داده کاوی (Data Mining) چیست؟

شبکه های عصبی

شبکه های عصبی

مقدمه

پياده سازی ويژگی های شگفت انگيز مغز انسان در يک سيستم
مصنوعی از ديرباز وسوسه انگيز و مورد توجه بود است. برای افرادی که با
مبانی شبکه های عصبی کمتر آشنا هستند، ممکن است پاسخ به سئوالاتی نظير ذيل
جالب باشد.

v شبکه عصبی چيست؟

v چرا از شبکه عصبی استفاده ميشود؟

v رويای جايگزينی ويژگی های مغز در يک سيستم مصنوعی چقدر ممکن گرديده و در چه زمينه هايي از رشته تحصيلی ما بکارگرفته شده است؟

v مراحل اصلی ايجاد يک شبکه عصبی کدامند؟

و شايد ده ها سئوال جذاب ديگر مطرح گردد. هدف از اين نوشتار
معرفی بسيار اجمالی شبکه های عصبی و آشنايي با مبانی آن است. بديهی است
ايجاد يک شبکه عصبی با توجه به ماهيت مسئله، نياز به حوصله و صرف وقت بيشتر
برای کسب دانش اصول معماری و آموزش شبکه دارد.

 

2. شبکه عصبی چيست؟

يک برنامه نرم افزاری يا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نمايد، به گونه ای که:

الف- به مرور زمان و تعامل بیشتر با محيط، کارآزموده تر گردد.

ب-علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

ج- در شرايط جديد راهکار مناسب را ارائه دهد. (قابلیت تعمیم).

3. چرا شبکه عصبی

علی رغم آنکه نرم افزارهای موجود بخوبی
محاسبات ساده و پيچيده را انجام می دهند و برای تصميم گيری در حيطه های
مختلف به مديران کمک می کنند، سئوال آنست که چرا رویکرد برنامه نویسی و
طراحی سخت افزار باید مطابق الگو و عملکرد مغز انسان متحول شوند؟

هرچند امروزه فنآوری های طراحی، ساخت و توليد رايانه ها و نرم
افزارها پيشرفت قابل توجهی نموده است، اما به دلايل ذيل بايد در منطق
طراحی و ساخت رایانه ها و همچنين نرم افزارهای موجود متحول گردد:

v افزايش سرعت

برنامه ای برای تشخيص چهره يک فرد را با ساختار رايانه ها و نرم افزارهای موجود در نظر بگيريد:

– به طور یقين برنامه شامل حلقه هايی است که ده ها بار بايد بطور سریال و پی در پی تکرار شود.

– در هر تکرار خصوصیت خاصی از صورت را ذخیره نموده و با الگو مقایسه نماید.

– بعد از تست کلیه خصوصیات، چهره را تشخیص دهد.

سلسله عمليات مزبور، بارها تکرر شده و مدتها وقت دستگاه را
ميگيرد، اما آيا تشخيص چهره توسط مغز انسان نيز چنين است. در سيستم مغز، در
آن واحد ده ها واحد پردازش (که به نرون موسوم است) در عصب بينايی بطور
موازی بکار می افتد و بدليل پردازش موازی ( و نه پی در پی) در زمان بسيار
کوتاه چهره تشخيص داده ميشود.

نتيجه آنکه : تحول در منطق برنامه نويسی به گونه ای که بجای
پردازش سريال، پردازش موازی جایگزین شود، در آينده طراحی رايانه ها بايد
مورد توجه قرار گيرد.

v حساسيت بالا به رخداد اشتباه

بروز اشتباه در فرمت و علائم برنامه نویسی منجر به اتلاف
ساعتها وقت در ردیابی، شناسایی و اصلاح برنامه ميگردد. همچنين رخداد اشتباه
در منطق برنامه اعم از آنکه یک زیر برنامه یا قسمتی از آن درست کار نکند،
منجربه آن خواهد شد که نتیجه حاصله کاملا نادرست گردد، در حالی که عدم
عملکرد صحيح قسمتی از نرون ها منجر به از کارافتادگی کامل مغز نميگردد و
امکان اتخاذ تصميم صحيح در اين حالت نيز وجود دارد.

v رایانه ها و نرم افزارهای موجود قادر نيستند از تجربيات گذشته استفاده نمايند.

بازبينی و به هنگام نمودن برنامه های نرم افزاری در دوره های
زمانی مختلف اجتناب ناپذير است، در حالی که مغز بطور پيوسته در حال يادگيری
و انطباق با محيط است. صرف وقت زياد برای بازبينی و اصلاح دوره ای سیستم
های موجود رايانه ای ممکن است منجر به بازيابی و سلامت سيستم نگردد.

v عدم ارائه پاسخ مناسب در شرایط جديد

با تغيير وروده های برنامه های نرم افزاری، از آنها انتظار
نميرود پاسخی ارائه دهند، در حالی که مغز ممکن است علی رغم نداشتن تجربه ای
مشخص، هنگاميکه در شرايط جديد قرار ميگيرد، پاسخ مناسبی ارائه دهد.

نتيجه:

ساختار سخت افزارها و منطق نرم افزارها باید با رويکرد جديدی
مبتنی بر مغز انسان بازبينی و اصلاح شوند. برای اين منظور لازم است ساختار
مغز مطالعه شود.

4. رويای جايگزينی ويژگی های مغز در يک سيستم مصنوعی چقدر ممکن گرديده ؟

در حال حاضر بسياري از سيستم‏ها در قالب هوش مصنوعي و
شبكه‏هاي عصبي شبيه‏سازي شده‏اند اما مانع اصلي آنست كه گرچه هريک از
نرون‏هاي بيولوژيكي به تنهايي در مقايسه با نرون‏هاي مصنوعي كه توسط
مدارهاي الكتريكي ساخته مي‏شوند بسيار كندتر هستند، اما از آنجا که در نرون
های بيولوژيکی دسته يا دسته هايي از نرون ها بطور همزمان بکار مافتند،
عملكرد مغز بسيار سريع‏تر است. امروزه مدارهای خاصی با ساختار عملکرد موازی
طراحی ميگردد که سرعت آن ها ده ها برابر بيش از رايانه هاي پيشرفته فعلی
است. اما هنوز از نظر سرعت با عملکرد مغز فاصله بسياری وجود دارد. ساير
خصوصياتی که در بند سوم ذکر گرديد تا حدود زيادی برآورده شده است. [1]

 

 

5. بررسی اجمالی ساختار مغز

همانند بسياری از اختراعات که الهام گرفته از طبيعت ميباشد،
برای شبيه سازی سيستم مزبور نيز، ساختار مغز مورد تحليل واقع شد. در سال
1911 Segal نرون را کشف نمود و بر اساس در دهه 40 ميلادی يعنی حدود 65 سال
قبل اولين شبکه عصبی توسط Culloch و Pitts طراحی شد. شبکه مزبور قادر به
محاسبه توابع منطقی بود. امروزه حداقل بيش از 50 نوع شبکه عصبی طراحی
گرديده است که در علوم مختلف از جمله مهندسی صنايع کاربرد بسياری دارند که
در قسمت ششم به آن پرداخته خواهد شد.

نرون کوچکترين واحد مستقل پردازش اطلاعات است که متشکل از
دندريت، اکسون است که با فاصله های کوچک موسوم به سيناپس از يکديگر جدا
ميشوند.

