وبلاگ چت روم کامپیوتر و شبکه در سایت الفور
پردازش زبانهای طبیعی یکی از زیرشاخه‌های بااهمیت در حوزه گسترده هوش مصنوعی، و نیز در دانش زبان‌شناسی است. تلاش عمده در این زمینه ماشینی کردن فرایند درک و برداشت مفاهیم بیان گردیده با یک زبان طبیعی انسانی‌ست. به تعریف دقیق‌تر پردازش زبانهای طبیعی عبارت است از استفاده از رایانه برای پردازش زبان گفتاری و نوشتاری. با استفاده از آن می‌توان به ترجمه زبان‌ها پرداخت، از صفحات وب و بانک‌های اطلاعاتی نوشتاری جهت پاسخ دادن به پرسش‌ها استفاده کرد، یا با دستگاه‌ها مثلاً برای مشورت گرفتن به گفتگو پرداخت.[1]
این‌ها تنها مثال‌هایی از کاربردهای متنوع پردازش زبانهای طبیعی هستند. گفتنی‌ست هنوز سیستم کارآمدی برای پردازش زبانهای طبیعی به وجود نیامده‌است.
پردازش زبانهای طبیعی رهیافت بسیار جذابی برای ارتباط بین انسان و ماشین محسوب می‌شود و در صورت عملی شدنش به طور کامل میتواند تحولات شگفت‌انگیزی را در پی داشته‌باشد. سیستم‌های قدیمی محدودی مانند SHRDLU که با واژه‌های محدود و مشخصی سر و کار داشتند، بسیار عالی عمل می‌کردند، به طوری که پژوهشگران را به شدت نسبت به این حوزه امیدوار کرده‌بودند. اما در روبه‌رویی با چالش‌های جدی‌تر زبانی و پیچیدگی‌ها و ابهام‌های زبان‌ها، این امیدها کم‌رنگ شدند. مسئله? پردازش زبانهای طبیعی معمولاً یک مسئله AI-Complete محسوب می‌شود، چرا که محقق شدن آن به طور کامل مستلزم سطح بالایی از درک جهان خارج و حالات انسان برای ماشین است.
پردازش زبانهای طبیعی به شکل آمارگرا عبارت است از استفاده از روشهای تصادفی، احتمالاتی و آماری برای حل مسائلی مانند آنچه که در بالا ذکر شده. به خصوص از این روش‌ها برای حل مسائلی استفاده می‌کنند که ناشی از طولانی بودن جملات و زیاد بودن تعداد حالات ممکن برای نقش کلمات هستند. این روش‌ها معمولاً مبتنی بر نمونه‌های متنی و مدل‌های مارکف هستند.
نخستین تلاش‌ها برای ترجمه توسط رایانه ناموفق بودند، به طوری که ناامیدی بنگاه‌های تأمین بودجه پژوهش از این حوزه را نیز در پی داشتند. پس از اولین تلاش‌ها آشکار شد که پیچیدگی زبان بسیار بیشتر از چیزی‌ست که پژوهشگران در ابتدا پنداشته‌بودند. بی‌گمان حوزه‌ای که پس از آن برای استعانت مورد توجه قرار گرفت زبان‌شناسی بود. اما در آن دوران نظریه زبان‌شناسی وجود نداشت که بتواند کمک شایانی به پردازش زبان‌ها بکند. در سال 1957 کتاب ساختارهای نحوی اثر نوام چامسکی زبان‌شناس جوان آمریکایی که از آن پس به شناخته‌شده‌ترین چهره زبان‌شناسی نظری تبدیل شد به چاپ رسید.[2] از آن پس پردازش زبان با حرکت‌های تازه‌ای دنبال شد اما هرگز قادر به حل کلی مسئله نشد.
Crystal D., The Cambridge Encyclopedia of Language, 2nd edition, Cambridge University Press, 1996. ISBN 5-521-55967-7
Manning, C. D., and Schutze, H., Foundations of Statistical Natural Language Processing, ?th edition, The MIT Press, 2002. ISBN 0-262-13360-1
نوشته شده توسط لادن در شنبه 90/3/21 و ساعت 9:2 صبح | نظرات دیگران()بیوانفورماتیک دانش استفاده از علوم کامپیوتر و آمار و احتمالات در شاخه زیست‌شناسی مولکولی است. در چند دهه اخیر، پیشرفت در زیست‌شناسی مولکولی و تجهیزات مورد نیاز تحقیق در این زمینه باعث افزایش سریع تعیین توالی ژنوم بسیاری از گونه‌های موجودات شد، تا جایی که پروژه‌های تعیین توالی ژنوم‌ها از پروژه‌های بسیار رایج به حسب می‌آیند.امروزه توالی ژنوم بسیاری از موجودات ساده مانند باکتری‌ها تا موجودات بسیار پیشرفته چون یوکاریوت‌های پیچیده شناسایی شده‌است. پروژه شناسایی ژنوم انسان در سال 1990 آغاز شد و در سال 2003 پایان یافت و اکنون اطلاعات کامل مربوط به توالی هر 24 کروموزوم انسان موجود است.
بیوانفورماتیک زیست‌شناسی محاسباتی، استفاده از تکنیک‌هایی مانند ریاضی کاربردی، انفورماتیک، آمار، علوم کامپیوتر، هوش‌مصنوعی، شیمی و بیوشیمی را دربردارند تا مسایل زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کنند. تحقیق در زیست‌شناسی محاسباتی، با زیست‌شناسی سیستم‌ها هم‌پوشانی‌هایی دارد. تلاش‌های پژوهشی اصلی در این رشته عبارتند از: تنظیم توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیشگویی ساختار پروتئینی، پیش‌بینی عبارت ژن و تعاملات پروتئین- پروتئین و مدلسازی تکامل.
