هوش مصنوعي و داده كاوي

 

 

 

 

در هوش مصنوعي و يادگيري ماشيني ، داده كاوي يا كشف دانش در پايگاه هاي اطلاعاتي ،

استخراج غيرمعمول اطلاعات ضمني ، از قبل ناشناخته و بالقوه مفيد از داده ها .است. در اين

رويكرد از روش هاي آماري استفاده مي شود كه باعث مي شود روندها و ساير روابط در

پايگاه هاي داده بزرگ شناسايي شوند. دليل عمده اينكه داده كاوي جلب توجه كرده است،

دسترسي گسترده به داده هاي عظيم و نياز به تبديل اين داده ها به اطلاعات و دانش مفيد

مي باشد. از اين اطلاعات به دست آمده مي تواند براي برنامه هاي مختلف مانند نظارت بر

ريسك ، مديريت تجارت ، كنترل توليد ، تجزيه و تحليل بازار ، مهندسي و اكتشاف علوم

استفاده شود.

انواع تكنيك ها و روش هاي داده كاوي در هوش مصنوعي

به طور كلي سه روش داده كاوي وجود دارد. يكي از اين روش ها تجزيه وتحليل هم بستگي است.

كشف قوانين تداعي گرايي است كه شرايط مقدار ويژگي را نشان مي دهد كه اغلب با هم در يك

مجموعه داده خاص رخ مي دهد. تجزيه و تحليل همبستگي به طور گسترده اي براي شناسايي همبستگي

محصولات جداگانه در سبد خريد استفاده مي شود. تجزيه و تحليل رگرسيوندومين گزينه در اين زمينه

است. تحليل رگرسيون مدل هايي را ايجاد مي كند كه متغيرهاي وابسته را از طريق تجزيه و تحليل

متغيرهاي مستقل توضيح مي دهند. به عنوان مثال ، پيش بيني عملكرد فروش محصول مي تواند با

همبستگي قيمت محصول و سطح متوسط درآمد مشتري ايجاد شود. نوع آخر طبقه بندي و پيش بيني

است. طبقه بندي فرآيند طراحي مجموعه اي از مدل ها براي پيش بيني كلاس اشيايي است كه برچسب

كلاس آنها ناشناخته است. مدل مشتق شده ممكن است در اشكال مختلف ، مانند قوانين اگر- پس (if-then)

، درخت تصميم ، يا فرمول هاي رياضي نشان داده شود. درخت تصميم يك نمودار است كه ساختاري شبيه به

درخت دارد كه در آن هر گره يك آزمون را روي مقدار ويژگي نشان مي دهد ، هر شاخه نشان دهنده نتيجه

آزمايش است و هر برگ درخت يك كلاس يا كلاس توزيع را نشان مي دهد. درختان تصميم را مي توان به

قوانين طبقه بندي تبديل كرد. براي پيش بيني برچسب كلاس داده مي توان از طبقه بندي استفاده كرد.

پيش بيني شامل شناسايي روند توزيع بر اساس داده هاي موجود مي باشد.

فرايند داده كاوي
هوش مصنوعي و داده كاوي دو معقوله اي هستند كه از هم نمي توان جدا كرد. فرايند داده كاوي شامل يك

توالي تكراري از اين مراحل است:

انسجام و تميز كردن داده ها براي حذف ناهنجاري ها و داده هاي متناقض
ادغام داده ها به گونه اي كه ممكن است چندين منبع داده با هم تركيب شوند
انتخاب داده كه در آن داده هاي مربوط به تجزيه و تحليل بازيابي مي شود
تبديل داده ها در جايي كه داده ها به فرم هاي مناسب استخراج تلفيق مي شوند
براي استخراج الگوها جديد، از الگوها و تكنيك هاي آماري استفاده مي شود
ارزيابي الگو براي شناسايي الگوهاي جالب نشان دهنده اطلاعات
از تكنيك هاي تجسم براي ارائه اطلاعات استخراج شده به كاربران استفاده مي شود

محدوديت هاي داده كاوي
وارد شدن و خارج شدن اطلاعات با كيفيت پايين به داده كاوي نسبت داده مي شود زيرا

زيرا كيفيت اطلاعات به دست آمده از داده كاوي به كيفيت داده هاي تاريخي بستگي دارد.

ما مي دانيم كه مغايرت داده ها و برخورد با چندين منبع داده مشكلات بزرگي را در مديريت

داده ايجاد مي كند. تكنيك هاي تميز كردن داده ها براي مقابله با شناسايي و از بين بردن

خطاها و ناسازگاري ها براي بهبود كيفيت داده ها استفاده مي شود. با اين حال ، تشخيص

اين ناسازگاري ها بسيار دشوار است. چگونه مي توانيم تبادلي را شناسايي كنيم كه به

اشتباه به عنوان مشكوك برچسب گذاري شده است؟ يادگيري از داده هاي نادرست منجر

به مدل هاي نادرست مي شود محدوديت ديگر داده كاوي اين است كه فقط اطلاعات محدود به

مجموعه خاص داده هاي تاريخي را استخراج مي كند و پاسخ ها را فقط مي توان با توجه به

روندهاي قبلي آموخته شده از داده ها بدست آورد و تفسير كرد. اين توانايي فرد را براي بهره مندي

از روندهاي جديد محدود مي كند. از آنجا كه درخت تصميم به طور خاص در مجموعه داده هاي

تاريخي آموزش ديده است ، شخصي سازي درخت را در بر نمي گيرد. علاوه بر اين ، داده كاوي

غير افزايشي است و در هنگام توليد سازگار نيست.

