۱۳۸۹ خرداد ۹, یکشنبه
۱۳۸۹ اردیبهشت ۲۹, چهارشنبه
۱۳۸۹ اردیبهشت ۲۵, شنبه
تكنولوژي تشخيص گفتار Speech Recognition
مدیریت زمان Time Management
راههاي مختلفي براي بيان درك ما از زمان وجود دارد. براي قرنها مردم از
حركت ماه، ساعت آفتابي، اذان، زنگ كليسا براي تنظيم برنامه زماني
روزانه خود استفاده كردند تا اينكه در قرن دوازدهم راهبان كاتوليك
ساعتهايي را براي تنظيم فعاليتهاي خود ساختند.
در طول تاريخ تمدنها به زمان و ابعاد آن توجه داشتهاند و اين توجه در
اين دوران نيز وجود دارد و عباراتي مانند «وقت طلاست» گوياي اين توجه
است. جوامع امروزي جوامعي هستند كه در آنها تعداد ساعات كافي در طول روز
وجود ندارد. فناوريهاي نو محيطي فراهم آوردهاند كه تقريباً در مدت زمان
كم ميتوان به خيلي از اطلاعات دسترسي پيدا كرد و خيلي كارها را سريعتر و
آسانتر انجام داد اما تمايل به سريعتر انجام دادن كارها و بيشتر كار
انجام دادن روز به روز بيشتر ميشود.
اين رويكرد كه همواره با بشر همراه بوده است اين احساس را براي او به
وجود آورده است كه از زمان عقب ميماند و نميتواند از آن به صورت مؤثر
بهره گيرد. تاريخ به ما ميگويد كه مديريت ضعيف زمان يك مسئله قديمي است،
مسئلهاي است كه فناوري آن را به وجود نياورده است و آن را نميتواند حل
كند. در شرايطي كه ابزار بيشتري براي مديريت زمان در اختيار داريم و
فرايندهاي اداري، كمتر درپيچ و تاب تشريفات اداري و كاغذ بازي گم
ميشوند، مديريت ضعيف زمان را كمتر ميتوان مخفي كرد. مديريت زمان موضوعي
است كه همه ما، چه در زندگي شخصي و چه در زندگي حرفهاي، نياز داريم با
آن روبرو شويم تا در زندگي موفق شويم.
در ادامه در مورد وجوه مختلف مديريت زمان صحبت ميكنيم. ابتدا نگاهي به
اصول عمومي مديريت زمان خواهيم داشت. توجه به اين اصول كمك ميكند كه درك
بهتري از مفهوم مديريت زمان داشته باشيم و پيشنهادهايي ارائه ميكند كه
ميتوانيد آنها را در حوزههاي مديريت زمان در زندگي خود به كار بريد. پس
از ارائه رهنمودهاي عمومي، به حوزههاي مديريت زمان به صورت دقيقتر
خواهيم پرداخت. ابتدا راجع به مديريت زمان در زندگي شخصي ميپردازيم و
سپس مديريت زمان را در حوزه كسب و كار مدنظر قرار ميدهيم.
2- اصول عمومي مديريت زمان
مديريت زمان مجموعهاي از مهارتهاست كه شما را در استفاده مؤثر از زمان
كمك ميكنند. رهنمودهاي عمومي وجود دارند كه ميتوانند براي مديريت زمان
در حوزههاي متفاوت مانند خانه، مدرسه و كار استفاده شوند. در اين بخش،
برخي از اين رهنمودها را شرح ميدهيم. ابتدا دلايل استفاده نكردن مردم از
مديريت زمان و مزاياي حاصل از مديريت زمان را مورد بررسي قرار ميدهيم.
احتمالاً روشنترين دليل عدم استفاده از مديريت زمان اين است كه مردم
نميدانند مديريت زمان چيست. دليل دوم سستي و تنبلي است؛ بعضي از مردم
فاقد هدف و انگيزش لازم براي برنامهريزي مؤثر هستند. گروه سومي كه از
مديريت زمان استفاده نميكنند آنهايي هستند كه دوست دارند تحت فشار و
تنگي وقت (دقيقه نود) و شرايط بحران كار كنند.
ممكن است در شرايطي استفاده نكردن از مديريت زمان توجيهپذير باشد اما
مزاياي استفاده موفق از مديريت زمان هر گونه دليل يا توجيه را رد مي كند.
مديريت زمان كمك ميكند كه تعيين كنيد كدام يك از كارهايي كه انجام
ميدهيد مهمترين هستند. اين عمل به شما اين امكان را ميدهد به برخي
فعاليتها اولويت زيادي دهيد و برخي از فعاليتها را حذف كنيد. همچنين
مديريت زمان به شما كمك ميكند كه از طريق حذف مزاحمتها و فعاليتهاي
غيرضروري، مدت زماني كه واقعاً كار ميكنيد را افزايش دهيد. يكي از وجوه
رضايت بخش مديريت زمان كاهش استرس در زندگي است. كاهش سطح استرس موجب
بهبود سلامت روحي و جسمي ميشود.
2-1- چگونه وقت خود را ميگذرانيد؟
وقتي تصميم گرفتيد كه از استراتژيهاي مديريت زمان استفاده كنيد، از همان
زمان بايد شروع كنيد. اولين قدم تحليل و بررسي روشي است كه در حال حاضر
از وقت خود استفاده ميكنيد. اين كار نبايد از طريق حافظه انجام شود.
ممكن است شما اكثريت زمانهاي بيكاري خود را به ياد نياوريد يا قادر
نباشيد زمانهايي را كه صرف مكالمات طولاني ميكنيد دقيقاً بياد آوريد.
براي ثبت نحوه گذراندن وقت ميتوانيد از يك دفتر يادداشت، دفتر گزارش
فعاليت يا يك دفتر برنامهريزي با بخشهاي تفكيك شده به ساعت براي رديابي
فعاليتها استفاده كنيد. نه تنها آنچه كه در طول روز انجام ميدهيد بلكه
احساس خود (خسته، پرانرژي، عصباني، بيحال و ...) را ثبت كنيد. هر وقت كه
فعاليت خود را تغيير ميدهيد، نوع فعاليت و زمان شروع آن را ثبت كنيد.
پس از ثبت فعاليتها براي چندين روز، يادداشتها آماده براي تحليل هستند.
خيلي از فعاليتهاي ثبت شده در گزارش به صورت بارز ديده ميشوند چرا كه
وقت زيادي صرف آنها شده است. ديگر حوزه مهم در يادداشتها، فعاليتهاي
غيرضروري است كه در طول روز انجام دادهايد. وقتي اين فعاليتها به صورت
جداگانه ديده شوند خيلي زمانبر نيستند اما وقتي دستهبندي شوند، زمان كل
آنها ممكن است قابل ملاحظه باشد. تحليل فعاليتهايتان كه در گزارش ثبت
شدهاند در قدم بعدي، يعني اولويتبندي فعاليتها، به شما كمك خواهد كرد.
2-2- اولويتبندي فعاليتها
اولويتبندي يكي از مهمترين قدمهاي مديريت زمان است. اين عمل كمك ميكند
كه موارد زمانبر كه نه اوقات خوشي را ترتيب ميدهند و نه كمك ميكنند كه
به اهداف خود دست يابيد را حذف كنيد. اين مرحله بيشترين تغيير در جهت
افزايش زمان را به دنبال دارد. با تصميم گيري در خصوص فعاليتهايي كه
بايد انجام دهيد و فعاليتهايي را كه بايد حذف كنيد اولويتبندي را آغاز
كنيد.
براي تصميمگيري در خصوص فعاليتهايي كه بايد انجام دهيد، فعاليتهايي را
تعيين كنيد كه از آنها لذت ميبريد و آنها را خوب انجام ميدهيد. خيلي
مهم است كه هم از نظر حرفهاي و هم از نظر شخصي از كاري كه انجام ميدهيد
لذت ببريد. در گزارش خود كارهايي كه از آنها لذت ميبريد و كارهايي كه
براي شما خوشايند نيستند را مشخص كنيد. اكثريت روز شما بايد صرف كارهايي
شود كه از انجام آنها لذت ميبريد.
در حالي كه مهم است از انجام يك كار لذت ببريد، نيز مهم است كه آن را خوب
انجام دهيد. در تعيين اينكه چه كارهايي را انجام دهيد و چه كارهايي را
تفويض كنيد، شناخت نقاط قوت و ضعف شما حياتي است. تلاش نكنيد
مسئوليتهايي بيش از آنچه ميتوانيد به صورت معقول انجام دهيد را به عهده
گيريد. بعد از تعيين كارهايي كه از آنها لذت ميبريد و آنها را خوب انجام
ميدهيد، شما آماده هستيد كه فعاليتهاي غيرضروري در زندگي خود را دور
بريزيد. تمام منابع موجود خود را پيدا كنيد و فعاليتهايي را كه بيش از
توان خود ميدانيد تفويض كنيد. بعد از اينكه فهرست كارهاي روزانه را به
ميزان قابل قبولي از مسئوليتها كاهش داديد، زمان برنامهريزي فرا
ميرسد.
2-3- برنامهريزي
برنامهريزي در زندگي شخصي و حرفهاي متفاوت از هم انجام ميشوند. در
برنامهريزي شخصي، برنامهريزي از طريق هدفگذاري و ترسيم مسير دستيابي
به اهداف انجام ميشود. در برنامهريزي حرفهاي، برنامهريزي
پروژهمحور است. برنامهريزي پروژه بايد از طريق نرمافزارهاي
برنامهريزي رسمي انجام شود.
روش برنامهريزي مناسب خود را انتخاب كنيد. از هر روش مانند انتخاب
اهداف، برنامهريزي رسمي يا غير رسمي كه استفاده كنيد چند نكته مهم را
بايد به خاطر بسپاريد. ابتدا انتظارات خود را برآورد كنيد. به ياد داشته
باشيد تعداد ساعات محدودي در يك روز وجود دارد. سعي نكنيد به نتايجي
ماورأ قابليتهاي خود دست يابيد.
دوم، مدت زماني را صرف خود كنيد. براي اينكه به حداكثر عملكرد دست يابيد
به زمان خواب و استراحت كافي نياز داريد. اقدام به اين عمل سختتر از
تصميم گرفتن براي انجام آن است. هنگام برنامهريزي شما ميپنداريد كه به
هيچ استراحتي نياز نداريد يا ميتوانيد فقط چهار ساعت در روز بخوابيد.
كار مداوم بدون استراحت سطح استرس را افزايش داده و سطح عملكرد را كاهش
ميدهد.
2-4- نكات سودمند براي بهبود كيفيت وقت
2-4-1- از مزاحمتها جلوگيري كنيد.
همواره پذيراي بازديدكنندگان نباشيد. بازديدكنندگان ميتوانند موجب به
همريختگي شوند كه در نهايت منجر به كاهش بهرهوري ميشود. با بستن در
اتاق يا حذف ارتباط بصري ميتوانيد به بازديدكننده بفهمانيد كه شما مشغول
هستيد. هر روشي كه به كار ميبريد به خاطر بسپاريد كه نبايد هر بازديدي
را بپذيريد.
راه ديگر براي كاهش مزاحمتها جواب ندادن به تلفن است. تماسهاي تلفني
ميتوانند خيلي وقتگير باشند. تماسهاي تلفني قطار افكار را از حركت
بازميدارند. تماسهاي تلفني ممكن است شما را متعهد به انجام كارهايي
كنند كه آمادگي آنها را نداريد. از خاموش كردن زنگ تلفن نترسيد. وقتي
كارتان تمام شد پيغامهاي دريافتي را چك كنيد.
2-4-2- كنترل كنيد
كارهايي را كه نياز داريد انجام دهيد ميدانيد. اين كار را در فهرست
كارها يادداشت كنيد. كارهاي فهرست را اولويتبندي كنيد. با انجام اين
عمل، شما ميتوانيد روز خود را كنترل كنيد. شما ابزاري داريد كه
ميتوانيد از كارهاي غيرضروري جلوگيري كنيد يا كارهاي جديد را
اولويتبندي كنيد. پيروي از اين رهنمودها اين تضمين را به دنبال دارد كه
شما ابتدا مهمترين فعاليتها را انجام ميدهيد. همچنين شما ميدانيد كه
چه فعاليتهايي را انجام ندادهايد و ميتوانيد آنها را به فهرست كارهاي
فردا اضافه كنيد.
2-4-3- بر بهرهور بودن تأكيد كنيد نه مشغول بودن
تمركز بر بهرهوري كيفيت كار و عملكرد را افزايش ميدهد. تهيه يك فهرست
اولويتبندي شده از كارها به شما كمك ميكند كه بهرهور باشيد. تمركز بر
انجام مهمترين كارها در ابتدا، به شما كمك ميكند كه كار بيشتري انجام
دهيد و آنها را سر وقت انجام دهيد.
2-4-4- سرعت خود را تنظيم كنيد
مهم است كه خود را براي ميزان ساعاتي كه كار ميكنيد تنظيم كنيد. از خود
بپرسيد كه با سرعتي كه كار ميكنيد ميتوانيد ادامه دهيد. خود را با
تعداد ساعات زياد كار خسته نكنيد. مديريت مؤثر زمان بايد اين امكان را
فراهم آورد كه بتوانيد كارهاي مورد نياز را انجام دهيد بدون اينكه نياز
باشد تعداد ساعات زيادي را در دوره زماني بزرگتر مشغول باشيد.
3- مديريت زمان شخصي
مديريت زمان شخصي بخش قابل ملاحظهاي از زمان روزانه را صرف ميكند.
مهارتهاي مديريت زمان شخصي در عمل داراي اشكالاتي هستند. اولويتبندي
اهداف شخصي ميتواند خيلي مشكل باشد زيرا بايد نسبت به فعاليتهاي
اولويتدار، در دسته دوم از اهميت قرار گيرند. اين بخش به شما كمك ميكند
كه اهداف شخصي خود را اولويتبندي كنيد بطوري كه در برنامه شما قرار
گيرند. شما روش «فقط بگو نه» را ياد ميگيريد كه به شما در سبك كردن
زمانبندي كمك ميكند. اين بخش همچنين چگونگي ايجاد وقت براي فرزندان و
ديگر افراد مهم براي شما را مورد بررسي قرار ميدهد.
3-1- فقط بگو «نه»
در زندگي شخصي خود معمولاً با گفتن كلمه «نه» مشكل داريم. اين موضوع موجب
بيشتر تناقضات در وقت ما ميشود. به خاطر اكراه طبيعي در گفتن نه، اغلب
احساس تعهد نسبت به دوستان و خانواده خود داريم. آموزش به خود در استفاده
از ابزار ارزشمند نه گفتن در تشخيص اهميت اولويتهاي شخصي ضروري است.
چندين روش براي نه گفتن به صورت غيرمستقيم وجود دارد بطوري كه دوستان و
خانواده خود را نرنجانيد. يك ذهن خلاق معمولاً قادر خواهد بود از شرايطي
كه با اولويت موجود وي تناقض دارند خلاصي يابد. اما عذر و بهانه هميشه
ضروري نيست. اشكالي ندارد كه با افراد رو راست بود و واقعيت را گفت. به
افرادي كه تقاضاي اختصاص وقت را از شما دارند بگوييد كه شما مسئوليتهايي
به عهده داريد كه امكان برآوردن تقاضاي آنها را فراهم نميآورد. شما
متعجب خواهيد شد كه ميبينيد كه به چه سادگي روش مستقيم پذيرفته ميشود.
3-2- اهداف شخصي
3-2-1- هدفگذاري كنيد
وقتي بتوانيد به صورت مؤثرتر «نه» بگوييد، وقت بيشتري براي تخصيص در
دستيابي به اهداف شخصي خود داريد. اهداف، حوزه خيلي مهمي از مديريت زمان
شخصي هستند. اهداف به ما كمك ميكنند كه از طريق ايجاد كار براي ما و
اجازه تمركز بر تلاشهايمان، زندگي خود را سازماندهي كنيم. هنگام
هدفگذاري خيلي مهم است آنها را واقعي و قابل دستيابي تعريف كنيم. با
تنظيم اهداف از پيش، به خود اجازه ميدهيد كه يك مسير استراتژيك به سمت
دستيابي به اهداف را برنامهريزي كنيد.
اهدافي تعريف كنيد كه به سادگي قابل دستيابي باشند. وقتي به اهداف تعريف
شده رسيديد، براي هدفي كه مشكلتر است اقدام كنيد. اين فرايند را ادامه
دهيد تا اينجا كه احساس كنيد كه اهداف شما نه آسان و نه دور از دسترس
هستند. اين فرايند كند است اما به شما كمك ميكند كه ياد بگيريد چگونه به
صورت موفقيتآميز به اهداف خود دست يابيد. نبايد انتظار داشته باشيد كه
تمام انتظاراتتان يك شبه برآورده شوند چرا كه يك فرايند تدريجي است.
