ ﻣﻴﺎﻧﻲ وﺟﻮد‬
‫دارﻧﺪ؟‬
‫• آﻳﺎ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺐ ﻓﺮﺿﻴﻪ ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮﻧﺪ ﻳﺎ ﺧﻴﺮ؟) آﻳﺎ ﺳﻄﻮح ﭼﻨﺪﮔﺎﻧﻪ از‬
‫ﺗﺠﺮد ﻣﻮرد ﻧﻴﺎز اﺳﺖ؟(‬
‫• آﻳﺎ ﻧﻮع ﭘﺮدازش ﻛﺎﻣﻼ" واﺑﺴﺘﻪ ﺑﻪ داوري و ﻗﻀﺎوت اﺳﺖ ﻳﺎ واﺑﺴﺘﻪ ﺑﻪ رﻳﺎﺿﻲ‬
‫و ﻗﻀﺎوت اﺳﺖ؟‬
‫• ﻣﺪل داده ﻫﺎ ﺑﻪ ﭘﺎﺳﺦ ﺳﺌﻮاﻻت زﻳﺮ ﺑﺴﺘﮕﻲ دارد‬
‫آﻳﺎ داده ﻫﺎي در دﺳﺘﺮس ﻛﻢ و ﻧﺎﻛﺎﻓﻲ ﻳﺎ ﻓﺮاوان ﻫﺴﺘﻨﺪ؟‬ ‫‪-‬‬
‫آﻳﺎ ﺗﺮدﻳﺪﻫﺎي واﺑﺴﺘﻪ وﺟﻮد دارﻧﺪ؟‬ ‫‪-‬‬
‫آﻳﺎ ﺗﻔﺴﻴﺮ ﻣﻨﻄﻘﻲ داده ﻫﺎ ﺑﻪ ﻣﺮﺗﺒﻪ رﺧﺪاد آﻧﻬﺎ در ﻃﻮل زﻣﺎن ﺑﺴﺘﮕﻲ دارد؟‬ ‫‪-‬‬
‫آﻳﺎ داده ﻫﺎ ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺳﺎزﮔﺎر و ﻛﺎﻣﻞ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻫﺴﺘﻨﺪ؟‬ ‫‪-‬‬

‫ﻣﺮﺣﻠﻪ ﭘﻴﺎده ﺳﺎزي و اﺟﺮا‪:‬‬

‫ﻣﺮﺣﻠﻪ ﭘﻴﺎده ﺳﺎزي و اﺟﺮا ﺷﺎﻣﻞ ﻧﮕﺎﺷﺖ داﻧﺶ رﺳﻤﻲ ﺳﺎزي ﺷﺪه از ﻣﺮﺣﻠﻪ ﻗﺒﻠﻲ ﺑﻪ‬
‫ﭼﺎرﭼﻮب ﺑﺎزﻧﻤﺎﻳﻲ واﺑﺴﺘﻪ ﺑﻪ اﺑﺰار ﻣﻨﺘﺨﺐ ﺑﺮاي ﻣﺴﺌﻠﻪ اﺳﺖ‪ .‬ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ داﻧﺶ در اﻳﻦ‬
‫ﭼﺎرﭼﻮب ﺳﺎزﮔﺎر ‪ ,‬ﻗﺎﺑﻞ ﻗﻴﺎس و ﺳﺎزﻣﺎن ﻳﺎﻓﺘﻪ ﺑﺮاي ﺗﺸﺮﻳﺢ اﻃﻼﻋﺎت ﺧﺎص و ﻛﻨﺘﺮل‬
‫ﺟﺮﻳﺎن اﺳﺖ‪ ,‬ﺑﻨﺎﺑﺮاﻳﻦ اﻳﻦ داﻧﺶ‪ ,‬ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻗﺎﺑﻞ اﺟﺮا ﻣﻲ ﺑﺎﺷﺪ‪.‬ﺣﻮزه ي داﻧﺶ ‪ ,‬ﺑﻪ‬
‫ﻫﻤﺮاه ﺗﻮﺳﻌﻪ ﺳﺎﺧﺘﺎرﻫﺎي داده ‪ ,‬ﻗﻮاﻧﻴﻦ اﺳﺘﻨﺘﺎج و اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل ﺑﺴﻴﺎر آﺷﻜﺎر و روﺷﻦ‬
‫ﻣﻲ ﺷﻮد‪.‬ﺗﻮﺳﻌﻪ ﻧﻤﻮﻧﻪ اوﻟﻴﻪ ﺳﻴﺴﺘﻢ در ﺳﺎﺧﺖ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﻲ ﻧﻬﺎﻳﺖ ﻣﻬﻢ ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺮﺣﻠﻪ ﺗﺴﺖ‪:‬‬
‫ﻣﺮﺣﻠﻪ ﺗﺴﺖ ﺷﺎﻣﻞ ارزﻳﺎﺑﻲ ﻧﻤﻮﻧﻪ اوﻟﻴﻪ ﺳﻴﺴﺘﻢ و ﻓﺮم ﻫﺎي ﺑﺎزﻧﻤﺎﻳﻲ ﺑﺮاي ﭘﻴﺎده ﺳﺎزي آن‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪123‬‬

‫اﺳﺖ‪ .‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺳﻴﺴﺘﻢ ﻧﻤﻮﻧﻪ اوﻟﻴﻪ دو ﻳﺎ ﭼﻨﺪ ﺑﺎر از اﺑﺘﺪا ﺗﺎ اﻧﺘﻬﺎ اﺟﺮا ﺷﺪ‪ ,‬ﺳﭙﺲ ﺑﺎﻳﺪ‬
‫ﺑﺎ ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ آزﻣﺎﻳﺶ ﺷﻮد ﺗﺎ ﻧﻘﺎط ﺿﻌﻒ ﻣﻮﺟﻮد در اﺻﻮل داﻧﺶ و‬
‫اﺳﺘﺮاﺗﮋي اﺳﺘﻨﺘﺎج آن ﻣﺸﺨﺺ ﺷﻮد‪.‬‬
‫اﺟﺮا و ﻛﺎراﻳﻲ ﭘﺎﻳﻴﻦ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ دﻟﻴﻞ‪:‬‬
‫• ﻣﺸﺨﺼﻪ ﻫﺎي ورودي‪/‬ﺧﺮوﺟﻲ ﻛﻪ ﺑﻪ اﻛﺘﺴﺎب و اﺳﺘﻔﺎده داده و ﻧﻤﺎﻳﺶ ﻧﺘﻴﺠﻪ و‬
‫اﺳﺘﻨﺘﺎج رﺟﻮع ﻣﻲ ﻛﻨﺪ‪.‬‬
‫• ﻗﻮاﻧﻴﻦ اﺳﺘﻨﺘﺎج ‪ ,‬واﺿﺢ ﺗﺮﻳﻦ ﻣﻜﺎن ﺑﺮاي ﺟﺴﺘﺠﻮي ﺧﻄﺎﻫﺎ ﻫﺴﺘﻨﺪ‪.‬ﻗﻮاﻧﻴﻦ‬
‫ﻣﻤﻜﻦ اﺳﺖ ﻧﺎ ﺻﺤﻴﺢ ‪ ,‬ﻧﺎﺳﺎزﮔﺎر و ﻧﺎﻛﺎﻣﻞ و ﻳﺎ ﻧﺎﭘﻴﺪا ﺑﺎﺷﻨﺪ‬
‫• اﺳﺘﺮاﺗﮋي ﻛﻨﺘﺮل ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪ ,‬ﺗﻮاﻟﻲ ﻗﻮاﻧﻴﻦ‬
‫• اﻧﺘﺨﺎب ﻧﻤﻮﻧﻪ ﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺴﻴﺎر ﻣﺸﺎﺑﻪ ﺑﺎﺷﻨﺪ و ﺑﻨﺎﺑﺮاﻳﻦ اﻣﻜﺎن دارد ﻧﺘﻮاﻧﻨﺪ‬
‫ﻫﻤﻪ ﺟﻨﺒﻪ ﻫﺎي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه را ﺗﺴﺖ ﻛﻨﻨﺪ‪.‬‬
‫‪ 6-8‬اﺳﺘﻨﺘﺎج‬
‫ﻧﻮع روﻳﻪ اﺳﺘﻨﺘﺎج ﻣﻮرد اﺳﺘﻔﺎده در ﻃﺮاﺣﻲ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺴﺘﮕﻲ ﺑﻪ اﻟﮕﻮي ﺑﺎزﻧﻤﺎﻳﻲ‬
‫داﻧﺶ ﻣﻮرد اﺳﺘﻔﺎده دارد‪.‬زﺑﺎ ن ﻫﺎي رﺳﻤﻲ زﻳﺎدي ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ ﺑﺎ ﻣﻮﺟﻮدﻳﺖ‬
‫ﻫﺎي ﺧﻮش ﺗﻌﺮﻳﻒ و رواﺑﻂ ﺑﻴﻦ ﻣﻮﺟﻮدﻳﺖ ﻫﺎي ﺗﺴﺨﻴﺮ ﺷﺪه ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﻫﺎي‬
‫ﺧﻮش ﻓﺮم وﺟﻮد دارﻧﺪ‪.‬اﻳﻨﻬﺎ داراي ﻋﻼﺋﻢ ﻣﻌﻨﺎﺷﻨﺎﺳﻲ واﺿﺤﻲ ﻫﺴﺘﻨﺪ واﻳﻦ زﺑﺎن ﻫﺎ ﺑﻪ‬
‫ﺻﻮرت ﮔﺴﺘﺮده اي در ﻣﻮاردي ﻛﻪ داﻧﺶ ﻣﺒﻬﻢ ﻳﺎ ﺑﺪون ﺛﺒﺎت اﺳﺖ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻧﻤﻮﻧﻪ ﻫﺎ ‪ ,‬ﻣﻨﻄﻖ رﺳﻤﻲ ﺑﻪ ﻧﺎم ﻣﻨﻄﻖ ﮔﺰاره اي ‪ ,‬ﻣﻨﻄﻖ ﻣﺴﻨﺪي و ﻏﻴﺮه ﻫﺴﺘﻨﺪ‪ .‬ﻣﺘﺪ ﻫﺎي‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي اﺳﺘﻨﺘﺎج ﻣﻨﻄﻘﻲ ﻫﺴﺘﻨﺪ‪.‬ﻣﻨﻈﻮر از ﻣﻨﻄﻘﻲ ﺑﻮدن اﻳﻦ اﺳﺖ ﻛﻪ ‪ :‬اﺟﺎزه‬
‫دﻫﻴﺪ ‪ A‬ﻣﺠﻤﻮﻋﻪ اي از اﺻﻮل ﻋﻤﻮﻣﻲ )ﻗﻀﺎﻳﺎ( ﻳﺎ ﺣﻘﺎﻳﻖ و‪ R‬ﻣﺠﻤﻮﻋﻪ اي از ﻗﻮاﻧﻴﻦ‬
‫اﺳﺘﻨﺘﺎج ﺑﺎﺷﺪ ‪.‬اﮔﺮ ﻳﻚ ﺗﺌﻮري در ﻣﻨﻄﻖ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻛﻪ درﺳﺖ ﺑﺎﺷﺪ‪ ,‬آﻧﮕﺎه ﻣﺎ ﻣﻲ‬
‫ﺗﻮاﻧﻴﻢ اﺛﺒﺎﺗﻲ را ﺑﻴﺎﺑﻴﻢ ﻛﻪ ﭼﻴﺰي ﺟﺰ ﻳﻚ ﺳﺮي از ﻗﻮاﻧﻴﻦ ﻧﻴﺴﺖ ﻛﻪ زﻣﺎﻧﻲ ﻛﻪ در ﻳﻚ‬
‫ﺗﺮﺗﻴﺐ ﻣﻨﺎﺳﺐ ﺑﺮ ﻣﺠﻤﻮﻋﻪ ‪ A‬ﺑﻜﺎر ﺑﺮده ﺷﻮد‪ ,‬ﺑﻪ ﻳﻚ ﺗﺌﻮري ﻣﻨﺘﺞ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫‪ 1-6-8‬روﻳﻪ اﺳﺘﻨﺘﺎج در ﺣﺴﺎب ﮔﺰاره اي‪:‬‬

‫اﮔﺮ ﺣﺴﺎب ﮔﺰاره اي ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ ﺣﻮزه ي داﻧﺶ اﺳﺘﻔﺎده ﺷﻮد‪ ,‬آﻧﮕﺎه ﻣﺴﺌﻠﻪ ي‬
‫اﺳﺘﻨﺘﺎج ﺑﻪ ﺻﻮرت زﻳﺮﻣﻄﺮح ﻣﻴﺸﻮد‪ R:‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﻗﻮاﻧﻴﻦ در ﻓﺮم ﺷﺮﻃﻲ اﺳﺖ و ‪G‬‬
 ‫‪124‬‬

‫ﻣﺠﻤﻮﻋﻪ اي از اﻫﺪاف و ﻓﺮﺿﻴﻪ ﻫﺎي ﻗﺎﺑﻞ اﺛﺒﺎت اﺳﺖ‪:‬‬

‫}‪R= { ri/ri is a rule in clausal form for 1<= i<= N‬‬
‫‪. ri= VLij , 1<= j<= P , where literal Lij is a posited or negated atomic‬‬
‫‪variable in propositional calculus.‬‬

‫ﺳﭙﺲ ﻣﺴﺌﻠﻪ اﺳﺘﻨﺘﺎج ﺑﺮاي ﻳﻚ ﺗﺌﻮري داده ﺷﺪه ‪, g ∈ G‬ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد ﺑﻪ ﺻﻮرت‬
‫زﻳﺮ‪:‬‬
‫ﻛﻨﻨﺪه∧ ‪R‬‬
‫اﺳﺖ‬ ‫‪O∧G‬‬ ‫ﻗﺎﻧﻊ‬
‫‪ O‬ﻣﺠﻤﻮﻋﻪ اي از ﻣﺸﺎﻫﺪات اﻧﺠﺎم ﺷﺪه اﺳﺖ‪.‬‬
‫}‪O ={ O ; where O is literal whose value is true‬‬
‫ﺑﺎ ﺑﺴﻂ دادن ﻓﺮﻣﻮل ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬
‫‪(r1 ∧ r2 ∧ ..... ∧ rn ) ∧ O1 ∧ O2 ∧ ..... ∧ Ok ∧ g i‬‬

‫ﻫﺪف ﻣﺎ ﻳﺎﻓﺘﻦ ﻣﻘﺎدﻳﺮ و ارزش ﻫﺎ ﺑﺮاي ﺗﻤﺎم ﻣﺘﻐﻴﺮ ﻫﺎي ﻣﻮﺟﻮد در‪ R‬ﺟﺎﻳﻲ ﻛﻪ <‪1‬‬
‫‪ I<K‬اﺳﺖ‪ ,‬ﻣﻴﺒﺎﺷﺪ ﺑﻪ ﻃﻮري ﻛﻪ ﺗﺴﺎوي ﺑﺎﻻ درﺳﺖ ﺑﺎﺷﺪ‪.‬روﻳﻪ اﺳﺘﻨﺘﺎج ﺧﻴﻠﻲ آﺳﺎﻧﺘﺮ‬
‫ﺧﻮاﻫﺪ ﺷﺪ در ﺻﻮرﺗﻲ ﻛﻪ ﻣﺎ ﻣﺴﺌﻠﻪ را ﺗﻮﺳﻂ اﺑﻄﺎل و ﺗﻜﺬﻳﺐ ﺛﺎﺑﺖ ﻛﻨﻴﻢ‪.‬ﻣﺎ در اﻳﻨﺠﺎ‬
‫ﻣﺴﺌﻠﻪ اي را ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﻄﺮح ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫) ‪F = (R ∧ O ∧ → 9‬‬
‫‪.‬ﻛﻪ ﺑﺮاي ﻫﻤﻪ ﺑﺮدارﻫﺎي ﺗﺨﺼﻴﺺ ﻣﻤﻜﻦ ‪ ,‬ﻧﺎدرﺳﺖ اﺳﺖ ‪.‬اﮔﺮ ‪ F‬ﻗﺎﻧﻊ ﻛﻨﻨﺪه ﻧﻴﺴﺖ آﻧﮕﺎه‬
‫‪ g‬ﻳﻚ ﻣﻌﻨﻲ و ﻣﻔﻬﻮم اﺳﺖ در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ‪ g‬ﻳﻚ ﻣﻔﻬﻮم ﻧﻴﺴﺖ ‪.‬اﻳﻦ ﻓﺮاﻳﻨﺪ ﺑﺮاي‬
‫ﻫﻤﻪ ‪ g ∈ G‬ﻣﻲ ﺗﻮاﻧﺪ ﺗﻜﺮار ﺷﻮد‪.‬اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺑﺮاي اﺳﺘﻨﺘﺎج در ﻣﻨﻄﻖ ﮔﺰاره اي ﻋﺒﺎرﺗﻨﺪ‬
‫از‪:‬‬

‫‪ (1‬رزوﻟﻮﺷﻦ واﺣﺪ ﺑﺎ ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ ﻫﺎي ﺷﻜﺎف دﻫﻨﺪه‬

‫‪ (2‬رزوﻟﻮﺷﻦ ﺑﺎ دﻻﻟﺖ ﻛﻨﻨﺪه ﻫﺎ‬

‫‪ 2-6-8‬روﻳﻪ اﺳﺘﻨﺘﺎج در ﺣﺴﺎب ﻣﺴﻨﺪي‪:‬‬

‫در اﻳﻨﺠﺎ ﻧﻴﺰ اﺳﺘﻨﺘﺎج ﻣﺒﺘﻨﻲ ﺑﺮ اﺑﻄﺎل و ﺗﻜﺬﻳﺐ اﺳﺖ‪.‬ﻣﻨﻄﻖ ﻣﻌﺘﺒﺮ اﺳﺖ وﻟﻲ ﻏﻴﺮ ﻗﺎﺑﻞ‬
‫ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﺳﺖ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪125‬‬

‫اﮔﺮ ﻳﻚ ﻣﺠﻤﻮﻋﻪ از ﻗﻮاﻧﻴﻦ ‪ wff‬داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺠﻤﻮﻋﻪ اي از ﻗﻮاﻧﻴﻦ اﺳﺘﻨﺘﺎج‬

‫را ﺑﻪ ﺗﺮﺗﻴﺒﻲ ﺑﻪ ﻛﺎر ﺑﺒﻨﺪﻳﻢ ﺑﻪ ﻃﻮري ﻛﻪ ﺑﺘﻮان ﻗﻀﺎﻳﺎي درﺳﺖ را از آن ﻣﺸﺘﻖ ﻛﺮد‪.‬وﻟﻲ ﺑﺎ‬
‫داﺷﺘﻦ ﻳﻚ ﻗﻀﻴﻪ درﺳﺖ و ﺗﻌﺮﻳﻒ ﺷﺪه ‪ ,‬ﻻزم ﻧﻴﺴﺖ ﻛﻪ ﻣﺎ ﻳﻚ ﺗﻮاﻟﻲ از ﻗﻮاﻧﻴﻦ را ﻛﻪ‬
‫ﻣﻲ ﺗﻮاﻧﻨﺪ ﻗﻀﻴﻪ را از ﻓﺮض ﻫﺎي ﻗﺒﻠﻲ و اوﻟﻴﻪ اﺛﺒﺎت ﻛﻨﻨﺪ ‪ ,‬ﺑﺪاﻧﻴﻢ‪.‬در اﻳﻦ ﻣﻮارد ﺗﻀﻤﻴﻨﻲ‬
‫وﺟﻮد ﻧﺪارد ﻛﻪ اﻟﮕﻮرﻳﺘﻢ اﺳﺘﻨﺘﺎج ﻣﺘﻮﻗﻒ ﺷﻮد‪.‬‬

‫‪ 3-6-8‬روﻳﻪ اﺳﺘﻨﺘﺎج در ﺳﻴﺴﺘﻤﻬﺎي ﺗﻮﻟﻴﺪ ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﺎﻧﻮن‪:‬‬

‫در ادﺑﻴﺎت ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اﺻﻄﻼح ﻗﺎﻧﻮن‪ ,‬ﻣﻌﻨﺎي ﺑﺴﻴﺎر ﻣﺤﺪود و ﺑﺎرﻳﻜﺘﺮي ﻧﺴﺒﺖ ﺑﻪ‬
‫دﻳﮕﺮ زﺑﺎن ﻫﺎ دارد‪.‬اﻳﻦ اﺻﻄﻼح ﺑﻪ ﻣﻌﺮوﻓﺘﺮﻳﻦ ﻧﻮع ﺗﻜﻨﻴﻚ ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ ﺑﻪ ﻧﺎم‬
‫ﺑﺎزﻧﻤﺎﻳﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﺎﻧﻮن اﺷﺎره دارد‪.‬ﻗﻮاﻧﻴﻦ ﻳﻚ روش رﺳﻤﻲ ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ ﻧﻈﺮﻳﻪ ﻫﺎ‪,‬‬
‫رﻫﻨﻤﻮد ﻫﺎ ﻳﺎ اﺳﺘﺮاﺗﮋي ﻫﺎ اراﺋﻪ ﻣﻲ دﻫﻨﺪ‪.‬آﻧﻬﺎ ﻣﻌﻤﻮﻻ" ﺑﺮاي زﻣﺎﻧﻲ ﻛﻪ داﻧﺶ داﻣﻨﻪ‬
‫ﺣﺎﺻﻞ ﻧﺘﺎﻳﺞ ﻋﻠﻮم ﺗﺠﺮﺑﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ در ﻃﻲ ﺳﺎﻟﻬﺎ ﺗﺠﺮﺑﻪ اﺳﺖ‪ ,‬ﻣﻨﺎﺳﺐ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﻗﻮاﻧﻴﻦ ﻣﻌﻤﻮﻻ" ﺑﻪ ﺻﻮرت ﺣﺎﻻت ‪ if-then‬ﺑﻴﺎن ﻣﻲ ﺷﻮﻧﺪ‪.‬ﺑﻪ ﻃﻮر ﻣﺜﺎل‪:‬‬
‫‪IF oil fire THEN use foam fire extinguishers‬‬
‫اﮔﺮ ﻧﻔﺖ آﺗﺶ ﮔﺮﻓﺖ آﻧﮕﺎه از آﺗﺶ ﺧﺎﻣﻮش ﻛﻦ ﻛﻔﻲ اﺳﺘﻔﺎده ﻛﻦ‬
‫‪IF wood fire THEN use water‬‬
‫اﮔﺮ ﭼﻮب آﺗﺶ ﮔﺮﻓﺖ آﻧﮕﺎه از آب اﺳﺘﻔﺎده ﻛﻦ‪.‬‬
‫ﺷﻜﻞ ‪. 5-8‬در ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﺎﻧﻮن ‪,‬داﻧﺶ داﻣﻨﻪ ﺗﻮﺳﻂ ﻣﺠﻤﻮﻋﻪ اي از‬
‫ﻗﻮاﻧﻴﻦ ﻛﻪ در ﻣﻘﺎﺑﻞ ﻣﺠﻤﻮﻋﻪ اي از ﺣﻘﺎﻳﻖ ﻣﻮﺟﻮد در وﺿﻌﻴﺖ ﺟﺎري ﺗﻄﺒﻴﻖ ﻣﻲ ﻛﻨﻨﺪ‪,‬‬
‫ﺑﺎزﻧﻤﺎﻳﻲ ﻣﻲ ﺷﻮد‪.‬‬
‫ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻗﺴﻤﺖ ‪ IF‬ﻳﻚ ﻗﺎﻧﻮن ﺑﻪ وﺳﻴﻠﻪ اﻳﻦ ﺣﻘﺎﻳﻖ ﺑﺮﻗﺮار ﺑﺎﺷﺪ‪ ,‬ﻋﻤﻞ ﻣﻮردﻧﻈﺮ در‬
‫ﻗﺴﻤﺖ‪ THEN‬اﺟﺮا ﻣﻲ ﺷﻮد‪.‬زﻣﺎﻧﻲ ﻛﻪ اﻳﻦ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‪ ,‬اﺻﻄﻼﺣﺎ" ﻣﻲ ﮔﻮﻳﻴﻢ ﻗﺎﻧﻮن‬
‫ﺑﺎﻳﺪ ﺷﻠﻴﻚ ﺷﻮد‪ .‬ﺳﭙﺲ ﻣﺠﻤﻮﻋﻪ اي از ﺣﻘﺎﻳﻖ ﺑﻪ وﺳﻴﻠﻪ ﺗﻜﻤﻴﻞ آﻧﻬﺎ ﺑﺎ ﺣﻘﺎﻳﻖ ﻣﻮﺟﻮد در‬
‫ﻗﺴﻤﺖ ‪ THEN‬ﺑﻪ روز در ﻣﻲ آﻳﺪ‪.‬‬
 ‫‪126‬‬

‫)ﺷﻜﻞ ‪ (8-5‬اﻟﮕﻮي اﺳﺘﻨﺘﺎج در ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﺎﻧﻮن‬

‫اﻳﻦ ﺣﻘﺎﻳﻖ ﺗﺎزه اﺿﺎﻓﻪ ﺷﺪه ﺑﻪ ﭘﺎﻳﮕﺎه داﻧﺶ ‪ ,‬ﺧﻮد ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮاي ﺗﻄﺎﺑﻖ ﺑﺎ ﻗﻮاﻧﻴﻦ‬
‫ﻗﺴﻤﺖ ‪ IF‬اﺳﺘﻔﺎده ﺷﻮﻧﺪ‪.‬اﻳﻦ ﻋﻤﻞ ﺗﻄﺎﺑﻖ و اﺟﺮا ‪ ,‬زﻧﺠﻴﺮه ﻫﺎي اﺳﺘﻨﺘﺎج را ﺷﻜﻞ ﻣﻲ‬
‫دﻫﺪ‪.‬‬
‫دو روش ﻣﻬﻢ وﺟﻮد دارﻧﺪ ﻛﻪ ﻗﻮاﻧﻴﻦ در آﻧﻬﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﺮاي ﺗﻄﺎﺑﻖ و اﺟﺮا از ﭘﺎﻳﮕﺎه‬
‫داﻧﺶ اﻧﺘﺨﺎب ﺷﻮﻧﺪ‪ .‬رﻫﻴﺎﻓﺖ اول‪ :‬زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ و دوم‪ :‬زﻧﺠﻴﺮه ﺳﺎزي رو‬
‫ﺑﻪ ﻋﻘﺐ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 4-6-8‬زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ‪:‬‬
‫ﺷﻜﻞ ‪ 6-8‬ﻣﻜﺎﻧﻴﺴﻢ زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ را ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ‪ ).‬ﺷﻜﻞ ‪( 8-6‬‬
‫ﻣﻜﺎﻧﻴﺰم زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪127‬‬

‫اوﻟﻴﻦ ﻗﺎﻧﻮﻧﻲ ﻛﻪ ﺷﻠﻴﻚ ﻣﻲ ﺷﻮد ‪ A → D‬اﺳﺖ زﻳﺮا ﻛﻪ ‪ A‬ﻫﻢ اﻛﻨﻮن در ﻣﺠﻤﻮﻋﻪ ﺣﻘﺎﻳﻖ‬
‫ﻗﺮار دارد‪.‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻧﺘﻴﺠﻪ ﻣﻨﻄﻘﻲ ‪ ,‬وﺟﻮد ‪ D‬اﺳﺘﻨﺘﺎج ﺷﺪه اﺳﺖ و ‪ D‬در ﻣﺠﻤﻮﻋﻪ‬
‫ﺣﻘﺎﻳﻖ ﻗﺮار داده ﻣﻲ ﺷﻮد‪.‬اﻳﻦ ﻋﻤﻞ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ﺗﺎ ﻗﺎﻧﻮن دوم ﺷﻠﻴﻚ ﺷﻮد و ﺗﺎ ﺑﻪ آﺧﺮ‬
‫ﺗﺎ اﻳﻨﻜﻪ ‪ Z‬ﻧﻴﺰ ﺑﺮﻗﺮار ﺷﻮد‪.‬اﻳﻦ روﻳﻪ زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬زﻧﺠﻴﺮه‬
‫اﺳﺘﻨﺘﺎج ﺗﻮﻟﻴﺪ ﺷﺪه در ﺷﻜﻞ ‪ 8-7‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪.‬‬

‫)ﺷﻜﻞ ‪ (8-7‬زﻧﺠﻴﺮه اﺳﺘﻨﺘﺎج در زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ‬

‫‪ 5-6-8‬زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﻋﻘﺐ‪:‬‬
‫زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﻋﻘﺐ اﺳﺘﺪﻻل در ﺟﻬﺖ ﻋﻜﺲ ﻣﻨﻄﻖ را دﻧﺒﺎل ﻣﻲ ﻛﻨﺪ ﻣﺎ در اﻳﻨﺠﺎ‬
‫ﻓﺮض ﻣﻲ ﻛﻨﻴﻢ ﻫﺪﻓﻲ دارﻳﻢ ﻛﻪ درﺳﺖ اﺳﺖ‪ ,‬ﺳﭙﺲ ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﻢ ﺗﺎ آن را ﺗﻮﺳﻂ‬
‫ﮔﺮﻓﺘﻦ ﻣﻘﺎدﻳﺮ ﻣﻘﺪم ﻳﺎ ﭘﻴﺸﻴﻦ ‪ ,‬ﺛﺎﺑﺖ ﻛﻨﻴﻢ ‪.‬اﻳﻦ ﻛﺎر ﺑﻪ وﺳﻴﻠﻪ ﺗﺒﺪﻳﻞ ﻫﺮ داده ﻳﺎ اﻃﻼع ﺑﻪ‬
‫ﻳﻚ زﻳﺮ ﻫﺪف ﺟﺪﻳﺪ اﻧﺠﺎم ﻣﻲ ﺷﻮد‪ .‬اﻳﻦ ﻓﺮاﻳﻨﺪ ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﻫﻤﻪ ﺣﻘﺎﻳﻖ در ﻣﺠﻤﻮﻋﻪ‬
‫ﺣﻘﺎﻳﻖ ﻗﺮار ﮔﻴﺮﻧﺪ‪ ,‬اداﻣﻪ ﻣﻲ ﻳﺎﺑﺪ‪ .‬ﺷﻜﻞ ‪ 8-8‬ﻣﻜﺎﻧﻴﺴﻢ زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﻋﻘﺐ را‬
‫ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ ).‬ﺷﻜﻞ ‪ ( 8-8‬ﻣﻜﺎﻧﻴﺰم زﻧﺠﻴﺮه ﺳﺎزي رو ﺑﻪ ﻋﻘﺐ‪.‬‬

‫‪ 6-6-8‬ﻣﺘﺪ اﺳﺘﻨﺘﺎج در دﻳﮕﺮ اﻟﮕﻮﻫﺎي ﺑﺎزﻧﻤﺎﻳﻲ‪:‬‬

 ‫‪128‬‬

‫ﺑﺮاي ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪ ,‬اﻟﮕﻮﻫﺎي دﻳﮕﺮ ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ ﻧﻴﺰ وﺟﻮد دارﻧﺪ‪.‬ﻣﺎ در‬
‫اﻳﻨﺠﺎ ﻗﺼﺪ ﺑﺮرﺳﻲ ﺟﺰﺋﻴﺎت روﻳﻪ ﻫﺎي اﺳﺘﻨﺘﺎج ﺗﻮﺳﻂ آن اﻟﮕﻮﻫﺎ را ﻧﺪارﻳﻢ‪.‬‬
‫‪ 7-8‬روش ﺷﻨﺎﺳﻲ ﻳﺎ ﻣﺘﺪوﻟﻮژي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ‬
‫ﻳﻚ دﻳﺪﮔﺎه ﻣﻔﻴﺪ ﺗﺮ و ﻣﺠﺮد ﺗﺮ از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺘﺪوﻟﻮژي ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﺑﺮ ﺟﺪاﺳﺎزي ﭼﻴﺰي ﻛﻪ در دﻧﻴﺎ درﺳﺖ اﺳﺖ از ﭼﮕﻮﻧﮕﻲ ﺑﻜﺎرﮔﻴﺮي داﻧﺶ‬
‫ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ ﺗﺎﻛﻴﺪ دارد‪.‬در اﻳﻦ دﻳﺪﮔﺎه ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺷﺎﻣﻞ دو ﻣﻔﻬﻮم زﻳﺮ‬
‫اﺳﺖ‪:‬‬
‫• داﻧﺶ داﻣﻨﻪ ﻳﺎ ﺣﻮزه‬
‫ﻣﺘﺪﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ‬
‫در ﻣﻮارد ﺳﺎده ﺗﺮ ‪ ,‬داﻧﺶ داﻣﻨﻪ ﻋﺒﺎرﺗﺴﺖ از ﻣﺠﻤﻮﻋﻪ اي از ﺣﻘﺎﻳﻖ و ﻣﺘﺪﻫﺎي ﺣﻞ‬
‫ﻣﺴﺌﻠﻪ ﻛﻪ ﺑﻴﺸﺘﺮ ﺷﺎﻣﻞ ﻣﻜﺎﻧﻴﺴﻢ ﻫﺎي اﺳﺘﺪﻻل ﻫﻤﻪ ﻣﻨﻈﻮره اﺳﺖ ‪ .‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺜﺎل‬
‫واﻗﻌﻲ در ﻣﻮرد اﻳﻨﻜﻪ ﭼﮕﻮﻧﻪ ﻣﻲ ﺗﻮان داﻧﺶ داﻣﻨﻪ را از ﻣﺘﺪﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ ﺗﻤﻴﻴﺰ‬
‫داد ﺑﻪ ﻧﻤﻮﻧﻪ ي ﺳﺎده ﺷﺪه از ﻳﻚ ﺗﺸﺨﻴﺺ ﭘﺰﺷﻜﻲ دﻗﺖ ﻛﻨﻴﺪ‪:‬‬
‫ﻣﺎ ﺑﺎ اﻳﻦ ﺗﻔﻜﺮ ﺷﺮوع ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ‪ ":‬اﮔﺮ ﮔﻴﺘﺎ ﺗﺐ دارد ‪ ,‬ﭘﺲ ﮔﻴﺘﺎ ﻋﻔﻮﻧﺖ دارد‪ ".‬ﻛﻪ‬
‫ﺑﻴﺸﺘﺮ ﻳﻚ ﻣﺘﺪ ﺣﻞ ﻣﺴﺌﻠﻪ ﺧﺎص وﻳﮋه ﺑﺮاي ﺗﺸﺨﻴﺺ ﻋﻠﺖ ﺗﺐ ﮔﻴﺘﺎﺳﺖ‪.‬ﺑﺎ اﺳﺘﻔﺎده‬
‫از روش ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﻨﺘﻲ ﺑﺎ ﻣﻔﻬﻮم ﻣﺘﻐﻴﺮﻫﺎ ‪ ,‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺜﺎل را ﺑﻪ اﻳﻦ ﺻﻮرت‬
‫ﺗﻌﻤﻴﻢ دﻫﻴﻢ‪:‬‬
‫ﺣﻘﺎﻳﻖ‬ ‫ﻣﺘﺪ‬
‫ﮔﻴﺘﺎ ﺑﻴﻤﺎر اﺳﺖ‪.‬‬ ‫اﮔﺮ ﻳﻚ ﺑﻴﻤﺎر ﺗﺐ داﺷﺖ‪ ,‬ﭘﺲ ﺑﻴﻤﺎر ﻋﻔﻮﻧﺖ دارد‪.‬‬

‫ﻛﻪ ﺳﺘﻮن ﺳﻤﺖ ﭼﭗ ﺣﻘﺎﻳﻖ و ﺳﺘﻮن ﺳﻤﺖ راﺳﺖ ﻣﺘﺪ ﻋﻤﻮﻣﻲ ﺗﺮ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﻳﻚ ﻗﺎﻧﻮن ﻋﻤﻮﻣﻲ ﺗﺮ ﻛﻪ ﺷﺎﻳﺴﺘﻪ ﻧﺎﻣﻴﺪن ﺑﻪ ﻧﺎم ﻣﺘﺪ ﺣﻞ ﻣﺴﺌﻠﻪ اﺳﺖ ‪ ,‬ﺗﻮﺳﻂ ﻣﺠﺮد‬
‫ﺳﺎزي ﺑﻴﺸﺘﺮاﻳﻦ ﻣﻮرد ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪.‬‬

‫اﮔﺮ‬ ‫ﺣﻘﺎﻳﻖ‬ ‫ﻣﺘﺪ‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪129‬‬

‫ﮔﻴﺘﺎ ﻣﺮﻳﺾ اﺳﺖ‪.‬‬ ‫ﺑﻴﻤﺎرﻋﻼﺋﻢ ﻳﻚ ﺑﻴﻤﺎري را داﺷﺘﻪ ﺑﺎﺷﺪ‬

‫ﺗﺐ ﻳﻚ ﻋﻼﻣﺖ ﺑﻴﻤﺎري اﺳﺖ‬ ‫ﭘﺲ ﺑﻴﻤﺎر آن ﺑﻴﻤﺎري را دارد‬
‫ﻋﻔﻮﻧﺖ ﻳﻚ ﺑﻴﻤﺎري اﺳﺖ‬
‫ﺗﺐ ﻋﻼﻣﺖ وﺟﻮد ﻋﻔﻮﻧﺖ اﺳﺖ‪.‬‬

‫ﻳﻚ ﺗﻌﻤﻴﻢ ﻧﻬﺎﻳﻲ ﻣﺎ را ﺑﻪ ﻧﺘﻴﺠﻪ اي اﻳﻦ ﭼﻨﻴﻨﻲ ﻣﻲ رﺳﺎﻧﺪ‪:‬‬

‫ﺣﻘﺎﻳﻖ‬ ‫ﻣﺘﺪ‬
‫ﮔﻴﺘﺎ ﻣﺮﻳﺾ اﺳﺖ‬ ‫اﮔﺮ ﺷﺊ ﻳﻚ ﺻﻔﺖ از ﻛﻼس را ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ‬
‫ﺗﺐ ﻳﻚ ﻋﻼﻣﺖ ﺑﻴﻤﺎري اﺳﺖ‬ ‫ﺳﭙﺲ آن ﺷﺊ ﻣﺘﻌﻠﻖ ﻳﻪ آن ﻛﻼس اﺳﺖ‬
‫ﻳﻚ‬ ‫ﻋﻔﻮﻧﺖ‬
‫ﺑﻴﻤﺎري اﺳﺖ‬
‫ﺗﺐ ﻋﻼﻣﺖ وﺟﻮد ﻋﻔﻮﻧﺖ اﺳﺖ‬
‫ﺑﻴﻤﺎر ﻳﻚ ﺷﺊ اﺳﺖ‬
‫ﻳﻚ ﻋﻼﻣﺖ ﺑﻴﻤﺎري ﻳﻚ ﺻﻔﺖ اﺳﺖ‬
‫ﻳﻚ ﺑﻴﻤﺎري ﻳﻚ ﻛﻼس اﺳﺖ‪.‬‬

‫‪.‬‬
‫در اﻳﻦ دﻳﺪﮔﺎه ‪ ,‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‪ ،‬ﻣﺘﺪوﻟﻮژي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اي را ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ‬
‫وﺿﻌﻴﺖ ﻫﺎي ﺣﻘﻴﻘﻲ و واﻗﻌﻲ را از ﻣﺘﺪﻫﺎﻳﻲ ﻛﻪ ﭼﮕﻮﻧﮕﻲ ﺑﻜﺎرﮔﻴﺮي اﻳﻦ ﺣﻘﺎﻳﻖ را‬
‫ﻣﺸﺨﺺ ﻣﻲ ﺳﺎزﻧﺪ‪ ,‬ﺟﺪا ﻣﻲ ﻛﻨﺪ‪.‬در اﻳﻦ ﻣﺘﺪوﻟﻮژي ‪ ,‬اﻧﻌﻄﺎف ﭘﺬﻳﺮي ﺑﺮاي داﺷﺘﻦ ﻫﺮ دو‬
‫ﻣﺘﺪ ﻫﺎ و ﺣﻘﺎﻳﻖ وﻳﮋه و ﺑﺴﻴﺎر ﻋﻤﻮﻣﻲ وﺟﻮد دارد‪ .‬در واﻗﻊ اﮔﺮ ﻳﻚ داﻣﻨﻪ ﺧﻮدش را ﺑﻪ‬
‫اﺳﺘﺪﻻل ﺗﻮﺳﻂ ﻛﺪ ﮔﺬاري ﻳﻚ روش ﺧﺎص ﺑﺮاي ﻣﻘﺎﺑﻠﻪ ﺑﺎ ﻣﺴﺎﺋﻞ وﻳﮋه ‪ ,‬ﻣﺘﻮﺟﻪ ﻣﻲ‬
‫ﺳﺎزد ‪ ,‬ﺳﭙﺲ ﻣﻤﻜﻦ اﺳﺖ ﻛﻪ ﻣﺎ ﺑﺮاي ﻫﺮ ﻳﻚ از آﻧﻬﺎ ﭼﻨﺪﻳﻦ ﻣﺘﺪ ﺗﻚ ﻣﻨﻈﻮره )ﻣﻨﻈﻮر‬
‫ﺧﺎص( اﻧﺘﻈﺎر داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ .‬ﺟﺎﻳﻲ ﻛﻪ ﻫﺮ ﻣﻮﻟﻔﻪ اﺣﺘﻤﺎﻻ" ﺑﻪ ﻣﺘﺪﻫﺎي ﺗﺴﺖ وﻳﮋه ﻧﻴﺎز دارد‪.‬‬
‫ﺑﻪ ﻫﺮ ﺣﺎل ‪ ,‬در ﺻﻮرت اﻣﻜﺎن ‪ ,‬ﻣﺘﺪﻟﻮژي ﺑﻪ ﺗﻮﺳﻌﻪ ﻣﺘﺪﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ ﻋﻤﻮﻣﻲ ﺗﺮ‪ ,‬ﺑﻪ‬
‫ﻫﻤﺎن ﺻﻮرﺗﻲ ﻛﻪ در ﻣﺜﺎل ﺑﺎﻻ آﻣﺪه اﺳﺖ ‪ ,‬ﭘﻴﺶ ﻣﻴﺮود‬
 ‫‪130‬‬

‫‪ 8-8‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه – اﺑﺰار‬

‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ,‬ﺑﻪ ﺻﻮرت ﻣﺘﻤﺮﻛﺰ ﺑﻪ ﺑﺎزﻧﻤﺎﻳﻲ و دﺳﺘﻜﺎري داﻧﺶ اﻫﻤﻴﺖ‬
‫ﻣﻲ دﻫﻨﺪ‪ .‬ﺑﻌﻀﻲ از داﻧﺶ ﻫﺎ ‪ ,‬ﺑﻪ ﺧﺼﻮص رﻳﺎﺿﻴﺎت و ﻋﻠﻮم ﺑﻪ ﺻﻮرت اﻋﺪاد و‬
‫ﻓﺮﻣﻮﻟﻬﺎﻳﻲ ﺑﻴﺎن ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ ﺷﺎﻣﻞ ﻣﺠﻤﻮﻋﻪ اي از ارﻗﺎم و ﻋﻤﻠﻴﺎت ﺣﺴﺎب ﻫﺴﺘﻨﺪ‪.‬ﺑﻴﺸﺘﺮ‬
‫ﺗﻼش اﻧﺴﺎن ‪ ,‬ﺑﻪ ﻫﺮ ﺣﺎل ﻧﻴﺎزﻣﻨﺪ ﺑﻴﺎن در ﻳﻚ زﺑﺎن ﻋﻤﻮﻣﻲ ﺗﺮ و ﻗﺪرﺗﻤﻨﺪﺗﺮ اﺳﺖ‪.‬ﺣﺘﻲ‬
‫رﻳﺎﺿﻴﺎت ‪ ,‬زﻣﺎﻧﻲ ﻛﻪ ﺷﺎﻣﻞ ﭘﺮدازش ﻫﺎي اﺳﺘﺪﻻل ﻣﺠﺮدﺗﺮ )اﺛﺒﺎت ﻗﻀﺎﻳﺎ‪ -‬دﮔﺮﮔﻮﻧﻲ‬
‫ﺟﺒﺮي‪ -‬و راه ﺣﻞ ﻫﺎي ﺳﻴﻤﺒﻮﻟﻴﻚ ﺑﺮاي ﺗﺴﺎوي ﻫﺎي دﻳﻔﺮاﻧﺴﻴﻞ – اﻧﺘﮕﺮاﻟﻲ ( اﺳﺖ ﻛﻪ‬
‫ﻧﻴﺎزﻣﻨﺪ زﺑﺎن ﻫﺎي ﻗﺪرﺗﻤﻨﺪﺗﺮ و ﻋﻤﻮﻣﻲ ﺗﺮ ﻫﺴﺘﻨﺪ‪ .‬اﻳﻦ زﺑﺎن ﻫﺎ ﺗﻮﺳﻂ ﻣﻔﺎﻫﻴﻢ و رواﺑﻂ‬
‫ﺑﺎزﻧﻤﺎﻳﻲ ﺷﺪه ﺑﻪ وﺳﻴﻠﻪ ﺳﻴﻤﺒﻮﻟﻬﺎ و رﺷﺘﻪ ﻫﺎﻳﻲ از ﺳﻴﻤﺒﻮﻟﻬﺎ ‪ ,‬ﺑﻴﺎن ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫در واﻗﻊ ‪ ,‬اﻋﺪاد و ﻓﺮﻣﻮﻟﻬﺎ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ازﺳﻤﺒﻮﻟﻬﺎي ﺧﺎص ﻫﺴﺘﻨﺪ‪ .‬اﻋﺪاد ﺳﻴﻤﺒﻮﻟﻬﺎﻳﻲ‬
‫ﻫﺴﺘﻨﺪ ﻛﻪ ﺧﻮاص آﻧﻬﺎ ﺑﺮ روي ﻣﺠﻤﻮﻋﻪ اي از ﻋﻤﻠﻴﺎت ﺣﺴﺎﺑﻲ ﺗﻌﺮﻳﻒ ﺷﺪه اﻧﺪ‪ .‬اﻳﻦ‬
‫ﻋﻤﻠﻴﺎت ﺣﺴﺎﺑﻲ ﺗﻮﺳﻂ ﺳﻴﻤﺒﻮﻟﻬﺎ ورﺷﺘﻪ ﻫﺎﻳﻲ از ﺳﻤﺒﻮﻟﻬﺎ ﻣﺎﻧﻨﺪ )‪ -‬و‪ +‬و* ‪ (/‬ﺑﺎزﻧﻤﺎﻳﻲ‬
‫ﺷﺪه اﺳﺖ‪.‬ﺑﻪ ﻫﺮ ﺣﺎل ‪ ,‬اﺑﺰار ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻋﺒﺎرﺗﺴﺖ از زﺑﺎن ﻫﺎ ‪ ,‬ﭘﺮدازش ﻫﺎ و‬
‫ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ ﻛﻪ اﺟﺎزه ﻓﺮاﮔﻴﺮي ﻳﺎ اﻛﺘﺴﺎب ‪ ,‬ﺑﺎزﻧﻤﺎﻳﻲ ‪ ,‬ذﺧﻴﺮه و اﻧﺘﻘﺎل و دﻳﮕﺮ ﺗﻐﻴﻴﺮات‬
‫ﻣﻔﺎﻫﻴﻢ و راﺑﻄﻪ ﻫﺎ ﺗﻮﺳﻂ ﻣﺎﺷﻴﻦ ﻫﺎي ﭘﺮدازش اﻃﻼﻋﺎت را ﻣﻲ دﻫﻨﺪ‪ .‬در اﻳﻦ راﺑﻄﻪ ‪,‬‬
‫زﻣﻴﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﺻﻮرت ﺧﻴﻠﻲ ﻧﺰدﻳﻚ ﺑﺴﺘﮕﻲ ﺑﻪ ﻣﻄﺎﻟﻌﻪ ﺗﺌﻮري زﺑﺎن دارد ﻛﻪ‬
‫ﺷﺎﻣﻞ زﺑﺎن ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﺳﻄﺢ ﺑﺎﻻ و ﺗﺌﻮري ﻛﺎﻣﭙﺎﻳﻠﺮ ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ‪.‬‬
‫‪.‬‬
‫ﺗﻌﺪادي از ﻓﻌﺎﻟﻴﺘﻬﺎ وﺟﻮد دارﻧﺪ ﻛﻪ ﺑﺮ ﺗﻮﺳﻌﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻘﺪم ﻫﺴﺘﻨﺪ‪.‬اﻳﻨﻬﺎ ﺷﺎﻣﻞ‬
‫ﺷﻨﺎﺳﺎﻳﻲ داﻣﻨﻪ ﻣﺴﺌﻠﻪ ‪ ,‬ﻳﺎﻓﺘﻦ ﺗﺨﺼﺺ و اﻧﺘﺨﺎب اﺑﺰار ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬در اﺻﻞ ‪ 4‬ﻧﻮع اﺑﺰارﻫﺎي‬
‫ﺗﻮﺳﻌﻪ در دﺳﺘﺮس ﻫﺴﺘﻨﺪ ﻛﻪ در زﻳﺮ ﻟﻴﺴﺖ ﺷﺪه اﻧﺪ‪:‬‬
‫• زﺑﺎن ﻫﺎي اﻟﮕﻮرﻳﺘﻤﻴﻚ ) ﻣﺎﻧﻨﺪ ‪( C,Pascal, Bassic‬‬
‫• زﺑﺎن ﻫﺎي ﺳﻴﻤﺒﻮﻟﻴﻚ ) ﻣﺎﻧﻨﺪ ﻟﻴﺴﭗ و ﭘﺮوﻟﻮگ(‬
‫• ﻣﺤﻴﻂ ﻫﺎي ﺗﻮﺳﻌﻪ ) ﻣﺎﻧﻨﺪ ‪( Art,KEE,LOOPS‬‬
‫• ﺑﺪﻧﻪ ﺳﺎﺧﺘﻤﺎن ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ) ﻣﺎﻧﻨﺪ‬
‫‪(Crystal,XpertRule,Leonardo,Xi-Plus‬‬
‫‪ 1-8-8‬زﺑﺎن ﻫﺎي اﻟﮕﻮرﻳﺘﻤﻴﻚ‪:‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪131‬‬

‫در ﻛﻞ زﺑﺎﻧﻬﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ ﺑﻪ ﻋﻨﻮان‪:‬‬

‫• اﻧﻌﻄﺎف ﭘﺬﻳﺮ و ﻗﺪرﺗﻤﻨﺪ‬
‫• آﻧﻬﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺧﻴﺎط ﺑﺮاي ﻳﻚ ﺳﻴﺴﺘﻢ دﻗﻴﻘﺎ" ﻣﻄﺎﺑﻖ ﺑﺎ ﻛﺎرﺑﺮد در‬
‫ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ‪.‬‬
‫• ﻓﺎﻗﺪ ﭼﺎرﭼﻮب ﻣﻬﻨﺪﺳﻲ داﻧﺶ‬
‫زﺑﺎن ﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ دو دﺳﺘﻪ ﻗﺮاردادي ﻳﺎ ‪ AI‬رده ﺑﻨﺪي ﺷﻮﻧﺪ‪.‬اﻟﺒﺘﻪ ﺑﺎ ﻛﻤﻲ اﺷﺘﺮاﻛﺎت‬
‫ﻣﻴﺎن آن دو‪.‬‬
‫زﺑﺎن ﻫﺎي ﻗﺮار دادي ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺻﻮرت روﻳﻪ اي در ﻃﺒﻴﻌﺖ ﺗﻮﺻﻴﻒ ﺷﻮﻧﺪ ﻛﻪ ﺑﺮاي‬
‫ﻛﺎر ﺑﺮ اﺳﺎس اﻟﮕﻮرﻳﺘﻢ ‪ ,‬ﺟﺎﻳﻲ ﻛﻪ ﻳﻚ وﻇﻴﻔﻪ ﺑﻪ ﺗﺸﺨﻴﺺ ﻗﺪم ﺑﻪ ﻗﺪم ﺷﻜﺴﺘﻪ ﺷﺪه و‬
‫ﺳﭙﺲ ﻛﺪﺑﻨﺪي ﻣﻲ ﺷﻮد‪ ,‬ﻃﺮاﺣﻲ ﺷﺪه اﺳﺖ‪.‬‬
‫ﻣﻌﻤﻮﻻ" ﺳﺎﺧﺘﺎرﻫﺎي داده اي ﭘﻴﭽﻴﺪه ﻣﻲ ﺗﻮاﻧﻨﺪ از اﻧﻮاع داده اي اوﻟﻴﻪ ﺗﺸﻜﻴﻞ ﺷﻮﻧﺪ‪ ,‬و‬
‫اﻧﻬﺎ داراي ﺳﺎﺧﺘﺎرﻫﺎي ﻛﻨﺘﺮل ﻗﺪرﺗﻤﻨﺪي ﻫﺴﺘﻨﺪ ‪.‬در زﻣﻴﻨﻪ ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪,‬‬
‫آﻧﻬﺎ ﻣﻌﻤﻮﻻ" ﺑﻪ ﻋﻨﻮان زﺑﺎن ﻫﺎي ﭘﻴﺎده ﺳﺎزي و اﺟﺮا )ﻳﺎ ﺗﺤﻮﻳﻞ( ﺑﺮاي ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫ﺗﻮﻟﻴﺪ‪ ,‬ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ‪ ,‬ﺑﺎ اﺳﺘﻔﺎده از زﺑﺎن ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ,‬ﺳﺎﺧﺘﻤﺎن‬
‫ﺑﺪﻧﻪ ﻳﺎ اﺑﺰار ﺗﻮﺳﻌﻪ داده ﻣﻲ ﺷﻮد و ﺑﻪ ﻳﻚ زﺑﺎن ﻗﺮار دادي ﭘﺮﺳﺮﻋﺖ ﺗﺮ ) ﻣﻌﻤﻮﻻ" ‪( C‬‬
‫زﻣﺎﻧﻲ ﻛﻪ آن ﺑﻪ ﺻﻮرت راﺿﻲ ﻛﻨﻨﺪه اي ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‪ ,‬ﺗﺮﺟﻤﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫‪.‬‬
‫ﻃﺮاﺣﺎن ﻧﻴﺎز دارﻧﺪ ﺗﺎ از ﻛﺎرﻫﺎي داﺧﻠﻲ ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﻣﻄﻠﻊ ﺑﺎﺷﻨﺪ ﻫﺮﭼﻨﺪ ﻛﻪ زﺑﺎﻧﻬﺎي‬
‫ﺷﻲ ﮔﺮا )ﻣﺎﻧﻨﺪ ‪ (C++‬ﺑﻪ وﺳﻴﻠﻪ ﺑﻜﺎرﮔﻴﺮي زﺑﺎن ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻗﺮار دادي ‪ ,‬ﺗﻮﺳﻌﻪ‬
‫ﺳﺎﺧﺘﺎرﻫﺎي اﺳﺘﻨﺘﺎج را آﺳﺎﻧﺘﺮ ﻛﺮده اﻧﺪ‪ .‬ﻓﺎﻳﺪه اﻳﻦ ﻧﻮع ﺳﻴﺴﺘﻢ ﻫﺎ اﻳﻦ اﺳﺖ ﻛﻪ آﻧﻬﺎ‬
‫ﻣﻌﻤﻮﻻ" ﺑﺮاي ﻣﺴﺎﺋﻞ اﻟﮕﻮرﻳﺘﻤﻴﻚ ﻣﺤﺎﺳﺒﻪ ﻋﺪدي ﺑﻴﺸﺘﺮ ﻛﺎرﺑﺮد دارﻧﺪ ﺗﺎ ﭘﺮدازش ﻫﺎي‬
‫ﺳﻤﺒﻮﻟﻴﻚ و اﻳﻨﻜﻪ ﺳﺎﺧﺘﺎرﻫﺎي واﺿﺢ آﻣﺎده ﺑﺮاي اﺟﺮاي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه وﺟﻮد ﻧﺪارد‪.‬‬
‫‪.‬‬
‫‪ 2-8-8‬زﺑﺎن ﻫﺎي ﺳﻤﺒﻮﻟﻴﻚ‪:‬‬
‫داﻧﺶ ﺑﺸﺮي ﻣﻔﻬﻮﻣﻲ ﭘﻮﻳﺎﺳﺖ و ﻫﺮ ﺗﻼﺷﻲ ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ آن ﺑﺎﻳﺪ ﺷﺎﻣﻞ ﺳﺎﺧﺘﺎرﻫﺎي‬
‫ﻗﺎﺑﻞ ﺑﺴﻂ داﻧﺶ ﺑﺎﺷﺪ ‪ .‬زﺑﺎن ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻨﻄﻖ ﺑﺎﻳﺪ ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ‬
‫ﺑﺮاي ذﺧﻴﺮه و ﺑﺎزﻳﺎﺑﻲ ﺣﻘﺎﻳﻖ ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﻳﺎ اﺳﺘﻨﺒﺎط ﺷﺪه از ﭘﺎﻳﮕﺎه داﻧﺶ ﻳﺎ ﭘﺎﻳﮕﺎه‬
‫ﺣﻘﺎﻳﻖ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ‪ ,‬ﻫﻤﭽﻨﻴﻦ ﺑﺮاي اﺳﺘﻨﺒﺎط ﺣﻘﺎﻳﻖ ﺟﺪﻳﺪ‪ ،‬ﺑﺎﻳﺪ روﻳﻪ ﻫﺎ و ﺗﻮاﺑﻌﻲ داﺷﺘﻪ‬
 ‫‪132‬‬

‫ﺑﺎﺷﻨﺪ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻗﺎﻋﺪه ﻛﻠﻲ ‪ ,‬ﻣﺎ اﻳﻦ ﻛﺎرﻫﺎ را ﺗﻮﺳﻂ زﺑﺎﻧﻬﺎﻳﻲ ﻣﺎﻧﻨﺪ ﻓﺮﺗﺮن ﻳﺎ ﭘﺎﺳﻜﺎل ﻣﻲ‬
‫ﺗﻮاﻧﻴﻢ اﻧﺠﺎم دﻫﻴﻢ ‪ .‬ﺑﺎ اﻳﻦ وﺟﻮد ﻋﻤﻠﻴﺎﺗﻲ ﻧﻈﻴﺮ ﭘﺮدازش ﻟﻴﺴﺖ ﻛﻪ ﺑﺮاي اﺟﺮاي اﺳﺘﻨﺘﺎج‬
‫ﻣﻨﻄﻘﻲ ﻣﻔﻴﺪ ﻫﺴﺘﻨﺪ‪ ,‬ﺑﺮاي ﭘﻴﺎده ﺳﺎزي در زﺑﺎن ﻫﺎي روﻳﻪ اي ﺑﺴﻴﺎر ﻛﻢ ﺑﺎزده و دﺷﻮار‬
‫ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﺨﺼﺼﻲ ﻛﻪ ﺗﻤﺎﻳﻞ ﺑﻪ‬ ‫ﻫﺴﺘﻨﺪ ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻧﻴﺎز ﺑﺮاي زﺑﺎن‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﻟﻴﺴﺘﻲ دارﻧﺪ‪ ,‬ﻣﻲ ﺗﻮاﻧﻨﺪ ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ ﻳﺎ ﺑﻪ ﺻﻮرت دﻟﺨﻮاه ﺗﺮﻛﻴﺐ ﺷﺪه ﻳﺎ‬
‫ﺟﺪا ﺷﺪه ﺑﺎﺷﻨﺪ ‪ .‬اﺳﺘﻔﺎده از ﻳﻚ زﺑﺎن ﺧﺎم ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﭘﻴﺎده ﺳﺎزي آن اﺟﺎزه‬
‫ﻣﻨﻌﻄﻒ ﺑﻮدن ﻣﻲ دﻫﺪ اﻣﺎ ﺗﻼش ﺑﻴﺸﺘﺮي ﺑﺮاي اﻳﺠﺎد اﻣﻜﺎﻧﺎﺗﻲ ﻧﻈﻴﺮ واﺳﻂ ﻛﺎرﺑﺮ ) ﻛﻪ‬
‫ﺑﺪون آن اﻣﻜﺎن دارد زﺑﺎن ﻣﻨﺎﺳﺐ ﺑﻪ ﻧﻈﺮ ﻧﺮﺳﺪ( ﻣﻲ ﻃﻠﺒﺪ‪.‬‬
‫‪.‬‬
‫‪.‬‬

