Professional Documents
Culture Documents
ﺣﺴﻦ ﻋﺴﻜﺮزاده
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
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.
ﺟﻌﺒﻪ آﻛﺎﻫﻲ
ﺳﻴﺴﺘﻢ ﺣﺮﻛﺘﻲ
ﺳﻴﺴﺘﻢ ﺣﻮاس
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.
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
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 .
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
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 .
1 Hart
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 9
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
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 13
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
1 learning
2 retrieval
16
.
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
.
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 .
.
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
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 25
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 27
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 29
1 Props
2 Scene
.
ﻓﺮاﮔﻴﺮي و ﻧﻤﺎﻳﺶ داﻧﺶ 31
• 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
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
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.
.
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 .
.
ﺗﻜﻨﻴﻜﻬﺎي ﺟﺴﺘﺠﻮ 41
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
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.
.
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
ﺑﺮاي ﺑﻜﺎر ﮔﺮﻓﺘﻦ ﻳﻚ ﺟﺴﺘﺠﻮي ﻣﺎ ﻧﻴﺎز دارﻳﻢ ﻛﻪ ﮔﺮه ﻫﺎي ﭘﺎﻳﻪ ،ﺑﺮاﺳﺎس ﻣﻘﺪار
48
.
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.
.
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
.
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
Table 6.1
12 364404
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 :
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
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 :
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.
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:
.
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 .
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
,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.
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
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.
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
:
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
] 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.
.
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.
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
S(np(name(john)),
Vp(v(ate),
Np(art(the),
))))N(cat
.
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:
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.
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.
.
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
.
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.
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
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
( 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
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.
3 . NP ART N
4 . NP ADJ N
5 . VP AUX V NP
6 . VP V NP
: ﮔﺎﻣﻬﺎي ﺗﺠﺰﻳﻪ
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
. 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.
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
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).
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).
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
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.
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.
.
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.
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.
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
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
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
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
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
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
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
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه
ﺳﻴﺴﺘﻢ ﺧﺒﺮه
اﻫﺪاف
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.
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
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه 113
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.
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
ﺑﻪ ﻫﺮﺣﺎل ﺗﻔﺎوﺗﻬﺎي اﺳﺎﺳﻲ ﺑﻴﻦ ﭘﺎﻳﮕﺎه ﻫﺎي داده و ﭘﺎﻳﮕﺎه داﻧﺶ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ
)ﺟﺪول :(8-3
ﭘﺎﻳﮕﺎه داده ﭘﺎﻳﮕﺎه داﻧﺶ
.
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.
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.
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
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.
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؟ -
.
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.
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:
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه 125
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.
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.
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه 129
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
.
ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه 131
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.
.
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
.
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
.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.
.
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
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.
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
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.
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
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
● 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
● 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.
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
ارﺳﺎل ﺗﻘﺎﺿﺎ
ﭘﺬﻳﺮش ﺗﻘﺎﺻﺎي اﺟﺮاﻳﻲ
ﻓﺮﻣﺎن اﻃﻼع
ﻓﺮﻣﺎن اﻃﻼع
راه ﺣﻞ
ﺑﺮاي
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
,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.
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
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 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.
-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
-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
-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
-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
-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.