هوش مصنوعي و كاربردهاي آن در پزشكي
هوش مصنوعي به هوشي كه يك ماشين از خود نشان مي‌دهد و يا به دانشي در كامپيوتر كه سعي در ايجاد آن دارد گفته مي‌شود. هنوز تعريف دقيقي براي هوش مصنوعي ارائه نشده است كه مورد قبول همه دانشمندان صاحب نظر در اين زمينه باشد و اين خود به علت آن است كه اساس اين موضوع يعني هوش مورد جنجال و اختلاف است و تعريف جامعي درباره آن وجود ندارد.
به طور كلي ماهيت وجودي هوش به مفهوم جمع آوري اطلاعات، استقرا و تحليل تجربيات به منظور رسيدن به دانش يا ارايه تصميم است. در واقع هوش به مفهوم به كارگيري تجربه به منظور حل مسائل دريافت شده تلقي مي‌شود. هوش مصنوعي علم و مهندسي ايجاد ماشين هايي با هوش با به كارگيري از كامپيوتر و الگوگيري از درك هوش انساني و يا حيواني و در نهايت دستيابي به مكانيزم هوش مصنوعي در سطح هوش انساني است.
در مقايسه هوش مصنوعي با هوش انساني مي‌توان گفت كه انسان قادر به مشاهده و تجـزيـه و تحليـل مسـايـل در جهـت قضاوت و اخذ تصميم است در حالي كه هوش مصنوعي مبتني بر قوانين و رويه‌هايي از قبل تعبيه شده بر روي كامپيوتر است. در نتيجه علي رغم وجود كامپيوترهاي بسيار كارا و قوي در عصر حاضر هنوز كسي قادر به پياده كردن هوشي نزديك به هوش انسان در ايجاد هوش هاي مصنوعي نيست.
ايجاد و ابداع فنون و تكنيك‌هاي لازم براي مديريت پيچيدگي را بايد به عنوان هسته بنيادين تلاش‌هاي علمي و پژوهشي گذشته، حال و آينده، در تمامي زمينه‌هاي علوم رايانه و به ويژه در هوش مصنوعي معرفي كرد. شيوه‌ها و تكنيك‌هاي هوش مصنوعي، در واقع، براي حل آن دسته از مسائل به وجود آمده است كه به طور سهل و آسان توسط برنامه‌نويسي تابعي (Functional programming)، يا شيوه‌هاي رياضي قابل حل نبوده‌اند.
امروزه دانش مدرن هوش مصنوعي به دو دسته تقسيم مي‌شود:
ا) هوش مصنوعي سمبليك يا نمادين (( Symbolic Artificial Intelligence )AI)
2) هــــوش غــيــــر ســمــبـلـيـــك يـــا پـيـــونـــدگـــرا ((Connection Artificial Intelligence (AI)
در مـيــان مـعــروف‌تــريـن شـاخـه‌هـاي هـوش مصنوعي سمبليك مي‌توان به سيستم‌هاي خبره (Expert Systems) و شبكه‌هاي Bayesian اشاره كـرد. امـا هـوش پيـونـدگـرا متكـي بـر يـك منطق استقرايي است و از رهيافت بهره مي‌گيرد. اين آموزش‌ها نه بر اساس نتايج و تحليل‌هاي دقيق آمــاري، بـلكـه مبتنـي بـر شيـوه آزمـون و خطـا و يادگيري از راه تجربه‌است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نمي‌گيرد، بلكه سيستم از طريق تجربه، خودش قـوانـين را استخراج ميكند. روش هاي ايجاد شـبـكـه‌هـاي عـصـبـي (Network Neural) و نيز به كـارگـيـري مـنطق فازي (Fuzzy Logic) در اين دسته قرار مي‌گيرد.
يـــكـــــي از اهـــــداف مــتــخــصــصــــان، تــــولــيــــد ماشين‌هايي است كه داراي احساسات بوده و دسـت كـم نـسـبت به وجود خود و احساسات خود آگاه باشند. اين ماشين بايد توانايي تعميم تجربيات قديمي خود در شرايط مشابه جديد را داشـتـه و بـه ايـن ترتيب اقدام به گسترش دامنه دانــش و تـجــربـيــات كـنــد.بـراي نمـونـه روبـاتـي هــوشـمـنــد كـه بـتـوانـد اعـضـاي بـدن خـود را بـه حــركــت درآورد، ايــن روبــات نـسـبــت بــه ايــن حركت خود آگاه بوده و با آزمون و خطا، دامنه حركت خود را گسترش مي‌دهد و با هر حركت مـوفقيت آميز يا اشتباه، دامنه تجربيات خود را وسعـت بخشيـده و سـر‌انجـام راه رفتـه يـا حتـي مي‌دود و يا به روشي براي جابجا شدن دست مــي‌يــابــد، كــه ســازنــدگــانــش بـراي او مـتـصـور نبـوده‌انـد.هـدف هـوش مصنـوعـي به طور كلي ساخت ماشيني است كه بتواند فكر كند. اما براي دسـتــه‌بـنــدي و تـعــريــف مــاشـيــن هــاي متفكـر، مي‌بايست به تعريف هوش پرداخت.
كاربردهاي هوش مصنوعي
سيستم هاي خبره (Expert Systems)
در يــــك تــعــــريــــف كــلــــي مــــي‌تـــوان گــفـــت سيستـم‌هـاي خبـره، بـرنـامـه‌هاي كامپيوتري‌اي هستنـد كـه نحـوه تفكـر يـك متخصـص در يك زمينه خاص را شبيه‌سازي مي‌كنند. در واقع اين نــرم‌افــزارهــا، الـگــوهــاي مـنطقـي‌اي را كـه يـك متخصص بر اساس آن‌ها تصميم‌گيري ميكند، شـنـاسـايـي و سـپـس بر اساس آن الگوها، مانند انسان‌ها تصميم‌گيري مي‌كنند.
يكي از اهداف هوش مصنوعي، فهم هوش انـسـانـي بـا شـبـيـه‌سـازي آن تـوسـط بـرنـامـه‌هاي كامپيوتري است. البته بديهي است كه هوش‌را مي‌توان به بسياري از مهارت‌هاي مبتني بر فهم، از جمله توانايي تصميم‌گيري، يادگيري و فهم زبان تعميم داد و از اين رو واژه‌اي كلي محسوب مي‌شود.
بيشتر دستاوردهاي هوش مصنوعي در زمينه تـصـمـيــم‌گـيــري و حــل مـسـئـلــه بـوده اسـت كـه اصلي‌ترين موضوع سيستم‌هاي خبره را شامل مــي‌شــونــد. بــه آن نــوع از بــرنــامــه‌هـاي هـوش مصنوعي كه به سطحي از خبرگي مي‌رسند كه مي‌توانند به جاي يك متخصص در يك زمينه خاص تصميم‌گيري كنند، Expert Systems يا سيستم‌هاي خبره گفته مي‌شود. اين سيستم‌ها برنامه‌هايي هستند كه پايگاه دانش آن‌ها انباشته از اطلاعاتي است كه انسان‌ها هنگام تصميم‌گيري درباره يك موضوع خاص، براساس آن‌ها تصميم مي‌گيرند. روي اين موضوع بايد تأكيد كرد كه هيچ يك از سيستم‌هاي خبره‌اي كه تا‌كنون طراحي و بـرنـامـه‌نـويسـي شـده‌انـد، همـه منظـوره نبـوده‌انـد و تنهـا در يـك زمينـه محـدود قـادر به شبيه‌سازي فرايند تصميم‌گيري انسان هستند. به محدوده اطلاعاتي از الگوهاي خبرگي انسان كه به يك سيستم خبره منتقل مي‌شود Task Domain گفته مي‌شود. اين محدوده، سطح خبرگي يك سيستم خبره را مشخص ميكند و نشان مي‌دهد كه آن سيستم خبره براي چه كارهايي طراحي شده است. سيستم خبره با اين Taskها يا وظايف مي‌تواند كارهايي چون برنامه‌ريزي، زمان‌بندي و طراحي را در يك حيطه تعريف شده انجام دهد.
به روند ساخت يك سيستم خبره، Knowledge Engineering يا مهندسي دانش گفته مي‌شود. يك مهندس دانش بايد اطمينان حاصل كند كه سيستم خبره طراحي شده، تمام دانش مورد نياز براي حل يك مسئله را دارد. طبيعتا در غير اين‌صورت، تصميم‌هاي سيستم خبره قابل اطمينان نخواهند بود.
ساختار يك سيستم خبره
هــر سـيـسـتــم خـبــره از دو بـخــش مجـزا سـاختـه شـده اسـت: پـايگـاه دانـش و مـوتـور تصميم‌گيري. 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 ويـژه، تـصـمـيـمـات بـهـتـري اتـخـاذ خـواهـد كـرد. دانـش مـبـتـنـي بر ساختار Heuristic در سيستم‌هاي خبره اهميت زيادي دارد اين نوع دانش مي‌تواند به تسريع فرآيند حل يك مسئله كمك كند .
البته يك مشكل عمده در ارتباط با به كارگيري دانش Heuristic آن است كه نمي‌توان در حل همه مسائل از اين نوع دانش استفاده كرد.
چند سيستم خبره مشهور
از نـخـسـتـيـن سـيـسـتـم‌هـاي خـبـره مـي‌تـوان بـه Dendral اشاره كرد كه در سال 1965 تـوسـطEdward Feigenbaum و Joshun Lederberg پـژوهـشـگـران هـوش مصنوعي در دانشگاه استنفورد ساخته شد.