‫ﻟﻴﺴﭗ‪:‬‬
‫ﻟﻴﺴﭗ ﻳﻜﻲ از زﺑﺎن ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي راﻳﺞ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪.‬اﻳﻦ‬
‫زﺑﺎن ﺑﺮاي ﺣﻤﺎﻳﺖ از دﺳﺘﻜﺎري ﻫﺎي ﺳﻤﺒﻮﻟﻴﻚ و ﺗﻘﺎﺑﻠﻲ و روش ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ آزﻣﻮن و‬
‫ﺧﻄﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﺑﻴﺸﺘﺮ ﺗﺤﻘﻴﻘﺎت ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ ‪.‬اﻟﺒﺘﻪ ﻟﻴﺴﭗ ﺗﻨﻬﺎ زﺑﺎن‬
‫ﻣﻮﺟﻮدي ﻧﻴﺴﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي ﻛﺎرﺑﺮد ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺘﻔﺎده‬
‫ﺷﻮد‪ .‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻗﺎﻋﺪه ﻛﻠﻲ ‪ ,‬ﻛﺎرﺑﺮدﻫﺎي اﻳﻦ ﭼﻨﻴﻨﻲ ﻣﻲ ﺗﻮاﻧﻨﺪ در ﻣﺎﺷﻴﻦ ﺗﻮﺳﻂ زﺑﺎن‬
‫اﺳﻤﺒﻠﻲ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺷﻮﻧﺪ‪.‬ﻟﻴﺴﭗ ﺑﺮاي اﺳﺘﻔﺎده راﺿﻲ ﻛﻨﻨﺪه ﺗﺮ اﺳﺖ ﺑﻪ ﺧﺼﻮص ﺑﺎ‬
‫ﻣﻌﺮﻓﻲ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ و ﻛﺎﻣﭙﺎﻳﻠﺮ ﻫﺎي اﺻﻼح ﺷﺪه ﻟﻴﺴﭗ در ﻗﻴﺎس ﺑﺎ زﺑﺎن ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي‬
‫دﻳﮕﺮ ‪ ,‬اﻳﻦ زﺑﺎن از ﻟﺤﺎظ ﻛﺎراﻣﺪي ﺑﺴﻴﺎر ﺑﻬﺘﺮ اﺳﺖ‪.‬‬
‫ﻟﻴﺴﭗ ﺗﻮﺳﻂ ﺟﺎن ﻣﻚ ﻛﺎرﺗﻲ در اواﺧﺮ دﻫﻪ ‪ 50‬ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن ﺑﺮاي ﻛﺎرﺑﺮدﻫﺎي‬
‫‪( LISt‬‬ ‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺖ ‪.‬ﻟﻴﺴﭗ ﻣﺘﺮادف ﻛﻠﻤﻪ ﭘﺮدازﻧﺪه ﻟﻴﺴﺖ‬
‫)‪ Processor‬اﺳﺖ‪.‬زﺑﺎن ﻫﺎي روﻳﻪ اي ﻣﺎﻧﻨﺪ ﭘﺎﺳﻜﺎل ﻳﺎ ‪ C‬داراي ﻋﻤﻠﮕﺮﻫﺎي اﺑﺘﺪاﻳﻲ‬
‫ﺗﺮي ﺑﺮاي اﺟﺮاي ﻣﺤﺎﺳﺒﺎت ﺟﺒﺮي ﺗﻮﺳﻂ ﻓﺮﻣﻮل ﻫﺎي ﺣﺎوي ﺳﻴﻤﺒﻮﻟﻬﺎي ﻋﺪدي ﺻﺤﻴﺢ‬
‫و اﻋﺸﺎري ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ ﻣﻮارد ‪ ,‬زﺑﺎن ﻟﻴﺴﭗ داراي ﻣﺠﻤﻮﻋﻪ اي از ﻋﻤﻠﮕﺮﻫﺎي اوﻟﻴﻪ اﺳﺖ ﻛﻪ آن را‬
‫ﻗﺎدر ﺑﻪ اﻧﺠﺎم اﻧﻮاع ﻣﺨﺘﻠﻔﻲ از اﺳﺘﻨﺒﺎط ﻫﺎ ﺑﺎ ﺟﻤﻼت ) ﻟﻴﺴﺖ ﻫﺎ( ﻛﻪ ﺷﺎﻣﻞ ﻛﻠﻤﺎت )‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪133‬‬

‫رﺷﺘﻪ اي دﻟﺨﻮاه از ﻛﺎراﻛﺘﺮﻫﺎ( ﻫﺴﺘﻨﺪ و ﻧﻤﺎﻳﺶ ﮔﺰاره ﻫﺎ و آرﮔﻮﻣﺎن ﻫﺎﻳﺸﺎن ‪ ,‬ﻣﻲ ﻛﻨﺪ‪..‬‬

‫ﭘﺮوﻟﻮگ‪:‬‬
‫ﭘﺮوﻟﻮگ ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن ﺟﺎﻳﮕﺰﻳﻦ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮﺳﻂ آﻟﻦ‬
‫ﻛﻠﻤﺮار و ﻫﻤﻜﺎراﻧﺶ در ﻣﺎرﺳﻞ در اواﻳﻞ دﻫﺪ ‪ 70‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺖ‪ .‬ﻫﻤﺎﻧﻨﺪ ﻟﻴﺴﭗ ‪ ,‬ﭘﺮوﻟﻮگ‬
‫ﻫﻢ اﺳﺘﺎﻧﺪاردﻫﺎي ﻣﺨﺘﻠﻔﻲ ﭘﻴﺪا ﻛﺮد وﻟﻲ اﺳﺘﺎﻧﺪارد ﻗﻄﻌﻲ و ﻧﻬﺎﻳﻲ آن اﻣﺮوزه ﺑﻪ ﺻﻮرت‬
‫ﻣﺴﺘﺪل ‪،‬اﺳﺘﺎﻧﺪارد ﭘﺮوﻟﻮگ ادﻳﻨﺒﻮرگ اﺳﺖ‪ .‬اﻳﻦ اﺳﺘﺎﻧﺪارد در ﻛﺸﻮرﻫﺎي اروﭘﺎﻳﻲ ‪ ,‬ژاﭘﻦ‬
‫و اﺳﺘﺮاﻟﻴﺎ ﺑﻴﺸﺘﺮ و در اﻳﺎﻻت ﻣﺘﺤﺪه ﻛﻤﺘﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬ﭘﺮوﻟﻮگ ﻧﺴﺒﺖ ﺑﻪ ﻟﻴﺴﭗ‬
‫زﺑﺎن ﺳﻄﺢ ﺑﺎﻻﺗﺮي اﺳﺖ ﭼﺮا ﻛﻪ آن داراي ﺗﻌﺪادي از اﻧﻮاع اﺳﺘﻨﺒﺎط و ﺟﺴﺘﺠﻮ اﺳﺖ ﻛﻪ‬
‫ﻗﺒﻼ ﻣﻮﺟﻮد ﺑﻮده اﺳﺖ‪.‬‬
‫ﺑﻪ ﭘﺮوﻟﻮگ ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﻳﻚ اﺛﺒﺎت ﻛﻨﻨﺪه ﻗﻀﻴﻪ ﭘﻴﺎده ﺳﺎزي ﺷﺪه در ﻓﺮم ﻣﻔﺴﺮ زﺑﺎن‬
‫ﻧﻈﺮ اﻓﻜﻨﺪ ﻛﻪ ﻣﺎ ﺑﻪ واﺳﻄﻪ دادن ﻗﻮاﻋﺪ ﻛﻠﻲ ﺑﻪ آن ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ‬
‫ﻛﻨﻴﻢ‪).‬ﭼﺎرﻧﻴﺎك و ﻣﻚ درﻣﻮت ‪ . (1985‬ﺑﺎ اﻳﻦ دﻳﺪﮔﺎه ‪ ,‬ﭘﺮوﻟﻮگ ﺑﻪ ﻋﻨﻮان ﻳﻚ وﺳﻴﻠﻪ‬
‫ﻗﻄﻌﻲ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﺧﺒﺎري اﺳﺖ‪ .‬ﻫﻤﻪ آن ﭼﻴﺰي ﻛﻪ ﻣﺎ ﺑﺎﻳﺪ اﻧﺠﺎم دﻫﻴﻢ اﻳﻦ اﺳﺖ‬
‫ﻛﻪ ﭘﺮوﻟﻮگ را ﺑﺎ ﻣﺠﻤﻮﻋﻪ اي از ﺣﺎﻻت و ﻗﻮاﻋﺪ ﻛﻠﻲ ﻛﻪ ﺑﻌﻀﻲ ﺳﻴﺴﺘﻢ ﻫﺎ را ﺗﻮﺻﻴﻒ‬
‫ﻣﻲ ﻛﻨﻨﺪ ‪ ,‬ﺗﻬﻴﻪ ﻛﻨﻴﻢ‪ .‬ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﻛﻪ ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ اﺳﺘﺪﻻل ﻛﻨﻨﺪ و ﺣﻘﺎﻳﻖ اﻓﺰوده ﺷﺪه‬
‫دﻟﺨﻮاه ) راه ﺣﻞ ﺑﺮاي ﻣﺴﺌﻠﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻗﺪرت ‪ built-in‬اﺳﺘﻨﺒﺎط( را اﺳﺘﻨﺒﺎط ﻣﻲ‬
‫ﻛﻨﺪ‪.‬‬
‫آﺧﺮﻳﻦ ﺑﺨﺶ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻟﻴﺴﭗ و ﭘﺮوﻟﻮگ ﭼﮕﻮﻧﻪ ﻳﻚ ﻣﺤﻴﻂ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻨﻄﻖ‬
‫ﺳﻄﺢ ﺑﺎﻻﺗﺮ را ﻧﺴﺒﺖ ﺑﻪ زﺑﺎن ﻫﺎي ﻗﺮاردادي ﺗﻮﺳﻂ ﭘﻴﺎده ﺳﺎزي ﻗﺎﺑﻠﻴﺖ ﻫﺎي ﺟﺪاﺳﺎزي‬
‫ﺷﺪه ﺑﺮاي ﻫﺮ دو اﺳﺘﻨﺒﺎط و ﺟﺴﺘﺠﻮ ‪ ,‬ﺗﻬﻴﻪ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﻳﻚ ﻛﺎرﺑﺮد ﻛﺎﻣﻞ ﺑﻪ ﭼﻴﺰي ﺑﻴﺸﺘﺮ از‬
‫اﻳﻦ ﻧﻴﺎز دارد ‪ .‬ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﻛﻪ ﺑﺮاي اﺳﺘﻔﺎده ﺗﻮﺳﻂ اﻧﺴﺎن ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ﺑﻪ واﺳﻄﻪ‬
‫ﻛﺎرﺑﺮ ﻧﻴﺎز دارﻧﺪ و ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﻛﻪ ﺑﺮاي ﻛﺎر ﺑﺎ درﺧﻮاﺳﺘﻬﺎي ﺧﺎرﺟﻲ و ﭘﺎﻳﮕﺎه داده ﻫﺎي‬
‫آﻧﻬﺎ ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ ﺑﻪ واﺳﻂ ﻫﺎي ﻧﺮم اﻓﺰاري ﻧﻴﺎز دارﻧﺪ‪.‬‬
‫در اﻳﻦ ﺑﺨﺶ ﺗﻌﺪادي از ﺑﺪﻧﻪ ﻫﺎي ﺳﺎﺧﺘﻤﺎن ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻳﺎ ﻣﺤﻴﻂ آﻧﻬﺎ را ﻣﻌﺮﻓﻲ‬
‫ﺧﻮاﻫﻴﻢ ﻛﺮد ﻛﻪ ﺗﻮﺳﻂ ﻣﻬﻨﺪﺳﻴﻦ ﺑﻪ ﻋﻨﻮان اﺑﺰارﻫﺎي ﻗﺪرت ﺑﺮاي ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ اﺳﺘﻔﺎده ﻣﻴﺸﻮد‪ .‬در ﺑﻴﺸﺘﺮ ﻣﻮارد ‪ ,‬ﻣﺎ ﻣﺠﺒﻮرﻳﻢ ﻫﺰﻳﻨﻪ اي را ﺑﺮاي ﺑﻜﺎرﮔﻴﺮي‬
‫ﻳﻚ اﺑﺰار ﺳﻄﺢ ﺑﺎﻻﺗﺮ ﺑﭙﺮدازﻳﻢ ﭼﻮن ﻛﻪ ﻣﻘﺪاري اﺗﻼف اﻧﻌﻄﺎف ﭘﺬﻳﺮي وﺟﻮد دارد‪.‬‬
 ‫‪134‬‬

‫ﻛﺎرﺑﺮ ﻳﻚ ﺳﺎﺧﺘﺎر ﺧﺎص ‪ ,‬ﻧﻮﻋﺎ" درﺟﻪ اي از ﻛﻨﺘﺮل ﺑﺮ اﻟﮕﻮي اﺳﺘﻨﺘﺎج و ﻃﺮح واﺳﻂ‬
‫ﻛﺎرﺑﺮ ﺳﻴﺴﺘﻢ را واﮔﺬار ﻣﻲ ﻛﻨﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ ‪ ,‬ﻛﺎرﺑﺮ ﺑﺎﻳﺪ ﻣﺴﺌﻠﻪ را ﺑﺎ ﭼﻴﺰي ﻛﻪ ﻣﺤﺪود ﺷﺪه و‬
‫ﻣﻌﻤﺎري ﻧﺎﻣﻨﺎﺳﺐ ﺑﺎﻟﻘﻮه ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ و اﺳﺘﺪﻻل را دارد‪ ,‬ﻣﻨﻄﺒﻖ ﻛﻨﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﺧﺒﺮ ﺧﻮب اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺮاي ﺗﻌﺪاد زﻳﺎدي از ﻛﻼس ﻫﺎي ﻛﺎرﺑﺮدﻫﺎي ﻣﻬﻨﺪﺳﻲ )‬
‫ﺗﺸﺨﻴﺺ ‪ ,‬ارزﻳﺎﺑﻲ ‪ ,‬ﻣﺎﻧﻴﺘﻮرﻳﻨﮓ و ﭘﻴﻜﺮ ﺑﻨﺪي( ﺳﺎﺧﺘﻤﺎن ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه و اﺑﺰارﻫﺎي‬
‫ﺳﻄﺢ ﺑﺎﻻﻳﻲ وﺟﻮد دارﻧﺪ‪ ,‬ﻛﻪ ﻧﻤﻮﻧﻪ ﻫﺎي ﺑﺎزﻧﻤﺎﻳﻲ و اﺳﺘﺪﻻل آﻧﻬﺎ ﺑﺎ ﻧﻴﺎزﻫﺎي ﻛﺎرﺑﺮد‬
‫ﺧﻴﻠﻲ ﺧﻮب ﻣﻨﻄﺒﻖ اﺳﺖ‪.‬‬
‫اﮔﺮ ﺳﺎﺧﺘﺎر ﻳﺎ ﻣﺤﻴﻄﻲ ﻣﻨﺎﺳﺐ ﺑﺘﻮاﻧﺪ ﻳﺎﻓﺖ ﺷﻮد ﻛﻪ ﻣﻄﺎﺑﻖ ﺑﺎ اﺑﺰار ﻳﻚ ﻛﺎرﺑﺮد ﻣﻌﻴﻦ ﺑﺎﺷﺪ‬
‫‪ ,‬آﻧﮕﺎه آن ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻃﺮز ﻣﻌﻨﺎداري ﻫﻢ ﺳﻮدﻣﻨﺪي و ﻫﻢ ﻛﻴﻔﻴﺖ ﭘﺮدازش ﻣﻬﻨﺪﺳﻲ‬
‫داﻧﺶ را اﻓﺰاﻳﺶ دﻫﺪ‪.‬‬
‫‪ 3-8-8‬ﻣﺤﻴﻂ ﻫﺎي ﺗﻮﺳﻌﻪ‪:‬‬
‫ﻣﺤﻴﻂ ﻫﺎي ﺗﻮﺳﻌﻪ ﻳﺎ ﺟﻌﺒﻪ ﻫﺎي اﺑﺰار ‪ ,‬ﻣﻌﻤﻮﻻ" ﻣﺒﺘﻨﻲ ﺑﺮ ﺳﺨﺖ اﻓﺰار ﺑﻬﻴﻨﻪ ﺷﺪه ﺑﺮاي‬
‫زﺑﺎن دﺳﺘﻜﺎري ﺳﻴﻤﺒﻮل ﻣﺎﻧﻨﺪ ﻟﻴﺴﭗ ﻳﺎ ﭘﺮوﻟﻮگ ﻫﺴﺘﻨﺪ‪ .‬اﻳﻦ زﺑﺎن ﻫﺎي ﺳﻤﺒﻮﻟﻴﻚ ﻫﻤﺮاه‬
‫ﺑﺎ وﻳﺮاﺳﺘﺎرﻫﺎي ﺣﺴﺎس ﺑﻪ ﻣﺘﻦ و ﮔﺮاﻓﻴﻚ ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﻌﻤﻮﻻ" ﺷﺎﻣﻞ اﺳﺘﻨﺘﺎج ‪built-in‬‬
‫ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻣﺤﻴﻂ ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪ ,‬ﺑﺴﺘﻪ ﺧﺎﺻﻲ از ﻛﺪﻫﺎي از ﭘﻴﺶ ﻧﻮﺷﺘﻪ‬
‫ﺷﺪه ﻫﺴﺘﻨﺪ‪.‬آﻧﻬﺎ ﻣﺠﻤﻮﻋﻪ اي از ﺑﻼك ﻫﺎي ﺳﺎﺧﺘﻤﺎن را آﻣﺎده ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ ﺑﺮاي ﺗﻤﺎم‬
‫ﻧﻴﺎزﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﻓﺮاﻫﻢ ﺷﺪه اﻧﺪ و در ﺑﻌﻀﻲ ﻣﻮاﻗﻊ ﺑﻪ ﻋﻨﻮان " ﺟﻌﺒﻪ اﺑﺰار"‬
‫ﺷﻨﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪ .‬در ﻣﻘﺎﻳﺴﻪ ﺑﺎ زﺑﺎن ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻗﺮار دادي ﻳﺎ ﻣﻌﻤﻮﻟﻲ ﻫﻤﺎﻧﻨﺪ‬
‫ﭘﺎﺳﻜﺎل ‪ ,‬ﻣﺤﻴﻂ ﻫﺎ ﺷﺎﻣﻞ ﻛﺘﺎﺑﺨﺎﻧﻪ اي از روﻳﻪ ﻫﺎ ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﻓﺮاﺧﻮاﻧﻲ ﺷﺪه و‬
‫ﺗﻮﺳﻂ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﺑﺮاي ﺗﻮﺳﻌﻪ ﻳﻚ ﻛﺎرﺑﺮد ﺧﺎص ﺑﻪ ﻫﻢ ﺑﭙﻴﻮﻧﺪﻧﺪ‪.‬‬
‫ﻣﺤﻴﻂ ﻫﺎ اﻏﻠﺐ ﺗﻮﺳﻂ ﻟﻴﺴﭗ ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن ﺑﻴﺴﻴﻚ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻣﺤﻴﻂ ﻫﺎي ﺗﻮﺳﻌﻪ ﻧﻤﻮﻧﻪ اي ﻋﺒﺎرﺗﻨﺪ از ‪KnowledgeCraft, G2,Art, KEE :‬‬
‫)ﺟﻜﺴﻮن ‪(1986‬‬
‫ﻛﻪ ﻣﺘﺪﻫﺎي ﻣﺘﻨﻮﻋﻲ را ﺑﺮاي ﺑﺎزﻧﻤﺎﻳﻲ و ﻛﻨﺘﺮل ﭘﺮدازش اﺳﺘﺪﻻل ﭘﻴﺸﻨﻬﺎد ﻣﻲ ﻛﻨﻨﺪ‪.‬آﻧﻬﺎ‬
‫ﺑﻌﻀﻲ ﻣﺎﺟﻮل ﻫﺎي ﻛﺎر ﺟﺰﺋﻲ را در ﺗﻌﺪادي از ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﺎ ﺗﻬﻴﻪ ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ اﻳﻦ‬
‫ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻮﺳﻂ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﺑﺮاي ﺗﻮﺳﻌﻪ ﻛﺎرﺑﺮدﻫﺎ ﻣﺘﺼﻞ ﺷﻮﻧﺪ‪ .‬ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﺎن ﻫﻤﭽﻨﻴﻦ ﻣﻲ ﺗﻮاﻧﻨﺪ اﺑﺰارﻫﺎي ﺧﻮد را ﺑﻪ ﻣﺤﻴﻂ اﺿﺎﻓﻪ ﻛﻨﻨﺪ‪.‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪135‬‬

‫ﻣﺤﻴﻂ ﻫﺎ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﻛﺎﻣﭙﻴﻮﺗﺮي ﺧﺒﺮه اي ﻧﻴﺎز دارﻧﺪ ﺗﺎ ﺑﻬﺘﺮﻳﻦ ﻛﺎراﻳﻲ از اﻧﻬﺎ ﺑﺪﺳﺖ‬
‫آﻳﺪ‪ .‬آﻧﻬﺎ ﻓﻘﻂ ﺑﺮاي ﻛﺎرﺷﻨﺎﺳﺎن ﻳﺎ ﻛﺎرﺑﺮان ﻣﻌﻤﻮﻟﻲ ﻧﻴﺴﺘﻨﺪ‪ .‬ﺗﺠﺮﺑﻪ ﻧﺸﺎن داده اﺳﺖ ﻛﻪ‬
‫ﺣﺪود ‪ 6‬ﻣﺎه ﺗﻼش ﻣﺪاوم ﻧﻴﺎز اﺳﺖ ﺗﺎ ﻣﺤﻴﻂ ﻫﺎ ﺑﺘﻮاﻧﻨﺪ ﭘﺮﺑﺎر ﺑﺎﺷﻨﺪ‪.‬‬
‫ﻓﺎﻳﺪه ﻣﺤﻴﻂ ﻫﺎ ﺑﺮاﺳﺎس ﻣﻴﺰان اﻧﻌﻄﺎف ﭘﺬﻳﺮي اﺳﺘﻨﺘﺎج ‪ ,‬ﻣﻜﺎﻧﻴﺴﻢ ﻫﺎي اﺳﺘﻨﺘﺎج ﻛﻪ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﺗﻮﺳﻌﻪ ﻳﺎﺑﻨﺪ و ﻫﻤﭽﻨﻴﻦ ﻗﺪرت ﻧﺘﻴﺠﻪ ﺑﺨﺸﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ‪.‬‬
‫‪ 4-8-8‬ﺑﺪﻧﻪ ﺳﺎﺧﺘﺎر ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه )‪:(shells‬‬
‫ﺷﻞ ﻳﺎ ﭘﻮﺳﺘﻪ ﻳﺎ ﺑﺪﻧﻪ ﺳﺎﺧﺘﺎر اﺑﺰارﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﺑﺮاي ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اي ﻛﻪ‬
‫اﻣﻜﺎﻧﺎت ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ و ﻣﻜﺎﻧﻴﺰم ﻫﺎي اﺳﺘﻨﺘﺎج را ﻓﺮاﻫﻢ ﻣﻲ ﻧﻤﺎﻳﻨﺪ ‪ .‬ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ‬
‫ﺑﺎﻳﺪ ﺟﺰﺋﻴﺎت داﻧﺶ در ﻣﻮرد ﻳﻚ ﺣﻮزه ﺧﺎص را از ﻳﻚ ﻛﺎرﺷﻨﺎس و ﻣﻨﺒﻊ اﻃﻼﻋﺎﺗﻲ‬
‫ﻛﺴﺐ ﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻳﻚ ﺷﻞ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺎ ﻫﻤﻪ داﻧﺶ ﺣﻮزه ﻳﺎ‬
‫داﻣﻨﻪ و داراي اﻣﻜﺎﻧﺎﺗﻲ ﺑﺮاي وارد ﻛﺮدن ﻳﻚ ﭘﺎﻳﮕﺎه داﻧﺶ ﺟﺪﻳﺪ ﺑﺎﺷﺪ‪ .‬ﺑﻪ ﻃﻮر ﻛﻠﻲ‬
‫ﺑﻌﻀﻲ از ﻓﺮم ﻫﺎي اﻣﻜﺎﻧﺎت اﺷﻜﺎﻟﺰداﻳﻲ ﺑﺮاي ﻛﻨﺘﺮل اﺳﺘﻨﺘﺎج ﻳﻚ ﻣﺴﺌﻠﻪ داده ﺷﺪه‪ ،‬ﻓﺮاﻫﻢ‬
‫ﻣﻲ ﺷﻮد‪.‬‬
‫ﻣﺘﺪ ﻫﺎي اﺳﺘﻨﺘﺎج ﺑﻪ ﺻﻮرت ﻣﻌﻨﻲ داري از ﻳﻚ داﻣﻨﻪ ﺑﻪ داﻣﻨﻪ دﻳﮕﺮ ﺗﻐﻴﻴﺮ ﻣﻲ •‬
‫ﻛﻨﻨﺪ و ﺷﻞ ﻫﺎي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اي ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ﺗﺎ ﺑﻪ ﻃﺮاح اﺟﺎزه‬
‫ﻣﻨﻌﻄﻒ ﺑﻮدن ﺑﻴﺸﺘﺮ را در ﻃﻮل ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺪﻫﻨﺪ‪.‬ﺑﻌﻀﻲ از ﺷﻞ ﻫﺎي‬
‫ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﺧﺒﺮه ﻛﻪ ﻫﻢ اﻛﻨﻮن راﻳﺞ ﻫﺴﺘﻨﺪ در زﻳﺮ ﻟﻴﺴﺖ ﺷﺪه اﻧﺪ‪:‬‬
‫ﻋﻤﻮﻣﺎ" ﺷﻞ ﻫﺎ ﻓﻘﻂ ﺑﺮاي ﻣﺴﺎﺋﻞ ﻫﻤﺎن ﻧﻮع ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻫﺴﺘﻨﺪ و ﺑﺎ ﻗﺎﺑﻠﻴﺖ ﻫﺎي ﺧﻮد‬
‫ﻣﺤﺪود ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺑﺎ اﻳﻦ ﺣﺎل آﻧﻬﺎ ﺷﺎﻳﺪ راﺣﺘﺘﺮﻳﻦ و ﺑﻬﺘﺮﻳﻦ روش ﺑﺮاي ﺳﺎﺧﺖ ﻧﻤﻮﻧﻪ‬
‫اوﻟﻴﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﺎﺷﻨﺪ و ﺑﺮاي ﺑﻜﺎرﮔﻴﺮي ﻧﻴﺎزﺑﻪ ﻣﻬﺎرﺗﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻛﻤﺘﺮي‬
‫دارﻧﺪ‪.‬‬

‫اﻣﻜﺎﻧﺎت ﻧﻤﻮﻧﻪ اي ﭘﻴﺎده ﺳﺎزي ﺗﻬﻴﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﻞ ﻫﺎ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫• ﻳﻚ زﺑﺎن ﺑﺎزﻧﻤﺎﻳﻲ داﻧﺶ‬
‫• ﻳﻚ وﻳﺮاﺳﺘﺎر ﭘﺎﻳﮕﺎه داﻧﺶ‬
‫• اﻣﻜﺎﻧﺎت ردﻳﺎﺑﻲ و اﺷﻜﺎﻟﺰداﻳﻲ‬
‫• ﺗﻌﺪادي اﻣﻜﺎﻧﺎت واﺳﻂ ﻛﺎرﺑﺮي‬
 ‫‪136‬‬

‫• ﺑﻪ زﺑﺎن ﻫﺎي ﻗﺮاردادي ﻳﺎ ﻣﻌﻤﻮﻟﻲ ‪ /‬ﺧﺎرﺟﻲ ﻣﻲ ﭘﻴﻮﻧﺪﻧﺪ‪.‬‬

‫• اﻣﻜﺎﻧﺎﺗﻲ ﺑﺮاي اﺳﺘﺪﻻل ﻫﺎي ﻏﻴﺮ ﺣﺘﻤﻲ‬
‫• اﻣﻜﺎﻧﺎت ﻗﻴﺎس ﻛﻞ از ﺟﺰء )ﺷﺎﻳﺪ(‬
‫ﺑﻪ ﻋﻼوه ﺑﻌﻀﻲ ﻳﺎ ﺗﻤﺎم ﺧﺼﻮﺻﻴﺎت زﻳﺮ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي اﺻﻼح ﻗﺎﺑﻠﻴﺖ اﺳﺘﻔﺎده ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﺷﻞ ﻣﻮﺟﻮد ﺑﺎﺷﺪ‪:‬‬
‫• در دﺳﺘﺮس ﺑﻮدن ﻓﺮﻣﺎن ﻫﺎي ﻛﺎرﺑﺮ ) ﭼﺮا ‪ ,‬ﭼﮕﻮﻧﻪ‪ ,‬ﻟﻴﺴﺖ ﻛﻦ و ﻏﻴﺮه(‬
‫• ﺷﻞ‪ ,‬ﻣﻜﺎﻟﻤﻪ ﻣﻮرد ﻧﻴﺎز در ﻳﻚ ﻣﺸﺎوره از ﭘﺎﻳﮕﺎه داﻧﺶ را ﺗﻮﻟﻴﺪ ﺧﻮاﻫﺪ ﻛﺮد‪.‬‬
‫• ﺷﻞ ‪ ,‬ﺻﻔﺤﻪ ﻧﻤﺎﻳﺶ ﻣﺸﺎوره را ﺑﻪ ﻃﻮر ﺧﻮدﻛﺎر ﻗﺎﻟﺐ ﺑﻨﺪي ﺧﻮاﻫﺪ ﻧﻤﻮد‪.‬‬
‫• درﺟﻪ اي از ﺷﺒﻴﻪ ﺳﺎزي زﺑﺎن ﻃﺒﻴﻌﻲ‬
‫‪ 9-8‬ﻛﺎرﺑﺮدﻫﺎ‬
‫اﻟﻴﺰا‪:‬‬
‫در ﺳﺎل ‪ 1966‬داﻧﺸﻤﻨﺪ رﺷﺘﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ‪ ,‬ژوزف واﻳﺰن ﺑﺎم ‪ ,‬آﺧﺮﻳﻦ اﻗﺪام را ﺑﺮاي ﺑﺮﻧﺎﻣﻪ‬
‫اي ﻛﻪ اﻟﻴﺰا ﻧﺎﻣﻴﺪش اﻧﺠﺎم داد‪ .‬اﻟﻴﺰا ﺑﻪ ﻛﺎرﺑﺮ اﺟﺎزه ﺗﺎﻳﭗ ﻳﻚ ﺟﻤﻠﻪ ﺗﻮﺳﻂ ﺻﻔﺤﻪ ﻛﻠﻴﺪ ﺑﺎ‬
‫ﻫﻴﭻ ﻣﺤﺪودﻳﺖ ﮔﺮاﻣﺮي ﻳﺎ ﻣﺤﺘﻮاﻳﻲ را ﻣﻲ داد و ﺳﭙﺲ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎ ﻳﻚ ﺟﻤﻠﻪ از ﺧﻮد ﺑﻪ‬
‫آن ﭘﺎﺳﺦ ﻣﻲ ﮔﻔﺖ‪ .‬اﻟﻴﺰا از دو ﻣﺎﺟﻮل ﺗﺸﻜﻴﻞ ﺷﺪه ﺑﻮد‪ .‬ﻳﻜﻲ از ﻣﺎﺟﻮل ﻫﺎ ﺣﺎوي روﺗﻴﻦ‬
‫اﺻﻠﻲ ﺑﺮﻧﺎﻣﻪ و دﻳﮕﺮي ﺣﺎوي ﭼﻴﺰي ﺑﻮد ﻛﻪ واﻳﺰن ﺑﺎم آن را ﻧﻤﺎﻳﺸﻨﺎﻣﻪ ﻳﺎ اﺳﻜﺮﻳﭙﺖ ﻣﻲ‬
‫ﻧﺎﻣﻴﺪ‪ .‬ﻳﻚ اﺳﻜﺮﻳﭙﻴﺖ ﻣﺠﻤﻮﻋﻪ اي از ﻗﻮاﻧﻴﻦ ﺑﻮد ﻛﻪ ﺑﻪ اﻟﻴﺰا اﺟﺎزه ﻣﻲ داد ﺗﺎ ﻳﻚ ﻣﻜﺎﻟﻤﻪ‬
‫در ﻣﻮرد ﻳﻚ ﻣﻮﺿﻮع ﺧﺎص را داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬
‫اﺳﻜﺮﻳﭙﺖ ﻫﺎ ﻗﺎﺑﻞ ﻣﻌﺎوﺿﻪ ﻳﺎ ﺗﺒﺎدل ﭘﺬﻳﺮ ﺑﻮدﻧﺪ ﺑﻪ ﻃﻮري ﻛﻪ اﺳﻜﺮﻳﭙﺖ ﻫﺎي ﻣﺨﺘﻠﻔﻲ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﺑﻪ اﻟﻴﺰا ﻣﺘﺼﻞ ﺷﻮﻧﺪ‪ .‬ﺑﺮاي اﻳﻨﻜﻪ آن را وادار ﺑﻪ ﺻﺤﺒﺖ ﺑﺎ ﻛﺎرﺑﺮ در ﻣﻮرد‬
‫ﻣﻮﺿﻮﻋﺎت ﻣﺨﺘﻠﻒ ﻛﻨﻨﺪ ‪.‬‬
‫اﺳﻜﺮﻳﭙﺘﻲ ﻛﻪ واﻳﺰن ﺑﺎم آن را ﺑﺮاي اﻟﻴﺰا ﺧﻠﻖ ﻛﺮد ﻣﻨﺘﺞ ﺑﻪ ﺳﺎﺧﺖ ﺑﺮﻧﺎﻣﻪ اي ﺷﺪ ﻛﻪ‬
‫ﻧﻮﻋﻲ ﺗﻘﻠﻴﺪ از ﻳﻚ ﺟﻠﺴﻪ رواﻧﭙﺰﺷﻜﻲ ﺑﻪ ﺷﻴﻮه دﻛﺘﺮ رواﻧﭙﺰﺷﻚ ‪ ,‬ﻛﺎرل آر ‪ .‬راﺟﺮز ﺑﻮد‪.‬‬
‫ﻧﺴﺨﻪ اي از اﻟﻴﺰا ﻛﻪ ﺣﺎوي اﺳﻜﺮﻳﭙﺖ رواﻧﭙﺰﺷﻜﻲ ﺑﻮد ﺑﻪ ﻧﺎم ‪ DOCTOR‬ﻣﻌﺮوف‬
‫ﺷﺪ‪ .‬در آن زﻣﺎن ‪DOCTOR ,‬ﺷﺎﻳﺪ ﺑﻪ ﻣﺸﻬﻮرﺗﺮﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﭙﻴﻮﺗﺮي در ﺟﻬﺎن ﺗﺒﺪﻳﻞ‬
‫ﺷﺪ‪.‬‬
‫آ ن ﺑﺮﻧﺎﻣﻪ ﻧﺘﺎﻳﺞ ﺧﻮﺑﻲ را ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪ ,‬ﻫﺮﭼﻨﺪ ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﺑﺮﻧﺎﻣﻪ ي ﭘﻴﭽﻴﺪه اي‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪137‬‬

‫ﻧﻴﺴﺖ وﻟﻲ ﺗﻘﺮﻳﺒﺎ" ﺑﺎ ﻫﻮش اﺳﺖ‪ .‬اﻟﻴﺰا ﺑﺮ اﺳﺎس ﺗﻄﺎﺑﻖ ﻗﺴﻤﺖ ﺳﻤﺖ ﭼﭗ ﻗﻮاﻧﻴﻦ در‬
‫ﻣﻘﺎﺑﻞ آﺧﺮﻳﻦ ﺟﻤﻠﻪ ﻛﺎرﺑﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ ‪ ,‬و از ﻗﺴﻤﺖ راﺳﺖ ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﻮﻟﻴﺪ ﭘﺎﺳﺦ‬
‫اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﻛﺎرﺑﺮ ﺗﺎﻳﭗ ﻛﻨﺪ‬
‫”‪“ My brother is mean to me‬‬
‫اﻟﻴﺰا ﻣﻤﻜﻦ اﺳﺖ اﻳﻦ ﮔﻮﻧﻪ ﭘﺎﺳﺦ دﻫﺪ ‪:‬‬
‫“ ‪ ” who else in your family is mean to you‬ﻳﺎ‬
‫”‪“ tell me more about your family‬‬
‫‪ .‬ﻗﻮاﻧﻴﻦ ﺑﻪ وﺳﻴﻠﻪ ﻛﻠﻤﺎت ﻛﻠﻴﺪي ﻣﺮﺗﺐ ﺷﺪه اﻧﺪ ﭘﺲ در واﻗﻊ ﻓﻘﻂ ﺟﻨﺪ ﺟﻤﻠﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ‬
‫ﺑﺎ ﻳﻚ ﺟﻤﻠﻪ ﺑﻪ ﺧﺼﻮص ﺗﻄﺒﻴﻖ داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬اﻳﻦ ﺗﻄﺎﺑﻖ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬

‫ﺑﻌﻀﻲ از ﻗﻮاﻧﻴﻦ ﺳﻤﺖ ﭼﭗ ) ﻗﺴﻤﺖ اﮔﺮ( ﻧﺪارﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻗﺎﻧﻮن ﻣﻲ ﺗﻮاﻧﺪ در ﻫﺮ ﺟﺎﻳﻲ‬
‫ﺑﻪ ﻛﺎر رود ‪ .‬اﻳﻦ ﻗﻮاﻧﻴﻦ زﻣﺎﻧﻲ ﻛﻪ ﻫﻴﭻ ﻗﺎﻧﻮن ﻗﺎﺑﻞ ﺗﻄﺒﻴﻖ ﻧﺒﺎﺷﺪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد و ﭘﺎﺳﺦ‬
‫ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ‪ :‬ﭼﻴﺰﻫﺎي ﺑﻴﺸﺘﺮ ي در ﻣﻮرد آن ﺑﮕﻮ ”‪“ tell me more about that‬‬
‫ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ ﻗﻮاﻧﻴﻦ ﺧﻮدﺷﺎن ﻳﻚ ﻓﺮم ﺗﻘﺮﻳﺒﻲ ﺗﻄﺎﺑﻖ را ﺑﺎﻋﺚ ﻣﻲ‬
‫ﺷﻮﻧﺪ‪.‬اﻟﮕﻮﻫﺎ در ﻣﻮرد ﻛﻠﻤﺎت ﺧﺎﺻﻲ در ﺟﻤﻠﻪ ﻛﺎرﺑﺮ ﺳﺌﻮال ﻣﻲ ﻛﻨﻨﺪ ‪ .‬آﻧﻬﺎ ﻧﻴﺎزي ﻧﺪارﻧﺪ‬
‫ﻛﻪ ﺑﺎ ﻛﻞ ﺟﻤﻼت ﺗﻄﺎﺑﻖ ﻳﺎﺑﻨﺪ‪ .‬از اﻳﻦ رو ﻃﻴﻒ وﺳﻴﻌﻲ از ﺟﻤﻼت ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻮﺳﻂ ﻳﻚ‬
‫ﻗﺎﻧﻮن ﺗﻄﺒﻴﻖ ﻳﺎﺑﻨﺪ‪ ,‬ﭘﻴﭽﻴﺪﮔﻲ ﮔﺮاﻣﺮي زﺑﺎن اﻧﮕﻠﻴﺴﻲ ﺑﻪ راﺣﺘﻲ ﻣﻲ ﺗﻮاﻧﺪ ﻧﺎدﻳﺪه ﮔﺮﻓﺘﻪ‬
‫ﺷﻮد‪.‬‬
‫اﻳﻦ ﻣﻮﺿﻮع دﻟﻴﻠﻲ ﺑﺮاي ﻗﺪرت ﺑﺰرگ اﻟﻴﺰا ) ﺗﻮاﻧﺎﻳﻲ در ﮔﻔﺘﻦ ﭼﻴﺰي ﺗﻘﺮﻳﺒﺎ" ﻣﻌﻘﻮل‪،‬‬
‫ﺗﻘﺮﻳﺒﺎ"ﺑﺮاي ﺗﻤﺎي ﻣﻮارد( و ﻫﻢ ﺿﻌﻒ ﺑﺰرگ آن ) ﺳﻄﺤﻲ ﺑﻮدن ﻓﻬﻢ آن و اﻣﻜﺎن ﮔﻤﺮاه‬
‫ﺷﺪن آن ( اﺳﺖ‪.‬‬
‫ﻓﻬﺮﺳﺖ زﻳﺮ ﻳﻚ ﻣﻜﺎﻟﻤﻪ ﻧﻤﻮﻧﻪ از ﻣﺠﻤﻮﻋﻪ اﻟﻴﺰا را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪:‬‬
‫ﻣﻜﺎﻟﻤﺎت اﻟﻴﺰا‪:‬‬
‫ﺷﺨﺺ ‪ :‬ﻣﺮدﻫﺎ ﻫﻤﻪ ﻣﺜﻞ ﻫﻢ ﻫﺴﺘﻨﺪ‪.‬‬
‫اﻟﻴﺰا‪ :‬در ﭼﻪ ﻣﻮرد؟‬
‫ﺷﺨﺺ ‪ :‬آﻧﻬﺎ ﻫﻤﻴﺸﻪ در ﻣﻮرد ﻳﻚ ﻣﻮﺿﻮع ﻳﺎ ﭼﻴﺰي ﺑﻪ ﻣﺎ ﮔﻴﺮ ﻣﻲ دﻫﻨﺪ‪.‬‬
‫اﻟﻴﺰا‪ :‬ﻣﻲ ﺗﻮاﻧﻲ در ﻣﻮرد ﻳﻚ ﻧﻤﻮﻧﻪ ﺧﺎص ﻓﻜﺮ ﻛﻨﻲ؟‬
‫ﺷﺨﺺ‪ :‬ﺧﻮب ‪ ,‬ﻧﺎﻣﺰد ﻣﻦ ﻣﺮا وادار ﺑﻪ آﻣﺪن ﺑﻪ اﻳﻨﺠﺎ ﻛﺮد‪.‬‬
‫اﻟﻴﺰا‪ :‬ﻧﺎﻣﺰد ﺗﻮ ‪ ,‬ﺗﻮ را وادار ﺑﻪ آﻣﺪن ﺑﻪ اﻳﻨﺠﺎ ﻛﺮد‬
 ‫‪138‬‬

‫ﺷﺨﺺ‪ :‬او ﻣﻲ ﮔﻮﻳﺪ ﻣﻦ اﻏﻠﺐ اوﻗﺎت اﻓﺴﺮده ام‪.‬‬

‫اﻟﻴﺰا‪ :‬ﻣﺘﺎﺳﻔﻢ ﻛﻪ ﻣﻲ ﺷﻨﻮم ﺗﻮ اﻓﺴﺮده ﻫﺴﺘﻲ‪.‬‬
‫ﺷﺨﺺ‪ :‬درﺳﺖ اﺳﺖ‪ ,‬ﻣﻦ ﺑﺪﺑﺨﺖ ﻫﺴﺘﻢ‪.‬‬
‫اﻟﻴﺰا‪ :‬آﻳﺎ ﻓﻜﺮ ﻣﻲ ﻛﻨﻲ آﻣﺪﻧﺖ ﺑﻪ اﻳﻨﺠﺎ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ﻛﻪ دﻳﮕﺮ اﺣﺴﺎس ﺑﺪﺑﺨﺘﻲ ﻧﻜﻨﻲ؟‬
‫ﺷﺨﺺ ‪ :‬اﻳﻨﻜﻪ ﻣﻦ ﺑﻪ ﻛﻤﻚ اﺣﺘﻴﺎج دارم ﺑﻪ ﻧﻈﺮ ﺣﺘﻤﻲ ﻣﻲ آﻳﺪ‪.‬‬
‫اﻟﻴﺰا‪ :‬ﺑﺮاي ﺗﻮ ﻛﻤﻚ ﮔﺮﻓﺘﻦ ﭼﻪ ﻣﻌﻨﻲ ﻣﻲ دﻫﺪ؟‬
‫ﺷﺨﺺ ‪ :‬ﺷﺎﻳﺪ ﺑﺘﻮاﻧﻢ ﻳﺎد ﺑﮕﻴﺮم ﻛﻪ ﺑﺎ ﻣﺎدرم ﺑﻬﺘﺮ ﺳﺮ ﻛﻨﻢ‪.‬‬
‫اﻟﻴﺰا‪ :‬در ﻣﻮرد ﺧﺎﻧﻮاده ات ﺑﻴﺸﺘﺮ ﺑﮕﻮ‪.‬‬
‫ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ در ﻧﮕﺎه اول ﻣﻜﺎﻟﻤﻪ ﺑﺎﻻ ﺷﮕﻔﺖ اﻧﮕﻴﺰ ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ‪ ,‬وﻟﻲ ﺑﻴﺸﺘﺮ از آﻧﻜﻪ‬
‫از ﻳﻚ ادراك واﻗﻌﻲ از ﺟﺎﻧﺐ ‪ DOCTOR‬ﺑﺪﺳﺖ آﻣﺪه ﺑﺎﺷﺪ ﺗﻮﺳﻂ ﻳﻚ ﺣﻴﻠﻪ ﮔﺮي‬
‫ﻣﻌﻨﺎﻳﻲ ﺑﻪ دﺳﺖ آﻣﺪه اﺳﺖ ‪ .‬اﻳﻦ ﻳﻚ ﻧﻤﻮﻧﻪ ﺧﻮب از ﺑﺮﻧﺎﻣﻪ ﺑﻮد‪ .‬ﻣﺘﺎﺳﻔﺎﻧﻪ ‪ ,‬ﻫﻤﺎﻧﻄﻮر ﻛﻪ‬
‫ﺑﻴﺎن ﺷﺪ ‪ DOCTOR ,‬ﻫﻴﭻ ادراك واﻗﻌﻲ از ﻣﻜﺎﻟﻤﻪ اي ﻛﻪ در آن ﺷﺮﻛﺖ دارد ‪,‬ﻧﺪارد‪.‬‬
‫ﮔﺎﻫﻲ ﻳﻜﻲ از ﺣﻘﻪ ﻫﺎي ﻣﻮﺟﻮد در ﺑﺮﻧﺎﻣﻪ در ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻧﺎﻣﻨﺎﺳﺐ ﺑﻪ ﻛﺎر ﺧﻮاﻫﺪ رﻓﺖ‬
‫زﻳﺮا ﻛﻪ ‪ DOCTOR‬ﺧﻮد ﻧﻤﻲ ﻓﻬﻤﺪ ﻛﻪ اﻳﻦ ﺣﻘﻪ ﻳﺎ ﺗﺪﺑﻴﺮ ﻣﻨﺎﺳﺐ آن وﺿﻌﻴﺖ ﻧﻴﺴﺖ‬
‫‪ .‬ﭘﺎﺳﺦ ﻳﺎ ﻧﺘﻴﺠﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺳﺎدﮔﻲ ﺑﺴﻴﺎر ﻧﺎﻣﻨﺎﺳﺐ و ﻣﻀﺤﻚ ﺑﺎﺷﺪ‪.‬‬
‫‪ PARRY‬ﭘﺎراﻧﻮﻳﺪ ﻣﺼﻨﻮﻋﻲ‪:‬‬
‫ﺿﻤﻨﺎ" ‪ ,‬ﻛﻨﺖ ﻛﻠﺒﻲ ﻛﻪ ﻋﻼﻗﻪ ﻣﻨﺪ ﺑﻪ ﻛﺎر در زﻣﻴﻨﻪ ﻣﺪﻟﺴﺎزي رﻓﺘﺎر ﻫﺎي اﻧﺴﺎﻧﻲ ﺑﻮد ‪,‬‬
‫ﺷﺮوع ﺑﻪ ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ ﺧﻮد ﻧﻤﻮد ﻛﻪ ﻣﻲ ﺗﻮان ﮔﻔﺖ ﺑﻪ ﻧﻮﻋﻲ اﻳﻦ ﺑﺮﻧﺎﻣﻪ اﺑﺘﻜﺎري ﺗﺮ از‬
‫‪ DOCTOR‬ﺑﻮد ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﭘﺮي)‪ ( PARRY‬ﺑﻮد‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻳﻚ ﻣﻜﻤﻞ ﺑﺮاي‬
‫‪ DOCTOR‬ﺑﻮد ﺑﻪ اﻳﻦ ﺻﻮرت ﻛﻪ ‪ DOCTOR‬ﻧﻘﺶ رواﻧﭙﺰﺷﻚ و ‪PARRY‬‬
‫ﻧﻘﺶ ﺑﻴﻤﺎر ﺑﺮ روي ﺗﺨﺖ رواﻧﭙﺰﺷﻚ را ﺑﺎزي ﻣﻲ ﻛﺮد‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺨﺘﺼﺮ ‪ PARRY ,‬واﻛﻨﺶ ﻫﺎي ﻳﻚ ﺟﻮان ﻛﻪ ﻣﺸﻜﻞ اﺳﻜﻴﺰوﻓﺮﻧﻲ ﭘﺎراﻧﻮﻳﺪ را‬
‫دارد ‪ ,‬ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﻛﻨﺪ‪ PARRY .‬ﻫﻤﺎﻧﻨﺪ ‪ DOCTOR‬ﺑﺮﻧﺎﻣﻪ اي داراي اﺛﺮ‬
‫ﻣﺘﻘﺎﺑﻞ اﺳﺖ‪ .‬ﺷﺨﺺ ﺑﻪ وﺳﻴﻠﻪ ﺻﻔﺤﻪ ﻛﻠﻴﺪ ﻛﺎﻣﭙﻴﻮﺗﺮ ‪ ,‬ﺳﺌﻮاﻻت و ﻓﺮﻣﺎﻧﻬﺎي ﺧﻮد را وارد‬
‫ﻣﻲ ﻛﻨﺪ ‪ .‬ﭘﺎﺳﺦ ﻫﺎ ﺑﻪ وﺳﻴﻠﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد‪ .‬ﺷﺎﻳﺴﺘﮕﻲ اﻳﻦ ﺷﺒﻴﻪ ﺳﺎزي اﻳﻦ ﮔﻮﻧﻪ‬
‫ﺗﺼﺪﻳﻖ ﺷﺪ ﻛﻪ ‪ ,‬ﻛﻠﺒﻲ ﻧﺴﺨﻪ اي از ﻳﻜﻲ از ﻣﻜﺎﻟﻤﺎت ‪ PARRY‬را ﺑﺮاي ﭼﻨﺪ‬
‫رواﻧﭙﺰﺷﻚ ﻓﺮﺳﺘﺎد و ازآﻧﻬﺎ ﺧﻮاﺳﺖ ﺗﺎ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻳﻚ ﻣﻜﺎﻟﻤﻪ واﻗﻌﻲ ﺑﻴﻤﺎر ﺑﺎ‬
‫رواﻧﭙﺰﺷﻚ ‪ ,‬ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻧﺪ ﻛﻪ ﻛﺪام ﻳﻚ واﻗﻌﻲ و ﻛﺪام روﻧﻮﺷﺖ اﺳﺖ‪ .‬ﻓﻘﻂ ‪ %51‬از‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪139‬‬

‫رواﻧﭙﺰﺷﻜﺎن ﺗﻮاﻧﺴﺘﻨﺪ ﻣﻜﺎﻟﻤﻪ واﻗﻌﻲ را ﺗﺸﺨﻴﺺ دﻫﻨﺪ‪ .‬ﻫﺮ ﭼﻨﺪ ﻛﻪ ‪ 51‬درﺻﺪ رﻗﻤﻲ‬
‫ﺑﻬﺘﺮ از اﻧﺘﺨﺎب ﻫﺎي ﺗﺼﺎدﻓﻲ ﻧﻴﺴﺖ‪.‬‬
‫ﻣﻜﺎﻧﻴﺰم داﺧﻠﻲ ‪ PARRY‬ﻫﻤﺎﻧﻨﺪ ‪ DOCTOR‬ﻛﺎﻣﻼ" ﺑﺮاﺳﺎس ﺗﺪاﺑﻴﺮ و ﺣﻘﻪ ﻫﺎي‬
‫ﻣﻌﻨﺎﻳﻲ ﭘﺎﻳﻪ ﮔﺬاري ﺷﺪه اﺳﺖ‪ .‬اﻳﻨﮕﻮﻧﻪ ﺑﻪ ﻧﻈﺮ ﻣﻲ آﻳﺪ ﻛﻪ‪ PARRY‬ﻓﻘﻂ ﺳﺌﻮاﻻت‬
‫ﻣﺼﺎﺣﺒﻪ ﻛﻨﻨﺪه را ﻣﻲ ﻓﻬﻤﺪ وﻟﻲ در واﻗﻊ ﺑﻪ ﻫﻴﭻ وﺟﻪ ﻣﻜﺎﻟﻤﻪ را درك ﻧﻤﻲ ﻛﻨﺪ ‪ .‬ﻫﻨﮕﺎﻣﻲ‬
‫ﻛﻪ ﺳﺌﻮاﻟﻲ ﻧﻪ ﭼﻨﺪان ﺳﻄﺢ ﺑﺎﻻ ﭘﺮﺳﻴﺪه ﺷﻮد ‪ PARRY ,‬ﭘﺎﺳﺦ ﻧﺎﻣﺮﺑﻮط اراﺋﻪ ﺧﻮاﻫﺪ‬
‫داد ﻫﻤﺎﻧﻄﻮر ﻛﻪ ‪DOCTOR‬اﻳﻦ ﻛﺎر را ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺎ اﻳﻦ ﺣﺎل ‪ PARRY ,‬ﻳﻚ ﺑﺮﺗﺮي‬
‫ﻧﺴﺒﺖ ﺑﻪ دﻛﺘﺮ دارد و آن اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺎ ﺣﺬاﻗﻞ ﺟﻮاﺑﻬﺎي ﻧﺎﻣﺮﺑﻮط را از ﻳﻚ ﺑﻴﻤﺎر‬
‫رواﻧﻲ اﻧﺘﻈﺎر دارﻳﻢ ﻧﻪ ﻳﻚ ﭘﺰﺷﻚ‪ .‬اﻧﺘﻈﺎرات ﻣﺎ از ﻳﻚ رواﻧﭙﺰﺷﻚ ﻻﻳﻖ اﺣﺘﻤﺎﻻ" ﻛﻤﻲ‬
‫ﻣﺘﻔﺎوت اﺳﺖ! ﻟﻴﺴﺖ زﻳﺮ ﻣﺠﻤﻮﻋﻪ اي از ﻳﻚ ﻣﻜﺎﻟﻤﻪ ﺑﺎ ‪ PARRY‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫• دﻳﺎﻟﻮگ ‪ ) PARRY‬ﺿﻌﻴﻒ(‬
‫ﺷﺨﺺ‪ :‬ﭼﻪ ﻣﺪت در ﺑﻴﻤﺎرﺳﺘﺎن ﺑﻮده اي؟‬
‫‪ : PARRY‬ﻣﺪت ﻳﻚ ﻫﻔﺘﻪ‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ اﻓﺴﺮده ﻫﺴﺘﻲ؟‬
‫‪ : PARRY‬ﻧﻪ‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ دارو ﻣﺼﺮف ﻣﻲ ﻛﺮدي؟‬
‫‪ :PARRY‬ﻧﻪ‬
‫ﺷﺨﺺ‪ :‬ﻣﺸﻜﻞ ﺗﻮ ﭼﻴﻪ؟‬
‫‪ : PARRY‬ﻣﺮدم ﻣﻨﻮ ﻋﺼﺒﻲ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﺷﺨﺺ‪ :‬ﭼﮕﻮﻧﻪ اﻳﻦ ﻛﺎر ار اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ؟‬
‫‪ : PARRY‬آﻧﻬﺎ ﺑﻪ ﻣﻦ ﺧﻴﺮه ﻧﮕﺎه ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﺷﺨﺺ‪ :‬ﭼﺮا؟‬
‫‪ : PARRY‬ﺷﺎﻳﺪ آﻧﻬﺎ از ﻃﺮز ﻧﮕﺎه ﻛﺮدن ﻣﻦ ﺧﻮﺷﺸﺎن ﻧﻤﻲ آﻳﺪ‪.‬‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ ﺑﻪ ﻃﺮز ﻏﻴﺮ ﻣﻌﻤﻮﻟﻲ ﻧﮕﺎه ﻣﻲ ﻛﻨﻲ؟‬
‫‪ : PARRY‬ﭼﺮا ﺗﻮ ﻋﻼﻗﻪ ﻣﻨﺪ ﺑﻪ داﻧﺴﺘﻦ ﻃﺮز ﻧﮕﺎه ﻛﺮدن ﻣﻦ ﻫﺴﺘﻲ؟‬
‫ﺷﺨﺺ‪ :‬ﭼﻮن ﺗﻮ ﮔﻔﺘﻲ ﻣﺮدم ﺧﻴﺮه ﺑﻪ ﺗﻮ ﻧﮕﺎه ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ : PARRY‬ﺧﻮب ‪ ,‬ﮔﺎﻫﻲ‪.‬‬
 ‫‪140‬‬

‫• ﻣﻜﺎﻟﻤﻪ ‪ ) PARRY‬ﻗﻮي(‬
‫ﺷﺨﺺ ‪ :‬ﺗﻮ ﭼﺮا در ﺑﻴﻤﺎرﺳﺘﺎن ﻫﺴﺘﻲ ؟‬
‫‪ :PARRY‬ﺧﻮب ﻧﺒﺎﻳﺪ ﻣﻲ ﺑﻮدم‪.‬‬
‫ﺷﺨﺺ‪ :‬ﭼﻪ ﻛﺴﻲ ﺗﻮ را اﻳﻨﺠﺎ آورد؟‬
‫‪ : PARRY‬ﭘﻠﻴﺲ‬
‫ﺷﺨﺺ‪ :‬ﭼﻪ ﻣﺸﻜﻠﻲ ﺑﺎ ﭘﻠﻴﺲ داﺷﺘﻲ؟‬
‫‪ : PARRY‬ﭘﻠﻴﺲ ﻫﺎ ﻛﺎر ﺧﻮدﺷﺎن را اﻧﺠﺎم ﻧﻤﻲ دﻫﻨﺪ‪.‬‬
‫ﺷﺨﺺ‪ :‬ﺑﻪ ﺟﺎي آ ن ﭼﻪ ﻛﺎري اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ؟‬
‫‪ : PARRY‬آﻧﻬﺎ آدﻣﻬﺎي اﺷﺘﺒﺎﻫﻲ را دﺳﺘﮕﻴﺮ ﻣﻲ ﻛﻨﻨﺪ‬
‫ﺷﺨﺺ‪ :‬وﻟﻲ آﻧﻬﺎ ﮔﺎﻫﻲ آدﻣﻬﺎي درﺳﺘﻲ را ﻫﻢ دﺳﺘﮕﻴﺮ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ : PARRY‬ﻗﺎﻧﻮن ﺑﺎﻳﺪ آن ﻛﻼﻫﺒﺮداران اﻳﺘﺎﻟﻴﺎﻳﻲ را دﺳﺘﮕﻴﺮ ﻛﻨﻪ‪.‬‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ اﻳﺘﺎﻟﻴﺎﻳﻲ ﻫﺴﺘﻲ؟‬
‫‪ :PARRY‬اﺟﺪاد ﻣﻦ اﻧﮕﻠﻴﺴﻲ ﻫﺴﺘﻨﺪ وﻟﻲ ﻣﻦ در اﻳﻦ ﻛﺸﻮر ﺑﻪ دﻧﻴﺎ آﻣﺪه ام‪.‬‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ ﻛﻼﻫﺒﺮداران اﻳﺘﺎﻟﻴﺎﻳﻲ رو ﻣﻲ ﺷﻨﺎﺳﻲ؟‬
‫‪ :PARRY‬ﻣﻦ ﺳﻌﻲ ﻣﻲ ﻛﻨﻢ از دﻧﻴﺎي ﺗﺒﻬﻜﺎران ﻓﺎﺻﻠﻪ ﺑﮕﻴﺮم‬
‫ﺷﺨﺺ‪ :‬آﻳﺎ ﺗﻮ ﺑﺎ ﻣﺎﻓﻴﺎ در ارﺗﺒﺎط ﻫﺴﺘﻲ؟‬
‫‪ :PARRY‬ﻣﻲ دوﻧﻲ؟ آﻧﻬﺎ ﻣﻨﻮ ﻣﻲ ﺷﻨﺎﺳﻨﺪ‪.‬‬
‫ﺷﺨﺺ‪ :‬آﻧﻬﺎ ﭼﻪ ﻃﻮري ﺗﻮ رو ﻣﻲ ﺷﻨﺎﺳﻨﺪ؟‬
‫‪ : PARRY‬آﻧﻬﺎ ﺟﺎﺳﻮﺳﻲ ﻣﻨﻮ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ DENDRAL‬دﻧﺪرال‪:‬‬
‫دﻧﺪرال ﺗﻮﺳﻂ ﻓﺎﻳﮕﻦ ﺑﺎم در ﺳﺎل ‪ 1964‬در داﻧﺸﮕﺎه اﺳﺘﻨﻔﻮرد ﺗﻮﺳﻌﻪ ﻳﺎﻓﺖ‪ .‬ﻫﺪف آن‬
‫ﻳﺎﻓﺘﻦ ﺳﺎﺧﺘﻤﺎن ﻣﻮﻟﻜﻮﻟﻲ ﻳﻚ ﺟﺴﻢ ﻣﺮﻛﺐ اﺳﺖ ‪ .‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻳﻚ ﺷﻴﻤﻴﺪان ﺑﺎ ﻳﻚ ﺟﺴﻢ‬
‫ﻣﺮﻛﺐ ﻧﺎﺷﻨﺎﺧﺘﻪ ﻣﻮاﺟﻪ ﻣﻲ ﺷﻮد ‪ ,‬اوﻟﻴﻦ ﻛﺎري ﻛﻪ اﻧﺠﺎم ﻣﻲ دﻫﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﭘﻲ ﺑﻪ‬
‫اﺗﻤﻬﺎي ﺳﺎزﻧﺪه آن ﺟﺴﻢ و ﻧﺴﺒﺖ اﻳﻦ اﺗﻤﻬﺎ ﻣﻲ ﺑﺮد‪ .‬ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ‪ ,‬او ﺗﺴﺖ ﻫﺎي‬
‫ﺗﺤﻠﻴﻠﻲ و آزﻣﺎﻳﺸﺎﺗﻲ اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ .‬ﻳﻜﻲ از اﺑﺰارﻫﺎﻳﻲ ﻛﻪ در اﻳﻦ ﻛﺎر اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ‪,‬‬
‫دﺳﺘﮕﺎه اﺳﭙﻜﺘﺮوﻣﺘﺮ ﺟﺮم اﺳﺖ‪ .‬دﻗﺖ ﻋﻤﻠﻴﺎت آن در اﻳﻨﺠﺎ ﻣﻮرد ﺗﻮﺟﻪ ﻣﺎ ﻧﻴﺴﺖ ‪ .‬ﺑﺎ ﻳﻚ‬
‫ﺗﻌﺮﻳﻒ ﺳﺎده ‪ ,‬آن ﻓﺮﻛﺎﻧﺲ ﻧﺴﺒﻲ اﺗﻤﻬﺎي ﻣﺨﺘﻠﻒ و اﺟﺰاي ﻣﻮﻟﻜﻮﻟﻲ در ﻳﻚ ﺗﺮﻛﻴﺐ را‬
‫ﻣﻲ ﻳﺎﺑﺪ ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ اﻃﻼﻋﺎت ‪ ,‬ﺷﻴﻤﻴﺪان ‪ ,‬اﺗﻤﻬﺎي ﺳﺎزﻧﺪه و ﭼﮕﻮﻧﮕﻲ ﭼﻴﺪه‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪141‬‬

