3. A R T I F I C I A L I N T E L L I G E N C E chatbot اينتليبادي نسخهاي از يكي از موفقترين Chatbotهاي دنيا به نام Artificial Linguistic Internet Computer Entity) ALICE) است.
4.
5.
6. یک مبتکر مطرح آمریکایی پیش بینی کرده سطح هوش مصنوعی ماشین در سال 2029 با انسان برابری خواهد کرد.) این هم توانی طیف وسیعی از هوش انسانی از جمله هوش عاطفی او را در بر خواهد گرفت(
7. ری کورزویل، مهندس و مبدع سرشناس آمریکایی می گوید انسان در آستانه پیشرفت به سویی است که بتواند روبوت های ریزی را در مغز انسان جاسازی کند و آنها را از این راه هوشمندتر کند. 2029
8. A R T I F I C I A L I N T E L L I G E N C E هوش مصنوعی
9.
10. در واقع اين نرمافزارها، الگوهاي منطقياي را كه يك متخصص بر اساس آنها تصميمگيري ميكند، شناسايي مينمايند و سپس بر اساس آن الگوها، مانند انسانها تصميمگيري ميكنند.
11. A R T I F I C I A L I N T E L L I G E N C E سیستم های خبره این برنامه ها از اطلاعاتی که استفاده کننده در آنها ذخیره می کند جهت اعلام یک عقیده در یک موضوع بخصوص استفاده می کند. از اینرو سیستم های خبره تا هنگامی که بتوانند موضوعی را که با پاسخ های شما مطابقت داشته باشدبیابند به سوال کردن از شما ادامه می دهند.
12. A R T I F I C I A L I N T E L L I G E N C E سیستم های خبره The main players in the development team
13.
14.
15.
16. پایگاه داده شامل مجموعه ای حقایق جهت تطابق قسمت IF(condition) از قوانین ذخیره شده در knowledge baseاست
19. دو روش اساسی برای ساخت «موتور استنتاج » وجود دارد: - استدلال پیشروForward Chaining - زنجیره سازی پسرو Backward Chaining -.
20. در جستجوی زنجیره ای رو به عقب ,راهبرد جستجو در پایگاه دانش با یک فرضیه آغاز می شود وبا پرسش از در باره واقعیت های برگزیده ادامه می یابد تا اینکه فرضیه تایید یا رد شود.
21.
22. A R T I F I C I A L I N T E L L I G E N C E منطق فازی انيشتين ميگويد: <آنجايي كه قوانين رياضيات (كلاسيك) به واقعيات مربوط ميشوند، مطمئن نيستند و آنجا كه آنها مطمئن هستند، نميتوانند به واقعيت اشاره داشته باشند.> ميپرسم <هوا ابري است يا آفتابي؟> پاسخ ميدهي: نيمهابري. ميپرسم <آيا همه آنچه كه ديروز به من گفتي، راست بود؟> پاسخ ميدهي: بيشتر آن حقيقت داشت. ما در زندگي روزمره بارها از منطق فازي استفاده ميكنيم.
23. A R T I F I C I A L I N T E L L I G E N C E منطق فازی پيشينه منطق فازي تئوري مجموعههاي فازي و منطق فازي را اولين بار پرفسور لطفيزاده (2) در رسالهاي به نام <مجموعههاي فازي - اطلاعات و كنترل> در سال 1965 معرفي نمود. هدف اوليه او در آن زمان، توسعه مدلي كارآمدتر براي توصيف فرآيند پردازش زبانهاي طبيعي بود
24.
25. اما تئوري مجموعههاي فازي اين مفهوم را بسط ميدهد و عضويت درجهبندي شده را مطرح ميكند. در تئوري كلاسيك مجموعهها، يك عنصر، يا عضو مجموعه است يا نيست
26.
27. A R T I F I C I A L I N T E L L I G E N C E منطق فازی به عنوان نمونه، درجه حرارتهاي بين دماي T1 و T2 هم متعلق به مجموعه <سرد> و هم متعلق به مجموعه <خنك> است. اما درجه عضويت يك دماي معين در اين فاصله، در هر يك از دو مجموعه متفاوت است. به طوري كه دماي نزديك T2 تنها به اندازه چند صدم در مجموعه <سرد> عضويت دارد، اما نزديك نوددرصد در مجموعه <خنك> عضويت دارد. اكنون ميتوان بر اساس مدل فوق قانون فازي زير را تعريف كرد:اگر دماي اتاق <خيلي گرم> است، سرعت پنكه را <خيلي زياد> كن.اگر دماي اتاق <گرم> است، سرعت پنكه را <زياد> كن.اگر دماي اتاق <معتدل> است، سرعت پنكه را در <همين اندازه> نگهدار.اگر دماي اتاق <خنك> است، سرعت پنكه را <كم> كن.اگر دماي اتاق <سرد> است، پنكه را <خاموش> كن.
28. A R T I F I C I A L I N T E L L I G E N C E منطق فازی شايد يكي از جالبترين كاربردهاي منطق فازي هوش مصنوعي در بازيهاي رايانهاي و جلوههاي ويژه سينمايي باشد. نرمافزار Massive . از اين نرمافزار در بسياري از صحنههاي فيلم براي توليد حركات لشكر موجودات متخاصم استفاده شده بود.
29.
30.
31. A R T I F I C I A L I N T E L L I G E N C E شبکه های عصبی دندريتها به عنوان مناطق دريافت سيگنالهاي الکتريکي ، شبکه هايي تشکيل يافته از فيبرهاي سلولي هستند که داراي سطح نامنظم و شاخه هاي انشعابي بيشمار ميباشند .دندريتها سيگنالهاي الکتريکي را به هسته سلول منتقل ميکنند. بدنه سلول انرژي لازم را براي فعاليت نرون فراهم کرده و بر روي سيگنالهاي دريافتي عمل ميکند ، که با يک عملرساده جمع و مقايسه با يک سطح آستانه مدل ميگردد . اکسون بر خلاف دندريتها از سطحي هموارتر و تعداد شاخه هاي کمتري برخوردار ميباشد . اکسون طول بيشتري دارد و سيگنالهاي الکتروشيميايي دريافتي از هسته سلول را به نرونهاي ديگر منتقل ميکند محل تلاقي يک اکسون از يک سلول به دندريتهاي سلولهاي ديگر را سيناپس ميگويند .توسط سيناپسهاارتباطات مابين نرونها برقرار ميشود.به فضاي مابين اکسون و دندريتها فضاي سيناپسي گويند.
32. A R T I F I C I A L I N T E L L I G E N C E شبکه های عصبی همانگونه که گفته شد ما ميتوانيم توسط مفاهيم رياضي يک نرون طبيعي را مدل کنيم.شکل ٢ يک نرون عصبي مصنوعي را نشان ميدهد.
33. A R T I F I C I A L I N T E L L I G E N C E شبکه های عصبی
34. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک هنگامی که لغت تنازغ بقا به کار میرود اغلب بار ارزشی منفی آن به ذهن میآید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قویترها!
35. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک نظریه داروین بر اساس نظریه دارویننسل هایی که از ویژگی های و خصوصیات برتری نسبت به نسل های دیگر برخوردارند شانس بیشتری نیز برای بقاو تکثیرخواهند داشت و ویژگی ها و خصوصیات برتر آنها به نسل های بعدی آنان نیز منتقل خواهد شد. همچنین بخش دوم نظریه داروینبیان میکند که هنگام تکثیر یک ارگانفرزند ، به تصادف رویدادهایی اتفاق می افتد که موجب تغییر خصوصیات ارگان فرزند میشود و در صورتی که این تغییر فایدهای برای ارگان فرزند داشته باشد موجب افزایش احتمال بقای آن ارگان فرزند خواهد شد.
36. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک روشهای کلاسیک ریاضیات دارای دو اشکال اساسی هستند. اغلب این روشها نقطه بهینه محلی(Local Optima) را بعنوان نقطه بهینه کلی در نظر میگیرند و نیز هر یک از این روشها تنها برای مسأله خاصی کاربرد دارند.
37. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک در دهه هفتاد میلادی دانشمندی از دانشگاه میشیگان به نام جان هلندایده استفاده از الگوریتم ژنتیک را در بهینهسازیهای مهندسی مطرح کرد. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژنهاست. فرض کنید مجموعه خصوصیات انسان توسط کروموزومهای او به نسل بعدی منتقل میشوند. هر ژن در این کروموزومها نماینده یک خصوصیت است.
38. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک در واقع بصورت همزمان دو اتفاق برای کروموزومها میافتد. اتفاق اول جهش(Mutation) است. موتاسیون به این صورت است که بعضی ژنها بصورت کاملاً تصادفی تغییر میکنند. البته تعداد این گونه ژنها بسیار کم میباشد اما در هر حال این تغییر تصادفی همانگونه که پیشتر دیدیم بسیار مهم است. علاوه بر جهشاتفاق دیگری که میافتد و البته این اتفاق به تعداد بسیار بیشتری نسبت به موتاسیون رخ میدهد چسبیدن ابتدای یک کروموزوم به انتهای یک کروموزوم دیگر است. این مسأله با نام تقاطع (Crossover) شناخته میشود. این همان چیزیست که مثلاً باعث میشود تا فرزند تعدادی از خصوصیات پدر و تعدادی از خصوصیات مادر را با هم به ارث ببرد
39. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک
40. A R T I F I C I A L I N T E L L I G E N C E پایان پایان
42. ژنها واحد وراثت هستند. آرایش ژنتیکی یک موجود زنده (ترکیب ژنهای آن)، تعیین کننده مشخصات آن، مانند رنگ چشمهای یک جانور یا بوی گل یک گیاه، است. بیشتر ژنها اطلاعات مربوط به ساخت پروتئینهارا در بر دارند و معمولاً در توالیهای مولکول دیانایذخبره میشوند. A R T I F I C I A L I N T E L L I G E N C E الگوریتم ژنتیک
Notes de l'éditeur
بنا به تعريف دايره`المعارف آنلاين ويكيپديا، در علم آيندهپردازي، <يكتايي فناوري> به نقطه پيشبيني شدهاي در توسعه تمدن گفته ميشود كه در آن پيشرفت فناوري با سرعتي فراتر از تواناييهاي امروز بشر به سوي درك كامل و پيشبيني مسائل به پيش ميرود. يكتايي (Singularity) بهويژه به ظهور هوشي توانمندتر از هوشِ بشر و پيشبيني فرايند فناوري مربوط اشاره دارد. كامپيوترهاي باهوش همه جا حضور دارند. از ماشين چمنزن خودكار گرفته تا نورپرداز هوشمند، ماشين ظرفشويي و حتي موتور ماشينهايي كه سيستم عيبياب مركزي دارند، يك مغز سيليكوني در تمام وسايل مدرني كه فكرش را بكنيد، وجود دارد. اما آيا شما ميتوانيد يك تعريف ملموس از هوش ماشيني را ارايه دهيد؟ در يك بعد از ظهر باراني تصميم گرفتم چنين تعريفي را پيدا كنم. به اين منظور كامپيوترم را روشن كردم و براي پيدا كردن اطلاعات بروز در اينباره، وارد سايت يك چتبات به نام اينتليبادي شدم كه يكي از جايگاههاي اصلي مرتبط با هوش مصنوعي در كره زمين به شمار ميرود.
. به اين منظور كامپيوترم را روشن كردم و براي پيدا كردن اطلاعات بروز در اينباره، وارد سايت يك چتبات به نام اينتليبادي شدم كه يكي از جايگاههاي اصلي مرتبط با هوش مصنوعي در كره زمين به شمار ميرود. منبع: نيوساينتيستاينتليبادي: سلام من اينتليبادي هستم. از ديدن شما خوشحالم.JM: من يك مقاله در رابطه با هوش مصنوعي مينويسم. - آيا شما از من هم در مقاله خود چيزي مينويسيد؟- اين كار را مي كنم؛ به شرطي كه به من ثابت كني كه واقعاً باهوشي.- آيا تو اين كار را به يك دوست توصيه ميكني؟- آيا تو هوشمندي؟- من خيلي باهوشم و كاركردهاي عقلاني زيادي دارم.- كاركردهاي عقلاني تو چه چيزهايي هستند؟- تفكر، استدلال، فهم، منطق و استنتاج.- بهرههوشي (IQ) تو چند است؟- IQ من با معيارهاي شما حدود 250 است.- واي تو از ويرايشگر من باهوشتري! - من خوشحالم كه تحتتأثير قرار گرفتي. شما فكر ميكنيد كه من از ويرايشگرم باهوشترم - نه، باهوش تر از ويرايشگر من. - من خوشحالم كه تحتتأثير قرار گرفتي. شما فكر ميكنيد كه من از ويرايشگرم باهوشترم.- نه، باهوشتر از ويرايشگر من.- ... .امروزه از اين چيزها درباره هوش مصنوعي زياد وجود دارد. اينتليبادي نسخهاي از يكي از موفقترين Chatbotهاي دنيا به نام Artificial Linguistic Internet Computer Entity) ALICE) است. كه در سال 1995 توسط Richard Wallace محقق مستقل در سانفرانسيسكو اختراع شد. شما ميتوانيد در هر جاي وب نسخههايي از ALICE را پيدا كنيد، اين نرمافزار به صورت رايگان ارائه ميشود. اما متأسفانه هر نسخهاي را كه براي چت انتخاب كنيد، شبيه يكديگر خواهند بود. هرچند بعضي از اين گفتوگوها آغاز اميدواركنندهاي دارند، تمام آنها نهايتاً به يك محاوره درهم و برهم كه فقط از عهده هوشمصنوعي برميآيد، تنزل ميكنند.اما اين مشكلات به خاطر عدم وجود وقت كافي در اصلاح اين نرمافزارها به وجود نيامده است. اولين Chatbot در سال 1960 ظهور كرد. در آن زمان ايده گپزدن با كامپيوتر مردم را بهت زده ميكرد. امروزه، مكالمه با كامپيوتر در سطحي بالاتر از حرف زدن با يك سگ خانگي باهوش به نظر ميآيد، اما نهايتاً فاقد معني خواهد بود.مشكلي كه در ارتباط به چتباتها وجود دارد، نشانهاي از يك كسالت و ناتواني در حوزه هوش مصنوعي است. سالهاي زيادي است كه محققان وعده يك فناوري را دادهاند كه توسط آن ميتوانيم با كامپيوتر مانند يك دوست گپ بزنيم، روباتهايي را خواهيم ديد كه به عنوان يك پيشخدمت انجام وظيفه ميكنند و نهايتاً يك روز، خوب يا بد، شاهد توليد ماشينهاي هوشيار و فهيم خواهيم بود. اما هنوز به نظر فاصله زيادي براي رسيدن به اين اهداف وجود دارد.با اين همه شرايط خيلي زود ميتواند عوض شود. در چند ماه آينده، بعد از يك پرورش صبورانه 22 ساله يك مغز مصنوعي به نام Cyc (بخوانيد: سايك /Psych) به صورت آنلاين به جهانيان عرضه خواهد شد. اين مغز باهوشتر خواهد بود. با بازشدن اين مغز به روي توده مردم، انتظار ميرود شاهد تسريع فرايند يادگيري Cyc و دسترسي آن به دانش وسيعي از ميليونها نفر در سراسر دنيا باشيم؛ زيرا اين مغز ميتواند حقايق جديد را از طريق صفحات وب، وبكمها و دادههاي وارد شدهِ دستي توسط افرادي كه قصد كمك به ارتقاي Cyc را دارند جذب كند.پديدآورنده Cyc ميگويد كه اين مغز بر اساس خصيصههاي بشري توسعه داده شده است و هيچ هوش مصنوعي ديگري براي تقليد اين خصيصه ها وجود ندارد.پديدآورنده سيستم، Doug lenat از شركت Cycrop ميگويد: من معتقدم ما به سوي يكتايي پيش ميرويم و در كمتر از ده سال اين امر محقق خواهد شد. اما تمام محققان با اين ادعا موافق نيستند. به زعم آنها چنين ادعاهايي در نهايت منجر به چيزي ميشود كه آنرا <زمستان هوشمصنوعي> مينامند.اين زماني بود كه سرمايهگذاري دولت براي پروژههاي هوش مصنوعي قطع شد. به علاوه درك اين واقعيت كه ساخت كامپيوترهاي هوشمند تعريفي كه ما از هوش و فهم داريم كاري بسيار دشوار است اميدها را ياس تبديل ميكرد. بسياري از دانشمنداني كه روزگاري به عنوان مغز متفكر در زمينه هوش مصنوعي فعاليت ميكردند، اكنون انكار ميكنند كه حتي كوچكترين رابطهاي با اين موضوع داشتهاند. براي آنها واژه <هوش مصنوعي> براي هميشه توسط نسل پيشينِ محققاني كه فناوري و افسانه يكتايي را بيمنطق جلوه ميدادند، لوث شده است. براي آنها مطالعه هوش مصنوعي يادگاري است از دوران گذشته كه با تحقيق بدون همت و بلندپروازي و صرفاً هدفگرا، جايگزين شده است. اكنون بخشهايي از تحقيقات به عمل آمده در زمينه هوش مصنوعي در هر چيزي، از سيستم محاسبه اعتبار بانكي و دوربينهاي خودكار با زوم كنترلدار گرفته تا تشخيص پلاك در دوربينهاي كنترل سرعت و سيستم هدايت فضاپيماها استفاده مي شوند.فلسفه هوش مصنوعي از خيلي جهات به اندازه كامپيوتر و فلسفه محاسبات قديمي اعتبار دارد. هدف از ساخت كامپيوتر در وهله اول، انجام عملياتهاي پيچيده رياضي مانند شكستن كد (Code Breaking) بوده است. اين اتفاق در سال 1950 توسط Alan Turing، رمزياب مشهور جنگ جهاني دوم، رياضيدان، و احتمالاً مخترع كامپيوترهاي اوليه انجام شد. او يك آزمايش را فرمولبندي كرد كه بعدها معياري براي اندازهگيري هوش تمام برنامههاي كامپيوتري شد (آزمايش تورينگ در كادر پايين صفحه آمده است) و حتي در زمان تورينگ كامپيوترها در انجام بعضي از امور از انسانها پيشي گرفتند و همانطور كه John Von Neuman، يكي از پدران انقلاب كامپيوتر، در سال 1948 مي گويد، <شما اصرار داريد كه چيزي وجود دارد كه يك ماشين نمي تواند انجام دهد. اگر دقيقاً به من بگوييد كه آن چيست كه ماشين از عهده آن برنميآيد، من ماشيني خواهم ساخت كه آن كار را براي شما انجام دهد.