پیش بینی خودکشی می‌تواند امری ضروری باشد، اما چطور می‌توان به آن دست یافت؟ پاسخ به این سؤال، به خصوص در شرایط کنونی که همه‌گیری کووید-۱۹ روی سلامت روان بسیاری از افراد تأثیر منفی گذاشته، اهمیت فراوانی یافته است. یافته‌های یک تیم پژوهشی از مونترآل و فرانسه حاکی از این بوده است که عزت نفس، مهم‌ترین پیش‌بین احتمال خودکشی است. این تیم پژوهشی که متشکل از محققان دانشگاه‌های مک‌گیل، مونترآل، اینسرم و بوردو می‌باشد، در تلاش است با استفاده از هوش مصنوعی، پیش‌بین‌های دقیق رفتار خودکشی میان دانش‌آموزان را شناسایی کند.

ملیسا مکالی، نویسنده‌ی اول این مقاله از دانشگاه بوردو، توضیح می‌دهد: «خودکشی دومین دلیل مرگ و میر در سنین ۱۵ تا ۲۴ سالگی است. تشخیص زودهنگام رفتارها و افکار مرتبط با خودکشی کلید آمادگی و ارائه‌ی راهکارهای مناسب برای حل این مشکل است.»

مقاله‌ی مذکور که در ژورنال Scientific Reports منتشر شده است، مبتنی بر داده‌های جمع‌آوری شده از بیش از ۵۰۰۰ دانشجو در دانشگاه‌های فرانسه می‌باشد. این دانشجویان در بازه‌ی زمانی مشخصی (حداقل یک سال) بین سال‌های ۲۰۱۳ تا ۲۰۱۹، مورد بررسی قرار گرفتند. طبق نتایج این مطالعات، از بین ۷۰ پیش‌بین بالقوه، چهار عامل حدود ۸۰ درصد از رفتارهای مرتبط به خودکشی را توجیه می‌کنند: افکار خودکشی، اضطراب، نشانه‌های افسردگی و عزت نفس.

نقش هوش مصنوعی در تشخیص پیش‌بین‌های اصلی خودکشی

محققان عوامل مرتبط با خودکشی را به طور همزمان با استفاده از یادگیری ماشین مورد تجزیه و تحلیل قرار داده و بر اساس میزان اهمیت‌شان در پیش بینی خودکشی، رتبه‌بندی کردند. از جمله‌ی این عوامل می‌توان به این موارد اشاره کرد: اطلاعات جمعیت‌شناختی و اجتماعی، سبک زندگی، استفاده از مواد مخدر، تروما در دوران کودکی، و سابقه‌ی وجود رفتار خودکشی در خانواده.

مسیمیلیانو اوری، نویسنده‌ی دیگر مقاله از دانشگاه مک‌گیل و عضو «گروه مطالعات خودکشی مک‌گیل» در دانشگاه بوردو، می‌گوید: «تعداد زیادی عامل شناخته شده وجود دارند که منجر به افزایش احتمال خودکشی در میان دانشجویان دانشگاه‌ها می‌شوند؛ به عنوان مثال می‌توان به جابجایی از دبیرستان به دانشگاه، استرس‌های روانی-اجتماعی، فشار دانشگاه، و سازگاری با محیط جدید اشاره کرد. همه‌گیری کووید-۱۹ بسیاری از این عوامل را تشدید کرده است؛ با این وجود، شواهد عینی مبنی بر افزایش نرخ خودکشی در این دوران به چشم نمی‌خورد.»

امکان غربال در مقیاس وسیع

دانشجویان شرکت‌کننده در این پژوهش، دو نظرسنجی، یکی هنگام ورود به پژوهش و دیگری پس از یک سال، تکمیل کردند. نتایج این نظرسنجی‌ها اطلاعاتی حیاتی در مورد وضعیت سلامتی، استفاده از مواد و الکل، سوابق پزشکی و روانپزشکی، و وضعیت روانشناختی دانشجویان در اختیار محققان قرار می‌داد. نظرسنجی دوم (پیگیری) نشان داد حدود ۱۷ درصد دانشجویانی که در این طرح شرکت کردند (۴/۱۷ درصد از میان خانم‌ها و ۸/۱۶ درصد از میان آقایان) در این فاصله‎ی یک ساله، رفتارهای خودکشی از خود نشان دادند.

کریستوف زوریو، استاد شیوع‌شناسی دانشگاه بوردو و رئیس «مرکز پژوهشی سلامت جامعه بوردو»، توضیح می‌دهد: «این پژوهش این امکان را فراهم آورد تا دانشجویانی که در معرض خطر خودکشی قرار دارند را با استفاده از پرسشنامه‌ای کوتاه و ساده، شناسایی کرده و سپس با غربال در مقیاسی وسیع، این گروه دانشجویان را به درمان‌ها و مراقبت‌های مناسب ارجاع دهیم. این ابزارهای غربالگری را می‌توان جایگزینی برای اقدامات «سنجش سلامت روان» در نظر گرفت که پزشک‌های عمومی برای دانشجویان اجرا می‌کنند؛ بیشتر دانشجویان تمایلی ندارند در جلسات حضوری و رو در رو، اطلاعات شخصی حساس خود را افشا سازند.»

عزت نفس، عاملی مهم در پیش بینی خودکشی

یافته‌های پژوهش مذکور حاکی از اهمیت عزت نفس به عنوان پیش‌بین احتمال خودکشی بودند. از این پس می‌توان در ابزارهای غربالگری، حتی در اجرا روی دانشجویانی که نشانه‌ای از رفتارهای خودکشی نشان نمی‌دهند،  از عزت نفس استفاده کرد.

مرحله‌ی دوم تجزیه و تحلیل روی ۳۹۴۶ دانشجویی انجام گرفت که پس از پیگیری یکساله، نشانی از رفتار خودکشی نداشتند. نتایج این تحلیل‌ها نشان داد که پیش‌بین‌ اصلی برای رفتار خودکشی در مردان، عزت نفس و در زنان، علاوه بر عزت نفس، نشانه‌های افسردگی و فشار دانشگاه است.

عزت نفس پایین یکی از ابعاد اضطراب اجتماعی در نظر گرفته شده و با افسردگی همپوشانی دارد. عزت نفس از شاخص‌های مهم آسیب‌پذیری روانشناختی در میان بزرگسالان جوان است و با افکار خودکشی ارتباط دارد. طبق گفته‌ی محققان، در پیش بینی خودکشی، عزت نفس به عنوان شاخصی برجسته و مستقل عمل می‌کند.