3-2-2- اهداف خود را اولويتبندي كنيد
وقتي اهداف خود را تنظيم كرديد، بايد آنها را اولويتبندي كنيد. وقت
گذاشتن و اولويتبندي اهداف در مديريت زمان شخصي مؤثر حياتي است. خيلي از
ما از اين مرحله ميپريم اگر چه دوباره مجبور ميشويم كه برگرديم.
اهداف را به صورت روشن تعريف كنيد و مشخص كنيد كه آنها چه هستند و چه
اهميتي دارند. اهدافي كه اهميت كم دارند ميتوانند به تعويق بيافتند.
اجازه دهيد اقلامي كه به توجه بيشتر نياز دارند ابتدا انجام شوند. شما
ميتوانيد يك فهرست از كارهايي كه بايد انجام دهيد تهيه كنيد و به هر يك
از اقلام به نسبت اهميت عددي اختصاص دهيد يا اينكه فهرستي از اهداف
اولويتبندي شده تهيه كنيد. پيتر دراكر ميگويد كه «انجام دادن كارهاي
درست مهمتر از انجام درست كارهاست».
اقتصاددان ايتاليايي، ويلفردو پارتو، قانوني در اولويتبندي دارد. قانون
پارتو ميگويد كه تقريباً 80 درصد نتيجه مورد نظر از بيست درصد تلاشهايي
حاصل ميشود كه انجام ميدهيم. براي اينكه كارهاي خود را به صورت مؤثر
اولويتبندي كنيد، بايد بيست درصد مهم را جدا كنيد. وقتي كارهاي مهم
تعيين شدند شما ميتوانيد بر اقداماتي تمركز كنيد كه بيشترين نتيجه مورد
نظر را حاصل ميكنند. هنگام تحليل چگونگي گذراندن اوقات خود (بخش 2-1)
متوجه خواهيد شد كه خيلي از اوقات شما صرف كارهاي كوچك و ناچيز ميشود.
به همين دليل توان شما صرف حوزههاي اصلي و حياتي كه نيازمند تلاش بيشتر
هستند نميشود. قانون پارتو را براي اولويتبندي به كار بريد و خواهيد
ديد كه زمان و اهداف تحقق يافته شما بيشتر خواهند شد.
3-3- تعلل
وقتي زمان مناسب صرف هدفگذاري و اولويتبندي كرديد، ميتوانيد كارهاي
مورد نياز هر روز را تعيين كنيد. اگر كارها را در زمان موعد آنها انجام
ندهيد غير مؤثر عمل كردهايد. تعلل چيزي است كه اكثر ما با آن درگير
هستيم. اغلب نميتوانيم به كل نتيجه مورد نظر دست يابيم زيرا به خاطر
تعلل استرس به ما چيره ميشود.
با تعداد زيادي از كارهاي انباشته شده بر روي هم، سخت است كه در انجام
كارها تعلل نكنيم؛ خصوصاً براي كارهاي بزرگتر كه به زمان بيشتر از آنچه
كه شما داريد نياز دارند.
وقتي با كار بزرگي روبرو ميشويد آن را به بخشهاي كوچكتر تقسيم كنيد.
تقسيم كار به كارهاي كوچكتر اين امكان را فراهم ميآورد كه اجزاء كوچكتر
را بدون اضطراب انجام دهيم. بزودي در خواهيد يافت كه با انجام كارهاي
تقسيم شده، كل كار بزرگ انجام شده است.
3-4- مزاحمت كمالگرايي
وقتي هدفگذاري و اولويتبندي كرديد، بايد از چندين مسئله فرعي كه بروز
ميكنند جلوگيري كنيد. يكي از اين مسائل تمايل شخص به كمالگرا بودن است.
اين نوع رويكرد ميتواند تأثير زيادي بر مديريت زمان شخصي داشته باشد.
توجه غير ضروري به جزئيات باعث ميشود كه ديگر كارها را به تأخير
بياندازيد. ناتواني در پاداش دادن به خودمان براي كارهايي كه انجام
دادهايم مسئله ديگري است كه با آن روبرو هستيم. وقتي كاري را انجام
داديد، شما بايد به خود پاداش دهيد. پاداش دادن به خود راهي براي ايجاد
تعادل بين كار و تفريح است. اگر بتوانيم ياد بگيريم كه بين كار و تفريح
تعادلي برقرار كنيم زندگي سالمتر و شادتري خواهيم داشت.
3-5- وقت گذاشتن براي همسر
زندگي شخصي شامل چندين حوزه متفاوت است كه بايد در نظر بگيريم. يكي از
اين حوزهها وقتي است كه با همسر خود ميگذرانيم. اين وجهي حياتي از
مديريت زمان شخصي ماست زيرا خيلي از احساسات ما آن را ديكته ميكنند.
افرادي كه وقت كافي براي همسرانشان تخصيص نميدهند به خاطر دلايلي روابط
خود را پرتنش درمييابند كه ميشد از آنها جلوگيري كرد. اغلب همسر خود را
در انتهاي فهرست اولويت قرار ميدهيم زيرا عادت كردهايم فرض كنيم كه به
دليل برنامه فشرده كاري، همسر ما عذر ما را ميپذيرد.
چندين روش براي افزايش مدت زمان بودن با همسر وجود دارد. اگر مدت زمان
كافي با همسرتان نيستيد زمانهايي را براي تنها بودن با وي تخصيص دهيد و
با هم براي تماشاي فيلم يا صرف شام بيرون برويد. روش ديگر رفتن به خريد
با يكديگر است.
3-6- كارهاي مربوط به خانه
هر خانه تعداد زيادي كارهاي متفاوت دارد كه بايد انجام شوند. اين
مسئوليتها ميتوانند بار زيادي بر ما وارد كنند اگر برنامهريزي نشوند.
با تعداد بسياري از اولويتها در زندگي پيچيده امروزي، بيشتر مردم
نميتوانند وقت اضافه براي انجام كارهاي خانه پيدا كنند. از آنجايي كه
خود نميتوانيد همه اين كارها را انجام دهيد، اگر امكان داشته باشد آنها
را به فرزندانتان تفويض كنيد.
3-7- وقت گذاشتن براي فرزندان
همه قبول دارند كه قراردادن فرزندان در اولويتهاي بالا هميشه ساده نيست.
فرزندان وقت قابل ملاحظهاي از شما ميگيرند و لازم است كه ديگر
اولويتها را همراه با اين موضوع برنامهريزي كنيد.
ميتوانيم وقت خود را با فرزندان بگذرانيم در حاليكه به اتفاق آنها
كارهاي خانه را انجام ميدهيم. بچهها از مسئوليت لذت ميبرند و قادرند
كه برخي كارهاي خانه را انجام دهند. خيلي از مسئوليتهاي داخل و خارج از
خانه وجود دارد كه شما به عنوان يك خانواده ميتوانيد آنها را با هم
انجام دهيد در حالي كه با هم هستيد. انجام برخي از كارهاي خانه توسط
فرزندان، استرس شما را كاهش ميدهد. تفويض مسئوليت به فرزندان در سنين
كودكي براي آنها سودمند است و مهارتهاي مديريتي آنها را براي سالهاي بعد
افزايش ميدهد.
نقش شما به عنوان يكي از والدين فرزندان، فشار روحي و جسمي در مراقبت از
آنها را به دنبال دارد. شما بايد به اتفاق فرزندان به گونهاي
برنامهريزي كنيد كه اين زمانها به حداقل برسند. شما ميتوانيد به
فرزندان خود توضيح دهيد كه بايد كارها و برنامههايي را انجام دهيد و
انجام ندادن آنها باعث ميشود كه به اهداف خود نرسيد. فرزندان خيلي اهميت
دارند ولي بايد به حجم ديگر كارها و مسئوليتها توجه داشته باشيد.
3-8- مديريت ميز كار
آخرين و مهمترين وجه مديريت زمان شخصي كه مورد بحث قرار ميگيرد مديريت
امور دفتري شخصي است. ميز كار مهمترين چيزي است كه همواره بايد روزآمد
نگاه داشته شود. براي موفق بودن، اين موضوع بايد جزو اولويتهاي بالاي
شما قرار گيرد. بدين منظور ابتدا بايد ميز خود را سازماندهي كنيد. با
داشتن يك ميز مرتب و تميز شما ميتوانيد بهتر كارهاي انجام نشده خود را
پيدا كنيد. وقتي كاغذهاي شما مرتب شده باشند ميتوانيد كارهاي مربوط به
آنها را به بخشهاي كوچكتر تقسيم كرده و جداگانه هريك را انجام دهيد.
روشي كه اتاق كار خود را براساس نيازها ترتيب ميدهيد كليد خبره شدن در
انجام كارهايتان است. حتي اگر نيازهاي شما در پايينترين حد لازم باشند،
اقلام خاصي وجود دارند كه به موفقيت شما كمك ميكنند. اول بايد بدانيد كه
به چه مقدار فضا براي بايگاني و ذخيره احتياج داريد. نبايد اسناد و مدارك
را روي هم بر روي ميز انباشته كنيد چرا كه باعث ميشود نتوانيد به كارهاي
مالي و دفتري خود در زمان لازم بپردازيد. از ميزهاي داراي چند كشو و
فايلهاي بايگاني ميتوانيد استفاده كنيد.
متخصصين اعتقاد دارند كه بايد از يك صندلي مناسب استفاده كرد. نوع صندلي
انتخابي بايد بگونهاي باشد كه به شكل مناسب درآن جاي گيريد. يك صندلي
خوب طراحي شده بايد قابليت تنظيم داشته باشد بگونهاي كه با اندام شما
تطابق يابد و اين امكان را فراهم آورد كه هنگام كار كردن موقعيت راحتي
داشته باشيد. پس از تنظيم، بايد پشت شما را نگه دارد و فشار وارده بر
شانهها، گردن و دستها را كاهش دهد. مطمئناً در اين شرايط شما بهتر
ميتوانيد بر كار خود تمركز كنيد.
بيشتر ما به ميزان روشنايي اطراف خود توجه نميكنيم. روشنايي مناسب،
كارايي را بالا ميبرد. سطح متفاوتي از روشنايي براي كارهاي متفاوت لازم
است. هنگام خواندن مدارك و نامهها نور بايد به قدر كافي باشد تا به
چشمان خود فشار وارد نكنيد. اما هنگام كار با كامپيوتر نور بايد به قدري
باشد كه انعكاسها و درخشندگيها به حداقل برسند.
ابزار غير فني زيادي وجود دارند كه ميتوانيد در زندگي شخصي از آنها
استفاده كنيد. از يك تقويم ديواري با جدولبندي درشت استفاده كنيد. بدين
شكل ميتوانيد كل روزهاي ماه را ببينيد. حتماً دفترچه تلفن داشته باشيد.
از نرمافزارهاي كامپيوتري نيز ميتوانيد استفاده كنيد.
4- مديريت زمان و كسب وكار
محيط كسب و كار امروز را ميتوان با رقابت شديد و سخت آن توصيف كرد. در
هر ثانيه از روز اختراعات جديدي صورت ميپذيرد و روشهاي سنتي، طول عمر
كوتاهتري پيدا ميكنند. خبر تازه امروز، يك خبر قديمي در فردا محسوب
ميشود و كساني كه با تغييرات پيش نروند عقب خواهند ماند. شما بايد از
تمام منابع موجود خود استفاده كنيد تا با زمان پيش رويد.
بزرگترين مانع موفقيت در اين بازار، زمان است. با ساعات نامحدود روزانه
ميتوانستيم سرعت كار را به اندازه رضايتبخش پايين بياوريم. متأسفانه
زمان چيزي است كه بشر نميتواند آن را كنترل كند. به خاطر اين شرايط
غيرقابل كنترل، بايد با زمان كار كنيم. درك محدوديتهاي حاصل از زمان و
منافع مديريت زمان كمك ميكند با زمان كار كنيم نه اينكه در مقابل آن
قرار گيريم.
روشي كه شما زمان خود را استفاده ميكنيد تعيينكننده موفقيت شماست. با
اين حال، فلسفه مديريت زمان از فردي به فرد ديگر متفاوت است و مديريت
زمان براي شما بايد بگونهاي باشد كه با كار شما مطابقت داشته باشد. در
اين بخش رهنمودهايي ارائه ميكنيم كه به شما در شروع سفر در مديريت مؤثر
زمان كمك خواهند كرد. اين رهنمودها را به دقت بخوانيد و آنها را بگونهاي
تطبيق دهيد كه نياز شما را برآورده كنند.
4-1- مديريت زمان در كار
رهنمودهاي كلي كه قبلاً گفته شد ميتوانند در محل كار شما به كار روند.
اين رهنمودها مواردي شامل تحليل روش گذراندن وقت، اولويتبندي فعاليتها
و برنامهريزي است.
4-2- كار درست را در زمان درست انجام دهيد
حتي با مديريت مؤثر زمان هم در خواهيد يافت كه هميشه نميتوان هر كاري را
سر وقت انجام داد. اما كارهايي وجود دارند كه بايد سر وقت انجام شوند و
كارهايي نيز هستند كه ميتوان به تأخير انداخت. بر اساس رهنمودهاي عمومي
مديريت زمان، يك فهرست اولويتبندي شده از كارها بايد تهيه كنيد. در
سراسر روز كارهايي از فهرست را انجام دهيد كه بيشترين اولويت را دارند.
اين كار خيلي ساده است و به يك متدولوژي خاص نياز ندارد در حالي كه خيلي
از ما كار درست را در زمان درست انجام نميدهيم. انجام كارها براساس
اولويت كمك ميكند كه كارها را خوب مديريت كنيد.
4-3- قبل از ترك دفتر فهرست كارهاي فردا را مرور كنيد
فهرست كار را بررسي كنيد و كارهاي انجام نشده را تعيين كنيد. كارهاي
انجام شده را پاك كنيد و كارهاي انجام نشده را اولويتبندي كنيد. هنگام
اولويتبندي موضوعات اصلي، كارهايي كه قرار است فردا انجام دهيد را مرور
كنيد. براي مثال، اگر فاز دوم پروژه در دست را آغاز ميكنيد مستندات
تعريف آن فاز را مطالعه كنيد. اين كار باعث ميشود اقداماتي را كه براي
فاز دوم بايد انجام دهيد بياد آوريد. اگر با چند نفر كار ميكنيد، با
آنها در مورد كار فردا صحبت كنيد و مطمئن شويد كه هريك ميدانند فردا چه
كاري بايد انجام دهند.
4-4- ساعات اوج كاري خود را پيدا كنيد
با استفاده از رهنمودهاي ارائه شده در بخش 2، تعيين كنيد كه در ساعات
مختلف روز چه احساسي داريد. اين تمام تحقيقي است كه نياز داريد تا
بتوانيد ساعات اوج كاري خود را پيدا كنيد. ساعاتي كه بيشترين انرژي را
داشتهايد، انگيزش بالا داشتهايد و تماماً متمركز به كارتان بودهايد را
بشماريد. اين ساعات زماني هستند كه در آن بايد مشكلترين كارهايتان را
انجام دهيد. از مزاياي ساعت اوج كاري استفاده كنيد.
4-5- از جلسات حداكثر استفاده را ببريد
براي برگزاري جلسه چهار نكته را بايد در نظر بگيريد. اولين نكته اين است
كه جلسه را هنگامي برگزار كنيد موضوع آن اتفاق افتاده باشد. جلسات
دورهاي اغلب نياز نيست اما اگر اين زمان را تخصيص دهيد با بحثهاي مختلف
پر ميشود. بنابراين جلسات را براساس نياز تشكيل دهيد نه براساس قاعده.
دومين رهنمود براي تشكيل جلسه تنظيم دستور جلسه است. دستور جلسه بايد هدف
جلسه و حوزه بحث را نشان دهد. حوزههاي بحث بايد اولويتبندي شوند. جلسات
ساختيافته افراد را بر موضوع مورد بررسي متمركز ميكنند. اين كار منجر
به جلسات كوتاهتر و پربارتر ميشود. توزيع دستور جلسه در زمان مناسبي
پيش از تشكيل جلسه، به افراد اين امكان را ميدهد كه خود را براي جلسه
آماده كنند. اين اقدامات باعث ميشود كه جلسات شما مؤثرتر و آموزندهتر
شوند.
سومين رهنمود براي تشكيل جلسات تنظيم دقيق زمان جلسه است. ساعت تشكيل
جلسه تأثير زيادي بر خروجي جلسه خواهد داشت. براي مثال، اگر شما ميدانيد
كه افرادي در جلسه هستند كه تمايل دارند جلسه را بيش از زمان در نظر
گرفته شده ادامه دهند، زمان جلسه را براي پيش از نهار يا براي ساعت
پاياني روز تنظيم كنيد. اين باعث ميشود افراد انگيزه بيشتري براي تمركز
و توجه داشته باشند. نكته چهارم اين است كه جلسات را در ساعات غيرمعمول
برگزار كنيد اگر با تأخير و كندي روبرو ميشويد.
