الحوسبة الناعمة
الحوسبة الناعمة هو مصطلح شامل يستخدم لوصف أنواع الخوارزميات التي تنتج حلولاً تقريبية لمشاكل عالية المستوى غير قابلة للحل في علوم الكمبيوتر. عادةً، تعتمد خوارزميات الحوسبة الصلبة التقليدية بشكل كبير على البيانات الملموسة والنماذج الرياضية لإنتاج حلول للمشاكل. تم صياغة الحوسبة الناعمة في أواخر القرن العشرين. [1] خلال هذه الفترة، أثر البحث الثوري في ثلاثة مجالات بشكل كبير على الحوسبة الناعمة. المنطق الضبابي هو نموذج حسابي يستوعب عدم اليقين في البيانات باستخدام مستويات الحقيقة بدلاً من الأصفار والواحدات الجامدة في النظام الثنائي. بعد ذلك، الشبكات العصبية التي هي نماذج حسابية متأثرة بوظائف الدماغ البشري. أخيرًا، الحوسبة التطورية هو مصطلح لوصف مجموعات الخوارزميات التي تحاكي العمليات الطبيعية مثل التطور والانتقاء الطبيعي.
في سياق الذكاء الاصطناعي والتعلم الآلي ، توفر الحوسبة الناعمة أدوات للتعامل مع عدم اليقين في العالم الحقيقي. وتكمل أساليبها الأساليب الموجودة مسبقًا للحصول على حلول أفضل. واليوم، أدى الجمع مع الذكاء الاصطناعي إلى أنظمة ذكاء هجينة تدمج خوارزميات حسابية مختلفة. وبتوسيع تطبيقات الذكاء الاصطناعي، تؤدي الحوسبة الناعمة إلى حلول قوية. وتشمل النقاط الرئيسية معالجة الغموض والتعلم المرن وفهم البيانات المعقدة وتطبيقات العالم الحقيقي والذكاء الاصطناعي الأخلاقي . [2] [3]
تاريخ
يعود تاريخ تطوير الحوسبة الناعمة إلى أواخر القرن العشرين. في عام 1965، قدم لطفي زاده المنطق الضبابي، الذي أرسى الأساس الرياضي للحوسبة الناعمة. بين الستينيات والسبعينيات، بدأت الحوسبة التطورية، تطوير الخوارزميات الجينية التي تحاكي العمليات البيولوجية، في الظهور. مهدت هذه النماذج الطريق للنماذج لبدء التعامل مع عدم اليقين. على الرغم من أن أبحاث الشبكات العصبية بدأت في الأربعينيات والخمسينيات من القرن الماضي، إلا أنه كان هناك طلب جديد على البحث في الثمانينيات. استثمر الباحثون الوقت لتطوير نماذج للتعرف على الأنماط . بين الثمانينيات والتسعينيات، دمجت أنظمة الذكاء الهجين المنطق الضبابي والشبكات العصبية والحوسبة التطورية التي حلت المشكلات المعقدة بسرعة. من التسعينيات إلى يومنا هذا، كانت النماذج مفيدة وتؤثر على مجالات متعددة تتعامل مع البيانات الضخمة ، بما في ذلك الهندسة والطب والعلوم الاجتماعية والتمويل. [4] [5]
التقنيات الحسابية
المنطق الضبابي
المنطق الضبابي هو أحد جوانب الحوسبة التي تتعامل مع الاستدلال التقريبي. عادةً، يسمح المنطق الثنائي لأجهزة الكمبيوتر باتخاذ القرارات بناءً على أسباب صحيحة أو خاطئة (0 و1)؛ ومع ذلك، فإن إدخال المنطق الضبابي يسمح للأنظمة بالتعامل مع المجهول بين 0 و1. [2] [6]
على عكس المجموعات الكلاسيكية التي تسمح للأعضاء بأن يكونوا بالكامل داخل أو خارج، تسمح المجموعات الضبابية بالعضوية الجزئية من خلال دمج "التدرج" بين المجموعات. تتضمن عمليات المنطق الضبابي النفي والاقتران والانفصال ، والتي تتعامل مع العضوية بين مجموعات البيانات. [5]
القواعد الضبابية هي عبارات منطقية ترسم خريطة الارتباط بين معلمات الإدخال والإخراج. وهي تحدد القواعد اللازمة لتتبع العلاقات المتغيرة لغويًا، ولن يكون ذلك ممكنًا بدون المتغيرات اللغوية . تمثل المتغيرات اللغوية قيمًا غير قابلة للقياس عادةً، مما يسمح بوجود عدم اليقين. [7]
الشبكات العصبية
الشبكات العصبية هي نماذج حسابية تحاول محاكاة بنية ووظيفة الدماغ البشري . وفي حين تستخدم أجهزة الكمبيوتر عادةً المنطق الثنائي لحل المشكلات، تحاول الشبكات العصبية تقديم حلول للمشكلات المعقدة من خلال تمكين الأنظمة من التفكير مثل الإنسان، وهو أمر ضروري للحوسبة الناعمة. [8]
تدور الشبكات العصبية حول المدركات العصبية ، وهي عبارة عن خلايا عصبية اصطناعية مهيكلة في طبقات. ومثل الدماغ البشري، تعالج هذه العقد المترابطة المعلومات باستخدام عمليات رياضية معقدة. [9]
من خلال التدريب، تتعامل الشبكة مع تدفقات البيانات المدخلة والمخرجة وتضبط المعلمات وفقًا للمعلومات المقدمة. تساعد الشبكات العصبية في جعل الحوسبة الناعمة مرنة بشكل غير عادي وقادرة على التعامل مع المشكلات عالية المستوى.