‫ﺷﺪن آﻧﻬﺎ را در ﻳﻚ ﻣﻮﻟﻜﻮل ﺣﺪس ﻣﻲ زﻧﺪ‪.‬‬

‫اﻳﻦ ﻋﻤﻞ ﻣﺎ را ﺑﻪ ﻳﺎد ﻣﺴﺌﻠﻪ اي ﻣﻲ اﻧﺪازد ﻛﻪ ﺑﺎ داﺷﺘﻦ ﺳﻨﻴﻦ اﻓﺮاد ﻳﻚ ﺧﺎﻧﻮاده ﺑﺎﻳﺪ ﭘﻲ‬
‫ﺑﻪ ﺳﻦ اﻓﺮاد دﻳﮕﺮ ﺧﺎﻧﻮاده ﺑﺮﻳﻢ ‪.‬وﻟﻲ اﻟﺒﺘﻪ ‪ ,‬اﻳﻦ ﻣﻮرد ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه ﺗﺮ اﺳﺖ ‪ .‬ﺧﺎﻧﻮاده‬
‫ﺑﺴﻴﺎر ﺑﺰرگ اﺳﺖ‪ ,‬در ﻣﻮرد اﺗﻤﻬﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه و رواﺑﻂ ﺑﻴﻦ آﻧﻬﺎ ﻛﺘﺎب ﻫﺎ ﻣﻲ ﺗﻮان‬
‫ﻧﻮﺷﺖ ‪ .‬وﻟﻲ ﻣﻬﻤﺘﺮﻳﻦ واﻗﻌﻴﺖ اﻳﻦ اﺳﺖ ﻛﻪ ﻫﻴﭻ اﻟﮕﻮرﻳﺘﻢ ﻋﻠﻤﻲ وﺟﻮد ﻧﺪارد ﻛﻪ ﺑﺎ آن‬
‫ﺑﺘﻮان از ﻃﻴﻒ ﺟﺮﻣﻲ ﺑﻪ ﺳﺎﺧﺘﺎر ﻣﻮﻟﻜﻮﻟﻲ آن ﭘﻲ ﺑﺮد‪.‬‬
‫در اﺻﻞ ‪ ,‬دﻧﺪرال ﺑﺮاي ﺷﻤﺎرش ﺗﻤﺎم ﭘﻴﻜﺮﺑﻨﺪي ﻫﺎي ﻣﻤﻜﻦ از ﻣﺠﻤﻮﻋﻪ اﺗﻤﻬﺎي رﻋﺎﻳﺖ‬
‫ﻛﻨﻨﺪه ﻗﻮاﻧﻴﻦ ﺑﻨﻴﺎن ﺷﻴﻤﻲ‪ ،‬ﻃﺮاﺣﻲ ﺷﺪه ﺑﻮد‪ .‬اﻳﻦ ﺷﻤﺎرش ﺑﻌﺪﻫﺎ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ‬
‫ﻟﻴﺴﺖ از اﻣﻜﺎن ﻫﺎ ﺑﺮاي ﺷﻴﻤﻴﺪان ﺑﺎﺷﺪ‪ .‬ﺑﺎ ﻳﻚ ﺗﻌﺮﻳﻒ اﻛﻴﺪ ﻣﻲ ﺗﻮان ﮔﻔﺖ ‪ ,‬دﻧﺪرال‬
‫اﻛﻨﻮن ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻴﺴﺖ ﺑﻠﻜﻪ ﻳﻚ ﺧﺎﻧﻮاده از ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ اﻟﮕﻮرﻳﺘﻢ اﺻﻠﻲ را در‬
‫ﻣﺮﻛﺰ اﻳﻦ ﺧﺎﻧﻮاده دارﻧﺪ‪ .‬ﺑﻄﻮر ﻋﻤﺪه ﺑﺮﻧﺎﻣﻪ ﻫﺎي دﻳﮕﺮي ﻗﺪرت اﻳﻦ ﺑﺮﻧﺎﻣﻪ را اﻓﺰاﻳﺶ‬
‫دادﻧﺪ‪ .‬ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﺑﺴﻂ ﻫﺎ اﻳﻦ ﺑﻮد ﻛﻪ ﻣﺠﻤﻮﻋﻪ اي از ﻣﻮارد ﻣﻤﻜﻦ را ﻣﻲ ﮔﺮﻓﺖ و‬
‫آن را ﺑﻪ ﻣﻮاردي ﻛﻪ ﻣﺤﺘﻤﻞ ﻫﺴﺘﻨﺪ ﻛﺎﻫﺶ ﻣﻲ داد‪ .‬ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ‪ ,‬آن ﻣﻲ ﺑﺎﻳﺴﺖ‬
‫ﻗﻮاﻧﻴﻦ ﻣﺒﺘﻨﻲ ﺑﺮ ﺣﻘﺎﻳﻖ ﺷﻴﻤﻴﺎﻳﻲ و ﻛﺸﻒ ﻛﻨﻨﺪﮔﻲ ﻫﺎ را ذﺧﻴﺮه ﻧﻤﻮده و از آﻧﻬﺎ اﺳﺘﻔﺎده‬
‫ﻛﻨﺪ‪ ) ,‬ﻗﻮاﻧﻴﻦ ﻣﺒﺘﻨﻲ ﺑﺮ ﺣﻘﺎﻳﻖ ﺷﻴﻤﻴﺎﻳﻲ ‪ ,‬ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﻮاﻧﻴﻦ ﺷﻴﻤﻴﺎﻳﻲ و ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﺠﺮﺑﻪ و‬
‫ﻗﻀﺎوت ﻛﺎرﺷﻨﺎﺳﺎن (‬
‫دﻧﺪرال داﺳﺘﺎن ﻳﻚ ﻣﻮﻓﻘﻴﺖ اﺳﺖ ‪ .‬ﻧﺘﺎﻳﺞ ﮔﺮﻓﺘﻪ ﺷﺬه از اﻳﻦ ﻛﺎرﺑﺮد در ﺑﻴﺶ از ‪ 50‬ﻣﻘﺎﻟﻪ‬
‫ذﻛﺮ ﺷﺪﻧﺪ ﻛﻪ ﻧﻪ ﺗﻨﻬﺎ ﻣﻔﻴﺪ ﺑﻮدن آن را ﺗﺼﺪﻳﻖ ﻧﻤﻮدﻧﺪ ﺑﻠﻜﻪ درﺑﺎره اﺧﺘﻴﺎرات ﻋﻠﻤﻲ آن‬
‫ﻧﻴﺰ ﺑﺤﺚ ﻛﺮدﻧﺪ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺑﺼﻮرت ﻣﺮﺗﺐ و روﺗﻴﻦ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻴﮕﻴﺮد‪ .‬ﺗﻌﺪاد‬
‫ﻛﺎرﺑﺮان آن در ﺳﺎل ‪ 1983‬ﺑﻪ ﻗﺪري ﺑﺎ ﺳﺮﻋﺖ اﻓﺰاﻳﺶ ﻳﺎﻓﺖ ﻛﻪ ﻧﻬﺎﻳﺘﺎ" ﻳﻚ ﻛﺎرﺧﺎﻧﻪ‬
‫ﻣﺠﺰا ﺑﺮاي ﺗﻮزﻳﻊ و ﺳﺎﺧﺖ ﻧﺴﺨﻪ ﻫﺎي دﻳﮕﺮ آن ﺑﺮ ﭘﺎ ﺷﺪ‬
‫ﻣﺎﻳﺴﻴﻦ‪:‬‬
‫ﻳﻜﻲ از ﻣﺘﺪاوﻟﺘﺮﻳﻦ ﻓﺮم ﻫﺎي ﺑﻴﻤﺎري ﻛﻪ ﻣﺎ را رﻧﺞ ﻣﻲ دﻫﺪ ‪ ,‬ﻋﻔﻮﻧﺖ ﻫﺎي ﺑﺎﻛﺘﺮﻳﺎﻳﻲ‬
‫اﺳﺖ‪ .‬ﺑﺎ ﺳﭙﺎس از ﭘﻴﺸﺮﻓﺖ ﻫﺎي ﭘﺰﺷﻜﻲ ‪ ,‬ﻣﺎ اﻣﺮوزه ﺗﻌﺪاد زﻳﺎدي از آﻧﺘﻲ ﻣﻴﻜﺮوب ﻫﺎ و‬
‫داروي ﻣﻌﺮوﻓﺘﺮ آﻧﺘﻲ ﺑﻴﻮﺗﻴﻚ ﻫﺎ را ﺑﺮاي ﻣﺒﺎرزه ﺑﺎ اﻳﻦ ﻋﻔﻮﻧﺖ ﻫﺎ را دارﻳﻢ ‪ .‬وﻟﻲ اﻣﺮوزه‬
‫ﭘﺰﺷﻜﺎن ﻫﻤﺮاه ﺑﺎ داﺷﺘﻦ ﻃﻴﻒ وﺳﻴﻌﻲ از داروﻫﺎي آﻧﺘﻲ ﺑﻴﻮﺗﻴﻚ ﺑﺎ ﻃﻴﻒ وﺳﻴﻌﻲ از‬
‫اﻧﺘﺨﺎب ﻫﺎي آﻧﻬﺎ ﺑﺮاي اﻧﻮاع ﺑﻴﻤﺎري ﻫﺎ ﻧﻴﺰ روﺑﺮو اﻧﺪ‪.‬اﮔﺮ ﺗﻨﻬﺎ ﻳﻚ ﻋﺎﻣﻞ آﻧﺘﻲ‬
‫ﻣﻴﻜﺮوﺑﻴﻜﺎل ﻣﻮﺛﺮ ﺑﺮاي ﺗﻤﺎم اﻧﻮاع ﺑﺎﻛﺘﺮي ﻫﺎي ﻋﻔﻮﻧﻲ ﺑﻮد ‪ ,‬ﻣﺴﺌﻠﻪ اﻧﺘﺨﺎب وﺟﻮد ﻧﺪاﺷﺖ‬
 ‫‪142‬‬

‫‪ .‬اﻓﺴﻮس ﻛﻪ ﭼﻨﻴﻦ اﻛﺴﻴﺮي وﺟﻮد ﻧﺪارد‪ .‬ﭼﻴﺰي ﻛﻪ ﻫﺴﺖ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ‬
‫ﻳﻚ دارو ﺑﺮاي ﻧﻮع ﺧﺎﺻﻲ ﻣﻔﻴﺪ و ﺑﺮاي ﻧﻮﻋﻲ دﻳﮕﺮ ﺑﻲ ارزش ﺑﺎﺷﺪ‪ .‬ﭘﺰﺷﻜﺎن در اﻧﺘﺨﺎب‬
‫ﻫﺎي ﺧﻮد ﺑﺎﻳﺪ ﻣﺤﺘﺎط ﺑﺎﺷﻨﺪ ‪ .‬از اﻳﻦ رو ﻣﻔﻴﺪ ﺑﻮدن ﺗﻨﻬﺎ ﻳﻜﻲ از ﻣﻌﻴﺎرﻫﺎﺳﺖ ‪ .‬ﭘﺰﺷﻚ‬
‫ﻫﻤﭽﻨﻴﻦ ﺑﺎﻳﺪ ﻣﻮارد دﻳﮕﺮ ﻧﻈﻴﺮ آﻟﺮژي ﻫﺎي ﺑﻴﻤﺎر ‪ ,‬داروﻫﺎﻳﻲ ﻛﻪ ﻣﺼﺮف ﻣﻲ ﻛﻨﻨﺪ و‬
‫ﻣﺤﺪودﻳﺘﻬﺎي ﻣﺸﺎﺑﻪ را در ﻧﻈﺮ ﺑﮕﻴﺮد و ﻣﺎﻳﺴﻴﻦ ﻃﺮاﺣﻲ ﺷﺪ ﺗﺎ در اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﻪ ﭘﺰﺷﻚ‬
‫ﻳﺎري رﺳﺎﻧﺪ‪.‬‬
‫اﮔﺮ ﺑﻪ ﺻﻮرت دﻗﻴﻘﻲ ﺗﺮي ﺑﻪ وﻇﺎﻳﻒ ﻳﻚ ﭘﺰﺷﻚ ﻧﻈﺮ اﻓﻜﻨﻴﻢ ‪ ,‬ﻣﻲ ﺑﻴﻨﻴﻢ ﻛﻪ ‪ 4‬ﺗﺼﻤﻴﻢ‬
‫ﺑﺎﻳﺪ ﮔﺮﻓﺘﻪ ﺷﻮد‪ (1 .‬آﻳﺎ ﺑﻴﻤﺎر از ﻋﻔﻮﻧﺖ رﻧﺞ ﻣﻲ ﺑﺮد؟ ‪ (2‬ﻛﺪام ﻳﻚ از اﻧﺪام ﻫﺎي ﺑﺪن‬
‫درﮔﻴﺮ ﻫﺴﺘﻨﺪ؟ ‪ (3‬ﻛﺪام دارو ﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﻣﻨﺎﺳﺐ ﺑﺎﺷﻨﺪ؟ و ‪ (4‬ﻛﺪام ﻳﻚ از آﻧﻬﺎ ﺑﺎﻳﺪ‬
‫اﺳﺘﻔﺎده ﺷﻮد؟ ﻣﺎﻳﺴﻴﻦ ﺑﺮاي ﻛﻤﻚ ﺑﻪ ﻫﺮ ﭼﻬﺎر ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻃﺮاﺣﻲ ﺷﺪ‪ .‬ﻧﺤﻮه ﻛﻤﻚ‬
‫ﻛﺮدن ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ ‪ :‬ﺑﺮ اﺳﺎس اﻃﻼﻋﺎﺗﻲ ﻛﻪ ﺑﻴﻤﺎر ﻣﻲ دﻫﺪ و ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﺎت ‪,‬‬
‫ﻣﺎﻳﺴﻴﻦ ﺑﺮاي ﻫﺮ‪ 4‬ﻣﻮرد ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ‪ ,‬ﻧﺘﺎﻳﺞ و درﺟﻪ ﻗﻄﻌﻴﺖ آﻧﻬﺎ را ﻧﻤﺎﻳﺶ‬
‫ﻣﻲ دﻫﺪ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﻤﭽﻨﻴﻦ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻨﺎﺑﻪ درﺧﻮاﺳﺖ ‪ ,‬ﺧﻄﻲ از اﺳﺘﺪﻻل را ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ‬
‫اﻳﻦ ﻧﺘﻴﺠﻪ ﮔﻴﺮي ﺷﺪه ‪ ,‬ﻗﻮاﻧﻴﻨﻲ ﻛﻪ در اﻳﻦ ﻣﺴﻴﺮ اﺳﺘﻔﺎده ﺷﺪه اﻧﺪ ‪ ,‬ﭘﻴﺸﻨﻬﺎدات رد ﺷﺪه و‬
‫ﺣﺘﻲ ﻛﺘﺎﺑﻬﺎي ﻣﺮﺟﻊ ودﻳﮕﺮ اﻧﺘﺸﺎرات ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ اﻳﻦ ﻗﻮاﻧﻴﻦ را ﺗﻀﻤﻴﻦ ﻛﻨﻨﺪ ‪ ,‬را اراﺋﻪ‬
‫دﻫﺪ ‪ .‬ﺑﺎ داﺷﺘﻦ ﭼﻨﻴﻦ اﻃﻼﻋﺎﺗﻲ ‪ ,‬ﭘﺰﺷﻚ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻬﺘﺮﻳﻦ ﻗﻀﺎوت را اﻧﺠﺎم دﻫﺪ‪ ).‬ﻛﺎر‬
‫ﺑﺮ اﻳﻦ ﭘﺮوژه در ﺳﺎل ‪ 1972‬در داﻧﺸﮕﺎه اﺳﺘﻨﻔﻮرد آﻏﺎز ﺷﺪ ‪ .‬ﻧﺎم آن از ﭘﺴﻮﻧﺪي ﻛﻪ‬
‫ﻣﻌﻤﻮﻻ" در ﻧﺎم داروﻫﺎي آﻧﺘﻲ ﺑﻴﻮﺗﻴﻜﻲ وﺟﻮد دارد ‪ ,‬ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ (.‬ﻗﻮاﻧﻴﻨﻲ ﻛﻪ اﻳﻦ‬
‫ﺑﺮﻧﺎﻣﻪ از آن اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ از ﻣﺘﺨﺼﺼﻴﻦ در زﻣﻴﻨﻪ ﻋﻔﻮﻧﺖ ﻫﺎي ﺑﺎﻛﺘﺮﻳﺎل اﺧﺬ ﺷﺪه ﺑﻮد‪.‬‬
‫در ﻳﻚ ﺳﺮي از آزﻣﻮن ﻫﺎ ﻛﻪ از ﻣﻮارد ﻋﻔﻮﻧﺖ ﻫﺎي ﺧﻮﻧﻲ اﻧﺘﺨﺎب ﺷﺪه ﺑﻮدﻧﺪ ‪ ,‬ﻧﺘﻴﺠﻪ‬
‫ﮔﻴﺮي ﻫﺎي ﻣﺎﻳﺴﻴﻦ ﺑﺎ ﻧﻈﺮات ﻣﺘﺨﺼﺼﻴﻦ اﻳﻦ زﻣﻴﻨﻪ و ﺣﺘﻲ ﻏﻴﺮ ﻣﺘﺨﺼﺼﻴﻦ ﻣﻘﺎﻳﺴﻪ ﺷﺪ ‪.‬‬
‫ﻣﺎﻳﺴﻴﻦ ﺑﻪ ﻧﺤﻮﻋﺎﻟﻲ در اﻳﻦ آزﻣﻮن ﻫﺎ ﻋﻤﻞ ﻛﺮد ‪ ,‬ﺣﺪاﻗﻞ ﺑﻪ ﺧﻮﺑﻲ ﻛﺎرﺷﻨﺎﺳﺎن و ﻳﺎ ﻏﻴﺮ‬
‫ﻣﺘﺨﺼﺼﻴﻦ ‪ .‬ﻳﻚ ﻧﻤﻮﻧﻪ از ﻗﺎﻧﻮن ﻣﺎﻳﺴﻴﻦ در زﻳﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪ :‬ﻗﺎﻧﻮن ‪:86‬‬
‫اﮔﺮ‪ (1 :‬ﻋﻔﻮﻧﺖ ﻣﻮرد ﻣﺪاوا ﻣﻨﻨﮋﻳﺖ اﺳﺖ‬
‫و ‪ (2‬ﺑﻴﻤﺎر ﻣﺪرﻛﻲ دال ﺑﺮ ﻋﻔﻮﻧﺖ ﺟﺪي ﭘﻮﺳﺘﻲ ﻳﺎ ﺑﺎﻓﺖ ﻧﺮم ﺑﺪن دارد‪.‬‬
‫و ‪ (3‬ارﮔﺎن زﻧﺪه اي در ﻧﻤﻮﻧﻪ ﻛﺸﺖ ﺷﺪه در آزﻣﺎﻳﺸﮕﺎه وﺟﻮد ﻧﺪارد‪.‬‬
‫و ‪ (4‬ﻧﻮع ﻋﻔﻮﻧﺖ ﺑﺎﻛﺘﺮﻳﺎل اﺳﺖ‪.‬‬
‫ﺳﭙﺲ‪:‬‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪143‬‬

‫دﻟﻴﻠﻲ وﺟﻮد دارد ﻛﻪ ارﮔﺎن زﻧﺪه اي ) ﻏﻴﺮ از آﻧﻬﺎﻳﻲ ﻛﻪ در ﻧﻤﻮﻧﻪ ﻛﺸﺖ ﺷﺪه دﻳﺪه ﺷﺪه‬
‫اﻧﺪ( ﻛﻪ اﻳﻦ ﻋﻔﻮﻧﺖ را ﺑﺎﻋﺚ ﺷﺪه اﺳﺖ ‪ staphylococcus-cog-pos‬ﻧﺎم دارد‪.‬‬
‫‪R1(XCON) 10-8‬‬
‫‪ ) R1‬ﻳﺎ ‪( XCON‬ﺷﺎﻳﺪ ﺑﻬﺘﺮﻳﻦ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻮرد اﺳﺘﻔﺎده ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺗﻮﺳﻂ‬
‫ﺟﺎن ﻣﻚ درﻣﻮت و ﻫﻤﻜﺎراﻧﺶ در داﻧﺸﮕﺎه ‪ CMU‬ﺑﻨﺎ ﺑﻪ در ﺧﻮاﺳﺖ ﻛﻤﭙﺎﻧﻲ ‪Digital‬‬
‫‪ Equipment Corporatin‬ﻳﺎ ‪ DEC‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺖ ‪ .‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ‪, DEC‬‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﻧﻮع ‪ VAX‬را ﺑﻪ ﺑﺎزار اراﺋﻪ داد‪ ,‬ﺑﺎزارﻳﺎﺑﻲ ﺧﻮد را ﺑﺮ ﻣﻔﻬﻮم اﻧﺘﺨﺎب‬
‫ﻣﺸﺘﺮي ﻣﺘﻤﺮﻛﺰ ﺳﺎﺧﺖ ‪ .‬آﻧﻬﺎ ﻣﻲ ﺧﻮاﺳﺘﻨﺪ ﺑﻪ ﻣﺸﺘﺮي اﺟﺎزه دﻫﻨﺪ ﺗﺎ در اﻧﺘﺨﺎب آﻳﺘﻢ‬
‫ﻫﺎﻳﻲ ﻛﻪ ﻣﺎﻳﻠﻨﺪ در ﺗﺎﺳﻴﺴﺎت ﻣﺨﺼﻮﺻﺸﺎن وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪ ,‬آزادي ﻛﺎﻣﻞ را داﺷﺘﻪ‬
‫ﺑﺎﺷﻨﺪ‪ .‬اﻳﻦ آزادي اﻧﺘﺨﺎب ﻣﺸﻜﻼت ﺳﺨﺘﻲ را ﺑﺮاي ‪ DEC‬ﺑﻪ ﺑﺎر آورد‪.‬‬
‫ﻧﻴﺎزﻫﺎي ﻣﺸﺘﺮي ﺻﺮﻓﺎ" ﻳﻚ ﺷﻜﻞ اﺟﻤﺎﻟﻲ از ﭼﻴﺰﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﻳﻚ ﭘﻴﻜﺮﺑﻨﺪي ﻛﺎرا را‬
‫ﻣﻲ ﺳﺎزد‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ‪ ,‬ﺳﻔﺎرﺷﺎت ﻣﺸﺘﺮﻳﺎن ﺑﺎﻳﺪ ﺑﻪ ﺻﻮرت ﻛﺎﻣﻞ ﺑﻪ ﭘﻴﻜﺮ ﺑﻨﺪي ﺗﺮﺟﻤﻪ‬
‫ﻣﻲ ﺷﺪ‪ .‬ﺑﻌﻀﻲ ﻗﻄﻌﺎت ﻧﻈﻴﺮ ‪ , Power supply‬ﻛﺎﺑﻞ ﻫﺎ و ﻏﻴﺮه ﺑﺎﻳﺪ اﺿﺎﻓﻪ ﻣﻲ ﺷﺪﻧﺪو‬
‫ﻗﻄﻌﺎت دﻳﮕﺮ ﻧﻴﺎز ﺑﻪ ﺟﺰﻳﺌﺎت ﺑﻴﺸﺘﺮي داﺷﺘﻨﺪ ﻣﺎﻧﻨﺪ ﺗﺒﺪﻳﻞ اﺑﺰارﻫﺎي ذﺧﻴﺮه دﻳﺴﻚ ﺑﻪ‬
‫واﺣﺪﻫﺎي دﻳﺴﻚ و ﻛﻨﺘﺮﻟﺮﻫﺎ‪ .‬ﺑﺮ روي ﻣﺤﻞ اﺳﺘﻘﺮار ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﺑﺎ داﺷﺘﻦ ﻃﻮل ﻛﺎﺑﻞ ﻫﺎ و‬
‫ﻣﻘﺼﺪ ﻫﺎي ﻣﻮرد ﻧﻈﺮ ﺑﺎﻳﺪ ﻛﺎر ﻣﻲ ﺷﺪ‪ .‬ﺑﻪ ﻋﺒﺎرت ﺳﺎده ﺗﺮ ‪ ,‬ﺑﺮ ﺟﺰﺋﻴﺎت زﻳﺎدي ﺑﺎﻳﺪ ﻛﺎر‬
‫ﻣﻲ ﺷﺪ ﻛﻪ آﻧﻬﺎ ﻧﻴﺎز ﺑﻪ داﻧﺴﺘﻦ ﻃﻴﻒ ﻗﻄﻌﺎت ﻣﻮﺟﻮد و ﻣﺤﺪودﻳﺖ ﻫﺎي ﻣﺸﺎﻫﺪه ﺷﺪه ‪,‬‬
‫داﺷﺖ‪.‬‬
‫ﻛﺎرﻛﻨﺎن ‪ DEC‬ﻓﻮرا" ﻣﺘﻮﺟﻪ ﺷﺪﻧﺪ در ﺻﻮرﺗﻲ ﻛﻪ اﻳﻦ ﭘﺮوﺳﻪ را ﻣﻜﺎﻧﻴﺰه ﻧﻜﻨﻨﺪ‪,‬‬
‫ﻛﺎرﻣﻨﺪان ﺧﻮد را از دﺳﺖ ﺧﻮاﻫﻨﺪ داد‪ .‬آﻧﻬﺎ اﺑﺘﺪا ﺷﺮوع ﺑﻪ اﺳﺘﻔﺎده از ﻣﺘﺪﻫﺎي ﺳﻨﺘﻲ‬
‫ﻛﺮدﻧﺪ وﻟﻲ وﻗﺘﻲ ﻣﺘﻮﺟﻪ ﺷﺪﻧﺪ ﻛﻪ ﺑﻪ ﺟﺎﻳﻲ ﻧﻤﻲ رﺳﻨﺪ ‪ ,‬ﺗﺼﻤﻴﻢ ﺑﻪ ﻛﻤﻚ ﮔﺮﻓﺘﻦ از‬
‫‪ CMU‬ﮔﺮﻓﺘﻨﺪ‪.‬‬
‫ﻧﺘﻴﺠﻪ ﻫﻤﻜﺎري آﻧﻬﺎ ‪ R1‬ﻛﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﺎ ﭘﻴﻜﺮﺑﻨﺪي ‪ VAX‬و ﻣﺒﺘﻨﻲ ﺑﺮ داﻧﺶ اﺳﺖ‪,‬‬
‫ﺷﺪ‪ .‬ﻳﻚ ﻧﻤﻮﻧﻪ ﻗﺎﻧﻮن از ‪ R1‬در زﻳﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪:‬‬
‫اﮔﺮ‪:‬‬
‫‪ (1‬ﻣﺘﻦ ﻓﻌﺎﻟﻴﺖ ﺟﺎري اﺑﺰارﻫﺎي ‪ massbus‬را ﺗﻮزﻳﻊ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫و ‪ (2‬ﻳﻚ دﻳﺴﻚ دراﻳﻮ ﺗﻚ ﭘﻮرﺗﻪ وﺟﻮد دارد ﻛﻪ ﻫﻨﻮز ﺑﻪ ‪ massbus‬اﺧﺘﺼﺎص داده‬
‫ﻧﺸﺪه‬
 ‫‪144‬‬

‫و‪ (3‬ﻫﻴﭻ دﻳﺴﻚ دراﻳﻮ دو ﭘﻮرﺗﻪ اﺧﺘﺼﺎص داده ﻧﺸﺪه اي وﺟﻮد ﻧﺪارد‬
‫و ‪ (4‬ﺗﻌﺪا د دﺳﺘﮕﺎﻫﻬﺎﻳﻲ ﻛﻪ ﻫﺮ ‪ massbus‬ﺑﺎﻳﺪ ﺣﻤﺎﻳﺖ ﻛﻨﺪ ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﺳﺖ‪.‬‬
‫و ‪ (5‬ﻧﻮع ﻛﺎﺑﻞ اﺗﺼﺎل دﻳﺴﻚ دراﻳﻮ ﺑﻪ ‪ massbus‬ﻣﻌﻴﻦ اﺳﺖ‬
‫ﺳﭙﺲ‪ :‬دﻳﺴﻚ دراﻳﻮ را ﺑﻪ ‪ massbus‬وﺻﻞ ﻛﻦ‪.‬‬
‫ﻣﺬاﻛﺮات در ﻣﻮرد ‪ R1‬در دﺳﺎﻣﺒﺮ ‪ 1978‬اﻏﺎز ﺷﺪ‪ .‬در آن زﻣﺎن ﺣﺪود ‪ 400‬ﻗﺎﻧﻮن وﺟﻮد‬
‫داﺷﺖ ‪ .‬رﻗﻤﻲ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻪ ﺑﻴﺸﺘﺮ از ‪ 4000‬ﻫﻢ ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ‪ .‬ﺗﺎ ﺳﺎل ‪DEC، 1984‬‬
‫ﺑﺪون ‪ R1‬ﺑﻪ ‪ 80‬ﻛﺎرﻣﻨﺪ دﻳﮕﺮ اﺣﺘﻴﺎج داﺷﺖ و آﻧﻬﺎ ﺑﺎﻳﺪ ﻣﺘﻘﺎﻋﺪ ﻣﻲ ﺷﺪﻧﺪ ﻛﻪ آن ﺑﺮﻧﺎﻣﻪ‬
‫ﺧﻴﻠﻲ ﺑﻬﺘﺮ از اﻧﺴﺎن ﻫﺎ ﻣﻲ ﺗﻮاﻧﺴﺖ ﻋﻤﻞ ﻛﻨﺪ ‪ .‬ﺣﻘﻴﻘﺘﺎ" آﻧﻬﺎ در ﻣﻮرد ﻗﺪرت ﺗﻜﻨﻴﻜﻲ ﻛﻪ‬
‫ﻣﻲ ﺧﻮاﺳﺘﻨﺪ از آن اﺳﺘﻔﺎده ﻛﻨﻨﺪ ﻣﻄﻤﺌﻦ ﺑﻮدﻧﺪ‪ .‬ﺑﺮاي اﻳﻨﻜﻪ ﺑﻪ ﻣﺸﺘﺮي در اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ‬
‫ﭘﻴﻜﺮﺑﻨﺪي ﻫﺎ ﻛﻪ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﺷﻜﻞ ﺑﺎ ﻧﻴﺎزﻫﺎ ﻣﻄﺎﺑﻘﺖ داﺷﺖ ‪ ,‬ﻛﻤﻚ ﻛﻨﻨﺪ ‪ .‬ﺑﺮاي ﻛﻤﻚ ﺑﻪ‬
‫ﻃﺮاﺣﻲ و آﻣﺎده ﺳﺎزي ﻣﺤﻞ اﺳﺘﻘﺮار ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ و ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺗﻮﻟﻴﺪ و ﺗﺤﻮﻳﻞ‬
‫ﭘﻴﻜﺮﺑﻨﺪي ﻃﺒﻖ ﺳﻔﺎرﺷﺎت و ﺑﺮاي ﻛﻤﻚ ﺑﻪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻛﺎرﺧﺎﻧﻪ ‪ ,‬و ﻛﻨﺘﺮل اﺟﻨﺎس و‬
‫ﻣﻐﺎزه ﻫﺎ و ﻏﻴﺮه‪.‬‬

‫‪ PROSPECTOR 11-8‬ﻣﻌﺪن ﻳﺎب‬

‫ﻣﻌﺪن ﻳﺎب ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺸﺎوره ﻣﺒﺘﻨﻲ ﺑﺮ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺮاي ﻛﻤﻚ ﺑﻪ زﻣﻴﻦ ﺷﻨﺎﺳﺎن در‬
‫ﺟﺴﺘﺠﻮي ﻛﺎﻧﻲ ﻫﺎ و ﺳﻨﮓ ﻫﺎي ﻣﻌﺪﻧﻲ و ﺑﺮاي ﻛﻤﻚ ﺑﻪ ارزﻳﺎب ﭘﺘﺎﻧﺴﻴﻞ ﻣﻌﺪﻧﻲ در‬
‫ﻧﻮاﺣﻲ ﮔﺴﺘﺮده زﻣﻴﻦ ﺷﻨﺎﺳﻲ ‪ ,‬اﺳﺖ‪ .‬ﺗﻮﺳﻌﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ در اﻧﺴﺘﻴﺘﻮي ﺗﺤﻘﻴﻘﺎت اﺳﺘﻨﻔﻮرد‬
‫در ﺳﺎل ‪ 1978‬ﺷﺮوع ﺷﺪ‪ .‬ﻫﻤﺎﻧﻨﺪ ﻣﺎﻳﺴﻴﻦ ‪ ,‬اﻳﻦ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﻜﺎﻟﻤﻪ اي ﻣﺒﺘﻨﻲ ﺑﺮ ﻗﻮاﻧﻴﻦ‬
‫اﺧﺬ ﺷﺪه از ﻣﺘﺨﺼﺼﻴﻦ اﺳﺖ‪ .‬ﻣﻌﺪن ﻳﺎب ﻓﻘﻂ ﻳﻚ ﺳﻴﺴﺘﻢ ﻧﻴﺴﺖ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺑﺎ ﻣﺪل‬
‫ﻫﺎي زﻣﻴﻦ ﺷﻨﺎﺳﻲ واﻗﻌﻲ ﺗﻄﺒﻴﻖ ﻳﺎﻓﺘﻪ ﻫﻤﺎﻧﻨﺪ ﺳﻪ ﻣﺪل ﻣﺨﺘﻠﻒ رﺳﻮﺑﺎت ﻣﺎﺳﻪ ﺳﻨﮕﻬﺎي‬
‫اوراﻧﻴﻮم ‪ ,‬ﺳﻨﮓ آذرﻳﻦ ﻣﺲ و ﻣﺪل ﺳﻨﮓ آذرﻳﻦ ﻣﻮﻟﻴﺒﺪﻳﻮم ‪.‬‬
‫وﻇﻴﻔﻪ ﻳﻚ زﻣﻴﻦ ﺷﻨﺎس در ﺗﺸﺨﻴﺺ ﻳﻚ ﻣﺤﻞ ﺗﻮﺳﻂ اﻳﻦ واﻗﻌﻴﺖ ﻛﻪ ﻧﺸﺎﻧﻪ ﻫﺎ ﺑﺮاي‬
‫ﻳﻚ ﺳﻨﮓ ﻣﺎﺳﻪ ﺧﺎص ﻛﻤﺘﺮ ﻧﺎﻣﺒﻬﻢ ﻫﺴﺘﻨﺪ و ﻳﺎ اﻳﻨﻜﻪ ﻧﺸﺎﻧﻪ ﻫﺎ ﻫﻤﻴﺸﻪ وﺟﻮد ﻧﺪارﻧﺪ ‪,‬‬
‫ﻣﺸﻜﻞ ﻣﻲ ﺷﻮد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ او ﺑﺎﻳﺪ ﺑﻴﻦ ﻧﺸﺎﻧﻪ ﻫﺎي ﻗﺎﺑﻞ ﺗﻮﺟﻪ و ﺿﺪو ﻧﻘﻴﻀﻬﺎ ﺗﻌﺎدل ﻳﺠﺎد‬
‫ﻛﻨﺪ‪ ,‬ﻣﻘﺪار ﻧﺴﺒﻲ آﻧﻬﺎ را وزن ﻛﻨﺪ و ﺑﻪ ﻳﻚ داوري اﺣﺘﻤﺎﻟﻲ دﺳﺖ ﻳﺎﺑﺪ‪.‬‬
‫اﻳﻦ ﻋﻮاﻣﻞ اﻛﺘﺴﺎب ﻗﻮاﻧﻴﻦ را ﺳﺨﺖ و ﮔﻴﺞ ﻛﻨﻨﺪه ﻣﻲ ﺳﺎزد‪ .‬ﺑﺎ اﻳﻦ وﺟﻮد‪ ,‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ‬
‫ﻣﺪﻟﻬﺎ ﺑﺮاي اﻧﺠﺎم ﺗﺴﺖ ﻫﺎ اراﺋﻪ ﺷﺪ ﺗﺎ در ﻣﻘﺎﺑﻞ اﻛﺘﺸﺎﻓﺎت ﻣﻜﺎﻧﻬﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه و در‬

‫‪.‬‬
 ‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪145‬‬

‫ﻣﻘﺎﺑﻞ ﻗﻀﺎوﺗﻬﺎي ﻛﺎرﺷﻨﺎﺳﺎن ﻗﺮار ﮔﻴﺮد‪ ,‬ﻣﻌﺪن ﻳﺎب ﺗﻮاﻧﺴﺖ ﻓﻘﻂ ﺗﺎﺋﻴﺪ ‪ %7‬را ﺟﻠﺐ ﻛﻨﺪ‪.‬‬
‫اوﻟﻴﻦ ﻣﺸﻜﻞ در اﻳﺠﺎد ﺷﺒﻜﻪ اﺳﺘﻨﺘﺎج زﻣﻴﻦ ﺷﻨﺎﺳﻲ ‪ ,‬ﺷﻨﺎﺳﺎﻳﻲ ﺑﻴﺎﻧﻴﻪ ﻫﺎ ﺑﺮاي ﻣﻄﺮح ﺷﺪن‬
‫در ارزﻳﺎﺑﻲ ﻧﻬﺎﻳﻲ اﺳﺖ ‪ .‬اﻳﻦ ﻋﻮاﻣﻞ اﺑﺘﺪاﻳﻲ ﻣﻘﺪار زﻳﺎدي از ﻣﻼﻛﻬﺎ را ﺧﻼﺻﻪ ﻣﻲ ﻛﻨﻨﺪ و‬
‫ﻣﺸﻜﻞ ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﻣﻮرد درﺟﻪ واﻗﻌﻴﺖ ‪ ،‬ﻫﻤﺎﻧﻨﺪ ﻣﺸﻜﻞ ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﺻﻠﻲ اﺳﺖ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻋﻮاﻣﻞ ﺛﺎﻧﻮﻳﻪ ﻛﻪ ﻋﻮاﻣﻞ اوﻟﻴﻪ را ﺣﻤﺎﻳﺖ ﻣﻲ ﻛﻨﻨﺪ ﺑﺎﻳﺪ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻮﻧﺪ‪ .‬ﺑﻪ ﻋﻨﻮان‬
‫ﻣﺜﺎل ﻣﺴﺎﻋﺪ ﺑﻮدن وﺿﻊ ﺳﺎﺧﺘﺎرﻫﺎي ﻧﻔﺘﻲ ﺗﻮﺳﻂ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻳﻚ ﻛﻤﺮﺑﻨﺪ ﺣﺎﺷﻴﻪ –‬
‫اﻗﻠﻴﻤﻲ ﺧﺎص ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻲ ﺷﻮد‪.‬‬
‫اﻳﻦ ﭘﺮدازش ﺗﺼﻔﻴﻪ ﺑﺎزﮔﺸﺘﻲ اداﻣﻪ ﻣﻲ ﻳﺎﺑﺪ ﺗﺎ ﻋﻮاﻣﻞ ﺣﻤﺎﻳﺖ ﻛﻨﻨﺪه ﺑﺮاﺑﺮ ﺑﺎ ﭼﻴﺰي ﻛﻪ‬
‫ﺑﺎﻳﺪ ﺑﺎﺷﻨﺪ ‪ ,‬ﺷﻮﻧﺪ‪.‬‬
‫ﻳﻚ دﻳﺎﮔﺮام از ﺷﺒﻜﻪ اﺳﺘﻨﺘﺎج واﻗﻌﻲ اﺳﺘﻔﺎده ﺷﺪه ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﻣﻮرد اﻳﻨﻜﻪ آﻳﺎ‬
‫ﻣﺤﻴﻂ آن ﻧﺎﺣﻴﻪ ‪ hypabyssal‬اﺳﺖ ﻳﺎ ﺧﻴﺮ در ﺷﻜﻞ ‪ 8-9‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ‪ .‬ﺑﺮاي‬
‫ﻣﻨﻈﻮر ﻣﺎ ‪ ,‬ﺗﻔﺴﻴﺮ زﻣﻴﻦ ﺷﻨﺎﺳﻲ اﻳﻦ دﻳﺎﮔﺮام ﻣﻲ ﺗﻮاﻧﺪ ﻧﺎدﻳﺪه ﮔﺮﻓﺘﻪ ﺷﻮد‪.‬ﻧﻜﺘﻪ ﻣﻬﻢ اﻳﻦ‬
‫اﺳﺖ ﻛﻪ ﭼﮕﻮﻧﻪ ﻣﻜﺎﻧﻴﺰم ﻫﺎي ﻣﻌﺪن ﻳﺎب ﺑﺮاي ﺗﺮﻛﻴﺐ ﻣﻼﻛﻬﺎ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪ .‬در‬
‫اﻳﻦ دﻳﺎﮔﺮام ‪ ,‬ﺗﺮﻛﻴﺒﺎت ﻋﻄﻔﻲ و ﻓﺼﻠﻲ ﺗﻮﺳﻂ ﮔﺮه ﻫﺎي ‪ AND‬و ‪ OR‬ﻧﺸﺎﻧﻪ ﮔﺬاري‬
‫ﺷﺪه اﺳﺖ‪ ,‬ﺗﺮﻛﻴﺒﺎت وزن دار ﺗﻮﺳﻂ ﻛﻤﺎﻧﻬﺎي ﺷﻤﺎره ﮔﺬاري ﺷﺪه ﺗﻮﺳﻂ زوج اﻋﺪاد ‪,‬‬
‫ﻧﺸﺎن داده ﻣﻲ ﺷﻮﻧﺪو ﻣﺘﻮن ﺗﻮﺳﻂ ﻛﻤﺎن ﻫﺎي ﻧﻘﻄﻪ ﮔﺬاري ﺷﺪه ﺣﺎﻣﻞ ﻓﻮاﺻﻞ ﻗﻄﻌﻲ‬
‫ﻧﺸﺎن داده ﺷﺪه اﻧﺪ‪.‬‬
 ‫‪146‬‬

‫)ﺷﻜﻞ ‪ (8-9‬دﻳﺎﮔﺮام ﺷﺒﻜﻪ اﺳﺘﻨﺘﺎج ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﺤﻴﻂ ﻫﺎي ﻧﻮاﺣﻲ‬
‫‪hypabyssal‬‬
‫‪ 4‬ﮔﺮه زﻳﺮ ﺷﺒﻜﻪ در ﻗﺴﻤﺖ ﭘﺎﻳﻴﻨﻲ ﺳﻤﺖ راﺳﺖ ﺷﻜﻞ‪ ،‬ﻳﻚ ﺳﺎﺧﺘﺎر ﺷﺒﻜﻪ ﻧﻤﻮﻧﻪ اي را‬
‫ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪.‬‬
‫اﻳﻦ زﻳﺮ ﺷﺒﻜﻪ ﻋﻼﻗﻪ ﻛﺎرﺷﻨﺎس ﺑﺮاي دﻳﺪن ﻧﻮع ﺧﺎﺻﻲ از ﺗﻮزﻳﻊ اﻧﺪازه ﺑﺮاي ﺻﺨﺮه‬
‫ﻫﺎي ﻛﺮﻳﺴﺘﺎﻟﻲ ﺑﻪ ﻧﺎم ‪ porphyry texture‬را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺑﻴﺸﺘﺮ ﺳﺌﻮاﻻﺗﻲ ﻛﻪ از ﻣﻌﺪن ﻳﺎب ﭘﺮﺳﻴﺪه ﻣﻲ ﺷﻮد ﺑﻪ ﺟﻮاب ﺑﻠﻪ ﻳﺎ ﻧﻪ و ﻳﺎ ﭘﺎﺳﺦ ﻫﺎي‬
‫ﻗﻄﻌﻲ ﻧﻴﺎز دارد ‪ .‬ﺑﺎ اﻳﻨﻜﻪ ﺑﻌﻀﻲ از ﺳﺌﻮاﻻت ﺑﺮاي ﻣﻘﺎدﻳﺮ ﺳﺌﻮال ﻣﻲ ﻛﻨﻨﺪ ‪ .‬در ﻣﻮرد ﻗﺒﻠﻲ‬
‫ﻧﺴﺒﺖ اﺣﺘﻤﺎل ﺑﺮاي ﻗﺎﻧﻮن‪ ،‬ﺗﺎﺑﻌﻲ از آن ﻣﻘﺪار اﺳﺖ ‪.‬در ﺻﻮرﺗﻲ ﻛﻪ ﻛﺎرﺑﺮ ﭘﺎﺳﺦ ﻳﻚ‬
‫ﺳﺌﻮال را ﻧﻤﻲ داﻧﺪ‪ ,‬ﻗﻄﻌﻴﺖ از اﺣﺘﻤﺎل ﺻﻔﺮ ﺑﻪ ﻣﻘﺪار ﻗﺒﻠﻲ ﺧﻮد ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺎ اﻳﻨﻜﻪ‬
‫اﻳﻦ ﻣﻮﺿﻮع ﺑﺎﻋﺚ ﺗﻀﻌﻴﻒ ﻗﻄﻌﻴﺖ ﻧﺘﻴﺠﻪ ﻧﻬﺎﻳﻲ ﻣﻲ ﺷﻮد اﻣﺎ ﺑﺮﻧﺎﻣﻪ را از ﭘﻴﺸﺮﻓﺖ ﺑﺎز‬
‫ﻧﻤﻲ دارد‪.‬‬

‫‪.‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪1‬‬

‫ﻓﺼﻞ دوازدﻫﻢ‬

‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫اﻫﺪاف‬
‫در ﭘﺎﻳﺎن ﻓﺼﻞ‪ ،‬داﻧﺸﺠﻮ ﺑﺎ ﻣﻔﺎﻫﻴﻢ زﻳﺮ آﺷﻨﺎ ﻣﻲﺷﻮد‪:‬‬
‫• ﺑﺮرﺳﻲ ﺗﺎﺛﻴﺮ رﻫﻴﺎﻓﺖ ﻫﺎي ‪ AI‬در ﺗﺠﺎرت اﻟﻜﺘﺮوﻧﻴﻜﻲ )‪(B2B, B2C‬‬
‫• ﺑﺮرﺳﻲ ﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﻲ در اﻧﺘﺨﺎب و ﭘﻴﺸﻨﻬﺎد ﻛﺎﻻ‬
‫• ﺑﺮرﺳﻲ اﻧﻮاع رﻫﻴﺎﻓﺖ ﻫﺎي ‪ AI‬در اﻧﺘﺨﺎب و ﭘﻴﺸﻨﻬﺎد ﻛﺎﻻ و ﻣﺤﺼﻮﻻت)رﻫﻴﺎﻓﺖ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ‬
‫‪( ACF, KB,….‬‬
‫• ﻧﻘﺶ ‪ AI‬در ﺣﻞ ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ و در ‪Enhancing Scalability‬‬
‫• ﻧﻘﺶ ‪ AI‬در ﻣﺰاﻳﺪه و ﻣﺬاﻛﺮه ‪Online‬‬
‫• ﻧﻘﺶ ‪ AI‬در ﺗﻮﻟﻴﺪ ﭘﺎﺳﺨﻬﺎي ﺧﻮدﻛﺎر‬
‫• ﻧﻘﺶ ‪ AI‬در دﺳﺘﻪ ﺑﻨﺪي و ﻗﻴﻤﺖ ﮔﺬاري ﺧﻮدﻛﺎر ﻛﺎﻻ‬
‫• ﺑﺮرﺳﻲ ﻫﺴﺘﻲ ﺷﻨﺎﺳﻲ در ﺗﺠﺎرت اﻟﻜﺘﺮوﻧﻴﻜﻲ‬
‫• ﻧﻘﺶ ‪ AI‬در ﮔﺮدﺷﮕﺮي‬
‫ﻧﻘﺶ ‪ AI‬در ﺻﻨﻌﺖ و ﺑﺮرﺳﻲ ﻛﺎرﺑﺮدﻫﺎي ﺻﻨﻌﺘﻲ ‪AI‬‬
‫‪ 1-12‬ﻣﻘﺪﻣﻪ‬
‫ﻣﺎ در اﻳﻦ ﻓﺼﻞ ﺗﻌﺪادي از ﻛﺎرﺑﺮدﻫﺎي اﻣﺮوزي ﻫﻮش ﻣﺼﻨﻮﻋﻲ در زﻣﻴﻨﻪ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﺑﺎزرﮔﺎﻧﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ ‪،‬‬
‫ﮔﺮدﺷﮕﺮي ‪ ،‬ﭘﺰﺷﻜﻲ و ﺻﻨﻌﺖ را ﺑﺮرﺳﻲ ﻣﻴﻜﻨﻴﻢ‪.‬‬
‫در ﻛﻨﺎر ﻛﺎرﺑﺮدﻫﺎي ﻋﻤﻠﻲ ذﻛﺮ ﺷﺪه ﻛﻪ ﻋﻤﺪﺗﺎ در ﺧﺎرج از دﻧﻴﺎي ﻓﺎرﺳﻲ زﺑﺎﻧﺎن اﺗﻔﺎق اﻓﺘﺎده اﺳﺖ‪ .‬در اﻳﺮان‬
‫ﻧﻴﺰ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﺨﺼﺼﻲ ﻣﺎﻧﻨﺪ ﭘﺮدازش زﺑﺎن ﻓﺎرﺳﻲ ﺷﺎﻣﻞ ﺗﺮﺟﻤﻪ ﻣﺎﺷﻴﻨﻲ ‪ ,‬ﺳﻴﺴﺘﻢ ﺑﺎزﺷﻨﺎﺳﻲ ﮔﻔﺘﺎر ‪,‬‬
‫ﺳﻴﺴﺘﻢ ﺑﺎزﺷﻨﺎﺳﻲ ﺣﺮوف ﻓﺎرﺳﻲ و ﺳﻴﺴﺘﻢ ﻫﺎ ي ﺗﺤﻠﻴﻞ ﺗﺼﺎوﻳﺮ ﭘﺰﺷﻜﻲ از ﺟﻤﻠﻪ ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ از‬
‫ﺣﺎﻟﺖ ﭘﺮوژه ﻫﺎي داﻧﺸﮕﺎﻫﻲ ﺧﺎرج و ﺑﻪ ﺗﻮﻟﻴﺪ ﺻﻨﻌﺘﻲ رﺳﻴﺪه اﻧﺪ‪.‬‬
‫‪ AI 2-12‬در ﺑﺎزرﮔﺎﻧﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ‬
‫روﺷﻬﺎي ﻫﻮﺷﻤﻨﺪ ﭘﻴﺎده ﺳﺎزي ﺷﺪه ﻣﺮﺗﺒﻂ ﺑﺎ ﺳﻴﺴﺘﻤﻬﺎي ﺑﺎزرﮔﺎﻧﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ در دو زﻣﻴﻨﻪ ارﺗﺒﺎط ﺻﻨﻌﺖ ﺑﺎ‬
‫ﺻﻨﻌﺖ )‪ ( B2B‬و ﺻﻨﻌﺖ ﺑﺎ ﻣﺸﺘﺮي )‪ ( B2C‬ﺑﻴﺸﺘﺮ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ‪ .‬در زﻣﻴﻨﻪ ﺑﺎزرﮔﺎﻧﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ ‪،‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪2‬‬

‫ﺑﻴﺸﺘﺮ ﺗﻮﺟﻪ ‪ AI‬ﺑﺮ اداره ‪ B2C‬ﻣﺘﻤﺮﻛﺰ ﺷﺪه اﺳﺖ‪ .‬در ﺑﺎزرﮔﺎﻧﻲ ‪ AI ، B2C‬ﺑﻴﺸﺘﺮ ﺑﺮاي اﻧﺘﺨﺎب و ﭘﻴﺸﻨﻬﺎد‬
‫ﻣﺤﺼﻮل از ﻃﺮف ﻓﺮوﺷﻨﺪه ﺑﻪ ﻣﺸﺘﺮي ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮد اﻟﺒﺘﻪ ﻛﺎرﻫﺎﻳﻲ ﻧﻈﻴﺮ ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ ﺳﻮاﻻت ﻣﺸﺘﺮﻳﺎن‬
‫و دﺳﺘﻪ ﺑﻨﺪي و ﻗﻴﻤﺖ ﮔﺬاري ﻛﺎﻻ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻋﻮاﻣﻞ ﻣﺤﻴﻄﻲ ﻧﻴﺰ ﺗﻮﺳﻂ ﻧﺮم اﻓﺰارﻫﺎي ﻫﻮﺷﻤﻨﺪ اراﻳﻪ ﻣﻴﺸﻮد‪.‬‬
‫در ﺑﺎزرﮔﺎﻧﻲ ‪ AI ، B2B‬اﺳﺎﺳﺎ" ﺑﺮاي ﻣﺪﻳﺮﻳﺖ زﻧﺠﻴﺮه ﺗﺎﻣﻴﻦ ) ‪ ( SCM‬ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮد‪.‬‬
‫‪ AI 1-2-12‬در ﺑﺎزرﮔﺎﻧﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ ‪B2C‬‬
‫در اﻳﻦ ﺑﺨﺶ ﻛﺎرﺑﺮدﻫﺎي ﻣﺨﺘﻠﻒ و ﻣﻔﻴﺪ‪ AI‬در ﺑﺎزرﮔﺎﻧﻲ ‪ B2C‬اراﺋﻪ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫‪ AI‬در اﻧﺘﺨﺎب و ﭘﻴﺸﻨﻬﺎد ﻣﺤﺼﻮل‬
‫اﺑﺰارﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻣﺸﺎوران ﺧﻮﺑﻲ ﺑﺮاي ﻛﺎرﺑﺮاﻧﻲ ﻫﺴﺘﻨﺪ ﻛﻪ در اﻧﺒﻮه اﻃﻼﻋﺎت اراﻳﻪ ﺷﺪه در اﻳﻨﺘﺮﻧﺖ ﻏﺮق‬
‫ﺷﺪه و ﺗﻮاﻧﺎﻳﻲ اﻧﺘﺨﺎب ﻣﺤﺼﻮل ﻳﺎ ﻛﺎﻻي ﻣﻮرد ﻧﻈﺮ ﺧﻮد را ﻧﺪارﻧﺪ ‪ .‬اﻳﻦ اﺑﺰار ﻣﻴﺘﻮاﻧﻨﺪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻛﺎرﺑﺮد‬
‫ﻣﻮرد اﻧﺘﻈﺎر ﻛﺎرﺑﺮ از ﻫﺮ ﻣﺤﺼﻮل ﻣﻔﻴﺪﺗﺮﻳﻦ وﻳﮋﮔﻴﻬﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ﻛﺎرﺑﺮد را ﻣﻘﺎﻳﺴﻪ و ﻛﺎﻻي ﻣﻨﺎﺳﺐ را ﭘﻴﺸﻨﻬﺎد‬
‫ﻛﻨﻨﺪ ‪ .‬ﺑﺮاي ﻣﺸﺎوره در اﻧﺘﺨﺎب ﻣﺤﺼﻮل روﻳﻜﺮدﻫﺎي ﻣﺎﻧﻨﺪ ﻓﻴﻠﺘﺮ ﺧﻮدﻛﺎر ﺗﻌﺎﻣﻠﻲ )‪ (ACF‬وروﻳﻜﺮد داﻧﺶ‬
‫ﻣﺤﻮر ) ‪ ( KB‬و روﻳﻜﺮدﻫﺎي ﺗﻠﻔﻴﻘﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ‪.‬‬
‫● روﻳﻜﺮد ﻓﻴﻠﺘﺮ ﺧﻮدﻛﺎر ﺗﻌﺎﻣﻠﻲ‪ : 1‬در اﻳﻦ روﻳﻜﺮد‪ ,‬اﻃﻼﻋﺎﺗﻲ راﺟﻊ ﺑﻪ اوﻟﻮﻳﺖ ﻫﺎي ﻣﺼﺮف ﻛﻨﻨﺪه ي ﻗﺒﻠﻲ‬
‫ﺟﻤﻊ آوري ﻣﻴﮕﺮدد ﺳﭙﺲ اﻳﻦ اﻃﻼﻋﺎت ﺗﺒﺪﻳﻞ ﺑﻪ اﻟﮕﻮﻫﺎي ﺧﺮﻳﺪ ﻣﻴﮕﺮدﻧﺪ ‪ .‬اﻃﻼﻋﺎت ﺟﻤﻊ آوري ﺷﺪه‬
‫ﺷﺎﻣﻞ اﻃﻼﻋﺎت ﺧﺮﻳﺪار ﻣﺎﻧﻨﺪ ﺳﻦ ‪ ,‬ﺷﻐﻞ ‪ ,‬ﻣﺤﻞ زﻧﺪﮔﻲ ﻣﺬﻫﺐ و ‪ ...‬و اﻃﻼﻋﺎت ﻛﺎﻻ ﻣﺎﻧﻨﺪ ﻗﻴﻤﺖ ‪ ,‬رﻧﮓ ‪,‬‬
‫اﻧﺘﺨﺎب ﻫﺎي اﺿﺎﻓﻲ و ‪ ...‬اﺳﺖ ‪ .‬ﺣﺎل ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪ ﺑﺎ ﺷﻨﺎﺧﺖ اﻟﮕﻮي ﺧﺮﻳﺪ ﭘﻴﺸﻨﻬﺎد ﻣﻨﺎﺳﺐ ﺑﺮاي‬
‫ﺧﺮﻳﺪاراﻧﻴﻜﻪ ﺑﺮ اﺳﺎس ﺗﺸﺎﺑﻪ اﻟﮕﻮﻫﺎي ﻣﻮﺟﻮد در ﻳﻚ ﮔﺮوه ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ ارﺳﺎل ﻣﻴﮕﺮدد‪ .‬ﺑﻌﻨﻮان ﻣﺜﺎل ‪،‬‬
‫ﺳﻴﺴﺘﻢ ‪ GroupLens‬اﺧﺒﺎر ﻣﻘﺎﻻﺗﻲ را ﻛﻪ ﺑﺎ اﻟﮕﻮي ﻓﻜﺮي ﻳﺎ ﻣﻄﺎﻟﻌﺎﺗﻲ ﻛﺎرﺑﺮاﻧﺶ ﺗﻄﺒﻴﻖ دارد را ﺑﺮاﻳﺸﺎن‬
‫ﻣﻴﻔﺮﺳﺘﺪ‪ .‬اﻳﻦ ﻳﻚ ﺗﻜﻨﻴﻚ ﻓﺮوش اﺳﺘﺎﻧﺪارد در ﺑﺎزرﮔﺎﻧﻲ ﻣﺤﺴﻮب ﻣﻴﺸﻮد‪ .‬ﺑﻌﻀﻲ ﺳﻴﺴﺘﻤﻬﺎي ‪ ACF‬ﺣﺘﻲ‬
‫دﻻﻳﻞ اراﻳﻪ ﭘﺸﻨﻬﺎد را ﺑﻪ ﻛﺎرﺑﺮ اراﻳﻪ ﻣﻴﻨﻤﺎﻳﻨﺪ‪ .‬ﺑﺰرﮔﺘﺮﻳﻦ اﺷﻜﺎل ‪ ACF‬واﺑﺴﺘﻪ ﺑﻮدن ﺑﻪ ﺣﺠﻢ درﺧﻮاﺳﺘﻬﺎي‬
‫ﻗﺒﻠﻲ اﺳﺖ ‪.‬در واﻗﻊ ﻣﺸﺎور ﻣﺎﺷﻴﻨﻲ ﺑﻪ ﺗﺪرﻳﺞ ﺑﺎﻟﻎ ﻣﻴﺸﻮد و اﮔﺮ ﺷﻤﺎ از ﻣﺸﺘﺮﻳﺎن اوﻟﺶ ﺑﺎﺷﻴﺪ ﻳﺎ ﺷﻤﺎ اوﻟﻴﻦ‬
‫ﻓﺮد در اﻟﮕﻮي ﺟﺪﻳﺪ ﺑﺎﺷﻴﺪ اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﻣﺸﺎوره ﺧﻮﺑﻲ درﻳﺎﻓﺖ ﻧﻜﻨﻴﺪ زﻳﺎد اﺳﺖ ‪.‬‬
‫روﻳﻜﺮد داﻧﺶ ﻣﺤﻮر‪ :2‬اﻳﻦ روﻳﻜﺮد ﺑﺮ ﭘﺎﻳﻪ ي داﻧﺶ ﻣﺎ از ﻣﺤﺼﻮل ﻛﺎرﺑﺮان را ﻫﺪاﻳﺖ ﻣﻴﻜﻨﺪ ‪ .‬در اداﻣﻪ ﺑﻪ‬
‫ﺑﻌﻀﻲ از اﻳﻦ روﺷﻬﺎ اﺷﺎره ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫روﻳﻜﺮد اﺳﺘﺪﻻل ﺑﺮ ﻣﺒﻨﺎي ﻧﻤﻮﻧﻪ ‪ :3CBR‬اﺳﺎﺳﺎ" ﺳﻴﺴﺘﻤﻬﺎي ‪ CBR‬اوﻟﻮﻳﺘﻬﺎي ﻛﺎرﺑﺮ درﻳﺎﻓﺖ ﺷﺪه و‬
‫ﻣﺤﺼﻮﻟﻲ ﻛﻪ ﺑﻴﺸﺘﺮﻳﻦ ﺗﻄﺒﻴﻖ را ﺑﺎ اوﻟﻮﻳﺘﻬﺎي ﻛﺎرﺑﺮ دارد ﭘﻴﺸﻨﻬﺎد ﻣﻴﺸﻮد‪ .‬اﮔﺮ ﻫﻤﺎﻫﻨﮕﻲ ﺧﻮﺑﻲ ﺑﻴﻦ ﺧﻮاﺳﺘﻪ‬
‫ﻫﺎي اﻳﻦ ﻓﺮد وﺳﻴﺴﺘﻢ ﭘﻴﺸﻨﻬﺎدي وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﻛﺎرﺑﺮ اوﻟﻮﻳﺖ ﻫﺎﻳﺶ را ﺗﻐﻴﻴﺮ دﻫﺪ‪.‬‬
‫ﻣﺮاﺣﻞ ﺑﺎﻻ ﺗﺎ زﻣﺎﻧﻴﻜﻪ ﻛﺎرﺑﺮ ﻳﻚ ﻣﺤﺼﻮل را اﻧﺘﺨﺎب ﻣﻴﻜﻨﺪ ‪ ،‬ﺗﻜﺮار ﻣﻴﺸﻮد‪ .‬اﻛﺜﺮ ﺗﻜﻨﻴﻚ ﻣﺘﻌﺎرﻓﻲ در‬
‫ﻛﺎرﺑﺮدﻫﺎي ﺑﺎزرﮔﺎﻧﻲ ‪ ، CBR‬ﺑﺎزﻳﺎﺑﻲ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﻨﻮع اﺳﺖ‪.‬‬