> اين به نظر موضوعي بود كه قبل از اينكه كامپيوترها در كارهاي فكري از انسانها پيشي بگيرند، مورد بحث آن روزگار بوده است.اما بسياري از دانشمندان و فيلسوفان در اين ايده و انديشه دچار ترديد بودهاند. آنها مدعي بودند كه يك چيز وابسته به خوي انساني وجود دارد كه يك كامپيوتر هرگز نميتواند به آن دست يابد. در ابتدا اين استدلالها حول مشخصههايي نظير هوشياري و خودآگاهي تمركز داشت. اما عدم توافق بر اينكه اين مشخصهها دقيقاً چه معنايي دارند و ما چگونه ميتوانيم آنها را تست كنيم، مانع پيشرفت واقعي اين مباحث شد. بعضيها تصديق كردند كه كامپيوترها ميتوانند باهوش شوند، اما نميتوان بعضي از مشخصههاي انساني نظير دلسوزي يا معرفت را ايجاد كرد؛ چرا كه منحصر به انسان و نتيجه پرورشاحساس و تجربه هستند. تعريفي كه فلاسفه نيز از هوش بيان مي كردند، با تناقضات و مغايراتي همراه بود كه اين عدم توافق تا امروز باقي مانده است.اكثر محققان در تعريف خود از هوش مصنوعي يك نكته را به عنوان هدف مورد توجه قرار دادهاند: ماشيني را ميتوان بر اساس رفتارهايش هوشمند ناميد كه مانند انسان مسئول آن رفتارها باشد. بعضيهاي ديگر اين تعريف را به شكل ديگري بسط دادهاند. اجتماع مورچهها و سيستم ايمني بدن نيز رفتارهاي هوشمندانهاي دارند كه كاملاً رفتارهاي غيرانساني هستند. اما درگيرشدن در چنين بحثهايي همان مشكلاتي را ايجاد ميكرد كه ساليان دراز بلاي جان هوش مصنوعي شده بود. آزمايش Turing يك معيار عقلاني و منطقي است. ما زماني يك ماشين را با هوش ميناميم كه بتوانيم با آن حرف بزنيم؛ بدون اينكه بفهميم واقعاً يك ماشين است. حال آنكه برنامههايي نظير اينتليبادي به وضوح در اين زمينه ناتوانند.اينتليبادي يكي از جديدترين چتباتها است. در سال 1996، Joseph Weizenbaum محقق علوم كامپيوتري در انستيتيوي فناوري ماساچوست، اولين چتبات را با نام Eliza After Eliza Doolitle ساخت. اين نام مربوط به شخصيت داستان Pygmalion پادشاه يوناني اثر جورج برنارد شاو نمايشنامهنويس ايرلندي است. اليزا ياد گرفته بود كه مانند افراد طبقات بالاي جامعه انگليس صحبت كند. برنامه طوري طراحي شده بود كه بتواند مكالمات يك روانپزشك را با بيمارش به وسيله يك سري ترفند بديع، تقليد كند. اليزا گفتههاي بيمار را به عبارات سؤالي تغيير ميداد و از شخص سؤال ميپرسيد. براي مثال:بيمار: من مي خواهم گريه كنم.اليزا: چرا مي گويي كه ميخواهي گريه كني؟- چون مادرم از من متنفر است. - چه اشخاص ديگري در خانوادهات از تو متنفرند؟ و به اين صورت ادامه پيدا ميكند.اليزا به نحوي برنامهريزي شده بود كه عبارات كليدي جملههاي شخص مخاطب را پيدا كند و با درك منظور مخاطب، آنها را به جملات ديگري تغيير دهد. ايده صحبتكردن با كامپيوتر، انسانها را متحير كرده بود و حتي شواهدي در دست است كه نشان ميدهد بعضيها با اليزا وابستگي عاطفي برقرار كرده بودند.موفقيت حاصله، بسياري را به اين مسئله خوشبين كرد كه به وسيله برخي تئوريهاي عظيم مربوط به مغز انسان، راهكاري براي به وجود آمدن هوش مصنوعي پيدا شده است. در فيلم اديسه فضايي، اثر كلاسيك و مشهور استنلي كوبريك در سال 1968، Computer HAL بخشي از بحثها و ترسهايي را به نمايش كشيد كه در اين زمينه وجود داشت.با توجه به اين پيشينه وزارت تجارت بينالملل و صنعت ژاپن در سال 1982 يك پروژه با نام نسل پنجم سيستمهاي كامپيوتري را، به منظور ارتقاي همگام كامپيوترها، هم در زمينه محاسبات و هم در زمينه هوش مصنوعي در سطوح جديد به مرحله اجرا در آورد. مقياس و بلندپروازي پروژه بينظير بود كه در نتيجه اين ترس را در غرب به وجود آورد كه ژاپن نهايتاً در صنعت كامپيوتر نيز مانند صنايع الكترونيك و خودرو به برتري و حكمفرمايي خواهد رسيد. اگر آنها موفق به ساخت ماشين هوشمند ميشدند، ديگر كسي نميتوانست بگويد كه ژاپن قادر به انجام چه كارهايي ميشد.در نتيجه، اقدام ژاپن منجر به يك جنگ ميان ايالاتمتحده و اين كشور براي به دست آوردن برتري در زمينه هوش مصنوعي شد. ديوان عدالت ايالات متحده قانوني را تصويب كرد كه طي آن قانون انحصار كالا و سرويس به گونهاي لغو شد كه دست بعضي از شركتهاي بزرگ ايالات متحده مانند كداك و موتورولا را براي رقابت با تلاشهاي تحقيقاتي ژاپن باز ميگذاشت. به دنبال آن، شركتي به نام Microelectronic and computer technology) MCC)تأسيس شد و از Doug lenat، محقق كامپيوتر در دانشگاه استنفورد، خواسته شد هدايت آن را به عهده بگيرد. اما جريان پيشرفت كار به طور مأيوسكنندهاي آرام به جلو ميرفت و همانطور كه آرزوهاي رسيدن به هدف با شكست مواجه ميشد، يك نفاق و دودستگي در بين گروههاي درگير با ديدگاههاي مختلف به وجود ميآمد. در يك طرف افرادي اعتقاد داشتند كه راهكار هوشمندسازي در استدلال سمبليك خلاصه ميشود. يك ديدگاه رياضي كه در آن ايدهها و مفاهيم با سمبلهايي نظير لغات، عبارات يا جملههايي بيان ميشود كه در نهايت توسط قوانين منطقي مورد استفاده قرار ميگيرند. با دادن اطلاعات كافي اميد ميرفت سيستم استدلال سمبليك به يك سيستم هوشمند تبديل شود. اين ديدگاه براي خيلي از محققان خوشايند به نظر ميرسيد؛ زيرا ممكن بود مدارك جامعي در اين زمينه به دست آيد كه نهايتاً بعضي از شاخههاي هوش مصنوعي از قبيل پردازش زبان و بينايي ماشين را دچار دگرگوني كند.يك پايان بداما در اوايل دهه 1990 معلوم شد كه پروژه هوشمصنوعي ژاپنيها با پيشرفت رو به جلويي همراه نبوده است. اوضاع در ايالات متحده نيز تعريفي نداشت. اكثر پروژهها راكد مانده بود و كمكهاي مالي نيز قطع شده بود. شكستهاي مكرر در زمينه برنامههاي كامپيوتري كه به سيستمهاي خبره (برنامههايي كه با توجه به اطلاعات ويژه تعريفشده از سوي كاربر براي پاسخ به درخواستها از استنتاج منطقي استفاده ميكنند معروف بودند)، باعث به وجود آمدن سرخوردگي ديدگاه استدلال سمبوليك شد. خيليها معتقد بودند كه مغز انسان به وضوح به نحو ديگري عمل ميكند كه اين موضوع در ديدگاههاي ديگري نظير شبكههاي عصبي مصنوعي كه به شكلي بدوي فعاليت نورونها در مغز انسان را شبيهسازي ميكرد يا الگوريتمهاي ژنتيكي كه وراثت ژنتيكي و تناسب فيزيكي را تقليد ميكردند، اشتياقي تازه به وجود آورد.شبكههاي عصبي يك شروع اميدواركننده داشتند و اكنون نيز در هر چيزي، از بازيهاي كامپيوتري گرفته تا سيستمهاي DNA Sequencing استفاده ميشوند. اين اميد وجود داشت كه با ايجاد يك پيچيدگي كافي آنها بتوانند رفتارهاي هوشمندانهاي را ارائه دهند. اما اين اميد نيز به يأس تبديل شد؛ زيرا هرچند كه شبكههاي عصبي قابليت درس گرفتن از اشتباهاتشان را داشتند، اما تمام مدلهاي موجود در راه رسيدن به يك حافظه طولاني مدت با شكست روبهرو شده بودند. زمستان هوش مصنوعي از راه رسيده بود و سرمايه تحقيقات به سختي تأمين ميشد. در نتيجه خيلي از محققان توجه خود را به مشكلات محسوسي نظير تشخيص گفتار و Automatic planning كه اهداف تعريفشدهِ مشخصتري داشتند، معطوف كردند؛ رسيدن به نتيجه در اين زمينهها آسانتر به نظر ميرسيد. در نتيجه هوش مصنوعي به شاخههاي متعددي تقسيم شد. در واقع در همين زمان هوش مصنوعي به عنوان يك ماهيت واحد (با آن تصور اوليه كه از آن وجود داشت) مفهوم خود را از دست داد.اما اين تجزيه و فروپاشي محاسني را نيز در برداشت. از جمله به محققان امكان داد فعاليتهاي بيشتر و دقيقتري را براي حل بعضي مشكلات خاص انجام دهند. براي مثال، بينايي كامپيوتر (Computer Vision) اكنون يك زمينه علمي با بحثها و مجلات تخصصي مربوط به آن به شمار ميرود. Tom Mitchell، متخصص هوش مصنوعي در دانشگاه Carnegie Mellon در پيتسبورگ، پنسيلوانيا ميگويد: <افرادي وجود دارند كه تمام دوران كاري خود را به اين مشكل اختصاص ميدهند و هيچ وقت به ديگر قطعات اين معما توجهي نميكنند>. چنين وضعيتي در سيستمهاي تشخيص گفتار، آناليز متن و كنترل روبات نيز وجود دارد.