واژه‌های بیوانفورماتیک و زیست‌شناسی محاسباتی اغلب به‌جای یکدیگر به‌کار می‌روند. به‌هرحال بیوانفورماتیک، به‌گونه مناسب‌تری به ایجاد و توسعه الگوریتم‌ها، تکنیک‌های محاسباتی و آماری و تئوری اشاره می‌کند که برای حل مسایلی رسمی و عملی به‌کار می‌روند که توسط مدیریت و تحلیل داده‌های زیست‌شناختی مطرح‌شده یا از آن الهام می‌گیرند. از طرف دیگر زیست‌شناسی محاسباتی به تحقیق مبتنی بر فرضیه در مورد یک مسأله خاص زیست‌شناسی با استفاده از رایانه می‌پردازد که با داده‌های عملی و شبیه‌سازی شده انجام می‌شود و با هدف اصلی کشف و توسعه دانش زیست‌شناختی همراه است. تمایز مشابهی توسط موسسه ملی سلامت آمریکا در کار بر روی تعریف بیوانفورماتیک و زیست‌شناسی محاسباتی انجام شده‌است که در آن تأکید بیشتر بر این است که پیوند محکمی از پیشرفت‌ها و دانش میان تحقیقات بیشتر مبتنی بر فرضیه زیست‌شناسی محاسباتی و پژوهش مبتنی بر تکنیک بیوانفورماتیک وجود دارد. همچنین زیست‌شناسی محاسباتی شامل دو زیرشاخه کمتر شناخته شده ولی به یک اندازه مهم است: بیوشیمی محاسباتی و بیوفیزیک محاسباتی.
یک خط مشترک در بیوانفورماتیک و زیست‌شناسی محاسباتی، استفاده از ابزارهای ریاضی برای استخراج اطلاعات مفید از داده‌های تولیدشده توسط تکنیک‌های زیست‌شناختی با برون‌ده بالا نظیر توالی ژنوم است. یک مسأله نمونه در بیوانفورماتیک، گردآوری توالی ژنوم با کیفیت بالا از یک توالی DNA تکه‌تکه شده تفنگ ساچمه‌ای است. دیگر مسایل معمول عبارتند از مطالعه قواعد ژن با استفاده از داده‌هایی از ریزآرایه‌ها یا طیف‌سنجی جرمی.
بانک‌های اطلاعاتی ِ توالی چون بانکِ ژن و EMBL به طور نمایی رشد کرده‌اند. این سیل اطلاعات، ذخیره سازی، سامان دادن و فهرست دار کردن دقیق اطلاعات را ضروری کرده‌است. با پیشرفت چشم گیر فناوری اطلاعات و کاربردهای آن، ادغام دو علم زیست‌شناسی و فناوری اطلاعات راه گشای این امر شد. به این ترتیب اوایل سال 1957 رشته بیوانفورماتیک با هدف استفاده از رایانه‌ها، نرم‌افزارها و بانک‌های اطلاعاتی جهت ذخیره سازی و بازیابی اطلاعات در مطالعات بیولوژیکی شکل گرفت. با پیشرفت بیوانفورماتیک حضور سایر رشته‌ها نیز ضروری شد. برای تحلیل داده‌ها و نتیجه گیری از آنها حضور علم آمار لازم شد. حجم بالای اطلاعات و پردازش آنها نیز وجود رایانه‌های پیشرفته تری را می‌طلبید. بنابراین، بیوانفورماتیک یک تخصص میان رشته‌ای است که با ادغام زیست‌شناسی، ریاضیات به ویژه آمار، علوم کامپیوتر و فناوری اطلاعات به وجود آمده‌است. از مهمترین کارها در بیوانفورماتیک تجزیه و تحلیل اطلاعات توالی است. زیست‌شناسی محاسباتی نامی است که به این فرآیند داده شده‌است و شامل موارد زیر است:
دو فعالیت برجسته در بیوانفورماتیک، پروتئومیک و ژنومیک هستند. از شاخه‌های دیگر علوم زیستی همچون متابولیک و ترانسکریپتومیک نیز استفاده می‌شود. لازم به ذکر است سه بانک DDBJ در ژاپن و EBI در اروپا و NCBI در آمریکا روزانه تمام اطلاعات ژنتیکی که به هر کدام از این سه بانک ارسال می‌شود را در بین هم به اشتراک میگذراند . این سه بانک به علت ارائه ابزارهای جانبی می‌توانند کاربردهای متفاوتی داشته باشند.سایت پیش تاز در بین این سه سایت در ارائه نرم افزارها و بانک‌های کاربردی NCBI می‌باشد.
1. تحلیل توالی‌های ژنوم
2. پیش بینی ساختار سه بعدی پروتئین
دو اصل مهم برای تعیین ساختار سه بعدی پروتئین از روی توالی آن وجود دارد که هر کدام روش جداگانه‌ای ارائه می‌دهند:
3. تحلیل کارکردی در سطح ژنوم
4. ایجاد و مدیریت پایگاه‌های داده ای
5. مدل سازی ریاضی و فرآیندهای حیات
Baldi P. and Brunak S. (2001), Bioinformatics: The Machine Learning Approach, 2nd edition. MIT Press.
Barnes, M.R. and Gray I.C. (2003), Bioinformatics for Geneticists, first edition. Wiley.
Baxevanis, A.D. and Ouellette, B.F.F., eds., Bioinformatics: A Practical Guide to the Analysis of Genes and Proteins, third edition. Wiley, 2005.
Claverie, J.M. and C. Notredame (2003), Bioinformatics for Dummies. Wiley.
Durbin, R., S. Eddy, A. Krogh and G. Mitchison (1998), Biological sequence analysis. Cambridge University Press.
نوشته شده توسط لادن در چهارشنبه 90/2/21 و ساعت 11:12 صبح | نظرات دیگران()به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشینی (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.
هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی‌ی بالاتری در وظیفه مورد نظر پیدا کند. گسترده این وظیفه میتواند از تشخیص خودکار چهره با دیدن چند نمونه از چهره مورد نظر تا فراگیری شیوه گام‌برداری برای روبات‌ای دوپا با دریافت سیگنال پاداش و تنبیه باشد.
طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده‌است. در سوی نظری‌ی آن پژوهشگران بر آن‌اند که روشهای یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهشگران سعی می‌کنند روشهای یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو روی‌کرد هستند.
یکی از تقسیم‌بندی‌های متداول در یادگیری ماشینی، تقسیم‌بندی بر اساس نوع داده‌های در اختیار عامل هوشمند است. به سناریوی زیر توجه کنید:
فرض کنید به تازگی ربات‌ای سگ‌نما خریده‌اید که میتواند توسط دوربین‌ای دنیای خارج را مشاهده کند، به کمک میکروفن‌های‌اش صداها را بشنود، با بلندگوهایی با شما سخن بگوید (گیریم محدود) و چهارپای‌اش را حرکت دهد. همچنین در جعبه این ربات دستگاه کنترل از راه دوری وجود دارد که می‌توانید انواع مختلف دستورها را به ربات بدهید. در پاراگراف‌های آینده با بعضی از نمونه‌های این دستورات آشنا خواهید شد.
اولین کاری که می‌خواهید بکنید این است که اگر ربات شما را دید خرناسه بکشد اما اگر غریبه‌ای را مشاهده کرد با صدای بلند عوعو کند. فعلاً فرض میکنیم که ربات توانایی تولید آن صداها را دارد اما هنوز چهره شما را یاد نگرفته‌است. پس کاری که می‌کنید این است که جلوی چشم‌های‌اش قرار می‌گیرید و به کمک کنترل از راه دورتان به او دستور می‌دهید که چهره‌ای که جلوی‌اش می‌بیند را با خرناسه‌کشیدن مربوط کند. این‌کار را برای چند زاویه مختلف از صورت‌تان انجام می‌دهید تا مطمئن باشید که ربات در صورتی که شما را از مثلاً نیم‌رخ ببیند به‌تان عوعو نکند. همچنین شما چند چهره غریبه نیز به او نشان می‌دهید و چهره غریبه را با دستور عوعوکردن مشخص می‌کنید. در این حالت شما به کامپیوتر ربات گفته‌اید که چه ورودی‌ای را به چه خروجی‌ای مربوط کند. دقت کنید که هم ورودی و هم خروجی مشخص است و در اصطلاح خروجی برچسب‌دار [1] است. به این شیوه یادگیری، یادگیری بانظارت [2] می‌گویند.
اینک حالت دیگری را فرض کنید. برخلاف دفعه پیشین که به ربات‌تان می‌گفتید چه محرک‌ای را به چه خروجی‌ای ربط دهد، این‌بار می‌خواهید ربات خودش چنین چیزی را یاد بگیرد. به این صورت که اگر شما را دید و خرناسه کشید به نحوی به او پاداش دهید (مثلاً به کمک همان کنترل از راه دورتان) و اگر به اشتباه به شما عوعو کرد، او را تنبیه کنید (باز هم با همان کنترل از راه دورتان). در این حالت به ربات نمی‌گویید به ازای هر شرایطی چه کاری مناسب است، بلکه اجازه می‌دهید ربات خود کاوش کند و تنها شما نتیجه نهایی را تشویق یا تنبیه می‌کنید. به این شیوه یادگیری، یادگیری تقویتی [3] می‌گویند.
در دو حالت پیش قرار بود ربات ورودی‌ای را به خروجی‌ای مرتبط کند. اما گاهی وقت‌ها تنها میخواهیم ربات بتواند تشخیص دهد که آنچه می‌بیند (یا می‌شنود و...) را به نوعی به آنچه پیشتر دیده‌است ربط دهد بدون اینکه به طور مشخص بداند آن‌چیزی که دیده شده‌است چه چیزی است یا اینکه چه کاری در موقع دیدن‌اش باید انجام دهد. ربات هوشمند شما باید بتواند بین صندلی و انسان تفاوت قایل شود بی‌آنکه به او بگوییم این نمونه‌ها صندلی‌اند و آن نمونه‌های دیگر انسان. در اینجا برخلاف یادگیری بانظارت هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی‌ی آنها است. این نوع یادگیری که به آن یادگیری بی نظارت [4] مهم است چون دنیای ربات پر از ورودی‌هایی است که کس‌ای برچسب‌ای به آنها اختصاص نداده اما به وضوح جزیی از یک دسته هستند.
یادگیری بی‌نظارت را می‌توان به صورت عمل کاهش بعد [5] در نظر گرفت.
از آن‌جا که شما سرتان شلوغ است، در نتیجه در روز فقط می‌توانید مدت محدودی با ربات‌تان بازی کنید و به او چیزها را نشان دهید و نام‌شان را بگویید (برچسب‌گذاری کنید). اما ربات در طول روز روشن است و داده‌های بسیاری را دریافت می‌کند. در اینجا ربات میتواند هم به خودی‌ی خود و بدون نظارت یاد بگیرد و هم اینکه هنگامی که شما او را راهنمایی می‌کنید، سعی کند از آن تجارب شخصی‌اش استفاده کند و از آموزش شما بهره بیشتری ببرد. ترکیب‌ای که عامل هوشمند هم از داده‌های بدون برچسب و هم از داده‌های با برچسب استفاده می‌کند به یادگیری نیمه نظارتی [6] می‌گویند.