مزاياي داده كاوي
داده كاوي به شركت هاي بازاريابي كمك مي كند مدل هايي را بر اساس داده هاي تاريخي بسازند

تا پيش بيني كنند چه كسي به فعاليت هاي بازاريابي جديد مانند نامه هاي مستقيم ، كمپين بازاريابي

آنلاين و غيره پاسخ خواهد داد. از طريق نتايج ، بازاريابان رويكرد مناسبي در فروش محصولات

 سودآور به مشتريان هدف خواهند داشت. داده كاوي همانند بازاريابي ، مزاياي زيادي را براي

شركت هاي خرده فروشي به همراه دارد. از طريق تجزيه و تحليل سبد بازار ، يك فروشگاه مي تواند

يك ترتيب توليد مناسب داشته باشد به گونه اي كه مشتريان بتوانند خريد مكرر محصولات دلپذير را

دارا باشند. علاوه بر اين ، همچنين به شركت هاي خرده فروشي كمك مي كند تا تخفيف هاي خاصي

را براي محصولات خاص ارائه دهند كه مشتريان بيشتري را به خود جلب كند. داده كاوي به موسسات

مالي اطلاعاتي در مورد وام و گزارشگري اعتبار مي دهد. با ساخت يك مدل از داده هاي مشتري تاريخي ،

بانك و موسسه مالي مي توانند وام هاي خوب و بد را تعيين كنند. علاوه بر اين ، داده كاوي به بانك ها كمك

مي كند تا معاملات جعلي كارت اعتباري را براي محافظت از صاحب كارت اعتباري شناسايي كنند. با استفاده

از داده كاوي در داده هاي مهندسي عملياتي ، توليد كنندگان مي توانند تجهيزات معيوب را شناسايي كرده و

پارامترهاي كنترل بهينه را تعيين كنند. به عنوان مثال ، توليدكنندگان نيمه هادي اين چالش را دارند كه حتي شرايط

محيط هاي توليد در كارخانه هاي مختلف توليد ويفر مشابه است ، كيفيت ويفر بسيار يكسان است و برخي به دلايل

نامعلوم حتي داراي نقص هستند. داده كاوي براي تعيين دامنه پارامترهاي كنترلي كه منجر به توليد ويفر طلايي

مي شود مورد استفاده قرار گرفته است. سپس از آن پارامترهاي كنترل بهينه براي توليد ويفر با كيفيت مطلوب

استفاده مي شود.

طراحي سايت

ادامه مطلب

انواع هوش مصنوعي

 

 

 

با كمك انواع هوش مصنوعي امروزه اين فناوري نه تنها با ما صحبت مي كند بلكه اتومبيل ها را

كنترل مي كند بازي هاي كامپيوتري انجام مي دهد و تمام اين كار ها را بهتر از ما انسان ها 

انجام مي دهد. به نظر مي رشد كه در مدت زمان كوتاهي هوش مصنوعي ذدر ميان ما راه برود.

ديدگاه متداول و مكرر آخرين موفقيت در تحقيقات هوش مصنوعي اين است كه ماشين هاي هوشمند

به زودي در دسترس همگان قرار خواهند گرفت. گزارش جديد كاخ سفيد در مورد هوش مصنوعي

ديدگاه كاملاً بدبينانه اي در مورد اين رويا دارد. اين گزارش مي گويد كه طي 20 سال آينده به احتمال

زياد در ماشين آلات “اطلاعات كاملاً قابل اجرا قابل مقايسه با انسانها يا بيش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعي كدامند ؟

ماشين هاي واكنش پذير

ابتدايي ترين انواع سيستم هاي هوش مصنوعي كاملاً واكنشي هستند و نه توانايي تشكيل خاطرات و نه استفاده

از تجربيات گذشته براي اطلاع رساني تصميمات فعلي را دارند. Deep Blue ، ابر رايانه شطرنج باز IBM

، كه در اواخر دهه 1990 استاد بزرگ بين المللي گري كاسپاروف را شكست داد ، نمونه عالي اين نوع ماشين ها است.