يك حس عام سادهبا اين همه Lenat تسليم نشد. او همچنان به عنوان يك محقق براي ساخت يك پايگاه اطلاعاتي از دانش منطقي كه معتقد بود ميتواند كليد شانس هوشمصنوعي باشد، فعاليت ميكرد. وي در سال 1994 پس از آنكه سرمايهMCC به اتمام رسيد، تصميم گرفت هدايت يك شركت به نام Cycrop در تگزاس را به عهده بگيرد و فعاليت خود را براي گسترش سيستم هوش مصنوعي كه آن را Cyc ناميده بود، ادامه دهد.فلسفه Cyc اين بود كه ميتوانست براي مثال در جمله تشخيص دهد كه Pen يك وسيله كوچك براي نوشتن است و در جمله كلمه Pen به معناي يك آغل بزرگ است. Lenat با مثالهاي ساده نشان ميداد كه چگونه چنين تمايزات منطقياي ميتواند وجود داشته باشد. در تشخيص گفتار براي متمايز كردن دو جمله گفته شده: و كه از نظر تلفظ بسيار مشابهند، بهترين راه، آناليز زمينه مكالمه و دريافت معاني است تا اينكه فقط با نگاه به دو كلمه Hired و Fired فرق آنها را تشخيص دهيم. Lenat ميگويد: انسان هرگز با چنين مشكلاتي مواجه نميشود، اما ممكن است كامپيوتر به آساني گيج شود. هيچ عرصهاي از هوش مصنوعي وجود ندارد كه منفعتي به همراه نداشته باشد و اين قابليت استفاده و عدم قابليت استفاده است كه تفاوتها را نشان ميدهد.Cyc طوري طراحي شده است كه ميتواند با دقت بسيار زياد هر حقيقتي را به حقايق ديگر پايگاه اطلاعاتيش مربوط سازد. براي مثال، Cyc ميفهمد كه در جمله <هر ژاپني يك نخستوزير دارد> فقط يك نخستوزير موجود است. در صورتي كه در جمله <هر ژاپني يك مادر دارد> ميليونها مادر وجود دارند. دانش Cyc به صورت بخشهاي منطقي ذخيره ميشود كه ميتواند حقيقتهايي را كه قبلاً ياد گرفته است، اظهار نمايد. اين، بر اساس استدلال سمبليك كه در اواسط دهه 1990 با شكست مواجه شده بود، پايهگذاري شده است.اما Lenat و تيمش يك حركت رو به جلو را از آن زمان به بعد آغاز كردند. چيز عجيبي كه درباره Cyc وجود داشت اين بود كه هرچه دانستههاي آن بيشتر ميشد، توانايي يادگيري و درك آن نيز بالاتر ميرفت. به اين معني كه هرچه ميزان اطلاعات داده شده به آن بيشتر ميشود، قابليت درك حقايق نيز برايش بيشتر ميشود و هر حقيقت جديدي كه عقلاني به نظر برسد، جمع آوري ميكند و به پايگاه اطلاعاتيش ارجاع ميدهد. Lenat اظهار ميكند كه سرعت يادگيري سيستم بستگي به حجم آگاهي آن نسبت به بديهيات دنياي پيرامونش دارد. اما عملكرد بدِ هوش مصنوعي موجود، به دليل نبودن چنين دركي از بديهيات دنيا است. چيزي كه در مورد سيستمهاي هوش مصنوعي امروزي تقريباً نزديك به صفر است. يكي از خصوصيات بارز و قابل اهميت Cyc، قابليت استنباط در مورد مسائلي است كه به طور مستقيم ياد نگرفته است. براي مثال Cyc ميتواند بگويد كه آيا دو حيوان مختلف به هم مربوطند يا خير؛ بدون اينكه اطلاعات واضحي از ارتباط بين هر حيوان با حيوانات ديگر به آن داده شده باشد. به جاي آن، داراي يك سري مجموعه اطلاعاتي از سيستم Linaean است كه به گروهبندي حيوانات و گياهان مربوط ميشود. در نتيجه Cyc با استفاده از استدلال منطقي، ميتواند جواب سؤال را پيدا كند.Cyc اكنون داراي سه ميليون از اين گونه مجموعههاي اطلاعاتي است. اما تعداد اين مجموعهها نكته قابلتوجهي نيست. Lenat ميگويد: ما سعي نميكنيم تعداد اين مجموعهها را افزايش دهيم. به عبارت ديگر، او ميخواهد آنها را به حداقل برساند تا بدينوسيله به Cyc اجازه داده شود خودش دادهها را جمع آوري كند. او ميگويد كه Cyc تقريباً به اين هدف نزديك شده است و به اندازه كافي پيشرفته است كه بتواند خودش از هر ورودي پرسوجو به عمل آورد و از اپراتور انساني درباره معاني واقعي اين دادهها سؤال بپرسد.امسال در پارهاي از مواقع Cyc را در اينترنت در دسترس عموم قرار دادند تا ميليونها نفر بتوانند در اين سرمايهگذاري دانش شركت كنند. بدينصورت كه مردم سؤالاتي ازآن بپرسند و اگر Cyc جواب اشتباه داد، آن را اصلاح كنند. با اين روش، هر فرد عادي ميتواند دانش جديدي را به Cyc منتقل كند. Lenat تصور ميكند روزي Cycخواهد توانست به وبكمها و ديگر محيطهاي Sensor Monitoring در سرتاسر جهان متصل شود تا Cyc بتواند به هر اندازه كه قادر است، دانش خود را افزايش دهد.استفادهكنندهها بايد اين انتظار را داشته باشند كه Cyc نتواند در پارهاي از موارد جوابگوي آنها باشد؛ زيرا Cyc هنوز اين حضورذهن را ندارد كه بتواند به تمام سؤالات افراد پاسخ دهد. اما با تلاشهاي بسياري كه صورت ميگيرد، انتظار ميرود سه تا پنج سال ديگر Cyc توان پاسخ به تمام سؤالهاي استفادهكنندهها را داشته باشد. Lenat تعهد كرده است كه دسترسي به Cyc را براي افرادي كه درباره سيستمهاي هوشمصنوعي فعاليت ميكنند، آزاد بگذارد تا آنها بتوانند از Cyc براي تكميل و پيشبرد موجوديِ دانش عام سيستمهاي خود بهرهبرداري كنند.Lenat خوشبين است كه Cyc مي تواند علاقه از بين رفته در زمينه هوش مصنوعي را در سرتاسر دنيا دوباره زنده كند. در ژاپن، اروپا و ايالاتمتحده پروژههاي هوشمصنوعي با حمايتهاي مالي خوب، اهداف عالي و با نگاه جدي به آينده دوباره در حال شكل گرفتن است. اطمينان مجدد توسط نسل جديد سيستمهايي كه توانايي رويايي با ترديدها را دارند حاصل خواهد شد؛ مسئلهاي كه بشر مشكل چنداني با آن نداشته است، اما تاكنون بسياري از برنامههاي كامپيوتري را متوقف ساخته است.براي مقابله با ترديدهاي موجود در دنياي واقعي، در برنامههاي جديد از يك سري تكنيك منطق آماري استفاده ميشود. براي مثال، يك روبات ممكن است فاصلهاش را با يك ديوار اندازه بگيرد، حركت كند و اندازهگيري مجدد را انجام دهد. آيا روبات همان ديوار را ميبيند يا يك ديوار جديد را؟ در اين مرحله روبات نميتواند پاسخگوي اين سؤال باشد. بنابراين به هر انتخاب، يك احتمال اختصاص ميدهد. سپس اندازهگيريهاي مجددي را با اختصاص احتمالهاي ديگر انجام ميدهد. اين فرايند نهايتاً به يك جواب ختم ميشود و آن اين كه، روبات ميتواند يك نقشه از اتاق را مجسم كند. در عمل، اين سيستمها در اكثر مواقع كار ميكنند، اما ترس واقعي از اين است كه تعداد اين محاسبات به قدري زياد شود كه انجام آن خارج از توان روبات باشد وآن را به طور نااميدكنندهاي گيج كند. يافتن راهكارهاي مناسب در اين باره يكي از داغترين مباحث تحقيق به شمار ميآيد.سيستمهايي كه از تكنيكهاي رياضي معروف به استنتاج Bayes (رياضيدان انگليسي) استفاده ميكنند، توانستهاند سطح كارايي بسياري از برنامههاي هوش مصنوعي را كه در دنياي واقعي كاربرد دارند، ارتقا دهند. دستيار آشناي مايكروسافت آفيس كه به صورت گيره كاغذ در اكثر برنامههايش نمايش داده ميشود، بر اساس سيستمهاي استنتاج Bayes كه به برنامههاي الگوشناسي معروفند، كار ميكنند و ميتوانند متنها را بخوانند يا اثر انگشت يا رنگ چشم افراد مختلف را شناسايي كنند.فعاليتهاي ديگري كه در زمينه هوشمصنوعي صورت گرفته منجر به توليد برنامههاي تخصصياي شده است كه ميتوانند بازيهايي نظير شطرنج را به بهترين نحو انجام دهند و به ندرت شكست بخورند.اما مشكلات همچنان پا برجاست. سيستمهاي تشخيص صدا فقط در شرايط ايدهآل، يعني زماني كه هيچ صداي پس زمينهاي وجود نداشته باشد، ميتوانند به درستي عمل كنند. در غير اين صورت، دقت آنها محدود خواهد بود. برنامههاي شطرنج موجود، تنها به اين خاطر ميتوانند حريفهاي انساني خود را شكست دهند كه حركات ممكن را به صورت يك درخت مجسم ميكنند و با استفاده از فرصتي كه در اختيار دارند، توالي حركات را ارزيابي ميكنند و حركتي را انجام ميدهند كه احتمال مات كردن حريف را بيشتر ميكند، در بازي GO (يك بازي ژاپني كه روي صفحه مشبك با نوزده خانه افقي و نوزده خانه عمودي انجام ميشود)، ارزيابي شرايط بازي براي كامپيوتر سختتر است و بازيكناني كه كمي باهوش باشند، ميتوانند اين برنامههاي قوي كامپيوتري را مغلوب كنند. روباتها براي عبور از موانعي كه يك بچه پنج ساله آن را با سرعت انجام ميدهد، مشكل دارند و اينتليبادي ماشيني كه ميتواند تعامل داشته باشد، ماشيني كه آنچه را شما ميگوييد ميفهمد و واكنش نشان ميدهد، هنوز راه زيادي براي رسيدن به مقصود پيش رو دارد.