ملیسا مکالی در جمع‌بندی صحبت‌های خود می‌گوید: «متخصصان حوزه‌ی سلامت روان حاضر در تیم انتظار نداشتند عزت نفس در لیست چهار پیش‌بین برتر رفتارهای خودکشی قرار بگیرد. این نتایج بدون کمک یادگیری ماشین محقق نمی‌شد؛ این فناوری به ما اجازه داد حجم زیادی از داده ها را به صورت همزمان تجزیه و تحلیل کنیم. این رویکرد می‌تواند مسیر را برای پژوهش‌های بعدی و برنامه‌ریزی برای اقدامات پیشگیرانه هموار کند.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

طی چند سال گذشته هر بار که صحبت از چگونگی پیشرفت فناوری به میان می‌آید، یک نکته همواره مطرح می‌شود. فناوری در همه صنایع، مشاغل، حتی مسئولیت‌های روزانه و هر جای دیگری که فکرش را بکنید، حضور دارد و حتی می‌تواند برای رشد کسب و کار هم مفید باشد.

به وفور فناوری در حال حاضر، پیشرفت‌های زیادی در فناوری‌های موجود رخ داده است که خود منجر به بهبود فرایند توسعه و پیشرفت دنیا شده است. هوش مصنوعی یکی از فناوری‌هایی است که اهمیت آن را در همه جای این سناریو احساس می‌‌شود.

از آنجا که هوش مصنوعی بر سایر فناوری غالب شده است، توسعه نرم‌افزارهای مجهز به هوش مصنوعی فرصت‌‌های زیادی را در حوزه‌‌ها و شرکت‌‌هایی که نیاز‌های شناختی دارند، فراهم آورده است. آنچه ما می‌خواهیم بگوییم این است که هوش مصنوعی در آن دسته از صنایع نویدبخش قرار می‌گیرد که در آن کل گردش کار یا بخش‌‌هایی از برخی رویه‌‌های خاص نیاز به شبیه‌سازی دارد و مشابه فرایند‌های فکری انسان است.

این صنایع عمدتاً شامل صنایع تولیدی، بانکی و خرده‌فروشی می‌شوند‌. دلیل آن نیز این است که ارائه راه‌حل‌‌های نوآورانه برای این حوزه‌ها، یعنی بازارهایی که رقابت در بالاترین حد خود قرار دارد و تمایز در جلب نظر مشتریان بسیار مهم شده است، نیازمند ساعت‌ها کار و تلاش می‌باشد.

بنابراین جای تعجبی نیست اگر این شرکت‌ها میلیاردها دلار برای پیدا کردن راه‌حل‌های شناختی و مبتنی بر هوش مصنوعی برای ارائه خدمات و شناسایی تهدیدات سرمایه‌گذاری کنند.

هوش مصنوعی شناختی و نقش آن در خودکارسازی مشاغل

تنها یک تفاوت عمده بین هوش مصنوعی و هوش مصنوعی شناختی وجود دارد: هوش مصنوعی از روش‌‌های جدید برای حل مسائل به شیوه انسانی استفاده می‌کند، اما هوش مصنوعی شناختی برای حل مشکلات زیاد سخت نمی‌گیرد و اقدامی را در پیش می‌گیرد که اگر انسان نیز در آن شرایط قرار گیرد، دست به همان اقدام خواهد زد.

امروزه هوش مصنوعی شناختی عمدتاً بر روی ابزارها و نرم‌افزارهای مختلف کار می‌کند و به کسب‌وکار‌‌ها این امکان را می‌دهد تا در یک اکوسیستم تجاری پیچیده تصمیمات آگا‌هانه و هوشمندانه بگیرند. به طور خلاصه، هوش مصنوعی شناختی را می‌توان پیاده‌سازی عملی هوش مصنوعی در فرایند‌های تجاری دانست؛ اقدامی که موجب رشد کسب و کار خواهد شد.

فناوری‌‌های هوش مصنوعی شناختی به دسته‌‌های مختلفی تقسیم می‌شوند که راه را برای سرویس‌های توسعه نرم‌افزارهای هوش مصنوعی هموار می‌کنند، این دسته‌های عبارتند از:

۱- یادگیری ماشین آماری

تکنیک‌‌هایی که در این دسته قرار می‌گیرند از الگوریتم‌‌های یادگیری ماشین برای خودکارسازی فرایند مدل‌سازی استفاده می‌کنند، به شرکت‌‌ها کمک می‌کنند تا رفتار مشتری را تشخیص دهند، تقلب‌‌ها و کلاه‌بردای‌ها را تشخیص دهند و حتی امکان ارائه پیشنهادات را نیز فراهم می‌آورند.

۲- اتوماسیون فرآیند رباتیک

این تکنیک به کاهش بار کارهای کم‌‌اهمیت و خودکارسازی آن‌ها کمک می‌کند تا نیروی کار دستی بتواند روی کار‌های دیگر متمرکز شود.

۳- یادگیری عمیق شبکه‌‌های عصبی

یادگیری عمیق در مسائل تشخیص اشیاء و دسته‌بندی تصاویر، به همه مسائل پیچیده‌ای که با بخش‌‌هایی مانند بازی‌‌های آنلاین، اتومبیل‌‌های خودران و دسته‌بندی محصولات مرتبط هستند، رسیدگی می‌کند.

بزرگترین مزیت این فناوری‌‌های هوش مصنوعی در این است که سرعت عمل را افزایش و هزینه‌‌ها را به میزان قابل توجهی کاهش می‌دهند و این یعنی کارایی. از اتوماسیون فرآیندها گرفته تا فراهم آوردن بینش و اطلاعات درست نسبت به دیتاست‌های بزرگ، همه کاربردهای این فناوری‌ها به بهبود عملکرد کلی کسب‌وکار کمک می‌کنند.

چرا هوش مصنوعی شناختی؟

امروزه شرکت‌‌ها به دنبال راه‌‌هایی هستند که نه فقط با کاهش هزینه‌‌ها، بلکه با تولید محصولات جدید، درآمد خود را افزایش داده و موجبات رشد کسب و کار خود را فراهم کنند. راه‌حل‌‌های هوش مصنوعی و یادگیری ماشین و همچنین یادگیری عمیق برای این شرکت‌ها راه‌‌هایی هستند که می‌توانند منجر به تولد مجدد یک کسب‌وکار و تحول مدل‌‌های کسب‌وکار موجود شوند.

برخی از ابزارها برای ساخت نرم‌افزارهای شناختی مجهز به هوش مصنوعی به شرح زیر هستند:

ابزار IBM Cloud

این ابزار یک سامانه ابری کامل است که فضایی برای توسعه و مدیریت نرم‌افزارها از طریق اکوسیستم‌‌های مختلف توسعه نرم‌افزار فراهم می‌آورد. همچنین به راحتی می‌توان محل قرارگیری این نرم‌افزارها در فضای ابری را پیدا کرد.