دندريتها که بصورت درخت گونه پخش هستند اطلاعات دريافتی بشکل
سيگنال را دريافت نموده و و آن را به هسته سلول هدايت ميکنند، يک عمل جمع
ساده از کل سيگنالها بسته به وزن و شدت هريک در هسته انجام ميگردد و نتيجه
توسط اکسون هدايت ميشود و بسته به شدت آن ممکن است پالس الکتريکی را از
سيناپس با شدت بيشتر يا با شدت کمتر عبور دهند و يا ممکن است با دليل ضعيف
بودن بار الکتريکی آن را عبور ندهند.

با این ديد اجمالی از نحوه عملکرد نرون، بايد سيستمی طراحی
گردد که حاوی تعدادی ورودی بوده که بسته به اهميت هريک آنها را با يکديگر
جمع ساده جبری نمايد و توسط يک تابع موسوم به تابع تبديل انان را به نرون
های ديگر ارسال نمايد.

1. طراحی سيستم

شکل ذيل الگويي از يک واحد پردازش شبکه عصبی با توجه به نحوه
کارکرد يک نرون، ارائه ميدهد. همانگونه که مشاهده ميگردد، اکسون را ميتوان
به خروجی، وزن را به شدت بار و ورودی ها را به دندريت تشبيه نمود.

بنابراين اجزاي يك شبكه عصبي عبارتند از:

v ورودي ‏ها:

ورودي‏ها كه بابردار X نشان داده شده‏اند ميتوانند خروجي ساير
لايه‏ها بوده و با آنكه به حالت خام در اولين لايه و به صورت‏هاي ذيل
باشد:

الف – داده‏هاي عددي و رقمي

ب) متون ادبي، فني و …

ج) تصوير و يا شكل

مثال : در تصميم‏گيري اعطاي وام ورودي‏ بردار X مي‏تواند شامل سه متغير: سطح درآمد، سن و ميزان اعتبار متقاضي باشد.

v بردار وزن

ميزان تاثير ورودي xi بر خروجي y توسط مشخصه وزن اندازه‏گيري
مي‏شود. به طور مثال به هنگام اعطاي وام اهميت و تاثير درآمد متقاضي و يا
سن وي توسط مولفه وزن آنها بر اتخاذ تصميم برآورد مي‏شود. Wi ها قابل تنظيم
بوده و براساس تابع تبديل و نوع الگوريتم يادگيري ( كه در ادامه به توضيح
آنها پرداخته شده است.) تعيين مي‏شوند.

v تابع جمع

در شبكه‏هاي تك نروني ، تابع جمع در واقع خروجي مسئله را تا
حدودي مشخص مي‏كنند و در شبكه‏هاي چند نروني نيز تابع جمع ميزان سطح فعاليت
نرون j در لايه‏هاي دروني را مشخص مي‏سازد.

v تابع تبدبل

بديهي است كه تابع جمع پاسخ مورد انتظار شبكه نيست، به طور
مثال به هنگام اعطاي وام تابع جمع يك عدد خواهد شد كه بايد به پاسخ بلي يا
خير بيان گردد و يا آنكه ارتباط بين سطح داخلي شبكه و جواب لزومآ خطي نيست و
مي‏تواند به شكل غير خطي باشد. بنابراين تابع تبديل عصوي ضروري در
شبكه‏هاي عصبي محسوب مي‏گردد. انواع و اقسام متفاوتي از توابع تبديل وجود
دارد كه بنا به ماهيت مسئله كاربرد دارند برخي از آنها عبارتند از:

توابع تبديل در شبكه‏هاي عصبي چند لايه (در ذيل توضيح داده خواهدشد) مي‏توانند منحصر به فرد بوده و با يكديگر متفاوت باشند.

v خروجي

منظور از خروجي، پاسخ مسئله است.

1. شبكه‏هاي عصبي چند لايه

در شبكه‏هاي تك لايه درجه آزادي براي تنظيم پارامترهاي شبكه
نظير w اندك بوده و توانايي تقريب مسئله پائين مي‏آيد. در حالي كه در شبكه
هاي چند لايه با توجه به درجه آزادي مناسب براي تنظيم پارامترها مي‏توان
توانايي شبكه را بالا برد. به طور مثال شبكه‏هاي پيش‏خور دو لايه با توابع
زيگموئيد در لايه اول قادرند توابع بسيار زيادي را با دقت دلخواه تقريب
بزنند در حالي كه شبكه‏هاي عصبي تك لايه از چنين توانايي برخوردار نيستند.

مي‏گردد. در واقع تعداد ورودي‏ها و خروجي‏هاي شبكه بر اساس
ماهيت مسئله بدست مي‏آيند، به عبارت ديگر اين دو پارامتر جزء پارامترهاي
آزاد طرح نيستند. همانگونه كه قبلا نيز ذكر شد خروجي بر نوع تابع تبديل
موثر است. نمونه‏اي از يك شبكه عصبي دو لايه در ذيل نشان داده شده است:

1. انواع شبكه‏ها از نظر برگشت پذيري

v شبكه‏هاي پيش‏خور (Feed Forward)

با توجه به مباحث بند ششم، در شبكه‏هاي تك لايه – بردار ورودي X توسط نرون‏ها را ميتوان طبق رابطه ذيل نشان داد :

y = f ( W *X = b )

به بردار خروجي مرتبط مي‏شود. اين شبكه شكل ساده‏اي از
شبكه‏هاي پيش‏خور است كه مسير پاسخ همواره رو به جلو پردازش مي‏شود و به
نرون‏هاي لايه ( لايه‏هاي قبل ) باز نمي‏گردد. اگر ايده شبكه‏هاي feed
forward را به چند لايه تعميم دهيم، هر لايه ماتريس وزن W و بردار ورودي X و
بردار خروجي مختص خود را دارد.

v شبكه‏هاي برگشتي (Recurrent)

تفاوت شبكه‏هاي برگشتي يا Recurrent با شبكه‏هاي پيش‏خور در
آن است كه در شبكه‏هاي برگشتي حداقل يك سيگنال برگشتي از يك نرون به همان
نرون يا نرون‏هاي همان لايه يا لايه‏هاي قبل وجود دارد. شبكه‏هاي Recurrent
بهتر مي‏توانند رفتار مربوط به ويژه‏گي‏هاي زماني و پويايي سيستم‏ها را
نشان دهند. در اين نوع شبكه ها كه با توجه به ماهيت پوياي مسئله طراحي
مي‏شوند بعد از مرحله يادگيري شبكه نيز پارامترها تغيير كرده و تصحيح مي
شوند ( به طور مثال در پيش‏بيني ها بعد از گذر زمان مقايسه انجام شده و
پارامترهاي آزاد شبكه تنظيم مي‏شوند) نوع خاصی از شبكه‏هاي برگشت پذير به
شبکه های هاپفيلد (Hopfield Network) موسوم هستند. در شبكه‏هاي هاپفيلد
نرون‏ها نخست توسط ورودي مقدار اولبيه مي‏گيرند و شبكه به گونه‏اي خود را
تكرار مي‏كند كه نتيجه آن همگرايي به سمت الگوي مرجع است. در اين شبكه همه
نرون‏ها شبيه به يكديگر عمل كرده و هيچ كدام از نرون‏ها به عنوان ورودي يا
خروجي از هم متمايز نمي‏شوند. در تشكيل ساختارها يعني تعداد سلول‏هاي عصبي و
لايه‏ها و همچنين شرايط اوليه مسئله بايد دقت نمود كه موارد عملي و پيچيده
به يك يا حتي تعداد بيشتري لايه مخفي ورودي و خروجي و تعداد زيادي وزن
براي عوامل ورودي احتياج دارند. بسياري از ANN هاي تجاري شامل 4 و يا حتي 5
لايه هستند كه هر كدام شامل 10 تا 1000 المان پردازشي هستند. برخي از ANN
ها حاوي ميليون‏ها المان پردازشي هستند.