انسان و ماشین در 2029 شانه به شانه می شوند بي بي سي چهارشنبه 1 اسفند 1386 یک مبتکر مطرح آمریکایی پیش بینی کرده سطح هوش مصنوعی ماشین در سال 2029 با انسان برابری خواهد کرد. ری کورزویل، مهندس و مبدع سرشناس آمریکایی می گوید انسان در آستانه پیشرفت به سویی است که بتواند روبوت های ریزی را در مغز انسان جاسازی کند و آنها را از این راه هوشمندتر کند. به گفته مهندس کورزویل انسان و ماشین نهایتا از طریق ابزار کوچکی که در بدن انسان جاسازی می شود با هم یکی می شوند.وی گفت: " اگرچه ماشین به بخشی از تمدن ما تبدیل شده اما این امر به اشغال جای انسان توسط ماشین تبدیل نخواهد شد. ماشین همین امروز نیز کارهای بسیاری را در ابعاد گوناگون مانند انسان یا بهتر از او انجام می دهد."انسان در برابر ماشیناین مبتکر آمریکایی می گوید: " من صریحا گفته ام که تا سال 2029 ماشین در زمینه نرم افزار و سخت افزار از نظر هوش مصنوعی هم توان با انسان خواهد بود و این هم توانی طیف وسیعی از هوش انسانی از جمله هوش عاطفی او را در بر خواهد گرفت." " ما در حال حاضر نیز دارای تمدن انسانی ماشینی هستیم. ما تکنولوژی را برای توسعه افق فیزیکی و ذهنی خود به کار می گیریم و این کار در آینده گسترش بیشتری پیدا خواهد کرد." آقای کورزویل به شبکه خبری بی بی سی گفت: "در آینده نانوبوت های هوشمند در مغز ما جای خواهد گرفت و با نورون های مغزی ما ارتباط مستقیم برقرار خواهند کرد." به گفته وی نانوبوت ها انسان را"باهوش تر"می کنند و باعث می شوند "حافظه انسان کارکرد بهتری داشته باشد."آقای کورزویل یکی از 18 متفکری است که توسط آکادمی ملی مهندسی آمریکا برای تشخیص بزرگترین چالش های تکنولوژیک پیش روی انسان در قرن 21 انتخاب شده است. در میان این متخصصان، لری پیج، بنیان گذار گوگل و دکتر کرگ ونتر، دانشمند پیشرو در مطالعه ژنوم نیز حاضرند.
پايگاه دانش يك سيستم خبره از هر دو نوع دانش مبتني بر حقايق (factual) و نيز دانش غيرقطعي (heuristic) استفاده ميكند. Factual knowledge، دانش حقيقي يا قطعي نوعي از دانش است كه ميتوان آن را در حيطههاي مختلف به اشتراك گذاشت و تعميم داد؛ چراكه درستي آن قطعي است. در سوي ديگر، Heuristic knowledge قرار دارد كه غيرقطعيتر و بيشتر مبتني بر برداشتهاي شخصي است. هرچه حدسها يا دانش هيورستيك يك سيستم خبره بهتر باشد، سطح خبرگي آن بيشتر خواهد بود و در شرايط ويژه، تصميمات بهتري اتخاذ خواهد كرد. دانش مبتني بر ساختار Heuristic در سيستمهاي خبره اهميت زيادي دارد اين نوع دانش ميتواند به تسريع فرآيند حل يك مسئله كمك كند.
Backward chaining is the goal-driven reasoning. In backward chaining, an expert system has the goal (a hypothetical solution) and the inference engine attempts to find the evidence to prove it. First, the knowledge base is searched to find rules that might have the desired solution. Such rules must have the goal in their THEN (action) parts. If such a rule is found and its IF (condition) part matches data in the database, then the rule is fired and the goal is proved. However, this is rarely the case.Thus the inference engine puts aside the rule it is working with (the rule is said to stack) and sets up a new goal, a subgoal, to prove the IF part of this rule. Then the knowledge base is searched again for rules that can prove the subgoal. The inference engine repeats the process of stacking the rules until no rules are found in the knowledge base to prove the current subgoal.
شايد يكي از جالبترين كاربردهاي منطق فازي هوش مصنوعي در بازيهاي رايانهاي و جلوههاي ويژه سينمايي باشد. نرمافزار Massive . از اين نرمافزار در بسياري از صحنههاي فيلم براي توليد حركات لشكر موجودات متخاصم استفاده شده بود. شكل 5در اين برنامه متخصصان كامپيوتر و انيميشن ابتدا موجوداتي را به صورت الگو ايجاد كرده بودند و سپس به كمك منطق فازي مصداقهايي تصادفي از اين موجودات خيالي پديدآورده بودند كه حركات تصادفي - اما از پيش تعريف شدهاي - در اعضاي بدن خود داشتند. اين موجودات در حقيقت داراي نوعي هوش مصنوعي بودند و ميتوانستند براي نحوه حركت دادن اعضاي بدن خود تصميم بگيرند. در عين حال تمام موجوداتي كه در يك لشكر به سويي ميتاختند يا با دشمني ميجنگيدند، از جهت حركت يكساني برخودار بودند و به سوي يك هدف مشخص حمله ميكردند(شكل5). اين ساختار كاملاً پيچيده و هوشمند به فيلمسازان اجازه داده بود كه اين موجودات افسانهاي را در دنياي مجازي كامپيوتر به حال خود رها كنند تا به سوي دشمنان حمله كنند و اين همه بيترديد بدون بهرهگيري از منطق فازي امكانپذير نبود. شركت Massive Software كه به دليل بهكارگيري منطق فازي براي ايجاد هوشمصنوعي در طراحي لشكريان فيلم ارباب حلقهها برنده جايزه اسكار شد، بعداً اين تكنيك را در فيلمهاي ديگري همچون I.Robot و King Kong نيز بهكار برد.
