پایان نامه
شتاب‌بخشی به فرآیند طراحی با بهره‌گیری از پردازش زبان طبیعی و یادگیری ماشین برای ارزیابی و پالایش هوشمند ایده‌ها

چکیده

فرآیند طراحی محصولات، سامانه‌ها و برنامه‌های نوآورانه همواره با تولید حجم زیادی از ایده‌ها همراه است، اما یکی از مهم‌ترین چالش‌های این فرآیند، ارزیابی، غربالگری و انتخاب ایده‌های ارزشمند از میان انبوه پیشنهادهاست. هرچه تعداد ایده‌ها افزایش می‌یابد، نیاز به حضور متخصصان برای بررسی و ارزیابی آن‌ها نیز بیشتر شده و در نتیجه زمان، هزینه و نیروی انسانی موردنیاز به شکل چشمگیری افزایش پیدا می‌کند. این مسئله به یکی از گلوگاه‌های اصلی فرآیند طراحی در بسیاری از حوزه‌ها از جمله طراحی مهندسی، توسعه محصولات، کارآفرینی، تدوین سیاست‌های مبتنی بر شواهد و حتی مرور منابع علمی تبدیل شده است. پایان‌نامه حاضر با تمرکز بر این چالش، به بررسی نقش فناوری پردازش زبان طبیعی (Natural Language Processing یا NLP) و یادگیری ماشین در خودکارسازی فرآیند فیلتر کردن ایده‌ها و در نهایت تسریع فرآیند طراحی می‌پردازد.

ریشه این مسئله به سال‌ها استفاده از روش‌های سنتی ارزیابی ایده بازمی‌گردد. در اغلب پروژه‌های طراحی، متخصصان باید هزاران ایده یا سند متنی را به‌صورت دستی بررسی کنند تا بتوانند نمونه‌های خلاقانه، نوآورانه، کاربردی یا مرتبط را شناسایی کنند. این فرآیند علاوه بر زمان‌بر بودن، وابستگی زیادی به قضاوت ذهنی افراد خبره دارد و در بسیاری از موارد نتایج ارزیابی نیز تحت تأثیر تجربه، دیدگاه و برداشت شخصی ارزیابان قرار می‌گیرد. علاوه بر این، افزایش روزافزون حجم داده‌های متنی و رشد سریع تولید اطلاعات باعث شده است که روش‌های سنتی دیگر پاسخگوی نیازهای فعلی نباشند. ازاین‌رو، توسعه روش‌هایی که بتوانند با دقت مناسب و حداقل نیاز به دخالت انسان، فرآیند ارزیابی و انتخاب ایده‌ها را انجام دهند، به یکی از موضوعات مهم تحقیقات حوزه مهندسی طراحی و هوش مصنوعی تبدیل شده است.

هدف اصلی این پایان‌نامه ارائه رویکردی هوشمند برای استفاده از مدل‌های پردازش زبان طبیعی به‌منظور خودکارسازی فرآیند غربالگری ایده‌ها و کاهش بار کاری متخصصان است. نویسنده تلاش کرده است نشان دهد که اطلاعات موجود در توصیفات متنی ایده‌ها می‌تواند توسط مدل‌های یادگیری ماشین تحلیل شده و بسیاری از معیارهایی که تاکنون تنها توسط متخصصان قابل ارزیابی بودند، به‌صورت خودکار پیش‌بینی شوند. این موضوع علاوه بر افزایش سرعت تصمیم‌گیری، هزینه‌های ارزیابی را نیز کاهش داده و امکان بررسی حجم بسیار بزرگی از ایده‌ها را فراهم می‌کند.

در نخستین بخش تحقیق، مسئله ارزیابی خلاقیت ایده‌های طراحی مورد بررسی قرار گرفته است. در روش‌های متداول، ارزیابی خلاقیت معمولاً با استفاده از متخصصان و روش CAT انجام می‌شود که اگرچه دقت بالایی دارد، اما بسیار پرهزینه و زمان‌بر است. در مقابل، روش SVS اطلاعات بیشتری از ویژگی‌های طراحی در اختیار قرار می‌دهد اما دقت آن پایین‌تر است. پژوهش حاضر تلاش می‌کند با استفاده از یادگیری ماشین، ارتباط میان داده‌های حاصل از روش SVS و ارزیابی‌های متخصصان را استخراج کرده و مدلی ایجاد کند که بتواند امتیازهای تخصصی را تنها بر اساس داده‌های متنی و اطلاعات اولیه طراحی پیش‌بینی کند. برای این منظور، اطلاعات طراحی و پاسخ‌های متنی به نمایش‌های برداری تبدیل شده و با استفاده از مدل‌های پردازش زبان طبیعی مورد تحلیل قرار گرفته‌اند.

در این بخش، پژوهش از مدل Universal Sentence Encoder برای استخراج نمایش معنایی متون استفاده می‌کند تا ارتباط‌های مفهومی میان کلمات و جملات حفظ شود. سپس داده‌های استخراج‌شده به مدل‌های مختلف رگرسیون شامل رگرسیون خطی، Gradient Boosting و Random Forest داده شده‌اند تا معیارهایی مانند سودمندی، ظرافت طراحی، کیفیت ترسیم، یکتایی و خلاقیت پیش‌بینی شوند. نتایج نشان می‌دهد که استفاده از نمایش‌های متنی مبتنی بر پردازش زبان طبیعی نسبت به نمایش‌های سنتی مبتنی بر ویژگی‌های عددی، دقت پیش‌بینی را بهبود می‌بخشد و به‌ویژه در معیارهایی مانند سودمندی و ظرافت طراحی عملکرد مناسب‌تری ارائه می‌دهد.

