انواع هوش مصنوعی چیست؟

هوش مصنوعی (AI) در سال‌های اخیر به یک کلمه رایج تبدیل شده است، اما دقیقا به چه معناست؟ در هسته خود، هوش مصنوعی به توانایی ماشین‌ها برای انجام وظایفی اشاره دارد که معمولاً به هوش انسانی نیاز دارند.

یکی از اجزای کلیدی هوش مصنوعی، یادگیری ماشینی است که به ماشین‌ها اجازه می‌دهد از داده‌ها یاد بگیرند و عملکرد خود را در طول زمان بهبود بخشند.

یادگیری ماشینی Machine learning

یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که بر توسعه الگوریتم‌ها و مدل‌هایی تمرکز دارد که ماشین‌ها را قادر می‌سازد بدون برنامه‌ریزی صریح یاد بگیرند و پیش‌بینی یا تصمیم بگیرند.

به عبارت دیگر، ماشین ها می توانند از تجربه یاد بگیرند و رفتار خود را بر اساس آن تنظیم کنند. این توانایی یادگیری و سازگاری چیزی است که یادگیری ماشین را از برنامه نویسی سنتی متمایز می کند.

چندین نوع الگوریتم یادگیری ماشین وجود دارد که هر کدام نقاط قوت و ضعف خاص خود را دارند.

یادگیری تحت نظارت Supervised learning

یکی از رایج‌ترین انواع، یادگیری تحت نظارت است که در آن ماشین بر روی یک مجموعه داده برچسب‌گذاری شده آموزش داده می‌شود.

مجموعه داده برچسب‌گذاری‌شده شامل داده‌های ورودی و داده‌های خروجی مربوطه است که به ماشین اجازه می‌دهد رابطه بین این دو را بیاموزد.

پس از آموزش، دستگاه می تواند پیش بینی یا تصمیم گیری در مورد داده های جدید و نادیده بگیرد.

یادگیری بدون نظارت Unsupervised learning

نوع دیگری از یادگیری ماشینی، یادگیری بدون نظارت است، که در آن یک مجموعه داده بدون برچسب به ماشین داده می شود و وظیفه یافتن الگوها یا ساختارهای درون داده ها را بر عهده دارد.

برخلاف یادگیری تحت نظارت، یادگیری بدون نظارت خروجی خاصی برای پیش بینی ندارد.

در عوض، ماشین یاد می گیرد که نقاط داده مشابه را با هم گروه بندی کند یا ناهنجاری ها را در داده ها شناسایی کند.

یادگیری تقویتی Reinforcement learning

یادگیری تقویتی نوع دیگری از یادگیری ماشینی است که شامل تعامل یک عامل با یک محیط و یادگیری از بازخورد دریافتی آن است.

عامل اقداماتی را در محیط انجام می دهد و بر اساس عملکرد خود پاداش یا جریمه دریافت می کند.

با گذشت زمان، نماینده یاد می گیرد که اقداماتی را انجام دهد که پاداش خود را به حداکثر می رساند و مجازات های خود را به حداقل می رساند.

یادگیری عمیق Deep learning

یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که بر شبکه های عصبی تمرکز دارد که از ساختار و عملکرد مغز انسان الهام گرفته شده است.

شبکه های عصبی از لایه های به هم پیوسته نورون های مصنوعی تشکیل شده اند که اطلاعات را پردازش و انتقال می دهند.

یادگیری عمیق در سال های اخیر به دلیل توانایی آن در مدیریت حجم زیادی از داده ها و حل مشکلات پیچیده مانند تشخیص تصویر و گفتار محبوبیت پیدا کرده است.

در حالی که یادگیری ماشین ابزار قدرتمندی است، اما بدون محدودیت نیست.

یکی از چالش‌های اصلی، نیاز به حجم زیادی از داده‌های با کیفیت بالا برای آموزش موثر مدل‌ها است. بدون داده های کافی، مدل ها ممکن است نتوانند به خوبی به داده های جدید و دیده نشده تعمیم دهند.

علاوه بر این، مدل‌های یادگیری ماشینی می‌توانند مستعد سوگیری‌های موجود در داده‌های آموزشی باشند که منجر به نتایج ناعادلانه یا تبعیض‌آمیز می‌شود.