4-6- به صورت مؤثر تفويض كنيد
تفويض زمان بيشتري ايجاد ميكند. اما اين كار هميشه به سادگي قابل انجام
نيست. در حقيقت خيلي از افراد با تفويض كارها مشكل دارند. اين به چند
دليل رخ ميدهد. گاهي اوقات توضيح انجام يك كار به فرد ديگر بيش از انجام
كار توسط خود طول ميكشد. اما اگر آيندهنگر باشيد متوجه ميشويد كه اگر
يك وقت اضافي صرف كنيد ميتوانيد در آينده نيز كار مورد نظر را تفويض
كنيد. دليل ديگر عدم تفويض كمالگرايي است. وقتي تفويض ميكنيد به افراد
اجازه ميدهيد كه اشتباه كنند. اگر شما تحمل تصحيح اشتباهات را داشته
باشيد آنگاه افراد بيشتري ياد ميگيرند كه كار مورد تفويض را به صورت
مناسب انجام دهند. دليل آخر عدم تفويض ترس از كاهش قدرت است. اين وجه از
تفويض چيزي است كه همه ما با آن روبرو خواهيم بود. به چيزي كه از تفويض
بدست ميآوريد فكر كنيد نه به چيزي كه از دست ميدهيد.
وقتي توانستيد بر ترسهاي خود از تفويض كردن غلبه كنيد بايد ياد بگيريد
كه چگونه به صورت اثربخش تفويض كنيد. ابتدا تعيين كنيد كه چه چيزي بايد
تفويض شود. به فهرست اولويتبندي شده كارها نگاه كنيد. اين فهرست در
تعيين كارهاي نيازمند تفويض كمك ميكند. سپس افراد توانا و مشتاق انجام
كار انتخاب شده براي تفويض را انتخاب كنيد. بياد داشته باشيد كه كل كار
را تفويض كنيد. كار و چيزي كه مورد انتظار است را توضيح دهيد. قدم بعدي
اين است كه اجازه دهيد فرد كار را انجام دهد. كار را در زمانهاي از پيش
تعيين شده مورد بررسي قرار دهيد. دائماً بالا سر كار نايستيد زيرا اين
كار فقط عملكرد را كاهش ميدهد.
4-7- ميز خود را مرتب كنيد
فردي كه روي ميز شلوغ و درهم برهم كار ميكند به طور متوسط روزي يك ساعت
و نيم دنبال چيزهاي خود روي ميز ميگردد. عامل اصلي به هم ريختگي روي
ميز، كاغذ است. كاغذها بايد دستهبندي و بايگاني شوند، يا به ديگر
همكاران مربوط داده شوند يا دور ريخته شوند. نيازي نيست كه انبوهي از
كاغذ به مدت نامحدود روي ميز باشد. بعد از مرتب كردن روي ميز به سراغ
كشوها برويد. مرتب كردن ميز كافي نيست، هر روز آن را تميز كنيد. مرتب
نگهداشتن ميز هفت ساعت و نيم به هفته كاري اضافه ميكند.
4-8- روشها را مناسب خود تطبيق دهيد
توجه به اين نكته مهم است كه رهنمودهاي ارائه شده در اين مقاله كلي
هستند. اين رهنمودها نقطه شروعي براي توسعه سيستم مديريت زمان است. براي
مديريت موفق زمان، بايد يك سيستم مديريت زمان مناسب خود طراحي كنيد.
۱۳۸۹ اردیبهشت ۲۴, جمعه
منطق فازي Fuzzy
برکلی، اولين مقاله خود را در زمينه فازی تحت عنوان مجموعههای فازی
(FUZZY TEST) منتشر کرد، هيچ کس باور نداشت که اين جرقهای خواهد بود که
دنيای رياضيات را به طور کلی تغيير دهد.
گرچه در دهه 1970 و اوايل دهه 1980 مخالفان جدی برای نظريه فازی وجود
داشت، اما امروزه هيچ کس نمیتواند ارزشهای منطق فازی و کنترلهای فازی
را منکر شود.
افتخار هر ايرانی است که پايه علوم قرن آينده از نظريات يک ايرانی
میباشد؛ بايد قدر اين فرصت را دانست و در تعميم نظريه فازی و استفاده از
آن کوشش و تلاش کرد.
زمينههای پژوهش و تحقيق در نظريه فازی بسيار گسترده میباشد؛ پژوهشگران
علاقهمند میتوانند با پژوهش و تحقيق در اين زمينه باعث رشد و شکوفايی
هرچه بيشتر نظريه فازی شوند.
در اين مقاله سعی شده است که خوانندگان محترم با نظريه فازی و تاريخچه آن
آشنا شوند و زمينههای تحقيق و پژوهش مورد بررسی قرار گيرد. اميد است که
بتوان قدمی هر چند کوچک در جهت تعالی کشور عزيزمان ايران برداريم
تاريخچة مجموعههاي فاز
نظرية مجموعه فازي در سال 1965 توسط پروفسور لطفي عسگرزاده، دانشمند
ايرانيتبار و استاد دانشگاه بركلي امريكا عرضه شد.
اگر بخواهيم نظريه مجموعههاي فازي را توضيح دهيم، بايد بگوييم نظريهاي
است براي اقدام در شرايط عدم اطمينان؛ اين نظريه قادر است بسياري از
مفاهيم و متغيرها و سيستمهايي را كه نادقيق و مبهم هستند، صورتبندي
رياضي ببخشد و زمينه را براي استدلال، استنتاج، كنترل و تصميمگيري در
شرايط عدم اطمينان فراهم آورد.
پرواضح است كه بسياري از تصميمات و اقدامات ما در شرايط عدم اطمينان است
و حالتهاي واضح غير مبهم، بسيار نادر و كمياب ميباشند.
نظرية مجموعههاي فازي به شاخههاي مختلفي تقسيم شده است كه بحث كامل و
جامع در مورد هر شاخه، به زمان بيشتر و مباحث طولانيتری احتياج دارد.
در اين مبحث که با انواع شاخههاي فازي و كاربرد آنها آشنا ميشويم، تلاش
شده است كه مباحث به صورت ساده ارائه شود و مسائل بدون پيچيدگيهاي خاص
مورد بررسي قرار گيرد.
همچنين تلاش شده است كه جنبههاي نظري هر بحث تا حد امكان روشن شود؛ گرچه
در بسياري موارد به منظور اختصار، از بيان برهانها چشمپوشي شده است و
علاقهمندان را به منابع ارجاع دادهايم. مطالعه اين پژوهش ميتواند
زمينهاي كلي و فراگير دربارة اهم شاخههاي نظريه مجموعههاي فازي فراهم
آورد؛ اما علاقهمندان ميتوانند با توجه به نوع و ميزان علاقه و هدف
خود، به مراجع اعلام شده، مراجعه نمايند.
تاريخچة مختصري از نظريه و كاربردهاي فازي
دهة 1960 آغاز نظريه فازي
نظريه فازي به وسيله پروفسور لطفيزاده در سال 1965 در مقالهاي به نام
مجموعههاي فازي معرفي شد.
ايشان قبل از كار بر روي نظريه فازي، يك استاد برجسته در نظريه كنترل
بود. او مفهوم «حالت» را كه اساس نظريه كنترل مدرن را شكل ميدهد، توسعه
داد.
عسگرزاده در سال 1962 چيزي را بدين مضمون براي سيستمهاي بيولوژيك نوشت:
ما اساساً به نوع جديد رياضيات نيازمنديم؛ رياضيات مقادير مبهم يا فازي
كه توسط توزيعهاي احتمالات قابل توصيف نيستند.
وی فعاليت خويش در نظريه فازي را در مقالهاي با عنوان «مجموعههاي فازي»
تجسم بخشيد.
مباحث بسياری در مورد مجموعههاي فازي به وجود آمد و رياضيدانان معتقد
بودند نظريه احتمالات براي حل مسائلي كه نظريه فازي ادعاي حل بهتر آن را
دارد، كفايت ميكند.
دهة 1960 دهة چالش كشيدن و انكار نظريه فازي بود و هيچ يك از مراكز
تحقيقاتي، نظريه فازي را به عنوان يك زمينه تحقيق جدي نگرفتند.
اما در دهة 1970، به كاربردهاي عملي نظريه فازي توجه شد و ديدگاههاي
شكبرانگيز درباره ماهيت وجودي نظريه فازي مرتفع شد.
استاد لطفيزاده پس از معرفي مجموعة فازي در سال 1965، مفاهيم الگوريتم
فازي را در سال 1968، تصميمگيري فازي را در سال 1970 و ترتيب فازي را در
سال 1971 ارائه نمود. ايشان در سال 1973 اساس كار كنترل فازي را بنا كرد.
اين مبحث باعث تولد كنترلكنندههاي فازي براي سيستمهاي واقعي بود؛
ممداني (Mamdani) و آسيليان (Assilian) چهارچوب اوليهاي را براي
كنترلكننده فازي مشخص كردند. در سال 1978 هومبلاد (Holmblad) و
اوسترگارد(Ostergaard) اولين كنترلكننده فازي را براي كنترل يك فرايند
صنعتي به كار بردند كه از اين تاريخ، با كاربرد نظريه فازي در سيستمهاي
واقعي، ديدگاه شكبرانگيز درباره ماهيت وجودي اين نظريه كاملاً متزلزل
شد.
دهة 1980 از لحاظ نظری، پيشرفت كندي داشت؛ اما كاربرد كنترل فازي باعث
دوام نظريه فازي شد.
مهندسان ژاپني به سرعت دريافتند كه كنترلكنندههاي فازي به سهولت قابل
طراحي بوده و در مورد بسياري مسائل ميتوان از آنها استفاده كرد.
به علت اينكه كنترل فازي به يك مدل رياضي نياز ندارد، ميتوان آن را در
مورد بسياری از سيستمهايي كه به وسيلة نظريه كنترل متعارف قابل
پيادهسازي نيستند، به كار برد.
سوگنو مشغول كار بر روي ربات فازي شد، ماشيني كه از راه دور كنترل میشد
و خودش به تنهايي عمل پارك را انجام ميداد.
ياشونوبو (Yasunobu) و مياموتو (Miyamoto) از شركت هيتاچي كار روي سيستم
كنترل قطار زيرزميني سندايي را آغاز كردند. بالاخره در سال 1987 پروژه به
ثمر نشست و يكي از پيشرفتهترين سيستمهاي قطار زيرزميني را در جهان به
وجود آورد.
در دومين كنفرانس سيستمهاي فازي كه در توکيو برگزار شد، درست سه روز
بعد از افتتاح قطار زيرزميني سندايي، هيروتا (Hirota) يك روبات فازي را
به نمايش گذارد كه پينگپونگ بازي ميکرد؛ ياماكاوا (Yamakawa) نيز سيستم
فازي را نشان داد كه يك پاندول معكوس را در حالت تعادل نشان ميداد. پس
از اين كنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد و زمينههای
پيشرفت نظريه فازي فراهم شد.
دهة 1990 ، توجه محققان امريكا و اروپا به سيستمهاي فازي
موفقيت سيستمهاي فازي در ژاپن، مورد توجه محققان امريكا و اروپا واقع شد
و ديدگاه بسياري از محققان به سيستمهاي فازي تغيير کرد.
در سال 1992 اولين كنفرانس بينالمللي در مورد سيستمهاي فازي به وسيله
بزرگترين سازمان مهندسي يعني IEEE برگزار شد.
در دهة 1990 پيشرفتهاي زيادي در زمينة سيستمهاي فازي ايجاد شد؛ اما با
وجود شفاف شدن تصوير سيستمهاي فازي، هنوز فعاليتهاي بسياري بايد انجام
شود و بسياري از راهحلها و روشها همچنان در ابتداي راه قرار دارد.
بنابراين توصيه ميشود که محققان كشور با تحقيق و تفحص در اين زمينه،
موجبات پيشرفتهاي عمده در زمينة نظريه فازي را فراهم نمايند.
زندگينامة پروفسور لطفيزاده
استاد لطفيزاده در سال 1921 در باكو متولد شد. آنجا مركز آذربايجان
شوروي بود. لطفيزاده يك شهروند ايراني بود؛ پدرش يك تاجر و نيز خبرنگار
روزنامة ايرانيان بود.
استاد لطفيزاده از 10 تا 23 سالگي در ايران زندگي كرد و به مدرسة مذهبي
رفت. خاندان لطفيزاده از اشراف و ثروتمندان ايراني بودند كه هميشه ماشين
و خدمتكار شخصي داشتند.
در سال 1942 با درجة کارشناسی مهندسي برق از دانشكده فني دانشگاه تهران
فارغالتحصيل شد. او در سال 1944 وارد امريكا شد و به دانشگاه MIT رفت و
در سال 1946 درجة کارشناسیارشد را در مهندسي برق دريافت كرد. در سال
1951 درجة دكتراي خود را در رشتة مهندسي برق دريافت نمود و به استادان
دانشگاه كلمبيا ملحق شد. سپس به دانشگاه بركلي رفته و در سال 1963 رياست
دپارتمان مهندسي برق دانشگاه بركلي را كه بالاترين عنوان در رشتة مهندسي
برق است، كسب نمود. لطفيزاده انساني است كه هميشه موارد مخالف را مورد
بررسي قرار داده و به بحث دربارة آن ميپردازد. اين خصوصيت، قابليت
پيروزی بر مشكلات را به لطفيزاده اعطا نموده است.
در سال 1956 لطفيزاده بررسي منطق چند ارزشي و ارائة مقالات تخصصي در
مورد اين منطق را آغاز کرد.
پروفسور لطفيزاده از طريق مؤسسة پرينستون با استفن كلين آشنا شد. استفن
كلين كسي است كه از طرف مؤسسة پرينستون، منطق چند ارزشي را در ايالات
متحده رهبري ميكرد. كلين متفكر جوان ايراني را زير بال و پر خود گرفت.
آنها هيچ مقالهاي با يكديگر ننوشتند، اما تحت تأثير يكديگر قرار داشتند.
لطفيزاده اصول منطق و رياضي منطق چند ارزشي را فرا گرفت و به كلين اساس
مهندسي برق و نظرية اطلاعات را آموخت.
وی پس از آشنايي با پرينستون، شيفتة منطق چند ارزشي شد.
در سال 1962 لطفيزاده تغييرات مهم و اصلي را در مقالة «از نظرية مدار به
نظرية سيستم» در مجلة IRE كه يكي از بهترين مجلههاي مهندسي آن روز بود،
منتشر ساخت. در اينجا براي اولين بار عبارت فازي را براي چند ارزشي
پيشنهاد داد.
لطفيزاده پس از ارائة منطق فازي، در تمام دهة 1970 و دهة 1980 به
منتقدان خود در مورد اين منطق پاسخ ميداد. متانت، حوصله و صبوري استاد
در برخورد با انتقادات و منتقدان منطق فازي از خود بروز ميداد، در رشد و
نمو منطق فازي بسيار مؤثر بوده است، به طوری که رشد كاربردهاي كنترل فازي
و منطق فازي در سيستمهاي كنترل را مديون تلاش و كوشش پروفسور لطفيزاده
ميدانند و هرگز جهانيان تلاش اين بزرگمرد اسطورهاي ايراني را فراموش
نخواهند كرد.
تعريف سيستمهاي فازي و انواع آن
واژة فازي در فرهنگ لغت آكسفورد به صورت مبهم، گنگ و نادقيق تعريف شده
است. اگر بخواهيم نظرية مجموعههاي فازي را تعريف كنيم، بايد بگوييم که
نظريهاي است براي اقدام در شرايط عدم اطمينان؛ اين نظريه قادر است
بسياري از مفاهيم و متغيرها و سيستمهايي را كه نادقيق هستند، صورتبندي
رياضي ببخشد و زمينه را براي استدلال، استنتاج، كنترل و تصميمگيري در
شرايط عدم اطمينان فراهم آورد.
چرا سيستمهاي فازي:
دنياي واقعي ما بسيار پيچيدهتر از آن است كه بتوان يك توصيف و تعريف
دقيق براي آن به دست آورد؛ بنابراين بايد براي يك مدل، توصيف تقريبي يا
همان فازي كه قابل قبول و قابل تجزيه و تحليل باشد معرفي شود.
با حركت به سوي عصر اطلاعات، دانش و معرفت بشري بسيار اهميت پيدا ميكند.
بنابراين ما به فرضيهاي نياز داريم كه بتواند دانش بشري را به شكلي
سيستماتيك فرموله كرده و آن را به همراه ساير مدلهاي رياضي در سيستمهاي
مهندسي قرار دهد.
سيستمهاي فازي چگونه سيستمهايي هستند؟
سيستمهاي فازي، سيستمهاي مبتني بر دانش يا قواعد ميباشند؛ قلب يك
سيستم فازي يك پايگاه دانش است كه از قواعد اگر ـ آنگاه فازي تشكيل شده
است.
يك قاعده اگر ـ آنگاه فازي، يك عبارت اگر ـ آنگاه است كه بعضي كلمات آن
به وسيله توابع تعلق پيوسته مشخص شدهاند.
مثال:
اگر سرعت خودرو بالاست، آنگاه نيروي كمتري به پدال گاز وارد كنيد.
كلمات «بالا» و «كم» به وسيله توابع تعلق مشخص شدهاند؛ توضيحات كامل در
شکل ارائه شده است.