فضای ابری Watson Developer Cloud

بر روی این بستر ابری، دیتاست‌های عظیم ‌به درستی مرتب شد‌ اند و استفاده از آن‌ها بسیار آسان است. با استفاده از این ابزار ابری، می‌توانید به سرعت عوامل مجازی و چت بات‌‌ها را در چندین کانال و سیستم عامل توسعه داده و مستقر کنید.

سخن پایانی

مطمئناً مدت زیادی طول خواهد کشید تا هوش مصنوعی به دنیای تجارت وارد شود، اما استفاده بهینه از آن در تجارت چیزی است که باید به آن عادت کرد. در پیش گرفتن مسیر به کارگیری فناوری‌های شناختی، کسب‌وکار  شما را به رشد مطلوب و سازگار خواهند ‌رساند.

شرکت Consagous Technologies شرکتی پیشرو در زمینه توسعه نرم‌افزار هوش مصنوعی است که بیش از یک دهه است که راه‌حل‌‌های هوش مصنوعی و یادگیری ماشین ارائه می‌دهد. اگر به دنبال بهره مندی از مزایای هوش مصنوعی هستید، بدون شک باید به سراغ این شرکت بروید.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

رابط مغز و ماشینِ پوشیدنی (BMI) جدیدی طراحی شده است که می‌تواند کیفیت زندگی افراد مبتلا به اختلال حرکتی یا فلج، یا حتی افراد مبتلا به سندروم قفل‌شدگی، را بهبود بخشد. منظور از سندروم قفل‌شدگی، زمانی است که فرد کاملاً هوشیار است اما قادر به حرکت یا برقراری ارتباط نیست.

یک تیم پژوهشی بین‌المللی موفق شدند الکترود نرم و بی‌سیم متصل‌ به جمجمه را با واقعیت مجازی ترکیب کرده و در رابط مغز و ماشینِ پوشیدنی جای دهند. کاربر می‌تواند کنش‌ها را با کمک این رابط جدید در ذهن خود ترسیم کند و مثلاً یک صندلی چرخدار یا بازوی رباتیک را به صورت بی‌سیم به حرکت درآورد.

دانشمندانی از دانشگاه کِنت انگلستان و دانشگاه یونسی کره‌جنوبی به سرپرستی آزمایشگاه «وون هون یئو»، از موسسه فناوری‌ جورجیا، تیم سازنده این فناوری را تشکیل می‌دهند. این پژوهشگران، سیستم BMI جدید خود را که مبتنی بر تصورات حرکتی (Motor Imagery) است، در ماه جاری در مجله Advanced Science معرفی کردند.

طبق توضیحات یئو، دانشیار دانشکده مهندسی مکانیک جورج دبلیو وودروف، «بزرگ‌ترین مزیت این سیستم در مقایسه با کاربرهای فعلی، نرمی و راحتی آن است؛ این سیستم هیچگونه سیمی ندارد».

رابط مغز و ماشین پوشیدنی چطور عمل می‌کند؟

سیستم‌های BMI، نوعی فناوری توان‌بخشی هستند که سیگنال‌های مغزی فرد را تجزیه و تحلیل کرده و فعالیت عصبی را به دستور تبدیل می‌کنند، یا به عبارتی خواسته‌ی مورد نظر فرد را اجرا می‌کنند. یکی از رایج‌ترین روش غیرتهاجمی رسیدن به این سیگنال‌ها، نوار مغز (ElectroEncephaloGraphy) یا EEG، است که اغلب از یک کلاه الکترود دست‌وپاگیر و چندین سیم درهم گره‌خورده  تشکیل شده است.

اغلب برای اینکه این دستگاه‌ها به پوست متصل بمانند، از ژل و خمیر استفاده می‌کنند؛ تنظیم کردن آن‌ها بسیار زمان‌بر است؛ و در نهایت پوشیدن آن‌ها پر‌زحمت و ناخوشایند است. از طرف دیگر، معمولاً به دلیل تخریب مواد یا آرتیفکتِ حرکتی، قابلیت دریافت سیگنال این دستگاه‌ها ضعیف است. آرتیفکت حرکتی به «نویز» جانبی‌ اطلاق می‌شود که ممکن است در اثر حرکات ارادی یا غیر ارادی، مانند دندان قروچه یا پلک زدن، ایجاد ‌شوند؛ این نویز‌ها در داده‌های مغز نمایش داده می‌شوند و باید فیلتر شوند.

در سیستم EEG جدید، همکاران یئو موفق شدند با گنجاندن الکترودهای میکرونیدل نامحسوس در مدارهای بی‌سیم نرم، دریافت سیگنال را بهبود بخشند. با این حال، به منظور تعیین خواسته یا عمل مورد نظر کاربر، لازم لازم بود سیگنال‌ها به دقت اندازه‌گیری شوند. لذا، این محققان به تلفیق الگوریتم یادگیری ماشین قدرتمند با مولفه واقعیت مجازی روی آوردند.

این سیستم جدید بر روی چهار نمونه انسانی سالم آزمایش شده است و لازم است بر روی افراد معلول نیز بررسی شود.

یئو دبیر مرکز فناوری جورجیا در حوزه مهندسی و رابط انسان محور (که زیر نظر موسسه الکترونیک و نانوفناوری است) و عضو موسسه مهندسی‌زیستی و زیست‌علم پتیت است. او درباره این فناوری می‌گوید: «کار در مراحل ابتدایی خود قرار دارد، اما همین مشاهدات اولیه نیز ما را هیجان‌زده کرده است».

رویکرد جدید

تیم یئو، اولین رابط EEG مغز و ماشینِ پوشیدنی و نرم خود را در سال ۲۰۱۹ در مقاله‌ای در ژورنال Nature Machine Intelligence، معرفی کرد. موسی محمود، دانشجوی دکتری در آزمایشگاه یئو، نویسند‌ه اصلی مقاله ۲۰۱۹ و مقاله اخیر است. او درباره فناوری این تیم توضیح می‌دهد: «این رابط مغز و ماشین جدید، از رویکردی کاملاً متفاوت پیروی می‌کند. رویکردی متشکل از کنش‌های حرکتی تصور شده، مانند گرفتن اشیاء با دست، که فرد را از پرداختن به محرک‌های متعدد بی‌نیاز می‌کند».

