4 506027562141483053 PDF

‫کتابخانه دیجیتال فارسی کتاب‬
‫دانلود رایگان کتاب های الکتزونیکی‬

‫آموسشی‪ ،‬مذهبی‪ ،‬تاریخی‪ ،‬ادبیات و داستان‪ ،‬کامپیوتز و اینتزنت‪ ،‬جشوات دانشگاهی‪ ،‬رمان‪،‬‬
‫نمایشنامه و فیلمنامه‪ ،‬شعز‪ ،‬هنز‪ ،‬پششکی‪ ،‬روانشناسی‪ ،‬بانوان‪ ،‬مهنذسی و ‪...‬‬
‫آدرس های ما ‪:‬‬
‫‪www.farsiketab. com‬‬
‫‪www.farsiketab. ir‬‬
‫تاالر گفتمان فارسی کتاب ‪www. FORUM. farsiketab. com‬‬
‫فروشگاه اینترنتی فارسی کتاب ‪www. shop. farsiketab. com‬‬

‫‪www.IrPDF.com‬‬
‫واﺣﺪ ﻣﺴﺠﺪﺳﻠﻴﻤﺎن‬
‫داﻧﺸﻜﺪه ﻓﻨﻲ و ﻣﻬﻨﺪﺳﻲ‬
‫ﻋﻨﻮان ﭘﺮوژه‪:‬‬
‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫اﺳﺘﺎد راﻫﻨﻤﺎ ‪:‬‬
‫ﻣﻬﻨﺪس ﺣﻴﺪرآزاد‬
‫ﺗﻬﻴﻪ ﻛﻨﻨﺪه‪:‬‬
‫ﻣﺤﺴﻦ ﺷﻬﺒﺎزي‬
‫رﺷﺘﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ‬
‫دي ﻣﺎه ‪87‬‬
‫‪1‬‬
‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫ﭼﻜﻴﺪه ‪:‬‬
‫در ﻓﺼﻞ اول درﺑﺎره ي ﺗﺎرﻳﺨﭽﻪ و اﻳﻨﻜﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﻴﺴﺖ ﺗﻮﺿﻴﺢ داده ﺷﺪه‬
‫در ﻓﺼﻞ دوم ﻧﺤﻮه ﺷﻜﻞ ﮔﻴﺮي ‪ ،‬زﻳﺮﺷﺎﺧﻪ ﻫﺎ و ﺗﻌﺎرﻳﻔﻲ از ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮﺿﻴﺢ‬
‫داده ﺷﺪه در ﻓﺼﻞ ﺳﻮم ﺑﻪ ﺗﻜﻨﻴﻚ ﻫﺎ و زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﭘﺮداﺧﺘﻪ ﺷﺪه در ﻓﺼﻞ ﭼﻬﺎرم ﻫﻢ ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ‪ ،‬روﺑﺎﺗﻴﻚ و ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ‬
‫در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮﺿﻴﺢ داده ﺷﺪه اﺳﺖ و در آﺧﺮ ﻳﻌﻨﻲ ﻓﺼﻞ ﭘﻨﺠﻢ ﻧﺘﻴﺠﻪ ﮔﻴﺮي ‪،‬‬
‫ﭘﻴﺸﻨﻬﺎدات و ﻣﻨﺎﺑﻊ و ﻣﺎﺧﺬ وﺟﻮد دارد‪.‬‬
‫‪2‬‬

‫ﻓﻬﺮﺳﺖ‬
‫ﻓﺼﻞ اول‪ :‬ﻣﻘﺪﻣﻪ اي از ﻛﻠﻴﺎت ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫ﻣﻘﺪﻣﻪ ‪:‬‬
‫‪ 1-1‬ﺗﺎرﻳﺨﭽﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪8........................................................................... :‬‬
‫‪ 2-1‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﻴﺴﺖ؟ ‪11........................................................................ :‬‬
‫ﻓﺼﻞ دوم ‪ :‬ﺗﻌﺎرﻳﻔﻲ از ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫‪ 1-2‬ﻧﺤﻮه ﺷﻜﻞ ﮔﻴﺮي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪15.......................................................... :‬‬
‫‪ 2-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ و ﻫﻮش اﻧﺴﺎﻧﻲ ‪16.............................................................. :‬‬
‫‪ 3-2‬اﻓﻖ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪17........................................................................ :‬‬
‫‪ 4-2‬ﺷﺎﺧﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪20..................................................................... :‬‬
‫‪ 5-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﻮي و وﺿﻌﻴﻒ ‪21...............................................................:‬‬
‫ﻓﺼﻞ ﺳﻮم ‪ :‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫‪ 1-3‬ﻣﻘﺪﻣﻪ اي از زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪23......................... :‬‬
‫‪ 2-3‬ﺗﻜﻨﻴﻚ ﻫﺎ و زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪23..........................:‬‬
‫‪ 3-3‬زﺑﺎن‪،‬ﺷﻨﺎﺧﺖ و ﺧﻼﺻﻪ ﭘﺮدازي ‪24.............................................................. :‬‬
‫‪ 4-3‬زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪28...................................................................... : AI‬‬
‫‪AI 5-3‬ﻫﺎي ﻣﺘﺨﺼﺺ ‪30................................................................................... :‬‬
‫‪3‬‬

‫‪ 6-3‬ﺧﺼﻮﺻﻴﺎت ﻣﻄﻠﻮب ﻳﻚ زﺑﺎن ‪30.......................................................... : AI‬‬
‫‪ 1-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺤﺎﺳﺒﺎت ﺳﻤﺒﻮﻟﻴﻚ ‪31....................................................................:‬‬
‫‪ 2-6-3‬اﻧﻌﻄﺎف ﭘﺬﻳﺮ ﺑﻮدن ﻛﻨﺘﺮل‪33................................................................................. :‬‬
‫‪ 3-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ‪35..........................................:‬‬
‫‪ 4-6-3‬ﺗﻌﺎرﻳﻒ ﻣﺸﺨﺺ و واﺿﺢ‪42.....................................................................................:‬‬
‫‪ 7-3‬ﺧﻼﺻﻪ اي درﺑﺎره ‪ LISP‬و ‪43............................................... : PROLOG‬‬
‫‪43..................................................................................................... : PROLOG 1-7-3‬‬
‫‪44................................................................................................................. : LISP 2-7-3‬‬
‫‪ 8-3‬ﻣﺤﻴﻄﻬﺎي ﻫﻴﺒﺮﻳﺪ ‪47................................................................................. . :‬‬
‫ﻓﺼﻞ ﭼﻬﺎرم ‪ :‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪،‬روﺑﺎﺗﻴﻚ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫‪ 1-4‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪:‬‬
‫‪ 1-1-4‬ﺗﺎرﻳﺨﭽﻪ‪52...............................................................................................:‬‬
‫‪ 2-1-4‬اﺟﺰاي اﺻﻠﻲ ﺗﺸﻜﻴﻞ دﻫﻨﺪه ي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻋﺒﺎرﺗﻨﺪ از ‪55....... :‬‬
‫‪ 2-1-4‬ﮔﺬري ﺑﺮ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه)‪57..........................: (Expert Systems‬‬
‫‪ 3-1-4‬ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭼﻴﺴﺖ؟ ‪58..................................................................... :‬‬
‫‪ 4-1-4‬ﺳﺎﺧﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‪59..................................................................:‬‬
‫‪ 5-1-4‬اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي ‪60.................................................................... :‬‬
‫‪4‬‬

‫‪ 6-1-4‬ﻣﺰاﻳﺎ و ﻣﺤﺪودﻳﺖﻫﺎي ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ‪61........................................ :‬‬
‫‪ 7-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪62................................................................ :‬‬
‫‪ 8-1-4‬آﻳﻨﺪه ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‪64................................................................... :‬‬
‫‪ 9-1-4‬ﭼﻨﺪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﺸﻬﻮر‪64................................................................. :‬‬
‫‪ 10-1-4‬ﺳﺎﺧﺘﺎر ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ‪65......................................... :‬‬
‫‪ 11-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﺎ ‪67..................................... :‬‬
‫‪ 12-1-4‬ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ ‪68.................................................................................. :‬‬
‫‪ 13-1-4‬ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ‪69................................................... :‬‬
‫‪ 14-1-4‬ﻧﻤﺎﻳﻪ ﺳﺎزي ‪70...................................................................................... :‬‬
‫‪ 15-1-4‬ﻣﺪﻳﺮﻳﺖ ‪70........................................................................................... :‬‬
‫‪ 2-4‬روﺑﺎﺗﻴﻚ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬
‫‪ 1-2-4‬روﺑﺎﺗﻴﻚ ﭼﻴﺴﺖ ؟ ‪73............................................................................. :‬‬
‫‪ 2-2-4‬وﻳﮋﮔﻴﻬﺎي ﻳﻚ روﺑﺎت ‪74......................................................................... :‬‬
‫‪ 3-2-4‬آﻧﺎﺗﻮﻣﻲ اﻧﺪام روﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ اﻧﺴﺎن‪75................................................ :‬‬
‫‪ 4-2-4‬ﺣﺮﻛﺖ در روﺑﺎت ‪76................................................................................ :‬‬
‫‪ 5-2-4‬ﻟﮕﻮ روﺑﺎت )‪77................................................................. :(lego robot‬‬
‫‪ 3-4‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪:‬‬
‫‪ 1- 3-4‬ﭼﻜﻴﺪه‪78................................................................................................ :‬‬
‫‪5‬‬

‫‪ 2-3-4‬ﻣﻘﺪﻣﻪ‪79................................................................................................. :‬‬
‫‪ 3-3-4‬ﻓﻨﺎوري ﺷﺒﻜﻪ ﻋﺼﺒﻲ ‪80........................................................................ :‬‬
‫‪ 4-3-4‬ﻓﻨﺎوري اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ‪83................................................................... :‬‬
‫‪ 5-3-4‬ﻣﺮوري ﺑﺮ ﻛﺎرﺑﺮدﻫﺎي ﺗﺠﺎري ‪84............................................................ :‬‬
‫‪ 1-5-3-4‬ﺑﺎزارﻳﺎﺑﻲ‪84............................................................................................................. :‬‬
‫‪ 2-5-3-4‬ﺑﺎﻧﻜﺪاري و ﺣﻮزه ﻫﺎي ﻣﺎﻟﻲ ‪86.......................................................................... :‬‬
‫‪ 3-5-3-4‬ﺳﺎﻳﺮ ﺣﻮزه ﻫﺎي ﺗﺠﺎري ‪88.................................................................................. :‬‬
‫ﻓﺼﻞ ﭘﻨﺠﻢ ‪ :‬ﻧﺘﻴﺠﻪ ﮔﻴﺮي و ﭘﻴﺸﻨﻬﺎدات‬
‫ﻧﺘﻴﺠﻪ ﮔﻴﺮي ‪91.................................................................................................... :‬‬
‫ﭘﻴﺸﻨﻬﺎدات ‪94..................................................................................................... :‬‬
‫ﻣﻨﺎﺑﻊ و ﻣﺎﺧﺬ ‪95................................................................................................... :‬‬
‫‪6‬‬

www.IrPDF.com
‫ﻓﺼﻞ اول‬
‫ﻣﻘﺪﻣﻪ اي از ﻛﻠﻴﺎت ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
www.IrPDF.com www.IrPDF.com www.IrPDF.com

‫ﻣﻘﺪﻣﻪ‬
‫‪ 1-1‬ﺗﺎرﻳﺨﭽﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﺧﻮدي ﺧﻮد‬

‫ﻋﻠﻤﻲ اﺳﺖ ﻛﺎﻣﻼً ﺟﻮان‪ .‬در واﻗﻊ‬
‫ﺑﺴﻴﺎري ﺷﺮوع ﻫﻮش ﻣﺼﻨﻮﻋﻲ را‬
‫‪ 1950‬ﻣﻲ داﻧﻨﺪ زﻣﺎﻧﻲ ﻛﻪ آﻟﻦ ﺗﻮرﻳﻨﮓ‬
‫ﻣﻘﺎﻟﻪ دورانﺳﺎز ﺧﻮد را در ﺑﺎب‬
‫ﭼﮕﻮﻧﮕﻲ ﺳﺎﺧﺖ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ﻧﻮﺷﺖ )آﻧﭽﻪ ﺑﻌﺪﻫﺎ ﺑﻪ ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻣﺸﻬﻮر ﺷﺪ(‬
‫ﺗﻮرﻳﻨﮓ درآن ﻣﻘﺎﻟﻪ ﻳﻚ روش را ﺑﺮاي ﺗﺸﺨﻴﺺ ﻫﻮﺷﻤﻨﺪي ﭘﻴﺸﻨﻬﺎد ﻣﻲﻛﺮد‪ .‬اﻳﻦ روش‬
‫ﺑﻴﺸﺘﺮ ﺑﻪ ﻳﻚ ﺑﺎزي ﺷﺒﻴﻪ ﺑﻮد‪.‬‬
‫ﻓﺮض ﻛﻨﻴﺪ ﺷﻤﺎ در ﻳﻚ ﺳﻤﺖ ﻳﻚ دﻳﻮار )ﭘﺮده ﻳﺎ ﻫﺮ ﻣﺎﻧﻊ دﻳﮕﺮ( ﻫﺴﺘﻴﺪ و ﺑﻪ ﺻﻮرت ﺗﻠﻪ‬
‫ﺗﺎﻳﭗ ﺑﺎآن ﺳﻮي دﻳﻮار ارﺗﺒﺎط دارﻳﺪ و ﺷﺨﺼﻲ از آن ﺳﻮي دﻳﻮار از اﻳﻦ ﻃﺮﻳﻖ ﺑﺎ ﺷﻤﺎ در‬
‫ﺗﻤﺎس اﺳﺖ‪ .‬ﻃﺒﻴﻌﺘﺎً ﻳﻚ ﻣﻜﺎﻟﻤﻪ ﺑﻴﻦ ﺷﻤﺎ و ﺷﺨﺺ آن ﺳﻮي دﻳﻮار ﻣﻲﺗﻮاﻧﺪ ﺻﻮرت ﭘﺬﻳﺮد‪.‬‬
‫ﺣﺎل اﮔﺮ ﭘﺲ از ﭘﺎﻳﺎن اﻳﻦ ﻣﻜﺎﻟﻤﻪ‪ ،‬ﺑﻪ ﺷﻤﺎ ﮔﻔﺘﻪ ﺷﻮد ﻛﻪ آن ﺳﻮي دﻳﻮار ﻧﻪ ﻳﻚ ﺷﺨﺺ ﺑﻠﻜﻪ‬
‫)ﺷﻤﺎ ﻛﺎﻣﻼً از ﻫﻮﻳﺖ ﺷﺨﺺ آن ﺳﻮي دﻳﻮار ﺑﻲﺧﺒﺮﻳﺪ( ﻳﻚ ﻣﺎﺷﻴﻦ ﺑﻮده ﻛﻪ ﭘﺎﺳﺦ ﺷﻤﺎ را‬
‫ﻣﻲداده‪ ،‬آن ﻣﺎﺷﻴﻦ ﻳﻚ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ﺧﻮاﻫﺪ ﺑﻮد‪ ،‬در ﻏﻴﺮ اﻳﻦ ﺻﻮرت)ﻳﻌﻨﻲ در ﺻﻮرﺗﻲ‬
‫ﻛﻪ ﺷﻤﺎ در وﺳﻂ ﻣﻜﺎﻟﻤﻪ ﺑﻪ ﻣﺼﻨﻮﻋﻲ ﺑﻮدن ﭘﺎﺳﺦ ﭘﻲ ﺑﺒﺮﻳﺪ( ﻣﺎﺷﻴﻦ آن ﺳﻮي دﻳﻮار‬
‫ﻫﻮﺷﻤﻨﺪ ﻧﻴﺴﺖ و ﻣﻮﻓﻖ ﺑﻪ ﮔﺬراﻧﺪن ﺗﺴﺖ ﺗﻮرﻳﻨﮓ ﻧﺸﺪه اﺳﺖ‪.‬‬
‫ﺑﺎﻳﺪ دﻗﺖ ﻛﺮد ﻛﻪ ﺗﻮرﻳﻨﮓ ﺑﻪ دو دﻟﻴﻞ ﻛﺎﻣﻼً ﻣﻬﻢ اﻳﻦ ﻧﻮع از ارﺗﺒﺎط)ارﺗﺒﺎط ﻣﺘﻨﻲ ﺑﻪ ﺟﺎي‬
‫ﺻﻮت( را اﻧﺘﺨﺎب ﻛﺮد‪ .‬اول اﻳﻦ ﻛﻪ ﻣﻮﺿﻮع ادراﻛﻲ ﺻﻮت را ﻛﺎﻣﻼً از ﺻﻮرت ﻣﺴﺎُﻟﻪ ﺣﺬف‬
‫ﻛﻨﺪ و اﻳﻦ ﺗﺴﺖ ﻫﻮﺷﻤﻨﺪي را درﮔﻴﺮ ﻣﺒﺎﺣﺚ ﻣﺮﺑﻮط ﺑﻪ درﻳﺎﻓﺖ و ﭘﺮدازش ﺻﻮت ﻧﻜﻨﺪ و‬
‫دوم اﻳﻦ ﻛﻪ ﺑﺮ ﺟﻬﺖ دﻳﮕﺮي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﺳﻤﺖ ﻧﻮﻋﻲ از ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ ﺗﺎﻛﻴﺪ‬
‫ﻛﻨﺪ‪.‬‬
‫‪8‬‬

‫در ﻫﺮ ﺣﺎل ﻫﺮ ﭼﻨﺪ ﺗﺎﻛﻨﻮن ﺗﻼشﻫﺎي ﻣﺘﻌﺪدي در ﺟﻬﺖ ﭘﻴﺎده ﺳﺎزي ﺗﺴﺖ ﺗﻮرﻳﻨﮓ‬
‫ﺻﻮرت ﮔﺮﻓﺘﻪ ﻣﺎﻧﻨﺪ ﺑﺮﻧﺎﻣﻪ‬
‫ﻫﻤﺎﻧﮕﻮﻧﻪ ﻛﻪ ﻣﺸﺨﺺ اﺳﺖ‪ ،‬اﻳﻦ ﺗﺴﺖ ﻧﻴﺰ ﻛﻤﺎﻛﺎن دو ﭘﻴﺶ ﻓﺮض اﺳﺎﺳﻲ را در ﺑﺮدارد‪:‬‬
‫‪- 1‬ﻧﻤﻮﻧﻪ ﻛﺎﻣﻞ ﻫﻮﺷﻤﻨﺪي اﻧﺴﺎن اﺳﺖ‪.‬‬
‫‪2‬ـ ﻣﻬﻤﺘﺮﻳﻦ ﻣﺸﺨﺼﻪ ﻫﻮﺷﻤﻨﺪي ﺗﻮاﻧﺎﻳﻲ ﭘﺮدازش و درك زﺑﺎن ﻃﺒﻴﻌﻲ اﺳﺖ‪.‬‬
‫درﺑﺎره ﻧﻜﺘﻪ اول ﺑﻪ ﺗﻔﺼﻴﻞ ﺗﺎ ﺑﺪﻳﻦ ﺟﺎ ﺳﺨﻦ ﮔﻔﺘﻪ اﻳﻢ؛ اﻣﺎ ﻧﻜﺘﻪ دوم ﻧﻴﺰ ﺑﻪ ﺧﻮدي ﺧﻮد‬
‫ﺑﺎﻳﺪ ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮارﮔﻴﺮد‪ .‬اﻳﻦ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ درك زﺑﺎن ﻧﺸﺎﻧﻪ ﻫﻮﺷﻤﻨﺪي اﺳﺖ ﺗﺎرﻳﺨﻲ ﺑﻪ‬
‫ﻗﺪﻣﺖ ﺗﺎرﻳﺦ ﻓﻠﺴﻔﻪ دارد‪ .‬از ﻧﺨﺴﺘﻴﻦ روزﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﻓﻠﺴﻔﻪ)‪ (Epistemology‬ﭘﺮداﺧﺘﻪ‬
‫ﺷﺪه زﺑﺎن ﻫﻤﻴﺸﻪ در ﺟﺎﻳﮕﺎه ﻧﺨﺴﺖ ﻓﻌﺎﻟﻴﺖﻫﺎي ﺷﻨﺎﺧﺘﻲ ﻗﺮار داﺷﺘﻪ اﺳﺖ‪ .‬از ﻳﻮﻧﺎﻧﻴﺎن‬
‫ﺑﺎﺳﺘﺎن ﻛﻪ ﻟﻮﮔﻮس را ﺑﻪ ﻋﻨﻮان زﺑﺎن و ﺣﻘﻴﻘﺖ ﻳﻜﺠﺎ ﺑﻪ ﻛﺎر ﻣﻲﺑﺮدﻧﺪ ﺗﺎ ﻓﻴﻠﺴﻮﻓﺎن اﻣﺮوزﻳﻦ‬
‫ﻛﻪ ﻳﺎ زﺑﺎن را ﺧﺎﻧﻪ وﺟﻮد ﻣﻲداﻧﻨﺪ‪ ،‬ﻳﺎ آن را رﻳﺸﻪ ﻣﺴﺎﺋﻞ ﻓﻠﺴﻔﻲ ﻣﻲﺧﻮاﻧﻨﺪ؛ زﺑﺎن‪ ،‬ﻫﻤﻮاره‬
‫ﺷﺎُن ﺧﻮد را ﺑﻪ ﻋﻨﻮان ﻣﻤﺘﺎزﺗﺮﻳﻦ ﺗﻮاﻧﺎﻳﻲ ﻫﻮﺷﻤﻨﺪﺗﺮﻳﻦ ﻣﻮﺟﻮدات ﺣﻔﻆ ﻛﺮده اﺳﺖ‪.‬‬
‫ﺑﺎ اﻳﻦ ﻣﻼﺣﻈﺎت ﻣﻲﺗﻮان درك ﻛﺮد ﻛﻪ ﭼﺮا آﻟﻦ ﺗﻮرﻳﻨﮓ ﺗﻨﻬﺎ ﮔﺬر از اﻳﻦ ﺗﺴﺖ ﻣﺘﻈﺎﻫﺮاﻧﻪ‬
‫زﺑﺎﻧﻲ را ﺷﺮط دﺳﺖﻳﺎﺑﻲ ﺑﻪ ﻫﻮﺷﻤﻨﺪي ﻣﻲداﻧﺪ‪.‬‬
‫ﺗﺴﺖ ﺗﻮرﻳﻨﮓ اﻧﺪﻛﻲ ﻛﻤﺘﺮ از ﻧﻴﻢﻗﺮن ﻫﻮش ﻣﺼﻨﻮﻋﻲ را ﺗﺤﺖ ﺗﺎُﺛﻴﺮ ﻗﺮار داد اﻣﺎ ﺷﺎﻳﺪ‬
‫ﺗﻨﻬﺎ در اواﺧﺮ ﻗﺮن ﮔﺬﺷﺘﻪ ﺑﻮد ﻛﻪ اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﻴﺶ از ﻫﺮ زﻣﺎن دﻳﮕﺮي آﺷﻜﺎر ﺷﺪ ﻛﻪ‬
‫ﻣﺘﺨﺼﺼﻴﻦ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﺟﺎي ﺣﻞ اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﺎﺷﻜﻮه اﺑﺘﺪا ﺑﺎﻳﺪ ﻣﺴﺎﺋﻞ ﻛﻢاﻫﻤﻴﺖﺗﺮي‬
‫ﻫﻤﭽﻮن درك ﺗﺼﻮﻳﺮ )ﺑﻴﻨﺎﻳﻲ ﻣﺎﺷﻴﻦ( درك ﺻﻮت و… را ﺣﻞ ﻛﻨﻨﺪ‪.‬‬
‫ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺑﺎ ﺑﻪ ﻣﺤﺎق رﻓﺘﻦ آن ﻫﺪف اوﻟﻴﻪ‪ ،‬اﻳﻨﻚ ﮔﺮاﻳﺶﻫﺎي ﺟﺪﻳﺪﺗﺮي در ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ اﻳﺠﺎد ﺷﺪهاﻧﺪ‪.‬‬
‫در ﺳﺎلﻫﺎي آﻏﺎزﻳﻦ ‪ AI‬ﺗﻤﺮﻛﺰ ﻛﺎﻣﻼً ﺑﺮروي ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢﻫﺎﻳﻲ ﺑﻮد ﻛﻪ ﺑﺘﻮاﻧﻨﺪ‬
‫ﻓﻌﺎﻟﻴﺖﻫﺎي ﻫﻮﺷﻤﻨﺪاﻧﻪ)اﻟﺒﺘﻪ ﺑﻪ زﻋﻢ آن روز( اﻧﺴﺎن را ﻣﺪل ﻛﻨﻨﺪ‪ ،‬و ﭼﻮن ﭼﻨﻴﻦ‬
‫ﻓﻌﺎﻟﻴﺖﻫﺎﻳﻲ را در زﻣﻴﻨﻪﻫﺎي ﻛﺎﻣﻼً ﺧﺎﺻﻲ ﻣﺎﻧﻨﺪ ﺑﺎزيﻫﺎي ﻓﻜﺮي‪ ،‬اﻧﺠﺎم ﻓﻌﺎﻟﻴﺖﻫﺎي‬
‫‪9‬‬

‫ﺗﺨﺼﺼﻲ ﺣﺮفﻫﺎي‪ ،‬درك زﺑﺎن ﻃﺒﻴﻌﻲ‪ ،‬و…‪ .‬ﻣﻲداﻧﺴﺘﻨﺪ ﻃﺒﻴﻌﺘﺎً ﺑﻪ ﭼﻨﻴﻦ زﻣﻴﻨﻪﻫﺎﻳﻲ‬
‫ﺑﻴﺸﺘﺮ ﭘﺮداﺧﺘﻪ ﺷﺪ‪.‬‬
‫در زﻣﻴﻨﻪ ﺗﻮﺳﻌﻪ ﺑﺎزيﻫﺎ‪ ،‬ﺗﺎ ﺣﺪي ﺑﻪ ﺑﺎزي ﺷﻄﺮﻧﺞ ﭘﺮداﺧﺘﻪ ﺷﺪ ﻛﻪ ﻏﺎﻟﺒﺎً ﻋﺪهاي ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ را ﺑﺎ ﺷﻄﺮﻧﺞ ﻫﻤﺰﻣﺎن ﺑﻪ ﺧﺎﻃﺮ ﻣﻲآورﻧﺪ‪ .‬ﻣﻚﻛﺎرﺗﻲ ﻛﻪ ﭘﻴﺸﺘﺮ اﺷﺎره ﺷﺪ‪ ،‬از‬
‫ﺑﻨﻴﺎنﮔﺬاران ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ اﻳﻦ روﻧﺪ را آﻧﻘﺪر اﻏﺮاقآﻣﻴﺰ ﻣﻲداﻧﺪ ﻛﻪ ﻣﻲﮔﻮﻳﺪ‪:‬‬
‫»ﻣﺤﺪود ﻛﺮدن ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﺷﻄﺮﻧﺞ ﻣﺎﻧﻨﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﻋﻠﻢ ژﻧﺘﻴﻚ را از زﻣﺎن‬
‫داروﻳﻦ ﺗﺎ ﻛﻨﻮن ﺗﻨﻬﺎ ﻣﺤﺪود ﺑﻪ ﭘﺮورش ﻟﻮﺑﻴﺎ ﻛﻨﻴﻢ‪ «.‬ﺑﻪ ﻫﺮ ﺣﺎل دﺳﺘﺎورد ﺗﻼش ﻣﻬﻨﺪﺳﻴﻦ و‬
‫داﻧﺸﻤﻨﺪان در ﻃﻲ دﻫﻪﻫﺎي ﻧﺨﺴﺖ را ﻣﻲﺗﻮان ﺗﻮﺳﻌﻪ ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎدي ﺳﻴﺴﺘﻢﻫﺎي‬
‫ﺧﺒﺮه در زﻣﻴﻨﻪﻫﺎي ﻣﺨﺘﻠﻒ ﻣﺎﻧﻨﺪ ﭘﺰﺷﻜﻲ ﻋﻤﻮﻣﻲ‪ ،‬اورژاﻧﺲ‪ ،‬دﻧﺪاﻧﭙﺰﺷﻜﻲ‪ ،‬ﺗﻌﻤﻴﺮات‬
‫ﻣﺎﺷﻴﻦ‪ ..…،‬ﺗﻮﺳﻌﻪ ﺑﺎزيﻫﺎي ﻫﻮﺷﻤﻨﺪ‪ ،‬اﻳﺠﺎد ﻣﺪلﻫﺎي ﺷﻨﺎﺧﺘﻲ ذﻫﻦ اﻧﺴﺎن‪ ،‬ﺗﻮﺳﻌﻪ‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﻳﺎدﮔﻴﺮي‪ .…،‬داﻧﺴﺖ‪ .‬دﺳﺘﺎوردي ﻛﻪ ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ ﺑﺮاي ﻋﻠﻤﻲ ﺑﺎ ﻛﻤﺘﺮ از ﻧﻴﻢ‬
‫ﻗﺮن ﺳﺎﺑﻘﻪ ﻗﺎﺑﻞ ﻗﺒﻮل ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ‪.‬‬
‫‪Eliza‬و ﻳﺎ ‪ AIML‬زﺑﺎﻧﻲ ﺑﺮاي ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪﻫﺎﻳﻲ ﻛﻪ ﻗﺎدر ﺑﻪ ‪ chat‬ﻛﺮدن اﺗﻮﻣﺎﺗﻴﻚ ﺑﺎﺷﻨﺪ(‬

‫اﻣﺎ ﻫﻨﻮز ﻫﻴﭻ ﻣﺎﺷﻴﻨﻲ ﻣﻮﻓﻖ ﺑﻪ ﮔﺬر از ﭼﻨﻴﻦ ﺗﺴﺘﻲ ﻧﺸﺪه اﺳﺖ‪.‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮ را ﺑﻪ ﻣﺎﺷﻴﻨﻲ ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﺪ ﺗﺎ اﻋﻤﺎﻟﻲ ﭼﻮن اﻧﺴﺎن اﻧﺠﺎم‬
‫دﻫﺪ‪.‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬داﻧﺶ ﺳﺎﺧﺘﻦ ﻣﺎﺷﻴﻦ ﻫﺎ ﻳﺎ ﺑﺮﻧﺎﻣﻪﻫﺎي ﻫﻮﺷﻤﻨﺪ اﺳﺖ وﺷﺎﺧﻪاﻳﺴﺖ از‬
‫ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻛﻪ ﻣﻠﺰوﻣﺎت ﻣﺤﺎﺳﺒﺎﺗﻲ اﻋﻤﺎﻟﻲ ﻫﻤﭽﻮن ادراك ‪ ،‬اﺳﺘﺪﻻل و ﻳﺎدﮔﻴﺮي را‬
‫ﺑﺮرﺳﻲ ﻛﺮده و ﺳﻴﺴﺘﻤﻲ ﺟﻬﺖ اﻧﺠﺎم ﭼﻨﻴﻦ اﻋﻤﺎﻟﻲ اراﺋﻪ ﻣﻲدﻫﺪ‪ .‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬ﻣﻄﺎﻟﻌﻪ‬
‫روشﻫﺎﻳﻲ اﺳﺖ ﺑﺮاي ﺗﺒﺪﻳﻞ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﻪ ﻣﺎﺷﻴﻨﻲ ﻛﻪ ﺑﺘﻮاﻧﺪ اﻋﻤﺎل اﻧﺠﺎم ﺷﺪه ﺗﻮﺳﻂ اﻧﺴﺎن‬
‫را اﻧﺠﺎم دﻫﺪ‪ .‬ﺣﻮزه ﻫﻮش ﻣﺼﻨﻮﻋﻲ ) ‪ ( Artificial Intelligence‬ﺳﻌﻲ دارد ﺗﺎ ﻣﻮﺟﻮدﻳﺖ‬
‫ﻫﺎي ﻫﻮﺷﻤﻨﺪ را درك ﻛﻨﺪ‪ .‬از اﻳﻨﺮو ﻳﻜﻲ از ﻋﻠﻞ ﻣﻄﺎﻟﻌﻪ آن ‪ ،‬ﻳﺎدﮔﻴﺮي ﺑﻴﺸﺘﺮ در ﻣﻮرد‬
‫ﺧﻮدﻣﺎن اﺳﺖ‪ .‬اﻣﺎ ﺑﺮ ﺧﻼف ﻓﻠﺴﻔﻪ و رواﻧﺸﻨﺎﺳﻲ ﻛﻪ آﻧﻬﺎ ﻧﻴﺰ ﺑﻪ ﻫﻮﺷﻤﻨﺪي ﻣﺮﺗﺒﻂ ﻫﺴﺘﻨﺪ‪،‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ) ‪ ( AI‬ﺳﻌﻲ دارد ﺑﻪ ﻫﻤﺎن ﺧﻮﺑﻲ ﻛﻪ آﻧﻬﺎ را ﻣﻲ ﻓﻬﻤﺪ ‪ ،‬ﻗﺎدر ﺑﻪ ﺳﺎﺧﺖ آﻧﻬﺎ‬
‫ﻧﻴﺰ ﮔﺮدد‪ .‬دﻟﻴﻞ دﻳﮕﺮ ﺑﺮاي ﻣﻄﺎﻟﻌﻪ ‪ ، AI‬ﺟﺎﻟﺐ و ﻣﻔﻴﺪ ﺑﻮدن اﻳﻦ ﻣﻮﺟﻮدﻳﺖ ﻫﺎي ﻫﻮﺷﻤﻨﺪ‬
‫ﻣﻲ ﺑﺎﺷﺪ‪ AI .‬ﻣﺤﺼﻮﻻت ﻣﻬﻢ و ﻣﻮﺛﺮ زﻳﺎدي ﺣﺘﻲ در ﻣﺮاﺣﻞ اوﻟﻴﻪ ﺗﻮﺳﻌﻪ اش ‪ ،‬ﺗﻮﻟﻴﺪ ﻛﺮده‬
‫‪10‬‬

‫اﺳﺖ‪ .‬اﮔﺮﭼﻪ ﻫﻴﭻ ﻛﺲ ﻧﻤﻲ ﺗﻮاﻧﺪ آﻳﻨﺪه را ﺑﻪ ﻃﻮر ﻣﺸﺨﺺ ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﺪ ‪ ،‬اﻣﺎ آﺷﻜﺎر‬
‫اﺳﺖ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎﻳﻲ ﺑﺎ ﺳﻄﺢ ﻫﻮﺷﻤﻨﺪي در ردﻳﻒ اﻧﺴﺎن ) و ﺣﺘﻲ ﺑﻬﺘﺮ از آن ( ﺗﺄﺛﻴﺮ‬
‫ﺑﺴﺰاﻳﻲ ﺑﺮوي زﻧﺪﮔﻲ روزﻣﺮه ﻣﺎ و ﻫﻢ ﭼﻨﻴﻦ ﺑﺮوي ﺗﻤﺪن آﻳﻨﺪه ﺧﻮاﻫﺪ ﮔﺬاﺷﺖ‪ AI .‬ﻳﻜﻲ از‬
‫ﺟﺪﻳﺪ ﺗﺮﻳﻦ ﻋﻠﻮﻣﻲ اﺳﺖ ﻛﻪ ﭘﺲ از ﺟﻨﮓ ﺟﻬﺎﻧﻲ دوم ﻣﻄﺮح ﺷﺪ و ﻧﺎم آن در ﺳﺎل ‪1956‬‬
‫اﻧﺘﺨﺎب ﮔﺮدﻳﺪ‪ .‬در ﻛﻨﺎر ﺑﻴﻮﻟﻮژي ﺳﻠﻮﻟﻲ ‪ ،‬داﻧﺸﻤﻨﺪان ﺳﺎﻳﺮ رﺷﺘﻪ ﻫﺎ ‪ AI ،‬را ﺑﻪ ﻋﻨﻮان "‬
‫ﺣﻮزه اي ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ در آن ﺑﺎﺷﻴﻢ "‪ ،‬ﺑﻴﺎن ﻛﺮده اﻧﺪ‪ .‬ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ داﻧﺸﺠﻮي رﺷﺘﻪ‬
‫ﻓﻴﺰﻳﻚ اﺣﺴﺎس ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺗﻤﺎم ﻣﻮﺿﻮﻋﺎت ﺧﻮب ‪ ،‬ﺗﻮﺳﻂ ﮔﺎﻟﻴﻠﻪ ‪ ،‬ﻧﻴﻮﺗﻮن ‪ ،‬اﻧﻴﺸﺘﻴﻦ و‬
‫ﻏﻴﺮه ﻛﺸﻒ ﺷﺪه اﻧﺪ‪ .‬از ﻃﺮف دﻳﮕﺮ ‪ AI ،‬زﻣﻴﻨﻪ ﮔﺴﺘﺮده اي ﺑﺮاي اﻓﺮادي ﻣﺜﻞ اﻧﻴﺸﺘﻴﻦ‬
‫اﺳﺖ‪ .‬در ﺣﺎل ﺣﺎﺿﺮ ‪ AI‬زﻳﺮ ﺷﺎﺧﻪ ﻫﺎي وﺳﻴﻌﻲ از ﻣﻮﺿﻮﻋﺎت ﻋﻤﻮﻣﻲ ﻣﺎﻧﻨﺪ ادراك و‬
‫اﺳﺘﺪﻻل ﻣﻨﻄﻘﻲ ﺗﺎ ﻛﺎرﻫﺎي ﺧﺎص ﻣﺎﻧﻨﺪ ﺑﺎزي ﺷﻄﺮﻧﺞ ‪ ،‬اﺛﺒﺎت ﻗﻀﺎﻳﺎي رﻳﺎﺿﻲ ‪ ،‬ﺳﺮودن ﺷﻌﺮ‬
‫و ﺗﺸﺨﻴﺺ اﻣﺮاض را ﺷﺎﻣﻞ ﻣﻲ ﺷﻮد‪ .‬ﻏﺎﻟﺒﺎ داﻧﺸﻤﻨﺪان دﻳﮕﺮ زﻣﻴﻨﻪ ﻫﺎ ﺑﺘﺪرﻳﺞ ﺑﻪ ﺳﻮي‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﺘﻤﺎﻳﻞ ﻣﻲ ﮔﺮدﻧﺪ‪ .‬ﺟﺎﻳﻲ ﻛﻪ اﺑﺰارﻫﺎ واژه ﻫﺎﻳﻲ را ﻣﻲ ﻳﺎﺑﻨﺪ ﺗﺎ از ﻃﺮﻳﻖ آﻧﻬﺎ‬
‫ﺑﺘﻮاﻧﻨﺪ وﻇﺎﻳﻒ ﻫﻮﺷﻤﻨﺪاﻧﻪ ﺧﻮد را ﺧﻮدﻛﺎر ﺳﺎزﻧﺪ‪ ،‬ﻣﺸﺎﺑﻬﺎ ﻣﺤﻘﻘﻴﻦ ‪ AI‬ﻫﻢ ﻣﻲ ﺗﻮاﻧﻨﺪ از‬
‫روش ﻫﺎي ﺧﻮد ﺑﺮاي ﻫﺮ زﻣﻴﻨﻪ اي از ﻛﻮﺷﺶ ﻫﻮﺷﻤﻨﺪاﻧﻪ اﻧﺴﺎن اﺳﺘﻔﺎده ﻛﻨﻨﺪ‪ .‬از اﻳﻦ ﻣﻨﻈﺮ‬
‫اﻳﻦ داﻧﺶ ﺣﻘﻴﻘﺘﺎ ﻳﻚ زﻣﻴﻨﻪ واﺣﺪ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫‪ 2-1‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﻴﺴﺖ؟‬

‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻜﻨﻴﻜﻲ ﺑﺮاي ﺧﻠﻖ ﻛﺮدن ﻣﺎﺷﻴﻦ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﻗﺎدر ﺑﻪ ﻓﻜﺮ ﻛﺮدن ﺑﺪون‬
‫ﻧﻴﺎز ﺑﻪ اﻧﺴﺎن ﻫﺎ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻄﻮر ﺧﻼﺻﻪ ﺗﺮﻛﻴﺒﻲ از ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ ‪،‬‬
‫ﻓﻴﺰﻳﻮﻟﻮژي و ﻓﻠﺴﻔﻪ اﺳﺖ‪ .‬اﻳﻦ ﺷﺎﺧﻪ از ﻋﻠﻮم ﺑﺴﻴﺎر ﮔﺴﺘﺮده و ﻣﺘﻨﻮع اﺳﺖ و از ﻣﻮﺿﻮﻋﺎت‬
‫و رﺷﺘﻪ ﻫﺎي ﻣﺨﺘﻠﻒ ﻋﻠﻮم و ﻓﻦ آوري ‪ ،‬ﻣﺎﻧﻨﺪ ﻣﻜﺎﻧﻴﺰم ﻫﺎي ﺳﺎده در ﻣﺎﺷﻴﻦ ﻫﺎ ﺷﺮوع ﺷﺪه‬
‫‪ ،‬و ﺑﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺧﺘﻢ ﻣﻲ ﺷﻮد‪ .‬ﻫﺪف ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻄﻮر ﻛﻠﻲ ﺳﺎﺧﺖ ﻣﺎﺷﻴﻨﻲ‬
‫اﺳﺖ ﻛﻪ ﺑﺘﻮاﻧﺪ "ﻓﻜﺮ" ﻛﻨﺪ‪ .‬اﻣﺎ ﺑﺮاي دﺳﺘﻪ ﺑﻨﺪي و ﺗﻌﺮﻳﻒ ﻣﺎﺷﻴﻦ ﻫﺎي ﻣﺘﻔﻜﺮ ‪ ،‬ﻣﻲ ﺑﺎﻳﺴﺖ‬
‫ﺑﻪ ﺗﻌﺮﻳﻒ "ﻫﻮش" ﭘﺮداﺧﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﻪ ﺗﻌﺎرﻳﻔﻲ ﺑﺮاي "آﮔﺎﻫﻲ" و "درك " ﻧﻴﺰ‬
‫ﻧﻴﺎزﻣﻨﺪﻳﻢ و در ﻧﻬﺎﻳﺖ ﺑﻪ ﻣﻌﻴﺎري ﺑﺮاي ﺳﻨﺠﺶ ﻫﻮش ﻳﻚ ﻣﺎﺷﻴﻦ ﻧﻴﺎزﻣﻨﺪﻳﻢ‪ .‬ﺑﻪ ﻣﺪد‬
‫ﺗﺤﻘﻴﻘﺎت وﺳﻴﻊ داﻧﺸﻤﻨﺪان ﻋﻠﻮم ﻣﺮﺗﺒﻂ‪ ،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ از ﺑﺪو ﭘﻴﺪاﻳﺶ ﺗﺎ ﻛﻨﻮن راه‬
‫ﺑﺴﻴﺎري ﭘﻴﻤﻮده اﺳﺖ‪ .‬در اﻳﻦ راﺳﺘﺎ‪ ،‬ﺗﺤﻘﻴﻘﺎﺗﻲ ﻛﻪ ﺑﺮ روي ﺗﻮاﻧﺎﻳﻲ آﻣﻮﺧﺘﻦ زﺑﺎن ﻫﺎ اﻧﺠﺎم‬
‫ﮔﺮﻓﺖ و ﻫﻤﭽﻨﻴﻦ درك ﻋﻤﻴﻖ از اﺣﺴﺎﺳﺎت ‪ ،‬داﻧﺸﻤﻨﺪان را در ﭘﻴﺸﺒﺮد اﻳﻦ ﻋﻠﻢ ‪ ،‬ﻳﺎري‬
‫‪11‬‬

‫ﻛﺮده اﺳﺖ‪ .‬ﻳﻜﻲ از اﻫﺪاف ﻣﺘﺨﺼﺼﻴﻦ ‪ ،‬ﺗﻮﻟﻴﺪ ﻣﺎﺷﻴﻦ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ داراي اﺣﺴﺎﺳﺎت ﺑﻮده‬
‫و ﺣﺪاﻗﻞ ﻧﺴﺒﺖ ﺑﻪ وﺟﻮد ﺧﻮد و اﺣﺴﺎﺳﺎت ﺧﻮد واﻗﻒ ﺑﺎﺷﻨﺪ‪ .‬اﻳﻦ ﻣﺎﺷﻴﻦ ﺑﺎﻳﺪ ﺗﻮاﻧﺎﻳﻲ‬
‫ﺗﻌﻤﻴﻢ ﺗﺠﺮﺑﻴﺎت ﻗﺪﻳﻤﻲ ﺧﻮد در ﺷﺮاﻳﻂ ﻣﺸﺎﺑﻪ ﺟﺪﻳﺪ را داﺷﺘﻪ و ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ اﻗﺪام ﺑﻪ‬
‫ﮔﺴﺘﺮش داﻣﻨﻪ داﻧﺶ و ﺗﺠﺮﺑﻴﺎﺗﺶ ﻛﻨﺪ‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ﺑﻪ رﺑﺎﺗﻲ ﻫﻮﺷﻤﻨﺪ ﺑﻴﺎﻧﺪﻳﺸﻴﺪ ﻛﻪ ﺑﺘﻮاﻧﺪ اﻋﻀﺎي ﺑﺪن ﺧﻮد را ﺑﻪ ﺣﺮﻛﺖ درآورد‪ ،‬او‬
‫ﻧﺴﺒﺖ ﺑﻪ اﻳﻦ ﺣﺮﻛﺖ ﺧﻮد آﮔﺎه ﺑﻮده و ﺑﺎ ﺳﻌﻲ و ﺧﻄﺎ ‪ ،‬داﻣﻨﻪ ﺣﺮﻛﺖ ﺧﻮد را ﮔﺴﺘﺮش ﻣﻲ‬
‫دﻫﺪ‪ ،‬و ﺑﺎ ﻫﺮ ﺣﺮﻛﺖ ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ﻳﺎ اﺷﺘﺒﺎه ‪ ،‬داﻣﻨﻪ ﺗﺠﺮﺑﻴﺎت ﺧﻮد را وﺳﻌﺖ ﺑﺨﺸﻴﺪه و ﺳﺮ‬
‫اﻧﺠﺎم راه رﻓﺘﻪ و ﻳﺎ ﺣﺘﻲ ﻣﻲ دود و ﻳﺎ ﺑﻪ روﺷﻲ ﺑﺮاي ﺟﺎﺑﺠﺎ ﺷﺪن ‪ ،‬دﺳﺖ ﻣﻲ ﻳﺎﺑﺪ ‪ ،‬ﻛﻪ‬
‫ﺳﺎزﻧﺪﮔﺎﻧﺶ ‪ ،‬ﺑﺮاي او ‪ ،‬ﻣﺘﺼﻮر ﻧﺒﻮده اﻧﺪ‪ .‬داﻧﺸﻤﻨﺪان ‪ ،‬ﻋﻤﻮﻣﺎ ﺑﺮاي ﺗﻮﻟﻴﺪ ﭼﻨﻴﻦ ﻣﺎﺷﻴﻦ‬
‫ﻫﺎﻳﻲ ‪ ،‬از ﺗﻨﻬﺎ ﻣﺪﻟﻲ ﻛﻪ در ﻃﺒﻴﻌﺖ وﺟﻮد دارد ‪ ،‬ﻳﻌﻨﻲ ﺗﻮاﻧﺎﻳﻲ ﻳﺎدﮔﻴﺮي در ﻣﻮﺟﻮدات زﻧﺪه‬
‫ﺑﺨﺼﻮص اﻧﺴﺎن ‪ ،‬ﺑﻬﺮه ﻣﻲ ﺑﺮﻧﺪ‪ .‬آﻧﻬﺎ ﺑﺪﻧﺒﺎل ﺳﺎﺧﺖ ﻣﺎﺷﻴﻨﻲ ﻣﻘﻠﺪ ﻫﺴﺘﻨﺪ ‪ ،‬ﻛﻪ ﺑﺘﻮاﻧﺪ ﺑﺎ‬
‫ﺷﺒﻴﻪ ﺳﺎزي رﻓﺘﺎرﻫﺎي ﻣﻴﻠﻴﻮن ﻫﺎ ﺳﻠﻮل ﻣﻐﺰ اﻧﺴﺎن ‪ ،‬ﻫﻤﭽﻮن ﻳﻚ ﻣﻮﺟﻮد ﻣﺘﻔﻜﺮ ﺑﻪ‬
‫اﻧﺪﻳﺸﻴﺪن ﺑﭙﺮدازد‪.‬‬
‫ﻣﺒﺎﺣﺚ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﺒﻞ از ﺑﻮﺟﻮد آﻣﺪن ﻋﻠﻮم اﻟﻜﺘﺮوﻧﻴﻚ‪ ،‬ﺗﻮﺳﻂ ﻓﻼﺳﻔﻪ و رﻳﺎﺿﻲ‬
‫داﻧﺎﻧﻲ ﻧﻈﻴﺮ ﺑﻮل ﻛﻪ اﻗﺪام ﺑﻪ اراﺋﻪ ﻗﻮاﻧﻴﻦ و ﺗﺌﻮري ﻫﺎﻳﻲ در ﺑﺎب ﻣﻨﻄﻖ ﻧﻤﻮدﻧﺪ‪ ،‬ﻣﻄﺮح ﺷﺪه‬
‫ﺑﻮد‪ .‬در ﺳﺎل ‪ ،1943‬ﺑﺎ اﺧﺘﺮاع ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي اﻟﻜﺘﺮوﻧﻴﻜﻲ ‪ ،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬داﻧﺸﻤﻨﺪان را‬
‫ﺑﻪ ﭼﺎﻟﺸﻲ ﺑﺰرگ ﻓﺮاﺧﻮاﻧﺪ‪ .‬ﺑﻨﻈﺮ ﻣﻲ رﺳﻴﺪ ﺗﻜﻨﻮﻟﻮژي در ﻧﻬﺎﻳﺖ ﻗﺎدر ﺑﻪ ﺷﺒﻴﻪ ﺳﺎزي‬
‫رﻓﺘﺎرﻫﺎي ﻫﻮﺷﻤﻨﺪاﻧﻪ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫ﺑﺎ وﺟﻮد ﻣﺨﺎﻟﻔﺖ ﮔﺮوﻫﻲ از ﻣﺘﻔﻜﺮﻳﻦ ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻛﻪ ﺑﺎ دﻳﺪه ﺗﺮدﻳﺪ ﺑﻪ ﻛﺎرآﻣﺪي آن‬
‫ﻣﻲ ﻧﮕﺮﻳﺴﺘﻨﺪ ﺗﻨﻬﺎ ﭘﺲ از ﭼﻬﺎر دﻫﻪ ‪ ،‬ﺷﺎﻫﺪ ﺗﻮﻟﺪ ﻣﺎﺷﻴﻦ ﻫﺎي ﺷﻄﺮﻧﺞ ﺑﺎز و دﻳﮕﺮ ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﺻﻨﺎﻳﻊ ﮔﻮﻧﺎﮔﻮن ﻫﺴﺘﻴﻢ‪ .‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻛﻪ ﻫﻤﻮاره ﻫﺪف ﻧﻬﺎﻳﻲ ﻋﻠﻮم‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﻮده اﺳﺖ اﻛﻨﻮن در ﺧﺪﻣﺖ ﺗﻮﺳﻌﻪ ﻋﻠﻮم ﻛﺎﻣﭙﻴﻮﺗﺮ ﻧﻴﺰ ﻣﻲ ﺑﺎﺷﺪ‪ .‬زﺑﺎن ﻫﺎي ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﭘﻴﺸﺮﻓﺘﻪ ‪ ،‬ﻛﻪ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎي ﻫﻮﺷﻤﻨﺪ را ﻣﻤﻜﻦ ﻣﻲ ﺳﺎزﻧﺪ‪ ،‬ﭘﺎﻳﮕﺎه ﻫﺎي داده اي‬
‫ﭘﻴﺸﺮﻓﺘﻪ ‪ ،‬ﻣﻮﺗﻮرﻫﺎي ﺟﺴﺘﺠﻮ ‪ ،‬و ﺑﺴﻴﺎري ﻧﺮم اﻓﺰار ﻫﺎ و ﻣﺎﺷﻴﻦ ﻫﺎ از ﻧﺘﺎﻳﺞ ﺗﺤﻘﻴﻘﺎت ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ ﺑﻬﺮه ﻣﻲ ﺑﺮﻧﺪ‪.‬‬
‫رؤﻳﺎي ﻃﺮاﺣﺎن اوﻟﻴﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ از ﺑﺎﺑﻴﺞ ﺗﺎ ﺗﻮرﻳﻨﮓ ‪ ،‬ﺳﺎﺧﺘﻦ ﻣﺎﺷﻴﻨﻲ ﺑﻮد ﻛﻪ ﻗﺎدر ﺑﻪ ﺣﻞ‬
‫ﺗﻤﺎﻣﻲ ﻣﺴﺎﺋﻞ ﺑﺎﺷﺪ‪ ،‬اﻟﺒﺘﻪ ﻣﺎﺷﻴﻨﻲ ﻛﻪ در ﻧﻬﺎﻳﺖ ﺳﺎﺧﺘﻪ ﺷﺪ ) ﻛﺎﻣﭙﻴﻮﺗﺮ ( ﺑﻪ ﺟﺰ دﺳﺘﻪ اي‬
‫‪12‬‬

‫ﺧﺎص از ﻣﺴﺎﺋﻞ ﻗﺎدر ﺑﻪ ﺣﻞ ﺗﻤﺎﻣﻲ ﻣﺴﺎﺋﻞ ﺑﻮد‪ .‬اﻣﺎ ﻧﻜﺘﻪ در اﻳﻨﺠﺎﺳﺖ ﻛﻪ اﻳﻦ »ﺗﻤﺎﻣﻲ‬
‫ﻣﺴﺎﺋﻞ« ﭼﻴﺴﺖ؟ ﻃﺒﻴﻌﺘﺎً ﭼﻮن ﻃﺮاﺣﺎن اوﻟﻴﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ‪ ،‬ﻣﻨﻄﻖداﻧﺎن و رﻳﺎﺿﻴﺪاﻧﺎن ﺑﻮدﻧﺪ ‪،‬‬
‫ﻣﻨﻈﻮرﺷﺎن ﺗﻤﺎﻣﻲ ﻣﺴﺎﺋﻞ ﻣﻨﻄﻘﻲ ﻳﺎ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﻮد‪ .‬ﺑﺪﻳﻦ ﺗﺮﺗﻴﺐ ﻋﺠﻴﺐ ﻧﻴﺴﺖ ‪ ،‬ﻫﻨﮕﺎﻣﻲ‬
‫ﻛﻪ ﻓﻮنﻧﻴﻮﻣﺎن ﺳﺎزﻧﺪه اوﻟﻴﻦ ﻛﺎﻣﭙﻴﻮﺗﺮ ‪ ،‬در ﺣﺎل ﻃﺮاﺣﻲ اﻳﻦ ﻣﺎﺷﻴﻦ ﺑﻮد‪ ،‬ﻛﻤﺎﻛﺎن اﻋﺘﻘﺎد‬
‫داﺷﺖ ﺑﺮاي داﺷﺘﻦ ﻫﻮﺷﻤﻨﺪي ﺷﺒﻴﻪ ﺑﻪ اﻧﺴﺎن ‪ ،‬ﻛﻠﻴﺪ اﺻﻠﻲ‪ ،‬ﻣﻨﻄﻖ ) از ﻧﻮع ﺑﻪ ﻛﺎر رﻓﺘﻪ در‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ( ﻧﻴﺴﺖ‪ ،‬ﺑﻠﻜﻪ اﺣﺘﻤﺎﻻً ﭼﻴﺰي ﺧﻮاﻫﺪ ﺑﻮد ﺷﺒﻴﻪ ﺗﺮﻣﻮدﻳﻨﺎﻣﻴﻚ!‬
‫ﺑﻪ ﻫﺮﺣﺎل‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮ ﺗﺎ ﺑﻪ ﺣﺎل ﺑﻪ ﭼﻨﺎن درﺟﻪاي از ﭘﻴﺸﺮﻓﺖ رﺳﻴﺪه و ﭼﻨﺎن ﺳﺮﻣﺎﻳﻪﮔﺬاري‬
‫ﻋﻈﻴﻤﻲ ﺑﺮروي اﻳﻦ ﻣﺎﺷﻴﻦ اﻧﺠﺎم ﺷﺪه اﺳﺖ ﻛﻪ ﺑﻪ ﻓﺮض اﻳﻦ ﻛﻪ ﺑﻬﺘﺮﻳﻦ اﻧﺘﺨﺎب ﻧﺒﺎﺷﺪ ﻫﻢ ‪،‬‬
‫ﺣﺪاﻗﻞ ﺳﻬﻞاﻟﻮﺻﻮلﺗﺮﻳﻦ و ارزانﺗﺮﻳﻦ و ﻋﻤﻮﻣﻲﺗﺮﻳﻦ اﻧﺘﺨﺎب ﺑﺮاي ﭘﻴﺎدهﺳﺎزي ﻫﻮﺷﻤﻨﺪي‬
‫ﺳﺖ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻇﺎﻫﺮاً ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ ﺑﻪ ﺟﺎي ﺳﺮﻣﺎﻳﻪﮔﺬاري ﺑﺮاي ﺳﺎﺧﺖ ﻣﺎﺷﻴﻦﻫﺎي دﻳﮕﺮ‬
‫ﻫﻮﺷﻤﻨﺪ ‪ ،‬ﻣﻲﺗﻮان از ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﻣﻮﺟﻮد ﺑﺮاي ﭘﻴﺎدهﺳﺎزي ﺑﺮﻧﺎﻣﻪﻫﺎي ﻫﻮﺷﻤﻨﺪ اﺳﺘﻔﺎده‬
‫ﻛﺮد و اﮔﺮ ﭼﻨﻴﻦ ﺷﻮد ‪ ،‬ﺑﺎﻳﺪ ﮔﻔﺖ ﻛﻪ ﻃﺒﻴﻌﺖ ﻫﻮﺷﻤﻨﺪي اﻳﺠﺎد ﺷﺪه ﺣﺪاﻗﻞ از ﻟﺤﺎظ‬
‫ﭘﻴﺎدهﺳﺎزي ‪ ،‬ﻛﺎﻣﻼً ﺑﺎ ﻃﺒﻴﻌﺖ ﻫﻮﺷﻤﻨﺪي اﻧﺴﺎﻧﻲ ﻣﺘﻨﺎﺳﺐ ﺧﻮاﻫﺪ ﺑﻮد ‪ ،‬زﻳﺮا ﻫﻮﺷﻤﻨﺪي‬
‫اﻧﺴﺎﻧﻲ ‪ ،‬ﻧﻮﻋﻲ ﻫﻮﺷﻤﻨﺪي ﺑﻴﻮﻟﻮژﻳﻚ اﺳﺖ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻜﺎﻧﻴﺴﻢﻫﺎي ﻃﺒﻴﻌﻲ اﻳﺠﺎد‬
‫ﺷﺪه ‪ ،‬و ﻧﻪ اﺳﺘﻔﺎده از ﻋﻨﺎﺻﺮ و ﻣﺪارﻫﺎي ﻣﻨﻄﻘﻲ ‪ .‬در ﺑﺮاﺑﺮ ﺗﻤﺎﻣﻲ اﺳﺘﺪﻻﻻت ﻓﻮق ﻣﻲ ﺗﻮان‬
‫اﻳﻦ ﻧﻜﺘﻪ را ﻣﻮرد ﺗﺎُﻣﻞ و ﭘﺮﺳﺶ ﻗﺮار داد ﻛﻪ ﻫﻮﺷﻤﻨﺪي ﻃﺒﻴﻌﻲ ﺗﺎ ﺑﺪان ﺟﺎﻳﻲ ﻛﻪ ﻣﺎ ﺳﺮاغ‬
‫دارﻳﻢ ‪ ،‬ﺗﻨﻬﺎ ﺑﺮﻣﺤﻤﻞ ﻃﺒﻴﻌﻲ و ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻃﺒﻴﻌﺖ اﻳﺠﺎد ﺷﺪه اﺳﺖ‪.‬‬
‫‪13‬‬

www.IrPDF.com
‫ﻓﺼﻞ دوم‬
‫ﺗﻌﺎرﻳﻒ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
14

‫‪ 1-2‬ﻧﺤﻮه ﺷﻜﻞ ﮔﻴﺮي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬

‫ﺑﻌﺪ از ﺟﻨﮓ ﺟﻬﺎﻧﻲ دوم ‪ ،‬اﻓﺮادي ﺑﺪون ارﺗﺒﺎط ﺑﺎ ﻳﻜﺪﻳﮕﺮﺷﺮوع ﺑﻪ ﻛﺎر در زﻣﻴﻨﻪ ﻣﺎﺷﻴﻨﻬﺎي‬
‫ﻫﻮﺷﻤﻨﺪ ﻛﺮدﻧﺪ ‪.‬در ﺳﺎل‪ ، 1947‬ﺗﻮرﻳﻨﮓ ﻳﻚ ﺳﺨﻨﺮاﻧﻲ در ﻫﻤﻴﻦ زﻣﻴﻨﻪ اراﺋﻪ ﻛﺮد‪ ،‬او‬
‫اﺣﺘﻤﺎﻻ اوﻟﻴﻦ ﻛﺴﻲ اﺳﺖ ﻛﻪ ادﻋﺎ ﻛﺮد ﺑﻬﺘﺮﻳﻦ ﺗﺤﻘﻴﻘﺎت در اﻳﻦ زﻣﻴﻨﻪ ﺑﺮاﺳﺎس ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﻛﺎﻣﭙﻴﻮﺗﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد و ﻧﻪ ﺳﺎﺧﺖ ﻣﺎﺷﻴﻦ‪.‬‬
‫ﭘﺲ از ﺷﻜﻞ ﮔﻴﺮي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬ﻣﻚ ﻛﺎرﺗﻲ ﻳﻚ ﻛﺎرﮔﺎه دو ﻣﺎﻫﻪ در ﻛﺎﻟﺞ ‪Dart Mouth‬‬
‫ﺗﺸﻜﻴﻞ داد ‪.‬اﻳﻦ ﻛﺎرﮔﺎه ﻫﻴﭻ ﭼﻴﺰ ﺗﺎزه اي ﺑﻪ دﻧﺒﺎل ﻧﺪاﺷﺖ ‪ ،‬اﻣﺎ ﻫﻤﻪ ﺑﻨﻴﺎﻧﮕﺬاران ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ را ﮔﺮدﻫﻢ آورد و ﺑﺎﻋﺚ ﺷﺪ ﭘﺎﻳﻪ اي ﺑﺮاي ﺗﺤﻘﻴﻘﺎت ﺑﻌﺪي ﮔﺬارده ﺷﻮد ‪.‬ﺑﻪ دﻧﺒﺎل‬
‫آن ﻣﻮج ﺷﺪﻳﺪي از ﺗﺤﻘﻴﻘﺎت در اﻳﻦ زﻣﻴﻨﻪ ﭘﺪﻳﺪ آﻣﺪ و ﻣﺮاﻛﺰ ﺗﺤﻘﻴﻘﺎت ﻫﻮش ﻣﺼﻨﻮﻋﻲ در‬
‫داﻧﺸﮕﺎﻫﻬﺎﻳﻲ ﻣﺜﻞ ‪ MIT‬و ‪ Mellon Carnegie‬ﺷﻜﻞ ﮔﺮﻓﺖ‪.‬‬
‫ﻣﻚ ﻛﺎرﺗﻲ ﻓﻌﺎﻟﻴﺘﻬﺎي زﻳﺎدي در اﻳﻦ زﻣﻴﻨﻪ اﻧﺠﺎم داد ‪.‬او در ﺳﺎل ‪ 1958‬ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﺳﻄﺢ ﺑﺎﻻ ﺑﻪ ﻧﺎم ﻟﻴﺴﭗ )‪ (LISP‬را ﻧﻮﺷﺖ ﻛﻪ ﻫﻨﻮز ﻳﻜﻲ از ﺑﺮﺟﺴﺘﻪ ﺗﺮﻳﻦ زﺑﺎﻧﻬﺎي‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪.‬‬
‫در آن زﻣﺎن ﻣﺤﻘﻘﺎن ‪ MIT‬ﻧﺸﺎن دادﻧﺪ ﻛﻪ اﮔﺮ ﻛﺎر ﺑﻪ ﻳﻚ ﻣﻮﺿﻮع اﺻﻠﻲ ﻣﺤﺪود و‬
‫ﻣﻨﺤﺼﺮ ﺷﻮد‪ ،‬ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﻣﻲ ﺗﻮاﻧﻨﺪ ﻣﺴﺎﺋﻞ ﻓﻀﺎﻳﻲ و ﻫﻤﭽﻨﻴﻦ ﻣﺴﺎﺋﻞ ﻣﻨﻄﻘﻲ را‬
‫ﻧﻴﺰ ﺣﻞ ﻛﻨﻨﺪ‪.‬‬
‫در دﻫﻪ ‪ 70‬ﻣﻴﻼدي ‪ ،‬ﺣﻮزه ﻫﺎي ﻛﺎري ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﺨﺼﺼﻲ ﺗﺮ ﺷﺪ‪.‬ﺣﻮزه ﻫﺎﻳﻲ ﻣﺜﻞ‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﻫﻮﺷﻤﻨﺪ‪ ،‬ﺑﺮرﺳﻲ ﺗﻜﻠﻢ و ﺑﻴﻨﺎﻳﻲ ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻏﻴﺮه ﺑﻪ وﺟﻮد آﻣﺪ ﻛﻪ اﻳﻦ اﻣﺮ‬
‫ﺑﺎﻋﺚ ﺗﺤﻜﻴﻢ ﺑﻴﺸﺘﺮ ﺗﺌﻮرﻳﻬﺎي ﻣﺮﺑﻮﻃﻪ ﺷﺪ‪.‬‬
‫در دﻫﻪ ‪ 80‬ﻣﻴﻼدي ‪ ،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﺎ ﮔﺎﻣﻬﺎي ﺳﺮﻳﻊ ﺗﺮي ﺑﻪ ﭘﻴﺶ رﻓﺖ ‪.‬ﻫﻤﭽﻨﺎﻧﻜﻪ‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﺷﺨﺼﻲ ﺟﺎي ﺑﻴﺸﺘﺮي ﺑﻴﻦ ﻣﺮدم ﭘﻴﺪا ﻛﺮدﻧﺪ و ﻓﺮوش ﺳﺨﺖ اﻓﺰار در اﻳﻦ‬
‫زﻣﻴﻨﻪ اﻓﺰاﻳﺶ ﻳﺎﻓﺖ ‪ ،‬ﻣﺮدم ﺑﺎ ﻋﻠﻢ و ﺗﻜﻨﻴﻚ ﻣﺎﻧﻮس ﺗﺮ ﺷﺪﻧﺪ‪.‬‬
‫در اواﻳﻞ دﻫﻪ ‪ 90‬ﻣﻴﻼدي‪ ،‬در ﺟﻨﮓ ﺧﻠﻴﺞ ﻓﺎرس ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻮرد آزﻣﺎﻳﺶ ﻗﺮار‬
‫ﮔﺮﻓﺖ‪ .‬ﻳﻦ آزﻣﺎﻳﺶ ﻫﻢ در ﻛﺎرﻫﺎي ﺳﺎده اي ﻣﺜﻞ ﺗﺠﻬﻴﺰ ﻫﻮاﭘﻴﻤﺎﻫﺎي ﺑﺎرﺑﺮي و ﻫﻢ در‬
‫ﻛﺎرﻫﺎي ﭘﻴﭽﻴﺪه ﺗﺮ ﻣﺜﻞ زﻣﺎن ﺑﻨﺪي و ﻫﻤﺎﻫﻨﮕﻲ ﻋﻤﻠﻴﺎت ﻃﻮﻓﺎن ﺻﺤﺮا اﻧﺠﺎم‬
‫ﮔﺮﻓﺖ‪.‬ﻫﻤﭽﻨﻴﻦ ﺳﻼﺣﻬﺎي ﭘﻴﺸﺮﻓﺘﻪ ﺗﺮ ﻣﺜﻞ ﻣﻮﺷﻚ ﻛﺮوز ﺑﻪ ﻓﻨﺎورﻳﻬﺎﻳﻲ در زﻣﻴﻨﻪ ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ ﻣﺜﻞ روﺑﺎﺗﻴﻚ ﻳﺎ ﺑﻴﻨﺎﻳﻲ ﻣﺎﺷﻴﻦ ‪ ،‬ﻣﺠﻬﺰ ﺷﺪﻧﺪ ‪.‬‬
‫‪15‬‬

‫ﻧﺰدﻳﻚ ﺑﻪ ده ﺳﺎل ﭘﻴﺶ ‪ ،‬دﭘﺎرﺗﻤﺎن ﺗﺠﺎري ‪ ،‬ارزﻳﺎﺑﻲ ﺗﻜﻨﻮﻟﻮژﻳﻜﻲ ﺑﺎزار ﻫﻮﺷﻤﻨﺪي ﻣﺼﻨﻮﻋﻲ‬
‫در ‪ U.S‬را ﻣﻮرد ﺑﺤﺚ ﻗﺮار داد‪.‬ﻣﺤﻘﻘﺎن ‪ AI ،‬را ﺑﻪ ﻋﻨﻮان ﺳﻴﺴﺘﻤﻲ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺳﺎزﻣﺎن‬
‫در ﻣﺪﻳﺮﻳﺖ داﻧﺶ آن ﻛﻤﻚ ﻧﻤﺎﻳﺪ و در راﺑﻄﻪ ﺑﺎ ﺑﻌﺪ ﭘﻴﭽﻴﺪﮔﻲ ‪ ،‬ﻳﺎري ﻛﻨﻨﺪه ﻣﺘﺨﺼﺼﺎن در‬
‫ﺗﺤﻠﻴﻞ ﻣﺸﻜﻞ و ﻃﺮاﺣﻲ اﺑﺰار ﺟﺪﻳﺪ ﺑﺎﺷﺪ ‪ ،‬ﻣﻌﺮﻓﻲ ﻧﻤﻮده اﻧﺪ‪.‬‬
‫در ﺳﺎل ‪ 1993‬ﺑﺎزار ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺷﺎﻣﻞ ﺗﻜﻨﻮﻟﻮژي ﻫﺎﻳﻲ ﻧﻈﻴﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ‪،‬ﺷﺒﻜﻪ ﻫﺎي‬
‫ﻋﺼﺒﻲ ‪ ،‬ﻣﻨﻄﻖ ﻓﺎزي ‪ ،‬رﺑﺎﺗﻬﺎ و‪ ....‬ﻣﻲ ﺷﺪ ﻛﻪ ﺣﺪود ‪ 900‬ﻣﻴﻠﻴﻮن دﻻر را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص‬
‫ﻣﻲ داد و ‪ U.S‬در ﺗﻮﺳﻌﻪ ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ در راس ﺳﺎﻳﺮ ﻛﺸﻮر ﻫﺎ ﻗﺮار داﺷﺖ‪.‬‬
‫ﺑﻌﺪ از آن ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻫﺎي وﺳﻴﻌﻲ از ﻃﺮف دوﻟﺖ و ارﺗﺶ روي ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﻮﺷﻤﻨﺪ‬
‫ﮔﺮدﻳﺪ و ﻛﺎرﺑﺮد ﻫﺎي وﺳﻴﻌﻲ از آن اﻳﺠﺎد ﺷﺪو اﻛﻨﻮن در ﻗﺮن ﺑﻴﺴﺖ و ﻳﻜﻢ ﺷﺎﻫﺪ ورود‬
‫ﺗﺪرﻳﺠﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ زﻧﺪﮔﻲ ﻣﺮدم ﻫﺴﺘﻴﻢ ‪ ،‬ﺑﻪ ﺧﺼﻮص ﻛﻪ ﻋﻼﻗﻪ ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ و‬
‫ﺑﺎزﻳﻬﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي روزﺑﻪ روز ﺑﻴﺸﺘﺮ ﻣﻲ ﺷﻮد در ﺳﺎل ‪ 2002‬ﺳﻬﻢ اﻳﻦ ﺑﺎزارﺑﻪ ﭼﻴﺰي ﺑﺎﻟﻎ‬
‫ﺑﺮ ‪ 11.9‬ﺑﻴﻠﻴﻮن دﻻر رﺳﻴﺪ و ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮد ﺗﺎ ﺳﺎل ‪ 2007‬ﺑﻪ ‪ 21‬ﺑﻴﻠﻴﻮن دﻻر ﺧﻮاﻫﺪ‬
‫رﺳﻴﺪ ‪ .‬ﭘﻴﺸﺮﻓﺘﻬﺎي ﻧﻮﻳﻦ در اﻳﻦ زﻣﻴﻨﻪ ﺑﻪ ﻃﻮر روزاﻓﺰون در دﺳﺘﺮس ﻣﺮدم ﻗﺮار ﻣﻲ ﮔﻴﺮد و‬
‫ﭼﻪ ﻛﺴﻲ ﻣﻲ داﻧﺪ آﻳﻨﺪه ﺑﻪ ﻫﻤﺮاه ﺧﻮد ﭼﻪ ﺑﻪ ارﻣﻐﺎن ﺧﻮاﻫﺪ آورد‪.‬‬
‫‪ 2-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ و ﻫﻮش اﻧﺴﺎﻧﻲ‪:‬‬

‫ﺑﺮاي ﺷﻨﺎﺧﺖ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺷﺎﻳﺴﺘﻪ اﺳﺖ ﺗﺎ ﺗﻔﺎوت آن را ﺑﺎ ﻫﻮشاﻧﺴﺎﻧﻲ ﺑﻪ ﺧﻮﺑﻲ ﺑﺪاﻧﻴﻢ‬
‫‪ .‬ﻣﻐﺰ اﻧﺴﺎن از ﻣﻴﻠﻴﺎردﻫﺎ ﺳﻠﻮل ﻳﺎ رﺷﺘﻪ ﻋﺼﺒﻲدرﺳﺖ ﺷﺪه اﺳﺖ و اﻳﻦ ﺳﻠﻮلﻫﺎ ﺑﻪ ﺻﻮرت‬
‫ﭘﻴﭽﻴﺪهاي ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﻣﺘﺼﻞاﻧﺪ ‪ .‬ﺷﺒﻴﻪﺳﺎزي ﻣﻐﺰ اﻧﺴﺎن ﻣﻲﺗﻮاﻧﺪ از ﻃﺮﻳﻖ ﺳﺨﺖاﻓﺰار ﻳﺎ‬
‫ﻧﺮماﻓﺰاراﻧﺠﺎم ﮔﻴﺮد‪ .‬ﺗﺤﻘﻴﻘﺎت اوﻟﻴﻪ ﻧﺸﺎن داده اﺳﺖ ﺷﺒﻴﻪﺳﺎزي ﻣﻐﺰ‪ ،‬ﻛﺎريﻣﻜﺎﻧﻴﻜﻲ و‬
‫ﺳﺎده ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﻳﻚ ﻛﺮم داراي ﭼﻨﺪ ﺷﺒﻜﻪ ﻋﺼﺒﻲاﺳﺖ ‪ .‬ﻳﻚ ﺣﺸﺮه ﺣﺪود ﻳﻚ‬
‫ﻣﻴﻠﻴﻮن رﺷﺘﻪ ﻋﺼﺒﻲ دارد و ﻣﻐﺰ اﻧﺴﺎن ازﻫﺰار ﻣﻴﻠﻴﺎرد رﺷﺘﻪ ﻋﺼﺒﻲ درﺳﺖ ﺷﺪه اﺳﺖ ‪ .‬ﺑﺎ‬
‫ﺗﻤﺮﻛﺰ و اﺗﺼﺎل رﺷﺘﻪﻫﺎيﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﻣﻲﺗﻮان واﺣﺪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ را درﺳﺖ ﻛﺮد‪.‬‬
‫ﻫﻮش اﻧﺴﺎﻧﻲ ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪهﺗﺮ و ﮔﺴﺘﺮدهﺗﺮ از ﺳﻴﺴﺘﻢﻫﺎي راﻳﺎﻧﻪاياﺳﺖ و ﺗﻮاﻧﻤﻨﺪﻳﻬﺎي‬
‫ﺑﺮﺟﺴﺘﻪاي ﻣﺎﻧﻨﺪ‪ :‬اﺳﺘﺪﻻل‪ ،‬رﻓﺘﺎر‪ ،‬ﻣﻘﺎﻳﺴﻪ‪ ،‬آﻓﺮﻳﻨﺶو ﺑﻜﺎر ﺑﺴﺘﻦ ﻣﻔﻬﻮﻣﻬﺎ را دارد‪.‬‬
‫ﻫﻮش اﻧﺴﺎﻧﻲ ﺗﻮان اﻳﺠﺎد ارﺗﺒﺎط ﻣﻴﺎن ﻣﻮﺿﻮعﻫﺎ و ﻗﻴﺎس وﻧﻤﻮﻧﻪ ﺳﺎزﻳﻬﺎي ﺗﺎزه را دارد‪.‬‬
‫اﻧﺴﺎن ﻫﻤﻮاره ﻗﺎﻧﻮنﻫﺎي ﺗﺎزهاي ﻣﻲﺳﺎزد و ﻳﺎﻗﺎﻧﻮن ﭘﻴﺸﻴﻦ را در ﻣﻮارد ﺗﺎزه ﺑﻜﺎر ﻣﻲﮔﻴﺮد ‪.‬‬
‫ﺗﻮاﻧﺎﻳﻲ ﺑﺸﺮ در اﻳﺠﺎد ﻣﻔﻬﻮمﻫﺎي ﮔﻮﻧﺎﮔﻮن در دﻧﻴﺎي ﭘﻴﺮاﻣﻮن ﺧﻮد ‪ ،‬از وﻳﮋﮔﻲﻫﺎي دﻳﮕﺮ‬
‫‪16‬‬