با وجود این چالش ها، یادگیری ماشینی پیشرفت های قابل توجهی در زمینه های مختلف از جمله مراقبت های بهداشتی، مالی و حمل و نقل داشته است.

این پتانسیل را دارد که صنایع را متحول کند و زندگی روزمره ما را بهبود بخشد.

همانطور که فناوری به پیشرفت خود ادامه می دهد، قابلیت های هوش مصنوعی و یادگیری ماشین نیز افزایش می یابد.

در نتیجه، یادگیری ماشینی جزء اصلی هوش مصنوعی است که ماشین‌ها را قادر می‌سازد از داده‌ها یاد بگیرند و عملکرد خود را در طول زمان بهبود بخشند.

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد، از جمله یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری تقویتی و یادگیری عمیق.

هر نوع دارای نقاط قوت و ضعف خاص خود است، اما همه به پیشرفت هوش مصنوعی کمک می کنند.

در حالی که چالش هایی برای غلبه بر وجود دارد، پتانسیل یادگیری ماشینی برای تغییر صنایع و بهبود زندگی ما غیرقابل انکار است.

سیستم های خبره: درک هوش مصنوعی مبتنی بر قانون

هوش مصنوعی (AI) یک زمینه به سرعت در حال توسعه است که پتانسیل ایجاد انقلاب در صنایع مختلف را دارد.

یکی از انواع هوش مصنوعی که توجه زیادی را به خود جلب کرده است، سیستم های خبره Expert systems است که به عنوان هوش مصنوعی مبتنی بر قانون نیز شناخته می شود.

سیستم های خبره Expert systems

سیستم های خبره برای تقلید از توانایی های تصمیم گیری متخصصان انسانی در حوزه های خاص طراحی شده اند.

سیستم های خبره بر اساس مجموعه ای از قوانین یا پایگاه دانش ساخته شده اند که توسط متخصصان انسانی در یک زمینه خاص ایجاد می شود.

سپس این قوانین توسط سیستم هوش مصنوعی برای تصمیم گیری یا ارائه توصیه هایی بر اساس ورودی هایی که دریافت می کند استفاده می شود.

پایگاه دانش معمولاً از طریق فرآیندی به نام مهندسی دانش ایجاد می شود که در آن متخصصان در این زمینه تخصص و بینش خود را ارائه می دهند.

مزیت اصلی سیستم های خبره توانایی آنها در مدیریت وظایف تصمیم گیری پیچیده است.

آنها می توانند حجم زیادی از داده ها را تجزیه و تحلیل کنند و توصیه های دقیق و منسجمی را ارائه دهند.

این امر آنها را به ویژه در حوزه هایی که تخصص انسانی کمیاب یا گران است، مانند تشخیص پزشکی یا برنامه ریزی مالی، مفید می کند.

سیستم خبره MYCIN

یکی از نمونه‌های سیستم خبره MYCIN است که در دهه 1970 توسعه یافت و برای تشخیص عفونت‌های باکتریایی و توصیه آنتی‌بیوتیک‌های مناسب طراحی شد.

MYCIN توانست به دقت تشخیصی قابل مقایسه با متخصصان انسانی دست یابد و پتانسیل سیستم های خبره در مراقبت های بهداشتی را نشان دهد.

سیستم خبره DENDRAL

مثال دیگر DENDRAL است که در دهه 1960 توسعه یافت و برای شناسایی ساختار ترکیبات آلی بر اساس داده های طیف سنجی جرمی طراحی شد.

DENDRAL توانست پیش بینی های دقیقی انجام دهد و روند شناسایی ترکیبات را به میزان قابل توجهی سرعت بخشد و انقلابی در زمینه شیمی ایجاد کند.

سیستم های خبره را می توان به دو نوع تقسیم کرد: سیستم های مبتنی بر دانش و سیستم های مبتنی بر قانون.

سیستم‌های دانش‌محور به پایگاه دانشی متکی هستند که حاوی حقایق، قوانین و روابط بین قطعات مختلف اطلاعات است.

این سیستم ها از موتورهای استنتاج برای استدلال و تصمیم گیری بر اساس پایگاه دانش استفاده می کنند.

از سوی دیگر، سیستم‌های مبتنی بر قانون تنها بر مجموعه‌ای از قوانین متکی هستند.