مثال 1-1:
فرض كنيد ميخواهيم كنترلكنندهاي طراحي كنيم كه سرعت خودرو را به طور
خودكار كنترل كند. راهحل اين است كه رفتار رانندگان را شبيهسازي كنيم؛
بدين معني كه قواعدي را كه راننده در حين حركت استفاده ميكند، به
كنترلكنندة خودكار تبديل نماييم.
در صحبتهاي عاميانه رانندهها در شرايط طبيعي از 3 قاعده زير در حين
رانندگي استفاده ميكنند:
اگر سرعت پايين است، آنگاه نيروي بيشتري به پدال گاز وارد كنيد.
اگر سرعت متوسط است، آنگاه نيروي متعادلي به پدال گاز وارد كنيد.
اگر سرعت بالاست، آنگاه نيروي كمتري به پدال گاز وارد كنيد.
به طور خلاصه، نقطة شروع ساخت يك سيستم فازي به دست آوردن مجموعهاي از
قواعد اگر ـ آنگاه فازي از دانش افراد خبره يا دانش حوزه مورد بررسي
ميباشد؛ مرحلة بعدي، تركيب اين قواعد در يك سيستم واحد است.
انواع سيستمهاي فازي
سيستمهاي فازي خالص
سيستمهاي فازي تاكاگي ـ سوگنوكانگ (TSK)
سيستمهاي با فازيساز و غير فازيساز
سيستم فازي خالص
موتور استنتاج فازي، اين قواعد را به يك نگاشت از مجموعههاي فازي در
فضاي ورودي به مجموعههاي فازي و در فضاي خروجي بر اساس اصول منطق فازي
تركيب ميكند.
مشكل اصلي در رابطه با سيستمهاي فازي خالص اين است كه وروديها و
خروجيهاي آن مجموعههاي فازي ميباشند. درحالي كه در سيستمهاي مهندسي،
وروديها و خروجيها متغيرهايي با مقادير حقيقي ميباشند.
براي حل اين مشكل، تاكاگي سوگنو و كانگ، نوع ديگري از سيستمهاي فازي
معرفي كردهاند كه وروديها و خروجيهاي آن متغيرهايي با مقادير واقعي
هستند.
سيستم فازي تاكاگي ـ سوگنو و كانگ
بدين ترتيب قاعده فازي از يك عبارت توصيفي با مقادير زباني، به يك رابطة
ساده تبديل شده است؛ به طور مثال در مورد خودرو ميتوان اعلام كرد كه اگر
سرعت خودرو X باشد، آنگاه نيروي وارد بر پدال گاز برابر Y=CX ميباشد.
مشكلات عمدة سيستم فازي TSK عبارت است از:
بخش «آنگاه» قاعدة يك فرمول رياضي بوده و بنابراين چهارچوبي را براي
نمايش دانش بشري فراهم نميكند.
اين سيستم دست ما را براي اعمال اصول مختلف منطق فازي باز نميگذارد و در
نتيجه انعطافپذيري سيستمهاي فازي در اين ساختار وجود ندارد.
براي حل اين مشكلات نوع سومي از سيستمهاي فازي يعني سيستم فازي با
فازيسازها و غير فازيسازها مورد استفاده قرار گرفت.
سيستمهاي فازي با فازيساز و غير فازي ساز
اين سيستم فازي معايب سيستم فازي خالص و سيستم فازي TSK را ميپوشاند. در
اين مبحث، از اين پس سيستم فازي با فازي ساز و غير فازيساز منظور خواهد
بود.
به عنوان نتيجهگيري براي اين بخش لازم است يادآوري شود كه جنبة متمم
نظريه سيستمهاي فازي اين است كه يك فرايند سيستماتيك را براي تبديل يك
پايگاه دانش به يك نگاشت غير فعلي فراهم ميسازد.
زمينههاي تحقيق عمده در نظريه فازي
منظور از نظريه فازي، تمام نظريههايي است كه از مفاهيم اساسي مجموعههاي
فازي يا توابع تعلق استفاده ميكنند.
مطابق شكل، نظريه فازي را میتوان به پنج شاخة عمده تقسيم كرد كه عبارتند از:
رياضيات فازي
مفاهيم رياضيات كلاسيك، با جايگزيني مجموعههاي فازي با مجموعههاي
كلاسيك توسعه پيدا كرده است.
منطق فازي و هوش مصنوعي
كه در آن منطق كلاسيك تقريبهايي يافته و سيستمهاي خبره بر اساس اطلاعات
و استنتاج تقريبي توسعه پيدا كرده است.
سيستمهاي فازي
سيستمهاي فازي كه شامل كنترل فازي و راهحلهايي در زمينة پردازش سيگنال
و مخابرات ميباشد.
عدم قطعيت و اطلاعات
انواع عدم قطعيتها را مورد تجزيه و تحليل قرار ميدهد.
تصميمگيري فازي
مسائل بهينهسازي را با محدوديتها در نظر ميگيرد.
اصل منطق فازي
استدلال تقريبي
سيستمهاي خبره فازي
منطق فازي و هوش مصنوعي
عدم قطعيت و اطلاعات
تصميمگيري فازي
سيستمهاي فازي
رياضيات فازي
نظريه فازي
مخابرات
پردازش سيگنال فازي
كنترل فازي
متعادل سازي كانال
بازشناسي الگو پردازش تصوير
طراحي كنترل كننده
تحليل پايداري
تئوري امكان
اندازه گيري عدم قطعيت
بهينهسازي چندگانه برنامهريزي فازي
مجموعههاي فازي
اندازهگيريهاي فازي
تحليل فازي
روابط فازي
توپولوژي فازي
بايد توجه داشت كه پنچ شاخة مستقل از يكديگر نبوده و به شدت به هم ارتباط
دارند. كه براي تحقيق
در يك زمينه حتماً ميبايست در مورد زمينههاي ديگر نيز اطلاعات مناسب را
به دست آورد؛ به طور مثال، كنترل فازي از
/////////////////////////////////////////////////
لطفي زاده پدر منطق فازي
پرفسور لطفی زاده در سال 1921 در شهر باکو پایتخت جمهوری آذربایجان به
دنیا آمد. مادرش پزشک و پدرش یک روزنامه نگار از اهالی آذربایجان ایران
بود. در سن 10 سالگی، همزمان با حکومت دیکتاتوری استالین در اتحاد شوروی
سابق، همراه خانواده اش مجبور به مراجعت به ایران شد و در شهر تهران ساکن
گردید. لطفی زاده تحصیلات ابتدایی را در تهران ادامه داد و دوره متوسطه
را در کالج البرز (دبیرستان البرز فعلی) به پایان رسانید و در کنکور
ورودی دانشگاه تهران شرکت و رتبه دوم را احراز نمود. وی پس از فراغت از
تحصیل از دانشکده فنی دانشگاه تهران در رشته مهندسی برق در سال 1942، به
آمریکا مسافرت کرد و دوره فوق لیسانس مهندسی برق را در انستیتوی تکنولوژی
ماساچوست (MIT) واقع در شهر بوستون طی نمود. آنگاه وارد دانشگاه کلمبیا
در نیویورک شد و در سال 1949 با درجه دکتری از این دانشگاه فارغ التحصیل
گردید.
دکتر لطفی زاده
پرفسور لطفی زاده کارهای پژوهشی خود را در رشته تئوری سیستم از دانشگاه
کلمبیا آغاز نمود. در سال 1956، وی به عنوان دانشمند مدعو در انستیتوی
مطالعات پیشرفته در دانشگاه پرینستون (نیوجرسی) مشغول تدریس و تحقیق بود.
علاوه بر آن، پرفسور لطفی زاده مشاغل علمی افتخاری متعددی را احراز نموده
است که میتوان به موارد زیر اشاره نمود: استاد مدعو در رشته مهندسی برق
در دانشگاه MIT (1968)، دانشمند مدعو در آزمایشگاه تحقیقاتی شرکت ای ـ بی
ـ ام IBM در کالیفرنیا (1977، 1973، 1968) و دانشمند مدعو در مرکز
مطالعات زبان و اطلاعات در دانشگاه استانفورد کالیفرنیــا (1988ـ1987 (
در سال 1959، پرفسور لطفی زاده کار تمام وقت خود را با سمت استادی در
دانشکده مهندسی برق دانشگاه کالیفرنیا در برکلی شروع کرد. در فاصله
سالهای 1968ـ1963، وی ریاست دانشکده مهندسی برق دانشگاه کالیفرنیا در
برکلی را عهده دار بود. گرچه پرفسور لطفی زاده در سال 1991 رسما بازنشسته
شد، ولی همچنان به فعالیتهای علمی خویش در دانشگاه کالیفرنیا ادامه
میدهد. در حال حاضر پرفسور لطفی زاده به عنوان استاد ممتاز (Professor
Emeritus) مهندسی برق، مدیریت مرکز نرم افزار کامپیوتری دانشگاه برکلی را
عهده دار است. این مرکز بیش از 2000 نفر عضو دارد و یکصد موسسه علمی به
آن وابسته اند. تا سال 1965، تحقیقات پرفسور لطفی زاده عمدتا در زمینه
تئوری سیستم ها و تجزیه و تحلیل تئوری تصمیمات بود. در آن سال، وی تئوری
"مجموعه فازی Fuzzy" را پایه گذاری کرد و سپس در زمینه کاربردهای این
تئوری در حافظه مصنوعی، زبان شناسی، منطق، تئوری تصمیمات، تئوری کنترل،
سیستمهای خبره و شبکه های اعصاب به تحقیقات گسترده ای پرداخت. در حال
حاضر تحقیقات پرفسور لطفی زاده در زمینه "منطق فازی Fuzzy Logic " نرم
کامپیوتری، محاسبات کامپیوتری بر مبنای کلمات، تئوری کامپیوتری ادراک و
زبان طبیعی است.
پرفسور لطفی زاده به عنوان کاشف و مبتکر منطق فازی شهرت جهانی دارد. وی
طی یک مقاله علمی کلاسیک که در سال 1965 به چاپ رسید مفهوم "مجموعه فازی"
را که اساس تئوری تجزیه و تحلیل سیستمهای پیچیده است، معرفی نمود که در
آن "زبان طبیعی" به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستمها
به کار میرود. پس از معرفی مجموعه فازی، بیش از 15000 مقاله علمی توسط
دانشمندان جهان درباره منطق فازی و کاربردهای گسترده آن در نشریات علمی
منتشر گردیده و حدود 3000 درخواست ثبت اختراع در این زمینه در کشورهای
مختلف جهان به عمل آمده است. در سال مالی 1992ـ1991، کمپانی
"ماتسوشیتا"ی(Matsush*ta) ژاپن به تنهایی توانست تجهیزات و سیستمهای
الکتریکی و الکترونیکی به ارزش یک میلیارد دلار به فروش برساند که در
آنها از منطق فازی استفاده میشود. در حال حاضر 12 ژورنال علمی در دنیا
چاپ میشوند که در عناوین آنها کلمه "فازی" دیده میشود. تنها در کشور ژاپن
بیش از 2000 مهندس و دانشمند در رشته منطق فازی به تحقیقات علمی و صنعتی
مشغول هستند. پرفسور لطفی زاده عضو ارشد (Fellow) انستیتوی مهندسی برق و
الکترونیک آمریکا، عضو ارشد بنیاد گوگن هایم (Gugenheim) ، عضو ارشد
آکادمی ملی مهندسی آمریکا، عضو ارشد کنگره جهانی Cybernetics ، عضو
آکادمی علوم روسیه، عضو افتخاری انجمن مطالعات Cybernetics اتریش، عضو
ارشد اتحادیه بین المللی سیـستم های فـازی و عضـو ارشد چندیـــن انـجـمـن
و موســـســـه عــلمــی دیــگـــر اســت.
پرفسور لطفی زاده موفق به دریافت 9 مدال علمی گردیده است که از این تعداد
پنج مدال به مناسبتهای گوناگون توسط انستیتوی مهندسی برق و الکترونیک
آمریکا و چهار مدال دیگر توسط انستیتوی مهندسی مکانیک آمریکا، انجمن علوم
مهندسی آمریکا، آکادمی علوم جمهوری چک و انجمن بین المللی سیستمهای
هوشیار به وی اهدا شده است. به علاوه پرفسور لطفی زاده 14 جایزه علمی
دریافت نموده که از آن جمله میتوان به جایزه اهدایی بنیاد معروف هوندای
ژاپن اشاره نمود.
دانشگاههای متعدد جهان به شرح زیر با اهدای درجه دکتری افتخاری به پرفسور
لطفی زاده از خدمات علمی وی و بویژه به خاطر ابداع منطق فازی که علوم و
مهندسی کامپیوتر و تئوری سیستم ها را دگرگون کرده است، اظهار قدرشناسی
نموده اند.
دانشگاه تولوز (فرانسه)، دانشگاه ایالتی نیویورک، دانشگاه دورتموند
Dortmund))آلمان، دانشگاه اوویدو اسپانیا، دانشگاه گرانادا Granada)
)اسپانیا، دانشگاه لیک هد (Leakhead) کانادا ، دانشگاه لویزویل
(Lousiville) آمریکا، دانشگاه باکو (جمهوری آذربایجان)، دانشگاه گلیویس
(Gliwice) لهستان، دانشگاه اوستراوا (Ostrava) جمهوری چک، دانشگاه تورنتو
(کانادا)، دانشگاه فلوریدای مرکزی (آمریکا)، دانشگاه هامبورگ (آلمان)، و
دانشگاه پاریس فرانسه.
استاد در حال تدریس در دانشگاه MIT
پرفسور لطفی زاده به تنهایی بیش از 200 مقاله تالیف کرده است و در حال
حاضر عضو هیئت تحریریه بیش از 50 نشریه علمی میباشد. وی عضو هیئت مشورتی
"مرکز فازی آلمان"، عضو هیئت مشورتی مرکز تحقیقات فازی دانشگاه تکزاس،
عضو کمیته مشورتی مرکز آموزش و تحقیقات سیستمهای فازی و حافظه مصنوعی
(رومانی)، عضو هیئت مشورتی موسسه بین المللی مطالعات سیستم ها، عضو هیئت
مدیره انجمن بین المللی شبکه های اعصاب، رئیس افتخاری اتحادیه سیستم های
فازی بیومدیکال (ژاپن)، رئیس افتخاری اتحادیه منطق و تکنولوژی فازی
(اسپانیا)، عضو هیئت مشورتی انستیتوی ملی انفورماتیک توکیو و عضو هیئت
مدیره انستیتوی سیستمهای دانا (ایلی نوی ـ آمریکا) است. پرفسور لطفی زاده
قبل از کشف مجموعه فازی در سال 1965، به مناسبت تحقیقات بنیادی خویش
درباره تئوری سیستم ها در سطح جهانی شناخته شده بود. وی طی مقاله ای که
در سال 1950 در ژورنال "فیزیک عملی" به چاپ رسید به تعمیم تئوری Wiener
پرداخت که بعدها این تئوری کاربردهای فراوانی در طراحی فیلترهای حافظه
پیدا نمود. در سال 1952، لطفی زاده با همکاری راقازینی Ragazzini
ترانسفورماسیون Z را برای تجزیه و تحلیل سیستم های داده به کار گرفت که
در طراحی سیستم های کنترل و فیلترهای دیجیتال کاربرد گسترده ای یافتند.
در سال 1963 پرفسور لطفی زاده به اتفاق چارلز دوسور Desoer کتابی درباره
"تئوری حالت ـ فضا در سیستم های خطی" نوشت. انتشار این کتاب به عنوان
حادثه بنیادی در تاریخ علوم و مهندسی کنترل و تجزیه و تحلیل سیستم ها به
شمار میرود و امروزه این کتاب به عنوان ابزاری استاندارد در تجزیه و
تحلیل سیستمها، از روبوت های صنعتی گرفته تا سیستم های هدایت و کنترل
فضایی، به طور وسیع مورد استفاده قرار میگیرد.
مقاله کلاسیک پرفسور لطفی زاده درباره مجموعه فازی که در سال 1965 به چاپ
رسید، سرآغاز جهتی نوین در علوم و مهندسی سیستم و کامپیوتر بود. پس از آن
پرفسور لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا
آنکه در سال 1973 طی یک مقاله کلاسیک دیگر تحت عنوان "شرحی بر دیدی نو در
تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم گیری" مفهوم استفاده از
متغیرهای زبانی را در سیستم های حافظه و کنترل مطرح کرد. این مقاله اساس
تکنولوژی کنترل بر مبنای منطق فازی است که در اینده اثرات عمیق در طراحی
سیستم های کنترل هوشیار خواهد داشت.گرچه منطق فازی کاربردی خیلی وسیع تر
از منطق متداول دارد ولی پرفسور لطفی زاده معتقد است که منطق فازی اکسیر
و نوشدارو نیست. وی میگوید "کارهای زیادی هست که انسان میتواند به آسانی
انجام دهد در حالی که کامپیوترها و سیستمهای منطقی قادر به انجام آنها
نیستند."