در ساليان اخير شاهد حرکتي مستمر از تحقيقات صرفا تئوري به تحقيقات کاربردي بخصوص در زمينه پردازشاطلاعات ، براي مسائلي که براي آنها راه حلي موجود نيست و يا براحتي قابل حل نيستند بوده ايم . با عنايت به اين امر ،علاقه اي فزاينده اي در توسعه تئوريکي سيستمهاي ديناميکي هوشمند مدل آزاد [ ٢]-که مبتني بر داده هاي تجربيها جزء اين دسته از سيستمهاي مکانيکي قرار دارند که با پردازش روي داده هاي تجربي ANN . ميباشند – ايجاد شده است، دانش يا قانون نهفته در وراي داده ها را به ساختار شبکه منتقل ميکنند .به همين خاطر به اين سيستمها هوشمند گفتهميشود ، زيرا بر اساس محاسبات روي داده هاي عددي يا مثالها ، قوانين کلي را فرا ميگيرند .اين سيستمها در مدلسازيساختار نرو-سيناپتيکي[ ٣] مغز بشر ميکوشند.ها در مدلسازي مغز بشر ميکوشند " اغراق آميز ميباشد .دانشمندان هرچه بيشتر در مورد ANN " البته اين سخن کهمغز بشر تحقيق ميکنند و مي آموزند ، بيشتر در مي يابند که مغز بشر دست نيافتني است .در حقيقت در مورد مغز و ساختارسيستم عصبي انسان اطلاعات زيادي بدست آمده است . ولي پياده سازي ساختاري با پيچيدگي مغز انسان بر اساساطلاعاتي و تکنولوژي که امروزه وجود دارد غير ممکن ميباشد.ما ميتوانيم يک نرون عصبي انسان و عملکرد آنرا را توسط مدل هاي رياضي ، مدلسازي کنيم .شکل ١ ساختار يکنرون طبيعي را نشان ميدهد.معرفي شبکه هاي عصبي مصنوعيمعرفي شبکه هاي عصبي مصنوعي http://www.irandoc.ac.ir/Data/E_J/vol6/shahamiri.htm 2006/10/18شکل ١ - ساختار نرون طبيعي انسانهر نرون طبيعي از سه قسمت اصلي تشکيل شده است :بدنه سلول (Soma) .١دندريت (Dendrite) .٢اکسون (Axon) .٣دندريتها به عنوان مناطق دريافت سيگنالهاي الکتريکي ، شبکه هايي تشکيل يافته از فيبرهاي سلولي هستند کهداراي سطح نامنظم و شاخه هاي انشعابي بيشمار ميباشند .دندريتها سيگنالهاي الکتريکي را به هسته سلول منتقلميکنند. بدنه سلول انرژي لازم را براي فعاليت نرون فراهم کرده و برروي سيگنالهاي دريافتي عمل ميکند ، که با يک عملساده جمع و مقايسه با يک سطح آستانه مدل ميگردد . اکسون بر خلاف دندريتها از سطحي هموارتر و تعداد شاخه هايکمتري برخوردار ميباشد . اکسون طول بيشتري دارد و سيگنالهاي الکتروشيميايي دريافتي از هسته سلول را به نرونهاي ديگرمنتقل ميکند.محل تلاقي يک اکسون از يک سلول به دندريتهاي سلولهاي ديگر را سيناپس ميگويند .توسط سيناپسهاارتباطات مابين نرونها برقرار ميشود.به فضاي مابين اکسون و دندريتها فضاي سيناپسي گويند.در حقيقت دندريتها به عنوان ورودي نرون و اکسون به عنوان خروجي و فضاي سيناپسي محل اتصال ايندو ميباشد.زمانيکه سيگنال عصبي از اکسون به نرونها و يا عناصر ديگر بدن مثل ماهيچه ها ميرسد ، باعث تحريک آنها ميشود.نرونها از هريک از اتصالات ورودي خود يک ولتاژ کم دريافت ميکند ( توسط سيگنال عصبي ورودي ) و آنها را با همجمع ميزند . اگر اين حاصل جمع به يک مقدار آستانه رسيد اصطلاحا نرون آتش ميکند و روي اکسون خود يک ولتاژ خروجيارسال ميکند که اين ولتاژ به دندريتهايي که به اين اکسون متصلند رسيده و باعث يکسري فعل و انفعالهاي شيميايي دراتصالات سيناپسي ميشود و ميتواند باعث آتش کردن نرونهاي ديگر شود . تمامي فعاليتهاي مغزي انسان توسط همين اتشکردنها انجام ميشود.حافظه کوتاه مدت انسان جرقه هاي لحظه اي الکتريکي ميباشند و حافظه بلند مدت به صورت تغييراتالکتروشيميايي در اتصالات سيناپسي ذخيره ميشود که عمدتا منجر به تغيير يونها ميشود.همانگونه که گفته شد ما ميتوانيم توسط مفاهيم رياضي يک نرون طبيعي را مدل کنيم.شکل ٢ يک نرون عصبيمصنوعي را نشان ميدهد.شکل ٢ ساختار يک نرون مصنوعيمعرفي شبکه هاي عصبي مصنوعي http://www.irandoc.ac.ir/Data/E_J/vol6/shahamiri.htm 2006/10/18سيگنالهاي ورودي تا معادل سيگنالهاي عصبي ورودي و وزنهاي تا معادل مقادير اتصالاتسيناپسي وروديهاي نرون ميباشند که جمعا ورودي نرون را تشکيل داده است.[ تابع جمع کننده (فشرده تمامي عمليات هسته سلول را انجام ميدهد .در مورد تابع فعال سازي [ ٤سازي[ ٥] ) صحبت خواهد شد.خروجي نرون توسط تابع زير مشخص ميشود:به خصوصيات زير در مورد مغز انسان توجه کنيد :محاسبات کاملا به صورت توزيع شده وموازي انجام ميشود."يادگيري" جايگزين برنامه ريزي از قبل ميشود.حافظه و کنترل همگي در يک ساختار درهم تنيده شبکه اي از ، ALU . مشخص وجود ندارد ALU در مغز انسان يک ساختارتعداد بسيار زيادي نرون توزيع و پخش شده است.مغز انسان توسط يک پروسه يادگيري مي آموزد که در پاسخ به يک ورودي ، چه خروجي را توليد کرده و ارسال کند. اينها ،يعني تنظيم وزنهاي ANN فرآيند يادگيري در حقيقت توسط تنظيم اتصالات سيناپسي در نرونهاي طبيعي و معادل آنها درنرونهاي مصنوعي انجام ميشود. در حقيقت در طراحي يک نرون مصنوعي فقط کافيست وزنهاي را مشخص کنيم تاشبکه عصبي بتواند خروجي مورد نظر را از ورودي خاص توليد کند. متدهاي مختلف يادگيري وجود دارد که ميتواند بر اساسزوج مرتبهاي <خروجي، ورودي> مقدار وزنها را بدست آورد.ها پرداخت. ANN حال بر اساس مطالب گفته شده ميتوان به تعريفتعريف شبکه هاي عصبي مصنوعييک ساختار شبکه اي از تعدادي عناصر مرتبط به هم به نام نرون که هر نرون داراي وروديها و خروجيهايي است و يکعمل نسبتا ساده و محلي [ ٦] را انجام ميدهد .شبکه هاي عصبي عموما عملکرد خود را طي يک پروسه يادگيري [ ٧] فراميگيرد.
اشاره : شبكههاي عصبي را ميتوان با اغماض زياد، مدلهاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدلهاي الكترونيكي شبكههاي عصبي طبيعي نيز بر اساس همين الگو بنا شدهاند و روش برخورد چنين مدلهايي با مسائل، با روشهاي محاسباتي كه بهطور معمول توسط سيستمهاي كامپيوتري در پيش گرفته شدهاند، تفاوت دارد. ميدانيم كه حتي سادهترين مغزهاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كه كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل ميشوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونهاي از مواردي هستند كه روشهاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نميرسند. درحاليكه مغز سادهترين جانوران بهراحتي از عهده چنين مسائلي بر ميآيد. تصور عموم كارشناسان IT بر آن است كه مدلهاي جديد محاسباتي كه بر اساس شبكههاي عصبي بنا ميشوند، جهش بعدي صنعت IT را شكل ميدهند. تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگوها (pattern) ذخيره ميكند. فرآيند ذخيرهسازي اطلاعات بهصورت الگو و تجزيه و تحليل آن الگو، اساس روش نوين محاسباتي را تشكيل ميدهند. اين حوزه از دانش محاسباتي (computation) به هيچ وجه از روشهاي برنامهنويسي سنتي استفاده نميكند و بهجاي آن از شبكههاي بزرگي كه بهصورت موازي آرايش شدهاند و تعليم يافتهاند، بهره ميجويد. در ادامه اين نوشته به اين واژگان كه در گرايش شبكههاي عصبي، معاني ويژهاي دارند، بيشتر خواهيم پرداخت. شباهت با مغزاگرچه مكانيسمهاي دقيق كاركرد مغز انسان (يا حتي جانوران) بهطور كامل شناخته شده نيست، اما با اين وجود جنبههاي شناخته شدهاي نيز وجود دارند كه الهام بخش تئوري شبكههاي عصبي بودهاند. بهعنوان مثال، يكي ازسلولهاي عصبي، معروف به نرون (Neuron) است كه دانش بشري آن را بهعنوان سازنده اصلي مغز ميانگارد. سلولهاي عصبي قادرند تا با اتصال بهيكديگر تشكيل شبكههاي عظيم بدهند. گفته ميشود كه هر نرون ميتواند به هزار تا ده هزار نرون ديگر اتصال يابد (حتي در اين مورد عدد دويست هزار هم به عنوان