1. مراحل طراحی شبکه

به طور خلاصه مراحل طراحی يک شبکه عصبی عبارتند از:

v طرح معماری شبکه شامل:

تعيين نوع اتصالات است که ميتواند، اتصال کامل و يا اتصال
جزیی باشد. همچنين برگشت پذیری شبکه بايد بررسی گردد شبکه های feedforward
network معمولا برای محاسبه فرمول های رياضی ساده بدون پويایی بکار گرفته
ميشوند. recurrent network در اغلب مسائل پويا کاربرد دارند.

v تعيين نوع تابع تبديل

v آموزش شبکه: یعنی تنظیم پارامترهای آزاد طراحی مثل وزن اتصالات و ورودیها، وزن ترم بایاس

ب راي يادگيري ابتدا لازم است الگوريتم يادگيري انتخاب شود.
مهمترين عاملي كه بايد به آن توجه نمود به كارگيري يك الگوريتم مناسب براي
آموزش شبكه است. لازم به ذكر است بيش از 100 نوع الگوريتم يادگيري تا كنون
به وجود آمده است كه يك نوع طبقه‏بندي اين انواع توسط Lippman ارائه شده
استكه براساس شكل ورود اطلاعات است و به صورت ذيل مي‏باشد.

الف) الگوريتم‏هاي يادگيري نظارت شده يا با ناظر (Supervised)

در الگوريتم يادگيري با ناظر مجموعه‏اي از زوج‏هاي داده‏ها به
داده‏هاي يادگيري موسوم هستند پس از اعمال ورودي X به شبكه عصبي خروجي
حاصل از شبكه y با مقدار ايده آل مقايسه شده و خطا براي تنظيم پارامتر هاي
شبكه نظير w محاسبه مي‏شود به گونه‏اي كه اگر دفعه بعد به شبكه همان ورودي X
اعمال شود خروجي شبكه به y همگرا شده باشد

ب) الگوريتم‏هاي يادگيري نظارت نشده يا بدون ناظر (UNSupervised)

در يادگيري بدون ناظر يا يادگيري خود سازمان‏ده (Self –
Organized) بردار جواب مطلوب به شبكه اعمال نمي‏شود. در واقع هنگامي كه
تعداد لايه‏ها و نرون‏ها افزايش مي‏يابد كار يادگيري در ا لگوريتم‏هاي با
ناظر بسيار كند پيش‏مي‏رود و اين ايراد اساسي اين دسته از الگوريتم‏هاست .

در الگوريتم‏هاي بدون ناظر جواب بدست آمده در حافظه بلند مدت
ذخيره شده و از همان ابتدا ورودي‏ها دسته‏بندي مي‏شوند و با استفاده از
حافظه مشاركتي بين آنها ارتباط برقرار مي‏شود. يك نوع الگوريتم خود
سازمان‏ده كه توسط كوهنن ابداع شده به صورت ذيل است:

– ابتدا نرون برنده I تعيين مي‏شود

– سپس بردارهاي وزني متناظر با تمامي نرون‏هايي كه در يك همسايگي خاص از نرون برنده قرار دارند طبق فرمول تنظيم ميشوند

– پس از اعمال ورودي X بردارهاي وزن نرون برنده و تمامي
نرون‏هاي همجوار ( همجوار به شعاع d ) به سمت بردار ورودي X حركت خواهند
كرد.

– پس از تعداد زيادي تكرار و ارائه ورودي‏هاي مختلف به شبكه،
نرون‏هاي همجوار، بردارهايي را كه شبيه به هم هستند را ياد خواهند گرفت.

 

2. نرم‏افزارها و سخت افزارهاي شبكه‏هاي عصبي

ANN ها عمدتا به صورت نرم‏افزارهاي كاربردي ارائه مي‏شوند و
همانند هر Application يك ANN مي‏تواند با يك زبان برنامه نويسي يا ابزار
برنامه نويسي و يا هر دو برنامه نويسي شود. قسمت اعظم فعاليت‏هاي برنامه
نويسي به الگوريتم‏هاي آموزشي توابع تبديل و توابع جمع در شبكه هاي عصبي
احتصاص دارد. برخي برنامه هاي نرم‏افزاري نيز وجود دارند كه برايايجاد
استقرار ANN ها مي‏توانند مفيد باشند همانند: Neuralyst , Nnet sheet .
پيشرفت‏هايي كه در تكنولوژي‏هاي مربوط به سخت‏افزاري حاصل شده است از
مزاياي پردازش موازي بزرگ استفاده مي‏كند، به عبارت ديگر عمل پردازش به طور
همزمان در نرون‏ها انجام مي‏شود. براي افزايش سرعت محاسبات، يكي از 4 روش
ذيل را مي‏توان به كاربرد:

¨ كامپيوترهاي عمومي مثل PC ها

¨ پردازشگر هاي موازي IBMSP _2

¨ چيپ‏هاي عصبي، چيپ‏‏هاي خاصي كه توانايي محاسبات خيلي سريعي را دارد و در برد دستگاه نصب مي‏شوند، نظير intel 80 170 NX يا ETANN

¨ بردهاي شتاب دار

3. مزايا و محدوديت هاي شبكه عصبي

× شبكه هاي عصبي توان بالقوه‏اي براي حل مسائلي دارد كه شبيه
سازي آنها از طريق منطقي، تكنيك‏هاي تحليلي سيستم‏هاي خبره و تكنولوژي‏هاي
استاندارد نرم افزاري مشكل است.

× اين تكنيك قادر است در مواقعي كه داده ها در شرايط عدم
اطمينان اعم از آنكه داده‏هافازي باشند ويا به طور ناقص و توام با نويز
دريافت شده باشند جواب منطقي ارائه دهد

× به دليل پيشرفت‏هاي تكنيكي از سرعت پردازش بالايي برخوردار شده است.

× محاسبه‏گرهاي عصبي در مواقعي كه شرايط تغييرميكند بسيار منعطف هستند. همچنين نگهداري آنها بسيار ساده است.

× سيستم‏هاي شبكه‏هاي عصبي قادر به توضيح منطق و قاعده كار
نيستند و اثبات درستي نتايج بسيار دشوار است چرا كه در بسياري از مسائل
وزن‏هاي تعديل شده قابل تفسير نيستند. بنابراين منطقي كه پشت تصميم نهفته
است را نمي‏توان روشن نموده و اثبات كرد.

× محاسبات شبكه‏هاي عصبي معمولا محتاج مقادير زيادي داده براي آموزش و تست مدل است.

× در حالت كلي شبكه‏هاي عصبي براي برخي مسائل كارايي ندارند.
به طور مثال ANN براي حل مسائل و پردازش داده‏ها با روش مستدل مناسب نيست.