منابع:
//////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
گذري بر سيستمهاي خبره (Expert Systems
اشاره :
<استدلال> در ميان اهل فن و صاحبان انديشه تعاريف و تفاسير متنوعي دارد.
در نگاهي كلي، استفاده از دليل و برهان براي رسيدن به يك نتيجه از
فرضياتي منطقي با استفاده از روشهاي معين، تعريفي از استدلال تلقي
ميشود؛ تعريفي كه البته با ديدگاههاي فلسفي و گاه ايدهآلگرايانه از
استدلال تفاوت دارد. با اين حال موضوع مهم و اساسي در اينجا بحث در چيستي
و چرايي اين ديدگاهها نيست، بلكه در مورد نحوه طراحي سيستمهاي با قدرت
استدلال، با هر تعريفي، براي رسيدن به مجموعهاي از تصميمات منطقي با
استفاده از مفروضات يا به طور دقيقتر دانشي است كه در اختيار آنها قرار
ميگيرد. سيستمهايي خبره (expert systems) اساسا براي چنين هدفي طراحي
ميشوند. در حقيقت به واسطه الگوبرداري اين سيستمها از نظام منطق و
استدلال انسان و نيز يكسان بودن منابع دانش مورد استفاده آنها، حاصل كار
يك سيستم خبره ميتواند تصميماتي باشد كه درحوزهها و عرصههاي مختلف
قابل استفاده، مورد اطمينان و تاثيرگذار هستند. بسياري بر اين باورند كه
سيستمهاي خبره بيشترين پيشرفت را در هوش مصنوعي به وجود آوردهاند.
آنچه درادامه ميخوانيد نگاهي كوتاه به تعاريف و سازوكار سيستمهاي خبره
و گذري بر مزايا و محدوديتهاي به كارگيري اين سيستمها در علوم و فنون
مختلف است. طبيعتاً مباحث كاربرديتر و عمليتر درباره سيستمهاي خبره و
بحث درباره نحوه توسعه و پيادهسازي آنها، نيازمند مقالات جداگانهاي
است كه در آينده به آنها خواهيم پرداخت.
سيستم خبره چيست؟
در يك تعريف كلي ميتوان گفت سيستمهاي خبره، برنامههاي كامپيوترياي
هستند كه نحوه تفكر يك متخصص در يك زمينه خاص را شبيهسازي ميكنند. 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.
يكي از اهداف هوش مصنوعي، فهم هوش انساني با شبيهسازي آن توسط
برنامههاي كامپيوتري است. البته بديهي است كه "هوش" را ميتوان به
بسياري از مهارتهاي مبتني بر فهم، از جمله توانايي تصميمگيري، يادگيري
و فهم زبان تعميم داد و از اينرو واژهاي كلي محسوب ميشود.
بيشتر دستاوردهاي هوش مصنوعي در زمينه تصميمگيري و حل مسئله بوده است كه
اصليترين موضوع سيستمهاي خبره را شامل ميشوند. به آن نوع از
برنامههاي هوش 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
هيچيك از سيستمهاي خبرهاي كه تاكنون طراحي و برنامهنويسي شدهاند،
همهمنظوره نبودهاند و تنها در يك زمينه محدود قادر به شبيهسازي فرآيند
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 task ها 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. طبيعتاً در غيراينصورت،
تصميمهاي سيستم خبره قابل اطمينان نخواهند بود.
ساختار يك سيستم خبره
هر سيستم خبره از دو بخش مجزا ساخته شده است: پايگاه دانش و موتور 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 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.
البته يك مشكل عمده در ارتباط با به كارگيري دانشHeuristic آن است كه
نميتوان در حل همه مسائل از اين نوع دانش استفاده كرد. به عنوان نمونه،
نمودار (شكل 1) به خوبي نشان ميدهد كه جلوگيري از حمل سموم خطرناك از
طريق خطوط هوايي با استفاده از روش Heuristic امكانپذير نيست.
اطلاعات اين بخش از سيستم خبره از طريق مصاحبه با افراد متخصص در اين
زمينه تامين ميشود. مهندس دانش يا مصاحبهكننده، پس از سازماندهي
اطلاعات جمعآوريشده از متخصصان يا مصاحبه شوندگان، آنها را به قوانين
قابل فهم براي كامپيوتر به صورت (if-then) موسوم به قوانين ساخت
(production rules) تبديل ميكند.
موتور تصميمگيري سيستم خبره را قادر ميكند با استفاده از قوانين پايگاه
دانش، پروسه تصميمگيري را انجام دهد. براي نمونه، اگر پايگاه دانش
قوانيني به صورت زير داشته باشد:
●دفتر ماهنامه شبكه در تهران قرار دارد.
●تهران در ايران قرار دارد.
سيستم خبره ميتواند به قانون زير برسد:
● دفتر ماهنامه شبكه در ايران قرار دارد.
استفاده از منطق فازي
موضوع مهم ديگر در ارتباط با سيستمهاي خبره، پيوند و ارتباط آن با ديگر
شاخههاي هوش مصنوعي است. به بيان روشنتر، برخي از سيستمهاي خبره از
Fuzzy Logic يا منطق فازي استفاده ميكنند. در منطق غيرفازي تنها دو ارزش
درست (true) يا نادرست (false) وجود دارد. چنين منطقي نميتواند چندان
كامل باشد؛ چراكه فهم و پروسه تصميمگيري انسانها در بسياري از موارد،
كاملا قطعي نيست و بسته به زمان و مكان آن، تا حدودي درست يا تا حدودي
نادرست است. در خلال سالهاي 1920 و 1930، Jan Lukasiewicz فيلسوف
لهستاني منطقي را مطرح كرد كه در آن ارزش يك قانون ميتواند بيشتر از دو
مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفيزاده نشان داد كه
منطق Lukasiewicz را ميتوان به صورت "درجه درستي" مطرح كرد. يعني به جاي
اينكه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر
درست يا چقدر نادرست است؟"
از منطق فازي در مواردي استفاده ميشود كه با مفاهيم مبهمي چون "سنگيني"،
"سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد :
"وزن يك شيء 500 كيلوگرم است، آيا اين شيء سنگين است؟" چنين سوالي يك
سوال مبهم محسوب ميشود؛ چراكه اين سوال مطرح ميشود كه "از چه نظر
سنگين؟" اگر براي حمل توسط يك انسان بگوييم، بله سنگين است. اگر براي حمل
توسط يك اتومبيل مطرح شود، كمي سنگين است، ولي اگر براي حمل توسط يك
هواپيما مطرح شود سنگين نيست.
در اينجاست كه با استفاده از منطق فازي ميتوان يك درجه درستي براي چنين
پرسشي در نظر گرفت و بسته به شرايط گفت كه اين شيء كمي سنگين است. يعني
در چنين مواردي گفتن اينكه اين شيء سنگين نيست
(false) يا سنگين است (true) پاسخ دقيقي نيست.
مزايا و محدوديتهاي سيستمهاي خبره
دستاورد سيستمهاي خبره را ميتوان صرفهجويي در هزينهها و نيز
تصميمگيريهاي بهتر و دقيقتر و بسياري موارد تخصصيتر ديگر عنوان كرد.
استفاده از سيستمهاي خبره براي شركتها ميتواند صرفهجويي به همراه
داشته باشد.
در زمينه تصميمگيري نيز گاهي ميتوان در شرايط پيچيده، با بهرهگيري از
چنين سيستمهايي تصميمهاي بهتري اتخاذ كرد و جنبههاي پيچيدهاي را در
مدت زمان بسيار كمي مورد بررسي قرار داد كه تحليل آنها به روزها زمان
نياز دارد.
از سوي ديگر، بهكارگيري سيستمهاي خبره محدوديتهاي خاصي دارد. به عنوان
نمونه، اين سيستمها نسبت به آنچه انجام ميدهند، هيچ <حسي> ندارند.
چنين سيستمهايي نميتوانند خبرگي خود را به گسترههاي وسيعتري تعميم
دهند؛ چراكه تنها براي يك منظور خاص طراحي شدهاند و پايگاه دانش آنها
از دانش متخصصان آن حوزه نشات گرفته و از اينرو محدود است.
چنين سيستمهايي از آنجا كه توسط دانش متخصصان تغذيه اطلاعاتي شدهاند،
در صورت بروز برخي موارد پيشبيني نشده، نميتوانند شرايط جديد را به
درستي تجزيه و تحليل نمايند.
كاربرد سيستمهاي خبره
از سيستمهاي خبره در بسياري از حيطهها از جمله برنامهريزيهاي تجاري،
سيستمهاي امنيتي، اكتشافات نفت و معادن، مهندسي ژنتيك، طراحي و ساخت
اتومبيل، طراحي لنز دوربين و زمانبندي برنامه پروازهاي خطوط هوايي
استفاده ميشود. دو نمونه از كاربردهاي اين سيستمها در ادامه توضيح
دادهشدهاند.
● طراحي و زمانبندي
سيستمهايي كه در اين زمينه مورد استفاده قرار ميگيرند، چندين هدف
پيچيده و تعاملي را مورد بررسي قرار ميدهند تا جوانب كار را روشن كنند و
به اهداف مورد نظر دست يابند يا بهترين گزينه را پيشنهاد دهند. بهترين
مثال از اين مورد، زمانبندي پروازهاي خطوط هوايي، كارمندان و گيتهاي يك
شركت حمل و نقل هوايي است.
●تصميمگيريهاي مالي
صنعت خدمات مالي يكي از بزرگترين كاربران سيستمهاي خبره است.
نرمافزارهاي پيشنهاددهنده نوعي از سيستمهاي خبره هستند كه به عنوان
مشاور بانكداران عمل ميكنند. براي نمونه، با بررسي شرايط يك شركت متقاضي
وام از يك بانك تعيين ميكند كه آيا پرداخت اين وام به شركت براي بانك
مورد نظر صرفه اقتصادي دارد يا نه. همچنين شركتهاي بيمه براي بررسي
ميزان خطرپذيري و هزينههاي موارد مختلف، از اين سيستمها استفاده
ميكنند.
چند سيستم خبره مشهور
از نخستين سيستمهاي خبره ميتوان به Dendral اشاره كرد كه در سال 1965
توسط Edward Feigenbaum وJoshun Lederberg پژوهشگران هوش مصنوعي در
دانشگاه استنفورد ساخته شد.
وظيفه اين برنامه كامپيوتري، تحليلهاي شيميايي بود. ماده مورد آزمايش
ميتوانست تركيبي پيچيده از كربن، هيدروژن و نيتروژن باشد. Dendarl
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.
برنامه به گونهاي طراحي شده بود كه در صورت نياز به اطلاعات بيشتر، با
پرسشهايي آنها را درخواست ميكرد تا تصميمگيري بهتري انجام دهد؛
پرسشهايي چون "آيا بيمار اخيرا دچار سوختگي شده است؟" (براي تشخيص
اينكه آيا عفونت خوني از سوختگي نشات گرفته يا نه. MYCIN ( گاه
ميتوانست نتايج آزمايش را نيز از پيش حدس بزند.
سيستم خبره ديگر در اين زمينه Centaur بود كه كار آن بررسي آزمايشهاي
تنفسي و تشخيص بيماريهاي ريوي بود.
يكي از پيشروان توسعه و كاربرد سيستمهاي خبره، سازمانهاي فضايي هستند
كه براي مشاوره و نيز بررسي شرايط پيچيده و صرفهجويي در زمان و هزينه
چنين تحليلهايي به اين سيستمها روي آوردهاند.
Marshall Space Flight Center) MSFC) يكي از مراكز وابسته به سازمان
فضايي ناسا از سال 1994 در زمينه توسعه نرمافزارهاي هوشمند كار ميكند
كه هدف آن تخمين كمّ و كيف تجهيزات و لوازم مورد نياز براي حمل به فضا
است.
اين برنامههاي كامپيوتري با پيشنهاد راهكارهايي در اين زمينه از بار
كاري كارمندان بخشهايي چون ISS (ايستگاه فضايي بين المللي) ميكاهند و
به گونهاي طراحي شدهاند كه مديريتپذيرند و بسته به شرايط مختلف، قابل
تعريف هستند.
مركز فضايي MSFC، توسط فناوري ويژه خود موسوم به 2G به ايجاد برنامههاي
ويژه كنترل هوشمندانه و سيستمهاي مانيتورينگ خطاياب ميپردازد. اين
فناوري را ميتوان هم در سيستمهاي لينوكسي و هم در سيستمهاي سرور مبتني
بر ويندوز مورد استفاده قرار داد.
آنچه در نهايت ميتوان گفت آن است كه يكي از مزيتهاي سيستمهاي خبره اين
است كه ميتوانند در كنار متخصصان 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. هماكنون شركتهاي
بسياري به فروش سيستمهاي خبره و پشتيباني از مشتريان محصولات خود
ميپردازند. درآمد يك شركت كوچك فعال در زمينه فروش چنين محصولاتي
ميتواند سالانه بالغ بر پنج تا بيست ميليون دلار باشد. بازار فروش و
پشتيباني سيستمهاي خبره در سراسر جهان نيز سالانه به صدها ميليون دلار
ميرسد.
داده کاوی Data mining
در دنیای بشدت رقابتی امروز، اطلاعات بعنوان یکی از فاکتورهای تولیدی مهم
پدیدار شده است. در نتیجه تلاش برای استخراج اطلاعات از داده ها توجه
بسیاری از افراد دخیل در صنعت اطلاعات و حوزه های وابسته را به خود جلب
نموده است.
حجم بالای داده های دائما در حال رشد در همه حوزه ها و نیز تنوع آنها به
شکل داده متنی، اعداد، گرافیکها، نقشه ها، عکسها، تصاویر ماهواره ای و
عکسهای گرفته شده با اشعه ایکس نمایانگر پیچیدگی کار تبدیل داده ها به
اطلاعات است. علاوه بر این، تفاوت وسیع در فرآیندهای تولید داده مثل روش
آنالوگ مبتنی بر کاغذ و روش دیجیتالی مبتنی بر کامپیوتر، مزید بر علت شده
است. استراتژیها و فنون متعددی برای گردآوری، ذخیره، سازماندهی و مدیریت
کارآمد داده های موجود و رسیدن به نتایج معنی دار بکار گرفته شده اند.
بعلاوه، عملکرد مناسب ابرداده که داده ای درباره داده است در عمل عالی
بنظر میرسد.
پیشرفتهای حاصله در علم اطلاع رسانی و تکنولوژی اطلاعات، فنون و ابزارهای
جدیدی برای غلبه بر رشد مستمر و تنوع بانکهای اطلاعاتی تامین می کنند.
این پیشرفتها هم در بعد سخت افزاری و هم نرم افزاری حاصل شده اند.
ریزپردازنده های سریع، ابزارهای ذخیره داده های انبوه پیوسته و غیر
پیوسته، اسکنرها، چاپگرها و دیگر ابزارهای جانبی نمایانگر پیشرفتهای حوزه
سخت افزار هستند. پیشرفتهای حاصل در نظامهای مدیریت بانک اطلاعات در طی
چهار دهه گذشته نمایانگر تلاشهای بخش نرم افزاری است. این تلاشها در بخش
نرم افزار را میتوان بعنوان یک حرکت پیشرونده از ایجاد یک بانک اطلاعات
ساده تا شبکه ها و بانکهای اطلاعاتی رابطه ای و سلسله مراتبی برای
پاسخگویی به نیاز روزافزون سازماندهی و بازیابی اطلاعات ملاحظه نمود.
بدین منظور در هر دوره، نظامهای مدیریت بانک اطلاعاتی مناسب سازگار با
نرم افزار سیستم عامل و سخت افزار رایج گسترش یافته اند. در این رابطه
میتوان از محصولاتی مانند، Dbase-IV, Unify, Sybase, Oracle و غیره نام
برد.
داده کاوی یکی از پیشرفتهای اخیر در راستای فن آوریهای مدیریت داده هاست.
داده کاوی مجموعه ای از فنون است که به شخص امکان میدهد تا ورای داده
پردازی معمولی حرکت کند و به استخراج اطلاعاتی که در انبوه داده ها مخفی
و یا پنهان است کمک می کند. انگیزه برای گسترش داده کاوی بطور عمده از
دنیای تجارت در دهه 1990 پدید آمد. مثلا داده کاوی در حوزه بازاریابی،
بدلیل پیوستگی غیرقابل انتظاری که بین پروفایل یک مشتری و الگوی خرید او
ایجاد میکند اهمیتی خاص دارد.
تحلیل رکوردهای حجیم نگهداری سخت افزارهای صنعتی، داده های هواشناسی و
دیدن کانالهای تلوزیونی از دیگر کاربردهای آن است. در حوزه مدیریت
کتابخانه کاربرد داده کاوی بعنوان فرایند ماخذ کاوی نامگذاری شده است.