بنا به یافته‌های پژوهشی که در سال ۲۰۲۱ به انجام رسید، کاربران با استفاده از افکار، یا به عبارتی تصورات حرکتی خود، می‌توانند به طور کامل واقعیت مجازی را کنترل کنند. کاربران و محققان می‌توانند از نشانه‌های بصری برای گردآوری بهتر اطلاعات استفاده کنند.

بنا به توضیحات یئو، «دستورهای مجازی بسیار مفید واقع شدند. آن‌ها سرعت و دقت تعامل کاربر را ارتقاء دادند و در نتیجه آن توانستیم به طو پیوسته فعالیت‌های مبتنی بر تصورات حرکتی را با کیفیت بالا ثبت کنیم».

به گفته محمود، این تیم پژوهشی قصد دارد با استفاده از آموخته‌های خود از دو پژوهش قبلی، در آینده بر روی بهینه‌سازی نصبِ الکترود‌ها و تلفیق پیشرفته‌تر EEG مبتنی بر محرک کار کند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

سیستم تحویل مرسوله آمازون اختراعی است که این شرکت برای ثبت آن اقدام کرده است. این سیستم از دو وسیله نقلیه اولیه و ثانویه تشکیل می‌شود. وسیله نقلیه اولیه یا همان وَن مرسوله‌ها را به مقاصد مختلف تحویل می‌دهد. وسیله نقلیه ثانویه که اندازه آن کوچک‌تر است، مرسوله را از عقبِ وَن بیرون می‌آورد و به مقصد نهایی تحویل می‌دهد.
طی چندین سال گذشته، شرکت آمازون و شرکت‌های دیگری همچون شرکت حمل و نقل بین‌‌المللی کالا (UPS) همواره به دنبال راهی بودند تا از ابزارهای فن‌آوری برای تحویل مرسوله از انبار به دست مشتریان استفاده کنند. برای مثال، برخی شرکت‌ها تلاش کردند تا با استفاده از وَن‌های خودران و ربات مرسوله را به دست گیرنده برسانند. گروهی نیز سعی داشتند از پهپادهایی که مستقیماً تا درب منزل مشتریان پرواز می‌کنند و مرسوله را از یک چتر به پایین می‌اندازند برای تحویل مرسوله استفاده کنند.

اما مهم این است که روش پیشنهادی در عین کارآمد بودن، مقرون به صرفه هم باشد. تصور برخی این است که هزینه استفاده از ربات‌های برقی برای تحویل مرسوله ارزان‌تر از استخدام مأموران پُست است. شرکت آمازون در اقدامی جدید، خودروهای خودران کوچکی را سوار کامیون‌های حمل بار می‌کند؛ این وسایل نقلیه کوچک مرسوله را از کامیون تا درب به منزل گیرنده حمل می‌کنند.

ون مجهز به فناوری

طبق آنچه در اظهارنامه ثبت اختراع این شرکت نوشته شده، وسیله نقلیه اولیه، یعنی وَن، را کماکان انسان‌ها هدایت می‌کنند. اما این وَن همچنان به فن‌آوری مجهز است؛ البته، این فن‌آوری به جای اینکه به حرکت وَن و یا راننده کمک کند، برای به حرکت در آوردن و هدایت وسیله نقلیه ثانویه استفاده می‌شود. برای مثال، به محض اینکه وَن جلوی درب منزلی توقف ‌می‌کند، خانه و فضای بیرونی آن اسکن و بررسی می‌شوند تا بهترین مسیر برای حرکت وسیله نقلیه ثانویه مشخص شود.

پس از تعیین مسیر و ارسال آن به وسیله نقلیه ثانویه، این وسیله از عقب وَن پایین می‌آید و در خیابان قرار می‌گیرد. در گام بعدی، وَن مسیر حرکت وسیله را به سمت درب ورودی منزل تحت نظر می‌گیرد و در صورت لزوم، مسیر را به روزرسانی می‌کند. وسیله نقلیه ثانویه به چندین دوربین و ابزار مسیریابی مجهز است. این وسیله در مسیر حرکت به سوی درب ورودی منزل تصاویر و یا داده‌هایی که به نوعی نشان‌دهنده مانعی بر سر راه و یا مشکل دیگری (برای مثال، ظاهر شدن ناگهانی سگی در مسیر) هستند برای وَن ارسال می‌کند. پس از تحویل مرسوله، این دو وسیله نقلیه با همکاری یکدیگر از بازگشت ایمن وسیله نقلیه ثانویه به وَن اطمینان حاصل می‌کنند.

البته هنوز مشخص نیست سیستم تحویل مرسوله آمازون قرار است در دنیای واقعی مورد استفاده قرار گیرد یا نه و یا اینکه تصمیم دارد نمونه‌های متفاوتی از آن، برای مثال پهپادهای پرنده‌ای که از عقب کامیون بیرون می‌آیند، تولید کند یا خیر.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: هوشیو

فناوری بینایی رایانه‌ای در زمینه‌هایی مانند سیستم‌های نظارت خودکار‌، اتومبیل‌های خودران‌، تشخیص چهره‌، مراقبت‌های بهداشتی و ابزارهای فاصله‌گذاری اجتماعی کاربرد زیادی دارند. اما خنثی کردن تاثیر عوامل محیطی بر کیفیت اهمیت زیادی برای این موضوع دارد. کاربران برای استفاده از تمام مزایای نرم‌افزارهای تجزیه و تحلیل ویدئویی به اطلاعات بصری دقیق و قابل اعتماد نیاز دارند، اما کیفیت داده‌های ویدیویی اغلب تحت تأثیر عوامل محیطی مانند باران‌، تاریکی هوا در شب یا ازدحام جمعیت (قرار گرفتن تصویر افراد روی هم) قرار می‌گیرد. تیمی ‌از محققان به رهبری رابی تان‌، دانشیار دانشگاه Yale-NUS‌، با استفاده از بینایی رایانه‌ای و یادگیری عمیق‌، رویکردهای جدیدی را ابداع کرد‌ه‌اند که مشکل کیفیت پایین ویدیوها که ناشی از بارش باران و تاریکی هوا‌ است را رفع کرده و دقت تخمین حالت بدن سه بعدی انسان در ویدیوها را افزایش داده‌اند.

رفع مشکلات دید در هوای بارانی و شب

یکی از مشکلاتی که نیاز به برطرف شدن دارد دید در هوای بارانی شب است و باید برای خنثی کردن تاثیر عوامل محیطی بر کیفیت  در این زمینه اقدام کرد. تصاویر گرفته‌شده در هنگام شب تحت تأثیر نور کم و جلوه‌های نوری ساخته دست بشر مانند تلالو نور‌ و درخشش لامپ‌ها و نورافکن‌ها قرار داشته و تصاویر گرفته‌‌‌شده در هوای بارانی نیز تحت تأثیر رگه‌های باران یا تجمع باران جلوی دوربین قرار می‌گیرند.