‫اوﺳﺖ ‪ .‬ﻣﻔﻬﻮمﻫﺎي ﮔﺴﺘﺮدهاي ﻫﻤﭽﻮن رواﺑﻂ ﻋﻠﺖ و ﻣﻌﻠﻮﻟﻲ‪ ،‬رﻣﺎن و ﻳﺎ ﻣﻔﻬﻮمﻫﺎي‬

‫ﺳﺎدهﺗﺮي ﻣﺎﻧﻨﺪ ﮔﺰﻳﻨﺶ وﻋﺪهﻫﺎي ﺧﻮراك )ﺻﺒﺤﺎﻧﻪ‪ ،‬ﻧﺎﻫﺎر وﺷﺎم( را اﻧﺴﺎن اﻳﺠﺎد ﻛﺮده‬
‫اﺳﺖ‪ .‬اﻧﺪﻳﺸﻴﺪن در اﻳﻦ ﻣﻔﻬﻮمﻫﺎ و ﺑﻜﺎرﺑﺴﺘﻦآﻧﻬﺎ‪ ،‬وﻳﮋه رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪاﻧﻪ اﻧﺴﺎن اﺳﺖ‪.‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﭘﻲ ﺳﺎﺧﺖ دﺳﺘﮕﺎﻫﻬﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﺘﻮاﻧﻨﺪﺗﻮاﻧﻤﻨﺪﻫﺎي ﻳﺎد ﺷﺪه‬
‫)اﺳﺘﺪﻻل‪ ،‬رﻓﺘﺎر‪ ،‬ﻣﻘﺎﻳﺴﻪ و ﻣﻔﻬﻮم آﻓﺮﻳﻨﻲ( را از ﺧﻮد ﺑﺮوز دﻫﻨﺪ‪ .‬آﻧﭽﻪ ﺗﺎﻛﻨﻮن ﺳﺎﺧﺘﻪ ﺷﺪه‬
‫ﻧﺘﻮاﻧﺴﺘﻪ اﺳﺖ ﺧﻮد را ﺑﻪ اﻳﻦ ﭘﺎﻳﻪ ﺑﺮﺳﺎﻧﺪ ‪ ،‬ﻫﺮ ﭼﻨﺪ ﺳﻮدﻣﻨﺪيﻫﺎي ﻓﺮاواﻧﻲ ﺑﻪ ﺑﺎر آورده‬
‫اﺳﺖ‪.‬‬
‫ﻧﻜﺘﻪ آﺧﺮ اﻳﻨﻜﻪ‪ ،‬ﻳﻜﻲ از ﻋﻠﻞ روﻳﺎروﻳﻲ ﺑﺎ ﻣﻘﻮﻟﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ ،‬ﻧﺎﺷﻲ از ﻧﺎمﮔﺬاري‬
‫ﻧﺎﻣﻨﺎﺳﺐ آن ﻣﻲﺑﺎﺷﺪ‪ .‬ﭼﻨﺎﻧﭽﻪ ﺟﺎن ﻣﻚﻛﺎرﺗﻲ در ﺳﺎل‪ 1956‬ﻣﻴﻼدي آن را ﭼﻴﺰي ﻣﺎﻧﻨﺪ‬
‫»ﺑﺮﻧﺎﻣﻪرﻳﺰي ﭘﻴﺸﺮﻓﺘﻪ« ﻧﺎﻣﻴﺪه ﺑﻮد ﺷﺎﻳﺪ ﺟﻨﮓ و ﺟﺪﻟﻲ در ﭘﻴﺮاﻣﻮن آن رخ ﻧﻤﻲداد‪.‬‬
‫در ذﻳﻞ ﻫﻮش ﻣﺼﻨﻮﻋﻲ و ﻫﻮش ﻃﺒﻴﻌﻲ را ﻓﻬﺮﺳﺖ وار ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻴﻢ ‪:‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ داﺋﻤﻲ ﺗﺮ اﺳﺖ‪.‬‬ ‫·‬
‫ﻧﺴﺒﺖ ﺑﻪ ﻫﻮش ﻃﺒﻴﻲ ﻛﻢ ﻫﺰﻳﻨﻪ ﺗﺮ اﺳﺖ‪.‬‬ ‫·‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﺎ ﺛﺒﺖ و ﻛﺎﻣﻞ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬ ‫·‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﺎﺑﻠﻴﺖ ﻣﺴﺘﻨﺪ ﺷﺪن را دارد‪.‬‬ ‫·‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﻣﻜﺎن اﺳﺘﻔﺎده از ﻛﺎﻣﭙﻴﻮﺗﺮ را ﺳﺎده ﺗﺮ ﻣﻲ ﺳﺎزد‪.‬‬ ‫·‬
‫ﻫﻮش ﻃﺒﻴﻌﻲ ﻓﻌﺎل اﺳﺖ در ﺻﻮرﺗﻲ ﻛﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﻳﻨﭽﻨﻴﻦ ﻧﻴﺴﺖ‪.‬‬ ‫·‬
‫ﻫﻮش ﻃﺒﻴﻌﻲ اﻳﻦ اﻣﻜﺎن را ﺑﻪ ﻓﺮد ﻣﻲ دﻫﺪ ﺗﺎ ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻴﻢ از ﺗﺠﺮﺑﻴﺎت ﺣﺴﻲ‬ ‫·‬
‫ﺧﻮد اﺳﺘﻔﺎده ﻧﻤﺎﻳﺪ‪.‬‬
‫ﻫﻮش ﻃﺒﻴﻌﻲ ﺑﻪ اﻓﺮاد ﻗﺪرت ﺗﺸﺨﻴﺺ ارﺗﺒﺎط ﺑﻴﻦ اﺷﻴﺎء را ﻣﻴﺪﻫﺪ‪.‬‬ ‫·‬
‫ﻫﻮش ﻃﺒﻴﻌﻲ ﺑﻪ اﻧﺴﺎن اﻣﻜﺎن اﺳﺘﻔﺎده از ﺗﺠﺮﺑﻴﺎت وﺳﻴﻌﻲ را ﻣﻲ دﻫﺪ‬ ‫·‬
‫‪ 3-2‬اﻓﻖﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬
‫در ‪) Mcclutch،1943‬رواﻧﺸﻨﺎس‪ ،‬ﻓﻴﻠﺴﻮف و ﺷﺎﻋﺮ( و ‪) Pitts‬رﻳﺎﺿﻴﺪان( ﻃﻲ ﻣﻘﺎﻟﻪاي‪،‬‬

‫دﻳﺪهﻫﺎي آن روزﮔﺎر درﺑﺎره ﻣﺤﺎﺳﺒﺎت‪ ،‬ﻣﻨﻄﻖ و رواﻧﺸﻨﺎﺳﻲ ﻋﺼﺒﻲ را ﺗﺮﻛﻴﺐ ﻛﺮدﻧﺪ‪ .‬اﻳﺪه‬
‫اﺻﻠﻲ آن ﻣﻘﺎﻟﻪ ﭼﮕﻮﻧﮕﻲ اﻧﺠﺎم اﻋﻤﺎل ﻣﻨﻄﻘﻲ ﺑﻪ وﺳﻴﻠﻪ اﺟﺰاي ﺳﺎده ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﻮد‪.‬‬
‫اﺟﺰاي ﺑﺴﻴﺎر ﺳﺎده )ﻧﻮرونﻫﺎ( اﻳﻦ ﺷﺒﻜﻪ ﻓﻘﻂ از اﻳﻦ ﻃﺮﻳﻖ ﺳﻴﮕﻨﺎل ﻫﺎي ﺗﺤﺮﻳﻚ‬
‫‪17‬‬

‫)‪ (exitory‬و ﺗﻮﻗﻴﻒ )‪ (inhibitory‬ﺑﺎ ﻫﻢ درﺗﻤﺎس ﺑﻮدﻧﺪ‪ .‬اﻳﻦ ﻫﻤﺎن ﭼﻴﺰي ﺑﻮد ﻛﻪ ﺑﻌﺪﻫﺎ‬
‫داﻧﺸﻤﻨﺪان ﻛﺎﻣﭙﻴﻮﺗﺮ آن را ﻣﺪارﻫﺎي )‪ (And‬و )‪ (OR‬ﻧﺎﻣﻴﺪﻧﺪ و ﻃﺮاﺣﻲ اوﻟﻴﻦ ﻛﺎﻣﭙﻴﻮﺗﺮ در‬
‫‪ 1947‬ﺗﻮﺳﻂ ﻓﻮن ﻧﻴﻮﻣﺎن ﻋﻤﻴﻘﺎً از آن اﻟﻬﺎم ﻣﻲﮔﺮﻓﺖ‪.‬‬
‫اﻣﺮوز ﭘﺲ از ﮔﺬﺷﺘﻪ ﻧﻴﻢﻗﺮن از ﻛﺎر ‪ Mcclutch‬و ‪ Pitts‬ﺷﺎﻳﺪ ﺑﺘﻮان ﮔﻔﺖ ﻛﻪ اﻳﻦ ﻛﺎر‬
‫اﻟﻬﺎم ﺑﺨﺶ ﮔﺮاﻳﺸﻲ ﻛﺎﻣﻼً ﭘﻮﻳﺎ و ﻧﻮﻳﻦ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪.‬‬
‫ﭘﻴﻮﻧﺪﮔﺮاﻳﻲ )‪ (Connectionism‬ﻫﻮﺷﻤﻨﺪي را ﺗﻨﻬﺎ ﺣﺎﺻﻞ ﻛﺎر ﻣﻮازي و ﻫﻢزﻣﺎن و در ﻋﻴﻦ‬

‫ﺣﺎل ﺗﻌﺎﻣﻞ ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎدي اﺟﺰاي ﻛﺎﻣﻼً ﺳﺎده ﺑﻪ ﻫﻢ ﻣﺮﺗﺒﻂ ﻣﻲداﻧﺪ‪.‬‬
‫ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻛﻪ از ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ ذﻫﻦ اﻧﺴﺎن اﻟﻬﺎم ﮔﺮﻓﺘﻪاﻧﺪ اﻣﺮوزه داراي‬
‫ﻛﺎرﺑﺮدﻫﺎي ﻛﺎﻣﻼً ﻋﻠﻤﻲ و ﮔﺴﺘﺮده ﺗﻜﻨﻮﻟﻮژﻳﻚ ﺷﺪهاﻧﺪ و ﻛﺎرﺑﺮد آن در زﻣﻴﻨﻪﻫﺎي ﻣﺘﻨﻮﻋﻲ‬
‫ﻣﺎﻧﻨﺪ ﺳﻴﺴﺘﻢﻫﺎي ﻛﻨﺘﺮﻟﻲ‪ ،‬رﺑﺎﺗﻴﻚ‪ ،‬ﺗﺸﺨﻴﺺ ﻣﺘﻮن‪ ،‬ﭘﺮدازش ﺗﺼﻮﻳﺮ‪ …،‬ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار‬
‫ﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ ﻛﺎر ﺑﺮ روي ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺑﺎ اﻟﻬﺎم از ﻃﺒﻴﻌﺖ )ﻫﻮﺷﻤﻨﺪيﻫﺎي‬
‫ـ ﻏﻴﺮ از ﻫﻮﺷﻤﻨﺪي اﻧﺴﺎن( اﻛﻨﻮن از زﻣﻴﻨﻪﻫﺎي ﻛﺎﻣﻼً ﭘﺮﻃﺮﻓﺪار در ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪.‬‬
‫اﻟﮕﻮرﻳﺘﻢ ژﻧﻴﺘﻚ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻳﺪه ﺗﻜﺎﻣﻞ داروﻳﻨﻲ و اﻧﺘﺨﺎب ﻃﺒﻴﻌﻲ ﭘﻴﺸﻨﻬﺎد ﺷﺪه‬
‫روش ﺑﺴﻴﺎر ﺧﻮﺑﻲ ﺑﺮاي ﻳﺎﻓﺘﻦ ﭘﺎﺳﺦ ﺑﻪ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪ ﺳﺎزﻳﺴﺖ‪ .‬ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ روشﻫﺎي‬
‫دﻳﮕﺮي ﻧﻴﺰ ﻣﺎﻧﻨﺪ اﺳﺘﺮاﺗﮋيﻫﺎي ﺗﻜﺎﻣﻠﻲ ﻧﻴﺰ )‪ (Evolutionary Algorithms‬در اﻳﻦ زﻣﻴﻨﻪ‬
‫ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﻧﺪ‪.‬‬
‫دراﻳﻦ زﻣﻴﻨﻪ ﻫﺮ ﮔﻮﺷﻪاي از ﺳﺎزو ﻛﺎر ﻃﺒﻴﻌﺖ ﻛﻪ ﭘﺎﺳﺦ ﺑﻬﻴﻨﻪاي را ﺑﺮاي ﻣﺴﺎﺋﻞ ﻳﺎﻓﺘﻪ اﺳﺖ‬
‫ﻣﻮرد ﭘﮋوﻫﺶ ﻗﺮار ﻣﻲﮔﻴﺮد‪ .‬زﻣﻴﻨﻪﻫﺎﻳﻲ ﭼﻮن ﺳﻴﺴﺘﻢ اﻣﻨﻴﺘﻲ ﺑﺪن اﻧﺴﺎن ) ‪Immun‬‬
‫‪ (System‬ﻛﻪ در آن ﺑﻴﺸﻤﺎر اﻟﮕﻮي وﻳﺮوسﻫﺎي ﻣﻬﺎﺟﻢ ﺑﻪ ﺻﻮرﺗﻲ ﻫﻮﺷﻤﻨﺪاﻧﻪ ذﺧﻴﺮه‬

‫ﻣﻲﺷﻮﻧﺪ و ﻳﺎ روش ﭘﻴﺪا ﻛﺮدن ﻛﻮﺗﺎهﺗﺮﻳﻦ راه ﺑﻪ ﻣﻨﺎﺑﻊ ﻏﺬا ﺗﻮﺳﻂ ﻣﻮرﭼﮕﺎن )‪(Ant Colony‬‬
‫ﻫﻤﮕﻲ ﺑﻴﺎﻧﮕﺮ ﮔﻮﺷﻪﻫﺎﻳﻲ از ﻫﻮﺷﻤﻨﺪي ﺑﻴﻮﻟﻮژﻳﻚ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪18‬‬

‫ﮔﺮاﻳﺶ دﻳﮕﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻴﺸﺘﺮ ﺑﺮ ﻣﺪل ﺳﺎزي اﻋﻤﺎل ﺷﻨﺎﺧﺘﻲ ﺗﺎُﻛﻴﺪ دارد )ﻣﺪل‬
‫ﺳﺎزي ﻧﻤﺎدﻳﻦ ﻳﺎ ﺳﻤﺒﻮﻟﻴﻚ( اﻳﻦ ﮔﺮاﻳﺶ ﭼﻨﺪان ﺧﻮد را ﺑﻪ ﻗﺎﺑﻠﻴﺖ ﺗﻌﻤﻖ ﺑﻴﻮﻟﻮژﻳﻚ‬
‫ﺳﻴﺴﺘﻢﻫﺎي اراﺋﻪ ﺷﺪه ﻣﻘﻴﺪ ﻧﻤﻲﻛﻨﺪ‪.‬‬
‫‪ CASE-BASED REASONING‬ﻳﻜﻲ از ﮔﺮاﻳﺶﻫﺎي ﻓﻌﺎل در اﻳﻦ ﺷﺎﺧﻪ ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫ﺑﻌﻨﻮان ﻣﺜﺎل روﻧﺪ اﺳﺘﺪﻻل ﺗﻮﺳﻂ ﻳﻚ ﭘﺰﺷﻚ ﻫﻨﮕﺎم ﺗﺸﺨﻴﺺ ﻳﻚ ﺑﻴﻤﺎري ﻛﺎﻣﻼً ﺷﺒﻴﻪ ﺑﻪ‬
‫‪ CBR‬اﺳﺖ ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻛﻪ ﭘﺰﺷﻚ در ذﻫﻦ ﺧﻮد ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎدي از ﺷﻮاﻫﺪ‬
‫ﺑﻴﻤﺎريﻫﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه را دارد و ﺗﻨﻬﺎ ﺑﺎﻳﺪ ﻣﺸﺎﻫﺪات ﺧﻮد را ﺑﺎ ﻧﻤﻮﻧﻪﻫﺎي ﻣﻮﺟﻮد در ذﻫﻦ‬
‫ﺧﻮﻳﺶ ﺗﻄﺒﻴﻖ داده‪ ،‬ﺷﺒﻴﻪﺗﺮﻳﻦ ﻧﻤﻮﻧﻪ را ﺑﻪ ﻋﻨﻮان ﺑﻴﻤﺎري ﺑﻴﺎﺑﺪ‪.‬‬
‫ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻣﺸﺨﺼﺎت‪ ،‬ﻧﻴﺎزﻣﻨﺪيﻫﺎ و ﺗﻮاﻧﺎﻳﻲﻫﺎي ‪ CBR‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﭼﺎرﭼﻮب ﻛﻠﻲ‬
‫ﭘﮋوﻫﺶ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬
‫اﻟﺒﺘﻪ ﻫﻨﮕﺎﻣﻲ ﻛﻪ از ﮔﺮاﻳﺶﻫﺎي آﻳﻨﺪه ﺳﺨﻦ ﻣﻲﮔﻮﻳﻴﻢ‪ ،‬ﻫﺮﮔﺰ ﻧﺒﺎﻳﺪ از ﮔﺮاﻳﺶﻫﺎي‬

‫ﺗﺮﻛﻴﺒﻲ ﻏﻔﻠﺖ ﻛﻨﻴﻢ‪ .‬ﮔﺮاﻳﺶﻫﺎﻳﻲ ﻛﻪ ﺧﻮد را ﺑﻪ ﺣﺮﻛﺖ در ﭼﺎرﭼﻮب ﺷﻨﺎﺧﺘﻲ ﻳﺎ ﺑﻴﻮﻟﻮژﻳﻚ‬
‫ﻳﺎ ﻣﻨﻄﻘﻲ ﻣﺤﺪود ﻧﻜﺮده و ﺑﻪ ﺗﺮﻛﻴﺒﻲ از آﻧﻬﺎ ﻣﻲاﻧﺪﻳﺸﻨﺪ‪ .‬ﺷﺎﻳﺪ ﺑﺘﻮان ﭘﻴﺶﺑﻴﻨﻲ ﻛﺮد ﻛﻪ‬
‫ﭼﻨﻴﻦ ﮔﺮاﻳﺶﻫﺎﻳﻲ ﻓﺮا ﺳﺎﺧﺘﺎرﻫﺎي )‪ (Meta –Structure‬رواﻧﻲ را ﺑﺮاﺳﺎس ﻋﻨﺎﺻﺮ ﺳﺎده‬
‫ﺑﻴﻮﻟﻮژﻳﻚ ﺑﻨﺎ ﺧﻮاﻫﻨﺪ ﻛﺮد‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻇﺎﻫﺮاً ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﺪ ﺑﻪ ﺟﺎي ﺳﺮﻣﺎﻳﻪﮔﺬاري ﺑﺮاي ﺳﺎﺧﺖ ﻣﺎﺷﻴﻦﻫﺎي دﻳﮕﺮ‬
‫ﻫﻮﺷﻤﻨﺪ‪ ،‬ﻣﻲﺗﻮان از ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﻣﻮﺟﻮد ﺑﺮاي ﭘﻴﺎدهﺳﺎزي ﺑﺮﻧﺎﻣﻪﻫﺎي ﻫﻮﺷﻤﻨﺪ اﺳﺘﻔﺎده‬
‫ﻛﺮد و اﮔﺮ ﭼﻨﻴﻦ ﺷﻮد‪ ،‬ﺑﺎﻳﺪ ﮔﻔﺖ ﻛﻪ ﻃﺒﻴﻌﺖ ﻫﻮﺷﻤﻨﺪي اﻳﺠﺎد ﺷﺪه ﺣﺪاﻗﻞ از ﻟﺤﺎظ‬
‫ﭘﻴﺎدهﺳﺎزي‪ ،‬ﻛﺎﻣﻼً ﺑﺎ ﻃﺒﻴﻌﺖ ﻫﻮﺷﻤﻨﺪي اﻧﺴﺎﻧﻲ ﻣﺘﻨﺎﺳﺐ ﺧﻮاﻫﺪ ﺑﻮد‪ ،‬زﻳﺮا ﻫﻮﺷﻤﻨﺪي‬
‫اﻧﺴﺎﻧﻲ‪ ،‬ﻧﻮﻋﻲ ﻫﻮﺷﻤﻨﺪي ﺑﻴﻮﻟﻮژﻳﻚ اﺳﺖ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻜﺎﻧﻴﺴﻢﻫﺎي ﻃﺒﻴﻌﻲ اﻳﺠﺎد‬
‫ﺷﺪه‪ ،‬و ﻧﻪ اﺳﺘﻔﺎده از ﻋﻨﺎﺻﺮ و ﻣﺪارﻫﺎي ﻣﻨﻄﻘﻲ‪.‬‬
‫در ﺑﺮاﺑﺮ ﺗﻤﺎﻣﻲ اﺳﺘﺪﻻﻻت ﻓﻮق ﻣﻲ ﺗﻮان اﻳﻦ ﻧﻜﺘﻪ را ﻣﻮرد ﺗﺎُﻣﻞ و ﭘﺮﺳﺶ ﻗﺮار داد ﻛﻪ‬
‫ﻫﻮﺷﻤﻨﺪي ﻃﺒﻴﻌﻲ ﺗﺎ ﺑﺪان ﺟﺎﻳﻲ ﻛﻪ ﻣﺎ ﺳﺮاغ دارﻳﻢ‪ ،‬ﺗﻨﻬﺎ ﺑﺮﻣﺤﻤﻞ ﻃﺒﻴﻌﻲ و ﺑﺎ اﺳﺘﻔﺎده از‬
‫روش ﻫﺎي ﻃﺒﻴﻌﺖ اﻳﺠﺎد ﺷﺪه اﺳﺖ‪ .‬ﻃﺮﻓﺪاران اﻳﻦ دﻳﺪﮔﺎه ﺗﺎ ﺑﺪاﻧﺠﺎ ﭘﻴﺶ رﻓﺘﻪاﻧﺪ ﻛﻪ ﺣﺘﻲ‬
‫‪19‬‬

‫ﻣﺎده اﻳﺠﺎد ﻛﻨﻨﺪه ﻫﻮﺷﻤﻨﺪي را ﻣﻮرد ﭘﺮﺳﺶ ﻗﺮار داده اﻧﺪ‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮ از ﺳﻴﻠﻴﻜﻮن اﺳﺘﻔﺎده‬
‫ﻣﻲ ﻛﻨﺪ‪ ،‬در ﺣﺎﻟﻲ ﻛﻪ ﻃﺒﻴﻌﺖ ﻫﻤﻪ ﺟﺎ از ﻛﺮﺑﻦ ﺳﻮد ﺑﺮده اﺳﺖ‪.‬‬
‫ﻣﻬﻢ ﺗﺮ از ﻫﻤﻪ‪ ،‬اﻳﻦ ﻧﻜﺘﻪ اﺳﺖ ﻛﻪ در ﻛﺎﻣﭙﻴﻮﺗﺮ‪ ،‬ﻳﻚ واﺣﺪ ﻛﺎﻣﻼً ﭘﻴﭽﻴﺪه ﻣﺴﺌﻮﻟﻴﺖ اﻧﺠﺎم‬
‫ﻛﻠﻴﻪ اﻋﻤﺎل ﻫﻮﺷﻤﻨﺪاﻧﻪ را ﺑﻌﻬﺪه دارد‪ ،‬در ﺣﺎﻟﻲ ﻛﻪ ﻃﺒﻴﻌﺖ در ﺳﻤﺖ و ﺳﻮﻳﻲ ﻛﺎﻣﻼً ﻣﺨﺎﻟﻒ‬
‫ﺣﺮﻛﺖ ﻛﺮده اﺳﺖ‪ .‬ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎدي از واﺣﺪﻫﺎي ﻛﺎﻣﻼً ﺳﺎده )ﺑﻌﻨﻮان ﻣﺜﺎل از ﻧﻮرونﻫﺎي‬
‫ﺷﺒﻜﻪ ﻋﺼﺒﻲ( ﺑﺎ ﻋﻤﻠﻜﺮد ﻫﻤﺰﻣﺎن ﺧﻮد )ﻣﻮازي( رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ را ﺳﺒﺐ ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫ﺗﻘﺎﺑﻞ ﻫﻮﺷﻤﻨﺪي ﻣﺼﻨﻮﻋﻲ و ﻫﻮﺷﻤﻨﺪي ﻃﺒﻴﻌﻲ ﺣﺪاﻗﻞ در ﺣﺎل ﺣﺎﺿﺮ ﺗﻘﺎﺑﻞ ﭘﻴﭽﻴﺪﮔﻲ‬
‫ﻓﻮق اﻟﻌﺎده و ﺳﺎدﮔﻲ ﻓﻮق اﻟﻌﺎده اﺳﺖ‪ .‬اﻳﻦ ﻣﺴﺎُﻟﻪ ﻫﻢ اﻛﻨﻮن ﻛﺎﻣﻼً ﺑﻪ ﺻﻮرت ﻳﻚ‬
‫ﺟﻨﺠﺎل)‪ (debate‬ﻋﻠﻤﻲ در ﺟﺮﻳﺎن اﺳﺖ‪.‬‬
‫در ﻫﺮ ﺣﺎل ﺣﺘﻲ اﮔﺮ ﺑﭙﺬﻳﺮﻳﻢ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ در ﻧﻬﺎﻳﺖ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﻧﻴﺴﺖ‪،‬‬
‫ﻣﺠﺒﻮرﻳﻢ ﺑﺮاي ﺷﺒﻴﻪﺳﺎزي ﻫﺮ روش ﻳﺎ ﻣﺎﺷﻴﻦ دﻳﮕﺮي از آن ﺳﻮد ﺑﺠﻮﻳﻴﻢ‪.‬‬
‫‪ 4-2‬ﺷﺎﺧﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪:‬‬

‫‪ 1-4-2‬ﺷﺒﻜﻪ ﻋﺼﺒﻲ)‪(Neural Network‬‬
‫در اﻳﻨﺠﺎ ﻫﻮﺷﻤﻨﺪي ﺑﻪ وﺳﻴﻠﻪ ﻣﺸﺎﺑﻪ ﺳﺎزي اﻧﻮاع اﺗﺼﺎﻻت ﻓﻴﺰﻳﻜﻲ ﻛﻪ در ﻣﻐﺰ ﺣﻴﻮاﻧﺎت‬
‫اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‪ ،‬ﻋﻤﻠﻲ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ 2-4-2‬ﻓﺮآﻳﻨﺪ ﺗﻜﻠﻢ ﻃﺒﻴﻌﻲ )‪(Natural Language Processing‬‬
‫در اﻳﻦ ﺷﺎﺧﻪ‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﺑﺮاي ﻓﻬﻢ زﺑﺎن اﻧﺴﺎن ﺑﺮﻧﺎﻣﻪﻳﺰي ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 3-4-2‬روﺑﺎﺗﻴﻚ)‪(Robotics‬‬
‫در اﻳﻦ ﺣﻮزه ﺳﻌﻲ ﻣﻲ ﺷﻮد‪ ،‬روﺑﺎﺗﻬﺎ ﺑﻪ ﻃﻮر ﻫﻮﺷﻤﻨﺪ ﻋﻤﻞ ﻛﻨﻨﺪ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺗﻮاﻧﺎﻳﻴﻬﺎي‬
‫ﻫﻮﺷﻤﻨﺪاﻧﻪ اي ﻣﺜﻞ دﻳﺪن‪ ،‬ﺷﻨﻴﺪن و ﻋﻜﺲ اﻟﻌﻤﻞ ﻧﺸﺎن دادن ﺑﻪ ﻣﺤﺮﻛﻬﺎي ﻃﺒﻴﻌﻲ ‪.‬‬
‫‪ 4-4-2‬اﻧﺠﺎم ﻣﺴﺎﺑﻘﻪ)‪(Game Playing‬‬
‫در اﻳﻨﺠﺎ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﺑﺮاي ﺷﺮﻛﺖ در ﻣﺴﺎﺑﻘﺎﺗﻲ ﻣﺜﻞ ﺷﻄﺮﻧﺞ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 5-4-2‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه)‪(Expert Systems‬‬
‫در اﻳﻦ ﺷﺎﺧﻪ ‪ ،‬ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﺷﺮاﻳﻂ واﻗﻌﻲ زﻧﺪﮔﻲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﻲ‬
‫ﺷﻮﻧﺪ‪.‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪي را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﺗﺸﺨﻴﺺ ﻣﺸﻜﻼت‬
‫‪20‬‬

‫اﻋﺼﺎب و روان ﺑﻴﻤﺎران را دارد‪.‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﺑﻪ ﺻﻮرت زﻳﺮ ﻋﻤﻞ ﻣﻲ ﺷﻮد‪:‬اﻃﻼﻋﺎت ﻳﻚ ﻳﺎ‬
‫ﭼﻨﺪ ﻣﺘﺨﺼﺺ ﺑﻪ اﺿﺎﻓﻪ اﻃﻼﻋﺎت ﮔﺮﻓﺘﻪ ﺷﺪه از ﺧﻮد ﻣﺮاﺟﻌﺎن ‪ ،‬ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ داده ﻣﻲ‬
‫ﺷﻮد‪.‬ﺣﺎل ﻫﺮ ﻣﺮاﺟﻌﻪ ﻛﻨﻨﺪه ﺑﻪ ﺳﻮاﻻﺗﻲ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻄﺮح ﻣﻲ ﻛﻨﺪ ﭘﺎﺳﺦ داده ‪ ،‬ﺳﭙﺲ‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﻧﻮع ﺑﻴﻤﺎري ﻣﺮاﺟﻌﻪ ﻛﻨﻨﺪه را ﺑﺎ اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﺗﺨﺼﺼﻲ ﻛﻪ در اﺧﺘﻴﺎر دارد و‬
‫اﻃﻼﻋﺎﺗﻲ ﻛﻪ از ﻣﺮاﺟﻌﻪ ﻛﻨﻨﺪه ﮔﺮﻓﺘﻪ ‪ ،‬ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﭼﻨﻴﻦ ﻛﺎﻣﭙﻴﻮﺗﺮي ‪ ،‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه اﺳﺖ‪.‬اﻣﺎ اﻳﻦ ﺳﻴﺴﺘﻢ‪ ،‬ﻋﻼوه ﺑﺮ آﻧﭽﻪ ﺑﻪ آن داده ﺷﺪه‬
‫‪ ،‬اﻃﻼﻋﺎﺗﻲ ﺑﻪ دﺳﺖ ﻧﻤﻲ آورد‪.‬در ﺷﺎﺧﻪ ﺑﻌﺪ‪ ،‬از ﻗﺎﺑﻠﻴﺘﻲ ﺳﺨﻦ ﺧﻮاﻫﻴﻢ ﮔﻔﺖ ﻛﻪ ﺑﻪ‬
‫ﻫﻮﺷﻤﻨﺪي اﻧﺴﺎن ﻧﺰدﻳﻜﺘﺮ اﺳﺖ‬
‫‪ 5-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﻮي و ﺿﻌﻴﻒ ‪:‬‬

‫اﻏﻠﺐ‪ ،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ دو ﻃﺒﻘﻪ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد‪ ،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﻮي )‪(.A.I Strong‬‬
‫وﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺿﻌﻴﻒ ‪( A.I Weak).‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﻮي ادﻋﺎ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻧﺤﻮي ﻛﺎرﮔﺬاري ﺷﻮﻧﺪ ﻛﻪ‬
‫ﺣﺪاﻗﻞ ﺗﺎ ﺳﻄﺢ اﻧﺴﺎن ﻓﻜﺮ ﻛﻨﻨﺪ وﺗﻮاﻧﺎﻳﻴﻬﺎي او را داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺿﻌﻴﻒ ﺑﻪ ﺳﺎدﮔﻲ ﭼﻨﻴﻦ اﻇﻬﺎر ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺗﻌﺪادي از وﻳﮋﮔﻴﻬﺎي اﻧﺴﺎن‬
‫ﻣﺎﻧﻨﺪ ﻓﻜﺮﻛﺮدن‪ ،‬ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ اﺿﺎﻓﻪ ﺷﻮﻧﺪ‪ ،‬ﺑﻪ ﻧﺤﻮي ﻛﻪ آﻧﻬﺎ ﻛﺎراﺗﺮ ﺷﺪه و‬
‫ﺑﺘﻮاﻧﻨﺪ ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺗﺸﺨﻴﺺ اﻧﺴﺎن را ﻣﺸﺎﺑﻪ ﺳﺎزي ﻛﻨﻨﺪ‪.‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﺑﻪ ﻧﺤﻮي ﻛﺎر‬
‫ﻛﻨﻨﺪ ﻛﻪ ﺑﺘﻮان ﺑﻪ آﻧﻬﺎ ﺳﻴﺴﺘﻤﻬﺎي ﻫﻮﺷﻤﻨﺪ اﻃﻼق ﻛﺮد ‪.‬اﻳﻦ ﻧﻮع ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﺪﺗﻲ‬
‫اﺳﺖ ﻛﻪ ﻋﻤﻠﻲ ﺷﺪه و ﻣﺜﺎل آن ﻧﺮم اﻓﺰاري اﺳﺖ ﻛﻪ ﮔﻔﺘﺎر را ﺗﺸﺨﻴﺺ ﻣﻲ دﻫﺪ‪.‬‬
‫‪21‬‬

www.IrPDF.com
‫ﻓﺼﻞ ﺳﻮم‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
22

‫‪ 1-3‬ﻣﻘﺪﻣﻪ اي از زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬

‫زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ )‪(AI‬اﺑﺰار اﺻﻠﻲ ﺑﺮرﺳﻲ و ﺳﺎﺧﺖ ﺑﺮﻧﺎﻣﻪﻫﺎي‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮي ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﻲﺗﻮاﻧﻨﺪ در ﺷﺒﻴﻪﺳﺎزي ﻓﺮاﻳﻨﺪﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻣﺎﻧﻨﺪ ﻳﺎدﮔﻴﺮي‪،‬‬
‫اﺳﺘﺪﻻل و ﻓﻬﻢ اﻃﻼﻋﺎت ﻧﻤﺎدﻳﻦ ﺑﻜﺎر ﺑﺮوﻧﺪ‪ .‬ﻫﺮ ﭼﻨﺪ اﺧﻴﺮاً زﺑﺎن ﻛﺎﻣﭙﻴﻮﺗﺮ اﺻﻮﻻً ﺑﺮاي‬
‫اﺳﺘﻔﺎده از ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﺑﺮاي اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت ﺑﺎ اﻋﺪاد ﻃﺮاﺣﻲ ﺷﺪه ﺑﻮد‪ ،‬اﻣﺎ ﺑﺰودي درﻳﺎﻓﺘﻨﺪ‬
‫ﻛﻪ رﺷﺘﻪاي از ﺑﻴﺘﻬﺎ ﻧﻪ ﺗﻨﻬﺎ اﻋﺪاد ﺑﻠﻜﻪ ﻣﻲﺗﻮاﻧﻨﺪ اﺷﻴﺎي دﻟﺨﻮاه را ﻧﻴﺰ ﻧﻤﺎﻳﺶ دﻫﻨﺪ‪.‬‬
‫ﻋﻤﻠﻴﺎت روي وﻳﮋهﮔﻲﻫﺎ ﻳﺎ ﻧﻤﺎدﻫﺎ ﻣﻲﺗﻮاﻧﺪ ﺑﺎ اﺳﺘﻔﺎده از ﻗﻮاﻧﻴﻦ ﺑﺮاي اﻳﺠﺎد‪ ،‬اﻧﺘﺴﺎب ﻳﺎ‬
‫دﺳﺘﻜﺎري ﻧﺸﺎن داده ﺷﻮد‪ .‬اﻳﻦ ﺗﺼﻮر از ﻣﺤﺎﺳﺒﺎت ﻧﻤﺎدﻳﻦ ﺑﻌﻨﻮان ﺗﻌﺮﻳﻒ اﻟﮕﻮرﻳﺘﻤﻬﺎﻳﻲ ﻛﻪ‬
‫ﻫﺮ ﻧﻮع اﻃﻼﻋﺎت را ﭘﺮدازش ﻣﻲﻛﻨﻨﺪ و ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲﺗﻮاﻧﺪ ﺑﺮاي ﺷﺒﻴﻪﺳﺎزي ﻫﻮش اﻧﺴﺎن ﺑﻜﺎر‬
‫ﺑﺮود ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬‬
‫ﺑﺰودي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎ ﻧﻤﺎدﻫﺎ ﻛﻪ ﻧﻴﺎز ﺑﻪ ﺳﻄﺢ ﺑﺎﻻﻳﻲ از ﭼﻜﻴﺪﮔﻲ دارﻧﺪ ﺗﻮﻟﻴﺪ ﻣﻲﺷﻮﻧﺪ‪،‬‬
‫ﻏﻴﺮ از اﻣﻜﺎﻧﺎﺗﻲ ﻛﻪ ﺑﺎ زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺨﺼﻮص ﭘﺮدازش اﻋﺪاد ﻣﻤﻜﻦ ﺑﻮد ﻣﺎﻧﻨﺪ‬
‫ﻓﺮﺗﺮن‪.‬‬
‫‪ 2-3‬ﺗﻜﻨﻴﻚ ﻫﺎ وزﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬

‫اﻳﻦ اﻧﻘﻼب در اﻗﺘﺼﺎد اﻣﺮوز و ﻧﻈﻢ ﺟﺎﻣﻌﻪ‪ ،‬ﺑﻪ ﻫﻤﺎن ﻣﻴﺰان اﻧﻘﻼب ﺻﻨﻌﺘﻲ در ﻗﺮن ‪ 19‬ﺗﺄﺛﻴﺮ‬
‫دارداﻳﻦ ﺗﺤﻮﻻت ﻗﺎدر اﺳﺖ اﻟﮕﻮي ﻓﻜﺮي و ﻓﺮم زﻧﺪﮔﻲ ﻫﺮ ﻓﺮد را ﺗﻐﻴﻴﺮ دﻫﺪ‪.‬‬
‫اﻧﻘﻼب ﻛﺎﻣﭙﻴﻮﺗﺮ ﺗﻮان ذﻫﻨﻲ ﻣﺎ را ﮔﺴﺘﺮش ﻣﻲ دﻫﺪ‪.‬‬
‫ﻋﻤﻠﻜﺮد اوﻟﻴﺔ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ )‪ (AI‬اﻳﺠﺎد ﺳﺎﺧﺘﺎر ﻛﻨﺘﺮﻟﻲ ﻣﻮرد ﻟﺰوم ﺑﺮاي‬
‫ﻣﺤﺎﺳﺒﻪ ﺳﻤﺒﻮﻟﻴﻚ اﺳﺖ ﺧﺼﻮﺻﻴﺎت اﻳﻦ ﺳﺎﺧﺘﺎرﻫﺎ ﺑﻪ ﻣﻘﺪار زﻳﺎدي ﻣﻮﺟﺐ ﺗﺸﺨﻴﺺ‬
‫ﺧﺼﻮﺻﻴﺎﺗﻲ ﻣﻲ ﺷﻮد ﻛﻪ ﻳﻚ زﺑﺎن ﻛﺎرﺑﺮدي ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﻓﺮاﻫﻢ ﻛﻨﺪ‪.‬‬
‫در اﻳﻦ ﻣﻘﺪﻣﻪ ﺑﻪ ﻳﻚ ﺳﺮي ﺧﺼﻮﺻﻴﺎت ﻣﻮرد ﻧﻈﺮ ﺑﺮاي زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﻤﺒﻮﻟﻴﻚ ﻣﻲ‬
‫ﭘﺮدازﻳﻢ و زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ LISP‬و ‪ PROLOG‬را ﻣﻌﺮﻓﻲ ﺧﻮاﻫﻴﻢ ﻛﺮد‪.‬‬
‫اﻳﻦ دو زﺑﺎن ﻋﻼوه ﺑﺮ اﻳﻦ ﻛﻪ از ﻣﻬﻤﺘﺮﻳﻦ زﺑﺎﻧﻬﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻫﺴﺘﻨﺪ‪،‬‬
‫ﺧﺼﻮﺻﻴﺎت ‪ semantic‬و ‪ syntactic‬آﻧﻬﺎ ﻧﻴﺰ ﺑﺎﻋﺚ ﺷﺪه ﻛﻪ آﻧﻬﺎ ﺷﻴﻮه ﻫﺎ و راه ﺣﻞ ﻫﺎي ﻗﻮي‬
‫ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ ارﺋﻪ ﻛﻨﻨﺪ‪.‬‬
‫‪23‬‬

‫ﺗﺄﺛﻴﺮ ﻗﺎﺑﻞ ﺗﻮﺟﻪ اﻳﻦ زﺑﺎﻧﻬﺎ ﺑﺮ روي ﺗﻮﺳﻌﻪ ‪ AI‬از ﺟﻤﻠﻪ ﺗﻮاﻧﺎﺋﻲ آﻧﻬﺎ ﺑﻪ ﻋﻨﻮان »اﺑﺰارﻫﺎي ﻓﻜﺮ‬
‫ﻛﺮدن« ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ از ﺟﻤﻠﻪ ﻧﻘﺎط ﻗﻮت آﻧﻬﺎ در زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻫﻤﺎن ﻃﻮر ﻛﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﺮاﺣﻞ رﺷﺪ ﺧﻮد را ﻃﻲ ﻣﻲ ﻛﻨﺪ زﺑﺎﻧﻬﺎي ‪ LISP‬و ‪PROLOG‬‬
‫ﺑﻴﺸﺘﺮ ﻣﻄﺮح ﻣﻲ ﺷﻮﻧﺪ‪.‬‬

‫اﻳﻦ زﺑﺎﻧﻬﺎ ﻛﺎر ﺧﻮد را در ﻣﺤﺪودة ﺗﻮﺳﻌﻪ و ‪ prototype‬ﺳﺎزي ﺳﻴﺴﺘﻢ ﻫﺎي ‪ AI‬در ﺻﻨﻌﺖ و‬
‫داﻧﺸﮕﺎﻫﻬﺎ دﻧﺒﺎل ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫اﻃﻼﻋﺎت در ﻣﻮرد اﻳﻦ زﺑﺎﻧﻬﺎ ﺑﻪ ﻋﻨﻮان ﺑﺨﺸﻲ از ﻣﻬﺎرت ﻫﺮ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ‪ AI‬ﻣﻲ ﺑﺎﺷﺪ ﻣﺎ ﺑﻪ‬
‫ﺑﺮرﺳﻲ اﻳﻦ دو زﺑﺎن در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻲ ﭘﺮدازﻳﻢ‪.‬‬
‫آﻧــــﭽﻪ را ﻛـــﻪ ﻧﻤﻲ داﻧﻴﻢ ﻣﻮﺟﺐ دردﺳﺮ و ﮔﺮﻓﺘﺎري ﻣﺎ ﻧﺨﻮاﻫﺪ ﺷﺪ‪ ،‬ﺑﻠﻜﻪ دردﺳﺮﻫﺎ از‬
‫داﻧﺴﺘﻪ ﻫﺎ ﺳﺮﭼﺸﻤﻪ ﻣﻲ ﮔﻴﺮﻧﺪ‪.‬‬
‫‪W.ROGERS‬‬
‫‪ 3-3‬زﺑﺎن ‪ ،‬ﺷﻨﺎﺧﺖ و ﺧﻼﺻﻪ ﭘﺮدازي ‪:‬‬
‫ﺗﻮاﻧﺎﻳﻲ ﺷﻜﻞ ﮔﻴﺮي ﺧﻼﺻﻪ ﺑﺮداري از ﺗﺠﺮﺑﻴﺎت از ﺗﻮاﻧﻤﻨﺪ ﺗﺮﻳﻦ و اﺳﺎﺳﻲ ﺗﺮﻳﻦ ﺗﻮاﻧﺎﺋﻲ‬
‫ﻫﺎي ذﻫﻦ اﻧﺴﺎن اﺳﺖ ﺧﻼﺻﻪ ﭘﺮدازي ﺑﻪ ﻣﺎ اﻳﻦ اﺟﺎزه را ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻪ ﻓﻬﻢ ﺟﺰﺋﻴﺎت از ﻳﻚ‬
‫ﻣﺤﺪوده ي ﻛﻠﻲ اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﻳﻚ ﺧﺼﻮﺻﻴﺖ ﻛﻠﻲ ﺳﺎزﻣﺎن و رﻓﺘﺎر ﺑﺮﺳﻴﻢ ‪ .‬اﻳﻦ‬
‫ﺧﻼﺻﻪ ﻫﺎ ﺑﻪ ﻣﺎ اﺟﺎزه ﺷﻨﺎﺧﺖ و درك ﻛﺎﻣﻞ ﻣﻮارد درﻳﺎﻓﺖ ﺷﺪه در ﺣﻮزه ﺧﺎص را ﻣﻲ دﻫﻨﺪ‬
‫‪ .‬اﮔﺮ ﻣﺎ وارد ﻳﻚ ﺧﺎﻧﻪ ﺷﻮﻳﻢ ﻛﻪ ﺑﻪ ﺧﻮﺑﻲ ﺳﺎﺧﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ‪ ،‬راﻫﻬﺎي ﺧﻮد را ﺑﻪ اﻃﺮاف ﭘﻴﺪا‬
‫ﺧﻮاﻫﻴﻢ ﻛﺮد ‪ .‬ﺳﺎﺧﺘﺎر ﺧﺼﻮﺻﻴﺎت اﻃﺎق ﻧﺸﻴﻤﻦ ‪ ،‬اﻃﺎق ﺧﻮاب ‪،‬آﺷﭙﺰﺧﺎﻧﻪ و ﺣﻤﺎم ﻋﻤﻮﻣﺎً از‬
‫وﻳﮋﮔﻴﻬﺎي ﻳﻚ ﻣﺪل ﺧﺎﻧﺔ اﺳﺘﺎﻧﺪارد ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫ﺧﻼﺻﻪ ﭘﺮدازي ﺑﻪ ﻣﺎ ﺣﺲ ﺷﻨﺎﺧﺖ ﺧﺎﻧﻪ ﻫﺎي ﻣﺘﻔﺎوت را ﻣﻲ دﻫﺪ ‪ .‬ﻳﻚ ﺗﺼﻮﻳﺮ ﻣﻤﻜﻦ اﺳﺖ‬
‫ﺑﻴﺎﻧﻲ ﻗﻮي ﺗﺮ از ﻫﺰاران ﻛﻠﻤﻪ داﺷﺘﻪ ﺑﺎﺷﺪ ‪ ،‬اﻣﺎ ﻳﻚ ﺧﻼﺻﻪ ﻣﺸﺨﺼﺎً ﺑﻴﺎن ﻛﻨﻨﺪة ﺧﺼﻮﺻﻴﺎت‬
‫ﻣﻬﻢ ﻳﻚ ﻛﻠﻴﺖ از ﻧﻮع ﺗﺼﻮﻳﺮ اﺳﺖ ‪.‬‬
‫وﻗﺘﻲ ﻛﻪ ﻣﺎ ﺑﻪ ﺗﺌﻮري ﺑﺮاي ﺗﻮﺻﻴﻒ ﻛﻼس ﻫﺎي ﻳﻚ ﭘﺪﻳﺪه ﻣﻲ ﭘﺮدازﻳﻢ ‪ ،‬ﺧﺼﻮﺻﻴﺎت و‬
‫وﻳﮋﮔﻴﻬﺎي ﻛﻤﻲ و ﻛﻴﻔﻲ ﻣﺮﺑﻮط ﺑﻪ ﻛﻼس از ﻛﻞ ﺟﺰﺋﻴﺎت ﺧﻼﺻﻪ ﻣﻲ ﺷﻮد ‪.‬‬
‫ﻛﻪ اﻋﻀﺎء ﺑﻪ ﺧﺼﻮص ﺧﻮد را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ ‪ .‬اﻳﻦ ﻛﺎﻫﺶ ﺟﺰﺋﻴﺎت ﺑﻪ وﺳﻴﻠﻪ ﻗﺪرت‬
‫ﺗﻮﺻﻴﻒ و ﭘﻴﺶ ﺑﻴﻨﻲ ﻳﻚ ﻧﻈﺮﻳﻪ ارزﺷﻤﻨﺪ ﺟﺒﺮان ﻣﻲ ﺷﻮد ‪.‬‬
‫‪24‬‬

‫ﺧﻼﺻﻪ ﺳﺎزي ﻳﻜﻲ از اﺑﺰارﻫﺎي اﺳﺎﺳﻲ ﺷﻨﺎﺧﺖ و ارزﻳﺎﺑﻲ ﻛﻠﻴﺖ ﻫﺎي ﺟﻬﺎن اﻃﺮاف ﻣﺎ و‬
‫ﻫﻤﭽﻨﻴﻦ ﺳﺎﺧﺘﺎر ذﻫﻨﻲ ﻣﺎ اﺳﺖ ‪ .‬در ﺣﻘﻴﻘﺖ اﻳﻦ ﭘﺮوﺳﻪ ﺑﻪ ﻃﻮر ﻣﺪاوم ﺑﺮاﺳﺎس داﻧﺶ و‬
‫اﻃﻼﻋﺎت ﺻﻮرت ﻣﻲ ﮔﻴﺮد ‪ .‬داﻧﺶ و اﻃﻼﻋﺎ ﻧﻴﺰ در ﻻﻳﻪ ﻫﺎ و ﺑﺨﺶ ﻫﺎﻳﻲ از ﺧﻼﺻﻪ ﭘﺮدازي‬
‫ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ از ﻣﻜﺎﻧﻴﺴﻢ ﻫﺎﻳﻲ ﻛﻪ ﺳﺎﺧﺘﺎر را ﻓﺸﺮده ﺳﺎﺧﺘﻪ و از ﺣﺲ اوﻟﻴﻪ ﺑﻪ ﺳﻤﺖ‬
‫ﻳﻚ ﺳﺮي ﺗﺌﻮري ﻫﺎي ﻋﻠﻤﻲ ﺳﻮق داده ﻣﻲ ﺷﻮد و در ﻧﻬﺎﻳﺖ ﺑﻴﺸﺘﺮ اﻳﻦ اﻳﺪه ﻫﺎ درﺑﺎرة اﻳﺪه‬
‫ﻫﺎي دﻳﮕﺮ و ﻧﺸﺄت ﮔﺮﻓﺘﻪ از آﻧﻬﺎ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪ 1-3-3‬ﺧﻼﺻﻪ ﭘﺮدازي ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه )ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ ( ‪:‬‬

‫ﺳﺎﺧﺘﺎر و ﺳﺎزﻣﺎن آزﻣﺎﻳﺶ و ﺗﺠﺮﺑﻪ در ارﺗﺒﺎط ﺑﺎ ﺗﻮﺻﻴﻔﺎت ﻛﻼس ﻫﺎي ﺧﻼﺻﻪ ﺳﺎزي ﻳﻜﻲ از‬
‫اﺑﺰارﻫﺎي ﺷﻨﺎﺧﺖ رﻓﺘﺎر و ﺳﺎﺧﺘﺎر ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺮﻛﺐ اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮ‬
‫ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫ﻫﻤﺎﻧﻨﺪ رﻓﺘﺎر ﻳﻚ ﺣﻴﻮان ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﻓﻴﺰﻳﻮﻟﻮژي ﺳﻴﺴﺘﻢ ﻋﺼﺒﻲ ﻧﻬﻔﺘﻪ‬
‫در ﭘﺸﺖ آن ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﮔﻴﺮد ‪.‬‬
‫ﻳﻚ اﻟﮕﻮرﻳﺘﻢ داراي ﺧﺼﻮﺻﻴﺎت ﻣﺮﺑﻮط ﺑﻪ ﺧﻮد ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻛﺎﻣﻼً آن را از ﺑﺮﻧﺎﻣﻪ اي ﻛﻪ آن‬
‫را ﺑﻪ ﻛﺎر ﻣﻲ ﺑﺮد ﺟﺪا ﻣﻲ ﺳﺎزد ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل دو ﻧﻮع ﻛﺎرﺑﺮ ﻣﺘﻔﺎوت ﺟﺴﺘﺠﻮي ﺑﺎﻳﻨﺮي را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ‪.‬‬
‫ﻳﻜﻲ از آﻧﻬﺎ ﻳﻌﻨﻲ ‪ Fortran‬از ﻣﺤﺎﺳﺒﺎت و ﻃﺒﻘﻪ ﺑﻨﺪي اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ و دﻳﮕﺮي ﻳﻌﻨﻲ ‪Ctt‬‬
‫از ‪ Pointer‬اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﺘﻮاﻧﺪ در ﺟﺴﺘﺠﻮي درون ﺷﺎﺧﻪ ﻫﺎي ‪ binary‬ﻛﺎرﺑﺮد‬

‫داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬‬
‫اﮔﺮ دﻗﻴﻖ ﺗﺮ ﻧﮕﺎه ﻛﻨﻴﻢ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﻣﺜﻞ ﻫﻢ ﻣﻲ ﺑﺎﺷﻨﺪ ﭼﻮن اﮔﺮ ﺟﺰ اﻳﻦ ﺑﺎﺷﺪ ﻛﺎرﺑﺮدﻫﺎي‬
‫آﻧﻬﺎ ﻧﻴﺰ ﺗﻔﺎوت ﺧﻮاﻫﺪ ﺷﺪ ‪ .‬ﺟﺪاﺳﺎزي اﻟﮕﻮرﻳﺘﻢ از ﻛﻪ ﻣﻮرد اﺳﺘﻔﺎده در ﻛﺎرﺑﺮد آن ﻳﻜﻲ از‬
‫ﻧﻤﻮﻧﻪ ﻫﺎي ﺧﻼﺻﻪ ﺳﺎزي ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪ Allen New ell‬ﺑﻴﻦ ﺳﻄﺢ داﻧﺶ و ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﻫﺎ ﺑﺮاي ﺗﻮﺻﻴﻒ ﻳﻚ ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪ‬
‫ﺗﻔﺎوت ﻗﺎﺋﻞ ﺷﺪه اﺳﺖ‪.‬‬
‫ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﻫﺎ ﻫﻤﺮاه ﺳﺎزﻣﺎﻧﺪﻫﻲ ﺑﻪ ﺧﺼﻮﺻﻲ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ ﻛﻪ ﺑﺮاي ﺑﻴﺎن‬
‫اﻃﻼﻋﺎت ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد‪ .‬ﺑﺤﺚ ﻣﺮﺑﻮط ﺑﻪ ﺗﻮﺟﻪ ﺑﻪ ﻣﻨﻄﻖ ﺑﻪ ﻋﻨﻮان‬
‫ﻳﻚ زﺑﺎن ﻳﻚ ﻧﻤﻮﻧﻪ از ﻣﻮاردي اﺳﺖ ﻛﻪ ﺑﻪ ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﭘﺮداﺧﺘﻪ اﺳﺖ‪.‬‬
‫‪25‬‬

‫ﻋﻼوه ﺑﺮ ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﺳﻄﺢ داﻧﺶ اﺳﺖ ﻛﻪ ﺗﻮﺟﻪ آن ﺑﻪ ﻣﻘﺪار و ﻣﺤﺘﻮي اﻃﻼﻋﺎت ﻳﻚ ﺑﺮﻧﺎﻣﻪ‬
‫و ﺷﻴﻮه اﺳﺘﻔﺎده از آن اﻃﻼﻋﺎت ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫اﻳﻦ ﻧﻮع ﺗﻤﺎﻳﺰ در ﺳﺎﺧﺘﺎر و ﻣﻌﻤﺎري ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﻛﻪ ﺑﺮ اﺳﺎس داﻧﺶ و اﻃﻼﻋﺎت و ﺳﺒﻚ‬
‫ﺗﻮﺳﻌﻪ اي ﻛﻪ آن را ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﺘﺪ ﻣﻨﻌﻜﺲ ﻣﻲ ﮔﺮدد‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻛﺎرﺑﺮﻫﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎ را در ﻗﺎﻟﺐ داﻧﺶ و ﺗﻮاﻧﺎﻳﻲ ﺧﻮدﺷﺎن ﻣﻲ ﺷﻨﺎﺳﻨﺪ ﺑﻨﺎﺑﺮاﻳﻦ‬
‫ﺣﺎﺋﺰ اﻫﻤﻴﺖ اﺳﺖ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ AI‬داراي ﻳﻚ ﺳﻄﺢ ﺧﺼﻮﺻﻴﺎت اﻃﻼﻋﺎﺗﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﺟﺪاﺳﺎزي اﺻﻞ داﻧﺶ و اﻃﻼﻋﺎت از ﺳﺎﺧﺘﺎر ﻛﻨﺘﺮل اﻳﻦ ﻧﻈﺮﻳﻪ را آﺷﻜﺎر ﻣﻲ ﺳﺎزد و ﺗﻮﺳﻌﻪ‬
‫رﻓﺘﺎر ﺳﻄﺢ داﻧﺶ را ﺳﺎده ﻣﻲ ﺳﺎزد‪.‬‬
‫ﻫﻤﺎﻧﻨﺪ اﻳﻦ ﻧﻴﺰ ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﻳﻚ زﺑﺎن ﺗﻮﺻﻴﻔﻲ را ﺗﺸﺮﻳﺢ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺷﺒﻴﻪ ﻗﻮاﻧﻴﻦ و‬
‫روﺷﻬﺎي ﺗﻮﻟﻴﺪ ﻳﺎ ﻣﻨﻄﻖ ﺑﺮاﺳﺎس داﻧﺶ و اﻃﻼﻋﺎت ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺟﺪاﺳﺎزي آن از ﺳﻄﺢ و داﻧﺶ و اﻃﻼﻋﺎت ﻧﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ اﻳﻦ اﺟﺎزه را ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻪ ﺳﻤﺖ‬
‫ﺧﻼﺻﻪ ﭘﺮدازي ت‪،‬ﺛﻴﺮ ﭘﺬﻳﺮي و راﺣﺘﻲ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﻮق ﭘﻴﺪا ﻛﻨﺪﻛﻪ در ارﺗﺒﺎط ﺑﺎ رﻓﺘﺎر و‬
‫ﻋﻤﻠﻜﺮد ﺑﺎﻻي ﺑﺮﻧﺎﻣﻪ ﻧﻤﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻛﺎرﺑﺮد ﺑﻴﺎن ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﺷﺎﻣﻞ ﻳﻚ ﺳﻄﺢ دوره ﭘﺎﺋﻴﻦ ﺗﺮ از ﺳﺎﺧﺘﺎر ﺑﺮﻧﺎﻣﻪ ﻣﻲ ﺷﻮد و‬
‫ﺑﻴﺎﻧﮕﺮ ﻳﻚ ﺳﺮي ﻣﻼﺣﻈﺎت ﻃﺮاﺣﻲ اﺿﺎﻓﻲ ﻣﻲ ﺷﻮد‪.‬‬
‫اﻫﻤﻴﺖ ﻧﻈﺮﻳﻪ ﭼﻨﺪ ﻣﺮﺣﻠﻪ اي ﻧﺴﺒﺖ ﺑﻪ ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﻴﺶ از اﻳﻦ ﻣﻮرد ﺗﻮﺟﻪ‬
‫ﻗﺮاار ﮔﻴﺮد‪.‬‬
‫ﻳﻌﻨﻲ اﻳﻨﻜﻪ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ اﺟﺎزه ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺎ ﭘﻴﭽﻴﺪﮔﻲ ﻧﻬﻔﺘﻪ ﺷﺪه در ﺳﻄﻮح ﭘﺎﺋﻴﻦ ﺗﺮ‬
‫ﺧﻮد را درﮔﻴﺮ ﻧﻜﻨﺪ و ﺗﻮﺟﻪ و ﺗﺎﻛﻴﺪش ﺑﺮ روي ﻣﻨﺎﺑﻊ ﻣﻨﺎﺳﺐ ﺑﺎ ﺳﻄﺢ ﻓﻌﻠﻲ ﺧﻼﺻﻪ ﭘﺮدازي‬
‫ﻛﻨﺪ‪.‬‬
‫ﻫﻤﭽﻨﻴﻦ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد ﻛﻪ اﺻﻮل ﺗﺌﻮري ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻋﺎري از ﻛﺎرﺑﺮدﻫﺎي ﺧﺎص ﻳﺎ‬
‫زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎﺷﺪ ‪ .‬اﻳﻦ ﻫﻤﭽﻨﻴﻦ ﺑﻪ ﻣﺎ ﻗﺪرت ﺗﻮﺻﻴﻒ ﻳﻚ ﻛﺎرﺑﺮد را ﻣﻲ دﻫﺪ و ﺗﺎﺛﻴﺮ‬
‫ﮔﺬاري ﺧﻮد را ﺑﺮ روي ﻣﺎﺷﻴﻦ دﻳﮕﺮ اﺛﺒﺎت ﻣﻲ ﻛﻨﺪ ﺑﺪون اﻳﻨﻜﻪ ﺑﺮ رﻓﺘﺎرش در ﺳﻄﻮح ﺑﺎﻻﺗﺮ‬
‫ﺗﺎﺛﻴﺮ ﺑﮕﺬارد ‪.‬‬
‫ﺳﻄﺢ اﻃﻼﻋﺎت ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪه ﺗﻮاﻧﺎﺋﻲ ﻫﺎي ﻳﻚ ﺳﻴﺴﺘﻢ ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪ .‬ﻣﺤﺘﻮي داﻧﺶ و‬
‫اﻃﻼﻋﺎت ﻣﺴﺘﻘﻞ از ﺷﻜﻞ ﭘﺬﻳﺮي ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﺑﻴﺎن آن اﺳﺖ ﺑﻪ ﻫﻤﺎن اﻧﺪازه ﻛﻪ زﺑﺎن‬
‫ﺑﻴﺎن ﻛﺎﻣﻼ ﻣﺆﺛﺮ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪26‬‬

‫ﺗﻮﺟﻪ ﺑﻪ ﺳﻄﺢ داﻧﺶ ﺷﺎﻣﻞ ﺳﺆاﻻﺗﻲ از اﻳﻦ ﻗﺒﻴﻞ اﺳﺖ‪:‬‬

‫از اﻳﻦ ﺳﻴﺴﺘﻢ ﭼﻪ ﭼﻴﺰي ﺳﺎﺧﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ؟ ﭼﻪ اﺷﻴﺎ و ﭼﻪ ارﺗﺒﺎﻃﻲ در آن ﻣﺤﺪوده ﻣﺆﺛﺮ‬
‫و ﻣﻔﻴﺪ اﺳﺖ ؟ ﭼﮕﻮﻧﻪ ﻳﻚ اﻃﻼﻋﺎت ﺟﺪﻳﺪ ﺑﻪ ﺳﻴﺴﺘﻢ اﺿﺎﻓﻪ ﻣﻲ ﮔﺮدد؟‬
‫آﻳﺎ واﻗﻌﻴﺎت در ﻃﻲ زﻣﺎن ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﻨﺪ؟ ﭼﮕﻮﻧﻪ و ﭼﻄﻮر ﺳﻴﺴﺘﻢ ﻧﻴﺎزﻣﻨﺪ اﺳﺖ ﻛﻪ دﻻﺋﻞ‬
‫اﻃﻼﻋﺎت ﺧﻮد را ﺛﺎﺑﺖ ﻛﻨﺪ؟ آﻳﺎ ﻣﺤﺪوده ارﺗﺒﺎﻃﻲ داراي ﻳﻚ ﻃﺒﻘﻪ ﺑﻨﺪي درﺳﺖ و ﺷﻨﺎﺧﺘﻪ‬
‫ﺷﺪه اﺳﺖ؟‬
‫آﻳﺎ اﻳﻦ ﻣﺤﺪوده ﺷﺎﻣﻞ ﻳﻚ ﺳﺮي اﻃﻼﻋﺎت ﻧﺎدرﺳﺖ و ﻏﻴﺮ ﻣﻤﻜﻦ اﺳﺖ؟‬
‫ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ دﻗﻴﻖ در اﻳﻦ ﺳﻄﺢ ﻳﻚ ﮔﺎم ﻣﺒﻬﻢ در ﻃﺮاﺣﻲ ﻛﻠﻲ ﺳﺎﺧﺘﺎر ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫در ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﺗﺼﻤﻴﻤﺎت درﺑﺎره ﺳﺎﺧﺘﺎرﻫﺎ ﺻﻮرت ﻣﻲ ﮔﻴﺮد ﻛﻪ ﺑﺮاي ﺑﻴﺎن و اﻳﺠﺎد داﻧﺶ‬
‫ﻣﻮرد اﺳﺘﻔﺎدده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬اﻧﺘﺨﺎب ﻳﻚ زﺑﺎن ﺑﺮاي ﺑﻴﺎن ﻳﻚ ﻣﻮرد ﻣﺮﺑﻮط ﺑﻪ ﺳﻄﺢ ﻧﺸﺎﻧﻪ‬
‫ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﻨﻄﻖ ﻳﻜﻲ از ﭼﻨﺪﻳﻦ ﻧﻮع اﺷﻜﺎل اﺳﺖ ﻛﻪ اﺻﻮﻻ در ﺣﺎل ﺣﺎﺿﺮ ﺑﺮاي ﺑﻴﺎن داﻧﺶ و اﻃﻼﻋﺎت‬
‫در دﺳﺘﺮس ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫زﺑﺎن ﺑﻴﺎن ﻧﻪ ﺗﻨﻬﺎ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺗﻮاﻧﺎﻳﻲ ﺑﻴﺎن اﻃﻼﻋﺎت ﻣﻮرد ﻟﺰوم ﺑﺮاي ﻛﺎرﺑﺮ را داﺷﺘﻪ ﺑﺎﺷﺪ‬
‫ﺑﻠﻜﻪ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺧﻼﺻﻪ و ﻗﺎﺑﻞ ﺗﻮﺻﻴﻒ و داراي ﻛﺎرﺑﺮد ﻣﺆﺛﺮ ﺑﺎﺷﺪ و ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺑﻪ ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺲ ﺑﺮاي دﺳﺘﻴﺎﺑﻲ و ﺳﺎزﻣﺎﻧﺪﻫﻲ اﺻﻞ و اﺳﺎس اﻃﻼﻋﺎت ﻛﻤﻚ ﻛﻨﺪ‪.‬‬
‫وﻗﺘﻲ ﻛﻪ ﺑﻴﻦ ﺳﻄﺢ اﻃﻼﻋﺎت و ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺗﻤﺎﻳﺰ ﺑﻪ وﺟﻮد آﻣﺪ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻴﻦ‬
‫ﺳﻄﺢ ﻧﺸﺎﻧﻪ و اﻟﮕﻮرﻳﺘﻢ و ﺳﺎﺧﺘﻤﺎن داده ﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﻛﺎرﺑﺮد آن ﻧﻴﺰ ﺗﻤﺎﻳﺰ ﻗﺎﻳﻞ‬
‫ﺷﻮﻳﻢ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺪون ﺗﺎﺛﻴﺮﮔﺬاري رﻓﺘﺎر و ﻋﻤﻠﻜﺮد ﻳﻚ ﺗﺤﻠﻴﻞ ﮔﺮ ﺑﺮﻧﺎﻣﻪ ﻛﻪ اﺳﺎس‬
‫ﻣﻨﻄﻘﻲ داﺷﺘﻪ ﺑﺎﺷﺪ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺗﺎﺛﻴﺮ ﻧﺎﭘﺬﻳﺮ از اﻧﺘﺨﺎب ﺑﻴﻦ ﻳﻚ ﺳﺮي ﺟﺰﺋﻴﺎت و ﻳﻚ‬
‫ﻣﺠﻤﻮﻋﻪ و دﺳﺘﻪ ﺑﺎﻳﺰي ﺑﺎﺷﺪ ﺗﺎ ﺑﺘﻮاﻧﺪ ﻳﻚ ﺟﺪول ﻣﺮﺑﻮط ﺑﻪ ﻧﺸﺎﻧﻪ ﻫﺎ را ﺑﻪ ﻛﺎر ﺑﺮد‪.‬‬
‫اﻳﻦ ﺗﺼﻤﻴﻤﺎت ﻛﺎرﺑﺮدي ﻫﺴﺘﻨﺪ و ﻣﻲ ﺑﺎﻳﺴﺘﻲ در ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﻗﺎﺑﻞ رؤﻳﺖ ﺑﺎﺷﻨﺪ ‪ .‬ﺑﺴﻴﺎري‬
‫از اﻟﮕﻮرﻳﺘﻢ و ﺳﺎﺧﺘﻤﺎن داده ﻫﺎ در ﻛﺎرﺑﺮد ﺑﻴﺎن زﺑﺎن ‪ AI‬ﺑﻪ ﻛﺎر ﻣﻲ روﻧﺪ ﻛﻪ از روﺷﻬﺎي‬
‫ﻣﻌﻤﻮل ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻲ ﺑﺎﺷﻨﺪ ﻣﺜﻞ ﺷﺎﺧﻪ ﻫﺎ و ﺟﺪاول ﺑﺎﻳﺰي‪.‬‬
‫دﻳﮕﺮ ﻣﻮارد در راﺑﻄﻪ ﺑﺎ ‪ AI‬ﺑﺴﻴﺎر ﺗﺨﺼﺼﻲ ﻫﺴﺘﻨﺪ و ﺑﻪ ﮔﻮﻧﻪ ﻳﻚ ﻛﻪ ﻣﺴﺘﻌﺎر ﺑﻴﺎن ﻣﻲ‬
‫ﺷﻮﻧﺪ ﻛﻪ از ﻃﺮﻳﻖ ﻣﺘﻦ و ﺑﺨﺶ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ‪ LISP‬و ‪ PROLOG‬ﺑﻴﺎن ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫‪27‬‬

‫در ﺳﻄﺢ ﭘﺎﺋﻴﻦ ﺗﺮ ﻣﺮﺑﻮط ﺑﻪ اﻟﮕﻮرﻳﺘﻢ و ﺳﺎﺧﺘﻤﺎن داده ﻫﺎ ) ﺳﻄﺢ زﺑﺎن ( واﻗﻊ ﺷﺪه اﺳﺖ در‬
‫اﻳﻦ ﺟﺎ ﺳﺖ ﻛﻪ زﺑﺎن ﻛﺎرﺑﺮدي ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد ‪.‬‬
‫ﺑﺎ اﻳﻦ ﺣﺎل ﺳﺒﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻄﻠﻮب اﺣﺘﻴﺎج ﺑﻪ اﻳﻦ دارد ﻛﻪ ﻣﺎ ﻳﻚ ﺧﻼﺻﻪ داده اي‬
‫ﺑﺴﺎزﻳﻢ ﻛﻪ ﺑﻴﻦ ﺧﺼﻮﺻﻴﺎت وﻳﮋه ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ و ﻻﻳﻪ ﻫﺎي ﺑﺎﻻي آن ﻗﺮار ﮔﻴﺮد ‪.‬‬
‫ﻧﻴﺎزﻫﺎي ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﺗﺄﺛﻴﺮ ﺑﻪ روي ﻃﺮاﺣﻲ و اﺳﺘﻔﺎده از‬
‫زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ AI‬اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ ‪ .‬ﻋﻼوه ﺑﺮ اﻳﻦ ﻃﺮاﺣﻲ زﺑﺎن ﻣﻲ ﺑﺎﻳﺴﺘﻲ در‬
‫ﺑﺮﮔﻴﺮﻧﺪه و ﻣﻄﺎﺑﻖ ﺑﺎ ﺳﺎﺧﺘﺎر آن ﻛﻪ ﺑﺮ ﮔﺮﻓﺘﻪ از ﺳﻄﻮح ﭘﺎﺋﻴﻦ ﺗﺮ ﺳﺎﺧﺘﻤﺎن ﻛﺎﻣﭙﻴﻮﺗﺮ ﻛﻪ‬
‫ﺷﺎﻣﻞ زﺑﺎن اﺳﻤﺒﻠﻲ و ﺳﻴﺴﺘﻢ ﻋﺎﻣﻞ و دﺳﺘﻮر اﻟﻌﻤﻠﻬﺎي ﻣﺎﺷﻴﻦ و ﺳﻄﻮح ﺳﺨﺖ اﻓﺰار ي‬
‫ﺑﺎﺷﺪ ‪.‬‬
‫و ﻣﺤﺪودﻳﺖ ﻫﺎي ﻓﻴﺰﻳﻜﻲ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺑﺮ روي ﻣﻨﺎﺑﻌﻲ ﻫﻤﭽﻮن ﺣﺎﻓﻈﻪ و ﺳﺮﻋﺖ‬
‫ﭘﺮدازﺷﮕﺮ ﺗﺄ ﻛﻴﺪ ﻛﻨﺪ ‪ .‬روش ﻫﺎي ‪ PROLOG , LISP‬در ﺟﻬﺖ ﻣﺴﺘﻌﺎذل ﻛﺮدن ﻧﻴﺎزﻫﺎي‬
‫ﺳﻄﺢ ﻧﺸﺎﻧﻪ و ﻧﻴﺎزﻫﺎي ﻧﻬﻔﺘﻪ در ﺳﺎﺧﺘﺎر ﻫﺮ دو ﻣﻨﺒﻊ ﻣﻮرد اﺳﺘﻔﺎده ﻣﻲ ﺑﺎﺷﻨﺪ و ﻫﻢ ﭼﻨﻴﻦ‬
‫ﻳﻚ ﻫﺪف ﻫﻮﺷﻤﻨﺪ و ذﻫﻨﻲ ﺑﺎ اﻫﻤﻴﺖ ﻣﻲ ﺑﺎﺷﻨﺪ ‪ .‬در دﻧﺒﺎﻟﻪ ﻣﺎ از ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ‬
‫اﻃﻼﻋﺎت در ﻣﺤﻴﻄﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺮ روي ﻳﻚ زﺑﺎن ﻛﺎرﺑﺮدي ﺻﺤﺒﺖ ﺧﻮاﻫﻴﻢ ﻛﺮد و‬
‫ﺳﭙﺲ ﺑﻪ ﻣﺼﺰﻓﻲ زﺑﺎﻧﻬﺎي ﻋﻤﺪه ‪ AI‬ﻳﻌﻨﻲ ‪ PROLOG , LISP‬ﻣﻲ ﭘﺮدازﻳﻢ ‪.‬‬
‫‪ 4-3‬زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ‪: AI‬‬