وظـيـفـه ايـن بـرنـامـه كـامـپـيـوتـري، تـحـلـيـل‌هـاي شـيـمـيـايـي بـود. مـاده مورد آزمايش مي‌توانست تركيبي پيچيده از كربن، هيدروژن و نيتروژن باشد. Dendral مي‌توانست با بررسي آرايش و اطلاعات مربوط به يك ماده، ساختار مولكولي آن را شبيه‌سازي كند. كاركرد اين نرم‌افزار چنان خوب بود كه مي‌توانست با يك متخصص رقابت كند.
از ديگر سيستم‌هاي خبره مشهور مي‌توان به MYCIN اشاره كرد كه در سال 1972 در استنفورد طراحي شد. MYCIN برنامه‌اي بود كه كار آن تشخيص عفونت‌هاي خوني با بررسي اطلاعات به دست آمده از شرايط جسمي بيمار و نيز نتيجه آزمايش‌هاي او بود. آنچه در نهايت مي‌توان گفت آن است كه يكي از مزيت‌هاي سيستم‌هاي خبره اين است كـه مـي‌تـوانـنـد در كـنـار مـتـخـصصان انساني مورد استفاده قرار بگيرند كه ماحصل آن تصميمي مبتني بر تخصص انساني و دقت ماشيني است. اين فناوري از ديد تجاري نيز براي توسعه‌دهندگان آن سودآور است
منطق فازي (Fuzzy Logic)
تئوري مجموعه‌هاي فازي و منطق فازي را اولين بار پرفسور لطفي‌زاده در رساله‌اي به نام مجموعه‌هاي فازي ، اطلاعات و كنترل در سال 1965 معرفي كرد. هدف اوليه او در آن زمان، توسعه مدلي كارآمدتر براي توصيف فرآيند پردازش زبان‌هاي طبيعي بود.
مجموعه‌هاي فازي
بـنـياد منطق فازي بر شالوده نظريه مجموعه‌هاي فازي استوار است. اين نظريه تعميمي از نظريه كلاسيك مجموعه‌ها در علم رياضيات است. در تئوري كلاسيك مجموعه‌ها، يك عنصر، يا عضو مجموعه است يا نيست. در حقيقت عضويت عناصر از يك الگوي صفر و يك و باينري تبعيت ميكند. اما تئوري مجموعه‌هاي فازي اين مفهوم را بسط مي‌دهد و عضويت درجه‌بندي شده را مطرح ميكند.
منطق فازي را از طريق قوانيني كه عملگرهاي فازي ناميده مي‌شوند، مي‌توان به‌كار گرفت. اين قوانين معمولا بر اساس مدل شكل1 تعريف مي‌شوند.
به عنوان مثال فرض كنيد مي‌خواهيد يك توصيف فازي از دماي يك اتاق ارائه دهيد. در اين صورت مي‌توان چند مجموعه فازي تعريف كرد كه از الگوي تابع u)x( تبعيت كند. شكل 2 نموداري از نگاشت متغير دماي هوا به چند مجموعه‌فازي با نام‌هاي سرد، خنك، عادي، گرم و داغ است. چنان كه ملاحظه مي‌كنيد، يك درجه حرارت معين ممكن است متعلق به يك يا دو مجموعه باشد.
به عنوان نمونه، درجه حرارت‌هاي بين دماي 1T و 2T 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 تنها به اندازه چند صـدم در مـجـمـوعـه سـرد عضويت دارد، اما نزديك نود درصد در مجموعه خنك عضويت دارد. منطق فازي، همچون منطق كلاسيك تعدادي عملگر پايه دارد. مثلا در منطق كلاسيك از عملگرهاي AND و OR وNOT استفاده مي‌شود.
تفاوت ميان نظريه احتمالات و منطق فازي
يـكـــي از مـبـــاحـــث مـهـــم در مـنـطــق فــازي، تـمـيــزدادن آن از نـظــريــه احـتـمــالات در عـلــم ريـاضيـات اسـت. غـالبـا نظـريـه فـازي بـا نظريه احتمالات اشتباه مي‌شود. در حالي كه اين دو مفهوم كاملا با يكديگر متفاوتند. اين موضوع به قدري مهم است كه حتي برخي از دانشمندان بزرگ علم رياضيات در دنيا به‌ويژه كشورهاي غـربـي در مـورد آن بـا يكـديگـر بحـث دارند و جالب آن كه هنوز هم رياضيداناني وجود دارند كه با منطق فازي مخالفند و آن را يك سوء تعبير از نظريه احتمالات تفسير مي‌كنند.
با اين حال، اكثريت طرفداران نظريه منطق فازي، كارشناسان و متخصصاني هستند كه به طـور مستقيـم يـا غيـرمستقيـم بـا علـم مهنـدسي كنترل سروكار دارند. حتي تعدادي از پيروان منطق فازي همچون بارت كاسكو تا آنجا پيش مــــــي‌رونــــــد كــــــه احــتــمـــــالات را شـــــاخـــــه و زيرمجموعه‌اي از منطق فازي مي‌نامند.
تفاوت ظريف و در عين حال پررنگي ميان نظريه احتمالات و نظريه فازي وجود دارد كه اگر دقت نشود، دچار اشتباه مي‌شويد؛ زيرا اين دو نـظريه معمولا در كنار يكديگر و در مورد اشـيـاي مـخـتـلـف هـمـزمـان مـصـداق‌هـايي پيدا مي‌كنند.
كاربردهاي منطق فازي
مـنـطــق فــازي كــاربــردهـاي مـتـعـددي دارد. ســاده‌تــريــن نمـونـه يـك سيستـم كنتـرل دمـا يـا ترموستات است كه بر اساس قوانين فازي كار ميكند. سال‌ها است كه از منطق فازي براي كـنـتـرل دمـاي آب يـا مـيـزان كـدرشـدن آبي كه لـبـاس‌هـا در آن شـسـتـه شـده‌انـد در ساختمان اغلب ماشين‌هاي لباسشويي استفاده مي‌شود.
امروزه ماشين‌هاي ظرفشويي و بسياري از ديـگر لوازم خانگي نيز از اين تكنيك استفاده مي‌كنند. منطق فازي در صنعت خودروسازي نيز كاربردهاي فرواني دارد. مثلا سيستم ترمز و ABS در بــرخــي از خــودروهـا از منطـق فـازي اســتــفـــاده مـــي‌كــنـــد. يـكــي از مـعــروف‌تــريــن نــمـــونـــه‌هــاي بــه‌كــارگـيــري مـنـطــق فــازي در سـيـسـتـم‌هـاي تـرابـري جـهان، شبكه مونوريل (قـطـار تـك ريـل) تـوكـيـو در ژاپـن است. ساير سـيـسـتـم‌هـاي حـركـتـي و جـابه‌جايي بار، مثل آسانسورها نيز از منطق فازي استفاده مي‌كنند.
سيستـم‌هـاي تهـويـه هـوا نيز به طور فراوان منطق فازي را به‌كار مي‌گيرند. از منطق فازي در سيستـم‌هـاي پـردازش تصـويـر نيـز استفـاده مـي‌شـود. يـك نـمـونـه از ايـن نـوع كاربردها را مي‌توانيد در سيستم‌هاي <تشخيص لبه و مرز> اجسام و تصاوير مشاهده كنيد كه در روباتيك نـيـز كـاربـردهـايـي دارد. بـه طـور كلي خيلي از مـواقـع در سـاخـتـمـان سـيـسـتـم‌هـاي تشخيص الگوها (Pattern Recognition) مثل سيستم‌هاي تـشـخـيـص گـفـتـار و پـردازش تصوير از منطق فازي استفاده مي‌شود.
منطق فازي و هوش مصنوعي
جـالـب‌تـريـن كـاربرد منطق فازي، تفسيري است كه اين علم از ساختار تصميم‌گيري‌هاي مـوجـودات هـوشمند، و در راس آن‌ها هوش انساني، به دست مي‌دهد.
اين منطق به خوبي نشان مي‌دهد كه چرا منطق دو ارزشـي صفـر و يـك در رياضيات كلاسيك قادر به تبيين و توصيف مفاهيم نادقيقي همچون گــــــرمــــــا و ســــــرمــــــا كــــــه مـــبــنـــــاي بــســيـــــاري از تصميم‌گيري‌هاي هوشمند را تشكيل مي‌دهند، نيست. شايد يكي از جالب‌ترين كاربردهاي منطق فازي هوش مصنوعي در بازي‌هاي رايانه‌اي و جلوه‌هاي ويژه سينمايي باشد.
شبكه هاي عصبي (Neural Network)
شبكـه‌هـاي عصبـي را مـي‌تـوان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساسا 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. مي‌دانيد كه حتي سـاده‌تـرين مغز‌هاي جانوري هم قادر به حل مسائلي هستند كه اگر گفته نشود كه كامپيوترهاي امروزي از حل آن ها عاجز هستند، حداقل در حل آن ها دچار مشكل مي‌شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه‌اي از مواردي هستند كه روش‌هاي معمول محاسباتي براي حل آن ها به نتيجه مطلوب نمي‌رسند. در حالي‌كه مغـز سـاده‌تـريـن جـانـوران به راحتي از عهده چنين مسائلي بر مي‌آيد. تصور عموم كارشناسان IT)Information Technology) 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 (Patterns) ذخيره ميكند. فرايند ذخيره‌سازي اطلاعات به‌صورت الگو و تجزيه و تحليل آن الگو، اسـاس روش نـويـن محـاسبـاتـي را تشكيـل مـي‌دهنـد. اين حوزه از دانش محاسباتي (Computation) بـه هيـچ وجـه از روش‌هـاي بـرنـامه‌نويسي سنتي استفاده نمي‌كند و به‌جاي آن از شبكه‌هاي بزرگي كه به‌صورت موازي آرايش شده‌اند و تعليم يافته‌اند، بهره مي‌جويد.