این مقاله به کاربردهای داده کاوی در مدیریت کتابخانه ها و موسسات آموزشی
می پردازد. در ابتدا به چند سیستم سازماندهی داده ها که ارتباط نزدیکی به
داده کاوی دارند می پردازد؛ سپس عناصر داده ای توصیف میشوند و درپایان
چگونگی بکارگیری داده کاوی در کتابخانه ها و موسسات آموزشی مورد بحث قرار
گرفته و مسائل عملی مرتبط در نظر گرفته می شوند.
مديريت ذخيره سازی و دستيابی اطلاعات
داده های اطلاعاتی(Data) به عنوان يکی از منابع حياتی سازمان شناخته می
شود و بسياری از سازمان ها با اطلاعات و دانش سازمانی خود مانند ساير
دارايی های ارزشمندشان برخورد می کنند .
نکته: داده اطلاعاتی (Data) به اطلاعات خام سازمان اتلاق میشود و
اطلاعات (Information) به دادههای پردازش شده. همچنين داده های پردازش
شده پس از طبقه بندی و آناليز به دانش سازمان (Knowledge) تبديل می
گردند.
حال تصور نماييد، دسترسی به اطلاعات (Information) در شرايطی که دادهها
به روش نامناسبی نگهداری شوند و يا روش ضابطه مندی جهت دستيابی به آنها
وجود نداشته باشد تا چه حد مشکل است . برای رسيدن به يک سيستم اطلاعاتی
مناسب، دادهها می بايست به صورتی منطقی طبقه بندی و ذخيره شوند تا
استفاده از آن ها سادهتر بوده، با کارايی بيشتری تحليل شوند و سريعتر
مورد استفاده قرار گيرند و در نتيجه مديريت بهتری بر آن ها اعمال شود. در
اين راستا مجموعه خدمات زير در زمينه مديريت بانک های اطلاعاتی توسط اين
شرکت ارايه میشود :
ساختار بانک اطلاعاتی سازمان:
داده های سازمان ها در انواع بانک های اطلاعاتی و با ساختارهای متنوعی
ذخيره میگردند . طراحی و سازماندهی اين ساختارها، بکارگيری و انتقال به
بانکهای اطلاعاتی پيشرفته و بهينه سازی آن ها يکی خدماتی است که توسط
درسا رسانه هوشمند ارايه می شود .
داده کاوی (Data Mining):
کاوشهای ماشینی در دادهها یا دادهکاوی (Data mining) را باید یکی از
سامانههای هوشمند (Intelligent systems) دانست. سامانههای هوشمند زیر
شاخهایست بزرگ و پرکاربرد از یادگیری ماشینی که خود زمینهایست در هوش
مصنوعی. زمینه علمی جدید و پهناور یادگیری ماشینی (که "کاوشهای ماشینی
در دادهها" بخشی ست بزرگ از زیر شاخه سامانههای هوشمند آن ست)، به واقع
همان امتداد و استمرار دانش کهن و همه جا گیر آمار است در جهت ماشینی
کردن یادگیری، تعلّم، و سرانجام، دانش.
داده کاوی به عنوان مهمترين کاربرد Data Warehouse یاانباره های داده
شناخته می شود . به وسيله داده کاوی داده های موجود مورد تحليل قرار می
گيرند تا روندهای احتمالی، ارتباطهاي غير محسوس و الگو های مخفی داده ها
از بين انبوه داده ها، شناسايی شوند .
در اين فرايند از الگوريتم های پيچيده رياضی و آماری استفاده می شود تا
داده ها تبديل به دانش سازمان شوند.
امروزه با حجم عظيمي از داده ها روبرو هستيم. براي استفاده از آنها به
ابزارهاي كشف دانش نياز داريم. داده كاوي به عنوان يك توانايي پيشرفته در
تحليل داده و كشف دانش مورد استفاده قرار مي گيرد. داده كاوي در علوم
(ستاره شناسي،...)در تجارت (تبليغات، مديريت ارتباط با مشتري،...) در وب
(موتورهاي جستجو،...) در مسايل دولتي (فعاليتهاي ضد تروريستي،...) كاربرد
دارد. عبارت داده كاوي شباهت به استخراج زغال سنگ و طلا دارد. داده كاوي
نيز اطلاعات را كه در انبارهاي داده مدفون شده است، استخراج مي كند.
در واقع هـــــدف از داده كاوي ايجاد مدل هايي براي تصميم گيري است. اين
مدلها رفتارهاي آينده را براساس تحليلهاي گذشته پيش بيني مي كنند. به
كاربردن داده كاوي به عنوان اهرمي براي آماده سازي داده ها و تكميل
قابليتهاي انباره داده (DATA WAREHOUSE) ، بهترين موقعيت را براي به دست
آوردن برتريهاي رقابتي ايجاد مي كند.
سيستم هاي بانك داده (DATA BASE) ، نقشي كليدي در سيستم هاي مديريت و
انبار داده، بازي مي كنند. يك سيستم بانك داده، شامل فايل هاي بانك داده
و سيستم هاي مديريت بانك داده است.
اغلب تجارت ها به تصميم گيريهاي استراتژيك و يا اتخاذ خط مشي هاي جديد
براي خدمت رساني بهتر به مشتريان نياز دارند. به عنوان مثال فروشگاهها
آرايش مغازه خود را براي ايجاد ميل بيشتر به خريد مجدداً طراحي مي كنند و
يا خطوط هواپيمايي تسهيلات خاصي را براي مشتريان جهت پروازهاي مكرر آنها
در نظر مي گيرند. اين دو مثال به داده هايي در مورد رفتار مصرفي گذشته
مشتريان براي تعيين الگوهايي به وسيله داده كاوي، نياز دارد. براساس اين
الگوها تصميمـــات لازم اتخاذ مي شود. در واقع ابزار داده كــــاوي، داده
را مي گيرد و يك تصوير از واقعيت به شكل مدل مي سازد، اين مدل روابط
موجود در داده ها را شرح مي دهد.
از نظر فرايندي فعاليتهاي داده كاوي به سه طبقه بندي عمومي تقسيم مي شوند:
اكتشاف : فرايند جستجو در يك بانك داده براي يافتن الگوهاي پنهان، بدون
داشتن يك فرضيه از پيش تعيين شده درباره اينكه اين الگو ممكن است چه
باشد.
مانند تحليلهايي كه برحسب كالاهاي خريداري شده صورت مي گيرد، اينگونه
تحليلهاي سبدي نشانگر موارديست كه مشتري تمايل به خريد آنها دارند. اين
اطلاعات مي تواند به بهبود موجودي، استراتژي طراحي، آرايش فروشگاه و
تبليغات منجر گردد.
مدل پيش بيني : فرايندي كه الگوهاي كشف شــده از بانك داده را مي گيرد و
آنها را براي پيش بيني آينده به كار مي برد.
مانند پيش بيني فروش در خرده فروشي، الگوهاي كشف شده براي فروش به آنها
كمك مي كند تا تصميماتي را در رابطه با موجودي اتخاذ كنند.
تحليلهاي دادگاهي : به فرايند به كارگيري الگوهاي استخراج شده براي يافتن
عوامــل داده اي نامعقول و متناقض مربوط مي شود.
مانند شناسايي و تشخيص كلاهبرداري در موسسات مالي. كلاهبرداري به ميزان
زيادي پرهزينه و زيان آور است، بانكها مي توانند با تحليل دادوستدهاي
جعلي گذشته الگوهايي را براي تشخيص و كشف كلاهبرداري به دست آورند.
از نمایی دیگر، داده كاوي ، بعنوان روشي در استخراج دانش از متون، يكي
از موضوعات مهم در گستره اي از اعمال مديريت اطلاعات است. در اين ميان
آنچه از اهميت فوق العاده اي برخوردار است ارايه راهكارهايي براي مواجه
با اين حجم عظيم اطلاعاتي و استفاده بهينه از اطلاعات در جهت خلق دانش،
توليد سينرجي و در نهايت افزايش خرد جمعي است.
در سالهاي اخير اهميت متون به عنوان منابع با پتانسيل اطلاعاتي بسيار
بالا به نحو گستردهاي مورد توجه قرار گرفته به طوري كه كشف دانش از متون
به عنوان يكي از مهمترين فعاليتهاي محققين حوزه هوش مصنوعي و فناوري
اطلاعات قرار گرفته است. تحقيقات بسياري صورت گرفته اما محدوده فعاليت
بقدري گسترده است كه نيازمند توجه بيشتري ميباشد.
امروزه محققان به اين مسئله معترفند كه با وجود انجام تحقيقات بي وقفه در
زمينه كاري خود، نميتوانند همزمان با پيشرفت دانش، معلومات خود را به
روز نگاه دارند. بعنوان مثال بانك اطلاعاتي Medline در حال حاضر حاوي 10
ميليون چكيده مقاله است و هر هفته بين هفت تا هشت هزار چكيده مقاله به
اين بانك اطلاعاتي افزوده ميشود. در اين بين شايد همه مقالات مربوط به
يك دانش خاص نباشند، اما تعداد مقالات تخصصي كه در حوزه تحقيق يك دانش
خاص قرار ميگيرد به اندازه اي است كه يك نفر نميتواند ادعا كند همه
آنها را مطالعه كرده است بعلاوه نقش مطالعات عميق و گسترده و استخراج
ايده ها و دانش جديد از مطالب مطالعه شده بر كسي پوشيده نيست.
در اين ميان اينترنت بعنوان بزرگترين منبع اطلاعاتي همگاني، تشكيل يافته
از صد ها ميليون صفحه اطلاعات است كه به جهت همگاني بودن آن و نبود
آيندهنگري كافي در زمان تشكيل و رشد آن ، متحمل نگاهداري اطلاعات
نويسندگان، محققان ، انديشمندان و غيره به همان نحوي كه آنها مي نوشتند
گرديد. نبود يك استاندارد همه جانبه و دقيق در تنظيم متون و قرار گيري
اين مجموعه عظيم بصورتي غير ساختيافته و يا بعضاً نيمه ساختيافته، جامعه
اطلاعاتي را دچار نوعي سردر گمي و مشكل در دستيابي به اطلاعات مورد نياز
كرده بطوريكه براي يافتن مطالب مورد نظر خود متحمل هزينه هاي زماني
بسياري ميگردند. محققان به ارايه راه كارهايي براي ساخت يافته كردن
اطلاعات نمودند و با ارايه زبانهاي نشانه گذاري استاندارد نظير XML تا حد
زيادي جلوي اين از هم پاشيدگي اطلاعاتي را گرفتند اما آنچه همچنان باقي
است وجود بسياري از متون غير ساختيافته ميباشد؛ در همين راستا ارايه
ابزاهايي كه با بررسي متون بتوانند تحليلي روي آنها انجام دهند منجر به
شكل گيري زمينهاي جديد در هوش مصنوعي و فناوري اطلاعات گرديده كه به
يادگيري متن معروف است.
اين حوزه تمام فعاليتهايي كه به نوعي به دنبال كسب دانش از متن هستند را
شامل ميگردد. آناليز داده هاي متني توسط تكنيكهاي يادگيري ماشين،
بازيابي اطلاعات هوشمند، پردازش زبان طبيعي يا روشهاي مرتبط ديگر همگي در
زمره مقوله يادگيري متن قرار ميگيرند. يكي از روشهايي كه ذكر گرديد،
استفاده از تكنيكهاي يادگيري ماشين در زمينه پردازش متن است، مسئله قابل
تامل اين است كه اين تكنيكها در ابتدا در مورد داده هاي ساختيافته به
كار گرفته شدند و علمي به نام داده كاوي را بوجود آوردند. داده هاي
ساختيافته به داده هايي اطلاق ميگردد كه بطور كاملاً مستقل از همديگر
ولي يكسان از لحاظ ساختاري در يك محل گردآوري شده اند. انواع بانكهاي
اطلاعاتي را ميتوان نمونه هايي از اين دسته اطلاعات نام برد. در اينصورت
مسئله داده كاوي عبارت از كسب اطلاعات و دانش از اين مجموعه ساخت يافته.
اما در مورد متون كه عمدتاً غير ساخت يافته يا نيمه ساخت يافته هستند
ابتدا بايد توسط روشهايي ، آنها را ساختارمند نمود و سپس از اين روشها
براي استخراج اطلاعات و دانش از آنها استفاده كرد. به هر حال استفاده از
داده كاوي در مورد متن خود شاخه اي ديگر را در علوم هوش مصنوعي بوجود
آورد به نام متن كاوي . از جمله فعاليتهاي بسيار مهم در اين زمينه، طبقه
بندي (دسته بندي) متن ميباشد.
طبقه بندي متن، يعني انتساب اسناد متني بر اساس محتوي به يك يا چند طبقه
از قبل تعيين شده، يكي از مهمترين مسايل در متن كاوي است؛ مرتب كردن
بلادرنگ نامه هاي الكترونيكي يا فايلها در سلسله مراتبي از پوشه ها،
تشخيص موضوع متن، جستجوي ساختيافته و/ يا پيدا كردن اسنادي كه در راستاي
علايق كاربر ميباشد، از جمله كاربردهاي مبحث طبقه بندي (دسته بندي-كلاسه
بندي ) متن است. در بسياري از موارد ، افراد حرفه اي آموزش ديده، براي
طبقه بندي متون جديد به كار گرفته ميشوند. اين فرآيند بسيار زمان بر و
پر هزينه است و لذا كاربرد خود را محدود ميسازد، به همين منظور علاقه
روزافزوني به توسعه فناوري هايي در دسته بندي خودكار متن ابراز ميشود.
در هر حال در جوامع اطلاعاتي امروزي آنچه از اهميت روزافزوني برخوردار
است، اطلاعات و تبادل آن است و در اين راستا به توسعه فناوري هاي مرتبط
پرداخته ميشود، اما يك مرحله كاملاٌ جديد تر و كاملاً مورد توجه جوامع
فرا صنعتي، خلق دانش جديد از اطلاعات قبلي است كه اين جوامع آنرا كليد
موفقيت خود در آينده دانسته و به سختي در اين زمينه فعاليت مينمايند. بر
ما است تا ضمن ارتقاي فناوري اطلاعات در كشور و ايجاد زير ساختهاي لازمه
در اسرع وقت، به اينگونه مسائل جديتر كه در زمره Information High
Technology قرار ميگيرند، بپردازيم.
پیشرفت در تکنولوژیهای داده پردازی
سازمانهای بزرگ و چند- مکانه مثل بانکها، دفاتر هواپیمایی و فروشگاههای
زنجیره ای با حجم زیادی از داده ها که ناشی از عملکرد روزانه آنهاست
روبرو هستند. بطور سنتی چنین داده هایی به دو دسته تقسیم شده اند:
1. رکوردهای اصلی
2. رکوردهای عملیاتی
فرض بر این است که رکوردهای اصلی حاوی اطلاعات پایه هستند که معمولا
چندان تغییر نمی کنند در حالیکه رکوردهای عملیاتی با توجه به طبیعت
عملیات تجاری حتی بطور ساعتی تغییر خواهند کرد.
سیستمهای مدیریت پایگاه داده مناسب برای پیوند دادن این دو مجموعه
اطلاعاتی و تهیه گزارشهای استاندارد جهت کنترل فعالیتها گسترش یافتند.
سیستم اطلاعات مدیریت رایج برای پشتیبانی عملیات و سرویس دهی به چند
کاربر در سطوح مختلف سازمان مبتنی بر این نظریه است.
بمنظور کمک به تصمیم گیری راهبردی، نظریه تاسیس بانک اطلاعات رکوردهای
اصلی به نظریه سازماندهی دیتا مارت و انبار داده ها تغییر یافت. استخراج
اطلاعات از رکوردهای عملیاتی یا پایگاههای اطلاعات عملیاتی و سازماندهی
آن برای تحلیل استاندارد یا زمانی فلسفه اولیه و اصولی چنین پیشرفتهایی
است. گرچه، دیتا مارت و انبار داده ها از نظر هدف و ساختار با هم
متفاوتند.
دیتامارت
دیتا مارت اغلب کوچک است و بر یک موضوع یا دپارتمان خاص متمرکز است.
بنابراین پاسخگوی یک نیاز داخلی است. طرح بانک اطلاعات برای یک دیتامارت
حول ساختار اتصال ستاره ای ساخته شده است که بهینه برای نیازهای کاربران
دپارتمان است. دیتامارت معمولا با ابزارهای کامپیوتری که انعطاف پذیری
تحلیل را تامین میکنند اما ممکن است برای سازماندهی حجم بالای داده ها
مناسب نباشند؛ نیرومند میشود. رکوردهای ذخیره شده در دیتامارتها بخوبی
نمایه شده اند.
یک دیتامارت در صورتیکه داده ها را از منابع داده ای بسیار سازماندهی شده
مثل انبار داده ها بگیرد؛ دیتامارت وابسته نامیده میشود. مسلما
دیتامارتهای وابسته از لحاظ ساختاری و معماری منطقی هستند. منبع
دیتامارتهای وابسته تکنولوژِی بانک اطلاعات دپارتمانی است. دیتامارتهای
مستقل ثابت نیستندو از لحاظ معماری بسیار با هم متفاوتند. این مساله
هنگام یکپارچه سازی دیتامارتهای مستقل، مشکل ایجاد میکند. بنابراین با
یکپارچه سازی ساده دیتامارتها یک انبار داده ایجاد نخواهد شد.