این قوانین معمولاً به شکل عبارات «اگر-آنگاه» هستند که در آن سیستم شرایط را ارزیابی کرده و اقدامات مربوطه را اجرا می کند.

سیستم‌های مبتنی بر قانون در مقایسه با سیستم‌های مبتنی بر دانش ساده‌تر و شفاف‌تر هستند، زیرا به مکانیسم‌های استدلالی پیچیده‌ای نیاز ندارند.

علیرغم مزایایی که دارند، سیستم های خبره محدودیت هایی نیز دارند.

آنها به شدت به دقت و کامل بودن پایگاه دانش وابسته هستند. اگر پایگاه دانش ناقص باشد یا حاوی اطلاعات نادرست باشد، ممکن است عملکرد سیستم به خطر بیفتد. علاوه بر این، سیستم های خبره قادر به یادگیری از داده های جدید یا به روز رسانی پایگاه دانش خود بدون دخالت انسان نیستند.

در نتیجه، سیستم های خبره نوعی هوش مصنوعی هستند که از توانایی های تصمیم گیری متخصصان انسانی تقلید می کنند.

آنها بر اساس مجموعه ای از قوانین یا یک پایگاه دانش ایجاد شده توسط متخصصان انسانی در یک حوزه خاص ساخته شده اند.

سیستم های خبره با موفقیت در زمینه های مختلف مانند مراقبت های بهداشتی و شیمی به کار گرفته شده اند و این پتانسیل را دارند که فرآیندهای تصمیم گیری را متحول کنند.

با این حال، آنها همچنین دارای محدودیت هایی هستند، مانند وابستگی آنها به دقت و کامل بودن پایگاه دانش. با این وجود، سیستم های خبره همچنان یک حوزه مهم تحقیق و توسعه در زمینه هوش مصنوعی هستند.

پردازش زبان طبیعی

اولین نوع هوش مصنوعی در NLP سیستم های مبتنی بر قانون است. این سیستم ها برای پردازش و درک زبان بر قوانین و الگوهای از پیش تعریف شده تکیه می کنند.

آنها به گونه ای طراحی شده اند که مجموعه ای از دستورالعمل ها را دنبال کرده و بر اساس آن پاسخ دهند. سیستم‌های مبتنی بر قانون معمولاً در چت‌بات‌ها و دستیاران مجازی استفاده می‌شوند، جایی که می‌توانند پاسخ‌های خودکار را بر اساس کلمات کلیدی یا عبارات خاص ارائه دهند.

در حالی که آنها می توانند در رسیدگی به پرس و جوهای ساده موثر باشند، محدودیت های آنها در مواجهه با زبان پیچیده یا مبهم آشکار می شود.

نوع دیگری از هوش مصنوعی در NLP مدل های آماری است.

این مدل ها از الگوریتم های آماری برای تجزیه و تحلیل حجم زیادی از داده ها و شناسایی الگوها و روابط درون زبان استفاده می کنند.

آنها بر روی مجموعه داده های وسیعی آموزش دیده اند و می توانند از تجربه بیاموزند، و آنها را سازگارتر می کند و قادر به مدیریت طیف وسیع تری از ورودی های زبان هستند.

مدل‌های آماری معمولاً در کارهای ترجمه ماشینی، تحلیل احساسات و طبقه‌بندی متن استفاده می‌شوند. آنها ثابت کرده اند که در درک زمینه و ایجاد پاسخ های دقیق بسیار موثر هستند.

یادگیری ماشینی یکی دیگر از تکنیک های قدرتمند مورد استفاده در NLP است.

این شامل الگوریتم های آموزشی برای یادگیری از داده ها و بهبود عملکرد آنها در طول زمان است.

مدل‌های یادگیری ماشینی می‌توانند داده‌های زبان را تجزیه و تحلیل کنند، الگوها را شناسایی کنند و بر اساس آن تحلیل پیش‌بینی یا تصمیم بگیرند.

آنها را می توان برای انجام وظایفی مانند تشخیص گفتار، خلاصه سازی متن و پاسخ به سؤال آموزش داد.