شباهت با مغز
يكي ازسلول‌هاي عصبي، معروف به نرون (Neuron) است كه دانش بشري آن را به عنوان سازنده اصلي مغز مي‌انگارد. سلول‌هاي عصبي قادرند تا با اتصال به يكديگر تشكيل شبكه‌هاي عظيم بدهند. گفته مي‌شود كه هر نرون مي‌تواند به هزار تا ده هزار نرون ديگر اتصال يابد.
قدرت خارق‌العاده مغز انسان از تعداد بسيار زياد نرون‌ها و ارتباطات بين آن ها 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 پـيـچـيــده‌اي اسـتـفــاده مــي‌كـنـنــد. در واقـع، شبكـه‌هـاي عصبـي شبيـه‌سـازي شـده يـا 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 مـكـانـيـسـم ديـگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكه‌هاي بيولوژيك است.
روش كار نرون‌ها
در شكل3، نماي ساده شده‌اي از ساختار يك نرون بيولوژيك نمايش داده شده اسـت. بـه‌طور خلاصه، يك نرون بيولوژيك، پس از دريافت سيگنال‌هاي ورودي (به‌شكل يك پالس الكتريكي) از سلول‌هاي ديگر، آن سيگنال‌ها را با يكديگر تركيب كـرده و پـس از انـجـام يـك عـمـل (Operation) ديـگـر بـر روي سيگنال تركيبي، آن را به‌صورت خروجي ظاهر مي‌سازد.
هـمـان‌طور كه در شكل مشاهده مي‌كنيد، نرون‌ها از چهار بخش اصلي ساخته شــــده‌انـــد. دنـــدريـــت‌هـــا (Dendrite)، ســـومـــا (Soma)، اكــســـان (Axon) و بـــالاخـــره سيناپس (Synapse) دندريت‌ها، همان اجزايي هستند كه به‌شكل رشته‌هاي طويل از مركز سلول به اطراف پراكنده مي‌شوند. دندريت‌ها نقش كانال‌هاي ارتباطي را براي انـتـقــال‌دادن سـيـگـنــال‌هــاي الكتـريكـي بـه مـركـز سلـول بـر عهـده دارنـد. در انتهـاي دنـدريـت‌هـا، سـاخـتـار 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 شد، مي‌تواند يك عمل جمع جبري ساده باشد.البته تحقيقات جديد نمايانگر اين واقعيت هستند كه نرون‌هاي بيولوژيك بسيار پيچيده‌تر از مدل ساده‌اي هستند كه در بالا اشاره شد . اما همين مدل ساده مي‌تواند زيـربـنـاي مستحكمي براي دانش شبكه‌هاي عصبي مصنوعي (Artificial Neural Network - ANN) تـلـقـي شـود و مـتـخـصـصـان گـرايش شبكه‌هاي عصبي يا هوش مصنوعي مـي‌تـوانـنـد بـا پـيـگـيـري كـارهـاي دانـشـمـنـدان علوم زيست‌شناسي، به بنيان‌گذاري ساختارهاي مناسب‌تري در آينده دست بزنند.
مدل رياضي
در متون فني براي نمايش مدل ساده‌اي كه در بالاتشريح شد، به طور معمول از شـكـلي مشابه شكل4 استفاده مي‌شود. در 
اين شكل كلاسيك، از علامت p براي نشان‌دادن 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 مـي‌شود. 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 فرايند ديگري واقع مي‌شود كه در اصطلاح فني به آن تابع انتقال (Transfer Function) مي‌گويند. اين موضوع در شكل به وسيله 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 = fpw + 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.
طراح شبكه با اندازه‌گيري خروجي و با انتخاب پارامترهاي w 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.
تـابـع f مـي‌تواند بر حسب كاربردهاي گوناگون به طور رياضي، به شكل هاي متفاوتي انتخاب شود. در برخي از كاربردها، پاسخ مسائل از نوع دودويي است. مثلا 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.
در گروه ديگري از مسائلي كه حل آن‌ها به شبكه‌هاي عصبي واگذار مي‌شود، خروجي شبكه عصبي الزاما بين مقادير معلوم و شناخته شده‌واقع نمي‌شود. مسائلي از نوع شناسايي الگوهاي تصويري، نمونه‌اي از چنين مواردي محسوب مي‌شوند. شـبـكـه‌هاي عصبي در اين موارد، بايد به‌گونه‌اي باشند كه قابليت توليد مجموعه نــامتنـاهـي از پـاسـخ‌هـا را داشتـه بـاشنـد. رفتـار حركتي يك روبات نمونه‌اي از هوشي است كه چـنـيـن شـبـكـه‌هـاي عـصـبـي مـي‌تـوانـنـد فراهم آورند. اما در چنين شبكه‌هايي هم لازم خواهد بود كه خروجي بين مقادير مشخصي محدود شده باشد.
فرض كنيد قرار است 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 هـر صـورت، پـس از آنكـه ورودي‌هـا با يكديگر تركيب شدند، سيگنال حاصل به واحد ديــگـــري كـــه در آن تــابــع انـتـقــال يــا Transfer Function بـه سـيـگـنال اعمال مي‌شود، هدايت مـي‌شـود. خـروجـي ايـن بـخـش، سـيگنال‌هاي حقيقي خواهند بود. بدين ترتيب جعبه‌اي در دست خواهيد داشت كه تعداد n عدد سيگنال ورودي را به m عدد سيگنال خروجي تبديل ميكند.
عمليات شبكه‌هاي عصبي
تا اينجا تمام توجه معطوف به ساختار دروني يك نرون مصنوعي يا المان پردازشي بود. اما بخش مهم ديگري در مراحل طراحي يك شبكه عصبي نيز وجود دارد . در واقع هنر يك طراح شبكه‌هاي عصبي مي‌تواند در چگونگي تركيب نرون‌ها در يك شبكه (Neuran Clustering )، متجلي شود. علوم بيولوژي نشان داده‌اند كه كلاسترينگ نرون‌ها در شبكه عصبي مغز به‌گونه‌اي است كه فرد را قادر مي‌سازد تا اطلاعات را به‌صورتي پويا، تعاملي و خودسامان (Self organizing) پردازش كند. در شبكه‌هاي عصبي بيولوژيك، نرون‌ها در ساختار‌ي سه بعدي به يكديگر اتصال يافته‌اند. اتصالات بين نرون‌ها در شبكه‌هاي عصبي بيولوژيك آنقدر زياد و پيچيده است كه به هيچ وجه نمي‌توان شبكه مصنوعي مشابهي طراحي كرد.
تكنولوژي مدارات مجتمع امروز اين امكان را مـي‌دهـد كـه شبكه‌هاي عصبي را در ساختارهاي دو‌بـعـــدي طـــراحـــي كــرد. عــلاوه بــر ايــن، چـنـيــن شبكه‌هاي مصنوعي داراي تعداد محدودي لايه و اتصـالات بين نرون‌ها خواهند بود. بدين ترتيب، اين واقعيات و محدوديت‌هاي فيزيكي تكنولوژي فعلي، دامنه كاربردهاي شبكه‌هاي عصبي مبتني‌بر تكنولوژي سيليكوني را مشخص مي‌سازند.
ساختار شبكه‌هاي عصبي امروزي، از لايه‌هاي نــرونـي تشكيـل شـده اسـت. در چنيـن سـاختـاري، نــرون‌هــا عـلاوه بـر آن كـه در لايـه خـود بـه شـكـل محدودي به يكديگر اتصال داده شده‌اند، از طريق اتصال بين لايه‌ها نيز به نرون‌هاي طبقات مجاور ارتباط داده مي‌شوند.
تلاش محققان در زمينه شبكه‌هاي عصبي نشان داده اسـت كـه شبكـه‌هـاي عصبـي، چيـزي بيش از مقـداري نرون كه به يكديگر اتصال داده شده‌اند، هستند. حتي گروهي از محققان سعي داشته‌اند كه از اتصـالات تصـادفـي بـراي ارتبـاط دادن نـرون بـه يكديگر استفاده كنند كه در اين زمينه به نتايج جالب توجهي دست نيافتند. امروزه مشخص شده است كه در ساده‌ترين مغز‌هاي بيولوژيك مانند مغز مارها هم ارتباطات بين نرون‌ها بسيار ساختار يافته است. در حــال حــاضــر يـكــي از ســاده‌تــريــن روش‌هـاي ارتباط‌دهي نرون‌ها در شبكه‌هاي عصبي، آن است كه ابتدا نرون‌ها در گروه‌هاي مشخصي به صورت لايـه‌هـاي نـرونـي سـازمان‌دهي مي‌شوند و پس از تامين ارتباطات بين‌نروني در هر لايه، ارتباطات بين لايه‌ها نيز برقرار مي‌شوند.
اگــرچـه در كـاربـردهـاي مـشـخـصـي مـي‌تـوان بـا موفقيت از شبكه‌هاي عصبي تك لايه استفاده كرد، اما رسم بر آن است كه شبكه‌هاي عصبي حداقل داراي سه لايه باشند ( لايه ورودي، لايه خروجي و نهايتا لايه پنهان يا لايه مياني.)