‫در ‪ AI‬ﺧﻮدﻛﺎر ﻛﺮدن ﻳﺎ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻫﻤﻪ ﺟﻨﺒﻪﻫﺎي ﺷﻨﺎﺧﺖ اﻧﺴﺎﻧﻲ ﺑﻮﺳﻴﻠﻪ ﺑﻨﻴﺎدﻫﺎي‬
‫ﺷﻨﺎﺧﺖ ﻋﻠﻤﻲ روﺷﻬﺎي ﻧﻤﺎدﻳﻦ و ﻏﻴﺮ ﻧﻤﺎدﻳﻦ‪ ، AI‬ﭘﺮدازش زﺑﺎن ﻃﺒﻴﻌﻲ‪ ،‬دﻳﺪ ﻛﺎﻣﭙﻴﻮﺗﺮي و‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﺗﻜﺎﻣﻞ ﻳﺎ ﺳﺎزﮔﺎر ﻣﻄﺮح ﻣﻲﺷﻮد‪ .‬ﻻزم اﺳﺖ داﻣﻨﻪ ﻣﺴﺌﻠﻪﻫﺎي ﺧﻴﻠﻲ ﭘﻴﭽﻴﺪه در‬
‫اﺑﺘﺪاي ﻣﺮﺣﻠﻪ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻳﻚ ﻣﺴﺌﻠﻪ ‪ AI‬ﻣﻌﻴﻦ‪ ،‬ﻣﺸﺨﺺ ﺷﻮد ﻛﻪ ﻛﺎﻓﻲ ﻧﻴﺴﺖ‪ .‬ﺗﻨﻬﺎ‬
‫ﺑﻮﺳﻴﻠﻪ ﺗﻌﺎﻣﻞ و اﻓﺰاﻳﺶ اﺻﻼﺣﺎت ﺧﺼﻮﺻﻴﺎت ﺑﺴﻴﺎر دﻗﻴﻖ ﻣﻤﻜﻦ اﺳﺖ‪ .‬در ﺣﻘﻴﻘﺖ‬
‫ﻣﺴﺌﻠﻪﻫﺎي ﻣﻌﻤﻮل ‪ AI‬ﺑﻪ ﺑﺴﻴﺎري از زﻣﻴﻨﻪﻫﺎي ﺧﺎص ﮔﺮاﻳﺶ دارﻧﺪ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ روﺷﻬﺎي‬
‫ذﻫﻨﻲ ﺑﺎﻳﺪ ﺑﻮﺳﻴﻠﻪ ﺗﻮﻟﻴﺪ و آزﻣﺎﻳﺶ روﺷﻬﺎ ﺑﻄﻮر ﺗﺠﺮﺑﻲ ﺗﻮﺳﻌﻪ ﻳﺎﺑﻨﺪ)ﻣﺸﻬﻮر ﺑﻪ ﻧﻤﻮﻧﻪ‬
‫ﺳﺎزي ﺳﺮﻳﻊ(‪ .‬در اﻳﻨﺼﻮرت ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬ﺑﻄﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ ﺑﺎ روﺷﻬﺎي اﺳﺘﺎﻧﺪارد‬
‫ﻣﻬﻨﺪﺳﻲ ﻧﺮماﻓﺰار ﻣﺘﻔﺎوت ﺑﻮده زﻳﺮا ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻣﻌﻤﻮﻻ از ﻳﻚ ﻣﺸﺨﺼﺎت رﺳﻤﻲ ﺑﺎ‬
‫ﺟﺰﺋﻴﺎت ﺷﺮوع ﻣﻲﺷﻮد‪ .‬در ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬ﭘﻴﺎدهﺳﺎزي در واﻗﻊ ﺟﺰﺋﻲ از ﭘﺮدازش‬
‫ﻣﺸﺨﺼﺎت ﻣﺴﺌﻠﻪ اﺳﺖ‪ .‬ﺑﻪ اﻗﺘﻀﺎي ﻃﺒﻴﻌﺖ ﻣﺴﺌﻠﻪﻫﺎي ‪ AI‬ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬ﻣﺰاﻳﺎي‬
‫‪28‬‬

‫ﺑﺴﻴﺎري دارد اﮔﺮ زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ‪ ،‬ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺲ ‪AI‬را آزاد ﺑﮕﺬارﻧﺪ و در ﺑﺴﻴﺎري از‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﻓﻨﻲ ﻣﺤﺪود ﻧﻜﻨﻨﺪ )ﻣﺎﻧﻨﺪ ﺳﺎﺧﺘﺎر اﻧﻮاع دادهاي ﺟﺪﻳﺪ ﺳﻄﺢ ﭘﺎﻳﻴﻦ‪ ،‬دﺳﺘﻴﺎﺑﻲ‬
‫دﺳﺘﻲ ﺑﻪ ﺣﺎﻓﻈﻪ(‪ .‬ﺗﺮﺟﻴﺤﺎً ﺳﺒﻚ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ اﻋﻼﻧﻲ ﺑﺮاي اﺳﺘﻔﺎده در ﺳﺎﺧﺘﺎرﻫﺎي‬
‫ﭘﻴﺶﺳﺎﺧﺘﻪ دادهاي ﺳﻄﺢ ﺑﺎﻻ)ﻣﺎﻧﻨﺪ ﻟﻴﺴﺘﻬﺎ و درﺧﺘﻬﺎ( و ﻋﻤﻠﻴﺎت)ﻣﺎﻧﻨﺪ ﺗﻄﺒﻴﻖ اﻟﮕﻮﻫﺎ(‬
‫ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺤﺎﺳﺒﺎت ﻧﻤﺎدﻳﻦ ﺳﻄﺢ ﺧﻼﺻﻪﺳﺎزي ﺑﻴﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ آﻧﭽﻪ ﻛﻪ ﺑﺎ‬
‫زﺑﺎﻧﻬﺎي دﺳﺘﻮري اﺳﺘﺎﻧﺪارد ﻣﺎﻧﻨﺪ ﻓﺮﺗﺮن‪ ،‬ﭘﺎﺳﻜﺎل ﻳﺎ ‪ C‬اﻣﻜﺎنﭘﺬﻳﺮ ﺧﻮاﻫﺪ ﺑﻮد را ﭘﺸﺘﻴﺒﺎﻧﻲ‬
‫ﻣﻲﻛﻨﺪ‪ .‬اﻟﺒﺘﻪ ﻃﺒﻘﻪﺑﻨﺪي ﺧﻼﺻﻪ ﺳﺎزي آﺳﺎن ﻧﻴﺴﺖ‪ ،‬زﻳﺮا ﺗﺪوﻳﻦ ﺑﺮﻧﺎﻣﻪﻫﺎي ‪ AI‬روي‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي اﺳﺘﺎﻧﺪارد وان ﻧﻴﻮﻣﻦ ﻧﻤﻲﺗﻮاﻧﺪ ﺑﻪ ﻛﺎرآﻣﺪي زﺑﺎﻧﻬﺎي دﺳﺘﻮري ﺑﺎﺷﺪ‪ .‬ﻫﺮ ﭼﻨﺪ‬
‫ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﺴﻠﻢ ‪ AI‬ﻓﻬﻢ آن اﺳﺖ )ﺣﺪاﻗﻞ ﺟﺰﺋﻴﺎت( اﻣﻜﺎن دارد ﺑﺎ ﺗﻨﻈﻴﻢ ﻣﺠﺪد آن ﺑﻪ‬
‫ﺷﻜﻞ ﺧﺼﻮﺻﻴﺎت ﺟﺰﺋﻲ ﺷﺪه ﺑﺎ ﺑﻜﺎر ﺑﺮدن ﻳﻚ زﺑﺎن دﺳﺘﻮري ﭘﻴﺎده ﺳﺎزي ﻣﺠﺪد ﺷﻮد‪ .‬ﺑﺎ‬
‫ﺗﻮﺟﻪ ﺑﻪ ﻧﻴﺎزﻣﻨﺪﻳﻬﺎي ﻣﺤﺎﺳﺒﺎت ﻧﻤﺎدﻳﻦ و ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬دو اﻟﮕﻮي ﺟﺪﻳﺪ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ‬
‫ﻛﻪ ﺑﻪ ﺳﺒﻚ دﺳﺘﻮري ﭘﻴﺸﻨﻬﺎد ﻣﻲﺷﻮﻧﺪ ﺑﻮﺟﻮد ﻣﻲآﻳﺪ‪ :‬ﺳﺒﻚ ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﺗﺎﺑﻌﻲ و‬
‫ﻣﻨﻄﻘﻲ‪ .‬ﻫﺮ دو ﺑﺮ ﻣﺒﻨﺎي رﻳﺎﺿﻴﺎت ﻃﺮحرﻳﺰي ﺷﺪهاﻧﺪ‪ ،‬ﻳﻌﻨﻲ ﻧﻈﺮﻳﻪ ﺗﻮاﺑﻊ ﺑﺎزﮔﺸﺘﻲ و ﻣﻨﻄﻖ‬
‫رﺳﻤﻲ‪ .‬اوﻟﻴﻦ زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ AI‬ﻛﺎرﺑﺮدي ﻛﻪ ﻫﻨﻮز ﻫﻢ ﺑﻄﻮر ﮔﺴﺘﺮده اﺳﺘﻔﺎده ﻣﻲﺷﻮد‬
‫زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ‪ Lisp‬اﺳﺖ ﻛﻪ در اواﺧﺮ دﻫﻪ ‪ 1950‬ﺗﻮﺳﻂ ﺟﺎن ﻣﻚ ﻛﺎرﺗﻲ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ‬
‫اﺳﺖ ‪. Lisp‬ﺑﺮﻣﺒﻨﺎي ﻧﻈﺮﻳﻪ ﺗﻮاﺑﻊ رﻳﺎﺿﻲ و ﺧﻼﺻﻪﺳﺎزي ‪ Lambda‬اﺳﺖ ‪.‬ﺗﻌﺪادي از‬
‫ﻛﺎرﺑﺮدﻫﺎي ﻣﻬﻢ و ﻣﻮﺛﺮ ‪AI‬در ‪ Lisp‬ﻧﻮﺷﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﻛﻪ ﻣﺎ ﺑﻌﻀﻲ از ﺟﺰﺋﻴﺎت اﻳﻦ زﺑﺎن‬
‫ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ را در اﻳﻦ ﻣﻘﺎﻟﻪ ﺷﺮح ﺧﻮاﻫﻴﻢ داد‪ .‬در اواﻳﻞ دﻫﻪ ‪ 1970‬ﻳﻚ اﻟﮕﻮي‬
‫ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﺟﺪﻳﺪ ﺑﻨﺎم ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻣﻨﻄﻘﻲ ﺑﺮ اﺳﺎس ﻣﺤﺎﺳﺒﺎت ﮔﺰارهاي ﺑﻮﺟﻮد آﻣﺪ‪.‬‬
‫اوﻟﻴﻦ و ﻣﻬﻤﺘﺮﻳﻦ زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﻣﻨﻄﻘﻲ ‪ Prolog‬اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ آﻟﻦ ﻛﺎﻟﻤﺮار‪ ،‬راﺑﺮت‬
‫ﻛﻮاﻟﺴﻜﻲ و ﻓﻴﻠﻴﭗ راﺳﻞ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬ﻣﺴﺌﻠﻪﻫﺎ در ‪ prolog‬ﺑﺼﻮرت ﺣﻘﺎﻳﻖ‪ ،‬ﺑﺪﻳﻬﻴﺎت‬
‫و ﻗﻮاﻧﻴﻦ ﻣﻨﻄﻘﻲ ﺑﺮاي اﺳﺘﻨﺒﺎط ﺣﻘﺎﻳﻖ ﺟﺪﻳﺪ ﺑﻴﺎن ﻣﻲﺷﻮﻧﺪ ‪. Prolog‬ﺑﺎ ﻗﺎﻧﻮن رﻳﺎﺿﻲ در‬
‫ﻣﺤﺎﺳﺒﺎت ﮔﺰارهاي و ﻧﺘﺎﻳﺞ ﻧﻈﺮي ﺑﺪﺳﺖ آﻣﺪه در زﻣﻴﻨﻪ اﺛﺒﺎت ﻗﻀﻴﻪ ﺧﻮدﻛﺎر در اواﺧﺮ دﻫﻪ‬
‫‪1960‬ﺑﻨﺎ ﻧﻬﺎده ﺷﺪه اﺳﺖ‪.‬‬
‫‪29‬‬

‫‪ AI 5-3‬ﻫﺎي ﻣﺘﺨﺼﺺ ‪:‬‬

‫ﻳﻚ ﻣﺎﺷﻴﻦ ﺗﻨﻬﺎ در ﺻﻮرﺗﻲ ﺑﻪ ﻋﻨﻮان ﻳﻚ ‪ AI‬ﺷﻨﺎﺧﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ از ﻳﻜﺴﺮي ﻗﺎﺑﻠﻴﺖ ﻫﺎي‬
‫ﺧﺎص ﺑﺮﺧﻮدار ﺑﺎﺷﺪ‪ .‬ﻳﻜﻲ از اﻳﻦ ﻗﺎﺑﻠﻴﺖ ﻫﺎ داﺷﺘﻦ ﺷﻨﺎﺧﺖ از وﺟﻮد ﺧﻮد اﺳﺖ‪ .‬اﻳﻦ ﺑﺪان‬
‫ﻣﻌﻨﺎﺳﺖ ﻛﻪ ﻣﺎﺷﻴﻦ از وﺟﻮد ﺧﻮد آﮔﺎه ﺑﺎﺷﺪ‪ .‬ﻫﺮ اﻧﺴﺎن ﺑﻪ ﻃﻮر ﻃﺒﻴﻌﻲ از ﺣﻀﻮر و وﺟﻮد‬
‫ﺧﻮد آﮔﺎه اﺳﺖ اﻣﺎ ﻫﻨﻮز ﻣﺪرﻛﻲ دال ﺑﺮ ‪ sentient‬ﺑﻮدن ﺣﻴﻮاﻧﺎت در دﺳﺖ ﻧﻴﺴﺖ‪.‬‬
‫اﻳﻦ ﻧﻤﻮﻧﻪ از ﻧﺮم اﻓﺰارﻫﺎ ﺑﺮاي اﻧﺠﺎم ﻳﻜﺴﺮي ﻛﺎرﻫﺎي ﺗﺨﺼﺼﻲ ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ و ﺑﻪ ﻃﺒﻊ از‬
‫ﻗﺎﺑﻠﻴﺖ ﻫﺎي ﺑﺎﻻﻳﻲ ﻧﻴﺰ ﺑﺮﺧﻮدار ﻣﻲ ﺑﺎﺷﻨﺪ‪ .‬اﻳﻨﮕﻮﻧﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﻣﻌﻤﻮﻻً ﺑﻪ ﻳﻚ ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻲ‬
‫ﺑﺴﻴﺎر وﺳﻴﻊ ﻣﺠﻬﺰ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ آﻧﻬﺎ را ﻗﺎدر ﺑﻪ ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ ﺳﻮاﻻت ﻛﺎرﺑﺮان ﻣﻲ ﺳﺎزد‪.‬‬
‫در ﺣﻘﻴﻘﺖ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﺮاي رﺷﺘﻪ ﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ﭘﺰﺷﻜﻲ ‪ ،‬ﻣﻬﻨﺪﺳﻲ و ‪ ...‬ﻃﺮاﺣﻲ ﺷﺪه اﻧﺪ و‬
‫وﻇﻴﻔﻪ آﻧﻬﺎ ذﺧﻴﺮه ﺳﺎزي اﻃﻼﻋﺎت ﻣﻔﻴﺪي اﺳﺖ ﻛﻪ ﺑﻪ ﺧﺎﻃﺮ ﺳﭙﺮدن آﻧﻬﺎ ﺗﻮﺳﻂ اﻧﺴﺎن‬
‫ﺑﺴﺎر دﺷﻮار ﻣﻲ ﺑﺎﺷﺪ‪ ،‬اﮔﺮﭼﻪ اﻳﻨﮕﻮﻧﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎ از ﻳﻚ اﺷﻜﺎل ﭘﺎﻳﻪ اي رﻧﺞ ﻣﻲ ﺑﺮﻧﺪ‪.‬‬
‫زﻣﺎﻧﻲ ﻛﻪ ﺳﻮال ﻣﻄﺮح ﺷﺪه ﺗﻮﺳﻂ ﻛﺎرﺑﺮ در ﻣﺤﺪوده اﻃﺎﻋﺎت ذﺧﻴﺮه ﺷﺪه در آﻧﻬﺎﺳﺖ ﻫﻴﭻ‬
‫ﻣﺸﻜﻠﻲ ﭘﻴﺶ ﻧﺨﻮاﻫﺪ اﻣﺪ اﻣﺎ ﺿﻌﻒ آﻧﻬﺎ ﻫﻨﮕﺎﻣﻲ ﭘﺪﻳﺪار ﻣﻲ ﺷﻮد ﻛﻪ ﺳﻮال ﻣﻄﺮح ﺷﺪه‬
‫ﻛﻤﻲ ﺧﺎرج از ﺣﻮزه اﻃﻼﻋﺎﺗﻲ آﻧﻬﺎ ﻗﺮار ﮔﻴﺮد ﻛﻪ در اﻳﻦ ﺻﻮرت اﻳﻨﮕﻮﻧﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﻪ ﻛﻠﻲ از‬
‫ﭘﺎﺳﺦ ﮔﻮﻳﻲ ﺑﻪ ﺳﻮال درﻣﺎﻧﺪه ﺧﻮاﻫﻨﺪ ﺑﻮد‪ .‬اﻳﻦ ﻧﺎﺗﻮاﻧﻲ از آﻧﺠﺎ ﻧﺎﺷﻲ ﻣﻲ ﺷﻮد ﻛﻪ اﻳﻦ دﺳﺘﻪ‬
‫از ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺗﻮاﻧﺎﻳﻲ ﻋﻤﻮﻣﻴﺖ دادن )‪ ( Generalization‬را ﻧﺪارﻧﺪ‪.‬‬
‫‪ 6-3‬ﺧﺼﻮﺻﻴﺎت ﻣﻄﻠﻮب ﻳﻚ زﺑﺎن ‪:AI‬‬

‫ﻳﻜﻲ از ﺧﺼﻮﺻﻴﺎت و وﻳﮋﮔﻴﻬﺎي ﻣﻬﻢ ﺧﻼﺻﻪ ﺳﺎزي ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ در ﺳﺎﺧﺘﺎر ﺑﺮﻧﺎﻣﻪ ﻏﻴﺮ‬
‫ﺣﺴﺎس ﺑﻮدن ﺳﻄﻮح ﺑﺎﻻﺗﺮ ﻧﻬﻔﺘﻪ در ﻛﺎرﺑﺮد زﺑﺎن ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫اﻳﻦ ﻣﺸﺎﻫﺪه در ﻋﻤﻞ ﺳﻨﺠﻴﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﻫﻤﺮاه ﺑﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﻮﻓﻖ داﻧﺶ ﻣﺪار ﻣﻲ‬
‫ﺑﺎﺷﺪ ﻛﻪ در زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺨﺘﻠﻔﻲ ﻣﺜﻞ ‪Pascal , C , Ctt , Java , PROLOG ,‬‬
‫‪ LISP‬و ﺣﺘﻲ ‪ Fortran‬ﺑﻪ ﻛﺎر ﻣﻲ رود ‪.‬‬

‫ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﺨﺘﻠﻔﻲ اﺻﻮﻻً در ‪ PROLOG , LISP‬و ﺳﭙﺲ در ‪ C‬ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ ﺗﺎ‬
‫ﺑﺘﻮاﻧﺪ ﺗﺎﺛﻴﺮﭘﺬﻳﺮي و اﻧﺘﻘﺎل ﭘﺬﻳﺮي ﺑﻬﺘﺮ اﻳﺠﺎد ﻛﻨﻨﺪ‪ .‬در ﻫﺮ دوي اﻳﻦ ﻣﻮارد رﻓﺘﺎر و ﻋﻤﻠﻜﺮد‬
‫در ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﺑﻪ ﻃﻮر ﻗﻄﻊ ﺑﻲ اﺛﺮ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪30‬‬

‫ﺑﺎ اﻳﻦ ﺣﺎل ﻣﺤﺪودﻳﺘﻬﺎي ﺧﻼﺻﻪ ﺳﺎزي در ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺟﺎﻣﻊ ﺑﻴﺎن ﻣﻲ ﺷﻮد ﻛﻪ ﻛﺎﻣﻞ ﻧﻤﻲ‬
‫ﺑﺎﺷﺪ ‪ .‬ﺳﺎﺧﺘﺎر ﺳﻄﺢ ﺑﺎﻻﺗﺮ ﺑﺎﻋﺚ اﻳﺠﺎد ﺳﺎﺧﺘﺎرﻫﺎي ﻗﻮي ﺑﺮ روي ﻻﻳﻪ ﻫﺎي زﻳﺮﻳﻦ ﻣﻲ ﺷﻮد‬
‫و ﻧﻴﺎز ﺑﻪ اﻳﻦ دارد ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ AI‬ﺑﺮ روي ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﻗﺮار ﮔﻴﺮد ﻛﻪ در ﺳﻄﺢ زﺑﺎن‬
‫ﺗﻜﺮار ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺳﺎﺧﺘﺎرﻫﺎي اﻃﻼﻋﺎﺗﻲ ﻣﻮرد ﻟﺰوم ﺑﺮاي ادﻏﺎم ﺳﻤﺒﻮﻟﻴﻚ ﺧﻮد را ﻣﻘﻴﺪ ﺑﻪ‬
‫اﺷﻜﺎل ﺗﻜﺮاري ﻣﺜﻞ ﻓﻠﺶ ﻫﺎ و ﻟﻴﺴﺖ ﻫﺎ ﻧﻤﻲ ﻛﻨﻨﺪ‪.‬‬
‫اﻫﺪاف و ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺎي ﻣﻨﻄﻘﻲ اﺑﺰارﻫﺎي ﻛﺎرﺑﺮدي ﻃﺒﻴﻌﻲ ﺗﺮ و اﻧﻌﻄﺎف ﭘﺬﻳﺮﺗﺮ ﺧﻮاﻫﻨﺪ‬
‫ﺑﻮد‪.‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ ﺑﻪ دﻟﻴﻞ ﻣﺸﻜﻼت ﻣﻮﺟﻮد در ﺑﺴﻴﺎري از ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ‪ AI‬اﻏﻠﺐ ﺗﻮﺳﻌﻪ را‬
‫ﻗﺒﻞ از اﻳﻨﻜﻪ ﻳﻚ ﺷﻨﺎﺧﺖ ﻛﺎﻣﻞ از ﻧﻬﺎﻳﺖ ﻓﺮم ﺑﺮﻧﺎﻣﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﺷﺮوع ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫ﺗﻮﺳﻌﻪ ‪ AI‬ﻟﺰوﻣﺎ در ﻃﺒﻴﻌﺖ ﺑﻪ ﺻﻮرت ﻛﺸﻒ و ﺗﺠﺰﻳﻪ و آزﻣﺎﻳﺶ اﺳﺖ‪.‬‬
‫اﻳﻦ ﻧﻴﺎز ﻫﻢ ﭼﻨﻴﻦ واﺑﺴﺘﻪ ﺑﻪ ﻳﻚ زﺑﺎن و اﺑﺰارﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ ﻓﺮاﻫﻢ ﺳﺎﺧﺖ ‪ .‬ﻳﻚ زﺑﺎن‬
‫ﻧﻪ ﺗﻨﻬﺎ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﻛﺎرﺑﺮد ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﺑﺎﻻ ﺑﺎﺷﺪ ﺑﻠﻜﻪ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﻳﻚ‬
‫اﺑﺰار ﻣﻨﺎﺳﺐ ﺑﺮاي اﻧﺘﻘﺎل ﻛﻞ ﭼﺮﺧﻪ ﻧﺮم اﻓﺰار از آﻧﺎﻟﻴﺰ و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺗﺎ ﺣﺼﻮل ﺑﺮﻧﺎﻣﻪ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫در ﭼﻬﺎر زﻳﺮ ﮔـــﺮوه ﺑﻌﺪي ﻣﺎ ﺑﻪ ﺻﻮرت ﺟﺰﺋﻲ و ﻛﺎﻣﻞ در ﻣﻮرد ﻧﻴﺎزﻫﺎﻳﻲ ﻛﻪ ﺳﺎﺧﺘﺎرﻫﺎي‬
‫ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ AI‬ﻛﻪ ﺑﺮ روي ﻛﺎرﺑﺮد زﺑﺎن دارﻧﺪ ﺑﺤﺚ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫اﻳﻦ ﻣﻮارد ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫‪ .1‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺤﺎﺳﺒﻪ ﺳﻤﺒﻮﻟﻴﻚ‬
‫‪ .2‬اﻧﻌﻄﺎف ﭘﺬﻳﺮي ﻛﻨﺘﺮل‬
‫‪ .3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺘﺪوﻟﻮژي و روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ‬
‫‪ .4‬ﻣﺴﺘﻨﻨﺪ ﺳﺎزي ﺧﻮب و واﺿﺢ‬
‫‪ 1-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺤﺎﺳﺒﺎت ﺳﻤﺒﻮﻟﻴﻚ ‪:‬‬

‫ﮔﺮﭼﻪ روش ﻫﺎي زﻳﺎدي ﺑﺮاي ﺳﺎزﻣﺎﻧﺪﻫﻲ اﻃﻼﻋﺎت در ﻳﻚ ﺳﻄﺢ ﻧﺸﺎﻧﻪ وﺟﻮد دارد ‪ .‬وﻟﻲ‬
‫ﺗﻤﺎﻣﻲ آﻧﻬﺎ ﻧﻬﺎﻳﺘﺎً ﺑﻪ ﻋﻨﻮان ﻋﻤﻠﻜﺮدﻫﺎﻳﻲ ﺑﺮ روي ﻧﺸﺎﻧﻪ ﻫﺎ ﺑﻪ ﻛﺎر ﻣﻲ روﻧﺪ ‪.‬‬
‫‪31‬‬

‫اﻳﻦ روش در ﺗﺌﻮري ﻧﺸﺎﻧﻪ ﻫﺎي آﻗﺎي ‪ Simon , Newell‬آﻣﺪه اﺳﺖ ‪ .‬ﺗﺌﻮري ﻫﺎي ﺳﻴﺴﺘﻢ‬
‫ﻓﻴﺰﻳﻜﻲ ﻧﺸﺎﻧﻪ ﻧﻴﺎز اﺻﻠﻲ ﺑﺮاي زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﺳﺖ ﻛﻪ ﻛﺎرﺑﺮدﻫﺎي ﻳﻚ ﺳﺮي از‬
‫ﻋﻤﻠﻴﺎت ﺳﻤﺒﻮﻟﻴﻚ را آﺳﺎن ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫ﺣﺘﻲ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و دﻳﮕﺮ ﺷﻜﻞ ﻫﺎي ﺿﺮوري ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺷﺎﻣﻞ اﻃﻼﻋﺎت‬
‫ﺳﻤﺒﻮﻟﻴﻚ در ورودﻳﻬﺎ و ﺧﺮوﺟﻲ ﻫﺎﻳﺸﺎن ﺑﺎﺷﻨﺪ ‪ .‬اﻧﻮاع ﻛﺎرﺑﺮدﻫﺎ و اﻃﻼﻋﺎت دادﻫﺎي ﻋﺪدي‬
‫ﺗﺎﻛﻴﺪ ﺷﺎن ﺑﺮ روي زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻌﻤﻮل اﺳﺖ ﻛﻪ ﺑﺮاي ﻛﺎرﺑﺮدﻫﺎي ﺟﺴﺘﺠﻮي‬
‫اﻟﮕﻮرﻳﺘﻤﻲ ﻳﺎ ﺑﻴﺎن زﺑﺎن ‪ AI‬ﻣﻨﺎﺳﺐ ﻧﻤﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ ﻳﻚ زﺑﺎن ‪ AI‬ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺳﺎﺧﺘﺎر اﻳﺠﺎد ﻧﺸﺎﻧﻪ ﻫﺎي اوﻟﻴﻪ را ﺳﺎده ﺳﺎزد و ﺑﺮ‬
‫روي آﻧﻬﺎ ﻛﺎر ﻛﻨﺪ‪ .‬اﻳﻦ ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﻧﻴﺎزﻫﺎي ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ AI‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺤﺎﺳﺒﺎت و ﭘﻴﺶ ﺑﻴﻨﻲ ﻳﻜﻲ از ﻗﻮي ﺗﺮﻳﻦ و ﻋﻤﻮﻣﻲ ﺗﺮﻳﻦ اﺑﺰارﻫﺎي اﻳﺠﺎد ﺳﺎﺧﺘﺎر ﻛﻴﻔﻲ ﻳﻚ‬
‫ﻣﺤﺪوده از ﻣﺴﺌﻠﻪ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺧﺼﻮﺻﻴﺎت ﺑﺎرز ﻳﻚ ﻣﺤﺪوده ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﮔﻮﻧﻪ ﻳﻚ ﺳﺮي واﻗﻌﻴﺎت ﻣﻨﻄﻘﻲ ﺑﻴﺎن ﺷﻮد‪ .‬از‬
‫ﻃﺮﻳﻖ اﺳﺘﻔﺎده از ﻣﺘﻐﻴﺮﻫﺎ اﻣﻜﺎن اﻳﺠﺎد واﻗﻌﻴﺎت ﻛﻠﻲ دراﺑﺮه ارﺗﺒﺎط ﺑﻴﻦ اﻫﺪاف در ﻳﻚ‬
‫ﻣﺤﺪوده ﺑﻪ وﺟﻮد ﻣﻲ آﻳﺪ‪.‬‬
‫‪ PROLOG‬ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻛﻠﻲ اﺳﺖ ﻛﻪ ﺑﺮ اﺳﺎس ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ اﺳﺖ‪.‬‬
‫ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻛﺎرﺑﺮد رﺳﻤﻲ ﻣﻨﻄﻖ ‪ PROLOG‬ﺑﻌﻀﻲ اوﻗﺎت ﻣﺴﺘﻘﻴﻤﺎ ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن‬
‫در ﺳﻄﺢ ﻧﺸﺎﻧﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬
‫ﺑﺎ اﻳﻦ ﺣﺎل ﻗﺪرت واﻗﻌﻲ آن ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن ﺑﺮاي ﻛﺎرﺑﺮد دﻗﻴﻖ ﺗﺮ و ﻛﺎﻣﻞ ﻫﻤﺎﻧﻨﺪ‬
‫ﭼﻬﺎرﭼﻮب ﻫﺎ و ﺷﺒﻜﻪ ﻫﺎ در ﻳﻚ روش ﺳﻴﺴﺘﻤﺎﺗﻴﻚ و ﻓﺸﺮده ﻣﻲ ﺑﺎﺷﺪ ﺑﺴﻴﺎري از‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﺑﻪ ﺳﺎدﮔﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﺑﺎﻻي ‪PROLOG‬‬
‫ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ PROLOG‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﻛﺎرﺑﺮد در ﺟﺴﺘﺠﻮي اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺤﺎﻓﻆ و ﻳﻚ‬
‫ﺷﺒﻜﻪ ﺳﻤﺎﻧﺘﻴﻜﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد‪.‬‬
‫ﻳﻚ اﺑﺰار ﻣﻬﻢ دﻳﮕﺮ ﺑﺮاي ﺳﺎﺧﺖ ﺳﺎﺧﺘﺎرﻫﺎي ﻧﺸﺎﻧﻪ ﻟﻴﺴﺖ ﻣﻲ ﺑﺎﺷﺪ ﻳﻚ ﻟﻴﺴﺖ ﺷﺎﻣﻞ ﻳﻚ‬
‫ﺳﺮي ﻋﻨﺎﺻﺮ ﻣﻲ ﺷﻮد ﻛﻪ در آن ﻫﺮ ﻋﻨﺼﺮ ﻣﻤﻜﻦ اﺳﺖ ﺣﺘﻲ ﻳﻚ ﻟﻴﺴﺖ و ﻳﻚ ﻧﺸﺎﻧﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﻟﻴﺴﺖ ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎر ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ LISP‬ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫)اﻳﻦ ﻳﻚ ﻟﻴﺴﺖ اﺳﺖ(‬
‫‪32‬‬

‫)اﻳﻦ ﻫﺴﺖ( )ﻳﻚ ﻟﻴﺴﺖ( )از ﻟﻴﺴﺖ ﻫﺎ(‬

‫)زﻣﺎﻧﻬﺎ )ﺑﻌﻼوه ‪)(13‬ﺑﻌﻼوه ‪( (23‬‬
‫))‪((789)(456)(123‬‬
‫ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ اﻳﻨﻬﺎ ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ ﺷﺎﻣﻞ ﻟﻴﺴﺘﻬﺎي درون ﻟﻴﺴﺖ ﻫﺎي‬
‫دﻳﮕﺮ ﻣﻲ ﺷﻮد اﻳﻦ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد ﻛﻪ ارﺗﺒﺎﻃﺎت ﺳﺎﺧﺘﺎري اﻳﺠﺎد ﮔﺮدد‪ .‬ﻗﺪرت ﻟﻴﺴﺖ ﻫﺎ‬
‫ﻋﻤﺪﺗﺎ در ﻧﺘﻴﺠﻪ ﺗﻮاﻧﺎﻳﻲ ﺑﻴﺎن ﻫﺮ ﻧﻮع ﺳﺎﺧﺘﺎر ﻧﺸﺎﻧﻪ اي ﺑﺪون در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﭘﻴﭽﻴﺪﮔﻲ ﻳﺎ‬
‫ﻋﻤﻠﻜﺮدﻫﺎﻳﻲ ﻛﻪ ﻣﻲ ﺑﺎﻳﺪ از آن ﭘﺸﺘﻴﺒﺎﻧﻲ ﻛﻨﺪ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫اﻳﻦ ﺷﺎﻣﻞ ﺷﺎﺧﻪ ﻫﺎ ﮔﺮاف ﻫﺎي اوﻟﻴﻪ ﻳﻚ ﺳﺮي ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﻨﻄﻘﻲ ﺟﻬﺖ ﻫﺎ اﺻﻮل‬
‫اﻃﻼﻋﺎﺗﻲ ﻛﻠﻴﺪي ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ ﻫﺮ ﻧﻮع ﺳﺎﺧﺘﺎر ﻣﻤﻜﻦ اﺳﺖ ﺑﺮ اﺳﺎس ﻳﻚ‬
‫ﺗﺮﻛﻴﺐ ﻣﻨﺎﺳﺐ ﻣﺘﺸﻜﻞ از ﻟﻴﺴﺖ ﻫﺎ و ﻋﻤﻠﻜﺮدﻫﺎي واﻗﻊ ﺷﺪه ﺑﺮ روي آﻧﻬﺎ ﺣﺎﺻﻞ ﺷﻮﻧﺪ‪.‬‬
‫ﻟﻴﺴﺖ ﻫﺎ ﻳﻚ ﺳﺮي ﺑﻠﻮك ﻫﺎي ﻣﻬﻢ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ ‪ PROLOG , LASP‬ﻛﻪ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد‬
‫ﻛﻪ ﻛﺎرﺑﺮ را ﺑﺎ ﻋﻨﺎﺻﺮ اﻃﻼﻋﺎﺗﻲ و ﻋﻤﻠﻴﺎﺗﻲ ﺑﺮاي دﺳﺘﻴﺎﺑﻲ و ﺗﺎﻛﻴﺪ ﺑﺮ آﻧﻬﺎ در درون ﻳﻚ ﺳﺮي‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﭘﻴﭽﻴﺪه ﻣﻬﻴﺎ ﺳﺎزد‪ .‬در ﺣﺎﻟﻴﻜﻪ ‪ PROLOG‬ﻣﺴﺘﻘﻴﻤﺎ ﺑﻪ ﻣﺤﺎﺳﺒﺎت ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫ﺷﺪه واﺑﺴﺘﻪ اﺳﺖ و ﺷﺎﻣﻞ ﻳﻚ ﺳﺮي ﻟﻴﺴﺖ ﺑﻪ ﻋﻨﻮان اﺑﺰارﻫﺎي ﺑﻴﺎن ﻣﻲ ﺷﻮد‪.‬‬
‫‪ LISP‬ﻟﻴﺴﺖ را ﺑﻪ ﻋﻨﻮان اﺻﻮل اﻧﻮاع داده ﻫﺎ و ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ دﻫﺪ‪.‬‬
‫ﺗﻤﺎﻣﻲ ﺳﺎﺧﺘﺎرﻫﺎي ‪ LISP‬از ﻟﻴﺴﺖ ﻫﺎ ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ و زﺑﺎن ﻓﺮاﻫﻢ ﻛﺮدن ﻳﻚ ﺳﺮي‬
‫اﺑﺰارﻫﺎي ﻗﻮي ﺑﺮاي ﺗﺮﻛﻴﺐ اﻳﻨﻬﺎ )ﺳﺎﺧﺘﺎرﻫﺎ( را ﺑﻪ ﻋﻬﺪه دارد و ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪه ﻋﻤﻠﻴﺎت‬
‫ﺟﺪﻳﺪ ﺑﺮاي اﻳﺠﺎد ﺗﻮﺳﻌﻪ و ﺗﻐﻴﻴﺮ آﻧﻬﺎ اﺳﺖ‪ .‬ﻳﻚ ﺷﻜﻞ ﻛﺮدن ﺳﺎﺧﺘﺎر ‪ LISP‬و ﺗﻮاﻧﺎﺋﻲ‬
‫ﺗﻮﺳﻌﻪ آن ﺗﻮﺻﻴﻒ ﻫﺮ ﻧﻮع زﺑﺎﻧﻲ را ﺑﺮاي ﺳﺎﺧﺘﺎر آن ﺳﺎده ﻣﻲ ﺳﺎزد ‪ .‬ﺑﻮﺳﻴﻠﻪ ﭘﺮداﺧﺘﻦ ﺑﻪ‬
‫ﻧﻈﺮﻳﻪ ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻓﺸﺮده ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ‪ LISP‬ﻣﻲ ﺗﻮاﻧﺪ ﺳﺎﺧﺘﺎرﻫﺎي ﻧﺸﺎﻧﻪ را‬
‫ﺗﻮﺻﻴﻒ ﻛﻨﺪ و ﻋﻤﻠﻴﺎت ﻣﻮرد ﻧﻴﺎز ﻫﺮ ﻧﻮع ﺷﻜﻞ ﮔﻴﺮي ﺳﻄﺢ ﺑﺎﻻ ﺷﺎﻣﻞ ﻛﻨﺘﺮل ﻛﻨﻨﺪه ﻫﺎي‬
‫ﺟﺴﺘﺠﻮ ﺣﻞ ﻛﻨﻨﺪه ﻫﺎي ﺗﺌﻮرﻳﻬﺎي ﻣﻨﻄﻘﻲ و دﻳﮕﺮ اﻇﻬﺎرات ﺳﻄﺢ ﺑﺎﻻ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ 2-6-3‬اﻧﻌﻄﺎف ﭘﺬﻳﺮ ﺑﻮدن ﻛﻨﺘﺮل‪:‬‬
‫ﻳﻜﻲ از ﻣﺸﺨﺼﻪ ﻫﺎي اﺳﺎﺳﻲ رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ ﻗﺎﺑﻠﻴﺖ اﻧﻌﻄﺎف ﭘﺬﻳﺮي آن ﻣﻲ ﺑﺎﺷﺪ ‪ .‬در‬
‫ﺣﻘﻴﻘﺖ ﻣﺸﻜﻞ ﺑﺘﻮان ﺗﺼﻮر ﻛﺮد ﻛﻪ ﻫﻮﺷﻤﻨﺪي ﻣﻲ ﺗﻮاﻧﺪ از ﻃﺮﻳﻖ ﺗﻮﺳﻌﻪ ﮔﺎم ﺑﻪ ﮔﺎم ﻣﺮاﺣﻞ‬
‫ﺛﺎﺑﺖ ﻛﻪ ﺑﻮﺳﻴﻠﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﻌﻤﻮل ﻛﺎﻣﭙﻴﻮﺗﺮي ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﺣﺎﺻﻞ ﺷﻮد‪.‬‬
‫ﺧﻮﺷﺒﺨﺘﺎﻧﻪ اﻳﻦ ﺗﻨﻬﺎ راه ﺳﺎزﻣﺎﻧﺪﻫﻲ ﻣﺤﺎﺳﺒﺎت ﻧﻤﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪33‬‬

‫ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ و در ﻋﻴﻦ ﺣﺎل ﻗﺪﻳﻤﻲ ﺗﺮﻳﻦ ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﺳﺎﺧﺖ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪AI‬‬
‫ﺳﻴﺴﺘﻢ ﺗﻮﻟﻴﺪ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫در ﺳﻴﺴﺘﻢ ﺗﻮﻟﻴﺪي ﺑﺮﻧﺎﻣﻪ ﺷﺎﻣﻞ ﻳﻚ ﺳﺮي ﻗﻮاﻧﻴﻦ ﻣﻲ ﺷﻮد‪ .‬در ﻣﻨﻄﻖ اﻃﻼﻋﺎت اﻳﻦ ﻗﻮاﻧﻴﻦ‬
‫ﺑﻪ ﮔﻮﻧﻪ اي ﺗﻨﻈﻴﻢ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﻮﺳﻴﻠﻪ اﻟﮕﻮي اﻃﻼﻋﺎت در ﻳﻚ ﻧﻮع ﻣﺴﺌﻠﻪ داده ﺷﺪه ﻗﺎﺑﻞ‬
‫ﺗﺸﺨﻴﺺ ﺑﺎﺷﺪ‪.‬‬
‫ﻗﻮاﻧﻴﻦ ﺗﻮﻟﻴﺪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻫﺮ ﮔﻮﻧﻪ ﻛﻪ ﭘﺎﺳﺨﮕﻮي آ” ﻣﻮﻗﻌﻴﺖ ﺧﺎص ﺑﺎﺷﺪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺷﻮد‪.‬‬
‫ﺑﺪﻳﻦ ﻃﺮﻳﻖ ﻳﻚ ﺳﻴﺴﺘﻢ ﺗﻮﻟﺴﺪ ﻣﻲ ﺗﻮاﻧﺪ اﻳﺠﺎد ﻛﻨﻨﺪه اﻧﻌﻄﺎف ﭘﺬﻳﺮي و ارﺗﺒﺎط ﻻزم ﺑﺮاي‬
‫رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻨــــﺎﺑﺮاﻳﻦ ‪ AI‬از ﻳﻚ ﺗﻌﺪاد ﻣﺘﻔﺎوﺗﻲ ﺳﺎﺧﺘﺎرﻫﺎي ﻛﻨﺘﺮﻟﻲ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﺴﻴﺎري‬
‫از اﻧﻬﺎ ﻣﺮﺗﺒﻂ ﺑﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﻮﻟﻴﺪ ﻣﻲ ﺑﺎﺷﻨﺪ و ﻫﻤﻪ آﻧﻬﺎ ﺗﺎﺑﻊ اﻟﮕﻮ ﻣﻲ ﺑﺎﺷﻨﺪ ‪ .‬ﻛﻨﺘﺮل‬
‫اﻟﮕﻮﻳﻲ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد ﻛﻪ اﻃﻼﻋﺎت ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻴﺎز ﺑﻪ ﺧﺼﻮﺻﻴﺎت ﻳﻚ ﻧﻮع ﻣﺴﺌﻠﻪ ﺧﺎص ﺑﻪ‬
‫ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﻮد‪ .‬اﻟﮕﻮي اﻟﮕﻮرﻳﺘﻢ ﻫﺎي اﻧﻄﺒﺎﻗﻲ ﻣﺜﻞ ﺑﻪ ﺻﻮرت واﺣﺪ در آوردن ﺑﺎﻋﺚ ﻣﻲ‬
‫ﺷﻮد ﻛﻪ ﺑﺘﻮاﻧﺪ ﺗﺸﺨﻴﺺ دﻫﺪ ﻛﻪ ﭼﻪ ﻣﻮﻗﻊ ﺧﺼﻮﺻﻴﺎت ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﻨﻄﺒﻖ ﺑﺎ ﻳﻚ ﺑﺮﻧﺎﻣﻪ‬
‫اﻃﻼﻋﺎﺗﻲ اﺳﺖ ﻛﻪ ﺑﺮ اﻳﻦ اﺳﺎس اﻃﻼﻋﺎت ﻻزم ﺑﺮاي ﻛﺎرﺑﺮد در ﻣﺴﺌﻠﻪ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﺣﺎﺋﺰ اﻫﻤﻴﺖ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻳﻚ زﺑﺎن ‪ AI‬ﺑﺘﻮاﻧﺪ آن را ﻣﺴﺘﻘﻴﻤﺎ اﻳﺠﺎد ﻛﻨﺪ و ﻳﺎ ﺗﻮﺳﻌﻪ‬
‫اﻟﮕﻮي ﻛﻨﺘﺮل را ﺳﺎده ﺳﺎزد‪.‬‬
‫در ‪ PROLOG‬ﻳﻜﻲ ﻛﺮدن و ﺟﺴﺘﺠﻮي اﻟﮕﻮرﻳﺘﻢ ﻫﺎ در درون ﺧﻮد زﻣﺎن ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ و‬
‫ﻗﻠﺐ و اﺳﺎس ‪ PROLOG‬را ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﻨﺪ ‪.‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ ﻳﻜﻲ ﻛﺮدن اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺑﻪ ﺳﺎدﮔﻲ ﻣﻲ ﺗﻮان ﻫﺮ ﻧﻮع اﻟﮕﻮي ﺳﺎﺧﺘﺎري‬
‫ﻛﻨﺘﺮﻟﻲ را اﻳﺠﺎد ﻛﺮد ‪.‬‬
‫‪ LISP‬ﻣﺴﺘﻘﻴﻤﺎً اﻟﮕﻮي اﻧﻄﺒﻘﻲ اﻳﺠﺎد ﻧﻤﻲ ﻛﻨﺪ اﻣﺎ ﻣﺤﺎﺳﺒﺎت ﺳﻤﺒﻮﻟﻴﻚ آن ﻣﻮﺟﺐ ﮔﺴﺘﺮش‬
‫ﺳﺎده ﻣﺮﺑﻮط ﺑﻪ زﺑﺎن ﺳﺎده ﺳﺎﺧﺘﺎر اﻟﮕﻮي ﻣﻨﻄﻖ ﺷﻮﻧﺪه و ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪه اوﻟﻴﻪ ﺳﺎﺧﺘﺎر ﻣﻲ‬
‫ﺷﻮد‪.‬‬
‫ﻳﻜﻲ از ﻣﺰاﻳﺎي اﻳﻦ ﻧﻈﺮﻳﻪ اﻳﻦ اﺳﺖ ﻛﻪ اﻟﮕﻮي ﺗﻄﺒﻴﻖ و ﻛﻨﺘﺮل ﺳﺎﺧﺘﺎرﻫﺎي ﻫﻤﺮاه ﺑﺎ آن‬
‫ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﺳﺎدﮔﻲ ﺑﺮاي ﺗﻄﺒﻴﻖ ﺑﺎ ﻧﻴﺎزﻫﺎي ﻳﻚ ﻣﺴﺌﻠﻪ ﺑﺨﺼﻮص ﺧﻮد را ﻣﻨﻄﺒﻖ ﺳﺎزد‪.‬‬
‫‪34‬‬

‫اﻏﻠــــﺐ ﻧﻈـــﺮﻳﺎت ﻓﻌﻠﻲ در ارﺗﺒﺎط ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻫﻤﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ‬
‫ﻋﻮاﻣﻞ ﺗﻨﻈﻴﻢ ﻛﻨﻨﺪه و دﻳﮕﺮ ﻓﺮم ﻫﺎي ﻣﺤﺎﺳﺒﺎت ﺿﺮوري ﻣﻤﻜﻦ اﺳﺖ اﺟﺘﻨﺎب از ﻋﻤﻠﻴﺎت ﺑﺮ‬
‫روي ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻤﺒﻮﻟﻴﻚ ﺑﺎﺷﺪ‪.‬‬
‫وﻟﻲ آﻧﻬﺎ ﻧﻴﺎز ﺑﻪ ﻳﻚ ﻛﻨﺘﺮل اﻧﻌﻄﺎف ﭘﺬﻳﺮ را ﻧﻔﻲ ﻧﻤﻲ ﻛﻨﻨﺪ‪ .‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﻣﻲ ﺑﺎﻳﺴﺘﻲ‬
‫ﺗﻮاﻧﺎﻳﻲ ﺣﺮﻛﺘﻲ ﺷﻜﻞ ﮔﻴﺮي ﺧﻮدﺷﺎن را داﺷﺘﻪ ﺑﺎﺷﻨﺪ ‪ .‬ﻋﻮاﻣﻞ ﻣﺘﻜﻲ ﺑﻪ ﭘﻴﺎم ﻫﺴﺘﻨﺪ ﻛﻪ از‬
‫ﺑﻴﻦ ﻣﺎﺣﻮﺑﻬﺎي ﻣﺨﺘﻠﻒ ﻣﻲ ﮔﺬرد‪.‬‬
‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻜﻲ ﻧﻴﺎز ﺑﻪ اﻳﺠﺎد واﺣﺪ ﻫﺎي ﺷﻤﺎرش ﺑﻪ ﻋﻨﻮان ﺟﻤﻌﻴﺖ ﻛﺎﻧﺪﻳﺪ ﺷﺪه ﺣﻞ‬
‫ﻣﺴﺌﻠﻪ دارﻧﺪ‪ .‬ﺗﻮاﻧﺎﻳﻲ زﺑﺎن ﻫﺎي ‪ AI‬ﺑﺮاي اﻳﺠﺎد ﻣﺸﺨﺼﻪ ﺗﺮﻛﻴﺐ ﺳﺎده ﻃﺒﻘﻪ ﺑﻨﺪي‬
‫اﺗﻮﻣﺎﺗﻴﻚ ﺣﺎﻓﻈﻪ اﻣﻜﺎن اﻃﻼع رﺳﺎﻧﻲ ﺳﺎده اﻳﺠﺎد ﻣﺘﻐﻴﺮﻫﺎ و روش ﻫﺎي ﭘﻮﻳﺎ و ﺷﻜﻞ ﻫﺎي‬
‫ﻗﻮي اﻳﺠﺎد ﺑﺮﻧﺎﻣﻪ ﻣﺜﻞ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺷﻲء ﮔﺮا ﻣﻮﺟﺐ ﺧﻮاﻫﺪ ﺷﺪ ﻛﻪ آﻧﻬﺎ را ﺑﻪ ﺳﻤﺖ اﺳﺘﻔﺎده‬
‫ﮔﺴﺘﺮده در ﻛﺎرﺑﺮد اﻳﻦ اﺑﺰارﻫﺎي ﺟﺪﻳﺪﺗﺮ ‪ AI‬ﺳﻮق دﻫﺪ‪.‬‬
‫‪ 3-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ‪:‬‬

‫ﻣﺴﺎﺋﻠﻲ ﻛﻪ ‪ AI‬ﺑﻪ آن ﻣﺮﺗﺒﻂ ﻣﻲ ﺑﺎﺷﺪ ﻫﻤﻴﺸﻪ ﭘﺎﺳﺨﮕﻮي ﻳﻚ ﭼﻨﻴﻦ ﻧﻈﺮﻳﻪ ﻫﺎي ﻣﻬﻨﺪﺳﻲ‬
‫ﻧﺮم اﻓﺰار اﺳﺘﺎﻧﺪارد ﻛﻪ ﺷﺎﻣﻞ ﻃﺮاﺣﻲ ﻛﺎﻣﻞ و ﭘﺮدازش ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ و ﺗﻮﺳﻌﻪ ﺑﺮﻧﺎﻣﻪ از‬
‫ﺧﺼﻮﺻﻴﺎت و وﻳﮋﮔﻴﻬﺎي دﻗﻴﻖ اﺳﺖ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﺎﺷﺪ‪ .‬ﺑﻪ دﻟﻴﻞ ﻃﺒﻴﻌﺖ و ذات و ﻧﻮع ﺑﺨﺼﻮص‬
‫‪ AI‬ﺑﻪ ﻧﺪرت اﻳﻦ اﺣﺘﻤﺎل ﺑﻪ وﺟﻮد ﻣﻲ آﻳﺪ ﻛﻪ ﺑﺘﻮان وﻳﮋﮔﻴﻬﺎي درﺳﺖ و ﻛﺎﻣﻠﻲ از ﺷﻜﻞ‬
‫ﻧﻬﺎﻳﻲ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻗﺒﻞ از ﺳﺎﺧﺖ ﺣﺪاﻗﻞ ﻳﻚ ‪ proto type‬ﺑﺪﺳﺖ آورد‪ .‬اﻏﻠﺐ ﻣﻮارد‬
‫ﺷﻨﺎﺧﺖ ﻣﺴﺌﻠﻪ ﺑﺮﻧﺎﻣﻪ ﻣﺮﺑﻮط ﻣﻲ ﺷﻮد ﺑﻪ ﺣﻞ ﻣﻮارد درﮔﻴﺮ ﻣﺴﺌﻠﻪ از ﻃﺮﻳﻖ ﺗﻮﺳﻌﻪ ﺑﺮﻧﺎﻣﻪ ‪.‬‬
‫دﻻﻳﻞ آن ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫‪ – 1‬ﺑﻴﺸﺘﺮ ﻣﺴﺎﺋﻞ ‪ AI‬اﺻﻮﻻ ﻣﺸﺨﺼﻪ ﻫﺎي ﺿﻌﻴﻔﻲ دارﻧﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﭘﻴﭽﻴﺪﮔﻲ زﻳﺎدي ﺑﺮاي ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺳﻄﺢ اﻃﻼﻋﺎت ﻻزم ﻣﻲ ﺑﺎﺷﺪ ﺑﻪ ﻧﺪرت‬
‫اﺣﺘﻤﺎل ﻣﺸﺎﻫﺪه ﻳﻚ ﻣﺴﺌﻠﻪ و ﺗﺸﺨﻴﺺ ﻛﺎﻣﻞ ﺑﻮدن ﻧﻈﺮﻳﻪ دﻗﻴﻖ ﻛﻪ ﺑﺎﻳﺪ در ﺟﺎﻳﮕﺎه ﺧﻮدش‬
‫ﺑﺎﺷﺪ وﺟﻮد دارد‪.‬‬
‫ﺑﻬﺘﺮﻳﻦ ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﻧﺸﺎﻧﻪ اي ﻛﻪ در ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮﻧﺪ ﺑﻪ ﻧﺪرت‬
‫در ﻣﺸﺨﺼﻪ ﻫﺎي ﺳﻄﺢ داﻧﺶ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬اﻳﻦ ﻧﻮع ﭘﻴﭽﻴﺪﮔﻲ و ﻧﺎﻣﻔﻬﻮﻣﻲ ﺧﻮد را ﺑﻪ‬
‫روش ﻫﺎي ﻣﻌﻤﻮل ﻣﺮﺑﻮط ﺑﻪ ﻧﺮم اﻓﺰارﻫﺎي ﻣﻬﻨﺪﺳﻲ ﻣﺮﺗﺒﻂ ﻧﻤﻲ داﻧﻨﺪ ﭼﻮن ﻛﻪ در اﻳﻦ ﻧﻮع‬
‫‪35‬‬

‫ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﻻزﻣﻪ اش اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﺗﻮﺳﻌﻪ ﺑﻪ ﺧﺼﻮص ﻣﺴﺌﻠﻪ ﻗﺒﻞ از‬
‫اﻳﻨﻜﻪ ﻣﺮﺣﻠﻪ ﻛﺪﺑﻨﺪي آﻏﺎز ﺷﻮد ﺷﻜﻞ ﻣﻲ ﮔﻴﺮد‪.‬‬
‫ﻳﻚ ﻋﻤﻠﻜﺮد ﻣﻨﻄﻘﻲ ﺧﻮد ذاﺗﺎ ﺑﺮاي ﻣﺸﺨﺼﻪ ﻫﺎ و ﺧﺼﻮﺻﻴﺎت ﻣﻌﻤﻮﻟﺶ ﺑﺴﻴﺎر ﻣﺸﻜﻞ ﺗﺮ از‬
‫ﻋﻤﻠﻜﺮد ﻧﻮﻋﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﻟﻴﺴﺖ ﻳﺎ اﻳﺠﺎد ﻳﻚ ﻓﺎﻳﻞ ﺳﻴﺴﺘﻢ اﺳﺖ ‪ .‬ﺣﻘﻴﻘﺘﺎ اﻳﻦ ﺑﻪ ﭼﻪ‬
‫ﻣﻌﻨﻲ اﺳﺖ؟‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺮاي ﻃﺮاﺣﻲ ﻳﻚ ﻣﺪار ﻳﺎ ﺑﻬﺒﻮد ﻳﻚ ﺑﻴﻤﺎري اﻳﻦ ﺑﻪ ﭼﻪ ﻣﻌﻨﻲ اﺳﺖ؟ ﭼﮕﻮﻧﻪ‬
‫ﻳﻚ اﻧﺴﺎن ﻣﺎﻫﺮ و ﻣﺘﺨﺼﺺ اﻳﻦ ﻋﻤﻠﻴﺎت ﻫﺎ را ﺷﻜﻞ ﻣﻲ دﻫﺪ؟ ﺳﻄﺢ رﺿﺎﻳﺖ ﺑﺨﺶ اﻳﺠﺎد‬
‫ﻳﻚ ﻣﺤﺪوده ﻣﺴﺌﻠﻪ داده ﺷﺪه ﭼﻪ ﭼﻴﺰي اﺳﺖ؟ ﭼﻪ ﻧﻮع داﻧﺶ و اﻃﻼﻋﺎﺗﻲ ﻻزم ﻣﻲ ﺑﺎﺷﺪ؟‬
‫ﭼﻪ ﻣﺸﻜﻼﺗﻲ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ دﻻﻳﻞ ﻧﺒﻮد و ﻳﺎ ﻏﻴﺮ واﻗﻌﻲ ﺑﻮدن اﻃﻼﻋﺎت ﭘﻴﺶ ﺑﻴﺎﻳﺪ؟ ﺑﻪ‬
‫دﻟﻴﻞ ﺟﻮاﺑﻬﺎي ﺑﻪ اﻳﻦ ﻗﺒﻴﻞ ﺳﺆاﻻت و دﻳﮕﺮ ﺳﺆاﻻت ﻛﻪ در ﻳﻚ دوره ﻛﻠﻲ ﻣﻄﺮح ﻣﻲ ﺷﻮد‬
‫و ﺑﺴﻴﺎر ﺗﺨﺼﺼﻲ ﻣﻲ ﺑﺎﺷﻨﺪ و ﻫﺮ وﻗﺖ اﻳﻦ ﻃﻮر ﺑﺎﺷﺪ ﺳﺎﺧﺘﺎر آن ﻧﻴﺰ ﻋﻤﻴﻖ ﺗﺮ و ﭘﻴﭽﻴﺪه ﺗﺮ‬
‫ﻣﻲ ﺷﻮد ﺑﻪ ﻫﻤﻴﻦ ﻧﺴﺒﺖ ﺣﻞ آن ﻧﻴﺰ ﺑﻪ دﻗﺖ ﺑﻴﺸﺘﺮي ﻧﻴﺎز دارد‪.‬‬
‫‪ – 2‬ﻧﻈﺮﻳﺎﺗﻲ ﻛﻪ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻪ آن ﭘﺮاﺧﺘﻪ ﻣﻲ ﺷﻮد در ﻣﺤﺪوده ﺑﺨﺼﻮﺻﻲ ﻗﺮار ﻣﻲ‬
‫ﮔﻴﺮﻧﺪ‪.‬‬
‫ﮔﺮ ﭼﻪ ﭼﻬﺎر ﭼﻮب ﻫﺎي ﻛﻠﻲ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ‪ AI‬وﺟﻮد دارد ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺳﻴﺴﺘﻢ ﺗﻮﻟﻴﺪ‬
‫ﺟﺴﺘﺠﻮ در زﺑﺎن داﻣﻨﻪ و ﻣﺤﺪوده ﻫﺮ ﻣﺴﺌﻠﻪ ﻧﻴﺎزﻣﻨﺪ روش ﻫﺎي ﺧﺎص ﺧﻮد ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ راه ﺣﻞ ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ﻣﺴﺌﻠﻪ ﺑﻪ ﻧﺪرت ﺑﻪ ﻃﻮر ﻛﺎﻣﻞ ﺑﺮاي ﻣﺤﺪودﻳﺘﻬﺎي ﺟﺪﻳﺪ‬
‫ﻋﻤﻮﻣﻴﺖ و ﻛﺎرﺑﺮد دارد ﻫﺮ ﻛﺎرﺑﺮد ﺗﺎ ﺣﺪودي ﻳﻚ ﻧﻮع ﻣﺴﺌﻠﻪ ﺟﺪﻳﺪ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪ -3‬ﺳﺎﺧﺘﺎرﻫﺎ و اﺷﻜﺎل ﺑﻴﺎن ‪AI‬ﺑﻪ ﻃﻮر ﭘﻴﻮﺳﺘﻪ ﺑﺎﻳﺪ ﺗﻮﺳﻌﻪ و ﺗﺠﺪﻳﺪ ﺷﻮد‬
‫ﺗﻮﺳﻌﻪ ‪ AI‬ﻳﻚ ﭘﺮوﺳﻪ ﺗﺤﻘﻴﻘﻲ ﻣﺪاوم اﺳﺖ ‪ .‬ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ‪ AI‬ﻛﺎرﺑﺮدي در ﺑﺴﻴﺎري‬
‫از روﺷﻬﺎ ﺑﺴﻂ و ﺗﻮﺳﻌﺔ اﻳﻦ ﭘﺮوﺳﻪ ﻫﺎ ﻣﻲ ﺑﺎﺷﻨﺪ ‪ .‬ﮔﺮﭼﻪ ﺗﺠﺮﺑﻪ ﻋﻤﺪﺗﺎً ﺑﻪ ﻛﺎرﺑﺮد زﺑﺎن ﻛﻤﻚ‬
‫ﻣﻲ ﻛﻨﺪ وﻟﻲ ﻋﻤﻮﻣﺎً ﻫﻴﭻ ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﺮاي ﻛﺎرﺑﺮد ﻳﻚ اﻳﺪه و اﻳﻨﻜﻪ ﭼﮕﻮﻧﻪ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‬
‫وﺟﻮد ﻧﺪارد ‪.‬‬
‫ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ‪ AI‬اﺻﻮﻻً ﺑﻪ ﺻﻮرت ﺟﺴﺘﺠﻮي اﺳﺖ ‪ .‬ﺑﺮﻧﺎﻣﻪ اﻏﻠﺐ ﺑﻪ ﺻﻮرت ﻣﺎﺷﻴﻨﻲ اﺳﺖ‬
‫ﻛﻪ از ﻃﺮﻳﻖ آن ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ داﻣﻦ ﻣﺴﺌﻠﻪ را ﻛﺸﻒ ﻛﻨﻴﻢ و روش ﻫﺎي ﺣﻞ ﻣﺴﺌﻠﻪ را ﻛﺸﻒ‬
‫ﻛﻨﻴﻢ در ﺣﻘﻴﻘﺖ اﺑﺰاري اﺳﺖ ﻛﻪ ﺑﺎ آن ﺑﻪ ﺷﻨﺎﺧﺖ ﻣﺴﺌﻠﻪ ﻧﺎﺋﻞ ﻣﻲ ﺷﻮﻳﻢ ‪.‬‬
‫‪36‬‬

‫ﭼﺎﻟﺶ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ ، AI‬ﭘﺸﺘﻴﺒﺎﻧﻲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻛﺸﻔﻲ اﺳﺖ ‪ .‬در ﺑﻴﻦ ﺧﺼﻮﺻﻴﺎﺗﻲ ﻛﻪ‬
‫ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎﻳﺪ اﻳﺠﺎد ﻛﻨﺪ ﻣﻮارد ذﻳﻞ وﺟﻮد دارد ‪:‬‬
‫‪Modularity -1‬‬
‫‪ -2‬ﻗﺎﺑﻠﻴﺖ ﮔﺴﺘﺮش‬
‫‪ -3‬ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﺑﺎﻻي ﻣﻔﻴﺪ‬
‫‪ -4‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ‪ Prototype‬ﺳﺎزي اوﻟﻴﻪ‬
‫‪ -5‬ﻗﺎﺑﻞ ﺧﻮاﻧﺪن ﺑﻮدن ﺑﺮﻧﺎﻣﻪ‬
‫‪ -6‬ﻣﺘﺮﺟﻢ ﻫﺎ‬
‫‪ -7‬ﭘﺸﺘﻴﺒﺎﻧﻲ ﻧﺮم اﻓﺰاري ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ‬
‫ﻣﺎ اﻳﻦ ﻋﻨﺎوﻳﻦ را در ﭘﺎراﮔﺮاف ﻫﺎي زﻳﺮ ﻣﻮرد ﺑﺤﺚ و ﺑﺮرﺳﻲ ﻗﺮار ﺧﻮاﻫﻴﻢ داد ‪:‬‬
‫‪-1‬ﻗﺎﺑﻠﻴﺖ ‪ Modularity‬ﻛﺪﻫﺎ‬
‫ﺣﺎﺋﺰ اﻫﻤﻴﺖ اﺳﺖ ﻛﻪ ﻳﻚ زﺑﺎن ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻛﺸﻔﻲ از ﻳﻚ ﺳﺮي ﺗﻌﺎرﻳﻒ ﻣﺘﻮاﻟﻲ‬
‫ﻣﺮﺑﻮط ﺑﻪ ﻛﺪﻫﺎ ﭘﻴﺮوي ﻛﻨﺪ اﻳﻦ ﺑﻴﺎﻧﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺴﺎﺋﻞ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺷﺎﻣﻞ ﻗﺴﻤﺖ ﻫﺎي‬
‫ﻛﻮﭼﻚ و ﻣﻄﻠﻮب ﺑﺎﺷﺪ ﻧﻪ ﺑﺪﻧﻪ ﻫﺎي ﭘﻴﭽﻴﺪه ﻛﻪ ﺑﻨﺪي ﺷﺪه ارﺗﺒﺎط ﻣﺘﻘﺎﺑﻞ ﺑﻴﻦ ﻣﺤﺘﻮي‬
‫ﺑﺮﻧﺎﻣﻪ ﺑﺎﻳﺪ ﻣﺤﺪود ﺑﺎﺷﺪ و ﺑﻪ ﺧﻮﺑﻲ ﻧﻴﺰ ﺗﻮﺻﻴﻒ ﺷﺪه ﺑﺎﺷﻨﺪ‪.‬‬
‫اﻳﻦ ﺷﺎﻣﻞ ﭘﺮﻫﻴﺰ از ﺗﺄﺛﻴﺮات ﺟﺎﻧﺒﻲ و ﻣﺘﻐﻴﺮﻫﺎي ﺟﻬﺎﻧﻲ )‪ (global‬و اﻃﻤﻴﻨﺎن از رﻓﺘﺎر ﻫﺮ‬
‫‪ Module‬واﺣﺪ در ﺷﻨﺎﺧﺖ ﺑﺮﻧﺎﻣﻪ ﺑﺎﺷﺪ ﻛﻪ ﺑﺘﻮاﻧﺪ ﺑﻪ ﺧﻮﺑﻲ ﻗﺎﺑﻞ ﺗﺸﺨﻴﺺ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ LISP‬ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮﻋﺔ اﻧﺘﺨﺎﺑﻲ از ﻋﻤﻠﻜﺮدﻫﺎي واﺣﺪ ﻣﻲ ﺑﺎﺷﻨﺪ در ﻳﻚ ﺑﺮﻧﺎﻣﻪ‬
‫‪ LISP‬ﻛﻪ ﺑﻪ ﺻﻮرت ﻣﻄﻠﻮب ﻧﻮﺷﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ﻫﺮ ﻋﻤﻠﻜﺮد ﻛﻮﭼﻚ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻳﻚ ﻛﺎرﻛﺮد‬
‫ﺧﻮب و واﺣﺪ را ﺷﻜﻞ ﻣﻲ دﻫﻨﺪ‪.‬‬
‫ﺑﻨـــﺎﺑﺮاﻳﻦ اﻏﻠﺐ ﺟﺎﻳﮕﺰﻳﻨﻲ و اﺻﻼح ﻋﻠﺖ ﻫﺎي ﻫﺮ ﻛﻤﺒﻮدي‪ ،‬ﺳﺎده ﻣﻲ ﺑﺎﺷﺪ‪ .‬روش ﻫﺎي‬
‫اﻧﺪازه ﮔﻴﺮي ﻣﺘﻐﻴﺮ ‪ LISP‬و ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺮﺑﻮط ﺑﻪ آن اﻏﻠﺐ ﺑﺮاي ﻛﺎﻫﺶ ﺗﺄﺛﻴﺮات ﻋﻤﻠﻜﺮدي‬
‫ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﻣﺘﻐﻴﺮﻫﺎي ﺟﻬﺎﻧﻲ‪،‬ﮔﺮ ﭼﻪ ﺑﻪ وﺳﻴﻠﻪ زﺑﺎن ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﺷﻮﻧﺪ وﻟﻲ‬
‫اﺳﺘﻔﺎده در ﻛﺪﻫﺎي ﻣﺘﻨﺎﺳﺐ ‪ LISP‬ﻧﻬﻲ ﺷﺪه اﻧﺪ‪.‬‬
‫‪37‬‬

‫ﻋﻼوه ﺑﺮ اﻳﻦ ‪ LISP‬دﺳﺘﻪ ﺑﻨﺪي ﺷﻲ ﮔﺮا را از ﻃﺮﻳﻖ ﺳﻴﺴﺘﻢ ﺷﻲء ‪ LISP‬ﺑﻪ ﺻﻮرت ‪CLOS‬‬
‫ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﺷﻮد‪.‬‬
‫در ‪ PROLOG‬واﺣﺪ اﺻﻠﻲ ﺑﺮﻧﺎﻣﻪ روش و ﻗﺎﻧﻮن اﺳﺖ‪ ،‬ﻗﻮاﻧﻴﻦ ‪ PROLOG‬ﻫﻤﺎﻧﻨﺪ‬
‫ﻋﻤﻠﻜﺮدﻫﺎي ‪ LISP‬ﻛﻮﭼﻚ و وﻳﮋه ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻣﺤﺪوده و ﻗﻴﺎس ﻣﺘﻐﻴﺮﻫﺎ در ‪ PROLOG‬اﻏﻠﺐ ﻣﺤﺪود ﺑﻪ ﻳﻚ ﺷﻴﻮه و ﻗﺎﻧﻮن‬
‫ﺷﺪه اﻧﺪ‪ ،‬و زﺑﺎن اﺟﺎزه ﺗﻐﻴﻴﺮات ﺟﻬﺎﻧﻲ را ﻧﻤﻲ دﻫﺪ‪ .‬ﺗﻮﺻﻴﻒ ﻛﺮدن اﺻﻮﻻً ﺳﺎده ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ LISP‬و ‪ PROLOG‬ﺷﺎﻣﻞ ﻣﺸﺨﺼﻪ ﻫﺎي ﺳﻬﻞ و آﺳﺎﻧﻲ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺑﺎ ﻳﻚ‬
‫ﺳﺎﺧﺘﺎر ﺑﺮﻧﺎﻣﻪ ﻣﺸﺨﺺ ﺗﺮﻛﻴﺐ ﺷﻮﻧﺪ‪ ،‬ﻣﻮﺟﺐ آﺳﺎن ﺷﺪن ﭘﺮداﺧﺖ آن ﻣﻲ ﮔﺮدﻧﺪ‪.‬‬
‫‪-2‬ﻗﺎﺑﻠﻴﺖ ﮔﺴﺘﺮش‬
‫اﺻﻮﻻً ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ در ﻗﺎﻟﺐ ﻳﻚ ﭘﺮوﺳﻪ داراي ﺳﺎﺧﺘﺎر ﺳﻄﺢ ﺑﺎﻻي ﺑﺮﻧﺎﻣﻪ اي‬
‫اﺳﺖ ﻛﻪ ﺑﻪ ﮔﻮﻧﻪ ﻛﺪ ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬ﻳﻚ روش ﻣﻬﻢ ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﭘﺮوﺳﻪ در ﻗﺎﻟﺐ‬
‫ﺳﻴﺴﺘﻤﺎﺗﻴﻚ و ﺑﺎ ﺳﺎﺧﺘﺎر ﻣﻨﺎﺳﺐ‪،‬ﺗﻮﺳﻌﺔ ﻳﻚ زﺑﺎن ﻧﻬﻔﺘﻪ در آن اﺳﺖ‪.‬‬
‫اﻏﻠﺐ اﻣﻜﺎن ﺗﻮﺻﻴﻒ ﺷﻜﻞ ﻧﻬﺎﻳﻲ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪ AI‬وﺟﻮد ﻧﺪارد‪،‬اﻣﺎ اﻣﻜﺎن ﺗﺸﺨﻴﺺ‬
‫ﺳﺎﺧﺘﺎرﻫﺎي ﺳﻄﺢ ﺑﺎﻻ و ﻣﻔﻴﺪ ﺑﺮاي ﻛﺸﻒ و ﺑﺮرﺳﻲ داﻣﻨﻪ ﻣﺴﺌﻠﻪ وﺟﻮد دارد‪ .‬اﻳﻦ ﺳﺎﺧﺘﺎرﻫﺎ‬
‫ﻣﻲ ﺗﻮا ﻧﺪ ﺷﺎﻣﻞ اﻟﮕﻮﻫﺎي ﻣﻨﺎﺳﺐ ‪ ،‬ﻛﻨﺘﺮل ﻛﻨﻨﺪه ﻫﺎي ﺟﺴﺘﺠﻮ وﻋﻤﻠﻜﺮدﻫﺎي ﺗﻮﺻﻴﻒ ﻳﻚ‬
‫زﺑﺎن ﺗﻮﺻﻴﻔﻲ ﺑﺎﺷﺪ‪.‬‬
‫اﺻـــﻮﻻً اﻳـــﻦ ﻧﻈـــﺮﻳﻪ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ اﮔﺮ ﺷﻤﺎ ﺳﺎﺧﺘﺎر ﻧﻬﺎﻳﻲ ﻳﻚ ﺑﺮﻧﺎﻣﻪ را ﺗﺸﺨﻴﺺ‬
‫ﻧﺪﻫﻴﺪ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﺳﻌﻲ ﻛﻨﻴﺪ ﻛﻪ ﺳﺎﺧﺘﺎر زﺑﺎن را ﺗﻮﺻﻴﻒ ﻛﻨﻴﺪ ﻛﻪ ﺑﻪ ﺷﻤﺎ ﻛﻤﻚ ﺧﻮاﻫﺪ‬
‫ﻛﺮد ﻛﻪ آن ﺳﺎﺧﺘﺎر را ﺗﻮﺳﻌﻪ دﻫﻴﺪ‪.‬‬
‫ﺑﺮاي ﭘﺸﺘﻴﺒﺎﻧﻲ از اﻳﻦ روش‪ ،‬ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎﻳﺪ ﺑﻪ ﺻﻮرت ﺳﻬﻞ و آﺳﺎن ﻗﺎﺑﻞ‬
‫ﮔﺴﺘﺮش ﺑﺎﺷﺪ و ﺑﻪ ﻃﻮر ﺳﺎده آﻧﻬﺎ را ﺗﻮﺳﻌﻪ دﻫﺪ‪ .‬ﺑﻪ وﺳﻴﻠﻪ ﺗﻮﺳﻌﻪ و ﮔﺴﺘﺮش ﻛﻪ ﻫﻤﺎن‬
‫ﺗﻮاﻧﺎﻳﻲ ﺗﻮﺻﻴﻒ ﺳﺎﺧﺘﺎرﻫﺎي زﺑﺎﻧﻲ ﺟﺪﻳﺪ اﺳﺖ ﻛﻪ داراي ﺣﺪاﻛﺜﺮ آزادي و اﻧﻌﻄﺎف ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ LISP‬و ‪ PROLOG‬و ﻫﻤﭽﻨﻴﻦ ﺗﻮﺳﻌﺔ ﺷﻲء ﮔﺮا آﻧﻬﺎ ﻫﻤﺎﻧﻨﺪ ‪ CLOS‬ﻫﻤﮕﻲ ﻣﻮﺟﺐ ﻣﻲ‬
‫ﺷﻮﻧﺪ ﻛﻪ ﺗﻮﺻﻴﻒ ﺳﺎدة اﻫﺪاف‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺎ و ﻋﻤﻠﻜﺮدﻫﺎي ﺟﺪﻳﺪ ‪ ،‬ﺻﻮرت ﭘﺬﻳﺮد‪.‬‬
‫ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺗﻮﺻﻴﻒ ﺻﻮرت ﭘﺬﻳﺮﻓﺖ‪ ،‬اﻳﻦ ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ ﻛﻪ ﻛﺎرﺑﺮ اﻳﺠﺎد ﻛﺮده داراي رﻓﺘﺎري‬
‫ﺷﺒﻴﻪ ﺑﻪ ﺳﺎﺧﺘﺎرﻫﺎي اﺳﺎﺳﻲ زﺑﺎن ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪38‬‬

