فصل اول : هوش مصنوعی چیست ؟؟

AI: به طور رسمی در سال ۱۹۵۶ مطرح شده است.

علل مطالعه Al:

  • AI سعی دارد تا موجودیت‌های هوشمند را درک کند. از این رو یکی از علل مطالعه آن یادگیری بیشتر در مورد خودمان است.
  • جالب و مفید بودن موجودیت‌های هوشمند .

AI چیست؟‌

تعاریفی از AI که به چهار قسمت تقسیم شده‌اند:

  • پردازش فکری و استدلالی
  • پردازش رفتاری
  • ایده‌آل هوشمندی (منطقی بودن)
  • ارائه انسانی

 

 

۱:انسان گونه عمل کردن: رهیافت آزمون تورینگ

آزمونی از کامپیوتر به عمل آید، و آزمون گیرنده نتواند دریابد که در آن طرف انسان قرار دارد یا کامپیوتر.

وهمچنین این آزمون از ارتباط فیزیکی مستقیم بین کامپیوتر و محقق اجتناب می‌کند

برای این کار کامپیوتر باید قابلیت‌های زیر را داشته باشد:

  • پردازش زبان طبیعی = محاوره
  • بازنمایی دانش= ذخیره اطلاعات
  • استدلال خودکار= استدلال و استخراج
  • یادگیری ماشینی= کشف الگو و برون ریزی

 

به منظور قبول شدن در تست تورینگ کلی، کامپیوتر به موارد زیر احتیاج دارد:

  • بینایی ماشین برای درک اشیاء
  • روباتیک به منظور حرکت آنها

 

  1. انسانی فکر کردن-: رهیافت مدلسازی شناختی:

چگونگی شناسایی عملکرد افکار انسان:

۱- درون گرایی

۲- تجارب روانشناسی

علوم شناختی : مدل‌های کامپیوتر از AI و همچنین تکنیک‌های روانشناختی را گرد هم می‌آورد تا بتواند تئوری‌های دقیقی از کارکرد ذهن انسان به دست آورند.

  1. منطقی فکر کردن: قوانین رهیافت تفکر

رمز «تفکر درست»: ارسطو سعی در کشف آن داشت.

قیاس: از موضوعات مطرح شده توسط ارسطو می‌باشد، که الگوهایی برای ساختار توافقی ایجاد کرد که همواره نتایج صحیحی به اندازه مقدمات صحیح به دست می‌آورد.

مثال: «سقراط انسان است، تمام انسان‌ها می‌میرند، پس سقراط خواهد مرد.»

 

دو مشکل عمده در این رسم منطق‌گرایی وجود دارد:

  • تبدیل دانش غیر رسمی به شکل رسمی توسط اعلام، منطقی ساده نیست.
  • تفاوت عمده‌ای بین قادر به حل مسئله بودن در اصول و انجام آن در عمل وجود دارد..

 

  1. منطقی عمل کردن: رهیافت عامل منطقی

عامل: در اصل چیزی است که ابتدا درک می‌کند و سپس عمل می‌کند*

در نگرش «قوانین تفکر» تأکید عمده بر روی استنتاج‌های صحیح بوده است.

«مهارت‌های شناخت» که برای آزمون تورینگ موردنیاز است، برای انجام فعالیت‌های منطقی وجود دارند.

 

مزایای مطالعه AI به‌عنوان طراحی عامل منطقی:

  • عمومی‌تر از رهیافت «قوانین تفکر»
  • پیشرفت علمی، بسیار قانون‌پذیرتر از رهیافت‌هایی است که بر تفکر یا رفتار انسانی متکی هستند.

 

زیربنای هوش مصنوعی:

AI، از علوم مختلفی بهره می‌برد که از میان آنها علوم زیر مهم‌تر شناخته شده‌اند:

  • علم فلسفه
  • علم ریاضی
  • علم روانشناسی
  • علم زبان‌شناسی
  • علم کامپیوتر

فلسفه: (۴۲۸ قبل از میلاد مسیح – تاکنون)

پایه‌های تفکر و فرهنگ غرب تشکیل شده است از: افلاطون، استادش سقراط، و شاگردش ارسطو.

  • قیاس: ارسطو، سیستمی غیررسمی از قیاس برای استدلال مناسب توسعه داد، امکان تولید نتایج، بر پایه فرضیات اولیه به طور مکانیکی وجود داشت.
  • در نظر گرفتن ذهن به‌عنوان سیستمی فیزیکی
  • رنه دکارت مدافع سرسخت قدرت استدلال بود؛ و همچنین طرفدار مکتب دوالیسم.