در بـسـيــاري از شـبـكــه‌هــاي عصبـي، اتصـالات بين‌نروني به گونه‌اي است كه نرون‌هاي لايه‌هاي مياني، ورودي خود را از تمام نرون‌هاي لايه پاييني خــود (بــه طــور مـعـمــول لايـه نـرون‌هـاي ورودي) دريافت مي‌كنند. بدين ترتيب در يك شبكه عصبي، سيگنال‌ها به تدريج از يك لايه نروني به لايه‌هاي بـالاتر حركت مي‌كنند و در نهايت به لايه آخر و خروجي شبكه مي‌رسند. چنين مسير در اصطلاح فـنــي Feed Forward نــامـيــده مــي‌شــود. ارتـبـاطـات بـيـن‌نـروني در شبكه‌هاي عصبي از اهميت بسيار زيـادي بـرخـوردار هـسـتـنـد و بـه نوعي قدرت يك شبكه عصبي را تعيين مي‌كنند. قاعده آن است كه ارتبـاطـات بيـن نـرونـي را بـه دو گروه تقسيم‌بندي مـــي‌كـنـنـــد. يـــك نــوع از ارتـبــاطــات بـيــن نــرونــي، به‌گونه‌اي هستند كه باعث جمع شدن سيگنال در نـرون بعـدي مـي‌شـونـد. گـونـه دوم ارتبـاطـات بين نــرونــي بــاعــث تـفــريــق سـيـگـنــال در نــرون بعـدي مــي‌شــونــد. در اصـطــلاح مـحــاوره‌اي گــروهـي از ارتـبـاطـات انگيـزش ايجـاد مـي‌كننـد و گـروه ديگـر ممانعت به عمل مي‌آورند.
در مـواردي، نـرون مـشـخـصـي از شـبكه عصبي تمايل دارد كه سيگنال ديگر نرون‌هاي لايه خود را ناديده بگيرد. چنين حالتي به طور معمول در لايه خـــروجـــي ايــجـــاد مــي‌شــود. بــه عـنــوان مـثــال، در كاربردهاي تشخيص متن (OCR)، فرض كنيد كه احتمال آنكه كاراكتر مورد شناسايي، حرف P باشد برابر با 85 درصد تعيين شده است و به همين ترتيب احـتـمـال آن كـه كـاراكتر مورد نظر حرف F باشد، 65درصــد تـخـمـيــن زده اســت. در ايـن وضـعـيـت، سيستم بايد كاراكتري را برگزيند كه داراي درصد احـتـمــال بــزرگ‌تـر اسـت. در نتيجـه در ايـن شبكـه عصبي، نرون‌هايي كه خروجي F را تجويز مي‌كنند، بـايـد ناديده گرفته شوند يا Inhibit شوند. به چنين فرايندي، Lateral Inhibition گفته مي‌شود.
نوع ديگري از ارتباط بين نروني در شبكه‌هاي عصبـي بـه ارتبـاط بـازخورد يا Feedback معروف است. در اين نوع از ارتباطات، خروجي يك لايه نـرونـي بـه لايـه قبلـي (يا به لايه‌اي كه چند مرحله پايين‌تر است) اتصال داده مي‌شود.
آموزش شبكه‌هاي عصبي
تا اينجا ساختار شبكه‌هاي عصبي مورد بررسي قــرار گــرفــت و گـفـتــه شـد كـه شبكـه‌هـاي عصبـي مـي‌تـوانـنـد بـر اسـاس طـراحـي خـود سـيـگنال‌هاي ورودي را پردازش كنند و به سيگنال‌هاي خروجي مورد نظر تبديل نمايند. به طور معمول، پس از آن كه يك شبكه عصبي طراحي و پياده‌سازي شد، بايد پـــارامـتــرهــاي w و b بــه ازاي مـجـمــوعــه‌هــايــي از سـيـگنال‌هاي ورودي، به‌گونه‌اي تنظيم شوند كه سيگنال‌هاي خروجي شبكه خروجي مطلوب را تشكيل دهند. چنين فرايندي را آموزش ديدن شبكه عـصـبـي مـي‌نـامـنـد (در نـخـسـتـيـن مـرحله آموزش، مقادير w و b به‌طور تصادفي انتخاب مي‌شوند. زيرا تا اين پارامترها مقدار نداشته باشند، شبكه عصبي قابل استفاده نخواهد بود) در حين آموزش ديدن شـبـكـه عـصبي (يعني به تدريج همزمان با افزايش دفعاتي كه مقادير پارامترها براي رسيدن به خروجي مـطـلـوب‌تـر، تـنـظـيم مي‌شوند) مقدار پارامترها به مقدار حقيقي و نهايي خود نزديك‌تر مي‌شوند.
بــــه‌طــــور كــلـــي دو روش بـــراي آمـــوزش دادن شبكه‌هاي عصبي وجود دارد. روش Supervised و روش Unsupervised. روش نـــخـــســـــت، شـــــامـــــل مـراحـلي است كه در بخش قبل، به طور مختصر شرح داده شد. اما در روش Unsupervised ، شبكه عـصـبـي بـايـد بدون كمك گرفتن از جهان خارج، بتواند كار آموزش را انجام دهد.
واقـــعـــيـــــت آن اســــت كــــه در عــمــــل از روش Supervised و يــا حــداكـثــر از روش‌هـاي تـركـيـبـي استفاده مي‌شود و فرايند آموزش Unsupervised به شكل خالص تنها وعده‌اي است كه شايد در آينده بتواند تحقق يابد.
در حـال حـاضـر و در كـاربـردهـاي پـيـشرفته، از روش آموزش Unsupervised براي ايجاد تنظيمات اولـيـه بـر روي سـيـگـنـال‌هـاي ورودي شـبـكـه‌هـاي عصبـي استفـاده مـي‌شـود و بـاقـي مـراحل آموزش شبكه به روش Supervised ادامه مي‌يابد.
همانطور كه قبلا اشاره شد، در روش معمول آمــــــــــــوزش شــــــبــــــكــــــــــــه‌هـــــــــــاي عـــــصـــــبـــــــــــي، از مـجـمـوعـه‌شـنـاخـته‌شده‌اي از داده‌هاي ورودي و خـروجـي‌هـاي مـتـنـاظر آن ها (Training Set Data) براي آموزش دادن شبكه استفاده مي‌شود. در چنين فـرايـنـدي، پـس از اعـمـال مـجـموعه‌هاي داده‌هاي آمـوزشـي، پـارامـتـرهـاي شـبـكه به تدريج به سمت مقادير نهايي خود همگرا مي‌شوند.
بـسـته‌هاي نرم‌افزاري پيشرفته توليد و طراحي شـبكه‌هاي عصبي، داراي ابزارهايي هستند كه بر رونــد آمـوزش شـبـكـه مـديـريـت مـي‌كـنـنـد. چـنـيـن ابزارهايي مي‌توانند سرعت همگرايي پارامترهاي شبكه را زير نظر بگيرند و به عنوان مثال، اجازه دهند كه پارامترهاي يك شبكه مشخص، در طول چندين روز به دقت كافي و مورد نظر طراحان خود برسد.
در مواردي ممكن است كه شبكه‌عصبي اصولا موفق به فراگيري نشود. بدين معني كه پارامترهاي شبكه پس از زمان‌هاي طولاني به مقدار مشخصي همگـرا نشـود. چنيـن مـواردي ممكـن اسـت بر اثر نـاكـافـي بـودن داده‌هـاي آمـوزشـي يـا اصولا نقص طراحي شبكه ايجاد شوند. حتي مواردي در عمل وجــود دارنــد كـه شبكـه عصبـي مشخصـي، بـر اثـر آموزش بيش از حد، اصطلاحا Over Trained شود. تـوجـه داشـتـه باشيد كه فرايند آموزش شبكه‌هاي عصبي فقط به ازاي زير مجموعه‌اي از داده‌هايي كه قـرار است شبكه آن ها را در كاربرد حقيقي خود پردازش كند، آموزش داده مي‌شوند. در صورتي كه تعداد داده‌هاي آموزشي يك شبكه عصبي بيش از اندازه زياد باشد (در واقع از تمامي داده‌هاي مسئله براي آموزش دادن به شبكه استفاده شود)، شبكه عـصـبـي بـه جـاي آن كـه آمـوزش بـبـيـنـد، به حالتي مي‌رسد كه به آن حفظ كردن اطلاعات مي‌گويند. در واقع به جاي آن كه يك شبكه عصبي براي حل مسئلـه از هوش خود كمك بگيرد، از محفوظات خود استفاده ميكند.
پـس از آن كه يك شبكه عصبي به اندازه كافي آمــوزش ديــد، طــراح يــا كــاربــر شـبـكــه مــي‌تــوانـد پارامترهاي شبكه را قفل كند. در اين مرحله شبكه عصبي براي كاربرد واقعي خود و حل مسائل آماده خواهد بود. در برخي از ابزارهاي توليد و طراحي شـبـكـه‌هـاي عـصـبـي، كـل شـبـكـه عـصبي به همراه پارامترهاي قفل شده آن، تبديل به نرم‌افزار مستقلي مي‌شوند كه مي‌توان از آن در پروژه‌هاي مشخصي اسـتـفــاده كــرد. در بــرخــي از مــوارد ديـگـر، چـنـيـن شـبـكـــه‌هـــايـــي پـــس از آمـــوزش ديــدن، بــه شـكــل سخـت‌افـزاري در قـالـب يك مدار مجتمع (IC) به توليد انبوه يا نيمه انبوه مي‌رسند.