في الحوسبة الناعمة، تساعد الشبكات العصبية في التعرف على الأنماط والنمذجة التنبؤية وتحليل البيانات. كما تُستخدم أيضًا في التعرف على الصور ومعالجة اللغة الطبيعية والتعرف على الكلام والأنظمة . [3] [10]
الحوسبة التطورية
الحوسبة التطورية هي مجال في الحوسبة الناعمة يستخدم مبادئ الانتقاء الطبيعي والتطور لحل المشكلات المعقدة. إنها تعزز اكتشاف حلول متنوعة داخل مساحة الحل، وتشجع الحلول شبه المثالية. إنها تجد حلولاً مرضية باستخدام النماذج الحسابية وأنواع الخوارزميات التطورية. تتكون الحوسبة التطورية من خوارزميات تحاكي الانتقاء الطبيعي، مثل الخوارزميات الوراثية والبرمجة الوراثية والبرمجة التطورية . تستخدم هذه الخوارزميات التقاطع والطفرة والاختيار . [11]
التبادل أو إعادة التركيب هو تبادل للبيانات بين العقد لتنويع البيانات والتعامل مع المزيد من النتائج. الطفرة هي تقنية وراثية تساعد في منع الاستنتاج المبكر لحل دون المستوى الأمثل من خلال تنويع مجموعة كاملة من الحلول. إنها تساعد في إيجاد حلول مثالية جديدة في مجموعات الحلول التي تساعد في عملية التحسين الشاملة. الاختيار هو عامل يختار الحل من مجموعة حالية يناسب بدرجة كافية للانتقال إلى المرحلة التالية. هذه تدفع البرمجة الوراثية لإيجاد حلول مثالية من خلال ضمان بقاء الحلول الأكثر ملاءمة فقط في المجموعة.
في الحوسبة الناعمة، تساعد الحوسبة التطورية تطبيقات استخراج البيانات (باستخدام مجموعات كبيرة من البيانات للعثور على الأنماط)، والروبوتات ، والتحسين، وطرق الهندسة. [3] [5]
أنظمة الذكاء الهجين
تجمع أنظمة الذكاء الهجين بين نقاط قوة مكونات الحوسبة الناعمة لإنشاء نماذج حسابية متكاملة. تتحد التقنيات الاصطناعية مثل المنطق الضبابي والشبكات العصبية والحوسبة التطورية لحل المشكلات بكفاءة. تعمل هذه الأنظمة على تحسين الحكم واستكشاف الأخطاء وإصلاحها وتحليل البيانات . تساعد أنظمة الذكاء الهجين في التغلب على قيود مناهج الذكاء الاصطناعي الفردية لتحسين الأداء والدقة والقدرة على التكيف لمعالجة المشكلات الديناميكية . كما تعمل على تطوير قدرات الحوسبة الناعمة في تحليل البيانات والتعرف على الأنماط والأنظمة. [12]
التطبيقات
بفضل تنوعها الديناميكي، تعد نماذج الحوسبة الناعمة أدوات ثمينة لمواجهة المشكلات المعقدة في العالم الحقيقي. وهي قابلة للتطبيق في العديد من الصناعات ومجالات البحث:
تساعد الحوسبة الناعمة والمنطق الضبابي والشبكات العصبية في التعرف على الأنماط ومعالجة الصور ورؤية الكمبيوتر. تعد تنوعها أمرًا حيويًا في معالجة اللغة الطبيعية لأنها تساعد في فك رموز المشاعر واللغة البشرية. كما أنها تساعد في استخراج البيانات والتحليل التنبئي من خلال الحصول على رؤى لا تقدر بثمن من مجموعات البيانات الضخمة. تساعد الحوسبة الناعمة في تحسين الحلول من الطاقة والتوقعات المالية ونمذجة البيانات البيئية والبيولوجية وأي شيء يتعامل مع النماذج أو يتطلبها. [12] [13]
في المجال الطبي، تعمل الحوسبة الناعمة على إحداث ثورة في اكتشاف الأمراض، وإنشاء خطط لعلاج المرضى ونماذج الرعاية الصحية . [10]