4. برخی اهم کاربرد شبكه‏هاي عصبي در مباحث مهندسي صنايع

شبكه‏هاي عصبي هنگامي كاربرد دارند كه قانون شناخته شده‏اي
وجود ندارد به عبارت ديگر هنگامي كه يك دستورالعمل يا روش خاصي براي حل
مسائل وجود دارد ( همانند روش‏هاي مرسوم جبري در حل معادلات يا روش Simplex
) بهترآنست كه همان روش به صورت نرم افزار تهيه شود تا امكان دسترسي
دقيق‏تر به پاسخ صحيح فراهم گردد.بنابراين شبكه‏هاي عصبي توان بالقوه‏اي
براي حل مسائلي دارد كه شبيه‏سازي آنها از طريق منطقي، تكنيك‏هاي تحليلي و
تكنولوژيهاي استاندارد نرم‏افزاري مشكل است. بنابراين در مسائلي كه تعداد
زيادي از عوامل به صورت علت و معلولي به يكديگر وابسته هستند و تشخيص مرز
سيستم براحتي امكان پذير نيست ( همانند سيستم‏هاي پيچيده اقتصادي ، اجتماعي
، پيش‏بيني سري‏هاي زماني مسائل مالي، بيمه و … ) و يا مسائل فني كه
محاسبه يك پارامتر خاص به تعداد عوامل زياد و نامشخص بستگر دارد ( همانند
كنترل بازوي ربات‏ها و … ) شبكه‏هاي عصبي مي‏تواند كاربرد موثر داشته باشد.
در ادامه برخی کاربردهای شبکه عصبی در مهندسی صنايع معرفی ميگردد.

دسته‏بندي و شناسايي الگو

امروزه شبکه های عصبی طراحی شده اند که قادر هستند الگوهای
مختلف را دسته بندی کرده و از يک ديگر تفکيک کنند. از اين توانايي شبکه های
عصبی در شناسايي و دسته بندی نقاط خارج از کنترل در کنترل کيفيت ( (QC و
همچنين شناسايي نقاطی که دارای خود همبستگی هستند بسيار استفاده شده است.

کاربرد شبکه هايي که برای تشخيص الگو طراحی شده اند در
سيستمهای پشتيبان تصميم گيری (DSS) ، آنجا که لازم است نظرات خبرگان از
عامه تفکيک و دسته بندی گردد کاربرد دارد. اينگونه شبکه ها در بسياری ديگر
از تکنيکهای مهندسی صنايع نظير تکنولوژی گروهی (GT) و مباحث دسته بندی
بهينه ماشين آلات کاربرد فراوان دارد.

پيش‏ بيني

هم اکنون بسياری از شبکه های عصبی به گونه ای طراحی و آموزش
داده شده اند که قادر به پيش بينی آينده بر اساس يادگيری و حفظ تجارب گذشته
هستند. شبکه های پيش بينی قيمت نفت، بازار بورس از جمله اين مسائل محسوب
ميشوند. شبکه های پيش بينی کننده بكارگيري وسيعی در مباحث كنترل موجودي،
كنترل كيفيت و برنامه‏ريزي تعميرات دارند. هم اکنون مقلاتی وجود دارد که بر
اساس مدل هاي باکس-جنکينز طراحی و آموزش داده شده اند.

مدل‌سازي و بهينه يابی

این گونه شبکه ها بطور وسيع در مسائل برنامه‏ريزي توليد و OR
کاربرد دارند، شبکه هايي طراحی شده اند که قادر به جستجوی نقطه بهينه
سراسری Global Optimization در زمينه برنامه ريزی های ذيل هستند:

در حالت کلی، یک شبکه عصبی

در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از
نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته
تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل
باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد.
اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها
تشکلیل شده‌اند.

 

 

 

 

کاربردهاي علم عصب شناسي در مديريت تغيير

چکيده:

در دنياي رقابتي و پر تغيير امروزي، ضرورت تغييرات سريع
سازماني يکي از شرايط اساسي موفقيت است. با اين وجود سرعت اين تغييرات، به
دليل مقاومت کارکنان سازمان ها در برابر تغيير کافي نيست و بسياري از
سازمان ها در چنين مواقعي دچار مشکلات بسياري شده اند. يافته هاي اخير علم
عصب شناسي درباره مغز انسان و عملکردهاي آن، چگونگي ايجاد يک تغيير سازماني
موفق را نشان مي دهد. در اين مقاله سعي داريم بر اساس يافته هاي اخير،
راهکارهايي در خصوص چگونگي مديريت موفق تغييرات سازماني ارائه کنيم.

مقدمه
سوالي که مطرح مي شود اين است که چگونه مي
توان در روش کار و رفتار کارکنان يک سازمان تغيير ايجاد کرد؟ در طي دو دهه
گذشته محققان با مطالعه بر روي مغز انسان و فرايندهاي آن به اطلاعات جديدتر
و دقيقتري در رابطه با طبيعت انسان و تغيير رفتارهاي ناشي از يکپارچگي و
يکنواختي رواني او و اثرات علم عصب شناسي در اين زمينه دست يافته اند. در
اين زمينه پيشرفت علوم عصب شناسي و امکان تحليل دقيق فرايندهاي مغزي از
طريق تکنولوژي هاي پيشرفته اي چون موج نگاري عددي مغز و تصويربرداري
کارکردي نوسانات مغناطيس (FMRI) و تصويربرداري انتشار ذرات (PET) امکان
مطالعات دقيق تر را براي محققان فراهم آورده است. اين يافته ها حاکي از آن
است که مغز انسان در برابر تغييرات واکنشهايي از خود نشان مي دهد که اين
امر يکي از دلايل مقاومت در برابر تغييرات است. در اين مقاله با توجه به
يافته هاي دانشمندان علم اعصاب، به بررسي شش برداشت زير در زمينه مديريت
تغييرات سازماني خواهيم پرداخت و در نهايت پيشنهادها و راهکارهايي براي
مواجهه با اين مسائل و مديريت موثر تغييرات سازماني ارائه خواهيم داد.

1. ايجاد تغيير دشوار است.
2. رفتارگرايي موثر نيست.
3. اهميت زيادي به انسان گرايي داده شده است.
4. تمرکز، قدرت است.
5. انتظارات واقعيت را شکل مي دهند.

6. ميزان توجه افراد به مسائل، هويت آنان را شکل مي دهد.

 

مديريت بر تغييرات از طريق يافته هاي علم عصب شناسي

همانطور که بيان شد، سازمانها براي بقا در بازار رقابتي و پر
تغيير امروز نياز به تغييرات مستمر در سياستها و روش کار خود دارند و از
طرفي اصولاّ افراد در برابر تغييرات از خود مقاومت نشان مي دهند. در اين
بخش بر اساس يافته هاي علم عصب شناسي به بررسي شش برداشت در زمينه تغييرات
سازماني خواهيم پرداخت.

 ايجاد تغيير دشوار است: سوالي که بسياري از مديران با آن
مواجهند اين است که “چرا حتي زماني که تغيير به نفع افراد است در برابر آن
مقاومت مي کنند؟”. اصولاً تغيير روش کاري افراد بسيار دشوارتر از تصور است.
تحقيقات اخير در زمينه علم اعصاب، دلايلي را در رابطه با اينکه چرا ايجاد
تغيير دشوار است، نشان مي دهند. دليل اول در رابطه با طبيعت حافظه انسان و
ارتباط آن با آگاهي هوشيارانه افراد است. زماني که افراد با مسائل جديدي
مواجه مي شوند، اصولاً فعاليت حافظه کاري _ فضاي نگهداري مغز که انتظارات و
عقايد در ابتدا با ساير اطلاعات مقايسه مي شوند_ به حداکثر مي رسد. وقتي
شما محصول جديدي را در قفسه يک فروشگاه مي بينيد و مزاياي آن را با محصولي
که در اغلب اوقات از آن استفاده کرده ايد، مقايسه مي کنيد، اين حافظه کاري
شما است که اطلاعات جديد را دريافت مي کند و آن را با اطلاعات قبلي انطباق
مي دهد. اين نوع از حافظه قشر جلوي پيشاني را فعال مي سازد که اين بخش
انرژي زيادي را در خود ذخيره ساخته است.