دیتامارت اساسا برای اهداف تاکتیکی طراحی شده است و هدفش تامین یک
نیازتجاری فوری است.
انبار داده ها
یک انبار داده کاملا " متفاوت از دیتامارت است. سازماندهی انبارهای داده
بگونه ایست که کلیه موضوعات حول فعالیتهای کاری سازمان را می پوشاند.
انبار داده نمایانگر یک تسهیلات مرکزی است.
برخلاف دیتامارت که در آن داده ها به شکل خلاصه تر و متراکم تر وجود
دارند، یک انبار داده ، داده ها را در یک سطح نامتراکم ذخیره می کند.
ساختار داده ها در یک انبار داده یک ساختار لزوما" هنجار شده است. بدین
معنی که ساختار و محتوای داده ها در انبار داده منعکس کننده ویژگیهای
دپارتمانهای عضو نیست. داده ها در انبار داده از نظر حجم و شکل کاملا"
متفاوت از داده ها در دیتامارت هستند. دیتامارت ممکن است شامل حجم زیادی
از داده های قدیمی و گذشته نگر باشد. داده ها در انبار داده اغلب بصورت
نسبتا" سبک نمایه میشوند. (به بیان دیگر در عمق کمتر).
انبار داده برای اهداف برنامه ریزی بلندمدت و راهبردی طراحی میشوند. در
نتیجه انبار داده برخلاف سیستم عملیات که کاربرمدار است متمرکز بر اقلام
است. ساختار یک انبارداده مشخصات زیر را نشان میدهد:
وابستگی به زمان:
رکوردها بر اساس یک برچسب زمانی نگهداری میشوند. وابستگی زمانی حاصل در
ایجاد صفحات زمانی مفید است که درک ترتیب زمانی وقایع را تسهیل میکند.
غیر فرار بودن:
رکوردهای داده در انبار داده ها هرگز بطور مستقیم روزآمد نمیشوند. برای
هر تغییری در ابتدا داده های عملیاتی روزآمد میشوند و سپس بگونه ای مقتضی
به انبار داده منتقل میشوند. این مساله ثبات داده ها را برای استفاده های
وسیعتر تضمین میکند.
تمرکز موضوعی:
داده ها از بانکهای اطلاعاتی عملیاتی بصورت گزینشی به انبار داده منتقل
میشوند. این استراتژی به ایجاد یک انبار داده بر اساس یک مطلب یا موضوع
خاص کمک میکند و بنابراین کاوش انبار داده ها برای پرس و جوهای موضوعی
با سرعت بیشتری انجام میشود.
یکپارچگی:
داده ها بگونه ای کامل سازماندهی شده اند تا با حذف موارد تکراری و چند
عنوانه یکپارچگی رکوردها حفظ شود ؛ به ایجاد ارجاع های متقابل کارآمد
بین رکوردها کمک نموده و ارجاع دهی را تسهیل نماید.
واضح است که انبار داده اساسا" برای پرس و جوهای پشتیبان تصمیم گیری
ساخته شده است. بر این اساس سازماندهی وعملیات انبار داده چنان طراحی شده
اند تا نیازهای اطلاعاتی روزمره یا معمولی را پاسخگو باشند. بدلیل حجم
بسیار بالای چنین پایگاه اطلاعاتی یک سیستم کامپیوتری پیشرفته برای
عملیات انبارسازی داده ها لازم است. همچنین یک بانک اطلاعات مجزا شامل
ابرداده که مشخصه هایی نظیر نوع، فرمت، مکان و پدیدآورندگان داده های
ذخیره شده در یک انبار داده ها را توصیف میکند نیز برای کمک به کاربران و
مدیران داده ها ساخته میشود. مشخص شد که انبار داده بدلیل اندازه و
تنوعش، اگر مبتکرانه پردازش شود میتواند به تولید اطلاعاتی منجر شود که
در وهله اول آشکار نیستند. با انتخاب متناسب داده ها، بکار گرفتن فنون
مختلف غربال کردن و تفسیر زمینه ای ، داده ذخیره شده میتوانست منجر به
کشف الگوها یا رابطه هایی شود که بینش نویی به تصمیم گیرنده دهد. این
مساله نظریه توسعه عملیات داده کاوی را به موازات معدن کاوی بروز داد.
ذکر این نکته لازم است که داده کاوی در اصل لزوما" نیاز به سازماندهی یک
انبار داده ندارد. حال به داده کاوی می پردازیم.
عناصر داده کاوی
توصیف و کمک به پیش بینی دو کارکرد اصلی داده کاوی هستند. تحلیل داده
مربوط به مشخصه های انتخابی متغیرها؛ از گذاشته و حال، و درک الگو مثالی
از تحلیل توصیفی است. برآورد ارزش آینده یک متغیر و طرح ریزی کردن روند
مثالی از توانایی پیشگویانه داده کاوی است.
برای عملی شدن هریک از دو کارکرد فوق الذکر داده کاوی، چند گام ابتدایی
اما مهم باید اجرا شوند که از این قرارند:
1. انتخاب داده ها
2. پاک سازی داد ها
3. غنی سازی داده ها
4. کد گذاری داده ها
با دارا بودن هدف کلی در مطالعه، انتخاب مجموعه داده های اصلی برای
تحلیل، اولین ضرورت است. رکوردهای لازم میتواند از انبار داده ها و یا
بانک اطلاعاتی عملیاتی استخراج شود. این رکوردهای داده جمع آوری شده؛
اغلب از آنچه آلودگی داده ها نامگذاری شده است رنج می برند و بنابراین
لازم است پاکسازی شوند تا از یکدستی فرمت (شکلی) آنها اطمینان حاصل شود،
موارد تکراری حذف شده و کنترل سازگاری دامنه بعمل آید. ممکن است داده های
گردآوری شده از جنبه های خاصی ناقص یا ناکافی باشند. در این صورت داده
های مشخصی باید گردآوری شوند تا بانک اطلاعات اصلی را تکمیل کنند. منابع
مناسب برای این منظور باید شناسایی شوند. این فرایند مرحله غنی سازی داده
ها را تکمیل میکند. یک سیستم کدگذاری مناسب معمولا" جهت انتقال داده ها
به فرم ساختار-بندی شده جدید؛ متناسب برای عملیات داده کاوی تعبیه میشود
.
فنون داده کاوی
ممکن است متوجه شده باشید که فنون داده کاوی یک گروه نامتجانس را شکل
میدهند چرا که هر تکنیکی که بتواند بینش جدیدی از داده ها را استخراج کند
میتواند داده کاوی به حساب آید. برخی از ابزارهای رایج بکار گرفته شده
تحت عنوان داده کاوی عبارتند از:
ابزارهای پرس و جو: ابزارهای متداول زبان پرس و جوی ساختاربندی شده در
ابتدا برای انجام تحلیلهای اولیه بکار گرفته شدند که می تواند مسیرهایی
برای تفحص بیشتر نشان دهد.
فنون آماری: مشخصات اصلی داده ها لازمست با کاربرد انواع مختلفی از
تحلیلهای آماری شامل جدول بندی ساده و متقاطع داده ها و محاسبه
پارامترهای آماری مهم بدست آید.
مصور سازی: با نمایش داده ها در قالب نمودارها و عکسها مانند نمودار
پراکندگی؛ گروه بندی داده ها در خوشه های متناسب تسهیل میشود. استنباط
عمیق تر ممکن است با بکارگیری تکنیکهای گرافیکی پیشرفته حاصل شود.
پردازش تحلیلی پیوسته: از آنجا که مجموعه داده ها ممکن است روابط چندین
بعدی داشته باشند، روشهای متعددی برای ترکیب کردن آنها وجود دارد.
ابزارهای پردازش تحلیلی پیوسته به ذخیره چنین ترکیباتی کمک میکند و
ابزارهای ابتدا-انتهای پیوسته برای انجام پرس و جو ایجاد میکند. اما این
ابزارها هیچ دانش جدیدی ایجاد نمی کنند.
یادگیری مبتنی بر مورد: این تکنیک مشخصات گروههای داده ها را تحلیل میکند
و به پیش بینی هر نهاد واقع شده در همسایگی شان کمک میکند. الگوریتمهایی
که استراتژی یادگیری تعاملی را برای کاوش در یک فضای چندین بعدی بکار
میگیرند برای این منظور مفیدند.
درختان تصمیم گیری: این تکنیک بخشهای مختلف فهرست پاسخهای موفق داده شده
مربوط به یک پرس و جو را بازیابی می کند و به این ترتیب به ارزیابی صحیح
گزینه های مختلف کمک میکند.
قوانین وابستگی: اغلب مشاهده میشود که یک وابستگی نزدیک (مثبت یا منفی)
بین مجموعه ای از داده های معین وجود دارد. بنابراین قوانین رسمی وابستگی
برای تولید الگوهای جدید ساخته و بکار گرفته میشوند.
شبکه های عصبی : این یک الگوریتم یادگیری ماشینی است که عملکرد خودش را
بر اساس کاربرد و ارزیابی نتایج بهبود می بخشد.
الگوریتم ژنتیکی: این هم تکنیک مفید دیگری برای پیش بینی هدف است. به این
ترتیب که با یک گروه یا خوشه شروع میشود و رشدش در آینده را با حضور در
برخی مراحل فرایند محاسبه احتمال جهش تصادفی؛ همانطور که در تکامل طبیعی
فرض میشود طرح ریزی می نماید. این تکنیک به چند روش میتواند عملی شود. و
ترکیب غیرقابل انتظار یا نادری را از عواملی که در حال وقوع بوده و مسیر
منحنی طراحی داده ها را تغییر میدهند؛ منعکس میکند.
گام نهایی فرایند داده کاوی، گزارش دادن است. گزارش شامل تحلیل نتایج و
کاربردهای پروژه، درصورت بکارگیری آنها، است . و متن مناسب، جداول و
گرافیکها را در خود جای می دهد. بیشتر اوقات گزارش دهی یک فرایند تعاملی
است که تصمیم گیرنده با داده ها در پایانه کامپیوتری بازی میکند و فرم
چاپی برخی نتایج واسطه محتمل را برای عملیات فوری بدست می آورد.
داده کاوی در تولید چهار نوع دانش ذیل مفید است:
- دانش سطحی (کاربردهای (SQL
- دانش چند وجهی (کاربردهای (OALP
- دانش نهان (تشخیص الگو و کاربردهای الگوریتم یادگیری ماشینی)
- دانش عمیق (کاربردهای الگوریتم بهینه سازی داخلی)
نرم افزار
از آنجا که داده کاوی با بانکهای اطلاعاتی بزرگ سروکار دارد، به گونه ای
ایده ال با تکنولوژی خدمت گیر-خدمت گر بکار میرود. کاربردهای عمومی داده
کاوی بیشتر شامل تقسیم کردن داده ها در خوشه های مقتضی، کدگذاریهای
مناسب، کاوش برای الگوها و طراحی کردن با استفاده از فنون آماری و
الگوریتمهای ژنتیکی است. تعداد زیادی از بسته های نرم افزاری واجد این
جنبه های ابزارهای داده کاوی با درجات متفاوتی از جامعیت در دسترس هستند.
برای مثال بسته های نرم افزاری که منحصرا" برای کاربردهای OLAP در دسترس
هستند عبارتند از: Oracle OLAP, DB2 OLAP Server, CleverPath OLAP . نرم
افزارهای آماری عمومی مثل SPSS, SAS, STATISTICA با امکاناتی برای داده
کاوی و بسته های نرم افزاری اختصاصی داده کاوی مثل Weka, Insightful
Miner3, Text Mining Software, Enterprise Data Mining software,
PolyAnalyst 4.6 مفید هستند.
کاربردهای داده کاوی
داده کاوی کاربردهای مختلفی دارد که اهم کاربردهای آن:
۱- كشف تقلب (كلاهبرداري) و آناليز ريسك
كشف تقلب كارتهاي اعتباري
كشف پولشويي
ريسك پرداخت وام
۲- خــرده فروشي (تكفروشي)
فروش و تبليغ
كوپن
3-آناليز بازار استوك
۴- تشخيص جرائم .
۵- پيش بيني سيل.
۶- ارتباطات راه دور
۷- تشخيص طبي و درمان.
۸- آناليز داده DNA و زيست پزشكي(Biomedical).
چه ژنهايي با ژنهاي ديگر همزمان رخ ميدهند.
ترتيب عمليات ژنتيكي در مراحل بيماري چيست.
۹- وب كاوي Web Mining
ارتباط بين صفحات گوناگون چيست.
مشخصات صفحه وب چيست.
توزيع اطلاعات در وب چگونه است.
برای آشنایی بیشتر با داده کاوی چند کاربرد مهم و کاربردی آن را مورد
مطالعه قرار می دهیم:
داده کاوی و کاربرد آن در کسب و کار هوشمند بانک
با رشد فزاینده حجم دادهها در سیستمهای متنوع کسب و کار، و همچنین نیاز
روز افزون جهت دستیابی به اطلاعات ارزشمند و معرفت از این دادههای خام،
داده کاوی به عنوان روشی مهم و پرکاربرد برای استخراج اطلاعات و ارضاء
این نیاز مطرح شده است. در واقع داده کاوی(Data Mining) بخشی از فرایند
استخراج معرفت(Knowledge Discovery) است که در آن الگوهای مفید و ضمنی در
پایگاه داده ها جستجو میشوند. در این میان با افزایش کاربرد سیستمهای
اطلاعات جغرافیایی، پایگاههای بزرگی از دادههای متنوع جغرافیایی در
دسترس قرارگرفتهاند که کمک شایانی به انجام تحلیلهای کاملتر و دقیقتر
مینمایند.داده کاوی روی دادههایی که دارای یک یا چند ویژگی مکانی،
فضایی و یا جغرافیایی باشند، داده کاوی فضایی(Spatial Data Mining)
نامیده میشود و خروجی آن اطلاعات و معرفتی است که دارای خصوصیات فضایی و
جغرافیایی، مانند مکان، جهت، فاصله، شکل هندسی و مانند آن می باشد. هدف
از این پروژه بررسی و اجرای یک روش داده کاوی پیشرفته روی دادههای فضايي
موجود در بانک ملت ایران میباشد که با دادههای مختلف بانکی از قبیل
مکان شعب، شاخصهای بانکی مانند درآمد، سود، هزینه، تعداد کارکنان، میزان
مراجعه و مانند آن تلفیق خواهند شد. بدین معنی که بعد از انجام مراحل
لازم جهت آماده سازی دادهها -با ملاحضات لازم به دلیل فضایی بودن آنها-
برای عملیات داده کاوی، شامل پردازش و پاکسازی دادهها(Data Processing
and Cleaning) و ساخت انبار دادهها(Data warehousing)، و همچنین در نظر
گرفتن روشهای دسترسی به دادههای فضایی(Spatial Data Access) ، الگوریتمی
برای استخراج قوانین وابستگی(Association Rule Mining) توسعه و پیاده
سازی خواهد شد و از آن برای کشف روابط موجود ما بین مقادیر مختلف فضايي و
جغرافیایی مانند ترکیب جمعیتی، کاربریهای منطقه، وضعیت سنی، درآمد،
تحصیلات، موقعیت رقبا، شبکه معابر و مانند آن از یک طرف و شاخصهای بانکی
شعب مانند سود، هزینه، درآمد، کارایی و مانند آن از طرفی دیگر استفاده
خواهد شد. دانش استخراج شده از این فرایند، در تصمیم گیریی های مختلف
مدیران در حوزه مدیریت شعب، مانند مکانیابی، توسعه، تلفیق و تنظیم شعب،
کاربرد و اهمیت بالایی خواهد داشت.
داده كاوي درمديريت ارتباط بامشتري
داده كاوي يكي از عناصر مديريت ارتباط با مشتري است و مي تواند به حركت
شركتها به سمت مشتري محوري كمك كند.
داده هاي خام از منابع مختلفي جمع آوري مي شوند و از طريق استخراج، ترجمه
و فرايندهاي فراخواني به انبار داده اين مديريت وارد مي شوند. در بخش
مهيـــاسازي داده، داده ها از انبار خارج شده و به صورت يك فرمت مناسب
براي داده كاوي در مي آيند.
بخش كشف الگو شامل چهار لايه است:
1 - سوالهاي تجاري مانند توصيف مشتري،2 - كاربردها مانند امتيازدهي، پيش
گويي،3 - روشها مانند سري هاي زماني، طبقه بندي،4 - الگوريتم ها.
در اين بخش روشهاي داده كاوي با كاربرد مخصوص خود براي پاسخ به سوالهاي
تجاري كه به ذهن مي رسند، الگوريتم هايي را استخراج مي كنند و از اين
الگوريتم ها براي ساخت الگو استفاده مي شود.
در بخش تجزيه و تحليل الگو، الگوها به يك دانش مفيد و قابل استفاده تبديل
مي شوند و پس از بهبود آنها، الگوهايي كه كارا محسوب مي شوند در يك سيستم
اجرايي به كار گرفته خواهند شد.