التحديات والقيود
إن طرق الحوسبة الناعمة مثل الشبكات العصبية والنماذج الضبابية معقدة وقد تحتاج إلى توضيح. وفي بعض الأحيان، يتطلب الأمر جهدًا لفهم المنطق وراء قرارات خوارزميات الشبكات العصبية، مما يجعل من الصعب على المستخدم تبنيها. بالإضافة إلى ذلك، يتطلب الأمر موارد قيمة ومكلفة لتغذية النماذج بمجموعات بيانات واسعة النطاق، وفي بعض الأحيان يكون من المستحيل الحصول على الموارد الحسابية اللازمة. وهناك أيضًا قيود كبيرة على الأجهزة تحد من القوة الحسابية. [8]
مراجع
- ^ زاده، لطفي أ. (مارس 1994). "المنطق الضبابي والشبكات العصبية والحوسبة الناعمة". اتصالات جمعية الحوسبة الآلية . 37 (3): 77-84 . doi : 10.1145/175247.175255 . ISSN 0001-0782.
- ^ إبراهيم، دوغان. "نظرة عامة على الحوسبة الناعمة". وقائع علوم الكمبيوتر 102 (2016): 34-38.
- ^ abc Kecman, Vojislav (2001). التعلم والحوسبة الناعمة: آلات المتجهات الداعمة، والشبكات العصبية، ونماذج المنطق الضبابي. مطبعة معهد ماساتشوستس للتكنولوجيا. رقم ISBN 978-0-262-11255-0.
- ^ Chaturvedi, Devendra K. "Soft computing." Studies in Computational intelligence 103 (2008): 509-612.
- ^ abc Ram, Mangey; Davim, J. Paulo (2018-05-04). تقنيات رياضية متقدمة في علوم الهندسة. CRC Press. ISBN 978-1-351-37189-6.
- ^ "المنطق الضبابي | مقدمة". GeeksforGeeks . 2018-04-10 . تم الاسترجاع في 2023-11-11 .
- ^ تريلاس، إنريك، ولوكا إيسيولازا. "المنطق الضبابي". دار النشر سبرينغر الدولية. DOI 10 (2015): 978-3.
- ^ ab Cheng, Yu; Wang, Duo; Zhou, Pan; Zhang, Tao (2018). "ضغط النموذج وتسريعه للشبكات العصبية العميقة: المبادئ والتقدم والتحديات". مجلة معالجة الإشارات IEEE . 35 (1): 126– 136. Bibcode :2018ISPM...35a.126C. doi :10.1109/MSP.2017.2765695 . تم الاسترجاع في 2023-11-11 .
- ^ "ما هي الشبكات العصبية؟ | IBM". www.ibm.com . تم الاسترجاع في 2023-11-11 .
- ^ أب أبيودون، أولوداري إسحاق؛ كيرو، محمد أوبالي؛ جانتان، أمان؛ أومولارا، أبيودون إستير؛ دادا، كيمي فيكتوريا؛ عمر، أبو بكر ملاح؛ لينوس، أوكافور أوشينوا؛ أرشد، حميرة؛ كازوري، عبد الله أمينو؛ جانا، عثمان (2019). “مراجعة شاملة لتطبيقات الشبكات العصبية الاصطناعية للتعرف على الأنماط”. الوصول إلى IEEE . 7 : 158820– 158846. بيب كود :2019IEEEA...7o8820A. دوى : 10.1109/ACCESS.2019.2945545 . تم الاسترجاع 2023-11-11 .
- ^ "الخوارزميات الجينية". GeeksforGeeks . 2017-06-29 . تم الاسترجاع في 2023-11-11 .
- ^ ab Medsker, Larry R. (2012-12-06). Hybrid Intelligent Systems. Springer Science & Business Media. ISBN 978-1-4615-2353-6.
- ^ Dote, Y.; Ovaska, SJ (2001). "Industrial applications of soft computing: a review". Proceedings of the IEEE . 89 (9): 1243– 1265. doi :10.1109/5.949483 . تم الاسترجاع في 2023-11-11 .
