Professional Documents
Culture Documents
واﺣﺪ ﻣﺴﺠﺪﺳﻠﻴﻤﺎن
ﻋﻨﻮان ﭘﺮوژه:
ﺗﻬﻴﻪ ﻛﻨﻨﺪه:
ﻣﺤﺴﻦ ﺷﻬﺒﺎزي
رﺷﺘﻪ ﻛﺎﻣﭙﻴﻮﺗﺮ
دي ﻣﺎه 87
1
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 ،
2
ﻓﻬﺮﺳﺖ
ﻣﻘﺪﻣﻪ :
3
1-4ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه:
1-1-4ﺗﺎرﻳﺨﭽﻪ52...............................................................................................:
4
1- 3-4ﭼﻜﻴﺪه78................................................................................................ :
5
2-3-4ﻣﻘﺪﻣﻪ79................................................................................................. :
1-5-3-4ﺑﺎزارﻳﺎﺑﻲ84............................................................................................................. :
6
ﻓﺼﻞ اول
ﻣﻘﺪﻣﻪ
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.
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.
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
ﻓﺼﻞ دوم
14
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.
16
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.
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
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.
ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻣﺸﺨﺼﺎت ،ﻧﻴﺎزﻣﻨﺪيﻫﺎ و ﺗﻮاﻧﺎﻳﻲﻫﺎي CBRﺑﻪ ﻋﻨﻮان ﻳﻚ ﭼﺎرﭼﻮب ﻛﻠﻲ
ﭘﮋوﻫﺶ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ.
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.
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
21
ﻓﺼﻞ ﺳﻮم
ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ در ﻫﻮش ﻣﺼﻨﻮﻋﻲ
22
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.
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
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 .
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
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 .
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
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
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
33
ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ و در ﻋﻴﻦ ﺣﺎل ﻗﺪﻳﻤﻲ ﺗﺮﻳﻦ ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﺳﺎﺧﺖ ﻳﻚ ﺑﺮﻧﺎﻣﻪ AI
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.
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.
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.
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.
42
: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
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
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.
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.
7
ﺗﺎزه درﺑﺎرة ﺣﺎﻓﻈﻪ ﻛﺎرﻛﺮد ﻣﻤﻜﻦ اﺳﺖ اﻳﺠﺎد ﻋﻠﺖ ﻫﺎي اوﻟﻴﻪ از ﻗﻮاﻧﻴﻦ ﻛﻨﺪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ
اﻳﻦ واﻗﻌﻴﺖ ﺟﺪﻳﺪ ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﺷﻮﻧﺪ.
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.
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
50
ﻓﺼﻞ ﭼﻬﺎرم
ﻣﺨﺘﺼﺮي درﺑﺎره ي
51
1-4ﺳﻴﺴﺘﻤﻬﺎي ﺧﺒﺮه:
1-1-4ﺗﺎرﻳﺨﭽﻪ:
ﺗﺎ اﺑﺘﺪاي دﻫﺔ ) 1980م( ﻛﺎر ﭼﻨﺪاﻧﻲ در زﻣﻴﻨﺔ ﺳﺎﺧﺖ و اﻳﺠﺎد ﺳﺎﻣﺎﻧﻪﻫﺎي ﺧﺒﺮه 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.
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
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 :
55
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
>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.
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.
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:
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.
61
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
64
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 .
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
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.
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
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
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 .
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 .
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 .
ﺷﻜﻞ3-4
75
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
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
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.
-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
. 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 )
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.
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 .
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 ﻛﻤﻲ 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 :
85
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 ،
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.
88
89
ﻓﺼﻞ ﭘﻨﺠﻢ
ﻧﺘﻴﺠﻪ ﮔﻴﺮي و ﭘﻴﺸﻨﻬﺎدات
90
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 .
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 .
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
:ﭘﻴﺸﻨﻬﺎدات
-1
-2
-3
-4
-5
-6
94
:ﺧﺬĤﻣﻨﺎﺑﻊ و ﻣ
:1
strategies for complex problem solving & Artificial intelligence structures :ﻛﺘﺎب
:2
Gunter Neumann :ﻧﻮﻳﺴﻨﺪه
German Research Center for Artificial Intelligence (LT–Lab, DFKI)
:3
WWW.AFTAB.IR :ﺳﺎﻳﺖ ﺑﻴﻦ اﻟﻤﻠﻠﻲ
95