یادگیری تحت نظارت، یک روش عمومی در یادگیری ماشین است که در آن به یک سیستم، مجموعه جفت‌های ورودی – خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گیرد. یادگیری تحت نظارت نیازمند تعدادی داده ورودی به منظور آموزش سیستم است. با این حال رده‌ای از مسائل وجود دارند که خروجی مناسب که یک سیستم یادگیری تحت نظارت نیازمند آن است، برای آنها موجود نیست. این نوع از مسائل چندان قابل جوابگویی با استفاده از یادگیری تحت نظارت نیستند. یادگیری تقویتی مدلی برای مسائلی از این قبیل فراهم می‌آورد. در یادگیری تقویتی[7]، سیستم تلاش می‌کند تا تقابلات خود با یک محیط پویا را از طریق آزمایش و خطا بهینه نماید. یادگیری تقویتی مسئله‌ای است که یک عامل که می‌بایست رفتار خود را از طریق تعاملات آزمایش و خطا با یک محیط پویا فرا گیرد، با آن مواجه است. در یادگیری تقویتی هیچ نوع زوج ورودی- خروجی ارائه نمی‌شود. به جای آن، پس از اتخاذ یک عمل، حالت بعدی و پاداش بلافصل به عامل ارائه می‌شود. هدف اولیه برنامه‌ریزی عامل‌ها با استفاده از تنبیه و تشویق است بدون آنکه ذکری از چگونگی انجام وظیفه آنها شود.
Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, 1998 (online version).
Tom M. Mitchell, Machine Learning, McGraw-Hill Companies, Inc., 1997. ISBN 0-07-042807-7
نوشته شده توسط لادن در چهارشنبه 90/2/21 و ساعت 10:43 صبح | نظرات دیگران()هدف از مطالعه فلسفه هوش مصنوعی، یافتن رابطه میان رباتها و تفکر، همچنین یافتن پاسخی برای چنین سئوالاتی است:
هفت سوال بالا، در واقع بیانگرdivergent interestِِ پژوهشگران حوزه هوش مصنوعی، فیلسوفها و دانشمندان علوم شناختی است.
پاسخ به این سئوالها مستلزم آن است که ما چطور واژه‌های «هوش» و «هوشیاری» را معنی کنیم، و اینکه بدانیم دقیقاً چه نوع رباتهایی مورد مطالعه قرار داده می‌شوند.
آیا ممکن است روزی ماشینی ساخته شود، که همانند بشر تمامی مشکلات را با هوشش از میان بردارد؟ این سوالی است که پژوهشگران حوزه هوش مصنوعی علاقه مندند، پاسخی به آن بدهند. این پاسخ گستره توانایی رباتها را در آینده مشخص کرده و مسیر پژوهشگران هوش مصنوعی را راهنمایی می‌کند. این تنها به رفتار رباتها ارتباط داشته و تفکر روانشناسان، دانشمندان علوم شناختی و فیلسوفها را را مورد بررسی قرار نمی‌دهند. برای پاسخ به این سوال، لزومی ندارد که یک ماشین واقعاً همانطوری که یک انسان فکر می‌کند، فکر کند یا اینکه ادای فکر کردن را در بیاورد. جایگاه اصلی پژوهشگران هوش مصنوعی، در این جمله که در طرح پیشنهادی Dartmouth Conferences در سال1956 مطرح شده‌است خلاصه می‌گردد: هر جنبه‌ای از یادگیری، یا دیگر خصوصیات هوش را می‌توان چنان بدقت تشریح کرد که یک ماشین (ربات) بتواند آنرا شبیه سازی کند. بحث و جدل علیه قضیه اصلی باید نشان دهد که بوجود آوردن سامانه پویای هوش مصنوعی امکان ندارد. چرا که در حال حاضر توانایی‌های کامپیوترها، دارای یک سری محدودیت‌هایی است؛ یا اینکه توانایی‌های شگرفی برای اندیشیدن در ذهن انسان وجود دارد که هنوز، ماشینها (یا شیوه‌هایی که پژوهشگران هوش مصنوعی در این رابطه پیش گرفته‌اند) قادر به پردازش آنها نیستند و بحث در این خصوص باید مهر تاییدی بر غیر عملی بودن این سامانه باشد.
نخستین گام برای پاسخ به این سوال، یافتن معنی درست واژه «هوش» است.
آلن تورینگ در مقاله مشهور و حائز اهمیت سال 1950 میلادی، مشکل تعریف واژه هوش را به پرسشی ساده در باره مکالمه تقلیل (تغییر) داد. پیشنهاد وی این بود: اگر یک ماشسین قادر باشد که به تمامی پرسشهایی که از آن می‌شود پاسخ دهد، و از جملاتی که یک انسان از آن استفاده می‌کند، بهره گیرد، آن موقع است که ما به آن ماشین، باهوش میگوییم. نمونه مدرن طرح وی را می‌توان در تالارهای برخط گفتگو جستجو کرد؛ جایی که یکی از دو شرکت کننده، انسانی حقیقی و دیگری برنامه‌ای کامپیوتری است. برنامه کامپیوتری هنگامی میتواند از این آزمون سربلند بیرون بیاید که هیچکس نتواند بین آن و انسان تمییز قائل شود. تورینگ، خاطر نشان کرد که هیچکس (به غیر از فلاسفه) هرگز سئوالی با این مضمون مطرح نکرده‌است که: «آیا مردم هم فکر می‌کنند؟» وی می‌نویسد: «بجای اینکه مدام در باره این موضوع بحث کنیم، عادی است که یک polite convention داشته باشیم که همه فکر می‌کنند.» و آزمون تورینگ، اینpolite convention را به رباتها هم بسط داد.
اگر یک ماشین، بمانند انسان، هوشمندانه عمل کند، آن هنگام است که می‌توان گفت بمانند انسان، هوشمند است.