آموزش Unsupervised يا تطبيقي (Adaptive)
در مــــورد ايــــن روش آمـــوزش گـفـتـــه شـــد كـــه شـبـكـه‌عـصـبـي بـدون در اخـتـيـار داشـتـن داده‌هاي خروجي، در معرض آموزش قرار مي‌گيرد. در واقع سيستم به تنهايي و بدون كمك خارجي بايد با توجه به شكل سيگنال‌هاي خروجي خود، درباره درستي و نادرستي آن ها تصميم‌گيري كند. در دنياي واقعي شــرايــط بـسـيــار زيـادي وجـود دارنـد كـه در آن هـا مجمـوعـه اطـلاعـات كـافـي بـراي آموزش دادن به سـيستـم فـراهـم نيستنـد. تحقيقـات نظـامـي يكـي از گرايش‌هايي است كه به اين موضوع توجه دقيقي دارد. به عنوان مثال گفته مي‌شود كه شرايط جنگي بـه دلـيـل فـراوانـي پـارامـتـرها و تكنيك‌هاي نظامي متغير و پيشرفت‌هاي تكنولوژي نظامي، از نمونه مواردي است كه در آن ها به هيچ وجه نمي‌توان مجموعه داده‌هاي آموزشي كافي به دست آورد. در اين زمينه يكي از محققان شبكه‌هاي عصبي، به نام Tuevo Kohonen از دانـشـگــاه هـلـسـيـنكـي فعـاليتـي جـدي دارد. كـوهـنـن بـا تـحقيقات در ساختارهاي عصبي غيرمتعارف، به پژوهش در اين زمينه ادامه مـي‌دهـد. كـوهـنـن، نـرون‌هـاي شـبـكـه‌عـصبي را به زمــيــنـــه‌هـــاي مــخــتــلــفــي تـقـسـيــم‌بـنــدي مــي‌كـنــد. گــروه‌بـنــدي‌هــاي سـه‌بـعـدي كـه در سـاخـتـار مـغـز پــســتــــانــــداران يـــافـــت شـــده اســـت، نـمـــونـــه‌اي از مــرتـب‌سـازي تـوپـولـوژيـك مـحـسـوب مـي‌شـونـد. كـــوهـنـــن مـعـتـقـــد اســـت كـــه فـقـــدان مـــلاحـظـــات تـوپـولـوژيـك در مدل‌هاي عصبي امروزي، باعث مـي‌شـود كـه شبكه‌هاي عصبي امروزي، مدل‌هاي ساده شده‌اي از شبكه‌هاي عصبي واقعي موجود در مـغـز مـحـسوب شوند. در هر صورت اين حوزه از مبحث شبكه‌هاي عصبي، هنوز در مرحله تحقيقات آزمايشگاهي قرارداد و كاربرد واقعي نيافته است.
تفاوت‌هاي شبكه‌هاي عصبي با روش‌هاي محاسباتي متداول و سيس
تمهاي خبره
شبكه‌هاي عصبي روش متفاوتي براي پردازش و آناليز اطلاعات ارائه مي‌دهند. اما نبايد اين گونه استنباط شود كه شبكه‌هاي عصبي مي‌توانند براي حـل تـمـام مـسـائـل مـحـاسـبـاتي مورد استفاده واقع شوند. روش‌هاي محاسباتي متداول همچنان براي حـــل گـــروه مــشــخــصـــي از مــســـائـــل مــانـنــد امــور حسابداري، انبارداري و محاسبات عددي مبتني بر فـرمـول‌هـاي مـشـخـص، بـهـتـريـن گـزيـنه محسوب مي‌شوند. جدول 1، تفاوت‌هاي بنيادي دو روش محاسباتي را نشان مي‌دهد.
شبكه‌هاي عصبي در مسيري گام برمي‌دارند كه ابـزارهـا تـوانـايـي فـراگـيـري و بـرنـامه‌ريزي خود را داشته باشند. ساختار شبكه‌هاي عصبي به گونه‌اي اسـت كـه قـابـلـيـت حـل مـسئله را بدون كمك فرد مـتـخـصـص و بـرنـامـه‌ريزي خارجي داشته باشند. شـبـكـه‌هـاي عـصـبـي قـادر بـه يـافـتـن الـگـوهـايـي در اطـلاعـات هستند كه هيچ‌كس، هيچ‌گاه از وجود آن‌ها اطلاع نداشته است.
درحــالــي كــه سـيـسـتــم‌هــاي خـبــره در عـمـل بـه مـوفقيـت‌هاي بسياري دست يافته‌اند، شبكه‌هاي عـصبـي در كـاربـردهـايـي همچـون ديـد مصنـوعـي، تشخيص و توليد پيوسته گفتار، فراگيري ماشيني و نظاير آن با مشكلاتي روبرو بوده‌اند. در حال حاضر شبكه‌هاي عصبي كاملا وابسته به سرعت پردازنده سيستم اجرا كننده هستند.
بينايي ماشين
از ميان همه شاخه‌هاي هوش مصنوعي، شايد كـاربـردي‌تـريـن آن‌هـا كامپيوتري و مكانيزه كردن سيستم‌هاي بينايي باشد. دامنه كاربرد اين شاخه از فـنــاوري در حــال رشــد، بـسـيــار وسـيـع اسـت و از كاربردهاي عادي و معمولي مثل كنترل كيفيت خط توليد و نظارت ويدئويي گرفته تا تكنولوژي‌هاي جديد مثل اتومبيل‌هاي بدون راننده را دربرگرفته اسـت. دامنـه كـاربـردهـاي اين تكنولوژي براساس تكنيك‌هاي مورد استفاده در آن‌ها تغيير ميكند.
كنترل كيفيت خط توليد
يـكــي از كــاربــردهـاي بينـايـي مـاشيـن در كنتـرل كـيـفـيــت خــروجــي كــارخــانــه‌هــا اســت. اجـنــاس توليد‌شده در كارخانه كه برروي يك نوار نقاله قرار گرفته‌اند و توسط يك دوربين CCD براي آزمايش ديـده مـي‌شـونـد و مـحـصـولات بـا كـيفيت مناسب اجـازه عـبـور پـيـدا خواهندكرد. چنانچه محصولي داراي اسـتانداردهاي مناسب نباشد از ادامه مسير حـذف مـي‌شـود. مـعـيـار ايـن استانداردها مي‌تواند لبه‌هاي زائد، خراشيدگي و بادكردگي و تورم روي فلزات و بسياري چيزهاي ديگر باشد.
عكس‌برداري 
در ايـن مـثـال سـعـي در مـكـانيزه كردن فرآيندي يـكـنواخت است كه به‌صورت معمول و تكراري توسط انسان انجام مي‌شود . اولين مسأله و مشكل اين است كه چگونه عكس‌هاي تهيه شده از اشيايي كه در حال حركت بر روي نوار نقاله هستند، تبديل به داده‌هاي قابل فهم و تفسير براي سيستم است، ايــن مـشـكــل تـوسـط دوربـيـن CCD حـل مـي‌شـود. عملكرد اين دوربين را مي‌توان به عملكرد چشم انسان كه قادر است سطوح مختلف نور را تشخيص دهد تشبيه كرد.
چشم انسان
چشم انسان، تقريبا يك عدسي كروي با قطر 5/2 ســانـتـي‌متـر اسـت كـه از چنـديـن لايـه مختلـف كـه درونـي‌تـريـن آن‌هـا شـبـكـيـه نـام دارد تـشـكيل شده است. ماهيچه‌هاي اطراف چشم اندازه لنز را تنظيم مـي‌كننـد كه اين‌كار چشم را قادر به زوم (Zoom) كردن روي اشياء ميكند. وظيفه عدسي چشم، فرم و شكل دادن به تصويري است كه توسط ميليون‌ها سلـول گيـرنده مخروطي (Cone) و ميله‌اي (Rod) گــرفـتــه شــده و بــرروي پـرده شبكيـه افتـاده اسـت. سلول‌هاي ميله‌اي به يك عصب معمولي كه از انتها به شبكيه ختم مي‌شود و فقط در سطح نور پايين فعال است متصلند و سلول‌هاي مخروطي هر كدام بــه يــك عـصــب اتـصــال دارنـد. آن‌هـا در نـورهـاي شديدتر، بيشتر فعالند و ميزان درك ما از رنگ‌ها را نوع فعاليت اين‌مخروط‌ها مشخص ميكند.
در ميان شبكيه، ناحيه‌اي به‌نام نقطه كور وجود دارد كه در آن هيچ‌گيرنده‌اي موجود نيست. در اين ناحيه اعصاب به صورت جداگانه به عصب بينايي كه سيگنال‌هاي دريافت شده را به قشر بينايي مخ انتقال مي‌دهند، وصل مي‌شود.
دوربين Coupled Device Charge) CCD)
CCD از جهت عملكرد تقريبا مانند چشم انسان كار ميكند. نور از طريق يك عدسي وارد دوربين و بـرروي يـك پـرده مخصـوص تصـويـر مـي‌شود كه تحـت عنـوان تـراشه CCD شناخته مي‌شود. تراشه CCD كه تصاوير با استفاده از آن گرفته مي‌شوند از تعداد زيادي سلول تشكيل شده كه همگي در يك تراشه با الگوي خاصي مرتب شده‌اند و تحت عنوان پيكسل (Pixel) شناخته مي‌شوند. زماني كه تراشه CCD اين اطلاعات را دريافت ميكند، آن‌ها را به شكل سيگنال‌هاي ديجيتالي از طريق كابل‌هايي به سيستم دريافت‌كننده مي‌فرستد و بعد تصاوير در اين سيستم به صورت مجموعه‌اي از اعداد ذخيره مي‌شوند.