ماتریالیسم: در مقابل دوالیسم قرار دارد و معتقد است تمامی جهان مطابق قوانین فیزیکی عمل می‌کنند.

ویلهم لایبنیز:

  • تبدیل موقعیت ماتریالیستی به نتایج منطقی
  • ساخت ابزاری مکانیکی برای انجام عملیات منطقی

 

  • ایجاد منبع دانش:

فرانسیس بیکن، جنبش آزمون‌گرایان را آغاز کرد. و با شعار جان لاک مفهوم یافت:

«هیچ چیز قابل فهم نیست اگر ابتدا در حس نباشد.»

اصل استقرای امروزی، در حقیقت از کتاب دیوید هیوم نشأت می‌گیرد: “رسانه‌ای از طبیعت انسان”

برتراندراسل، پایه‌گذار پوزیوتیزم منطقی، ارائه‌دهنده این تئوری بود که:

«قوانین عمومی توسط تکرار ارتباطات بین عناصر آنها به وجود می‌آیند.»

  • ارتباط بین دانش و عمل

اشیاء را با تحلیل، دسته‌بندی می‌کنیم و در اطراف آنها، کارکرد مورد نیازشان نوسان می‌نماید.

در این میان پایه سیستم‌مکاشفه‌ای GPS بنیان گذارده می‌شود.

 

ریاضیات (۸۰۰٫ C-تاکنون)

برای ارتباط فلسفه با دانش نظری، نیاز به فرمول‌سازی ریاضی در سه زمینه اصلی است:

  • محاسبات
  • منطق
  • احتمالات

 

 

 

محاسبات:

نظریه اظهار محاسبات به عنوان الگوریتمی رسمی به خوارزمی برمی‌گردد، ریاضیدان عربی قرن نهم که نوشته‌های وی، جبر و تئوری اعداد عربی را به اروپا معرفی کرد.

 

منطق:

در این زمینه، دانشمندان زیادی بر چگونگی شکل‌گیری و هدایت آن، نقش داشته‌اند که به چند نفر از آنها اشاره می‌کنیم:

  • ارسطو: دانشمندی که بیشترین شکل‌گیری نگرش فلسفی منطق را به او نسبت می‌دهند.
  • جورج بول: یک زبان رسمی برای ساخت استنتاج منطقی ارائه داد.
  • FREGE: منطق مرتبه اول را به شکلی مطرح نمود که در بیشتر سیستم‌های نمایش دانش پایه استفاده می‌شود.
  • آلفرد تارسکی: تئوری چگونگی ارتباط بین اشیاء موجود در محیط منطقی، و اشیاء موجود در دنیای واقعی را ارائه نمود.
  • دیوید هیلبرت: ریاضیدان بزرگی بود که شهرت وی به دلیل مسائلی است که نتوانست حل کند.
  • راسل: قضیه کامل نبودن (incompleteness) را مطرح نمود.
  • تورینگ: ماشین تورینگ قادر به محاسبه هر تابع محاسبه‌پذیری است.

تئوری پیچیدگی:

  1. انجام‌ناپذیری
  2. استحاله
  • استیون کوک و ریچارد کارپ: تئوری NP-completeness را مطرح کردند.

 

احتمالات:

گاردنیوی: اولین کسی بود که ایده احتمال را مطرح کرد.

  • پیر فرمت، پاسکال، برنولی، لاپلاس و دیگر دانشمندان بر رشد و توسعه این ایده تأثیر داشتند.
  • برنولی: دیدگاه «درجه باور» ذهنی را در مقایسه با نرخ نتایج عینی مطرح کرد.
  • بیس: قانونی برای بهنگام‌سازی احتمالات ذهنی را به وجود آورد.
  • نیومن و مورگنسترن: تئوری تصمیم‌گیری را آغاز کردند. و از ترکیب تئوری احتمال، و تئوری سودمندی حاصل می‌شود.

 

روانشناسی (۱۸۷۹- تاکنون):

  • هلمولتز: روشی علمی برای مطالعه بینایی انسان به کار برد؛ که این کتاب به عنوان مرجع بینایی فیزیولوژیک و حتی به‌عنوان «مهمترین رساله فیزیکی و روانشناختی بینایی انسان تا به امروز» شناخته می‌شود.
  • وندت: اولین آزمایشگاه روانشناسی تجربی را در دانشگاه لایپزیک راه‌اندازی کرد.
  • داتسون و تورن دایک: حرکت رفتارگرایی (behaviorism) را مطرح کردند.
  • اساس مشخصه روانشناسی شناختی(congnitive psychology)، این نگرش است که مغز دارنده و پردازش‌کننده اطلاعات است.