یک نقد در باره آزمون تورینگ این است که این آزمون، کاملا انسان نماست. اگر هدف نهایی ما خلق ماشینهایی است که هوشمندانه تر از انسانها عمل کنند، چرا بر این امر تاکید داریم که ماشینها باید دقیقاً شبیه به انسان باشند؟ به گفته راسل و نوروینگ، متون نوشته شده توسط مهندسان علم هوانوردی، نمی‌تواند تعریف درستی برای تولید ماشینهایی باسد که درست مانند کبوترها پرواز کنند، بطوری که دیگر کبوترها نیز فریب بخورند. در پژوهش تازه‌ای که در حوزه هوش مصنوعی انجام گرفت، واژه هوش در عبارات «عوامل عقلانی» و «عوامل هوشی»، معنا شد. «عامل» چیزی است که در یک محیط، مشاهده و عمل می‌کند. و اندازه گیری عملکرد، بیانگر مقدار موفقیت یک عامل است.
اگر یک «عامل» با توجه به تجربیات و دانش پیشین خود، بیشترین عملکرد را داشته باشد، می‌توان گفت که باهوش است.
چنین تعریفاتی، سعی در بدست آوردن مفهوم و ماهیت هوش دارند. آنها این مزیت را دارد که بر خلاف آزمون تورینگ، برای ویژگی‌های انسانی ای که نمیخواهیم بعنوان هوش تلقی شوند، بکار روند، مانند «توانایی توهین کردن» و «وسوسه دروغ گفتن». اما مشکل اساسی آنها این است که نمی‌توانند، بطور منطقی، بین «چیزهایی که فکر می‌کند» و «چیزهایی که فکر نمی‌کنند» تفاوتی قائل شوند. با این تعریف حتی یک دما سنج هم دارای هوشی ابتدایی است.
بر اساس نوشته ماروین مینسکی: «اگر دستگاه عصبی از قوانین فیزیک و شیمی پیروی کند، که تمام شواهد هم حاکی از صحَّت این امر است، سپس ما باید بتوانیم که توسط یک دستگاه فیزیکی، عملکرد سیستم عصبی را بازسازی کنیم». این بحث برای نخستین بار در اوایل سال 1943 مطرح شد و توسط هانس موراوک در سال 1943 روشن تر شد. و هم اکنون ری کورزول پیش بینی می‌کند که توانایی کامپیوترها به حدی خواهد رسید که می‌توانند مغز کامل یک انسان را شبیه سازی کنند. اما برخی پژوهشگران هوش مصنوعی و حتی منتقدین این حوزه مانند هربرت دریفوس و جان سیرل با اینکه این طرح در تئوری تحقق یابد هم رای نیستند. اما سیرل خاطر نشان کرد که در اصل، هر چیزی میتواند توسط کامپیوترها شبیه سازی گردد، و اگر شما بخواهید که به مفهوم شکست، دامنه بزنید، باید بدانید که تمام مراحل محاسبه خواهد شد. وی افزود: «آنچه ما میخواهیم بدانیم این است که چه چیزی ذهن آدمی را از دماسنج و جگر متمایز می‌کند!» هر مقاله‌ای که به نوعی با کپی برداری از مغز در ارتباط باشد، مقاله ایست که بر نادانی ما در خصوص چگونگی عملکرد هوش صحّه گذاشته‌است. اگر ما باید می‌دانستیم که مغز چگونه هوش مصنوعی را میسازد، هرگز نگران آن (هوش مصنوعی) نبودیم!
آلن نیول و هربرت سیمون در سال 1963symbol manipulation را بعنوان ماهیت اصلی هوش انسان و ماشین معرفی کردند. آنها نوشتند:
Physical symbol system معنی لازم و کافی عملکرد هوش عمومی دارد.
این ادعا بسیار محکم است: چرا که معتقد است تفکر انسان نوعی symbol manipulation است (چرا که سامانه سمبل برای هوش ضروری است)و آن ماشین میتواند باهوش باشد. (چرا که سامانه سمبل برای هوش، کافی است.) نسخه دیگری از این نظریه را هربرت دریفوس فیلسوف مطرح کرد و آنرا philosophical assumption نامید.
معمولاً، این تفاوت، بین سمبل‌های سطح بالا یی که در دنیای پیرامون من هستند، مثل <سگ> و <دُم> و سمبل‌هایی که پیچیدگی بیشتری دارند و در ماشینهایی مثل سیستم شبکه عصبی بکار گرفته می‌شوند، دیده می‌شود. پیشتر، پژوهشی در خصوص هوش مصنوعی توسط جان هاگلند، انجام گرفت که good old fashioned artificial intelligence یا GOFAI نامیده شد. طی این پژوهش سمبل‌های دسته بالا(high level symbols) مورد بررسی قرار گرفتند.
این مباحث نشان میدهد که تفکر انسان شاملِhigh level symbol manipulation. نیست. این مباحث هوش مصنوعی را رد نمی‌کنند، تنها به چیزی بیش از نماد پردازش اشاره دارند.
در سال 1931 کورت گدل ثابت کرد: که همواره می‌توان عباراتی را خلق کرد، تا یک سیستم صوری (مانند: برنامه هوش مصنوعی) قادر به اثبات آن نباشد. هر انسانی میتواند با کمی اندیشیدن به صحّت گفته‌های گودل برسد. این گفته توسط جان لوکاس فیلسوف نیز تایید شده که منطق انسان همواره قوی تر از منطق ِ ربات(ماشین)ها ست. وی نوشته‌است که به نظر من قضیه گدل برای اثبات نقض ماشین گرایی کافی است، چرا که ذهن را نمی‌توان در قابل ماشین گنجاند. آقای راجر پنروز در کتاب خود به نام «ذهن تازه امپراطور» که در سال 1989 منتشر گشت، به این موضوع بیشتر پرداخته‌است. در این کتاب وی می‌اندیشد که فرایند ماکنیکی کوانتومی که در داخل تک تک ِ رشته‌های عصبی انجام می‌شود، به انسان قابلیت ویژه‌ای میدهد که بر ماشینها غلبه کند.