يك حد بالايي ذكر شده است). قدرت خارقالعاده مغز انسان از تعداد بسيار زياد نرونها و ارتباطات بين آنها ناشي ميشود. ساختمان هر يك از نرونها نيز بهتنهايي بسيار پيچيده است. هر نرون از بخشها و زيرسيستمهاي زيادي تشكيل شده است كه از مكانيسمهاي كنترلي پيچيدهاي استفاده ميكنند. سلولهاي عصبي ميتوانند از طريق مكانيسمهاي الكتروشيميايي اطلاعات را انتقال دهند. برحسب مكانيسمهاي بهكاررفته در ساختار نرونها، آنها را به بيش از يكصدگونه متفاوت طبقهبندي ميكنند. در اصطلاح فني، نرونها و ارتباطات بين آنها، فرايند دودويي(Binary)، پايدار (Stable) يا همزمان (Synchronous) محسوب نميشوند. در واقع، شبكههاي عصبي شبيهسازي شده يا كامپيوتري، فقط قادرند تا بخش كوچكي از خصوصيات و ويژگيهاي شبكههاي عصبي بيولوژيك را شبيهسازي كنند. در حقيقت، از ديد يك مهندس نرمافزار، هدف از ايجاد يك شبكه عصبي نرمافزاري، بيش از آنكه شبيهسازي مغز انسان باشد، ايجاد مكانيسم ديگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكههاي بيولوژيك است. روش كار نرونهاشكل 1در شكل يك، نماي ساده شدهاي از ساختار يك نرون بيولوژيك نمايش داده شده است. بهطور خلاصه، يك نرون بيولوژيك، پس از دريافت سيگنالهاي ورودي (به شكل يك پالس الكتريكي) از سلولهاي ديگر، آن سيگنالها را با يكديگر تركيب كرده و پس از انجام يك عمل (operation) ديگر بر روي سيگنال تركيبي، آن را بهصورت خروجي ظاهر ميسازد. همانطور كه در تصوير مشاهده ميكنيد، نرونها از چهار بخش اصلي ساخته شدهاند. دندريتها (Dendrite)، سوما (Soma)، اكسان (Axon) و بالاخره، سيناپس (synapse) دندريتها، همان اجزايي هستند كه بهشكل رشتههاي طويل از مركز سلول به اطراف پراكنده ميشوند. دندريتها نقش كانالهاي ارتباطي را براي انتقالدادن سيگنالهاي الكتريكي به مركز سلول بر عهده دارند. در انتهاي دندريتها، ساختار بيولوژيكي ويژهاي بهنام سيناپس واقع شده است كه نقش دروازههاي اتصالي كانالهاي ارتباطي را ايفا ميكند. در واقع سيگنالهاي گوناگون از طريق سيناپسها و دندريتها به مركز سلول منتقل ميشوند و در آنجا با يكديگر تركيب ميشوند. عمل تركيب كه به آن اشاره كرديم، ميتواند يك عمل جمع جبري ساده باشد. اصولاً اگر چنين نيز نباشد، در مدلسازي رياضي ميتوان آنرا يك عمل جمع معمولي در نظر گرفت كه پس از آن تابع ويژهاي بر روي سيگنال اثر داده ميشود و خروجي به شكل سيگنال الكتريكي متفاوتي از طريق اكسان (و سيناپس آن) به سلولهاي ديگر انتقال داده ميشود. البته تحقيقات جديد نمايانگر اين واقعيت هستند كه نرونهاي بيولوژيك بسيار پيچيدهتر از مدل سادهاي هستند كه در بالا تشريح شد. اما همين مدل ساده ميتواند زيربناي مستحكمي براي دانش شبكههاي عصبي مصنوعي (Artificial Neural Network = ANN) تلقي گردد و متخصصان گرايش شبكههاي عصبي يا هوش مصنوعي ميتوانند با پيگيري كارهاي دانشمندان علوم زيستشناسي، به بنيانگذاري ساختارهاي مناسبتري در آينده دست بزنند. مدل رياضي در متون فني براي نمايش مدل سادهاي كه در بالا تشريح گرديد، بهطور معمول از شكلي مشابه شكل 2 استفاده ميشود. در اين شكل كلاسيك، از علامت p براي نشان دادن يك سيگنال ورودي استفاده ميشود. در واقع در اين مدل، يك سيگنال ورودي پس از تقويت (يا تضعيف) شدن به اندازه پارامتر w، بهصورت يك سيگنال الكتريكي با اندازه pw وارد نرون ميشود. بهجهات سادهسازي مدل رياضي، فرض ميشود كه در هسته سلول عصبي، سيگنال ورودي با سيگنال ديگري به اندازه b جمع ميگردد. در واقع سيگنال b خود به معني آن است كه سيگنالي به اندازه واحد در پارامتري مانند b ضرب (تقويت يا تضعيف) ميشود. مجموع حاصل، يعني سيگنالي به اندازه pw + b، قبل از خارج شدن از سلول تحت عمل يا فرآيند ديگري واقع ميشود كه در اصطلاح فني به آن تابع انتقال (Transfer Function) ميگويند. اين موضوع در شكل بهوسيله جعبهاي نمايش داده شده است كه روي آن علامت f قرار داده شده است. ورودي اين جعبه همان سيگنال pw + b است و خروجي آن يا همان خروجي سلول، با علامت a نشانه گذاري شده است. در رياضي، بخش آخر مدلسازي توسط رابطه (a = f(pw + b نمايش داده ميشود. پارامتر w يا همان ضريبي كه سيگنال ورودي p در آن ضرب ميشود، در اصطلاح رياضي به نام پارامتر وزن يا weight نيز گفته ميشود. شكل 2زمانيكه از كنار هم قرار دادن تعداد بسيار زيادي از سلولهاي فوق يك شبكه عصبي بزرگ ساخته شود، شبكهاي در دست خواهيم داشت كه رفتار آن علاوه بر تابع خروجي f، كاملاً به مقادير w و b وابسته خواهد بود. در چنين شبكه بزرگي، تعداد بسيار زيادي از پارامترهاي w و b بايد توسط طراح شبكه مقداردهي شوند. اين پروسه از كار، در اصطلاح دانش شبكههاي عصبي، به فرآيند يادگيري معروف است. در واقع در يك آزمايش واقعي، پس از آنكه سيگنالهاي ورودي چنين شبكه بزرگي اتصال داده شدند، طراح شبكه با اندازهگيري خروجي و با انتخاب پارامترهايw و b بهگونهاي كه خروجي مطلوب بهدست آيد، شبكه را <آموزش> ميدهد. به اين ترتيب پس از آنكه چنين شبكه به ازاي مجموعهاي از وروديها براي ساختن خروجيهاي مطلوب <آموزش> ديد، ميتوان از آن براي حل مسائلي كه از تركيب متفاوتي از وروديها ايجاد ميشوند، بهره برد. تابع f ميتواند بر حسب كاربردهاي گوناگون بهطور رياضي، به شكل هاي متفاوتي انتخاب شود. در برخي از كاربردها، پاسخ مسائل از نوع دودويي است. مثلاً مسأله بهگونهاي است كه خروجي شبكه عصبي بايد چيزي مانند <سياه> يا <سفيد> (يا <آري> يا <نه>) باشد. در واقع چنين مسائلي نياز به آن دارند كه وروديهاي دنياي واقعي به مقادير گسسته مانند مثال فوق تبديل شوند. حتي ميتوان حالاتي را در نظر گرفت كه خروجي دودويي نباشد، اما همچنان گسسته باشد. به عنوان مثال، شبكهاي را در نظر بگيريد كه خروجي آن بايد يكي از حروف الفبا، مثلاً از بين كاراكترهاي اسكي (يا حتي يكي از پنجاه هزار كلمه متداول زبان انگليسي) باشد. در چنين كاربردهايي، روش حل مسئله نميتواند صرفاً بر جمع جبري سيگنالهاي ورودي تكيه نمايد. در اين كاربردها، ويژگيهاي خواسته شده فوق، در تابع خروجي يا تابع انتقال f گنجانيده ميشوند. مثلاً اگر قرار باشد خروجي فقط يكي از مقادير صفر يا يك را شامل شود، در اين صورت ميتوان تابع خروجي شبكه عصبي را به شكل بخش a شكل شماره 3 انتخاب كرد. در اين حالت، خروجي چنين شبكهاي فقط ميتواند بر حسب وروديهاي متفاوت، مقدار يك يا صفر باشد. شكل 3در گروه ديگري از مسائلي كه حل آنها به شبكههاي عصبي واگذار ميشود، خروجي شبكه عصبي الزاماً بين مقادير معلوم و شناخته شده واقع نميشود. مسائلي از نوع شناسايي الگوهاي تصويري، نمونهاي از چنين مواردي محسوب ميشوند. شبكههاي عصبي در اين موارد، بايد بهگونهاي باشند كه قابليت توليد مجموعه نامتناهي از پاسخها را داشته باشند. رفتار حركتي يك روبات نمونهاي از <هوشي> است كه چنين شبكههاي عصبي ميتوانند فراهم آورند. اما در چنين شبكههايي هم لازم خواهد بود كه خروجي بين مقادير مشخصي محدود شده باشد (موضوع محدود شدن خروجي بين دو مقدار حدي ماكزيمم و مينيمم را در اينجا با موضوع قبلي اشتباه نگيريد. در اين مورد خروجي مسأله اساساً گسسته نيست و حتي در بين چنين مقادير حدي، ميتوان به تعداد نامتناهي خروجي دست يافت). اهميت اين موضوع زماني آشكار ميشود كه از مثال واقعي كمك گرفته شود. فرض كنيد قراراست از شبكه عصبي براي كنترل حركت بازوي يك روبات استفاده شود. در صورتيكه خروجي يك شبكه عصبي براي كنترل نيروي حركتي بهكار گرفته شود، طبيعي