از طرف ديگر گره هاي قاعده اي مغز در ارتباط با فعاليتهاي
معمول و روزمره، نظير قرار دادن يک محصول خريداري شده در چرخ دستي يک
فروشگاه بدون نياز به تفکر و استفاده از حافظه قبلي، است. اين بخش از مغز
نزديک هسته قرار دارد و مدارهاي عصبي مربوط به عادات بلند مدت و ديرينه در
آنها شکل مي گيرند و نگهداري مي‌شوند. کارکرد اين بخش به انرژي کمتري در
مقايسه با حافظه کاري نياز دارد؛ زيرا اين بخش به طور مشابه ميان رفتارهاي
ساده که از طريق آموزش و تجربه در گره هاي مغزي شکل گرفته اند، ارتباط
برقرار مي کند. اين گره هاي مغزي مي توانند بدون نياز به تفکر آگاهانه تا
حد زيادي کار کنند، ولي حافظه کاري به آساني موجب خستگي انسان مي‌شود و
تنها مقدار محدودي اطلاعات را به صورت همزمان نگهداري مي کند. بنابر اين هر
فعاليتي که به صورت مکرر انجام پذيرد ( تا جايي که به يک عادت تبديل شود‌)
گرايش به انتقال در گره هاي قاعده اي، مرکز عادات مغز، دارد. اين امر باعث
آزاد شدن منابع عملکردي قشر جلوي پيشاني مي‌شود.

دومين دليل سخت بودن تغيير به اصول کارکردي مغز مربوط مي شود.
مغز انسان از ظرفيت بالايي براي شناسايي آنچه دانشمندان علم اعصاب “خطا”
مي نامند، برخوردار است. خطا را مي توان به صورت تفاوت درک شده ميان
انتظارات و واقعيت تعريف کرد. زماني که بين انتظارات و وعده‌هاي داده شده
به انسان و آنچه دريافت مي دارد، اختلاف وجود داشته باشد، مغز انسان از خود
علائم بسيار قوي منتشر مي کند که مقدار زيادي انرژي مصرف مي کنند. اين
علائم در تکنولوژي تصويربرداري به صورت تشعشع خيره کننده نور نشان داده مي
شود. ادموند رولز در دهه 1980 با مطالعه بر روي ميمونها در دانشگاه
آکسفورد، اين موضوع را ثابت کرد. او متوجه شد که بروز خطا در محيط موجب
ايجاد انفجارات شديد در شبکه عصبي مي شود که بسيار قوي تر از انفجارهاي
ناشي از وقايع معمولي است. اين علائم خطا توسط بخشي از مغز توليد مي شود که
قشر پيشين حلقه اي نام دارد. اين بخش در بالاي مردمک چشم قرار داشته و
ارتباط نزديکي با مدار درک ترس مغز دارد که در ساختاري باعنوان هسته بادامي
قرار گرفته است. هسته بادامي و قشر پيشين حلقه اي از جمله قديمي ترين
بخشهاي مغز پستانداران هستند که در بقاياي موجودات تاريخي مشاهده مي شوند.
وقتي اين بخشهاي مغز فعال مي شوند، انرژي سوخت و ساز را از قشر پيشين دور
مي کنند که منجر به افزايش فعاليت ذهني مي شود. قشر پيشين بويژه در انسان
بسيار کامل است و در کليه پستانداران وجود ندارد. با توجه به اين موضوع
علائم تشخيص خطا موجب احساسي و غير ارادي عمل کردن انسان مي شود.

2. رفتارگرايي موثر نيست. بسياري از مدل هاي موجود براي تغيير
در رفتار کارکنان بر گرفته از رشته اي تحت عنوان رفتارگرايي است. اين رشته
در دهه 1930 توسط واتسون پايه گذاري و توسط اسکينر توسعه يافت. اين مکتب
تاثير بسياري از نظريه مشهور پاسخ وضعي ايوان پاولف پذيرفت. پاولف با
آزمايشهايي که بر روي يک سگ انجام داد، با ارتباط دادن صداي يک زنگ با دادن
گوشت به سگ، مقدار بزاق ترشح شده را اندازه گيري و مشاهده کرد که ترشح
بزاق سگ نسبت به صداي زنگ شرطي شده است. اين يافته وي پايه و اساس نظريه
هاي رفتاري يادگيري شد. رفتارگرايان سپس اين مشاهدات را به مردم تعميم
دادند و رويکردي براي تغيير پايه گذاري کردند. مطابق اين نظريه، براي هر يک
از افراد مجموعه اي از مشوقها وجود دارد که بهترين انگيزاننده براي
آنهاست. با فراهم نمودن مشوقهاي صحيح، تغييرات مطلوب به وقوع خواهد پيوست و
چنانچه تغيير ايجاد نشود، بايد ترکيب مشوقها را تعديل و تنظيم کرد.
شواهد بسياري بر اساس تحقيقات باليني و
مشاهدات کاري در دسترس است که نشان مي دهند تغييرات مبتني بر تشويق و تنبيه
در طولاني مدت به ندرت موفق مي شوند. براي مثال وقتي فردي هر روز دير به
سر کار مي آيد ممکن است توسط مدير توبيخ شود. اين عمل ممکن است در کوتاه
مدت ثمربخش باشد، اما تنبيه در طولاني مدت باعث عدم تمرکز فرد بر روي کار
شده و در نتيجه مشکلات اوليه مجدداً پديدار مي شود. ممکن است مدير ديگر،
روش ديگري را در پيش گيرد و به تشويق افراد وقت شناس بپردازد. اين وضعيت
منجر به تشويش و نگراني افرادي که دير سر کار مي آيند مي شود و الگوهاي
عصبي را دچار مشکلات عادتي مي کند. با وجود کليه شواهدي که نشانگر ناکارآمد
بودن اين روش است، مدل رفتارگرايان همچنان الگوي غالب در بسياري از
سازمانهاست و به منظور ايجاد تغييرات توسط مديران به کار گرفته مي شود.