 

  • کریک، کتاب ماهیت بیان را منتشر کرد. و سه مرحله کلیدی را برای عامل مبتنی بر داشن معین کرد:
  • محرک‌ها باید به شکل درونی تبدیل شوند.
  • بازنمایی توسط پردازش‌های شناختی بازنمایی‌های داخلی جدیدی را مشتق کند.
  • اینها دوباره به صورت عمل برگردند.

 

مهندسی کامپیوتر (۱۹۴۰- تاکنون)

برای پیشرفت هوش مصنوعی، به دو چیز احتیاج داریم:

  • هوش
  • محصول مصنوعی

در این تقسیم‌بندی، کامپیوتر می‌تواند به عنوان محصول مصنوعی محسوب گردد.

  • Heath Robinson: اولین کامپیوتر مدرن عملیاتی بود که در سال ۱۹۴۰ توسط تیم آلن تورینگ به منظور کدگشایی پیام‌های آلمان‌ها ساخته شد.
  • Colossus: نام ماشین بعدی بود که تیوپ‌های مکنده در آن به کار برده شد.
  • Z-3: اولین کامپیوتر قابل برنامه‌ریزی که توسط کنراد زوس در ۱۹۴۱ اختراع شد.
  • اعداد با ممیز شناور و زبان Plankalkul نیز توسط زوس اختراع شدند.
  • ABC: اولین کامپیوتر الکترونیک در امریکا توسط جان آتاناسف و کلیفورد در دانشگاه ایالتی ایوا ساخته شد.
  • MARK I , II , III: توسط تیمی به رهبری هوراد ایکن در هاروارد توسعه داده شد.
  • ENIAC: اولین کامپیوتردیجیتال الکترونیک چند منظوره، توسط تیمی به سرپرستی ماچلی و اکرت در دانشگاه پنسیلوانیا ساخته شد.
  • IBM 701: اولین کامپیوتر سودآور، توسط ناتانیل روچتر در ۱۹۵۲ ساخته شد.
  • چارلز بابیج: طراحی ماشینی که جداول لگاریتمی را محاسبه کند.
    • طراحی موتور آنالیتیکی
    • طرح حافظه قابل‌آدرس‌دهی، برنامه ذخیره شده و پرش‌های شرطی
  • کار در زمینه AI منجر به ایده‌های بسیار متعددی شد که به علوم کامپیوتر برگشت؛ مانند:
  • اشتراک زمانی – مفسرهای دوسویه – نوع داده لیست پیوندی – مدیریت حافظه خودکار و برخی نکات کلیدی برنامه‌نویسی شیءگرا و محیط‌های توسعه برنامه مجتمع با واسط کاربر گرافیکی.

    • زبان‌شناسی (۱۹۷۵- تاکنون)
    • اسکینر در سال ۱۹۷۵ کتابی در زمینه رفتارگرایان برای یادگیری زبان، با نام «رفتار زبانی» منتشر کرد.
    • نوآم چامسکی بر اساس تئوری خودش یعنی ساختارهای ترکیبی، این کتاب را تجدید نظر و چاپ کرد. که به اندازه اصل کتاب شهرت پیدا کرد.
    •             تئوری چامسکی بر اساس مدل‌های نحوی قرار دارد.

     

    • زبان‌شناسی مدرن و AI در یک زمان متولد شدند، بنابراین زبان‌شناسی نقش مهمی در رشد AI بازی نمی‌کند.
    • این دو دریک زمینه مشترک به نام

    زبان‌شناسی محاسباتی(Computatioal linguistics) یا

    پردازش زبان طبیعی (natural language processing)

    بهم تنیده شده‌اند که در آن بر روی مسئله استفاده زبان تمرکز شده است.