‫‪1‬‬
‫‪ACP approaches‬‬
‫‪2‬‬
‫‪KB approaches‬‬
‫‪3‬‬
‫‪Case-based reasoning (CBR) approaches‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪3‬‬

‫روﻳﻜﺮ ﭘﻴﺸﻨﻬﺎد دﻫﻨﺪه ﻣﺤﺘﻮا ﮔﺮا ‪ :4‬اﻳﻦ روﻳﻜﺮد ﺑﻪ ﻃﺒﻘﻪ ﺑﻨﺪي ﻣﺎﺷﻴﻦ ﺑﺮ اﺳﺎس ﻳﺎدﮔﻴﺮي واﺑﺴﺘﻪ اﺳﺖ‪ .‬ﺑﺮاي‬
‫ﻣﺜﺎل ‪ ،‬ﺳﻴﺴﺘﻢ ﻓﻴﻠﺘﺮ ﻛﺮدن اﺧﺒﺎر ‪ ، NewsDude‬اﺧﺒﺎري ﻣﻮرد ﻋﻼﻗﻪ ﻛﺎرﺑﺮ را ﺑﻪ او ﭘﻴﺸﻨﻬﺎد ﻣﻴﺪﻫﺪ‪ .‬اﻳﻦ‬
‫ﺳﻴﺴﺘﻢ ﻫﺎ در اﺻﻞ‪ ،‬ﺑﺎ روش ﻳﺎدﮔﻴﺮي ﻧﻈﺎرت ﺷﺪه اﺑﺘﺪا اﺧﺒﺎر و ﻋﻼﻳﻖ ﻛﺎرﺑﺮ را ﺑﻄﻮر ﻣﺠﺰا ﻃﺒﻘﻪ ﺑﻨﺪي ﻛﺮده‬
‫ﺳﭙﺲ ﺑﺎ اﺷﺘﺮاك آﻧﻬﺎ ﻣﻮارد ﻣﻨﺎﺳﺐ را ﭘﻴﺸﻨﻬﺎد ﻣﻴﻜﻨﺪ‪.‬‬

‫روﻳﻜﺮدﻫﺎي ﺗﺮﻛﻴﺒﻲ‪ : 5‬روﻳﻜﺮدﻫﺎي ﺗﺮﻛﻴﺒﻲ در اﺻﻞ ‪ ،‬ﺗﺮﻛﻴﺒﻲ از ‪ ACF‬و ‪ KB‬ﻫﺴﺘﻨﺪ‪ .‬در ﺑﻌﻀﻲ ﻣﻮارد‬
‫روﻳﻜﺮد‪ ACF‬در ﻣﺮﺣﻠﻪ ي ﭘﻴﺶ ﭘﺮدازش ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻴﮕﻴﺮد و ﭘﻴﺸﻨﻬﺎد ﻧﻬﺎﻳﻲ ﺑﺮ اﺳﺎس روﻳﻜﺮد‬
‫داﻧﺶ ﻣﺤﻮر ﺗﻬﻴﻪ ﻣﻴﺸﻮد‪ .‬در روش دﻳﮕﺮ ﺑﺮاي ﺟﺒﺮان ﺿﻌﻒ ‪ ACF‬اﺑﺘﺪا ﺑﺮرﺳﻲ ﻣﻴﺸﻮد ﻛﻪ آﻳﺎ ﺗﻌﺪاد ﻛﺎﻓﻲ‬
‫ﺑﺎزﺧﻮرد از ﻛﺎرﺑﺮان ﻗﺒﻠﻲ وﺟﻮد دارد ﻳﺎ ﺧﻴﺮ اﮔﺮ اﻳﻦ ﺗﻌﺪاد از ﻳﻚ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﻛﻤﺘﺮ ﺑﺎﺷﺪ آﻧﮕﺎه ﻳﻚ روﻳﻜﺮد‬
‫‪ KB‬ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ‪ ،‬در ﻏﻴﺮ اﻳﻨﺼﻮرت روﻳﻜﺮد ‪ ACF‬ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ‪ .‬ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺑﺼﻮرت ﭘﻮﻳﺎ‬
‫و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺄﺛﻴﺮات ﻣﺘﻘﺎﺑﻞ ﻣﺤﺼﻮﻻت و ﻣﻌﺎﻣﻼت ﺑﺮ روي ﻳﻜﺪﻳﮕﺮ ﺗﻌﻴﻴﻦ ﻣﻴﮕﺮدد‪.‬‬

‫‪ AI‬در ﻣﺬاﻛﺮه ‪Online‬‬

‫در ﺗﺠﺎرت اﻟﻜﺘﺮوﻧﻴﻚ ‪ ،‬ﻣﺬاﻛﺮه ﻓﺮاﻳﻨﺪي اﺳﺖ ﻛﻪ ﺧﺮﻳﺪار و ﻓﺮوﺷﻨﺪه ﺑﺎ اﺳﺘﻔﺎده از اﺑﺰارﻫﺎ و ﺗﻜﻨﻴﻜﻬﺎي‬
‫ﺗﺠﺎرت اﻟﻜﺘﺮوﻧﻴﻚ ﻛﺎﻻ ﻳﺎ ﺧﺪﻣﺎﺗﻲ را ﭘﺲ از ﭼﺎﻧﻪ زﻧﻲ ﺑﺮ ﺳﺮ وﻳﮋﮔﻴﻬﺎ و ﻗﻴﻤﺖ و ﺑﻪ ﻗﺼﺪ رﺳﻴﺪن ﺑﻪ ﺳﻮد و‬
‫ﻣﻨﻔﻌﺖ ﺑﻴﺸﺘﺮ ﻣﻌﺎﻣﻠﻪ ﻣﻴﻜﻨﻨﺪ‪ .‬ﺑﺎﻳﺪ ﻣﺪ ﻧﻈﺮ داﺷﺖ ﻛﻪ ﺳﻮال و ﺟﻮاﺑﻬﺎي ﻣﺒﻬﻢ ﺟﺰﺋﻲ از ﻓﺮآﻳﻨﺪ ﻣﺬاﻛﺮه اﺳﺖ ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻋﺒﺎرت ﭘﺮ ﻛﺎرﺑﺮد "ﻗﻴﻤﺖ ﻣﻨﺎﺳﺐ" ﻳﺎ "ﻛﻴﻔﻴﺖ ﻣﻄﻠﻮب" ﻋﺒﺎراﺗﻲ ﻣﻄﻠﻖ و ﻛﻤﻲ ﺷﺪه ﻧﻴﺴﺘﻨﺪ و‬
‫ﻫﻤﻮاره ﻧﻴﺎزﻣﻨﺪ رﻓﻊ اﺑﻬﺎم ﻫﺴﺘﻴﻢ ‪..‬ﻣﺬاﻛﺮه را ﻣﻴﺘﻮان ﺑﻪ ﺻﻮرت اﻧﺘﺨﺎﺑﻲ ﻳﺎ ﺗﻮاﻓﻘﻲ ‪,‬ﻣﺸﺎرﻛﺘﻲ ﻳﺎ رﻗﺎﺑﺘﻲ اﻧﺠﺎم‬
‫داد ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل روش ﻣﻨﺎﻗﺼﻪ ﮔﺬاري ﻛﻪ در آن ﺧﺪﻣﺎت ﻳﺎ ﻛﺎﻻ ﻓﻘﻂ از ﻳﻚ ﻣﺨﺎﻃﺐ درﻳﺎﻓﺖ ﺷﻮد ﻧﻤﻮﻧﻪ‬
‫اي از ﻣﻌﺎﻣﻠﻪ اﻧﺘﺨﺎﺑﻲ و رﻗﺎﺑﺘﻲ اﺳﺖ ﺗﻜﻨﻴﻜﻬﺎي ﻣﺬاﻛﺮه اﺻﻮﻻ از ﻧﻮع رﻗﺎﺑﺘﻲ ﻫﺴﺘﻨﺪ‪ .‬روﻳﻜﺮد ‪ CBR‬ﺑﻄﻮر‬
‫وﺳﻴﻊ در ﻣﺬاﻛﺮات ﺑﻜﺎر ﻣﻴﺮود‪ .‬روﺷﻬﺎي ﻣﺬاﻛﺮه ﺑﺮ اﺳﺎس ‪ CBR‬ﺷﺎﻣﻞ روش ﻋﺎﻣﻞ ﻓﻌﺎل‪ 6‬ﻳﺎ ﻏﻴﺮ ﻓﻌﺎل ‪،‬‬
‫‪8‬‬
‫ﺗﻐﻴﻴﺮات ﺗﻘﺎﺿﺎﻫﺎ ﻳﺎ ﺗﻐﻴﻴﺮات در ﺟﻬﺖ ﺑﺮآورده ﻛﺮدن ﺗﻘﺎﺿﺎﻫﺎ‪ 7‬و روش ﺗﻐﻴﻴﺮ ﺗﻚ ﺑﻌﺪي ﻳﺎ ﭼﻨﺪ ﺑﻌﺪي‬
‫اﺳﺖ‪ .‬روﺷﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ ‪ CBR‬از ﻓﻨﺎورﻳﻬﺎي ﻋﺎﻣﻞ ﺑﻬﺮه ﻣﻴﺒﺮد‪ .‬در اﻳﻦ روﺷﻬﺎ ‪ ،‬ﻋﺎﻣﻠﻬﺎي ﻣﺬاﻛﺮه ‪,‬اﺳﺘﺮاﺗﮋي‬
‫داﺳﺘﺎﻧﻬﺎي ﻓﺮﻋﻲ‪ 9‬را ﺑﺮاي اﺻﻼح ﺑﺨﺸﻬﺎي ﻣﺨﺘﻠﻒ ﻃﺮح ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻳﻚ ﺗﻮاﻓﻖ ﻛﻠﻲ ﺑﻜﺎر ﻣﻴﮕﻴﺮﻧﺪ‪.‬‬
‫روﺷﻬﺎﻫﺎي دﻳﮕﺮي ﻧﻴﺰ ﺑﺮ اﺳﺎس اﺳﺘﻨﺘﺎج ﺑﻴﺰﻳﻦ‪ 10‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ‪.‬اﻟﺒﺘﻪ اﻳﻦ روﺷﻬﺎ ﺑﻴﺸﺘﺮ ﺑﺮاي ﻳﺎد ﮔﺮﻓﺘﻦ‬

‫‪4‬‬
‫‪Content-based recommendor approaches‬‬
‫‪5‬‬
‫‪Hybrid approaches‬‬
‫‪ 6‬در روش ﻋﺎﻣﻞ ﻓﻌﺎل ﻳﻚ ﻋﺎﻣﻞ ﻳﺎ ‪ agent‬ﺑﻪ ﻣﺤﺾ ﺗﻐﻴﻴﺮ ﺧﻮاﺳﺘﻪ ﻫﺎي ﻛﺎرﺑﺮ اﻧﺘﺨﺎﺑﻬﺎ راﺗﻐﻴﻴﺮ ﻣﻴﺪﻫﺪ‬
‫‪7‬در روش ﺗﻐﻴﻴﺮ ﺗﻘﺎﺿﺎ ‪ ,‬ﻋﺎﻣﻞ ﻓﻌﺎل ﺗﻘﺎﺿﺎي ﻛﺎرﺑﺮ را درﻳﺎﻓﺖ و ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻣﺤﺼﻮل ﺑﻪ آﻧﺮا ﭘﻴﺸﻨﻬﺎد ﻣﻴﻜﻨﺪ در اﻳﻦ ﺣﺎﻟﺖ ﺗﻀﻤﻴﻨﻲ ﺑﺮاي ﺑﺮآورده ﺷﺪن ﻫﻤﻪ‬
‫ﺧﻮاﺳﺘﻪ ﻫﺎي ﻛﺎرﺑﺮ ﻧﻴﺴﺖ‬
‫‪ 8‬در روش ﺗﻚ ﺑﻌﺪي ﻋﺎﻣﻞ ﻓﻌﺎل ﺑﺎ اﺑﻬﺎم در ﻳﻚ وﻳﮋﮔﻲ ﻣﻮرد درﺧﻮاﺳﺖ ﻛﺎرﺑﺮ ﻣﻮاﺟﻪ اﺳﺖ‬
‫‪ 9‬اﺳﺘﺮاﺗﮋي داﺳﺘﺎﻧﻬﺎي ﻓﺮﻋﻲ ﻳﺎ ‪ episode‬روﺷﻲ اﺳﺖ ﻛﻪ ﻣﺬاﻛﺮه ﻛﻨﻨﺪه ﺳﻌﻲ ﻣﻴﻜﻨﺪ اﺑﻌﺎد ﻣﺨﺘﻠﻒ ﻳﻚ ﻗﺮارداد را از ﻫﻢ ﺗﻔﻜﻴﻚ ﻛﺮده و ﺑﺼﻮرت ﺟﺪاﮔﺎﻧﻪ‬
‫در آن ﺗﻮاﻓﻖ ﺣﺎﺻﻞ ﻛﻨﺪ ‪.‬ﻣﺜﻼ ﺑﺤﺚ ﺷﺮاﻳﻂ ﻓﺴﺦ ‪ ,‬روش ﭘﺸﺘﻴﺒﺎﻧﻲ و روش ﭘﺮداﺧﺖ را در اﭘﻴﺰودﻫﺎي ﺟﺪاﮔﺎﻧﻪ ﻃﺮح ﻣﻴﻜﻨﺪ ﺗﺎ ﺑﺨﺸﻬﺎي ﻣﺨﺘﻠﻒ ﻣﺬاﻛﺮه ﺑﻪ‬
‫ﻫﻢ ﮔﺮه ﻧﺨﻮرد‬
‫‪10‬روش ﺑﻴﺰﻳﻦ )‪ ( Bayesian‬ﻣﺒﺘﻨﻲ ﺑﺮ آﻣﺎر و اﺣﺘﻤﺎل و درﺳﺘﻲ ﻳﺎ ﻧﺎدرﺳﺘﻲ ﻧﺴﺒﻲ اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﺗﻮﻣﺎس ﺑﻴﺰ ﭘﺎﻳﻪ ﮔﺬاري ﺷﺪه اﺳﺖ‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪4‬‬

‫اﺳﺘﺮاﺗﮋي ﻣﺬاﻛﺮه ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮد‪.‬‬

‫‪AI‬در ﻣﺰاﻳﺪه ‪Online‬‬
‫اﻣﺮوزه‪ ،‬ﺣﺪود ‪ 200‬ﺳﺎﻳﺖ ﻣﺰاﻳﺪه در اﻳﻨﺘﺮﻧﺖ ﻣﻮﺟﻮد اﺳﺖ‪ .‬اﻛﺜﺮ ﻣﺰاﻳﺪه ﻫﺎي ‪ Online‬ﻣﺰاﻳﺪه ﻫﺎي ﻣﺘﻌﺎرﻓﻲ‬
‫ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل ‪ ،‬ﻣﺰاﻳﺪه ﻫﺎي ﻣﺎﺷﻴﻦ ﻫﺎ و ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ‪ .‬ﺗﻜﻨﻴﻜﻬﺎي ﻋﺎﻣﻞ ﻗﺎﺑﻞ ﭘﻴﻜﺮﺑﻨﺪي ﺑﺮاي ﻧﺸﺎن دادن‬
‫ﻛﺎرﺑﺮان در ﻣﺰاﻳﺪه ﻫﺎي ‪ Online‬ﻣﺨﺼﻮﺻﺎ در ‪ Michigan AutionBot‬ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮﻧﺪ‪ .‬ﻋﺎﻣﻠﻬﺎ‬
‫ﺑﻮﺳﻴﻠﻪ ي ﻳﻚ واﺳﻂ ‪ Online‬ﭘﻴﻜﺮ ﺑﻨﺪي و راه اﻧﺪازي ﺷﺪه و ﻧﻤﺎﻳﺶ داده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬

‫ﻛﺎرﻛﺮدن ﺑﻄﻮر ﻫﻤﺰﻣﺎن ﺑﺎ ﺳﺎﻳﺘﻬﺎي ﻣﺰاﻳﺪه ﺑﺮاي ﻛﺎرﺑﺮان ﻛﺎر ﺳﺨﺘﻲ اﺳﺖ وﻟﻲ اﮔﺮ ﻛﺴﻲ ﺑﺘﻮاﻧﺪ ارزش‬
‫ﻣﺤﺼﻮل ﻋﺮﺿﻪ ﺷﺪه را ﭘﻴﺸﮕﻮﻳﻲ ﻛﻨﺪ ﻗﻴﻤﺖ ﻣﻨﺎﺳﺒﻲ را ﻣﻴﺘﻮاﻧﺪ اراﺋﻪ ﻛﻨﺪ ‪ .‬روﻳﻜﺮدﻫﺎي ﻣﺨﺘﻠﻒ ‪ AI‬ﺑﺮاي‬
‫ﭘﻴﺸﮕﻮﻳﻲ اﻳﻦ ﻣﺤﺼﻮﻻت ﺑﻜﺎر ﻣﻴﺮوﻧﺪ‪.‬اﻣﺮوزه ﻧﺮم اﻓﺰارﻫﺎي زﻳﺎدي ﺑﺮاي ﻣﺸﺎوره در ﻛﺎر ﺧﺮﻳﺪ و ﻓﺮوش ارز‬
‫ﻳﺎ ﺳﻬﺎم ﺑﻮرﺳﻬﺎي ﻣﻌﺘﺒﺮ در ﻣﺤﻴﻂ اﻳﻨﺘﺮﻧﺖ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ﻛﻪ ﻫﻤﮕﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻜﻨﻮﻟﻮژي ﻫﺎي ﻋﺎﻣﻞ ﺑﻮده و‬
‫از روﻳﻜﺮدﻫﺎي ‪ AI‬اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺑﺮاي اﻳﻦ ﻛﺎر ﺑﺎﻳﺪ ﺗﻌﺪادي ﻋﺎﻣﻞ ﭘﻴﺸﻨﻬﺎد دﻫﻨﺪه و ﻳﻚ ﻋﺎﻣﻞ ﻣﺪﻳﺮ‬
‫ﺑﺮاي ﻫﻤﺎﻫﻨﮓ ﻛﺮدن ﭘﻴﺸﻨﻬﺎدات وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻋﺎﻣﻠﻬﺎي ﭘﻴﺸﻨﻬﺎد دﻫﻨﺪه ي ﻣﺨﺘﻠﻔﻲ ﺑﻪ ﺳﺎﻳﺘﻬﺎي ﻣﺰاﻳﺪه‬
‫اﺧﺘﺼﺎص داده ﺷﺪه و ﻋﺎﻣﻠﻬﺎ ﺑﻄﻮر ﻫﻤﺰﻣﺎن ﻗﻴﻤﺘﻬﺎي ﻳﻚ ﻛﺎﻻ را در ﭼﻨﺪﻳﻦ ﺳﺎﻳﺖ ﻣﺰاﻳﺪه را ﺑﻪ ﻋﺎﻣﻞ ﻣﺪﻳﺮ‬
‫اﻃﻼع داده و ﺑﺎ ﻫﻤﻜﺎري ﻳﻜﺪﻳﮕﺮ ﺗﺨﻤﻴﻦ ﻣﻨﺎﺳﺒﻲ از ارزش ﻛﺎﻻي ﻣﻮرد ﻧﻴﺎز ﺑﻪ دﺳﺖ ﻣﻴ‪Ĥ‬ورﻧﺪ‬
‫‪ AI‬در ﺣﻞ ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ و در ارﺗﻘﺎء ﻣﻘﻴﺎس ﭘﺬﻳﺮي‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﺗﺠﺎري ﺑﺎﻳﺪ ﺗﻮاﻧﺎﻳﻲ ﺣﻞ ﻣﺴﺎﺋﻞ واﻗﻌﻲ را داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪ ،‬در ﺣﻮزه ﻣﺴﺎﻓﺮت ﻫﻮاﻳﻲ‬
‫‪ ،‬ﺑﺮاي ﺧﺮﻳﺪ ﺑﻠﻴﻂ ﻣﻴﺒﺎﻳﺪ ﭘﺮوازﻫﺎ را ﺑﺎ ﻣﺤﺪودﻳﺖ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﻛﺮاﻳﻪ ﻣﺴﺎﻓﺮ‪ ،‬زﻣﺎن‪ ،‬اﻳﻤﻨﻲ ﺟﺴﺘﺠﻮ ﻛﺮد ‪ .‬ﺑﺮاي‬
‫ﺣﻞ اﻳﻦ ﻧﻮع ﻣﺴﺎﻳﻞ از روﺷﻬﺎي ﺑﺮﻧﺎﻣﻪ رﻳﺰي و زﻣﺎﻧﺒﻨﺪي ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺘﻔﺎده ﻣﻴﮕﺮدد‪.‬‬

‫ﺳﺮوﻳﺲ دﻫﻨﺪه ﻫﺎي ﺗﺠﺎري ﺑﺎﻳﺪ ﻣﻘﻴﺎس ﭘﺬﻳﺮ ﺑﺎﺷﻨﺪ ﺗﺎ ﺑﺘﻮاﻧﻨﺪ ﺑﻪ ﺗﻌﺪاد زﻳﺎدي از ﻣﺸﺘﺮﻳﺎن ﺑﻄﻮر ﻫﻤﺰﻣﺎن‬
‫ﺳﺮوﻳﺲ دﻫﻨﺪ‪ .‬ﺗﻜﻨﻴﻜﻬﺎي ‪ smart client‬ﺑﺮاي اﻳﻦ ﻫﺪف ﺑﻜﺎر ﻣﻴﺮوﻧﺪ‪ Smart clinet .‬ﻫﺎ اﺳﺘﻮار ﺑﺮ‬
‫روﺷﻬﺎي رﺿﺎﻳﺘﻤﻨﺪ ي ﻣﺤﺪودﻳﺖ ﻫﺴﺘﻨﺪ و راه ﺣﻠﻬﺎﻳﻲ ﺑﺮاي ﺳﻴﺴﺘﻤﻬﺎي ﺑﺎزرﮔﺎﻧﻲ ﻓﻬﺮﺳﺖ ﮔﻮﻧﻪ ﻣﻬﻴﺎ‬
‫ﻣﻴﻜﻨﻨﺪ‪ .‬آﻧﻬﺎ ﺣﻞ ﻛﻨﻨﺪه ﻫﺎي ﻣﺴﺌﻠﻪ ﺧﻮدﻣﺨﺘﺎر ﻛﺎرآﻣﺪ ﻫﺴﺘﻨﺪ‪ ،‬و ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﻛﻮﭼﻚ ﻫﺴﺘﻨﺪ ﻛﻪ در زﻣﺎن‬
‫ﻛﻮﺗﺎﻫﻲ در ﺳﺮاﺳﺮ اﻳﻨﺘﺮﻧﺖ ﻓﺮﺳﺘﺎده ﻣﻴﺸﻮﻧﺪ‪ .‬اﻳﻦ ﺗﻜﻨﻴﻜﻬﺎ ﻫﻤﭽﻨﻴﻦ ﺑﺮاي ﺣﻞ ﻛﺮدن ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ ﻛﻪ‬
‫در ﺑﺎﻻ ذﻛﺮ ﺷﺪ‪ ،‬ﺑﻄﻮر وﺳﻴﻊ ﺑﻜﺎر ﻣﻴﺮوﻧﺪ‪.‬‬
‫‪ AI‬در ﭘﺎﺳﺨﮕﻮﻳﻲ ﺧﻮدﻛﺎر ﺑﻪ ﻣﺸﺘﺮﻳﺎن‬
‫ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ اﻛﺜﺮ ﺳﻮاﻻت ﻣﺸﺘﺮﻳﺎن ﻧﻴﺎزﻣﻨﺪ وﺟﻮد اﺷﺨﺎص ﺣﺮﻓﻪ اي در ﺳﺎزﻣﺎﻧﻬﺎ اﺳﺖ‪ .‬ﺗﻜﻨﻴﻜﻬﺎي دﺳﺘﻪ‬
‫ﺑﻨﺪي‪ 11‬در ﺗﻮﺳﻌﻪ اﻳﻦ ﮔﺮوه از ﺳﻴﺴﺘﻤﻬﺎ ﺑﻪ ﺻﻮرت ﮔﺴﺘﺮده ﺑﻜﺎر ﻣﻴﺮود‪.‬‬

‫‪ AI‬در دﺳﺘﻪ ﺑﻨﺪي و ﻗﻴﻤﺖ ﮔﺬاري ﺧﻮدﻛﺎر ﻛﺎﻻ‬

‫‪11‬‬
‫‪Classification‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪5‬‬

‫اﮔﺮ ﻳﻚ ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ‪ ,‬ﺑﺮاي ﻓﺮوش ﻛﺎﻻﻫﺎي ﻣﺨﺘﻠﻒ ﺧﻮد آﻧﻬﺎ را ﺑﻪ روﺷﻬﺎي ﻣﺘﻔﺎوﺗﻲ ﻗﻴﻤﺖ ﮔﺬاري ﻣﻴﻜﻨﺪ‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺮاي ﻳﻚ ﻛﺎﻻي ﺧﺎص ﻳﻚ ﻗﻴﻤﺖ و ﺑﺮاي ﺧﺮﻳﺪ ﻫﻤﺎن ﻛﺎﻻ در ﺳﺒﺪ ﻛﺎﻻﻫﺎي ﭘﻴﺸﻨﻬﺎدي ﺧﻮد‬
‫ﺑﻪ ﻣﻨﻈﻮر ﺗﺸﻮﻳﻖ ﺧﺮﻳﺪار ﺑﻪ ﺧﺮﻳﺪ ﻛﺎﻻي ﺑﻴﺸﺘﺮ ﻳﺎ ﻓﺮوش ﻛﺎﻻي ﻣﺎﻧﺪه در اﻧﺒﺎر ﻗﻴﻤﺖ ﻣﺘﻔﺎوﺗﻲ در ﻧﻈﺮ ﻣﻴﮕﻴﺮد‬
‫‪ .‬ﻣﺜﺎﻟﻬﺎي زﻳﺎدي در ارﺗﺒﺎط ﺑﺎ اﭘﺮاﺗﻮرﻫﺎي ﺗﻠﻔﻦ ﻫﻤﺮاه وﺟﻮد دارد ﻛﻪ ﺣﺎﺿﺮﻧﺪ در ﻣﻘﺎﺑﻞ اﻧﻌﻘﺎد ﻗﺮارداد ﻳﻜﺴﺎﻟﻪ‬
‫اﺳﺘﻔﺎده از ﺳﺮوﻳﺲ ﺷﺒﻜﻪ او ﮔﻮﺷﻲ دوﻳﺴﺖ ﻫﺰارﺗﻮﻣﺎﻧﻲ را ﺑﺼﻮرت راﻳﮕﺎن ﻳﺎ ﺑﺎ ﻗﻴﻤﺖ ﻧﺎﭼﻴﺰ در اﺧﺘﻴﺎرﺗﺎن‬
‫ﻗﺮار دﻫﺪ ) اﻟﺒﺘﻪ در اﻳﻦ ﺣﺎﻟﺖ اﺻﻄﻼﺣﺎ" ﮔﻮﺷﻲ ﺑﻪ ﺳﻴﻢ ﻛﺎرت ﻗﻔﻞ ﻣﻴﺸﻮد ﺗﺎ اﻣﻜﺎن اﺳﺘﻔﺎده ﺑﺎ ﺳﻴﻢ ﻛﺎرت‬
‫ﺷﺒﻜﻪ ﻫﺎي دﻳﮕﺮ اﻣﻜﺎن ﭘﺬﻳﺮ ﻧﺒﺎﺷﺪ(‪ .‬اﻣﺮوزه ﻫﻤﻪ ﺗﺠﺎر ﺑﻪ ﻣﻨﻈﻮر ﺣﺼﻮل ﺳﻮد ﺑﻴﺸﺘﺮ ﻳﺎ ﮔﺮدش ﻣﺎﻟﻲ ﺑﺎﻻﺗﺮ‬
‫ﻣﺠﺒﻮر ﺑﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي دﺳﺘﻪ ﺑﻨﺪي و ﻗﻴﻤﺖ ﮔﺬاري ﻛﺎﻻي ﺧﻮد ﻫﺴﺘﻨﺪ ‪ .‬روﻳﻜﺮدﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ‬
‫"ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻧﻈﺮي‪ " 12‬در ﺳﺎﺧﺘﻦ ﺗﺼﻤﻴﻤﺎت دﺳﺘﻪ ﺑﻨﺪي ﻣﻔﻴﺪ ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﺑﻪ ﺟﺰ ﻣﻮاردي ﻛﻪ ذﻛﺮ ﺷﺪ ﺗﻜﻨﻴﻜﻬﺎﻳﻲ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪﻓﻬﺎي ﺗﺠﺎري در ‪ B2C‬در ‪ AI‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ﻛﻪ‬
‫ﺑﻪ ﺑﺮﺧﻲ از آﻧﻬﺎ در ذﻳﻞ اﺷﺎره ﺷﺪه اﺳﺖ‪.‬‬
‫● اﻣﺮوزه ﻣﺸﺘﺮﻳﺎن ﺑﺮاي ﺧﺮﻳﺪ ﻛﺎﻻ در ﻓﻀﺎي اﻳﻨﺘﺮﻧﺖ ﺑﺎ ﻣﺸﺎﻫﺪه ﻣﺘﻦ ﻫﺎي ﺗﻮﺿﻴﺤﻲ‪) 13‬ﺑﻪ دﻟﻴﻞ ﻏﻴﺮ‬
‫ﺗﻌﺎﻣﻠﻲ ﺑﻮدﻧﺸﺎن( و ﻳﺎ ﺗﻌﺎﻣﻞ ﺑﺎ ﺑﺨﺸﻬﺎي ﭘﺮس و ﺟﻮ ﮔﺮا‪) 14‬ﺑﻪ دﻟﻴﻞ ﻛﻨﺪي آﻧﻬﺎ( راﺿﻲ ﻧﻤﻴﺸﻮﻧﺪ ‪ .‬روﺷﻬﺎي‬
‫ﻫﺪاﻳﺘﻲ ﻣﺰﻳﺖ ﮔﺮا‪ 15‬ﻛﻪ ﻣﺒﻨﺘﻲ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻫﺴﺘﻨﺪ ﻫﻢ ﺗﻌﺎﻣﻠﻲ ﺑﻮده وﻫﻢ ﺑﺴﻴﺎر ﺳﺮﻳﻌﺘﺮ ﻋﻤﻞ ﻣﻴﻜﻨﻨﺪ و‬
‫ﺑﻪ ﺳﺮﻋﺖ در ﺣﺎل ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﺎ روﺷﻬﺎي ﻗﺪﻳﻤﻲ ﻫﺴﺘﻨﺪ‪.‬‬

‫● ﻫﻢ اﻛﻨﻮن ﺧﺮﻳﺪاران ﻫﻮﺷﻤﻨﺪ ﻛﺎﻻي ﻋﻤﺪه ‪ ,‬از ﻋﺎﻣﻞ ﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻛﻪ ﺑﺎ ﺗﻜﻨﻴﻜﻬﺎي ‪ AI‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ‬
‫ﺑﺮاي اﻧﺘﺨﺎب ﻓﺮوﺷﻨﺪه اﺳﺘﻔﺎده ﻣﻴﻜﻨﻨﺪ ‪ .‬ﭼﻮن اﻳﻦ ﻋﺎﻣﻞ ﻫﺎ ﺑﺼﻮرت ﺷﺒﺎﻧﻪ روزي ﺷﺎﻫﺪ و ﻧﺎﻇﺮ ﺗﻐﻴﻴﺮات‬
‫ﻗﻴﻤﺘﻬﺎ ﺑﻮده و ﻗﺎدرﻧﺪ ﺳﻴﺎﺳﺘﻬﺎي ﻧﺴﺒﺘﺎ ﭘﻴﭽﻴﺪه اي را ﻛﻪ ﻓﺮوﺷﻨﺪﮔﺎن در ﻣﻮاﻗﻊ ﺧﺎص ﺑﺮاي ﺑﺮ ﻫﻢ زدن ﺗﻮازن‬
‫ﻋﺮﺿﻪ و ﺗﻘﺎﺿﺎي ﻛﺎﻻ و در ﻧﻴﺠﻪ اﻓﺰاﻳﺶ ﻛﺎذب ﻗﻴﻤﺘﻬﺎ اﺗﺨﺎذ ﻣﻴﻜﻨﻨﺪ را ﺗﺸﺨﻴﺺ دﻫﻨﺪ‪.‬‬
‫‪ AI 2-2-12‬در ﺗﺠﺎرت ﺑﻨﮕﺎه ﺑﻪ ﺑﻨﮕﺎه )‪(B2B‬‬
‫‪16‬‬
‫ﺑﻜﺎر ﻣﻴﺮود‪ .‬ﻣﺪﻳﺮﻳﺖ زﻧﺠﻴﺮه ﺗﺎﻣﻴﻦ وﻇﻴﻔﻪ‬ ‫ﺗﻜﻨﻴﻜﻬﺎي ‪ AI‬ﺑﻄﻮر وﺳﻴﻊ در ﻣﺪﻳﺮﻳﺖ زﻧﺠﻴﺮه ﺗﺎﻣﻴﻦ‬
‫ﺗﺎﻣﻴﻦ ﺑﻪ ﻣﻮﻗﻊ ) ﻧﻪ زود ﻧﻪ دﻳﺮ ( ﻗﻄﻌﺎت از ﻗﻄﻌﻪ ﺳﺎزان را ﺑﺮاي ﺗﻮﻟﻴﺪي ﺑﻪ ﻣﻮﻗﻊ و ارزان ﺑﻪ ﻋﻬﺪه دارد‬
‫‪ .‬ﺳﻔﺎرش زودﺗﺮ از ﻣﻮﻋﺪ ﻳﻚ ﻗﻄﻌﻪ ﺑﺎﻋﺚ اﻓﺰاﻳﺶ ﻫﺰﻳﻨﻪ اﻧﺒﺎرداري و اﺧﺘﺼﺎص ﺑﻴﻬﻮده ﺳﺮﻣﺎﻳﻪ ﺷﺮﻛﺖ‬
‫و ﺗﺎﺧﻴﺮ در ﺳﻔﺎرش ﺑﺎﻋﺚ ﺗﺎﺧﻴﺮ در ﺗﻮﻟﻴﺪ ﻛﺎﻻ و ﻫﺪر رﻓﺘﻦ ﺳﺮﻣﺎﻳﻪ ﺷﺮﻛﺖ ﻛﻪ ﺻﺮف ﺗﻮﻟﻴﺪ ﺑﻘﻴﻪ‬
‫ﻗﻄﻌﺎت ﮔﺮدﻳﺪه اﺳﺖ ﺧﻮاﻫﺪ ﺷﺪ اﻟﺒﺘﻪ اﻳﻦ ﺑﺨﺸﻲ از وﻇﻴﻔﻪ ‪ SCM‬اﺳﺖ وﻇﺎﻳﻔﻲ ﻣﺎﻧﻨﺪ ﻃﺒﻘﻪ ﺑﻨﺪي ﻗﻄﻌﻪ‬
‫ﺳﺎزان از ﻧﻈﺮ ﻛﻴﻔﻴﺖ ‪ ,‬ﺗﻮان ﺗﻮﻟﻴﺪ ‪ ,‬ﺳﺮﻋﺖ ﺗﻮﻟﻴﺪ ‪ ,‬ﻗﻴﻤﺖ اراﻳﻪ ﻗﻄﻌﻪ ﺑﻪ ﻣﻨﻈﻮر ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﻬﺘﺮ در‬
‫ﺗﺪارك ﻗﻄﻌﻪ ﻧﻴﺰ ﺟﺰﺋﻲ از اﻳﻦ وﻇﺎﻳﻒ اﺳﺖ ‪ .‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي زﻳﺎدي ﺑﺮ ﻣﺒﻨﺎي ﻓﻨﺎوري ‪ AI‬ﺑﺮاي ﻣﺴﺎﺋﻞ‬
‫‪ SCM‬ﺗﻮﻟﻴﺪ ﺷﺪه و در دﺳﺘﺮس ﻗﺮار دارﻧﺪ‪ .‬اﻛﺜﺮ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﺑﺮاﺳﺎس ﻋﺎﻣﻞ ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ و ﻫﺮ ﻋﺎﻣﻞ‬
‫‪12‬‬
‫‪Decision theoretic‬‬
‫‪13‬‬
‫‪text-based‬‬
‫‪14‬‬
‫‪query-based‬‬
‫‪15‬‬
‫‪preference-based navigation‬‬
‫‪16‬‬
‫‪SCM :supplier chain management‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪6‬‬

‫‪ ،‬ﻣﺴﺌﻮل ﻳﻚ ﻳﺎ ﭼﻨﺪ ﻓﻌﺎﻟﻴﺖ ‪ SCM‬اﺳﺖ‪.‬‬

‫‪ AI 3-12‬در ﮔﺮدﺷﮕﺮي اﻟﻜﺘﺮوﻧﻴﻜﻲ )‪(E-TOURISM‬‬
‫اﻣﺮوزه ﻣﻔﺎﻫﻴﻢ ﺳﻨﺘﻲ در ﺑﺴﻴﺎري از زﻣﻴﻨﻪ ﻫﺎ ﻣﺎﻧﻨﺪ ﺗﺠﺎرت‪ ،‬ﺑﺎزرﮔﺎﻧﻲ‪ ،‬ﻳﺎ ﮔﺮدﺷﮕﺮي ﺗﻐﻴﻴﺮ ﻛﺮده اﺳﺖ ‪ .‬ﻣﺎ اﻳﻦ‬
‫ﺗﻐﻴﻴﺮ را ﻣﺪﻳﻮن ﭘﻴﺸﺮﻓﺖ ﻧﻤﺎﺋﻲ در ﺣﻮزه وب ﻫﺴﺘﻴﻢ ‪ .‬اﻳﻦ ﺗﻐﻴﻴﺮات ﻧﺎﺷﻲ از دﻻﻳﻞ ﻣﺨﺘﻠﻔﻲ اﺳﺖ ‪ .‬ﻛﺎرﺑﺮان‬
‫ﺑﻪ اﻳﻨﺘﺮﻧﺖ وﺻﻞ ﻣﻴﺸﻮﻧﺪ‪ ،‬ﺣﺠﻢ زﻳﺎدي از اﻃﻼﻋﺎت در آن ذﺧﻴﺮه ﺷﺪه و دﺳﺘﺮﺳﻲ ﺑﻪ اﻳﻦ اﻃﻼﻋﺎت ﺑﺮاي‬
‫ﻛﺎرﺑﺮ آﺳﺎن اﺳﺖ‪ .‬وﻳﮋﮔﻲ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﭘﺴﺖ اﻟﻜﺘﺮوﻧﻴﻜﻲ و اﻧﺘﻘﺎل اﻣﻦ اﻃﻼﻋﺎت ‪ ،‬ﺟﺴﺘﺠﻮي اﺧﺒﺎر ﺑﻪ ﺻﻮرت‬
‫ﺑﺎز و آزاد زﻣﻴﻨﻪ ﺳﺎز ﻛﺎرﺑﺮدﻫﺎي ﻓﺮاواﻧﻲ ﺷﺪه اﺳﺖ‪ .‬اﻧﺠﺎم ﻣﻌﺎﻣﻼت ﺗﺠﺎري در‪ web‬اﻣﻜﺎﻧﭙﺬﻳﺮ ﺑﻮده و اﻣﺮي‬
‫راﻳﺞ اﺳﺖ‪ .‬در اﻳﻦ ﺑﺨﺶ ﻛﺎرﺑﺮد اﻳﻦ ﺗﻜﻨﻮﻟﻮژي ﻫﺎي ﺟﺪﻳﺪ را در زﻣﻴﻨﻪ ﮔﺮدﺷﮕﺮي ﺷﺮح ﻣﻴﺪﻫﺪ‪.‬‬
‫اﻣﺮوزه ﭘﻴﺪا ﻛﺮدن آژاﻧﺴﻬﺎي ﻣﺴﺎﻓﺮﺗﻲ اﻳﺮاﻧﻲ و ﺧﺎرﺟﻲ‪ ,‬وﺳﺎﻳﻞ ﺣﻤﻞ وﻧﻘﻞ ‪ ،‬ﻫﺘﻞ ﻳﺎ ﺷﺮﻛﺘﻬﺎي اﺟﺎره ﺧﻮدرو‬
‫ﻛﻪ ﻣﺤﺼﻮﻻت ﻣﺨﺘﻠﻒ را در وب اراﺋﻪ ﻣﻴﻜﻨﻨﺪ ﻛﺎر ﺳﺎده و راﻳﺠﻲ اﺳﺖ‪ .‬در واﻗﻊ ﻳﺎﻓﺘﻦ ﻗﻴﻤﺘﻬﺎي ﺧﻮب ‪ ،‬ﺗﻨﻬﺎ‬
‫ﺑﺮاي ﻛﺎرﺑﺮاﻧﻲ ﻛﻪ ﻗﺼﺪ ﺧﺮﻳﺪ از ﻃﺮﻳﻖ وب دارﻧﺪ ‪ ،‬ﻣﻴﺴﺮ اﺳﺖ زﻳﺮا ﻣﺸﺘﺮي ﺑﺮاﺣﺘﻲ زﻣﺎن ﺳﻔﺮ ﺧﻮد را ﺑﺎ‬
‫ﺑﻬﺘﺮﻳﻦ ﻳﺎ ارزاﻧﺘﺮﻳﻦ وﺳﻴﻠﻪ ﻳﺎ ﺗﻮر اراﻳﻪ ﺷﺪه ﻛﻪ اﺣﺘﻤﺎﻻ ﺑﺪﻟﻴﻠﻲ ﻣﺸﻤﻮل ﺗﺨﻔﻴﻒ ﺷﺪه ﺗﻄﺒﻴﻖ ﻣﻴﺪﻫﺪ ‪ .‬دﻳﺪن‬
‫ﻓﻀﺎي داﺧﻞ ﻫﺘﻠﻬﺎ و ﻳﺎ ﻓﻀﺎﻫﺎي دﻳﺪﻧﻲ ﻛﺸﻮرﻫﺎ اﻧﮕﻴﺰه ﺑﻴﺸﺘﺮي ﺑﺮاي ﻣﺸﺘﺮﻳﺎن اﻳﺠﺎد ﻛﺮده اﺳﺖ ‪ .‬ﺑﻌﻀﻲ از‬
‫ﻛﺸﻮرﻫﺎ از ﺟﻤﻠﻪ اﻳﺮان ﺳﻴﺴﺘﻢ روادﻳﺪ )وﻳﺰا( اﻟﻜﺘﺮوﻧﻴﻚ را ﺑﺮاي ﺗﻮرﻳﺴﺘﻬﺎ راه اﻧﺪازي ﻛﺮده اﻧﺪ )‪.(G2V17‬‬
‫ﻣﺠﻤﻮﻋﻪ اﻳﻦ ﻋﻮاﻣﻞ در ﺗﻮﺳﻌﻪ ﮔﺮدﺷﮕﺮي اﻟﻜﺘﺮوﻧﻴﻜﻲ ﺗﺎﺛﻴﺮ ﻓﺮاواﻧﻲ ﮔﺬاﺷﺘﻪ اﺳﺖ‪.‬اﻣﺎ ﻣﺴﺎﺋﻞ ﺟﺪي در ﺑﺎزﻳﺎﺑﻲ‪،‬‬
‫اداره ﻛﺮدن و اﺳﺘﻔﺎده ﻣﺠﺪد از اﻃﻼﻋﺎت ذﺧﻴﺮه ﺷﺪه در وب وﺟﻮد دارد‪ .‬اﻳﻦ ﻣﺴﺎﺋﻞ ﺑﺼﻮرت زﻳﺮ ﺧﻼﺻﻪ ﺷﺪه‬
‫اﻧﺪ‪:‬‬
‫● ﭼﻪ ﺳﺎﻳﺘﻬﺎﻳﻲ اﻃﻼﻋﺎت ﻣﻔﻴﺪ اراﺋﻪ ﻣﻴﺪﻫﻨﺪ ؟‬
‫● اﻃﻼﻋﺎت ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﻛﺘﻬﺎ ﻣﻤﻜﻦ اﺳﺖ ﺑﻌﺪ از ﻣﺪﺗﻲ ﺗﻐﻴﻴﺮ ﻛﻨﺪ‪.‬‬
‫● دﺳﺘﺮﺳﻲ ﺑﻪ ﻣﻨﺎﺑﻊ اﻃﻼﻋﺎت ﻫﻤﻴﺸﻪ اﻣﻜﺎﻧﭙﺬﻳﺮ ﻧﻴﺴﺖ‪.‬‬
‫● اراﺋﻪ اﻃﻼﻋﺎت ﻧﺎﻫﻤﮕﻮن ﻛﻪ درك ﻛﺎرﺑﺮ از اﻃﻼﻋﺎت را ﻣﺸﻜﻞ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫● ﺧﺮﻳﺪﻫﺎي ارزان اراﺋﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﻛﺘﻬﺎ ﻣﻤﻜﻦ اﺳﺖ ﺑﻌﺪ از ﻣﺪﺗﻲ ﺗﻐﻴﻴﺮ ﻛﺮده ﺑﺎﺷﺪ‪.‬‬
‫در واﻗﻊ ﺑﺮاي ﺣﻞ ﻛﺮدن اﻳﻦ ﻣﺴﺎﻳﻞ ‪ ،‬ﺳﻴﺴﺘﻤﻬﺎي ﺑﺴﻴﺎري وﺟﻮد دارﻧﺪ ﻛﻪ اﻃﻼﻋﺎت ﻓﺮاﻫﻢ ﺷﺪه از وب را ﺑﻄﻮر‬
‫ﻛﺎرآﻣﺪ اﺳﺘﺨﺮاج و ﻓﻴﻠﺘﺮ ﻛﺮده و ﺳﭙﺲ اراﺋﻪ ﻣﻴﻜﻨﻨﺪ‪ .‬اﻣﺎ ﺑﺴﻴﺎري از اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ ﻣﺎﻧﻨﺪ ﻣﻮﺗﻮرﻫﺎي ﺟﺴﺘﺠﻮ ‪،‬‬
‫‪ webBots, spiders‬ﻫﺎ روي اﻃﻼﻋﺎﺗﻲ ﻛﻪ از دﻻﻻن ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ﻣﺘﻤﺮﻛﺰ ﺷﺪه اﻧﺪ‪ .‬ﻣﺘﺄﺳﻔﺎﻧﻪ اﻳﻦ‬
‫ﺳﻴﺴﺘﻤﻬﺎ ﺗﻮاﻧﺎﻳﻲ ﺣﻞ ﻫﻤﻪ ﻣﺴﺎﺋﻞ اﺷﺎره ﺷﺪه را ﻧﺪارﻧﺪ‪.‬‬

‫ﺑﺮاي ﺑﻜﺎرﮔﻴﺮي ﻫﺮ ﭼﻪ ﺑﻴﺸﺘﺮ از ﺗﻮاﻧﻤﻨﺪﻳﻬﺎي ﺑﺎﻟﻘﻮه ي وب ﺑﺎﻳﺪ ﺑﻪ دﻧﺒﺎل ﻃﺮاﺣﻲ و ﺳﺎﺧﺖ ﺳﻴﺴﺘﻤﻬﺎي‬
‫ﻫﻮﺷﻤﻨﺪي ﺑﺎ اﻣﻜﺎن ﺧﻮدﻛﺎر ﺳﺎزي ﻓﻌﺎﻟﻴﺘﻬﺎي زﻳﺮ ﺑﺎﺷﻴﻢ‪:‬‬
‫● ﺟﺴﺘﺠﻮ ﻛﺮدن وﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت ﻣﻔﻴﺪ‬
‫● اﺳﺘﺪﻻل ﻛﺮدن ﺑﺎ راه ﺣﻠﻬﺎي ﻣﺨﺘﻠﻒ‬

‫‪17‬‬
‫‪government to visitor‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪7‬‬

‫● ﺗﻄﺒﻴﻖ ﺑﺎ ﺧﻮاﺳﺘﻪ ﻫﺎ و ﺧﺼﻮﺻﻴﺖ ﻫﺎي ﻛﺎرﺑﺮ‪ ،‬ﺑﺮاي ﻳﺎﻓﺘﻦ راه ﺣﻠﻬﺎي ﻣﺸﺘﺮي ﮔﺮا ﺗﺮ‬
‫● اﻓﺰاﻳﺶ ﺑﺎزده ي ﺑﺎ ﺑﻜﺎرﮔﻴﺮي داﻧﺶ ﻳﺎدﮔﺮﻓﺘﻪ ﺷﺪه ﺗﻮﺳﻂ ﻋﺎﻣﻠﻬﺎي دﻳﮕﺮ ) اﻧﺴﺎن ﻳﺎ ﻧﺮم اﻓﺰار‬
‫‪ 1-3-12‬ﺣﻮزه ﮔﺮدﺷﮕﺮي اﻟﻜﺘﺮوﻧﻴﻜﻲ‬
‫ﺣﻮزه ﮔﺮدﺷﮕﺮي اﻟﻜﺘﺮوﻧﻴﻜﻲ را ﻣﻴﺘﻮاﻧﻴﻢ اﻳﻨﮕﻮﻧﻪ ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ ‪" :‬ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ اﻟﻜﺘﺮوﻧﻴﻜﻲ در دﺳﺘﺮس ﺑﺮاي‬
‫ﻳﻚ آژاﻧﺲ ﻣﺴﺎﻓﺮﺗﻲ ) از ﻧﻮع اﻧﺴﺎﻧﻲ ﻳﺎ ﻧﺮم اﻓﺰار( ﻛﻪ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﺑﺰي ﺳﻔﺮ ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﺑﺎﺷﺪ‪".‬‬
‫ﻳﻚ آژاﻧﺲ ﻣﺴﺎﻓﺮﺗﻲ اﻟﻜﺘﺮوﻧﻴﻜﻲ ﺑﺎﻳﺪ ﺗﻮاﻧﺎﻳﻲ ﻣﺪﻳﺮﻳﺖ ﺗﻤﺎم اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﺴﺎﻓﺮت‬
‫ﻛﺎرﺑﺮ را داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬در اﻳﻦ ﻧﻮع ﺣﻮزه ‪ ،‬ﺿﺮوري اﺳﺖ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻗﺎدر ﺑﻪ ﻧﺸﺎن دادن ﭼﻨﺪﻳﻦ ﺷﻬﺮ ‪،‬‬
‫وﺳﺎﻳﻞ ﺣﻤﻞ و ﻧﻘﻞ ‪ ،‬ﻣﻜﺎن ﻫﺎي ﻛﺮاﻳﻪ اي و ﻏﻴﺮه ﺑﻪ ﻛﺎرﺑﺮ ﺑﺎﺷﺪ‪.‬ﺑﻨﺎﺑﺮ اﻳﻦ ﻋﺎﻣﻞ ﻧﻴﺎزﻣﻨﺪ داﻧﺴﺘﻦ ﭼﮕﻮﻧﮕﻲ ﺳﻔﺮ‬
‫ﺑﻴﻦ ﺷﻬﺮﻫﺎ و و ﻓﺮودﮔﺎﻫﻬﺎ و اﻳﺴﺘﮕﺎه ﻫﺎي ﻗﻄﺎر و ﻧﻴﺰ ﻛﺮاﻳﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﻳﺎ رزرو ﻳﻚ اﺗﺎق در ﻫﺘﻞ اﺳﺖ‪ .‬ﺷﻜﻞ‬
‫‪ 12,1‬ﻳﻚ ﻣﺜﺎل در اﻳﻦ ﺣﻮزه را ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪ ،‬ﻛﻪ در آن ﻛﺎرﺑﺮ ﻣﻴﺘﻮاﻧﺪ وﺳﺎﻳﻞ ﺣﻤﻞ و ﻧﻘﻞ و ﻫﺘﻠﻬﺎي ﻣﺨﺘﻠﻔﻲ را‬
‫ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻫﺪف ﺧﻮد اﻧﺘﺨﺎب ﻛﻨﺪ‪.‬‬

‫ﺷﻜﻞ‪12,1‬‬
‫ﺑﻴﺸﺘﺮ ﻧﻜﺎت ﻣﻬﻢ در ﻣﺪﻳﺮﻳﺖ ﻳﻚ ﺳﻔﺮ ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫‪ (1‬ﺣﺮﻛﺖ ﻛﺮدن از ﺷﻬﺮ ﻣﺒﺪا ﺑﻪ ﺷﻬﺮ ﻣﻘﺼﺪ‬
‫‪ (2‬ﻣﺴﻜﻦ در ﻣﻘﺼﺪ‬
‫‪ (3‬وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﻣﻮﺟﻮد در ﺷﻬﺮ ﻣﻘﺼﺪ‬
‫‪ (4‬ﺑﺎزﮔﺸﺖ ﺑﻪ ﺷﻬﺮ ﻣﺒﺪا ) ﻳﺎ ﺷﻬﺮ دﻳﮕﺮ(‬
‫ﺑﺮاي اداره ﻛﺮدن ﻣﻮرد )‪ (1‬وﺳﺎﻳﻠﻲ ﻣﺎﻧﻨﺪ ﻫﻮاﭘﻴﻤﺎ ‪ ،‬ﻗﻄﺎر‪ ،‬ﻳﺎ اﺗﻮﺑﻮس ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ از وﺳﺎﻳﻞ ﺣﻤﻞ وﻧﻘﻞ‬
‫ﻫﺴﺘﻨﺪ و ﻛﺎرﺑﺮ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﺣﺮﻛﺖ ﺑﻪ ﺳﻤﺖ ﻓﺮودﮔﺎه ‪ ،‬اﻳﺴﺘﮕﺎه ﻗﻄﺎر ﻳﺎ اﻳﺴﺘﮕﺎه اﺗﻮﺑﻮس ﺑﻪ ﻗﻄﺎر‬
‫و اﺗﻮﺑﻮس ﻣﺤﻠﻲ و ﻳﺎ ﺗﺎﻛﺴﻲ ﻧﻴﺎز داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﭘﺲ ﻋﺎﻣﻞ ﻧﻴﺎز ﺑﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﺧﺼﻮص اﻳﻨﻜﻪ از ﭼﻪ‬
‫وﺳﻴﻠﻪ ي ﻣﺤﻠﻲ اﺳﺘﻔﺎده ﻛﻨﺪ دارد‪ .‬ﻣﻬﻤﺘﺮﻳﻦ ﺑﺨﺶ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﻤﻴﻦ ﺟﺎﺳﺖ زﻳﺮا ﺗﻌﺪاد راه ﺣﻠﻬﺎي‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪8‬‬

‫ﻣﻤﻜﻦ ‪ ،‬ﺑﺼﻮرت ﻧﻤﺎﻳﻲ رﺷﺪ ﻣﻴﻜﻨﻨﺪ‪ .‬ﺷﺎﻳﺪ ﻣﺠﺒﻮر ﺷﻮﻳﻢ ﺗﻨﻬﺎ ﺑﻪ دادن اﻃﻼﻋﺎﺗﻲ در ﻣﻮرد وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ي‬
‫ﻣﻮﺟﻮد در ﺷﻬﺮ ﻣﻘﺼﺪ‪ ،‬اﻣﻜﺎﻧﺎﺗﻲ ﻣﺎﻧﻨﺪ اﺟﺎره ﻳﻚ ﻣﺎﺷﻴﻦ ‪ ،‬ﻳﺎ اﻃﻼﻋﺎت وﺳﺎﻳﻞ ﺣﻤﻞ وﻧﻘﻞ ﻋﻤﻮﻣﻲ ﻣﺎﻧﻨﺪ‬
‫اﺗﻮﺑﻮس و ﻣﺘﺮو ﺑﺴﻨﺪه ﻛﻨﻴﻢ‪.‬‬
‫ﭘﻲ آﻣﺪ ﻣﻬﻢ دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ راه ﺣﻠﻬﺎي ﻣﺨﺘﻠﻒ ﺑﺴﻴﺎري ﺑﺮاي ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﻌﻴﻦ وﺟﻮد دارد ﻛﻪ ﻫﻤﻪ‬
‫ي آﻧﻬﺎ ﺑﺎﻳﺪ ﺑﺮ اﺳﺎس ﭼﻨﺪﻳﻦ ﭘﺎراﻣﺘﺮ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﻮﻧﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬راه ﺣﻠﻬﺎ را ﻣﻴﺘﻮان ﻣﻄﺎﺑﻖ ﺑﺎ ﻫﺰﻳﻨﻪ ‪،‬‬
‫ﻣﻴﺰان زﻣﺎن ﺑﺮاي اﺗﻤﺎم ﺳﻔﺮ ‪ ،‬ﻳﺎ اوﻟﻮﻳﺘﻬﺎي ﻛﺎرﺑﺮ ﻃﺒﻘﻪ ﺑﻨﺪي ﻛﺮد‪.‬‬
‫آژاﻧﺲ ﻣﺴﺎﻓﺮﺗﻲ ﺑﺎﻳﺪ در ﺻﻮرت ﻧﻴﺎز ﻣﺸﺘﺮي ﺑﺮاي ﭘﻴﺸﻨﻬﺎدﻫﺎي ﺧﻮد دﻻﻳﻞ ﻛﺎﻓﻲ داﺷﺘﻪ ﺑﺎﺷﺪ ﻳﺎ ﺑﻪ‬
‫ﻋﺒﺎرت ﺑﻬﺘﺮ ﺑﺎﻳﺪ ﺑﺘﻮاﻧﺪ روش اﺳﺘﺪﻻل ﺧﻮد را ﻧﻤﺎﻳﺶ دﻫﺪ ‪.‬اﻳﻦ اﺳﺘﺪﻻل ﺑﺮ اﺳﺎس اﻃﻼﻋﺎﺗﻲ ﺻﻮرت‬
‫ﮔﺮﻓﺘﻪ ﻛﻪ ﺑﻴﺸﺘﺮ اوﻗﺎت در دﺳﺘﺮس ﻧﻴﺴﺖ ﻳﺎ ﺑﺨﺸﻲ از آن ﻣﻤﻜﻦ اﺳﺖ ﺧﺮاب ﺑﺎﺷﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ آژاﻧﺲ‬
‫ﻣﺴﺎﻓﺮﺗﻲ ﻧﻴﺎزﻣﻨﺪ ﻣﺪﻳﺮﻳﺖ و ذﺧﻴﺮه اﻃﻼﻋﺎت ﺑﺪﺳﺖ آﻣﺪه از وب اﺳﺖ‪.‬‬
‫ﻋﺎﻣﻠﻬﺎي ﻣﺒﺘﻲ ﺑﺮ وب ﻣﺎﻧﻨﺪ روﺑﺎﺗﻬﺎي ﻧﺮم اﻓﺰاري‪ 18‬و ﻋﻨﻜﺒﻮﺗﻬﺎ‪ 19‬اﺑﺰارﻫﺎي ﻣﺘﺪاوﻟﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﻗﺎدر ﺑﻪ‬
‫ﺟﻤﻊ آوري و ﻓﻴﻠﺘﺮ ﻛﺮدن داده ﻫﺎي ﻣﻮﺟﻮد در وب ﻫﺴﺘﻨﺪ‪.‬‬
‫‪ SIMS‬ﻧﻤﻮﻧﻪ اي از ﭘﻴﺎده ﺳﺎزي ﺳﻴﺴﺘﻤﻬﺎﻳﻲ اﺳﺖ ﻛﻪ واﺳﻄﻪ‪ 20‬ﻧﺎﻣﻴﺪه ﻣﻴﺸﻮد‪ .‬اﻳﻦ واﺳﻄﻪ ﻫﺎ ﻧﻘﺶ ﻣﻬﻤﻲ در‬
‫ﻫﻤﮕﻮن ﻛﺮدن ﻣﻨﺎﺑﻊ اﻃﻼﻋﺎت ﻧﺎﻫﻤﮕﻦ ﺑﺮاي رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ﻫﺎي ﺟﺪﻳﺪ دارﻧﺪ ‪ .‬ﺳﻴﺴﺘﻤﻬﺎي دﻳﮕﺮي ﻣﺎﻧﻨﺪ‬
‫‪ ARIADNE‬وﻇﻴﻔﻪ ﻫﻤﮕﻮن ﻛﺮدن داﻧﺶ را ﺑﺎ ﻫﺪف ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻳﻚ ﻓﺮآﻳﻨﺪ ﺑﻪ ﻋﻬﺪه ﮔﺮﻓﺘﻪ اﻧﺪ‪.‬‬
‫اﻣﺮوزه ﻧﺮم اﻓﺰارﻫﺎﻳﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ ﻛﻪ از ﻋﺎﻣﻠﻬﺎﻳﻲ ﺑﺎ ﻣﻬﺎرﺗﻬﺎي ﻣﺨﺘﻠﻒ اﺳﺘﻔﺎده ﻣﻴﻜﻨﻨﺪ‪ .‬ﭘﺮوژه ‪ Zeus‬ﺑﺎ‬
‫ﻫﻤﻴﻦ ﻫﺪف و ﺗﺴﻬﻴﻞ و رﺷﺪ ﺳﺮﻳﻊ ﻛﺎرﺑﺮدﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﺗﻌﺮﻳﻒ ﮔﺮدﻳﺪه اﺳﺖ ‪ .‬در اﻳﻦ ﭘﺮوژه ﻫﺮ‬
‫ﻋﺎﻣﻞ‪ ,‬ﺑﺴﺘﻪ ي ﻧﺮم اﻓﺰاري ﻣﺴﺘﻘﻠﻲ اﺳﺖ ﻛﻪ ﻋﻮاﻣﻞ ﭘﺎﻳﻪ اﺳﺘﻨﺘﺎج و ﺣﻘﺎﻳﻖ ﺣﻮزه ﺗﺨﺼﺼﻲ ﺧﻮد را در‬
‫ﺧﻮد دارد و اﻳﻦ ﻋﺎﻣﻠﻬﺎ ﺑﺮاي اﻧﺠﺎم ﻛﺎرﻫﺎي ﭘﻴﭽﻴﺪه ﺑﺎ ﻫﻢ ﻫﻤﻜﺎري ﻣﻴﻜﻨﻨﺪ ‪ .‬ﻧﺮم اﻓﺰار ﻫﺎي دﻳﮕﺮي ﻣﺎﻧﻨﺪ‬
‫‪ JATLite21‬ﻧﻴﺰ ﺑﺎ اﺳﺘﻔﺎده از ﻛﻼﺳﻬﺎي ﺟﺎوا اﺑﺰارﻫﺎﻳﻲ را ﻣﻬﻴﺎ ﻧﻤﻮد ﺗﺎ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﺎن ﺑﺘﻮاﻧﻨﺪ ﺑﺎ ﺳﺮﻋﺖ‬
‫ﺑﻴﺸﺘﺮي ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ را ﺑﺨﺼﻮص ﺑﺎ روﻳﻜﺮد اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت ﺗﻮزﻳﻊ ﺷﺪه ﺗﻮﺳﻌﻪ دﻫﻨﺪ‪.‬‬
‫‪ 2-3-12‬ﻣﺜﺎل‪ :‬ﻧﻘﺸﻪ ﺳﻔﺮ‬
‫روﺷﻬﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي ﻛﺎر ﺑﺎ اﻃﻼﻋﺎت ذﺧﻴﺮه ﺷﺪه در وب وﺟﻮد دارد‪ .‬در اﻳﻦ ﺑﺨﺶ ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ را ﻛﻪ‬
‫ﺑﺮاي ﺳﺎﺧﺘﻦ ﺳﻴﺴﺘﻤﻬﺎي ﺧﻮدﻣﺨﺘﺎر و ﻫﻮﺷﻤﻨﺪ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻜﻨﻴﻜﻬﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻜﺎر ﻣﻴﺮوﻧﺪ را‬
‫ﺑﺮرﺳﻲ ﻣﻴﻜﻨﻴﻢ‪.‬‬
‫ﻋﺎﻣﻠﻬﺎي ﻫﻮﺷﻤﻨﺪ ﻧﻤﻮﻧﻪ ي ﺟﺪﻳﺪ از ﺗﻮﺳﻌﻪ ﻧﺮم اﻓﺰارﻫﺎي ﻛﺎرﺑﺮدي ﻫﺴﺘﻨﺪ‪ .‬ﺗﻮﺳﻌﻪ اﻳﻦ ﻋﺎﻣﻠﻬﺎ ﻣﺘﺨﺼﺼﺎن‬
‫ﻫﻤﻪ زﻣﻴﻨﻪ ﻫﺎي راﻳﺎﻧﻪ اي را ﻣﺠﺬوب ﺧﻮد ﻛﺮده اﺳﺖ اﻣﺎ ﻣﺸﻜﻞ ﻋﻤﺪه ﻋﺪم وﺟﻮد ﺗﻌﺮﻳﻒ ﻣﺸﺨﺺ از ﻋﺎﻣﻞ‬
‫اﺳﺖ ‪ .‬واﻗﻌﺎ ﻋﺎﻣﻞ ﭼﻪ ﭼﻴﺰي اﺳﺖ ؟‬
‫ﺑﻪ ﺟﺎي ﺗﻌﺮﻳﻒ ﻋﺎﻣﻞ ﺷﺎﻳﺪ ﺑﻬﺘﺮ ﺑﺎﺷﺪ ﻛﻪ ﺻﻔﺎﺗﻲ از ﻋﺎﻣﻞ ﻫﺎ را ﻛﻪ در ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﺑﻴﺸﺘﺮ ﻣﻮرد‬