3. اهميت زيادي به انسان گرايي داده شده است. مکتب ديگري که
پس از رفتارگرايي در علم روانشناسي به وجود آمد، مکتب انسان گرايي در دهه
1950 و 1960 بود. اين مکتب که تحت عنوان شخص محوري نيز ناميده مي شود، بر
گرفته از افکار انديشمنداني چون کارل راجرز و آبراهام مازلو است. اين مکتب
معتقد است که عزت نفس، نيازهاي عاطفي و ارزشها عاملي براي ايجاد تغيير
مي‌باشند. مدل عمومي روانشناسان انسان گرا مبتني بر کمک به افراد جهت
دسترسي به توانايي هاي بالقوه خويش از طريق خود شکوفايي ( بارور شدن
ظرفيتها و آرزوهاي پنهاني ) است. با معرفي اين مکتب مشاوران روانشناسي روش
تشويق و تنبيه را کنار گذاشتند و بر همدلي و تلقين مثبت تمرکز کردند. آنها
به مسائل افراد گوش مي دادند و سعي بر درک و ارائه راه حلي جامع براي آنها
داشتند. رويکرد شخص محوري به صورت نظري روش موثري براي يافتن يک راه حل
اثربخش براي حل مشکلات است، اما به ندرت زمان کافي براي انجام اين فرايند
در بين تمام کارکنان وجود دارد و نمي توان رسيدن به نتيجه مطلوب را تضمين
کرد.
خود شکوفايي مي تواند رهبري افراد براي انجام وظايف خويش را ساده
تر کند. همچنين رويکرد انسان گرايي در عمل تاکيد بر متقاعد سازي ( متقاعد
ساختن کارکنان به انجام کار ) دارد. هدف ضمني اين کار، افزايش مشارکت
کارکنان بر اساس اعتماد و سازگاري متقابل و در نهايت متقاعد کردن آنها نسبت
به ارزش يک تغيير است. راهنماهاي آموزشي مديريت عملکرد اغلب مديران را
تشويق به ارائه بازخوردهاي سازنده عملکردي در ارزيابيهاي سالانه مي کند.
اين امر در واقع اشاره به اين سخن دارد که “محترمانه به افراد بگوييد آنها
چه کار اشتباهي انجام مي دهند”. تفکري که به وسيله انسان گرايان ارائه شده
است، داراي مکانيسمي شبيه به رفتارگرايان است. اين رويکرد چنين فرض مي کند
که اگر افراد اطلاعات صحيحي در مورد کارهاي اشتباه خود دريافت کنند و
مشوقهاي صحيح نيز برقرار باشند، آنها به طور خودکار تغيير خواهند يافت.

با اين نگرش مغز انسان مي تواند نظير يک کودک 2 ساله عمل کند:
به او بگوييد چه کاري انجام دهد تا خود را اصلاح کند. اگرچه اين قاعده تا
حدودي اشاره به قانون تعادل حياتي ( حرکت طبيعي هر ساختار به سوي تعادل و
اجتناب از تغيير ) دارد، با اين وجود اين مسئله نشانگر اين حقيقت است که
مغز انسان يک جزء الگوساز با جهت‌گيري ذاتي به سوي ايجاد ارتباطات جديد
است. وقتي افراد خودشان مسئله اي را حل مي کنند، مغز مقدار زيادي هورمون
هاي انتقال دهنده عصبي نظير آدرنالين ترشح مي کند. اين قانون يک مبناي علمي
براي برخي الگوهاي هدايت و رهبري ايجاد کرده است. رهبران اثربخش بيشتر از
اينکه بر ابلاغ و ارائه راه حلها بيانديشند، از طريق ايجاد و طرح پرسشهاي
مقتضي و حمايت از کارکنان سعي در ارائه و اجراي راه حلها توسط خود کارکنان
دارند.
توانايي تغيير رفتار از طريق ايجاد سوال به نظريات سقراط در اين
زمينه باز مي گردد. با اين وجود زماني که روش سقراط توسط يک مقام مسئول در
جهت قانع کردن افراد براي قبول يک راه حل خاص و از پيش تعيين شده به کار
گرفته شود، نتيجه معکوس داده و مطلوب نخواهد بود.

4. تمرکز، قدرت است. برخي از بزرگترين دستاوردهاي علمي و
صنعتي از ترکيب شدن زمينه هاي علمي جداگانه به وجود آمده اند. به عنوان
مثال وقتي دو رشته الکتريسيته و مغناطيس با هم ادغام شدند، رشته
الکترومغناطيس به وجود آمد که با اين رشته انسان موفق به توليد موتورهاي
الکتريک و ژنراتور شد که هر کدام از آنها تاثيرات شگرفي بر صنايع گوناگون
داشتند. با توجه به اين مطلب، براي درک چگونگي هدايت بهتر تغييرات سازماني،
ما به مقايسه و مقابله بين دو رشته عصب شناسي و فيزيک جديد مي پردازيم.

سلول هاي عصبي در بدن انسان از طريق نوعي علائم الکتروشيميايي
با يکديگر ارتباط برقرار مي سازند که اين علائم از طريق جابه‌جايي يون
هايي نظير سديم، پتاسيم و کلسيم هدايت مي شوند. اين يون ها از طريق کانال
هايي در درون مغز انتقال مي يابند که در باريک ترين نقاط کمي بيشتر از يون
ها پهنا دارند. اين نشان مي دهد که مغز يک محيط کوانتومي است. يکي از اين
قوانين اثر تمرکز کوانتوم (QZE) است. اين اثر در سال 1977 توسط يک فيزيکدان
به نام جورج سودارشان در دانشگاه تگزاس در شهر آئوستين ارائه شد و توسط
آزمايشهاي متعدد ديگر مورد تائيد قرار گرفت. اثر تمرکز اشاره به اثر
مشاهده‌گر کوانتوم دارد که بر اساس آن رفتار و موقعيت هر موجوديت اتمي،
نظير يک اتم، الکترون يا يون زماني که در حال مشاهده باشد، تغيير مي يابد.
اين موضوع در واقع بر گرفته از طبيعت احتمالي اين موجوديتهاست. قوانين
کوانتوم که رفتار مشاهده شده ذرات اتمي و کليه سيستم هاي بزرگتر که توسط
اين اجزا ساخته شده اند را پوشش مي دهد، تحت عنوان امواج احتمالات بيان مي
شوند که با شيوه‌هاي گوناگون توسط مشاهدات انجام شده بر روي سيستم ها تحت
تاثير قرار گرفته‌اند. در اثر تمرکز، زماني که هر سيستمي با سرعت کافي و به
صورت تکراري مورد مشاهده قرار گيرد، نرخ تغييرات آن سيستم کاهش خواهد
يافت. در مقاله اي که سال 2005 توسط هنري استاپ و جفري شوارتز منتشر شد،
آنها بين اثر تمرکز و آنچه در صورت توجه نزديک به يک تجربه ذهني اتفاق مي
افتد، ارتباط برقرار کردند. با توجه به علم عصب شناسي، اثر تمرکز بيان مي
دارد که عمل ذهني تمرکز کردن، باعث ايستا شدن مدارات مغزي مرتبط مي شود. با
توجه به تجربيات ذهني شما، چنانچه يک فکر، بينش، يک تصوير در ذهن، يا يک
ترس ذهن شما را به خود مشغول سازد، مغز شما را در رابطه با آن تجربه فعال
مي‌سازد. با گذشت زمان، توجه کافي به هر ارتباط مغزي، مدارات مربوط را به
طور خود خواسته فعال مي سازد. درنهايت اين مدارات نه تنها ارتباطات شيميايي
را برقرار مي سازند، بلکه موجب تغييرات فيزيکي و پايدار در ساختار مغز مي
شوند.

دانشمندان شناختي ( يکي از مکاتب روانشناسي ) براي ساليان
طولاني معتقد بودند که مغز قادر به ايجاد تغييرات مشخص داخلي در پاسخ به
تغييرات محيطي است. امروزه علاوه بر موضوع فوق مي دانيم که تمرکز افراد بر
روي مسائل مي تواند زمينه تغيير در مغز را فراهم آورد و بنابراين مي توان
چنين بيان نمود که قدرت در تمرکز است. توجه مستمر باعث تغيير شکل الگوهاي
مغزي مي شود. بر اساس اين موضوع مي توان چنين بيان داشت: افرادي که هر روز
بر روي يک موضوع خاص تمرين دارند، از طريق مجموعه اي از ارتباطات ذهني، به
طور متفاوتي نسبت به ساير افرادي که چنين تمريناتي ندارند، فکر مي کنند. در
زمينه کسب و کار، افراد حرفه اي در زمينه هاي مختلف، نظير مالي، عمليات
توليد، قانوني، تحقيق و توسعه، بازاريابي، طراحي و منابع انساني، داراي
تفاوتهاي فيزيولوژيک نسبت به ديگران هستند که باعث نگرش متفاوت آنها به
مسائل مختلف مي شود.