‫اﻳﻦ زﺑﺎﻧﻬﺎ ﺑﻪ وﺳﻴﻠﻪ ﺗﻮﺳﻌﺔ ﺗﻮاﻧﺎﻳﻲ ﻫﺎي اﺻﻮﻟﻲ از اﺑﺘﺪا ﺗﺎ ﺣﻞ آن ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫دراﻳﻦ ﺻﻮرت‪،‬ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﻌﻤﻮل‪ ،‬ﺳﺎﺧﺘﺎرﺑﻨﺪي ﻣﻲ ﺷﻮﻧﺪ وﻟﻲ ﺑﺮﻧﺎﻣﻪ ﻫﺎي‬
‫‪ AI‬رﺷﺪ و ﺗﻮﺳﻌﻪ ﻣﻲ ﻳﺎﺑﻨﺪ‪.‬‬
‫اﻳﻦ ﻣﻮرد ﺑﺎ ﺗﺸﺨﻴﺺ ﺳﺮﻳﻊ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد ﻛﻪ در اﻳﻦ ﻣﻮرد زﺑﺎﻧﻬﺎي ﻣﻌﻤﻮﻟﻲ ﻣﺎﺑﻴﻦ‬
‫ﺧﺼﻮﺻﻴﺎت ﺳﺎﺧﺘﺎري و ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ‪ ،‬ﻛﺎرﺑﺮدي واﻗﻊ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫در ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻣﺎ ﻣﻤﻜﻦ اﺳﺖ ﻋﻤﻠﻜﺮدﻫﺎي ﺟﺪﻳﺪي را ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ اﻣﺎ ﺳﺎﺧﺘﺎر آﻧﻬﺎ ﺑﺴﻴﺎر‬
‫ﻣﺤﺪودﺗﺮ از ﺳـــﺎﺧﺘﺎرﻫﺎي از ﻗﺒﻞ ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ‪ .‬اﻳﻦ ﻣﻮﺟﺐ ﻣﺤﺪودﻳﺖ اﻧﻌﻄﺎف‬
‫ﭘﺬﻳﺮي و اﺳﺘﻔﺎده از اﻳﻦ ﺗﻮﺳﻌﻪ و ﮔﺴﺘﺮش ﻫﺎ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ LISP‬و ‪ PROLOG‬ﻫﻤﭽﻨﻴﻦ ﻣﻮﺟﺐ ﺳﺎده ﺷﺪن ﻧﻮﺷﺘﻦ ﺗﻮﺻﻴﻒ ﻣﺘﻐﻴﺮﻫﺎي وﻳﮋه ﻳﻚ زﺑﺎن‬
‫ﺧﺎص ﻣﻲ ﺷﻮﻧﺪ‪ .‬در ‪ LISP‬ﺑﺮﻧﺎﻣﻪ ﻫﺎ و اﻃﻼﻋﺎت ﺑﻪ ﮔﻮﻧﻪ ﺳﺎﺧﺘﺎري ﻟﻴﺴﺖ ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻳﻦ‬
‫ﺑﺎﻋــﺚ ﺳــﺎدﮔﻲ ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ اي ﻣﻲ ﺷﻮد ﻛﻪ از ﻛﺪ ‪ LISP‬ﺑﻪ ﻋﻨﻮان داده )‪(Data‬‬
‫اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ در اﻳﻦ ﺻﻮرت ﺑﺎﻋﺚ ﺳﺎده ﺗﺮ ﺷﺪن ﺗﻮﺳﻌﻪ‪ ،‬ﺗﺼﻮﻳﻔﻲ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﺑﺴﻴﺎري از زﺑﺎﻧﻬﺎﻳﻲ ﻛﻪ از ﻧﻈﺮ ﺳﺎﺑﻘﻪ و ﻫﻤﭽﻨﻴﻦ اﻗﺘﺼﺎدي در ﻧﻮع زﺑﺎﻧﻬﺎي ‪ AI‬ﺣﺎﺋﺰ اﻫﻤﻴﺖ‬
‫ﻣﻲ ﺑﺎﺷﻨﺪ‪ ،‬ﻣﺜﻞ ‪ PLANNER‬و ‪ ROSIE‬و ‪ KEE‬و ‪ OPS‬ﺑﺮ اﺳﺎس ﺗﻮاﻧﺎﺋﻲ ﻫﺎي ‪LISP‬‬
‫ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ PROLOG‬اﻳﻦ ﺗﻮاﻧﺎﺋﻲ ﻫﺎ را در ﻗﺎﻟﺐ ﺗﻌﺪادي ”‪ “meta – predicates‬ﻛﻪ ﻗﺎﺑﻞ ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫ﺑﺮاي ﺗﺮﻛﻴﺐ ﺑﺎ دﻳﮕﺮ ﻣﺸﺨﺼﻪ ﻫﺎي ‪ PROLOG‬ﺑﺎﺷﻨﺪ‪ .‬اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ ﻛﻪ در اﻳﻦ ﺻﻮرت‬
‫ﺑﺎﻋﺚ ﺳﺎده ﺷﺪن ﻧﻮﺷﺘﺎري آن ﻣﻲ ﮔﺮدد‪.‬‬
‫ﻫﻤﺮاه ﺑﺎ ‪ LISP‬ﺗﻌﺪادي زﺑﺎﻧﻬﺎي ﺳﻄﺢ ﺑﺎﻻ ‪ AI‬ﺑﺮ اﺳﺎس ‪ PROLOG‬ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ﻛﻪ از‬
‫اﻳﻦ روش اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪-3‬وﺟﻮد ﺳﺎﺧﺘﺎرﻫﺎي ﻣﻔﻴﺪ ﺳﻄﺢ ﺑﺎﻻ‬

‫ﺑﺮﻧﺎ ﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ ﺑﻪ ﻛﻤﻚ ﻳﻚ ﺳﺎﺧﺘﺎر ﻗﻮي ﺳﻄﺢ ﺑﺎﻻ در زﺑﺎن ﺑﻪ وﺟﻮد ﻣﻲ‬
‫آﻳﺪ‪،‬اﻳﻦ ﺳﺎﺧﺘﺎرﻫﺎي ﻗﻮي و ﻛﻠــــﻲ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ اﺟﺎزه ﺗﻮﺳﻌﻪ ﺳﺮﻳﻊ ﺳﺎﺧﺘﺎرﻫﺎي‬
‫وﻳﮋه ﺑﺮاي ﺑﻴﺎن اﻃﻼﻋﺎت ﺗﻮﺻﻴﻔﻲ و ﻛﻨﺘﺮل ﺑﺮﻧﺎﻣﻪ را ﻣﻲ دﻫﻨﺪ‪.‬‬
‫‪39‬‬

‫در ‪ LISP‬اﻳﻨﻬﺎ ﺷﺎﻣﻞ اﺻﻮل اﺳﺎﺳﻲ ﻧﻮع اﻃﻼﻋﺎﺗﺖ ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻮﺟﺐ اﻳﺠﺎد ﺳﺎﺧﺘﺎرﻫﺎي‬
‫ﭘﻴﭽﻴﺪه اﻃﻼﻋﺎﺗﻲ و ﻋﻤﻠﻜﺮدﻫﺎي ﻗﻮي ﺑﺮاي ﺗﻮﺻﻴﻒ ﻋﻤﻠﻴﺎت ﺑﺮ روي آﻧﻬﺎ ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ دﻟﻴﻞ‬
‫اﻳﻨﻜﻪ ‪ LISP‬ﻗﺎﺑﻞ ﮔﺴﺘﺮش ﻣﻲ ﺑﺎﺷﺪ و ﺑﺮاي ﭼﻨﺪﻳﻦ دﻫﻪ اﺳﺖ ﻛﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ‬
‫ﮔﻴﺮد‪ .‬ﻣﻬﻤﺘﺮﻳﻦ و ﻗﻮي ﺗﺮﻳﻦ ﻋﻤﻠﻜﺮدﻫﺎي ﺗﻮﺻﻴﻔﻲ ‪ LISP‬ﻫﻤﺎن ﺧﺼﻮﺻﻴﺎت اﺳﺘﺎﻧﺪارد زﺑﺎﻧﻲ‬
‫آﻧﻬﺎ ﻣﻲ ﺑﺎﺷﺪ‪ .‬وﻳﮋﮔﻴﻬﺎي ﻣﻌﻤﻮل ‪ LISP‬ﺷﺎﻣﻞ ﺟﻴﺪﻫﺎ ﻋﻤﻠﻜﺮد ﺑﺮاي اﻳﺠﺎد ﺳﺎﺧﺘﺎرﻫﺎي‬
‫اﻃﻼﻋﺎﺗﻲ‪ ،‬ﺳﺎﺧﺖ ﺗﺪاﺧﻠﮕﺮﻫﺎ و ﻗﺎﺑﻠﻴﺖ ‪ Edit‬ﻛﺮدن ﺳﺎﺧﺘﺎرﻫﺎي ‪ LISP‬ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ PROLOG‬ﺑﻪ ﻋﻨﻮان ﻳﻚ زﺑﺎن ﻣﻘﺎﻳﺴﻪ اي ﻛﻮﭼﻚ ﻣﻄﺮح اﺳﺖ ﻛﻪ ﺑﺨﺸﻲ از آن ﺑﻪ دﻟﻴﻞ ﻧﻮ‬
‫ﺑﻮدن و ﺑﺨﺶ دﻳـــــﮕﺮ ﺑﻪ دﻟﻴﻞ ﻋﺪم ﺳﺎدﮔﻲ و ﻛﺎﻣﻞ ﺑﻮدن آن اﺳﺖ ﺑﺎ اﻳﻦ ﺣﺎل‬
‫‪ PROLOG‬ﺑﻪ ﻛﺎرﺑﺮﻫﺎ اﺟﺎزة اﻳﺠﺎد ﭘﻴﺸﮕﻮﺋﻲ ﻫﺎي ﺑﻪ ﺧﺼﻮص را ﻣﻲ دﻫﺪ و ﻣﻔﻴﺪﺗﺮﻳﻦ اﻳﻨﻬﺎ‬
‫راه ﺧﻮد را ﺑﺮاي اﺳﺘﺎﻧﺪارد ﺷﺪن ﺑﺎز ﻛﺮده اﻧﺪ‪.‬‬
‫‪-4‬ﭘﺸﺘﻴﺒﺎﻧﻲ ﺑﺮاي ﺳﺎﺧﺖ ‪ Prototype‬اوﻟﻴﻪ‬

‫ﻳﻜﻲ از روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ و ﻣﻬﻢ‪ Prototype ،‬ﺳﺎزي اوﻟﻴﻪ ﻣﻲ ﺑﺎﺷﺪ‪ .‬در‬
‫اﻳﻨﺠﺎ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﻳﻚ راه ﺣﻞ ﺳﺮﻳﻊ ﺑﺮاي ﻣﺴﺌﻠﻪ ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ و از آن ﺑﺮاي ﺟﺴﺘﺠﻮ‬
‫ﻓﻀﺎي ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪ .‬وﻗﺘﻲ ﻛﻪ ﻣﺴﺌﻠﻪ ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﮔﺮﻓﺖ و روش ﺣﻞ آن‬
‫ﻣﺸﺨﺺ ﺷﺪ‪ Prototype ،‬ﻛﻨﺎر ﮔﺬاﺷﺘﻪ ﻣﻲ ﺷﻮد و ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻬﺎﻳﻲ ﻛﻪ ﺗﺄﻛﻴﺪ آن ﺑﺮ روي‬
‫ﺻﺤﺖ و ﻣﺆﺛﺮ ﺑﻮدن ﻣﻲ ﺑﺎﺷﺪ‪ ،‬ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮد‪ .‬ﮔﺮ ﭼﻪ ﻣﺸﻜﻞ اﺳﺖ ﻛﻪ ﭼﻴﺰﻫﺎﻳﻲ را ﻛﻪ زﻳﺎد‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ ﺗﺎ ﺑﺮاي ﺳﺎﺧﺖ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﭙﻴﻮﺗﺮي ﺑﻪ ﻛﺎر روﻧﺪ‪ ،‬ﻛﻨﺎر‬
‫ﮔﺬاﺷﺖ‪ ،‬وﻟﻲ اﻧﺠﺎم ﭼﻨﻴﻦ ﻛﺎري ﺑﺎﻋﺚ ﺻﺮﻓﻪ ﺟﻮﺋﻲ در زﻣﺎن و ﺑﻬﺒﻮد ﻛﻴﻔﻴﺖ ﻧﻬﺎﺋﻲ ﻛﺎر ﻣﻲ‬
‫ﺷﻮد‪ .‬ﺳﺎﺧـــﺘﺎرﻫﺎي اﻳﺠﺎد ﺷﺪه ﺑﻪ وﺳﻴﻠﻪ زﺑﺎﻧﻬﺎي ‪ AI‬ﻋﻤﺪﺗﺎً ﺑﺎﻋﺚ اﻓﺰاﻳﺶ ﺳﺮﻋﺖ ﺗﻮﺳﻌﺔ‬
‫‪Prototype‬ﻫﺎ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪-5‬ﻗﺎﺑﻠﻴﺖ ﺧﻮاﻧﺪن ﺑﺮﻧﺎﻣﻪ و ﻣﺴﺘﻨﺪﺳﺎزي آن‬

‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ اﻏﻠﺐ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ AI‬ﺑﻪ ﻃﻮر ﮔﺴﺘﺮده اي از ﻃﺮﻳﻖ ﺧﻮدﺷﺎن ﺗﻮﺻﻴﻒ ﻣﻲ‬
‫ﺷﻮﻧﺪ وﻟﻲ اﻳﻦ ﻧﻜﺘﻪ ﺣﺎﺋﺰ اﻫﻤﻴﺖ اﺳﺖ ﻛﻪ ﻛﺪ ﺑﺘﻮاﻧﺪ ﻗﺎﺑﻞ ﺧﻮاﻧﺪن و ﻗﺎﺑﻞ ﻣﺴﺘﻨﺪﺳﺎزي‬
‫ﺑﺎﺷﺪ‪ .‬در ﻋﻴﻦ ﺣﺎﻟﻴﻜﻪ ﻫﻴﭻ ﻧﻮع ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﺮاي ﻣﺤﺘﻮي زﺑﺎﻧﻬﺎي ﻣﻌﻤﻮل در ﻛﺪ وﺟﻮد ﻧﺪارد‪،‬‬
‫‪40‬‬

‫وﻟﻲ ﺑﺎ اﻳﻦ ﺣﺎل زﺑـــﺎن ﻫـــﺎي ‪ AI‬ﻫﻤـــﺮاه ﺑـﺎ ‪Module‬ﻫﺎي ﺑﺎ ﺳﺎﺧﺘﺎر ﺳﻄﺢ ﺑﺎﻻ ﺑﺎﻋﺚ‬
‫ﺳﺎده ﺷﺪن اﻳﻦ ﻋﻤﻞ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪-6‬ﻣﻔﺴﺮﻫﺎ‬
‫ﺑﻴﺸﺘﺮ زﺑﺎﻧﻬﺎي ‪ AI‬ﻗﺒﻼً ﺗﺮﺟﻤﻪ ﺷﺪه ﻫﺴﺘﻨﺪ ﻧﻪ اﻳﻨﻜﻪ در ﻃﻮل ﺑﺮﻧﺎﻣﻪ ﺑﺨﻮاﻫﻨﺪ ﺗﺮﺟﻤﻪ ﺷﻮﻧﺪ‪.‬‬
‫اﻳﻦ ﺑﺪان ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﻻزم ﻧﻴﺴﺖ ﺑﻪ ﻣﺪت ﻃﻮﻻﻧﻲ ﻫﺮ زﻣﺎن ﻛﻪ ﻛﺪ ﺗﻐﻴﻴﺮ‬
‫ﻛﺮد ﺑﺮﻧﺎﻣﻪ را ﺗﻌﺮﻳﻒ ﻣﺠﺪد ﻛﻨﺪ‪.‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴﺎﺋﻞ ﻋﻤﻠﻜﺮدي در ﺗﺮﺟﻤﻪ ﻛﺪ‪ ،‬زﺑﺎﻧﻬﺎي ‪ AI‬ﻣﺪرن ﺑﻪ ‪ Module‬ﻫﺎي وﻳﮋه اﺟﺎزه‬
‫ﺗﻌﺮﻳﻒ ﻣﺠﺪد ﺑﺮاي ﻳﻚ ﻣﻮﻗﻌﻴﺖ ﻣﺘﻮﺳﻂ را ﻣﻲ دﻫﻨﺪ ﻛﻪ از اﻳﻦ ﻃﺮﻳﻖ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﺳﻄﺢ‬
‫ﺑﺎﻻﺗﺮ ﺑﻬﺘﺮ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﻋﻼوه ﺑﺮ اﻳﻦ ﺑﺴﻴﺎري از ﻛﺎرﺑﺮدﻫﺎ ﺑﻪ ﺑﺮﻧﺎ ﻣﻪ ﻫﺎ اﺟﺎزه ﺗﻜﻤﻴﻞ‬
‫ﺷﺪن ﻧﻬﺎﻳﻲ ﺑﺮﻧﺎﻣﻪ ﻫﺎ را ﻣﻲ دﻫﻨﺪ‪.‬‬
‫‪-7‬ﻣﺤﻴﻄﻬﺎي ﺗﻮﺳﻌﻪ‬
‫زﺑﺎﻧﻬﺎي ﺟﺪﻳﺪ ‪ AI‬در ﺑﺮﮔﻴﺮﻧﺪه ﻣﺤﻴﻄﻬﺎي ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ اﺑﺰارﻫﺎي اﻳﺠﺎد ﻛﻠﻲ و‬
‫ﻳﺎ ﺑﺨﺸـــﻲ از ﺑﺮﻧﺎﻣﻪ را ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﻨﺪ‪.‬ﺑﺴﻴﺎري از ﻛﺎرﺑﺮدﻫﺎي زﺑﺎﻧﻲ ﺷﺎﻣﻞ وﻳﺮاﻳﺶ‬
‫ﻫﻮﺷﻤﻨﺪ ﻣﻲ ﺷــﻮﻧﺪ ﻛﻪ اﺷﺘﺒﺎﻫﺎت را ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻛﺪ ﻧﻮﺷﺘﺎري در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮد‪ .‬ﺑﻪ دﻟﻴﻞ‬
‫ﭘﻴﭽﻴﺪﮔﻲ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ AI‬و ﻣﺸﻜﻞ ﺑﻮدن ﭘﻴﺶ ﺑﻴﻨﻲ ﻋﻤﻠﻜﺮد ﻫﺮ ﺳﻴﺴﺘﻢ ﺗﻮﻟﻴﺪ‪ ،‬اﻫﻤﻴﺖ اﻳﻦ‬
‫ﭘﺸﺘﻴﺒﺎﻧﻲ ﻫﺎي ﺳﻬﻞ ﻧﻤﻲ ﺗﻮاﻧﺪ ﻗﺎﺑﻞ ﺗﺼﻮر ﺑﺎﺷﺪ‪.‬‬
‫‪Dynamic Binding and constraint propagation‬‬
‫زﺑﺎﻧﻬﺎي ﻣﻌﻤﻮل ﻧﻴﺎز ﺑﻪ اﻳﻦ دارﻧﺪ ﻛﻪ ﺑﻴﺸﺘﺮ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ آن در ﻳﻚ ﻣﺪت زﻣﺎن‬
‫ﺧﺎص ﺗﺸﺨﻴﺺ داده ﺷﻮﻧﺪ‪.‬‬
‫ﺷﺎﻣﻞ اﺗﺼﺎل دادن ﻣﺘﻐﻴﺮﻫﺎ ﺑﻪ ﻣﺤﻴﻂ ﺣﺎﻓﻈﻪ و اﻧﺘﻘﺎل روش ﻫﺎي ﺑﻪ ﻧﺎم ﻫﺎﻳﺸﺎن ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﺎ‬
‫اﻳﻦ ﺣﺎل ﺑﺴﻴﺎري از روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﭘﻴﺸﺮﻓﺘﻪ ﻣﺜﻞ‪ ،‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﺎي ﺷﻲء ﮔﺮا‬
‫ﻧﻴﺎز ﺑﻪ اﻳﻦ اﺗﺼﺎل ﻫﺎ ﺑﺮاي ﺗﺸﺨﻴﺺ دﻳﻨﺎﻣﻴﻜﻲ دارﻧﺪ‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ Prolog‬و ‪ LISP‬ﭘﺸﺘﻴﺒﺎن ﻗﻴﺪﮔﺬاري دﻳﻨﺎﻣﻴﻜﻲ ﻫﺴﺘﻨﺪ‪ .‬از ﻳﻚ ﻧﻘﻄﻪ ﻧﻈﺮ ‪AI‬‬
‫ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﻣﻨﺎﻓﻊ ﻗﻴﺪﮔﺬاري دﻳﻨﺎﻣﻴﻜﻲ ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺳﺎﺧﺘﺎري اﺳﺖ‪.‬‬
‫‪41‬‬

‫اﻏﻠﺐ ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪ AI‬ﻧﻴـــﺎز ﺑﻪ اﻳــــﻦ دارد ﻛﻪ ارزش ﻫﺎي ﻣﺸﺨﺼﻪ‬
‫ﻫﺎي ﺧﺎص ﻧﺎﺷﻨﺎﺧﺘﻪ ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ اﻃﻼﻋﺎت ﻻزم ﺟﻤﻊ آوري ﺷﻮﻧﺪ‪.‬‬
‫اﻳﻦ اﻃﻼﻋﺎت ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﮔﻮﻧﻪ ﻳﻚ ﺳﺮي از ﺳﺎﺧﺘﺎرﻫﺎ ﺑﺮ اﺳﺎس ارزش ﻫﺎ ﺑﺎﺷﺪ ﻛﻪ ﻳﻚ‬
‫ﻣﺘــﻐﻴﺮ از آن اﻧﺘﻈﺎر دارد‪ .‬ﻫﻢ ﭼﻨﺎﻧﻜﻪ ﺳﺎﺧﺘﺎرﻫﺎ ﺟﻤﻊ ﺷﻮﻧﺪ ﻳﻚ ﺳﺮي از اﺣﺘﻤﺎﻻت ﻛﺎﻫﺶ‬
‫ﻣﻲ ﻳﺎﺑﺪ و در ﻧﻬﺎﻳﺖ ﺑﻪ ﻳﻚ راه ﺣﻞ ﻣﻨﺘﻬﻲ ﻣﻲ ﺷﻮد ﻛﻪ ﺗﻤﺎﻣﻲ ﺳﺎﺧﺘﺎرﻫﺎ را ﺗﺤﺖ ﭘﻮﺷﺶ‬
‫ﻣﻄﻠﻮب ﻗﺮار ﻣﻲ دﻫﺪ‪.‬‬
‫ﻳﻚ ﻧﻤﻮﻧﻪ ﺳﺎده از اﻳﻦ ﻧﻈﺮﻳﻪ ﻣﻤﻜﻦ اﺳﺖ در ﻳﻚ ﺳﻴﺴﺘﻢ ﺗﺸﺨﻴﺺ ﭘﺰﺷﻜﻲ دﻳﺪه ﺷﻮد ﻛﻪ‬
‫اﻃﻼﻋﺎت درﺑﺎرة ﻧﻮع ﺑﻴﻤﺎري ﻣﺮﻳﺾ ﺟﻤﻊ آوري ﻣﻲ ﺷﻮد ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ اﻃﻼﻋﺎت ﻣﺮﺑﻮﻃﻪ‬
‫ﻣﺤﺪود ﺑﻪ ﻧﻮع ﺧﺎﺻﻲ از ﺑﻴﻤﺎر ﺷﻮﻧﺪ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻘﺎﻳﺴﻪ اي اﻳﻦ روش از ﻧﻮع ﻣﺘﻐﻴﺮ‬
‫ﻗﻴﺪﮔﺬاري اوﻟﻴﻪ ﻳﺎ ﺗﻮاﻧﺎﻳﻲ ﺣﺼﻮل ﻳﻚ ﻣﺘﻐﻴﺮ ﻧﺎﻣﺮﻛﺐ ﻣﻲ ﺑﺎﺷﺪ در ﺣﺎﻟﻴﻜﻪ آن را در ﻛﺪ‬
‫ﺑﺮﻧﺎﻣﻪ ﺟﻤﻊ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ LISP‬و ‪ PROLOG‬ﺑﻪ ﻣﺘﻐﻴﺮﻫﺎ اﺟﺎزة ﺗﺮﺟﻤﻪ واﻓﺰاﻳﺶ ﻏﻴﺮﻣﺮﻛﺐ را ﻣﻲ دﻫﻨﺪ‪ ،‬در ﺣﺎﻟﻴﻜﻪ‬
‫ﺗﻮﺻـــﻴﻒ ارﺗﺒـــﺎﻃﺎت و واﺑﺴﺘﮕﻲ ﻫﺎي ﺑﻴﻦ اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ و دﻳﮕﺮ واﺣﺪﻫﺎي ﺑﺮﻧﺎﻣﻪ را‬
‫اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ .‬اﻳﻦ ﻣﻮﺟﺐ ﻛﺎرﺑﺮد آﺳﺎن و ﻃﺒﻴﻌﻲ ﻧﻮع ﻗﻴﺪ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ 4-6-3‬ﺗﻌﺎرﻳﻒ ﻣﺸﺨﺺ و واﺿﺢ‪:‬‬

‫ﻻزم اﺳﺖ ﻛﻪ زﺑﺎﻧﻬﺎي ‪ AI‬ﻫﻤﺮاه ﺑﺎ زﺑﺎﻧﻬﺎي دﻳﮕﺮ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺮاي ﺗﻮﺳﻌﻪ ﮔﺴﺘﺮده ﻛﺎﻣﻞ و‬
‫در ﻋﻴﻦ ﺣﺎل ﻣﻨﻄﻘﻲ ﺳﻴﺴﺘﻢ‪ ،‬ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ‪.‬‬
‫ﻣﺘﺄﺳﻔﺎﻧﻪ زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻌﻤﻮل ﻣﺜﻞ ‪ Fortran‬و ﭘﺎﺳﻜﺎل داراي ﺗﻌﺎرﻳﻒ ﻣﺸﻜﻞ و‬
‫ﭘﻴﭽﻴﺪه اي ﻫﺴﺘﻨﺪ اﻳﻦ ﻣﻮارد ﻣﻲ ﺗﻮاﻧﺪ ﻧﺎﺷﻲ از واﻗﻌﻴﺖ ﺧﻮد زﺑﺎن ﺑﺎﺷﺪ ﻛﻪ اﺻﻮﻻً داراي‬
‫ﺧﺼﻮﺻﻴﺎت ﺳﺎﺧﺘﺎري ﺳﻄﺢ ﺑﺎﻻﻳﻲ در ﻛﺎﻣﭙﻴﻮﺗﺮ دارﻧﺪ و در ﺧﻮدﺷﺎن ﺳﻴﺴﺘﻢ ﻫﺎي ﻓﻴﺰﻳﻜﻲ‬
‫و ﭘﻴﭽﻴﺪه اي دارﻧﺪ‪ .‬ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ زﺑﺎﻧﻬﺎي ‪ AI‬داراي اﺳﺎس و ﭘﺎﻳﻪ رﻳﺎﺿﻲ ﻫﺴﺘﻨﺪ ﻣﺜﻞ‬
‫‪ PROLOG‬و ‪، LISP‬آﻧﻬﺎ ﻣﻲ ﺑﺎﻳﺴﺘﻲ ﻣﻌﺎﻧﻲ ﺳﺎده ﺗﺮي ﺑﺎﺷﻨﺪ ﻛﻪ داراي ﻗﺪرت و ﻇﺮاﻓﺖ‬
‫ﻧﻬﻔﺘﻪ در رﻳﺎﺿﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫اﻳﻦ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد ﻛﻪ اﻳﻦ زﺑﺎﻧﻬﺎ ﻋﻤﺪﺗﺎً ﺑﺮاي ﺗﺤﻘﻴﻘﺎت در ﻣﺤﺪودة ﺑﻪ ﻛﺎرﮔﻴﺮي داﻧﺶ‬
‫اﺑﺰارﻫﺎي زﺑﺎن‪ ،‬اﻳﺠﺎد ﺑﺮن اﻣﻪ درﺳﺖ‪،‬و اﺗﻮﻣﺎﺗﻴﻚ ﻛﺮدن ﺗﺄﺛﻴﺮ ﮔﺬاري ﻛﺪ‪ ،‬ﻣﻔﻴﺪ واﻗﻊ ﺷﻮﻧﺪ‪.‬‬
‫‪42‬‬

‫ﻫﻤـــﭽﻨﻴﻦ ﺑـــﺎﻳﺪ ﺗﻮﺟﻪ داﺷﺖ ﻛﻪ ﮔﺮ ﭼﻪ ﻋﻤﻠﻜﺮد ﺑﺴﻴﺎري از ﺑﺮﻧﺎﻣﻪ ﻫﺎي ‪ AI‬ﻛﺎﻣﻼً‬

‫ﭘﻴﭽﻴﺪه ﻣﻲ ﺑﺎﺷﺪ وﻟﻲ ﻛﺪي ﻛﻪ داراي اﻳﻦ ﻋﻤﻠﻜﺮد اﺳﺖ ﺑﺎﻳﺪ ﺳﺎده و ﻣﺸﺨﺺ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻠﻮك ﻫﺎي ﺑﺰرگ ﻣﺮﻛﺐ و ﭘﻴﭽﻴﺪه ﺑﺎ ﻛﺪ ﻣﺸﺨﺺ داراي ‪ AI‬ﻣﻨﺎﺳﺐ ﻧﻤﻲ ﺑﺎﺷﻨﺪ ﻳﻚ زﺑﺎن‬
‫ﺧﻮب ﺗﻮﺻﻴﻒ ﺷﺪه‪،‬ﻳﻚ اﺑﺰار ﻣﻬﻢ ﺑﺮاي درﻳﺎﻓﺖ اﻳﻦ اﻫﺪاف ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ 7-3‬ﺧﻼﺻﻪ اي درﺑﺎرة ‪ LISP‬و ‪:PROLOG‬‬

‫ﺑﻪ وﺳﻴﻠﻪ ﺑﺮآورده ﻛﺮدن ﻧﻴﺎزﻫﺎي ﮔﻔﺘﻪ ﺷﺪه‪ LISP ،‬و ‪ PROLOG‬ﻫﺮ دو داراي زﺑﺎﻧﻬﺎي‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻏﻨﻲ و ﻛﺎﻣﻠﻲ ﻫﺴﺘﻨﺪ وﻗﺘﻲ ﻛﻪ اﻳﻦ زﺑﺎﻧﻬﺎ را ﻓﺮا ﻣﻲ ﮔﻴﺮﻳﻢ‪ ،‬داﻧﺸﺠﻮ در ذﻫﻦ‬
‫و ﻓﻜﺮ درﺑﺎرة روﺷﻬﺎﻳﻲ ﻛﻪ آﻧﻬﺎ ﺑﻪ وﺳﻴﻠﻪ وﻳﮋﮔﻴﻬﺎي ﺧﺎص ﻫﺮ زﺑﺎن ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﻨﻨﺪ‪،‬‬
‫ﻧﻴﺎزﻫﺎ را ﻧﮕﻪ داري ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪:PROLOG 1-7-3‬‬
‫‪ PROLOG‬ﻳﻜﻲ از ﺑﻬﺘﺮﻳﻦ ﻧﻤﻮﻧﻪ و ﻣﺜﺎل ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﻨﻄﻘﻲ اﺳﺖ‪ .‬ﻳﻚ ﺑﺮﻧﺎﻣﻪ‬
‫ﻣﻨﻄﻘﻲ داراي ﻳﻚ ﺳﺮي وﻳﮋﮔﻴﻬﺎي ﻗﺎﻧﻮن و ﻣﻨﻄﻖ اﺳﺖ ‪ PROLOG .‬از ﻣﺤﺎﺳﺒﺔ اوﻟﻴﻪ‬
‫اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪ .‬در ﺣﻘﻴﻘﺖ ﺧﻮد اﻳﻦ ﻧﺎم از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ PRO‬در ‪ LOGIC‬ﻣﻲ آﻳﺪ ﻳﻚ‬
‫ﻣﻔﺴﺮ ﺑﺮﻧﺎﻣﻪ را ﺑﺮ اﺳﺎس ﻳﻚ ﻣﻨﻄﻖ ﻣﻲ ﻧﻮﻳﺴﺪ‪ .‬اﻳﺪه اﺳﺘﻔﺎده ﺗﻮﺻﻴﻔﻲ ﻣﺤﺎﺳﺒﻪ اوﻟﻴﻪ ﺑﺮاي‬
‫ﺑﻴﺎن ﺧﺼﻮﺻﻴﺎت ﺣﻞ ﻣﺴﺌﻠﻪ ﻳﻜﻲ از ﻣﺤﻮرﻳﺖ ﻫﺎي ﻣﺸﺎرﻛﺖ‪ PROLOG‬ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﺮاي‬
‫ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﻪ ﻃﻮر ﻛﻠﻲ و ﺑﻪ ﻃﻮر اﺧﺺ ﺑﺮاي زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮﺷﻤﻨﺪ ﻣﻮرد اﺳﺘﻔﺎده‬
‫ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬ﻧﻔﻊ اﺳﻔﺘﺎده از ﻣﺤﺎﺳﺒﻪ اوﻟﻴﻪ ﺑﺮاي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺷﺎﻣﻞ ﻳﻚ ﺳﺎﺧﺘﺎر ﻇﺮﻳﻒ‬
‫و ﺳﺎده و ﻗﺎﺑﻞ ﻣﻌﻨﻲ ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﻪ دﻟﻴﻞ ﻫﻤﻴﻦ ﺧﺼﻮﺻﻴﺎت اﺳﺖ ﻛﻪ ‪ PROLOG‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺤﺮك اﺻﻠﻲ و ﻣﻔﻴﺪ ﺑﺮاي‬
‫ﺗﺤﻘﻴﻘﺎﺗﻲ ﻣﺜﻞ ﻣﻮارد ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ آزﻣﺎﻳﺸﻲ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻛﺪ‪ ،‬ﻣﺘﻐﻴﺮ ﻛﺮدن ﺑﺮﻧﺎﻣﻪ و‬
‫ﻃﺮاﺣﻲ وﻳـــﮋﮔﻴﻬـﺎي زﺑﺎن ﺳﻄﺢ ﺑﺎﻻ‪ ،‬ﻣﻄﺮح اﺳﺖ‪ PROLOG .‬و دﻳﮕﺮ زﺑﺎﻧﻬﺎي ﻣﻨﻄﻘﻲ‬
‫ﻳﻚ ﺳﺒﻚ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻣﺸﺨﺼﻲ را دﻧﺒﺎل ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ در آﻧﻬﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﻪ ﺻﻮرت‬
‫دﺳﺘﻮرات ﭘﺸﺖ ﺳﺮﻫﻢ و ﻣﺘﻮاﻟﻲ ﺑﺮاي اﻳﺠﺎد ﻳﻚ اﻟﮕﻮرﻳﺘﻢ‪ ،‬ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻳﻦ ﻧﻮع ﺑﺮﻧﺎﻣﻪ‬
‫اﺻﻮﻻً ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ »ﭼﻪ ﭼﻴﺰي درﺳﺖ اﺳﺖ« و »ﭼﻪ ﭼﻴﺰي ﺑﺎﻳﺪ ﺻﻮرت ﮔﻴﺮد«‬
‫و اﻳﻦ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ اﺟﺎزه ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺮ روي ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻪ ﺻﻮرت ﻳﻚ ﺳﺮي‬
‫‪43‬‬

‫ﺧﺼﻮﺻﻴﺎت از ﻳﻚ ﻣﺤﺪوده ﺗﺄﻛﻴﺪ ﻛﻨﺪ ﺗﺎ اﻳﻨﻜﻪ ﺑﺨﻮاﻫﺪ ﺑﻪ ﺟﺰﺋﻴﺎت ﻧﻮﺷﺘﺎري ﺳﻄﺢ ﭘﺎﺋﻴﻦ‬
‫ﺳﺎﺧﺘﺎرﻫﺎي اﻟﮕﻮرﻳﺘﻤﻲ ﺑﺮاي ﺑﻌﺪ ﺑﭙﺮدازد‪.‬‬
‫اوﻟﻴﻦ ﺑﺮﻧﺎﻣﻪ ‪ PROLOG‬در ﻣﺎرﺳﻲ ﻓﺮاﻧﺴﻪ در اواﻳﻞ ‪ 1970‬ﺑﻪ ﻋﻨﻮان ﺑﺨﺸﻲ از زﺑﺎن ﻣﻌﻤﻮل‬
‫ﻳﻚ ﭘﺮوژه ﻧﻮﺷﺘﻪ ﺷﺪ‪ .‬ﺗﺌﻮري ﻧﻬﻔﺘﻪ در ﭘﺸﺖ اﻳﻦ زﺑﺎن در ﻛﺎرﻫﺎي ﻛﻮاﻟﺴﻜﻲ‪،‬ﻫﻴﺰ و دﻳﮕﺮان‬
‫آورده ﺷﺪه اﺳﺖ‪ .‬ﻋﻤﺪة ﺗﻮﺳﻌﺔ ‪ PROLOG‬ﺑﻴﻦ ﺳﺎﻟﻬﺎي ‪ 1975‬ﺗﺎ ‪ 1979‬در ﺑﺨﺶ ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ داﻧﺸﮕﺎه ادﻳﻨﺒﻮرگ ﺻﻮرت ﮔﺮﻓﺖ‪.‬‬
‫در آﻧﺠﺎ ﻳﻚ ﮔﺮوه ﻣﺴﺌﻮﻟﻴﺖ ﻛﺎرﺑﺮد اوﻟﻴﻦ ‪ PROLOG‬را ﺑﻪ ﻋﻬﺪه داﺷﺘﻨﺪ ﻛﻪ آﻗﺎي ‪David‬‬
‫‪ H.D‬ﻣﺴﺌﻮل آن ﺑﻮد‪ .‬اﻳﻦ ﮔﺮوه اوﻟﻴﻦ ‪ PROLOG‬را ﺳﺎﺧﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺴﺖ ﻣﺤﺎﺳﺒﺎت ﻛﻠﻲ‬
‫را اﻧﺠﺎم دﻫﺪ‪ .‬اﻳﻦ ﻣﺤﺼﻮل ﺑﺮ اﺳﺎس ﺳﻴﺴﺘﻢ ‪ DEC-10‬ﺳﺎﺧﺘﻪ ﺷﺪه ﺑﻮد و ﻣﻲ ﺗﻮاﻧﺴﺖ در‬
‫ﻣﺪﻫﺎي ﺗﻮﺻﻴﻔﻲ و ﻣﻘﺎﻳﺴﻪ اي ﻛﺎرآﺋﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺰﻳﺖ اﻳﻦ زﺑﺎن ﺑﻪ وﺳﻴﻠﻪ ﭘﺮوژه ﻫﺎﻳﻲ ﻛﻪ ﺑﺮاي ارزﻳﺎﺑﻲ و ﮔﺴﺘﺮش ﻗﺪرت ﺑﻴﺎن ﺑﺮﻧﺎﻣﻪ ﻫﺎي‬
‫ﻣﻨﻄﻘﻲ ﻧﻮﺷﺘﻪ ﺷﺪه اﻧﺪ‪ ،‬اﺛﺒﺎت ﺷﺪه اﺳﺖ‪.‬‬
‫ﺑﺤﺚ درﺑﺎرة ﻳﻚ ﭼﻨﻴﻦ ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﻣﻲ ﺗﻮاﻧﺪ در ﺳﻤﻴﻨﺎر و ﮔﺮدﻫﻤﺎﺋﻲ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ زﺑﺎن‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﺳﻄﺢ ﺑﻴﻦ اﻟﻤﻠﻠﻲ ﻣﻄﺮح ﺷﻮد‪.‬‬
‫‪:LISP 2 -7-3‬‬
‫‪ LISP‬اوﻟﻴﻦ ﺑﺎر ﺑﻪ وﺳﻴﻠﻪ ‪ JACK MCCARTHY‬در اواﺧﺮ دﻫﻪ ‪ 1950‬ﻣﻄﺮح ﺷﺪ اﻳﻦ زﺑﺎن‬
‫ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺪل ﭘﻴﻮﺳﺘﻪ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺮ اﺳﺎس ﺗﺌﻮري ﻋﻤﻠﻜﺮد ﻣﺠﺪد‪،‬ﻣﻌﺮﻓﻲ ﺷﺪ‪.‬‬
‫در ﻣﻘﺎﻻت اوﻟﻴﺔ ﻣﻚ ﻛﺎرﺗﻲ )‪ (1960‬اﻫﺪاف ﺧﻮد را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪ :‬اﻳﺠﺎد ﻳﻚ زﺑﺎن‬
‫ﺳﻤﺒﻮﻟﻴﻚ ﺗﺎ ﻳﻚ زﺑﺎن ﻣﺤﺎﺳﺒﺎﺗﻲ‪ .‬اﻳﺠﺎد زﺑﺎﻧﻲ ﻛﻪ ﺑﺘﻮان از آن ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺪل‬
‫ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺮ اﺳﺎس ﺗﺌﻮري ﻋﻤﻠﻜﺮد ﻣﺠﺪد اﺳﺘﻔﺎده ﻛﺮد و از آن ﺑﺘﻮان ﺑﺮاي ﺗﻌﺮﻳﻒ دﻗﻴﻖ‬
‫ﻳﻚ ﺳﺎﺧﺘﺎر و ﺗﻌﺮﻳﻒ زﺑﺎﻧﻲ اﺳﺘﻔﺎده ﻛﺮد‪.‬‬
‫ﮔﺮ ﭼﻪ ‪ LISP‬ﻳﻜﻲ از ﻗﺪﻳﻤﻲ ﺗﺮﻳﻦ زﺑﺎﻧﻬﺎي ﻣﺤﺎﺳﺒﺎﺗﻲ اﺳﺖ ﻛﻪ ﻫﻨﻮز ﻓﻌﺎل اﺳﺖ‪ ،‬وﻟﻲ دﻗﺖ‬
‫ﻛﺎﻓﻲ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ و ﻃﺮاﺣﻲ ﺗﻮﺳﻌﻪ ﺑﺎﻋﺚ ﺷﺪه ﻛﻪ اﻳﻦ ﻳﻚ زﺑﺎن ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻓﻌﺎل‬
‫ﺑﺎﻗﻲ ﺑﻤﺎ ﻧﺪ‪.‬‬
‫در ﺣﻘﻴﻘﺖ اﻳﻦ ﻣﺪل ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﻃﻮري ﻣﺆﺛﺮ ﺑﻮده اﺳﺖ‪ ،‬ﻛﻪ ﺗﻌﺪادي از دﻳﮕﺮ زﺑﺎﻧﻬﺎ ﺑﺮ‬
‫اﺳﺎس ﻋﻤﻠﻜﺮد ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ آن واﻗﻊ ﺷﺪه اﻧﺪ ﻣﺜﻞ ‪ ML ،FP‬و ‪. SCHEME‬‬
‫‪44‬‬

‫اﻳﻦ ﻟﻴﺴﺖ اﺳﺎس ﺑﺮﻧﺎﻣﻪ ﻫﺎ و ﺳﺎﺧﺘﺎرﻫﺎي اﻃﻼﻋﺎﺗﻲ در ‪ LISP‬اﺳﺖ‪ LISP ،‬ﺧﻼﺻﻪ ﺷﺪه ﻧﺎم‬
‫ﭘﺮوﺳﻪ ‪ LIS‬اﺳﺖ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻳﻚ ﺳﺮي ﻟﻴﺴﺖ ﻫﺎي ﻋﻤﻠﻜﺮدي درون ﺳﺎﺧﺘﺎري دارد‪.‬‬
‫‪ LISP‬ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﻗﺪرت ﻛﺎﻣﻞ ﺑﺮاي اﺗﺼﺎل ﺑﻪ ﺳﺎﺧﺘﺎرﻫﺎي اﻃﻼﻋﺎﺗﻲ را ﻣﻲ دﻫﺪ‪.‬‬
‫اﺻﻮﻻً ‪ LISP‬ﻳﻚ زﺑﺎن ﻛﺎﻣﻞ اﺳﺖ ﻛﻪ داراي ﻋﻤﻠﻜﺮدﻫﺎ وﻟﻴﺴﺖ ﻫﺎي ﻻزﻣﻪ ﺑﺮاي ﺗﻮﺻﻴﻒ‬
‫ﻋﻤﻠﻜﺮدﻫﺎي ﺟﺪﻳﺪ‪ ،‬ﺗﺸﺨﻴﺺ ﺗﻨﺎﺳﺐ و ارزﻳﺎﺑﻲ ﻣﻌﺎﻧﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺗﻨﻬﺎ ﻫﺪف ﻛﻨﺘﺮل ﺑﺮﻧﺎﻣﻪ ﺑﺎزﮔﺸﺖ و ﺷﺮاﻳﻂ ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد اﺳﺖ‪ .‬ﻋﻤﻠﻜﺮدﻫﺎي ﻛﺎﻣﻞ ﺗﺮ‬
‫ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻻ زم ﺑﺎﺷﺪ در ﻗﺎﻟﺐ اﻳﻦ اﺻﻮل ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮﻧﺪ‪ .‬در ﻃﻲ زﻣﺎن ﺑﻬﺘﺮﻳﻦ‬
‫ﻋﻤﻠﻜﺮدﻫﺎ ﺑﻪ ﻋﻨﻮان ﺑﺨﺸﻲ از زﺑﺎن ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﭘﺮوﺳﻪ ﺗﻮﺳﻌﺔ زﺑﺎن ﺑﻪ وﺳﻴﻠﺔ اﺿﺎﻓﻪ ﻛﺮدن‬
‫ﻋﻤﻠﻜﺮدﻫﺎي ﺟﺪﻳﺪ ﻣﻮﺟﺐ ﺗﻮﺳﻌﻪ ﻣﺤﻮرﻫﺎي زﻳﺎدي از ‪ LISP‬ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ اﻏﻠﺐ ﺷﺎﻣﻞ‬
‫ﺻﺪﻫﺎ ﻋﻤﻠﻜﺮد ﺑﺨﺼﻮص ﺑﺮاي اﻳﺠﺎد اﻃﻼﻋﺎت ﻛﻨﺘﺮل ﺑﺮﻧﺎﻣﻪ‪ ،‬ﺧﺮوﺟﻲ و ورودي‪ Edit ،‬ﻛﺮدن‬
‫ﻋﻤﻠﻜﺮدﻫﺎي ‪ LISP‬ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫اﻳﻦ ارﺗﺒﺎﻃﺎت ﻣﺤﺮﻛﻪ اي ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ‪ LISP‬از ﻳﻚ ﻣﺪل ﺳﺎده و ﻇﺮﻳﻒ ﺑﻪ ﻳﻚ‬
‫ﻣﺪل ﻗﻮي و ﻏﻨﻲ و ﻋﻤﻠﻜﺮدي ﺑﺮاي ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻫﺎي ﻧﺮم اﻓﺰاري ﺑﺰرگ‪ ،‬ﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮد‪.‬‬
‫ﻳﻜﻲ ازﻣﻬﻢ ﺗﺮﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ‪ LISP‬ﺑﺮﻧﺎﻣﻪ ‪ SCHEME‬ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﻳﻚ ﺗﻔﻜﺮ‬
‫دوﺑﺎره درﺑﺎرة زﺑﺎن در آن وﺟﻮد دارد ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﺗﻮﺳﻌﻪ ‪ AI‬وﺑﺮاي آﻣﻮزش اﺻﻮل ﻣﻔﺎﻫﻴﻢ‬
‫ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺷﻲء ﮔﺮا‪:‬‬
‫ﺑﺮﺧﻼف ﺑﺮﻧﺎﻣﻪ ‪ LISP‬و ‪، PROLOG‬ﺑﺮﻧﺎﻣﻪ ﺷﻲء ﮔﺮا رﻳﺸﻪ در ﻣﻬﻨﺪﺳﻲ ﻧﺮم اﻓﺰار دارد‪.‬‬
‫اوﻟﻴﻦ ﺑﺎر در ﺳﺎل ‪ 1970‬ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ‪ Alan Kay‬اﻳﻦ ﺗﺤﻘﻴﻘﺎت ﺻﻮرت ﮔﺮﻓﺘﻪ‬
‫اﺳﺖ‪.‬‬
‫ﺳﺎﺧﺖ اﻳﺪه ﻫﺎ از ﻣﺤﺮك‪ ،‬ﻛﻪ زﺑﺎن ﻧﺮوژي ﺗﻈﺎﻫﺮ ﻣﻲ ﻛﻨﺪ در ﺳﺎل ‪ 1960‬و ﻣﻘﺎﻟﻪ ‪Symour‬‬
‫در اﺳﺘﻔﺎده از ‪ LOGO‬ﺑﺮاي آﻣﻮزش ﻛﻮدﻛﺎن‪ ،‬ﺻﻮرت ﭘﺬﻳﺮﻓﺘﻪ اﺳﺖ‪.‬‬

‫اﺳﺘﻔﺎده از ‪ Dyna book‬ﺑﺮاي اوﻟﻴﻦ ﺑﺎر ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ‪ ،‬ﻛﻪ اﻓﺮادي ﺑﻪ ﻏﻴﺮ‬
‫ﻣﺘﺨﺼﺼﺎن ﻋﻠﻢ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎ آن ﺳﺮوﻛﺎر داﺷﺘﻨﺪ‪.‬‬
‫ﺑـــﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻛﺎرﺑﺮ اﻓﺮاد ﻣﻌﻤﻮﻟﻲ ﺑﻮدﻧﺪ ﺳﻴﺴﺘﻢ ﻋﻤﻠﻜﺮد و ﻛﺎرﺑﺮد ﻧﺮم اﻓﺰار ﻧﺒﺎﻳﺪ‬
‫ﺗﻜﻨﻴﻜﻲ ﻣﻲ ﺑﻮد و ﺑﻪ ﺳﺎدﮔﻲ ﻗﺎﺑﻞ ﺗﺸﺨﻴﺺ ﺑﻮد‪ .‬راه ﺣﻞ آﻧﻬﺎ ﺑﺮاي اﻳﻦ ﻣﺴﺌﻠﻪ ﻳﻚ ﻣﺪاﺧﻠﺔ‬
‫‪45‬‬

‫ﮔﺮاﻓﻴﻜﻲ اﺳﺖ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﻮﻫﺎ و آﻳﻜﻮن ﻫﺎي ﮔﺮاﻓﻴﻜﻲ و اﺷﺎره ﮔﺮﻫﺎ‪ ،‬ﻳﻚ ﻣﻮس ﻳﺎ ﻳﻚ‬
‫ﺳﺮي ﺑﺮﻧﺎﻣﻪ ﻫﺎ ﺑﺮاي ادﻳﺖ ﻛﺮدن‪ ،‬داده ﻫﺎ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫دﺧﺎﻟﺖ ﻛﺎرﺑﺮ در ﻃﺮاﺣﻲ ﻳﻚ ‪ notebook‬ﻣﺘﺄﺛﺮ از ﻃﺮاﺣﻲ ﻛﺎرﺑﺮﻫﺎ ﺑﺮاي ﻳﻚ ﺳﺮي‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﺗﺨﺼﺼﻲ ﻣﺜﻞ ﺳﻴﺴﺘﻢ ﻫﺎي ﺑﻪ ﻛﺎرﮔﻴﺮي ﻛﺎﻣﭙﻴﻮﺗﺮ ﺷﺨﺼﻲ ﻣﺜﻞ ﻣﻜﻴﻨﺘﺎش‪،‬‬
‫ﻣﺎﻛﺮوﺳﺎﻓﺖ و ﻣﺤﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ وﻳﻨﺪوز ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫در ﻳﻚ ﺑﺮﻧﺎﻣﻪ ‪، small talk‬ﻫﻤﻪ ﭼﻴﺰ در ﻗﺎﻟﺐ ﻫﺪف و ﻳﻚ ﺳﺎﺧﺘﺎر ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻣﺮك و‬
‫ﻗﺮاردادي ﻣﻄﺮح ﻣﻲ ﺷﻮد‪ .‬اﻫﺪاف ﻧﻪ ﻓﻘﻂ ﺷﺎﻣﻞ اﻧﻮاع اﻃﻼﻋﺎت ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺑﻠﻜﻪ ﺷﺎﻣﻞ‬
‫اﻧﻮاع روﺷﻬﺎي ﻻزم ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺣﺎﻟﺖ و وﺿﻌﻴﺖ ﻫﺪف ﻧﻴﺰ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ارزﺷﻬﺎي ﻳﻚ ﻫﺪف ﺑﻪ ﺻﻮرت ﻛﻼس ﻫﺎ ﺑﻴﺎن ﻣﻲ ﺷﻮد‪ .‬اﻫﺪاف ﻣﻤﻜﻦ اﺳﺖ اﻫﺪاف ﻃﺒﻘﻪ‬
‫ﺑﻨﺪي ﺷﺪه ﻛﻪ ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪة ﺗﻤﺎﻣﻲ ﻣﻮاد ﻳﻚ ﻧﻤﻮﻧﻪ ﺑﺎﺷﺪ و ﺑﻴﺎﻧﮕﺮ ﻧﻮع ذات و ﺗﻮﺻﻴﻒ ﺗﻤﺎ‬
‫ﻣﻲ ﻣﻮارد ﻳﺎ ﻣﻮاردي ﻛﻪ ﺑﻴﺎﻧﮕﺮ ﻳﻚ ﻋﻀﻮ واﺣﺪ ﻫﺴﺘﻨﺪ را ﺷﺎﻣﻞ ﺷﻮد‪.‬‬
‫وﻗﺘﻲ ﻣﻮاردي از ﻳﻚ ﻧﻮع اﻃﻼﻋﺎت ﺑﻪ وﺳﻴﻠﻪ اﻫﺪاف ﺗﻮﺻﻴﻒ ﻣﻲ ﺷﻮد اﻳﻦ ﻣﻮارد ذاﺗﺎً داراي‬
‫ﻧﻮع ﺗﻮﺻﻴﻒ و روﺷﻬﺎي ﺗﻮﺻﻴﻔﻲ از ﻋﻤﻠﮕﺮﻫﺎﻳﺸﺎن ﻣﻲ ﺑﺎﺷﻨﺪ‪،‬ﺑﺮاي ﺷﻜﻞ دادن ﻳﻚ ﻋﻤﻠﻴﺎت‬
‫ﺑﺮ روي ﻳﻚ ﻫﺪف‪ ،‬ﻳﻚ ﭘﻴﺎم ﺑﻪ ﺳﻤﺖ ﻫﺪف ﻓﺮﺳﺘﺎده ﺷﺪه ﻛﻪ ﺣﺎﺻﻞ روش ﻣﻨﺎﺳﺒﻲ ﻣﻲ‬
‫ﺑﺎﺷﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬اﺿﺎﻓﻪ ﻛﺮدن ‪ 3‬و ‪ 4‬ﭘﻴﺎم ‪ +4‬ﺑﻪ ﺳﻤﺖ ﺷﻲء ‪ 3‬ﻓﺮﺳﺘﺎده ﻣﻲ ﺷﻮد و ‪3‬‬
‫ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ ﻣﻲ ﺷﻮد ‪. 7‬‬
‫ﺑﻪ وﺳﻴﻠﻪ اﻳﺠﺎد اﻧﻮاع ﺗﺮﻛﻴﺐ اﻃﻼﻋﺎت و ﻋﻤﻞ ﺑﺮ روي آﻧﻬﺎ در ﻳﻚ ﻋﻤﻞ واﺣﺪ ﻣﺮﺑﻮط ﺑﻪ‬
‫ﻫﺪف‪ small talk ،‬از ﻛﺪ ‪) Modular‬ﭘﻴﻤﺎﻧﻪ اي( ﺗﻮﺳﻌﻪ و ﻧﻮع ﻛﺎرﺑﺮد ﺑﺮاي ﻋﻨﺎﺻﺮ اﻃﻼﻋﺎت و‬
‫ﻛﺪ ﻣﺮﺑﻮط ﺑﻪ ﺗﻜﺜﻴﺮ آﻧﻬﺎ‪ ،‬ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ اﻫﺪاف ‪ small talk‬در ﻗﺎﻟﺐ ﻳﻚ ﻛﻼس ﺷﺒﻜﻪ اي ﻫﻤﺮاه ﺑﺎ اﻫﺪاف ﻛﺎﻣﻼً وﻳﮋه‬
‫ﻛﻪ ﺑﺨﺸﻲ از ﺗﻤﺎﻣﻲ روش ﻫــﺎي ﻛﺎﻣﻼً ﻛﻠﻲ اﺳﺖ ‪ ،‬ﺑﺴﻴﺎر ﺳﺎده اﺳﺖ ﻛﻪ ﻳﻚ ﺳﺎﺧﺘﺎر ﺟﺪﻳﺪ‬
‫ﺑﺮﻧﺎﻣﻪ اي ﺗﻮﺻﻴﻒ ﻛﻨﻴﻢ ﻛﻪ ﻋﻤﻼً ﺑﺎ اﻫﺪاف ﻣﻮﺟﻮد در ﺑﺮﻧﺎﻣﻪ ﻫﻤﺮاه ﺑﺎﺷﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻳﻚ ﺑﺮﻧﺎﻣﻪ‬
‫اﺻﻮﻻً ﻣﻲ ﺗﻮاﻧﺪ ﻗﺪرت ﻛﺎﻣﻞ ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﺎﺷﺪ ﻛﻪ ﺷﺎﻣﻞ ﮔﺮاﻓﻴﻚ‪،‬ﺑﺎزﻧﮕﺮي و ارﺗﺒﺎط اﺳﺖ‪.‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ روش ﻫﺎي ﺗﻮﺳﻌﻪ ﻧﺮم اﻓﺰاري ﻣﺜﻞ اراﺋﻪ اﻃﻼﻋﺎت و زﺑﺎﻧﻬﺎي ﻧﻬﻔﺘﻪ‪ ،‬ﻓﺸﺎر ﺑﺮ‬
‫اﭘﺮاﺗﻮر و اﺳﺘﻔﺎده از ﻛﺪﻫﺎ از ﻃﺮﻳﻖ ﻳﻚ ﮔﺮوه اﺻﻠﻲ و زﺑﺎﻧﻬﺎي ﻧﻬﻔﺘﻪ در ﻗﺎﻟﺐ ﻳﻚ ﻣﺪل راﻳﺞ‬
‫ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪46‬‬

‫زﺑﺎﻧﻬﺎي ﺷﻲءﮔﺮا ﻫﻤﺮاه ﺑﺎ ﺑﺴﻴﺎري از ﺧﺼﻮﺻﻴﺎت ﻣﻨﺪرج در ﻳﻚ ﻛﻼس اﻃﻼﻋﺎﺗﻲ‪ ،‬ﺷﺎﻣﻞ‬

‫ﻛﻼس اﺻﻠﻲ و ﺗﻮاﻧﺎﻳﻲ ﭘﺎﺳﺦ در ﺳﺎﺧﺘﺎر اﻃﻼﻋﺎت ﻣﻲ ﺷﻮد ﺑﻪ ﻫﻤﻴﻦ دﻻﻳﻞ زﺑﺎﻧﻬﺎي ﺷﻲءﮔﺮا‬
‫در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪ AI‬اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 8-3‬ﻣﺤﻴﻄﻬﺎي ﻫﻴﺒﺮﻳﺪ‪:‬‬
‫ﻧﻴﺎز ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﻃﻼﻋﺎﺗﻲ ﻣﻮﺟﺐ ﺗﻮﺳﻌﺔ ﺗﻌﺪادي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ و ﺗﻜﻨﻴﻚ ﻫﺎي زﺑﺎن‪،‬‬
‫ﺷﺎﻣﻞ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﻮﻟﻴﺪ‪،‬ﻗﻮاﻧﻴﻦ و ﻛﻼس ﺷﻲءﮔﺮا ﻣﻲ ﺷﻮد‪.‬‬
‫ﻳﻚ ﺳﻴﺴﺘﻢ ﻫﻴﺒﺮﻳﺪ ﺑﻴﺎﻧﮕﺮ ﻧﻤﻮﻧﻪ ﻫﺎي ﭼﻨﺪ ﻣﻨﻈﻮره در ﻗﺎﻟﺐ ﻳﻚ ﻣﺤﻴﻂ ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ‬
‫ﺧﺎص ﻣــﻲ ﺑﺎﺷﺪ‪ .‬ﮔﺮ ﭼﻪ ﻣﺤﻴﻄﻬﺎي ﻫﻴﺒﺮﻳﺪ ﻣﺘﻔﺎوت ﻣﻲ ﺑﺎﺷﺪ‪ .‬وﻟﻲ ﻋﻤﻮﻣﺎً ﺷﺎﻣﻞ‬
‫ﺧﺼﻮﺻﻴﺎت ذﻳﻞ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 1-8-3‬ﻧﻤﺎﻳﺶ ﺷﻲء ﮔﺮا از ﻣﺤﺪوده اﺷﻴﺎء‬

‫ﻳﻚ ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ذاﺗﺎً وﻳﮋﮔﻴﻬﺎي ﻛﻼس را ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﻨﻨﺪ و اﻏﻠﺐ ﺷﺎﻣﻞ ﻳﻚ‬
‫ﻣﻜﺎﻧﻴﺴﻢ اﻧﺘﻘﺎل ﭘﻴﺎم ﺑﺮاي ﻋﻜﺲ اﻟﻌﻤﻞ ﻫﺪف ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ 2-8-3‬ﻗﻮاﻧﻴﻦ ﻧﻤﺎﻳﺶ اﻃﻼﻋﺎت ‪neuristic‬‬
‫ﮔﺮ ﭼﻪ ﭼﻬﺎرﭼﻮب اﻫﺪاف ﺑﻪ ﻣﻌﻨﻲ ﺗﻮﺻﻴﻒ ﻃﺒﻘﻪ ﺑﻨﺪي اﻫﺪاف‪ ،‬ﻣﻲ ﺑﺎﺷﻨﺪ‪ .‬ﻗﻮاﻧﻴﻦ ﺑﻪ ﻋﻨﻮان‬
‫ﻋﻤﺪة ﻧﻈﺮ ﺗﻮﺻﻴﻒ ﻣﺴﺎﺋﻞ اﻃﻼﻋﺎﺗﻲ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﺳﺎﺧﺘﺎر ‪ ..… then …. if‬ﻣﻨﺎﺳﺐ ﺷﻴﻮة ﺗﺨﺼﺺ اﻧﺴﺎﻧﻲ اﺳﺖ ﻛﻪ ﺑﻴﺎﻧﮕﺮ ﭘﺮوﺳﺔ ﺗﺼﻤﻴﻢ ﮔﻴﺮ‬
‫اﺳﺖ‪ .‬ﻗﻮاﻧﻴﻦ درﻳﺎﻓﺖ اﻃﻼﻋﺎﺗﻲ از اﻫﺪاف را دارﻧﺪ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻳﻚ زﺑﺎن ﻛﻪ ﻣﺴﺘﻘﻴﻤﺎً در‬
‫ﭼﺎرﭼﻮب ﻳﻚ ﻫﺪف ﻣﻲ ﺧﻮاﻧﺪ و ﻣﻲ ﻧﻮﻳﺴﺪ و ﻳﺎ ﺑﻪ وﺳﻴﻠﺔ اﺳﺘﻔﺎده از ﭘﻴﺎم ﻛﻪ ﻣﺴﺘﻘﻴﻤﺎً وارد‬
‫ﻫﺪف ﻣﻲ ﺷﻮد ﺻﻮرت ﻣﻲ ﭘﺬﻳﺮد‪.‬‬
‫‪ 3-8-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از اﻧﻮاع روش ﻫﺎي ﺟﺴﺘﺠﻮ‬

‫ﺑﻴﺸﺘﺮ ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺟﺴﺘﺠﻮي اوﻟﻴﻪ و اﻧﺘﻬﺎﻳﻲ ﺣﻤﺎﻳﺖ ﻣﻲ ﻛﻨﻨﺪ ﻋﻤﻮﻣﺎً ﺑﻴﺎن‬
‫ﻳﻚ ﻫﺪف در ﻗﺎﻟﺐ ﺟﺴﺘﺠﻮﻳﻲ ‪،‬ﺗﻐﻴﻴﺮ ﺑﻪ ﺳﻤﺖ ﻋﻘﺐ ﻣﻲ ﺑﺎﺷﺪ ‪ .‬ﻋﻼوه ﺑﺮ اﻳﻦ ﻳﻚ واﻗﻌﻴﺖ‬
‫‪7‬‬

‫ﺗﺎزه درﺑﺎرة ﺣﺎﻓﻈﻪ ﻛﺎرﻛﺮد ﻣﻤﻜﻦ اﺳﺖ اﻳﺠﺎد ﻋﻠﺖ ﻫﺎي اوﻟﻴﻪ از ﻗﻮاﻧﻴﻦ ﻛﻨﺪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ‬
‫اﻳﻦ واﻗﻌﻴﺖ ﺟﺪﻳﺪ ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ 4-8-3‬ﺗﻮﺻﻴﻒ داﻣﻨﺔ ﻛﺎرﺑﺮد ﻋﻤﻠﻜﺮد ﻣﺘﻘﺎﺑﻞ و ﺗﺄﺛﻴﺮات ﺟﺎﻧﺒﻲ‬

‫ﻳﻚ ‪ demon‬ﻓـــﺮآﻳﻨﺪي اﺳـــﺖ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﻋﻤﻠﻜﺮدﻫﺎي ﺟﺎﻧﺒﻲ ﺑﻌﻀﻲ از اﻋﻤﺎل‬
‫ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد‪ .‬ﻳﻚ ﻧﻤﻮﻧﻪ از اﺳﺘﻔﺎده ‪ demon‬ﻛﻨﺘﺮل در ﻳﻚ ﺳﻴﺴﺘﻢ زﻣﺎﻧﻲ اﺳﺖ ﻛﻪ‬
‫ﺑﻴﺎﻧﮕﺮ دوره اي در ﻣﺎﻧﻴﺘﻮر ﻳﻚ ﭼﺎﭘﮕﺮ و ﻳﺎ دﻳﮕﺮ وﺳﺎﻳﻞ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ demon‬ﺑﻪ وﺳﻴﻠﻪ ﻳﻚ زﻣﺎن ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد‪ .‬ﻣﺤﻴﻄﻬﺎي ‪ AI‬اﻳﻦ اﻳﺪه را ﺗﻮﺳﻌﻪ ﻣﻲ دﻫﻨﺪ و‬
‫ﺑﺎﻋﺚ اﻳﺠﺎد ‪ demon‬ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻫﺪف ﺗﻮﻟﻴﺪ ﻳﺎ ﺗﻮﺻﻴﻒ ﺷﻮد ﺑﻪ ﻛﺎر ﻣﻲ آﻳﻨﺪ‪.‬‬
‫ﭼﻨﻴﻦ ‪demon‬ﻫﺎﻳﻲ ﺑﺮاي ﺑﻪ زﻣﺎن ﻧﮕﻪ داﺷﺘﻦ ﻳﻚ ﻧﺸﺎﻧﮕﺮ در ﭘﺎﺳﺦ ﺑﻪ ﺗﻐﻴﻴﺮ ﻣﻘﺪار ﻣﻮرد‬
‫اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ Demon .‬ﻫﺎي ﻣﻬﻢ و ﻣﻄﺮح اﺻﻮﻻً داراي ﻣﻘﺎدﻳﺮي ﻣﺘﻐﻴﺮ ﻣﻲ ﺑﺎﺷﺪ‬
‫ﻛﻪ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ارزش ﻣﺘﻐﻴﺮ ﺗﻐﻴﻴﺮ ﻛﻨﺪ ‪ demon‬ﺧﻮاﻧﺪه ﺷﺪه و وﻗﺘﻲ ﻛﻪ اﻳﻦ اﺗﻔﺎق اﻓﺘﺎد‬
‫‪ demon‬اﻳﺠﺎد و ﺧﻠﻖ ﻣﻲ ﺷﻮد ﻛﻪ اﻳﻦ وﻗﺘﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﻳﻚ ﻣﻘﺪار ﺧﻠﻖ ﺷﺪه ﺑﺎﺷﺪ و‬
‫ارزش ﻫﺎ در ﻗﺎﻟﺐ ﮔﺮاﻓﻴﻜﻲ ﻓﻌﺎل ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ اﻳﻦ ﻓﻌﺎﻟﻴﺖ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺘﻐﻴﺮ ﺑﺎﺷﺪ‪.‬‬
‫‪ 5-8-3‬ﺗﺪاﺧﻠﮕﺮﻫﺎي ﮔﺮاﻓﻴﻜﻲ‬
‫اﻳﻨﻬﺎ ﺷﺎﻣﻞ ﻳﻚ ﻃﻴﻔﻲ از اﻣﻜﺎﻧﺎﺗﻲ ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ اﺟﺎزه ﺗﺪاوم و دﻧﺒﺎل ﻛﺮدن ﻣﻮارد را ﻣﻲ‬
‫دﻫﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻧﺸﺎﻧﮕﺮﻫﺎي ﮔﺮاﻓﻴﻜﻲ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺳﺎﺧﺘﺎر ﻗﻮاﻧﻴﻦ ﻳﻚ اﺻﻞ اﻃﻼﻋﺎﺗﻲ را‬
‫ﺑﻪ ﺻﻮرت ﻳﻚ درﺧﺖ ﺗﻮﺻﻴﻒ دﻫﻨﺪ‪ .‬ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﺧﺼﻮﺻﻴﺎت ﻣﺤﻴﻄﻬﺎي‬
‫ﻫﻴﺒﺮﻳﺪ‪،‬ﺗﻮاﻧﺎﺋﻲ اﺗﺼﺎل ﺑﺎ اﺳﺘﻔﺎده از ‪ demon‬ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﻪ ﺻﻮرت ﻳﻚ ﻧﺸﺎﻧﮕﺮ ﮔﺮاﻓﻴﻜﻲ‬
‫ﻣﺘﺼﻞ ﺑﻪ ﺷﻲء و ﻫﺪف ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻛﻪ اﻳﻦ ﻣﻮﺟﺐ ﻋﻤﻠﻜﺮد ﮔﺮاﻓﻴﻜﻲ ﺑﺮاي ﺑﻴﺎن زﻣﺎن واﻗﻌﻲ‬
‫ﻧﺸﺎﻧﮕﺮ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ در ﺣﻘﻴﻘﺖ ﺑﻴﺸﺘﺮ ﻣﺤﻴﻂ ﻫﺎ داراي ﻳﻚ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺳﻄﺢ ﺑﺎﻻي از داده‬
‫ﻫﺎي ﮔﺮاﻓﻴﻜﻲ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ 6-8-3‬اﺟﺘﻨﺎب از زﺑﺎﻧﻬﺎي زﻳﺮﻳﻦ‬

‫روﺷﻬﺎﻳﻲ ﻛﻪ در ﻗﺎﻟﺐ ﻳﻚ زﻣﺎن ﺧﺎص ﻳﺎ ﭘﺎﺳﺨﮕﻮ ﻣﻲ ﺑﺎﺷﻨﺪ ﺑﻪ وﺳﻴﻠﻪ ﻣﺤﻴﻂ و ﻳﺎ اﻏﻠﺐ‬
‫اوﻗﺎت ‪ LISP‬و ‪ PROLOG‬ﻳﺎ ﺣﺘﻲ و ﻳﺎ ﭘﺎﺳﻜﺎل ﺗﻮﺻﻴﻒ ﺷﺪه اﻧﺪ ﻛﻪ اﻳﻦ ﻣﻮﺟﺐ ﺗﻮﺻﻴﻒ‬
‫‪48‬‬