‫‪18‬‬
‫‪softbots‬‬
‫‪19‬‬
‫‪spiders‬‬
‫‪20‬‬
‫‪Mediators‬‬
‫‪21‬‬
‫‪Java Agent Template, Lite‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪9‬‬

‫ﭘﺬﻳﺮش ﭘﮋوﻫﺸﮕﺮان ﻫﺴﺘﻨﺪ را ﺑﻴﺎن ﻛﻨﻴﻢ ﻛﻪ ﻣﻬﻤﺘﺮﻳﻦ آن ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ‪:‬‬

‫● ﻋﺎﻣﻞ اﻃﻼﻋﺎت ﻣﺤﺪودي از ﻣﻮﺿﻮع در اﺧﺘﻴﺎر داﺷﺘﻪ و ﺗﻮاﻧﺎﻳﻲ ﺣﻞ ﻫﻤﻪ ﻣﺴﺎﻳﻞ را ﻧﺪارد‪.‬‬
‫● ﻳﻚ ﻋﺎﻣﻞ ﻗﺪرت ﻛﻨﺘﺮل ﻫﻤﻪ ﭼﻴﺰ را ﻧﺪارد‪.‬‬
‫● ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ داده ﻫﺎ ﻣﺘﻤﺮﻛﺰ ﺷﺪه ﻧﻴﺴﺘﻨﺪ ﺑﻨﺎﺑﺮ اﻳﻦ ﺗﻤﺎم ﻋﺎﻣﻠﻬﺎ ﺑﺎﻳﺪ داده را ﺗﺴﻬﻴﻢ ﻛﻨﻨﺪ‪.‬‬
‫● اﺟﺰاي ﺳﻴﺴﺘﻢ ﺑﺼﻮرت ﻏﻴﺮ ﻫﻤﺰﻣﺎن اﺟﺮا ﻣﻴﺸﻮﻧﺪ‪ ،‬ﻫﺮ ﻋﺎﻣﻞ ﺑﻪ ﻣﺤﺾ درﻳﺎﻓﺖ ﭘﺮس و ﺟﻮي در ﺣﻮزه‬
‫ﺧﻮد ‪،‬ﺑﻪ ﺣﺎﻟﺖ ﻓﻌﺎل درﺧﻮاﻫﺪ آﻣﺪ‪.‬‬
‫● وﻳﮋﮔﻴﻬﺎ و ﻣﺸﺨﺼﻪ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﻛﺎرﮔﺰاري‪ ،‬ﺧﻮدﻣﺨﺘﺎري‪ ،‬رﻓﺘﺎر اﺟﺘﻤﺎﻋﻲ‪ ،‬ﭘﻮﻳﺎﻳﻲ‪ ،‬ﺳﺎزﮔﺎري ﺑﺮاي ﻋﺎﻣﻞ ﻫﺎ‬
‫ﻗﺎﺑﻞ ﺗﻌﺮﻳﻒ اﺳﺖ‪.‬‬
‫ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﺮ اﺳﺎس ﻋﺎﻣﻞ ﺷﺎﻣﻞ ﺣﺪاﻗﻞ ﻳﻚ ﻋﺎﻣﻞ اﺳﺖ‪ .‬ﻳﻚ ﺳﻴﺴﺘﻢ ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﺷﺎﻣﻞ ﭼﻨﺪ ﻋﺎﻣﻞ اﺳﺖ‬
‫ﻛﻪ روي ﻫﻢ ﺗﺄﺛﻴﺮ ﻣﻴﮕﺬارﻧﺪ ﺑﻨﺎ ﺑﺮ اﻳﻦ واﺿﺢ اﺳﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﭼﻨﺪ ﻋﺎﻣﻠﻲ از ﻳﻚ ﺳﻴﺴﺘﻢ ﺗﻚ ﻋﺎﻣﻠﻲ ﭘﻴﭽﻴﺪه‬
‫ﺗﺮ اﺳﺖ‪.‬‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ ) ‪ ( MAS22‬زﻳﺮ ﮔﺮوﻫﻲ از ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮزﻳﻊ ﺷﺪه اﺳﺖ ﻛﻪ روي ﮔﺮوﻫﻬﺎﻳﻲ‬
‫از ﻋﺎﻣﻠﻬﺎي ﻫﻮﺷﻤﻨﺪ ﻛﻪ ﺑﺮاي ﺣﻞ ﻛﺮدن ﻣﺴﺌﻠﻪ ﺑﺼﻮرت ﻣﺸﺎرﻛﺘﻲ ﺗﻼش ﻣﻴﻜﻨﻨﺪ ﻣﺘﻤﺮﻛﺰ ﺷﺪه اﺳﺖ ‪ .‬ﺑﻌﻀﻲ‬
‫از دﻻﻳﻞ ﻣﻮﻓﻘﻴﺖ ‪ MAS‬ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ ‪:‬‬
‫• ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﻗﺎدرﻧﺪ ﻣﺴﺎﻳﻞ ﺑﺰرﮔﻲ را ﻛﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﻛﻼﺳﻴﻚ ﻗﺎدر ﺑﻪ ﺣﻞ آن ﻧﻴﺴﺘﻨﺪ‬
‫را ﺣﻞ ﻛﻨﻨﺪ ‪.‬‬
‫• در اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ اﻣﻜﺎن ﺗﻌﺎﻣﻞ اﺟﺰاء ﻣﺨﺘﻠﻒ ﺑﺼﻮرت رﻓﺖ و ﺑﺮﮔﺸﺘﻲ و ﻣﺸﺎرﻛﺘﻲ وﺟﻮد دارد‪.‬‬
‫• در ﻣﻮاﻗﻌﻲ ﻛﻪ اﻃﻼﻋﺎت ﺑﺼﻮرت ﺗﻮزﻳﻊ ﺷﺪه در ﻣﻜﺎﻧﻬﺎي ﻣﺨﺘﻠﻒ ﻗﺮار دارد ﺳﻴﺴﺘﻤﻬﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ‬
‫روﺷﻬﺎي ﻣﻮﺛﺮي ﺑﺮاي ﻛﺎر اراﻳﻪ ﻣﻴﻜﻨﻨﺪ‪.‬‬
‫در ﺳﻴﺴﺘﻤﻬﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ اﻣﻜﺎن اﺳﺘﻔﺎده ﻣﺠﺪد از ﻧﺮم اﻓﺰار ﻫﺎ ﻣﻬﻴﺎ اﺳﺖ در ﻧﺘﻴﺠﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﻛﺎﻣﻼ‬
‫اﻧﻌﻄﺎف ﭘﺬﻳﺮ ﺑﻮده و ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﻋﺎﻣﻠﻬﺎﻳﻲ ﺑﺎ ﺗﻮاﻧﺎﻳﻴﻬﺎي ﻣﺘﻔﺎوت ﺗﻮاﻧﺎﻳﻲ ﺣﻞ ﻣﺴﺎﻳﻞ ﭘﻴﭽﻴﺪه اي را ﺧﻮاﻫﻨﺪ‬
‫داﺷﺖ‪.‬‬

‫‪22‬‬
‫‪Multi Agent System‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪10‬‬

‫ﺷﻜﻞ ‪ 12,2‬ﺳﻴﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻋﺎﻣﻠﻲ‬

‫در ﺷﻜﻞ ‪ 12,2‬اراﺋﻪ ﮔﺮاﻓﻴﻜﻲ از ﻳﻚ ‪ MAS‬ﺑﺼﻮرت ﻛﻠﻲ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪ .‬در اﻳﻦ ﺷﻜﻞ ﻣﺠﻤﻮﻋﻪ اي‬
‫از ﻋﺎﻣﻠﻬﺎﻳﻲ ﻛﻪ ﺑﺮاي رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ﻣﺴﺌﻠﻪ ‪ ,‬ﺑﻴﻦ ﺧﻮدﺷﺎن ارﺗﺒﺎط ﺑﺮﻗﺮار ﻛﺮده و ﺑﺎ ﻫﻢ ﻣﺸﺎرﻛﺖ دارﻧﺪ‬
‫دﻳﺪه ﻣﻴﺸﻮد‪.‬‬
‫در ﻃﻲ ﺳﺎﻟﻬﺎي اﺧﻴﺮ ﻣﺠﻤﻮﻋﻪ اي از ﺳﻴﺴﺘﻤﻬﺎﻳﻲ ﺑﺎ ﭼﻨﺪﻳﻦ ﻋﺎﻣﻞ ﺗﻮﺳﻂ اﻓﺮاد زﻳﺎدي ﺗﻮﺳﻌﻪ داده ﺷﺪه اﻧﺪ ﻛﻪ‬
‫ﺳﻌﻲ ﺑﺮ ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ ﺧﺎص دارد‪ .‬در اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ ﺑﺮاي رﺳﻴﺪن ﺑﻪ اﻳﻦ ﻫﺪف‪ ،‬ﺗﻜﻨﻴﻜﻬﺎﻳﻲ ﻣﺎﻧﻨﺪ رﻗﺎﺑﺖ )‬
‫در ﺟﺎﻳﻴﻜﻪ ﻋﺎﻣﻠﻬﺎ ﺑﺮاي ﺑﺪﺳﺖ آوردن ﻣﻨﺎﺑﻊ ﺳﻴﺴﺘﻢ ﺑﺎ ﻫﻢ ﻧﺰاع ﻣﻴﻜﻨﻨﺪ( ﻳﺎ ﻣﺸﺎرﻛﺖ ) در ﺟﺎﻳﻴﻜﻪ ﻋﺎﻣﻠﻬﺎ ﺑﺮاي‬
‫رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ﺑﺎ ﻫﻢ ﻫﻤﻜﺎري ﻣﻴﻜﻨﻨﺪ( ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﻧﺪ‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺳﻔﺮ ﻳﻚ ﻣﻮﺿﻮع ﺑﺎ روﻳﻜﺮد ﭼﻨﺪ ﻋﺎﻣﻠﻲ ﺗﻮزﻳﻊ ﺷﺪه و ﻣﺸﺎرﻛﺘﻲ اﺳﺖ ﻛﻪ ﺑﺮاي ﺣﻞ ﻛﺮدن‬
‫ﻣﺴﺌﻠﻪ در ﻣﺤﻴﻂ ﻫﺎي ﭘﻮﻳﺎ ﻣﺎﻧﻨﺪ وب و در ﺣﻮزه ي ﮔﺮدﺷﮕﺮي اﻟﻜﺘﺮوﻧﻴﻜﻲ ﺑﻜﺎر ﻣﻴﺮود‪ .‬دﻟﻴﻞ اﺳﺘﻔﺎده از‬
‫ﺗﻜﻨﻴﻜﻬﺎي ‪ MAS‬اﻧﻌﻄﺎف ﭘﺬﻳﺮي ﺑﺎﻻ و ﺳﺎزﮔﺎري ﺑﺎﻻي آﻧﻬﺎﺳﺖ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻜﻬﺎي ﺳﺎﻧﺪوﻳﭽﻲ‬
‫)‪ ( wrapping‬ﻣﻴﺘﻮاﻧﻴﻢ از ﻧﺮم اﻓﺰارﻫﺎي ﺳﻨﺘﻲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺳﻔﺮ ﻣﺎﻧﻨﺪ ‪ Prodigy 4.0‬در ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﭼﻨﺪ ﻋﺎﻣﻠﻲ اﺳﺘﻔﺎده ﻣﻴﻜﻨﻴﻢ‪.‬‬
‫‪ 3-3-12‬ﻣﻌﻤﺎري ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺳﻔﺮ‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺳﻔﺮ ﻳﻚ ﻧﺮم اﻓﺰار ﻣﺒﺘﻨﻲ ﺑﺮ روﻳﻜﺮد ‪ MAS‬اﺳﺖ ﻛﻪ اﻧﻮاع ﻣﺨﺘﻠﻔﻲ از ﻋﺎﻣﻠﻬﺎ را ﺑﺮاي رﺳﻴﺪن ﺑﻪ‬
‫راه ﺣﻞ ﺑﺎ ﻫﻢ ﺗﺮﻛﻴﺐ ﻣﻴﻜﻨﺪ و ﺧﻼﺻﻪ وار ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬
‫● ﻋﺎﻣﻞ ﻛﺎرﺑﺮ‪ :‬اﻳﻦ ﻋﺎﻣﻞ ﺳﺆاﻻت ﻛﺎرﺑﺮ را درﻳﺎﻓﺖ ﻛﺮده و راه ﺣﻞ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪ .‬ﻣﺴﺌﻠﻪ را ﺗﺤﻠﻴﻞ ﻛﺮده و‬
‫آﻧﺮا ﺑﻪ اﺟﺰاي ﻛﻮﭼﻜﺘﺮ ﺗﺠﺰﻳﻪ ﻛﺮده و آﻧﺮا ﺑﺮاي درﻳﺎﻓﺖ راه ﺣﻞ ﺑﻪ " ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ" ارﺳﺎل ﻣﻴﻜﻨﺪ‪ .‬ﻋﺎﻣﻞ‬
‫ﻛﺎرﺑﺮ ﺑﺎﻳﺪ ﻣﻬﺎرﺗﻬﺎي ﻣﺨﺘﻠﻔﻲ ﻣﺎﻧﻨﺪ ارﺗﺒﺎط ﺑﺎ ﻋﺎﻣﻠﻬﺎي ﺑﺮﻧﺎﻣﻪ رﻳﺰ و ارﺗﺒﺎط ﺑﺎ ﻛﺎرﺑﺮان را ﺑﺮاي ﻓﺮاﮔﻴﺮي‬
‫ﺧﻮاﺳﺘﻪ ﻫﺎ و ﻋﻼﻳﻖ آﻧﺎن ﺑﺮاي اراﻳﻪ راه ﺣﻞ ﻧﺰدﻳﻚ ﺑﻪ ﺻﻠﻴﻘﻪ ﻛﺎرﺑﺮ را داﺷﺘﻪ ﺑﺎد‪.‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪11‬‬

‫● ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ‪ :‬وﻇﻴﻔﻪ اﺻﻠﻲ اﻳﻦ ﻋﺎﻣﻞ اراﻳﻪ راه ﺣﻞ ﻣﻤﻜﻦ ﺑﺮ اﺳﺎس درﺧﻮاﺳﺖ ﻋﺎﻣﻞ ﻛﺎرﺑﺮ و دﻳﮕﺮ ﻋﺎﻣﻠﻬﺎي‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰ )در ﺣﺎﻟﺖ ﺗﻌﺎﻣﻠﻲ ( ﺑﺎ اﺳﺘﻔﺎده از ﻓﻨﻮن اﺳﺘﺪﻻل اﺳﺖ ‪ .‬ﻋﺎﻣﻠﻬﺎي ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﻣﻬﺎرﺗﻬﺎي ﻣﺨﺘﻠﻔﻲ ﻣﺎﻧﻨﺪ‬
‫ارﺗﺒﺎط ﺑﺎ ﻋﺎﻣﻞ ﻫﺎي دﻳﮕﺮ ‪ ,‬ﺑﺮﻧﺎﻣﻪ رﻳﺰي و ﻓﺮاﮔﻴﺮي را ﺑﺮ اﺳﺎس ﺗﻜﻨﻴﻜﻬﺎي ‪ CBR‬ﺑﺮاي ﻓﻬﺮﺳﺖ و ﻃﺒﻘﻪ ﺑﻨﺪي ﻫﺮ‬
‫ﻃﺮح ذﺧﻴﺮه ﺷﺪه را دارا ﻫﺴﺘﻨﺪ‬
‫● ﻣﺎﺷﻴﻨﻬﺎي وﺑﻲ )‪ : ( WebBot‬اﻳﻦ ﻋﺎﻣﻞ ﻣﻬﺎرت ﻻزم ﺑﺮاي ﻓﺮاﻫﻢ ﻛﺮدن اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز از اﻳﻨﺘﺮﻧﺖ را‬
‫داراﺳﺖ و وﻇﻴﻔﻪ ﺗﻌﺎﻣﻞ و درﻳﺎﻓﺖ راه ﺣﻠﻬﺎي ﺟﺮﺋﻲ اراﻳﻪ ﺷﺪه از ﻋﺎﻣﻠﻬﺎي وﺑﻲ درﺧﻮاﺳﺖ ﺷﺪه از ﻋﺎﻣﻞ‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰ و اﻧﺘﻘﺎل آن را ﺑﻪ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ را ﺑﻪ ﻋﻬﺪه دارد ‪.‬‬
‫در ﺷﻜﻞ ‪ 12,3‬ﻳﻚ اراﺋﻪ ﮔﺮاﻓﻴﻜﻲ از ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ‪ .‬ﺳﻴﺴﺘﻢ ﺑﺎ ﻣﺠﻤﻮﻋﻪ اي از ﻋﺎﻣﻠﻬﺎ‬
‫ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﺑﺮﻗﺮاري ارﺗﺒﺎط ﺑﺎ ﻳﻜﺪﻳﮕﺮ را ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻳﻚ راه ﺣﻞ ﻣﺸﺎرﻛﺘﻲ دارا‬
‫ﻫﺴﺘﻨﺪ‪.‬‬

‫ﺷﻜﻞ ‪ 12,3‬ﻣﻌﻤﺎري ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ‬

‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﺒﺘﻨﻲ ﺑﺮ ﻳﻚ ﻣﻌﻤﺎري ﻣﺸﺎرﻛﺘﻲ اﺳﺖ ‪ .‬ﻋﺎﻣﻠﻬﺎ ﺑﺮاي رﺳﻴﺪن ﺑﻪ راه ﺣﻞ ‪ ,‬ﻧﻴﺎزﻣﻨﺪ ﺗﺴﻬﻴﻢ ﻛﺮدن‬
‫داﻧﺶ و ﻣﻬﺎرت ﻫﺎ و ﻣﺸﺎرﻛﺖ ﺑﺎ ﻳﻜﺪﻳﮕﺮﻧﺪ‪ .‬ﻋﺎﻣﻠﻬﺎي ﻣﺨﺘﻠﻒ ﻧﻴﺎز ﺑﻪ ﺑﺮاي ﻛﺎﻣﻞ ﻛﺮدن راه ﺣﻠﻬﺎي ﺟﺰﺋﻲ‬
‫ﺑﺪﺳﺖ آﻣﺪه ﺑﻮﺳﻴﻠﻪ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ را دارﻧﺪ‪ .‬ﺑﺮاي ﻣﻮﻓﻘﻴﺖ ﻧﺮم اﻓﺰار ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ داﺷﺘﻦ دو وﻳﮋﮔﻲ‬
‫ﺿﺮوري اﺳﺖ ‪ ،‬اوﻟﻴﻦ وﻳﮋﮔﻲ اﻣﻜﺎن ﺗﺴﻬﻴﻢ داﻧﺶ ﺑﺮاي ﺑﺪﺳﺖ آوردن راه ﺣﻞ ﻫﺎي ﺟﺪﻳﺪ ﻳﺎ ﺑﺎزﻳﺎﺑﻲ راه‬
‫ﺣﻠﻬﺎي ذﺧﻴﺮه ﺷﺪه ي ﻗﺪﻳﻤﻲ و دوﻣﻴﻦ وﻳﮋﮔﻲ آﮔﺎﻫﻲ از اوﻟﻮﻳﺖ ﻫﺎي ﻛﺎرﺑﺮان ﺑﺮاي ﻳﺎﻓﺘﻦ و ﻣﺮﺗﺐ ﻛﺮدن‬
‫اﻛﺜﺮ راه ﺣﻠﻬﺎي ﻣﻔﻴﺪ ﺑﺮاي ﻛﺎرﺑﺮ اﺳﺖ‪ .‬در ﺑﺨﺶ ﺑﻌﺪي ﭼﺎرﭼﻮﺑﻲ ﺑﺮاي ﺗﺴﻬﻴﻢ ﻛﺮدن داﻧﺶ اراﻳﻪ و ﺗﺤﻠﻴﻞ‬
‫ﺷﺪه اﺳﺖ‪.‬‬
‫‪ 4-3-12‬اﻃﻼﻋﺎﺗﻲ ﻛﻪ ﻣﻴﺎن ﻋﺎﻣﻠﻬﺎ ﺑﻪ اﺷﺘﺮاك ﮔﺬاﺷﺘﻪ ﻣﻴﺸﻮد‬
‫ﻋﺎﻣﻠﻬﺎ در ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ ‪ ،‬روش ﻣﺸﺘﺮﻛﻲ را ﺑﺮاي اراﻳﻪ داﻧﺶ ﺑﻜﺎر ﻣﻲ ﮔﺒﺮﻧﺪ‪ .‬اﻳﻦ وﻳﮋﮔﻲ ﺑﺎﻋﺚ ﺳﺎده ﺷﺪن‬
‫ﻓﺮآﻳﻨﺪﻫﺎي اﺳﺘﻨﺘﺎج و اﺷﺘﺮاك داﻧﺶ ﮔﺮدﻳﺪه اﺳﺖ‪ .‬ارﺗﺒﺎط ﻣﻴﺎن ﻋﺎﻣﻠﻬﺎ از ﻣﺪل ﻓﺮﻣﺎن ﻫﺎي اﺟﺮاﻳﻲ ﺳﺎده ﻛﻪ‬
‫ﺑﻪ ‪ performative‬ﻣﻌﺮوف ﻫﺴﺘﻨﺪ و ﻣﺎ ﺑﺮاي ﺳﺎدﮔﻲ آﻧﺮا "ﻓﺮﻣﺎن" ﻣﻴﻨﺎﻣﻴﻢ اﺳﺘﻔﺎده ﻣﻴﻜﻨﺪ‪ .‬ﻳﻚ ﻓﺮﻣﺎن‬
‫ﺗﻘﺎﺿﺎي ﻣﺠﺎزي ﺑﺮاي ﻋﺎﻣﻞ دﻳﮕﺮ ذﺧﻴﺮه ﻣﻴﻜﻨﺪ ‪ .‬ﺑﺮاي ارﺗﺒﺎط ﺑﻴﻦ دو ﻋﺎﻣﻞ در ﺳﻴﺴﺘﻢ ‪ ،‬زﻳﺮﻣﺠﻤﻮﻋﻪ اي از‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪12‬‬

‫ﻗﺎﻟﺒﻬﺎ زﺑﺎن ﭘﺮس و ﺟﻮ و ﺗﻐﻴﻴﺮ داﻧﺶ ) ‪ ( KQML 23‬ﺑﻜﺎر ﻣﻴﺮود‪ .‬در ﺷﻜﻞ ‪ 12,4‬ﺑﺮﺧﻲ ﻓﺮﻣﺎن ﻫﺎ ﻣﺎﻧﻨﺪ‬
‫ﭘﺬﻳﺮش ‪ ,‬رد ‪ ,‬درﺧﻮاﺳﺖ اﻃﻼع و ارﺳﺎل اﻃﻼع‪ 24‬ﺑﺮاي ﻳﻚ ﻣﺜﺎل ﺳﺎده ﺗﻘﺎﺿﺎي ﺳﻔﺮ ﻫﻮاﻳﻲ از ﻣﺸﻬﺪ ﺑﻪ‬
‫ﺗﻬﺮان ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪:‬‬
‫ﻓﺮﻣﺎن اول ﻳﻚ ﺗﻘﺎﺿﺎ )‪ ( request‬اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﻋﺎﻣﻞ ﻛﺎرﺑﺮ ﺑﻪ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ داده ﻣﻴﺸﻮد و ﺳﭙﺲ‬
‫ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺿﻤﻦ ارﺳﺎل ﻓﺮﻣﺎن ﭘﺬﻳﺮش ﺑﻪ ﻋﺎﻣﻞ ﻛﺎرﺑﺮ ‪ ,‬ﻓﺮﻣﺎن ﺗﻘﺎﺿﺎ را ﺑﻪ ﻣﺎﺷﻴﻦ وﺑﻲ )‪( WebBot‬‬
‫ارﺳﺎل ﻣﻴﻜﻨﺪ و در آن ﺗﻘﺎﺿﺎ ﻣﻴﻜﻨﺪ ﭘﺮواز ﺑﻴﻦ ﻣﺸﻬﺪ – ﺗﻬﺮان را ﭘﻴﺸﻨﻬﺎد ﻛﻨﺪ‪ .‬ﻣﺎﺷﻴﻦ وﺑﻲ ﺑﺎ ارﺳﺎل ﻓﺮﻣﺎن رد‬
‫ﺑﻪ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ اﻳﻦ درﺧﻮاﺳﺖ را ﻧﻤﻴﭙﺬﻳﺮد )ﺑﻪ دﻻﻳﻞ ﻣﺨﺘﻠﻒ از ﺟﻤﻠﻪ ﻧﺪاﺷﺘﻦ ﻣﻨﺎﺑﻊ ﻻزم ﻣﺎﻧﻨﺪ ﺣﺎﻓﻈﻪ‬
‫ﻛﺎﻓﻲ ﻳﺎ ﻣﺸﻐﻮل ﺑﻮدن ﭘﺮدازﺷﮕﺮ ﻣﺮﻛﺰي( ‪.‬ﻣﺠﺪدا ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﻓﺮﻣﺎن ﭘﺮس وﺟﻮ را ﺑﻪ ﻣﺎﺷﻴﻦ وﺑﻲ داده و‬
‫در ﭘﺎﺳﺦ ﻓﺮﻣﺎن ﭘﺬﻳﺮش درﻳﺎﻓﺖ ﻣﻴﻜﻨﺪ ‪.‬ﻣﺎﺷﻴﻦ وﺑﻲ ﭘﺲ از ﺟﺴﺘﺠﻮ ﻣﺠﺪدا ﺑﺎ ارﺳﺎل ﻓﺮﻣﺎن اﻃﻼع ﺑﻪ ﻋﺎﻣﻞ‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰ اﻃﻼﻋﺎت ﭘﺮواز ﻣﻮرد ﻧﻴﺎز را ارﺳﺎل ﻣﻴﻜﻨﺪ و ﻣﺘﻌﺎﻗﺐ آن ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﻧﻴﺰ در ﻗﺎﻟﺐ ﻓﺮﻣﺎن اﻃﻼع‬
‫ﻫﻤﻴﻦ ﻣﻮﺿﻮع را ﺑﻪ ﻋﺎﻣﻞ ﻛﺎرﺑﺮ اﺻﻼع ﻣﻴﺪﻫﺪ و ﻋﺎﻣﻞ ﻛﺎرﺑﺮ ﻧﺘﻴﺠﻪ را ﺑﺎ اﺑﺰارﻫﺎي ﻣﻨﺎﺳﺐ ﻧﻤﺎﻳﺸﻲ ﺑﻪ ﻛﺎرﺑﺮ‬
‫ﺑﻪ ﻋﻨﻮان ﻳﻚ راه ﺣﻞ اراﻳﻪ ﻣﻴﻜﻨﺪ‪.‬‬

‫‪23‬‬
‫‪Knowledge Query and Manipulation Language‬‬

‫‪24‬‬
‫‪request , inform , accept , reject‬‬ ‫‪.‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪13‬‬

‫ﻋﺎﻣﻞ ﻛﺎرﺑﺮ‬ ‫ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ‬ ‫ﻣﺎﺷﻴﻦ وﺑﻲ‬

‫ارﺳﺎل ﺗﻘﺎﺿﺎ‬
‫ﭘﺬﻳﺮش ﺗﻘﺎﺻﺎي اﺟﺮاﻳﻲ‬

‫ﻓﺮﻣﺎن ﺗﻘﺎﺻﺎي ﭘﻴﺸﻨﻬﺎد‬

‫ﻓﺮﻣﺎن ﺗﻘﺎﺻﺎي ﭘﻴﺸﻨﻬﺎد‬
‫رد‬

‫ﻓﺮﻣﺎن ﺗﻘﺎﺿﺎي ﺟﺴﺘﺠﻮ‬ ‫ﻓﺮﻣﺎن ﺗﻘﺎﺿﺎي ﺟﺴﺘﺠﻮ‬

‫ﭘﺪﻳﺮش‬

‫ﻓﺮﻣﺎن اﻃﻼع‬

‫ﻓﺮﻣﺎن اﻃﻼع‬
‫راه ﺣﻞ‬
‫ﺑﺮاي‬

‫ﺷﻜﻞ ‪ 12,4‬ﻧﻤﻮﻧﻪ اي از روﺷﻬﺎي ارﺗﺒﺎﻃﻲ در ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ‬

‫ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﭘﺮوﺗﻜﻞ ارﺗﺒﺎﻃﻲ ‪ ،‬ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ راه ﺣﻠﻬﺎي ﻧﻴﻤﻪ ﻛﺎﻣﻠﻲ از ﻣﺴﺌﻠﻪ ﺗﻌﺮﻳﻒ ﺷﺪه ﺗﻮﺳﻂ ﻛﺎرﺑﺮ‬
‫را ﺑﺎ راه ﺣﻠﻬﺎي ﺟﺰﺋﻲ ارﺳﺎل ﺷﺪه ﺗﻮﺳﻂ ﻣﺎﺷﻴﻦ وﺑﻲ را ﺗﻠﻔﻴﻖ و ﻛﺎﻣﻞ ﻣﻴﻜﻨﺪ‪ .‬ﺑﺨﺶ ﺑﻌﺪي ﭼﮕﻮﻧﮕﻲ‬
‫ﻋﻤﻠﻴﺎت ﭘﺮوﺗﻜﻞ دو ﻋﺎﻣﻞ ﺳﻴﺴﺘﻢ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪.‬‬
‫‪ 5-3-12‬ﭘﺮوﺗﻜﻞ ارﺗﺒﺎط‬
‫ﻋﺎﻣﻠﻬﺎي ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ ﻧﻴﺎزﻣﻨﺪ ﭘﻴﺎده ﺳﺎزي ﻳﻚ زﺑﺎن ارﺗﺒﺎﻃﻲ ﻫﺴﺘﻨﺪ‪ .‬ﺷﻜﻞ ‪ 12,4‬ﻣﺜﺎﻟﻲ از اﻳﻦ ﭘﺮوﺗﻜﻞ را‬
‫ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪ .‬ﻋﺎﻣﻞ ﻛﺎرﺑﺮ )‪ (UA‬ﻓﺮاﻳﻨﺪ را ﺑﺎ ﻓﺮﺳﺘﺎدن ﺗﻮﺿﻴﺤﻲ از ﻣﺴﺌﻠﻪ ﻛﺎرﺑﺮ ﺑﺮاي ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ‬
‫)‪ (PA‬آﻏﺎز ﻣﻴﻜﻨﺪ‪ .‬ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺮ ‪ ،‬ﻣﺴﺌﻠﻪ را ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﻧﻤﻮﻧﻪ اﺳﺘﺪﻻﻟﻲ اش و ﻫﻤﻜﺎري ﺑﺎ ﻋﺎﻣﻠﻬﺎي‬
‫دﻳﮕﺮ ﻣﺎﻧﻨﺪ ﻣﺎﺷﻴﻦ وﺑﻲ )‪ (wb‬ﺣﻞ ﻣﻴﻜﻨﺪ‪.‬‬

‫ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ ﻫﻤﺎﻧﻨﺪ دﻳﮕﺮ اﻧﻮاع ‪ MAS‬ﻣﺠﻤﻮﻋﻪ اي از واﺳﻂ ﻫﺎي ﮔﺮاﻓﻴﻜﻲ ﻛﺎرﺑﺮ ) ‪ ( GUI‬را ﺑﺮاي‬
‫ارﺗﺒﺎط ﺑﺎ ﻛﺎرﺑﺮان ﺑﻜﺎر ﻣﻴﺒﺮد‪.‬‬
‫ﻋﺎﻣﻞ ﻛﺎرﺑﺮ واﺳﻄﻪ ﻫﺎي ﻛﺎرﺑﺮدي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي ارﺗﺒﺎط ﺑﺎ ﻛﺎرﺑﺮ دارد‪ .‬واﺳﻂ اوﻟﻲ ﺑﺮاي ورود ﻣﺴﺌﻠﻪ ي ﻛﺎرﺑﺮ‬
‫ﺑﻜﺎر رﻓﺘﻪ اﺳﺖ‪ ،‬و دوﻣﻲ اﺧﺘﻴﺎري اﺳﺖ و ﺑﺮاي ﺗﻌﺮﻳﻒ ﻛﺮدن اوﻟﻮﻳﺘﻬﺎي ﻛﺎرﺑﺮ ﺑﻜﺎر ﻣﻴﺮود‪ .‬ﭘﺮوﻓﺎﻳﻞ ﻛﺎرﺑﺮ ﻛﻪ‬
‫ﺑﻮﺳﻴﻠﻪ ﻋﺎﻣﻞ ﻛﺎرﺑﺮ ذﺧﻴﺮه ﺷﺪه اﺳﺖ‪ ،‬ﻣﺴﺌﻠﻪ را ﺗﺤﻠﻴﻞ ﻛﺮده و ﺑﻪ ﻳﻚ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺑﺮاي درﺧﻮاﺳﺖ ﻳﻚ‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪14‬‬

‫راه ﺣﻞ ﻣﺘﺼﻞ ﻣﻴﺸﻮد‪ .‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺳﻴﺴﺘﻢ ‪ ،‬ﻣﺴﺌﻠﻪ ﻧﻤﻮﻧﻪ را ﺣﻞ ﻣﻴﻜﻨﺪ ‪ ،‬ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰ راه ﺣﻠﻬﺎي ﻧﻤﻮﻧﻪ‬
‫را از ﺑﻴﻦ راه ﺣﻠﻬﺎي ﻣﻤﻜﻦ ﺑﺮاي ﻛﺎرﺑﺮ ﺑﺮﻣﻴﮕﺮداﻧﺪ‪ ،‬و ﻋﺎﻣﻞ ﻛﺎرﺑﺮ اﻳﻦ راه ﺣﻠﻬﺎ را ﺑﺮاي ﻛﺎرﺑﺮ ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﺑﺮاي اﻓﺰاﻳﺶ ﺑﺎزدﻫﻲ ﻫﻤﻪ راه ﺣﻠﻬﺎي ﻣﻤﻜﻦ را ﻧﻤﻲ ﭘﺬﻳﺮد ﺑﻠﻜﻪ ﺗﻨﻬﺎ ﻳﻚ زﻳﺮ ﻣﺠﻤﻮﻋﻪ از راه ﺣﻠﻬﺎ‬
‫ﺑﺮاي ﻛﺎرﺑﺮ ﻧﺸﺎن داده ﻣﻴﺸﻮد‪ .‬ﺑﺮﻧﺎﻣﻪ رﻳﺰ ﺳﻔﺮ ﻳﻚ راه ﺣﻞ ﻣﺨﺼﻮص ﭘﻴﺸﻨﻬﺎد ﻣﻴﻜﻨﺪ اﮔﺮ اﻳﻦ راه ﺣﻞ ﺑﺎ‬
‫اوﻟﻮﻳﺖ آﮔﺎﻫﺎﻧﻪ از ﺳﻮي ﻛﺎرﺑﺮ ﻫﻤﺎﻫﻨﮓ ﺑﺎﺷﺪ‪ .‬ﺑﺮاي اﻧﺠﺎم اﻳﻦ ‪ ،‬ﻋﺎﻣﻞ ﻛﺎرﺑﺮ ﻛﻪ ﺑﻪ ﻛﺎرﺑﺮان ﺗﻮﺟﻪ دارد‪،‬‬
‫ﻣﺸﺨﺼﻪ ﻫﺎي اﺻﻠﻲ از راه ﺣﻠﻬﺎي ذﺧﻴﺮه ﺷﺪه ﻗﺪﻳﻤﻲ ﺗﻮﺳﻂ ﻛﺎرﺑﺮ را اﺳﺘﺨﺮاج ﻣﻴﻜﻨﺪ و ﺑﺮاي ﻃﺒﻘﻪ ﺑﻨﺪي‬
‫ﺗﻤﺎم راه ﺣﻠﻬﺎي ﻣﻤﻜﻦ ﺑﻜﺎر ﻣﻴﮕﻴﺮد‪ .‬ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﭘﺮوﻓﺎﻳﻞ ﻛﺎرﺑﺮ و راه ﺣﻠﻬﺎي ﻣﺨﺘﻠﻒ ﭘﻴﺪا ﺷﺪه ‪ ،‬زﻳﺮ‬
‫ﻣﺠﻤﻮﻋﻪ اي از راه ﺣﻠﻬﺎ ﺑﻪ ﻛﺎرﺑﺮ ﻧﺸﺎن داده ﻣﻴﺸﻮد‪.‬‬

‫‪ AI 4-12‬در ﺻﻨﻌﺖ‬
‫ﻋﻼوه ﺑﺮ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪ ،‬ﺗﻜﻨﻴﻜﻬﺎي دﻳﮕﺮي ﻧﻴﺰ در ‪ AI‬وﺟﻮد دارد ﻛﻪ ﻧﻪ ﺗﻨﻬﺎ در ﭘﮋوﻫﺶ ﺑﻠﻜﻪ در‬
‫ﻛﺎرﺑﺮدﻫﺎي ﺻﻨﻌﺘﻲ ﻧﻴﺰ ﻣﺤﺒﻮﺑﻴﺖ ﻛﺴﺐ ﻛﺮده اﻧﺪ‪ .‬ﻣﻨﻄﻖ ‪ fuzzy‬ﺗﻜﻨﻴﻜﻲ اﺳﺖ ﻛﻪ در ﻛﺎرﺑﺮدﻫﺎي ﺻﻨﻌﺘﻲ ﺑﻪ‬
‫اﻧﺪازه ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ﻋﻤﻞ ﻣﻴﻜﻨﺪ‪.‬‬
‫‪25‬‬
‫ﻣﺘﺪوﻟﻮژي ﻳﺎ روﺷﻲ را ﺑﺮاي ﺑﺮرﺳﻲ رﻓﺘﺎر ﻣﺒﻬﻢ ﻳﺎ ﻏﻴﺮ ﺻﺮﻳﺢ ﻋﻨﺎﺻﺮ ﻣﻮﺟﻮد در دﻧﻴﺎ‬ ‫ﭘﺮوﻓﺴﻮر ﻟﻄﻔﻲ زاده‬
‫ﺑﺮ ﻣﺒﻨﺎي ﻧﻈﺮﻳﻪ ﺳﻨﺘﻲ ﻣﺠﻤﻮﻋﻪ ﻫﺎ ﭘﻴﺸﻨﻬﺎد ﻛﺮد ﻛﻪ آن را ﻣﺠﻤﻮﻋﻪ ﻫﺎي ‪ fuzzy‬ﻣﻴﻨﺎﻣﻨﺪ ‪ .‬ﻣﺠﻤﻮﻋﻪ ﻫﺎي‬
‫‪ fuzzy‬ﺑﻪ ﺟﺎي در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻋﻀﻮﻳﺖ ﻳﺎ ﻋﺪم ﻋﻀﻮﻳﺖ ‪ ,‬درﺳﺘﻲ ﻳﺎ ﻧﺎدرﺳﺘﻲ ‪ "0" ,‬ﻳﺎ "‪ "1‬ﻣﻔﻬﻮم درﺟﻪ‬
‫ﻋﻀﻮﻳﺖ از "‪ "0‬ﺗﺎ "‪ , "1‬ﻛﺎﻣﻼ درﺳﺖ ﺗﺎ ﻛﺎﻣﻼ ﻧﺎدرﺳﺖ را ﺗﻌﺮﻳﻒ و ﺑﺎ اﻳﻦ روش ﻣﺴﺎﻳﻞ ﻣﻬﻤﻲ از دﻧﻴﺎي‬
‫ﺻﻨﻌﺖ و ﻫﻮش ﻣﺼﻨﻮﻋﻲ را ﺑﺎ اراﻳﻪ اﻳﻦ ﻧﮕﺎه ﻣﺘﻔﺎوت ﺣﻞ ﻛﺮد ‪ .‬ﻣﻨﻄﻖ ‪ fuzzy‬در ﻣﺴﺎﻳﻞ ﺷﻨﺎﺳﺎﻳﻲ اﻟﮕﻮ ‪،‬‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﭘﺸﺘﻴﺒﺎﻧﻲ و ﻛﻨﺘﺮل ﺗﺼﻤﻴﻢ ﺑﻄﻮر ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﻣﻨﻄﻖ ‪ fuzzy‬ﻗﻮاﻋﺪي را‬
‫ﻣﻌﺮﻓﻲ ﻧﻤﻮد ﻛﻪ آﻧﺮا ﺑﻪ ﻣﻨﺎﺳﺒﺘﺮﻳﻦ ﮔﺰﻳﻨﻪ ﺑﺮاي ﻛﻨﺘﺮل اﺑﺰارﻫﺎ ﺗﺒﺪﻳﻞ ﻛﺮد ﻫﺮ ﭼﻨﺪ ﻛﻪ ﭘﺎﻳﻪ اﻳﻦ زﺑﺎن ﻣﺸﺎﺑﻪ ﻣﻨﻄﻖ‬
‫ﺳﻨﺘﻲ اﺳﺖ‪.‬‬
‫ﻳﻜﻲ از ﭘﻴﺸﺮﻓﺘﻬﺎي اﺧﻴﺮ در ‪ AI‬اﻟﮕﻮرﻳﺘﻤﻬﺎي ژﻧﺘﻴﻚ ﻳﺎ ﺗﻜﻮﻳﻨﻲ ) ‪ ( GA‬اﺳﺖ‪ GA .‬ﻓﺮﻣﻲ از ﺟﺴﺘﺠﻮ و‬
‫ﺗﻜﻨﻴﻚ ﺑﻬﻴﻨﻪ ﺳﺎزي اﺳﺖ ‪ GA .‬ﺗﻮﺳﻂ ﭘﺮوﻓﺴﻮر ﻫﻮﻻﻧﺪ‪ 26‬و ﻫﻤﻜﺎراﻧﺶ در داﻧﺸﮕﺎه ﻣﻴﺸﻴﮕﺎن و در اواﺳﻂ‬
‫دﻫﻪ ‪ 60‬ﺗﻮﺳﻌﻪ داده ﺷﺪه اﺳﺖ‪ .‬اﻟﻬﺎم ﺑﺨﺶ اﺻﻠﻲ ‪ GA‬ﻣﺸﺎﻫﺪه ي ﺗﻜﺎﻣﻞ دﺳﺘﮕﺎه ﻫﺎ ﻳﻲ از ﺳﻴﺴﺘﻢ ﻃﺒﻴﻌﻲ‬
‫‪28‬‬
‫ﺑﻮد ﻛﻪ ﺑﺨﻮﺑﻲ ﻛﺎر ﻣﻴﻜﺮدﻧﺪ ‪.‬ﻗﻮاﻋﺪ ‪ GA‬ﺷﺎﻣﻞ وﻳﮋﮔﻴﻬﺎي ﻣﻬﻤﻲ ﻣﺎﻧﻨﺪ ﺧﻮد ﺗﺮﻣﻴﻤﻲ‪ 27‬و ﺧﻮد ﻫﺪاﻳﺘﻲ‬
‫و ﺗﻜﺜﻴﺮ اﺳﺖ ﻛﻪ از ﺳﻴﺴﺘﻤﻬﺎي زﻳﺴﺘﻲ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﺷﻜﻞ ‪ 12,5‬اﺳﺎس ﭼﺮﺧﻪ ‪ GA‬را ﻧﺸﺎن‬
‫ﻣﻴﺪﻫﺪ ‪ .‬ﻫﻤﺮاه ﺑﺎ اﻳﻦ وﻳﮋﮔﻲ ﻫﺎي ﻣﺜﺒﺖ ‪ ،‬ﻣﺠﻤﻮﻋﻪ ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮدي از ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ‪ GA ،‬را‬
‫ﺑﺼﻮرت ﻳﻚ ﺟﺴﺘﺠﻮﮔﺮ ﻗﻮي و ﺗﻜﻨﻴﻚ ﺑﻬﻴﻨﻪ ﺳﺎزي ﻣﻄﺮح ﻣﻴﺴﺎزد‪.‬‬
‫ﻣﺠﻤﻮﻋﻪ اي از ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ ﻛﻪ ﺗﻮﺳﻂ ‪ GA‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ﺑﺎ دﻳﮕﺮ ﺗﻜﻨﻴﻜﻬﺎي ﺑﻬﻴﻨﻪ ﺳﺎزي ﻣﺎﻧﻨﺪ‬

‫‪ 25‬در ﻣﺘﻮن ﻻﺗﻴﻦ و ﺑﻌﻀﻲ از ﺗﺮﺟﻤﻪ ﻫﺎ ﺑﻪ »زاده« اﺷﺎره ﺷﺪه‬

‫‪26‬‬
‫‪Prof.j.Holland‬‬
‫‪27‬‬
‫‪Self-repair‬‬
‫‪28‬‬
‫‪Self-guidance‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪15‬‬

‫‪ ,‬ﺷﻤﺎرﺷﻲ ‪ ,‬اﺗﻔﺎﻗﻲ و ﺗﭙﻪ ﻧﻮرد‪ 30‬ﻣﺘﻔﺎوت اﺳﺖ ‪.‬در زﻳﺮ اﻳﻦ ﺗﻔﺎوت ﻫﺎ آﻣﺪه اﺳﺖ‪:‬‬ ‫‪29‬‬
‫ﺗﻜﻨﻴﻜﻬﺎي ﻣﺤﺎﺳﺒﺎﺗﻲ‬
‫● ‪ GA‬ﻫﺎ ﺑﺎ رﻣﺰﮔﺬاري ﭘﺎراﻣﺘﺮﻫﺎ ﻛﺎر ﻣﻴﻜﻨﻨﺪ‪.‬‬
‫● ‪ GA‬ﻫﺎ در ﺑﺎره ﺟﻤﻌﻴﺘﻲ از ﻣﻮﺿﻮﻋﺎت ﺟﺴﺘﺠﻮ ﻣﻴﻜﻨﻨﺪ ﻧﻪ از روي ﻳﻚ ﻣﻮﺿﻮع ﻣﻨﻔﺮد‪.‬‬
‫● ‪ GA‬ﻫﺎ اﻃﻼﻋﺎت ﺗﺎﺑﻊ ﻫﺪف را ﺑﻜﺎر ﻣﻴﮕﻴﺮﻧﺪ و داﻧﺶ ﻣﻨﺘﻘﻞ ﺷﺪه از ﺟﺎﻳﻲ ﻧﻴﺴﺘﻨﺪ‪.‬‬
‫● ‪ GA‬ﻫﺎ از ﻗﻮاﻋﺪ اﻧﺘﻘﺎل اﺣﺘﻤﺎﻟﻲ اﺳﺘﻔﺎده ﻣﻴﻜﻨﻨﺪ ﻧﻪ از ﻗﻮاﻋﺪ ﻗﻄﻌﻲ‪.‬‬

‫زاد و وﻟﺪ‬ ‫ﺟﻤﻼت رﻣﺰ ﮔﺸﺎﻳﻲ ﺷﺪه‬

‫ﺟﻤﻌﻴﺖ‬
‫)ﻛﺮوﻣﻮزﻣﻬﺎ(‬
‫ﻧﻤﻮﻧﻪ ﺟﺪﻳﺪ‬
‫واﻟﺪ‬
‫ﻋﻤﻠﮕﺮ ﻫﺎي‬ ‫ارزﻳﺎﺑﻲ‬
‫ژﻧﺘﻴﻜﻲ‬ ‫)ﺷﺎﻳﺴﺘﮕﻲ(‬

‫دﺳﺘﻜﺎري ﻛﺮدن‬ ‫ﺗﻮﻟﻴﺪ ﻣﺜﻞ ﻣﺠﺪد‬

‫ﺟﻔﺖ ﻫﺎ‬ ‫اﻧﺘﺨﺎب ﺟﻔﺖ‬
‫)اﺳﺘﺨﺮﺟﻔﺘﮕﻴﺮي(‬

‫ﺷﻜﻞ ‪ 5-12‬ﻋﻤﻠﮕﺮﻫﺎي اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ و ﭼﺮﺧﻪ ﺣﻴﺎت آن‬

‫ﻛﺎرﺑﺮدﻫﺎي ﻣﻮﻓﻘﻴﺖ ﺑﺴﻴﺎري از ‪ GA‬در زﻣﻴﻨﻪ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﻣﺴﻴﺮﻳﺎﺑﻲ ﺳﻴﻢ ﺑﻨﺪي در ﻣﺪارﻫﺎي ﭼﺎﭘﻲ ‪ ،‬ﻃﺮاﺣﻲ‬
‫ﻣﺪارﻫﺎي ‪ ، VLSI‬ﺑﺎزي ﻛﺮدن‪ ،‬ﺷﻨﺎﺳﺎﻳﻲ ﭼﻬﺮه وﻏﻴﺮه وﺟﻮد دارد‪.‬‬
‫روﻳﻜﺮدﻫﺎي ﺟﺪﻳﺪي از ﺗﺮﻛﻴﺐ روﺷﻬﺎ در ﺣﺎل ﺷﻜﻞ ﮔﻴﺮي و ﺗﻮﺳﻌﻪ اﺳﺖ ﻛﻪ ﻧﻤﻮﻧﻪ اي از آن ‪,‬ﺗﺮﻛﻴﺐ‬
‫ﺗﻜﻨﻴﻚ ﻣﻨﻄﻖ ﻓﺎزي و ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ اﺳﺖ ﻛﻪ ﺑﻪ آن ﻧﺮوﻓﺎزي ﻣﻴﮕﻮﻳﻨﺪ‪ . 31‬ﺗﻜﻨﻴﻚ ﻓﺎزي ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ و‬
‫ﻗﺎﺑﻞ ﮔﺴﺘﺮش اﺳﺖ اﻣﺎ ﻗﺎﺑﻠﻴﺖ ﺧﻮدﻳﺎدﮔﻴﺮي ﻧﺪارد از ﻃﺮف دﻳﮕﺮ‪ ،‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ‪ ،‬ﻗﺎﺑﻠﻴﺖ ﻳﺎدﮔﻴﺮي ذاﺗﻲ‬
‫را ﻓﺮاﻫﻢ ﻣﻴﻜﻨﻨﺪ اﻣﺎ ﺳﺎﺧﺖ ﻳﺎﻓﺘﻪ ﻧﻴﺴﺘﻨﺪ‪ .‬ﺗﺮﻛﻴﺐ اﻳﻦ دو ﺗﻜﻨﻴﻚ ﺣﻮزه ي ﭘﮋوﻫﺸﻲ ﺟﺪﻳﺪي را در ‪AI‬‬
‫ﺑﻮﺟﻮد آورده‪ .‬ﺗﺮﻛﻴﺒﺎﺗﻲ ﻣﺨﺘﻠﻔﻲ از روﻳﻜﺮدﻫﺎي ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺎ ﻣﻨﻄﻖ ﻓﺎزي ﻣﻌﺮﻓﻲ ﺷﺪه اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪،‬‬
‫ﺗﺎﺑﻊ ﭘﺎﻳﻪ ﺷﻌﺎﻋﻲ ) ‪ ( RBF‬ﺷﺒﻜﻪ ﻋﺼﺒﻲ اﺟﺮا ﺷﺪه در ﻛﻨﺘﺮﻟﺮ ﻧﻮروﻓﺎزي ) ‪ ( NFC‬اﺳﺖ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ‬
‫رﮔﺮﺳﻴﻮن ﻋﻤﻮﻣﻲ )‪ (GRNN‬ﻣﺎﻧﻨﺪ ﻳﻚ ﭘﻴﺸﮕﻮ در ﻛﻨﺘﺮل ﻧﻮروﻓﺎزي ﺑﻜﺎر رﻓﺘﻪ اﺳﺖ ‪ .‬ﻣﻌﻤﺎري اﻳﻦ ﺳﻴﺴﺘﻢ‬
‫در ﺷﻜﻞ ‪ 6-12‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪.‬‬

‫‪29‬‬
‫‪calculuse-based‬‬
‫‪30‬‬
‫‪hill climbing‬‬
‫‪31‬‬
‫‪neuro-fuzzy‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪16‬‬

‫ﺷﻜﻞ ‪ 6-12‬ﺑﻼك دﻳﺎﮔﺮام ﺳﻴﺴﺘﻢ ﻛﻨﺘﺮل ﻧﻮروﻓﺎزي ﺧﻮد ﺳﺎزﮔﺎر‬

‫ﺑﺎ ﺑﻜﺎرﮔﻴﺮي اﻳﻦ ﻣﻌﻤﺎري ‪ ،‬ﺳﻴﺴﺘﻢ ﺧﻮد ﺳﺎزﮔﺎر ﻗﺎدر ﺑﻪ واﻛﻨﺶ ﺳﺮﻳﻊ ﻧﺴﺒﺖ ﺑﻪ ﺗﻐﻴﻴﺮات در ﻣﺠﻤﻮﻋﻪ اﺳﺖ‪.‬‬
‫وﻗﺘﻲ ﻛﻪ ﺗﻐﻴﻴﺮ ﻋﻤﺪه اي در رﻓﺘﺎر ﭘﻮﻳﺎي دﺳﺘﮕﺎه اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ‪ ,‬ﺳﻴﺴﺘﻢ ﺳﺎزﮔﺎر ﻣﺠﺘﻤﻊ ﺷﺪه ﭘﻴﺸﻨﻬﺎدي‬
‫ﺣﺘﻲ در ﻣﻔﺎﻳﺴﻪ ﺑﺎ ﻳﻚ ﻛﻨﺘﺮﻟﺮ ﭘﻴﺸﮕﻮﻳﺎﻧﻪ ﺗﻌﻤﻴﻢ ﻳﺎﻓﺘﻪ ﺑﺴﻴﺎر ﻗﻮي ﻋﻤﻞ ﻣﻴﻜﻨﺪ‪.‬‬
‫‪32‬‬
‫ﺗﻼﺷﻬﺎي دﻳﮕﺮي در ﺗﺮﻛﻴﺐ ﺗﻜﻨﻴﻚ ﻓﺎزي و ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﺑﻮﺟﻮد آﻣﺪه اﺳﺖ ﻛﻪ ﺑﻪ آن ﺧﺒﺮه ﻓﺎزي‬
‫ﻣﻴﮕﻮﻳﻨﺪ ﻛﻪ ﻣﻮﻓﻘﻴﺖ ﺳﻴﺴﺘﻤﻬﺎي ﻧﻮروﻓﺎزي را ﻧﺪاﺷﺘﻪ اﻧﺪ‪.‬‬

‫‪ 1-4-12‬ﻛﺎرﺑﺮدﻫﺎي ﺻﻨﻌﺘﻲ ‪AI‬‬

‫از ﺟﻤﻠﻪ اوﻟﻴﻦ ﻛﺎرﺑﺮدﻫﺎي ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ‪ AI‬در ﺻﻨﻌﺖ ‪ ،‬در زﻣﻴﻨﻪ ﻫﺎي داﻧﺶ ﻣﺎﺷﻴﻦ ﻧﻤﺎدﻳﻦ ﻳﺎ ﻛﺎرﺑﺮدﻫﺎي‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﺑﻮدﻧﺪ ﻛﻪ در اواﺧﺮ دﻫﻪ ‪ 60‬و اواﻳﻞ دﻫﻪ ‪ 70‬آﻏﺎز ﺷﺪﻧﺪ‪ .‬ﺑﺎ وﺟﻮد آﻧﻜﻪ ﺗﺤﻘﻴﻖ در ﺷﺒﻜﻪ‬
‫ﻫﺎي ﻋﺼﺒﻲ زودﺗﺮ ﺷﺮوع ﺷﺪه ﺑﻮد‪ ،‬ﻛﺎرﺑﺮدﻫﺎي دﻧﻴﺎي واﻗﻌﻲ از ﭼﻨﻴﻦ ﺗﻜﻨﻴﻜﻬﺎﻳﻲ ﺑﻲ ﺑﻬﺮه ﺑﻮد زﻳﺮا اﻳﻦ‬
‫ﺗﻜﻨﻴﻜﻬﺎ ﺑﺮ ﻓﻌﺎﻟﻴﺘﻬﺎي ﺗﻜﺮاري اﺳﺘﻮار ﺑﻮد و ﻓﻌﺎﻟﻴﺘﻬﺎي ﺗﻜﺮاري ﻧﻴﺎزﻣﻨﺪ ﺳﺨﺖ اﻓﺰار ﻗﻮي ﺑﻮد ﻛﻪ در آﻧﺰﻣﺎن‬
‫وﺟﻮد ﻧﺪاﺷﺖ‪ .‬دو ﻣﺜﺎل از ﻛﺎرﺑﺮدﻫﺎي اوﻟﻴﻪ ي ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﻋﺒﺎرﺗﻨﺪ از ‪ MYCIN :‬ﻛﻪ ﺑﺮاي ﺗﺸﺨﻴﺺ‬
‫ﺑﻴﻤﺎري ﻫﺎي ﻋﻔﻮﻧﺖ ﺧﻮﻧﻲ و در داﻧﺸﮕﺎه ‪ Stanford‬در ﺳﺎل ‪ 1972‬ﺑﻮﺟﻮد آﻣﺪ و ‪ CADACUES‬ﺑﺮاي‬
‫ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎرﻳﻬﺎي دروﻧﻲ ﻛﻪ در داﻧﺸﮕﺎه ‪ Pittsburgh‬و در ﺳﺎل ‪ 1970‬ﺗﻮﺳﻌﻪ داده ﺷﺪ‪ .‬اوﻟﻴﻦ ﻛﺎرﺑﺮد‬
‫ﺗﺠﺎري از ﺳﻴﺴﺘﻢ ﺧﺒﺮه ‪ XCON‬اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﺷﺮﻛﺖ ‪ DEC‬و ﺑﺮاي ﭘﻴﻜﺮﺑﻨﺪي ﺳﻴﺴﺘﻤﻬﺎي ﻛﺎﻣﭙﻴﻮﺗﺮ‬
‫‪ VAX‬در ‪ 1980‬ﺑﻜﺎر ﺑﺮده ﺷﺪ‪.‬‬