درك تصوير
با هر تصوير، چه با دوربين گرفته شود و چه با چشـم انسـان، مقداري تحريف و تغيير شكل و به عبارتي نويز (Noise) وجود دارد و در موقعيت‌هايي كه نياز به دقت بالا وجود دارد بايد از نورپردازي خـــاصـــي بـــراي تـصـــويـــربـــرداري اسـتـفـــاده شـــود. انسان‌براي درك تصاويري كه مي‌بيند نيازي ندارد هـيـچ كـاري در مـورد فـيـلـتـر كـردن و از بـيـن بـردن نويزهاي يك تصوير انجام دهد. مثلا در يك روز ابري كه مه همه جا را فرا گرفته، ديد انسان به شدت ضعيف و دچار مشكل مي‌شود. يعني براي درك اشياء نيازي به حذف نويزهاي تصوير نيست. مثلا اگر در اين روز در حال رانندگي در يك جاده باشيد و تصوير مبهمي از يك ماشين را مقابل خود ببينيد، بـالطبـع عكـس‌العمـل نشـان مـي‌دهيـد و به عبارتي سرعت خود را كم مي‌كنيد. و يا مثلا زماني كه دچار سرگيجه مي‌شويد، عليرغم اينكه تصاوير اطراف خــود را تــار و مـبـهـم مـي‌بينيـد امـا قـادر بـه درك و تـشـخـيـص وسايل و تصاوير اطراف خود هستيد. يـعـنـي ابـتـدا صبر نمي‌كنيد تا سرگيجه‌تان به پايان برسد و بعد تصاوير را تشخيص دهيد و اين يعني با قدرت بينايي انسان، عليرغم خراب شدن تصاوير اطراف، مي‌توان متوجه فضاي اطراف خود شد. اما براي بينايي ماشين ابتدا بايد اين نويزها طي فرايندي كه تصفيه كردن يا فيلترينگ ناميده مي‌شود، از بين برود و بعد هر آنچه براي پردازش عكس لازم است انجام شود.
خوشبختانه در حال حاضر تكنيك‌هايي براي انـجــام ايـن كـار وجـود دارد. از بـيـن بـردن نـويـزهـا به‌صورت نرمال توسط تعدادي از توابع رياضي يا الگـوريتـم‌هـايـي كـه تحـت عنوان 'Treshholding' يا 'Quantizing' نــاميـده مـي‌شـود انجـام مـي‌شـود. ايـن فرايند بسيار حرفه‌اي و پيچيده‌اي است و نياز به دانـش و پـشـتـوانـه بـالاي ريـاضـي دارد. زمـانـي كـه خرابي‌ها از بين رفت، مي‌توان پردازش عكس‌ها را ادامــه داد كــه ايــن كــار بــا اسـتخـراج صـورت‌هـا و حـالت‌ها از يك تصوير انجام مي‌شود. يك شيوه مـعـمــول كــه غــالـبــا مــورد اسـتـفــاده قـرار مـي‌گـيـرد استخراج لبه‌ها است. عمليات بينايي كامپيوتر در حقيقـت مقـايسـه دو مجمـوعـه عـدد اسـت كـه اگـر تفاوت اين دو مجموعه از يك محدوده خاص فراتر بـرود، از پـذيـرفـتـن مـحصول امتناع شده و در غير اين‌صورت محصول‌پذيرفته مي‌شود.
پردازش اطلاعات در مغز
در مورد بينايي انسان يكي از قسمت‌هاي از مغز كه بيشتر فعاليت درك تصوير را انجام مي‌دهد ناحيه Visual Cortex اســت. ايــن‌جــا نـاحـيـه‌اي اسـت كـه اطلاعات منتقل شده در طول عصب بينايي در آن پردازش مي‌شود. البته اين را هم مدنظر داشته باشيد كه قسمتي از فعاليت پردازش اطلاعات در ناحيه شبكيه چشم قبل از اينكه اطلاعات به مغز برسند، انجـام مـي‌شـود. البتـه خـود نـاحيـه شبكيـه به‌عنوان قسمتي از مغز شمرده مي‌شود. در ضمن اين مسأله هم قبلا مشخص شده است كه نواحي مختلف قشر بينـايي مخ در مقابل تصاوير مختلف عكس‌العمل نـشـان مـي‌دهـد. به عبارت ديگر هر قسمت از اين ناحيه مربوط به يك حالت خاص است. مثلا نواحي مـعـيـن و مـشـخـصـي در مـقـابـل رنـگ‌هـاي متفاوت عـكـس‌الـعـمل‌نشان مي‌دهند يا مثلا نواحي وجود دارنـد كـه سـلـول‌هـايـشـان در مـقابل جزييات دقيق موجود در يك تصوير عكس‌العمل نشان مي‌دهند.
به‌طور خلاصه، با توجه به اينكه سيستم بينايي انسان در بسياري موارد دچار خطا مي‌شود، نياز به درنظرگرفتن شيوه‌اي متفاوت براي بينايي ماشين است.
با استفاده از تكنيك‌هايي كه قبلا ذكر شد، ربات مــي‌تــوانــد شـنــاســايــي تــركـيـبــات و صــورت‌هـاي گـونـاگون موجود در اطراف خود را با استفاده از شيوه همانند‌سازي الگو انجام دهد. هر چند تعداد زيــادي صــورت و تـركيبـات گـونـاگـون (Template Matching) ديــگــر وجــود دارنــد كــه نـيــاز بــه اخــذ شـيـوه‌هـاي مـتـفـاوت ديـگـري بـراي نـمـايـش آن‌هـا وجود دارد. و در اين جاست كه نياز به استفاده از تكنيك‌هاي هوش مصنوعي مطرح مي‌شود.
نمايش دانش
متخصصان هوش مصنوعي انواع سيستم‌ها را با استفاده از برنامه‌هاي معمول كامپيوتري و تفاوت قايل‌شدن بين پردازش اطلاعات (Information) و پـردازش دانـش (Knowledge)، شناسايي مي‌كنند. اين‌كار منجر به ايجاد سيستم‌هاي مبتني بر دانش كه كــاربــرد بـسـيــار زيــادي در هــوش مـصنـوعـي دارد مي‌شود.
ربات نياز به داشتن اطلاعات يا دانش از دنياي اطـراف خـود دارد تـا سيستم بينايي‌اش به درستي عمل كند. به طور خلاصه بعضي تكنيك‌هايي كه تــوســط مـهـنــدســان دانـش (Knowledgc Engineer) براي نمايش و پردازش اين اطلاعات به‌كار مي‌رود آزمايش مي‌شود.
بــراي اسـتـفــاده از تـكـنيـك همسـان‌سـازي الگـو (Template Matching) نـيـاز به ذخيره مقادير بسيار زيـادي از دانش در رابطه با هر مرحله موجود در دنياي ربات وجود دارد. با استفاده از قوانين مي‌توان استفاده از اين اطلاعات را از بين برد و ديگر نيازي به آن‌هـا حـس نمي‌شود. مثلا در مورد يك صندلي، بـه‌جـاي ذخـيـره يـك صـنـدلـي از تـعـدادي زوايـا و اندازه‌ها مي‌توان اطلاعاتي راجع به برخي خواص و ظواهر صندلي نظير جنس، دسته‌ها، پايه‌ها و ... كه يــك سـيـسـتــم مـبـتنـي بـر دانـش از آن‌هـا بـه منظـور تشخيص صندلي استفاده ميكند، ذخيره كرد. يك صـنــدلــي داراي چهـار پـايـه، يـك نشيمنگـاه و يـك تكيه‌گاه است.
همانطور كه اشاره شد، عمليات زيادي بايد به مـنـظـور پـردازش اطـلاعـات تصويري انجام شود. تصاوير غالبا داراي نويز هستند كه باعث خرابي و تـحـريـفـشـان مـي‌شـود. هر چند اين مشكل چندان حادي براي سيستم بينايي انسان به حساب نمي‌آيد امـا بـراي سـيـسـتـم‌هـاي بـيـنـايـي مـاشين اين نويزها بـه‌طـور كـامـل بايد فيلتر و پاكسازي شوند كه اين عمل با استفاده از تعدادي الگوريتم انجام مي‌شود.
سـيـسـتـم‌هـاي بـيـنايي اوليه روز به روز در حال گـسـتـرش هستند و هر روز كاربرد جديدي براي آن‌هـا يـافـت مـي‌شـود. بـا تـوسـعـه ايـن سـيـسـتـم‌ها، كـاربـردهـايـي بـراي سـايـر مـحـيـط‌هـا نـظـيـر تـوسـعه پـردازش نـيـز يـافـت مـي‌شـود. سـيـسـتم‌هاي بينايي مصنوعي از كاربردهاي پزشكي و نظامي گرفته تا كـاربردهاي ساده و معمول روزمره مورد استفاده هــســتــنـــد و ايـــن شـــاخـــه از هـــوش مــصـنــوعــي از كـاربـردي‌تـريـن شـاخـه‌هـا اسـت كـه هـنـوز مـسـايل حل‌نشده زيادي در خود دارد.
پردازش زبان‌هاي طبيعي (NLP)
پـــــردازش زبـــــان‌هـــــاي طـــبـــيــعــــي بــــه عــنــــوان زيـرمـجـمـوعـه‌اي از هـوش مـصـنـوعـي، مـي‌تـوانـد توصيه‌ها و بيانات را با استفاده از زباني كه فرد به طـور طبيعي در مكالمات روزمره به كار مي‌برد، بفهمد و مورد پردازش قرار دهد. به طوركلي نحوه كـار ايـن شاخه از هوش مصنوعي اين است كه زبـان‌هـاي طبيعـي انسان را تقليد ميكند. در اين ميان، پيچيدگي انسان از بعد روانشناسي بر روي ارتباط متعامل تاثير مي‌گذارد.
در پردازش‌زبان هاي‌طبيعي، انسان‌و كامپيوتر ارتباطي‌كاملا نزديك با يكديگر دارند. كامپيوتر از لحاظ رواني در مغز انسان جاي داده مي شود. بدين ترتيب يك سيستم خلاق شكل مي گيرد كه انسان نقش سازمان دهنده اصلي آن را برعهده دارد. اگر چه هنوز موانع روانشناختي و زبانشناختي بسياري بر سر راه سيستم هاي محاوره اي وجود دارد. اما چشـم انـدازهـاي پيشـرفـت آن هـا يقينـا نـويدبخش اســت. در حـقـيـقــت، تــوقعـات يكسـان از محـاوره انـسـان- مـاشـيـن و مـحـاوره انـسـان- انـسان، معقول نيست.