هربرت دریفوس معتقد است که هوش انسان و مهارتش ابتدا به غریزه ناخود آگاهش مربوط است تا conscious symbolic manipulation. و خاطر نشان کرد که این مهارت‌های ناخود آگاه، هرگز تحت سلطه قوانین کلی در نخواهدآمد.
آقای ترنینگ روی بحث دری فوس در مقاله‌ای که تحت عنوان بررسی ِماشین آلات و هوش در سال 1950 مطرح شد تامل بیشتری کرد. وی این مبحث را در دسته بندی ِ arguments from informal behavior جای داد. وی در پاسخ گفت: هنگامی که ما، خودمان قوانینی را که رفتارهای پیچیده را رهبری می‌کنند نمیدانیم، دلیل نمی‌شود آنها را نقض کنیم. (ندانستن ما دلیلی بر وجود نداشتن آنها نیست.) وی افزود: ما ابداً نمی‌توانیم خودمان را قانع کنیم که هیچگونه قانون کلی ای برای رفتارها وجود ندارد. تنها راهی که ما می‌توانیم برا ی یافتن چنین قوانینی پیش گیریم، مشاهدات علمی است و هنگامی که در یافتیم هیچگونه شرایطی تحت این عنوان وجود ندارد می‌توانیم بگوییم: «ما به اندازه کافی جستجو کردیمو چنین قوانینی وجو ندارند».
راسل و نوروینگ اظهار داشتند، طی سالهایی که دری فوس مقاله انتقادیش را منتشر کرد، فرایندی برای پی بردن به «قوانینی» که منطق ناخود آگاه را رهبری می‌کنند بوجود آمد. این جنبش‌های جایگزین شده در تحقیق‌های روبوتیک در واقع تلاشی است بر ای دستیابی مهارت‌های ناخود آگاه ِ ما در درک و توجه. الگوی هوش محاسباتی، مانند رشته‌های عصبی، الگوریتم‌های پویا و غیره، غالباً به شبیه سازی استدلال و یادگیری ناخودآگاه رهنمود می‌شوند. تحقیقات در خصوص دانش عمومی روی بازسازی معلومات پیشین و مفهوم دانش، متمرکز شده‌است. در واقع تحقیق در خصوص هوش مصنوعی، از high level symbol manipulation و GOFAI جدا گشته و به مدلهایی تبدیل شده که گرایش بیشتری به capture کردن منطق ناخود آگاه ما دارند. مورخ و پژوهشگر هوش مصنوعی، آقای دانیل کرویر، نوشته‌است: «زمان صحت برخی از گفته‌های دری فوس را ثابت می‌کند». ؟
این یک سئوال فلسفی است، که بی ارتباط با مشکل ذهنهای دیگر و مشکل اساسی هوشیاری نیست. این سوال در حوزه مطالعاتی نظریه هوش مصنوعی قوی (strong AI) که توسط آقای جان سیرل ارائه شده می چرخد.
آقای سیرل این نظریه را با چیزی که هوش مصنوعی ضعیف مینامد، (weak AI) متفاوت می‌داند.
وی با جدا کردن هوش مصنوعی قوی از ضعیف، ذهن خودش را روی مطلبی که فکر می‌کرد بحث بر انگیز تر خواهد بود متمرکز کرد. وی گفت: حتی اگر فرض کنیم که برنامه کامپیوتری ای ابداع کرده‌ایم که دقیقاً بمانند ذهن انسان عمل می‌کند، هنوز سئوال‌های فلسفی دشوار وجود دارد که باید به آنها پاسخ دهیم. هیچ یک از دو نظریه آقای سیرل نتوانستند به این سئوال پاسخ دهند که : «آیا یک ماشین میتواند جلوه‌ای از یک هوش عمومی باشد؟» (مگر اینکه ثابت شود که آگاهی لازمه بوجود آمدن هوش است.) وی گفت، نمیخواهم اینگونه برداشت کنم که هیچ رمز و رازی در باره آگاهی و هوشیاری وجود ندارد. اما در عین حال فکر نمیکنم که لزوماً این معماها باید پیش از آنکه به سئوال {آیا ماشینها می‌توانند فکر کنند} پاسخ دهیم، حل شوند. راسل و نوروینگ معتقدند که بیشتر پژوهشگران حوزه هوش مصنوعی، برای بورس تحصیلیشان ازفرضیه هوش مصنوعی ضعیف بهره می‌گیرند. و (انگار) اصلاً فرضیه هوش مصنوعی قوی برایشان جذابیتی ندارد.
پیش از آنکه پاسخی به این سئوال بدهیم، باید بیشتر به معنا و مفهوم واژه‌های minds- mental states-consciousness بپردازیم.
واژه‌های «ذهن» و «هوشیاری» در جوامع گوناگون، معانی متفاوتی دارند. بعنوان مثال، برخی از متفکرینِnew age از واژه «هوشیاری» برای وصف چیزهایی شبیه به «élan vital» برگسون، ماده‌ای نامرئی و حاوی انرژی که به زندگی و بخصوص ذهن رخنه می‌کند، بهره میجویند. نویسندگان داستانهای علمی تخیلی، از واژه برای توصیف ویژگی ذاتی ی مان که ما را به انسان مبدل کرده‌است، استفاده می‌کنند. ماشینی که آگاهی دارد و یا هوشیار است، به عنوان یک شخصیت کاملاً انسان نما ظاهر می‌شود، با خصوصیاتی نظیر هوش، میل، آرزو، امید، بینش، غرور و بسیاری دیگر.... این نویسندگان همچنین از واژه‌های درک، معرفت و دانایی، خود آگاهی و روح، بمنظور توصیف این ویژگی‌های اصلی انسانی استفاده می‌کنند. برای دیگر ِ افراد واژه‌های «ذهن» و «هوشیاری(آگاهی)» بفهوم معنانی وابسته «روح» تلقی می‌شوند. برای فیلسوفها و دانشمندان علم عصب‌شناسی و علوم شناختی، این دو واژه به مفهومی، دقیق تر و دنیوی تر دارند. مفهومی ملموس و روزمره تر دارند. مانند فکر کردن، درک کردن، یک رویا، یک خیال یا یک برنامه(نقشه)، و چیزی که ما میدانیم و درک میکنیم. کار دشواری نیست که ما مفهوم دقیق و قابل درکی از آگاهی ارائه کنیم. چیزی که مبهم و اسسرار آمیز است، خود آن نیست، بلکه چگونگی آن است.