‫ﭘﻴﺪاﻳﺶ رﻳﺰﭘﺮدازﻧﺪه ﻫﺎ ﺑﺎﻋﺚ ﺗﻮﺟﻪ ﺻﻨﺎﻳﻊ ﺑﺴﻴﺎري ﺑﺮاي ﺑﻜﺎرﺑﺮدن ﺗﻜﻨﻮﻟﻮژي ﻣﻨﻄﻖ ﻓﺎزي در اﻛﺜﺮ‬
‫ﻣﺤﺼﻮﻻت ﻣﺼﺮﻓﻲ و ﺧﺎﻧﮕﻲ ﺷﺪه اﺳﺖ‪ .‬ﺳﺎزﻧﺪﮔﺎن ژاﭘﻨﻲ از ﺑﻜﺎرﮔﻴﺮي ﻛﻨﺘﺮوﻟﺮﻫﺎي ﻓﺎزي و ﺣﺴﮕﺮﻫﺎ در‬

‫‪32‬‬
‫‪fuzzy-expert‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪17‬‬

‫ﻣﺤﺼﻮﻻت ﺻﻨﻌﺘﻲ ﺧﻮد ﺳﻮد ﻓﺮاواﻧﻲ ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﺳﺎزﻧﺪﮔﺎن در دﻧﻴﺎ ﺑﺪﺳﺖ ﻣﻲ آورﻧﺪ‬

‫ﺑﺮاي اوﻟﻴﻦ ﺑﺎر ﺷﺮﻛﺖ ﻣﺎﺗﺴﻮﺷﻴﺘﺎ در ﺳﺎل ‪ 1989‬ﻣﺎﺷﻴﻦ ﻇﺮﻓﺸﻮﻳﻲ را ﺑﺮ اﺳﺎس ﻣﻨﻄﻖ ﻓﺎزي ﺳﺎﺧﺖ ﻛﻪ‬
‫ﻓﺮوش ﺑﺴﻴﺎر ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰي داﺷﺖ و ﻣﻮﺟﺐ روي آوري ﺑﺴﻴﺎري از ﺻﻨﺎﻳﻊ ژاﭘﻦ ﺑﻪ ﺑﻜﺎرﮔﻴﺮي ﻓﻨﺎوري‬
‫ﻣﻨﻄﻖ ﻓﺎزي در ﺗﻮﻟﻴﺪاﺗﺸﺎن ﺷﺪ‪ .‬اﻣﺮوزه ﭘﻴﺪاﻛﺮدن ﻣﺤﺼﻮﻟﻲ ﻛﻪ در آن از ﺗﻜﻨﻮﻟﻮژي ﻣﻨﻄﻖ ‪ fuzzy‬اﺳﺘﻔﺎده‬
‫ﻧﺸﺪه ﺑﺎﺷﺪ‪ ،‬ﺧﻴﻠﻲ ﻣﺸﻜﻞ اﺳﺖ‪.‬‬
‫در اواﺳﻂ دﻫﻪ ‪ ، 1990‬ﺗﻜﻨﻮﻟﻮژي ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺎ ﺗﻜﻨﻮﻟﻮژي ﻓﺎزي در ﺑﺴﻴﺎري از ﻣﺤﺼﻮﻻت ﺑﻄﻮر ﻣﻮﻓﻘﻴﺖ‬
‫آﻣﻴﺰ ﺑﻜﺎر ﻣﻴﺮﻓﺖ‪ .‬اﻛﺜﺮ ﻛﺎرﺑﺮدﻫﺎي ﺗﻜﻨﻮﻟﻮژي ﻫﺎي ﻧﻮروﻓﺎزي در ﻣﺤﺼﻮﻻت ‪ ،‬ﺑﺮاي ﻣﺮﺣﻠﻪ ﻃﺮاﺣﻲ ﻫﺴﺘﻨﺪ‬
‫ﻛﻪ ﻛﻨﺘﺮﻟﺮﻫﺎ داﺧﻞ ﺳﻴﺴﺘﻤﻬﺎ ﻃﺮاﺣﻲ و ﮔﻨﺠﺎﻧﺪه ﺷﺪه اﺳﺖ‪ .‬ﺷﻜﻞ ‪ 7-12‬ﺑﻠﻮك دﻳﺎﮔﺮاﻣﻲ از ﻃﺮاﺣﻲ ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ ﻛﻪ ﺷﺎﻣﻞ ‪ 4‬ﺟﺰء اﺳﺖ‪ :‬واﺳﻄﻪ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ‪ ،‬ادراك‪ ،‬ﺷﻨﺎﺧﺖ و اﺟﺮا‪.‬‬

‫ﺷﻜﻞ ‪ 7-12‬ﺑﻠﻮك دﻳﺎﮔﺮام ﻧﺸﺎﻧﺪﻫﻨﺪه اﻳﺪه اﺻﻠﻲ ﻣﺎﺷﻴﻦ ﻫﺎي ﻫﻮﺷﻤﻨﺪ‬

‫ﺗﺤﻘﻴﻖ در ‪ AI‬ﺑﺎ ﻋﻠﻮم دﻳﮕﺮي ﻣﺎﻧﻨﺪ ﻋﻠﻢ ﻋﺼﺐ ﺷﻨﺎﺳﻲ ‪ ،‬ﻋﻠﻮم زﻳﺴﺘﻲ ‪ ،‬رواﻧﺸﻨﺎﺳﻲ ‪ ،‬ﻓﻴﺰﻳﻚ و رﻳﺎﺿﻴﺎت و‬
‫ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ در ارﺗﺒﺎط اﺳﺖ‪ ،‬اﻣﺎ ﻧﺘﻴﺠﻪ اﻳﻦ ﺗﺤﻘﻴﻘﺎت ﺑﻪ ﺻﻮرت ﮔﺴﺘﺮده ﺗﺒﺪﻳﻞ ﺑﻪ ﻣﺤﺼﻮﻻﺗﻲ در زﻣﻴﻨﻪ‬
‫ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻣﻬﻨﺪﺳﻲ اﻟﻜﺘﺮوﻧﻴﻚ ﮔﺮدﻳﺪه اﺳﺖ‪ .‬در ﻣﻮﺿﻮع ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻳﺎ ﻃﺮاﺣﻲ ﻣﺎﺷﻴﻦ و در‬
‫ﺣﻮزه ي ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺨﺶ ﺑﺰرﮔﻲ از ﺗﺤﻘﻴﻖ و ﺗﻮﺳﻌﻪ ) ‪ ( R&D‬ﺑﻪ ﺑﺨﺶ ﻧﺮم اﻓﺰار واﺳﻂ ﻣﺎﺷﻴﻦ‬
‫ﻫﻮﺷﻤﻨﺪ اﻧﺴﺎن ﻧﻤﺎ ﻣﺘﻤﺮﻛﺰ ﺷﺪه اﺳﺖ ‪ .‬ﻣﺜﺎﻟﻬﺎي ‪ R&D‬در اﻳﻦ ﺣﻮزه ﺷﺎﻣﻞ ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ ‪،‬‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪ ،‬واﺳﻂ ﻣﺎﺷﻴﻨﻲ ‪ ،‬اﺳﺘﺨﺮاج داده ‪ ،‬اﺳﺘﺨﺮاج ﻣﺘﻦ و ﻏﻴﺮه ﻫﺴﺘﻨﺪ‪ .‬در ﺣﻮزه ﻣﻬﻨﺪﺳﻲ‬
‫اﻟﻜﺘﺮوﻧﻴﻚ ‪ ،‬ﺗﻼﺷﻬﺎ در ‪ R&D‬در ﻃﺮاﺣﻲ ﺑﻴﺸﺘﺮ ﻣﻌﻄﻮف ﺑﻪ ﺗﻮﻟﻴﺪ ﻗﻄﻌﺎﺗﻲ ﺷﺪه ﻛﻪ ﺑﻪ ﻣﺎﺷﻴﻦ ﻫﺎ ﻗﺪرت‬
‫ادراك ﻣﻴﺪﻫﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل در ﻃﺮاﺣﻲ ﻣﺤﺼﻮﻻﺗﻲ ﻣﺎﻧﻨﺪ ﻣﺎﺷﻴﻨﻬﺎي ﻇﺮﻓﺸﻮﻳﻲ ‪ ،‬ﭘﻠﻮﭘﺰ ‪ ،‬ﻳﺨﭽﺎﻟﻬﺎ از ﻛﻨﺘﺮﻟﺮﻫﺎي‬
‫ﻧﻮروﻓﺎزي ﻛﻪ ﺑﺎ ﺑﻘﻴﻪ ﺳﻴﺴﺘﻢ ﺑﺼﻮرت ﻳﻜﭙﺎرﭼﻪ درآﻣﺪه اﻧﺪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪.‬‬
‫ﺗﻜﻨﻮﻟﻮژي ‪ AI‬در ﺳﻴﺴﺘﻤﻬﺎي ﺻﻨﻌﺘﻲ ﻧﻴﺰ ﺑﻜﺎر ﻣﻴﺮود‪ .‬ﻫﻴﺘﺎﭼﻲ در ژاﭘﻦ ﻗﺒﻞ از ﺳﺎل ‪ 1978‬ﻛﻨﺘﺮﻟﺮ ﻓﺎزي ﻗﻄﺎر‬
‫را ﺳﺎﺧﺖ اﻣﺎ ﺑﻌﺪ از ‪ 300000‬ﺷﺒﻴﻪ ﺳﺎزي و آزﻣﻮن در ‪ 3000‬ﻣﺴﻴﺮ ﺑﺪون ﻣﺴﺎﻓﺮ و ‪ 8‬ﺳﺎل ﺑﻌﺪ اﺟﺎزه‬
‫ﺑﻜﺎرﮔﻴﺮي در راه آﻫﻦ ژاﭘﻦ را درﻳﺎﻓﺖ ﻛﺮد‪.‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪18‬‬

‫ﺷﻜﻞ ‪ 8-12‬ﻧﻤﺎﻳﺶ ﺑﺎزدﻫﻲ اﺳﺘﻔﺎده از ﻛﻨﺘﺮﻟﺮ ﻓﺎزي ﺗﻮﻟﻴﺪ ﺷﺪه ﺗﻮﺳﻂ ﻫﻴﺘﺎﭼﻲ‬
‫ﺷﻜﻞ ‪ 8-12‬ﻣﺴﻴﺮ ﭘﺮوﻓﻴﻞ ﻗﻄﺎر ﻓﺎزي را ﺑﻪ ﻫﻤﺮاه ‪ 6‬ﺷﺎﺧﺺ ﻧﺸﺎن ﻣﻴﺪﻫﺪ ﻛﻪ ﺑﻮﺳﻴﻠﻪ ﻛﻨﺘﺮﻟﺮ ﻓﺎزي ﺑﺮاي‬
‫ﺑﻬﺒﻮد و ﻣﺪل ﻛﺮدن ﺑﺮرﺳﻲ و ﺗﺤﻠﻴﻞ ﺷﺪه اﻧﺪ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ ‪.‬اﻳﻦ ‪ 6‬ﺷﺎﺧﺺ ﻋﺒﺎرﺗﻨﺪ از‪ :‬زﻣﺎن اﺟﺮا‪ ،‬ﻣﺼﺮف‬
‫اﻧﺮژي ‪ ،‬ﻗﺎﺑﻠﻴﺖ ردﻳﺎﺑﻲ‪ ،‬اﻳﻤﻨﻲ و راﺣﺘﻲ ‪.‬ﻫﻴﺘﺎﭼﻲ ﻧﺸﺎن داد ﻛﻪ ﻗﻄﺎر ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﻛﻨﺘﺮﻟﺮ ﻓﺎزي ﻣﻴﺘﻮاﻧﺪ ‪ 3‬ﺑﺮاﺑﺮ‬
‫ﺑﻴﺸﺘﺮ اﺟﺎزه ﺗﻮﻗﻒ داﺷﺘﻪ ﺑﺎﺷﺪ ) ﺳﻮار و ﭘﻴﺎده ﻛﺮدن ﻣﺴﺎﻓﺮ ( ‪ 2 ,‬ﺑﺎر ﻗﺪرﺗﺶ ﻛﺎﻫﺶ دﻫﺪ و در ﻛﻞ ﻧﻴﺮوي‬
‫ﺗﻮان ﻣﺼﺮﻓﻲ ﺧﻮد را در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﻛﻨﺘﺮﻟﺮ ‪ %10 PID‬ﻛﺎﻫﺶ دﻫﺪ‪ .‬ﻣﻮﻓﻘﻴﺖ ﻗﻄﺎر ﻓﺎزي ﮔﺴﺘﺮش‬
‫ﺑﺴﻴﺎري از ﻛﺎرﺑﺮدﻫﺎي ‪ AI‬در ﺻﻨﻌﺖ را ﺑﺪﻧﺒﺎل داﺷﺖ‪.‬‬

‫ﺑﺮ اﺳﺎس اﻟﮕﻮرﻳﺘﻢ اﻧﺘﺸﺎر ﺧﻄﺎي ﻣﻌﻜﻮس در ﺷﺒﻜﻪ ﻋﺼﺒﻲ و ﻣﻨﻄﻖ ﻓﺎزي ‪ ,‬ﺷﺮﻛﺖ آﻣﺮﻳﻜﺎﻳﻲ ﭘﺮاوﻳﻠﻴﺞ‬
‫ﺗﻜﻨﻴﻜﺲ‪ ،‬ﻧﺮم اﻓﺰاري را ﺑﺮاي ﻓﺮاﻳﻨﺪ ﻣﺪل ﻛﺮدن و ﺑﻬﻴﻨﻪ ﺳﺎزي ﻓﺮآﻳﻨﺪه ﻫﺎ ﺑﺎ ﻧﺎم ﭘﺮوﺳﺲ اﻳﻨﺴﺎﻳﺖ ﺑﻪ ﻣﻌﻨﻲ‬
‫ﺑﺼﻴﺮت در ﻓﺮآﻳﻨﺪ ﺗﻮﻟﻴﺪ ﻛﺮد‪ .‬اﻳﻦ ﻧﺮم اﻓﺰار اﻃﻼﻋﺎت ﻓﺮاواﻧﻲ را از ﺛﺒﺖ ﻛﻨﻨﺪ وﻗﺎﻳﻊ درﻳﺎﻓﺖ و ﺑﺎ ﻓﻨﺎوري‬
‫ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﻪ ﻣﺪل ﻛﺮدن ﻛﺎرﺧﺎﻧﻪ ﺑﺼﻮرت ‪ offline‬ﻣﻲ ﭘﺮداﺧﺖ‪ .‬ﻣﻨﻄﻖ ﻓﺎزي ﺑﺮاي ﻣﺪﻳﺮﻳﺖ ﻣﺤﺪودﻳﺖ‬
‫ﻫﺎ در زﻣﺎن ﺑﺮﺧﻂ ﺑﻮدن ﺳﻴﺴﺘﻢ و ﺑﺮاي اﻫﺪاف ﻛﻨﺘﺮل ﺑﺮﺧﻂ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ‪ .‬ﺳﺎﻟﻴﺎﻧﻪ ﺑﻴﺶ از ﻳﻚ‬
‫ﻣﻴﻠﻴﻮن دﻻر ﺻﺮﻓﻪ ﺟﻮﻳﻲ ﺣﺎﺻﻞ ﺑﻜﺎرﮔﻴﺮي ﻧﺮم اﻓﺰار ﻓﻮق ﺑﻮد‪ .‬ﺷﻜﻞ ‪ 9-12‬دﻳﺪ دﻳﺎﮔﺮاﻣﻲ از ﻧﺮم اﻓﺰار‬
‫اﻃﻼﻋﺎت ﻓﺮاﻳﻨﺪ را ﻧﺸﺎن ﻣﻴﺪﻫﺪ‪.‬‬
 ‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪19‬‬

‫ﺷﻜﻞ ‪ 9-12‬ﺑﺮﻧﺎﻣﻪ ﭘﺮوﺳﺲ اﻳﻨﺴﺎﻳﺖ ﻛﻪ اﺑﺘﺪا ﻓﺮآﻳﻨﺪﻫﺎ را ﻣﺪل ﻛﺮده و ﺑﻌﺪ اﺟﺮا ﻣﻴﻜﻨﺪ‬
‫اﺧﻴﺮا ﺑﺴﻴﺎري از ﺻﻨﺎﻳﻊ در ژاﭘﻦ ﺑﺮ ﭘﮋوﻫﺶ در روﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ اﻧﺴﺎن ﻣﺘﻤﺮﻛﺰ ﺷﺪه اﻧﺪ‪ .‬ﺻﻨﺎﻳﻌﻲ ﻣﺎﻧﻨﺪ ﻫﻮﻧﺪا‪،‬‬
‫ﻣﻴﺘﺴﻮﺑﻴﺸﻲ‪ ،‬ﺳﻮﻧﻲ ‪ ،‬ﻓﻮﺟﻴﺘﺴﻮ‪ ، NTT ، NEC ،‬ﭘﺎﻧﺎﺳﻮﻧﻴﻚ و ﻏﻴﺮه‪.‬‬
‫ﺗﻜﻨﻮﻟﻮژي اﺻﻠﻲ در روﺑﺎﺗﻬﺎي اﻧﺴﺎن ﻧﻤﺎ‪ ،‬ﺑﺎﻻﺑﺮدن ﺗﻮاﻧﺎﻳﻲ راه رﻓﺘﻦ ‪ ،‬ﺳﺨﻦ ﮔﻔﺘﻦ و ﺗﺸﺨﻴﺺ ﺗﺼﻮﻳﺮ ‪ ،‬و‬
‫ﭘﻴﺸﺮﻓﺖ در ﻣﻮﺗﻮرﻫﺎ و ﻣﺤﺮﻛﻬﺎ اﺳﺖ‪ ) ASIMO .‬ﮔﺎم ﭘﻴﺸﺮﻓﺘﻪ در اﺑﺪاع ﺗﺤﺮك( ﻛﻪ ﺗﻮﺳﻂ ﻫﻮﻧﺪا ﺗﻮﺳﻌﻪ‬
‫داده ﺷﺪه اﺳﺖ ‪ ،‬ﺑﺎ ﺑﺎﻻ رﻓﺘﻦ و ﭘﺎﻳﻴﻦ آﻣﺪن از ﭘﻠﻪ ﻫﺎ ﻧﺸﺎن داد ﻛﻪ ﺗﻮاﻧﺎﻳﻲ راه رﻓﺘﻦ ﻓﻮق اﻟﻌﺎده اي را دارﻧﺪ‬
‫اﻣﺎ ﻗﺎﺑﻠﻴﺖ ﺟﺴﻤﻲ ﺷﺎن ﻫﻨﻮز در ﺣﺪ ﻳﻚ اﻧﺴﺎن ‪ 5‬ﺳﺎﻟﻪ ﻧﻴﺴﺖ‪.‬‬
‫در ﺳﻪ دﻫﻪ ‪ ،‬دوﻟﺖ ژاﭘﻦ ‪ 50‬ﻣﻴﻠﻴﻮن ﻳﻦ ) ‪ 400‬ﻣﻴﻠﻴﻮن دﻻر( ﺑﺮاي ﺗﻮﺳﻌﻪ ي ﻳﻚ روﺑﺎت ﺷﺒﻴﻪ اﻧﺴﺎن ﺑﺎ‬
‫ﻇﺮﻓﻴﺖ ﻫﻮﺷﻲ ‪ ،‬ﺟﺴﻤﻲ و اﺣﺴﺎﺳﻲ ﻛﻤﺘﺮ از ﻳﻚ اﻧﺴﺎن ‪ 5‬ﺳﺎﻟﻪ ‪ ،‬ﻫﺰﻳﻨﻪ ﻛﺮده اﺳﺖ ﻛﻪ ﺑﻪ ﭘﺮوژه ''‪''Atom‬‬
‫''‪''Tetsuwan Atom‬‬ ‫ﻣﻌﺮوف اﺳﺖ‪ .‬ﭘﮋوﻫﺸﮕﺮان ﻣﻌﺘﻘﺪﻧﺪ ﭘﺮوژه ‪ Atom‬از ﺳﺮﻳﺎل اﻧﻴﻤﻴﺸﻦ ﻣﺸﻬﻮر‬
‫ﻛﻪ ﺗﻮﺳﻂ ‪ Osamu Tezuka‬ﺳﺎﺧﺘﻪ ﺷﺪه اﻟﻬﺎم ﮔﺮﻓﺘﻪ اﺳﺖ و ﻣﺎﻧﻨﺪ ﭘﺮوژه اﻣﺮﻳﻜﺎﻳﻲ آﭘﻮﻟﻮ ﻛﻪ ﺑﺎﻋﺚ ﻧﺸﺴﺘﻦ‬
‫اﻧﺴﺎن روي ﻣﺎه ﺷﺪ و در ﻣﺸﺎرﻛﺖ ﺑﺎ ﻓﻨﺎوري ﻫﺎي دﻳﮕﺮ ﻣﺮزﻫﺎي ﻓﻨﺎوري ﺟﺪﻳﺪ را ﮔﺸﻮده اﺳﺖ‪.‬‬

‫ﺷﻜﻞ ‪ ASIMO 10-12‬ﺑﻪ ﻃﺮﻓﻲ ﻛﻪ اﻧﺴﺎن اﺷﺎره ﻣﻴﻜﻨﺪ ﺣﺮﻛﺖ ﻣﻴﻜﻨﺪ‬

 ‫‪ ! 1‬ﮐﺪام روش ﺣﻞ ﻣﺴﺌﻠﻪ ‪ AI‬را از ﺳﺎﯾﺮ ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻣﻬﻨﺪﺳﯽ ﻣﺘﻤﺎﯾﺰ ﻣﯿﻨﻤﺎﯾﺪ‪.‬‬
‫ج ( روش اﮐﺘﺸﺎﻓﯽ ‪ (4‬روش ﻣﺤﺎﺳﺒﺎﺗﯽ‬ ‫ب( روش ﺳﺎده ﺳﺎزي‬ ‫اﻟﻒ ( روش اﻟﮕﻮرﯾﺘﻤﯽ‬

‫‪ -2‬ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﮐﺪاﻣﯿﮏ از روﺷﻬﺎي ﺣﻞ ﻣﺴﺎﺋﻞ ﺳﺮ و ﮐﺎر دارد‪.‬‬

‫د( ﺳﻤﺒﻞ ﮔﺬاري و ﻏﯿﺮ اﻟﮕﻮرﯾﺘﻤﯽ‬ ‫ب( روﺷﻬﺎي ﻏﯿﺮ ﺳﻤﺒﻠﯿﮏ ج( روﺷﻬﺎي اﻟﮕﻮرﯾﺘﻤﯽ‬ ‫اﻟﻒ( ﻫﻮش اﻧﺴﺎن‬

‫‪ -3‬ﻃﺮاﺣﯽ ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﻣﺮﺑﻮط ﺑﻪ ‪ AI‬اﺳﺖ‪.‬‬

‫د(ﺳﯿﺴﺘﻤﻬﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي ﻏﯿﺮ ﻫﻮﺷﻤﻨﺪ‬ ‫ب( ﺳﯿﺴﺘﻤﻬﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي ﻫﻮﺷﻤﻨﺪ ج( ﺳﯿﺴﺘﻤﻬﺎي ﭘﯿﭽﯿﺪه‬ ‫اﻟﻒ( ﻫﻮش اﻧﺴﺎن‬

‫‪ -4‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ وﺟﻪ ﺗﻤﺎﯾﺰ ‪ AI‬از ﺳﺎﯾﺮ ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻣﻬﻨﺪﺳﯽ اﺳﺖ‪.‬‬
‫ج( روش اﮐﺘﺸﺎﻓﯽ ﺣﻞ ﻣﺴﺌﻠﻪ د( ﻫﯿﭽﮑﺪام‬ ‫ب( ﺷﻨﺎﺧﺖ‬ ‫اﻟﻒ( روش اﻟﮕﻮرﯾﺘﻤﯽ ﺣﻞ ﻣﺴﺌﻠﻪ‬

‫‪ -5‬ﺗﺴﺖ ﺗﻮرﯾﻨﮓ ﮐﺎراﯾﯽ ‪ ..........‬را در ﺑﺮاﺑﺮ ‪ .........‬اﻧﺪازه ﻣﯽ ﮔﯿﺮد ﭼﻮن ‪ ..........‬ﺑﻬﺘﺮﯾﻦ و ﺗﻨﻬﺎ اﺳﺘﺎﻧﺪارد ﺑﺮاي رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪.‬‬
‫ب( ﻣﺎﺷﯿﻦ ﻫﻮﺷﻤﻨﺪ ‪ -‬اﻧﺴﺎن ‪ -‬اﻧﺴﺎن‬ ‫اﻟﻒ( اﻧﺴﺎن ‪ -‬ﻣﺎﺷﯿﻦ ﻫﻮﺷﻤﻨﺪ ! اﻧﺴﺎن‬
‫د( ﻣﺎﺷﯿﻦ ﻫﻮﺷﻤﻨﺪ ‪ -‬اﻧﺴﺎن ‪ -‬ﻣﺎﺷﯿﻦ ﻫﻮﺷﻤﻨﺪ‬ ‫ج( اﻧﺴﺎن ‪ -‬اﻧﺴﺎن ‪ -‬ﻣﺎﺷﯿﻦ ﻫﻮﺷﻤﻨﺪ‬
‫‪ - -6‬ﻣﻬﻤﺘﺮﯾﻦ اﻧﺘﻘﺎد ﺑﻪ ﺗﺴﺖ ﺗﻮرﯾﻨﮓ ﺑﻪ دﻟﯿﻞ اﺳﺘﻔﺎده از ﮐﺪام روش ﺣﻞ ﻣﺴﺌﻠﻪ اﺳﺖ؟‬
‫د( ﺳﻤﺒﻠﯿﮏ‬ ‫ج( ﻏﯿﺮ اﻟﮕﻮرﯾﺘﻤﯽ‬ ‫ب( ﻏﯿﺮ ﺳﻤﺒﻠﯿﮏ‬ ‫اﻟﻒ( اﮐﺘﺸﺎﻓﯽ‬

‫‪ -7‬ﮐﺪام ﺗﻮاﻧﺎﯾﯽ زﯾﺮ در ﺗﺴﺖ ﺗﻮرﯾﻨﮓ آزﻣﻮن ﻧﻤﯽ ﺷﻮد ؟‪.‬‬

‫د( رﻓﺘﺎر ﻣﺸﺎﺑﻪ اﻧﺴﺎن‬ ‫ج( ﻗﺪرت ادراك ﯾﺎ ﻣﻬﺎرت‬ ‫ب( ﺷﻨﺎﺧﺖ‬ ‫اﻟﻒ( ﻫﻮﺷﻤﻨﺪي‬

‫‪. -8‬ﺑﺮﻧﺎﻣﻪ ﻫﻮﺷﻤﻨﺪ ‪ DENDRAL‬ﺑﺎ ﭼﻪ ﻫﺪﻓﯽ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺖ ؟‬

‫ب( ﺗﺸﺨﯿﺺ ﺳﺎﺧﺘﺎر ﺷﯿﻤﯿﺎﯾﯽ ﻣﻮاد از ﻃﯿﻒ ﻧﮕﺎر ﺟﺮم ﻫﺮ ﻣﺎده‬ ‫اﻟﻒ( ﺗﻘﻠﯿﺪ ﻣﮑﺎﻟﻤﻪ ﺑﺎ ﯾﮏ رواﻧﺸﻨﺎس‬
‫د( ﺑﺎزي ﺑﺎ اﻧﺴﺎن‬ ‫ج( ﺑﺮاي ﺗﺎﻣﯿﻦ ﮐﺮدن اﻃﻼع ﭘﺎﯾﻪ‬

‫‪ ! 9‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ از ﻗﺎﺑﻠﯿﺖ ﻫﺎي ﺿﺮوري ﺑﺮاي ﻫﻮﺷﻤﻨﺪي ﻧﯿﺴﺖ ؟‬

‫ب( ﭘﯿﺪاﮐﺮدن ﺷﺒﺎﻫﺖﻫﺎ‪ ،‬وﻟﻮ اﯾﻨﮑﻪ ﻣﻮﻗﻌﯿﺖﻫﺎ ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‬ ‫اﻟﻒ ( ﻣﻌﻨﺎدادن ﺑﻪ ﭘﯿﺎمﻫﺎي ﻣﺒﻬﻢ ﯾﺎ ﻧﺎدرﺳﺖ‬
‫د( ﭘﯿﺪاﮐﺮدن ﺷﺒﺎﻫﺖﻫﺎ‪ ،‬وﻟﻮ اﯾﻨﮑﻪ ﻣﻮﻗﻌﯿﺖﻫﺎ ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‬ ‫ج ( اﺛﺒﺎت ﻗﻀﯿﮥ رﯾﺎﺿﯽ‬

‫‪ -10‬ﺑﻪ ﻣﻨﻈﻮر ﻗﺒﻮﻟﯽ در ﺗﺴﺖ ﺗﻮرﯾﻨﮓ ﺳﯿﺴﺘﻢ ﺑﺎﯾﺪ ﭼﻪ وﯾﮋﮔﯽ داﺷﺘﻪ ﺑﺎﺷﺪ؟‬
‫د( درك ﺷﺮاﯾﻂ ﻣﺤﯿﻄﯽ‬ ‫ج( ﻓﻬﻢ زﺑﺎن ﻃﺒﯿﻌﯽ‬ ‫ب( درك ﻫﻮﺷﻤﻨﺪي‬ ‫اﻟﻒ( ﻓﻬﻢ اﺣﺴﺎس اﻧﺴﺎن‬

‫‪- 11‬ﮐﺪاﻣﯿﮏ از ﺳﯿﺴﺘﻤﻬﺎي زﯾﺮ ﻧﻘﺶ ﻣﺸﺎور اﺗﻮﻣﺎﺗﯿﮏ را ﺑﺎزي ﻣﯿﮑﻨﻨﺪ ؟‬

‫د( ﺳﯿﺴﺘﻢ ﻫﺎي ﻏﯿﺮاﻟﮕﻮرﯾﺘﻤﯽ‬ ‫ج( ﺳﯿﺴﺘﻢ ﻫﺎي اﻟﮕﻮرﯾﺘﻤﯽ‬ ‫اﻟﻒ( ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ب(ﺳﯿﺴﺘﻢ ﻫﺎي اﮐﺘﺸﺎﻓﯽ‬
 ‫‪ -12‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ اﺳﺖ؟‬
‫ب(داﻧﺶ ﺷﺮط ﻻزم و ﮐﺎﻓﯽ ﻫﻮﺷﻤﻨﺪي اﺳﺖ‬ ‫اﻟﻒ( داﻧﺶ ﺷﺮط ﻻزم ﻫﻮﺷﻤﻨﺪي اﺳﺖ‬
‫د(ﻫﻮﺷﻤﻨﺪي ﺷﺮط ﻻزم و ﮐﺎﻓﯽ داﻧﺶ اﺳﺖ‬ ‫ج(ﻫﻮﺷﻤﻨﺪي ﺷﺮط ﻻزم داﻧﺶ اﺳﺖ‬

‫‪ -13‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ از وﯾﮋﮔﯽﻫﺎي ﻣﻄﻠﻮب ﮐﻤﯽ داﻧﺶ ﻧﯿﺴﺖ؟‬

‫ب(دﺷﻮاري ﺗﻮﺻﯿﻒ و ﺗﻌﯿﯿﻦ داﻧﺶ ﺑﻪ ﺻﻮرت درﺳﺖ و دﻗﯿﻖ‬ ‫اﻟﻒ(ﺣﺠﻢ زﯾﺎد داﻧﺶ‬
‫د(ﺛﺒﺎت داﻧﺶ ازﻣﺮﺣﻠﻪ داده ﺗﺎ ﻣﺮﺣﻠﻪ ﺳﺎزﻣﺎن دﻫﯽ ﺷﺪه‬ ‫ج(ﺗﻐﯿﯿﺮات ﭘﯿﻮﺳﺘﻪ داﻧﺶ‬

‫‪ -14‬ﺣﻮزه ﻣﻬﻨﺪﺳﯽ داﻧﺶ را ﻣﯽﺗﻮان ‪.....................‬ﺗﻌﺮﯾﻒ ﮐﺮد‪.‬‬

‫ب(روش ارزﯾﺎﺑﯽ ﻣﺴﺎﯾﻞ ‪ ،‬آﻣﻮﺧﺘﻦ داﻧﺶ و اﯾﺠﺎد ﯾﮏ ﺳﯿﺴﺘﻢ داﻧﺶ ﻣﺤﻮر‬ ‫اﻟﻒ(اﻟﺤﺎق داﻧﺶ ﺧﺒﺮه در ﯾﮏ ﺳﯿﺴﺘﻢ‬
‫د(ﺷﻨﺎﺧﺖ ﻣﻨﺎﺑﻊ اﺿﺎﻓﯽ داﻧﺶ‬ ‫ج(آﺷﻨﺎﯾﯽ ﺑﺎ ﺣﻮزه داﻧﺶ ﺗﺤﺖ آزﻣﺎﯾﺶ‬

‫‪ -15‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ از ﻣﺮاﺣﻞ ﻓﺮاﮔﯿﺮي داﻧﺶ ﻧﯿﺴﺖ؟‬

‫د(اﻧﺘﺨﺎب و ﮐﺎرﺑﺮد ﻓﻦ اﺳﺘﺨﺮاج‬ ‫ب(ﻧﮕﺎه ﺟﺰﺋﯽ ﺑﻪ داﻣﻨﻪ داﻧﺶ ج(ﺗﻌﺮﯾﻒ ﻣﺤﺪوده داﻧﺶ‬ ‫اﻟﻒ(ﺗﻌﯿﯿﻦ داﻣﻨﻪ داﻧﺶ‬

‫‪ -16‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(اﺳﺘﻨﺒﺎط‪ ،‬ﻣﻮﺿﻮﻋﺎت ﻣﻨﻔﺮد داﻧﺶ را ﮐﻪ ﻻزم اﺳﺖ در ﺗﻤﺎم ﻣﻮارد ﯾﮑﺴﺎن ﺳﺎزﻣﺎن دﻫﯽ ﺷﺪه ﺑﺎﺷﻨﺪ را اﺳﺘﺨﺮاج ﻣﯽﮐﻨﺪ‪.‬‬
‫ب(اﯾﻨﮑﻪ ﭼﻪ ﻣﯿﺰان ﺳﺎزﻣﺎن دﻫﯽ ﻻزم اﺳﺖ ﺑﻪ روﺷﯽ ﮐﻪ ﺑﺎﻧﮏ اﻃﻼﻋﺎت اﺟﺮا و اﺳﺘﻔﺎده ﺷﺪه ﺑﺴﺘﮕﯽ زﯾﺎدي دارد‪.‬‬
‫ج(ﭘﺲ از ﺗﻌﺮﯾﻒ ﻣﺮزﻫﺎي داﻣﻨﻪ‪ ،‬ﻧﮕﺎه ﮐﻠﯽ ﺑﻪ ﻣﻮﺿﻮع اﺻﻠﯽ ﺗﻮﺻﯿﻪ ﻣﯽﺷﻮد‪.‬‬
‫د(ﺗﻌﺮﯾﻒ ﻣﺮزﻫﺎي داﻣﻨﻪ ﺗﻀﻤﯿﻦ ﻣﯽ ﮐﻨﺪ ﻫﯿﭻ ﮔﻮﻧﻪ ﺣﺬف ﻋﻤﺪه و ﻧﺎﺧﻮاﺳﺘﻪ در ارﺗﺒﺎط ﺑﺎ ﮔﺮدآوري اﻃﻼﻋﺎت در ﻃﯽ ﻓﺮآﯾﻨﺪ اﺳﺘﺨﺮاج داﻧﺶ ﺻﻮرت ﻧﻤﯽ ﮔﯿﺮد‪.‬‬
‫‪ - 17‬ﮐﺪام ﻣﻮرد از ﻣﻨﺎﺑﻊ اﺻﻠﯽ داﻧﺶ ﻧﯿﺴﺖ ؟‬
‫د( اﻓﺮاد ﺧﺒﺮه‬ ‫ج ( ﻗﻮاﻧﯿﻦ ﻓﯿﺰﯾﮑﯽ‬ ‫ب(ﻣﺜﺎﻟﻬﺎ‬ ‫اﻟﻒ ( ﻣﻄﺎﻟﺐ ﻧﻮﺷﺘﺎري‬

‫‪ -18‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ از ارﮐﺎن داﻧﺶ ﻧﯿﺴﺖ؟‬

‫د(اﻟﮕﻮﻫﺎ‬ ‫ج(ﺗﺠﺮﺑﻪ‬ ‫ب(ﻗﻮاﻧﯿﻦ ﻋﻠﻤﯽ‬ ‫اﻟﻒ(ﻣﻄﺎﻟﺐ ﻧﻮﺷﺘﺎري‬
‫‪ -19‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬
‫اﻟﻒ(ﻗﻮﯾﺘﺮﯾﻦ ﻗﻮاﻧﯿﻦ ﺑﺎ ﻗﺎﻋﺪه ﮐﻪ ﻣﯽﺷﻨﺎﺳﯿﻢ‪ ،‬ﻗﻮاﻧﯿﻦ ﻋﻠﻤﯽ اﺳﺖ‪.‬‬
‫ب(ﻓﺮاﮔﯿﺮي داﻧﺶ در زﻣﯿﻨﻪ ﻋﻠﻤﯽ از زﻣﯿﻨﻪ ﻫﺎي دﯾﮕﺮ ﭘﯿﭽﯿﺪهﺗﺮ اﺳﺖ‪.‬‬
‫ج(در ﺣﻮزه ﻫﺎﯾﯽ ﮐﻪ ﮐﻤﺘﺮ ﺑﺎ اﺻﻮل ﻋﻠﻤﯽ ﺗﻄﺒﯿﻖ دارﻧﺪ‪ ،‬داﻧﺴﺘﻦ ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ ﮐﺴﺐ داﻧﺶ ﺿﺮوريﺗﺮ اﺳﺖ‪.‬‬
‫د(ﭘﺎﯾﮕﺎه داﻧﺶ ﺳﯿﺴﺘﻢﻫﺎي ﺧﺒﺮه ﮐﺎرﺑﺮدي‪ ،‬اﻣﺮوزه اﻏﻠﺐ ﻓﺎﻗﺪ ﻓﺮﻣﻮل ﻋﻠﻤﯽ ﺑﻮده و ﺑﯿﺸﺘﺮ ﻣﺘﮑﯽ ﺑﻪ ﺗﺠﺮﺑﻪ اﻓﺮاد ﺧﺒﺮه اﺳﺖ‪.‬‬
‫‪ -20‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ از اﻧﻮاع داﻧﺶ ﻧﯿﺴﺖ؟‬
‫ب(ﻣﻔﺎﻫﯿﻢ و رواﺑﻂ ﺑﯿﻦ آﻧﻬﺎ ﮐﻪ اﺻﻮل ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﺪ‪.‬‬ ‫اﻟﻒ(داﻧﺶ ادراﮐﯽ ﺷﺎﻣﻞ ﺣﻘﺎﯾﻖ و رواﺑﻂ ﺳﺎده‪.‬‬
‫د(داﻧﺶ اﺳﺘﺮاﺗﮋﯾﮏ ﮐﻪ داﻧﺶ روش دﺳﺘﻪ ﺑﻨﺪي ﻣﺴﺎﺋﻞ و ﻧﺤﻮه و ﭼﮕﻮﻧﮕﯽ ﺷﺮوع ﺣﻞ ﯾﮏ ﻣﺴﺌﻠﻪ اﺳﺖ‪.‬‬ ‫ج(ﻧﻈﺮﯾﻪ ﯾﺎ روﺷﻬﺎي ﺷﺨﺼﯽ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ‪.‬‬
 ‫‪ -21‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ اﺳﺖ؟‬
‫ب(ﭘﺎﯾﮕﺎه داﻧﺶِ ﺳﯿﺴﺘﻢﻫﺎي ﺧﺒﺮه ﮐﺎرﺑﺮدي اﻏﻠﺐ ﻓﺎﻗﺪ ﻓﺮﻣﻮل ﻋﻠﻤﯽ اﺳﺖ‪.‬‬ ‫اﻟﻒ(اﻏﻠﺐ ﻣﺴﺎﺋﻞ ﻣﻬﻨﺪﺳﯽ‪ ،‬ﮐﺎﻣﻼً اﮐﺘﺸﺎﻓﯽ ﻫﺴﺘﻨﺪ‪.‬‬
‫د(ﺳﻮدﻣﻨﺪي ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﮐﺎﻣﻼً ﺑﻪ داﻧﺶ ادراﮐﯽ واﺑﺴﺘﻪ اﺳﺖ‪.‬‬ ‫ج(ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻧﯿﺎز ﺑﻪ ﻧﮕﻬﺪاري داﻧﺶ ادراﮐﯽ دارﻧﺪ‪.‬‬
‫‪ -22‬ﻣﺴﺌﻠﻪ ﻧﻤﺎﯾﺶ داﻧﺶ ﺑﻪ ﮐﺪام ﻣﻮرد اﺷﺎﻫﺮ ﺷﺪه در زﯾﺮ ﻣﺮﺑﻮط ﻣﯽ ﺷﻮد‪.‬‬
‫ب(ﻣﻔﺎﻫﯿﻢ و رواﺑﻄﯽ ﮐﻪ اﺻﻮل ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﺪ‬ ‫‪(1‬اﻧﺘﺨﺎب و ﮐﺎرﺑﺮد ﻓﻦ اﺳﺘﺨﺮاج داﻧﺶ‬
‫د(ﻋﺪم ﻣﻄﺎﺑﻘﺖ ﺑﯿﻦ ﺣﺎﻓﻈﻪ ﺑﺸﺮ و ﺣﺎﻓﻈﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ‬ ‫ج(ﻗﻮاﻧﯿﻦ ﺑﺎ ﻗﺎﻋﺪه ﮐﻪ ﻣﯽﺷﻨﺎﺳﯿﻢ‬

‫‪ -23‬ﻋﻤﻠﮕﺮﻫﺎي دﺳﺘﮑﺎري ﺑﺮ روي ﭘﺎﯾﮕﺎه داﻧﺶ راﭼﻪ ﻣﯽ ﻧﺎﻣﻨﺪ‪.‬؟‬

‫د(داﻣﻨﻪ داﻧﺶ‬ ‫ج(ﻗﻮاﻧﯿﻦ ﻋﻠﻤﯽ‬ ‫اﻟﻒ(ﻣﻮﺗﻮر اﺳﺘﻨﺒﺎط ب(ﻫﻮﺷﻤﻨﺪي‬

‫‪ -24‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎرﻫﺎي ﺧﺎص و داﻧﺸﯽ ﮐﻪ در ﻗﺎﻟﺐ ﻣﻨﺎﺳﺐ ﺗﻮﺻﯿﻒ ﺷﺪهاﻧﺪ‪ ،‬ﺗﺎﺛﯿﺮ ﻣﻬﻤﯽ ﺑﺮ ﺣﻞ ﻣﺴﺎﺋﻞ دارد‪.‬‬
‫ب(ﻫﯿﭻ ﻧﻤﺎﯾﺶ ﯾﺎ ﻣﺪل اﻧﻔﺮادي ﻧﻤﯽﺗﻮاﻧﺪ ﻫﻤﻪ ﺟﻨﺒﻪﻫﺎي ﯾﮏ ﺷﺊ واﻗﻌﯽ را در ﺑﺮﮔﯿﺮد‪.‬‬
‫ج(ﯾﮏ ﻣﻮﺟﻮدﯾﺖ ﻫﻮﺷﻤﻨﺪ ﺑﺎﯾﺪ ﻃﯿﻒ ﮔﺴﺘﺮدهاي از ﻧﻤﺎﯾﺶﻫﺎ و اراﺋﻪﻫﺎ را ﺟﻬﺖ ارﺗﺒﺎط ﺑﺎ دﻧﯿﺎ ﺑﮑﺎر ﮔﯿﺮد‪.‬‬
‫د(ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ در دﻧﯿﺎي واﻗﻌﯽ ﺣﺪاﻗﻞ ﺳﻪ اراﺋﻪ ﻣﺠﺰا ﺑﺮاي ﺗﻄﺒﯿﻖ و اﻧﺘﺨﺎب از ﺑﯿﻦ ﭼﻨﺪ ﻣﮑﺎﻧﯿﺰم ﻣﺤﺎﺳﺒﻪاي داده ﺷﺪه ﻻزم اﺳﺖ‪.‬‬

‫‪ -25‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(ﻗﺎﻟﺐﻫﺎي روﯾﻪاي‪ ،‬داﻧﺶ را ﺑﻪ ﻣﺜﺎﺑﻪ ﻣﺠﻤﻮﻋﻪاي از دﺳﺘﻮراﻟﻌﻤﻞﻫﺎ ﺑﺮاي ﺣﻞ ﯾﮏ ﻣﺴﺌﻠﻪ ﻧﻤﺎﯾﺶ ﻣﯽدﻫﺪ‪.‬‬
‫ب(در ﻗﺎﻟﺐﻫﺎي روﯾﻪاي‪ ،‬از ﻧﻤﺎﯾﺶﻫﺎي اﻋﻼﻧﯽ ﮐﻪ ﺑﻪ وﺳﯿﻠﻪ ﻣﻨﻄﻖ و ﺷﺒﮑﻪﻫﺎي ﻣﻌﻨﺎﺋﯽ ﻓﺮاﻫﻢ ﺷﺪهاﻧﺪ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ‪.‬‬
‫ج(ﻗﺎﻟﺐ ﻫﺎي ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ‪ ،‬از ﻋﺒﺎرات ﻣﻮﺟﻮد در ﻣﻨﻄﻖ ﻧﻤﺎدﯾﻦ ﺑﺮاي ﻧﻤﺎﯾﺶ دادن ﭘﺎﯾﮕﺎه داﻧﺶ ﺑﻬﺮه ﻣﯽ ﮔﯿﺮد‪.‬‬
‫د(در ﻗﺎﻟﺒﻬﺎي ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ‪ ،‬ﻗﻮاﻧﯿﻦ اﺳﺘﻨﺒﺎﻃﯽ و روﯾﻪﻫﺎي اﺳﺘﺪﻻﻟﯽ اﯾﻦ ﻗﺎﻟﺐ اراﯾﻪ داﻧﺶ را ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺷﻬﻮدي ﻣﻨﺎﺳﺐ ﮐﺮده اﺳﺖ‪.‬‬

‫‪ -26‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﺒﮑﻪاي‪ ،‬داﻧﺶ را ﺑﻪ ﻋﻨﻮان ﯾﮏ ﮔﺮاف در ﻧﻈﺮ ﻣﯽ ﮔﯿﺮد‪.‬‬
‫ب(در ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﺒﮑﻪاي‪ ،‬ﮔﺮهﻫﺎي ﮔﺮاف ﻣﻮﺿﻮعﻫﺎ ﯾﺎ ﻣﻔﺎﻫﯿﻢ ﻣﻮﺟﻮد در داﻣﻨﻪ ﻣﺴﺌﻠﻪ و ﯾﺎلﻫﺎي آن رواﺑﻂ ﯾﺎ واﺑﺴﺘﮕﯽ ﺑﯿﻦ ﻣﻮﺿﻮعﻫﺎ را ﻧﺸﺎن ﻣﯽدﻫﻨﺪ‪.‬‬
‫ج(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ‪ ،‬ﺑﻪ ﺷﮑﻠﯽ ﺷﺒﮑﻪ ﻫﺎ را ﮔﺴﺘﺮش ﻣﯿﺪﻫﺪ ﺗﺎ ﺑﺘﻮاﻧﻨﺪ در ﻫﺮ ﯾﺎل ﺳﺎﺧﺘﺎر دادهاي ﭘﯿﭽﯿﺪهاي را ﺑﻪ ﻧﺎم »اﺳﻼت« را ﻧﮕﻬﺪاري ﮐﻨﺪ‪.‬‬
‫د(در ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ‪ ،‬ﻣﻘﺪاري ﮐﻪ ﺑﻪ ﻫﺮ اﺳﻼت ﻧﺴﺒﺖ داده ﻣﯿﺸﻮد ﻣﯿﺘﻮاﻧﺪ ﺷﺎﻣﻞ روﯾﻪﻫﺎﯾﯽ ﺑﺮاي اﺟﺮاي وﻇﯿﻔﻪاي ﺧﺎص ﺑﺎﺷﺪ‪.‬‬

‫‪ -27‬ﮐﺪاﻣﯿﮏ از ﻗﺎﻟﺐﻫﺎي ﻧﻤﺎﯾﺶ‪ ،‬ﺳﯿﺴﺘﻢﻫﺎي ﺧﺒﺮه ﻗﺎﻋﺪهﮔﺮا را ﺑﻨﯿﺎن ﻧﻬﺎده اﺳﺖ؟‬

‫د(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ‬ ‫ج(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﺒﮑﻪاي‬ ‫ب(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ روﯾﻪاي‬ ‫اﻟﻒ(ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ‬
‫‪ ! 28‬ﮐﺪام ﻋﺒﺎرت زﯾﺮ در ﻣﻮرد ﻗﺎﻟﺒﻬﺎ ﺻﺤﯿﺢ ﻋﻨﻮان ﻧﺸﺪه اﺳﺖ ؟‬
‫اﻟﻒ ( ﻗﺎﻟﺐ ﻫﺎ ﺷﺒﮑﻪ ﻫﺎي ﻣﻌﻨﺎﺋﯽ را از راﻫﻬﺎي ﻣﺨﺘﻠﻒ ﮔﺴﺘﺮش ﻣﯽ دﻫﻨﺪ ﻣﻬﻢ ﺗﺮﯾﻦ آﻧﻬﺎ ﺳﺎزﻣﺎن دﻫﯽ داﻧﺶ در ﺳﺎﺧﺘﺎرﻫﺎﺳﺖ و اﯾﻦ ﻣﻮﺿﻮع ﻣﻬﻤﯽ ﺑﺮاي ﭘﺎﯾﮕﺎه داﻧﺶ‬
‫اﺳﺖ ‪.‬‬
 ‫ب ( اﻟﺤﺎق روﯾﻪ اي ‪ ،‬ﺗﺎ وﻗﺘﯿﮑﻪ داﻧﺶ ﻣﻌﯿﻦ ﺑﺎ ﻧﻤﺎﯾﺶ ﻫﺎ ﺑﻪ ﺧﻮﺑﯽ وﻓﻖ داده ﻧﺸﺪه اﻧﺪ ‪ ،‬ﯾﮏ ﺧﺼﻮﺻﯿﺖ ﻣﻬﻢ وﯾﮋه از ﻗﺎﻟﺒﻬﺎ اﺳﺖ ‪.‬‬
‫ج ( ﻧﻤﺎﯾﺶ دادن داﻧﺶ ﺑﺎ ﺳﯿﺴﺘﻢ ﻗﺎﻟﺐ ‪ ،‬اﮔﺮﭼﻪ داراي اﻃﻼﻋﺎت ﻧﺎﺗﻤﺎم ﻣﯽ ﺑﺎﺷﺪ ‪ ،‬ﺣﺪاﻗﻞ ﺗﺎﺣﺪي ﺑﻪ ﻣﺎ اﺟﺎزه اﺳﺘﺪﻻل ﮐﺮدن و اﺳﺘﻨﺘﺎج ﺳﺮﯾﻊ ﺣﻘﺎﯾﻘﯽ ﮐﻪ ﺑﻪ ﻃﻮر ﺻﺮﯾﺢ‬
‫ﻣﺸﺎﻫﺪه و آﺷﮑﺎر ﻧﺸﺪه اﻧﺪ را ﻣﯽ دﻫﻨﺪ‪.‬‬
‫د ( ﯾﮑﯽ از ﻣﺸﮑﻼت ﻧﻤﺎﯾﺶ ﻗﺎﻟﺒﯽ ‪ ،‬دﺷﻮاري ﺗﻌﯿﯿﻦ اﻟﮕﻮرﯾﺘﻢ ﺧﻄﺎ ﺑﺮاي ﯾﮏ ﻗﺎﻟﺐ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪ -29‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﯾﮏ ﺑﺮﻧﺎﻣﻪ داﻧﺶﮔﺮا ﯾﺎ داﻧﺶﻣﺤﻮر اﺳﺖ ﮐﻪ راه ﺣﻞﻫﺎﯾﯽ ﺑﺮاي ﻣﺴﺎﺋﻞ ﻣﻮﺟﻮد در ﺣﻮزه ﺧﺎص و ﺑﺎ »ﮐﯿﻔﯿﺖ ﺧﺒﺮه« ﻓﺮاﻫﻢ ﻣﯽ ﮐﻨﺪ‪.‬‬
‫ب(ﻗﺎﻟﺐﻫﺎي ﻧﻤﺎﯾﺶ روﯾﻪاي ﻣﺸﺘﻤﻞ ﺑﺮ ﺟﺒﺮ ﮔﺰارهاي و ﻣﺴﻨﺪي اﺳﺖ ﮐﻪ زﺑﺎنﻫﺎي ﻧﻤﺎﯾﺶ ﺑﺮاي ‪ AI‬ﻫﺴﺘﻨﺪ‬
‫ج(از ﻧﻈﺮ ﺗﺌﻮري ﻫﺎي ارﺗﺒﺎﻃﯽ‪ ،‬ﻣﻔﻬﻮم ﻫﺮ ﺷﯽ در ذﻫﻦ ﯾﺎ ﭘﺎﯾﮕﺎه داﻧﺶ در ﺷﺒﮑﻪاي و ﺑﺎ ﭘﯿﻮﻧﺪ ﺑﺎ دﯾﮕﺮ اﺷﯿﺎء ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪.‬‬
‫د(ﺷﺒﮑﻪ ﻣﻌﻨﺎﺋﯽ‪ ،‬ﺟﺎﯾﮕﺰﯾﻨﯽ ﺑﺮاي ﻣﻨﻄﻖ ﮔﺰاره ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺷﮑﻞ و ﻓﺮم از ﻧﻤﺎﯾﺶ داﻧﺶ اﺳﺖ‪.‬‬
‫‪ ! 30‬ﮐﺪام ﻣﻮرد از ﻣﺰاﯾﺎي اراﯾﻪ ﺳﻤﺒﻮﻟﯿﮏ ﻧﯿﺴﺖ ؟‬
‫ب( آﮔﺎﻫﯽ و داﻧﺶ ﺑﺎ ﺟﻤﻼﺗﯽ ﺑﻪ زﺑﺎن رﺳﻤﯽ ﺑﯿﺎن ﻣﯽﺷﻮد‬ ‫اﻟﻒ ( ﺗﺤﻤﻞﭘﺬﯾﺮي ﺑﯿﺸﺘﺮ ﻧﺴﺒﺖ ﺑﻪ ﻧﻮﻓﻪ ﯾﺎ ﻧﻮﯾﺰدارﻧﺪ‬
‫د ( ﺧﻮاﻧﺪن اراﺋﻪ و ﻓﻬﻤﯿﺪن ﻣﻌﻨﯽ داﻧﺶ اﻣﮑﺎنﭘﺬﯾﺮ اﺳﺖ‬ ‫ج ( ﺳﺎزﻧﺪة ﺳﯿﺴﺘﻢ ﻣﯽﺗﻮاﻧﺪ ﭼﯿﺰي را ﮐﻪ ﺳﯿﺴﺘﻢ ﻣﯽداﻧﺪ ﺑﺨﻮاﻧﺪ‬

‫‪ -31‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(ﺷﺒﮑﻪﻫﺎي ﻣﻌﻨﺎﺋﯽ و ﮔﺮاﻓﻬﺎي ادراﮐﯽ‪ ،‬دو ﻧﻮع ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﺒﮑﻪ اي ﻫﺴﺘﻨﺪ‪.‬‬
‫ب(ﯾﮏ ﮔﺮاف ادراﮐﯽ‪ ،‬ﯾﮏ ﮔﺮاف ﻣﺘﻨﺎﻫﯽ‪ ،‬ﻣﺘﺼﻞ و دو ﻗﺴﻤﺘﯽ اﺳﺖ‪.‬‬
‫ج(ﺷﺒﮑﻪﻫﺎي ﻣﻌﻨﺎﺋﯽ ﻧﻤﯽﺗﻮاﻧﻨﺪ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺑﺮاي ﻣﻨﻄﻖ ﮔﺰاره ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺷﮑﻞ و ﻓﺮم از ﻧﻤﺎﯾﺶ داﻧﺶ ﺑﺎﺷﻨﺪ‪.‬‬
‫د(ﮔﺮافﻫﺎي ادراﮐﯽ از ﯾﺎلﻫﺎي ﺑﺮﭼﺴﺐ دار اﺳﺘﻔﺎده ﻧﻤﯽﮐﻨﻨﺪ‬
‫‪ ! 32‬ﻃﺒﻖ ﻧﻈﺮﯾﻪ ﻣﺎﯾﻠﻮﭘﻮﻟﺲ و ﻟﻮﺳﮏ ﮐﺪاﻣﯿﮏ از ﻗﺎﻟﺐ ﻫﺎي زﯾﺮ ﺑﺮاي اراﯾﻪ داﻧﺶ ﻣﻄﺮح ﻧﯿﺴﺘﻨﺪ‪.‬‬
‫د( ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﯽ ء ﮔﺮا‬ ‫ج( ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺷﺒﮑﻪ اي‬ ‫ب( ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ روﯾﻪ اي‬ ‫اﻟﻒ ( ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ‬

‫‪ -33‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ اﺳﺖ؟‬

‫‪(1‬ﮐﺎﻣﭙﯿﻮﺗﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﺎﻟﺐ ﻣﯽﺗﻮاﻧﺪ ﺗﻮﺟﻪ ﺧﻮد را ﻓﻘﻂ ﺑﺮ روي ﺟﻨﺒﻪﻫﺎﯾﯽ از ﻣﺴﺌﻠﻪ داده ﺷﺪه ﮐﻪ ﺑﻪ راه ﺣﻞ ﻣﺮﺑﻮط اﺳﺖ‪ ،‬ﻣﻌﻄﻮف ﮐﻨﺪ‪.‬‬
‫‪(2‬ﻫﺮﭼﻪ وﻇﺎﯾﻒ ﭘﯿﭽﯿﺪهﺗﺮ ﻣﯽﺷﻮﻧﺪ‪ ،‬ﻻزم اﺳﺖ ﮐﻪ اراﺋﻪ و ﻧﻤﺎﯾﺶ آﻧﻬﺎ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪﺗﺮ ﺑﺎﺷﺪ‪.‬‬
‫‪(3‬ﻧﻈﺮﯾﻪ ﻣﺠﻤﻮﻋﻪﻫﺎ ﭘﺎﯾﻪ و اﺳﺎس ﺧﻮب و ﻣﻨﺎﺳﺐ ﺑﺮاي درك ﺳﯿﺴﺘﻢﻫﺎي ﻗﺎﻟﺐ را ﻓﺮاﻫﻢ ﻣﯽﮐﻨﺪ‪.‬‬
‫‪(4‬ﻫﺮ ﺳﻪ ﻣﻮرد‬
‫‪ ! 34‬ﮐﺪام ﺟﻤﻠﻪ در ﺧﺼﻮص اﺳﮑﺮﯾﭙﺖ ﻫﺎ ﺻﺤﯿﺢ ﻧﯿﺴﺖ ؟‬
‫ب ( اﺳﮑﺮﯾﭙﺘﻬﺎ ﻋﻤﻮﻣﯿﺖ ﺑﯿﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﻗﺎﻟﺒﻬﺎ دارﻧﺪ‬ ‫اﻟﻒ ( اﺳﮑﺮﯾﭙﺘﻬﺎ ﺗﻮاﻧﺎﺋﯽ ﺟﻬﺖ ﭘﯿﺸﮕﻮﺋﯽ وﻗﺎﯾﻊ را دارﻧﺪ‬
‫د( در اﺳﮑﺮﯾﭙﺘﻬﺎ ﺗﻔﺴﯿﺮ ﻣﻨﺴﺠﻢ اﻧﻔﺮادي از ﻣﺠﻤﻮﻋﻪ اي از ﻣﺸﺎﻫﺪات ﺳﺎﺧﺘﻪ ﻣﯿﺸﻮد‬ ‫ج ( ﻣﻤﮑﻦ اﺳﺖ اﺳﮑﺮﭘﺘﻬﺎ ﺑﺮاي اراﺋﻪ ﮐﻠﯿﻪ اﻧﻮاع داﻧﺶ ﻣﻨﺎﺳﺐ ﻧﺒﺎﺷﺪ‬