بخش دوم پایان‌نامه به یکی دیگر از کاربردهای مهم پردازش زبان طبیعی یعنی غربالگری منابع علمی برای طراحی سیاست‌ها و برنامه‌های مبتنی بر شواهد اختصاص یافته است. در بسیاری از پروژه‌های توسعه‌ای و پژوهشی، پژوهشگران ناچارند هزاران مقاله علمی را بررسی کنند تا اسناد مرتبط را شناسایی نمایند. این فرآیند معمولاً ماه‌ها زمان نیاز دارد و بخش زیادی از انرژی متخصصان صرف حذف مقالات نامرتبط می‌شود. نویسنده با استفاده از مدل‌های مبتنی بر Transformer تلاش کرده است این فرآیند را خودکار کند.

در این قسمت، سه مدل مختلف شامل Universal Sentence Encoder، مدل تنظیم‌شده BERT و مدل ترکیبی BERT مورد ارزیابی قرار گرفته‌اند. نتایج نشان می‌دهد که مدل‌های مبتنی بر BERT نسبت به مدل‌های قدیمی‌تر عملکرد بهتری دارند و مدل ترکیبی BERT توانسته است بالاترین دقت طبقه‌بندی را با حدود ۷۹ درصد به دست آورد. همچنین مشخص شده است که افزایش حجم داده‌های آموزشی باعث افزایش دقت مدل می‌شود، اما این افزایش به‌صورت خطی نیست و پس از رسیدن به حجم مشخصی از داده، میزان بهبود عملکرد کاهش پیدا می‌کند. این یافته‌ها به تصمیم‌گیرندگان کمک می‌کند تا میان هزینه برچسب‌گذاری داده‌ها و دقت مدل تعادل مناسبی برقرار کنند.

در ادامه، پژوهش به یکی از مشکلات مهم آموزش مدل‌های یادگیری ماشین یعنی نیاز به داده‌های برچسب‌گذاری‌شده توسط متخصصان می‌پردازد. تهیه این داده‌ها معمولاً بسیار پرهزینه و زمان‌بر است و در بسیاری از مسائل مهندسی نیز تعداد نمونه‌های مثبت بسیار کمتر از نمونه‌های منفی است که باعث ایجاد عدم تعادل در داده‌ها می‌شود. برای حل این مشکل، پایان‌نامه از مفهوم یادگیری فعال (Active Learning) استفاده می‌کند. در این روش، مدل یادگیری ماشین به‌صورت هوشمند نمونه‌هایی را برای برچسب‌گذاری انتخاب می‌کند که بیشترین تأثیر را در بهبود عملکرد مدل دارند و بدین ترتیب تعداد نمونه‌های موردنیاز کاهش می‌یابد.

نتایج آزمایش‌های انجام‌شده نشان می‌دهد که استفاده از یادگیری فعال علاوه بر کاهش تعداد داده‌های موردنیاز، باعث افزایش مقدار معیار F1 و ایجاد مجموعه داده متوازن‌تر نیز می‌شود. همچنین مشخص شده است که انتخاب هوشمند داده‌ها نسبت به انتخاب تصادفی عملکرد بسیار بهتری دارد و می‌تواند با تعداد بسیار کمتری از نمونه‌های برچسب‌گذاری‌شده، به دقت مشابه یا حتی بالاتر دست پیدا کند. این موضوع نقش مهمی در کاهش هزینه‌های استفاده از متخصصان و افزایش بهره‌وری سیستم‌های پردازش زبان طبیعی ایفا می‌کند.

یکی دیگر از دستاوردهای مهم این پایان‌نامه، اثبات قابلیت استفاده از نمایش‌های معنایی متون در تحلیل ایده‌های طراحی است. برخلاف روش‌های سنتی که هر ویژگی را به‌صورت مستقل بررسی می‌کنند، مدل‌های مبتنی بر NLP قادرند ارتباط‌های مفهومی میان واژه‌ها و ایده‌ها را نیز در نظر بگیرند. همین موضوع باعث می‌شود مدل بتواند شباهت‌های معنایی میان طرح‌های مختلف را بهتر تشخیص داده و پیش‌بینی دقیق‌تری از کیفیت و خلاقیت آن‌ها ارائه دهد.

در مجموع، این پایان‌نامه نشان می‌دهد که فناوری پردازش زبان طبیعی می‌تواند نقش مؤثری در تسریع فرآیند طراحی، کاهش هزینه‌های ارزیابی، افزایش سرعت غربالگری ایده‌ها و کاهش وابستگی به متخصصان ایفا کند. استفاده از مدل‌های پیشرفته یادگیری ماشین، مدل‌های Transformer و روش‌های یادگیری فعال امکان ایجاد سامانه‌های هوشمند ارزیابی ایده را فراهم کرده است که نه‌تنها در طراحی مهندسی، بلکه در حوزه‌هایی مانند کارآفرینی، تحلیل اسناد، سیاست‌گذاری مبتنی بر شواهد، مرور منابع علمی و مدیریت نوآوری نیز قابل استفاده هستند. یافته‌های این پژوهش نشان می‌دهد که ترکیب پردازش زبان طبیعی، یادگیری ماشین و یادگیری فعال می‌تواند مسیر توسعه نسل جدید سامانه‌های پشتیبان تصمیم را هموار کرده و آینده فرآیندهای طراحی و ارزیابی ایده‌ها را به سمت هوشمندسازی کامل سوق دهد.