فلاسفه این را مشکل اصلی آگاهی(هوشیاری) می‌دانند. این نسخه نهایی مشکلات روتین (کلاسیک) فلسفه ذهن است که مشکل ذهنی جسمی نامیده می‌شود. مشکل مربوط، مشکلات معنایی یا مفهومی است که فلاسفه آنرا intentionality می‌نامند. چه رابطه‌ای میان تفکر ما، (مثل الگوهای عصبی) و چیزی که ما بدان می‌اندیشیم، (مانند موقعیت‌های پیرامونمان) وجود دارد؟ سومین مورد، مشکل تجربه(یا پدیدار شناسی) است. اگر دو فرد، یک چیز راببینند آیا نسبت یه آن به یک شکل مینگرد.(هر دو ی آنها احساسی مشابه نسبت به آن دارند؟) یا اینکه چیزی در ذهنشان وجود دارد(بنام qualia) که در همه اشخاص متفاوت است؟ Neurobiologists معتقدند که هنگامی که ما شروع به شناختن رابطه عصبی ِ هوشیاری کنیم، تمامی این مشکلات حل خواهند شد. ماشینی حقیقی که در مغز ما وجود دارد و ذهن، تجربه و فهم را خلق می‌کند. حتی تندترین منتقدین حوزه هوش مصنوعی نیز، بر این امر واقفند که مغز، تنها ماشینی است که هوشیاری(آگاهی) و هوش را در نتیجه فرایندهای فیزیکی میسازد. سئوال دشوار فلسفی این است که: آیا یک برنامه کامپیوتری که توسط ماشین دیجیتالی با ادغام ارقام دو دویی صفر و یک، اجرا می‌شود، میتواند توانایی نورونها (رشته‌های عصبی) را برای خلق ذهن، و در نهایت تجربه هوشیاری دوبرابر کنند؟
این مقاله از اهمیت ابتدایی ای برای داشمندان رفتار شناختی برخوردار است که ذات تفکر بشر و حل مشکلاتش را مطالعه کرده‌اند. تئوری ِمحاسباتی ذهن، یا computationalism، ادعا می‌کند که رابطه بین ذهن و جسم، همانند رابطه بین برنامه اجرایی و کامپیوتر است. این ایده ریشه‌ای فلسفی دارد. هابز می‌گوید: استدلال چیزی بیشتر از حساب کردن نیست. لایبنیتز که تمامی تلاشش را برای خلق محاسبات منطقی همه ایده‌های انسان بکار گرفت. هیوم کسی که می‌اندیشید، درک میتواند به اجزائ ریزی تقسیم بندی شود. و حتی کانت که تمامی تجربه هار ا کنترل و با قوانین رسمی، تحلیل کرد. نسخه نهایی، با همکاری دو فیلسوف، هیلاری پاتنام و جری فودور تهیه شد. این سوال در اصل، زاییده سوال‌های پیشین است. اگر مغز انسان نوعی کامپیوتر باشد، آنگاه کامپیوترها می‌توانند هم باهوش باشند و هم آگاه که قادر خواهند بود به سوالات فلسفی و عملی هوش مصنوعی پاسخ دهند. براساس سوالات عملی هوش مصنوعی، نظیر (آیا یک ماشین میتواند جلوه‌ای از هوش عمومی باشد؟) برخی نسخ computationalism اعلام کردند (همانطوری که هوبز نوشته:):
به بیان دیگر، هوش ما، برگرفته از نوعی محاسبه‌است، شبیه به حسابگری(arithmetic). این فرضیه‌ای که در بالا مطرح شد (همان: physical symbol system) نشان میدهد که تولید هوش مصنوعی غیر ممکن نیست. در خصوص سئوال فلسفی ای که در مورد هوش مصنوعی مطرح شد، (آیا یک ماشین میتواند، ذهن، حس و آگاهی داشته باشد)، اغلب نسخ در رابطه با محاسبه گرایی(computationalism) همانطوری که استیون هارناد (Steven Harnad) گفته:
آلن ترینگ گفت: مباحث بی شماری با این عناوین وجود دارند: «یک ماشین هرگز فلان کار را نمی‌کند». و این «فلان»، میتواند هر چیزی باشد! مانند:
مهربان بودن، ابتکار داشتن، زیبا، دوستانه و خوش ذوق بودن، شوخ طبع بودن، تشخیص درست از نادرست، اشتباه کردن، عاشق شدن، لذت بردن از توت فرنگی و خامه، کسی را شیفته خود کردن، از تجربه‌ها پند گرفتن، از واژه‌ها بدرستی استفاده کردن، از افکار خویش بهره گرفتن، بمانند انسان رفتارهای گوناگونی داشتن و یا اینکه، دست به کارهایی کاملاً تازه بزند. «ترینگ» معتقد است که این استدلال‌ها اغلب بر اساس فرضیاتی ساده، مبنی بر تطبیق پذیری ماشینها هستند یا فرم دیگری از مبحث هوشیاری. نوشتن برنامه‌ای که رفتارهای فوق را ارائه دهد، تاثیر چندانی نخواهد داشت. تمام اینمباحث نسبت به قضیه اصلی هوش مصنوعی، tangential هستند، مگر اینکه بتوانند ثابت کنند که یکی از این ویژگی‌ها برای هوش عمومی ضروری است.