    تاریخچه هوش مصنوعی

    پیدایش هوش مصنوعی (۱۹۴۳- ۱۹۵۶)

    • اشتیاق زودهنگام، آرزوهای بزرگ (۱۹۵۲-۱۹۶۹)
    • مقداری واقعیت (۱۹۷۴-۱۹۶۶)
    • سیستم‌های مبتنی بر دانش: کلید قدرت؟ (۱۹۶۹-۱۹۷۹)
    • بازگشت شبکه‌های عصبی (۱۹۸۶- تاکنون)
    • حوادث اخیر (۱۹۸۷- تاکنون)

     

    پیدایش هوش مصنوعی

    • اولین کار جدی در حیطه AI، توسط وارن مک‌کلود و والتر پیتز انجام شد.
    • سه منبع استفاده شده توسط آنها:
    • دانش فیزیولوژی پایه و عملکرد نرون در مغز
    • تحلیل رسمی منطق گزاره‌ها متعلق به راسل و رایت هد
    • تئوری محاسبات تورینگ

     

    • در ۱۹۴۹ دونالد هب، قانون ساده بهنگام‌سازی برای تغییر تقویت اتصالات بین نرون‌ها را تعریف کرد که از طریق آن یادگیری میسر می‌گردد.
    • در زمانی که کلود شانون و آلن تورینگ، برنامه بازی شطرنج را نوشتند ، SNARC، اولین کامپیوتر شبکه عصبی در دانشگاه پرینستون توسط مینسکی و ادموندز ساخته شد.

    این کامپیوتر، از ۳ هزار تیوپ مکشی و مکانیزم خلبانی خودکار اضافی که مربوط به بمب‌افکن‌های B24 می‌باشد برای شبیه‌سازی شبکه ۴۰ نرونی استفاده کرد.

    • محققین علاقمند به تئوری آتوماتا، شبکه‌های عصبی و مطالعه هوش، گرد یکدیگر جمع شدند و در کارگاهی در دورت موند مشغول فعالیت شدند. که در این میان نام هوش مصنوعی برای حیطه فعالیت آنها انتخاب شد.

     

    اشتیاق زودهنگام، آرزوهای بزرگ (۱۹۵۲-۱۹۶۹)

    • فعالان در عرصه AI:
    • روچستو و تیمش در IBM
    • هربرت جلونتر: با ساخت Geometry Theorem Prover
    • آرتور ساموئل: ساخت برنامه برای بازی چکر
    • جان مک کارتی در MIT:
    • تعریف زبان لیسپ (Lisp) مهمترین زبان هوش مصنوعی
      • مفهوم اشتراک زمانی (time sharing)
      • نشر مقاله‌ای با عنوان “برنامه‌ها با حواس مشترک”
      • تشریح یک سیستم فرضی به نام Advice Taker ، که به اصول پایه بازنمایی معرفت و استدلال تجسم بخشید؛
      • کار بر روی سیستم برنامه‌ریزی سؤال-جواب
      • کار بر روی پروژه روبات‌های shakey

     

    • مینسکی: کار بر روی میکرو ورلدها و همکاری با مک‌کارتی، ولی بر سر اختلاف بر نگرش منطقی و ضدمنطقی کار تحقیقاتی خود را از هم جدا کردند.

    مینسکی با گروهی از دانشجویان بر روی میکروورلدها کار کرد که برخی از آنها عبارتند از:

    • جیمز اسلاگل، SAINT، قادر به حل مسائل انتگرال‌گیری فرم بسته
    • اوانز: ANALOGY، حل مسائل مشابهت هندسی در تست‌های هوش
    • رافائل: SIR: پاسخ به قضایای پرسشی جملات ورودی
    • بابرو: STUDENT: حل مسائل داستانی جبر

    مقداری واقعیت (۱۹۶۶-۱۹۷۴)

    • مشکلات تقریباً تمام پروژه‌ها تحقیقی AI وقتی پدیدار می‌شدند که مسائل گسترده‌تری برای حل توسط آنها مطرح می‌شد:
    • برنامه‌های اولیه اغلب دارای دانش محدود یا فاقد دانش در مورد موضوع کار بودند.
    • انجام ناپذیری بسیاری از مسائل
    • به دلیل اعمال برخی محدودیت‌های پایه‌ای بر روی ساختار پایه مورد استفاده برای تولید رفتار هوشمند

    سیستم‌های مبتنی بر دانش: کلید قدرت؟ (۱۹۶۹-۱۹۷۹)