الگوریتم‌های یادگیری ماشینی دائماً در حال تکامل هستند و پیچیده‌تر می‌شوند و آنها را قادر می‌سازد تا وظایف پیچیده زبان را با دقت بیشتری انجام دهند.

یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که در سال های اخیر توجه زیادی را به خود جلب کرده است.

این شامل آموزش شبکه های عصبی مصنوعی با چندین لایه برای پردازش و درک زبان است.

مدل‌های یادگیری عمیق می‌توانند به‌طور خودکار نمایش‌های سلسله مراتبی زبان را بیاموزند و آنها را قادر می‌سازد تا الگوها و تفاوت‌های ظریف را به تصویر بکشند.

آنها در پیشبرد وظایفی مانند درک زبان طبیعی، تجزیه و تحلیل احساسات و تولید زبان نقش موثری داشته اند.

مدل‌های یادگیری عمیق عملکرد قابل‌توجهی را در برنامه‌های مختلف مرتبط با زبان نشان داده‌اند، اما به مقادیر زیادی داده و منابع محاسباتی برای آموزش نیاز دارند.

در نهایت، ما محاسبات شناختی داریم که هدف آن تکرار هوش انسان مانند در ماشین‌ها است.

سیستم‌های محاسباتی شناختی می‌توانند به روشی شبیه به شناخت انسان، داده‌ها را بفهمند، استدلال کنند و یاد بگیرند.

آنها می توانند داده های بدون ساختار، مانند متن و تصاویر را پردازش کنند و بینش های معناداری را از آن استخراج کنند.

محاسبات شناختی هنوز در مراحل اولیه خود است، اما پتانسیل بسیار زیادی برای کاربردهایی مانند استدلال خودکار، نمایش دانش و درک زبان طبیعی دارد.
در نتیجه، پردازش زبان طبیعی یک زمینه جذاب در هوش مصنوعی است که نحوه تعامل ما با فناوری را تغییر می‌دهد.

از سیستم‌های مبتنی بر قانون گرفته تا مدل‌های یادگیری عمیق، هر نوع هوش مصنوعی در NLP مجموعه‌ای از قابلیت‌ها و پیشرفت‌های خاص خود را دارد.

همانطور که فناوری همچنان در حال تکامل است، می‌توانیم انتظار پیشرفت‌های بیشتری در NLP داشته باشیم که ماشین‌ها را قادر می‌سازد تا ما را به شیوه‌ای شبیه به انسان درک کنند و با ما ارتباط برقرار کنند.

Computer Vision: Exploring AI’s Visual Perception

یکی از جنبه های جذاب هوش مصنوعی بینایی کامپیوتری است که بر روی توانمند ساختن ماشین ها برای درک و درک اطلاعات بصری تمرکز دارد، درست مانند انسان.

در این مقاله، ما به دنیای بینایی کامپیوتر می پردازیم و چگونگی دستیابی هوش مصنوعی به ادراک بصری را بررسی می کنیم.

بینایی کامپیوتر شاخه‌ای از هوش مصنوعی است که هدف آن دادن توانایی به ماشین‌ها برای تفسیر و درک داده‌های بصری است.

این شامل توسعه الگوریتم‌ها و تکنیک‌هایی است که رایانه‌ها را قادر می‌سازد تا تصاویر و فیلم‌ها را تجزیه و تحلیل و معنا کنند.

با تقلید از ادراک بصری انسان، بینایی کامپیوتری به ماشین‌ها اجازه می‌دهد اشیاء را تشخیص دهند، صحنه‌ها را درک کنند و حتی احساسات را تفسیر کنند.

یکی از وظایف اساسی در بینایی کامپیوتر، تشخیص اشیا است.

این شامل آموزش مدل‌های هوش مصنوعی برای شناسایی و طبقه‌بندی اشیاء درون تصاویر یا ویدیوها است.

از طریق الگوریتم‌های یادگیری عمیق، رایانه‌ها می‌توانند اشیاء مختلف مانند اتومبیل، حیوانات یا وسایل خانه را تشخیص دهند.

این قابلیت کاربردهای متعددی دارد، از خودروهای خودران که می توانند عابران پیاده و موانع را شناسایی کنند تا سیستم های امنیتی که می توانند فعالیت های مشکوک را شناسایی کنند.

یکی دیگر از جنبه های مهم بینایی کامپیوتر، تقسیم بندی تصویر است.