پروفسور تان توضیح می‌دهد: «عملکرد بسیاری از سیستم‌های بینایی ماشین مانند نظارت اتوماتیک و اتومبیل‌های خودران‌، به داشتن دیدی خوب از محیط، یعنی کیفیت فیلم‌های ورودی به آن‌ها بستگی دارد. به عنوان مثال‌، اتومبیل‌های خودران نمی‌توانند در زیر باران شدید کار کنند و سیستم‌های نظارت اتوماتیک یا دوربین‌های مداربسته اغلب در شب خراب می‌شوند‌، به ویژه اگر فضا تاریک باشد یا نورِ شدید یا نورافکن در آن وجود داشته باشد‌.»

پروفسور تان و تیمش الگوریتم‌های یادگیری عمیقی برای خنثی کردن تاثیر عوامل محیطی بر کیفیت معرفی کرده‌اند که می‌توانند کیفیت فیلم‌های گرفته‌شده در شب و هوای بارانی را افزایش دهند. در اولین مقاله، آن‌ها روشنایی را افزایش داده و همچنین جلوی نویزها و نور (تلالو و درخشش نور و نورافکن‌ها) را نیز گرفتند تا بتوانند تصاویر واضحی از یک صحنه در شب ثبت کنند. درحالی‌که بسیاری از روش‌های پیشرفته موجود در حل این مشکل ناکام مانده‌اند، این تکنیک جدید توانسته مشکل وضوح در تصاویر و فیلم‌های شبانه را هنگامی‌که نمی‌توان نور خیره‌کننده را قاب تصویر حذف کرد‌، حل ‌کند.

در کشورهای گرمسیری مانند سنگاپور که بارش شدید باران رایج است‌، دید و وضوح تصویر در هنگام بارش باران در ویدیوها به میزان قابل‌توجهی کاهش می‌یابد. در مقاله دوم‌، محققان روشی را ارائه دادند که در آن با استفاده از یک هم‌ترازکننده فریم (frame alignment) اثر رگه‌های باران که به طور تصادفی در فریم‌های مختلف ظاهر می‌شوند و کیفیت تصاویر را تحت تاثیر قرار می‌دهد‌، حذف می‌شود تا اطلاعات بصری بهتری از محیط به دست آید. سپس محققان با استفاده از یک دوربین متحرک، عمق فضا را برآورد کردند تا بتوانند تارشدگی تصویر که ناشی از انباشت قطرات باران است را برطرف کنند. این روش‌های جدید برخلاف روش‌های موجود‌ که بر حذف خطوط باران تمرکز می‌کنند‌، می‌توانند همزمان رگه‌های باران و تارشدگی تصویر را از بین ببرند.

در کنفرانس CVPR‌، پروفسور تان نتیجه تحقیقات تیم خود روی تخمین سه بعدی حالت بدن انسان‌، که می‌تواند در زمینه‌هایی مانند نظارت ویدیویی، بازی‌های ویدیویی و پخش مسابقات ورزشی استفاده شود‌ را نیز ارائه کرد.

در سال‌های اخیر‌، تخمین حالت بدن چندین فرد در ویدیو ضبط شده توسط یک دوربین واحد و به صورت همزمان و سه بعدی به طور فزاینده‌ای مورد توجه محققان و توسعه‌دهندگان قرار گرفته است. وقتی به جای استفاده از چندین دوربین برای فیلمبرداری از مکان‌های مختلف‌، از یک دوربین تک‌چشمی استفاده شود، انعطاف پذیری بیشتری را داریم زیرا می‌توانیم از یک دوربین معمولی و حتی دوربین گوشی همراه برای فیلم‌برداری استفاده کنیم.

با این حال‌، میزان دقت تشخیص حالت بدن انسان تحت تأثیر فعالیت‌ها قرار دارد. برای مثال، وقتی چندین نفر در یک صحنه حضور دارند یا هنگامی‌که افراد خیلی نزدیک به هم قرار می‌گیرند یا گاهاً وقتی در تصویر گرفته‌شده توسط دوربین تک‌چشمی افراد با هم همپوشانی دارند، همه این عوامل روی دقت تشخیص مدل تاثیر می‌گذارند.

محققان در سومین مقاله برای خنثی کردن تاثیر عوامل محیطی بر کیفیت، حالات بدن سه بعدی انسان در یک ویدیو را با ترکیب دو روش موجود‌، یعنی رویکرد از بالا به پایین و رویکرد از پایین به بالا‌، تخمین زدند. با ترکیب این دو رویکرد‌، روش جدیدی حاصل می‌شود که می‌تواند تخمین حالت بدن در محیطی که چندین فرد حضور دارند را با دقت بیشتری انجام داده و فاصله بین افراد (یا مقیاس‌های مختلف) را بهتر از روش‌های قبلی تشخیص دهد.

محققان حاضر در این سه مقاله شامل اعضای تیم پروفسور تان در دپارتمان مهندسی برق و کامپیوتر NUS و همکارانش در دانشگاه هنگ‌کنگ، دانشگاه ETH زوریخ و مرکز تحقیقاتی Tencent Game AI بودند. مرکز تحقیقاتی وی عمدتاً بر حوزه‌های بینایی رایانه‌ای و یادگیری عمیق، به ویژه در زمینه‌های دید کم، تجزیه و تحلیل حالت بدن و حرکات انسان و کاربردهای یادگیری عمیق در مراقبت‌های بهداشتی تمرکز دارد.

پروفسور تان اظهار دارد: «در مطالعات بعدی در حوزه تخمین سه بعدی حالت بدن انسان که با حمایت بنیاد ملی تحقیقات انجام خواهد شد، ما در مورد حفظ اطلاعات حریم خصوصی ویدیوها صحبت خواهیم کرد. در زمینه افزایش قدرت دید نیز تلاش خواهیم کرد تا بینایی رایانه‌ای را بهبود بخشیم، زیرا این فناوری برای بسیاری از نرم‌افزارهای کاربردی که زندگی روزمره ما را تحت تأثیر قرار می‌دهند، اهمیت زیادی دارد. برای مثال، افزایش قدرت دید، خودروهای خودران را قادر می‌سازد در شرایط نامساعد جوی بهتر کار کنند.»