    • روش‌های ضعیف: مبتنی بر یک جستجوی همه‌منظوره می‌باشند که قدم‌های اولیه یادگیری را برمی‌دارند اما تلاشی در جهت یافتن راه‌حل‌های کامل ندارند.
    • به این دلیل که اطلاعات ضعیفی را در مورد دامنه فعالیت خود به کار می‌برند.
    • پس برای حل مسائل دشوار، تقریباً جواب را از قبل باید بدانیم.
    • برنامه DENDRAL از برنامه‌هایی است که از این رهیافت استفاده می‌کند.
    • اهمیت برنامه DENDRAL در این بود که اولین سیستم موفق با دانش غنی بود، یعنی تبحر سیستم بر پایه تعداد بسیار زیادی قانون ایجاد شده بود. سیستم‌های بعدی ایده اصلی رهیافت Advice taker مک کارتی را دنبال می‌کردند یعنی جداسازی دانش (در شکل قوانین) و مؤلفه استدلال.

    MYCIN نسبت به DENDRAL دو تفاوت عمده دارد:

    • برخلاف قوانین DENDRAL، هیچ مدل تئوری‌وار عمومی برای آنکه قوانین MYCIN استنتاج شود، وجود نداشت.
    • قوانین می‌بایست عدم قطعیت مربوط به دانش پزشکی را منعکس می‌کرد.

    AI به یک صنعت تبدیل می‌شود (۱۹۸۰-۱۹۸۸)

    • RI: اولین سیستم خبره تجاری موفق از شرکت DEC که سودآوری زیادی را برای شرکت بهمراه داشت.
    • پروژه «نسل پنجم»: این پروژه ژاپنی به منظور ساخت کامپیوترهای هوشمندی که پرولوگ را به جای کد ماشین اجرا می‌کردند، انجام شد.
    • شرکت‌های دیگر جهان از جمله میکروالکترونیک، MCC، لیسپ ماشین، تگزاس اینسترومنت، سمبولیکس، زیراکس و غیره در ساخت ایستگاه‌های کاری بهینه شده در این عرصه فعالیت داشتند.

    بازگشت شبکه‌های عصبی:

    دانشمندان فعال در این عرصه:

    • هاپ فیلد: که به آنالیز خواص ذخیره‌سازی و بهینه‌سازی شبکه‌ها پرداخت.
    • راسل هارت و هینتون: مطالعه مدل‌های شبکه عصبی را ادامه دادند.
    • بریسون و هو: الگوریتم یادگیری انتشار به عقب را مجدداً مطرح کردند.

    حوادث اخیر:

    • رهیافت HMM: رهیافت غالب در سال‌های اخیر می‌باشد که توسط مایکف به وجود آمده است.

    این رهیافت از دو جنبه زیر حائز اهمیت است:

    • مبتنی بر نظریه ریاضی محض است.
    • طی فرایندی با یادگیری گروه عظیمی از داده گفتار واقعی خود را بهبود می‌بخشد.
    • برنامه‌ریزی: در دهه ۷۰ فقط برای میکرووردها مناسب بودند، اکنون برای زمانبندی کار در کارخانه‌ها و مأموریت‌های فضایی استفاده می‌شوند.
    • بیان شبکه باور: استدلال کارا را در مورد ترکیب رویدادهای غیرمنطقی ممکن ساخت.
    • ایده سیستم‌های خبره فرماتیو توسط کار جوداپیر و اردیک هوروتیز و دیوید هکرمن مطرح شد:

    “سیستم‌هایی که مطابق قوانین تئوری تصمیم‌گیری به طور منطقی عمل می‌کنند و سعی ندارند که تبحر انسانی را تقلید کنند.”

     

    شرایط کنونی:

    • برخی از سیستم‌هایی موجود در جهان که از هوش مصنوعی استفاده می‌کنند:
    • HITECH:
    • اولین برنامه کامپیوتری که موفق به شکست استاد بزرگ شطرنج جهان، آرنولد دنکر شده است.
    • PEGASUS:
    • یک برنامه درک گفتار که سؤالات کاربر را جواب می‌دهد و تمامی برنامه‌های مسافرتی شخص را با یک برنامه‌ریزی درست، مقرون به صرفه می‌کند.
    • MARVEL:
    • سیستم خبره‌ای که داده‌های ارسالی از سفینه فضایی را تحلیل نموده و در صورت بروز مشکلات جدی، پیغام هشدار به تحلیلگران می‌دهد.

     

     

    فصل دوم:عامل های هوشمند

    عامل:

    به هر چیزی اطلاق می‌شود، که قادر به درک محیط پیرامون خود از طریق حس‌گرها(sensor)

    و اثرگذاری‌ بر روی محیط از طریق اثرکننده‌ها (effector) باشد.