‫‪ -35‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ ﺻﺤﯿﺢ اﺳﺖ؟‬

‫اﻟﻒ(اﺳﮑﺮﯾﭙﺖ ﻧﻮﻋﯽ اراﺋﻪ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ اﺳﺖ ﮐﻪ ﯾﮏ رﺷﺘﻪ ﺣﻮادث و وﻗﺎﯾﻊ ﮐﻠﯿﺸﻪاي از ﺣﻘﺎﯾﻖ را در ﯾﮏ ﻣﺤﺘﻮاي ﻣﺨﺼﻮص ﺗﻮﺻﯿﻒ ﻣﯽﮐﻨﺪ‪.‬‬
 ‫ب(اﺳﮑﺮﯾﭙﺖ ﺑﺮاي ﺳﺎزﻣﺎن دﻫﯽ ﺳﺎﺧﺘﺎرﻫﺎي واﺑﺴﺘﮕﯽ ﻣﻔﻬﻮﻣﯽ ﺑﻪ ﺗﻮﺻﯿﻒ وﺿﻌﯿﺘﻬﺎي ﻣﺘﻌﺎرف ﻃﺮاﺣﯽ ﺷﺪهاﻧﺪ‪.‬‬
‫ج(اﺳﮑﺮﯾﭙﺖ در ﺳﯿﺴﺘﻢﻫﺎي درك زﺑﺎنﻫﺎي ﻃﺒﯿﻌﯽ‪ ،‬ﺑﻪ ﻋﻨﻮان اﺟﺰاي ﭘﺎﯾﮕﺎه داﻧﺶ اﺳﺘﻔﺎده ﺷﺪهاﻧﺪ‪.‬‬
‫د(ﻫﺮ ﺳﻪ ﻣﻮرد‪.‬‬

‫‪ -36‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ از اﺟﺰاي اﺳﮑﺮﯾﭙﺖ ﻧﯿﺴﺖ؟‬

‫ب(اﺛﺎﺛﯿﻪ ﯾﺎ ﻫﺮ ﭼﯿﺰي ﮐﻪ ﻣﺤﺘﻮاي اﺳﮑﺮﯾﭙﺖ را درﺳﺖ ﻣﯽﮐﻨﺪ‪.‬‬ ‫اﻟﻒ(اﺳﻼت ﮐﻪ ﻣﯿﺘﻮان ﻣﻘﺪاري را ﺑﻪ آن ﻧﺴﺒﺖ داد‪.‬‬
‫د(ﺻﺤﻨﻪﻫﺎ ﮐﻪ ﻫﺮ ﮐﺪام از آﻧﻬﺎ ﯾﮏ ﺧﺼﻮﺻﯿﺖ ﻣﻮﻗﺘﯽ از اﺳﮑﺮﯾﭙﺖ را اراﺋﻪ ﻣﯽدﻫﺪ‪.‬‬ ‫ج(ﻧﻘﺶﻫﺎ ﯾﺎ اﻋﻤﺎﻟﯽ ﮐﻪ ﺷﺮﮐﺖ ﮐﻨﻨﺪﮔﺎن ﻓﺮدي آﻧﻬﺎ را اﻧﺠﺎم ﻣﯽدﻫﻨﺪ‬
‫‪ ! 37‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﺟﺰو اﺟﺰاء ﺳﯿﺴﺘﻢ ﻫﺎي ﺟﺴﺘﺠﻮ ﻧﯿﺴﺖ ؟‬
‫د( اﺳﺘﺮاﺗﮋي ﮐﻨﺘﺮل‬ ‫ج (ﻋﻤﻠﮕﺮﻫﺎ‬ ‫ب ( اﺳﺘﺪﻻل ﭘﺴﯿﻦ‬ ‫اﻟﻒ (ﭘﺎﯾﮕﺎه داده‬
‫‪ - 38‬ﺷﮑﻞ روﺑﺮو ﻧﻤﺎﯾﯽ از ﮐﺪام روش ﺟﺴﺘﺠﻮ اﺳﺖ‬
‫اﻟﻒ ( ﮐﻮرﮐﻮراﻧﻪ‬
‫ب ( ﺳﻄﺤﯽ‬
‫ج ( ﻣﯿﻦ ﻣﮑﺲ‬
‫د( ﺗﭙﻪ ﻧﻮردي‬
‫‪ - 39‬ﮐﺎراﯾﯽ ﯾﮏ ﺟﺴﺘﺠﻮ در ﭘﺎﺳﺦ ﺑﻪ ﮐﺪاﻣﯿﮏ از ﺳﻮاﻻت زﯾﺮ ارزﯾﺎﺑﯽ ﻣﯿﮕﺮدد ؟‬
‫ب( آﯾﺎ راه ﺣﻞ ﺑﺪﺳﺖ آﻣﺪه ﺑﻬﺘﺮﯾﻦ ﭘﺎﺳﺦ اﺳﺖ؟‬ ‫اﻟﻒ ( آﯾﺎ اﯾﻦ ﺟﺴﺘﺠﻮ راه ﺣﻠﯽ ﭘﯿﺪا ﻣﯽﮐﻨﺪ؟‬
‫د( ﻫﺮ ﺳﻪ ﻣﻮرد‬ ‫چ(ﻫﺰﯾﻨﻪ ﺟﺴﺘﺠﻮ از ﻧﻈﺮ زﻣﺎﻧﯽ و ﺣﺎﻓﻈﻪ ﻣﻮرد ﻧﯿﺎز ﺑﺮاي ﯾﺎﻓﺘﻦ راه ﺣﻞ ﭼﯿﺴﺖ؟‬
‫‪! 40‬ﭘﺎﺳﺦ ﺑﻪ ﺳﻮال "در ﺻﻮرت وﺟﻮد راه ﺣﻞ آﯾﺎ اﺳﺘﺮاﺗﮋي ﻗﺎدر ﺑﻪ ﯾﺎﻓﺘﻦ آن اﺳﺖ ؟" ﮐﺪام ﻣﻌﯿﺎر در اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮ را ﺗﻌﯿﯿﻦ ﻣﯿﮑﻨﺪ‬
‫د(ﭘﯿﭽﯿﺪﮔﯽ ﻓﻀﺎ‬ ‫ج( ﭘﯿﭽﯿﺪﮔﯽ زﻣﺎﻧﯽ‬ ‫ب( ﮐﺎﻣﻞ ﺑﻮدن‬ ‫ااﻟﻒ ( ﺑﻬﯿﻨﻪ ﺑﻮدن‬
‫‪ -41‬ﭘﺎﺳﺦ ﺑﻪ ﺳﻮال "در ﺻﻮرﺗﯿﮑﻪ راه ﺣﻠﻬﺎي ﻣﺘﻔﺎوﺗﯽ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪ ،‬آﯾﺎ اﺳﺘﺮاﺗﮋي راه ﺣﻞ ﺑﺎﮐﯿﻔﯿﺖ ﺑﺎﻻ را ﻣﯽ ﯾﺎﺑﺪ ؟" ﮐﺪام ﻣﻌﯿﺎر در اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮ را ﺗﻌﯿﯿﻦ‬
‫ﻣﯿﮑﻨﺪ‬
‫د(ﭘﯿﭽﯿﺪﮔﯽ ﻓﻀﺎ‬ ‫ج( ﭘﯿﭽﯿﺪﮔﯽ زﻣﺎﻧﯽ‬ ‫ب( ﮐﺎﻣﻞ ﺑﻮدن‬ ‫ااﻟﻒ ( ﺑﻬﯿﻨﻪ ﺑﻮدن‬
‫‪ -42‬ﭘﺎﺳﺦ ﺑﻪ ﺳﻮال "ﭼﻪ ﻣﯿﺰان ﺣﺎﻓﻈﻪ ﺑﺮاي ﺟﺴﺘﺠﻮ ﺻﺮف ﺧﻮاﻫﺪ ﺷﺪ " ﮐﺪام ﻣﻌﯿﺎر در اﺳﺘﺮاﺗﮋي ﺟﺴﺘﺠﻮ را ﺗﻌﯿﯿﻦ ﻣﯿﮑﻨﺪ‬
‫د(ﭘﯿﭽﯿﺪﮔﯽ ﻓﻀﺎ‬ ‫ج( ﭘﯿﭽﯿﺪﮔﯽ زﻣﺎﻧﯽ‬ ‫ب( ﮐﺎﻣﻞ ﺑﻮدن‬ ‫ااﻟﻒ ( ﺑﻬﯿﻨﻪ ﺑﻮدن‬
‫‪ - 43‬درﮐﺪام ﺟﺴﺘﺠﻮ اﺳﺖ ﮐﻪ اﺳﺘﺮاﺗﮋي ﻫﯿﭻ اﻃﻼﻋﯽ از ﺗﻌﺪاد ﻣﺮاﺣﻞ ﯾﺎ ﻫﺰﯾﻨﻪ ﺟﺴﺘﺠﻮ ﻧﺪارد و ﺗﻨﻬﺎ ﻗﺎدر ﺑﻪ ﺗﺸﺨﯿﺺ دادن ﺣﺎﻟﺖ ﻫﺪف از ﻏﯿﺮ از ﺣﺎﻟﺖ ﻫﺪف اﺳﺖ‬
‫د( ﺣﺮﯾﺼﺎﻧﻪ‬ ‫ج( َ*‪A‬‬ ‫ب(اﻟﻔﺎ‪ -‬ﺑﺘﺎ‬ ‫اﻟﻒ ( ﮐﻮرﮐﻮراﻧﻪ‬

‫‪ ! 44‬ﮐﺪام ﻣﻄﻠﺐ در ﺧﺼﻮص ﺟﺴﺘﺠﻮي ﮐﻮرﮐﻮراﻧﻪ ﺻﺤﯿﺢ ﻧﯿﺴﺖ‬

‫ب ( ﺑﻬﯿﻨﻪ اﺳﺖ‬ ‫اﻟﻒ ( ﮐﺎﻣﻞ اﺳﺖ‬
‫د( ﺑﺮرﺳﯽ آن ﻓﻘﻂ ارزش ﺗﺌﻮرﯾﮏ دارد‬ ‫ج( ﻣﻨﺎﺑﻊ زﯾﺎدي ﻣﺼﺮف ﻣﯿﮑﻨﺪ‬
‫‪ ! 45‬ﮐﺪاﻣﯿﮏ از روش ﻫﺎي ﺟﺴﺘﺠﻮي زﯾﺮ ﺑﯿﺸﺘﺮ در ﺑﺎزي ﻫﺎ ﺑﮑﺎر ﻣﯿﺮود‬
‫د(ﺣﺮﯾﺼﺎﻧﻪ‬ ‫ج( ﺗﭙﻪ ﻧﻮردي‬ ‫ب( ﻣﯿﻦ ﻣﮑﺲ‬ ‫اﻟﻒ ( ﺳﻄﺤﯽ‬
‫‪ ! 46‬ﮐﺪام ﺟﻤﻠﻪ در ﺧﺼﻮص ﺟﺴﻨﺠﻮي ﺣﺮﯾﺼﺎﻧﻪ ﺻﺤﯿﺢ اﺳﺖ ؟‬
‫اﻟﻒ( ﻣﺎﻧﻨﺪ ﺟﺴﺘﺠﻮي ﻋﻤﻘﯽ اﺳﺖ‪ ،‬اﻣﺎ زﻣﺎﻧﯽ ﮐﻪ در ﭘﯿﻤﻮدن ﯾﮏ ﻣﺴﯿﺮ ﺑﻪ ﺑﻦﺑﺴﺖ ﻣﯽرﺳﺪ‪ ،‬ﺑﺮﻣﯽﮔﺮدد‪.‬‬
 ‫ب( اﯾﻦ ﺟﺴﺘﺠﻮ ﺑﻬﯿﻨﻪ و ﮐﺎﻣﻞ ﻧﯿﺴﺖ‪.‬‬
‫ج( ﺟﺴﺘﺠﻮي ﺣﺮﯾﺼﺎﻧﻪ ﺗﻤﺎم ﮔﺮهﻫﺎ را در ﺣﺎﻓﻈﻪ ﻧﮕﻪ ﻣﯽدارد‪ ،‬ﺑﻨﺎﺑﺮاﯾﻦ ﭘﯿﭽﯿﺪﮔﯽ ﻓﻀﺎي آن ﻣﺸﺎﺑﻪ ﭘﯿﭽﯿﺪﮔﯽ زﻣﺎﻧﯽ آن اﺳﺖ‪.‬‬
‫د( ﻫﺮ ﺳﻪ ﻣﻮرد‬

‫‪ ! 47‬ﮐﺪام ﺟﻤﻠﻪ در ﺧﺼﻮص ﺟﺴﺘﺠﻮﻫﺎ ﺻﺤﯿﺢ ﻧﯿﺴﺖ ؟‬

‫اﻟﻒ ( در ﺟﺴﺘﺠﻮي ﺣﺮﯾﺼﺎﻧﻪ ﻫﺰﯾﻨﻪ رﺳﯿﺪن ﺑﻪ ﻫﺪف ﺑﺎ اﺳﺘﻔﺎده ازﺗﺎﺑﻊ ﮐﺸﻒ ﮐﻨﻨﺪه ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ‪.‬‬
‫ب( ﺟﺴﺘﺠﻮي ﺣﺮﯾﺼﺎﻧﻪ ﻣﯿﺘﻮاﻧﺪ زﻣﺎن ﺟﺴﺘﺠﻮ را ﮐﺎﻫﺶ دﻫﺪ اﻣﺎ ﻧﻪ ﮐﺎﻣﻞ اﺳﺖ ﻧﻪ ﺑﻬﯿﻨﻪ‪.‬‬
‫ج (در ﺟﺴﺘﺠﻮ ﺑﺎ ﻫﺰﯾﻨﻪ ﯾﮑﺴﺎن ﻫﺰﯾﻨﻪ ﻣﺴﯿﺮ ﺣﺪاﻗﻞ ﺑﻮده و ﻫﻢ ﺑﻬﯿﻨﻪ ﻫﺴﺖ ﻫﻢ ﮐﺎﻣﻞ ‪.‬‬
‫د ( ﺟﺴﺘﺠﻮي *‪ A‬از ﺗﺮﮐﯿﺐ ﺟﺴﺘﺠﻮي ﺣﺮﯾﺼﺎﻧﻪ و ﺗﭙﻪ ﻧﻮردي ﺑﻮﺟﻮد آﻣﺪه اﺳﺖ‬
‫‪ ! 48‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ از اﻧﻮاع ﮔﺮاﻣﺮﻣﺤﺼﻮب ﻣﯿﺸﻮﻧﺪ؟‬
‫ج(ﻣﺴﺘﻘﻞ از ﻣﺘﻦ )‪ (context free‬د(ﻫﺮ ﺳﻪ‬ ‫ب(ﮔﺮاﻣﺮ ﺑﺎ ﻗﺎﻋﺪه )‪(regular‬‬ ‫اﻟﻒ ( ﮔﺮاﻣﺮ ﻧﺎﻣﺤﺪود )‪(unrestricted‬‬
‫‪ ! 49‬ﮐﺪام ﺗﻮﺿﯿﺢ در ﺧﺼﻮص ﭘﺎرﺳﺮ ﺻﺤﯿﺢ اﺳﺖ‬
‫اﻟﻒ ( ﭘﺎرﺳﺮ ﯾﮏ اﻟﮕﻮرﯾﺘﻢ ﺑﺮاي ﺗﺤﻠﯿﻞ ﯾﮏ ﺟﻤﻠﻪ ﺑﺎ ﮔﺮاﻣﺮ ﻣﻌﻠﻮم اﺳﺖ‬
‫ب ( ﭘﺎرﺳﺮ ﯾﮏ ﺳﺎﺧﺘﺎر ﺗﻮﺻﯿﻔﯽ ﺑﺮاي ﺟﻤﻼت ﺻﺤﯿﺢ ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ‬
‫ج (در ﭘﺎرﺳﺮ ﭘﺬﯾﺮﻧﺪه در ﭘﺎﺳﺦ ﺑﻪ ﺗﺤﻠﯿﻞ ﯾﮏ ﺟﻤﻠﻪ ﺑﺎ ﮔﺮاﻣﺮ‪ ,‬ﻓﻘﻂ ﻧﺘﯿﺠﻪ آري ﯾﺎ ﻧﻪ ﺑﺎزﮔﺮداﻧﻨﺪه ﻣﯿﺸﻮد‬
‫د ( ﻫﺮ ﺳﻪ‬
‫‪ ! 50‬در ﻣﻮرد ﺣﻮزه ﮐﺎرﺑﺮدﻫﺎي ﭘﺮدازش ﺳﯿﮕﻨﺎل ﮐﺪام ﺟﻤﻠﻪ ﺻﺤﯿﺢ ﻧﯿﺴﺖ ؟‬
‫اﻟﻒ ( ﻓﻬﻢ ‪ ,‬ﺗﺸﺨﯿﺺ و ﺷﻨﺎﺳﺎﯾﯽ ﮐﻼم از ﮐﺎرﺑﺮدﻫﺎي ﻣﻬﻢ ﭘﺮدازش ﺳﯿﮕﻨﺎل اﺳﺖ‬
‫ب ( ﺗﺸﺨﯿﺺ ﮐﻼم ﻋﻤﻞ ﻧﮕﺎﺷﺖ از ﺳﯿﮕﻨﺎﻟﻬﺎي ﺻﻮﺗﯽ دﯾﺠﯿﺘﺎﻟﯽ ﺷﺪه ﺑﻪ رﺷﺘﻪ اي از ﮐﻠﻤﺎت ﻣﯽ ﺑﺎﺷﺪ‬
‫ج ( ﻫﻤﻪ زﺑﺎﻧﻬﺎي ﺑﺸﺮي ‪ ,‬ﺗﺮﮐﯿﺒﯽ از ‪ 40‬ﺗﺎ ‪ 50‬ﺻﻮت ﻣﺘﻤﺎﯾﺰ ﻣﯽ ﺑﺎﺷﻨﺪ ﮐﻪ ‪ phone‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮﻧﺪ‬
‫د( ﺑﺮاي ﺗﺸﺨﯿﺺ ﮐﻼم اﺑﺘﺪا ﺑﺎﯾﺪ آﻧﺮا ﻓﻬﻤﯿﺪ ﺳﭙﺲ از ﯾﮏ ﺑﺎﻧﮏ اﻃﻼﻋﺎت ﻣﻔﺎﻫﯿﻢ را اﺳﺘﺨﺮاج ﮐﻨﯿﻢ‬
‫‪ - 51‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ در ﻣﻮرد ‪ PROLOG‬ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬
‫اﻟﻒ(ﻋﺒﺎرت )‪ “C”(X,Terminal,Y‬ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ﺗﺮﻣﯿﻨﺎل ﻫﺪ ﯾﺎ ﺳﺮ ‪ ,X‬و دﻧﺒﺎﻟﻪ آن ‪ Y‬اﺳﺖ‪.‬‬
‫ب(ﻋﺒﺎرت )‪ “C”(X,Terminal,Y‬ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ‪ X‬ﻫﺪ ﯾﺎ ﺳﺮ ﺗﺮﻣﯿﻨﺎل‪ ,‬و دﻧﺒﺎﻟﻪ آن ‪ Y‬اﺳﺖ‪.‬‬
‫ج(ﻋﺪد ‪ +123‬ﺑﻪ ﺻﻮرت ﻟﯿﺴﺖ ]‪ [+,1,2,3‬ﺗﺒﺪﯾﻞ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫د(ﻋﺪد ‪ 1.23‬ﺑﻪ ﺻﻮرت ﻟﯿﺴﺖ ]‪ [1,”.”,2,3‬ﺗﺒﺪﯾﻞ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫‪ -52‬ﮐﺪاﻣﯿﮏ از ﮔﺰﯾﻨﻪﻫﺎي زﯾﺮ در ﻣﻮرد اﻟﯿﺰا ﺻﺤﯿﺢ ﻧﯿﺴﺖ؟‬

‫اﻟﻒ(اﻟﯿﺰا ﺗﻼﺷﯽ اﺳﺖ ﺑﺮاي ﺑﺎزي ﮐﺮدن ﻧﻘﺶ ﯾﮏ رواﻧﭙﺰﺷﮏ‪.‬‬
‫ب(اﻟﯿﺰا ﺗﻨﻬﺎ ﺑﺎ ﻋﻠﻢ رواﻧﭙﺰﺷﮑﯽ ﮐﺎر ﻣﯽﮐﻨﺪ‪.‬‬
‫ج(اﻟﯿﺰا ﻟﯿﺴﺘﯽ از ﻗﺎﻟﺐﻫﺎ ﯾﺎ اﻟﮕﻮﻫﺎ را ﻧﮕﻬﺪاري ﻣﯽﮐﻨﺪ‪.‬‬
‫د(اﻟﯿﺰا ﺳﻌﯽ ﻣﯽﮐﻨﺪ ﺳﻮالﻫﺎي ورودي را ﺑﺎ ﻟﯿﺴﺘﯽ از ﮐﻠﻤﺎت ﮐﻠﯿﺪي ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﯾﺎ ﻣﻨﻈﻢ ﺗﻄﺒﯿﻖ دﻫﺪ‪.‬‬

‫‪ -53‬در اﻟﯿﺰا ﺗﮑﻨﯿﮏ ‪ hashing‬ﺑﺎ ﮐﺪام ﻫﺪف ﺑﻪ ﮐﺎر ﺑﺮده ﻣﯽﺷﻮد؟‬

 ‫ب(‪ Fix‬و ‪grammar‬‬ ‫اﻟﻒ(ﺑﺎزﯾﺎﺑﯽ ﺳﺮﯾﻊ و ﺗﻄﺒﯿﻖ اﻟﮕﻮﻫﺎ‬
‫د((ﻧﮕﻬﺪاري ﺗﺎرﯾﺨﭽﻪ ﻣﺤﺪود ﺷﺪه‬ ‫ج(اﻧﺘﺨﺎب ﺗﺼﺎدﻓﯽ از ﯾﮑﯽ از ﮐﻠﻤﺎت ﮐﻠﯿﺪي‬
‫‪ ! 54‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﺟﺰو ﻋﻮاﻣﻞ ﻣﻮﺛﺮ در ﺣﻞ ﮐﺎرآﻣﺪ ﻣﺴﺌﻠﻪ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻧﯿﺴﺖ ؟‬
‫ب( ﺣﺬف ﺳﺮﯾﻊ دﯾﺪﮔﺎه ﻫﺎي ﻏﯿﺮ ﺛﻤﺮ ﺑﺨﺶ‬ ‫اﻟﻒ ( داﻧﺶ ﻗﺎﺑﻞ اﺟﺮا ‪ ,‬ﺻﺤﯿﺢ و ﻗﺎﺑﻞ ﺗﻔﮑﯿﮏ و ﺗﻤﺎﯾﺰ‪.‬‬
‫د( ﺗﻘﺴﯿﻢ راه ﺣﻞ ﻫﺎ ﺑﻪ ﺳﻄﻮح ﻣﺘﻔﺎوﺗﯽ از ﺗﺠﺮد‬ ‫ج ( ﻣﻨﺎﺑﻊ داﻧﺶ ﻏﯿﺮ ﻣﺸﺘﺮك‬

‫‪-55‬ﻗﺎﺑﻠﯿﺖ اداره ﮐﺮدن داده ﻫﺎي ﮔﻢ ﺷﺪه ﯾﺎ ﻏﯿﺮ ﻗﻄﻌﯽ در ﮐﺪام ﻧﻮع ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﺻﻮرت ﻣﯽ ﮔﯿﺮد؟‬
‫ج( ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ روﯾﻪ اي د( ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﭼﻨﺪ ﻻﯾﻪ‬ ‫ب(ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﺷﯽ ﮔﺮا‬ ‫اﻟﻒ(ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ‬
‫‪-56‬ﮐﺪاﻣﯿﮏ از اﺟﺰاء اﺻﻠﯽ ﺳﯿﺴﺘﻢ ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ ﻧﯿﺴﺖ وﻟﯽ ﺟﺰء ﺳﯿﺴﺘﻢ روﯾﻪ اي ﻣﯽ ﺑﺎﺷﺪ؟‬
‫د( داده‬ ‫ب( ﮐﻨﺘﺮل ج( اﻟﮕﻮرﯾﺘﻢ‬ ‫اﻟﻒ(ﻣﺴﺌﻠﻪ‬
‫‪- 57‬ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﭼﮕﻮﻧﻪ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ؟‬
‫ب(ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري روﻧﺪ ﮐﻨﺘﺮل داده ﻫﺎ‬ ‫اﻟﻒ(ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري اﻟﮕﻮرﯾﺘﻤﻬﺎ‬
‫د( ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري ﺳﻤﺒﻮﻟﻬﺎ‬ ‫ج( ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري داده ﻫﺎ‬

‫‪-58‬ﻣﻨﺎﺑﻊ داﻧﺶ ﺧﺼﻮﺻﯽ ﮐﺪام اﻧﺪ؟‬

‫د(روزﻧﺎﻣﻪ ﻫﺎ‬ ‫ج(ﻣﻘﺎﻻت ﺗﺤﻘﯿﻘﯽ‬ ‫ب(ﻣﺘﺨﺼﺼﺎن‬ ‫اﻟﻒ(ﮐﺘﺎﺑﻬﺎ‬

‫‪ -59‬ﮐﺪاﻣﯿﮏ از ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮ ﯾﮏ راه ﺣﻞ ﮐﺎرآﻣﺪ ﻧﻤﯽ ﺑﺎﺷﻨﺪ؟‬

‫ب(ﺟﻤﻊ آوري ﺳﺮﯾﻊ دﯾﺪﮔﺎه ﻫﺎي ﺛﻤﺮ ﺑﺨﺶ‬ ‫اﻟﻒ(داﻧﺶ ﻗﺎﺑﻞ اﺟﺮا ‪ ,‬ﺻﺤﯿﺢ و ﻗﺎﺑﻞ ﺗﻔﮑﯿﮏ و ﺗﻤﺎﯾﺰ‬
‫د(ﺗﻘﺴﯿﻢ راه ﺣﻞ ﻫﺎ ﺑﻪ ﺳﻄﻮح ﻣﺘﻔﺎوﺗﯽ از ﺗﺠﺮد‬ ‫ج(ﻣﻨﺎﺑﻊ داﻧﺶ ﻣﻀﺎﻋﻒ ﻣﺸﺘﺮك‬
‫‪-60‬ﮐﺪام ﻣﻮرد زﯾﺮ از ﻣﺸﮑﻼت اﺳﺎﺳﯽ در رﻫﯿﺎﻓﺖ ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ ﻧﯿﺴﺖ؟‬
‫ب(وﺟﻮد روﯾﻪ ﻫﺎي ﭘﯿﭽﯿﺪه ﺟﻬﺖ ﺣﺬف اﺣﺘﻤﺎﻻت‬ ‫اﻟﻒ(داﻧﺶ ﺣﺠﯿﻢ و ﻏﯿﺮ ﻗﺎﺑﻞ ﭘﺮدازش‬
‫د(وﺟﻮد اﻣﮑﺎن ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺮاي ارزﯾﺎﺑﯽ ﮐﺮدن‬ ‫ج(ﻣﺴﺎﺋﻠﯽ ﮐﻪ ﺑﻪ ﺻﻮرت ﭘﻮﯾﺎ ﺗﻐﯿﯿﺮ ﻣﯽ ﮐﻨﻨﺪ‬

‫‪-61‬ﮐﺪاﻣﯿﮏ از اﺟﺰاي ﯾﮏ ﺣﻞ ﮐﻨﻨﺪه ﻣﺴﺎﻟﻪ اﯾﺪه آل ﻧﯿﺴﺖ؟‬

‫ب( داﻧﺶ ﺑﺮاي ارزﯾﺎﺑﯽ راه ﺣﻞ ﻫﺎي ﮐﻠﯽ‬ ‫اﻟﻒ( داﻧﺶ ﺑﺮاي ﭼﮏ ﮐﺮدن ﺛﺒﺎت ﯾﮏ راه ﺣﻞ ﭘﺪﯾﺪار ﺷﺪه‬
‫د( داﻧﺶ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﯾﺰي اﺳﺘﺮاﺗﮋي راه ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻌﺪي‬ ‫ج( ﭘﺮدازﻧﺪه زﺑﺎن ﺑﺮاي ﻣﮑﺎﻟﻤﺎت ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺴﺎﺋﻞ‬

‫‪ -62‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﺟﺰو اﯾﺪه ﻫﺎي اﺳﺎﺳﯽ در ﺣﻞ ﻣﺴﺎﯾﻞ ﻫﻮﺷﻤﻨﺪ ﻧﯿﺴﺖ؟‬
‫ب( ﺳﺎﺧﺖ راه ﺣﻠﻬﺎي ﮐﺎرآﻣﺪ ﺑﺎ اﻧﺘﺨﺎﺑﯽ از ﻓﻀﺎي ﭘﯿﺸﻨﻬﺎدات ﻣﻤﮑﻦ‬ ‫اﻟﻒ(ﺳﺎﺧﺖ راه ﺣﻠﻬﺎ ﺑﺼﻮرت ﻣﺮﺣﻠﻪ اي و ﭘﯽ در ﭘﯽ‬
‫د(ﻫﺮس ﮐﺮدن راه ﺣﻞ ﺗﺎ رﺳﯿﺪن ﺑﻪ ﺑﻬﺘﺮﯾﻦ راه ﺣﻞ‬ ‫ج( ﺷﻨﺎﺳﺎﯾﯽ راه ﺣﻞ ﻫﺎي ﻣﻔﯿﺪ و ﺳﭙﺲ ﮐﺎوش ﺑﯿﺸﺘﺮ در آﻧﻬﺎ‬

‫‪-63‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﺑﯿﺸﺘﺮ در ﺳﯿﺴﺘﻤﻬﺎي ﭘﺮدازش داده دﯾﺪه ﻣﯽ ﺷﻮد ﺗﺎ در ﺳﯿﺴﺘﻤﻬﺎي ﭘﺮدازش داﻧﺶ؟‬
‫د(ﮐﻨﺘﺮل ﮔﺴﺘﺮده و ﻣﻘﺪار ﮐﻢ داده‬ ‫ج( ﭘﺮدازش ﻫﺎي اﺳﺘﻨﺘﺎﺟﯽ‬ ‫ب( ﭘﺮدازش ﺗﮑﺮاري‬ ‫اﻟﻒ(ﮐﺸﻒ ﮐﻨﻨﺪﮔﯽ‬
 ‫‪-64‬ﮐﺪاﻣﯿﮏ از ﺧﺼﻮﺻﯿﺎت اوﻟﯿﻪ ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﻧﯿﺴﺖ؟‬
‫د(اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻤﻬﺎي ﭘﯿﭽﯿﺪه‬ ‫ج( اﺳﺘﻔﺎده از ﻗﻮاﻧﯿﻦ ﭘﯿﭽﯿﺪه‬ ‫ب(اﺟﺮاي اﺳﺘﺪﻻل ﺳﻤﺒﻮﻟﯿﮏ‬ ‫اﻟﻒ( اﺳﺘﻔﺎده از اﻓﺮاد ﻣﺘﺨﺼﺺ‬
‫‪ -65‬ﮐﺪام ﯾﮏ از ﻣﻮارد زﯾﺮ از ﺿﺮورﯾﺎت ﯾﮏ ﺣﻞ ﮐﻨﻨﺪه ﻣﺴﺌﻠﻪ اﯾﺪه آل ﻧﯿﺴﺖ؟‬
‫ب( داﻧﺶ ﺑﺮاي ﯾﺎﻓﺘﻦ راه ﺣﻞ ﻫﺎي ﻧﺎﭘﺎﯾﺪار‬ ‫اﻟﻒ ( داﻧﺶ در ﻣﻮرد ﯾﮏ ﺣﻮزه ﮐﻪ ﺷﺎﻣﻞ ﺣﻘﺎﯾﻖ ‪ ,‬ﮐﺸﻒ ﮐﻨﻨﺪﮔﯽ و ﻋﻘﺎﯾﺪ اﺳﺖ‬
‫د( داﻧﺶ ﺑﺮاي ارزﯾﺎﺑﯽ راه ﺣﻞ ﻫﺎي ﺟﺰﺋﯽ‬ ‫ج( داﻧﺶ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﯾﺰي اﺳﺘﺮاﺗﮋي راه ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻌﺪي‬
‫‪ ! 65‬ﮐﺪاﻣﯿﮏ از ﻣﻮارد زﯾﺮ ﺟﺰو ﻣﺮاﺣﻞ اﮐﺘﺴﺎب داﻧﺶ ﻧﯿﺴﺖ ؟‬
‫د(رﺳﻤﯽ ﺳﺎزي‬ ‫ج ( ادراك‬ ‫ب ( ﺷﻨﺎﺳﺎﯾﯽ اﻫﺪاف‬ ‫اﻟﻒ (ﺷﻨﺎﺳﺎﯾﯽ ذي ﻧﻔﻌﺎن‬
‫‪ ! 66‬ﮐﺪاﻣﯿﮏ از اﻣﮑﺎﻧﺎت زﯾﺮ ﺗﻮﺳﻂ ﭘﻮﺳﺘﻪ ﻫﺎ ﯾﺎ ﺷﻞ ﻫﺎ ﭘﯿﺎده ﺳﺎزي ﻧﻤﯿﺸﻮد؟‬
‫ب ( ﯾﮏ وﯾﺮاﺳﺘﺎر ﭘﺎﯾﮕﺎه داﻧﺶ‬ ‫اﻟﻒ ( زﺑﺎن ﺑﺎزﻧﻤﺎﯾﯽ داﻧﺶ‬
‫د ( ﯾﮏ ﺑﺎﻧﮏ اﻃﻼﻋﺎﺗﯽ دﯾﻨﺎﻣﯿﮏ‬ ‫ج ( اﻣﮑﺎﻧﺎت ردﯾﺎﺑﯽ و اﺷﮑﺎﻟﺰداﯾﯽ‬
‫‪ ! 67‬ﮐﺪام ﺟﻤﻠﻪ در ﺧﺼﻮص ﻋﺎﻣﻠﻬﺎ ﺻﺤﯿﺢ اﺳﺖ ؟‬
‫ب( ﻋﺎﻣﻠﻬﺎ اﺑﺰار ﺗﻮﺳﻌﻪ ﻫﻤﻪ ﺳﯿﺴﺘﻤﻬﺎ ﭼﻪ ﻫﻮﺷﻤﻨﺪ و ﭼﻪ ﻏﯿﺮ ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ‬ ‫اﻟﻒ ( ﻋﺎﻣﻠﻬﺎ ﻧﺮم اﻓﺰارﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در زﻣﯿﻨﻪ ﺧﺎص ﻣﻬﺎرت دارﻧﺪ‬
‫د( ﻋﺎﻣﻠﻬﺎ داﻧﺶ اراﯾﻪ ﻋﻤﻠﯿﺎت ﺻﺤﯿﺢ ﻫﺴﺘﻨﺪ‬ ‫ج ( ﻋﺎﻣﻠﻬﺎ اﺑﺰارﻫﺎي ورودي و ﺧﺮوﺟﯽ ﺳﯿﺴﺘﻤﻬﺎي ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ‬

‫‪ ! 68‬ﮐﺪام ﻋﺒﺎرت ﺟﺰوه ﻣﺴﺎﺋﻞ ﺟﺪي در ﺑﺎزﯾﺎﺑﯽ‪ ،‬اداره ﮐﺮدن و اﺳﺘﻔﺎده ﻣﺠﺪد از اﻃﻼﻋﺎت ذﺧﯿﺮه ﺷﺪه در وب ﻧﯿﺴﺖ‬
‫ب( اﻃﻼﻋﺎت ﺑﮑﺎر ﮔﺮﻓﺘﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﮐﺘﻬﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﻌﺪ از ﻣﺪﺗﯽ ﺗﻐﯿﯿﺮ ﮐﻨﺪ‪.‬‬ ‫اﻟﻒ( اﻣﻨﯿﺖ دﺳﺘﺮﺳﯽ ﺑﻪ اﻃﻼﻋﺎت در وب ﻫﻤﯿﺸﻪ ﺑﺮﻗﺮار ﻧﯿﺴﺖ‬
‫د( ﺧﺮﯾﺪﻫﺎي ارزان اراﺋﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﮐﺘﻬﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﻌﺪ از ﻣﺪﺗﯽ ﺗﻐﯿﯿﺮ ﮐﺮده ﺑﺎﺷﺪ‪.‬‬ ‫ج( دﺳﺘﺮﺳﯽ ﺑﻪ ﻣﻨﺎﺑﻊ اﻃﻼﻋﺎت ﻫﻤﯿﺸﻪ اﻣﮑﺎﻧﭙﺬﯾﺮ ﻧﯿﺴﺖ‪.‬‬
‫‪ ! 19‬ﮐﺪام ﺟﻤﻠﻪ در ﺧﺼﻮص ﻋﺎﻣﻠﻬﺎ ﺻﺤﯿﺢ اﺳﺖ ؟‬
‫ب( ﻋﺎﻣﻠﻬﺎ اﺑﺰار ﺗﻮﺳﻌﻪ ﻫﻤﻪ ﺳﯿﺴﺘﻤﻬﺎ ﭼﻪ ﻫﻮﺷﻤﻨﺪ و ﭼﻪ ﻏﯿﺮ ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ‬
‫ج ( ﻋﺎﻣﻠﻬﺎ اﺑﺰارﻫﺎي ورودي و ﺧﺮوﺟﯽ ﺳﯿﺴﺘﻤﻬﺎي ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ‬
‫*اﻟﻒ ( ﻋﺎﻣﻠﻬﺎ ﻧﺮم اﻓﺰارﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در زﻣﯿﻨﻪ ﺧﺎص ﻣﻬﺎرت دارﻧﺪ‬
‫د( ﻋﺎﻣﻠﻬﺎ داﻧﺶ اراﯾﻪ ﻋﻤﻠﯿﺎت ﺻﺤﯿﺢ ﻫﺴﺘﻨﺪ‬
‫ﺗﺸﺮﯾﺤﯽ‬
‫‪ - 1‬ﭘﻨﺞ ﻓﻌﺎﻟﯿﺘﯽ را ﻧﯿﺎزﻣﻨﺪ ﻫﻮﺷﻤﻨﺪي اﺳﺖ ﻧﺎم ﺑﺒﺮﯾﺪ‬
‫‪ -5‬اﺳﺘﺪﻻل‬ ‫‪ -4‬اﺛﺒﺎت ﻗﻀﯿﻪ رﯾﺎﺿﯽ‬ ‫‪ -3‬ﺣﺮﮐﺖ در ﯾﮏ ﻓﻀﺎي ﭘﺮ از ﻣﺎﻧﻊ دﯾﻨﺎﻣﯿﮑﯽ‬ ‫‪ -2‬ﺗﺸﺨﯿﺺ اﻟﮕﻮ‬ ‫‪ -1‬ﺗﻮﻟﯿﺪ و درك ﮔﻔﺘﺎر‬
‫‪ - 2‬ﻣﺰاﯾﺎي اراﺋﻪ ﺳﻤﺒﻠﯿﮏ ﭼﯿﺴﺖ؟‬
‫‪ -2‬آﮔﺎﻫﯽ و داﻧﺶ ﺑﺎ ﺟﻤﻼﺗﯽ ﺑﻪ زﺑﺎن رﺳﻤﯽ اراﺋﻪ ﺷﺪه اﺳﺖ‪.‬‬ ‫‪ -1‬ﺳﺎزﻧﺪه ﺳﯿﺴﺘﻢ ﻣﯿﺘﻮاﻧﺪ ﭼﯿﺰي را ﮐﻪ ﺳﯿﺴﺘﻢ ﻣﯿﺪاﻧﺪ ﺑﺨﻮاﻧﺪ‪.‬‬
‫‪ -3‬ﺧﻮاﻧﺪن اراﺋﻪ و ﻓﻬﻤﯿﺪن ﻣﻌﻨﯽ داﻧﺶ اﻣﮑﺎن ﭘﺬﯾﺮ اﺳﺖ‪.‬‬
‫‪ - 3‬ﺗﺴﺖ ﺗﻮرﯾﻨﮓ را ﺗﻮﺿﯿﺢ دﻫﯿﺪ‪.‬‬
‫اﯾﻦ ﺗﺴﺖ ﮐﻪ ﺗﻮرﯾﻨﮓ آﻧﺮا ﺑﺎزي ﺗﻘﻠﯿﺪ ﻧﺎﻣﯿﺪه ﻣﺎﺷﯿﻦ و اﻧﺴﺎن را در ﮐﻨﺎر ﻫﻢ و در اﺗﺎﻗﯽ ﺟﺪا اﺗﺎﻗﯽ ﺟﺪا از اﻧﺴﺎن ﺳﻮم ﮐﻪ آﻧﺮا ﻣﺤﻘﻖ ﻣﯿﻨﺎﻣﺪ ﻗﺮار داد‪.‬‬
‫ﻣﺤﻘﻖ ﻗﺎدر ﻧﯿﺴﺖ ﺑﺎ ﺑﺎ ﻫﯿﭽﮑﺪام از آن دو ﺻﺤﺒﺖ ﮐﻨﺪ و ﻧﻤﯿﺪاﻧﺪ ﮐﺪام ﻣﻮﺟﻮدﯾﺖ واﻗﻌﺎ ﻣﺎﺷﯿﻦ اﺳﺖ و ﺗﻨﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﺗﺮﻣﯿﻨﺎل ﻣﺘﻨﯽ ﻣﯿﺘﻮاﻧﺪ ﺑﺎ‬
‫آﻧﻬﺎ ارﺗﺒﺎط ﺑﺮﻗﺮار ﮐﻨﺪ‪.‬از ﻣﺤﻘﻖ ﺧﻮاﺳﺘﻪ ﺷﺪه از ﻃﺮﯾﻖ ﺗﺮﻣﯿﻨﺎل ﻣﺘﻨﯽ ﺳﻮاﻻﺗﯽ ﺑﺮاي ﻫﺮ دو ﻣﻄﺮح ﮐﻨﺪ و ﺑﺮ اﺳﺎس ﺟﻮاﺑﻬﺎﯾﯽ ﮐﻪ درﯾﺎﻓﺖ ﮐﺮده ﮐﺎﻣﭙﯿﻮﺗﺮ‬
‫را از اﻧﺴﺎن ﺗﺸﺨﯿﺺ دﻫﺪ‪.‬اﮔﺮ ﻣﺤﻘﻖ ﻧﺘﻮاﻧﺪ ﻣﺎﺷﯿﻦ را از اﻧﺴﺎن ﺗﺸﺨﯿﺺ دﻫﺪ آﻧﮕﺎه ﺗﻮرﯾﻨﮓ اﺳﺘﺪﻻل ﻣﯿﮑﻨﺪ ﮐﻪ ﻣﺎﺷﯿﻦ ﻣﯿﺘﻮاﻧﺪ ﻫﻮﺷﻤﻨﺪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ‬
 ‫ﺷﻮد‪.‬‬
‫‪ - 4‬وﯾﮋﮔﯿﻬﺎي ﺗﺴﺖ ﺗﻮرﯾﻨﮓ را ﺗﻮﺿﯿﺢ دﻫﯿﺪ‪.‬‬
‫‪ -1‬اﯾﻦ ﺗﺴﺖ ﯾﮏ ﻣﻔﻬﻮم ﻣﻌﻘﻮل از ﻫﻮش ﺑﻪ ﻣﺎ ﻣﯿﺪﻫﺪ )رﻓﺘﺎر ﯾﮏ ﻣﻮﺟﻮد ﻫﻮﺷﻤﻨﺪ ﺷﻨﺎﺧﺘﻪ ﺷﺪه در ﭘﺎﺳﺦ ﺑﻪ ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﺳﻮاﻻت(‪.‬‬
‫اﯾﻦ ﺗﺴﺖ ﯾﮏ اﺳﺘﺎﻧﺪارد ﺑﺮاي ﻣﻌﯿﻦ ﮐﺮدن ﻫﻮش اراﺋﻪ ﻣﯿﺪﻫﺪ ﮐﻪ از ﺑﺤﺚ ﻫﺎي ﻏﯿﺮ اﺟﺘﻨﺎب روي ﻃﺒﯿﻌﺖ درﺳﺘﯽ اش ﭘﺮﻫﯿﺰ ﻣﯿﮑﻨﺪ‪.‬‬
‫‪ -2‬اﯾﻦ ﺗﺴﺖ ﻣﺎ را از ﻣﻨﺤﺮف ﺷﺪن از ﻣﺴﯿﺮ اﺻﻠﯽ ﺑﺎ ﺳﻮﻻت ﮔﯿﺞ ﮐﻨﻨﺪه و ﻏﯿﺮ ﭘﺎﺳﺨﮕﻮﯾﯽ ﻣﻨﻊ ﻣﯿﮑﻨﺪ‪.‬در ﻫﻤﻪ ﺣﺎل ﮐﺎﻣﭙﯿﻮﺗﺮ از ﭘﺮدازﺷﻬﺎي داﺧﻠﯽ‬
‫ﻣﻨﺎﺳﺐ اﺳﺘﻔﺎده ﻣﯿﮑﻨﺪ و ﺑﻪ ﻫﺮ ﺣﺎل ﻣﺎﺷﯿﻦ واﻗﻌﺎ از اﻋﻤﺎﻟﺶ آﮔﺎه اﺳﺖ‪.‬‬
‫‪ -3‬اﯾﻦ ﺗﺴﺖ ﺑﺎ وادار ﮐﺮدن ﻣﺤﻘﻖ ﺗﻨﻬﺎ ﺑﺎ ﺗﻤﺮﮐﺰ ﮐﺮدن روي ﻣﺤﺘﻮاي ﭘﺎﺳﺦ ﺳﻮاﻻت ﻫﺮ ﻣﺤﺮك ﺗﺸﺨﯿﺼﯽ را ﮐﻪ ﻗﺎﺑﻠﯿﺖ ﺗﺸﺨﯿﺺ ﻣﻮﺟﻮد زﻧﺪه را ﻓﺮاﻫﻢ‬
‫ﻣﯿﮑﻨﺪ ﺣﺬف ﻣﯿﮑﻨﺪ‪.‬‬
‫‪ -5‬ﮐﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻧﺎم ﺑﺒﺮﯾﺪ‪.‬‬
‫‪ -5‬رﺑﺎﺗﯿﮏ‬ ‫‪ -4‬اﺛﺒﺎت ﻗﻀﯿﻪ‬ ‫‪ -3‬ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬ ‫‪ -2‬ﺑﺎزﯾﺎﺑﯽ ﻫﻮﺷﻤﻨﺪ از ﭘﺎﯾﮕﺎه داده‬ ‫‪ -1‬ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ‬
‫‪ -9‬ﺑﺎزي ﮐﺮدن )‪(game‬‬ ‫‪ -8‬ﻣﻌﻤﺎرﯾﻬﺎي واﺑﺴﺘﻪ ﺑﻪ ﺳﻠﺴﻠﻪ اﻋﺼﺎب‬ ‫‪ -7‬ﻣﺴﺎﺋﻞ ادراﮐﯽ‬ ‫‪ -6‬ﻣﺴﺎﺋﻞ زﻣﺎﻧﺒﻨﺪي و ﺗﺮﮐﯿﺒﯽ‬
‫‪ - 6‬اﻫﺪاف ‪ AI‬ﭼﯿﺴﺖ؟ )‪ 5‬ﻣﻮرد(‬
‫‪ -1‬ﻓﻬﻤﯿﺪن درك اﻧﺴﺎن )ﻣﺜﻼ ﭼﮕﻮﻧﻪ اﻧﺴﺎﻧﻬﺎ ﻣﺴﺎﺋﻞ را ﺣﻞ ﻣﯿﮑﻨﻨﺪ‪ -‬ﺳﻌﯽ در ﺑﻪ دﺳﺖ آوردن داﻧﺶ ﻋﻤﯿﻖ ﺣﺎﻓﻈﻪ اﻧﺴﺎن‪ -‬ﺗﻮاﻧﺎﯾﯿﻬﺎي ﺣﻞ ﻣﺴﺌﻠﻪ‬
‫آﻣﻮزش و ﺗﺼﻤﯿﻢ ﮔﯿﺮي و ‪(...‬‬
‫‪ -2‬ﺧﻮدﮐﺎرﺳﺎزي ﺻﺮﻓﻪ اﻗﺘﺼﺎدي اﻧﺴﺎﻧﻬﺎ را در وﻇﺎﯾﻒ ﻫﻮﺷﻤﻨﺪ ﺟﺎﯾﮕﺰﯾﻦ ﻣﯿﮑﻨﺪ‪.‬‬
‫‪ -3‬ﻫﻮش ﻓﻮق ﺑﺸﺮي ﺑﺮﻧﺎﻣﻪ ﻫﺎﯾﯽ ﻣﯿﺴﺎزد ﮐﻪ از ﻫﻮش اﻧﺴﺎن ﺗﺠﺎوز ﻣﯿﮑﻨﺪ‪.‬‬
‫‪ -4‬ﺧﻮدﻣﺨﺘﺎري ﺳﯿﺴﺘﻢ ﻫﺎي ﻫﻮﺷﻤﻨﺪي دارد ﮐﻪ ﻋﺎﻣﻞ ﺑﺮ روي اﺑﺘﮑﺎر ﺧﻮﯾﺶ اﺳﺖ‪.‬‬
‫‪ -5‬ذﺧﯿﺮه اﻃﻼﻋﺎت و داﻧﺴﺘﻦ ﭼﮕﻮﻧﮕﯽ ﺑﺎزﯾﺎﺑﯽ آن‪.‬‬
‫‪ -7‬ﻣﻮﺿﻮﻋﺎت ﮐﻠﯿﺪي ﮐﻪ ﯾﮏ ﻃﺮاح ﺳﯿﺴﺘﻢ ‪ AI‬ﺑﺎ آﻧﻬﺎ روﺑﺮو ﻣﯽ ﺷﻮد را ﻧﺎم ﺑﺮده و ﺑﻪ ﻃﻮر ﻣﺨﺘﺼﺮ ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬
‫ﻓﺮاﮔﯿﺮي داﻧﺶ ‪,‬اراﺋﻪ داﻧﺶ ‪,‬دﺳﺘﮑﺎري داﻧﺶ‬
‫ﻓﺮاﮔﯿﺮي داﻧﺶ ﻋﺒﺎرت اﺳﺖ از ﺗﻐﯿﯿﺮ ﺷﮑﻞ راه ﺣﻞ ﻣﺴﺎﻟﻪ ﮐﻪ ﻧﺎﺷﯽ از وﺟﻮد ﭼﻨﺪ ﻣﻨﺒﻊ داﻧﺶ ﮐﻪ راه ﺣﻞ ﺑﺎﻟﻘﻮه در آﻧﻬﺎ وﺟﻮد دارد و ﺑﻪ ﯾﮏ ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻣﻨﺘﻘﻞ ﺷﺪه اﺳﺖ‪.‬‬
‫ﻏﺎﻟﺒﺎً اﯾﻦ ﻓﺮآﯾﻨﺪ ﺑﻪ اﻧﺘﻘﺎل و اﺳﺘﺨﺮاج داﻧﺶ از ﻣﻨﺎﺑﻊ ﻣﺘﻨﻮع و ﻧﻤﺎﯾﺶ آن در ﯾﮏ ﻏﺎﻟﺐ ﻣﻨﺎﺳﺐ اﺷﺎره ﻣﯿﮑﻨﺪ‪ .‬دﺳﺘﮑﺎري داﻧﺶ اﺻﻮﻻ ﺑﻪ واﺳﻄﻪ اﺳﺘﻨﺘﺎج و اﺳﺘﻨﺒﺎط و در‬
‫اﮐﺜﺮ ﻣﻮاﻗﻊ اﺳﺘﺮاﺗﮋي ﮐﻨﺘﺮل ﺟﺴﺘﺠﻮﮔﺮا ﯾﺎ ﻣﻮﺗﻮر اﺳﺘﻨﺒﺎط رخ ﻣﯽ دﻫﺪ‪.‬‬
‫‪ - 8‬ﭘﻨﺞ ﺧﺼﻮﺻﯿﺖ ﺿﺮوري ﺑﺮاي ﻫﻮﺷﻤﻨﺪي را ذﮐﺮ ﻧﻤﺎﯾﯿﺪ‬
‫ﺗﻌﯿﯿﻦ داﻣﻨﻪ داﻧﺶ‬
‫‪ -2‬ﻣﻌﻨﯽ دادن ﺑﻪ ﭘﯿﺎﻣﻬﺎي ﻣﺒﻬﻢ ﯾﺎ ﻧﺎدرﺳﺖ‪.‬‬ ‫‪ -1‬ﭘﺎﺳﺦ دادن ﺑﻪ ﻣﻮﻗﻌﯿﺖ ﻫﺎي از ﻗﺒﻞ ﺗﻌﺮﯾﻒ ﻧﺸﺪه ﺑﺎ اﻧﻌﻄﺎف ﺧﯿﻠﯽ ﺑﺎﻻ‪.‬‬
‫‪ -4‬ﭘﯿﺪا ﮐﺮدن ﺷﺒﺎﻫﺖ ﻫﺎ وﻟـﻮ اﯾﻨﮑـﻪ ﻣﻮﻗﻌﯿﺘﻬـﺎ‬ ‫‪ -3‬اﺧﺘﺼﺎص دادن اﻋﺘﺒﺎر ﻧﺴﺒﯽ ﺑﻪ ﻋﻨﺎﺻﺮ ﺑﺮاي ﯾﮏ ﻣﻮﻗﻌﯿﺖ‪.‬‬
‫ﻣﮑﺎﻧﯿﺎﺑﯽ ﻣﻨﺒﻊ داﻧﺶ‬
‫ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‪.‬‬
‫ﻧﮕﺎه ﮐﻠﯽ ﺑﻪ داﻣﻨﻪ داﻧﺶ‬ ‫‪ -5‬درك ﺗﻤﺎﯾﺰ ﺑﯿﻦ ﻣﻮﻗﻌﯿﺘﻬﺎ وﻟﻮ اﯾﻨﮑﻪ ﺷﺒﺎﻫﺖ ﻫﺎي ﺑﺴﯿﺎري ﺑﯿﻦ آﻧﻬﺎ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫‪ - 9‬روش ﻓﺮاﮔﯿﺮي داﻧﺶ را در ﻏﺎﻟﺐ ﯾﮏ ﻓﻠﻮﭼﺎرت ﺗﺸﺮﯾﺢ ﻧﻤﺎﯾﯿﺪ‬
‫ﺗﻌﺮﯾﻒ ﻣﺤﺪوده داﻧﺶ‬ ‫‪ ! 10‬ﺳﻪ ﻣﻨﺒﻊ و ﺳﻪ رﮐﻦ داﻧﺶ را ﻧﺎم ﺑﺒﺮﯾﺪ‬
‫ﻣﻨﺎﺑﻊ ‪ :‬ﻣﻄﺎﻟﺐ ﻧﻮﺷﺘﺎري ‪ ,‬اﻓﺮاد ﺧﺒﺮه ‪ ,‬ﻣﺜﺎل ﻫﺎ‪.‬‬
‫اﻧﺘﺨﺎب و ﮐﺎرﺑﺮد ﻓﻦ‬ ‫ارﮐﺎن ‪ :‬ﻗﻮاﻧﯿﻦ ﻋﻠﻤﯽ ‪ ,‬ﺗﺠﺮﺑﻪ ‪,‬اﻟﮕﻮﻫﺎ‬
‫‪ -11‬اﻧﻮاع داﻧﺶ ﻣﻮرد ﻧﯿﺎز ﺑﺮاي اراﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎي ‪ AI‬را ﻣﻌﺮﻓﯽ ﮐﺮده ﺑﻪ ﻃﻮر ﻣﺨﺘﺼﺮ ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬
‫ﻣﺮور و‬ ‫اﺷﯿﺎء ‪ :‬ﻣﻮﺟﻮدﯾﺖﻫﺎي دﻧﯿﺎ ﮐﻪ درﺑﺎره آﻧﻬﺎ اﻃﻼﻋﺎﺗﯽ دارﯾﻢ‬
‫ﺗﺠﺰﯾﻪ‬

‫ﻣﺤﺪوده ﭘﺎﯾﮕﺎه‬
‫داﻧﺶ‬
 ‫رﺧﺪادﻫﺎ ‪ :‬اﻋﻤﺎﻟﯽ ﮐﻪ در دﻧﯿﺎي ﻣﺎ رخ ﻣﯽ دﻫﺪ‬
‫اﺟﺮا ‪ :‬رﻓﺘﺎري ﺷﺒﯿﻪ ﻧﻮاﺧﺘﻦ ﮔﯿﺘﺎر ﮐﻪ ﺑﺎ داﻧﺸﯽ درﺑﺎره ﻧﺤﻮه اﺟﺮاي ﮐﺎرﻫﺎ درﮔﯿﺮ اﺳﺖ‪.‬‬
‫ﻓﺮاداﻧﺶ ‪ :‬داﻧﺶ درﺑﺎره ﭼﯿﺰﻫﺎﯾﯽ ﮐﻪ ﻣﯽﺷﻨﺎﺳﯿﻢ‬
‫ﺣﻘﺎﯾﻖ ‪ :‬واﻗﻌﯿﺖﻫﺎﯾﯽ درﺑﺎره دﻧﯿﺎي واﻗﻌﯽ و ﭼﯿﺰي ﮐﻪ ﻣﺎ ﻧﻤﺎﯾﺶ ﻣﯽدﻫﯿﻢ و ﺑﻪ آن »ﺳﻄﺢ داﻧﺶ« ﻣﯽﮔﻮﯾﯿﻢ‪.‬‬
‫اراﺋﻪ ﺣﻘﺎﯾﻖ ‪ :‬آﻧﭽﻪ ﮐﻪ دﺳﺘﮑﺎري ﻣﯽﮐﻨﯿﻢ‬

‫‪ -12‬ﯾﺎدﮔﯿﺮي را از ﻧﻈﺮ ‪ AI‬ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬

‫ﯾﺎدﮔﯿﺮي ﺑﻪ ﻣﻌﻨﺎي ﻓﺮاﮔﯿﺮي داﻧﺶ اﺳﺖ‪ .‬ﻓﺮاﮔﯿﺮي ﺑﯿﺶ از اﻓﺰودن ﯾﮏ ﺣﻘﯿﻘﺖ ﺟﺪﯾﺪ ﺑﻪ ﭘﺎﯾﮕﺎه داﻧﺶ اﺳﺖ‪ .‬در اﯾﻦ ﻓﺮآﯾﻨﺪ داﻧﺶ ﺟﺪﯾﺪ ﺑﻪ ﭘﺎﯾﮕﺎه داﻧﺶ اﻓﺰوده ﺷﺪه‬
‫اﺳﺖ و داﻧﺸﯽ ﮐﻪ ﭘﯿﺶ ﺗﺮ ﺣﺎﺻﻞ ﺷﺪه ﺗﺼﻔﯿﻪ ﯾﺎ اﺻﻼح ﻣﯽﮔﺮدد‪.‬‬
‫‪ -13‬ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ را ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬
‫اﯾﻦ دﺳﺘﻪ از ﻧﻤﺎﯾﺶﻫﺎ از ﻋﺒﺎرات ﻣﻮﺟﻮد در ﻣﻨﻄﻖ ﻧﻤﺎدﯾﻦ ﺑﺮاي ﻧﻤﺎﯾﺶ دادن ﭘﺎﯾﮕﺎه داﻧﺶ ﺑﻬﺮه ﻣﯽﮔﯿﺮد‪ .‬ﻗﻮاﻧﯿﻦ اﺳﺘﻨﺒﺎﻃﯽ و روﯾﻪﻫﺎي اﺳﺘﺪﻻﻟﯽ اﯾﻦ ﻗﺎﻟﺐ اراﯾﻪ داﻧﺶ را‬
‫ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺷﻬﻮدي ﻣﻨﺎﺳﺐ ﮐﺮده اﺳﺖ‪ .‬رﯾﺎﺿﯿﺎت اﺧﺒﺎري ﻣﺮﺗﺒﻪ اول در ﻗﺎﻟﺐ اراﯾﻪ ﻣﻨﻄﻘﯽ ﺑﺴﯿﺎر ﺑﮑﺎر ﻣﯿﺮود‪ .‬ﭘﺮوﻟﻮگ ﯾﮏ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ اﯾﺪه ال ﺑﺮاي ﭘﯿﺎده‬
‫ﺳﺎزي و اﺟﺮاي ﻗﺎﻟﺒﻬﺎي ﻧﻤﺎﯾﺶ ﻣﻨﻄﻘﯽ اﺳﺖ‪.‬‬
‫‪ -14‬ﻗﺎﻟﺐ ﻧﻤﺎﯾﺶ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ را ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬
‫زﺑﺎن ﻫﺎي ﻧﻤﺎﯾﺶ ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ‪ ،‬ﺑﻪ ﺷﮑﻠﯽ ﺷﺒﮑﻪﻫﺎ را ﮔﺴﺘﺮش ﻣﯿﺪﻫﻨﺪ ﺗﺎ ﺑﺘﻮاﻧﻨﺪ در ﻫﺮ ﮔﺮه ﺳﺎﺧﺘﺎر دادهاي ﭘﯿﭽﯿﺪهاي را ﺑﻪ ﻧﺎم »اﺳﻼت« ﻧﮕﻬﺪاري و ﻣﻘﺎدﯾﺮي را ﺑﻪ آن‬
‫ﻧﺴﺒﺖ دﻫﻨﺪ‪ .‬اﯾﻦ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ اﺳﺖ ارﻗﺎﻣﯽ ﺳﺎده ﯾﺎ داده ﻧﻤﺎدﯾﻦ‪ ،‬اﺷﺎرهﮔﺮﻫﺎﯾﯽ ﺑﻪ دﯾﮕﺮ ﻗﺎﻟﺐﻫﺎ ﯾﺎ ﺣﺘﯽ روﯾﻪ ﻫﺎﯾﯽ ﺑﺮاي اﺟﺮاي وﻇﯿﻔﻪاي ﺧﺎص ﺑﺎﺷﻨﺪ‪ .‬ﻣﺜﺎلﻫﺎﯾﯽ از‬
‫ﻧﻤﺎﯾﺶﻫﺎي ﺳﺎﺧﺖ ﯾﺎﻓﺘﻪ ﺷﺎﻣﻞ اﺳﮑﺮﯾﭙﺖﻫﺎ و ﻗﺎﻟﺐﻫﺎ و اﺷﯿﺎء اﺳﺖ‪.‬‬
‫‪ - 15‬ﺷﺒﮑﻪ ﻣﻌﻨﺎﯾﯽ را ﺗﻌﺮﯾﻒ و ‪ 4‬اﺻﻞ آﻧﺮا ﻧﺎم ﺑﺒﺮﯾﺪ‬
‫ﺷﺒﮑﻪ ﻫﺎي ﻣﻌﻨﺎﺋﯽ ‪ ،‬ﺟﺎﯾﮕﺰﯾﻨﯽ ﺑﺮاي ﻣﻨﻄﻖ ﮔﺰاره ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺷﮑﻞ و ﻓﺮم از ﻧﻤﺎﯾﺶ داﻧﺶ ﻫﺴﺘﻨﺪ ‪ .‬اﯾﻦ اﯾﺪه ﺑﺮ اﯾﻦ اﺻﻞ اﺳﺘﻮار اﺳﺖ ﮐﻪ ﻣﺎ ﻣﯽ ﺗﻮاﻧﯿﻢ داﻧﺶ ﺧﻮد را در‬
‫در ﺑﺎره ﻣﻮﺟﻮدات ﻫﺴﺘﯽ در ﯾﮏ ﮔﺮاف ﺑﺎ ﮔﺮه ﻫﺎﺋﯽ ﮐﻪ ﺑﯿﺎﻧﮕﺮ اﺷﯿﺎء و ﯾﺎﻟﻬﺎﺋﯽ ﮐﻪ ﻧﺸﺎﻧﺪﻫﻨﺪه رواﺑﻂ ﺑﯿﻦ اﯾﻦ اﺷﯿﺎء ﻫﺴﺘﻨﺪ ‪ ،‬ﺑﮕﻨﺠﺎﻧﯿﻢ ‪.‬‬
‫ﺑﻌﻀﯽ از اﺻﻮل ﺷﺒﮑﻪ ﻫﺎي ﻣﻌﻨﺎﺋﯽ ﺑﻪ ﺷﺮح ذﯾﻞ ﻫﺴﺘﻨﺪ ‪:‬‬
‫ﺷﺒﮑﻪ ﻫﺎي ﻣﻌﻨﺎﺋﯽ رواﺑﻂ ﺑﯿﻦ اﺷﯿﺎءي را ﮐﻪ در ﮔﺮه ﻫﺎ ﻗﺮار دارد را وﺻﻒ و ﺗﺸﺮﯾﺢ ﻣﯽ ﮐﻨﻨﺪ ‪.‬‬ ‫‪‬‬
‫ﮔﺮه ﻫﺎ داﯾﺮه ﻫﺎي ﻧﺎﻣﮕﺬاري ﺷﺪه ﻫﺴﺘﻨﺪ‪.‬‬ ‫‪‬‬
‫ارﺗﺒﺎﻃﺎت ﺑﯿﻦ ﮔﺮه ﻫﺎ ﺑﻪ وﺳﯿﻠﻪ ﯾﺎﻟﻬﺎﺋﯽ ﮐﻪ ﺑﻪ اﯾﻦ دواﯾﺮ وﺻﻞ ﻫﺴﺘﻨﺪ ﻧﻤﺎﯾﺶ داده ﺷﺪه اﻧﺪ ‪.‬‬ ‫‪‬‬
‫ﯾﮏ ﺷﺒﮑﻪ ﻣﻌﻨﺎﺋﯽ ﻣﯿﺘﻮاﻧﺪ ﺑﺮاي ﺗﻮﻟﯿﺪ ﺳﺎﺧﺘﺎرﻫﺎ و اﺷﯿﺎء اﺳﺘﻔﺎده ﺷﺪه ﺑﺎﺷﺪ ‪.‬‬ ‫‪‬‬
‫ﯾﮏ ﺷﺒﮑﻪ ﻣﻌﻨﺎﺋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮاي ﺗﻮﻟﯿﺪ ﻗﻮاﻋﺪ ﯾﮏ ﭘﺎﯾﮕﺎه داﻧﺶ اﺳﺘﻔﺎده ﺷﺪه ﺑﺎﺷﺪ ‪.‬‬ ‫‪‬‬
‫‪ -16‬ﻋﻤﻠﯿﺎت روي ﮔﺮافﻫﺎي ادراﮐﯽ را ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬
‫ﻋﻤﻠﯿﺎت روي ﮔﺮافﻫﺎي ادراﮐﯽ‪ ،‬ﺑﻪ ﻣﺎ اﺟﺎزه اﯾﺠﺎد ﯾﮏ ﮔﺮاف ﺟﺪﯾﺪ از ﯾﮏ ﮔﺮاف ﻣﻮﺟﻮد را ﻣﯽ دﻫﻨﺪ‪ .‬اﯾﻦ ﮐﺎر ﺑﻪ وﺳﯿﻠﻪ ﭼﻬﺎر ﻋﻤﻠﯿﺎت ﮐﻪ ﮐﭙﯽ ﮐﺮدن‪ ،‬ﻣﺤﺪود‬
‫ﮐﺮدن‪ ،‬ﻣﺘﺼﻞ ﮐﺮدن و ﻣﺨﺘﺼﺮ ﮐﺮدن ﻧﺎم دارﻧﺪ‪ ،‬اﻧﺠﺎم ﻣﯽﮔﯿﺮد‪.‬‬
‫ﻗﺎﻋﺪه ﮐﭙﯽ ﺑﻪ ﻣﺎ اﺟﺎزه ﺷﮑﻞ دﻫﯽ ﯾﮏ ﮔﺮاف ﺟﺪﯾﺪ‪ ،‬ﮐﻪ ﯾﮏ ﮐﭙﯽ از ﮔﺮاف اوﻟﯿﻪ اﺳﺖ را ﻣﯽدﻫﺪ‪.‬‬
‫ﻗﺎﻋﺪه ﻣﺤﺪودﯾﺖ ﺑﻪ ﮔﺮهﻫﺎي ﻣﻔﻬﻮﻣﯽ در ﯾﮏ ﮔﺮاف اﺟﺎزه ﻣﯽدﻫﺪ ﺗﺎ ﺟﺎﯾﮕﺰﯾﻦ ﮔﺮﻫﯽ ﺷﻮﻧﺪ ﮐﻪ وﯾﮋﮔﯿﻬﺎي آﻧﺮا ﻧﻤﺎﯾﺶ ﻣﯽدﻫﺪ‪.‬‬
‫ﻗﺎﻋﺪه ﻣﺘﺼﻞ ﮐﺮدن‪ ،‬ﺑﻪ ﻣﺎ اﺟﺎزه ﺗﺮﮐﯿﺐ دو ﮔﺮاف در ﻗﺎﻟﺐ ﯾﮏ ﮔﺮاف ﻣﻨﻔﺮد را ﻣﯽدﻫﺪ‪.‬‬
‫اﮔﺮ ﯾﮏ ﮔﺮاف ﻣﺤﺘﻮي دو راﺑﻄﻪ ﺗﮑﺮاري ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه ﻣﻤﮑﻦ اﺳﺖ ﯾﮑﯽ از آﻧﻬﺎ ﺣﺬف ﺷﻮد‪ .‬اﯾﻦ ﻗﺎﻋﺪه‪ ،‬ﻣﺨﺘﺼﺮ ﮐﺮدن ﻧﺎم دارد‪.‬‬
 ‫‪ ! 17‬ﺷﺶ ﮔﺎم در اﻟﮕﻮرﯾﺘﻢ ﺷﻨﺎﺳﺎﯾﯽ ﭼﻬﺮه را ﻧﺎم ﺑﺒﺮﯾﺪ‬
‫‪ (1‬ﺑﺎ داﺷﺘﻦ ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﺗﺼﺎوﯾﺮازﻣﺎﯾﺸﯽ ﭼﻬﺮه ﻫﺎ‪ M’ ,‬ﺗﺎ از ﺑﺰرﮔﺘﺮﯾﻦ ‪eigen vector‬ﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ‪. E1,E2….EM’:‬‬
‫‪ (2‬ﺑﺮاي ﻫﺮ ﻓﺮد در ﻣﺠﻤﻮﻋﻪ ازﻣﺎﯾﺸﯽ ‪ ,‬اﺻﻞ ﻫﻤﺒﺴﺘﮕﯽ را ﺑﺎ ﺷﺨﺺ در ان ‪ eigen space‬ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪.‬‬
‫‪ (3‬ﺑﺎ داﺷﺘﻦ ﺗﺼﻮﯾﺮ ازﻣﺎﯾﺸﯽ ‪ , Itest,‬ان را ﺑﻪ وﺳﯿﻠﻪ ﻣﺤﺎﺳﺒﻪ ‪ W test‬ﺗﻮﺳﻂ ﻓﺮﻣﻮل ﺑﺎﻻ ﺑﻪ ﯾﮏ ‪ M’ eigen space‬ﺑﻌﺪي ﺗﺒﺪﯾﻞ ﮐﻨﯿﺪ‪.‬‬
‫‪ (4‬ﻧﺰدﯾﮑﺘﺮﯾﻦ ﭼﻬﺮه از ﺗﺼﺎوﯾﺮ ازﻣﺎﯾﺸﯽ ﺑﻪ ﺗﺼﻮﯾﺮ ﻣﻮرد ﻧﻈﺮ را ﺑﯿﺎﺑﯿﺪ‪:‬‬
‫‪ (5‬ﻓﺎﺻﻠﻪ ﺗﺼﻮﯾﺮ ﻣﻮرد ازﻣﺎﯾﺶ را از ‪ eigen space‬ﺑﯿﺎﺑﯿﺪ‪.‬‬
‫‪ (6‬اﮔﺮ ‪dffs<Threshold1‬‬
‫ﺗﺼﻮﯾﺮ ازﻣﺎﯾﺸﯽ ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﻪ ‪ eigen space‬ﺷﺒﯿﻪ اﺳﺖ‪ .‬در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﮐﻞ ﺗﺼﺎوﯾﺮ ﻣﯽ ﺗﻮان ﻣﻄﻤﺌﻦ ﺑﻮد ﮐﻪ اﯾﻦ ﺗﺼﻮﯾﺮ ﯾﮏ ﭼﻬﺮه اﺳﺖ ﻧﻪ ﭼﯿﺰ دﯾﮕﺮ‪.‬‬ ‫‪‬‬
‫ﺳﭙﺲ اﮔﺮ ‪d< Threshold2‬‬
‫ﻣﯽ ﺗﻮان ‪ Itest‬را ﺑﺎ ﻋﻨﻮان ﺗﺼﻮﯾﺮي ﮐﻪ ﺷﺎﻣﻞ ﭼﻬﺮه ﺷﺨﺺ ‪ k‬ام اﺳﺖ دﺳﺘﻪ ﺑﻨﺪي ﮐﺮد ‪ ,‬زﻣﺎﻧﯿﮑﻪ ‪ k‬ﻧﺰدﯾﮑﺘﺮﯾﻦ ﭼﻬﺮه در ‪ eigen space‬ﺑﻪ ‪ W test‬اﺳﺖ‪.‬‬ ‫‪‬‬
‫در ﻏﯿﺮ اﯾﻦ ﺻﻮرت‬
‫ﺗﺼﻮﯾﺮ ‪ Itest‬را ﺑﻪ ﻋﻨﻮان ﺷﺨﺺ ﻧﺎ ﺷﻨﺎﺧﺘﻪ دﺳﺘﻪ ﺑﻨﺪي ﮐﻦ‪.‬‬ ‫‪‬‬
‫در ﻏﯿﺮ اﯾﻨﺼﻮرت‬
‫ﺗﺼﻮﯾﺮ ‪ Itest‬را ﺑﻪ ﻋﻨﻮان ﺗﺼﻮﯾﺮي ﮐﻪ ﺷﺎﻣﻞ ﭼﻬﺮه ﻧﯿﺴﺖ دﺳﺘﻪ ﺑﻨﺪي ﮐﻦ‪.‬‬ ‫‪‬‬

‫‪ -17‬ﭼﮕﻮﻧﮕﯽ اﺳﺘﻔﺎده از ﺗﮑﻨﯿﮏ ‪ hashing‬در اﻟﯿﺰا را ﺗﻮﺿﯿﺢ دﻫﯿﺪ؟‬

‫ﺗﮑﻨﯿﮏ ‪ hashing‬ﺑﺮاي ﺑﺎزﯾﺎﺑﯽ ﺳﺮﯾﻊ و ﺗﻄﺒﯿﻖ اﻟﮕﻮﻫﺎ ﺑﻪ ﮐﺎر ﺑﺮده ﻣﯽ ﺷﻮد‪ .‬ﺑﺮاي ﻣﺜﺎل در اﺟﺮاي ﯾﻮﻧﯿﮑﺲ‪ ،‬اﺑﺘﺪا ﺗﻄﺒﯿﻖ در دو ﮐﺎراﮐﺘﺮ اول اﻧﺠﺎم ﻣﯽ ﺷﻮد‪ .‬اﮔﺮ ﻫﯿﭻ‬
‫اﻟﮕﻮي ﺗﻄﺒﯿﻘﯽ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ﺳﭙﺲ ﯾﮏ ﺟﺴﺘﺠﻮ ﺑﺎ اﺳﺘﻔﺎده از ﮐﻠﻤﺎت ﮐﻠﯿﺪي در ﺟﻤﻼت ورودي اﻧﺠﺎم ﻣﯽ ﺷﻮد‪ .‬اﯾﻦ ﮐﻠﻤﺎت ﮐﻠﯿﺪي ﻣﺮﺗﺐ ﺷﺪهاﻧﺪ‪.‬‬

‫‪ -18‬اﮔﺮ ﻫﯿﭻ ﮐﻠﻤﻪ ﮐﻠﯿﺪي در ﺟﻤﻠﻪ ﻧﺒﺎﺷﺪ ﮐﻪ ﺑﺎ ﮐﻠﻤﺎت ﮐﻠﯿﺪي در ﭘﺎﯾﮕﺎه داده ﻣﻄﺎﺑﻘﺖ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬اﻟﯿﺰا ﭼﮕﻮﻧﻪ واﮐﻨﺶ ﻧﺸﺎن ﻣﯿﺪﻫﺪ؟‬
‫ﺗﻌﺪادي ﻣﻼﺣﻈﺎت ﯾﺎ ﺗﺒﺼﺮهﻫﺎي ﻏﯿﺮاﻟﺰاﻣﯽ اﺳﺘﺎﻧﺪارد ﻣﯽﺗﻮاﻧﺪ اﯾﺠﺎد ﺷﻮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﯾﮏ رﻫﯿﺎﻓﺖ ﺟﺎﯾﮕﺰﯾﻦ‪ ،‬اﻧﺘﺨﺎب ﺗﺼﺎدﻓﯽ از ﯾﮑﯽ از ﮐﻠﻤﺎت ﮐﻠﯿﺪي اﺳﺖ ﮐﻪ ﻗﺒﻼ‬
‫اﺳﺘﻔﺎده ﺷﺪه‪ .‬رﮐﻮردي از ﭼﻬﺎر ﮐﻠﻤﻪ ﮐﻠﯿﺪي ﮐﻪ ﻗﺒﻼ اﺳﺘﻔﺎده ﺷﺪه ﻧﮕﻬﺪاري ﻣﯽﺷﻮد‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ در اﯾﻨﺠﺎ ﺳﯿﺴﺘﻢ از ﺗﺎرﯾﺨﭽﻪ ﻣﺤﺪود ﺷﺪه اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ‪.‬‬

‫‪-19‬ﺗﻔﺎوﺗﻬﺎي ﭘﺎﯾﮕﺎه داده وﭘﺎﯾﮕﺎه داﻧﺶ را ﺑﻨﻮﯾﺴﯿﺪ؟‬

‫ﭘﺎﯾﮕﺎه داده‬
‫ﻣﺠﻤﻮﻋﻪ اي از داده ﻫﺎي ﻧﻤﺎﯾﺶ دﻫﻨﺪه ﺣﻘﺎﯾﻖ‬
‫ﻓﻘﻂ ﺑﺮ روي ﯾﮏ ﺷﺊ واﺣﺪ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ‬
‫اﻃﻼﻋﺎت ﺑﺎﯾﺪ ﺻﺮاﺣﺘﺎ" ﺗﻮﺻﯿﻒ ﺷﺪه ﺑﺎﺷﻨﺪ‬
‫ﺑﻪ ﺻﻮرت ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﯾﺎ ارﺗﺒﺎﻃﯽ ﯾﺎ ﺑﺮاﺳﺎس ﻣﺪل‬
‫ﺷﺒﮑﻪ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد‬
‫ﺑﺮاي اﻫﺪاف ﻋﻤﻠﯿﺎﺗﯽ اﺑﻘﺎ ﻣﯽ ﺷﻮد‬
‫ﭘﺎﯾﮕﺎه داﻧﺶ‬
‫اﻃﻼﻋﺎت در ﺳﻄﺢ ﺑﺎﻻﺗﺮي از ﺗﺠﺮد ﻗﺮار دارﻧﺪ‬
‫ﺑﯿﺸﺘﺮ ﺑﺮ روي ﮐﻼﺳﯽ از اﺷﯿﺎ ﻋﻤﻠﯿﺎت اﻧﺠﺎم ﻣﯽ دﻫﺪ ﺗﺎ ﯾﮏ ﺷﺊ‬
‫واﺣﺪ‬
‫از ﻗﺪرت اﺳﺘﻨﺘﺎﺟﯽ ﺑﻬﺮه ﻣﻨﺪ اﺳﺖ‬
‫ﺑﺎزﻧﻤﺎﯾﯽ ﺑﻪ وﺳﯿﻠﻪ ﻣﻨﻄﻖ ‪ ,‬ﻗﻮاﻧﯿﻦ ﯾﺎ ﻓﺮﯾﻢ ﻫﺎ ﯾﺎ ﻣﺴﺘﻨﺪات ﯾﺎ ﺷﺒﮑﻪ‬
‫ﻫﺎي ﻣﻌﻨﺎﯾﯽ اﻧﺠﺎم ﻣﯽ ﺷﻮد‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﺗﺤﻠﯿﻞ داه ﻫﺎ و ﺑﺮﻧﺎﻣﻪ رﯾﺰي‬
 ‫‪-20‬ﺗﻔﺎوت ﻧﺮم اﻓﺰار ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ را ﺑﺎ ﻧﺮم اﻓﺰار ﻣﻌﻤﻮﻟﯽ ﺑﻨﻮﯾﺴﯿﺪ؟‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﻣﻌﻤﻮل‬ ‫ﻧﺮم اﻓﺰار ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ‬
‫ﻧﯿﺎزﻣﻨﺪ داده ﻫﺎي ﺻﺤﯿﺢ اﺳﺖ‬ ‫ﻗﺎﺑﻠﯿﺖ اداره ﮐﺮدن داده ﻫﺎي ﮔﻢ ﺷﺪه ﯾﺎ ﻏﯿﺮﻗﻄﻌﯽ‬
‫ﺳﺎﺧﺘﺎر روﯾﻪ اي ﺛﺎﺑﺖ‬ ‫ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﺗﺮﺗﯿﺐ وﺗﻮاﻟﯽ ﺗﻮﺳﻂ ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج‬
‫ﻣﻨﺎﺳﺐ ﺑﺮاي ﭘﺮدازش ﻋﺪدي‬ ‫ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﻐﯿﯿﺮ ﺳﯿﻤﺒﻮﻟﻬﺎ‬
‫ﻓﻘﻂ ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺲ آن را ﻣﯽ ﻓﻬﻤﺪ‬ ‫واﺳﻂ ﻫﺎي زﺑﺎن ﻃﺒﯿﻌﯽ‬
‫ﺗﻮﺿﯿﺢ در ﺣﯿﻦ اﺟﺮا ﻏﯿﺮ ﻣﻤﮑﻦ‬ ‫اﻣﮑﺎن ﺗﻮﺿﯿﺢ در ﺣﯿﻦ اﺟﺮا‬
‫ﺑﺮﻧﺎﻣﻪ = اﻟﮕﻮرﯾﺘﻢ ‪ +‬داده‬ ‫ﺳﯿﺴﺘﻢ ﺧﺒﺮه = ﻣﺴﺌﻠﻪ ‪ +‬ﮐﻨﺘﺮل ‪ +‬داده‬

‫‪-21‬ﯾﮏ ﺗﻌﺮﯾﻒ از ﺳﯿﺴﺘﻢ ﺧﺒﺮه اراﯾﻪ دﻫﯿﺪ؟‬

‫ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﮐﺎﻣﭙﯿﻮﺗﺮي ﻫﻮﺷﻤﻨﺪ اﺳﺖ ﮐﻪ از داﻧﺶ و روﯾﻪ ﻫﺎي اﺳﺘﻨﺘﺎج ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ دﺷﻮاري ﮐﻪ ﻧﯿﺎزﻣﻨﺪ ﮐﺎرﺷﻨﺎﺳﺎن ﺧﺒﺮه ﻫﺴﺘﻨﺪ‪ ,‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ ‪.‬داﻧﺶ ﻣﻮرد ﻧﯿﺎز‬
‫ﺑﺮاي اﺟﺮا در ﭼﻨﯿﻦ ﺳﻄﺤﯽ ﺑﻪ ﻫﻤﺮاه روﯾﻪ ﻫﺎي اﺳﺘﻨﺘﺎج ﻣﻮرد اﺳﺘﻔﺎده‪ ,‬ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻋﻨﻮان ﻣﺪﻟﯽ از ﻣﺘﺨﺼﺼﯿﻦ و ﮐﺎرﺷﻨﺎﺳﺎن در ﯾﮏ زﻣﯿﻨﻪ ﺧﺎص در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد‬
‫ﯾﺎ‬
‫ﺳﯿﺴﺘﻤﻬﺎي ﺧﺒﺮه‪ ,‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي داراي اﺛﺮ ﻣﺘﻘﺎﺑﻞ ﻫﺴﺘﻨﺪ ﮐﻪ ﻋﻤﻞ ﺗﻠﻔﯿﻖ ﻗﻮاﻧﯿﻦ‪ ,‬ﻗﻀﺎوت ‪ ,‬ﺷﻬﻮد و دﯾﮕﺮ ﺗﺨﺼﺺ ﻫﺎ را ﺑﺮاي ﺗﺎﻣﯿﻦ ﯾﮏ ﺗﻮﺻﯿﻪ ﻗﺎﺑﻞ درك و‬
‫زﯾﺮﮐﺎﻧﻪ در اﻣﻮر ﻣﺨﺘﻠﻒ ‪ ,‬اﻧﺠﺎم ﻣﯽ دﻫﻨﺪ‬
‫ﯾﺎ‬
‫ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﺳﯿﺴﺘﻤﯽ اﺳﺖ ﮐﻪ داراي ﻗﻮاﻧﯿﻦ ﮐﺎرﺷﻨﺎﺳﺎﻧﻪ اﺳﺖ و از ﺟﺴﺘﺠﻮﻫﺎي ﮐﻮرﮐﻮراﻧﻪ اﺟﺘﻨﺎب ﻣﯽ ﮐﻨﺪ‪ ,‬ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري ﺳﯿﻤﺒﻮﻟﻬﺎ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ‪ ,‬اﺻﻮل‬
‫اﺳﺎﺳﯽ و ﺑﻨﯿﺎدي در ﯾﮏ ﺣﻮزه ﺧﺎص را ﻣﯽ ﻓﻬﻤﺪ و ﻣﯽ ﯾﺎﺑﺪ ‪ ,‬ﻣﺘﺪﻫﺎي ﺿﻌﯿﻒ اﺳﺘﺪﻻل ﺑﺮاي ﻋﻘﺐ ﻧﺸﯿﻨﯽ در ﻣﻮاﻗﻌﯽ ﮐﻪ ﻗﻮاﻧﯿﻦ ﺧﺒﺮه ﺟﻮاﺑﮕﻮ ﻧﯿﺴﺘﻨﺪ دارد ‪.‬‬
‫ﺑﺎ ﻣﺴﺎﺋﻞ دﺷﻮار در زﻣﯿﻨﻪ ﻫﺎي ﭘﯿﭽﯿﺪه ﺳﺮوﮐﺎر دارد‪ .‬ﻣﯽ ﺗﻮاﻧﺪ ﺗﺸﺮﯾﺤﯽ از ﯾﮏ ﻣﺴﺌﻠﻪ ﺑﻪ ﺻﻮرت ﻋﺒﺎرات ﻏﯿﺮ ﺗﺨﺼﺼﯽ ﮔﺮﻓﺘﻪ و آﻧﻬﺎ را ﺑﻪ ﺑﺎزﻧﻤﺎﯾﯽ داﺧﻠﯽ ﻣﻨﺎﺳـﺐ ﺑـﺮاي‬
‫ﭘﺮدازش ﺑﺎ ﻗﻮاﻧﯿﻦ ﮐﺎرﺷﻨﺎﺳﯽ و ﺗﺨﺼﺼﯽ ﺧﻮد ﺗﺒﺪﯾﻞ ﮐﻨﺪ‪ .‬ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮاي داﻧﺶ دروﻧﯽ ﺧﻮد ﻧﯿﺰ اﺳﺘﺪﻻل ﮐﻨﺪ‪ ,‬ﺑﻪ ﺧﺼﻮص ﺑـﺮاي ﺑﺎزﺳـﺎزي ﻣﻨﻄﻘـﯽ ﻣـﺴﯿﺮﻫﺎي اﺳـﺘﻨﺘﺎج‬
‫ﺑﺮاي ﺗﻮﺿﯿﺢ و ﺗﻔﺴﯿﺮ و ﺗﻮﺟﯿﻪ ﮐﺮدن ﺧﻮد‬

‫‪-22‬اﻧﻮاع داﻧﺶ را ﺑﺎ ذﮐﺮ ﻣﻨﺒﻊ ﻧﺎم ﺑﺒﺮﯾﺪ؟‬

‫‪ -1‬داﻧﺶ ﻋﻤﻮﻣﯽ ﺷﺎﻣﻞ ﺗﻮﺻﯿﻔﺎت‪,‬ﺣﻘﺎﯾﻖ و ﺗﺌﻮري ﻫﺎي ﻣﻨﺘﺸﺮ ﺷﺪه اﺳﺖ ﮐﻪ در ﮐﺘﺎﺑﻬﺎي درﺳﯽ ‪ ,‬روزﻧﺎﻣﻪ ﻫﺎ و ﻣﻘﺎﻻت ﺗﺤﻘﯿﻘﯽ ﻏﯿﺮه اﺳﺖ‪.‬‬
‫‪-2‬داﻧﺶ ﺧﺼﻮﺻﯽ‪ :‬ﻣﺘﺨﺼﺼﺎن ﻣﻌﻤﻮﻻ" داراي داﻧﺶ ﺧﺼﻮﺻﯽ ﻫﺴﺘﻨﺪ‪.‬داﻧﺶ ﺧﺼﻮﺻﯽ ﺑﻪ ﻃﻮر ﮔﺴﺘﺮده اي ﺷﺎﻣﻞ ﻗﻮاﻧﯿﻦ ‪ thumb‬ﺑﻪ ﻧﺎم ﮐﺸﻒ ﮐﻨﻨﺪﮔﯽ ﻫﺴﺘﻨﺪ‪.‬‬

‫‪ -23‬ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮﯾﮏ راه ﺣﻞ ﮐﺎراﻣﺪ را ﺑﻨﻮﯾﺴﯿﺪ؟‬

‫‪ - 2‬ﺣﺬف ﺳﺮﯾﻊ دﯾﺪﮔﺎه ﻫﺎي ﻏﯿﺮ ﺛﻤﺮ ﺑﺨﺶ‬ ‫‪ -1‬داﻧﺶ ﻗﺎﺑﻞ اﺟﺮا ‪ ,‬ﺻﺤﯿﺢ و ﻗﺎﺑﻞ ﺗﻔﮑﯿﮏ و ﺗﻤﺎﯾﺰ‪.‬‬
‫‪ - 4‬ﺗﻘﺴﯿﻢ راه ﺣﻞ ﻫﻞ ﺑﻪ ﺳﻄﻮح ﻣﺘﻔﺎوﺗﯽ از ﺗﺠﺮد‬ ‫‪ - 3‬ﻣﻨﺎﺑﻊ داﻧﺶ ﻣﻀﺎﻋﻒ ﻣﺸﺘﺮك‬
‫‪ -24‬ﻣﺸﮑﻼت اﺳﺎﺳﯽ در رﻫﯿﺎﻓﺖ ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ را ذﮐﺮ ﮐﻨﯿﺪ؟‬
‫داﻧﺶ اﺷﺘﺒﺎه ﯾﺎ ﺧﻄﺎ ‪ ,‬وﺟﻮد اﻣﮑﺎن ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺮاي ارزﯾﺎﺑﯽ ﮐﺮدن ‪ ,‬وﺟﻮد روﯾﻪ ﻫﺎي ﭘﯿﭽﯿﺪه ﺟﻬﺖ ﺣﺬف اﺣﺘﻤﺎﻻت ‪ ,‬ﻣﺴﺎﺋﻠﯽ ﮐﻪ ﺑﻪ ﺻﻮرت ﭘﻮﯾﺎ ﺗﻐﯿﯿﺮ ﻣﯽ ﮐﻨﻨﺪ‬
‫‪ -25‬ﯾﮏ ﺣﻞ ﮐﻨﻨﺪه ﻣﺴﺌﻠﻪ اﯾﺪه آل ﺑﺎﯾﺪ داراي ﭼﻪ ﺧﺼﻮﺻﯿﺎﺗﯽ ﺑﺎﺷﺪ؟‬
 ‫‪ -1‬داراي ﭘﺮدازﻧﺪه زﺑﺎن ﺑﺮاي ﻣﮑﺎﻟﻤﺎت ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺴﺎﺋﻞ ﺑﺎﺷﺪ‬
‫‪ - 2‬ﭼﺮﮐﻨﻮﯾﺲ ﺑﺮاي ﺛﺒﺖ ﻧﺘﺎﯾﺞ ﻣﯿﺎﻧﯽ داﺷﺘﻪ ﺑﺎﺷﺪ‬
‫‪! 3‬از داﻧﺶ ﻻزم در ﻣﻮرد ﯾﮏ ﺣﻮزه ﺷﺎﻣﻞ ﺣﻘﺎﯾﻖ ‪ ,‬ﮐﺸﻒ ﮐﻨﻨﺪﮔﯽ و ﻋﻘﺎﯾﺪ )ﺣﻘﺎﯾﻖ اﺛﺒﺎت ﻧﺸﺪه ( ﺑﺮﺧﻮردار ﺑﺎﺷﺪ‬
‫‪ ! 4‬از داﻧﺶ ﻻزم ﺑﺮاي ﭼﮏ ﮐﺮدن ﺛﺒﺎت ﯾﮏ راه ﺣﻞ ﯾﺎﻓﺖ ﺷﺪه ﺑﺮﺧﻮردار ﺑﺎﺷﺪ‬
‫‪ -5‬از داﻧﺶ ﻻزم ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﯾﺰي اﺳﺘﺮاﺗﮋي راه ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻌﺪي ﺑﺮﺧﻮردار ﺑﺎﺷﺪ‬
‫‪ ! 6‬از داﻧﺶ ﻻزم ﺑﺮاي ارزﯾﺎﺑﯽ راه ﺣﻞ ﻫﺎي ﺟﺰﺋﯽ ﺑﺮﺧﻮردار ﺑﺎﺷﺪ‬

‫‪ -26‬ﺳﻪ اﯾﺪه اﺳﺎﺳﯽ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻫﻮﺷﻤﻨﺪ را ذﮐﺮ ﮐﻨﯿﺪ؟‬

‫‪ - 1‬ﺳﺎﺧﺖ راه ﺣﻠﻬﺎ ي ﮐﺎراﻣﺪ ﺑﺎ اﻧﺘﺨﺎﺑﯽ از ﻓﻀﺎﯾﯽ از ﭘﯿﺸﻨﻬﺎدات ﻣﺘﻔﺎوت‬
‫‪ - 2‬ﺷﻨﺎﺳﺎﯾﯽ راه ﺣﻞ ﻫﺎي ﻣﻔﯿﺪ و ﺳﭙﺲ ﮐﺎوش ﺑﯿﺸﺘﺮ در آﻧﻬﺎ‬
‫‪ - 3‬ﻫﺮس ﮐﺮدن راه ﺣﻞ ﺟﺴﺘﺠﻮ ﺗﺎ رﺳﯿﺪن ﺑﻪ ﺑﻬﺘﺮﯾﻦ راه ﺣﻞ‬
‫‪-27‬ﭼﻨﺪ ﺗﻔﺎوت ﺑﯿﻦ ﭘﺮدازش داﻧﺶ و ﭘﺮدازش داده را ﺑﻨﻮﯾﺴﯿﺪ؟‬
‫ﭘﺮدازش داده‬ ‫ﭘﺮدازش داﻧﺶ‬
‫ﺑﺎزﻧﻤﺎﯾﯽ و اﺳﺘﻔﺎده از داده ﻫﺎي اﺳﺘﺎﺗﯿﮏ‬ ‫ﺑﺎزﻧﻤﺎﯾﯽ و اﺳﺘﻔﺎده از داﻧﺶ‬
‫اﻟﮕﻮرﯾﺘﻢ ﻫﺎ‬ ‫ﮐﺸﻒ ﮐﻨﻨﺪﮔﯽ‬
‫ﭘﺮدازش ﺗﮑﺮاري‬ ‫ﭘﺮدازش ﻫﺎي اﺳﺘﻨﺘﺎﺟﯽ‬
‫ﺑﺮﻧﺎﻣﻪ ﮐﻨﺘﺮل و ﻣﻘﺪار زﯾﺎد داده ﺟﺪاﮔﺎﻧﻪ ﻧﮕﻪ داﺷﺘﻪ ﻣﯽ ﺷﻮد‬ ‫ﮐﻨﺘﺮل ﮔﺴﺘﺮده و ﻣﻘﺪار ﮐﻢ داده ﺑﺎ ﻫﻢ ﻧﮕﻪ داري ﻣﯽ ﺷﻮﻧﺪ‬

‫‪-28‬ﭼﻬﺎر ﺧﺼﻮﺻﯿﺖ اوﻟﯿﻪ ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه را ﺑﻨﻮﯾﺴﯿﺪ؟‬

‫‪ (1‬ﻣﺘﺨﺼﺼﯽ ﮐﻪ ﺑﺎﯾﺪ ﮐﺎراﯾﯽ ﺗﺨﺼﺼﯽ و ﮐﺎرﺷﻨﺎﺳﺎﻧﻪ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬آﻧﻬﺎ ﺑﺎﯾﺪ ﺻﺎﺣﺐ درﺟﻪ ﺑﺎﻻﯾﯽ از ﻣﻬﺎرت ﺑﺎﺷﻨﺪ و ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﻗﺪرﺗﻤﻨﺪ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ (2‬ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ داﻧﺶ آﻧﻬﺎ ﺳﻤﺒﻮﻟﯿﮏ اﺳﺖ ‪ ,‬اﺳﺘﺪﻻل ﺳﻤﺒﻮﻟﯿﮏ را اﺟﺮا ﮐﻨﻨﺪ‪.‬‬
‫‪ (3‬آﻧﻬﺎ ﺑﺎﯾﺪ ﻗﺎدر ﺑﺎﺷﻨﺪ ﻗﻮاﻧﯿﻦ ﭘﯿﭽﯿﺪه را اﺳﺘﻔﺎده ﮐﻨﻨﺪ و داﻣﻨﻪ ﻫﺎي ﻣﺸﮑﻞ ﻣﺴﺎﺋﻞ را اداره ﮐﻨﻨﺪ‪.‬‬
‫‪ (4‬آﻧﻬﺎ ﺑﺎﯾﺪ ﻗﺎدر ﺑﻪ ﺗﺴﺖ و اﻣﺘﺤﺎن ﮐﺮدن ﻗﺪرت اﺳﺘﺪﻻل ﺧﻮد ﺑﺎﺷﻨﺪ و ﺑﺘﻮاﻧﻨﺪ ﻋﻤﻠﯿﺎت ﺧﻮد را ﺗﻮﺿﯿﺢ دﻫﻨﺪ‪.‬‬
‫‪ -29‬ﻣﻬﻨﺪﺳﯽ داﻧﺶ را ﺗﻌﺮﯾﻒ ﮐﻨﯿﺪ؟‬
‫ﻫﻨﺮ ﺟﻤﻊ آوري و ﭘﺮدازش داﻧﺶ ‪ ,‬ﻣﻬﻨﺪﺳﯽ داﻧﺶ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد‬
‫‪-30‬ﻣﺮاﺣﻞ اﮐﺘﺴﺎب و ﻧﻤﺎﯾﺶ و ﭘﯿﺎده ﺳﺎزي داﻧﺶ را ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪-1‬ﻣﺮﺣﻠﻪ ﺷﻨﺎﺳﺎﯾﯽ ‪):Identification‬ﺗﺸﺨﯿﺺ ﻣﺴﺌﻠﻪ و ﺧﺼﻮﺻﯿﺎت آن( ﮐﻪ ﺧﻮد ﺷﺎﻣﻞ ﻣﺮاﺣﻞ زﯾﺮ ﻣﯽ ﺷﻮد‪:‬‬
‫ب(ﺷﻨﺎﺳﺎﯾﯽ ﻣﻨﺎﺑﻊ ج(ﺷﻨﺎﺳﺎﯾﯽ اﻫﺪاف‬ ‫اﻟﻒ(ﺷﻨﺎﺳﺎﯾﯽ ﻣﺴﺌﻠﻪ‬
‫‪-2‬ﻣﺮﺣﻠﻪ ادراك‪) Conceptualization‬ﯾﺎﻓﺘﻦ ﻣﻔﺎﻫﯿﻤﯽ ﺑﺮاي اراﯾﻪ داﻧﺶ(‬
‫‪ -3‬ﻣﺮﺣﻠﻪ رﺳﻤﯽ ﺳﺎزي ‪)Formalization‬ﻃﺮاﺣﯽ ﺳﺎﺧﺘﺎرﻫﺎﯾﯽ ﺑﺮاي ﺳﺎزﻣﺎﻧﺪﻫﯽ داﻧﺶ(‬
‫‪ -4‬ﻣﺮﺣﻠﻪ ﭘﯿﺎده ﺳﺎزي و اﺟﺮا ‪)Implementation‬ﻓﺮﻣﻮﻟﻪ ﮐﺮدن ﻗﻮاﻧﯿﻦ ﺑﻄﻮرﯾﮑﻪ داﻧﺶ را در ﺑﺮ ﮔﯿﺮد(‬
‫‪ -5‬ﻣﺮﺣﻠﻪ ﺗﺴﺖ ‪)Testing‬ﺗﺴﺖ ﺻﺤﺖ ﻗﻮاﻧﯿﻦ اراﯾﻪ ﺷﺪه(‬
 ‫دو ﻣﺮﺣﻠﻪ اول اﮐﺘﺴﺎب و ﺳﺎزﻣﺎﻧﺪﻫﯽ داﻧﺶ ﻫﺴﺘﻨﺪ و ﺳﻪ ﻣﺮﺣﻠﻪ آﺧﺮ ﻧﻤﺎﯾﺶ و ﭘﯿﺎده ﺳﺎزي داﻧﺶ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪ - 31‬ﺷﺶ وﯾﮋﮔﯽ از ﺗﻌﺮﯾﻒ ﺟﺎﻣﻊ ﺑﺮﮐﻤﻦ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﯿﺎن ﮐﻨﯿﺪ‬
‫‪ -1‬داراي ﻗﻮاﻧﯿﻦ ﮐﺎرﺷﻨﺎﺳﺎﻧﻪ اﺳﺖ ‪ - 2‬از ﺟﺴﺘﺠﻮﻫﺎي ﮐﻮرﮐﻮراﻧﻪ اﺟﺘﻨﺎب ﻣﯽ ﮐﻨﺪ ‪ - 3‬ﺑﺎ ﺗﻐﯿﯿﺮ و دﺳﺘﮑﺎري ﺳﯿﻤﺒﻮﻟﻬﺎ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ‬
‫‪ - 4‬اﺻﻮل اﺳﺎﺳﯽ و ﺑﻨﯿﺎدي در ﯾﮏ ﺣﻮزه ﺧﺎص را ﻣﯽ ﻓﻬﻤﺪ و ﻣﯽ ﯾﺎﺑﺪ ‪ - 5‬ﻣﺘﺪﻫﺎي ﺿﻌﯿﻒ اﺳﺘﺪﻻل ﺑﺮاي ﻋﻘﺐ ﻧﺸﯿﻨﯽ در ﻣﻮاﻗﻌﯽ ﮐﻪ ﻗﻮاﻧﯿﻦ ﺧﺒﺮه ﺟﻮاﺑﮕﻮ ﻧﯿﺴﺘﻨﺪ دارد‬
‫‪ - 6 .‬ﺑﺎ ﻣﺴﺎﺋﻞ دﺷﻮار در زﻣﯿﻨﻪ ﻫﺎي ﭘﯿﭽﯿﺪه ﺳﺮوﮐﺎر دارد‪ - 7 .‬ﻣﯽ ﺗﻮاﻧﺪ ﺷﺮﺣﯽ از ﯾﮏ ﻣﺴﺌﻠﻪ ﺑﻪ ﺻﻮرت ﻋﺒﺎرات ﻏﯿﺮ ﺗﺨﺼﺼﯽ ﮔﺮﻓﺘﻪ و آﻧﻬﺎ را ﺑﻪ ﺑﺎزﻧﻤﺎﯾﯽ داﺧﻠﯽ‬
‫ﻣﻨﺎﺳﺐ ﺑﺮاي ﭘﺮدازش ﺑﺎ ﻗﻮاﻧﯿﻦ ﮐﺎرﺷﻨﺎﺳﯽ و ﺗﺨﺼﺼﯽ ﺧﻮد ﺗﺒﺪﯾﻞ ﮐﻨﺪ‪ - 8 .‬ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮاي داﻧﺶ دروﻧﯽ ﺧﻮد ﻧﯿﺰ اﺳﺘﺪﻻل ﮐﻨﺪ‪ ,‬ﺑﻪ ﺧﺼﻮص ﺑﺮاي ﺑﺎزﺳﺎزي ﻣﻨﻄﻘﯽ‬
‫ﻣﺴﯿﺮﻫﺎي اﺳﺘﻨﺘﺎج ﺑﺮاي ﺗﻮﺿﯿﺢ و ﺗﻔﺴﯿﺮ و ﺗﻮﺟﯿﻪ ﮐﺮدن ﺧﻮد‪.‬‬
‫‪-31‬اﻧﻮاع روﯾﻪ ﻫﺎي اﺳﺘﻨﺘﺎج را ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪ -3‬روﯾﻪ اﺳﺘﻨﺘﺎج در ﺳﯿﺴﺘﻤﻬﺎي ﺗﻮﻟﯿﺪ ﻣﺒﺘﻨﯽ ﺑﺮ ﻗﺎﻧﻮن‬ ‫‪ -2‬روﯾﻪ اﺳﺘﻨﺘﺎج در ﺣﺴﺎب ﻣﺴﻨﺪي‬ ‫‪ -1‬روﯾﻪ اﺳﺘﻨﺘﺎج در ﺣﺴﺎب ﮔﺰاره اي‬
‫‪ -32‬دو روش ﻣﻬﻢ را ﻧﺎم ﺑﺒﺮﯾﺪ ﮐﻪ ﻗﻮاﻧﯿﻦ در آﻧﻬﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺮاي ﺗﻄﺎﺑﻖ و اﺟﺮا از ﭘﺎﯾﮕﺎه داﻧﺶ اﻧﺘﺨﺎب ﺷﻮﻧﺪ؟‬
‫‪-1‬زﻧﺠﯿﺮه ﺳﺎزي رو ﺑﻪ ﺟﻠﻮ و ‪ :2‬زﻧﺠﯿﺮه ﺳﺎزي رو ﺑﻪ ﻋﻘﺐ‬
‫‪ -33‬دو ﻣﻔﻬﻮﻣﯽ را ﮐﻪ ﺑﺎﯾﺪ در ﻣﺘﺪوﻟﻮژي ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﺳﯿﺴﺘﻤﻬﺎي ﺧﺒﺮه از ﻫﻢ ﺗﻔﮑﯿﮏ ﮐﺮد ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪ -2‬ﻣﺘﺪﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ‬ ‫‪ -1‬داﻧﺶ داﻣﻨﻪ ﯾﺎ ﺣﻮزه‬
‫‪-34‬ﭼﻬﺎر ﻧﻮع اﺑﺰار ﺗﻮﺳﻌﻪ ﺳﯿﺴﺘﻤﻬﺎي ﺧﺒﺮه را ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪ -1‬زﺑﺎن ﻫﺎي اﻟﮕﻮرﯾﺘﻤﯿﮏ ) ﻣﺎﻧﻨﺪ ‪ -2 ( C,Pascal, Bassic‬زﺑﺎن ﻫﺎي ﺳﯿﻤﺒﻮﻟﯿﮏ ) ﻣﺎﻧﻨﺪ ﻟﯿﺴﭗ و ﭘﺮوﻟﻮگ(‬
‫‪ 4‬ﺑﺪﻧﻪ ﺳﺎﺧﺘﻤﺎن ﺳﯿﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ) ﻣﺎﻧﻨﺪ‪( Crystal,XpertRule,Leonardo,Xi-Plus‬‬ ‫‪ 3‬ﻣﺤﯿﻂ ﻫﺎي ﺗﻮﺳﻌﻪ ) ﻣﺎﻧﻨﺪ ‪( Art,KEE,LOOPS‬‬

‫‪-35‬دو دﺳﺘﻪ ﺑﻨﺪي از زﺑﺎﻧﻬﺎ را در ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻨﻮﯾﺴﯿﺪ؟‬

‫‪ -1‬زﺑﺎﻧﻬﺎي ﻗﺮارداري ‪ :‬ﺑﻪ ﺻﻮرت روﯾﻪ اي در ﻃﺒﯿﻌﺖ ﺗﻮﺻﯿﻒ ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ ﺑﺮاي ﮐﺎر ﺑﺮ اﺳﺎس اﻟﮕﻮرﯾﺘﻢ ‪ ,‬و اﺟﺮاي ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﮑﺎر ﻣﯽ روﻧﺪ‪.‬‬
‫‪ -2‬زﺑﺎﻧﻬﺎي ‪ : AI‬ﮐﻪ ﺑﺮاي ﺳﺎﺧﺖ ﺑﺪﻧﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﮑﺎر ﻣﯽ روﻧﺪ ﻣﺎﻧﻨﺪ ﻟﯿﺴﭗ و ﭘﺮوﻟﻮگ‬
‫‪ - 36‬روش ﻣﯿﻨﯽ ﻣﮑﺲ را ﺗﺸﺮﯾﺢ ﻧﻤﺎﯾﯿﺪ‪.‬‬
‫ﻓﺮض ﮐﻨﯿﺪ ﯾﮏ آﻧﺎﻟﯿﺰ ﮐﻨﻨﺪه ‪ ,‬ﻗﻀﺎوﺗﻬﺎ در ﻣﻮرد ﻣﻮﻗﻌﯿﺘﻬﺎي ﺻﻔﺤﻪ ﺑﺎزي دو ﻧﻔﺮه را ﺑﻪ ﯾﮏ ﻋﺪد ﮐﯿﻔﯿﺘﯽ ﻧﺴﺒﺖ ﻣﯽ دﻫﺪ‪ .‬ﻫﻢ ﭼﻨﯿﻦ ﻓـﺮض ﮐﻨﯿـﺪ ﮐـﻪ اﻋـﺪاد ﻣﺜﺒـﺖ ﻧـﺸﺎن‬
‫دﻫﻨﺪه ﻣﻮﻓﻘﯿﺖ ﯾﮏ ﻓﺮد و اﻋﺪاد ﻣﻨﻔﯽ ﺑﺮاي ﻣﻮﻓﻘﯿﺖ ﺣﺮﯾﻒ او اوﺳﺖ ‪.‬‬
‫ﭘﺮوﺳﻪ ﺗﻌﯿﯿﻦ ﻋﺪد ﮐﯿﻔﯽ را " ارزﯾﺎﺑﯽ آﻣـﺎري" ﻣـﯽ ﻧﺎﻣﻨـﺪ ‪.‬در ﭘﺎﯾـﺎن ﺣﺮﮐـﺎ ت ﻣﯿﺘـﻮان اﻣﺘﯿـﺎزات ارزﯾـﺎﺑﯽ آﻣـﺎري را ﻣﺤﺎﺳـﺒﻪ ﮐـﺮد‪ .‬اﻣﯿـﺪ ﺑـﺎزﯾﮑﻦ ﺑـﺮاي اﻋـﺪاد ﻣﺜﺒـﺖ‬
‫ﺑﯿﺸﺘﺮ)‪ (Max‬و ﺑﺮاي ﺣﺮﯾﻒ او ﮐﻤﺘﺮ)‪ (min‬اﺳﺖ ‪ .‬در ﺳﻄﺢ ﻣﯿﺎﻧﯽ در درﺧﺖ ﺟﺴﺘﺠﻮ ‪،‬ارزش ﻧﻬﺎﯾﯽ ﻧـﺸﺎﻧﺪاده ﺷـﺪه اﺳـﺖ ‪.‬ارزش ﯾـﮏ وﺿـﻌﯿﺖ ﻏﯿـﺮ ﭘﺎﯾـﺎﻧﯽ ﺑﻮﺳـﯿﻠﻪ‬
‫ﺑﺮﮔﺸﺖ دوﺑﺎره از ﻣﺮاﺣﻞ ﭘﺎﯾﺎﻧﯽ ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ ‪ .‬اﯾﻦ روش ﮐﻪ ﺑﻮﺳﯿﻠﻪ اﻃﻼﻋﺎت اﻣﺘﯿﺎز دﻫﻨﺪﮔﯽ ﺷﻤﺎ را از درﺧﺖ ﺟﺴﺘﺠﻮي ﺑﺎزي ﻣﯽ ﮔﺬراﻧﺪ روﯾﻪ ﻣﯿﻨﯽ ﻣﮑﺲ ﻧﺎﻣﯿﺪه‬
‫ﻣﯽ ﺷﻮد‪.‬‬

‫‪ - 37‬روﯾﻪ ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي را ﺑﺎ ﯾﮏ ﺷﮑﻞ ﺗﻮﺿﯿﺢ دﻫﯿﺪ‬

‫ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي ‪ ،‬ﯾﮏ ﺟﺴﺘﺠﻮي ﻋﻤﻘﯽ ﺑﺎ ﯾﮏ اﻧﺪازه ﮔﯿﺮي اﮐﺘﺸﺎﻓﯽ اﺳﺖ ﮐﻪ ﮔﺮه ﻫﺎﯾﯽ را ﮐﻪ ﮔﺴﺘﺮش ﻣﯽ دﻫﯿﻢ ﻣﺮﺗﺐ ﻣﯽ ﮐﻨﺪ‪ .‬ﺷﻤﺎره ﮐﻨﺎر ﮔﺮه ﻫﺎ ‪ ،‬ﻣﺴﺎﻓﺖ‬
‫ﺧﻂ ﻣﺴﺘﻘﯿﻤﯽ اﺳﺖ ﮐﻪ ﮔﺮه ﺑﺎ ﮔﺮه ﻫﺪف دارد‪.‬‬

‫روﯾﻪ ﺟﺴﺘﺠﻮي ﺗﭙﻪ ﻧﻮردي‪:‬‬

‫‪ -1‬اﮔﺮ ﻫﺪف ﭘﯿﺪا ﺷﺪ ﻣﻮﻓﻘﯿﺖ را ﻧﺸﺎن ﺑﺪه در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﺷﮑﺴﺖ را ﻧﺸﺎن ﺑﺪه‪.‬‬
 ‫‪ -2‬از ﯾﮑﯽ از ﻋﻨﺎﺻﺮ ﺻﻒ ﺷﺎﻣﻞ ﮔﺮه رﯾﺸﻪ ﺷﺮوع ﮐﻦ‬
‫‪ -3‬ﺗﺎ زﻣﺎﻧﯽ ﮐﻪ ﺻﻒ ﻫﺴﺖ ﺧﺎﻟﯽ ﯾﺎ ﻫﺪف ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ ﺗﻌﯿﯿﻦ ﮐﻦ ﮐﻪ آﯾﺎ اوﻟﯿﻦ ﻋﻨﺼﺮدر ﺻﻒ ﮔﺮه ﻫﺪف اﺳﺖ ‪:‬‬
‫‪ (a‬اﮔﺮ اوﻟﯿﻦ ﻋﻨﺼﺮ ﮔﺮه ﻫﺪف اﺳﺖ ﮐﺎري اﻧﺠﺎم ﻧﺪه‬
‫‪ (b‬اﮔﺮ اوﻟﯿﻦ ﻋﻨﺼﺮ؛ ﮔﺮه ﻫﺪف ﻧﯿﺴﺖ ‪ ،‬اوﻟﯿﻦ ﮔﺮه را ﺣﺬف ﮐﻦ‪ .‬ﻓﺮزﻧﺪان آن ﮔﺮه را اﮔﺮ وﺟﻮد دارد ﻣﺮﺗﺐ ﮐﻦ ‪ ،‬ﻣﺴﺎﻓﺖ ﺑﺎﻗﯽ ﻣﺎﻧﺪه را ﺗﺨﻤﯿﻦ ﺑﺰن‪.‬و آﻧﻬﺎ را در‬
‫اﺑﺘﺪاي ﺻﻒ اﺿﺎﻓﻪ ﮐﻦ ‪.‬‬
‫‪ - 38‬اﻣﮑﺎﻧﺎت ﻧﻤﻮﻧﻪ اي ﭘﯿﺎده ﺳﺎزي ﺗﻬﯿﻪ ﺷﺪه ﺗﻮﺳﻂ ﺷﻞ ﻫﺎ را ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪ - 2‬ﯾﮏ وﯾﺮاﺳﺘﺎر ﭘﺎﯾﮕﺎه داﻧﺶ ‪ - 3‬اﻣﮑﺎﻧﺎت ردﯾﺎﺑﯽ و اﺷﮑﺎﻟﺰداﯾﯽ ‪ - 4‬ﺗﻌﺪادي اﻣﮑﺎﻧﺎت واﺳﻂ ﮐﺎرﺑﺮي‬ ‫‪ - 1‬ﯾﮏ زﺑﺎن ﺑﺎزﻧﻤﺎﯾﯽ داﻧﺶ‬
‫‪ - 5‬ﺑﻪ زﺑﺎن ﻫﺎي ﻗﺮاردادي ﯾﺎ ﻣﻌﻤﻮﻟﯽ ‪ /‬ﺧﺎرﺟﯽ ﻣﯽ ﭘﯿﻮﻧﺪﻧﺪ‪ - 6 .‬اﻣﮑﺎﻧﺎﺗﯽ ﺑﺮاي اﺳﺘﺪﻻل ﻫﺎي ﻏﯿﺮ ﺣﺘﻤﯽ ‪ - 7‬اﻣﮑﺎﻧﺎت ﻗﯿﺎس ﮐﻞ از ﺟﺰء )ﺷﺎﯾﺪ(‬
‫‪ - 39‬دﯾﺪ و ﺑﯿﻨﺎﯾﯽ ﮐﺎﻣﭙﯿﻮﺗﺮي را ﺑﺎ ذﮐﺮ ﭼﻨﺪ ﮐﺎرﺑﺮ ﺗﻌﺮﯾﻒ ﮐﻨﯿﺪ‬
‫دﯾﺪ ﯾﺎ ‪ vision‬ﭘﺮدازﺷﯽ اﺳﺖ ﮐﻪ ﺑﻪ وﺳﯿﻠﻪ ان ﺷﺮح ﻣﻨﺎﻇﺮ ﻓﯿﺰﯾﮑﯽ از ﺗﺼﻮﯾﺮ اﻧﻬﺎ اﺳﺘﻨﺘﺎج ﻣﯽ ﺷﻮد‪.‬ﮐﺎرﺑﺮدﻫﺎي ﻣﺘﻨﻮﻋﯽ از ﭼﺸﻢ ﮐﺎﻣﭙﯿﻮﺗﺮي وﺟﻮد دارﻧﺪ ﻫﻤﺎﻧﻨﺪ‪ :‬اﻧﺎﻟﯿﺰ‬
‫ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ ‪ ,‬ﻣﻮﻧﺘﺎژ ﮐﺮدن )‪ , ( assembly‬ﮐﺸﺘﯿﺮاﻧﯽ و ﻧﺎوﺑﺮي ‪ ,‬واﺳﻂ اﻧﺴﺎن و ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻏﯿﺮه‪.‬‬
‫‪ - 40‬ﭼﻬﺎر ﻣﺮﺣﻠﻪ ﺗﻘﻠﯿﺪ ﮐﺎﻣﭙﯿﻮﺗﺮ از دﯾﺪ اﻧﺴﺎن را ﻧﺎم ﺑﺒﺮﯾﺪ‬
‫‪ 4‬ﻣﺮﺣﻠﻪ ﺗﻘﻠﯿﺪ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﻪ ﺗﺮﺗﯿﺐ ﻋﺒﺎرﺗﻨﺪ از ‪(1‬اﮐﺘﺴﺎب ﺗﺼﻮﯾﺮ ‪ (2‬ﭘﺮدازش ﺗﺼﻮﯾﺮ ‪ (3‬ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺗﺼﻮﯾﺮ ‪ (4‬ﻓﻬﻢ ﺗﺼﻮﯾﺮ‬
‫‪ - 41‬ﭼﻨﺪ ﮐﺎرﺑﺮد از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻧﺎم ﺑﺒﺮﯾﺪ؟‬
‫‪ -1‬اﻟﯿﺰا ‪ :‬ﻧﻮﻋﯽ ﺗﻘﻠﯿﺪ از ﯾﮏ ﺟﻠﺴﻪ رواﻧﭙﺰﺷﮑﯽ ‪ -2‬ﭘﺎراﻧﻮﯾﯿﺪ ﻣﺼﻨﻮﻋﯽ ‪ : Parry‬ﭘﺮي ﻧﻘﺶ ﺑﯿﻤﺎر رواﻧﯽ را ﺑﺎزي ﻣﯽ ﮐﻨﺪ‬
‫‪ -3‬دﻧﺪرال ‪ : Dendral‬ﯾﺎﻓﺘﻦ ﺳﺎﺧﺘﻤﺎن ﻣﻮﻟﮑﻮﻟﯽ ﯾﮏ ﺟﺴﻢ ﻣﺮﮐﺐ ‪ -4‬ﻣﺎﯾﺴﯿﻦ‪ :‬ﺗﺸﺨﯿﺺ و درﻣﺎن ﺑﯿﻤﺎري ﻋﻔﻮﻧﯽ‬
‫‪ : R1(XCON) -5‬ﻣﺪﯾﺮﯾﺖ ﺗﻬﯿﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ ﺑﺮ اﺳﺎس ﻗﻄﻌﺎت درﺧﻮاﺳﺘﯽ و ﺳﻔﺎرﺷﯽ ﻣﺸﺘﺮي ‪ : PROSPECTOR -6‬ﻣﻌﺪن ﯾﺎب‬
‫‪ - 42‬دو ﺗﮑﻨﯿﮏ ﺑﺮاي ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ زﺑﺎن ﻃﺒﯿﻌﯽ ﯾﺎ ‪ NL‬را ﻧﺎم ﺑﺮده و ﺷﺮح دﻫﯿﺪ‬
‫‪ (1‬ﺗﻄﺒﯿﻖ ﺑﺎ ﻗﺎﻟﺐ )ﻫﻤﭽﻨﯿﻦ ‪.( key board analysis‬در اﯾﻦ روش ﺳﯿﺴﺘﻢ ﺟﻤﻠﻪ وروردي را ﺑﺮاي ﮐﻠﻤﺎت ﮐﻠﯿﺪي ﺧﺎﺻﯽ ﭘﻮﯾﺶ ﻣﯽ ﮐﻨﺪو وﻗﺘﯽ ﭘﯿﺪا ﺷﺪﻧﺪ ‪ ,‬ﺳﯿﺴﺘﻢ‬
‫ﺑﺎ ﯾﮏ ﭘﺎﺳﺦ ﻣﻮﺟﻮد واﮐﻨﺶ ﻧﺸﺎن ﻣﯽ دﻫﺪ‪.‬‬
‫‪ (2‬ﺗﺠﺰﯾﻪ ﻧﺤﻮي )‪: (Syntactic driven Parsing‬در اﯾﻦ روش از داﻧﺶ ﻗﻮاﻋﺪ ﯾﮏ زﺑﺎن ﺑﺮاي ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد‪.‬‬
‫‪ WebBot ! 43‬ﭼﯿﺴﺖ ؟‬
‫ﯾﮏ ﻣﺎﺷﯿﻦ ﻋﺎﻣﻞ اﺳﺖ ﮐﻪ در ﺧﻮاﺳﺘﻬﺎي ﻋﺎﻣﻞ ﻫﺎي دﯾﮕﺮ را ﮐﻪ ﻣﺮﺗﺒﻂ ﺑﺎ اﯾﻨﺘﺮﻧﺖ اﺳﺖ را اﻧﺠﺎم ﻣﯽ دﻫﺪ ‪ .‬اﯾﻦ ﻋﺎﻣﻞ ﻣﻬﺎرت ﻻزم ﺑﺮاي ﻓﺮاﻫﻢ ﮐﺮدن اﻃﻼﻋﺎت ﻣﻮرد‬
‫ﻧﯿﺎز از اﯾﻨﺘﺮﻧﺖ را از ﻃﺮﯾﻖ ﺟﺴﺘﺠﻮ در اﯾﻨﺘﺮﻧﺖ داراﺳﺖ و وﻇﯿﻔﻪ ﺗﻌﺎﻣﻞ و درﯾﺎﻓﺖ راه ﺣﻠﻬﺎي ﺟﺌﯽ اراﯾﻪ ﺷﺪه از ﻋﺎﻣﻠﻬﺎي وﺑﯽ درﺧﻮاﺳﺖ ﺷﺪه از ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰ و اﻧﺘﻘﺎل‬
‫آن را ﺑﻪ ﻋﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰ را ﺑﻪ ﻋﻬﺪه دارد ‪.‬‬