‫ﻃﻴﻔﻲ ﻓﺮآﻳﻨﺪ اﻃﻼات و ﻫﻢ ﭼﻨﻴﻦ ﻳﻚ ﺑﺮﻧﺎﻣﻪ اﻃﻼﻋﺎﺗﻲ ﻛﻪ ﻃﻴﻒ وﺳﻴﻌﻲ از زﺑﺎﻧﻬﺎي ﻛﻪ‬
‫ﺷﻜﻞ دﻫﻨﺪه ﻫﻨﺪﺳﻲ‪ ،‬ﺟﻬﺖ ﻫﺎ و ﺳﻨﺴﻮرﻫﺎ و ﻳﺎ دﻳﮕﺮ ﻋﻤﻠﻜﺮدﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﺻﻮرت ﺑﻬﺘﺮي‬
‫در ﻗﺎﻟﺐ روﺷﻬﺎي اﻟﮕﻮرﻳﺘﻤﻲ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد را ﺷﺎﻣﻞ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ 7-8-3‬ﺗﻮاﻧﺎﺋﻲ ﺗﺮﺟﻤﻪ اﻃﻼﻋﺎت ﺟﻬﺖ اﺟﺮاي ﺳﺮﻳﻌﺘﺮ ﻳﺎ ﺗﺤﻮﻳﻞ روي ﻳﻚ ﻣﺎﺷﻴﻦ ﻛﻮﭼﻜﺘﺮ‬
‫وﻗﺘﻲ ﻛﻪ ﺑﺮﻧﺎﻣﻪ ﺷﻲء ﮔﺮا ﻛﺎﻣﻞ ﺷﺪ‪ .‬ﻳﻚ ﻣﺤﻴﻂ ﻛﺎﻣﻞ و ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻏﻠﺐ ‪ ،‬ﺑﻠﻨﺪي اﺳﺖ ﻛﻪ‬
‫ﺑﻪ ﺗﺪرﻳﺞ اﻓﻮل ﻣﻲ ﻛﻨﺪ و ﭘﺎﺋﻴﻦ ﻣﻲ آﻳﺪ ﺑﻴﺸﺘﺮ ﻣﺤﻴﻂ ﻫﺎي ﻣﺪرن ‪ AI‬اﺟﺎزه ﻛﺎرﺑﺮد ﺳﺮﻳﻌﺘﺮ‬
‫و ﺳﺎده ﺗﺮ را ﻛﻪ اﻏﻠﺐ ﻛﻮﭼﻜﺘﺮ و ارزاﻧﺘﺮ اﺳﺖ را در ﻳﻚ ﻣﺎﺷﻴﻦ ﺗﺮﺟﻤﻪ اﻳﺠﺎد ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ 8-8-3‬ﻳﻚ ﻧﻤﻮﻧﻪ ﻫﻴﺒﺮﻳﺪ‬
‫ﺑﺴﻴﺎري از ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﻄﻠﻮب اﺻﻮﻻً از ﻃﺮﻳﻖ اﺷﻴﺎ‪ ،‬ارﺗﺒﺎﻃﺎت و ﻛﻨﺶ و واﻛﻨﺶ ﻣﺘﻘﺎﺑﻞ ﺑﻴﻦ‬
‫آﻧﻬﺎ واﻗﻊ ﻳﻢ ﺷﻮد در ﺷﻜﻞ زﻳﺮ ﻳﻚ ﻧﻤﻮﻧﻪ اﺗﺼﺎل ﺑﻪ وﺳﻴﻠﻪ ﺑﺎﻃﺮي ﻫﻤﺮاه ﺑﺎ ﻳﻚ ﺳﻮﺋﻴﭻ ﺑﺮاي‬
‫ﻳﻚ ﻻﻣﭗ )ﺷﻜﻞ ‪ (364‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪.‬‬
‫ﻻﻣﭗ‪ ،‬ﺑﺎﻃﺮي و ﺳﻮﺋﻴﭻ ﻣﻤﻜﻦ اﺳﺖ ﻫﺮ ﻛﺪام ﺑﻪ وﺳﻴﻠﻪ ﻛﻼﺳﻬﺎ ﺑﻴﺎن ﺷﻮﻧﺪ ﻛﻪ ﺑﻴﺎﻧﮕﺮ‬
‫وﻳﮋﮔﻴﻬﺎي ﺑﺎﻃﺮي‪ ،‬ﺳﻮﺋﻴﭻ و ﻻﻣﭗ ﺑﺎﺷﺪ ‪ .‬ﻣﺸﺨﺼﻪ ﻫﺎي اﻟﻜﺘﺮوﻧﻴﻜﻲ ﺷﻜﻞ ‪ 2‬ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ‬
‫ﻋﻨـــﻮان ﻣﻮارد ﺑﺨﺼﻮﺻﻲ از اﻳﻦ ﻛﻼس ﻫﺎي ﻛﻠﻲ ﺑﻴﺎن ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻛﻪ‬
‫ﻧﻤﻮﻧﻪ ﻫﺎ داراي ﻣﻘﺎدﻳﺮ ﻧﻤﻮﻧﻪ اي ﻣﺮﺑﻮط ﺑﻪ ﻛﻼس ﺧﺎص ﺷﻲء ﻣﺮﺑﻮط ﺑﻪ ﺧﻮد ﻣﻲ ﺷﻮﻧﺪ ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﺳﻮﺋﻴﭻ ‪ 1‬در ﺣﺎﻟﺖ ﺧﺎﻣﻮش ﻗﺮار ﮔﻴﺮد‪ .‬ﻗﺴﻤﺖ ﻛﻨﺘﺮل ﻛﻪ ﻣﺮﺑﻮط ﻣﻲ ﺷﻮد‬
‫ﺑﻪ ﻻﻣﭗ ‪ 1‬ﺗﺤﺖ ﺗﺄﺛﻴﺮ ﻗﺮار ﺧﻮاﻫﺪ ﮔﺮﻓﺖ ﻛﻪ اﻳﻦ ﻣﻮارد در ﺷﻜﻞ زﻳﺮ ﻧﺸﺎن داده ﺷﺪه اﻧﺪ‪.‬‬
‫ﻳﻚ ﻗﺎﻧﻮن ﻣﻤﻜﻦ اﺳﺖ در اﻳﻨﺠﺎ ﺑﻪ وﺟﻮد ﺑﻴﺎﻳﺪ ﻛﻪ ‪:‬‬
‫اﮔﺮ ﻧﻮر وارد ‪ AND‬ﻧﺸﻮد‪ ،‬ﺳﻮﺋﻴﭻ ‪ AND‬را ﺑﺴﺘﻪ و ﺑﺎﻃﺮي درﺳﺖ اﺳﺖ ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎﻳﺪ ﺑﻪ‬
‫ﻗﺴﻤﺘﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ آﺳﻴﺐ دﻳﺪه ﺑﺎﺷﺪ ﻣﺮاﺟﻌﻪ ﻛﺮد‪.‬‬
‫در ﻧﻤﺎﻳﺶ ﻫﻴﺒﺮﻳﺪ ﻗﻮاﻧﻴﻦ داراي وﻳﮋﮔﻴﻬﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﻴﺸﺘﺮ ﺑﻴﺎﻧﮕﺮ ﻣﻘﺪار اﻫﻤﻴﺖ ﻛﻼﺳﻬﺎ‬
‫و اﺷﻴﺎء ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬ﻛﻪ در ﺷﻜﻞ ‪ 3‬ﺑﻪ آن اﺷﺎره ﺷﺪه اﺳﺖ‪ .‬اﻳﻦ ﻗﺎﻧﻮن ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﻋﻨﻮان‬
‫ﺑﺨﺸﻲ از ﻗﺎﻧﻮن اوﻟﻴﻪ ﺳﻴﺴﺘﻢ در ﺗﻼش ﺑﺮاي ﺑﻪ ﺟﺮﻳﺎن اﻧﺪاﺧﺘﻦ اﻳﻦ ﻣﺪار ﺑﺎﺷﺪ ﻛﻪ در ﺟﺎي‬
‫دﻳﮕﺮ ﺑﺮاي راه اﻧﺪازي ﺳﻮﺋﻴﭻ ﻛﻨﺘﺮل ﺑﺮاي ﺣﺎﻻت ﻣﺘﻐﻴﺮ اﺳﺖ‪.‬‬
‫‪49‬‬

‫‪ 9-8-3‬اﻧﺘﺨﺎب زﺑﺎن ﻛﺎرﺑﺮدي‬

‫ﻫﻤﺎﻧﮕﻮﻧﻪ ﻛﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ ﻣﺮﺣﻠﻪ رﺷﺪ ﻣﻲ رﺳﺪ وﻗﺎﺑﻠﻴﺖ ﻫﺎي ﺧﻮد را در ﻃﻴﻒ وﺳﻴﻌﻲ‬
‫از ﻣﺴﺎﺋﻞ ﻛﺎرﺑﺮدي ﺑﻪ اﺛﺒﺎت ﻣﻲ رﺳﺎﻧﺪ اﻋﺘﻤﺎد ﺑﻪ ‪ LISP‬و ‪ PROLOG‬ﻧﻴﺰ ﻣﺪﻧﻈﺮ ﻣﻲ ﺑﺎﺷﺪ‪،‬‬
‫ﻣﻮارد ﻣﺮﺑﻮط ﺑﻪ ﺗﻮﺳﻌﺔ ﻧﺮم اﻓﺰاري‪ ،‬ﻫﻤﺎﻧﻨﺪ ﻧﻴﺎز ﺑﻪ ﺗﺪاﺧﻠﮕﺮﻫﺎ ﺑﻪ ﺻﻮرت ﺳﺎده وآﺳﺎن ﻫﻤﺮاه‬
‫ﺑﺎ ﻳﻚ ﻛﺪ ﻣﻨﻄﻘﻲ ﺗﺎ اﺳﺘﻔﺎده از ‪ AI‬در ‪Module‬ﻫﺎي ﻛﻮﭼﻜﺘﺮ و ﻳﺎ ﺑﺰرﮔﺘﺮ در ﺑﺮﻧﺎﻣﻪ ﻫﺎ و ﻧﻴﺎز‬
‫ﺑﻪ اﻳﺠﺎد ﺗﻮﺳﻌﻪ اﺳﺘﺎﻧﺪارد ﻣﺘﺄﺛﺮ از ﻣﺸﺘﺮﻳﺎن دوﻟﺘﻲ و ﻳﺎ ﮔﺮوﻫﻲ ﻣﻮﺟﺐ ﺗﻮﺳﻌﺔ ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫‪ AI‬در اﻧﻮاع زﺑﺎﻧﻬﺎي ﻣﺜﻞ ‪ , C++ Java ،C‬و ‪ Smalltalk‬ﺷﺪه اﺳﺖ‪.‬‬
‫ﻛــﻪ زﺑــﺎﻧﻬﺎي ‪ LISP‬و ‪ PROLOG‬ﻛﺎر ﺧﻮد را در ﻣﺤﺪودة ﺗﻮﺳﻌﻪ و ‪ Prototype‬ﺳﺎزي‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ‪ AI‬در ﺻﻨﻌﺖ و داﻧﺸﮕﺎﻫﻬﺎ دﻧﺒﺎل ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﻳـــﻚ اﻃـــﻼﻋﺎت و داﻧﺶ ﻛﺎرﺑﺮدي ﻣﺮﺑﻮط ﺑﻪ اﻳﻦ زﺑﺎﻧﻬﺎ ﺑﻪ ﻋﻨﻮان ﺑﺨﺸﻲ از ﻣﻬﺎرت ﻫﺮ‬
‫ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ‪ AI‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻋﻼوه ﺑﺮ اﻳﻦ‪ ،‬اﻳﻦ زﺑﺎﻧﻬﺎ ﺑﻪ ﻋﻨﻮان زﻣﻴﻨﻪ اي ﺑﺮاي ﺑﺴﻴﺎري از اﻳﻦ‬
‫ﺧﺼﻮﺻﻴﺎت ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ در اداﻣﻪ ﻫﻤﻜﺎري ﺑﺎ زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺪﻳﺪ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫اﺣﺘﻤﺎﻻً ﺑﻬﺘﺮﻳﻦ ﻧﻤﻮﻧﻪ از اﻳﻦ زﺑﺎﻧﻬﺎ ‪ Java‬ﻣﻴﺒﺎﺷﺪ ﻛﻪ ﻣﺘﻨﺎﺳﺐ ﺑﺎ اﺳﺘﻔﺎده اوﻟﻮﻳﺖ دﻳﻨﺎﻣﻴﻜﻲ‬
‫اش‪ ،‬داراي ﻣﺪﻳﺮﻳﺖ ﺣﺎﻓﻈﻪ اﺗﻮﻣﺎﺗﻴﻚ و دﻳﮕﺮ ﺧﺼﻮﺻﻴﺎﺗﻲ اﺳﺖ ﻛﻪ در زﺑﺎﻧﻬﺎي ﻛﻪ ﺗﺮﺟﻤﻪ‬
‫ﺷﺪه وﺟﻮد دارد ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ ﻛﻪ دﻳﮕﺮ زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﺣﺪ‬
‫ﻣﻄﻠﻮب از اﺳﺘﺎﻧﺪاردﻫﺎي اﻳﻦ زﺑﺎﻧﻬﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﻫﻢ ﭼﻨﺎﻧﻜﻪ اﻳﻦ ﺗﻜﺎﻣﻞ ﺻﻮرت ﻣﻲ ﭘﺬﻳﺮد و اداﻣﻪ ﻣﻲ ﻳﺎﺑﺪ داﻧﺶ ﻣﺮﺑﻮط ﺑﻪ ‪ LISP‬و‬
‫‪ PROLOG‬ﻳﺎ ‪ Small talk‬و روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺲ ﻗﺎدرﻧﺪ ﺗﻨﻬﺎ از ﻧﻈﺮ ﻣﻘﺪار ﺗﻮﺳﻌﻪ ﻳﺎﺑﻨﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬از اﻳﻨﻜﻪ از ﻳﻜﻲ از اﻳﻦ زﺑﺎﻧﻬﺎي ‪ AI‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ ﻳﺎ ﺧﻮد را در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺑﺎ‬
‫زﺑﺎﻧﻬﺎي ‪ ++C‬و ‪ C‬و ‪ Java‬ﻳﺎ ﻳﻜﻲ از زﺑﺎﻧﻬﺎي رﻗﻴﺐ ﭘﻴﺪا ﻛﻨﻴﻢ راﺿﻲ و ﻗﺎﻧﻊ ﺧﻮاﻫﻴﻢ ﺑﻮد‪.‬‬
‫‪50‬‬

‫ﻓﺼﻞ ﭼﻬﺎرم‬
‫ﻣﺨﺘﺼﺮي درﺑﺎره ي‬
‫ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ‪ ،‬روﺑﺎﺗﻴﻚ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ‬
‫در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫‪51‬‬

‫‪1-4‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪:‬‬
‫‪ 1-1-4‬ﺗﺎرﻳﺨﭽﻪ‪:‬‬
‫ﺗﺎ اﺑﺘﺪاي دﻫﺔ ‪) 1980‬م( ﻛﺎر ﭼﻨﺪاﻧﻲ در زﻣﻴﻨﺔ ﺳﺎﺧﺖ و اﻳﺠﺎد ﺳﺎﻣﺎﻧﻪﻫﺎي ﺧ‪‬ﺒﺮه ﺗﻮﺳﻂ‬
‫ﭘﮋوﻫﺶ ﮔﺮان ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺻﻮرت ﻧﮕﺮﻓﺘﻪ ﺑﻮد‪ .‬از آن زﻣﺎن ﺑﻪ ﺑﻌﺪ‪ ،‬ﻛﺎر ﻫﺎي زﻳﺎدي در‬
‫اﻳﻦ راﺳﺘﺎ و در دو ﺣﻮزة ﻣﺘﻔﺎوت وﻟﻲ ﻣﺮﺗﺒﻂ ﺳﺎﻣﺎﻧﻪﻫﺎي ﻛﻮﭼﻚ ﺧﺒﺮه و ﻧﻴﺰ ﺳﺎﻣﺎﻧﻪﻫﺎي‬
‫ﺑﺰرگ ﺧﺒﺮه اﻧﺠﺎم ﺷﺪه اﺳﺖ‪.‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪ :‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ روﺷﻲ اﺳﺖ در ﺟﻬﺖ ﻫﻮﺷﻤﻨﺪ ﻛﺮدن ﻛﺎﻣﭙﻴﻮﺗﺮ ﺗﺎ ﻗﺎدر‬
‫ﺑﺎﺷﺪ در ﻫﺮ ﻟﺤﻈﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻛﺮده و اﻗﺪام ﺑﻪ ﺑﺮرﺳﻲ ﻳﻚ ﻣﺴﺌﻠﻪ ﻧﻤﺎﻳﺪ‪ .‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪،‬‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ را ﻗﺎدر ﺑﻪ ﺗﻔﻜﺮ ﻣﻲ ﻛﻨﺪ و روش آﻣﻮﺧﺘﻦ اﻧﺴﺎن را ﺗﻘﻠﻴﺪ ﻣﻲ ﻧﻤﺎﻳﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ اﻗﺪام‬
‫ﺑﻪ ﺟﺬب اﻃﻼﻋﺎت ﺟﺪﻳﺪ ﺟﻬﺖ ﺑﻜﺎرﮔﻴﺮي ﻣﺮاﺣﻞ ﺑﻌﺪي ﻣﻲ ﭘﺮدازد‪ .‬ﻣﻐﺰ اﻧﺴﺎن ﺑﻪ ﺑﺨﺶ‬
‫ﻫﺎﻳﻲ ﺗﻘﺴﻴﻢ ﺷﺪه اﺳﺖ ﻛﻪ ﻫﺮ ﺑﺨﺶ وﻇﻴﻔﻪ ﺧﺎص ﺧﻮد را ﺟﺪا از ﺑﻘﻴﻪ اﻧﺠﺎم ﻣﻲ دﻫﺪ‪.‬‬
‫اﺧﺘﻼل در ﻛﺎر ﻳﻚ ﺑﺨﺶ ﺗﺎﺛﻴﺮي در دﻳﮕﺮ ﻗﺴﻤﺖ ﻫﺎي ﻣﻐﺰ ﻧﺨﻮاﻫﺪ ﮔﺬاﺷﺖ‪ .‬در ﺑﺮﻧﺎﻣﻪ ﻫﺎي‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻧﻴﺰ اﻳﻦ ﻣﺴﺌﻠﻪ رﻋﺎﻳﺖ ﻣﻲﺷﻮد درﺣﺎﻟﻲ ﻛﻪ در ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﻏﻴﺮ ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ ﻣﺜﻞ ‪ C‬ﻳﺎ ‪ Pascal‬ﺗﻐﻴﻴﺮ در ﺑﺮﻧﺎﻣﻪ روي ﺳﺎﻳﺮ ﻗﺴﻤﺖ ﻫﺎي ﺑﺮﻧﺎﻣﻪ و اﻃﻼﻋﺎت ﺗﺎﺛﻴﺮ‬
‫دارد‪.‬‬
‫ﻣﺒﺎﺣﺚ ﻛﺎرﺑﺮدي و ﻣﻬﻢ در ﺗﺤﻘﻖ ﻳﻚ ﺳﻴﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪ -1 :‬ﺳﻴﺴﺘﻢ ﻫﺎي‬

‫ﺧﺒﺮه) ‪ -2(Expert Systems‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ) ‪ -3(Neural Network‬اﻟﮕﻮرﻳﺘﻢ ﻫﺎي‬
‫ژﻧﺘﻴﻚ)‪ -4(Genetic Algorithms‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﻨﻄﻖ ﻓﺎزي)‪(Fuzzy Logic Systems‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‪ :‬ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ رﻓﺘﺎر ﻳﻚ اﻧﺴﺎن ﻣﺘﺨﺼﺺ در ﻳﻚ زﻣﻴﻨﻪ‬
‫ﺑﺨﺼﻮص را ﺗﻘﻠﻴﺪ ﻣﻲ ﻛﻨﻨﺪ‪ .‬اﻳﻦ ﺑﺮﻧﺎﻣﻪ از اﻃﻼﻋﺎﺗﻲ ﻛﻪ اﺳﺘﻔﺎده ﻛﻨﻨﺪه در آنﻫﺎ ذﺧﻴﺮه ﻣﻲ‬
‫ﻛﻨﺪ ﺟﻬﺖ اﻋﻼم ﻳﻚ ﻋﻘﻴﺪه در ﻳﻚ ﻣﻮﺿﻮع ﺑﺨﺼﻮص اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪ .‬از اﻳﻨﺮو ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﺧﺒﺮه ﺗﺎ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﻮﺿﻮﻋﻲ را ﻛﻪ ﺑﺎ ﭘﺎﺳﺦ ﻫﺎي ﺷﻤﺎ ﻣﻄﺎﺑﻘﺖ داﺷﺘﻪ ﺑﺎﺷﺪ‬
‫ﺑﻴﺎﺑﻨﺪ ﺑﻪ ﺳﻮال ﻛﺮدن از ﺷﻤﺎ اداﻣﻪ ﻣﻲ دﻫﻨﺪ‪ .‬ﺑﻪ ﻣﻨﻈﻮر درك ﻛﺮدن آﻧﭽﻪ ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﻣﺘﺨﺼﺺ اﻧﺠﺎم ﻣﻲ دﻫﺪ ﻣﻜﺎﻟﻤﻪ زﻳﺮ ﻛﻪ ﺑﻴﻦ ﻳﻚ ﻣﺘﺨﺼﺺ در اﻣﻮر ﻣﻴﻮه و ﻓﺮد دﻳﮕﺮي ﻛﻪ‬
‫‪52‬‬

‫ﻣﻲ ﺧﻮاﻫﺪ از وي ﺗﻮﺻﻴﻪ اي در اﻳﻦ ﻣﻮرد درﻳﺎﻓﺖ ﻛﻨﺪ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ - :‬ﻣﺘﺨﺼﺺ‪ :‬آﻳﺎ‬
‫ﻣﻴﻮه ﺳﺒﺰ اﺳﺖ؟ ‪ -‬اﺳﺘﻔﺎده ﻛﻨﻨﺪه‪ :‬ﺧﻴﺮ‪ - .‬ﻣﺘﺨﺼﺺ‪ :‬آﻳﺎ ﻣﻴﻮه ﻗﺮﻣﺰ اﺳﺖ؟ ‪ -‬اﺳﺘﻔﺎده‬
‫ﻛﻨﻨﺪه‪ :‬ﺑﻠﻪ‪ - .‬ﻣﺘﺨﺼﺺ‪ :‬آﻳﺎ اﻳﻦ ﻣﻴﻮه روي درﺧﺖ رﺷﺪ ﻣﻲ ﻛﻨﺪ؟ ‪ -‬اﺳﺘﻔﺎده ﻛﻨﻨﺪه‪ :‬ﺧﻴﺮ‪- .‬‬
‫ﻣﺘﺨﺼﺺ‪ :‬آﻳﺎ اﻳﻦ ﻣﻴﻮه روي ﻳﻚ ﺑﻮﺗﻪ رﺷﺪ ﻣﻲ ﻛﻨﺪ؟ ‪ -‬اﺳﺘﻔﺎده ﻛﻨﻨﺪه‪ :‬ﺑﻠﻪ‪ - .‬ﻣﺘﺨﺼﺺ‪ :‬آﻳﺎ‬
‫اﻳﻦ ﺑﻮﺗﻪ ﺗﻴﻎ دارد؟ ‪ -‬اﺳﺘﻔﺎده ﻛﻨﻨﺪه‪ :‬ﺑﻠﻪ‪ - .‬ﻣﺘﺨﺼﺺ‪ :‬اﻳﻦ ﻣﻴﻮه ﺗﻤﺸﻚ اﺳﺖ! ﻫﺪف از‬
‫ﻃﺮاﺣﻲ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ ﻛﺎﻣﭙﻴﻮﺗﺮي در اﻣﺮ ﻣﻴﻮه ﺗﻮﻟﻴﺪ اﻳﻦ ﻣﻜﺎﻟﻤﻪ اﺳﺖ‪ .‬در ﺣﺎﻟﺖ‬
‫ﻋﻤﻮﻣﻲ ﺗﺮ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﻪ اﺳﺘﻔﺎده ﻛﻨﻨﺪه از ﺧﻮد در ﻣﻮرد ﻣﻮﺿﻮﻋﻲ‬
‫ﻛﻪ از آن ﻣﻄﻠﻊ اﺳﺖ راﻫﻨﻤﺎﻳﻲ دﻫﺪ‪.‬‬
‫ﻣﺰاﻳﺎي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭼﻴﺴﺖ؟ ﻣﻴﺰان ﻣﻄﻠﻮب ﺑﻮدن ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه اﺻﻮﻻ ﺑﻪ ﻣﻴﺰان‬
‫ﻗﺎﺑﻠﻴﺖ دﺳﺘﺮﺳﻲ ﺑﻪ آن و ﻣﻴﺰان ﺳﻬﻮﻟﺖ ﻛﺎر ﺑﺎ آن ﺑﺴﺘﮕﻲ دارد‪ .‬ﻣﻲ ﺗﻮان ﻣﺰاﻳﺎﻳﻲ ﻛﻪ ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه در ﺑﺮاﺑﺮ اﻧﺴﺎن ﺧﺒﺮه دارد را ﺑﻪ اﻳﻦ ﺻﻮرت ﻧﺎم ﺑﺮد‪ - :‬ﺑﺮﺧﻼف اﻧﺴﺎن‬
‫ﻣﺘﺨﺼﺺ ﻛﻪ ﻧﻴﺎز ﺑﻪ ﺧﻮاب‪ ،‬اﺳﺘﺮاﺣﺖ و ﻏﺬا و ‪ ...‬دارد‪ ،‬ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ ‪ 24‬ﺳﺎﻋﺖ در‬
‫ﺷﺒﺎﻧﻪ روز و ‪ 365‬روز در ﺳﺎل ﻗﺎﺑﻞ دﺳﺘﺮس اﺳﺖ‪ - .‬داﻧﺶ ﺳﻴﺴﺘﻢ ﺧﺒﺮه از ﺑﻴﻦ ﻧﻤﻲرود‬
‫ﺑﻠﻜﻪ ﻣﻲ ﺗﻮان آن را ذﺧﻴﺮه ﻧﻤﻮد و ﺣﺘﻲ ﺑﺴﺎدﮔﻲ ﻣﻲ ﺗﻮان آن را ﻛﭙﻲ ﺑﺮداري ﻛﺮد‪ - .‬ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ ﻫﻤﻮاره داراي ﺣﺪاﻛﺜﺮ ﻛﺎرآﻳﻲ ﺧﻮد اﺳﺖ وﻟﻲ ﺑﻪ ﻣﺤﺾ آﻧﻜﻪ ﻳﻚ اﻧﺴﺎن‬
‫ﻣﺘﺨﺼﺺ ﺧﺴﺘﻪ ﺷﻮد ﺻﺤﺖ ﺗﻮﺻﻴﻪ ﻫﺎي وي ﻣﻤﻜﻦ اﺳﺖ ﻛﺎﻫﺶ ﻳﺎﺑﺪ‪ - .‬ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﻣﺘﺨﺼﺺ داراي ﺷﺨﺼﻴﺖ ﻧﻴﺴﺖ‪ .‬ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﺷﻤﺎ ﻫﻢ درك ﻛﺮده اﻳﺪ ﺷﺨﺼﻴﺖ ﻫﺎي اﻓﺮاد‬
‫ﻣﺨﺘﻠﻒ اﻏﻠﺐ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﺳﺎزﮔﺎر ﻧﻴﺴﺘﻨﺪ‪ .‬اﮔﺮ ﺷﻤﺎ ﺑﺎ ﻳﻚ ﻣﺘﺨﺼﺺ رﻓﻴﻖ ﻳﺎ دوﺳﺖ ﻳﺎ‬
‫ﺣﺪاﻗﻞ ﻣﻮاﻓﻖ ﻧﺒﺎﺷﻴﺪ‪ ،‬آﻧﮕﺎه اﺣﺘﻤﺎﻻً ﺷﺎﻧﺲ اﻧﺪﻛﻲ ﺑﺮاي اﺳﺘﻔﺎده از داﻧﺶ اﻳﻦ ﻓﺮد ﺧﻮاﻫﻴﺪ‬
‫داﺷﺖ‪ .‬ﻋﻜﺲ اﻳﻦ ﺣﺎﻟﺖ ﻧﻴﺰ ﺻﺤﻴﺢ اﺳﺖ‪ - .‬آﺧﺮﻳﻦ ﺑﺮﺗﺮي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اﻳﻦ اﺳﺖ ﻛﻪ‬
‫ﺑﻪ ﺳﺎدﮔﻲ و ﺑﺎ ﻛﭙﻲ ﺑﺮداري اﻳﻦ ﺑﺮﻧﺎﻣﻪ از دﺳﺘﮕﺎﻫﻲ ﺑﻪ دﺳﺘﮕﺎه دﻳﮕﺮ و در ﻛﻤﺘﺮﻳﻦ زﻣﺎن‬
‫ﻣﻤﻜﻦ ﻣﻲ ﺗﻮان ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ دﻳﮕﺮ ﺑﻮﺟﻮد آورد در ﺣﺎﻟﻲ ﻛﻪ ﺗﺒﺪﻳﻞ ﻳﻚ اﻧﺴﺎن ﺑﻪ‬
‫ﻳﻚ ﻣﺘﺨﺼﺺ زﻣﺎﻧﻲ ﻃﻮﻻﻧﻲ ﻧﻴﺎز دارد‪.‬‬
‫ﻣﺜﺎل ﻫﺎﻳﻲ از ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺘﺨﺼﺺ ﺗﺠﺎري‪ MYCIN :‬اوﻟﻴﻦ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ ﻣﻮﻓﻖ‬
‫ﺟﻬﺎن ﺑﻮد ﻛﻪ در ﺳﺎل ‪ 1970‬در داﻧﺸﮕﺎه اﺳﺘﻨﻔﻮرد ﻃﺮاﺣﻲ ﺷﺪ‪ .‬ﻫﺪف از ﺳﺎﺧﺖ اﻳﻦ‬
‫ﺳﻴﺴﺘﻢ ﻛﻤﻚ ﺑﻪ ﭘﺰﺷﻜﺎن در ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎري ﻫﺎي ﻧﺎﺷﻲ از ﺑﺎﻛﺘﺮي ﺑﻮد‪ .‬ﻣﺸﻜﻞ ﻋﻤﺪه در‬
‫‪53‬‬

‫ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎري ﺑﺮاي ﻳﻚ ﭘﺰﺷﻚ آن اﺳﺖ ﻛﻪ ﺗﺸﺨﻴﺺ ﺳﺮﻳﻊ و ﻗﺎﻃﻊ ﻳﻚ ﺑﻴﻤﺎري ﺑﺎ ﺗﻮﺟﻪ‬
‫ﺑﻪ ﺗﻌﺪاد ﺑﺴﻴﺎر زﻳﺎد ﺑﻴﻤﺎري ﻣﻮﺟﻮد‪ ،‬ﻋﻤﻠﻲ دﺷﻮار اﺳﺖ‪ MYCIN.‬ﺑﺎ ﺗﺸﺨﻴﺺ دادن ﻗﺎﻃﻊ‬
‫ﺑﻴﻤﺎريﻫﺎ ﺗﻮاﻧﺴﺖ ﻛﻪ اﻳﻦ ﻧﻴﺎز را ﺑﺮآورده ﺳﺎزد‪ PROSPECTOR .‬ﻳﻚ ﻣﺘﺨﺼﺺ در اﻣﺮ‬
‫زﻣﻴﻦ ﺷﻨﺎﺳﻲ اﺳﺖ ﻛﻪ اﺣﺘﻤﺎل وﺟﻮد رﺳﻮﺑﺎت ﻣﻌﺪﻧﻲ در ﻳﻚ ﻧﺎﺣﻴﻪ ﺑﺨﺼﻮص را ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫ﻣﻲ ﻛﻨﺪ‪ .‬اﻳﻦ ﺳﻴﺴﺘﻢ در ﺳﺎل ‪ 1987‬ﺗﻮﺳﻂ »رﻳﭽﺎرد دودا« و »ﭘﻴﺘﺮ ﻫﺎرد« و »رﻧﻪ رﺑﻮ«‬
‫ﺳﺎﺧﺘﻪ ﺷﺪ‪ .‬در اواﻳﻞ دﻫﻪ ‪ 80‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺘﺨﺼﺺ ﺑﻪ ﺑﺎزار ﻋﺮﺿﻪ ﺷﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺴﺘﻨﺪ‬
‫ﻣﺸﻮرت ﻫﺎي ﻣﺎﻟﻴﺎﺗﻲ‪ ،‬ﺗﻮﺻﻴﻪ ﻫﺎي ﺑﻴﻤﻪ اي و ﻳﺎ ﻗﺎﻧﻮﻧﻲ را ﺑﻪ اﺳﺘﻔﺎده ﻛﻨﻨﺪﮔﺎن ﺧﻮد اراﺋﻪ‬
‫دﻫﻨﺪ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺘﺨﺼﺺ ﭼﮕﻮﻧﻪ ﻛﺎر ﻣﻲ ﻛﻨﻨﺪ؟ ﻫﺮ ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ از دو ﺑﺨﺶ ﺗﺸﻜﻴﻞ‬
‫ﻣﻲﺷﻮد‪ - :‬ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻲ ‪ -‬ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ﻣﻜﺎﻟﻤﻪ‬
‫ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻲ ‪ :‬ﻣﻨﻈﻮر از ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻲ در اﻳﻨﺠﺎ ﻣﻜﺎﻧﻴﺴﻢ ﻧﮕﻬﺪاري اﻃﻼﻋﺎت و ﻗﻮاﻧﻴﻦ‬
‫وﻳﮋه اي در ﻣﻮرد ﻳﻚ ﻣﻮﺿﻮع ﺑﺨﺼﻮص ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﺎ اﻳﻦ ﺗﻮﺻﻴﻒ دو اﺻﻄﻼح زﻳﺮ ﺗﻌﺮﻳﻒ‬
‫ﻣﻲﺷﻮد‪ - :‬ﺷﻲء)‪ :(Object‬ﻣﻨﻈﻮر از ﺷﻲء در اﻳﻨﺠﺎ ﻧﺘﻴﺠﻪ اي اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻮاﻧﻴﻦ‬
‫ﻣﺮﺑﻮط ﺑﻪ آن ﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد‪ - .‬ﺷﺎﺧﺺ)‪ :(Attribute‬ﻣﻨﻈﻮر از ﺷﺎﺧﺺ ﻳﺎ »ﺻﻔﺖ« ﻳﻚ‬
‫ﻛﻴﻔﻴﺖ وﻳﮋه اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻮاﻧﻴﻨﻲ ﻛﻪ ﺑﺮاي آن در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ ﺑﻪ ﺷﻤﺎ در‬
‫ﺗﻌﺮﻳﻒ ﺷﻲء ﻳﺎري ﻣﻲ دﻫﺪ‪.‬‬
‫ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ﻣﻜﺎﻟﻤﻪ‪ :‬آن ﺑﺨﺶ از ﺳﻴﺴﺘﻢ ﻣﺘﺨﺼﺺ اﺳﺖ ﻛﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ از اﻃﻼﻋﺎﺗﻲ ﻛﻪ‬
‫ﺷﻤﺎ ذﺧﻴﺮه ﻛﺮده اﻳﺪ ﺟﻬﺖ ﻳﺎﻓﺘﻦ ﻳﻚ ﺷﻲء ﻣﻨﻄﺒﻖ ﺑﺎ ﺧﻮاﺳﺘﻪ ﺷﻤﺎ اﺳﺘﻔﺎده ﻧﻤﺎﻳﺪ‪ .‬دو ﻧﻮع‬
‫ﻋﻤﺪه از ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ﻫﺎي ﻣﻜﺎﻟﻤﻪ وﺟﻮد دارد ‪ - :‬ﻗﻄﻌﻲ ‪ -‬اﺣﺘﻤﺎﻟﻲ ﺑﺮﺧﻲ ﻗﻮاﻧﻴﻦ ﻗﻄﻌﻲ‬
‫ﻫﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻳﻚ ﺷﻴﻤﻴﺪان ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﻗﻄﻌﻴﺖ و ﻳﻘﻴﻦ اﻋﻼم ﻛﻨﺪ ﻛﻪ اﮔﺮ اﺗﻢ‬
‫ﻣﻮرد ﻧﻈﺮ داراي ‪ 2‬اﻟﻜﺘﺮون ﺑﺎﺷﺪ آﻧﮕﺎه اﻳﻦ اﺗﻢ ﺑﻪ ﻋﻨﺼﺮ ﻫﻠﻴﻢ ﺗﻌﻠﻖ دارد‪ .‬اﻛﺜﺮ ﻗﻮاﻧﻴﻦ‬
‫ﻗﻄﻌﻲ ﻧﻴﺴﺘﻨﺪ ﺑﻠﻜﻪ ﺑﺎ ﻳﻚ درﺻﺪ ﻣﺸﺨﺺ‪ ،‬اﺣﺘﻤﺎل وﻗﻮع آنﻫﺎ ﻣﻲ رود‪ .‬ﺑﺎ اﻳﻦ وﺟﻮد در‬
‫ﺑﺴﻴﺎري از اﻳﻨﮕﻮﻧﻪ ﻣﻮارد ﻋﺎﻣﻞ ﻋﺪم ﻗﻄﻌﻴﺖ از ﻧﻈﺮ آﻣﺎري اﻫﻤﻴﺖ ﭼﻨﺪاﻧﻲ ﻧﺪارد و از اﻳﻦ رو‬
‫ﺷﻤﺎ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑﺎ اﻳﻦ ﻗﻮاﻧﻴﻦ ﺑﺼﻮرت ﻗﻮاﻧﻴﻦ ﺟﺒﺮي ﺑﺮﺧﻮرد ﻛﻨﻴﺪ‪ .‬در راﺑﻄﻪ ﺑﺎ اﻳﻦ دو ﮔﺮوه‬
‫ﻋﻤﺪه)ﻳﻌﻨﻲ ﻗﻄﻌﻲ و ﻋﺪم ﻗﻄﻌﻲ( ﺳﻪ روش اﺳﺎﺳﻲ ﺑﺮاي ﺳﺎﺧﺖ »ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه ﻣﻜﺎﻟﻤﻪ«‬
‫‪54‬‬

‫وﺟﻮد دارد‪ - :‬اﺳﺘﺪﻻل ﭘﻴﺸﺮو ‪ - Forward Chaining‬زﻧﺠﻴﺮه ﺳﺎزي ﭘﺴﺮو ‪Backward‬‬
‫‪ - Chaining‬ارزﺷﻴﺎﺑﻲ ‪ Rule-Value‬ﺗﻔﺎوت ﺑﻴﻦ اﻳﻦ ﺳﻪ روش ﺑﻪ ﺷﻴﻮه اي ﻛﻪ »ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه‬

‫ﻣﻜﺎﻟﻤﻪ« ﺗﻮﺳﻂ آن ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺑﻪ ﻫﺪف ﺧﻮد ﺑﺮﺳﺪ ﺑﺴﺘﮕﻲ دارد‪.‬‬
‫‪ 2-1-4‬اﺟﺰاي اﺻﻠﻲ ﺗﺸﻜﻴﻞ دﻫﻨﺪه ي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫‪ -1‬ﭘﺎﻳﮕﺎه داﻧﺶ) ‪: ( Knowledge Base‬‬

‫ﻣﺤﻠﻲ اﺳﺖ ﻛﻪ داﻧﺶ ﺧﺒﺮه ﺑﻪ ﺻﻮرت ﻛﺪ ﮔﺬاري ﺷﺪه و ﻗﺎﺑﻞ ﻓﻬﻢ ﺑﺮاي ﺳﻴﺴﺘﻢ ذﺧﻴﺮه ﻣﻲ‬
‫ﺷﻮد‪ .‬ﺑﻪ ﻛﺴﻲ ﻛﻪ داﻧﺶ ﺧﺒﺮه را ﺑﻪ ﺻﻮرت ﻛﺪ ﮔﺬاري ﺷﺪه در ﻣﻲ آورد و وارد ‪Knowledge‬‬
‫‪ Base‬ﻣﻲ ﻛﻨﺪ‪ ،‬ﻣﻬﻨﺪس داﻧﺶ )‪ (Knowledge Engineer‬ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ ﻃﻮر ﻛﻠﻲ داﻧﺶ‬
‫ﺑﻪ ﺻﻮرت ﻋﺒﺎرات ﺷﺮﻃﻲ و ﻗﻮاﻋﺪ در ‪ Knowledge Base‬ذﺧﻴﺮه ﻣﻲ ﮔﺮدد‪ .‬ﻣﺎﻧﻨﺪ ﻋﺒﺎرات‬
‫زﻳﺮ ‪:‬‬
‫اﮔﺮ ﭼﺮاغ ﻗﺮﻣﺰ اﺳﺖ آﻧﮕﺎه ﻣﺘﻮﻗﻒ ﺷﻮ‪.‬‬

‫ﻫﺮ ﮔﺎه اﻳﻦ واﻗﻌﻴﺖ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻛﻪ ﭼﺮاغ ﻗﺮﻣﺰ اﺳﺖ ‪ ،‬آﻧﮕﺎه اﻳﻦ واﻗﻌﻴﺖ ﺑﺎ اﻟﮕﻮي‬
‫"ﭼﺮاغ ﻗﺮﻣﺰ اﺳﺖ" ﻣﻨﻄﺒﻖ ﻣﻲ ﺷﻮد‪ .‬در اﻳﻦ ﺻﻮرت اﻳﻦ ﻗﺎﻋﺪه ارﺿﺎ ﻣﻲ ﺷﻮد و ﻋﻤﻞ ﻳﺎ‬
‫اﻗﺪام اﻳﻦ ﻗﺎﻋﺪه ﻳﻌﻨﻲ "ﻣﺘﻮﻗﻒ ﺷﻮ" اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪.‬‬
‫‪ -2‬اﻣﻜﺎﻧﺎت ﻛﺴﺐ داﻧﺶ ‪:‬‬

‫اﻛﺘﺴﺎب داﻧﺶ ﺷﺎﻣﻞ ﺗﻤﺎم ﻣﺮاﺣﻠﻲ اﺳﺖ ﻛﻪ ﻃﻲ آن داﻧﺶ ﺑﻪ ﻓﺮم ﻗﺎﺑﻞ اﺳﺘﻔﺎده در ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺗﻴﺪﻳﻞ ﻣﻲ ﮔﺮدد‪ .‬اوﻟﻴﻦ وﻇﻴﻔﻪ ﻣﻬﻨﺪس داﻧﺶ آﺷﻨﺎﻳﻲ ﺑﺎ ﻣﺤﺪوده ﻛﺎرﺑﺮدي‬
‫ﻣﻮردﻧﻈﺮ و درك ﻣﻔﺎﻫﻴﻢ ﭘﺎﻳﻪ اي و ﻓﺮﺿﻴﻪ اي ﻣﻲ ﺑﺎﺷﺪ‪ .‬اﻳﻦ اﻃﻼﻋﺎت اﻏﻠﺐ در‬
‫ﻛﺘﺎﺑﻬﺎ‪،‬ﻣﺮاﺟﻊ‪،‬ﻣﺴﺘﻨﺪات و اﻣﺜﺎل آن ﻳﺎﻓﺖ ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻣﺎ از آﻧﺠﺎﻳﻲ ﻛﻪ اﻳﻦ ﻣﻨﺎﺑﻊ داﻧﺶ ﺑﻪ‬
‫ﺳﺮﻋﺖ ﻛﻬﻨﻪ ﻣﻲ ﺷﻮﻧﺪ )ﺑﻪ روز ﻧﻴﺴﺘﻨﺪ( ﺑﻪ ﻣﺼﺎﺣﺒﻪ ﺑﺎ اﻓﺮاد ﻣﺘﺨﺼﺺ ﻧﻴﺎز ﻣﻲ ﺑﺎﺷﺪ‪.‬دﻳﮕﺮ‬
‫ﺗﻜﻨﻴﻚ ﻫﺎي ﻛﺴﺐ داﻧﺶ ﻋﺒﺎرﺗﻨﺪ از ‪:‬ﻣﺸﺎﻫﺪه‪،‬ﻣﻄﺎﻟﻌﺎت ﻣﻮردي‪،‬ﺗﺤﻠﻴﻞ ﭘﺮوﺗﻜﻞ‪،‬ﻧﻘﺶ‬
‫ﺑﺎزي‪،‬ﺷﺒﻜﻪ ﻓﻬﺮﺳﺖ و ‪ ...‬ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪55‬‬

‫‪ -3‬ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﻳﺎ ‪: Inference Engine‬‬

‫ﺣﺘﻲ ﻣﻮﻗﻌﻲ ﻛﻪ ﻗﻠﻤﺮو داﻧﺶ را ﺑﺎ ﻗﻮاﻧﻴﻦ ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻴﻢ ﺑﺎز ﻫﻢ ﻳﻚ ﻓﺮد ﺧﺒﺮه ﺑﺎﻳﺪ‬
‫ﻣﺸﺨﺺ ﻛﻨﺪ ﻛﻪ ﻛﺪام ﻗﻮاﻧﻴﻦ را ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﺧﺎﺻﻲ ﺑﻪ ﻛﺎر ﻣﻲ ﺑﺮد‪.‬ﻋﻼوه ﺑﺮ اﻳﻦ ﺑﺎﻳﺪ‬
‫ﻣﺸﺨﺺ ﻛﻨﺪ ﻛﻪ اﻳﻦ ﻗﻮاﻧﻴﻦ را در ﭼﻪ رده اي ﺑﻪ ﻛﺎر ﻣﻲ ﺑﺮد ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه ﻧﻴﺎز ﺧﻮاﻫﺪ داﺷﺖ ﺗﺎ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮد ﻛﻪ ﭼﻪ ﻗﺎﻧﻮﻧﻲ و در ﭼﻪ ﻣﻮرد و رده اي ﺑﺎﻳﺪ ﺑﺮاي‬
‫ارزﻳﺎﺑﻲ اﻧﺘﺨﺎب ﺷﻮد‪.‬‬
‫ﺑﺮاي اﻳﻦ ﻛﻪ اﻳﻦ ﻛﺎر ﺻﻮرت ﮔﻴﺮد ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻳﻚ ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﺑﺎ اﺳﺘﻔﺎده از ﻗﻮاﻋﺪ‬
‫ﻣﻨﻄﻖ و داﻧﺶ ﻣﻮﺟﻮد در ‪ Knowledge Base‬و ﺣﻘﺎﻳﻖ ﻣﻮﺟﻮد در ﺣﺎﻓﻈﻪ ي ﻛﺎري‪ ،‬اﻗﺪام ﺑﻪ‬
‫اﻧﺠﺎم ﻛﺎر ﺧﺎﺻﻲ ﻣﻲ ﻛﻨﺪ‪ .‬اﻳﻦ ﻋﻤﻞ ﻳﺎ ﺑﻪ ﺻﻮرت اﻓﺰودن ﺣﻘﺎﻳﻖ ﺟﺪﻳﺪي ﺑﻪ ‪Knowledge‬‬
‫‪ Base‬ﻣﻲ ﺑﺎﺷﺪ ﻳﺎ ﺑﻪ ﺻﻮرت ﻧﺘﻴﺠﻪ اي ﺑﺮاي اﻋﻼم ﻛﺮدن ﺑﺮاي ﻛﺎرﺑﺮ ﻳﺎ اﻧﺠﺎم ﻛﺎر ﺧﺎﺻﻲ ﻣﻲ‬
‫ﺑﺎﺷﺪ‪ .‬ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻗﺴﻤﺖ ﺷﺮﻃﻲ ﻛﺪام ﻗﺎﻋﺪه ﺗﻮﺳﻂ ﺣﻘﺎﻳﻖ ﻣﻮﺟﻮد‬
‫ارﺿﺎ ﺷﺪه اﺳﺖ‪ .‬دو روش اﺳﺘﻨﺘﺎج‪ ،‬ﻳﻌﻨﻲ روش اﺳﺘﻨﺘﺎج ﭘﻴﺸﺮو و روش اﺳﺘﻨﺘﺎج ﭘﺴﺮو ﺑﻪ‬
‫ﻋﻨﻮان اﺳﺘﺮاﺗﮋي ﻫﺎي ﺣﻞ ﻣﺴﺎﻟﻪ در ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﻜﺎر ﻣﻲ روﻧﺪ‪.‬‬
‫روش اﺳﺘﻨﺘﺎج ﭘﻴﺸﺮو از واﻗﻌﻴﺎت ﻳﺎ ﺣﻘﺎﻳﻖ ﺷﺮوع ﺑﻪ اﺳﺘﺪﻻل ﻣﻲ ﻛﻨﺪ ﺗﺎ ﺑﻪ ﻧﺘﺎﻳﺠﻲ ﺑﺮﺳﺪ‬
‫ﻛﻪ از اﻳﻦ واﻗﻌﻴﺎت ﻧﺎﺷﻲ ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﺷﻤﺎ ﻗﺒﻞ از ﺧﺮوج از ﻣﻨﺰل ﺑﺒﻴﻨﻴﺪ‬
‫ﻛﻪ ﺑﺎران ﻣﻲ آﻳﺪ )واﻗﻌﻴﺖ(‪ ،‬ﻳﻚ ﭼﺘﺮ ﺑﺎ ﺧﻮد ﺑﺮ ﻣﻲ دارﻳﺪ )ﻧﺘﻴﺠﻪ(‪.‬‬
‫اﺳﺘﻨﺘﺎج ﭘﺴﺮو ﺑﺎ روﺷﻲ ﻣﻌﻜﻮس اﺳﺘﺪﻻل ﻣﻲ ﻛﻨﺪ ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻛﻪ ﺳﻌﻲ دارد از ﻓﺮﺿﻴﻪ‬
‫ﻳﻌﻨﻲ ﻳﻚ ﻧﺘﻴﺠﻪ ي ﺑﺎﻟﻘﻮه ﻛﻪ ﺑﺎﻳﺪ ﺛﺎﺑﺖ ﺷﻮد ﺑﻪ واﻗﻌﻴﺎت ﻳﺎ ﺣﻘﺎﻳﻘﻲ ﻛﻪ ﭘﺸﺘﻴﺒﺎن اﻳﻦ ﻓﺮﺿﻴﻪ‬
‫ﻫﺴﺘﻨﺪ ﺑﺮﺳﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﺷﻤﺎ ﻫﻮاي ﺑﻴﺮون از ﺧﺎﻧﻪ را ﻧﺪﻳﺪه ﺑﺎﺷﻴﺪ و ﻳﻚ ﻧﻔﺮ ﺑﺎ‬
‫ﻛﻔﺶ ﻫﺎي ﺧﻴﺲ و ﭼﺘﺮ وارد ﺧﺎﻧﻪ ﺷﻮد‪ ،‬ﻓﺮﺿﻴﻪ ﺷﻤﺎ اﻳﻦ ﺧﻮاﻫﺪ ﺑﻮد ﻛﻪ ﺑﺎران آﻣﺪه اﺳﺖ‪ .‬ﺑﻪ‬
‫ﻣﻨﻈﻮر ﭘﺸﺘﻴﺒﺎﻧﻲ از اﻳﻦ ﻓﺮﺿﻴﻪ‪ ،‬از آن ﻓﺮد ﺳﻮال ﻣﻲ ﻛﻨﻴﺪ ﻛﻪ آﻳﺎ ﻫﻮا ﺑﺎراﻧﻲ اﺳﺖ؟ اﮔﺮ‬
‫ﭘﺎﺳﺦ ﻓﺮد ﻣﺜﺒﺖ ﺑﺎﺷﺪ‪ ،‬ﺛﺎﺑﺖ ﻣﻲ ﺷﻮد ﻛﻪ ﻓﺮﺿﻴﻪ ﺻﺤﻴﺢ اﺳﺖ و ﺗﺒﺪﻳﻞ ﺑﻪ ﻳﻚ واﻗﻌﻴﺖ‬
‫ﻳﺎﺣﻘﻴﻘﺖ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬
‫ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ‪ ،‬ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﻣﻤﻜﻦ اﺳﺖ ﺑﺎ روش ﭘﺴﺮو و ﻳﺎ ﭘﻴﺸﺮو‬
‫اﺳﺘﻨﺘﺎج ﻛﻨﺪ‪ .‬اﻧﺘﺨﺎب ﻣﻮﺗﻮر اﺳﺘﻨﺘﺎج ﺑﺴﺘﮕﻲ ﺑﻪ ﻧﻮع ﻣﺴﺎﻟﻪ دارد‪ .‬در ﻣﺴﺎﻳﻞ ﺗﺸﺨﻴﺼﻲ‬
‫ﺑﻬﺘﺮ اﺳﺖ ﺑﺎ روش ﭘﺴﺮو ﻛﺎر ﻛﻨﻴﻢ در ﺣﺎﻟﻲ ﻛﻪ در ﻣﺴﺎﻳﻞ ﭘﻴﺶ ﺑﻴﻨﻲ‪ ،‬ﻧﻈﺎرت و ﻛﻨﺘﺮل‪ ،‬ﺑﻬﺘﺮ‬
‫‪56‬‬

‫اﺳﺖ از روش ﭘﻴﺸﺮو اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬
‫‪-4‬اﻣﻜﺎﻧﺎت ﺗﻮﺿﻴﺢ ﻳﺎ ‪: Explanation Facilities‬‬

‫ﺑﺮاي ﻧﺸﺎن دادن ﻣﺮاﺣﻞ ﻧﺘﻴﺠﻪ ﮔﻴﺮي ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺮاي ﻳﻚ ﻣﺴﺎﻟﻪ ﺧﺎص ﺑﺎ واﻗﻌﻴﺖ ﺧﺎص‬
‫ﺑﻪ ﻛﺎرﺑﺮ ﺑﻪ زﺑﺎن ﻗﺎﺑﻞ ﻓﻬﻢ ﺑﺮاي ﻛﺎرﺑﺮ ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬اﻳﻦ اﻣﻜﺎﻧﺎت اﻳﻦ ﻓﺎﻳﺪه را دارد ﻛﻪ‬
‫ﻛﺎرﺑﺮ ﺑﺎ دﻳﺪن ﻣﺮاﺣﻞ اﺳﺘﻨﺘﺎج اﻃﻤﻴﻨﺎن ﺑﻴﺸﺘﺮي ﺑﻪ ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻪ ﺷﺪه ﺗﻮﺳﻂ ﺳﻴﺴﺘﻢ‬
‫ﺧﻮاﻫﺪ داﺷﺖ‪ .‬و ﺧﺒﺮه اي ﻛﻪ داﻧﺶ او وارد ﭘﺎﻳﮕﺎه داﻧﺶ ﺷﺪه اﺳﺖ اﻃﻤﻴﻨﺎن ﺣﺎﺻﻞ ﺧﻮاﻫﺪ‬
‫ﻛﺮد ﻛﻪ داﻧﺶ او ﺑﻪ ﺻﻮرت ﺻﺤﻴﺢ وارد ﭘﺎﻳﮕﺎه داﻧﺶ ﺷﺪه اﺳﺖ‪.‬‬
‫‪-5‬واﺳﻂ ﻛﺎرﺑﺮ ‪:‬‬

‫واﺳﻂ ﻛﺎرﺑﺮ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‪،‬ﻃﺒﻴﻌﺘﺎً ﺑﺎﻳﺪ از ﻗﺪرت ﺗﺒﺎدﻟﻲ ﺑﺎﻻﻳﻲ ﺑﺮﺧﻮردار ﺑﺎﺷﺪ ﺗﺎ‬
‫ﺳﺎﺧﺘﺎر ﺗﺒﺎدل اﻃﻼﻋﺎت ﺑﻪ ﺷﻜﻞ ﮔﻔﺘﮕﻮي ﻳﻚ ﻣﺘﻘﺎﺿﻲ و اﻧﺴﺎن ﺧﺒﺮه ﺻﻮرت ﮔﻴﺮد‪.‬واﺳﻂ‬
‫ﻛﺎرﺑﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻧﻪ ﺗﻨﻬﺎ ﻛﺎرﺑﺮ را ﻗﺎدر ﻣﻲ ﺳﺎزد ﺗﺎ ﺑﻪ ﺳﻮاﻻت ﭘﺎﺳﺦ دﻫﺪ ﺑﻠﻜﻪ ﻛﺎرﺑﺮ را‬
‫ﻣﺠﺎز ﻣﻲ ﺳﺎزد ﻋﻤﻠﻴﺎت اﺟﺮاﻳﻲ ﺳﻴﺴﺘﻢ را ﺑﺎ ﭘﺮﺳﺶ در ﻣﻮرد ﺗﻮﺿﻴﺤﺎت داده ﺷﺪه ﻗﻄﻊ‬
‫ﻧﻤﺎﻳﺪ‪.‬ﺑﺮاي ﻣﺜﺎل اﮔﺮ ﺑﻪ ﻳﻚ ﻛﺎرﺑﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭘﺰﺷﻜﻲ ﮔﻔﺘﻪ ﺷﻮد ﻛﻪ ﺑﻴﻤﺎر ﻣﻨﮋﻳﺖ دارد‬
‫ﻛﺎرﺑﺮ ﻣﻤﻜﻦ اﺳﺖ ﺑﺨﻮاﻫﺪ ﺑﺪاﻧﺪ ﻛﻪ ﺳﻴﺴﺘﻢ ﭼﮕﻮﻧﻪ ﺑﻪ اﻳﻦ ﻧﺘﻴﺠﻪ رﺳﻴﺪه اﺳﺖ‪.‬‬
‫‪ 2-1-4‬ﮔﺬري ﺑﺮ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه)‪: (Expert Systems‬‬
‫>اﺳﺘﺪﻻل< در ﻣﻴﺎن اﻫﻞ ﻓﻦ و ﺻﺎﺣﺒﺎن اﻧﺪﻳﺸﻪ ﺗﻌﺎرﻳﻒ و ﺗﻔﺎﺳﻴﺮ ﻣﺘﻨﻮﻋﻲ دارد‪ .‬در ﻧﮕﺎﻫﻲ‬
‫ﻛﻠﻲ‪ ،‬اﺳﺘﻔﺎده از دﻟﻴﻞ و ﺑﺮﻫﺎن ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻳﻚ ﻧﺘﻴﺠﻪ از ﻓﺮﺿﻴﺎﺗﻲ ﻣﻨﻄﻘﻲ ﺑﺎ اﺳﺘﻔﺎده از‬
‫روشﻫﺎي ﻣﻌﻴﻦ‪ ،‬ﺗﻌﺮﻳﻔﻲ از اﺳﺘﺪﻻل ﺗﻠﻘﻲ ﻣﻲﺷﻮد؛ ﺗﻌﺮﻳﻔﻲ ﻛﻪ اﻟﺒﺘﻪ ﺑﺎ دﻳﺪﮔﺎهﻫﺎي ﻓﻠﺴﻔﻲ‬
‫و ﮔﺎه اﻳﺪهآلﮔﺮاﻳﺎﻧﻪ از اﺳﺘﺪﻻل ﺗﻔﺎوت دارد‪ .‬ﺑﺎ اﻳﻦ ﺣﺎل ﻣﻮﺿﻮع ﻣﻬﻢ و اﺳﺎﺳﻲ در اﻳﻨﺠﺎ‬
‫ﺑﺤﺚ در ﭼﻴﺴﺘﻲ و ﭼﺮاﻳﻲ اﻳﻦ دﻳﺪﮔﺎهﻫﺎ ﻧﻴﺴﺖ‪ ،‬ﺑﻠﻜﻪ در ﻣﻮرد ﻧﺤﻮه ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢﻫﺎي ﺑﺎ‬
‫ﻗﺪرت اﺳﺘﺪﻻل‪ ،‬ﺑﺎ ﻫﺮ ﺗﻌﺮﻳﻔﻲ‪ ،‬ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻣﺠﻤﻮﻋﻪاي از ﺗﺼﻤﻴﻤﺎت ﻣﻨﻄﻘﻲ ﺑﺎ اﺳﺘﻔﺎده‬
‫از ﻣﻔﺮوﺿﺎت ﻳﺎ ﺑﻪ ﻃﻮر دﻗﻴﻖﺗﺮ داﻧﺸﻲ اﺳﺖ ﻛﻪ در اﺧﺘﻴﺎر آنﻫﺎ ﻗﺮار ﻣﻲﮔﻴﺮد‪ .‬ﺳﻴﺴﺘﻢﻫﺎﻳﻲ‬
‫ﺧﺒﺮه )‪ (systems expert‬اﺳﺎﺳﺎ ﺑﺮاي ﭼﻨﻴﻦ ﻫﺪﻓﻲ ﻃﺮاﺣﻲ ﻣﻲﺷﻮﻧﺪ‪ .‬در ﺣﻘﻴﻘﺖ ﺑﻪ واﺳﻄﻪ‬
‫اﻟﮕﻮﺑﺮداري اﻳﻦ ﺳﻴﺴﺘﻢﻫﺎ از ﻧﻈﺎم ﻣﻨﻄﻖ و اﺳﺘﺪﻻل اﻧﺴﺎن و ﻧﻴﺰ ﻳﻜﺴﺎن ﺑﻮدن ﻣﻨﺎﺑﻊ داﻧﺶ‬
‫‪57‬‬

‫ﻣﻮرد اﺳﺘﻔﺎده آنﻫﺎ‪ ،‬ﺣﺎﺻﻞ ﻛﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲﺗﻮاﻧﺪ ﺗﺼﻤﻴﻤﺎﺗﻲ ﺑﺎﺷﺪ ﻛﻪ درﺣﻮزهﻫﺎ‬
‫و ﻋﺮﺻﻪﻫﺎي ﻣﺨﺘﻠﻒ ﻗﺎﺑﻞ اﺳﺘﻔﺎده‪ ،‬ﻣﻮرد اﻃﻤﻴﻨﺎن و ﺗﺎﺛﻴﺮﮔﺬار ﻫﺴﺘﻨﺪ‪ .‬ﺑﺴﻴﺎري ﺑﺮ اﻳﻦ‬
‫ﺑﺎورﻧﺪ ﻛﻪ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ﺑﻴﺸﺘﺮﻳﻦ ﭘﻴﺸﺮﻓﺖ را در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺑﻪ وﺟﻮد آوردهاﻧﺪ‪.‬‬
‫آنﭼﻪ دراداﻣﻪ ﻣﻲﺧﻮاﻧﻴﺪ ﻧﮕﺎﻫﻲ ﻛﻮﺗﺎه ﺑﻪ ﺗﻌﺎرﻳﻒ و ﺳﺎزوﻛﺎر ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه و ﮔﺬري ﺑﺮ‬
‫ﻣﺰاﻳﺎ و ﻣﺤﺪودﻳﺖﻫﺎي ﺑﻪ ﻛﺎرﮔﻴﺮي اﻳﻦ ﺳﻴﺴﺘﻢﻫﺎ در ﻋﻠﻮم و ﻓﻨﻮن ﻣﺨﺘﻠﻒ اﺳﺖ‪ .‬ﻃﺒﻴﻌﺘﺎً‬
‫ﻣﺒﺎﺣﺚ ﻛﺎرﺑﺮديﺗﺮ و ﻋﻤﻠﻲﺗﺮ درﺑﺎره ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه و ﺑﺤﺚ درﺑﺎره ﻧﺤﻮه ﺗﻮﺳﻌﻪ و‬
‫ﭘﻴﺎدهﺳﺎزي آنﻫﺎ‪ ،‬ﻧﻴﺎزﻣﻨﺪ ﻣﻘﺎﻻت ﺟﺪاﮔﺎﻧﻪاي اﺳﺖ ﻛﻪ در آﻳﻨﺪه ﺑﻪ آنﻫﺎ ﺧﻮاﻫﻴﻢ ﭘﺮداﺧﺖ‪.‬‬
‫‪ 3-1-4‬ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭼﻴﺴﺖ؟‬

‫در ﻳﻚ ﺗﻌﺮﻳﻒ ﻛﻠﻲ ﻣﻲﺗﻮان ﮔﻔﺖ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه‪ ،‬ﺑﺮﻧﺎﻣﻪﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮياي ﻫﺴﺘﻨﺪ ﻛﻪ‬
‫ﻧﺤﻮه ﺗﻔﻜﺮ ﻳﻚ ﻣﺘﺨﺼﺺ در ﻳﻚ زﻣﻴﻨﻪ ﺧﺎص را ﺷﺒﻴﻪﺳﺎزي ﻣﻲﻛﻨﻨﺪ‪ .‬در واﻗﻊ اﻳﻦ‬
‫ﻧﺮماﻓﺰارﻫﺎ‪ ،‬اﻟﮕﻮﻫﺎي ﻣﻨﻄﻘﻲاي را ﻛﻪ ﻳﻚ ﻣﺘﺨﺼﺺ ﺑﺮ اﺳﺎس آنﻫﺎ ﺗﺼﻤﻴﻢﮔﻴﺮي ﻣﻲﻛﻨﺪ‪،‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲﻧﻤﺎﻳﻨﺪ و ﺳﭙﺲ ﺑﺮ اﺳﺎس آن اﻟﮕﻮﻫﺎ‪ ،‬ﻣﺎﻧﻨﺪ اﻧﺴﺎنﻫﺎ ﺗﺼﻤﻴﻢﮔﻴﺮي ﻣﻲﻛﻨﻨﺪ‪.‬‬
‫ﻳﻜﻲ از اﻫﺪاف ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪ ،‬ﻓﻬﻢ ﻫﻮش اﻧﺴﺎﻧﻲ ﺑﺎ ﺷﺒﻴﻪﺳﺎزي آن ﺗﻮﺳﻂ ﺑﺮﻧﺎﻣﻪﻫﺎي‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮي اﺳﺖ‪ .‬اﻟﺒﺘﻪ ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ "ﻫﻮش" را ﻣﻲﺗﻮان ﺑﻪ ﺑﺴﻴﺎري از ﻣﻬﺎرتﻫﺎي‬
‫ﻣﺒﺘﻨﻲ ﺑﺮ ﻓﻬﻢ‪ ،‬از ﺟﻤﻠﻪ ﺗﻮاﻧﺎﻳﻲ ﺗﺼﻤﻴﻢﮔﻴﺮي‪ ،‬ﻳﺎدﮔﻴﺮي و ﻓﻬﻢ زﺑﺎن ﺗﻌﻤﻴﻢ داد و از اﻳﻦرو‬
‫واژهاي ﻛﻠﻲ ﻣﺤﺴﻮب ﻣﻲﺷﻮد‪.‬‬
‫ﺑﻴﺸﺘﺮ دﺳﺘﺎوردﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ در زﻣﻴﻨﻪ ﺗﺼﻤﻴﻢﮔﻴﺮي و ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻮده اﺳﺖ ﻛﻪ‬
‫اﺻﻠﻲﺗﺮﻳﻦ ﻣﻮﺿﻮع ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه را ﺷﺎﻣﻞ ﻣﻲﺷﻮﻧﺪ‪ .‬ﺑﻪ آن ﻧﻮع از ﺑﺮﻧﺎﻣﻪﻫﺎي ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ ﻛﻪ ﺑﻪ ﺳﻄﺤﻲ از ﺧﺒﺮﮔﻲ ﻣﻲرﺳﻨﺪ ﻛﻪ ﻣﻲﺗﻮاﻧﻨﺪ ﺑﻪ ﺟﺎي ﻳﻚ ﻣﺘﺨﺼﺺ در ﻳﻚ‬
‫زﻣﻴﻨﻪ ﺧﺎص ﺗﺼﻤﻴﻢﮔﻴﺮي ﻛﻨﻨﺪ‪ expert systems ،‬ﻳﺎ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ﮔﻔﺘﻪ ﻣﻲﺷﻮد‪ .‬اﻳﻦ‬
‫ﺳﻴﺴﺘﻢﻫﺎ ﺑﺮﻧﺎﻣﻪﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﭘﺎﻳﮕﺎه داﻧﺶ آنﻫﺎ اﻧﺒﺎﺷﺘﻪ از اﻃﻼﻋﺎﺗﻲ اﺳﺖ ﻛﻪ اﻧﺴﺎنﻫﺎ‬
‫ﻫﻨﮕﺎم ﺗﺼﻤﻴﻢﮔﻴﺮي درﺑﺎره ﻳﻚ ﻣﻮﺿﻮع ﺧﺎص‪ ،‬ﺑﺮاﺳﺎس آنﻫﺎ ﺗﺼﻤﻴﻢ ﻣﻲﮔﻴﺮﻧﺪ‪ .‬روي اﻳﻦ‬
‫ﻣﻮﺿﻮع ﺑﺎﻳﺪ ﺗﺄﻛﻴﺪ ﻛﺮد ﻛﻪ ﻫﻴﭻﻳﻚ از ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮهاي ﻛﻪ ﺗﺎﻛﻨﻮن ﻃﺮاﺣﻲ و‬
‫ﺑﺮﻧﺎﻣﻪﻧﻮﻳﺴﻲ ﺷﺪهاﻧﺪ‪ ،‬ﻫﻤﻪﻣﻨﻈﻮره ﻧﺒﻮدهاﻧﺪ و ﺗﻨﻬﺎ در ﻳﻚ زﻣﻴﻨﻪ ﻣﺤﺪود ﻗﺎدر ﺑﻪ‬
‫ﺷﺒﻴﻪﺳﺎزي ﻓﺮآﻳﻨﺪ ﺗﺼﻤﻴﻢﮔﻴﺮي اﻧﺴﺎن ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﻪ ﻣﺤﺪوده اﻃﻼﻋﺎﺗﻲ از اﻟﮕﻮﻫﺎي ﺧﺒﺮﮔﻲ اﻧﺴﺎن ﻛﻪ ﺑﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻨﺘﻘﻞ ﻣﻲﺷﻮد‪،‬‬
‫‪58‬‬

‫‪ domain task‬ﮔﻔﺘﻪ ﻣﻲﺷﻮد‪ .‬اﻳﻦ ﻣﺤﺪوده‪ ،‬ﺳﻄﺢ ﺧﺒﺮﮔﻲ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه را ﻣﺸﺨﺺ‬
‫ﻣﻲﻛﻨﺪ و ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ آن ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺮاي ﭼﻪ ﻛﺎرﻫﺎﻳﻲ ﻃﺮاﺣﻲ ﺷﺪه اﺳﺖ‪ .‬ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه ﺑﺎ اﻳﻦ ‪ task‬ﻫﺎ ﻳﺎ وﻇﺎﻳﻒ ﻣﻲﺗﻮاﻧﺪ ﻛﺎرﻫﺎﻳﻲ ﭼﻮن ﺑﺮﻧﺎﻣﻪرﻳﺰي‪ ،‬زﻣﺎﻧﺒﻨﺪي‪ ،‬و ﻃﺮاﺣﻲ را‬
‫در ﻳﻚ ﺣﻴﻄﻪ ﺗﻌﺮﻳﻒ ﺷﺪه اﻧﺠﺎم دﻫﺪ‪.‬‬
‫ﺑﻪ روﻧﺪ ﺳﺎﺧﺖ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‪ engineering knowledge ،‬ﻳﺎ ﻣﻬﻨﺪﺳﻲ داﻧﺶ ﮔﻔﺘﻪ‬
‫ﻣﻲﺷﻮد‪ .‬ﻳﻚ ﻣﻬﻨﺪس داﻧﺶ ﺑﺎﻳﺪ اﻃﻤﻴﻨﺎن ﺣﺎﺻﻞ ﻛﻨﺪ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻃﺮاﺣﻲ ﺷﺪه‪ ،‬ﺗﻤﺎم‬
‫داﻧﺶ ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ را دارد‪ .‬ﻃﺒﻴﻌﺘﺎً در ﻏﻴﺮاﻳﻦﺻﻮرت‪ ،‬ﺗﺼﻤﻴﻢﻫﺎي‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻗﺎﺑﻞ اﻃﻤﻴﻨﺎن ﻧﺨﻮاﻫﻨﺪ ﺑﻮد‪.‬‬
‫‪ 4-1-4‬ﺳﺎﺧﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‪:‬‬

‫ﻫﺮ ﺳﻴﺴﺘﻢ ﺧﺒﺮه از دو ﺑﺨﺶ ﻣﺠﺰا ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ‪ :‬ﭘﺎﻳﮕﺎه داﻧﺶ و ﻣﻮﺗﻮر ﺗﺼﻤﻴﻢﮔﻴﺮي‪.‬‬
‫ﭘﺎﻳﮕﺎه داﻧﺶ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه از ﻫﺮ دو ﻧﻮع داﻧﺶ ﻣﺒﺘﻨﻲ ﺑﺮ ﺣﻘﺎﻳﻖ )‪ (factual‬و ﻧﻴﺰ داﻧﺶ‬
‫ﻏﻴﺮﻗﻄﻌﻲ )‪ (heuristic‬اﺳﺘﻔﺎده ﻣﻲﻛﻨﺪ‪ ،Factual knowledge .‬داﻧﺶ ﺣﻘﻴﻘﻲ ﻳﺎ ﻗﻄﻌﻲ‬
‫ﻧﻮﻋﻲ از داﻧﺶ اﺳﺖ ﻛﻪ ﻣﻲﺗﻮان آن را در ﺣﻴﻄﻪﻫﺎي ﻣﺨﺘﻠﻒ ﺑﻪ اﺷﺘﺮاك ﮔﺬاﺷﺖ و ﺗﻌﻤﻴﻢ‬
‫داد؛ ﭼﺮاﻛﻪ درﺳﺘﻲ آن ﻗﻄﻌﻲ اﺳﺖ‪.‬‬
‫در ﺳﻮي دﻳﮕﺮ‪ Heuristic knowledge ،‬ﻗﺮار دارد ﻛﻪ ﻏﻴﺮﻗﻄﻌﻲﺗﺮ و ﺑﻴﺸﺘﺮ ﻣﺒﺘﻨﻲ ﺑﺮ‬
‫ﺑﺮداﺷﺖﻫﺎي ﺷﺨﺼﻲ اﺳﺖ‪ .‬ﻫﺮﭼﻪ ﺣﺪسﻫﺎ ﻳﺎ داﻧﺶ ﻫﻴﻮرﺳﺘﻴﻚ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﻬﺘﺮ‬
‫ﺑﺎﺷﺪ‪ ،‬ﺳﻄﺢ ﺧﺒﺮﮔﻲ آن ﺑﻴﺸﺘﺮ ﺧﻮاﻫﺪ ﺑﻮد و در ﺷﺮاﻳﻂ وﻳﮋه‪ ،‬ﺗﺼﻤﻴﻤﺎت ﺑﻬﺘﺮي اﺗﺨﺎذ‬
‫ﺧﻮاﻫﺪ ﻛﺮد‪.‬‬
‫داﻧﺶ ﻣﺒﺘﻨﻲ ﺑﺮ ﺳﺎﺧﺘﺎر ‪ Heuristic‬در ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه اﻫﻤﻴﺖ زﻳﺎدي دارد اﻳﻦ ﻧﻮع داﻧﺶ‬
‫ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﺗﺴﺮﻳﻊ ﻓﺮآﻳﻨﺪ ﺣﻞ ﻳﻚ ﻣﺴﺌﻠﻪ ﻛﻤﻚ ﻛﻨﺪ‪.‬‬
‫اﻟﺒﺘﻪ ﻳﻚ ﻣﺸﻜﻞ ﻋﻤﺪه در ارﺗﺒﺎط ﺑﺎ ﺑﻪ ﻛﺎرﮔﻴﺮي داﻧﺶ‪ Heuristic‬آن اﺳﺖ ﻛﻪ ﻧﻤﻲﺗﻮان در‬
‫ﺣﻞ ﻫﻤﻪ ﻣﺴﺎﺋﻞ از اﻳﻦ ﻧﻮع داﻧﺶ اﺳﺘﻔﺎده ﻛﺮد‪ .‬ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ‪ ،‬ﻧﻤﻮدار )ﺷﻜﻞ ‪ (1‬ﺑﻪ ﺧﻮﺑﻲ‬
‫ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﺟﻠﻮﮔﻴﺮي از ﺣﻤﻞ ﺳﻤﻮم ﺧﻄﺮﻧﺎك از ﻃﺮﻳﻖ ﺧﻄﻮط ﻫﻮاﻳﻲ ﺑﺎ اﺳﺘﻔﺎده از‬
‫روش ‪ Heuristic‬اﻣﻜﺎﻧﭙﺬﻳﺮ ﻧﻴﺴﺖ‪.‬‬
‫‪59‬‬

‫ﺷﻜﻞ ‪1-4‬‬
‫اﻃﻼﻋﺎت اﻳﻦ ﺑﺨﺶ از ﺳﻴﺴﺘﻢ ﺧﺒﺮه از ﻃﺮﻳﻖ ﻣﺼﺎﺣﺒﻪ ﺑﺎ اﻓﺮاد ﻣﺘﺨﺼﺺ در اﻳﻦ زﻣﻴﻨﻪ‬
‫ﺗﺎﻣﻴﻦ ﻣﻲﺷﻮد‪ .‬ﻣﻬﻨﺪس داﻧﺶ ﻳﺎ ﻣﺼﺎﺣﺒﻪﻛﻨﻨﺪه‪ ،‬ﭘﺲ از ﺳﺎزﻣﺎندﻫﻲ اﻃﻼﻋﺎت‬
‫ﺟﻤﻊآوريﺷﺪه از ﻣﺘﺨﺼﺼﺎن ﻳﺎ ﻣﺼﺎﺣﺒﻪ ﺷﻮﻧﺪﮔﺎن‪ ،‬آنﻫﺎ را ﺑﻪ ﻗﻮاﻧﻴﻦ ﻗﺎﺑﻞ ﻓﻬﻢ ﺑﺮاي‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﻪ ﺻﻮرت )‪ (if-then‬ﻣﻮﺳﻮم ﺑﻪ ﻗﻮاﻧﻴﻦ ﺳﺎﺧﺖ )‪ (production rules‬ﺗﺒﺪﻳﻞ‬
‫ﻣﻲﻛﻨﺪ‪.‬‬
‫ﻣﻮﺗﻮر ﺗﺼﻤﻴﻢﮔﻴﺮي ﺳﻴﺴﺘﻢ ﺧﺒﺮه را ﻗﺎدر ﻣﻲﻛﻨﺪ ﺑﺎ اﺳﺘﻔﺎده از ﻗﻮاﻧﻴﻦ ﭘﺎﻳﮕﺎه داﻧﺶ‪ ،‬ﭘﺮوﺳﻪ‬
‫ﺗﺼﻤﻴﻢﮔﻴﺮي را اﻧﺠﺎم دﻫﺪ‪ .‬ﺑﺮاي ﻧﻤﻮﻧﻪ‪ ،‬اﮔﺮ ﭘﺎﻳﮕﺎه داﻧﺶ ﻗﻮاﻧﻴﻨﻲ ﺑﻪ ﺻﻮرت زﻳﺮ داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ‪:‬‬
‫●دﻓﺘﺮ ﻣﺎﻫﻨﺎﻣﻪ ﺷﺒﻜﻪ در ﺗﻬﺮان ﻗﺮار دارد‪.‬‬
‫●ﻣﺴﺠﺪﺳﻠﻴﻤﺎن در اﻳﺮان ﻗﺮار دارد‪.‬‬

‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﻗﺎﻧﻮن زﻳﺮ ﺑﺮﺳﺪ‪:‬‬
‫● دﻓﺘﺮ ﻣﺎﻫﻨﺎﻣﻪ ﺷﺒﻜﻪ در اﻳﺮان ﻗﺮار دارد‪.‬‬
‫‪ 5-1-4‬اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي ‪:‬‬