تكنيك‌ها و زبان‌هاي برنامه نويسي هوش مصنوعي
عـمـلـكـرد اولـيـه بـرنامه نويسي هوش مصنوعي ايـجـاد سـاخـتـار كـنـتـرلـي مـورد لزوم براي محاسبه سـمـبـولـيـك اسـت زبان هاي برنامه نويسي LISP، PROLOG علاوه بر اينكه از مهمترين زبان هاي مورد اسـتـفـاده در هـوش مصنوعي هستند خصوصيات نحوي و معنايي آن ها باعث شده كه آن ها شيوه‌ها و راه حل‌هاي قوي براي حل مسئله ارايه كنند. تاثير قابل توجه اين زبان ها بر روي توسعه AI از جمله تـوانـايـي‌هـاي آن هـا بـه عنوان ابزارهاي فكركردن اسـت. در حـقـيقت همانطور كه هوش مصنوعي مراحل رشد خود را طي ميكند زبان هاي LISPو PROLOG بـيشتر مطرح مي‌شوند اين زبان ها كار خــود را در مـحــدوده تـوسـعـه سـيـسـتـم‌هـاي AI در صـنـعــت و دانـشـگــاه‌هــا دنـبــال مــي‌كـنـنـد و طبيعتـا اطلاعات در مورد اين زبان ها به عنوان بخشي از مهارت هر برنامه نويس AI است.
PROLOG يك زبان برنامه نويسي منطقي است. يـك بـرنـامـه مـنطقي داراي يك سري ويژگي هاي قانون و منطق است. در حقيقت خود اين نام از برنامه نـويـسـي PRO در LOGIC مي‌آيد. در اين زبان يك مفسر برنامه را بر اساس يك منطق مي‌نويسد. ايده اســتــفـــاده تـــوصــيــفــي مـحــاسـبــه اولـيــه بــراي بـيــان خـصـوصـيـات حـل مـسـئـله يكي از محوريت هاي مشاركت PROLOG است كه براي علم كامپيوتر به طوركلي و به طور خاص براي زبان برنامه نويسي هوشمند مورد استفاده قرار مي‌گيرند .
الگوريتم ژنتيك
الــگـــوريــتـــم‌هـــاي ژنــتــيــك، بــه عـنــوان يـكــي از راه‌حل‌هاي يافتن جواب مسئله در بين روش‌هاي مرسوم در هوش مصنوعي مطرح است. در حقيقت با اين روش مي توان در فضاي حالت مسئله حركتي سـريـع‌تر براي يافتن جواب‌هاي احتمالي داشت؛ يـعـني مي توان با عدم بسط دادن كليه حالات، به جواب‌هاي مورد نظر رسيد.
در جـهـان اطـراف هـمـه ارگـانيزم‌هاي حياتي از ساختارهاي قانونمندي تشكيل شده‌اند. همه اين ارگـانيـزم‌هـا از بلـوك‌هاي پايه‌اي از زندگي به نام سلول تشكيل به وجود آمده‌اند. قوانين ذكر شده در قالب ژن‌ها به صورت كد شده در هر ارگانيزم وجود دارند. از به هم وصل شدن اين ژن‌ها، رشته‌هايي طـولانـي بـه نـام كـروموزوم توليد مي‌شود. هر ژن نمايانگر يكي از خصوصيات آن ارگانيزم است.
مانند رنگ چشم يا رنگ مو و البته هر ژن مي‌تواند داراي مقادير مختلفي باشد. مثلا در رابطه با رنگ چشـم مـي‌تـواند داراي مقاديري متناظر با مشكي، قـهـوه‌اي و آبـي و سبـز و... بـاشـد. هنگـامـي كـه دو ارگـانـيـزم بـه تـولـيـد مـثـل مـي‌پـردازنـد، در حـقـيقت ژن‌هاي خود را با يكديگر تركيب مي‌كنند. بدين صورت كه ارگانيزم توليد شده كه در اين متن از اين به بعد آن را نوزاد مي‌نامند، داراي نيمي از ژن‌هاي يك والد و نيم ديگر از والد ديگري است. اين عمل را تـركـيـب مـي‌گـويـند. گاهي اوقات بعضي از ژن‌ها داراي جـهـش مـي‌شـونـد. ايـن جـهـش تـغـيـيـري در سـاختار كروموزوم ايجاد نمي‌كند، اما با توجه به اينكه مقدار جديدي به يك ژن تخصيص مي‌يابد، موجب بروز خصوصيت جديدي مي‌شود. از اين اتفاق با نام جهش ياد مي‌شود.
براي استفاده از الگوريتم ژنتيك در برنامه‌ها ابتدا بايد راهي بيابيد تا حالات جواب مسئله‌خود را به صورت كد شده در قالب رشته‌اي از اعداد صحيح يا در فرم كلاسيك‌تر آن به صورت رشته‌اي از بيت‌ها نـمــايــش دهـيــد (هــر رشـتــه از بـيـت‌هـا معـادل يـك كروموزوم يا يك ارگانيزم طبيعي است و هدف اين است كه به ارگانيزم بهتري، يعني كرومزوم بهتري دست پيدا كند.) بدين ترتيب جواب‌ها به يكي از اشكال زير خواهد بود.
1011011010000101011111110
يا 1264196352478923455548216
بـراي شـروع فـعـالـيـت الـگـوريـتم ژنتيك نياز به جمعيتي از كروموزوم‌ها به صورت تصادفي است. يعني در ابتدا به عنوان قدم اول، تعدادي كروموزوم بــه صــورت تـصـادفـي ايـجـاد كـرد. فـرض كـنـيـد N كروموزوم و اين N را جمعيت آغازين مي‌نامند.
در ادامه تابعي به نام تابع ارزش تشكيل مي‌شود كــه ايــن تــابــع بـه عنـوان ورودي يـك كـرومـزوم را دريـافـت مـي‌كـنـد (يـك جـواب مسئله) و به عنوان خروجي عددي را مبتني بر ميزان بودن كرومزوم نسبت به جواب نهايي بر مي‌گرداند. در حقيقت اين تابع ميزان خوب بودن جواب را مشخص ميكند. بـراي همـه نمـونـه‌هاي جمعيت مقدار تابع ارزش حساب مي‌شود.
در ادامـــه بـــه صـــورت تـصـــادفـــي دو نـمـــونــه از كرومزوم‌ها انتخاب مي شود. بايد توجه داشت كه سيستم به گونه‌اي طراحي شود كه شانس انتخاب هــر كــرومــزوم مـتـنــاسـب بـا مقـدار تـابـع ارزش آن كروموزوم باشد. يعني اگر كرومزومي داراي مقدار تـابـع ارزشـي بـهتري بود، شانس انتخاب شدن آن بيشتر باشد (بدين وسيله سعي مي‌شود بيشتر روي پاسخ‌هاي بهتر مسئله پردازش انجام شود.)
بـعـد از انـتـخـاب دو كـرومـزوم، اكـنون نوبت به تركيب مي‌رسد. براي انجام عمل تركيب، بايد يك نقطه (نقطه شكست) در جفت كروموزوم خود را به صورت تصادفي انتخاب كند. هر كرومووزم به دو پاره تقسيم مي‌شود و در ادامه كمي جاي هر پاره از هر كروموزوم با ديگري عوض مي‌شود.
بدين ترتيب دو كرومزوم جديد توليد مي‌شود (دو جواب جديد.) راه ديگري نيز براي انجام عمل تركيب وجود دارد و آن انتخاب چند نقطه شكست است.
در هر حال بايد يك روش انتخاب شود و در طول پروژه عمل تركيب خود را مبتني بر آن روش انجام مي دهد. بعد از انجام عمليات انتخاب و تركيب، نوبت به عمل جهش ژن‌ها مي‌رسد. عمل جهش بايد با احتمال پايين رخ دهد. يعني در اكثر مواقع نبايد داراي جهش باشد، اما احتمال آن نيز نبايد صفر باشد. بنابراين اگر كرومزوم به دست آمده از عملگر تركيب دچار جهش شود، بايد يكي از بيت‌هاي آن كه متناظر با ژن‌هاي آن هستند، به صورت تصادفي انتخاب شود و سپس مقدار آن تغيير كند.
اكنون يك مرحله انجام مي شود و يك كرومزوم جديد (جواب جديد) براي مسئله ايجاد مي شود. در ادامه دو مرتبه دو كرومزوم از جمعيت اوليه انتخاب مـي‌شـود و هـمـه اعـمـال گـفـتـه‌شده روي آن انجام مي‌شود تا كرومزوم ديگري ايجاد شود و اين‌كار به قـدري تـكـرار مـي‌شـود تـا بـه تـعداد كرومزوم‌هاي جـمـعيت اوليه، كرومزوم جديد ايجاد شود و اين مجموعه كرومزوم جديد در حقيقت نسل جديد خواهند بود و اين‌كار به قدري ادامه داده مي شود تا نسل‌هاي بهتر و بهتري ايجاد شود و هنگامي جواب نـهـايـي بـه دسـت مـي آيـد كـه تـابـع ارزشـي ، مـقدار مطلوب را به ازاي مقدار مورد نظر از كروموزوم ها برگرداند.