این تکنیک شامل تقسیم یک تصویر به مناطق یا بخش های مختلف بر اساس ویژگی های بصری آنها است.

با تقسیم‌بندی تصاویر، مدل‌های هوش مصنوعی می‌توانند اشیاء یا مناطق مورد علاقه خاص را شناسایی و جداسازی کنند.

این به ویژه در تصویربرداری پزشکی مفید است، جایی که پزشکان می توانند از بینایی کامپیوتری برای تجزیه و تحلیل اسکن های MRI و شناسایی ناهنجاری ها یا تومورها استفاده کنند.

بینایی کامپیوتری نیز نقش مهمی در فناوری تشخیص چهره دارد.

با تجزیه و تحلیل ویژگی‌ها و الگوهای چهره، مدل‌های هوش مصنوعی می‌توانند افراد را شناسایی کرده و آنها را با سوابق موجود مطابقت دهند.

این فناوری به طور گسترده ای در سیستم های امنیتی، باز کردن قفل گوشی های هوشمند و حتی برچسب زدن دوستان در عکس های رسانه های اجتماعی مورد استفاده قرار گرفته است.

با این حال، نگرانی هایی را در مورد حفظ حریم خصوصی و نظارت نیز ایجاد می کند، زیرا دقت و استفاده گسترده از تشخیص چهره همچنان در حال رشد است.

بینایی کامپیوتر علاوه بر تشخیص اشیا و تشخیص چهره، ماشین‌ها را قادر می‌سازد تا صحنه‌ها را درک و تفسیر کنند.

این شامل تجزیه و تحلیل روابط بین اشیاء، آرایش فضایی آنها و زمینه کلی است. با درک صحنه ها، مدل های هوش مصنوعی می توانند تصمیمات آگاهانه تری بگیرند و اقدامات مناسب را انجام دهند.

به عنوان مثال، روبات‌های مستقل می‌توانند در محیط‌های پیچیده با درک و درک صحنه اطراف خود حرکت کنند.

تشخیص احساسات یکی دیگر از کاربردهای جذاب بینایی کامپیوتری است. با تجزیه و تحلیل حالات چهره و زبان بدن، مدل‌های هوش مصنوعی می‌توانند احساسات انسان را استنباط کنند و بر این اساس پاسخ دهند.

این فناوری کاربردهای بالقوه ای در زمینه های مختلف مانند مراقبت های بهداشتی، خدمات مشتری و سرگرمی دارد.

برای مثال، می‌تواند به پزشکان کمک کند تا سطح درد بیماران را ارزیابی کنند یا دستیاران مجازی را قادر می‌سازد تا به احساسات کاربران با همدلی پاسخ دهند.

در نتیجه، بینایی کامپیوتر یک زمینه جذاب در هوش مصنوعی است که بر توانمندسازی ماشین‌ها برای درک و درک اطلاعات بصری تمرکز دارد.

مدل‌های هوش مصنوعی از طریق تشخیص اشیا، تقسیم‌بندی تصویر، تشخیص چهره، درک صحنه و تشخیص احساسات می‌توانند ادراک بصری انسان را تقلید کنند و دنیای اطراف خود را درک کنند.

با ادامه پیشرفت بینایی کامپیوتر، می‌توانیم انتظار برنامه‌ها و نوآوری‌های هیجان‌انگیزتری را داشته باشیم که آینده ما را شکل خواهند داد.

Robotics: The Intersection هوش مصنوعی و ماشین‌های فیزیکی

برای درک انواع هوش مصنوعی، مهم است که ابتدا مفهوم یادگیری ماشینی را درک کنید.

یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که رایانه‌ها را قادر می‌سازد بدون برنامه‌ریزی صریح یاد بگیرند و تصمیم بگیرند.

این شامل الگوریتم های آموزشی بر روی مجموعه داده های بزرگ برای تشخیص الگوها و پیش بینی است.

این توانایی یادگیری و تطبیق همان چیزی است که هوش مصنوعی را از برنامه های رایانه ای سنتی متمایز می کند.

حالا بیایید به انواع هوش مصنوعی بپردازیم. نوع اول به عنوان هوش مصنوعی باریک یا ضعیف شناخته می شود.