    عامل نرم‌افزاری:

    عامل نرم‌افزاری رشته‌های بیتی را به عنوان درک محیط و عمل، کدگذاری می‌کند.

    عوامل انسانی

    1. حس کردن: گوش، چشم، دیگر ارگان‌ها
    2. اثرگذاری: دست، پا، بینی، اندام‌های دیگر

    عوامل روباتیک

    1. حس کردن: دوربین، یابنده‌های مادون قرمز
    2. اثرگذاری: موتور

     

     

    عامل‌ها چگونه باید عمل کنند؟

    عامل منطقی: چیزی است که کار درست انجام می‌دهد.

    عمل درست: آن است که باعث موفق‌ترین عامل گردد.

    کارایی: چگونگی موفقیت یک عامل را تعیین می‌کند.

     

     

     

    تفاوت میان منطقی بودن و دانش کل (omniscience):

    عامل دانای کل معنی خروجی واقعی اعمال خود را دانسته و بر پایه آن عمل می‌کند اما دانش کل در واقعیت غیرممکن است.

    اگر معین کنیم که هر عامل هوشمند همواره باید همان کاری را انجام دهد که در عمل مناسب است، هیچگاه نمی‌توان عاملی را طراحی نمود که این مشخصات را مرتفع سازد.

    آن چه در هر زمانی منطقی است به چهار چیز وابسته است:

    • معیار کارایی که درجه موفقیت را تعیین می‌کند.
    • هر چیزی که تا کنون عامل، ادراک نموده است. ما این تاریخچه کامل ادراکی را دنباله ادراکی می‌نامیم.
    • آنچه که عامل درباره محیط خود می‌داند.
    • اعمالی که عامل می‌تواند صورت دهد.
    • رفتار عامل وابسته به دنباله ادراکی تا حال است.
    • عامل را باید به‌عنوان ابزاری برای تحلیل سیستم‌ها قلمداد کرد؛
    • نه شخصیتی مطلق که جهان را به دو بخش عامل و غیر‌عامل‌ها تقسیم می‌کند.

     

    نگاشت ایده‌آل از دنباله‌های ادراکی به عملیات

    هر عامل خاصی را به وسیله جدولی توصیف می‌کنیم، که در آن عمل آن در پاسخ به هر دنباله ادراکی قرار می‌گیرد.

    این بدان معنی نیست که ما جدول خاصی با یک ورودی برای هر دنباله ادراک ممکنی تولید کنیم. می‌توان مشخصات نگاشت را بدون شمارش خسته‌کننده آنها انجام داد.

     

    خودمختاری:

    در اینجا تعریف عامل باید کامل‌تر شود و بخش دانش درونی به آن اضافه می‌گردد.

    رفتار عامل می‌تواند متکی بر دو پایه تجربه خود و دانش درونی بنا نهاده شود.

    این رفتار، در ساخت عامل برای شرایط محیطی خاص که در آن عمل خواهد کرد، استفاده می‌شود.

     

    سیستم به وسعتی خود مختار است که رفتار آن بر اساس تجربه خودش تعیین می‌کند. زمانی که عامل فاقد تجربه و یا کم تجربه‌ است، مسلماً تصادفی عمل خواهد کرد، مگر آنکه طرح‌ کمک‌هایی به آن داده باشد.

    عامل هوشمند واقعاً خود مختار باید قادر به عمل موفقیت‌آمیز در دامنه وسیعی از محیط‌ها باشد و البته باید زمان کافی برای تطبیق نیز به آن داده شود.

     

    ساختار عامل‌های هوشمند

    وظیفه هوش مصنوعی طراحی برنامه عامل است؛

    این طراحی شامل تابعی است که نگاشت عامل از ادراک به عملیات را پیاده سازی می‌کند.

     

    معماری:

    فرض می‌کنیم برنامه عامل بر روی نوعی ابزار محاسبه‌گر اجرا می‌گردد که آن را معماری می‌نامیم.

    برنامه‌ عامل، باید توسط معماری قابل پذیرش و اجرا باشد.

    عموماً، معماری ادراک از طریق حس‌گرها را برای برنامه آماده ساخته، برنامه را اجرا نموده و اعمال انتخابی برنامه را به عمل‌کننده‌های سیستم منتقل می‌کند.