هوش مصنوعي؛ تشخيص و درمان
طراحي نرم افزار تشخيص بيماري ها به وسيله هوش مصنوعي 
نــرم‌افــزار جــامــع پـشتيبـان تصميـم‌گيـري در پزشكي يكي از نرم‌افزارهائي است كه با استفاده از هــوش مـصـنـوعـي بـه تـشـخـيـص بـيـمـاري‌هـا براساس علائم اقدام ميكند به طوري كه كاربر بــا وارد كــردن نـشــانــه‌هــاي بـيـمـاري بـه رايـانـه، فـهـرسـتـي از بـيـمـاري‌هـاي مـحـتـمل را مشاهده خواهد كرد.
ثبت دقيق شرح حال بيمار، تشكيل پرونده، درخواست آزمايش‌هاي اوليه و تكميلي، تجويز هــوشـمـنــد دارو، نـسـخــه نــويـسـي، جـسـتـجـوي اطلاعات بيماري، روش درمان، بانك اطلاعات داروهــــا، روش مــصــــرف و مــشــخـــص كـــردن عوارض جانبي دارو‌ها را از مزاياي اين نرم افزار است.
ايـن نـرم افـزار همچنين مي‌تواند بيش از دو هــزار بـيـمــاري و 300 عــلائـم و نـيـز اطـلاعـات جامعي در زمينه 600 آزمايش پزشكي 130 مورد جراحي و 900 عنوان دارو را در خود ذخيره كند.
مهمترين قابليت اين نرم افزار بررسي و تشخيص همزمان1500 بيماري و 100 هزار رابط بين بيماري ها است و براي كمك بيشتر به پزشكان ده هزار صفحه از متون معتبر پزشكي ، مجلات ، مقالات و تصاوير تخصصي در اين نرم افزار جمع آوري شده است.
استفاده از قابليت‌هاي هوش مصنوعي در تشخيص عفونت هاي قلبي تهديد كننده
بــا كمـك دو بـرنـامـه جـديـد هـوش مصنـوعـي، امكـان تشخيـص عفـونـت‌هـاي قلبـي تـهـديـدكـنـنده حيات بيماران و همچنين درمان زخم‌هاي باز بدون نياز به فرآيندهاي مـعـمـول و زمـان‌بر درماني براي پزشكان فراهم شده است. پيشرفت حاضر در زمينه تشخيص عوارض مهلك در حالي صورت مي‌گيرد كه به اعتقاد جامعه پزشكي، جدا از نتايج چشمگير آن در نجات جان انسان‌ها و اجتناب از اعمال جراحي تهاجمي و رنج آور، اين پژوهش مي‌تواند بدون نياز به انجام آزمايش‌هاي متعدد به صرفه‌جويي ميليوني هزينه‌هاي بيمارستاني در سال كمك كند.
اين نرم‌افزار براي شناسايي بيماران داراي عفونت‌هاي قلبي توسعه يافته بوده و اين در صورتي است كه چنين عفونت‌هايي با نرخ مرگ و مير بين 30 تا 50 درصد، از عفونت‌هاي بـسـيــار وخـيــم بــه شـمــار مــي‌رونــد. تـشـخـيــص دادن الـتـهــابــات غـشــاي درونــي قـلـب (اندوكارديتيك) يك عمل جراحي تهاجمي محسوب مي‌شود و قصد از طراحي اين نرم افزار تشخيص اين عفونت بدون روانه كردن لوله كاوشي به درون مري فرد بيمار است..
تصويري كه با استفاده از داخل كردن ابزار آندوسكوپي به درون ناي شخص بيمار كه با كمك دارو تسكين دهنده، گرفته مي‌شود اصطلاحا قلب‌نگاري فرامري (ترانسوفاژل اندوكارديوگرام) است كه در نوع خود فرآيندي تهاجمي و گران به حساب مي‌آيد. در واقع يك عمل 30 دقيقه‌اي با اين روش بالغ بر 2000 دلار هزينه دربر دارد و از طرفي انجام اين عمل به تجهيزات فني خاصي نياز دارد كه بسياري از بيمارستان‌ها فاقد آن هستند. اين در حالي است كه پزشكان مي توانند به جاي وارد كردن لوله‌هاي پزشكي، به وارد كردن داده‌هاي لازم به رايانه و تحليل آن ها بپردازند. در اين شيوه عمل، پزشكان ابتدا با ثبت داده‌هايي از جمله ضربان قلب، فشار خون، شمارش گلبول‌هاي سفيد خون، حضور ادواتي نظير ضربان سازهاي قلبي يا ساير دستگاه‌هاي تعبيه شده، دماي بدن دريافتي بيمـاران در رايـانـه، نـرم‌افزار دستيار عمل خود را آماده سازي مي‌كنند. در اين ميان، تشخيص نهايي اين بيماران نيز شامل اطلاعات داده شده به رايانه خواهد بود. در مرحله بعدي اين الگوريتم رايانه‌اي به تحليل داده‌هاي موجود براي ارتباط دادن علائم بيماري با تشخيص بيماري مي‌پردازد. در 50 درصد موارد اين نرم‌افزار مي‌تواند ظرف كمتر از 4 ثانيه يك پيش‌بيني محاسبه‌اي را با دقت 99/99 درصد انجام دهد، در باقي موارد نيز اين نرم‌افزار، بيش از 80درصد صحت عمل داشته است. البته محققان به اين مرحله بسنده نكرده و قصد دارند، گام بعدي پروژه هوش مصنوعي خود را روي 200 مورد از پرونده پزشكي بيماراني اجرا كنند كه رايانه، اطلاعي از تشخيص نهايي آن ها ندارد. تشخيص عفونت‌هاي قلبي مشكل است اما اغلب مي‌توان آن ها را با تجويز و مصرف حدود يك هفته آنتي‌بيوتيك‌معالجه كرد.
طراحي نرم افزاري بر پايه هوش مصنوعي براي كمك به التيام زخم هاي باز
زخم‌هاي باز كه پس از هفته‌ها يا ماه‌ها درمان، در برابر التيام و بهبود مقاومت كرده، معالجات را رد مي‌كنند و به عنوان زخم‌هاي كم خون موضعي شناخته مي‌شوند، راه تشخيص آساني دارند اما در عوض به طرز نااميدكننده‌اي درمان دشواري را به همراه دارند و حتي به اعتقاد برخي پزشكان، اين گونه زخم‌ها هر درماني را بي اثر مي‌كنند و انگار كه هيچ درماني براي التيام آن ها صورت نگرفته است. در همين ارتباط، گروهي از محققان، موفق به توسعه الگوريتمي رياضياتي شده‌اند كه مي‌تواند زمان بسته شدن يك زخم باز از نوع كم خون موضعي و همچنين اين را كه چه عوارض و پيامدهايي طي فـرآينـد قطـع جـريـان خون و بندآوري بروز ميكند، پيش‌بيني كند. مدل‌هاي فعلي، زخم‌هايي را هدف مي‌گيرند كه در هر صورت بسته خواهند شد، و هدف توسعه مدلي براي زخم‌هايي است كه نمي‌خواهند بسته شوند.
مـواردي همچـون زخـم‌پـاي بيمـاران ديـابتي يا زخم بيماراني كه به دليل عوارض ديگري، قبلا فرآيند بيمارستاني را گذرانده‌اند، از موارد شايع و هدف زخم‌هاي باز مـحسـوب مـي‌شـود. گـروهـي تحقيقـاتـي بـراي كمـك بـه درمـان زخـم‌هـاي مـوضعـي، برنامه‌اي را توسعه داده‌اند كه داده‌هاي بيماران را پردازش ميكند؛ اطلاعاتي از قبيل غلظت خون، فاكتورهاي رشد، حضور گلبول‌هاي سفيد و تراكم فيبروبلاستي از جمله داده‌هـايـي اسـت كـه بـه رايانه داده مي‌شوند. رايانه نيز با استفاده از اين داده‌ها مدلي سه‌بعدي از زخم مربوط را ايجاد و چگونگي التيام يافتن و بهبود سريع آن را ظاهر ميكند و به‌علاوه زمان بسته شدن زخم را نيز تخمين مي‌زند. به ادعاي محققان اكنون و بر اساس اين مدل، يك زخم معمولي ظرف حدود 13 روز بسته خواهد شد و اين در حالي است كه پس از گذشت 20 روز تنها 25 درصد از زخم‌هاي باز موضعي التيام و بهبود مي‌يابند. اين اعداد و ارقام با آنچه عملا براي بيماران اتفاق مي‌افتد، تطبيق ميكند، اما در اين ميان نبايد از نظر دور داشت كه تا اينجاي كار تنها در قالب تئوري استفاده شده و مدل حاضر هنوز روي بيماران انساني امتحان نشده است.
به اعتقاد برخي محققان، فناوري هوش مصنوعي يا به عبارتي سامانه‌هاي شبيه‌ساز نحوه كاركردهاي مغز خواه براي بهبود زخم‌ها و چه در مورد عفونت‌هاي قلبي به كار بـرده شوند، دست كم به اين زودي‌ها جاي پزشكان واقعي را نخواهند گرفت. اين شبكه‌هاي عصبي مصنوعي نه مي‌توانند بيماران را ببينند و نه مي‌توانند آن ها را براي يـافتـن عـلائـم عفـونـت و آلـودگـي يا نشانه‌هاي مرضي مورد آزمايش قرار دهند؛ اما واقعيت اين است كه چنين برنامه‌هايي در موارد گيج‌كننده و مبهم كه كار تشخيص بيماري با دشواري مواجه مـي‌شـود و تشخيـص صحيـح و بـه‌مـوقـع بـراي پزشك و بيمار بسيار حياتي است، دستياري قابل و مورد اطمينان براي متخصصان باليني به شمار مي‌رود
منبع: نشریه مهندسی پزشکی شماره ۱۴۴، مهندس سرور بهبهاني، مهندس محمد كريمي مريداني