این به سیستم‌های هوش مصنوعی اشاره دارد که برای انجام وظایف خاصی مانند تشخیص چهره یا ترجمه زبان طراحی شده‌اند.

هوش مصنوعی باریک بسیار تخصصی است و توانایی تعمیم فراتر از دامنه خاص خود را ندارد. به عنوان مثال، یک سیستم تشخیص چهره ممکن است در شناسایی چهره ها عالی باشد، اما با وظایف خارج از این محدوده مبارزه کند.

در سوی دیگر طیف، هوش مصنوعی عمومی یا قوی داریم. این نوع هوش مصنوعی دارای هوش انسانی است و می تواند دانش را در حوزه های مختلف درک کند، یاد بگیرد و به کار ببرد.

هوش مصنوعی عمومی هنوز تا حد زیادی نظری است و همچنان یک هدف برای محققان در این زمینه است.

دستیابی به هوش مصنوعی عمومی مستلزم داشتن هوشیاری و خودآگاهی ماشین‌ها است که کاری پیچیده و چالش برانگیز است.

با حرکت به سمت روباتیک، این رشته ای است که هوش مصنوعی را با ماشین های فیزیکی ترکیب می کند.

هدف رباتیک ایجاد ماشین هایی است که می توانند با دنیای فیزیکی تعامل داشته باشند، وظایف را انجام دهند و بر اساس محیط خود تصمیم بگیرند.

با ادغام هوش مصنوعی در ربات‌ها، می‌توانیم قابلیت‌های آن‌ها را افزایش دهیم و آنها را قادر به سازگاری با موقعیت‌های مختلف کنیم.

ربات ها را می توان بر اساس سطح استقلال خود به سه دسته اصلی طبقه بندی کرد.

دسته اول ربات های دورکار نامیده می شوند. این ربات‌ها توسط انسان کنترل می‌شوند و هیچ گونه استقلالی ندارند.

آنها معمولاً در محیط های خطرناک یا برای کارهایی که انجام آنها برای انسان دشوار است، مانند اکتشاف در اعماق دریا یا خنثی کردن بمب استفاده می شود.
دسته دوم به ربات های نیمه مستقل معروف هستند. این ربات ها می توانند وظایف خاصی را به طور مستقل انجام دهند اما همچنان برای تصمیم گیری های پیچیده نیاز به مداخله انسانی دارند.

نمونه‌ای از ربات‌های نیمه‌خودران، خودروی خودران است که می‌تواند در جاده‌ها حرکت کند و از موانع اجتناب کند، اما همچنان برای تصمیم‌گیری‌های حیاتی به کمک انسان متکی است.

در نهایت، ما ربات های کاملا مستقل داریم. این ربات ها می توانند به طور مستقل و بدون دخالت انسان عمل کنند.

آنها می توانند محیط خود را درک کنند، تصمیم بگیرند و وظایف را بدون راهنمایی انسان انجام دهند.

ربات‌های کاملاً خودمختار هنوز در مراحل اولیه توسعه هستند، اما پتانسیل زیادی برای کاربرد در زمینه‌هایی مانند تولید، مراقبت‌های بهداشتی و اکتشاف فضا دارند.

در نتیجه، هوش مصنوعی و رباتیک به طور تنگاتنگی در هم تنیده شده‌اند و هوش مصنوعی قابلیت‌های هوشمندی و تصمیم‌گیری را برای ماشین‌های فیزیکی فراهم می‌کند.

انواع هوش مصنوعی از هوش مصنوعی محدود، که در انجام وظایف خاص تخصص دارد، تا مفهوم نظری هوش مصنوعی عمومی، که دارای هوشی شبیه انسان است، متغیر است.

از سوی دیگر، رباتیک، ربات‌ها را بر اساس سطح استقلال آن‌ها، از ربات‌های کنترل‌شده از راه دور که توسط انسان کنترل می‌شوند تا روبات‌های کاملاً خودمختار که قادر به عملکرد مستقل هستند، طبقه‌بندی می‌کند. با ادامه پیشرفت فناوری، تلاقی هوش مصنوعی و روباتیک بدون شک آینده اتوماسیون و تعامل انسان و ماشین را شکل خواهد داد.

منبع » آکادمی اشکان مستوفی