    ارتباط بین عامل‌ها، معماری‌ها و برنامه‌ها را می‌توان به صورت ذیل جمع بندی نمود:

    برنامه+ معماری= عامل

     

    در اینجا مسئله تمایز بین محیط واقعی و مصنوعی مطرح می‌شود؛ اما

    مسأله اصلی، پیچیدگی مابین:

    ارتباط رفتار عامل،

    دنباله ادراکی تولید شده بوسیله محیط، و

    اهدافی که عامل قصد حصول آن را دارد، است.

     

    مشهور‌ترین محیط مصنوعی، محیط تست تورینگ (turing) است.

     

    برنامه‌های عامل:

    تشابهات عامل‌های هوشمند:

    • دریافت ادراک محیطی
    • تولید اعمال لازم

    دو نکته در مورد شالوده برنامه قابل ذکر هستند:

    1. برنامه عامل تنها یک درک از شرایط محیطی واحد را به عنوان ورودی دریافت می‌کند.
    2. هدف یا معیار کارایی بخشی از برنامه شالوده نخواهد بود.

    جنبه‌های مختلف یک عمل، انواع مختلف برنامه‌های عامل را پیشنهاد خواهد کرد.

    برای مثال، ۴ عامل را مورد بررسی قرار می دهیم:

    • عامل‌های واکنشی ساده
    • عامل‌هایی که اثرات دنیا را حفظ می‌کنند
    • عامل‌های هدف‌گرا
    • عامل‌های سودمند
    • عامل‌های واکنشی ساده
    • در اینجا جدول رجوع باید مورد توجه قرار گرفته و فیلدهای مختلف آن توسط اطلاعات ورودی پر شود.
    • اتصالاتی (واکنش‌هایی) وجود دارند که انسان‌ها بسیاری از آنها را دارا بوده:
    • برخی از آنها قابل یادگیری و برخی دیگر غریزی است.

     

     

     

     

     

     

     

    عامل‌هایی که اثرات دنیا را حفظ می‌کنند

    از آنجایی ناشی می‌شود که حسگرها نمی‌توانند دسترسی کامل به وضعیت دنیا را به وجود آورند.

    در چنین شرایطی، عامل ممکن است نیازمند دستکاری برخی اطلاعات وضعیت داخلی باشد تا از طریق آن تمایز بین وضعیت‌های دنیا که در ظاهر ورودی ادراکی یکسانی می‌کنند ولی در واقع معنی کاملاً متفاوتی دارند را میسر سازد.

    بهنگام‌سازی اطلاعات وضعیت داخلی همزمان با گذر زمان نیازمند دو نوع دانش کد شده در برنامه عامل است.

    اول: نیازمند آنیم که برخی اطلاعات درباره چگونگی تغییر جهان مستقل از عامل را داشته باشیم.

    دوم: نیازمند اطلاعات درباره اعمال خود هستیم که بر روی دنیا اثرگذار است.

     

    عامل‌های هدف گرا:

    دانستن درباره وضعیت کنونی محیط همواره برای تصمیم‌گیری عمل نمی‌تواند کافی باشد.

    به همان گونه که عامل نیازمند شرح وضعیت جاری است، به نوعی نیازمند اطلاعات هدف(goal) می‌باشد که توضیح موقعیت مطلوب است.

    برنامه‌ عامل می‌تواند این اطلاعات را با اطلاعاتی درباره نتایج اعمال ممکن (همانند اطلاعاتی که در عامل واکنش برای بهنگام‌سازی وضعیت داخلی استفاده شد) ترکیب نموده تا اعمال مناسب را برای دسترسی به هدف انتخاب نماید.

    در مواقعی ساده است: که رضایت از هدف بلافاصله از عمل واحد تولید گردد.

    در مواقعی پیچیده است: که عامل باید دنباله‌های طولانی را در نظرگرفته تا راهی برای دستیابی به هدف پیدا کند.

    در مواقع پیچیده، جستجو و برنامه‌ریزی به یافتن دنباله اعمال منجر خواهند شد.

     

    تفاوت عامل‌های واکنشی و هدف‌گرا:

    در طراحی عامل‌های واکنشی طراح برای حالات متفاوت عملی درست را پیش محاسبه می‌کند. در عامل‌های هدف‌گرا، عامل می‌تواند دانش خود را در مورد چگونگی واکنش بهنگام سازد.

    1. برای عامل واکنشی ما مجبور به دوباره نویسی تعداد زیادی قوانین شرط –عمل خواهیم بود.
    2. عامل هدف‌گرا نسبت به رسیدن به مقاصد متفاوت انعطاف پذیر است.
    3. بسادگی با تعیین یک هدف تازه، می‌توانیم عامل هدف‌گرا را به رفتار تازه برسانیم.