منبع: هوشیو

یکی از باورهای مشترک در دنیای امروز و در حوزه کسب و کار این است که هوش مصنوعی قدرت ارائه مزایای رقابتی تعیین‌کننده‌ای دارد. در واقع ۹۱% از مدیران سطح C که از هفتصد شرکت در نظرسنجی Forbes Insights شرکت کردند، موافقند که استفاده از هوش مصنوعی در کنار زدن رقبایشان در صنعت خودشان کمک زیادی خواهد کرد. البته استفاده از هوش مصنوعی بدون داشتن استراتژی داده مناسب ممکن نیست.

اما استفاده درست از هوش مصنوعی و یادگیری ماشین نیازمند داشتن داده‌های مناسب و تغذیه آن‌ها است. بر اساس نظرسنجی انجام شده، این همان قسمتی است که بسیاری از شرکت‌ها در آن مشکل دارند. اگرچه محوریت هوش مصنوعی و قدرت پیش‎بینی آن را، داده تشکیل می‌دهد، تنها ۱۲% از شرکت‌هایی که مدیران آن‌ها در این نظرسنجی شرکت داشتند، استراتژی داده مناسب ساخته و در حال استفاده از آن هستند. همچنین ۸۰% از این شرکت‌ها اعلام کردند که ۴۰% یا حتی کمتر از داده‌هایشان در درون سازمان به اشتراک گذاشته شده و دردسترس همه است.

بدون داشتن یک استراتژی داده مناسب، سازمان‌ها درک درستی از اصول هوش مصنوعی و درآمدزایی از آن ندارند. پس چطور می‌توان یک استراتژی داده  با رویکرد آینده‌نگر تدوین کنیم؟ برای این کار باید به موارد زیر دقت کرد.

دیدگاه شرکتتان از داده را دوباره بررسی کنید

از قدیم داده‌ها دغدغه‌های عملیاتی شرکت‌ها بوده‌اند و همیشه مشکلاتی برای جمع‌آوری، ذخیره‌سازی، امنیت و دسترسی به آن‌ها وجود داشته است. یک دیدگاه آماده برای استفاده از هوش مصنوعی آن را بازآفرینی خواهد کرد و باعث می‎شود عملیات مقابل نتایج قرار گیرند. یعنی به جای این که به داده‌ها با این دید بنگریم که به ما نشان دهند چه اتفاقی قرار است بیفتد، برایمان راهنمایی باشد که نشان می‌دهد چه اتفاقی می‌تواند بیفتد و چطور این اتفاق می‌افتد. هرچند بر اساس نظرسنجی Forbes Insights، تنها ۴۵% از مدیران تصمیم به اتخاذ یک استراتژی داده قابل درک برای شرکت دارند.

تمام بازیگران اصلی را درگیر کسب و کارها کنید

یک استراتژی داده برای شرکت که حامی، پایدار و ارائه‌دهنده اولویت‌های هوش مصنوعی باشد، نیاز به درگیری تمام بخش‌های مختلف شرکت با آن دارد. استراتژی داده ممکن است طراحی و توسط تیم‌های علوم داده، فناوری اطلاعات و حتی مدیران کسب و کار مورد استفاده قرار گیرد. مدیران مجرب می‌دانند که این کار یعنی تعریف دوباره نقش هر کارمند برای خودش و هماهنگ‎سازی آن با استراتژی داده به منظور آزادتر شدن وقت برای رسیدگی به موارد ضروری‌تر. در شرایطی که تنها حدود نیمی از شرکت‌های حاضر در نظرسنجی توانستند چنین استراتژی‌ای را برای بخش‌های مختلف در نظر بگیرند، این همان قسمتی است که باید مورد توجه باشد تا موفقیت زودتر حاصل شود.

توصیف مشکل یا فرصت

باید برای تعیین شرایط جدید، کسب و کار را هم در نظر بگیریم. مدیران کسب و کار باید این سوال را بپرسند: کاربرد هوش مصنوعی برای ما چیست و چه مشکلی را می‌خواهیم با آن برطرف کنیم؟ موفقیت چه شکلی دارد و چطور ارزیابی می‎شود؟ مدیران فناوری اطلاعات می‌توانند توضیح دهند که برای رسیدن به موفقیت به چه نوع داده‌ای نیاز دارید. در میان اهداف دیگر، شرکت‌های بزرگ به دنبال استفاده از هوش مصنوعی به منظور بهینه‎سازی جریان کار، افزایش فرصت‌های سرمایه‌گذاری و پیشرفت تجربه کاربری هستند. هریک از این اهداف نیاز به مجموعه داده‌های خودشان دارند. برای مثال، شاید استفاده از هوش مصنوعی به منظور پیشرفت تجربه کاربری با استفاده از چندین داده مانند نتایج نظرسنجی‌های رضایت مشتریان، شبکه‌های اجتماعی، معیارهای تبلیغات و جستجو در داده‌ها برای شخصی‎سازی تجارب، به دست آید.

آمادگی داده‌هایتان برای هوش مصنوعی را نشان دهید

داده‌ها مواد خام هوش مصنوعی هستند، اما چالش‌های خاص خودشان را هم دارند. در واقع در حالی که ۸۲% مدیران نظرسنجی انجام شده معتقدند حداقل در برخی از بخش‌های شرکتشان آمادگی برای استفاده از داده ها در هوش مصنوعی وجود دارد، تنها ۱۴% آن‌ها معتقدند داده‌هایشان برای تمام بخش‌های شرکت در دسترس قرار گرفته است. داده‌ها مدام در حال تولید از منابع مختلف و به‌روز شدن هستند و معمولا در مکان‌های متفاوت و با فرم‌های مختلف ذخیره می‎شوند. برای مثال، در مثال تجربه مشتری، دپارتمان‌ها شاید برای طبقه‌بندی مشتری روش‌های متفاوت داشته باشند. برای هریک هم نیاز به داده‌های متفاوت است. در نتیجه نیاز به داده‌هایی است که نشان دهنده کیفیت، تکامل، هم‎پوشانی و مرتبط بودن با کسب و کار، هستند. هرچه تنوع داده‌ها بیشتر باشد، شرکت‌ها بیشتر به سمت موفقیت حرکت خواهند کرد. ساده‎سازی پروسه مدیریت داده و امکان محافظت از آن در تمام بخش‌های یک شرکت، ضروری است. یعنی باید داده‌ها به خوبی برچسب‎گذاری و تفکیک شوند و برای موارد مختلف تجاری قابل استفاده باشند. پس عجیب نیست که ۷۰% از مدیران ترجیح می‌دهند در شرکت حکومت داده‌ها برقرار شود و ۴۸% آن‌ها تمایل دارند که میزان استفاده از داده در شرکت باید مدیریت شود.