رابطه مشتري با زمان تغيير مي كند و چنانچه تجارت و مشتري درباره يكديگر
بيشتر بدانند اين رابطه تكامل و رشد مي يابد. چرخه زندگي مشتري چارچوب
خوبي براي به كارگيري داده كاوي در مديريت ارتباط با مشتري فراهم مي كند.
در بخش ورودي داده كاوي، چرخه زندگي مشتري مي گويد چه اطلاعاتي در دسترس
است و در بخش خروجي آن، چرخه زندگي مي گويد چه چيزي احتمالاً جالب توجه
است و چه تصميماتي بايد گرفته شود. داده كاوي مي تواند سودآوري مشتري هاي
بالقوه را كه مي توانند به مشتريان بالفعل تبديل شوند، پيش بيني كند و
اينكه تا چه مدت به صورت مشتريان وفادار خواهند ماند و چگونه احتمالاً ما
را ترك خواهند كرد.
بعضي از مشتريان مرتباً مراجعاتشان را به شركتها براي كسب مزيتهايي كه طي
رقابت ميان آنها به وجود مي آيد، تغيير مي دهند. در اين صورت شركتها مي
توانند هدفشان را روي مشترياني متمركز كنند كه سودآوري بيشتري دارند.
بنابراين مي توان از طريق داده كاوي ارزش مشتريان را تعيين، رفتار آينده
آنها را پيش بيني و تصميمات آگاهانه اي را در اين رابطه اتخاذ كرد.
کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
داده کاوی در ابتدا از حوزه تجارت برخاست اما کاربردهای آن در سایر حوزه
هائی که به گردآوری حجم وسیعی از داده هائی می پردازند که دستخوش تغییرات
پویا نیز می گردند؛ مفید شناخته شد. بخشهایی مثل بانکداری، تجارت
الکترونیک، تجارت سهام، بیمارستان و هتل از این نمونه اند.
انتظار میرود که استفاده از داده کاوی در بخش آموزش بطور عام امکانهای
جدید بسیاری ارائه دهد. برخی کاربردهای داده کاوی در کتابخانه ها و قسمت
اداری آموزش در ذیل مورد بحث قرار گرفته اند.
عملیات کتابداری بطور کلی شامل مدیریت مدارک، ارائه خدمات و امور اداره و
نگهداری است. هر کدام از این کارکردها با انواع مختلفی از داده ها سروکار
دارد و بطور جداگانه پردازش میشود. اگرچه، انجام تحلیل ترکیبی براین
مجموعه های داده نیز میتواند افق تازه ای را بگشاید که به طرح خدمات
جدید و تحول رویه ها و عملیات جاری کمک نماید. جدول یک برخی از کاربردهای
ممکن داده کاوی را که میتواند در کتابداری مفید باشد ارائه میکند.
جدول یک- کاربردهای داده کاوی در کتابخانه ها
کاربرد متصور بانک اطلاعاتی
برای تعیین نقاط قوت و ضعف مجموعه گردآوری منابع
برای ایجاد رابطه بین خواننده، منابع کتابخانه و زمان مشخصی از
سال استفاده از مجموعه
برای تحلیل سفارشهای پاسخ داده شده و سفارشهای دریافت شده امانت بین کتابخانه ای
برای پیش بینی روند بازگشت منابع داده های بخش امانت
برای نشان دادن منابع مالی بکار گرفته شده داده های هزینه
داده کاوی میتواند برای پاسخ دادن به یک سوال خاص مربوط به کتابخانه و
نیز برای کشف روندهای عمومی که به تصمیم گیری کمک میکنند، استفاده شود .
برای مثال سوال میتواند چنین باشد: امکان اینکه امانت گیرندگان منابع را
یک هفته بعد از تاریخ عودت برگردانند تا نامه های یادآوری کمتری فرستاده
شود چقدر است؟ یا میزان اشتراک مورد انتظار برای نشریات بین المللی
انتخاب شده برای سال آینده چقدر است؟ درک الگوی استفاده کلی مجلات
الکترونیکی یا تحلیل درخواستهای اعضا برای میکروفیلمها طی 5 سال گذشته
نیز همگی مثالهایی از کشف روندهای عمومی اند. دامنه تحلیل استنادی هم
میتواند با استفاده از داده کاوی گسترش داده شود.
در ارتباط با کتابخانه ها، وب کاوی حوزه دیگری از علاقمندی است. وب کاوی
شامل محتوا کاوی وب، ساختار کاوی وب و استفاده کاوی وب با توجه به یک
موضوع خاص است که در طراحی خدمات جدید مبتنی بر وب کمک خواهد کرد.
مدیریت موسسات دانشگاهی
اداره موسسات دانشگاهی کار پیچیده ای است. در این موسسات دائما" نیاز به
درآمدزایی و خود- کارآمدی و کاهش وابستگی به بودجه دولتی احساس میشود.
این مساله کنترل دائمی جنبه های مختلف هر فعالیت و پروژه را می طلبد.
بانکهای اطلاعاتی برای چنین موسساتی مربوط به دانشجویان، دانشکده،
اساتید و کارمندان، تعداد رشته ها و چند مورد دیگر است . ارزیابی تقاضا و
وضعیت عرضه نقش مهمی بازی میکند. مرور بانکهای اطلاعاتی نمونه در جدول 2
نمایانگر کاربردهای بالقوه داده کاویست.
جدول 2- کاربردهای داده کاوی در موسسات دانشگاهی
کاربرد متصور بانک اطلاعاتی
برای درک رابطه های جمعیت شناختی، اقتصادی و اجتماعی ثبت نام دانشگاهی
برای ایجاد رابطه بین عوامل اقتصادی-اجتماعی و نمرات اخذ شده کارایی دانشگاهی
برای تعیین میزان مفید بودن سیستم با استناد به نمرات امتحان بانک سوالات
برای ارزیابی همکاری دانشکده با توجه به میزان استفاده از کتابخانه همکاری فکری
برای پیدا کردن تأثیر انتشارات در تقاضا برای رشته ها انتشارات
برای تحلیل سوالات دریافت شده در وب سایت دانشگاه و کمک به ایجاد رشته
های جدید دانشگاهی بازدید از وب سایت
کاربرد داده کاوی در دانشگاه ملی سنگاپور قابل ملاحظه است. در این
دانشگاه از ابزارهای داده کاوی برای شناسایی و دسته بندی دانشجویانی که
به کلاسهای پیش نیاز برای واحد درسی ارائه شده نیاز داشتند استفاده شد.
(Kurian and John, 2005)
علاوه بر آن، مسائلی مانند اختصاص بهتر منابع و نیروی انسانی، مدیریت
روابط دانشجو و به تصویر کشیدن رفتار گروههای مختلف میتواند بوسیله
ابزارهای داده کاوی انجام شود.
محدودیت ها
کاربرد داده کاوی با چند عامل محدود شده است. اولین مورد به سخت افزار و
نرم افزار لازم و موقعیت بانک اطلاعاتی مربوط میشود . برای مثال در هند،
داده های غیر مجتمع که برای کاربردهای داده کاوی لازم است ممکن است به
فرم دیجیتالی در دسترس نباشد. در دسترس بودن نیروی انسانی ماهر در داده
کاوی نیز مسأله مهم دیگری است. محرمانه بودن رکوردهای مراجعان ممکن است
در نتیجه پردازش داده های مبتنی بر داده کاوی آسیب پذیر شود. کتابداران و
مؤسسات آموزشی باید این مسأله را در نظر داشته باشند؛ چرا که در غیر
اینصورت ممکن است گرفتار شکایات قانونی گردند.
محدودیت دیگراز ضعف ذاتی نهفته در ابزارهای نظری ناشی میگردد. ابزارهایی
مانند یادگیری ماشینی و الگوریتمهای ژنتیکی بکار گرفته شده در فعالیتهای
داده کاوی به مفاهیم وفنون منطق و آمار بستگی دارد. در این حد نتایج به
روش مکانیکی تولید شده و بنابراین به یک بررسی دقیق نیاز دارند. اعتبار
الگوهای بدست آمده به این طریق؛ باید آزمایش شود. چرا که که در بسیاری
موارد روابط علل و معلول مشتق شده؛ از برخی استدلالات غلط ذیل رنج
میبرند.
داده کاوی آماری و مدیریت بهینه وب سایت ها
هر سایت اینترنتی بر اساس حجم فعالیت خود برای نگهداری به افراد مختلفی
که آشنا به امور فنی و اجرایی باشند نیاز دارد. مدیر سایت به عنوان شخصی
که تنظیم کننده و هماهنگ کننده تمام این افراد است باید برای هر کدام از
بخشهای سایت از قبیل گرافیک، محتوا، امور فنی، بازاریابی و...
برنامههای مختلفی را تهیه و برای اجرا در اختیار همکاران خود قرار دهد.
این برنامه ها می توانند شامل برنامه های روزانه، هفتگی و ماهانه باشند.
تمامی این برنامه ها در راستای یک هدف کلی و نهایی به انجام می رسند و آن
هم بالا رفتن کارایی اقتصادی سایت است.
سایت ها زمانی می توانند خود را در سطح اقتصادی اطمینان بخشی قرار دهند
که از بازدیدکنندگان و کاربران و قابل توجهی برخوردار باشند. برای این
کار مدیر سایت سعی می کند مطالعه و تحقیق گسترده ای بر روی عوامل و
ابزارهای افزایش دهنده تعداد کاربران سایت انجام دهد و از این طریق در
واقع به مطالعه شرایط و موقعیت خود در بازار مجازی اینترنت می پردازد. به
عنوان مثال وی در مورد رنگ های به کار رفته در سایت، لوگو و سایر قطعات
گرافیکی سایت، متن های به کار رفته و بسیاری دیگر از مسائل مرتبط با سایت
به بررسی و مطالعه می پردازد.
یکی از روش ها و راهکارهایی که کمک بسیار زیادی برای بهتر شدن فرآیند
مدیریت وب سایت ها می کند استفاده از گزارش ها و تحلیل های آماری است.
مدیران سایت ها و مدیران بازایابی شرکت ها با استفاده از گزارش های به
دست آمده از فعالیت سایت اینترنتی میتوانند شناخت خوبی از موقعیت و
تاثیر فعالیت های خود پیدا کنند و از این طریق نقاط ضعف و قوت سایت را به
راحتی شناسایی و برای حل و تقویت آنها تغییرات لازم را در سایت اعمال
نمایند و به برنامه های آینده و حتی استراتژی های سایت جهت ببخشند.
گزیده مطالب
تعـــــريف
۱- كاوش دانش بالقوه مفيد از مقدار معتنابهي داده را داده كاوي گويند.
۲- اصطلاحات ديگر:
كشف دانش موجود در پايگاه هاي داده (Knowledge Discovery in Databases--
KDD )- هر چند كه داده ورزي مرحله اي از KDD است.
استخراج دانش --> Knowledge Extraction
درو اطلاعات (برداشت اطلاعات) --> Information Harvesting
و ...
داده كاوي در مقابل استخراج دانش از پايگاه داده
Data Mining vs. Knowledge Discovery in Databases
1- KDD فرآيند يافتن اطلاعات و الگوهاي مفيد از داده را گويند.
۲- DM بهره گيري از الگوريتمهايي براي يافتن اطلاعات مفيد در فرآيند KDD است.
۳- فرآيند KDD عبارت است از:
پاكسازي و يكپاچه سازي داده (پيش پردازش داده)
ايجاد يك مخزن داده مشترك براي تمام منابع٬ مانند انبار داده (data warehouse).
داده كاوي
بصري سازي (visualization) نتايج توليد شده.
--مرحله پيش پردازش غالباً يكي از مراحل زمان بر و در عين حال بسيار مهم
در كسب نتيجه مطلوب ميباشد. تلاشهاي زيادي صورت گرفته و در حال حاضر نيز
انجام ميگيرد تا كارايي الگوريتمهاي اين قسمت بالا رود.
--از ديگر بخشهايي كه فعاليت زيادي را به خود معطوف ساخته بخش بصري سازي
است تا بتوان نتايج را در قالبهاي گرافيكي مشاهده كرده و مقايسه نمود.
داده کاوی در مقابل پايگاه داده
Data Mining vs database
۱- كاربر پايگاه داده ميداند دنبال چه چيزي است.
۲- اما كاربر داده كاوي ممكن است بداند و ممكن است نداند در جستجوي چيست.
۳- پاسخ پايگاه داده به سوال ۱۰۰٪ دقيق است٬ اگر داده صحيح باشد.
۴- اما تلاش داده كاوي اين است كه تا حد ممكن پاسخ دقيق بدست آورد.
۵- داده پايگاه داده همانطور كه ذخيره ميشود بازيابي نيز ميگردد.
۶- اما داده در داده كاوي٬قبل از توليد نتايج نياز به (تا حدي) تميز
(clean) شدن دارد.
۷- نتايج پايگاه داده زير مجموعه اي از داده است.
۸- نتايج داده كاوي تجزيه و تحليل و آناليز داده است.
۹- معنا دار بودن نتايج آنقدر كه در داده كاوي اهميت داشته و جزء اصلي
ترين مسايل آن مطرح ميگردد٬ در پايگاه داده مورد توجه نيست.
به عبارت ساده پايگاه داده تنها ذخيره و بازيابي داده است اما داده كاوي
آناليزي است كه روي اين داده ها صورت ميپذيرد تا بتواند قوانيني از آن
استخراج نمايد يا پيش بيني صورت دهد
ابزارهای تجاری داده کاوی
DM Commercial Tools
در مورد ابزارهاي موجود براي داده كاوي بايد به اين نكات توجه داشت كه:
مدل/معماري مشتركي بين آنها موجود نمي باشد.
به منابع داده گوناگون و نه لزوماً همه گونه منبعي دسترسي دارند.
از يك يا بيشتر الگوريتم DM پشتيباني مينمايد.
ممكن است از تمام انواع داده پشتيباني كند يا نكند.
قابليتهاي مختلف اما نه تمام آنها را پشتيباني مينمايد.
وابسته به بستر كاري
هر كاربردي ممكن است با يك ابزار كار كند و با ابزار ديگر كار نكند.
ابزارهای تجاری برای داده کاوی
Darwin (Oracle Corp.)
MineSet (Silicon Graphics Inc. - SGI)
Intelligent Miner (IBM Corp)
Enterprise Miner (SAS Institute Inc.)
Clementine (SPSS Inc – Integral Solutions)
DMMiner (DBMiner Technology Inc.)
BrainMaker (California Scientific Software)
CART (Salford Systems)
MARS (Salford Systems)
Scenario (Cognos Inc.)
Web Analyst (Megaputer Intelligence Inc.)
SurfAid Analysis (IBM corp)
Visualizer Workstation (Computer Science Innovations, Inc)
منابع اطلاعاتی مورد استفاده
منابع اطلاعاتی گوناگونی را ميتوان در زمينه داده کاوی بکار برد که عبارتند از:
---> پایگاه داده های رابطه ای
---> انبارهای داده
---> فایلها
---> وب
--->پایگاه های داده شیءگرا
---> چند رسانه ای
انبار داده
--->بسياری از سازمانها داده های خود را از مخازن داده همگن و ناهمگن در
يک مجموعه داده عمومی به نام انبار داده جمع آوری و ذخيره مينمايند.(Data
Warehouse)
--->انبار داده شامل داده های فعلی و قبلی است كه برای برنامه ريزی و پيش
بينی در سيستمهای پشتيبان تصميمگيری (Decision Support System) استفاده
خواهد گرديد.
--->پايگاه های داده سنتی پايگاه هايی عملياتی هستند كه داده های روزانه
را در خود ذخيره مينمايند.
--->star -schema, Snow-Flakes و Galaxy مدلهای رايج در انبارهای داده هستند.
---> برای افزايش كارايی در DW تكنيكهای مختلفی مانند خلاصه كردن و
denormalization استفاده ميگردد.
پای نوشته
Data mining را گاهی به "داده کاوی" ترجمه کردهاند که از چندین نظر
نامناسب است: (الف) Data کلمهایست جمع (با مفرد Datum) که به واژهء
مفرد "داده" نسبت داده شده (ب) ترکیب "داده کاوی" با روح، و خلق و خوی
عمومی زبان فارسی ناسازگار و بیگانه است، چرا که در فارسی باید مفاهیم را
با آرامی و به نرمی بیان نمود. درست است که "داده کاوی" همان تندی و شتاب
Data mining را با خود دارد، ولی، اینگونه سرعتها و تندگوئیها در بیان
مفاهیم، فقط به زبانهای غربی اختصاص دارد.
مراجع و ماخذ
http://www.Wikipedia.con
Barbara Mento and Brendan Rapple, SPEC Kit 274: Data mining and data
warehousing, Association of Research Libraries, Washington, DC (2003,
July)
http://www.infotechera.com/
http://www.ece.ut.ac.ir/dbrg/index.htm
http://www.irandoc.ac.ir/index.htm
http://www.arts.uci.edu/dobrain/gems.980415b.htm