     

    عامل‌های سودمند:

    • اهداف به تنهایی برای تولید رفتار با کیفیت بالا کافی نیستند.
    • ملاک کارایی عومی باید مقایسه‌ای بین وضعیت‌های دنیای متفاوت (یا دنباله‌ حالات) را بر پایه چگونگی رضایت عامل در صورت حصول هدف بدهد.
    • بنابراین اگر یک وضعیت دنیا به دیگری ترجیح داده می‌شود، آنگاه آن برای عامل سودمند‌تر خواهد بود

    سودمندی:

    تابعی است که یک وضعیت را به عدد حقیقی نگاشت می‌دهد، که درجه رضایت مربوط را تشریح می‌کند.

     

    مشخصات کامل تابع سودمندی امکان تصمیم‌گیری منطقی را برای دو نوع حالتی که هدف مشکل دارد، اجازه می‌دهد.

    1. زمانی که اهداف متناقص وجود دارند.
    2. زمانی که چندین هدف دارند که عامل می‌تواند آنها را هدف قرار دهد و هیچکدام از آنها با قطعیت قابل حصول نیست.

    ارتباط بین عامل و محیط:

    اعمال بوسیله عامل بر محیط انجام می‌شود، که خود ادراک عامل را مهیا می‌سازد.

     

    خواص محیط:

    • قابل دسترسی در مقابل غیر دسترسی
    • قطعی در برابر غیر قطعی
    • اپیزودیک در مقابل غیراپیزودیک
    • ایستا در مقابل پویا
    • گسسته در مقابل پیوسته
    • قابل دسترسی در مقابل غیرقابل دسترسی

    محیط قابل دسترسی:

    محیطی که عامل آن توسط ابزار حس‌کننده‌اش امکان دسترسی به وضعیت کامل محیط را داشته باشد.

    محیط قابل دسترسی راحت است، زیرا عامل نیازمند دستکاری هیچ وضعیت داخلی برای حفظ دنیا را نخواهد داشت.

     

    • قطعی در مقابل غیر قطعی

    محیط قطعی:

    محیطی است که اگر وضعیت بعدی محیط بوسیله وضعیت کنونی و اعمالی که با عامل‌ها انتخاب گردد، تعیین شود.

    بهتر است به قطعی یا غیر قطعی بودن محیط از دیدگاه عامل نگاه کنیم.

    • اپیزودیک در مقابل غیر اپیزودیک
    • محیط اپیزودیک (episodic)، تجربه عامل به اپیزودهایی تقسیم می‌گردد.
    • هر اپیزود شامل درک و عمل عامل است.
    • کیفیت اعمال آن تنها به خود اپیزود وابسته است.
    • محیط‌های اپیزودی بسیار ساده‌ترند زیرا عامل نباید به جلوتر فکر کند.
      • ایستا در مقابل پویا

    محیط پویا:

    محیطی که در حین سنجیدن عامل تغییر می‌کند.

     

    محیط نیمه‌پویا:

    محیطی که با گذر زمان تغییر نمی‌کند اما امتیاز کارایی تغییر می‌کند.

    محیط‌های ایستا برای کار ساده هستند زیرا عامل نیاز به نگاه‌کردن به دنیا در حین تصمیم‌گیری عملی نداشته و همچنین در مورد گذر زمان نیز نگران نمی‌باشد.

    • گسسته در مقابل پیوسته

    محیط گسسته:

    اگر تعداد محدود و مجزا از ادراک و اعمال بوضوح تعریف شده باشد.

    – بازی شطرنج گسسته است.

    – رانندگی تاکسی پیوسته است.

    سخت‌ترین حالت در بین حالات موجود برای محیط:

    غیر قابل دسترسی، غیر اپیزودیک، پویا و پیوسته

     

     

    برنامه‌های محیط

    • شبیه‌ساز یک یا چند عامل را به عنوان ورودی گرفته و بگونه‌ای عمل می‌کند که هر عامل ادراک درست و نتیجه بازگشتی عمل خود را بدست آورد.
    • شبیه‌ساز محیط را بر اساس اعمال و دیگر فرآیند‌های پویای محیط بهنگام می‌سازد.
    • محیط با وضعیت آغازین و تابع بهنگام‌سازی تعریف می‌گردد.