توسعه یک استراتژی برای به دست آوردن داده‌های جدید

به محض این که مشخص کردید در شرکت باید همه بخش‌ها داده محور شوند یا فقط در بخش‌هایی مورد استفاده قرار گیرند، باید شروع کنید به شناسایی شکاف‌های بین مجموعه‌ داده‌ها و انجام اقداماتی به منظور پر کردن آن‌ها. برخی از داده‌ها ممکن است به صورت عمومی در دسترس باشند. برای مثال، یک شرکت خرده‌‎فروشی شاید تمایل داشته باشد با تامین‌کننده‌ داده مربوط به آب و هوا ارتباط برقرار کند تا متوجه شود تغییرات آب و هوا به چه اندازه در میزان پیاده‌‎روی مردم تاثیر دارد. بعد از آن از این اطلاعات در داده‌های تحت مدیریت خودشان استفاده می‌کنند و آن را به مجموعه داده‌‎هایشان اضافه می‌کنند. اگرچه این یک روش مناسب برای ساخت مجموعه داده است، اما بهترین راه این است که یک مجموعه داده اختصاصی برای خودتان ایجاد کنید که کسی توان رقابت با آن را نداشته باشد. برای این کار باید اقداماتی فراتر از جمع‌آوری داده انجام دهید. در واقع باید یک چرخه داده پربار ایجاد کنید و برای این کار نیاز به تعبیه داده‌ها در محصولاتتان است. با این روش مشتریان از محصولات شما استفاده و داده جدید ایجاد می‌کنند و این باعث می‎شود شما برای محصولات بعدی داده‌ای جدید به دست آورید. توسعه محصولات جدید باعث افزایش مشتریان شما می‎شود و هم مشتریان خودتان از محصولات شما بهره می‎برند و هم دامنه مشتری‌های شما بیشتر می‎شود. در نتیجه این ازدیاد مشتری، داده‌ها هم بیشتر می‎شوند و این یعنی یک چرخه مناسب برای پیشرفت شرکت فراهم شده است.

مهم‌ترین نکته در زمینه استراتژی داده هوش مصنوعی این است که برای شروع کردن آن خیلی دیر نشده است. درست است که همیشه زمان فاکتوری تاثیرگذار است، اما فشار برای استفاده از هوش مصنوعی نه‌تنها توسط مدیران، بلکه اعضای هیئت مدیره شرکت‌ها، مدام رو به افزایش است. ۷۰% از مدیران نظرسنجی اعلام کردند شرکت‌های آن‌ها در حال آماده کردن زیرساخت‌های استفاده از هوش مصنوعی هستند و این در حالی است که هر سال فقط تعداد کمی متخصص داده به افراد قبل اضافه می‏شود. فقط فکر کنید، اگر به موارد بالا دقت کنید، دفعه بعد که از شما بپرسند استراتژی داده شما برای استفاده از هوش مصنوعی شما چیست، دقیقا می‌دانید که چه توضیحی باید بدهید.

منبع: هوشیو

در یک سال گذشته، همه‌گیری کووید-۱۹ با وجود همه‌ آثار منفی که به همراه داشته، به ظهور خلاقیت در دنیای مصورسازی داده‌ها کمک فراوانی کرده است. طراحان گرافیک، محققان و علاقه‌مندان به حوزه علوم داده، استعدادهای خود را در راستای دستیابی به منفعت عمومی به کار گرفتند تا کلان‌داده‌های مربوط به کووید-۱۹ را در تصاویری واضح و توصیفی، به نمایش بگذارند. از نقشه‌های ساده تا تعاملی، از گراف‌های رنگارنگ تا غیرمعمول، احتمالاً تا به امروز با صدها نمونه مصورسازی از داده‌های مربوط به کووید-۱۹ روبرو شده‌اید.

اما آیا تا به حال دقت کرده‌اید این تصاویر چطور توانسته‌اند به دانش ما در مورد ویروس کرونا شکل دهند؟ در واقع، مصورسازی‌های انجام شده از داده ها در طول زمان، پا به پای ما، تحول یافته‌اند و به عموم مردم، خبرنگاران، سیاست‌گذاران و … کمک کرده‌اند تا بهتر در جریان وقایع قرار گیرند. در این نوشتار، روند تکاملی مصورسازی داده‌ها در زمان شیوع ویروس کرونا از ابتدای سال ۲۰۲۰ را با هم مرور می‌کنیم.

۱- ثبت و رهگیری موارد ابتلا به کووید-۱۹

در انتهای سال ۲۰۱۹، چندین وبسایت شروع به جمع‌آوری داده از سراسر دنیا کردند تا میزان شیوع گونه‌ جدید ویروس کرونا در نواحی مختلف را نشان دهند. جمع‌آوری و ادغام این داده‌ها به محققان، رسانه‌ها و عموم مردم این امکان را داد تا بدون نیاز به تسلط بر زبان کشورهای دیگر یا بدون دسترسی به منابع اصلی داده‌ها (که مربوط به ده‌ها کشور بود) دیدگاهی جامع‌تر نسبت به نوع جدید این ویروس به دست آورند.

از جمله وبسایت‌هایی که روزانه، آمار مبتلایان و مرگ و میر ناشی از کووید-۱۹ را ثبت می‌کند، وبسایت Worldmeter است. این وبسایت، علاوه بر شمارشگرهای زنده‌ای که تعداد ساکنین زمین را می‌شمارند، بخشی بسیار معتبر و قابل‌اطمینان برای اطلاع‌رسانی در مورد ویروس کرونا ساخته است. طبق توضیحات خود این سایت، داده‌های جمع‌آوری شده حاصل گزارشات رسمی هستند که مستقیماً از کانال‌های ارتباطی دولت‌ها یا به صورت غیرمستقیم از رسانه‌های محلی معتبر به دست می‌آیند. با وجود طراحی ساده‌اش، رسانه‌ها و مؤسسات سراسر دنیا به کرّات از Worldmeter به عنوان منبعی معتبر استفاده کرده‌اند.

در میان این مؤسسات، می‌توان به دانشگاه جانز هاپکینز اشاره کرد که در بالتیمور، مریلند واقع شده است. در تاریخ ۲۲ ژانویه ۲۰۲۰، این مؤسسه یک نقشه‌ جهانی برای رهگیری موارد ابتلا به کووید-۱۹ و نرخ مرگ و میر ناشی از آن منتشر کرد. این پروژه‌ی مقدماتی بعدها تبدیل به «مرکز منابع کرونای جانز هاپیکنز» یا CRC تبدیل شد که علاوه بر دربرداشتن ۲۶۰ منبع، در خود آمریکا دست به اقداماتی عملی (برای مثال آزمایش، رهگیری، واکسن) نیز زده است.