5. انتظارات واقعيت را شکل مي دهند. دانشمندان شناختي دريافته
اند که ذهنيت ها، نظريه ها، انتظارات و گرايشهاي افراد، نقش بسيار مهمي در
ادراک افراد ايفا مي نمايد. اين مسئله بخوبي توسط اثر دارونما ( تلقين )
نشان داده مي شود. بنابر يافته هاي اين دانشمندان، با وجود اينکه براي
بسياري از مراجعان مراکز درماني تنها از يک قرص بي اثر شکر استفاده کرده
است، به طور منظم احساس بهبودي و کاهش درد کرده اند. مطالعه اي در سال 2005
توسط رابرت سي کوئهيل و ديگران نشان داد که “انتظار کاهش درد باعث کاهش
ميزان درد ( به ميزان 28.4% ) مي شود که ناشي از مقدار معيني از هورمون ضد
درد مورفين است”. دونالد پرايز از دانشگاه فلوريدا نشان داد که انتظارات
ذهني از تسکين درد باعث تغيير در احساس درد مي شود. عمقي ترين مراکز درد در
مغز تغييرات نظام يافته اي در راستاي ميزان درد تجربه شده از خود نشان مي
دهند. دو تن از محققان به نامهاي پرايز و شوهارتز اخيراً مطالعاتي در زمينه
تشريح اين يافته ها بر اساس اثر تمرکز کوانتوم انجام داده اند. انتظار مغز
از تسکين درد باعث تمرکز توجه فرد بر تجربه تسکين درد مي شود، به طوري که
مدارات تسکين درد مغز فعال و باعث کاهش احساس درد مي شود.

اين حقيقت که انتظارات آگاهانه يا بر گرفته از گذشته ما نقش
مهمي در ادراکات دارند، کاربردهاي بسياري دارد. دو نفر که در يک مرکز تلفن
خدمات مشتريان کار مي کنند، مي توانند ذهنيت متفاوتي درباره مشتريان مشابه
در ذهن داشته باشند. يکي از آنها مشتريان را به صورت کودکان مزاحم در نظر
مي گيرد و تنها به شکايات آنها گوش مي دهد و به دنبال آرام کردن آنهاست.
کارمند ديگر مشتريان را به صورت افرادي حرفه اي، با هوش و پر کار در نظر مي
گيرد و به شکايات آنها به عنوان پيشنهادهاي ارزشمند براي بهبود گوش مي
دهد. با توجه به اين موضوع يک مدير چگونه مي تواند تغييرات را تسهيل کند؟
با توجه به تاثير ذهنيت بر عملکرد افراد، يک راه براي شروع اين است که
افراد موضوع تغيير را در ذهن مرور کنند. ايجاد تغييرات اساسي در رفتار
افراد مستلزم تغيير در ذهنيت افراد است. براي ايجاد تغيير در افراد بايد
انگيزه کافي را در آنها ايجاد کرد تا انتظارات و حالات خود را سريعتر و
عميقتر از حالت عادي تغيير دهند. در تحقيقاتي که اخيراً توسط مارک يانگ
بيمن و سايرين انجام شده است، از تکنولوژي هاي تصوير برداري مغزي نظير براي
مطالعه روي فرايند ادراک استفاده شده است. يکي از نتايج اين تحقيق نشان مي
دهد که فرايند ادراک باعث ايجاد نوساناتي با تناوب 40 هرتز در مغز مي شود.
اين نوسانات قادر به ايجاد ارتباط بين قسمتهاي مختلف مغز هستند. در مطالعه
ديگري مشاهده شده است که در اين حالت، برآمدگيهاي چين خورده گيجگاهي در
قسمت فوقاني سمت راست مغز فعال مي شوند. فعاليتهاي اين بخش از مغز شامل
دريافت و پردازش موسيقي، روابط ساختاري و فضايي و ديگر جنبه هاي پيچيده
محيطي است. اين يافته‌ها نشان مي دهند که در فرايند ادراک، مجموعه اي
پيچيده از ارتباطات جديد به وجود مي آيد. اين ارتباطات داراي پتانسيلي براي
تقويت منابع مغزي و غلبه بر مقاومت مغز در برابر تغيير هستند. اما براي
رسيدن به اين نتايج و با در نظر گرفتن محدوديت حافظه کاري مغز، ما نيازمند
يک تلاش سنجيده، جهت جا انداختن يک بينش با توجه کافي به آن هستيم.

اين موضوع نشان مي دهد که چرا به منظور موفقيت در برنامه هاي
تغيير، کارکنان بايد آن را دروني کنند. منشي خط تلفن که مشتريان را به صورت
کودکان مزاحم در نظر مي گيرد، بدون مرور و بازنگري در بينش خود نمي تواند
ذهنيت خود را نسبت به مشتريان تغيير دهد. رهبراني که مي خواهند روش فکر و
رفتار کارکنان خود را تغيير دهند بايد چگونگي درک، تشويق و تعميق بينش تيم
هاي خود را بياموزند.

6. ميزان توجه افراد، شخصيت آنها را شکل مي دهد. اگر مي
خواهيم بينش افراد تاثير مثبتي بر عملکرد آنها داشته باشد، بايد اين بينش
درون آنها ايجاد شده باشد نه اينکه به عنوان نتيجه پاياني يک کار به آنها
رسيده باشد. اين موضوع به چند دليل صحيح است. اولاً درگير بودن افراد در
فرايند درک يک موضوع و تبديل آن به بينش باعث مي‌شود تا ميزان هورمون هايي
نظير آدرنالين در انسان افزايش يابد. بنابر اين فرايند درک و تعميق بينش يک
تجربه مثبت و انرژي زا براي افراد است. اين افزايش انرژي مي‌تواند بر روي
تسهيل کردن تغييرات متمرکز شود. اين نيرو مي‌تواند به مقابله با نيروهاي
دروني ( و بيروني )، نظير احساس ترس در هسته‌هاي بادامي، که منجر به مقاومت
در برابر تغيير مي شوند، کمک کند.

ثانياً، شبکه هاي عصبي لحظه به لحظه تحت تاثير ژن ها، تجارب و
الگوهاي متفاوتي هستند که مورد توجه افراد قرار مي گيرد. اگرچه کليه افراد
داراي برخي عملکردهاي مشابه هستند، بنابراين هر فردي ساختار مغزي منحصر به
فردي دارد. با توجه به پيچيدگي و منحصر به فرد بودن ساختار مغزي انسان، در
اين مقاله نمي توان درباره چگونگي تغيير در تفکر افراد بحث کرد. با اين
وجود کمک به افراد در شناسايي استعدادها و تواناييهاي دروني‌شان بسيار کارا
و اثربخش خواهد بود. انجام اين کار به خويشتن نگري نياز دارد. آدام اسميت
در اثر برجسته خود، نظريه احساسات معنوي، اين موضوع را به صورت “تماشاگران
دروني رفتار” معرفي مي کند.