هنس مراوک می‌گوید: «به عقیده من رباتها در کل در خصوص اینکه مردمان خوبی باشند کاملاً احساسی بر خورد می‌کنند». و احساسات را در راستای اعمالی که انجام می‌دهند تعریف می‌کنند. ترس سرچشمه فوریت است. همدلی یک عنصر مهم در تعامل میان انسان و کامپیوتر است. به گفته وی رباتها سعی می‌کنند که در ظاهری کاملا عاری از خویشتن بینی، از شما در خواست کنند چرا که این عمل تاثیر مثبتی روی آنها میگذارد. شما می‌توانید از این عمل آنها به عنوان محبت (عشق) یاد کنید. دانیل کرویر می‌نویسد: «مراوک معتقد است که احساسات تنها ابزاری برای به چالش کشیدن رفتار به سوی بقای یک گونه باشد» این سئوال که آیا یک ماشین قادر به درک احساسات هست یا تنها اینگونه مینمایاند، یک سئوال فلسفی است.
خود آگاهی همانطور که در بالا اشاره شد، گاهی اوقات توسط نویسندگان داستانهای علمی تخیلی تحت عنوان یک اسم برای عمده دارایی یک انسان که شخصیت را کاملاً به یک انسان مبدل می‌کند، بکار گرفته می‌شود. ترینگ انسان را از دیگر دارایی‌هایش تهی کرد و سئوال را به بک جمله تبدیل کرد: «آیا یک ماشین میتواند از افکارش تبعیت کند؟» آیا میتواند به خودش فکر کند؟ کاملاً واضح و روشن است که در این رابطه می‌توان برنامه‌ای نوشت که ماشین، گزارش‌هایی را از درون خویش بدهد. (مانند debugger).
ترینگ سئوالی مطرح کرد و آن سئوال این بود که آیا یک ماشین میتواند کاری کند که برای ما تازگی داشته باشد؟ (میتواند ما را شگفت زده کند؟) و روی آن بحث کرد، پاسخ مثبت است. و هر برنامه نویسی میتواند آنرا تصدیق کند. وی افزود، کامپیوترها با داشتن ظرفیت بالای حافظه‌ای، قادر خوهند بود بی شمار رفتار مختلف انجام دهند. احتمال این قضیه، هرچند اندک، وجود دارد که کامپوترها قادر باشند با ترکیب چند ایده، ایده‌ای نو بسازند. به عنوان مثال، Automated Mathematician داگلاس لناتس، چند ایده را برای پی بردن به حقیقت تازه علم ریاضی با هم ترکیب کرد.
در نهایت افرادی که به وجود روح عقیده دارند، می‌توانند بر سر این موضوع بحث کنند که:
آلن تورینگ این را «هدفی الهی» نامید و نوشت: برای ساختن چنین ماشینهایی، ما نباید به قدرت او (پروردگار) در ساختن روح بی حرمتی کنیم.
نوشته شده توسط لادن در سه شنبه 90/2/20 و ساعت 12:40 عصر | نظرات دیگران()
روشهای متعددی در پردازش تصویر بکار برده می‌شوند. برخی از آنان در زیر توضیح داده شده‌اند:
بیشتر تصاویری که توسط ماهواره‌ها یا رادار‌ها ثبت می‌گردند، اختلالاتی در تصویر به وجود می‌آید که به دلیل خش می‌باشد. دو اختلال مهم در تصاویر چند باندی، نواری شدن (Banding) و خطوط از جا افتاده می‌باشد.
اشتباهی که توسط سنسور گیرنده، در ثبت و انتقال داده‌ها روی میدهد.و یا تغییر پیکسل در بین ردیف‌ها میتواند باعث ایجاد چنین اشتباهی گردد.
اشتباهی که در ثبت و انتقال داده‌ها روی میدهد و در نتیجه، یک ردیف پیکسل در عکس از بین می‌رود.
یکی از کارهای مهمی که در پردازش تصویر انجام نمگردد. بالا بردن دقت عکس به منظور دید و تفسیر چشمی دقیق تر می‌باشد.روشهای بسیاری برای رسیدن به این هدف وجود دارد ولی مهمترین آنها، افزایش تباین(Contrast) تصویر و عملیات فیلتر کردن می‌باشد.
در هر تصویر دیجیتالی، مقادیر پیکسل‌ها بیانگر خصوصیات آن تصویر(مانند میزان روشنایی تصویر و وضوح آن) می‌باشد.هیستوگرام تصویر در حقیقت بیان گرافیکی میزان روشنایی تصویر می‌باشد. مقادیر روشنایی(برای مثال 0-255) در طول محور X بیان شده و میزان فراوانی هر مقدار در محور Y بیان می‌گردد.
تصویر 8 بیتی(0-255) در بالا و هیستوگرام مقادیر پیکسل تصویر در پایین. محور افقی بین 0-255و محور قائم، تعداد پیکسل‌ها می‌باشد.
معمولا دامنه مقادیر پیکسل‌های تصاویر با هر بیتی (در اینجا مثلا 8 بیت)، بین 0-255 نمی‌باشد.و مثلا بین 48 تا 153 می‌باشد. برای افزایش تباین، مقادیر پیکسل‌ها را آنقدر امتداد میدهیم تا 48 به جای 0 و 153 به جای 256 قرار گیرد. در نتیجه تباین وهمچنین کیفیت عکس بالا می‌رود. به این عمل کشش خطی گویند.
مقادیر پیکسل تصویر اصلی (در بالا) و تصویر کشیده شده (در پایین).
Introduction - Image Processing Methods - USGS Open File Report 97-287
نوشته شده توسط لادن در یکشنبه 90/2/18 و ساعت 9:49 صبح | نظرات دیگران()
.jpg)