۲- همگام با آخرین اخبار

مصورسازی داده‌ها به مشخص شدن چالش‌های فراوانی که جوامع باید بر آن‌ها غلبه کنند نیز کمک کرده است. مصورسازی داده‌های منابع گوناگون، از Google Trends گرفته تا واکسن‌ها، به ما اجازه می‌دهند ایده‌های موجود را درک و پیام‌های کلیدی را منتقل کنیم.

بحث را از عبارات جستجو شده در گوگل شروع می‌کنیم؛ از ژانویه تا آوریل ۲۰۲۰، مطالعاتی به سرپرسی آلبرتو کایرو در وبسایت searchingcovid19 انجام شد. این پژوهشگران ترندهای برتر جستجو در مورد ویروس کرونا را در آمریکا مورد بررسی قرر داردند و در انتها، به شکلی آگاهی‌بخش، نتایج را به تصویر درآوردند. به عنوان مثال، تحلیل نتایج نشان داد که به مرور زمان، جستجوها از مواردی مثل «همه‌گیری چیست؟» به سؤالات کاربردی‌تر همچون «چطور از زوم استفاده کنیم؟» تبدیل شده بودند.

وقتی سعی داریم تأثیر عفونت‌ها را روی جوامع بسنجیم، مصورسازی داده‌ها به طرقی نوآورانه به ما کمک می‌کنند درک بهتری از مقالات و اخبار به دست آوریم. برای مثال، خبری از روزنامه‌ New York Times توانسته است با استفاده از یک نمودار پراکندگی ساده، نوشتاری تعاملی ایجاد کند؛ در این نمودار، احتمال ابتلا بر اساس دو متغیر (در معرض بیماری قرار گرفتن، و نزدیکی فیزیکی به دیگران) مورد بررسی قرار گرفته است. در مواردی از این دست، به کارگیری فناوری می‌تواند از ادعای نویسنده پشتیبانی کند، چون خواننده را به صورت فعالانه درگیر و آن‌ها را ترغیب می‌کند برای مطالعه‌ ادامه‌ مطلب به پایین صفحه مراجعه کنند.

با گذر زمان، سؤالاتی در مورد فاصله‌گذاری اجتماعی (چیستی، چرایی، چگونگی و …) مطرح شده‌اند. نویسندگان Washington Post یک «شبیه‌ساز کرونا» ساخته‌اند که در آن، به کمک نمودارهای پویا نشان می‌دهند فاصله‌گذاری اجتماعی (از درجه‌ آزادی تا قرنطینه‌ اجباری) توانسته است منحنی ابتلا به این بیماری‌ را مسطح کند. در زمانی که فاصله‌گذاری اجتماعی برای بیشتر ما مفهومی جدید و ناشناخته بود، چنین مصورسازی‌هایی نشان دادند که برای خلاصی از این همه‌گیری، راهی وجود دارد.

اخیراً، «رهگیر داده» جدیدی منتشر شده است که می‌تواند آخرین آمار واکسیناسیون کووید-۱۹ در سراسر دنیا را دنبال کند. گراف‌های Our World in Data مصداق بارز این فناوری‌ها هستند. این گراف‌ها مبتنی بر داده‌هایی متن‌باز هستند (منبع‌کد Github) و تعداد دوزهای واکسن کووید-۱۹ که روزانه در دنیا تزریق می‌شوند را در قالب تصویر نشان می‌دهند. از نظر من، نقطه‌قوت این وبسابت در این است که به کاربران اجازه می‌دهد به راحتی بین معیارهای مختلف (موارد ابتلا، مرگ و میر، آزمایش، واکسیناسیون) و انواع گراف‌ها (خطی، جهانی، جدول داده) جابجا شوند تا دقیقاً همان چیزی که می‌خواهند را مصورسازی کنند.

۳- گامی به عقب و دیدن تصویر بزرگ‌تر

یکی دیگر از جنبه‌های اصلی مصورسازی داده در عصر کووید-۱۹، چشم‌انداز است. با وجود اخبار ناگوار، مصورسازی‌های داده کمک می‌کنند تا بتوانیم اعداد و ارقام روزانه را در بافتی وسیع‌تر قرار دهیم.

در این روزها که اولین همه‌گیری عمرمان را تجربه می‌کنیم، ممکن است فراموش کرده باشیم که پیش از این هم در تاریخ انسان، همه‌گیری‌هایی رخ داده‌اند و خطرشان بسیار فراتر از بیماری کنونی بوده است. به همین خاطر است که معتقدم این اینفوگرافیک از Data Visualist چشم افراد را نسبت به این موضوع باز می‌کند. درست است که همه‌گیری فعلی کشنده و نگران‌کننده است، اما تا به امروز، HIV منجر به مرگ و میر بیشتری شده است و تا به حال هم هیچ واکسنی علیه آن پیدا نشده است.

از طریق ادغام چندین مصورسازی در داشبوردها، می‌توان درک بهتری از پاندمیک به دست آورد؛ این همان کاری است که برخی وبسایت‌ها انجام داده‌اند تا همه‌ی داده‌های مرتبط با کووید-۱۹ را به صورت یک‌جا جمع کنند. با وجود سوگیری‌های بالقوه در انتخاب گراف‌ها و نحوه‌ بازنمایی آن‌ها، این داشبوردها به خوانندگان اجازه می‌دهند بیشترین اطلاعات ممکن را از بیشترین منابع ممکن دریافت کنند. این داشبوردها، در مقایسه با مقالات ساختاردهی شده، امکان تفسیری آزاد را برای خوانندگان فراهم می‌کنند و به همین خاطر، هرکسی می‌تواند نتیجه‌گیری‌های خودش را از گراف‌ها داشته باشد.

جمع‌بندی

در این نوشتار، یک سال مصورسازی داده‌های همه‌گیری کووید-۱۹ را به شکل خلاصه مرور کردیم.

هنگام بررسی مصورسازی‌ها، چه مرتبط با کووید-۱۹ باشند چه نه، دو نکته را باید مدنظر داشته باشید:

• منابع داده: داده‌ها از کجا آمده‌اند؟ آیا منابع قابل اتکا هستند (دولتی، مؤسسات نامدار و …)؟
• راستگویی گراف‌ها: آیا تشخیص می‌دهید نویسندگان سوگیری‌های بالقوه‌ای داشته‌اند و می‌توانند خوانندگان را گمراه کنند؟

بعد از این‌که از برقراری این دو شرط مطمئن شدید، می‌توانید از مصورسازی داده‌ها لذت ببرید.

منبع: هوشیو