‫ﻣﻮﺿﻮع ﻣﻬﻢ دﻳﮕﺮ در ارﺗﺒﺎط ﺑﺎ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه‪ ،‬ﭘﻴﻮﻧﺪ و ارﺗﺒﺎط آن ﺑﺎ دﻳﮕﺮ ﺷﺎﺧﻪﻫﺎي‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ‪ .‬ﺑﻪ ﺑﻴﺎن روﺷﻦﺗﺮ‪ ،‬ﺑﺮﺧﻲ از ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه از ‪ Logic Fuzzy‬ﻳﺎ‬
‫ﻣﻨﻄﻖ ﻓﺎزي اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ‪ .‬در ﻣﻨﻄﻖ ﻏﻴﺮﻓﺎزي ﺗﻨﻬﺎ دو ارزش درﺳﺖ )‪ (true‬ﻳﺎ ﻧﺎدرﺳﺖ‬
‫)‪ (false‬وﺟﻮد دارد‪ .‬ﭼﻨﻴﻦ ﻣﻨﻄﻘﻲ ﻧﻤﻲﺗﻮاﻧﺪ ﭼﻨﺪان ﻛﺎﻣﻞ ﺑﺎﺷﺪ؛ ﭼﺮاﻛﻪ ﻓﻬﻢ و ﭘﺮوﺳﻪ‬
‫ﺗﺼﻤﻴﻢﮔﻴﺮي اﻧﺴﺎنﻫﺎ در ﺑﺴﻴﺎري از ﻣﻮارد‪ ،‬ﻛﺎﻣﻼ ﻗﻄﻌﻲ ﻧﻴﺴﺖ و ﺑﺴﺘﻪ ﺑﻪ زﻣﺎن و ﻣﻜﺎن آن‪،‬‬
‫‪60‬‬

‫ﺗﺎ ﺣﺪودي درﺳﺖ ﻳﺎ ﺗﺎ ﺣﺪودي ﻧﺎدرﺳﺖ اﺳﺖ‪ .‬در ﺧﻼل ﺳﺎلﻫﺎي ‪ 1920‬و ‪Jan ،1930‬‬
‫‪ Lukasiewicz‬ﻓﻴﻠﺴﻮف ﻟﻬﺴﺘﺎﻧﻲ ﻣﻨﻄﻘﻲ را ﻣﻄﺮح ﻛﺮد ﻛﻪ در آن ارزش ﻳﻚ ﻗﺎﻧﻮن ﻣﻲﺗﻮاﻧﺪ‬
‫ﺑﻴﺸﺘﺮ از دو ﻣﻘﺪار ‪ 0‬و ‪ 1‬ﻳﺎ درﺳﺖ و ﻧﺎدرﺳﺖ ﺑﺎﺷﺪ‪ .‬ﺳﭙﺲ ﭘﺮوﻓﺴﻮر ﻟﻄﻔﻲزاده ﻧﺸﺎن داد‬
‫ﻛﻪ ﻣﻨﻄﻖ ‪ Lukasiewicz‬را ﻣﻲﺗﻮان ﺑﻪ ﺻﻮرت "درﺟﻪ درﺳﺘﻲ" ﻣﻄﺮح ﻛﺮد‪ .‬ﻳﻌﻨﻲ ﺑﻪ ﺟﺎي‬
‫اﻳﻦﻛﻪ ﺑﮕﻮﻳﻴﻢ‪" :‬اﻳﻦ ﻣﻨﻄﻖ درﺳﺖ اﺳﺖ ﻳﺎ ﻧﺎدرﺳﺖ؟" ﺑﮕﻮﻳﻴﻢ‪" :‬اﻳﻦ ﻣﻨﻄﻖ ﭼﻘﺪر درﺳﺖ‬
‫ﻳﺎ ﭼﻘﺪر ﻧﺎدرﺳﺖ اﺳﺖ؟"‬
‫از ﻣﻨﻄﻖ ﻓﺎزي در ﻣﻮاردي اﺳﺘﻔﺎده ﻣﻲﺷﻮد ﻛﻪ ﺑﺎ ﻣﻔﺎﻫﻴﻢ ﻣﺒﻬﻤﻲ ﭼﻮن "ﺳﻨﮕﻴﻨﻲ"‪،‬‬
‫"ﺳﺮﻣﺎ"‪" ،‬ارﺗﻔﺎع" و از اﻳﻦ ﻗﺒﻴﻞ ﻣﻮاﺟﻪ ﺷﻮﻳﻢ‪ .‬اﻳﻦ ﭘﺮﺳﺶ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ‪" :‬وزن ﻳﻚ‬
‫ﺷﻲء ‪ 500‬ﻛﻴﻠﻮﮔﺮم اﺳﺖ‪ ،‬آﻳﺎ اﻳﻦ ﺷﻲء ﺳﻨﮕﻴﻦ اﺳﺖ؟" ﭼﻨﻴﻦ ﺳﻮاﻟﻲ ﻳﻚ ﺳﻮال ﻣﺒﻬﻢ‬
‫ﻣﺤﺴﻮب ﻣﻲﺷﻮد؛ ﭼﺮاﻛﻪ اﻳﻦ ﺳﻮال ﻣﻄﺮح ﻣﻲﺷﻮد ﻛﻪ "از ﭼﻪ ﻧﻈﺮ ﺳﻨﮕﻴﻦ؟" اﮔﺮ ﺑﺮاي‬
‫ﺣﻤﻞ ﺗﻮﺳﻂ ﻳﻚ اﻧﺴﺎن ﺑﮕﻮﻳﻴﻢ‪ ،‬ﺑﻠﻪ ﺳﻨﮕﻴﻦ اﺳﺖ‪ .‬اﮔﺮ ﺑﺮاي ﺣﻤﻞ ﺗﻮﺳﻂ ﻳﻚ اﺗﻮﻣﺒﻴﻞ‬
‫ﻣﻄﺮح ﺷﻮد‪ ،‬ﻛﻤﻲ ﺳﻨﮕﻴﻦ اﺳﺖ‪ ،‬وﻟﻲ اﮔﺮ ﺑﺮاي ﺣﻤﻞ ﺗﻮﺳﻂ ﻳﻚ ﻫﻮاﭘﻴﻤﺎ ﻣﻄﺮح ﺷﻮد ﺳﻨﮕﻴﻦ‬
‫ﻧﻴﺴﺖ‪.‬‬
‫در اﻳﻨﺠﺎﺳﺖ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي ﻣﻲﺗﻮان ﻳﻚ درﺟﻪ درﺳﺘﻲ ﺑﺮاي ﭼﻨﻴﻦ ﭘﺮﺳﺸﻲ‬
‫در ﻧﻈﺮ ﮔﺮﻓﺖ و ﺑﺴﺘﻪ ﺑﻪ ﺷﺮاﻳﻂ ﮔﻔﺖ ﻛﻪ اﻳﻦ ﺷﻲء ﻛﻤﻲ ﺳﻨﮕﻴﻦ اﺳﺖ‪ .‬ﻳﻌﻨﻲ در ﭼﻨﻴﻦ‬
‫ﻣﻮاردي ﮔﻔﺘﻦ اﻳﻦﻛﻪ اﻳﻦ ﺷﻲء ﺳﻨﮕﻴﻦ ﻧﻴﺴﺖ‬
‫)‪ (false‬ﻳﺎ ﺳﻨﮕﻴﻦ اﺳﺖ )‪ (true‬ﭘﺎﺳﺦ دﻗﻴﻘﻲ ﻧﻴﺴﺖ‪.‬‬
‫‪ 6-1-4‬ﻣﺰاﻳﺎ و ﻣﺤﺪودﻳﺖﻫﺎي ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ‪:‬‬

‫دﺳﺘﺎورد ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه را ﻣﻲﺗﻮان ﺻﺮﻓﻪﺟﻮﻳﻲ در ﻫﺰﻳﻨﻪﻫﺎ و ﻧﻴﺰ ﺗﺼﻤﻴﻢﮔﻴﺮيﻫﺎي‬
‫ﺑﻬﺘﺮ و دﻗﻴﻖﺗﺮ و ﺑﺴﻴﺎري ﻣﻮارد ﺗﺨﺼﺼﻲﺗﺮ دﻳﮕﺮ ﻋﻨﻮان ﻛﺮد‪ .‬اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه‬
‫ﺑﺮاي ﺷﺮﻛﺖﻫﺎ ﻣﻲﺗﻮاﻧﺪ ﺻﺮﻓﻪﺟﻮﻳﻲ ﺑﻪ ﻫﻤﺮاه داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫در زﻣﻴﻨﻪ ﺗﺼﻤﻴﻢﮔﻴﺮي ﻧﻴﺰ ﮔﺎﻫﻲ ﻣﻲﺗﻮان در ﺷﺮاﻳﻂ ﭘﻴﭽﻴﺪه‪ ،‬ﺑﺎ ﺑﻬﺮهﮔﻴﺮي از ﭼﻨﻴﻦ‬
‫ﺳﻴﺴﺘﻢﻫﺎﻳﻲ ﺗﺼﻤﻴﻢﻫﺎي ﺑﻬﺘﺮي اﺗﺨﺎذ ﻛﺮد و ﺟﻨﺒﻪﻫﺎي ﭘﻴﭽﻴﺪهاي را در ﻣﺪت زﻣﺎن ﺑﺴﻴﺎر‬
‫ﻛﻤﻲ ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار داد ﻛﻪ ﺗﺤﻠﻴﻞ آﻧﻬﺎ ﺑﻪ روزﻫﺎ زﻣﺎن ﻧﻴﺎز دارد‪.‬‬
‫از ﺳﻮي دﻳﮕﺮ‪ ،‬ﺑﻪﻛﺎرﮔﻴﺮي ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ﻣﺤﺪودﻳﺖﻫﺎي ﺧﺎﺻﻲ دارد‪ .‬ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ‪،‬‬
‫اﻳﻦ ﺳﻴﺴﺘﻢﻫﺎ ﻧﺴﺒﺖ ﺑﻪ آﻧﭽﻪ اﻧﺠﺎم ﻣﻲدﻫﻨﺪ‪ ،‬ﻫﻴﭻ >ﺣﺴﻲ< ﻧﺪارﻧﺪ‪ .‬ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢﻫﺎﻳﻲ‬
‫ﻧﻤﻲﺗﻮاﻧﻨﺪ ﺧﺒﺮﮔﻲ ﺧﻮد را ﺑﻪ ﮔﺴﺘﺮهﻫﺎي وﺳﻴﻊﺗﺮي ﺗﻌﻤﻴﻢ دﻫﻨﺪ؛ ﭼﺮاﻛﻪ ﺗﻨﻬﺎ ﺑﺮاي ﻳﻚ‬
‫ﻣﻨﻈﻮر ﺧﺎص ﻃﺮاﺣﻲ ﺷﺪهاﻧﺪ و ﭘﺎﻳﮕﺎه داﻧﺶ آنﻫﺎ از داﻧﺶ ﻣﺘﺨﺼﺼﺎن آن ﺣﻮزه ﻧﺸﺎت‬
‫‪61‬‬

‫ﮔﺮﻓﺘﻪ و از اﻳﻦرو ﻣﺤﺪود اﺳﺖ‪.‬‬

‫ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢﻫﺎﻳﻲ از آﻧﺠﺎ ﻛﻪ ﺗﻮﺳﻂ داﻧﺶ ﻣﺘﺨﺼﺼﺎن ﺗﻐﺬﻳﻪ اﻃﻼﻋﺎﺗﻲ ﺷﺪهاﻧﺪ‪ ،‬در ﺻﻮرت‬
‫ﺑﺮوز ﺑﺮﺧﻲ ﻣﻮارد ﭘﻴﺶﺑﻴﻨﻲ ﻧﺸﺪه‪ ،‬ﻧﻤﻲﺗﻮاﻧﻨﺪ ﺷﺮاﻳﻂ ﺟﺪﻳﺪ را ﺑﻪ درﺳﺘﻲ ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ‬
‫ﻧﻤﺎﻳﻨﺪ‪.‬‬
‫‪ 7-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪:‬‬

‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در زﻣﻴﻨﻪ ﻫﺎي ﻣﺨﺘﻠﻔﻲ از ﺟﻤﻠﻪ ﺻﻨﻌﺖ‪،‬ﺗﺠﺎرت و ﻛﺎرﺑﺮدﻫﺎي ﻣﺎﻟﻲ ﻣﻔﻴﺪ‬
‫ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬در واﻗﻊ‪،‬زﻣﻴﻨﻪ ﻫﺎي ﻣﺨﺘﻠﻒ ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﺧﺒﺮه ‪،‬اﻣﺮوزه ﭼﻨﺎن ﮔﺴﺘﺮده اﺳﺖ‬
‫ﻛﻪ ﺗﻘﺮﻳﺒﺎً در اﻧﺠﺎم ﻫﺮ ﺗﺼﻤﻴﻤﻲ ﻛﻪ ﺗﻮﺳﻂ اﻧﺴﺎن ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد ﻣﻮﻓﻖ ﻫﺴﺘﻨﺪ‪.‬ﺑﻴﺸﺘﺮﻳﻦ‬
‫ﻛﺎرﺑﺮدﻫﺎ در ذﻳﻞ ﺑﺮﺣﺴﺐ وﻇﺎﻳﻒ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه اﻧﺪ‪:‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﺸﺨﻴﺺ ‪ :‬ﻣﺜﺎل در ﭘﺰﺷﻜﻲ‪،‬ﻣﻬﻨﺪﺳﻲ و ﻧﺮم اﻓﺰار ﺗﺸﺨﻴﺺ اﻟﮕﻮ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻃﺮاﺣﻲ و زﻣﺎﻧﺒﻨﺪي ‪ :‬ﻣﺜﺎل در ﺑﺮﻧﺎﻣﻪ رﻳﺰي اﺗﻮﻣﺎﺗﻴﻚ‪،‬ﺣﺮﻛﺖ رﺑﺎت‪،‬اﺳﺘﺮاﺗﮋي‬
‫ﻧﻈﺎﻣﻲ و ﺣﺘﻲ ﺳﺎﻋﺖ ﺣﺮﻛﺖ ﻗﻄﺎر‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﻔﺴﺮ ‪ :‬ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺷﺮح ﻣﺸﺎﻫﺪات را ﺑﺮﻋﻬﺪه دارﻧﺪ‪.‬ﻣﺎﻧﻨﺪ‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺮاﻗﺒﺖ ﻳﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﺗﺸﺨﻴﺺ ﮔﻔﺘﺎر‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ‪ :‬ﻣﺎﻧﻨﺪ ﭘﻴﺶ ﺑﻴﻨﻲ ﺗﺮاﻓﻴﻚ ﻳﺎ ﭘﻴﺶ ﺑﻴﻨﻲ وﺿﻊ ﻫﻮا‪.‬‬
‫اﻣﺮوزه زﻣﻴﻨﻪ ﻫﺎي ﻛﺎرﺑﺮدي ﺟﺪﻳﺪي اﻳﺠﺎد ﺷﺪه ﻛﻪ ﺑﻪ ﺧﻮﺑﻲ ﺧﻮد را ﺑﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
‫وﻓﻖ ﻣﻲ دﻫﻨﺪ‪.‬اﻳﻦ ﻫﺎ ﻋﺒﺎرﺗﻨﺪ از ‪:‬ﻧﺸﺮ داﻧﺶ‪،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﻛﻤﻚ آﻣﻮزﺷﻲ‪،‬اﺑﺰارﻫﺎي‬
‫اﻳﻨﺘﺮﻧﺖ‪،‬وب و ﻏﻴﺮه‪ .‬ﺟﺪول زﻳﺮ ﻣﺜﺎﻟﻲ از ﻛﺎرﺑﺮدﻫﺎي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه را ﺷﺮح ﻣﻲ دﻫﺪ ‪.‬‬
‫‪62‬‬

‫ﺟﺪول ‪1-4‬‬
‫ﺗﺨﺼﺺ ﺳﻴﺴﺘﻢ‬
‫ﺗﺸﺮﻳﺢ‬ ‫ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه‬
‫ﺗﺮﺟﻤﻪ و ﺗﻮﺿﻴﺢ داده ﻫﺎي‬
‫ﺗﻔﺴﻴﺮ‬ ‫ﻣﺸﺎوره در ‪VAT‬‬
‫ﺣﺴﺎس را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪.‬‬
‫‪-DART‬ﺗﻮﺳﻂ دوﻟﺖ آﻣﺮﻳﻜﺎ در ﺟﻨﮓ‬
‫ﺗﺸﺨﻴﺺ‬ ‫ﻋﻤﻠﻴﺎت ﻃﺮاﺣﻲ را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪.‬‬ ‫ﺧﻠﻴﺞ ﺑﺮاي ﻧﻘﺸﻪ ﻣﺴﻴﺮ اﻧﺘﻘﺎل ﺳﺮﺑﺎزان‬
‫و ﻣﻬﻤﺎت اﺳﺘﻔﺎده ﺷﺪ‪.‬‬
‫ﺗﺨﺼﺺ ﺳﻴﺴﺘﻢ‬
‫ﺗﺸﺮﻳﺢ‪.‬‬ ‫ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه‬
‫‪ -XCON‬ﺑﺮاي ﻃﺮاﺣﻲ و ﺷﻜﻞ دادن‬
‫ﻃﺮاﺣﻲ‬ ‫ﺷﻜﻞ دادن ﺑﻪ اﺷﻴﺎ ﻃﺒﻖ ﻣﺪل‬ ‫ﺑﻪ ﺳﻔﺎرﺷﺎت ﻣﺸﺘﺮﻳﺎن در ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي‬
‫‪.VAX‬‬
‫‪-PROSPECTOR‬ﻳﻚ ﺳﻴﺴﺘﻢ‬
‫ﺑﻪ ﭼﻴﺰﻫﺎﻳﻲ ﻧﻈﻴﺮ ﻧﺘﺎﻳﺞ وﺿﻌﻴﺖ‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ‬ ‫ﻛﺸﻒ ﻣﻌﺪن ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺤﻞ ﻣﻌﺎدن را‬
‫ﻫﺎ و ﻳﺎ ﺣﻮادث اﺷﺎره ﻣﻲ ﻛﻨﺪ‪.‬‬
‫در ﻧﻮاﺣﻲ ﻣﺨﺘﻠﻒ ﺗﺨﻤﻴﻦ ﺑﺰﻧﺪ‪.‬‬
‫اﻳﻦ ﺳﻴﺴﺘﻢ ﻧﻤﺎﻳﺶ اﻛﺜﺮاً ﺑﺮاي‬ ‫‪-FRAUDWATCH‬اﻳﻦ ﺳﻴﺴﺘﻢ در‬
‫ﻧﻤﺎﻳﺶ‬ ‫ﻧﻈﺎرت و ﻣﻮاﻇﺒﺖ ﺑﺮ ﻋﻠﻴﻪ‬ ‫ﺑﺎﻧﻚ ﺑﺎرﻛﻠﻴﺰ ﺑﺮاي ﺗﺸﺨﻴﺺ ﻛﺎرت ﻫﺎي‬
‫ﻣﺘﺠﺎوزان ﺑﻜﺎر ﻣﻲ رود‪.‬‬ ‫اﻋﺘﺒﺎري ﺗﻘﻠﺒﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ داﻧﺶ آﻣﻮزان ﺧﺎﻃﻲ و‬ ‫‪-GUIDON‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﺮاي آﻣﻮزش‬
‫آﻣﻮزش‬
‫آﻣﻮزش آﻧﻬﺎ‪.‬‬ ‫ﻣﺴﺎﺋﻞ و ﻣﺸﻜﻼت‪.‬‬
‫‪-VM‬ﻳﻚ ﺳﻴﺴﺘﻢ ﻛﻪ ﺑﻴﻤﺎران را در‬
‫ﺑﺨﺶ ﭘﺮﺳﺘﺎري ﻧﺸﺎن ﻣﻲ دﻫﺪ و ﻃﺮز‬
‫ﻣﺪاواي ﺑﻴﻤﺎران را ﻛﻨﺘﺮل ﻣﻲ ﻛﻨﺪ‪.‬اﻳﻦ‬
‫ﺗﺸﺨﻴﺺ‪،‬ﭘﻴﺶ ﺑﻴﻨﻲ و ﻧﻤﺎﻳﺶ‬
‫ﻛﻨﺘﺮل‬ ‫ﺳﻴﺴﺘﻢ ﺣﺎﻟﺖ ﺑﻴﻤﺎر را ﺷﺮح ﻣﻲ دﻫﺪ و‬
‫رﻓﺘﺎر ﺳﻴﺴﺘﻢ را ﺑﺮﻋﻬﺪه دارد‪.‬‬
‫ﺑﻨﺎﺑﺮ اﻃﻼﻋﺎت‪،‬ﻫﺮ ﺧﻄﺮي ﻛﻪ ﺑﻴﻤﺎر را‬
‫ﺗﻬﺪﻳﺪ ﻣﻲ ﻛﻨﺪ ﺗﺸﺨﻴﺺ داده و راه‬
‫درﻣﺎن ﻣﻔﻴﺪ را ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ‪.‬‬
‫‪-TQMSTUNE‬ﺳﻴﺴﺘﻤﻲ اﺳﺖ ﻛﻪ‬
‫ﺗﻮﻟﻴﺪ روش ﻫﺎي ﺗﺮﻣﻴﻢ ﻣﻌﺎﻳﺐ و‬ ‫ﻣﻌﺎﻳﺐ و ﺧﺮاﺑﻲ ﺧﺎي ﺳﻴﺴﺘﻢ را‬
‫ﺗﻌﻤﻴﺮ‬
‫ﺧﺮاﺑﻲ ﻫﺎي ﺳﻴﺴﺘﻢ‪.‬‬ ‫ﺗﺸﺨﻴﺺ داده‪،‬ﺳﭙﺲ روش ﻫﺎي ﺗﺮﻣﻴﻢ‬
‫را اراﺋﻪ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﺗﻮﻟﻴﺪ روش ﻫﺎﻳﻲ ﺑﺮاي رﻓﻊ ﺧﺮاﺑﻲ‬ ‫‪-ONOCIN‬ﻳﻚ ﺳﻴﺴﺘﻢ ﻛﻪ ﺑﻪ ﭘﻴﺪا‬
‫اﺷﻜﺎل زداﻳﻲ‬
‫ﻫﺎي ﺳﻴﺴﺘﻢ‪.‬‬ ‫ﻛﺮدن ﻣﻌﺎﻳﺐ و رﻓﻊ آن ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪63‬‬

‫‪ 8-1-4‬آﻳﻨﺪه ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‪:‬‬

‫آﻳﻨﺪه ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه درﺧﺸﺎن و روﺷﻦ ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ‪.‬ﻫﻤﺎﻧﻄﻮر ﻛﻪ در ﺑﺨﺶ ﻗﺒﻞ‬
‫دﻳﺪﻳﻢ ﺑﺮﺧﻲ از ﻛﺎرﺑﺮدﻫﺎي ﺟﺪﻳﺪ ﺑﻪ ﺻﻮرت ﺳﻄﺤﻲ ﭘﻴﺸﺮﻓﺖ ﻛﺮده اﻧﺪ‪.‬ﭘﻴﺸﺮﻓﺖ اﺑﺰارﻫﺎي‬
‫ﻣﻬﻨﺪﺳﻲ داﻧﺶ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد ﻛﻪ ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﻪ ﺗﺠﺮﺑﻪ ﻛﻤﺘﺮي ﻧﻴﺎز داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ‪.‬ﭘﻴﺸﺮﻓﺖ ﻫﺎي ﺳﺨﺖ اﻓﺰاري ﻣﺎﻧﻨﺪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﭘﻨﺘﻴﻮم‪،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه را ﻗﺎدر‬
‫ﺳﺎﺧﺘﻪ ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺤﻴﻂ ﻋﻤﻠﻴﺎﺗﻲ واﺳﻂ ﻛﺎرﺑﺮ ﮔﺮاﻓﻴﻜﻲ اﺳﺘﻔﺎده ﺷﻮﻧﺪ‪.‬ﺗﻜﻨﻮﻟﻮژي‬
‫ﺳﺎﺧﺖ ﻣﺮاﺣﻞ ﻣﺨﺘﻠﻒ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﺣﺎل اﺻﻼح و ﺑﻬﺒﻮد ﻛﻴﻔﻴﺖ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ 9-1-4‬ﭼﻨﺪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﺸﻬﻮر‪:‬‬

‫از ﻧﺨﺴﺘﻴﻦ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ﻣﻲﺗﻮان ﺑﻪ ‪ Dendral‬اﺷﺎره ﻛﺮد ﻛﻪ در ﺳﺎل ‪ 1965‬ﺗﻮﺳﻂ‬
‫‪ Edward Feigenbaum‬و‪ Joshun Lederberg‬ﭘﮋوﻫﺸﮕﺮان ﻫﻮش ﻣﺼﻨﻮﻋﻲ در داﻧﺸﮕﺎه‬
‫اﺳﺘﻨﻔﻮرد ﺳﺎﺧﺘﻪ ﺷﺪ‪.‬‬
‫وﻇﻴﻔﻪ اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻛﺎﻣﭙﻴﻮﺗﺮي‪ ،‬ﺗﺤﻠﻴﻞﻫﺎي ﺷﻴﻤﻴﺎﻳﻲ ﺑﻮد‪ .‬ﻣﺎده ﻣﻮرد آزﻣﺎﻳﺶ ﻣﻲﺗﻮاﻧﺴﺖ‬
‫ﺗﺮﻛﻴﺒﻲ ﭘﻴﭽﻴﺪه از ﻛﺮﺑﻦ‪ ،‬ﻫﻴﺪروژن و ﻧﻴﺘﺮوژن ﺑﺎﺷﺪ‪ Dendarl .‬ﻣﻲﺗﻮاﻧﺴﺖ ﺑﺎ ﺑﺮرﺳﻲ آراﻳﺶ‬
‫و اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﻳﻚ ﻣﺎده‪ ،‬ﺳﺎﺧﺘﺎر ﻣﻮﻟﻜﻮﻟﻲ آن را ﺷﺒﻴﻪﺳﺎزي ﻛﻨﺪ‪ .‬ﻛﺎرﻛﺮد اﻳﻦ‬
‫ﻧﺮماﻓﺰار ﭼﻨﺎن ﺧﻮب ﺑﻮد ﻛﻪ ﻣﻲﺗﻮاﻧﺴﺖ ﺑﺎ ﻳﻚ ﻣﺘﺨﺼﺺ رﻗﺎﺑﺖ ﻛﻨﺪ‪.‬‬
‫از دﻳﮕﺮ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ﻣﺸﻬﻮر ﻣﻲﺗﻮان ﺑﻪ ‪ MYCIN‬اﺷﺎره ﻛﺮد ﻛﻪ در ﺳﺎل ‪ 1972‬در‬
‫اﺳﺘﻨﻔﻮرد ﻃﺮاﺣﻲ ﺷﺪ‪ MYCIN .‬ﺑﺮﻧﺎﻣﻪاي ﺑﻮد ﻛﻪ ﻛﺎر آن ﺗﺸﺨﻴﺺ ﻋﻔﻮﻧﺖﻫﺎي ﺧﻮﻧﻲ ﺑﺎ‬
‫ﺑﺮرﺳﻲ اﻃﻼﻋﺎت ﺑﻪ دﺳﺖ آﻣﺪه از ﺷﺮاﻳﻂ ﺟﺴﻤﻲ ﺑﻴﻤﺎر و ﻧﻴﺰ ﻧﺘﻴﺠﻪ آزﻣﺎﻳﺶﻫﺎي او ﺑﻮد‪.‬‬
‫ﺑﺮﻧﺎﻣﻪ ﺑﻪ ﮔﻮﻧﻪاي ﻃﺮاﺣﻲ ﺷﺪه ﺑﻮد ﻛﻪ در ﺻﻮرت ﻧﻴﺎز ﺑﻪ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ‪ ،‬ﺑﺎ ﭘﺮﺳﺶﻫﺎﻳﻲ‬
‫آنﻫﺎ را درﺧﻮاﺳﺖ ﻣﻲﻛﺮد ﺗﺎ ﺗﺼﻤﻴﻢﮔﻴﺮي ﺑﻬﺘﺮي اﻧﺠﺎم دﻫﺪ؛ ﭘﺮﺳﺶﻫﺎﻳﻲ ﭼﻮن "آﻳﺎ ﺑﻴﻤﺎر‬
‫اﺧﻴﺮا دﭼﺎر ﺳﻮﺧﺘﮕﻲ ﺷﺪه اﺳﺖ؟" )ﺑﺮاي ﺗﺸﺨﻴﺺ اﻳﻦﻛﻪ آﻳﺎ ﻋﻔﻮﻧﺖ ﺧﻮﻧﻲ از ﺳﻮﺧﺘﮕﻲ‬
‫ﻧﺸﺎت ﮔﺮﻓﺘﻪ ﻳﺎ ﻧﻪ‪ ) MYCIN .‬ﮔﺎه ﻣﻲﺗﻮاﻧﺴﺖ ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺶ را ﻧﻴﺰ از ﭘﻴﺶ ﺣﺪس ﺑﺰﻧﺪ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه دﻳﮕﺮ در اﻳﻦ زﻣﻴﻨﻪ ‪ Centaur‬ﺑﻮد ﻛﻪ ﻛﺎر آن ﺑﺮرﺳﻲ آزﻣﺎﻳﺶﻫﺎي ﺗﻨﻔﺴﻲ و‬
‫ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎريﻫﺎي رﻳﻮي ﺑﻮد‪.‬‬
‫ﻳﻜﻲ از ﭘﻴﺸﺮوان ﺗﻮﺳﻌﻪ و ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه‪ ،‬ﺳﺎزﻣﺎنﻫﺎي ﻓﻀﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺮاي‬
‫ﻣﺸﺎوره و ﻧﻴﺰ ﺑﺮرﺳﻲ ﺷﺮاﻳﻂ ﭘﻴﭽﻴﺪه و ﺻﺮﻓﻪﺟﻮﻳﻲ در زﻣﺎن و ﻫﺰﻳﻨﻪ ﭼﻨﻴﻦ ﺗﺤﻠﻴﻞﻫﺎﻳﻲ ﺑﻪ‬
‫اﻳﻦ ﺳﻴﺴﺘﻢﻫﺎ روي آوردهاﻧﺪ‪.‬‬
‫‪ (Marshall Space Flight Center) MSFC‬ﻳﻜﻲ از ﻣﺮاﻛﺰ واﺑﺴﺘﻪ ﺑﻪ ﺳﺎزﻣﺎن ﻓﻀﺎﻳﻲ ﻧﺎﺳﺎ از‬
‫ﺳﺎل ‪ 1994‬در زﻣﻴﻨﻪ ﺗﻮﺳﻌﻪ ﻧﺮماﻓﺰارﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻛﺎر ﻣﻲﻛﻨﺪ ﻛﻪ ﻫﺪف آن ﺗﺨﻤﻴﻦ ﻛﻢ‪ ‬و‬
‫‪64‬‬

‫ﻛﻴﻒ ﺗﺠﻬﻴﺰات و ﻟﻮازم ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﺣﻤﻞ ﺑﻪ ﻓﻀﺎ اﺳﺖ‪.‬‬

‫اﻳﻦ ﺑﺮﻧﺎﻣﻪﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﺑﺎ ﭘﻴﺸﻨﻬﺎد راﻫﻜﺎرﻫﺎﻳﻲ در اﻳﻦ زﻣﻴﻨﻪ از ﺑﺎر ﻛﺎري ﻛﺎرﻣﻨﺪان‬
‫ﺑﺨﺶﻫﺎﻳﻲ ﭼﻮن ‪) ISS‬اﻳﺴﺘﮕﺎه ﻓﻀﺎﻳﻲ ﺑﻴﻦ اﻟﻤﻠﻠﻲ( ﻣﻲﻛﺎﻫﻨﺪ و ﺑﻪ ﮔﻮﻧﻪاي ﻃﺮاﺣﻲ ﺷﺪهاﻧﺪ‬
‫ﻛﻪ ﻣﺪﻳﺮﻳﺖﭘﺬﻳﺮﻧﺪ و ﺑﺴﺘﻪ ﺑﻪ ﺷﺮاﻳﻂ ﻣﺨﺘﻠﻒ‪ ،‬ﻗﺎﺑﻞ ﺗﻌﺮﻳﻒ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻣﺮﻛﺰ ﻓﻀﺎﻳﻲ ‪ ،MSFC‬ﺗﻮﺳﻂ ﻓﻨﺎوري وﻳﮋه ﺧﻮد ﻣﻮﺳﻮم ﺑﻪ ‪ G2‬ﺑﻪ اﻳﺠﺎد ﺑﺮﻧﺎﻣﻪﻫﺎي وﻳﮋه‬
‫ﻛﻨﺘﺮل ﻫﻮﺷﻤﻨﺪاﻧﻪ و ﺳﻴﺴﺘﻢﻫﺎي ﻣﺎﻧﻴﺘﻮرﻳﻨﮓ ﺧﻄﺎﻳﺎب ﻣﻲﭘﺮدازد‪ .‬اﻳﻦ ﻓﻨﺎوري را ﻣﻲﺗﻮان‬
‫ﻫﻢ در ﺳﻴﺴﺘﻢﻫﺎي ﻟﻴﻨﻮﻛﺴﻲ و ﻫﻢ در ﺳﻴﺴﺘﻢﻫﺎي ﺳﺮور ﻣﺒﺘﻨﻲ ﺑﺮ وﻳﻨﺪوز ﻣﻮرد اﺳﺘﻔﺎده‬
‫ﻗﺮار داد‪.‬‬
‫آﻧﭽﻪ در ﻧﻬﺎﻳﺖ ﻣﻲﺗﻮان ﮔﻔﺖ آن اﺳﺖ ﻛﻪ ﻳﻜﻲ از ﻣﺰﻳﺖﻫﺎي ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه اﻳﻦ اﺳﺖ‬
‫ﻛﻪ ﻣﻲﺗﻮاﻧﻨﺪ در ﻛﻨﺎر ﻣﺘﺨﺼﺼﺎن اﻧﺴﺎﻧﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﺑﮕﻴﺮﻧﺪ ﻛﻪ ﻣﺎﺣﺼﻞ آن ﺗﺼﻤﻴﻤﻲ‬
‫ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﺨﺼﺺ اﻧﺴﺎﻧﻲ و دﻗﺖ ﻣﺎﺷﻴﻨﻲ اﺳﺖ‪ .‬اﻳﻦ ﻓﻨﺎوري از دﻳﺪ ﺗﺠﺎري ﻧﻴﺰ ﺑﺮاي‬
‫ﺗﻮﺳﻌﻪدﻫﻨﺪﮔﺎن آن ﺳﻮدآور اﺳﺖ‪.‬‬
‫ﻫﻢاﻛﻨﻮن ﺷﺮﻛﺖﻫﺎي ﺑﺴﻴﺎري ﺑﻪ ﻓﺮوش ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه و ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺸﺘﺮﻳﺎن‬
‫ﻣﺤﺼﻮﻻت ﺧﻮد ﻣﻲﭘﺮدازﻧﺪ‪ .‬درآﻣﺪ ﻳﻚ ﺷﺮﻛﺖ ﻛﻮﭼﻚ ﻓﻌﺎل در زﻣﻴﻨﻪ ﻓﺮوش ﭼﻨﻴﻦ‬
‫ﻣﺤﺼﻮﻻﺗﻲ ﻣﻲﺗﻮاﻧﺪ ﺳﺎﻻﻧﻪ ﺑﺎﻟﻎ ﺑﺮ ﭘﻨﺞ ﺗﺎ ﺑﻴﺴﺖ ﻣﻴﻠﻴﻮن دﻻر ﺑﺎﺷﺪ‪ .‬ﺑﺎزار ﻓﺮوش و‬
‫ﭘﺸﺘﻴﺒﺎﻧﻲ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه در ﺳﺮاﺳﺮ ﺟﻬﺎن ﻧﻴﺰ ﺳﺎﻻﻧﻪ ﺑﻪ ﺻﺪﻫﺎ ﻣﻴﻠﻴﻮن دﻻر ﻣﻲرﺳﺪ‪.‬‬
‫‪ 10-1-4‬ﺳﺎﺧﺘﺎر ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ‪:‬‬
‫ﺗﻌﺪاد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮة ﻛﺘﺎﺑﺨﺎﻧﻪ اي ﻗﺎﺑﻞ ﺧﺮﻳﺪ اﻧﺪك اﺳﺖ و اﻛﺜﺮ اﻳﻦ ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﻛﻨﺎﺑﺨﺎﻧﻪ اي ﺑﻪ ﺻﻮرت داﺧﻠﻲ ﻃﺮاﺣﻲ ﻣﻲ ﺷﺪﻧﺪ ‪ .‬در ﺧﻼل ﻣﺮاﺣﻞ اوﻟﻴﺔ ﺳﺎﺧﺖ‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪ ،‬ﻛﺘﺎﺑﺪار ﻣﻴﺒﺎﻳﺪ ﺑﺎ ﻣﻬﻨﺪس ﺳﻴﺴﺘﻢ ﻫﻤﻜﺎري ﻧﺰدﻳﻚ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﻬﻨﺪس ﺳﻴﺴﺘﻦ ﻣﻲ ﺗﻮاﻧﺪ ﭘﻴﺸﻨﻬﺎدﻫﺎي ﻣﻔﻴﺪي را در ﻃﺮاﺣﻲ و ﺣﻤﺎﻳﺖ از ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﻫﻮﺷﻤﻨﺪ اراﺋﻪ ﻛﻨﺪ ‪) .‬ﻫﻴﺰ ( و ﻫﻤﻜﺎران )‪ (4‬ﭘﻨﺞ ﻣﺮﺣﻠﻪ رادر روش ﺷﻨﺎﺳﻲ‬
‫ﺳﺎﺧﺖ و ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ ﻫﺎي ﻫﺒﺮه ذﻛﺮ ﻣﻲ ﻧﻤﺎﻳﻨﺪ ‪:‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ_ ﺷﻨﺎﺳﺎﻳﻲ ﻋﺒﺎرت اﺳﺖ ار ﺷﻨﺎﺧﺖ ﻣﺴﺎﺋﻞ و ﻣﺤﺪوده ‪ ،‬و ﻗﺒﻞ از آن ﻛﻪ‬
‫اﻫﺪاف و ﻣﻘﺎﺻﺪ ﺳﺎﺧﺖ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺗﺒﻴﻴﻦ ﺷﻮد‪ ,‬ﺻﻮرت ﻣﻲ ﮔﻴﺮد ‪ .‬در اﻳﻦ‬
‫ﻣﺮﺣﻠﻪ ﺑﺎﻳﺪ ﻣﻨﺎﺑﻊ ﻣﺸﺨﺺ ﺷﻮﻧﺪ و ﻫﻤﭽﻨﻴﻦ ﺑﺮآوردي از ﻣﻨﺎﺑﻊ ﺑﺮاي ﻛﺎرﻛﻨﺎن د راﻳﺎﻧﻪ‬
‫ﺻﻮرت ﮔﻴﺮد ‪.‬‬
‫‪65‬‬

‫ﺗﺠﺴﻢ ﻳﺎ ﻣﻔﻬﻮم ﺳﺎزي )‪_ (5‬در اﻳﻦ ﻣﺮﺣﻠﻪ ﺟﻨﺒﻪ ﻫﺎي اﺳﺎﺳﻲ ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻮرد ﺑﺤﺚ و ﻓﺤﺺ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ و ﺳﺆاﻻﺗﻲ ﺑﻪ ﻗﺮار زﻳﺮ ﻣﻄﺮح‬
‫ﻣﻲ ﺷﻮﻧﺪ ‪:‬‬
‫_آﻳﺎ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻮرد ﻧﻴﺎز اﺳﺖ ؟‬
‫_آﻳﺎ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﺟﺎري ﻣﻲ ﺗﻮان ﺑﻪ اﻫﺪاف و ﻣﻘﺎﺻﺪ ﺳﺎزﻣﺎن دﺳﺖ ﻳﺎﻓﺖ‬
‫؟‬
‫_ﭼﻪ ﻛﺴﺎﻧﻲ از ﺳﻴﺴﺘﻢ ﺧﺒﺮه اﺳﺘﻔﺎده ﺧﻮاﻫﻨﺪ ﻛﺮد؟‬
‫_ﭼﻪ ﻛﺴﺎﻧﻲ ﺳﻴﺴﺘﻢ را آﻣﻮزش ﺧﻮاﻫﻨﺪ داد ؟‬
‫_ﻫﺰﻳﻨﻪ ‪ /‬ﻓﺎﻳﺪه اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭼﻪ ﻣﻘﺪار ﺧﻮاﻫﺪ ﺑﻮد ؟‬
‫‪.3‬رﺳﻤﻲ ﻛﺮدن )‪_ (6‬اﻳﻦ ﻣﺮﺣﻠﻪ ‪ ,‬ﻣﺮﺣﻠﺔﺑﻴﻦ ﺗﺠﺴﻢ و اﺟﺮا ﻣﻲ ﺑﺎﺷﺪ ‪ .‬در اﻳﻦ زﻣﺎن‬
‫اﺳﺖ ﻛﻪ ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮد ﭼﻪ راﻫﺒﺮدﻫﺎ ‪,‬وﺳﺎﺋﻞ و ﺗﺠﻬﻴﺰات ‪ ,‬و زﺑﺎن ﺑﺮﻧﺎﻣﻪ‬
‫ﻧﻮﻳﺴﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد ‪ .‬در اﻳﻦ ﻣﺮﺣﻠﻪ ﻣﻬﻨﺪس ﺳﻴﺴﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ ﻧﻈﺮات‬
‫ارزﺷﻤﻨﺪي اراﺋﻪ ﻛﻨﺪ‪.‬‬
‫‪.4‬اﺟﺮا_ اﻳﻦ ﻣﺮﺣﻠﻪ ﻣﺸﺨﺺ ﻣﺲ ﻛﻨﺪ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺗﺎ ﭼﻪ ﺣﺪ ﺑﻪ ﻧﻴﺎزﻫﺎي ﻛﺎرﺑﺮ‬
‫ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ ‪ .‬ارزﻳﺎﺑﻲ ﺑﺎز ﺧﻮرد اﺳﺘﻔﺎده ﻛﺎرﺑﺮان از ﺳﻴﺴﺘﻢ در ﺗﺼﺤﻴﺢ ﺳﻴﺴﺘﻢ‬
‫ﺑﺴﻴﺎر ﺑﺎ اﻫﻤﻴﺖ اﺳﺖ ‪ .‬ﻛﺎرﺑﺮان ﺑﻪ ﻛﺘﺎﺑﺪار و ﻣﻬﻨﺪس ﺳﻴﺴﺘﻦ ﺧﻮاﻫﻨﺪ ﮔﻔﺖ ﻛﻪ روش‬
‫ﻫﺎي اﻋﻤﺎل ﺷﺪه ﺗﺎ ﭼﻪ ﺣﺪ ﻛﺎرﺑﺮد دارﻧﺪ و ﺗﺎ ﭼﻪ اﻧﺪازه واﺳﻂ ارﺗﺒﺎﻃﻲ )‪ (7‬دﺳﺘﮕﺎه‬
‫راﺣﺖ و ﻣﺆﺛﺮ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪.5‬ارزﻳﺎﺑﻲ _در ﻣﺮﺣﻠﺔ ارزﻳﺎﺑﻲ ‪،‬ﻛﺘﺎﺑﺪار و ﻣﻬﻨﺪس ﺳﻴﺴﺘﻢ ﺑﻪ ﺳﺆاﻻﺗﻲ ﻫﻤﭽﻮن ﭼﻪ‬
‫ﭼﻴﺰي ﺧﻄﺎ و ﭼﻪ ﭼﻴﺰي ﺻﺤﻴﺢ ﺑﻮده ‪ ،‬ﭘﺎﺳﺦ ﻣﻲ ﮔﻮﻳﻨﺪ و آن ﻫﺎ را ﻣﻮرد ارزﻳﺎﺑﻲ‬
‫ﻗﺮار ﻣﻲ دﻫﻨﺪ ‪ .‬ﺑﺎﻳﺪ ﺑﻪ ﻳﺎدداﺷﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺑﺎﻛﺎر آﻣﺪ ﺑﺪﺗﺮ از آن اﺳﺖ ﻛﻪ‬
‫ﻫﻴﭽﮕﻮﻧﻪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه اي ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪ .‬ﺑﻬﺘﺮ اﺳﺖ ارزﻳﺎﺑﻲ ﺑﻪ ﺻﻮرت ﻣﻨﻈﻢ‬
‫ﺻﻮرت ﮔﻴﺮد ﺗﺎ ﻣﺸﺨﺺ ﺷﻮد ﻛﻪ آﻳﺎ ﻧﻴﺎز ﻫﺎي ﻛﺎرﺑﺮان ﻣﺤﻘﻖ ﺷﺪه اﺳﺖ ﻳﺎ ﺧﻴﺮ؟ در‬
‫اﻳﻦ زﻣﻴﻨﻪ ﺑﺎﻳﺪ ﻛﺘﺎﺑﺪار و ﻣﺘﺨﺼﺺ ﺳﻴﺴﺘﻢ ﺑﻪ اﺳﺘﺎﻧﺪاردﻫﺎ ﻧﻴﺰ ﺗﻮﺟﻪ ﻫﺎص ﻣﺒﺬول‬
‫دارﻧﺪ‪.‬‬
‫در ﺷﻜﻞ زﻳﺮ ﻣﺜﺎﻟﻲ از ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻛﻪ ﺑﻪ ﺷﻜﻞ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ ﻃﺮاﺣﻲ ﺷﺪه‬
‫ﻧﺸﺎن داده ﻣﻲ ﺷﻮد‪:‬‬
‫‪66‬‬

‫ﺷﻜﻞ‪2-4‬‬
‫در ﺣﺎل ﺣﺎﺿﺮ ﺑﺎ ﭘﻴﺸﺮﻓﺖ ﻋﻠﻮم و ﻓﻦ آوري ‪ ,‬دﻳﮕﺮ ﻻزم ﻧﻴﺴﺖ ﻛﻪ اﻧﺴﺎن ﺑﻪ ﻃﺮاﺣﻲ‬
‫ﻧﺮم اﻓﺰار ﺑﭙﺮدازد زﻳﺮا ﻧﺮم اﻓﺰارﻫﺎﻳﻲ در ﺑﺎزار ﻣﻮﺟﻮد اﺳﺖ ﻛﻪ ﺑﻪ اﻳﻦ ﻧﻴﺎز ﻫﺎ ﭘﺎﺳﺦ ﻣﻲ‬
‫ﮔﻮﻳﻨﺪ ‪ .‬از ﺟﻤﻠﻪ اﻳﻦ ﻧﺮم اﻓﺰارﻫﺎ ﻣﻲ ﺗﻮان ﺑﻪ )ﺷﻞ()‪ (8‬اﺷﺎره ﻛﺮد ‪ .‬ﻧﺮم اﻓﺰار ﺷﻞ ﺑﺮاي‬
‫اﻳﺠﺎد ﻧﻮع ﺑﺨﺼﻮﺻﻲ از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻃﺮاﺣﻲ ﺷﺪه و ﺑﺮاي ﻗﻮاﻧﻴﻦ ﻣﺘﻌﺪدي‬
‫اﺳﺘﻮار اﺳﺖ ﻛﻪ اﺳﺎس آن )اﮔﺮ _ﭘﺲ(ﻛﺲ ﺑﺎﺷﺪ‪.‬در ﺣﺎل ﺣﺎﺿﺮ ‪ 5‬ﻧﻮع ﻧﺮم اﻓﺰار ﺷﻞ‬
‫ﺑﺮاي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻮﺟﻮد و ﻗﺎﺑﻞ ﻧﺼﺐ ﺑﺮروي راﻳﺎﻧﻪ ﻫﺎي ﺷﺨﺼﻲ ﻣﻲ‬
‫ﺑﺎﺷﺪ‪).‬ﺗﺎﻳﻨﻲ آﻧﺸﺘﺎﻳﻦ ()‪),(9‬ﮔﻮرو()‪ (10‬و )ﻧﺎﻟﺞ ﭘﺮو ()‪ (11‬از ﺟﻤﻠﺔ اﻳﻦ ﻧﺮم‬
‫اﻓﺰارﻫﺎ ﻫﺴﺘﻨﺪ ‪.‬‬
‫‪ 11-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﺎ ‪:‬‬

‫ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه و ﻫﻮش ﻣﺼﻨﻮﻋﻲ در اﻣﻮر ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﻨﻮز در ﻣﺮاﺣﻞ اوﻟﻴﻪ‬
‫اﺳﺖ ‪ .‬ﭼﻨﺪ ﭘﺮوژه در زﻣﻴﻨﻪ ﻫﺎي ﻛﺘﺎﺑﺪاري و ﺧﺪﻣﺎت اﻃﻼع رﺳﺎﻧﻲ ﺑﻪ ﻣﺮاﺟﻌﺎن ﺗﺤﺖ‬
‫ﺑﺮرﺳﻲ ﻗﺮار ﮔﺮﻓﺘﻪ و در اﻳﻦ زﻣﻴﻨﻪ ﺧﻮش ﺑﻴﻨﻲ زﻳﺎدي ﻣﺒﻨﻲ ﺑﺮ ﺑﻪ ﻛﺎرﮔﻴﺮي ﺳﻴﺴﺘﻢ‬
‫ﻫﺎي ﺧﺒﺮه در اﻛﺜﺮ ﺣﻮزه ﻫﺎي ﻛﺘﺎﺑﺪاري و اﻃﻼع رﺳﺎﻧﻲ وﺟﻮد دارد ‪ .‬ﻣﺸﻜﻞ اﺳﺎﺳﻲ‬
‫ﻛﻪ در ﺣﺎل ﺣﺎﺿﺮ وﺟﻮد دارد اﻳﺠﺎد )ﭘﺎﻳﮕﺎه داﻧﺶ ( اﺳﺖ ‪ (12).‬ﻣﺜﻼ "ﺳﻴﺴﺘﻢ ﻫﺒﺮه‬
‫را ﻣﻲ ﺗﻮان ﺑﺮاي ﺣﻮزة ﺑﺨﺼﻮص از ﺧﺪﻣﺎت ﻣﺮﺟﻊ اﻳﺠﺎد ﻧﻤﻮد ‪ ,‬اﻣﺎ اﻳﻦ ﺳﻴﺴﺘﻢ ﻗﺎدر‬
‫ﻧﻴﺴﺖ )ﭘﺎﻳﮕﺎه داﻧﺶ ( ﺑﻪ وﺟﻮد آورد ﻛﻪ در ﺑﺮﮔﻴﺮﻧﺪة ﻛﻠﻴﺔ ﻓﻌﺎﻟﻴﺖ ﻫﺎي ﺑﺨﺶ ﻣﺮﺟﻊ‬
‫ﺑﺎﺷﺪ ‪.‬‬
‫‪67‬‬

‫در اﻳﻨﺠﺎ اﻳﻦ ﺳﺆال ﻣﻄﺮح اﺳﺖ ﻛﻪ ﭼﻪ دﻻﻳﻠﻲ ﺑﺮاي ﺑﻪ ﻛﺎرﮔﻴﺮي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
‫درﻛﺘﺎﺑﺨﺎﻧﻪ وﺟﻮد دارد ؟ آﻳﺎ اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﻛﺎر روزاﻧﺔ ﻛﺘﺎﺑﺪاران را ﺑﻬﺒﻮد ﻣﻲ ﺑﺨﺸﻨﺪ‬
‫؟ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ‪,‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻛﺘﺎﺑﺪار در ﺷﻨﺎﺧﺖ و ﺑﻬﺒﻮد ﻛﺎراﻳﻲ‬
‫اﻣﻮري ﭼﻮن ﺧﺪﻣﺎت ﻓﻨﻲ ‪ ,‬ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي ﭘﻴﻮﺳﺘﻪ و ﺧﺪﻣﺎت دادن ﺑﻪ‬
‫ﻣﺮاﺟﻌﺎن ﺑﻴﺶ ﺗﺮ ﻳﺎري رﺳﺎﻧﺪ ‪ .‬اﮔﺮ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﺧﻮب ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺷﺪه ﺑﺎﺷﺪ‬
‫ﺑﺎﻋﺚ اﻓﺰاﻳﺶ ﻛﻴﻔﻴﺖ ﺧﻮاﻫﺪ ﺷﺪ ‪ .‬اﻳﻦ ﺳﻴﺴﺘﻢ اﺷﺘﺒﺎﻫﺎﺗﻲ را ﻛﻪ ﮔﺎﻫﻲ از اﻧﺴﺎن ﺳﺮ‬
‫ﻣﻲ زﻧﺪ ﻣﺮﺗﻜﺐ ﻧﺨﻮاﻫﺪ ﺷﺪ و ﻣﻲ ﺗﻮاﻧﺪ در ﻓﺮاﻫﻢ آوري اﻃﻼﻋﺎت ﺗﻜﺮاري ﺳﻮدﻣﻨﺪ‬
‫ﺑﺎﺷﺪ ‪ .‬ﺣﻮزه ﻫﺎﻳﻲ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﺪ در آن ﻓﻌﺎﻟﻴﺖ ﻛﻨﺪ ﻋﺒﺎرت اﻧﺪ از‬
‫‪:‬ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ‪ ,‬ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ‪ ,‬ﻧﻤﺎﻳﻪ ﺳﺎزي ‪ ,‬ﻣﺪﻳﺮﻳﺖ و ﻣﺮﺟﻊ‪.‬‬
‫‪ 12-1-4‬ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ ‪:‬‬
‫از آﻧﺠﺎ ﻛﻪ ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ ﺑﺮ اﺳﺎس ﻗﻮاﻧﻴﻦ ﺑﺴﻴﺎري ﻃﺮاﺣﻲ ﺷﺪه ‪،‬ﺳﻴﺴﺘﻢ ﺧﺒﺮه در‬
‫اﻳﻦ زﻣﻴﻨﻪ ﺳﺎزﮔﺎري زﻳﺎدي دارد ‪.‬‬
‫)ﻓﻨﻠﻲ()‪ (13‬ﻣﻌﺘﻘﺪ اﺳﺖ ﻛﻪ ﺑﻬﺘﺮ ﻳﻦ اﺳﺘﻔﺎده ﻛﻪ ﻣﻲ ﺗﻮان از ﺳﻴﺴﺘﻢ ﺧﺒﺮه در‬
‫ﻛﺘﺎﺑﺨﺎﻧﻪ ﻛﻨﮕﺮه آﻣﺮﻳﻜﺎ ﻧﻤﻮد ‪،‬ﺑﻬﺒﻮد وﺿﻊ ﻣﺸﺎوره در زﻣﻴﻨﻪ ﻓﻬﺮﺳﺖ ﺗﻮﺻﻴﻔﻲ و‬
‫ﺗﺤﻠﻴﻠﻲ اﺳﺖ ‪.‬‬
‫ﻛﺎر ﺑﺮ روي ﻓﺮوﺳﺖ ﻫﺎ )‪ (14‬ﻳﻜﻲ از ﻣﺸﻜﻞ ﺗﺮﻳﻦ اﻣﻮر ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ ﺑﻮده و ﻫﻤﻮاره‬
‫ﻣﺸﻜﻞ زا اﺳﺖ ‪،‬ﻓﺮوﺳﺖ ﻫﺎ داراي ﻗﺌﺎﻧﻴﻦ ﻣﺘﻌﺪد و ﭘﻴﭽﻴﺪه اي ﻫﺴﺘﻨﺪ ‪ .‬ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه در اﻳﻦ ﺣﻮزه ﻣﻲ ﺗﻮاﻧﺪ ﻛﻤﻚ ﻫﺎي ﺷﺎﻳﺎن ﺗﻮﺟﻬﻲ ﺑﻨﻤﺎﻳﺪ‪ .‬ﻣﻌﻤﻮﻻ" ﺑﺎ ﺟﺎ ﺑﻪ‬
‫ﺟﺎﻳﻲ ﻛﺎرﻣﻨﺪان ‪،‬اﻃﻼﻋﺎت آن ﻫﺎ ﻧﻴﺰ ﺑﺎ آﻧﺎن ﻣﻲ رود ‪،‬در ﺻﻮرت اﺳﺘﻔﺎده ا ز ﺳﻴﺴﺘﻢ‬
‫ﺧﺒﺮه ﻣﻲ ﺗﻮان اﻳﻦ ﻧﻘﻴﺼﻪ را ﺑﺮ ﻃﺮف ﻧﻤﻮد ‪ .‬ﻛﺘﺎﺑﺪاران ﻫﻤﺌﺎره در آرزوي اﺳﺘﻔﺎده از‬
‫ﺳﻴﺴﺘﻤﻲ ﺑﻮده اﻧﺪ ﻛﻪ ﺑﻪ آن ﻫﺎ در ﺑﻪ ﻛﺎرﮔﻴﺮي ﻗﺪاﻧﻴﻦ آﻧﮕﻠﻮ آﻣﺮﻳﻜﻦ )‪(AACR2‬‬
‫ﻛﻤﻚ ﻛﻨﺪ ‪،‬اﻣﺎ اﻳﻦ ﻣﻮﺿﻮع ﺑﻪ دﻟﻴﻞ ﭘﻴﭽﻴﺪﮔﻲ ﻫﺎي ﻗﻮاﻧﻴﻦ ﻣﺰﺑﻮر ﺑﺎ ﻣﺸﻜﻼﺗﻲ ﻣﻮاﺟﻪ‬
‫ﺑﻮده اﺳﺖ ‪:‬در زﻳﺮ ﻧﻤﻮﻧﻪ اي از ﻧﺮم اﻓﺰار )اﻣﻲ ﺳﻴﻦ ()‪ (15‬ﻛﻪ ﺑﺮاي ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ‬
‫ﺗﻮﺻﻴﻔﻲ ﺑﻪ ﻛﺎر ﺑﺮده ﺷﺪه آورده ﻣﻲ ﺷﻮد‪:‬‬
‫اﮔﺮ‬
‫‪ -‬ﺳﻨﺪ داراي ﻧﻮﻳﺴﻨﺪه ﻣﺸﺨﺼﻲ ﻧﻴﺴﺖ ‪،‬‬
‫‪ -‬ﺳﻨﺪ داراي ﺗﻨﺎﻟﮕﺎن )ﺳﺎزﻣﺎن ﻣﺴﺌﻮل ( ﻧﻴﺴﺖ ‪،‬‬
‫‪68‬‬

‫‪ -‬ﺳﻨﺪ داراي وﻳﺮاﺳﺪار ﻳﺎ ﮔﺮوه وﻳﺮاﺳﺪاران ﻧﻴﺴﺖ ‪،‬‬

‫‪ -‬ﺳﻨﺪ اﺛﺮي داراي ﻧﻮﻳﺴﻨﺪه اي ﻧﺎﺷﻨﺎﺧﺘﻪ اﺳﺖ ‪،‬‬
‫ﭘﺲ ‪:‬‬
‫ﻗﻄﻌﻲ اﺳﺖ ﻛﻪ ﺳﺮ ﺷﻨﺎﺳﺔ ﺳﻨﺪ ‪) ,‬ﻋﻨﻮان ( اﺳﺖ ‪.‬‬
‫‪ 13-1-4‬ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ‪:‬‬

‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲ ﻧﻮاﻧﺪ ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي ﭘﻴﻮﺳﺘﻪ را ﺑﻬﺒﻮد ﺑﺨﺸﺪ ‪ .‬ﻳﻚ‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ اﺳﺘﻔﺎده ﻛﻨﻨﺪه از ﻛﺘﺎﺑﺨﺎﻧﻪ در زﻣﻴﻨﻪ ﻫﺎي زﻳﺮ ﻛﻤﻚ ﻛﻨﺪ ‪:‬‬
‫ﻣﺸﺨﺺ ﻛﺮدن ﺟﺴﺘﺠﻮي ﻛﺎرﺑﺮ ؛‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ﺑﺎﻟﻘﻮه ؛‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻋﻨﺎﺻﺮ ﻣﻔﻬﻮﻣﻲ در ﺟﺴﺘﺠﻮ ؛‬
‫ﺑﻴﺎن ﺳﺎﺧﺖ ﻣﻔﻬﻮﻣﻲ ﺋﺮ زﻣﻴﻨﻪ ﻫﺎي اﻧﺘﺨﺎب ﭘﺎﻳﮕﺎه ‪ ،‬ﻛﺎﻳﺪ واژه ﻫﺎ ‪ ،‬ﺗﻮﺻﻴﻔﮕﺮ ﻫﺎ و‬
‫ﻣﻨﻄﻖ ﺑﻮﻟﻲ ؛‬
‫دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﭘﺎﻳﮕﺎه اﻃﻼﻋﺎﺗﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻮاﻓﻘﻨﺎﻣﻪ ﻫﺎي ارﺗﺒﺎﻃﻲ ؛‬
‫ورود ﺑﻪ ﻣﻨﻄﻖ ﺟﺴﺘﺠﻮ ؛‬
‫ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ ﺟﺴﺘﺠﻮ ؛‬
‫اﺻﻼح راﻫﺒﺮد ﺟﺴﺘﺠﻮ ؛‬
‫وﺳﻴﻊ ﺗﺮ ﻛﺮدن ﺟﺴﺘﺠﻮ ؛‬
‫ﻣﺤﺪود ﻛﺮدن ﺟﺴﺘﺠﻮ ؛‬
‫ﭘﺎﻳﺎن دادن ﺑﻪ ﺟﺴﺘﺠﻮ و ﮔﺬاﺷﺘﻦ ﻧﺘﺎﻳﺞ در اﺧﺘﻴﺎر ﻛﺎرﺑﺮ ‪.‬‬
‫ﺑﺎﻳﺪ اذﻋﺎن داﺷﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﻣﻄﻠﻮب ‪ ،‬ﺳﻴﺴﺘﻤﻲ اﺳﺖ ﻛﻪ ﺑﺘﻮاﻧﺪ در ﻫﺮ زﻣﺎن‬
‫ﭘﺎﺳﺨﮕﻮي اﺳﺘﻔﺎده ﻛﻨﻨﺪه ﺑﺎﺷﺪ و ﺗﻮﺿﻴﺤﻲ در ﻫﺪ ﻓﺮاﻳﻨﺪ ﺟﺴﺘﺠﻮ در اﺧﺘﻴﺎر ﻛﺎرﺑﺮ‬
‫ﻗﺮار دﻫﺪ ‪ .‬ﺑﻪ ﻋﻘﻴﺪة )ﻣﻴﮕﻮ و اﺳﻤﻴﺖ ()‪ (16‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻄﻠﻮب را ﻛﻪ آﺳﺎن‬
‫و ﻛﺎرﺑﺮ ﭘﺴﻨﺪ ﺑﺎﺷﺪ ‪ ...‬ﺳﻴﺴﺘﻤﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﺗﻤﺎﻣﻲ ﻣﻨﺎﺑﻊ در ﻳﻚ ﻛﺘﺎﺑﺨﺎﻧﻪ ﻳﺎ ﻣﺮﻛﺰ‬
‫اﻃﻼع رﺳﺎﻧﻲ دﺳﺘﺮﺳﻲ دارد؛ ﺑﻪ ﻋﺒﺎرت دﻳﻜﺮ ﺑﻪ ﻓﻬﺮﺳﺖ ﭘﻴﻮﺳﺘﻪ ‪،‬اﺳﻨﺎد و ﻣﺪارك در‬
‫ﺣﺎل ﮔﺮدش ‪،‬ﻧﻈﺎم اﻣﺎﻧﺖ ﺑﻴﻦ ﻛﺘﺎﺑﺨﺎﻧﻪ اي ‪ ،‬ﺑﻪ ﭘﺎﻳﮕﺎه ﻫﺎي ﻣﻌﻴﻨﻲ از ﺑﺮﮔﻪ ﻫﺎي ﻣﺴﺘﻨﺪ‬
‫ﻣﺆﻟﻒ ﻛﺘﺎﺑﺨﺎﻧﻪ ﻛﻨﮕﺮه ‪ ،‬و ﺑﻪ ﻛﺘﺎب ﻫﺎي زﻳﺮ ﭼﺎپ ﺑﺎ ﻣﺘﻦ ﻛﺎﻣﻞ دﺳﺘﺮﺳﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫‪69‬‬

‫ﻫﻤﭽﻨﻴﻦ اﻳﻦ ﺳﻴﺴﺘﻢ ﻗﺎدر اﺳﺖ ﺑﻪ دﺳﺘﻪ اي از ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ﺗﺠﺎري ‪ ،‬ﺑﺎ اﻳﻦ‬
‫ﺗﻮان ﻛﻪ ﺑﻪ ﻃﻮر ﺧﻮدﻛﺎر ﺑﻪ ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ و ﻛﻠﻤﺎت ﻋﺒﻮر آن ﻫﺎ دﺳﺘﺮﺳﻲ‬
‫داﺷﺘﻪ ﺑﺎﺷﺪ ‪،‬وﺻﻞ ﺷﻮد‪.‬‬
‫‪ 14-1-4‬ﻧﻤﺎﻳﻪ ﺳﺎزي ‪:‬‬

‫ﻧﻤﺎﻳﻪ ﺳﺎزي ﺧﻮد ﻛﺎر اﺳﻨﺎد و ﻣﺪارك ﻣﺪﺗﻬﺎ ﻣﻄﺮح ﺑﻮده اﺳﺖ ‪ .‬ﺗﺎ ﻛﻨﻮن ﻣﺘﺨﺼﺼﺎن‬
‫ﻣﻮﻓﻖ ﺷﺪه اﻧﺪ ﺑﻪ ﺷﻜﻞ ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﺧﻮدﻛﺎر ﻛﺮدن اﺳﻨﺎد و ﻣﺪارك ﻣﺒﺎدرت ورزﻧﺪ و‬
‫در اﻳﻦ زﻣﻴﻨﻪ ﺗﻼش ﻫﺎي زﻳﺎدي ﺑﺎ اﺳﺘﻔﺎدﻫﺎز ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ ‪.‬‬
‫ﺑﻪ ﻃﻮر ﻣﺜﺎل اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢ ﺧﺒﺮه در ﻧﻤﺎﻳﻪ ﺳﺎزي اﺳﻨﺎد و ﻣﺪارك ﭘﺰﺷﻜﻲ‬
‫)ﻛﺘﺎﺑﺨﺎﻧﺔ ﻣﻠﻲ ﭘﺰﺷﻜﻲ آﻣﺮﻳﻜﺎ ( را ﻣﻲ ﺗﻮان ﻧﺎم ﺑﺮد ﻛﻪ ﭼﻨﺪان ﻣﻮﻓﻖ ﻧﺒﻮده اﺳﺖ ‪.‬‬
‫اﻣﺎ ﺗﻼش ﻫﺎﻳﺒﺴﻴﺎري در زﻣﻴﻨﺔ اﺳﺘﻔﺎده از اﻳﻦ ﺳﻴﺴﺘﻢ در ﻧﻤﺎﻳﻪ ﺳﺎزي ﻧﺸﺮﻳﺎت‬
‫ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ ‪ .‬اﻳﻦ ﺳﻴﺴﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ در ﻣﻮارد زﻳﺮ ﺳﻮد ﻣﻨﺪ ﺑﺎﺷﺪ و ﻧﻤﺎﻳﻪ ﺳﺎز‬
‫را در ﻧﻤﺎﻳﻪ ﺳﺎزي ﻛﻤﻚ ﻛﻨﺪ‪:‬‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﻔﺎﻫﻴﻢ ﻣﻮرد ﺑﺤﺚ در ﻣﻘﺎﻻت ﻧﺸﺮﻳﺎت ؛‬
‫ﺗﺮﺟﻤﺔ ﻣﻔﺎﻫﻴﻢ ﺑﻪ ﺷﮕﻞ ﺷﻔﺎﻫﻲ و ﻛﻼﻣﻲ ؛‬
‫ﺗﺮﺟﻤﺔ اﺷﻜﺎل ﺷﻔﺎﻫﻲ و ﻛﻼﻣﻲ ﺑﻪ ﺗﻮﺻﻴﻔﮕﺮي ﻣﻮﺿﻮﻋﻲ و زﻳﺮﺑﺨﺶ ﻫﺎي آن ﻫﺎ ؛‬
‫ﺑﻪ ﻛﺎر ﺑﺮدن ﻗﻮاﻧﻴﻦ ﻣﻨﺎﺳﺐ در ﺗﻌﻴﻴﻦ ﺗﻮﺻﻴﻔﮕﺮﻫﺎي ﻣﻮﺿﻮﻋﻲ‪.‬‬
‫‪ 15-1-4‬ﻣﺪﻳﺮﻳﺖ ‪:‬‬
‫ﺗﻌﺪادي از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﺮاي اﻫﺪاف ﻣﺪﻳﺮﻳﺖ در ﻛﺘﺎﺑﺪاري د اﻃﻼع رﺳﺎﻧﻲ‬
‫ﻣﺌﺮد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ ‪ .‬در ﺻﻮرﺗﻲ ﻛﻪ ﻣﺪﻳﺮان از اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﻴﺶ ﺗﺮ‬
‫اﺳﺘﻔﺎده ﻛﻨﻨﺪ‪،‬ﻧﻴﺎز ﺑﻪ اﻳﻦ ﻧﺮم اﻓﺰارﻫﺎ ﺑﻴﺶ ﺗﺮ ﺧﻮاﻫﺪ ﺷﺪ و در ﻧﺘﻴﺠﻪ رﺷﺪ روزاﻓﺰاﻧﻲ‬
‫را در اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ در آﻳﻨﺪه ﺷﺎﻫﺪ ﺧﻮاﻫﻴﻢ ﺑﻮد ‪.‬‬
‫ﺣﻮزه ﻫﺎﻳﻲ ﻛﻪ ﻣﺪﻳﺮﻳﺖ اﻃﻼع رﺳﺎﻧﻲ ﻣﻲ ﺗﻮاﻧﺪ از اﻳﻦ ﺳﻴﺴﺘﻢ اﺳﺘﻔﺎده ﻛﻨﺪ ﻋﺒﺎرت‬
‫اﻧﺪ از ‪:‬‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺑﺮاي ﻧﻴﺮوي اﻧﺴﺎﻧﻲ و اﺳﺘﺨﺪام اﻓﺮاد؛‬
‫ﺗﻮﺳﻌﻪ ﻣﺠﻤﻮﻋﻪ ﻫﺎ ؛‬
‫ﺳﺎﺧﺖ و ﻃﺮاﺣﻲ ﺳﺎﺧﺘﻤﺎن ﻫﺎي ﺟﺪﻳﺪ ؛‬
‫‪70‬‬

‫ﺑﻬﺮه ﮔﻴﺮي ﻣﻨﺎﺳﺐ ﺑﺎز ﻓﻀﺎي ﻣﻮﺟﻮد؛‬

‫ﺣﺴﺎﺑﺪاري و ﺣﺴﺎﺑﺮﺳﻲ و ﺑﻮدﺟﻪ ﺑﻨﺪي ؛‬
‫ﺑﺮﻧﺎﻣﻪ رﻳﺰي راﻫﺒﺮدي ‪.‬‬
‫‪ 16-1-4‬ﻣﺮﺟﻊ ‪:‬‬
‫در ﻧﻈﺮ اول ‪ ،‬اﻧﺴﺎن ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﻴﻨﺪﻳﺸﺪ ﻛﻪ ﻣﻲ ﺗﻮان ﺳﻴﺴﺘﻢ ﻫﺎي‬
‫ﺧﺒﺮه ﺑﺎ ﺟﺎﻳﮕﺰﻳﻦ ﺑﺨﺶ ﻣﺮﺟﻊ ﻛﺮد ‪ .‬ﺗﺤﻘﻴﻖ اﻳﻦ اﻣﺮ در آﻳﻨﺪه ﻧﺰدﻳﻚ ﻣﺤﺎل اﺳﺖ و‬
‫ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ ﻛﻪ ﻫﻴﭽﮕﺎه ﻧﻤﻲ ﺗﻮان ﻣﺎﺷﻴﻦ را ﺟﺎﻳﮕﺰﻳﻦ ﻛﺘﺎﺑﺪاران ﻣﺮﺟﻊ ﻧﻤﻮد و‬
‫ﺗﻌﺎﻣﻞ ﺑﻴﻦ ﻛﺘﺎﺑﺪار ﻣﺮﺟﻊ و اﺳﺘﻔﺎده ﻛﻨﻨﺪه ﻣﺘﻀﻤﻦ ﻣﺴﺎﺋﻞ ﻧﺎﻣﺘﺮﻗﺒﻪ و ﻏﻴﺮ ﻗﺎﺑﻞ ﭘﻴﺶ‬
‫ﺑﻴﻨﻲ ﺑﺴﻴﺎر اﺳﺖ ؛ﺑﺎ اﻳﻦ ﺣﺎل ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه و ﻣﺤﺼﻮﻻت دﻳﮕﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬
‫در ﻛﺘﺎﺑﺪاري ﺑﻪ ﻃﻮر روزاﻓﺰوﻧﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ و اﻣﺮوزه ﺟﺰء ﺟﺪاﻳﻲ‬
‫ﻧﺎﭘﺬﻳﺮ اﻳﻦ اﻣﻮد واﻗﻊ ﺷﺪه اﻧﺪ ‪.‬‬
‫ﺑﺮاي اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه د رﺑﺨﺶ ﻣﺮﺟﻊ ﻣﺰاﻳﺎﻳﻲ را ﺑﺮ ﻣﻲ ﺷﻤﺮﻧﺪ ‪:‬‬
‫زﻣﺎﻧﻲ ﻛﻪ ﻛﺘﺎﺑﺪار ﻣﺮﺟﻊ ﺣﻀﻮر ﻧﺪارد ﻳﺎ زﻣﺎﻧﻲ ﻛﻪ ﺑﺨﺶ ﻣﺮﺟﻊ ﺑﺎز ﻧﻴﺴﺖ ﻳﺎ ﻛﺘﺎﺑﺪار‬
‫ﻣﺮﺟﻊ ﻛﺎر زﻳﺎدي دارد ‪،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻣﺮاﺟﻌﺎن و اﺳﺘﻔﺎده ﻛﻨﻨﺪﮔﺎن‬
‫دراﻣﻮر ﻣﺸﺎوره ﻛﻤﻚ ﻛﻨﻨﺪ ‪.‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﻲ ﺗﻮان ﺧﺪﻣﺎت ﻣﺮﺟﻊ را ﻧﻪ ﻓﻘﻂ در ﻣﻴﺰ ﻣﺮﺟﻊ ﺑﻠﻜﻪ در‬
‫ﺳﺮاﺳﺮ ﻛﺘﺎﺑﺨﺎﻧﻪ ﺑﻪ ﺧﺪﻣﺖ ﮔﺮﻓﺖ ‪.‬‬
‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﻨﺪ د رآﻣﻮزش اﺳﺘﻔﺎده ﻛﻨﻨﺪه ﺑﺮاي ﺧﺪﻣﺎت ﻣﺮﺟﻊ ﻣﻮرد‬
‫اﺳﺘﻔﺎده واﻗﻊ ﺷﺪﻧﺪ ﺑﺎ اﻣﻮر ﺗﻜﺮاري و ﺧﺴﺘﻪ ﻛﻨﻨﺪه را از ﺳﺮ راه ﻛﺘﺎﺑﺪار ﻣﺮﺟﻊ ﺑﺮ‬
‫دارﻧﺪ ‪.‬‬
‫ﻛﺘﺎﺑﺪار ﻣﺮﺟﻊ ‪،‬ﻣﺮﺟﻊ اﻃﻼﻋﺎت ﻣﻌﺘﻨﺎﺑﻬﻲ از ﻣﺠﻤﻮﻋﻪ ﻛﺘﺎﺑﺨﺎﻧﻪ ‪،‬ﻣﺮاﺟﻌﺎن ﺑﻪ ﺑﺨﺶ‬
‫ﻣﺮﺟﻊ ‪ ،‬ﺳﺎزﻣﺎن ﻫﺎﻳﻲ ﻛﻪ ﻣﺸﻐﻮل ﺑﻪ ﻛﺎر ﻫﺴﺘﻨﺪ ‪،‬اﻣﺌﺮ ﻣﺮﺑﻮط ﺑﻪ ﭘﮋوﻫﺶ و ﻣﻨﺎﺑﻊ‬
‫ﻗﺪﻳﻤﻲ و ﺟﺪﻳﺪ ﻣﺮﺟﻊ ﻣﻲ ﺑﺎﺷﺪ ‪.‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﻨﺪ اﻳﻦ اﻃﻼﻋﺎت را در‬
‫ﺧﻮد ذﺧﻴﺮه ﻧﻤﺎﻳﻨﺪ و زﻣﺎﻧﻲ ﻛﻪ ﻛﺘﺎﺑﺪار ﻣﺮﺟﻊ ﺑﻪ ﺟﺎﻳﻲ دﻳﮕﺮ ﻣﻨﺘﻘﻞ ﻣﻲ ﺷﻮد ﻳﺎ‬
‫اﺳﺘﻌﻔﺎ ﻣﻲ دﻫﺪ ‪ ،‬در اﺧﺘﻴﺎر دﻳﮕﺮان ﻗﺮار دﻫﻨﺪ‪.‬‬
‫‪71‬‬