Deep Blue مي تواند مهره هاي روي صفحه شطرنج را شناسايي كرده و از نحوه حركت هر يك مطلع شود. اين

كامپيوتر مي تواند پيش بيني كند كه ممكن است حريف چه حركات بعدي داشته  باشد. و مي تواند بهينه ترين حركت ها

را از بين احتمالات انتخاب كند.اما هيچ مفهومي از گذشته و هيچ خاطره اي از آنچه قبلاً اتفاق افتاده ندارد. جدا از

يك قانون خاص شطرنج كه به ندرت استفاده مي شود كه در مورد تكرار سه بار حركت مشابه است ، Deep Blue

همه چيز را قبل از لحظه حال ناديده مي گيرد. تمام آنچه كه انجام مي دهد اين است كه به مهره هاي موجود

در صفحه شطرنج در حال حاضر نگاه مي كند و حركت هاي بعدي را انتخاب مي كند. اين مدل از انوع هوش مصنوعي

جهان را به صورت مستقيم درك مي كند و براساس آنچه مي بيند عمل مي كند. اين نوع از هوش به مفهوم دروني جهان

متكي نيست. در يك مقاله اساسي ، رادني بروكس ، محقق هوش مصنوعي استدلال كرد كه ما فقط بايد ماشين هايي از اين

دست بسازيم. دليل اصلي او اين بود كه مردم در برنامه نويسي دقيق دنياهاي شبيه سازي شده براي استفاده كامپيوترها

مهارت ندارند ، چيزي كه در بورس تحصيلي AI “نمايندگي” جهان ناميده مي شود.

حافظه محدود

اين كلاس نوع دوم از انواع هوش منصوعي شامل ماشين هايي است كه مي توانند به گذشته نگاه كنند. اتومبيل هاي

خودران هم اكنون برخي از اسين كارها را انجام مي دهند به عنوان مثال ، آنها سرعت و جهت اتومبيل هاي ديگر

را مشاهده مي كنند.اين كار فقط در يك لحظه امكان پذير نيست ، بلكه به شناسايي اشيا به صورت خاص و نظارت

بر آنها در طول زمان نياز دارد. اين مشاهدات به المان هاي از پيش برنامه ريزي شده اتومبيل هاي خودران اضافه

مي شوند كه شامل خط كشي خيابان ها ، چراغ راهنمايي و ساير عناصر مهم مانند پيچ هاي جاده مي شوند. هنگامي

كه اتومبيل تصميم مي گيرد كه خط عوض كند يا از تصادف با ساير اتومبيل ها كهدر جهات گوناگون حركت مي كنند

جلوگيري كند، تمامي مواردي را كه ذكر شد را مد نظر قرار مي دهد. اما اين اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشي از كتابخانه تجربه اتومبيل كه مي تواند از آن ياد بگيرد عمل نمي كنند، شيوه اي كه انسان ها

در هنگام رانندگي به آن صورت عمل مي كنند.

نظريه ذهن

در اين نقطه تفاوت بين ماشين هايي كه تا كنون ساخته ايم و ماشين هايي كه در آينده آنها را خواهيم ساخت مشخص مي شود.

ماشين آلات در كلاس بعدي كه پيشرفته تر است ، نه تنها تمثال هايي را درباره جهان دارند ، بلكه عوامل يا موجوديت هاي ديگر

   در جهان را نيز تشخيص مي دهند. در روانشناسي ، اين “تئوري ذهن” ناميده مي شود مفهوم اين تئوري درك اين مسئله است كه

افراد موجودات و اشيا مي توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گكه بر روي رفتار و عملكرد خودشان

تاثير مي گذارد. اين نوع درك براي چگونگي تشكيل جوامع انساني بساير حياتي است. بدون داشتن همچون دركي از اطراف و

فهميدن قصد از انجام كار هاي مختلف،در بهترين حالت تشكيل جوامع بسيار سخت خواهد وبود و در بدترين حالت تشكيل جوامع

غير ممكن مي شود. اگر سيستم هاي هوش مصنوعي واقعاً بخواهند در ميان ما گام بردارند ، بايد بتوانند درك كنند كه هر يك از

ما افكار و احساسات و انتظاراتي از نحوه رفتار با ما داريم. و آنها بايد رفتار خود را متناسب با آن تنظيم كنند.

خود آگاهي

مرحله آخر توسعه هوش مصنوعي ساخت سيستم هايي است كه بتوانند بازنمايي و خود آگاهي درباره خودشان ايجاد كنند. درنهايت ،

محققان هوش مصنوعي نه تنها بايد هوشياري را درك كنند بلكه بايد ماشين هايي بسازند كه داراي آن باشند. اين عملكرد، به تعبيري ،

شاخه اي از “نظريه ذهن” است كه توسط هوش مصنوعي نوع سوم اعمال مي شود. به يك دليل به آگاهي “خودآگاهي” نيز گفته مي شود.

براي مثال وقتي مي گوييم من آن مورد را مي خواهم يك جمله بسيار متفاوتي نسبت  به من مي دانم كه آن مورد را مي خواهم است.

موجودات هوشيار از خود آگاه هستند ، از حالات دروني خود اطلاع دارند و قادر به پيش بيني احساسات ديگران هستند. ما تصور مي كنيم

شخصي كه در ترافيك پشت سر ما بوق مي زند عصباني يا بي تاب است ، زيرا وقتي براي ديگران بوق مي زنيم چنين احساسي داريم.

بدون نظريه ذهن ، ما نمي توانيم چنين استنباط هايي داشته باشيم.

ادامه مطلب