اصطلاح ميزان توجه بيشتر براي تعريف ميزان توجه صرف شده بر
روي يک تجربه ذهني در يک زمان خاص به کار مي رود. تمرکز بيشتر بر روي يک
ايده يا تجربه ذهني نشانگر توجه بيشتر به آن است. در واژگان فيزيک کوانتوم،
ميزان توجه موجب فعال شدن اثر تمرکز شده و باعث مي شود تا مدارات جديد
مغزي تثبيت و توسعه يابند. با صرف توجه کافي، افکار و اعمال مغزي انسان
بخشي جدايي ناپذير از شخصيت او مي شوند: او کيست، چگونه دنيا را درک مي کند
و مغز او چگونه فعاليت مي کند؟ دانشمندان علم اعصاب از اصطلاح شکل پذيري
خود خواسته اعصاب براي توصيف اين موضوع استفاده مي کنند. شايد شما تجربه
رفتن به يک برنامه آموزشي و آشنايي با شيوه هاي نوين تفکر را داشته باشيد،
ولي پس از مدتي نتوانيد اين شيوه ها را به ياد آوريد. سوالي که مطرح مي شود
اين است که آيا ايده هاي مطرح شده در کلاس مناسب نبوده اند و يا شما توجه
کافي را به آنها نداشته ايد؟ در تحقيقي که توسط جرالد اليور، دنيس بين و
ريچارد کوپلمان در سال 1997 در کالج باروش انجام شد، محققان دريافتند که يک
برنامه آموزشي به تنهايي باعث ارتقاي بهره وري به ميزان 28 درصد مي شود،
در حالي که با هدايت و پيگيري اين برنامه در عمل، بهره وري به ميزان 88
درصد افزايش مي‌يابد.

جمع بندي : تغيير موثر در عمل

با توجه به مطالب فوق، اين سوال مطرح مي شود که رهبران چگونه
مي توانند تغييرات مورد نظر را در رفتارهاي خود و ساير کارکنان ايجاد کنند؟
براي اين کار مديران بايد با ترک رفتارهايي که در گذشته مشکل ساز بوده
اند، شروع کنند و به شناسايي و ايجاد رفتارهاي جديد بپردازند. با گذشت زمان
اين کار مي تواند خط سير غالب را در مغز افراد شکل دهد. اين کار با ايجاد
سوالاتي در ذهن افراد، ايجاد تغييرات را تسهيل کرده و نيازي به رويکردهايي
نظير نصيحت، تشويق و تنبيه ندارد. در دنيايي که افراد مشغله هاي بسياري
دارند و الگوهاي ذهني بالقوه در هر لحظه ايجاد مي شوند، يک چالش بزرگ امکان
تمرکز کافي بر مسائل خاص توسط افراد است. رهبران مي توانند از طريق
يادآوري و تمرکز بر تواناييهاي ذهني کارکنان، تغييرات بزرگي را ايجاد کنند.
رفتارگرايان اين نوع يادآوري و تذکر را تحت عنوان “بازخورد مثبت” مي نا


داده کاوی چیست؟

  • داده کاوی یعنی استخراج اطلاعات گرانبها از حجم عظیم معادن داده ها.
  • داده کاوی دو راهکار مشخص ارائه می کند:

    ارائه گزارشات مستند برای حل مشکلات کسب و کار شما؛
    ارائه راهکار نرم افزاری با طراحی سیستم پشتیبان تصمیم گیری

  • داده کاوی تصمیمات زیانده را کم می کند:

    در فضای شفاف نمی توانید احساسی تصمیم بگیرید؛
    و با علم به گذشته می دانید کدام تصمیمات زیانده بوده اند.

  • فلسفه ی داده کاوی این است که
    با شناخت درست از گذشته، آینده را می توان پیش بینی کرد.

تعریف داده کاوی

داده کاوی یعنی
استخراج اطلاعات گرانبها
از حجم عظیم معادن داده ها.

وظیفه ی داده کاوی، کاویدن و استخراج از منابع عظیم داده است تا
اطلاعات گرانبهایی که در حجم انبوهی از اطلاعات سطحی پنهان شده است را
استخراج کند.

«داده کاوی» ترجمه ی عبارت «Data Mining» و به معنای «کاویدن معادن داده» است.

تفاوت اصلی داده کاوی و علم آمار، در حجم داده های مورد تحلیل، روش مدلسازی داده ها و استفاده از هوش مصنوعی است.

داده کاوی چگونه کار می کند؟

داده کاوی
دو راهکار مشخص ارائه می کند:

  • ارائه گزارشات مستند
    برای حل مشکلات کسب و کار شما؛
  • ارائه راهکار نرم افزاری
    با طراحی سیستم پشتیبان تصمیم گیری

فرآیند داده کاوی در استاندارد «کریسپ دی ام» در طول شش مرحله اجرا می شود.

در ابتدای فرایند داده کاوی، مشکلات شرکت یا سازمان شما پیدا خواهد
شد و در پایان با کمک هوش مصنوعی، راهکارهایی برای حل آن مشکلات در اختیار
شما قرار خواهد گرفت.

پس از یافتن مشکلات در ابتدای فرایند داده کاوی، اطلاعات ریز ثبت شده در شرکت یا خط تولید شما دریافت می شود.

بر اساس این اطلاعات، مکانیزم های مرتبط در کسب و کار شما مدلسازی
کامپیوتری می شود و سپس با کمک متدهای «یادگیری ماشین» راه حل هایی برای از
بین بردن مشکلات شرکت شما در چارچوب گزارشات مستند و نرم افزار رایانه ای
در اختیار شما قرار می گیرد.

داده کاوی سودآور است

داده کاوی
تصمیمات زیانده را کم می کند:

  • در فضای شفاف
    نمی توانید احساسی تصمیم بگیرید؛
  • و با علم به گذشته
    می دانید کدام تصمیمات زیانده بوده اند.

داده کاوی به دو دلیل سودآور است:

  1. داده کاوی منجر به تصمیمات واقع بینانه می شود.
  2. داده کاوی منجر به تکرار تصمیمات سودآور اتفاق افتاده در گذشته می شود.

با داده کاوی شما مجبور می شوید تصمیمات احساسی را فراموش کنید و بر
اساس واقعیت ها تصمیم بگیرید. بنابراین ضرر های ناشی از نا آگاهی مدیران
حذف می شود.

داده کاوی همچنین فضای سال های گذشته ی شرکت شما را بازبینی می کند و
در نهایت نشان می دهد کدام تصمیمات منجر به سود شده است در حالی که شما از
آن ها بی خبر هستید.

پیش بینی با داده کاوی

فلسفه ی داده کاوی این است که
با شناخت درست از گذشته، آینده را می توان پیش بینی کرد.

فلسفه ی داده کاوی این است که آینده بسیار به گذشته شبیه است. اگر گذشته را خوب بشناسید می توانید آینده را پیش بینی کنید.

داده کاوی به شما کمک می کند تا رفتار کسب و کار خود را در گذشته دقیقن بشناسید و بر اساس آن آینده را با تقریب بالا پیش بینی کنید.

به عنوان مثال داده کاوی به شما کمک می کند تا حداقل دو مورد اساسی را در بخش فروش کسب و کار خود پیش بینی کنید:

  1. پیش بینی نیاز های یک مشتری خاص در آینده و در نتیجه حفظ آن مشتری
  2. پیش بینی نیاز بازار در زمان ها و مناطق مختلف و در نتیجه ساماندهی نظام توزیع برای آنها



دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Back To Top