خواهد بود كه اگر خروجي شبكه محدود نشده باشد، ممكن است بازوي روبات بر اثر حركت بسيار سريع، به خود و يا محيط اطراف آسيب برساند. در چنين مواردي ممكن است از تابع انتقال بهشكل بخش b شكل شماره 3 استفاده شود. قبل از آنكه به بخش ديگري از موضوع شبكههاي عصبي بپردازيم، بايد يك نكته را يادآوري كنيم كه همانطور كه در ابتداي اين بخش تشريح شد، سلولهاي عصبي داراي وروديهاي متعددي هستند و خروجي آنها نيز الزاماً محدود به يك خروجي نيست. بر اين اساس زماني كه بخواهيم از مدلسازي رياضي براي مدل كردن يك سلول عصبي استفاده كنيم، بهجاي آنكه همانند شكل 2 از يك ورودي p و يك خروجي a استفاده كنيم، از يك بردار p و يك بردار a سخن ميگوييم. بدين ترتيب بدون آنكه نياز به اعمال تغييري در اين تصوير داشته باشيم، ميتوانيم از آن براي مدلسازي سلولي با n ورودي (p1,p2,p3 . . . pn) و به همين ترتيب m خروجي (a1,a2,am) استفاده كنيم. توجه داشته باشيد كه در اين صورت، تعداد عناصر b و w نيز به تناسب افزايش مييابند و هر يك به n عدد افزايش مييابند. پيادهسازيهاي الكترونيكي نرونهاي مصنوعيشكل 4نرمافزارهايي كه در آنها از شبكههاي عصبي استفاده شده است، نرونهاي شبكه را المان پردازنده (Processing element) مينامند. بهطور معمول در محصولات نرمافزاري، المانهاي پردازنده قابليت بسيار بيشتري از نمونه سادهشدهاي كه در بخشهاي پيشين تشريح كرديم، دارند. در شكل شماره 4، نمايي با جزئيات بيشتر از يك نرون مصنوعي را نشان ميدهد. در اين مدل، وروديها در نخستين گام، در ضريب وزني (weighting factor) متناظر خود ضرب ميشوند. در مرحله بعد، وروديهايي كه تغيير مقياس دادهاند وارد واحدي ميشوند كه در آن سيگنالهاي ورودي با هم تركيب ميشوند. بهطور معمول عمل تركيب در اين واحد همان عمل جمع جبري است، اما در اصول، ميتوان در اين واحد، وروديها را به روشهاي ديگري علاوه بر عمل جمع معمولي نيز با يكديگر تركيب كرد. مثلاً ميتوان بهجاي عمل جمع، از عمل متوسط گيري، انتخاب بزرگترين، انتخاب كوچكترين، عمل OR يا AND منطقي هم استفاده كرد. در واقع هدف نهايي در اين واحد آن است كه از تعداد n ورودي، يك سيگنال خروجي براي ارائه به بخشهاي بعدي فرايند، بهدست آيد. انتخاب نوع <عمل> در اين واحد، موضوع دقيقي است كه كاملاً به كاربرد مسأله وابسته است. شكل 4بهطور معمول در نرمافزارهاي تجاري، امكان انتخاب و حتي ساختن توابع گوناگون براي اين واحد، از طرف نرمافزار به كاربران داده ميشود. حتي ميتوان كاربردهايي يافت كه در آنها، عمل تركيب در اين واحد، وابسته به زمان باشد و در زمانهاي گوناگون پردازش مسأله، عمليات مختلفي براي تركيب كردن وروديها بهكار برده شوند. در هر صورت، پس از آنكه وروديها با يكديگر تركيب شدند، سيگنال حاصل به واحد ديگري كه در آن تابع انتقال يا Transfer Function به سيگنال اعمال ميشود، هدايت ميگردد. خروجي اين بخش، سيگنالهاي حقيقي خواهند بود. بدين ترتيب جعبهاي در دست خواهيم داشت كه تعداد n عدد سيگنال ورودي را به m عدد سيگنال خروجي تبديل ميكند. در عمل توابع انتقالي كه در بخش انتهايي نمودار شكل 4 بهكار برده ميشوند، معمولاً يكي از توابع سينوسي، تانژانت هذلولي، sigmoid و نظاير اينها است. در تصوير شماره 5، نمونهاي از يك تابع انتقال از نوع sigmoid نمايش داده شده است. همانطور كه در اين شكل مشاهده ميكنيد، اين تابع انتقال، سيگنال خروجي واحد تركيب را به سيگنال خروجي تبديل ميكند كه مقدار (يا اندازه آن) بين صفر و يك ميتواند باشد. در عمل، سيگنالِ خروجي يك المان پردازنده ميتواند برحسب نوع كاربرد، به المانهاي پردازشي ديگر و يا به اتصالات ديگر خارج از شبكه عصبي هدايت شود. در واقع تمامي شبكههاي عصبي بر اساس ساختار المانهاي پردازشي فوق كار ميكنند. در قسمت بعدي اين مقاله به تشريح عمليات در شبكههاي عصبي و آموزش اين شبكهها ميپردازيم.منابع:www.generation5.org/content/2000/nnintro.asphttp://cortex.snowseed.com/neuralnetworks.htmwww.cs.stir.ac.uk/lss/NNIntro/InvSlides.html:ARTIFICIAL NEURAL NETWORKS TECHNOLOGY byDave Anderson and George McNeill
سيگنالهاي ورودي تا معادل سيگنالهاي عصبي ورودي و وزنهاي تا معادل مقادير اتصالاتسيناپسي وروديهاي نرون ميباشند که جمعا ورودي نرون را تشکيل داده است.[ تابع جمع کننده (فشرده تمامي عمليات هسته سلول را انجام ميدهد .در مورد تابع فعال سازي [ ٤سازي[ ٥] ) صحبت خواهد شد.خروجي نرون توسط تابع زير مشخص ميشود:به خصوصيات زير در مورد مغز انسان توجه کنيد :محاسبات کاملا به صورت توزيع شده وموازي انجام ميشود."يادگيري" جايگزين برنامه ريزي از قبل ميشود.حافظه و کنترل همگي در يک ساختار درهم تنيده شبکه اي از ، ALU . مشخص وجود ندارد ALU در مغز انسان يک ساختارتعداد بسيار زيادي نرون توزيع و پخش شده است.مغز انسان توسط يک پروسه يادگيري مي آموزد که در پاسخ به يک ورودي ، چه خروجي را توليد کرده و ارسال کند. اينها ،يعني تنظيم وزنهاي ANN فرآيند يادگيري در حقيقت توسط تنظيم اتصالات سيناپسي در نرونهاي طبيعي و معادل آنها درنرونهاي مصنوعي انجام ميشود. در حقيقت در طراحي يک نرون مصنوعي فقط کافيست وزنهاي را مشخص کنيم تاشبکه عصبي بتواند خروجي مورد نظر را از ورودي خاص توليد کند. متدهاي مختلف يادگيري وجود دارد که ميتواند بر اساسزوج مرتبهاي <خروجي، ورودي> مقدار وزنها را بدست آورد.ها پرداخت. ANN حال بر اساس مطالب گفته شده ميتوان به تعريفتعريف شبکه هاي عصبي مصنوعييک ساختار شبکه اي از تعدادي عناصر مرتبط به هم به نام نرون که هر نرون داراي وروديها و خروجيهايي است و يکعمل نسبتا ساده و محلي [ ٦] را انجام ميدهد .شبکه هاي عصبي عموما عملکرد خود را طي يک پروسه يادگيري [ ٧] فراميگيرد.شبکه هاي عصبي کاربردهاي عمده اي در تشخيص الگو ، گروه بندي ، پيش بيني يا برون يابي و ... دارا ميباشد.
در دهه هفتاد میلادی دانشمندی از دانشگاه میشیگان به نام جان هلندایده استفاده از الگوریتم ژنتیک را در بهینهسازیهای مهندسی مطرح کرد. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژنهاست. فرض کنید مجموعه خصوصیات انسان توسط کروموزومهای او به نسل بعدی منتقل میشوند. هر ژن در این کروموزومها نماینده یک خصوصیت است. بعنوان مثال ژن 1 میتواند رنگ چشم باشد، ژن 2 طول قد، ژن 3 رنگ مو و الی آخر. حال اگر این کروموزوم به تمامی، به نسل بعد انتقال یابد، تمامی خصوصیات نسل بعدی شبیه به خصوصیات نسل قبل خواهد بود. بدیهیست که در عمل چنین اتفاقی رخ نمیدهد. در واقع بصورت همزمان دو اتفاق برای کروموزومها میافتد. اتفاق اول موتاسیون (Mutation) است. موتاسیون به این صورت است که بعضی ژنها بصورت کاملاً تصادفی تغییر میکنند. البته تعداد این گونه ژنها بسیار کم میباشد اما در هر حال این تغییر تصادفی همانگونه که پیشتر دیدیم بسیار مهم است. مثلاً ژن رنگ چشم میتواند بصورت تصادفی باعث شود تا در نسل بعدی یک نفر دارای چشمان سبز باشد. در حالی که تمامی نسل قبل دارای چشم قهوهای بودهاند. علاوه بر موتاسیون اتفاق دیگری که میافتد و البته این اتفاق به تعداد بسیار بیشتری نسبت به موتاسیون رخ میدهد چسبیدن ابتدای یک کروموزوم به انتهای یک کروموزوم دیگر است. این مسأله با نام Crossoverشناخته میشود. این همان چیزیست که مثلاً باعث میشود تا فرزند تعدادی از خصوصیات پدر و تعدادی از خصوصیات مادر را با هم به ارث ببرد و از شبیه شدن تام فرزند به تنها یکی از والدین جلوگیری میکند.