‫ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺮﻳﻪ در ﺳﺎﻋﺎﺗﻲ ﻛﻪ ﺑﺨﺶ ﻣﺮﺟﻊ ﺷﻠﻮغ اﺳﺖ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺗﻌﺪاد‬
‫زﻳﺎدي از ﻣﺮاﺟﻌﺎن ﺳﺮوﻳﺲ دﻫﻨﺪ و رﺿﺎﻳﺖ ﺑﻴﺶ ﺗﺮ آن ﻫﺎ را ﻓﺮاﻫﻢ ﺳﺎزﻧﺪ ‪.‬‬
‫ﭼﺮا ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه اﻳﻦ ﻗﺪر ﻣﻌﺮوف ﺷﺪه اﻧﺪ ؟‬
‫ﻣﺎ ﻧﺒﺎﻳﺪ ﺑﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﻪ ﻋﻨﻮان داروﻳﻲ ﻛﻪ ﻫﻤﺔ ﺑﻴﻤﺎري ﻫﺎ را ﺷﻔﺎ ﻣﻲ دﻫﺪ‬
‫ﺑﻨﮕﺮﻳﻢ ‪ .‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮةﻛﻨﻮﻧﻲ داراي ﻣﺤﺪودﻳﺖ ﻫﺎ و ﻣﻮاﻧﻊ ﺟﺪي ﻫﺴﺘﻨﺪ ﻛﻪ‬
‫ﻣﻬﻢ ﺗﺮﻳﻦ ِآن ﻫﺎ ‪،‬ﻣﻴﺰان و ﺣﺪ )ﭘﺎﻳﮕﺎه داﻧﺶ (اﺳﺖ ‪ .‬ﻫﻤﭽﻨﻴﻦ در اﺻﻄﻼﺣﺎت و‬
‫ﻣﻔﺎﻫﻴﻤﻲ ﻛﻪ ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﻧﺰدﻳﻚ و ﻣﺘﻘﺎرن ﻫﻤﺘﻨﺪ دﭼﺎر ﻣﺸﻜﻼت زﻳﺎدي ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﺑﺎ اﻳﻦ ﺣﺎل‪،‬ﺑﻌﻀﻲ از دﻻﻳﻠﻲ را ﻛﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﺎ ﭼﻨﻴﻦ اﻗﺒﺎﻟﻲ در ﺳﻄﺢ ﺑﻴﻦ‬
‫اﻟﻤﻠﻠﻲ ﻣﻮاﺟﻪ ﺷﺪه اﻧﺪ ﻣﻲ ﺗﻮان ﺑﻪ ﻗﺮار زﻳﺮ ﺑﺮﺷﻤﺮد ‪:‬‬
‫ﺑﺎﭘﻴﺸﺮﻓﺖ ﻫﺎﻳﻲ ﻛﻪ ﺻﻮرت ﮔﺮﻓﺘﻪ ‪،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺗﻮاﻧﺴﺘﻪ اﻧﺪ در ﺳﻄﻮح‬
‫ﻋﻤﻠﻴﺎﺗﻲ داﻧﺶ ‪،‬ﻳﻌﻨﻲ از داده ﭘﺮدازي و ﭘﺮدازش اﻃﻼﻋﺎت ﺑﻪ )ﭘﺮدازش داﻧﺶ و‬
‫ﻣﺪﻳﺮﻳﺖ (‪،‬ﺗﺤﻮﻻﺗﻲ ﺑﻪ وﺟﻮد آورﻧﺪ ‪.‬‬
‫در ﻣﻘﻴﺎس ﻣﺤﺪود و در اﻣﻮري ﻛﻪ واﺑﺴﺘﻪ ﺑﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻲ ﺑﺎﺷﺪ‬
‫‪،‬ﻋﻤﻠﻜﺮد اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﻬﺘﺮ از اﻧﺴﺎن ﺑﻮده اﺳﺖ ‪ .‬از ﻃﺮﻓﻲ اﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﺎ‬
‫ﻣﺸﻜﻼت ﺟﺪي ﻣﻮاﺟﻪ ﻫﺴﺘﻨﺪ ؛ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻳﻚ ﻛﻮدك ﺑﻪ راﺣﺘﻲ ﻣﻲ ﺗﻮاﻧﺪ ﻗﻠﻤﻲ‬
‫را از زﻣﻴﻦ ﺑﺮ دارد ‪ ،‬اﻣﺎ اﻳﻦ ﻋﻤﻞ ﺑﺮاي روﺑﻮت ﻫﺎ و وﺳﺎﻳﻞ ﻣﻜﺎﻧﻴﻜﻲ ﻣﺴﺘﻠﺰم ﻧﻮﺷﺘﻦ‬
‫ﺑﺮﻧﺎﻣﻪ ﻫﺎﻳﻲ ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه و ﻣﺴﺌﻠﻪ زا اﺳﺖ ‪.‬‬
‫در دﻳﻨﺎي ﺗﺠﺎرت ‪،‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺑﻪ ﻋﻨﻮان وﺳﺎﻳﻠﻲ ﻛﻪ ﺑﺮاي ﺳﺎزﻣﺎن ﻫﺎ و ﺷﺮﻛﺖ‬
‫ﻫﺎ ‪،‬در آﻣﺪزا و ﺑﺎ ﺻﺮﻓﻪ ﻫﺴﺘﻨﺪ ‪ ،‬ﺑﺴﻴﺎر اﻫﻤﻴﺖ ﻳﺎﻓﺘﻪ اﻧﺪ ‪ .‬ﻣﻮﻓﻘﻴﺖ در ﻳﻚ ﺷﺮﻛﺖ‬
‫ﻣﺴﺘﻠﺰم ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﺑﺮ روي ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﻲ ﻣﺎﻫﺮ ﻣﻲ ﺑﺎﺷﺪ ‪ .‬اﻳﻦ اﻓﺮاد ﻣﻤﻜﻦ اﺳﺖ‬
‫ﺑﻌﺪ از آﻣﻮزش ‪،‬ﺑﺮاي ﻳﺎﻓﺘﻦ ﺷﻐﻠﻲ ﺑﻬﺘﺮ ‪ ،‬آن ﺷﺮﻛﺖ ﻳﺎ ﺳﺎزﻣﺎن را ﺗﺮك ﻛﻨﻨﺪو در ﻋﻴﻦ‬
‫ﺣﺎل ﺑﺎ اﻳﻦ ﻛﺎر ﺧﻮد ﺑﺴﻴﺎري از ﺗﺠﺎرب و داﻧﺶ ﺧﻮد ﺑﺎ ﻛﻪ در ﻃﻲ زﻣﺎن ﺧﺪﻣﺖ و‬
‫آﻣﻮزش ﺑﻪ دﺳﺖ آورده اﻧﺪ ﺑﺎ ﺧﻮد ﺑﺒﺮﻧﺪ‪ .‬ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﻣﻲ ﺗﻮاﻧﻨﺪ ﺣﺎﻓﻆ اﻳﻦ‬
‫اﻃﻼﻋﺎت و اﻧﺪوﺧﺘﻪ ﻫﺎ ﺑﺎﺷﻨﺪ ‪ .‬اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﺎﻋﺚ ﺷﺪه ﻛﻪ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻫﺎي ﻛﻼن‬
‫ﺑﺮاي ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪،‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ و ﻏﻴﺮه ﺻﻮرت ﭘﺬﻳﺮد ‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل ﺗﺎ‬
‫ﺗﺤﻘﻴﻖ ﻧﻴﺎز ﻫﺎي اﻧﺴﺎن ﺗﻮﺳﻂ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه راه ﺑﺴﻴﺎر دﺷﻮاري ﺑﺎﻗﻲ اﺳﺖ ‪.‬‬
‫‪72‬‬

‫روﺑﺎﺗﻴﻚ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬

‫‪ 1-2-4‬روﺑﺎﺗﻴﻚ ﭼﻴﺴﺖ ؟‬
‫روﺑﺎﺗﻴﻚ‪ ،‬ﻋﻠﻢ ﻣﻄﺎﻟﻌﻪ ﻓﻦ آوري ﻣﺮﺗﺒﻂ ﺑﺎ ﻃﺮاﺣﻲ‪ ،‬ﺳﺎﺧﺖ و اﺻﻮل ﻛﻠﻲ و ﻛﺎرﺑﺮد رﺑﺎﺗﻬﺎﺳﺖ‪.‬‬
‫روﺑﺎﺗﻴﻚ ﻋﻠﻢ و ﻓﻦ آوري ﻣﺎﺷﻴﻨﻬﺎي ﻗﺎﺑﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰي‪ ،‬ﺑﺎ ﻛﺎرﺑﺮدﻫﺎي ﻋﻤﻮﻣﻲ ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫ﺑﺮﺧﻼف ﺗﺼﻮر اﻓﺴﺎﻧﻪ اي ﻋﻤﻮﻣﻲ از رﺑﺎﺗﻬﺎ ﺑﻪ ﻋﻨﻮان ﻣﺎﺷﻴﻨﻬﺎي ﺳﻴﺎر اﻧﺴﺎن ﻧﻤﺎ ﻛﻪ ﺗﻘﺮﻳﺒﺎً‬
‫ﻗﺎﺑﻠﻴﺖ اﻧﺠﺎم ﻫﺮ ﻛﺎري را دارﻧﺪ‪ ،‬ﺑﻴﺸﺘﺮ دﺳﺘﮕﺎﻫﻬﺎي روﺑﺎﺗﻴﻚ در ﻣﻜﺎﻧﻬﺎي ﺛﺎﺑﺘﻲ در ﻛﺎرﺧﺎﻧﻪ‬
‫ﻫﺎ ﺑﺴﺘﻪ ﺷﺪه اﻧﺪ و در ﻓﺮاﻳﻨﺪ ﺳﺎﺧﺖ ﺑﺎ ﻛﻤﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ‪ ،‬اﻋﻤﺎل ﻗﺎﺑﻠﻴﺖ اﻧﻌﻄﺎف‪ ،‬وﻟﻲ‬
‫ﻣﺤﺪودي را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ ﭼﻨﻴﻦ دﺳﺘﮕﺎﻫﻲ ﺣﺪاﻗﻞ ﺷﺎﻣﻞ ﻳﻚ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺮاي ﻧﻈﺎرت ﺑﺮ‬
‫اﻋﻤﺎل و ﻋﻤﻠﻜﺮدﻫﺎي و اﺳﺒﺎب اﻧﺠﺎم دﻫﻨﺪه ﻋﻤﻞ ﻣﻮرد ﻧﻈﺮ‪ ،‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻋﻼوه ﺑﺮاﻳﻦ‪ ،‬ﻣﻤﻜﻦ‬
‫اﺳﺖ ﺣﺴﮕﺮﻫﺎ و ﺗﺠﻬﻴﺰات ﺟﺎﻧﺒﻲ ﻳﺎ اﺑﺰاري را ﻛﻪ ﻓﺮﻣﺎن داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻌﻀﻲ از رﺑﺎﺗﻬﺎ‪،‬‬
‫ﻣﺎﺷﻴﻨﻬﺎي ﻣﻜﺎﻧﻴﻜﻲ ﻧﺴﺒﺘﺎً ﺳﺎده اي ﻫﺴﺘﻨﺪ ﻛﻪ ﻛﺎرﻫﺎي اﺧﺘﺼﺎﺻﻲ ﻣﺎﻧﻨﺪ ﺟﻮﺷﻜﺎري و ﻳﺎ‬
‫رﻧﮓ اﻓﺸﺎﻧﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪ .‬ﻛﻪ ﺳﺎﻳﺮ ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﻴﭽﻴﺪه ﺗﺮ ﻛﻪ ﺑﻄﻮر ﻫﻤﺰﻣﺎن ﭼﻨﺪ‬
‫ﻛﺎر اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪ ،‬از دﺳﺘﮕﺎﻫﻬﺎي ﺣﺴﻲ‪ ،‬ﺑﺮاي ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز ﺑﺮاي‬
‫ﻛﻨﺘﺮل ﻛﺎرﺷﺎن ﻧﻴﺎز دارﻧﺪ‪ .‬ﺣﺴﮕﺮﻫﺎي ﻳﻚ رﺑﺎت ﻣﻤﻜﻦ اﺳﺖ ﺑﺎزﺧﻮرد ﺣﺴﻲ اراﺋﻪ دﻫﻨﺪ‪،‬‬
‫ﻃﻮرﻳﻜﻪ ﺑﺘﻮاﻧﻨﺪ اﺟﺴﺎم را ﺑﺮداﺷﺘﻪ و ﺑﺪون آﺳﻴﺐ زدن‪ ،‬در ﺟﺎي ﻣﻨﺎﺳﺐ ﻗﺮار دﻫﻨﺪ‪ .‬رﺑﺎت‬
‫دﻳﮕﺮي ﻣﻤﻜﻦ اﺳﺖ داراي ﻧﻮﻋﻲ دﻳﺪ ﺑﺎﺷﺪ‪ ،.‬ﻛﻪ ﻋﻴﻮب ﻛﺎﻻﻫﺎي ﺳﺎﺧﺘﻪ ﺷﺪه را ﺗﺸﺨﻴﺺ‬
‫دﻫﺪ‪ .‬ﺑﻌﻀﻲ از رﺑﺎﺗﻬﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﺳﺎﺧﺖ ﻣﺪارﻫﺎي اﻟﻜﺘﺮوﻧﻴﻜﻲ‪ ،‬ﭘﺲ از ﻣﻜﺎن ﻳﺎﺑﻲ‬
‫دﻳﺪاري ﻋﻼﻣﺘﻬﺎي ﺗﺜﺒﻴﺖ ﻣﻜﺎن ﺑﺮ روي ﺑﺮد‪ ،‬ﻣﻲ ﺗﻮاﻧﻨﺪ اﺟﺰا ﺑﺴﻴﺎر ﻛﻮﭼﻚ را در ﺟﺎي‬
‫ﻣﻨﺎﺳﺐ ﻗﺮار دﻫﻨﺪ‪ .‬ﺳﺎده ﺗﺮﻳﻦ ﺷﻜﻞ رﺑﺎﻫﺎي ﺳﻴﺎر‪ ،‬ﺑﺮاي رﺳﺎﻧﺪن ﻧﺎﻣﻪ در ﺳﺎﺧﺘﻤﺎﻧﻬﺎي‬
‫اداري ﻳﺎ ﺟﻤﻊ آوري و رﺳﺎﻧﺪن ﻗﻄﻌﺎت در ﺳﺎﺧﺖ‪ ،‬دﻧﺒﺎل ﻛﺮدن ﻣﺴﻴﺮ ﻳﻚ ﻛﺎﺑﻞ ﻗﺮار ﮔﺮﻓﺘﻪ‬
‫در زﻳﺮ ﺧﺎك ﻳﺎ ﻳﻚ ﻣﺴﻴﺮ رﻧﮓ ﺷﺪه ﻛﻪ ﻫﺮﮔﺎه ﺣﺴﮕﺮﻫﺎﻳﺸﺎن در ﻣﺴﻴﺮ‪ ،‬ﻳﺎ ﻓﺮدي را ﭘﻴﺪا‬
‫ﻛﻨﻨﺪ ﻣﺘﻮﻗﻒ ﻣﻲ ﺷﻮﻧﺪ ‪.‬رﺑﺎﺗﻬﺎي ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه ﺗﺮ رد ﻣﺤﻴﻂ ﻫﺎي ﻧﺎﻣﻌﻴﻦ ﺗﺮ ﻣﺎﻧﻨﺪ ﻣﻌﺎدن‬
‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ‪.‬‬
‫روﺑﺎﺗﻬﺎ ﻫﻤﺎﻧﻨﺪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ ﻗﺎﺑﻠﻴﺖ ﺑﺮﻧﺎﻣﻪ رﻳﺰي دارﻧﺪ‪.‬ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع ﺑﺮﻧﺎﻣﻪ اي ﻛﻪ ﺷﻤﺎ ﺑﻪ آﻧﻬﺎ‬
‫ﻣﻲ دﻫﻴﺪ‪.‬ﻛﺎرﻫﺎ وﺣﺮﻛﺎت ﻣﺨﺘﻠﻔﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪.‬رﺷﺘﻪ داﻧﺸﮕﺎﻫﻲ ﻧﻴﺰ ﺗﺤﺖ ﻋﻨﻮان‬
‫روﺑﺎﺗﻴﻚ وﺟﻮد دارد‪.‬ﻛﻪ ﺑﻪ ﻣﺴﺎﻳﻠﻲ از ﻗﺒﻴﻞ ﺳﻨﺴﻮرﻫﺎ‪ ،‬ﻣﺪارات ‪ ،‬ﻓﻴﺪﺑﻜﻬﺎ‪،‬ﭘﺮدازش اﻃﻼﻋﺎت‬
‫‪73‬‬

‫وﺑﺴﺖ وﺗﻮﺳﻌﻪ روﺑﺎﺗﻬﺎ ﻣﻲ ﭘﺮدازد‪.‬روﺑﺎﺗﻬﺎ اﻧﻮاع ﻣﺨﺘﻠﻔﻲ دارﻧﺪ از ﻗﺒﻴﻞ روﺑﺎﺗﻬﺎي ﺷﻤﺸﻴﺮ‬
‫ﺑﺎز‪ ،‬دﻧﺒﺎل ﻛﻨﻨﺪه ﺧﻂ‪،‬ﻛﺸﺘﻲ ﮔﻴﺮ‪،‬‬
‫ﻓﻮﺗﺒﺎﻟﻴﺴﺖ‪،‬و روﺑﺎﺗﻬﺎي ﺧﻴﻠﻲ رﻳﺰ ﺗﺤﺖ ﻋﻨﻮان ﻣﻴﻜﺮو روﺑﺎﺗﻬﺎ‪،‬روﺑﺎﺗﻬﺎي ﭘﺮﻧﺪه وﻏﻴﺮه ﻧﻴﺰ‬
‫وﺟﻮد دارﻧﺪ ‪.‬‬
‫روﺑﺎﺗﻬﺎ ﺑﺮاي اﻧﺠﺎم ﻛﺎرﻫﺎي ﺳﺨﺖ ودﺷﻮاري ﻛﻪ ﺑﻌﻀﻲ ﻣﻮاﻗﻊ اﻧﺴﺎﻧﻬﺎ از اﻧﺠﺎم آﻧﻬﺎ ﻋﺎﺟﺰ ﻳﺎ‬
‫اﻧﺠﺎم آﻧﻬﺎ ﺑﺮاي اﻧﺴﺎن ﺧﻄﺮﻧﺎك ﻫﺴﺘﻨﺪ‪.‬ﻣﺜﻞ روﺑﺎﺗﻬﺎﻳﻲ ﻛﻪ در ﻧﻴﺮوﮔﺎﻫﺎي ﻫﺴﺘﻪ اي وﺟﻮد‬
‫دارﻧﺪ‪،.‬اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫ﻛﺎري ﻛﻪ روﺑﺎﺗﻬﺎ اﻧﺠﺎم ﻣﻴﺪﻫﻨﺪ‪ ،.‬ﺗﻮﺳﻂ ﻣﻴﻜﺮو ﭘﺮوﺳﺴﺮﻫﺎ )‪(microprocessors‬و‬

‫ﻣﻴﻜﺮوﻛﻨﺘﺮﻟﺮﻫﺎ )‪(microcontroller‬ﻛﻨﺘﺮل ﻣﻲ ﺷﻮد‪.‬ﺑﺎ ﺗﺴﻠﻂ در ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ اﻳﻦ دو ﻣﻲ‬
‫ﺗﻮاﻧﻴﺪ دﻗﻴﻘﺎ ﻫﻤﺎن ﻛﺎري را ﻛﻪ اﻧﺘﻈﺎر دارﻳﺪ روﺑﺎت اﻧﺠﺎم دﻫﺪ ‪.‬‬
‫روﺑﺎﺗﻬﺎﻳﻲ ﺷﺒﻴﻪ اﻧﺴﺎن)‪ (human robotic‬ﻧﻴﺰ ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ‪،.‬آﻧﻬﺎ ﻗﺎدرﻧﺪ اﻋﻤﺎﻟﻲ ﺷﺒﻴﻪ‬
‫اﻧﺴﺎن را اﻧﺠﺎم دﻫﻨﺪ‪.‬ﺣﺘﻲ ﺑﻌﻀﻲ از آﻧﻬﺎ ﻫﻤﺎﻧﻨﺪ اﻧﺴﺎن داراي اﺣﺴﺎﺳﺎت ﻧﻴﺰ ﻫﺴﺘﻨﺪ‪.‬ﺑﻌﻀﻲ‬
‫از آﻧﻬﺎ ﺷﻜﻠﻬﺎي ﺧﻴﻠﻲ ﺳﺎده اي دارﻧﺪ‪.‬آﻧﻬﺎ داراي ﭼﺮخ ﻳﺎ ﺑﺎزوﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺗﻮﺳﻂ ﻣﻴﻜﺮو‬
‫ﻛﻨﺘﺮﻟﺮﻫﺎ ﻳﺎ ﻣﻴﻜﺮو ﭘﺮﺳﺴﺮﻫﺎ ﻛﻨﺘﺮل ﻣﻲ ﺷﻮﻧﺪ‪.‬در واﻗﻊ ﻣﻴﻜﺮوﻛﻨﺘﺮﻟﺮ ﻳﺎ ﻣﻴﻜﺮو ﭘﺮوﺳﺴﺮ ﺑﻪ‬
‫ﻣﺎﻧﻨﺪ ﻣﻐﺰ اﻧﺴﺎن در روﺑﺎت ﻛﺎر ﻣﻲ ﻛﻨﺪ‪.‬ﺑﺮﺧﻲ از روﺑﺎﺗﻬﺎ ﻣﺎﻧﻨﺪ اﻧﺴﺎﻧﻬﺎ وﺟﺎﻧﻮران ﺧﻮن ﮔﺮم‬
‫در ﺑﺮﺧﻮرد و روﻳﺎروﻳﻲ ﺑﺎ ﺣﻮادث وﻣﺜﺎﻳﻞ ﻣﺨﺘﻠﻒ ﺑﻪ ﺻﻮرت ﻫﻮﺷﻤﻨﺪ از ﺧﻮد واﻛﻨﺶ ﻧﺸﺎن‬
‫ﻣﻲ دﻫﻨﺪ‪.‬ﻳﻚ ﻧﻤﻮﻧﻪ از اﻳﻦ روﺑﺎﺗﻬﺎ روﺑﺎت ﻣﺎﻣﻮر اﺳﺖ ‪.‬‬
‫ﺑﺮﺧﻲ روﺑﺎﺗﻬﺎ ﻧﻴﺰ ﻳﻜﺴﺮي ﻛﺎرﻫﺎ را ﺑﻪ ﺻﻮرت ﺗﻜﺮاري ﺑﺎ ﺳﺮﻋﺖ ودﻗﺖ ﺑﺎﻻ اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‬
‫ﻣﺜﻞ روﺑﺎت ﻫﺎﻳﻲ ﻛﻪ در ﻛﺎرﺧﺎﻧﻪ ﻫﺎي ﺧﻮدرو ﺳﺎزي اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪.‬اﻳﻦ ﮔﻮﻧﻪ روﺑﺎت‬
‫ﻛﺎرﻫﺎﻳﻲ از ﻗﺒﻴﻞ ﺟﻮش دادن ﺑﺪﻧﻪ ﻣﺎﺷﻴﻦ ‪ ،‬رﻧﮓ ﻛﺮدن ﻣﺎﺷﻴﻦ را ﺑﺎ دﻗﺘﻲ ﺑﺎﻻﺗﺮ از اﻧﺴﺎن‬
‫ﺑﺪون ﺧﺴﺘﮕﻲ و وﻗﻔﻪ اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ ‪.‬‬
‫‪ 2-2-4‬وﻳﮋﮔﻴﻬﺎي ﻳﻚ روﺑﺎت ‪:‬‬

‫ﻳﻚ روﺑﺎت داراي ﺳﻪ ﻣﺸﺨﺼﻪ زﻳﺮ اﺳﺖ‬
‫‪1-‬داري ﺣﺮﻛﺖ وﭘﻮﻳﺎﻳﻲ اﺳﺖ‬
‫‪2-‬ﻗﺎﺑﻠﻴﺖ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺟﻬﺖ اﻧﺠﺎم ﻛﺎرﻫﺎي ﻣﺨﺘﻠﻒ را دارد‬
‫‪3-‬ﺑﻌﺪ از اﻳﻨﻜﻪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺷﺪ‪.‬ﻗﺎﺑﻠﻴﺖ اﻧﺠﺎم وﻇﺎﻳﻔﺶ را ﺑﻪ ﺻﻮرت ﺧﻮدﻛﺎر دارد ‪.‬‬
‫‪74‬‬

‫ﻣﻤﻜﻦ اﺳﺖ روزي ﻓﺮا ﺑﺮﺳﺪ ﻛﻪ روﺑﺎﺗﻬﺎ ﺟﺎي اﻧﺴﺎﻧﻬﺎ را در اﻧﺠﺎم ﻛﺎرﻫﺎ ﺑﮕﻴﺮﻧﺪ‪.‬ﺣﺘﻲ ﺑﻌﻀﻲ‬
‫از آﻧﻬﺎ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﺻﻮرت ﻣﺤﺎﻓﻆ ﺷﺨﺼﻲ از ﺟﺎن اﻧﺴﺎﻧﻬﺎدر ﻣﻘﺎﺑﻞ ﺧﻄﺮات اﺣﺘﻤﺎﻟﻲ‬
‫ﺣﻔﺎﻇﺖ ﻛﻨﻨﺪ ‪.‬‬
‫آﻧﺎﺗﻮﻣﻲ اﻧﺪام روﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ اﻧﺴﺎن‪:‬‬ ‫‪3-2-4‬‬

‫در ﺳﺎل ‪ 1950‬داﻧﺸﻤﻨﺪان ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻨﺪ‪.‬ﺷﻜﻠﻲ از رﺑﺎﺗﻬﺎي دو ﭘﺎرا درﺳﺖ ﻛﻨﻨﺪ‪.‬ﻛﻪ از‬
‫ﻟﺤﺎظ ﻓﻴﺰﻳﻜﻲ ﺷﺒﻴﻪ اﻧﺴﺎن ﺑﺎﺷﻨﺪ‪.‬اﻳﻦ ﮔﻮﻧﻪ روﺑﺎﺗﻬﺎ ﻣﺘﺸﻜﻞ از دو ﺑﺎزو دو ﭘﺎ ﻫﺴﺘﻨﺪ‪.‬ﻛﻪ‬
‫دﺳﺘﻬﺎ و ﭘﺎﻫﺎ ﺑﻪ ﺻﻮرت ﻣﺘﻘﺎرن وﺷﺒﻴﻪ ﺑﺪن اﻧﺴﺎن در ﺳﻤﺖ راﺳﺖ وﭼﭗ رﺑﺎت ﻗﺮار ﮔﺮﻓﺘﻪ‬
‫اﻧﺪ‪.‬ﺑﺮاي اﻧﺠﺎم ﭼﻨﻴﻦ ﻛﺎري آﻧﻬﺎ ﻣﻲ ﺑﺎﻳﺴﺖ در اﺑﺘﺪا آﻧﺎﺗﻮﻣﻲ ﺑﺪن ﺧﻮد را ﻣﻲ ﺷﻨﺎﺧﺘﻨﺪ‪.‬آﻧﻬﺎ‬
‫ﻣﻌﺘﻘﺪ ﺑﻮدن ﻛﻪ اﻧﺴﺎﻧﻬﺎ ﻃﻲ ﻣﻴﻠﻴﻮﻧﻬﺎ ﺳﺎل ﺗﻜﺎﻣﻞ ﻳﺎﻓﺘﻪ اﻧﺪ‪،.‬ﺗﺎ اﻳﻨﻜﻪ اﻣﺮوزه ﻗﺎدرﻧﺪ اﻧﻮاع‬
‫ﻣﺨﺘﻠﻔﻲ از ﻛﺎرﻫﺎ را اﻧﺠﺎم دﻫﻨﺪ‪.‬اﮔﺮ از ﻣﺮدم راﺟﻊ ﺑﻪ روﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ اﻧﺴﺎن ﺳﻮال ﻛﻨﻴﺪ‪.‬آﻧﻬﺎ‬
‫در اوﻟﻴﻦ وﻫﻠﻪ ﺑﻪ ﻳﺎد ﻓﻴﻠﻢ ﭘﻠﻴﺲ آﻫﻨﻲ ﻣﻲ اﻓﺘﻨﺪ‪.‬ﺷﻤﺎ ﻧﻴﺰ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑﺎ اﺳﺘﻔﺎده از ﻛﺎﻏﺬﻫﺎي‬
‫اﺳﺘﻮاﻧﻪ اي و ﺗﻚ ﻫﺎي ﭼﻮب وﭼﺴﺐ ﺷﻜﻠﻲ ﻣﺎﻧﻨﺪ زﻳﺮ درﺳﺖ ﻛﻨﻴﺪ ‪.‬‬
‫ﺷﻜﻞ‪3-4‬‬
‫‪75‬‬

‫‪ 4-2-4‬ﺣﺮﻛﺖ در روﺑﺎت ‪:‬‬

‫ﻫﻨﮕﺎﻣﻴﻜﻪ ﺷﻤﺎ راﺟﻊ ﺑﻪ ﻣﻄﻠﺒﻲ ﻓﻜﺮ ﻣﻲ ﻛﻨﻴﺪ و ﺑﺮاي آن دﻧﺒﺎل ﭘﺎﺳﺦ ﻣﻲ ﮔﺮدﻳﺪ‪.‬ﻣﻲ ﺗﻮاﻧﻴﺪ‬
‫ﺟﻮاب ﺧﻮد را در ﻃﺒﻴﻌﺖ ﺑﮕﻴﺮﻳﺪ‪.‬ﺑﻪ ﺣﻴﻮاﻧﺎﺗﻲ ﻛﻪ اﻃﺮاف ﻣﺎ ﻫﺴﺘﻨﺪ‪،.‬و ﻣﺎﻧﻨﺪ ﻣﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ در‬
‫ﭼﻬﺎر ﺟﻬﺖ ﺣﺮﻛﺖ ﻛﻨﻨﺪ‪.‬دﻗﺖ ﻛﻨﻴﺪ‪.‬ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﻪ ﺣﺮﻛﺖ ﻓﻴﻞ ﺗﻮﺟﻪ ﻛﻨﻴﺪ‪.‬ﻣﻔﺎﺻﻠﻲ ﻛﻪ در‬
‫ﭘﺎﻫﺎ وﺟﻮد دارﻧﺪ‪.‬ﺳﺒﺐ ﺣﺮﻛﺖ ﭘﺎﻫﺎ ﺑﻪ ﺳﻤﺖ ﻋﻘﺐ‪،‬ﺟﻠﻮ‪ ،‬ﭼﭗ و راﺳﺖ ﻣﻲ ﺷﻮﻧﺪ‬
‫ﻫﻨﮕﺎﻣﻜﻪ اﻳﻦ ﺣﻴﻮان ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﺪ وزن ﺧﻮد را ﺑﺮ روي ﭘﺎ ﻫﺎﻳﺶ ﺗﻘﺴﻴﻢ ﻣﻴﻜﻨﺪ‪.‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫اﻳﻦ اﻣﻜﺎن را دارد ﻛﻪ ﺗﻌﺎدﻟﺶ را ﺣﻔﻆ ﻛﻨﺪ و ﺑﺮ روي زﻣﻴﻦ ﻧﻴﺎﻓﺘﺪ‪.‬در روﺑﺎﺗﻬﺎ ﻧﻴﺰ ﻫﻤﻴﻦ‬
‫ﻣﺴﺌﻠﻪ وﺟﻮد دارد اﮔﺮ ﻳﻜﻲ از ﭘﺎﻫﺎي آن در ﻫﻮا ﻗﺮار ﺑﮕﻴﺮد روﺑﺎت ﻣﺘﻮﻗﻒ ﻣﻲ ﺷﻮد‪.‬واﻳﻦ‬
‫اﻣﻜﺎن وﺟﻮد دارد ﺑﺮ روي زﻣﻴﻦ ﺑﻴﺎﻓﺘﺪ‪.‬ﺑﻪ ﺣﺮﻛﺖ ﻣﻮرﺟﻪ ﻫﺎ دﻗﺖ ﻛﻨﻴﺪ‪.‬اﻳﻦ ﻣﻮﺟﻮد ‪ 6‬ﭘﺎ‬
‫دارد‪ .‬در ﻫﻨﮕﺎم ﺣﺮﻛﺖ ﺑﻪ ﺳﻤﺖ ﺟﻠﻮ ﺳﻪ ﭘﺎﻳﺶ را ﺑﻪ ﺳﻤﺖ ﺟﻠﻮ وﺳﻪ ﭘﺎي دﻳﮕﺮش را در‬
‫ﻫﻤﺎن ﻣﻮﻗﻌﻴﺖ ﺑﻪ ﺳﻤﺖ ﻋﻘﺐ ﻓﺸﺎر ﻣﻴﺪﻫﺪ ‪.‬دو ﭘﺎ از ﻳﻚ ﻃﺮف وﻳﻚ ﭘﺎ از ﻃﺮف دﻳﮕﺮﻫﻤﻮاره‬
‫ﻛﺎر ﻣﺸﺘﺮﻛﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪ .‬واﻳﻦ ﻛﺎر ﺳﺒﺐ ﺣﺮﻛﺖ ﻣﻮرﭼﻪ ﺑﻪ ﺳﻤﺖ ﺟﻠﻮ ﻣﻲ ﺷﻮد ‪.‬‬
‫ﺣﺸﺮات ﺑﺪﻟﻴﻞ داﺷﺘﻦ ﭘﺎﻫﺎي ﺑﻴﺸﺘﺮ وﻓﺮم ﭘﺎﻫﺎ راﺣﺘﺮ از ﺣﻴﻮاﻧﺎت ﭼﻬﺎر ﭘﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﻌﺎدل‬
‫ﺧﻮد را در ﺣﺮﻛﺖ ﺣﻔﻆ ﻛﻨﻨﺪ‪.‬ﺑﻬﻤﻴﻦ دﻟﻴﻞ رﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ ﺣﺸﺮات ﺑﻴﺸﺘﺮ از روﺑﺎﺗﻬﺎﻳﻲ ﺷﺒﻴﻪ‬
‫ﺳﮓ و ﮔﺮﺑﻪ ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ‪.‬‬
‫ﺷﻜﻞ ‪4-4‬‬
‫‪76‬‬

‫‪ 5-2-4‬ﻟﮕﻮ روﺑﺎت )‪:(lego robot‬‬

‫ﺑﺮاي ﺷﺮوع ﺑﻪ ﺳﺎﺧﺖ روﺑﺎت ﺑﻬﺘﺮ اﺳﺖ ‪،.‬ﻛﻪ ﺑﺎ ﻟﮕﻮ ﻫﺎ وﻧﺤﻮه اﺳﻤﺒﻞ ﻛﺮدن آﻧﻬﺎ آﺷﻨﺎ‬
‫ﺷﻮﻳﺪ‪.‬ﻟﮕﻮﻫﺎ اﻳﺪه ﻫﺎي ﺧﻮﺑﻲ در ﺳﺎﺧﺖ روﺑﺎت ﺑﻪ ﺷﻤﺎ ﻣﻲ دﻫﻨﺪ‪.‬ﺑﺴﻴﺎري از روﺑﺎﺗﻬﺎﻳﻲ ﻛﻪ‬
‫ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ‪.‬ﺣﺸﺮه‪،‬ﺣﻴﻮان‪،‬اﻧﺴﺎن ﻧﻴﺴﺘﻨﺪ‪.‬ﺑﻠﻜﻪ آﻧﻬﺎ ﻟﮕﻮ ﻫﺴﺘﻨﺪ‪.‬ﺷﻤﺎ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑﺪﻧﻪ‬
‫روﺑﺎت ﺧﻮد را ﺑﻮﺳﻴﻠﻪ ﻟﮕﻮﻫﺎ ﺑﺴﺎزﻳﺪ‪.‬و ﻣﺪارات اﻟﻜﺘﺮوﻧﻴﻚ را در آن ﺟﺎ ﺳﺎزي ﻛﻨﻴﺪ ‪.‬‬
‫ﺑﻴﺸﺘﺮ ﻣﺎﺷﻴﻨﻬﺎﻳﻲ ﻛﻪ وﺟﻮد دارﻧﺪ از ﭼﻬﺎر ﭼﺮخ ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ‪.‬دو ﭼﺮخ ﺟﻠﻮﻳﻲ داراي‬
‫ﭼﺮﺧﺶ زاوﻳﻪ اي ﻫﺴﺘﻨﺪ‪،.‬و دو ﭼﺮخ ﻋﻘﺒﻲ در ﺟﺎي ﺧﻮد ﺛﺎﺑﺖ ﻫﺴﺘﻨﺪ‪،.‬وﺗﻨﻬﺎ‬
‫ﻣﻴﭽﺮﺧﻨﺪ‪،‬ﺣﺮﻛﺖ ﺑﻪ ﺳﻤﺖ راﺳﺖ‪،‬ﺟﻠﻮ و ﻋﻘﺐ را ﭼﺮﺧﻬﺎي ﺟﻠﻮﻳﻲ ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﻨﺪ‪.‬در‬
‫ﺑﺮﺧﻲ از ﻣﺎﺷﻴﻨﻬﺎ ﻫﺮ ﭼﻬﺎر ﭼﺮخ داراي اﻳﻦ وﺿﻌﻴﺖ ﻫﺴﺘﻨﺪ‪.‬از اﻳﻦ ﻣﻮارد در ﺳﺎﺧﺖ ﻟﮕﻮ‬
‫روﺑﺎﺗﻬﺎ ﺷﺒﻴﻪ ﻣﺎﺷﻴﻦ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬ﺑﺮﺧﻲ از ﻣﺎﺷﻴﻨﻬﺎي ﭘﻴﺸﺮﻓﺘﻪ از راه دور ﻛﻨﺘﺮل ﻣﻲ‬
‫ﺷﻮﻧﺪ )‪(remote control‬ﻛﻪ اﻳﻦ ﻣﺴﺌﻠﻪ را ﺑﺮاﺣﺘﻲ ﻣﻲ ﺗﻮان در روﺑﺎﺗﻬﺎ ﺑﺴﺖ وﺗﻮﺳﻌﻪ داد ‪.‬‬
‫ﺑﺮاي ﺳﺎﺧﺖ ﻳﻚ ﻟﮕﻮ ﻣﺎﺷﻴﻦ اﺣﺘﻴﺎج ﺑﻪ ﭼﻬﺎر ﭼﺮخ ﭘﻼﺳﺘﻴﻜﻲ و دو ﻣﻴﻠﻪ ﺗﺤﺖ ﻋﻨﻮان ﻣﺤﻮر‬
‫اﺣﺘﻴﺎج دارﻳﺪ‪.‬ﺷﺎﻳﺪ ﺑﺘﻮاﻧﻴﺪ اﻳﻦ ﻗﻄﻌﺎت را ﺑﺮاﺣﺘﻲ در ﻳﻚ ﻣﺎﺷﻴﻦ اﺳﺒﺎب ﺑﺎزي ﭘﻴﺪا‬
‫ﻛﻨﻴﺪ‪.‬ﺑﺮﺧﻲ از ﻃﺮاﺣﺎن روﺑﺎت ﺑﻪ ﺟﺎي ﭼﻬﺎر ﭼﺮخ از ﺳﻪ ﭼﺮخ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬در اﻳﻦ‬
‫ﺣﺎﻟﺖ ﻋﻤﻮﻣﺎ دو ﭼﺮخ ﺛﺎﺑﺖ وﺗﻨﻬﺎ در ﺟﺎي ﺧﻮد ﻣﻲ ﭼﺮﺧﻨﺪ و ﺗﻨﻬﺎ ﻳﻚ ﭼﺮخ داراي ﺣﺮﻛﺖ‬
‫آزاد اﺳﺖ‪.‬ﻧﻮع دو ﭼﺮخ آن ﻧﻴﺰ وﺟﻮد دارد‪.‬در اﻳﻦ ﺣﺎﻟﺖ ﻫﺮ دوﭼﺮخ داراي ﺣﺮﻛﺖ آزاد زاوﻳﻪ‬
‫اي ﻫﺴﺘﻨﺪ ‪.‬‬
‫ﺑﺮاي ﺣﻞ ﻣﺸﻜﻞ ﺗﻌﺎدل روﺑﺎﺗﻬﺎ در ﻫﻨﮕﺎم ﭼﺮﺧﺶ از ﭼﻬﺎر ﭼﺮخ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬در ﻫﺮ‬
‫ﻃﺮف دوﭼﺮخ وﺟﻮد دارد‪.‬ﻛﻪ ﭼﺮﺧﻬﺎي در ﻫﺮ ﺳﻤﺖ ﺑﻮﺳﻴﻠﻪ ﺗﺴﻤﻪ ﻳﺎ ﻧﻮاري ﭘﻼﺳﺘﻴﻜﻲ ﺑﻬﻢ‬
‫ﻣﺘﺼﻞ ﻣﻲ ﺷﻮﻧﺪ ‪.‬‬
‫‪.‬‬
‫ﺷﻜﻞ ‪5-4‬‬
‫‪77‬‬

‫ﺷﻜﻞ‪6-4‬‬
‫ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪:‬‬

‫‪ 1- 3-4‬ﭼﻜﻴﺪه‪:‬‬
‫در ﻋﺼﺮ ﺣﺎﺿﺮ در ﺑﺴﻴﺎري از ﻣﻮارد ﻣﺎﺷﻴﻦ ﻫﺎ ﺟﺎﻳﮕﺰﻳﻦ اﻧﺴﺎﻧﻬﺎ ﺷﺪه اﻧﺪ و ﺑﺴﻴﺎري از‬
‫ﻛﺎرﻫﺎي ﻓﻴﺰﻳﻜﻲ ﻛﻪ در ﮔﺬﺷﺘﻪ ﺗﻮﺳﻂ اﻧﺴﺎﻧﻬﺎ اﻧﺠﺎم ﻣﻲ ﮔﺮﻓﺖ اﻣﺮوزه ﺗﻮﺳﻂ ﻣﺎﺷﻴﻦ ﻫﺎ‬
‫ﺻﻮرت ﻣﻲ ﮔﻴﺮد ‪ .‬اﮔﺮﭼﻪ ﻗﺪرت ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ در ذﺧﻴﺮه‪ ،‬ﺑﺎزﻳﺎﺑﻲ اﻃﻼﻋﺎت و اﺗﻮﻣﺎﺳﻴﻮن اداري‬
‫‪ .....،‬ﻏﻴﺮ ﻗﺎﺑﻞ اﻧﻜﺎر اﺳﺖ‪ ،‬اﻣﺎ ﻫﻤﭽﻨﺎن ﻣﻮاردي وﺟﻮد دارد ﻛﻪ اﻧﺴﺎن ﻧﺎﭼﺎر اﺳﺖ ﺧﻮدش‬
‫ﻛﺎرﻫﺎ را اﻧﺠﺎم دﻫﺪ ‪.‬اﻣﺎ ﺑﻪ ﻃﻮر ﻛﻠﻲ ‪ ،‬ﻣﻮارد ﻣﺮﺗﺒﻂ ﺑﺎ ﻣﺎﺷﻴﻦ ﺷﺎﻣﻞ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ‬
‫در آن ﺑﻪ ﻋﻠﺖ ارﺗﺒﺎﻃﺎت ﭘﻴﭽﻴﺪه ﺑﻴﻦ اﺟﺰا‪ ،‬ﻣﻐﺰ اﻧﺴﺎن از درك رﻳﺎﺿﻲ اﻳﻦ ارﺗﺒﺎﻃﺎت ﻗﺎﺻﺮ‬
‫اﺳﺖ ‪ .‬ﻣﻐﺰ اﻧﺴﺎن ﺑﻪ ﻣﺮور زﻣﺎن ﺑﺎ ﻣﺸﺎﻫﺪه ﺗﻮاﻟﻲ رﻓﺘﺎرﻫﺎي ﺳﻴﺴﺘﻢ و ﮔﺎه آزﻣﺎﻳﺶ ﻧﺘﻴﺠﻪ‬
‫اي ﻛﻪ ﺑﺮ اﺛﺮ دﺳﺘﻜﺎري ﻳﻜﻲ از اﺟﺰاي ﺳﻴﺴﺘﻢ ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ﺗﺎ ﺣﺪي ﻣﻲ ﺗﻮاﻧﺪ ﻋﺎدﺗﻬﺎي‬
‫ﺳﻴﺴﺘﻢ را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﺪ ‪ .‬اﻳﻦ روﻧﺪ ﻳﺎدﮔﻴﺮي ﺑﺮ اﺛﺮ ﻣﺸﺎﻫﺪه ﻣﺜﺎﻟﻬﺎي ﻣﺘﻨﻮع از ﺳﻴﺴﺘﻢ ‪ ،‬ﺑﻪ‬
‫ﻛﺴﺐ ﺗﺠﺮﺑﻪ ﻣﻨﺠﺮ ﻣﻲ ﺷﻮد‪ .‬در ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢﻫﺎﻳﻲ ﻣﻐﺰ ﻗﺎدر ﺑﻪ ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ داﺧﻠﻲ‬
‫ﺳﻴﺴﺘﻢ ﻧﻴﺴﺖ و ﺗﻨﻬﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ رﻓﺘﺎرﻫﺎي ﺧﺎرﺟﻲ‪ ،‬ﻋﻤﻠﻜﺮد داﺧﻠﻲ ﺳﻴﺴﺘﻢ را ﺗﺨﻤﻴﻦ ﻣﻲ‬
‫زﻧﺪ و ﻋﻜﺲ اﻟﻌﻤﻠﻬﺎي آن را ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫ﭼﮕﻮﻧﮕﻲ اداره ﺣﺠﻢ اﻧﺒﻮه اﻃﻼﻋﺎت و اﺳﺘﻔﺎده ﻣﻮﺛﺮ از آﻧﻬﺎ در ﺑﻬﺒﻮد ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪ ،‬از‬
‫ﻣﻮﺿﻮﻋﺎت ﺑﺤﺚ ﺑﺮاﻧﮕﻴﺰ در ﻋﺼﺮﺣﺎﺿﺮ اﺳﺖ‪ .‬ﻳﻜﻲ از ﻣﺴﺎﺋﻞ ﻣﻬﻢ ﺗﺤﻘﻴﻘﺎﺗﻲ در زﻣﻴﻨﻪ ﻋﻠﻮم‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ‪ ،‬ﭘﻴﺎده ﺳﺎزي ﻣﺪﻟﻲ ﺷﺒﻴﻪ ﺑﻪ ﺳﻴﺴﺘﻢ داﺧﻠﻲ ﻣﻐﺰ اﻧﺴﺎن ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ‬
‫‪78‬‬

‫ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺮ اﺳﺎس ﺗﺠﺮﺑﻪ اﺳﺖ ‪.‬در اﻳﻦ راﺳﺘﺎ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﻳﻜﻲ از‬
‫ﭘﻮﻳﺎﺗﺮﻳﻦ ﺣﻮزهﻫﺎي ﺗﺤﻘﻴﻖ در دوران ﻣﻌﺎﺻﺮ ﻫﺴﺘﻨﺪ ﻛﻪ اﻓﺮاد ﻣﺘﻌﺪدي از رﺷﺘﻪ ﻫﺎي‬
‫ﮔﻮﻧﺎﮔﻮن ﻋﻠﻤﻲ را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﻛﺮده اﺳﺖ ‪.‬اﺳﺘﻔﺎده از ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي‬
‫ژﻧﺘﻴﻚ در ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪه ﻛﺎرﺑﺮدي اﻳﻦ روزﻫﺎ ﺑﻴﺶ از ﺑﻴﺶ رواج ﻳﺎﻓﺘﻪ اﺳﺖ ‪ .‬در اﻳﻦ‬
‫ﻣﻘﺎﻟﻪ ﭘﺲ از ﻣﻌﺮﻓﻲ اﺟﻤﺎﻟﻲ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ‪ ،‬ارﺗﺒﺎط وﺳﻬﻢ آن‬
‫ﻫﺎ در ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﺣﻮزه ﺗﺠﺎرت وﻛﺴﺐ وﻛﺎر ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬
‫‪ 2-3-4‬ﻣﻘﺪﻣﻪ‪:‬‬
‫ﺗﻮﺟﻪ ﺑﻪ ﻛﺎرﺑﺮد ﺗﻜﻨﻴﻚ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ و اﺑﺰارﻫﺎي ﻣﺪل ﺳﺎزي در ﺣﻮزه ﻛﺴﺐ و ﻛﺎر‬
‫ﺑﻪ ﻃﻮر ﻓﺰاﻳﻨﺪه اي در ﺣﺎل اﻓﺰاﻳﺶ اﺳﺖ‪ .‬در اﻳﻦ راﺳﺘﺎ ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ﺟﺎﻳﮕﺎه وﻳﮋه اي‬
‫ﻳﺎﻓﺘﻪ اﻧﺪ ‪.‬در ﭼﻨﺪ دﻫﻪ ﮔﺬﺷﺘﻪ دو ﻋﻨﻮان ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ از‬
‫ﻣﻮﺿﻮﻋﺎﺗﻲ ﺑﻮده اﻧﺪ ﻛﻪ ﺗﻮﺟﻪ ﺑﺴﻴﺎري از داﻧﺸﮕﺎﻫﻴﺎن را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﻛﺮده اﻧﺪ ‪ .‬اﻳﻦ دو ﺑﻪ‬
‫ﻋﻨﻮان اﺑﺰاري ﻧﻴﺮوﻣﻨﺪ در ﺣﻞ ﻣﺴﺎﺋﻠﻲ ﻛﻪ دﻳﮕﺮ ﺗﻮﺳﻂ ﻣﺘﺪﻟﻮژي ﻫﺎ و روش ﻫﺎي ﺳﻨﺘﻲ‬
‫ﮔﺬﺷﺘﻪ ﻗﺎﺑﻞ ﺣﻞ ﻧﺒﻮدﻧﺪ‪ ،‬ﺷﻨﺎﺧﺘﻪ ﺷﺪه و ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮارﮔﺮﻓﺘﻪ اﻧﺪ‪ .‬اﻳﻦ روزﻫﺎ اﺳﺘﻔﺎده‬
‫از آﻧﻬﺎ ﺑﻪ زﻧﺪﮔﻲ اﺟﺘﻤﺎﻋﻲ ﻣﺎ ﻧﻴﺰ ﺗﺴﺮي ﻳﺎﻓﺘﻪ ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ ﻛﺎرﺑﺮد آﻧﻬﺎ در ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺎ‬
‫ﻧﻘﺶ ﺣﻴﺎﺗﻲ ﻳﺎﻓﺘﻪ اﺳﺖ ‪ .‬اﻳﻦ ﻣﻘﺎﻟﻪ ﺷﻮاﻫﺪي را ﻣﺒﺘﻨﻲ ﺑﺮاﻣﻜﺎن اﺳﺘﻔﺎده اﺧﻼﻗﻲ از ﺷﺒﻜﻪ‬
‫ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ي ژﻧﺘﻴﻚ ﻛﻪ ﺑﻪ ﻣﻨﺠﺮ ﺑﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮﻳﻬﺎي ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ در‬
‫ارﺗﺒﺎط ﺑﺎ ﻣﺴﺎﺋﻞ ﻣﺮﺗﺒﻂ ﺑﺎ ﻛﺴﺐ و ﻛﺎر ﻣﻲ ﺷﻮد اراﺋﻪ ﻣﻲ ﻛﻨﺪ ‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﻻزم اﺳﺖ‬
‫ﻛﻪ ﺑﺮرﺳﻲ ﺗﻄﺒﻴﻘﻲ اي در راﺑﻄﻪ ﺑﺎ ﺗﻼﺷﻬﺎي دﻳﮕﺮ ﻣﺤﻘﻘﺎن در ﻗﺎﻟﺐ ادﺑﻴﺎت ﻣﻮﺿﻮع ﺻﻮرت‬
‫ﮔﻴﺮد ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ‪ ،‬در ﺗﺤﻘﻴﻖ ﻣﺎ ﺑﺮ ﻧﻘﺶ ﻣﺤﻘﻘﺎن ﻋﻤﻠﻴﺎﺗﻲ در ﺣﻮزه ﻛﺎرﺑﺮد ﺷﺒﻜﻪ ﻫﺎي‬
‫ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ ﺗﺄﻛﻴﺪ ﺷﺪه اﺳﺖ ‪ .‬ﻫﻤﭽﻨﻴﻦ در ﻛﻨﺎر اﻳﺠﺎد ﭼﻨﻴﻦ ﭘﺎﻳﮕﺎﻫﻲ‬
‫ﺑﺮاي ﻣﺤﻘﻘﺎن ‪ ،‬ﺑﻪ ﺳﻮاﻻت اﺳﺎﺳﻲ زﻳﺮ ﻧﻴﺰ ﭘﺎﺳﺦ داده ﺷﺪه اﺳﺖ ‪:‬‬
‫‪-1‬آﻳﺎ ﻛﺎرﺑﺮدﻫﺎي ﺳﻴﺴﺘﻢ ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻲ ﺗﻮاﻧﺪ از ﻓﺮاﻳﻨﺪﻫﺎي ﺗﺼﻤﻴﻢ‬
‫ﮔﻴﺮي ﺷﺮﻛﺖ ﺷﻤﺎ ﭘﺸﺘﻴﺒﺎﻧﻲ ﻛﻨﺪ ؟‬
‫‪-2‬آﻳﺎ اﺳﻨﺎد ودﻻﻳﻞ و ﻣﺪارك ﻣﻌﺘﺒﺮي ﺑﺮاي اﺛﺒﺎت اﻳﻦ ادﻋﺎ وﺟﻮد دارد ؟‬
‫‪-3‬آﻳﺎ اﻳﻨﻬﺎ ﺗﻨﻬﺎ ﻳﻚ ﺗﺌﻮري و اﻳﺪه داﻧﺸﮕﺎﻫﻲ اﺳﺖ ﻳﺎ داراي ﻗﺎﺑﻠﻴﺖ ﻛﺎرﺑﺮد و ﺗﻌﻤﻴﻢ ﻧﻴﺰ‬
‫ﻫﺴﺖ؟‬
‫‪79‬‬

‫ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ‪ ،‬ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﻄﺎﻟﻌﺎت ﻣﺸﺎﺑﻪ در راﺑﻄﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‬
‫در ﻛﺴﺐ و ﻛﺎر‪ ،‬ﻧﻮﻳﺴﻨﺪﮔﺎن و ﻣﺤﻘﻘﺎن در آرزوي دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﻓﺮﺻﺘﻲ ﺟﻬﺖ ﺑﺤﺚ ﻣﻘﺎﻳﺴﻪ‬
‫اي در ﺑﺎره اﻳﻦ ﺳﻪ ﻣﺘﺪﻟﻮژي ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ )ﻣﺘﺎﻛﺴﻴﻮس و ﭘﺴﺎراس ‪ . ( 2003‬ﻳﻜﻲ از‬
‫ﻣﻬﻢ ﺗﺮﻳﻦ و ﺑﺤﺚﺑﺮاﻧﮕﻴﺰﺗﺮﻳﻦ ﺗﺤﻘﻴﻘﺎت ‪ ،‬ﺑﺮرﺳﻲ ﺻﻮرت ﮔﺮﻓﺘﻪ ﺗﻮﺳﻂ ﻻﻳﺒﻮﺗﺰ )‪(2001‬‬
‫اﺳﺖ ﻛﻪ ﻧﺘﻴﺠﻪ آن ﺗﺤﺖ ﻋﻨﻮان »ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه و ﻛﺎرﺑﺮد آﻧﻬﺎ« ﻣﻄﺮح ﺷﺪ‪.‬‬
‫ﺳﺎﺧﺘﺎر اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‪ :‬در اﺑﺘﺪا ﻣﺮوري ﺑﺮ ﭘﺎﻳﻪ و اﺳﺎس ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و‬
‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ ﺧﻮاﻫﻴﻢ داﺷﺖ و ﺳﭙﺲ ﺑﻪ ﺑﺎزﻧﮕﺮي ﺟﺎﻣﻌﻲ ﺑﺮ ﻛﺎرﺑﺮد ﺷﺒﻜﻪ ﻫﺎي‬
‫ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺣﻮزه ﻛﺴﺐ و ﻛﺎر ﺧﻮاﻫﻴﻢ ﭘﺮداﺧﺖ و ﻧﻬﺎﻳﺘﺎ آن را ﺑﺎ‬
‫ﻧﺘﺎﻳﺞ و ﭘﻴﺸﻨﻬﺎداﺗﻲ ﺑﺮاي ﺗﺤﻘﻴﻘﺎت ﻛﺎرﺑﺮدي آﻳﻨﺪه ﺑﻪ ﭘﺎﻳﺎن ﺧﻮاﻫﻴﻢ رﺳﺎﻧﺪ‪.‬‬
‫‪ 3-3-4‬ﻓﻨﺎوري ﺷﺒﻜﻪ ﻋﺼﺒﻲ ‪:‬‬

‫ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﻳﻚ ﺗﻜﻨﻴﻚ ﭘﺮدازش اﻃﻼﻋﺎت ﻣﺒﺘﻨﻲ ﺑﺮ روش ﺳﻴﺴﺘﻢ ﻫﺎي ﻋﺼﺒﻲ‬
‫ﺑﻴﻮﻟﻮژﻳﻜﻲ ﻣﺎﻧﻨﺪ ﻣﻐﺰ و ﭘﺮدازش اﻃﻼﻋﺎت اﺳﺖ‪ .‬ﻣﻔﻬﻮم ﺑﻨﻴﺎدي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪ ،‬ﺳﺎﺧﺘﺎر‬
‫ﺳﻴﺴﺘﻢ ﭘﺮدازش اﻃﻼﻋﺎت اﺳﺖ ﻛﻪ از ﺗﻌﺪاد زﻳﺎدي واﺣﺪﻫﺎي ﭘﺮدازﺷﻲ )ﻧﻮرون( ﻣﺮﺗﺒﻂ ﺑﺎ‬
‫ﺷﺒﻜﻪ ﻫﺎ ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ‪ .‬ﺳﻠﻮل ﻋﺼﺒﻲ ﺑﻴﻮﻟﻮژﻳﻜﻲ ﻳﺎ ﻧﻮرون‪ ،‬واﺣﺪ ﺳﺎزﻧﺪه ﺳﻴﺴﺘﻢ‬
‫ﻋﺼﺒﻲ در اﻧﺴﺎن اﺳﺖ‪ .‬ﻳﻚ ﻧﻮرون ازﺑﺨﺸﻬﺎي اﺻﻠﻲ زﻳﺮ ﺗﺸﻜﻴﻞ ﺷﺪه اﺳﺖ‪:‬‬
‫‪ -1‬ﺑﺪﻧﻪ ﺳﻠﻮﻟﻲ ﻛﻪ ﻫﺴﺘﻪ در آن اﺳﺖ و ﺳﺎﻳﺮ ﻗﺴﻤﺘﻬﺎي ﺳﻠﻮﻟﻲ از آن ﻣﻨﺸﺄ ﮔﺮﻓﺘﻪ اﺳﺖ ‪.‬‬
‫‪-2‬ﻫﺴﺘﻪ‬
‫‪ -3‬آﻛﺴﻮن ﻛﻪ وﻇﻴﻔﻪ آن اﻧﺘﻘﺎل اﻃﻼﻋﺎت از ﺳﻠﻮل ﻋﺼﺒﻲ اﺳﺖ ‪.‬‬
‫‪ -4‬دﻧﺪرﻳﺖ ﻛﻪ وﻇﻴﻔﻪ آن اﻧﺘﻘﺎل اﻃﻼﻋﺎت از ﺳﻠﻮل ﻫﺎي دﻳﮕﺮ ﺑﻪ ﺳﻠﻮل ﻋﺼﺒﻲ اﺳﺖ‬
‫ﻳﻚ ﺳﻴﺴﺘﻢ ﺷﺒﻜﻪ ﻋﺼﺒﻲ از ﺗﻜﻨﻴﻚﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده اﻧﺴﺎن در ﻳﺎدﮔﻴﺮي از ﻃﺮﻳﻖ‬
‫اﺳﺘﻨﺎد ﺑﻪ ﻣﺜﺎﻟﻬﺎﻳﻲ از ﺣﻞ ﻣﺴﺎﺋﻞ اﺳﺘﻔﺎده ﻣﻲﻛﻨﺪ )ﻫﺎﻳﻜﻴﻦ ‪ . ( 1994،‬ﻫﺮ ﻧﻮرون ورودﻳﻬﺎي‬
‫ﻣﺘﻌﺪدي را ﭘﺬﻳﺮاﺳﺖ ﻛﻪ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﺑﻪ ﻃﺮﻳﻘﻲ ﺟﻤﻊ ﻣﻲ ﺷﻮﻧﺪ ‪ .‬اﮔﺮ در ﻳﻚ ﻟﺤﻈﻪ ﺗﻌﺪاد‬
‫ورودي ﻫﺎي ﻓﻌﺎل ﻧﺮون ﺑﻪ ﺣﺪ ﻛﻔﺎﻳﺖ ﺑﺮﺳﺪ ﻧﺮون ﻧﻴﺰ ﻓﻌﺎل ﺷﺪه و آﺗﺶ ﻣﻲ ﻛﻨﺪ ‪ .‬در ﻏﻴﺮ‬
‫اﻳﻦﺻﻮرت ﻧﻮرون ﺑﻪ ﺻﻮرت ﻏﻴﺮ ﻓﻌﺎل و آرام ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ ‪.‬ﻓﻌﺎﻟﻴﺖ ﻫﺮ ﻧﻮرون از ﻣﺠﻤﻮﻋﻪ‬
‫اي از ﻳﻚ ﻳﺎ ﭼﻨﺪ ورودي ‪ ،‬ﻋﻤﻠﻴﺎت و وﻇﻴﻔﻪ ﺧﺮوﺟﻲ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺧﺮوﺟﻴﻬﺎﻳﺶ ﺗﺸﻜﻴﻞ‬
‫ﺷﺪه اﺳﺖ ‪ .‬ﻋﻤﻠﻜﺮد اﺳﺎﺳﻲ اﻳﻦ ﻣﺪل ﻣﺒﺘﻨﻲ ﺑﺮ ﺟﻤﻊ ﻛﺮدن ورودﻳﻬﺎ و ﺑﻪ دﻧﺒﺎل آن ﺑﻪ‬
‫‪80‬‬

‫وﺟﻮد آﻣﺪن ﻳﻚ ﺧﺮوﺟﻲ اﺳﺖ ‪ .‬ورودﻳﻬﺎي ﻧﻮرون از ﻃﺮﻳﻖ دﻧﺪرﻳﺖ ﻫﺎ ﻛﻪ ﺑﻪ ﺧﺮوﺟﻲ‬

‫ﻧﻮرون ﻫﺎي دﻳﮕﺮ از ﻃﺮﻳﻖ ﺳﻴﻨﺎﭘﺲ ﻣﺘﺼﻞ ﺷﺪه اﻧﺪ وارد ﻣﻲ ﺷﻮﻧﺪ ‪ .‬ﺑﺪﻧﻪ ﺳﻠﻮﻟﻲ ﻛﻠﻴﻪ اﻳﻦ‬
‫ورودﻳﻬﺎ را درﻳﺎﻓﺖ ﻣﻲ ﻛﻨﺪ و ﭼﻨﺎﻧﭽﻪ ﺟﻤﻊ اﻳﻦ ﻣﻘﺎدﻳﺮاز ﻣﻘﺪاري ﻛﻪ ﺑﻪ آن آﺳﺘﺎﻧﻪ ﮔﻔﺘﻪ ﻣﻲ‬
‫ﺷﻮد ﺑﻴﺸﺘﺮ ﺷﻮد در اﺻﻄﻼح ﺑﺮ اﻧﮕﻴﺨﺘﻪ ﺷﺪه ﻳﺎ آﺗﺶ ﻣﻲ ﻛﻨﺪ و درﻏﻴﺮ اﻳﻦ ﺻﻮرت ﺧﺮوﺟﻲ‬
‫ﻧﻮرون روﺷﻦ ﻳﺎ ﺧﺎﻣﻮش ﺧﻮاﻫﺪ ﺷﺪ‪ .‬ﻣﺪل ﭘﺎﻳﻪ اي ﻧﻮرون ﺑﻪ ﺻﻮرت ﺷﻜﻞ ‪ 1‬ﺗﻌﺮﻳﻒ ﻣﻲ‬
‫‪.‬‬ ‫ﮔﺮدد‬
‫ﺷﻜﻞ ‪7-4‬‬
‫اﻣﺮوزه ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ در ﻛﺎرﺑﺮدﻫﺎي ﻣﺨﺘﻠﻔﻲ از ﻗﺒﻴﻞ ﻃﺒﻘﻪ ﺑﻨﺪي داده ﻫﺎ و ﺗﺸﺨﻴﺺ‬
‫اﻟﮕﻮ از ﻃﺮﻳﻖ ﻓﺮاﻳﻨﺪ ﻳﺎدﮔﻴﺮي ﻛﻪ ﺧﻮد ﺷﺎﻣﻞ ﻣﺴﺎﺋﻠﻲ ﻣﺎﻧﻨﺪ ﺗﺸﺨﻴﺺ ﺧﻂ و ﺷﻨﺎﺳﺎﻳﻲ ﮔﻔﺘﺎر‬
‫وﭘﺮدازش ﺗﺼﻮﻳﺮ اﺳﺖ ﺑﻪ ﻛﺎر ﻣﻲ روﻧﺪ‪ .‬ﺑﻪ ﻣﺜﺎﺑﻪ ﺳﻴﺴﺘﻢ ﻫﺎي ﺑﻴﻮﻟﻮژﻳﻜﻲ ‪ ،‬آﻣﻮزش ﺷﺎﻣﻞ‬
‫ﺗﻨﻈﻴﻢ ﭘﻴﻮﻧﺪﻫﺎي ﺑﻴﻦ ﺳﻴﻨﺎﭘﺲﻫﺎ ﻛﻪ درﻫﺮ ﻧﻮرون وﺟﻮد دارﻧﺪ اﺳﺖ‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ‪،‬‬
‫اﻃﻼﻋﺎت آﻣﻮﺧﺘﻪ ﺷﺪه ﺑﻪ ﺷﻜﻞ ارزﺷﻬﺎي ﻋﺪدي ﺑﻪﻧﺎم »وزن« ﻛﻪ ﺑﻪ ﻫﺮ واﺣﺪ ﭘﺮدازش‬
‫ﺷﺒﻜﻪ اﺧﺘﺼﺎص داده ﻣﻲﺷﻮد ‪ ،‬ذﺧﻴﺮه ﻣﻲ ﺷﻮﻧﺪ ‪.‬ﺑﻪ ﻃﻮر ﻛﻠﻲ ‪ ،‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﺑﻴﻦ ‪:‬‬
‫روﺷﻬﺎي اﺗﺼﺎل ﻧﻮرون ﻫﺎ‪ ،‬اﻧﻮاع روﺷﻬﺎي وﻳﮋه ﻣﺤﺎﺳﺒﻪ ﻋﻤﻠﻴﺎت ﻧﻮرون ﻫﺎ‪ ،‬روش اﻧﺘﻘﺎل‬
‫اﻟﮕﻮي ﻋﻤﻠﻴﺎت از ﺧﻼل ﺷﺒﻜﻪ و روﺷﻬﺎي ﻳﺎدﮔﻴﺮي آﻧﻬﺎ ﻛﻪ ﺷﺎﻣﻞ ﻧﺮخ ﻳﺎدﮔﻴﺮي اﺳﺖ‪ ،‬ﺗﻤﺎﻳﺰ‬
‫ﻗﺎﺋﻞ ﺷﻮﻧﺪ ‪ .‬ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ارﺗﺒﺎﻃﺎت ﺑﻴﻦ ﻧﻮرون ﻫﺎ ‪ ،‬ﻣﻲ ﺗﻮان ﺑﻴﻦ ﺷﺒﻜﻪ ﻫﺎي ﻻﻳﻪ دار و‬
‫ﺑﺪون ﻻﻳﻪ ﺗﻤﺎﻳﺰ ﻗﺎﻳﻞ ﺷﺪ ‪ .‬ﺷﺒﻜﻪ ﻫﺎي ﻻﻳﻪ دار ﮔﺮوﻫﻲ ازﻧﻮرون ﻫﺎ ﻫﺴﺘﻨﺪ ﻛﻪ در ﻻﻳﻪ ﻫﺎﻳﻲ‬
‫ﻣﺠﺘﻤﻊ ﮔﺮدﻳﺪه اﻧﺪ ﻛﻪ ﺑﻴﻦ ﻻﻳﻪ ورودي و ﺧﺮوﺟﻲ ‪ -‬ﻛﻪ ﺗﻨﻬﺎ ﭘﻴﻮﻧﺪ ﺧﺎرﺟﻲ دارﻧﺪ ‪ -‬ﻳﻚ ﻳﺎ‬
‫ﭼﻨﺪ ﻻﻳﻪ ﭘﻨﻬﺎن وﺟﻮد دارد ‪ .‬داده ﻫﺎي ورودي از ﻻﻳﻪ ورودي ﺑﻪ وﺳﻴﻠﻪ ﻻﻳﻪ ﻫﺎي ﭘﻨﻬﺎن‬
‫)ﻻﻳﻪ ﻣﻴﺎﻧﻲ ) ﺑﻪ ﻻﻳﻪ ﺧﺮوﺟﻲ ﻣﻨﺘﻘﻞ ﻣﻲﺷﻮﻧﺪ ‪ .‬ﺳﻴﮕﻨﺎﻟﻬﺎ ي ﺟﺎري در ﺷﺒﻜﻪ ﻫﺎي ﻻﻳﻪ دار‬
‫ﺑﻪ ﺳﻤﺖ ﺟﻠﻮ ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ در اﺻﻄﻼح ﻓﻨﻲ ﺑﻪ آﻧﻬﺎ ﭘﻴﺶ ﺧﻮر ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد در‬
‫ﺣﺎﻟﻲ ﻛﻪ ﺷﺒﻜﻪ ﻫﺎي ﺑﺪون ﻻﻳﻪ داراي ﮔﺮه ﻫﺎي اﺿﺎﻓﻲ ﺑﺎزﺧﻮر ﻫﺴﺘﻨﺪ ﻛﻪ از ﺗﻘﺴﻴﻤﺎت‬
‫درﺳﺖ ﻻﻳﻪ ﻫﺎ ﺟﻠﻮﮔﻴﺮي ﻣﻲ ﻛﻨﻨﺪ ‪.‬‬
‫‪81‬‬

‫ﺳﺎﺧﺘﺎر ﭘﻴﻮﻧﺪﻫﺎ و ﺗﻤﺎﺳﻬﺎ و ﺗﻌﺪاد ﻻﻳﻪﻫﺎ و ﻧﻮرون ﻫﺎ ﺗﻌﻴﻴﻦ ﻛﻨﻨﺪه ﻣﻌﻤﺎري ﺷﺒﻜﻪ اﺳﺖ ﻛﻪ‬
‫ﺑﺎﻳﺴﺘﻲ ﻗﺒﻞ از اﺳﺘﻔﺎده از ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﺗﻨﻈﻴﻢ ﺷﻮد ‪ .‬ﻫﻤﺎن ﻃﻮر ﻛﻪ در ﺷﻜﻞ ‪ 2‬ﻧﻤﺎﻳﺶ‬
‫داده ﺷﺪه اﺳﺖ ‪ ،‬اﮔﺮﭼﻪ در ﻣﻮارد ﻣﺸﺨﺼﻲ ﻣﻲ ﺗﻮان ﺑﺎ ﻣﻮﻓﻘﻴﺖ از ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﺗﻚ‬
‫ﻻﻳﻪ اﺳﺘﻔﺎده ﻛﺮد اﻣﺎ رﺳﻢ ﺑﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﺣﺪاﻗﻞ داراي ‪ 3‬ﻻﻳﻪ ﺑﺎﺷﻨﺪ )‬
‫ﻻﻳﻪ ورودي ‪،‬ﻻﻳﻪ ﭘﻨﻬﺎن ﻳﺎ ﻻﻳﻪ ﻣﻴﺎﻧﻲ و ﻻﻳﻪ ﺧﺮوﺟﻲ ‪( .‬‬
‫ﻗﺒﻞ از آﻧﻜﻪ ﺷﺒﻜﻪ آﻣﻮزش داده ﺷﻮد‪ ،‬اوزان اﺧﺘﺼﺎﺻﻲ ﻛﻮﭼﻚ و ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﻲ ارزش‬
‫ﮔﺬاري ﻣﻲ ﺷﻮﻧﺪ ‪ .‬در ﺧﻼل روﻧﺪ آﻣﻮزش ‪ ،‬اوزان ﺷﺒﻜﻪ ﺑﻪ ﺷﻜﻞ ﺗﺪرﻳﺠﻲ ﺗﻌﺪﻳﻞ ﻣﻲ ﺷﻮد‬
‫ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ ﻣﺤﺮز ﺷﻮد ﻛﻪ ﻛﺎﻣﻼً رواﺑﻂ ﻓﺮا ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ ‪ .‬اﻳﻦ ﺷﻜﻞ از ﻳﺎدﮔﻴﺮي ‪،‬‬
‫ﻳﺎدﮔﻴﺮي ﺑﺎ ﺳﺮﭘﺮﺳﺖ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد ‪ .‬وﻗﺘﻲ ﻳﻚ اﻟﮕﻮ در ﻻﻳﻪ ورودي ﺑﻪﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‬
‫ﺗﺎ آن ﺟﺎ ﺟﻠﻮ ﻣﻲ رود ﻛﻪ ﺳﺘﺎﻧﺪه ﻧﻬﺎﻳﻲ در ﻻﻳﻪ ﺧﺮوﺟﻲ ﻣﺤﺎﺳﺒﻪ ﺷﻮد ‪ .‬ﺳﺘﺎﻧﺪه ﺷﺒﻜﻪ ﺑﺎ‬
‫ﻧﺘﺎﻳﺞ ﻣﻄﻠﻮب ﻣﻮرد اﻧﺘﻈﺎر ﻣﺪل ﻣﻘﺎﻳﺴﻪ و ﺧﻄﺎﻫﺎي ﻣﻮﺟﻮد ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد ‪.‬اﻳﻦ ﺧﻄﺎﻫﺎ‬
‫ﻣﺠﺪداً ﺑﻪ ﻋﻨﻮان ﺑﺎزﺧﻮرد ﺑﻪ ﺷﺒﻜﻪ ﺑﺎزﻣﻲ ﮔﺮدد ﺗﺎ ﺗﻐﻴﻴﺮات ﻻزم در اوزان ﭘﻴﻮﻧﺪﻫﺎ ﺑﺮاي‬
‫ﻛﺎﻫﺶ ﺧﻄﺎ ﺻﻮرت ﮔﻴﺮد ‪.‬ﻣﺠﻤﻮﻋﻪ اي از ﻣﺜﺎﻟﻬﺎي آﻣﻮزﺷﻲ داده _ ﺳﺘﺎﻧﺪه ﻣﻜﺮراً اراﺋﻪ ﻣﻲ‬
‫ﺷﻮد‪ .‬ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ ﻣﺠﻤﻮع اﻣﺘﻴﺎزات ﺧﻄﺎ ﺑﻪ ﺳﻄﺢ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﻛﺎﻫﺶ ﻳﺎﺑﺪ ‪ .‬در اﻳﻦ ﺟﺎﻳﮕﺎه م‬
‫ﺗﻮان آن ﺷﺒﻜﻪ را ﺑﻪ ﻋﻨﻮان ﺷﺒﻜﻪ اي آﻣﻮزش دﻳﺪه در ﻧﻈﺮ ﮔﺮﻓﺖ ‪ .‬اﻣﺎ در روش دﻳﮕﺮي ﻛﻪ‬
‫ﻳﺎدﮔﻴﺮي ﺑﺪون ﺳﺮﭘﺮﺳﺖ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ ،‬ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺎﻳﺪ ﺑﺪون ﻛﻤﻚ ﮔﺮﻓﺘﻦ از ﺟﻬﺎن ‪،‬‬
‫ﺑﺘﻮاﻧﻨﺪ ﻛﺎر آﻣﻮزش را اﻧﺠﺎم دﻫﺪ ‪ .‬واﻗﻌﻴﺖ آن اﺳﺖ ﻛﻪ در ﻋﻤﻞ ازروش ﻳﺎدﮔﻴﺮي‬
‫ﺑﺎﺳﺮﭘﺮﺳﺖ و ﻳﺎ ﺣﺪاﻛﺜﺮ از روﺷﻬﺎي ﺗﺮﻛﻴﺒﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد و ﻓﺮاﻳﻨﺪ آﻣﻮزش ﺑﺪون‬
‫ﺳﺮﭘﺮﺳﺖ ﺑﻪ ﺷﻜﻞ ﺧﺎﻟﺺ ﺗﻨﻬﺎ وﻋﺪهاي اﺳﺖ ﻛﻪ ﺷﺎﻳﺪ ﺑﺘﻮاﻧﺪ در آﻳﻨﺪه ﺗﺤﻘﻖ ﻳﺎﺑﺪ ‪ .‬در ﺣﺎل‬
‫ﺣﺎﺿﺮ و در ﻛﺎرﺑﺮدﻫﺎي ﭘﻴﺸﺮﻓﺘﻪ ‪ ،‬از روش آﻣﻮزش ﺑﺪون ﺳﺮﭘﺮﺳﺖ ﺑﺮاي اﻳﺠﺎد ﺗﻨﻈﻴﻤﺎت‬
‫اوﻟﻴﻪ ﺑﺮروي ﺳﻴﮕﻨﺎل ﻫﺎي ورودي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد و ﺑﺎﻗﻲ ﻣﺮاﺣﻞ‬
‫آﻣﻮزش ﺑﻪ روش ﺑﺎ ﺳﺮﭘﺮﺳﺖ اداﻣﻪ ﻣﻲ ﻳﺎﺑﺪ‪.‬‬
‫‪82‬‬

‫ﺷﻜﻞ‪8-4‬‬
‫ﺣﻮزه ﻫﺎي ﻛﺎرﺑﺮدي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ در ﻣﻮﺿﻮﻋﺎت زﻳﺮ اﺳﺖ ‪:‬‬
‫‪ -‬ﻫﻤﺒﺴﺘﮕﻲ ﻧﺎﺷﻨﺎﺧﺘﻪ ﺑﻴﻦ وﻳﮋﮔﻴﻬﺎي ﻣﻄﻠﻮب و ارزش ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺎﺋﻞ ﺗﺼﻤﻴﻢ ﮔﻴﺮي‬
‫)ﺟﺎﻳﻲ ﻛﻪ راه ﺣﻞ ﻣﺴﺎﺋﻞ ﻧﺎﺷﻨﺎﺧﺘﻪ اﺳﺖ(‬
‫‪ -‬ﻣﺴﺎﺋﻠﻲ ﻛﻪ داراي راه ﺣﻞ اﻟﮕﻮرﻳﺘﻢ ﻧﻴﺴﺘﻨﺪ‬
‫‪ -‬ﺟﺎﻳﻲ ﻛﻪ داده ﻫﺎي ﻧﺎﻗﺺ وﺟﻮد دارد‬
‫ﻣﺰﻳﺖ اﺻﻠﻲ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪ ،‬ﻗﺎﺑﻠﻴﺖ ﻓﻮق اﻟﻌﺎده آﻧﻬﺎ در ﻳﺎدﮔﻴﺮي و ﻧﻴﺰ ﭘﺎﻳﺪاري ﺷﺎن در‬
‫ﻣﻘﺎﺑﻞ اﻏﺘﺸﺎﺷﺎت ﻧﺎﭼﻴﺰ ورودي اﺳﺖ ) ﻓﺎوﺳﺖ ‪. (1994 ،‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ از روﺷﻬﺎي‬
‫ﻋﺎدي ﺑﺮاي ﺗﺸﺨﻴﺺ دﺳﺘﺨﻂ ﻳﻚ اﻧﺴﺎن اﺳﺘﻔﺎده ﻛﻨﻴﻢ ﻣﻤﻜﻦ اﺳﺖ در اﺛﺮ ﻛﻤﻲ ﻟﺮزش‬
‫دﺳﺖ ‪ ،‬اﻳﻦ روﺷﻬﺎ ﺑﻪ ﺗﺸﺨﻴﺺ ﻏﻠﻄﻲ ﺑﺮﺳﻨﺪ در ﺣﺎﻟﻲ ﻛﻪ ﻳﻚ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻛﻪ ﺑﻪ ﺻﻮرت‬
‫ﻣﻨﺎﺳﺐ آﻣﻮزش داده ﺷﺪه اﺳﺖ ﺣﺘﻲ در ﺻﻮرت ﭼﻨﻴﻦ اﻏﺘﺸﺎﺷﻲ ﻧﻴﺰ ﺑﻪ ﭘﺎﺳﺦ درﺳﺖ‬
‫ﺧﻮاﻫﺪ رﺳﻴﺪ‪.‬‬
‫درﻧﺘﻴﺠﻪ ‪ ،‬ﺗﺎﻛﻴﺪ ﻣﺎ ﺑﺮ اﻳﻦ ﺣﻘﻴﻘﺖ اﺳﺖ ﻛﻪ اﻧﺘﺨﺎب ﺷﺒﻜﻪ درﺳﺖ ﺑﺎ ﻣﺤﺎﺳﺒﺎت ﺻﺤﻴﺢ‪،‬‬
‫ﻋﺎﻣﻞ اﺻﻠﻲ در ﺗﻀﻤﻴﻦ ﻣﻮﻓﻘﻴﺖ ﻋﻤﻠﻜﺮد اﺳﺖ‪.‬‬
‫‪ 4-3-4‬ﻓﻨﺎوري اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ‪:‬‬

‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ روش ﻗﺪرﺗﻤﻨﺪي را ﺑﺮاي ﺗﻮﺳﻌﻪ اﻛﺘﺸﺎﻓﻲ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي‬
‫ﺗﺮﻛﻴﺒﻲ ﻣﻘﻴﺎس ﺑﺰرگ ﻓﺮاﻫﻢ آورده اﺳﺖ ‪ .‬اﻧﮕﻴﺰه اﺻﻠﻲ ﻣﻄﺮح ﻛﺮدن اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ﻣﻲ‬
‫ﺗﻮاﻧﺪ اﻳﻦ ﮔﻮﻧﻪ ﻋﻨﻮان ﺷﻮدﻛﻪ »ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ« ﺑﻪ ﺷﻜﻞ ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ اي در ﺗﻮﺳﻌﻪ اﻧﻮاع‬
‫وﮔﻮﻧﻪ ﻫﺎي ﭘﻴﭽﻴﺪه از ﻃﺮﻳﻖ ﻣﻜﺎﻧﻴﺰم ﻫﺎي ﻧﺴﺒﺘﺎً ﺳﺎده ﺗﻜﻤﻴﻠﻲ ﻧﻤﻮد ﻳﺎﻓﺘﻪ اﺳﺖ ‪ .‬ﺣﺎل‬
‫ﺳﻮال اﺳﺎﺳﻲ اﻳﻦ اﺳﺖ ‪ :‬ﭘﺬﻳﺮش ﻛﺪام اﻳﺪه از ﺗﺌﻮري ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﻣﺎ در‬
‫ﺣﻞ ﻣﺴﺎﺋﻞ اﻳﻦ ﻗﻠﻤﺮو ﻛﻤﻚ ﻛﻨﺪ ؟ اﻳﻦ ﺳﻮال ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻏﻨﺎي ﭘﺪﻳﺪه ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ‬
‫‪83‬‬

‫ﺟﻮاﺑﻬﺎي ﻣﺘﻔﺎوﺗﻲ دارد‪ .‬ﻫﺎﻟﻨﺪ و دي ﺟﺎﻧﮓ )‪ (1975‬از ﻧﺨﺴﺘﻴﻦ ﻛﺴﺎﻧﻲ ﻫﺴﺘﻨﺪﻛﻪ ﺑﺎ ﻣﻌﺮﻓﻲ‬
‫ﻣﻔﻬﻮم اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺗﻜﻨﻴﻚ ﺟﺴﺘﺠﻮي ﻋﻤﻮﻣﻲ ‪ -‬ﻛﻪ از ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ‬
‫ﺑﻴﻮﻟﻮژﻳﻚ در ﻗﺎﻟﺐ ﺑﻘﺎي اﻓﺮاد اﺻﻠﺢ و ﻣﺒﺎدﻟﻪ ﺳﺎﺧﺘﺎرﻣﻨﺪ و ﺗﺼﺎدﻓﻲ اﻃﻼﻋﺎت اﻟﮕﻮﺑﺮداري‬
‫ﻣﻲ ﻛﻨﺪ‪ -‬درﺻﺪد ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ اﻳﻦ ﺳﻮال ﺑﺮآﻣﺪﻧﺪ ‪.‬‬
‫ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ﻣﺴﺌﻠﻪ را ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮﻋﻪ اي از رﺷﺘﻪ ﻫﺎ ﻛﻪ ﺷﺎﻣﻞ ذرات‬

‫رﻳﺰﻫﺴﺘﻨﺪ ﻛﺪ ﮔﺬاري ﻣﻲ ﻛﻨﺪ ‪ ،‬ﺳﭙﺲ ﺑﺮاي ﺗﺤﺮﻳﻚ ﻓﺮاﻳﻨﺪ ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ ‪،‬ﺗﻐﻴﻴﺮاﺗﻲ را ﺑﺮ‬
‫روي رﺷﺘﻪ ﻫﺎ ا ﻋﻤﺎل ﻣﻲدارد‪ .‬در ﻣﻘﺎﻳﺴﻪ ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺟﺴﺘﺠﻮي ﻣﺤﻠﻲ ‪ ،‬در ﺟﺴﺘﺠﻮي‬
‫ﻋﻤﻮﻣﻲ ﻛﻪ ﺗﻨﻬﺎ ﻳﻚ راه ﺣﻞ ﻗﺎﺑﻞ ﻗﺒﻮل وﺟﻮد دارد ‪ ،‬اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ ﺟﺎﻣﻌﻪ اي از‬
‫اﻓﺮاد را در ﻧﻈﺮ ﻣﻲﮔﻴﺮﻧﺪ ‪ .‬ﻛـــﺎر ﺑﺎ ﻣﺠﻤﻮﻋﻪ اي از اﻓﺮاد‪ ،‬اﻣﻜﺎن ﻣﻄﺎﻟﻌﻪ ﺳﺎﺧﺘﺎرﻫﺎ و‬
‫وﻳﮋﮔﻴﻬﺎي اﺻﻠﻲ اﻓﺮاد ﻣﺘﻔﺎوت را ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ﺷﻨﺎﺳﺎﻳﻲ و ﻛﺸﻒ راه ﺣﻠﻬﺎي ﻛﺎرآﻣﺪ ﺗﺮ ﻣﻲ‬
‫ﺷﻮد‪ ،‬ﻓﺮاﻫﻢ ﻣﻲﺳﺎزد ‪ .‬در ﻃﻲ ﻣﻄﺎﻟﻌﻪ ‪ ،‬اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ رﺷﺘﻪ ﻫﺎي ﻣﺘﻨﺎﺳﺐ ﺑﺎ ارزش را‬
‫ﺑﺮﻣﻲ ﮔﺰﻳﻨﺪ و آن دﺳﺘﻪ از رﺷﺘﻪﻫﺎﻳﻲ را ﻛﻪ ﺗﻨــﺎﺳﺐ ﻛﻤﺘﺮي ﺑﺎ ﺟﻤﻌﻴﺖ ﻣﻮرد ﺑﺮرﺳﻲ‬
‫دارﻧﺪ ﺣﺬف ﻣﻲﻛﻨﻨﺪ‪.‬‬
‫‪ 5-3-4‬ﻣﺮوري ﺑﺮ ﻛﺎرﺑﺮدﻫﺎي ﺗﺠﺎري ‪:‬‬

‫ﺑﻌﺪ از ﻣﺮوري ﺑﺮ ﭘﻴﺸﻴﻨﻪ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ و ﭘﻴﺸﺮﻓﺘﻬﺎي آﻧﻬﺎ ‪ ،‬ﻣﻲ‬
‫ﺗﻮان ﺣﻮزه ﻫﺎي ﻛﺎرﺑﺮدي آﻧﻬﺎ را در ﻛﺴﺐ و ﻛﺎر ﺷﻨﺎﺳﺎﻳﻲ ﻛﺮد‪ .‬ﺑﻨﺎﺑﺮ اﻳﻦ در اﻳﻦ ﻗﺴﻤﺖ ﺑﻪ‬
‫ﺑﺮرﺳﻲ اﻧﻮاع ﻣﺴﺎﺋﻞ ﺗﺠﺎري ﻛﻪ ﺑﻪ ﺷﻜﻠﻲ ﻣﻨﺎﺳﺐ ﺑﻪوﺳﻴﻠﻪ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ‬
‫ﻫﺎي ژﻧﺘﻴﻚ ﻗﺎﺑﻞ ﺣﻞ ﺧﻮاﻫﻨﺪ ﺑﻮد ‪ ،‬ﻣﻲ ﭘﺮدازﻳﻢ ‪ .‬اﻣﺎ ﻗﺒﻞ از آن ﺗﻮﺿﻴﺤﻲ ﻣﺨﺘﺼﺮ در ارﺗﺒﺎط‬
‫ﺑﺎ ﻣﻮﺿﻮﻋﺎت ﻣﺮﺗﺒﻂ ﺑﺎ اﻳﻦ ﺣﻮزه ﺧﻮاﻫﻴﻢ داد‪.‬‬
‫‪ 1-5-3-4‬ﺑﺎزارﻳﺎﺑﻲ‪:‬‬
‫»اﻧﺠﻤﻦ ﺑﺎزارﻳﺎﺑﻲ آﻣﺮﻳﻜﺎ« از دﻳﺪﮔﺎه ﻣﺪﻳﺮﻳﺘﻲ‪ ،‬ﺑﺎزارﻳﺎﺑﻲ را ﺑﺪﻳﻦ ﮔﻮﻧﻪ ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﺪ ‪:‬‬
‫ﺑﺎزارﻳﺎﺑﻲ ﻳﻚ ﻓﺮاﻳﻨﺪ اﺟﺘﻤﺎﻋﻲ و ﻣﺪﻳﺮﻳﺘﻲ اﺳﺖ ﻛﻪ ﺑﻪوﺳﻴﻠﻪ آن‪ ،‬اﻓﺮاد و ﮔﺮوﻫﻬﺎ ‪ ،‬ﻧﻴﺎزﻫﺎ و‬
‫ﺧﻮاﺳﺘﻪ ﻫﺎ ي ﺧﻮد را از ﻃﺮﻳﻖ ﺗﻮﻟﻴﺪ ‪ ،‬ﻋﺮﺿﻪ و ﻣﺒﺎدﻟﻪ ﻛﺎﻻﻫﺎي ﻣﻔﻴﺪ و ﺑﺎ ارزش ﺑﺎ دﻳﮕﺮان ‪،‬‬
‫ﺗﺄﻣﻴﻦ ﻣﻲ ﻛﻨﻨﺪ ‪ .‬ﺑﻪ ﻃﻮر ﻛﻠﻲ ‪ ،‬ﺑﺎزارﻳﺎﺑﻲ داﻧﺸﻲ ﻧﺎﺷﻨﺎﺧﺘﻪ اﺳﺖ ﻛﻪ ﺑﺎ وﻳﮋﮔﻴﻬﺎﻳﻲ از ﻗﺒﻴﻞ‬
‫ﻋﺪم اﻃﻤﻴﻨﺎن ﺑﺎﻻ ‪ ،‬ﺳﺎﺧﺘﺎر ﮔﻤﺸﺪه ﻋﻠّـﻲ وداﻧﺸﻲ ﻧﺎﻛﺎﻣﻞ و ﮔﺴﺘﺮده ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖ‬
‫‪.‬ﺑﺴﻴﺎري از وﻇﺎﻳﻒ ﺗﺼﻤﻴﻢ ﮔﻴﺮي و ﺣﻞ ﻣﺴـﺌﻠﻪ ﺑﻪ ﺻﻮرت ﺑﺪون ﺳﺎﺧﺘﺎر ﻳﺎ ﻧﻴﻤﻪ ﺳﺎﺧﺘﺎر‬
‫‪84‬‬

‫ﻳﺎﻓﺘﻪ اﻧﺠﺎم ﻣﻲ ﺷﻮد ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻻﻳﻞ ﺗﻮﺳﻌﻪ ﻛﺎرﺑﺮد ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي‬
‫ژﻧﺘﻴﻚ در ﺑﺎزارﻳﺎﺑﻲ ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﺣﻮزه ﻫﺎي ﻋﻠﻢ دﺷﻮارﺗﺮ اﺳﺖ ‪.‬‬
‫در ﺳﺎل ‪ ، 1991‬ﻛﺎري و ﻣﺎﺗﻴﻦ ﻫﻮ ﺑﻪ ﺑﺤﺚ در راﺑﻄﻪ ﺑﺎ ﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﻲ در ﺑﺎزارﻳﺎﺑﻲ‬
‫ﭘﺮداﺧﺘﻨﺪ و ﺟﺎﻳﮕﺎه ﻳﺎﺑﻲ رﻗﺎﺑﺘﻲ را ﺑﻪوﺳﻴﻠﻪ ﻣﺘﺪﻟﻮژي ﻫﺪف ﮔﺮا ﻣﻮرد ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻗﺮار‬
‫دادﻧﺪ ‪ .‬اﻟﻴﺲ و ﻫﻤﻜﺎراﻧﺶ در ﺳﺎل ‪ 1991‬ﮔﺰارﺷﻲ از ﭘﻴﺸﺮﻓﺘﻬﺎي ﻛﺎرﺑﺮد ﻣﺪل ﻫﺎي ﺷﺒﻜﻪ‬
‫ﻋﺼﺒﻲ در ﻣﻮاﺟﻬﻪ ﺑﺎ اﺳﺘﺮاﺗﮋي ﻗﻴﻤﺖ ﮔﺬاري ﻛﺸﺸﻲ اراﺋﻪ ﻛﺮدﻧﺪ در ﺣﺎﻟﻲﻛﻪ ﭘﺮاﻛﺘﺮ در‬
‫ﺳﺎل ‪ 1992‬ﭼﮕﻮﻧﮕﻲ ﻛﺎرﺑﺮد ﺗﻜﻨﻮﻟﻮژي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ در ﻳﺎدﮔﻴﺮي ﻣﺪل ﻫﺎي داده‬
‫ﺑﺎزارﻳﺎﺑﻲ و ﻧﻘﺶ آﻧﻬﺎ را در ﺳﺎﺧﺘﻦ ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺗﺼﻤﻴﻤﺎت ﺑﺎزارﻳﺎﺑﻲ ﺑﻪ ﻧﻤﺎﻳﺶ‬
‫ﮔﺬاﺷﺖ ‪ .‬در ﺳﺎل ‪ 1993‬ﻛﺎري و ﻣﺎﺗﻴﻦ ﻫﻮ از ﺗﻜﻨﻮﻟﻮژي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ در ﻣﺪل ﺳﺎزي‬
‫واﻛﻨﺶ ﻣﺼﺮف ﻛﻨﻨﺪه ﺑﻪ ﻣﺤﺮك ﺗﺒﻠﻴﻐﺎت اﺳﺘﻔﺎده ﻛﺮدﻧﺪ ‪ .‬راي و ﻫﻤﻜﺎراﻧﺶ در ﺳﺎل ‪1994‬‬
‫ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ را در ﻛﻤ‪‬ﻲ ﺳﺎزي ﻓﺎﻛﺘﻮرﻫﺎي ﻣﻮﺛﺮ در ﻛﻴﻔﻴﺖ رواﺑﻂ ﺧﺮﻳﺪارو ﻓﺮوﺷﻨﺪه‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار دادﻧﺪ ‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﺷﺒﻜﻪ اي ﺑﺎ دو ﻋﻨﺼﺮ ﺧﺮوﺟﻲ ﻛﻴﻔﻴﺖ رواﺑﻂ‬
‫)رﺿﺎﻳﺖ از رواﺑﻂ و اﻋﺘﻤﺎد ( و ﭘﻨﺞ ورودي ) ﮔﺮاﻳﺶ ﻓﺮوش ﻓﺮوﺷﻨﺪه ‪ ،‬ﻣﺸﺘﺮي ﮔﺮاﻳﻲ ‪،‬‬
‫ﺗﺨﺼﺺ‪ ،‬اﺧﻼﻗﻴﺎت ‪ ،‬و دوام رواﺑﻂ ( ﺷﻜﻞ ﮔﺮﻓﺖ ‪ .‬در ﻣﻘﺎﻳﺴﻪ ﺑﺎ رﮔﺮﺳﻴﻮن ﻫﺎي ﭼﻨﺪ‬
‫ﻣﺘﻐﻴﺮه‪ ،‬ﺗﻜﻨﻴﻚ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﺑﻪ ﻧﺘﺎﻳﺞ آﻣﺎري ﻗﺎﺑﻞ ﻗﺒﻮل ﺗﺮي دﺳﺖ ﻳﺎﻓﺖ ‪.‬‬
‫از ﺳﻮي دﻳﮕﺮ ‪ ،‬ﻫﺎرﻟﻲ و ﻫﻤﻜﺎران )‪ (1994‬اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ را در ﺣﻞ‬
‫ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي ﺑﺎزارﻳﺎﺑﻲ ﻣﻮرد آزﻣﺎﻳﺶ ﻗﺮار دادﻧﺪ ‪ .‬ﺑﺮ اﺳﺎس ﻣﻄﺎﻟﻌﻪ آﻧﻬﺎ ‪ ،‬ﻛﺎرﺑﺮدﻫﺎي‬
‫ﺑﺎﻟﻘﻮه اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺑﺎزارﻳﺎﺑﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ ﺑﺎﺷﺪ ‪:‬‬
‫‪ -1‬رﻓﺘﺎر ﻣﺼﺮف ﻛﻨﻨﺪه‬

‫‪ -‬ﻳﺎدﮔﻴﺮي ﻣﺪل ﻫﺎي اﻧﺘﺨﺎب ﻣﺼﺮف ﻛﻨﻨﺪه‬
‫‪ -‬ﭘﺮدازش اﻃﻼﻋﺎت ﻣﺼﺮف ﻛﻨﻨﺪه‬
‫‪ -‬ﺗﺎﺛﻴﺮ ﮔﺮوﻫﻬﺎي ﻣﺮﺟﻊ‬
‫‪-2‬ﺑﺨﺶ ﺑﻨﺪي‪،‬اﻧﺘﺨﺎب ﺑﺎزار ﻫﺪف‪ ،‬ﺟﺎﻳﮕﺎه ﻳﺎﺑﻲ‬

‫‪ -‬ﺑﻬﻴﻨﻪ ﺳﺎزي ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺤﺼﻮل – ﺑﺎزار‬
‫‪ -‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻓﺎﻛﺘﻮرﻫﺎي ﻛﻠﻴﺪي ﺧﺮﻳﺪ‬
‫‪ -‬ﺟﺎﻳﮕﺎه ﻳﺎﺑﻲ ﻣﺤﺼﻮل‬
‫‪85‬‬

‫‪ -3‬ﻣﺪﻳﺮﻳﺖ ﻋﻨﺎﺻﺮ آﻣﻴﺨﺘﻪ ﺑﺎزارﻳﺎﺑﻲ‬

‫‪ -‬ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﺮﺧﻪ ﺣﻴﺎت ﻣﺤﺼﻮل‬
‫‪ -‬ﻃﺮاﺣﻲ ﻣﺤﺼﻮل‬
‫‪ -‬اﺳﺘﺮاﺗﮋي ﺗﺒﻠﻴﻐﺎت و ﺑﺮﻧﺎﻣﻪ رﻳﺰي رﺳﺎﻧﻪاي‬
‫‪ -‬ﻣﺪﻳﺮﻳﺖ ﻓﺮوش‬
‫ﮔﺮﻳﻦ و اﺳﻤﻴﺖ )‪ (1987‬ﻳﻚ ﺳﻴﺴﺘﻢ ژﻧﺘﻴﻚ را ﺑﺮاي ﻳﺎدﮔﻴﺮي ﻣﺪل ﻫﺎي اﻧﺘﺨﺎب ﻣﺼﺮف‬
‫ﻛﻨﻨﺪه ﻣﻄﺮح ﺳﺎﺧﺘﻨﺪ و ﺗﻨﮓ و ﻫﻮﻻك )‪ ( 1992‬ﭼﺎرﭼﻮﺑﻲ ﻣﻔﻬﻮﻣﻲ را در ﭘﻴﻮﻧﺪ ﻣﻔﺎﻫﻴﻢ‬
‫ﺑﺎزارﻳﺎﺑﻲ ﺑﺎ ﻣﻜﺎﻧﻴﺰم ﺗﻜﺎﻣﻞ ﺗﺪرﻳﺠﻲ داروﻳﻦ اراﺋﻪ ﻛﺮدﻧﺪ ‪ .‬در ﺳﺎل ‪ 1992‬ﺑﺎﻻك رﻳﺸﻤﻦ و‬
‫ﺟﺎﻛﻮب ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ﻣﺒﺘﻨﻲ ﺑﺮ ﺳﻴﺴﺘﻢ ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻃﺮاﺣﻲ‬
‫ﻣﺤﺼﻮل اراﺋﻪ ﻛﺮدﻧﺪ ‪ .‬از ﺳﻮي دﻳﮕﺮو در ﺣﺮﻛﺘﻲ ﻧﻮﻳﻦ وﻧﺎﮔﻮﭘﺎل و ﺑﻴﺘﺰ )‪ (1994‬ازاﺷﺘﺮاك‬
‫ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و ﺗﻜﻨﻴﻜﻬﺎي آﻣﺎري در ﺗﺤﻘﻴﻘﺎت ﺑﺎزارﻳﺎﺑﻲ اﺳﺘﻔﺎده ﻛﺮدﻧﺪ‪ .‬درﻧﻬﺎﻳﺖ ‪،‬‬
‫ﻣﻲ ﺗﻮان ﮔﺰارﺷﻲ از ﭘﻴﺸﺮﻓﺘﻬﺎي ﻣﻮﺟﻮد در اﻳﻦ زﻣﻴﻨﻪ راﺑﻪ ﺷﻜﻞ زﻳﺮ اراﺋﻪ ﻛﺮد ‪:‬‬
‫_ ‪_ STRATEX‬ﻳﻚ ﺳﻴﺴﺘﻢ داﻧﺸﻲ ﺑﺎ ﻫﺪف ﭘﺸﺘﻴﺒﺎﻧﻲ از اﻧﺘﺨﺎب ﺑﺨﺸﻬﺎي ﺑﺎزار )ﺑﻮرچ و‬

‫ﻫﺎرﺗﻮﻳﮕﺴﻦ ‪(1991 ،‬‬
‫_ ‪_ ADDUCE‬ﺳﻴﺴﺘﻤﻲ در ﺗﻮﺟﻴﻪ واﻛﻨﺶ ﻣﺼﺮف ﻛﻨﻨﺪه ﺑﻪ ﺗﺒﻠﻴﻐﺎت )ﺑﺎرك ‪(1991 ،‬‬
‫_ ‪_ COMSTRAT‬ﺳﻴﺴﺘﻤﻲ ﺑﺮاي ﺗﺼﻤﻴﻤﺎت اﺳﺘﺮاﺗﮋﻳﻚ ﺑﺎزارﻳﺎﺑﻲ ﺑﺎ ﺗﺎﻛﻴﺪ وﻳﮋه ﺑﺮ‬
‫ﺟﺎﻳﮕـﺎه ﻳﺎﺑﻲ رﻗﺎﺑﺘﻲ ) ﻣﺎﺗﻴﻦ ﻫﻮ و ﻫﻤﻜﺎران ‪(1993‬‬
‫_ ‪_ MARSTRA‬ﺳﻴﺴﺘﻢ ﻫﻮش ﺷﺒﻜﻪ اي ﺑﺮاي ﺗﻮﺳﻌﻪ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺑﺎزارﻳﺎﺑﻲ و ارزﻳﺎﺑﻲ‬
‫ﻓﺎﻛﺘﻮرﻫﺎي ﺑﺎزارﻳﺎﺑﻲ اﺳﺘﺮاﺗﮋﻳﻚ )ﻟﻲ‪(2000 ،‬‬
‫_ ‪_ GLOSTRA‬ﺳﻴﺴﺘﻢ ﻫﻮش ﺷﺒﻜﻪ اي ﺑﺮاي ﺗﻮﺳﻌﻪ و ﺑﻬﺒﻮد اﺳﺘﺮاﺗﮋي ﻫﺎي ﺑﺎزارﻳﺎﺑﻲ‬
‫ﺟﻬﺎﻧﻲ و ﺑﺎزارﻳﺎﺑﻲ اﻳﻨﺘﺮﻧﺘﻲ ) ﻟﻲ و دﻳﻮﻳﺲ‪( 2001 ،‬‬
‫‪ 2-5-3-4‬ﺑﺎﻧﻜﺪاري و ﺣﻮزه ﻫﺎي ﻣﺎﻟﻲ ‪:‬‬

‫از ﻛﺎرﺑﺮدﻫﺎي ﻣﻬﻢ و ﻣﻄﺮح ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺑﺎﻧﻜﺪاري و ﺣﻮزه‬
‫ﻣﺴﺎﺋﻞ ﻣﺎﻟﻲ ﻣﻲ ﺗﻮان ﺑﻪ اﻳﻦ ﻣﻮارد اﺷﺎره ﻛﺮد ‪ :‬ﻛﺎرﺑﺮدﻫﺎي اﻋﺘﺒﺎري ‪ ،‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻫﺎي‬
‫ﻣﺎﻟﻲ ‪ ،‬ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻣﺎﻟﻲ ‪ ،‬و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺑﺎزار ﻣﺒﺎدﻟﻪ ﺳﻬﺎم ‪ .‬ﻣﺤﻘﻘﺎن ﺑﺴﻴﺎري ﺑﻪ‬
‫‪86‬‬

‫ﺑﺮرﺳﻲ ﻛﺎرﺑﺮدﻫﺎي ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺑﺎﻧﻜﺪاري و ﻣﺎﻟﻲ ﭘﺮداﺧﺘﻪ‬
‫اﻧﺪ ‪ .‬ازآن ﺟﻤﻠﻪ ‪ ،‬در ﺳﺎل ‪ ، 1993‬ﺗﻔﺘﻲ و ﻧﻴﻜﺒﺨﺖ ﺑﻪ ﺑﺤﺚ در ارﺗﺒﺎط ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ‬
‫ﻫﺎي ﻋﺼﺒﻲ ﺗﻮﺳﻂ ﺳﺎزﻣﺎﻧﻬﺎ وﺷﺮﻛﺘﻬﺎي ﻣﺎﻟﻲ در ﺟﻬﺖ اﻫﺪاف ﻣﺘﻔﺎوت اﻣﺘﻴﺎزﺑﻨﺪي اﻋﺘﺒﺎري‬
‫ﭘﺮداﺧﺘﻨﺪ‪ .‬ﺗﺎن و دي ﻫﺎردﺟﻮ )‪ (2001‬از ﻃﺮﻳﻖ اﻓﺰاﻳﺶ زﻣﺎن و دوره ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﺪل ﺑﻪ‬
‫ﺗﻮﺳﻌﻪ ﻳﻚ ﺗﺤﻘﻴﻖ اﺑﺘﺪاﻳﻲ در اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ اﺳﺘﺮس ﻫﺎي‬
‫ﻣﺎﻟﻲ در اﺗﺤﺎدﻳﻪ ﻫﺎي اﻋﺘﺒﺎري اﺳﺘﺮاﻟﻴﺎ ﭘﺮداﺧﺘﻨﺪ ‪ .‬دﺳﺘﺎورد ﺣﺎﺻﻞ ﺷﺪه در ﻣﻘﺎﻳﺴﻪ ﺑﺎ‬
‫ﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﻣﺘﻮﺳﻂ اﻧﺤﺮاف از ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﻧﺘﺎﻳﺞ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﺑﻮد ‪ .‬ﻫﻤﭽﻨﻴﻦ‬
‫دﻳﻮﻳﺲ و ﻫﻤﻜﺎران ﻧﻴﺰ در ‪ 1996‬ﺑﻪ ﺑﺮرﺳﻲ ﻧﮕﺮﺷﻬﺎي ﺳﻴﺴﺘﻢﻫﺎي ﺧﻮدﭘﺮداز ﺑﺮاﺳﺎس‬
‫ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﭘﺮداﺧﺘﻨﺪ‪.‬‬
‫ازﺳﻮي دﻳﮕﺮ‪ ،‬ﺷﻨﺎﺳﺎﻳﻲ ﻛﺎرﺑﺮدﻫﺎي ﻣﺘﻨﻮع اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ از ﺳﻮي اﻓﺮاد ﻣﺨﺘﻠﻒ ﺑﻪ‬
‫ﺻﻮرت زﻳﺮ اراﺋﻪ ﺷﺪه اﺳﺖ ‪ :‬اﻧﺘﺨﺎب اﺳﺘﺮاﺗﮋي ﻫﺎي ﺑﺎزار اﻧﺤﺼﺎري ﭼﻨﺪ ﺟﺎﻧﺒﻪ ) ﻣﺎرﻛﺰ ‪،‬‬
‫‪ ، ( 1989‬ﺗﻮﺳﻌﻪ اﺳﺘﺮاﺗﮋيﻫﺎي ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻣﺎﻟﻲ )ﺑﺎور‪، 1994 ) ،‬ﺟﺴﺘﺠﻮ ﺑﺮاي ﻳﺎﻓﺘﻦ‬
‫ﻗﻮاﻧﻴﻦ ﺗﻜﻨﻴﻜﻲ ﺑﺮاي اﻋﻤﺎل آﻧﻬﺎ در ﺑﺎزارﺳﺮﻣﺎﻳﻪ ( ﻛﺎرﺟﺎﻻﻳﻨﻨﻦ‪ ، ( 1994 ،‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ‬
‫رﻳﺴﻚ در ﺑﺎﻧﻜﺪاري ) وارﺗﻮ ‪ ) . 1998،‬ﻋﻼوه ﺑﺮ اﻳﻦ‪ ،‬در ﺳﺎل ‪ 1999‬ﻛﺎرﺟﺎﻻﻳﻨﻨﻦ و آﻟﻦ از‬
‫اﻟﮕﻮرﻳﺘﻢﻫﺎي ژﻧﺘﻴﻚ در ﭘﻴﺪا ﻛﺮدن ﻗﻮاﻧﻴﻦ ﺗﻜﻨﻴﻜﻲ ﺗﺠﺎري اﺳﺘﻔﺎده ﻛﺮدﻧﺪ‪ .‬در ﻫﻤﻴﻦ زﻣﺎن‬
‫ﻧﻴﺰ آﻧﺪرا و ﻫﻤﻜﺎراﻧﺶ )‪ (1999‬از اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺗﺠــﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻓﻨﻲ در ﺑﺎزار‬
‫ﺳﻬﺎم ﻣﺎدرﻳﺪ اﺳﺘﻔﺎده ﻛﺮدﻧﺪ ‪.‬‬
‫از دﻳﮕﺮ ﺳﻴﺴﺘﻤﻬﺎي ﻣﺎﻟﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ ﻣﻲ ﺗﻮان ﺑﻪ‬
‫ﻣﻮارد زﻳﺮ اﺷﺎره ﻛﺮد ‪:‬‬
‫_ ‪_ KABAL‬ﺳﻴﺴﺘﻢ داﻧﺸﻲ ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻣﺎﻟﻲ در ﺑﺎﻧﻜﺪاري )ﻫﺎرت وﻳﮕﺴﻦ ‪،‬‬
‫‪) 1990‬‬
‫_ ‪_ CREDEX‬ﺳﻴﺴﺘﻤﻲ ﺑﺮاي ارزﻳﺎﺑﻲ اﻋﺘﺒﺎرات ) ﭘﻴﻨﺴﻮن ‪( 1990 ،‬‬
‫_ ‪_ FINEVA‬ﺳﻴﺴﺘﻢ داﻧﺸﻲ ﭼﻨﺪ ﻣﻌﻴﺎري ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ارزﻳﺎﺑﻲ‬
‫ﻋﻤﻠﻜﺮد و ﻗﺎﺑﻠﻴﺖ ﺣﻴﺎت ﺷﺮﻛﺖ ) زوﭘﻮﻧﻲ دﻳﺲ ‪( 1996 ،‬‬
‫‪ 8-3-4‬ﭘﻴﺶ ﺑﻴﻨﻲ ‪:‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻳﻜﻲ از ﻗﺪﻳﻤﻲ ﺗﺮﻳﻦ ﻓﻌﺎﻟﻴﺘﻬﺎ و وﻇﺎﻳﻒ ﻣﺪﻳﺮﻳﺖ وﺗﺠﺎرت ﺑﻮده اﺳﺖ ‪.‬‬
‫درروزﮔﺎران ﻗﺪﻳﻢ ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ از ﭘﻴﺸﮕﻮﻳﻴﻬﺎ و ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺎ وﺟﻮد دارد ‪ .‬ﺑﻪ ﻃﻮر ﻛﻠﻲ ‪،‬‬
‫‪87‬‬

‫ﻣﺪﻳﺮي را ﻣﻲ ﺗﻮان ﻣﻮﻓﻖ داﻧﺴﺖ ﻛﻪ از ﻗﻮه ﺗﺠﺴﻢ ﺑﺎﻻﻳﻲ در ﺗﺼﻤﻴﻢ ﮔﻴﺮي و ﻗﻀﺎوت‬
‫ﺑﺮﺧﻮردار ﺑﺎﺷﺪ ‪ .‬ﺗﺠﺮﺑﻪ ‪ ،‬ﺑﻪ اﻧﺴﺎن در ﭘﻴﺶ ﺑﻴﻨﻲ آﻳﻨﺪه واﻧﺘﺨﺎب ﺗﺼﻤﻴﻢ درﺳﺖ و دادن رأي‬
‫ﺻﺤﻴﺢ ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ‪ .‬روش ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺗﻮاﻧﺎﻳﻲ ﺑﺎﻻﻳﻲ را درﭘﻴﺶ ﺑﻴﻨﻲ و اراﺋﻪ‬
‫ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮ در ﻣﻮاﺟﻬﻪ ﺑﺎﻣﺴﺎﺋﻞ ﻏﻴﺮﺧﻄﻲ و ﺳﺎﻳﺮ ﻣﺸﻜﻼت ﻣﺪل ﺳﺎزي ﺳﺮي ﻫﺎي زﻣﺎﻧﻲ‬
‫ﻧﺸﺎن داده اﻧﺪ ‪.‬رﺣﻤﺎن و ﺑﻬﺘﻨﮕﺎر )‪ ( 1998‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه را ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻮﺗﺎه‬
‫ﻣﺪت ﻃﺮاﺣﻲ ﻛﺮدﻧﺪ‪ ،‬اﻳﻦ درﺣﺎﻟﻲ اﺳﺖ ﻛﻪ ﭼﻴﻮ )‪ (1997‬ﻳﻚ ﺷﺒﻜﻪ ﻋﺼﺒﻲ را در ﺗﺮﻛﻴﺐ ﺑﺎ‬
‫ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻗﺎﻧﻮﻧﻤﻨﺪ ﺑﺮاي ﻫﻤﻴﻦ ﻣﻨﻈﻮر در ﺗﺎﻳﻮان ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار داد ‪ .‬ﻫﻤﭽﻨﻴﻦ‬
‫ﺗﺤﻘﻴﻘﺎت ﻛﺎﻧﻠﻦ و ﺟﻴﻤﺰ )‪ (1998‬ﻧﺸﺎن دادﻛﻪ ﻣﻲ ﺗﻮان ﺑﻴﻦ ﺧﺼﻴﺼﻪ ﻫﺎي داراﻳﻴﻬﺎي‬
‫اﻗﺘﺼﺎدي و ارزش داراﻳﻴﻬﺎي ﺗﺠﺎري در ﻳﻚ ﺑﺎزار ﺧﺎص ﭘﻴﻮﻧﺪ ﺑﺮﻗﺮار ﻛﺮد و ﺑﻪ ﻣﺪل ارزش‬
‫ﮔﺬاري اي رﺳﻴﺪ ﻛﻪ ﺑﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻮﺗﺎه ﻣﺪت ﻧﻮﺳﺎﻧﺎت ارزش ﮔﺬاري دراﺳﺘﻔﺎده از‬
‫ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﻲﭘﺮدازد‪ .‬درﻧﻬﺎﻳﺖ ﺑﺮرﺳﻴﻬﺎي اﻧﺠﺎم ﺷﺪه ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ در اﻳﻦ‬
‫ﺣﻮزه ﺑﻴﺸﺘﺮ ﺑﺮ ﻛﺎرﺑﺮد ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ﻛﺎر ﺷﺪه اﺳﺖ ﺗﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ‪.‬‬
‫‪ 3-5-3-4‬ﺳﺎﻳﺮ ﺣﻮزه ﻫﺎي ﺗﺠﺎري ‪:‬‬

‫ﺗﺎ اﻳﻨﺠﺎ درﺑﺎره ﻛﺎرﺑﺮدﻫﺎي ﻣﺨﺘﻠﻒ ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ در ﺑﺨﺸﻬﺎي‬
‫ﻛﻠﻴﺪي ﺗﺠﺎرت ﺻﺤﺒﺖ ﻛﺮدﻳﻢ ‪ :‬ﺑﺎزارﻳﺎﺑﻲ ‪ ،‬ﺑﺎﻧﻜﺪاري و ﻣﺎﻟﻲ ‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ ‪ .‬ﻗﻄﻌﺎً ﺣﻮزه ﻫﺎي‬
‫دﻳﮕﺮي از ﺗﺠﺎرت و ﻛﺴﺐ و ﻛﺎرﻧﻴﺰ وﺟﻮد دارد ﻛﻪ در اﻧﺪازه ﻫﺎي ﻣﺘﻔﺎوت ﻣﻲ ﺗﻮاﻧﻨﺪ از‬
‫ﻣﺰاﻳﺎي اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ ﻣﻨﺘﻔﻊ ﺷﻮﻧﺪ ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‬
‫ﻣﻲ ﺗﻮان ﺑﻪ ﻛﺎرﺑﺮد ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ در ﺻﻨﻌﺖ ﻫﺘﻠﺪاري ) ﻻو ‪ ، (1998 ،‬ارزﻳﺎﺑﻲ داراﻳﻴﻬﺎ‬
‫)ﻟﻨﻚ و ﻫﻤﻜﺎران ‪ ( 1997‬و ﭘﻴﺶ ﺑﻴﻨﻲ ﺗﻮرم )آﻳﻜﻦ ‪ (1999 ،‬اﺷﺎره ﻛﺮد‪ .‬ﻋﻼوه ﺑﺮ اﻳﻦ ‪،‬‬
‫ﻛﺎﻣﻼً ﻣﺸﻬﻮد اﺳﺖ ﻛﻪ ﺑﺨﺸﻬﺎﻳﻲ ) ﻣﺎﻧﻨﺪ ﺗﻮﻟﻴﺪ ‪ ،‬ﺻﻨﺎﻳﻊ ﺳﻨﮕﻴﻦ ‪ ،‬اﻧﺮژي ‪ ،‬ﺳﺎﺧﺖ و ﺳﺎز (‬
‫وﺟﻮد دارﻧﺪ ﻛﻪ از ﻧﻈﺮ ﻣﺎ دور ﻣﺎﻧﺪه اﻧﺪ‪.‬‬
‫ﻣﺰاﻳﺎي اﺳﺘﻔﺎده از اﻳﻦ ﻓﻨﺎورﻳﻬﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫ﺑﺎ ﺑﺮرﺳﻲ اﺟﻤﺎﻋﻲ ﻧﻈﺮﻳﺎت و ﺗﺤﻘﻴﻘﺎت ﻣﻮﺟﻮد ﻣﻲ ﺗﻮان ﻣﺰاﻳﺎي اﺳﺘﻔﺎده از ﻓﻨﺎورﻳﻬﺎي ﻫﻮش‬
‫ﻣﺼﻨﻮﻋﻲ و اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ژﻧﺘﻴﻚ را در ﻗﺎﻟﺐ ﮔﺰاره ﻫﺎي زﻳﺮ ﺧﻼﺻﻪ ﻛﺮد ‪:‬‬
‫‪88‬‬

‫‪ -‬اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ ﺑﻪ ﻣﺸﺘﺮي‬

‫‪ -‬ﺗﻘﻠﻴﻞ زﻣﺎن اﻧﺠﺎم وﺗﻜﻤﻴﻞ وﻇﺎﻳﻒ‬
‫‪ -‬اﻓﺰاﻳﺶ ﺗﻮﻟﻴﺪ‬
‫‪ -‬اﺳﺘﻔﺎده اﺛﺮﺑﺨﺶ ﺗﺮ از ﻣﻨﺎﺑﻊ‬
‫‪ -‬ﺳﺎزﮔﺎري و ﺛﺒﺎت ﺑﻴﺸﺘﺮ در ﺗﺼﻤﻴﻢ ﮔﻴﺮي‬
‫‪89‬‬

www.IrPDF.com
‫ﻓﺼﻞ ﭘﻨﺠﻢ‬
‫ﻧﺘﻴﺠﻪ ﮔﻴﺮي و ﭘﻴﺸﻨﻬﺎدات‬
90

‫ﻧﺘﻴﺠﻪ ﮔﻴﺮي ‪:‬‬
‫روﻳﺎى ﻃﺮاﺣﺎن اﺑﺘﺪاﻳﻲ راﻳﺎﻧﻪ ‪ -‬از »ﺑﺎﺑﻴﺞ« ﺗﺎ »ﺗﻮرﻳﻨﮓ« ‪ -‬ﺳﺎﺧﺖ ﻣﺎﺷﻴﻨﻰ ﺑﻮد ﻛﻪ ﺗﻮاﻧﺎﻳﻰ‬
‫ﺣﻞ ﻫﻤﻪ ﻣﺴﺎﺋﻞ را داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻣﺎﺷﻴﻨﻰ ﻛﻪ در ﻧﻬﺎﻳﺖ ﺳﺎﺧﺘﻪ ﺷﺪ و ﺑﻪ ﻧﺎم راﻳﺎﻧﻪ در‬
‫دﺳﺘﺮس ﻫﻤﮕﺎن ﻗﺮار ﮔﺮﻓﺖ ﺗﻨﻬﺎ ﺗﻮاﻧﺎﻳﻰ ﺣﻞ دﺳﺘﻪ اى از ﻣﺴﺎﺋﻞ ﺧﺎص و ﻣﺤﺪود را داﺷﺖ‪،‬‬
‫اﻣﺎ ﻧﻜﺘﻪ اﻳﻨﺠﺎﺳﺖ ﻛﻪ »ﻫﻤﻪ ﻣﺴﺎﺋﻞ« از ﻧﻈﺮ ﻧﺨﺴﺘﻴﻦ ﻃﺮاﺣﺎن راﻳﺎﻧﻪ ﭼﻪ ﺑﻮد؟‬
‫ﺑﻄﺒﻊ‪ ،‬ﭼﻮن ﻧﺨﺴﺘﻴﻦ ﻃﺮاﺣﺎن راﻳﺎﻧﻪ ﻫﻤﮕﻰ ﻣﻨﻄﻖ دان و رﻳﺎﺿﻴﺪان ﺑﻮدﻧﺪ‪ ،‬ﻣﻨﻈﻮرﺷﺎن ﻫﻤﻪ‬
‫ﻣﺴﺎﺋﻞ ﻣﻨﻄﻘﻰ و ﻣﺤﺎﺳﺒﺎﺗﻰ ﺑﻮد‪ .‬از اﻳﻦ رو‪ ،‬ﻋﺠﻴﺐ ﺑﻪ ﻧﻈﺮ ﻧﻤﻰ رﺳﺪ ﻛﻪ »ﻓﻮن ﻧﻴﻮﻣﺎن« ‪-‬‬
‫ﺳﺎزﻧﺪه ﻧﺨﺴﺘﻴﻦ راﻳﺎﻧﻪ ‪ -‬در ﺣﺎل ﺳﺎﺧﺖ اﻳﻦ ﻣﺎﺷﻴﻦ اﻋﺘﻘﺎد داﺷﺖ ﻛﻪ ﺑﺮاى داﺷﺘﻦ‬
‫ﻣﺎﺷﻴﻨﻰ ﻫﻮﺷﻤﻨﺪ ﺷﺒﻴﻪ ﺑﻪ اﻧﺴﺎن راه ﺣﻞ ﻧﻬﺎﻳﻰ اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻧﻴﺴﺖ؛ ﺑﻠﻜﻪ ﻛﻠﻴﺪ ﻧﻬﺎﻳﻰ‬
‫ﺣﻞ اﻳﻦ ﻣﺸﻜﻞ رازى ﻧﻬﻔﺘﻪ در داﻧﺶ »ﺗﺮﻣﻮدﻳﻨﺎﻣﻴﻚ »اﺳﺖ‬
‫ﺗﺎرﻳﺦ ﻫﻮش ﻣﺼﻨﻮﻋﻰ ‪:‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﻋﻠﻤﻰ اﺳﺖ ﺑﺴﻴﺎر ﺟﻮان و رو ﺑﻪ رﺷﺪ‪ .‬ﺷﺮوع ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﺑﻪ ﺳﺎل ‪1950‬‬
‫ﺑﺎز ﻣﻰ ﮔﺮدد؛ ﻳﻌﻨﻰ زﻣﺎﻧﻰ ﻛﻪ »آﻟﻦ ﺗﻮرﻳﻨﮓ« ﻣﻘﺎﻟﻪ ﺧﻮد را درﺑﺎره ﺳﺎﺧﺖ ﻣﺎﺷﻴﻦ ﻫﻮﺷﻤﻨﺪ‬
‫ﺑﻪ رﺷﺘﻪ ﺗﺤﺮﻳﺮ در آورد‪ .‬در اﻳﻦ ﻣﻘﺎﻟﻪ‪ ،‬ﺗﻮرﻳﻨﮓ ﺑﺮاى ﺗﺸﺨﻴﺺ ﻫﻮﺷﻤﻨﺪى ﻣﺎﺷﻴﻨﻬﺎ روﺷﻰ‬
‫را ﭘﻴﺸﻨﻬﺎد داد ‪.‬‬
‫روش ﭘﻴﺸﻨﻬﺎدى ﺗﻮرﻳﻨﮓ ﺑﻴﺸﺘﺮ ﺷﺒﻴﻪ ﺑﻪ ﺑﺎزى ﺑﻮد‪ :‬ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ اﻧﺴﺎﻧﻰ در ﻳﻚ ﺳﻤﺖ‬
‫دﻳﻮارى ﻗﺮار دارد و ﺗﻮاﻧﺎﻳﻰ ﺑﺮﻗﺮار ﻛﺮدن ارﺗﺒﺎط ‪ -‬ﺑﻪ ﺻﻮرت ﺗﻠﻪ ﺗﺎﻳﭗ ‪-‬ﺑﺎ آن ﺳﻮى دﻳﮕﺮ‬
‫دﻳﻮار را دارد‪ .‬ﻣﻜﺎﻟﻤﻪ اى ﻣﻴﺎن دو ﻧﻔﺮ اﻧﺠﺎم ﻣﻰ ﺷﻮد؛ اﮔﺮ ﭘﺲ از ﭘﺎﻳﺎن ﻣﻜﺎﻟﻤﻪ ﺑﻪ آن ﺷﺨﺺ‬
‫ﺑﮕﻮﻳﻴﻢ ﻛﻪ در ﻃﺮف ﻣﻘﺎﺑﻠﺶ اﻧﺴﺎن ﻧﺒﻮد‪ ،‬ﺑﻠﻜﻪ ﻣﺎﺷﻴﻨﻲ ﺑﻮد ﻛﻪ ﭘﺎﺳﺦ او را ﻣﻰ داد و اﻳﻦ اﻣﺮ‬
‫ﺑﺪون ﭘﻰ ﺑﺮدن ﺷﺨﺺ ﺑﻪ ﻫﻮﻳﺖ واﻗﻌﻰ ﻃﺮف ﻣﻘﺎﺑﻞ اﻧﺠﺎم ﺷﻮد‪ ،‬ﻣﻰ ﺗﻮان آن ﻣﺎﺷﻴﻦ را‬
‫ﻣﺎﺷﻴﻨﻰ ﻫﻮﺷﻤﻨﺪ ﻗﻠﻤﺪاد ﻛﺮد ‪.‬‬
‫ﻧﻘﻄﻪ آﻏﺎز ﻋﻠﻢ ﻫﻮش ﻣﺼﻨﻮﻋﻰ را ﻣﻰ ﺗﻮان ﺑﻪ ﺑﻌﺪ از ﺟﻨﮓ ﺟﻬﺎﻧﻰ دوم ﻧﺴﺒﺖ داد‪ ،‬در آن‬
‫زﻣﺎن واﻳﻨﺮ ‪ -‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴﺎﺋﻞ ﺳﺎﻳﺒﺮﻧﺘﻴﻚ ‪ -‬زﻣﻴﻨﻪ را ﺑﺮاى ﭘﻴﺸﺮﻓﺖ ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﺑﻪ‬
‫وﺟﻮد آورد و ﺳﭙﺲ در ﺳﺎل ‪ 1950‬ﺗﻮرﻳﻨﮓ آزﻣﺎﻳﺶ ﺑﺎﻻ را ﺑﺮاى اﺛﺒﺎت ﻫﻮﺷﻤﻨﺪ ﺑﻮدن ﻳﻚ‬
‫ﻣﺎﺷﻴﻦ ﭘﻴﺸﻨﻬﺎد داد و ﺳﭙﺲ در ﺳﺎل ‪ 1956‬ﮔﺮوﻫﻰ از ﻋﻼﻗﻪ ﻣﻨﺪان ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻰ در‬
‫داﻧﺸﻜﺪه »دارﺗﻤﻮت« ﮔﺮد ﻫﻢ آﻣﺪﻧﺪ و ﺗﺤﻘﻴﻘﺎت وﺳﻴﻌﻰ را ﺑﺮاى ﻫﻮش ﻣﺼﻨﻮﻋﻰ آﻏﺎز‬
‫‪91‬‬

‫ﻛﺮدﻧﺪ ‪.‬‬
‫دﻫﻪ ‪ 1960‬را ﻣﻰ ﺗﻮان دﻫﻪ ﺗﻮﺳﻌﻪ و ﭘﻴﺸﺮﻓﺖ ﺗﺤﻘﻴﻘﺎت در زﻣﻴﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﻧﺎﻣﻴﺪ‪ .‬در‬
‫اﻳﻦ ﺳﺎﻟﻬﺎ ﺑﻮد ﻛﻪ ﺑﺎ ﺗﻼﺷﻬﺎى داﻧﺸﻤﻨﺪان ﻫﻮش ﻣﺼﻨﻮﻋﻰ‪ ،‬ﺑﺮﻧﺎﻣﻪ ﻫﺎى ﺑﺎزى ﺷﻄﺮﻧﺞ و‬
‫روﺑﺎﺗﻬﺎى ﻫﻮﺷﻤﻨﺪ ﭘﺎ ﺑﻪ ﻋﺮﺻﻪ ﮔﺬاﺷﺘﻨﺪ و ﭘﺲ از آن ﻫﺮ ﺳﺎل ﭘﻠﻪ ﻫﺎى ﭘﻴﺸﺮﻓﺖ و ﺗﺮﻗﻰ‬
‫ﺧﻮد را ﭘﻴﻤﻮدﻧﺪ ‪.‬‬
‫وﻳﮋﮔﻴﻬﺎى ﻫﻮش ﻣﺼﻨﻮﻋﻰ ‪:‬‬
‫ﻣﺎﺷﻴﻨﻬﺎﻳﻰ ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻣﺎﺷﻴﻨﻬﺎى ﻫﻮﺷﻤﻨﺪ ﺷﻨﺎﺧﺘﻪ ﻣﻰ ﺷﻮد ﺗﻮاﻧﺎﻳﻰ ﻓﻜﺮ ﻛﺮدن ﺑﺪون‬
‫ﻧﻴﺎز ﺑﻪ اﻧﺴﺎن را دارد و اﻳﻦ ﺑﻪ وﺟﻮد ﺧﺼﻠﺖ ﻫﻮش ﻣﺼﻨﻮﻋﻰ )‪(Artificial Intelligence‬در‬
‫اﻳﻦ ﮔﻮﻧﻪ از ﻣﺎﺷﻴﻨﻬﺎ ﻣﺮﺑﻮط اﺳﺖ‪ .‬ﻣﺎﺷﻴﻨﻬﺎ ﺗﻨﻬﺎ در ﺻﻮرﺗﻰ ﻣﺎﺷﻴﻦ ﺑﺎﻫﻮش ﺷﻨﺎﺧﺘﻪ ﻣﻰ‬
‫ﺷﻮﻧﺪ ﻛﻪ ﻛﺎراﻳﻴﻬﺎى ﺧﺎﺻﻰ داﺷﺘﻪ ﺑﺎﺷﺪ؛ ﻳﻜﻰ از اﻳﻦ وﻳﮋﮔﻴﻬﺎ ﺷﻨﺎﺧﺖ از وﺟﻮد ﺧﻮد اﺳﺖ‬
‫ﻛﻪ اﻟﺒﺘﻪ ﺗﺎﻛﻨﻮن ﻣﺎﺷﻴﻨﻰ ﺑﺎ اﻳﻦ ﺗﻮاﻧﺎﻳﻰ ﻛﺎﻣﻞ ﺑﻪ وﺟﻮد ﻧﻴﺎﻣﺪه اﺳﺖ‪ .‬وﻳﮋﮔﻰ ﺑﻌﺪى ﻣﺎﺷﻴﻨﻬﺎى‬
‫ﻫﻮﺷﻤﻨﺪ ﺗﻮاﻧﺎﻳﻰ ﺷﻨﺎﺧﺖ ﻣﺤﻴﻂ ﭘﻴﺮاﻣﻮن ﺧﻮد اﺳﺖ؛ اﻳﻦ اﻣﻜﺎن در ﺑﺮﺧﻰ از ﻣﺎﺷﻴﻨﻬﺎى‬
‫ﻫﻮﺷﻤﻨﺪ اﻣﺮوزى ‪-‬ﺑﺎ ﻧﺎم »روﺑﺎﺗﻬﺎى اﻣﺪادﮔﺮ« ‪ -‬وﺟﻮد دارد‪ .‬وﻳﮋﮔﻰ ﺑﻌﺪى در ﻣﺎﺷﻴﻨﻬﺎي‬
‫داراى ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﺗﻮاﻧﺎﻳﻰ ﻧﺸﺎن دادن واﻛﻨﺶ در ﻣﻘﺎﺑﻞ ﻛﻨﺸﻬﺎى ﺣﺎﺻﻞ از ﻣﺤﻴﻂ اﺳﺖ‬
‫ﻛﻪ اﻳﻦ اﻣﻜﺎن ﻧﻴﺰ در روﺑﺎﺗﻬﺎى ﻫﻮﺷﻤﻨﺪ اﻣﺮوزى و در دﺳﺘﻪ ﺧﺎﺻﻰ از آﻧﻬﺎ ﺑﺎ ﻋﻨﻮان‬
‫«روﺑﺎﺗﻬﺎى ﻛﺎوﺷﮕﺮ« ﻓﺮاﻫﻢ آﻣﺪه اﺳﺖ ‪.‬‬
‫ﻛﺎرﺑﺮدﻫﺎى ﻫﻮش ﻣﺼﻨﻮﻋﻰ ‪:‬‬
‫از ﻛﺎرﺑﺮدﻫﺎى ﻫﻮش ﻣﺼﻨﻮﻋﻰ ﻣﻰ ﺗﻮان ﺑﻪ اﻳﻦ ﻣﻮارد اﺷﺎره ﻛﺮد ‪:‬‬
‫‪1‬ـ ﻃﺮاﺣﻰ ﻧﺮم اﻓﺰارﻫﺎى ﻫﻮﺷﻤﻨﺪ‪ :‬اﻳﻦ ﮔﺮوه از ﻧﺮم اﻓﺰارﻫﺎ ﺑﺮاى اﻧﺠﺎم دادن ﻛﺎرﻫﺎى‬
‫ﺗﺨﺼﺼﻰ ﻃﺮاﺣﻰ ﺷﺪه و ﺗﻮاﻧﻤﻨﺪﻳﻬﺎى ﺑﺎﻻﻳﻰ ﻧﻴﺰ دارﻧﺪ ﭘﺸﺘﻮاﻧﻪ اﻳﻦ ﮔﻮﻧﻪ از ﺑﺮﻧﺎﻣﻪ ﻫﺎ وﺟﻮد‬
‫ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻰ )‪ (Data Base‬ﻗﻮى ﺑﺮاى ﭘﺎﺳﺨﮕﻮﻳﻰ ﺑﻪ ﭘﺮﺳﺸﻬﺎى ﻣﺨﺘﻠﻒ ﻛﺎرﺑﺮان اﺳﺖ‪.‬‬
‫ﻧﻤﻮﻧﻪ ﻫﺎﻳﻰ از اﻳﻦ ﮔﻮﻧﻪ ﻧﺮم اﻓﺰارﻫﺎﻳﻰ اﺳﺖ ﻛﻪ در آزﻣﻮﻧﻬﺎى اﺳﺘﺨﺪاﻣﻰ و داﻧﺸﮕﺎﻫﻰ ﻣﻮرد‬
‫اﺳﺘﻔﺎده ﻗﺮار ﻣﻰ ﮔﻴﺮد‬
‫‪2‬ـ ﻃﺮاﺣﻰ ﺑﺎزﻳﻬﺎى ﻫﻮﺷﻤﻨﺪ‪ :‬زﻣﺎﻧﻰ ﻛﻪ ﺷﻤﺎ در ﺣﺎل اﻧﺠﺎم دادن ﺑﺎزى راﻳﺎﻧﻪ اى ﻫﺴﺘﻴﺪ‪،‬‬
‫دﺷﻤﻨﺎن ﺷﻤﺎ از ﻫﻮش ﻛﺎﻓﻰ ﺑﺮﺧﻮردارﻧﺪ‪ .‬اﮔﺮ ﺷﻤﺎ ﺑﻪ آﻧﻬﺎ ﺷﻠﻴﻚ ﻛﻨﻴﺪ‪ ،‬آﻧﻬﺎ اﻗﺪام ﺑﻪ ﻓﺮار‬
‫ﻣﻲ ﻛﻨﻨﺪ و ﻳﺎ ﺑﺮاي ﻣﻘﺎﺑﻠﻪ ﺑﻪ ﺳﻮى ﺷﻤﺎ ﺷﻠﻴﻚ ﺧﻮاﻫﻨﺪ ﻛﺮد‪ .‬اﻳﻦ ﻓﺮاﻳﻨﺪ ﻧﻴﺰ ﺑﻪ ﺳﺒﺐ وﺟﻮد‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﻰ در دﺷﻤﻨﺎن ﻣﺠﺎزي ﺷﻤﺎﺳﺖ ﻛﻪ آﻧﻬﺎ را ﺑﻪ واﻛﻨﺶ در ﺑﺮاﺑﺮ ﺷﻤﺎ ﺑﺮ ﻣﻰ‬
‫‪92‬‬

‫اﻧﮕﻴﺰاﻧﺪ ‪.‬‬
‫‪3‬ـ ﻃﺮاﺣﻰ روﺑﺎﺗﻬﺎى ﻫﻮﺷﻤﻨﺪ‪ :‬ﻛﺎرﺑﺮد ﻋﻤﺪه دﻳﮕﺮ ﻫﻮش ﻣﺼﻨﻮﻋﻰ در ﻃﺮاﺣﻰ ﻣﺎﺷﻴﻨﻬﺎي‬
‫ﺑﻨﺴﺒﺖ ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪ ،‬ﻣﺎﺷﻴﻨﻬﺎﻳﻰ ﻣﺎﻧﻨﺪ روﺑﺎﺗﻬﺎى ﻛﺎوﺷﮕﺮ و روﺑﺎﺗﻬﺎى اﻣﺪادﮔﺮ ‪.‬‬
‫در روﺑﺎﺗﻬﺎى اﻣﺪادﮔﺮ‪ ،‬روﺑﺎت ﺑﺎﻳﺪ در ﻣﺤﺪوده ﻣﻮرد ﻧﻈﺮ در ﭘﻲ ﻣﺼﺪوﻣﺎن ﺣﺎدﺛﻪ ﺑﮕﺮدد و‬
‫ﭘﺲ از ﻳﺎﻓﺘﻦ آﻧﻬﺎ ﻛﻤﻜﻬﺎى ﻣﻮرد ﻧﻴﺎز را در اﺧﺘﻴﺎر آﻧﻬﺎ ﻗﺮار دﻫﺪ ﻛﻪ اﻳﻦ ﺧﻮد ﺑﻪ داﺷﺘﻦ‬
‫ﺷﻨﺎﺧﺖ از ﻣﺤﻴﻂ ﻧﻴﺎز دارد‪ .‬دﺳﺘﻪ دﻳﮕﺮ روﺑﺎﺗﻬﺎ ‪ -‬ﻳﻌﻨﻰ روﺑﺎﺗﻬﺎى ﻛﺎوﺷﮕﺮ ‪ -‬ﺑﺎﻳﺪ در ﭘﻲ‬
‫ﻗﻄﻌﻪ ﻣﻮرد ﻧﻈﺮ در ﻣﻜﺎﻧﻰ ﺧﺎص ﺑﺎﺷﻨﺪ و ﻳﺎ ﻣﺴﻴﺮى را دﻧﺒﺎل ﻛﻨﻨﺪ ﻛﻪ از ﭘﻴﺶ ﺗﻌﺮﻳﻒ ﺷﺪه‬
‫اﺳﺖ ﻛﻪ اﻳﻦ ﻧﻴﺰ ﻧﻴﺎزﻣﻨﺪ داﺷﺘﻦ ﻫﻮش ﻣﺼﻨﻮﻋﻰ اﺳﺖ‬
‫‪93‬‬

www.IrPDF.com
:‫ﭘﻴﺸﻨﻬﺎدات‬
-1
-2
-3
-4
-5
-6
94

www.IrPDF.com
:‫ﺧﺬ‬Ĥ‫ﻣﻨﺎﺑﻊ و ﻣ‬
:1
strategies for complex problem solving & Artificial intelligence structures :‫ﻛﺘﺎب‬
william A. Stubble field & George F.Luger :‫ﻧﻮﺷﺘﻪ‬
Wesley long man Inc, 2000: ‫ﭼﺎپ‬
:2
Gunter Neumann :‫ﻧﻮﻳﺴﻨﺪه‬
German Research Center for Artificial Intelligence (LT–Lab, DFKI)
‫ﺪي ﺧﻮاﺟﻪ‬‫ اﺣﺪ ﻣﺤﻤ‬:‫ﺗﺮﺟﻤﻪ‬
:3
WWW.AFTAB.IR :‫ﺳﺎﻳﺖ ﺑﻴﻦ اﻟﻤﻠﻠﻲ‬
95

4 506027562141483053 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4 506027562141483053 PDF

Uploaded by

Copyright:

Available Formats

‫کتابخانه دیجیتال فارسی کتاب‬

‫دانلود رایگان کتاب های الکتزونیکی‬

‫تاالر گفتمان فارسی کتاب ‪www. FORUM. farsiketab. com‬‬

‫فروشگاه اینترنتی فارسی کتاب ‪www. shop. farsiketab. com‬‬

‫داﻧﺸﻜﺪه ﻓﻨﻲ و ﻣﻬﻨﺪﺳﻲ‬

‫ﻛﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫ﭘﻴﺸﻨﻬﺎدات و ﻣﻨﺎﺑﻊ و ﻣﺎﺧﺬ وﺟﻮد دارد‪.‬‬

‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫ﻓﺼﻞ اول‪ :‬ﻣﻘﺪﻣﻪ اي از ﻛﻠﻴﺎت ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪ 1-1‬ﺗﺎرﻳﺨﭽﻪ ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪8........................................................................... :‬‬

‫‪ 2-1‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﭼﻴﺴﺖ؟ ‪11........................................................................ :‬‬

‫ﻓﺼﻞ دوم ‪ :‬ﺗﻌﺎرﻳﻔﻲ از ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪ 1-2‬ﻧﺤﻮه ﺷﻜﻞ ﮔﻴﺮي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪15.......................................................... :‬‬

‫‪ 2-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ و ﻫﻮش اﻧﺴﺎﻧﻲ ‪16.............................................................. :‬‬

‫‪ 3-2‬اﻓﻖ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪17........................................................................ :‬‬

‫‪ 4-2‬ﺷﺎﺧﻪ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪20..................................................................... :‬‬

‫‪ 5-2‬ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻗﻮي و وﺿﻌﻴﻒ ‪21...............................................................:‬‬

‫ﻓﺼﻞ ﺳﻮم ‪ :‬ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪ 1-3‬ﻣﻘﺪﻣﻪ اي از زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪23......................... :‬‬

‫‪ 2-3‬ﺗﻜﻨﻴﻚ ﻫﺎ و زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ‪23..........................:‬‬

‫‪ 3-3‬زﺑﺎن‪،‬ﺷﻨﺎﺧﺖ و ﺧﻼﺻﻪ ﭘﺮدازي ‪24.............................................................. :‬‬

‫‪ 4-3‬زﺑﺎﻧﻬﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ‪28...................................................................... : AI‬‬

‫‪AI 5-3‬ﻫﺎي ﻣﺘﺨﺼﺺ ‪30................................................................................... :‬‬

‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫‪ 6-3‬ﺧﺼﻮﺻﻴﺎت ﻣﻄﻠﻮب ﻳﻚ زﺑﺎن ‪30.......................................................... : AI‬‬

‫‪ 1-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از ﻣﺤﺎﺳﺒﺎت ﺳﻤﺒﻮﻟﻴﻚ ‪31....................................................................:‬‬

‫‪ 2-6-3‬اﻧﻌﻄﺎف ﭘﺬﻳﺮ ﺑﻮدن ﻛﻨﺘﺮل‪33................................................................................. :‬‬

‫‪ 3-6-3‬ﭘﺸﺘﻴﺒﺎﻧﻲ از روش ﻫﺎي ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ ﺟﺴﺘﺠﻮﻳﻲ‪35..........................................:‬‬

‫‪ 4-6-3‬ﺗﻌﺎرﻳﻒ ﻣﺸﺨﺺ و واﺿﺢ‪42.....................................................................................:‬‬

‫‪ 7-3‬ﺧﻼﺻﻪ اي درﺑﺎره ‪ LISP‬و ‪43............................................... : PROLOG‬‬

‫‪43..................................................................................................... : PROLOG 1-7-3‬‬

‫‪44................................................................................................................. : LISP 2-7-3‬‬

‫‪ 8-3‬ﻣﺤﻴﻄﻬﺎي ﻫﻴﺒﺮﻳﺪ ‪47................................................................................. . :‬‬

‫ﻓﺼﻞ ﭼﻬﺎرم ‪ :‬ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه‪،‬روﺑﺎﺗﻴﻚ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‬

‫‪ 2-1-4‬اﺟﺰاي اﺻﻠﻲ ﺗﺸﻜﻴﻞ دﻫﻨﺪه ي ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻋﺒﺎرﺗﻨﺪ از ‪55....... :‬‬

‫‪ 2-1-4‬ﮔﺬري ﺑﺮ ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه)‪57..........................: (Expert Systems‬‬

‫‪ 3-1-4‬ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﭼﻴﺴﺖ؟ ‪58..................................................................... :‬‬

‫‪ 4-1-4‬ﺳﺎﺧﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﺒﺮه‪59..................................................................:‬‬

‫‪ 5-1-4‬اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي ‪60.................................................................... :‬‬

‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫‪ 6-1-4‬ﻣﺰاﻳﺎ و ﻣﺤﺪودﻳﺖﻫﺎي ﺳﻴﺴﺘﻢﻫﺎي ﺧﺒﺮه ‪61........................................ :‬‬

‫‪ 7-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه ‪62................................................................ :‬‬

‫‪ 8-1-4‬آﻳﻨﺪه ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه‪64................................................................... :‬‬

‫‪ 9-1-4‬ﭼﻨﺪ ﺳﻴﺴﺘﻢ ﺧﺒﺮه ﻣﺸﻬﻮر‪64................................................................. :‬‬

‫‪ 10-1-4‬ﺳﺎﺧﺘﺎر ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ‪65......................................... :‬‬

‫‪ 11-1-4‬ﻛﺎرﺑﺮد ﺳﻴﺴﺘﻢ ﻫﺎي ﺧﺒﺮه در ﻛﺘﺎﺑﺨﺎﻧﻪ ﻫﺎ ‪67..................................... :‬‬

‫‪ 12-1-4‬ﻓﻬﺮﺳﺘﻨﻮﻳﺴﻲ ‪68.................................................................................. :‬‬

‫‪ 13-1-4‬ﺟﺴﺘﺠﻮ در ﭘﺎﻳﮕﺎه ﻫﺎي اﻃﻼﻋﺎﺗﻲ ‪69................................................... :‬‬

‫‪ 14-1-4‬ﻧﻤﺎﻳﻪ ﺳﺎزي ‪70...................................................................................... :‬‬

‫‪ 15-1-4‬ﻣﺪﻳﺮﻳﺖ ‪70........................................................................................... :‬‬

‫‪ 2-4‬روﺑﺎﺗﻴﻚ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ‪:‬‬

‫‪ 1-2-4‬روﺑﺎﺗﻴﻚ ﭼﻴﺴﺖ ؟ ‪73............................................................................. :‬‬

‫‪ 2-2-4‬وﻳﮋﮔﻴﻬﺎي ﻳﻚ روﺑﺎت ‪74......................................................................... :‬‬

‫‪ 3-2-4‬آﻧﺎﺗﻮﻣﻲ اﻧﺪام روﺑﺎﺗﻬﺎي ﺷﺒﻴﻪ اﻧﺴﺎن‪75................................................ :‬‬

‫‪ 4-2-4‬ﺣﺮﻛﺖ در روﺑﺎت ‪76................................................................................ :‬‬

‫‪ 5-2-4‬ﻟﮕﻮ روﺑﺎت )‪77................................................................. :(lego robot‬‬

‫‪ 3-4‬ﺷﺒﻜﻪ ﻫﺎي ﻋﺼﺒﻲ ‪:‬‬

‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬ ‫‪www.IrPDF.com‬‬

‫‪ 3-3-4‬ﻓﻨﺎوري ﺷﺒﻜﻪ ﻋﺼﺒﻲ ‪80........................................................................ :‬‬

‫‪ 4-3-4‬ﻓﻨﺎوري اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ‪83................................................................... :‬‬

‫‪ 5-3-4‬ﻣﺮوري ﺑﺮ ﻛﺎرﺑﺮدﻫﺎي ﺗﺠﺎري ‪84............................................................ :‬‬

‫‪ 2-5-3-4‬ﺑﺎﻧﻜﺪاري و ﺣﻮزه ﻫﺎي ﻣﺎﻟﻲ ‪86.......................................................................... :‬‬