امروزه در کمتر صنعتی به اندازه حوزه تجارت الکترونیک رقابت شدید و تنگاتنگ است. نه تنها فروشگاه‌های آنلاین و فیزیکی، بلکه کل فضای اینترنت با خرده‌فروشی‌های آنلاین در رقابت هستند. ما در دنیایی زندگی می‌کنیم که میزان صبر و توجه مصرف‌کنندگان به‌شدت کاهش یافته است. اگر بارگذاری یک وب‌سایت بیشتر از ۳ ثانیه طول بکشد، ۴۰% از مردم آن صفحه را می‌بندند. همچنین در ۶۸% از موارد افراد پیش از تکمیل خرید و انجام تراکنش، از وب‌سایت‌ها خارج می‌شوند. نمی‌توان وب‌سایتی در حوزه تجارت الکترونیکی پیدا کرد که مدام در حال تلاش برای جلب‌نظر مشتریان و افزایش میزان فروش خود نباشد.

سرانجام به نظر می‌رسد که فناوری به کمک این وب‌سایت‌ها شتافته است. هوش مصنوعی که پیش از این نیز در حوزه‌های بازاریابی، سلامت و امورمالی، بسیار توانمند ظاهر شده بود، حال قدم به دنیای تجارت الکترونیک خواهد گذاشت.

آنتونی بلوندو مدیرعامل شرکت Sentient Technologies که تاکنون بیشترین سرمایه‌گذاری در حوزه هوش مصنوعی را به خود جذب کرده است، چنین اظهار دارد:

طی ۵ سال آینده، شاهد پررنگ‌تر شدن نقش هوش مصنوعی در تصمیم‌گیری‌ها، ارائه راه‌حل‌های پیش‌گیرانه و تحلیل داده‌ها خواهیم بود و درنتیجه آن، کارآیی در جامعه افزایش خواهد یافت. حوزه‌های تدارکات، تجارت الکترونیک، سلامت و امورمالی و بسیاری دیگر از صنایع از هوش مصنوعی منتفع خواهند شد. در آینده به کمک هوش مصنوعی قادر خواهیم بود بسیاری از کارها را سریع‌تر و با هزینه کم‌تری انجام دهیم. همچنین می‌توان امکان مشاهده و خرید اقلامی را فراهم آورد که افراد نه از وجود آن‌ها آگاه هستند و نه حتی به آن‌ها نیاز دارند.

در ادامه به پنج مورد از کاربردهای هوش مصنوعی در حوزه تجارت الکترونیک خواهیم پرداخت.

۱-جست‌وجوی تصویری

خریدران به زودی می‌توانند خریدهای هیجانی و بی‌هدف را از زندگی خود حذف کنند. سامانه‌های نرم‌افزاری که در وب‌سایت‌های تجارت آنلاین استفاده می‌شوند، در آینده‌ای نه چندان دور امکان جست‌وجوی تصویری را برای مصرف‌گنندگان فراهم خواهند کرد. مصرف‌کنندگان با استفاده از این قابلیت خواهند توانست تنها با بارگذاری یک تصویر از محصول موردنیاز خود، محصولات مشابه و مکمل آن را مشاهده نمایند. در جست‌وجوی تصویری توسط گوشی‌های همراه، ویژگی‌های محصول از جمله رنگ، شکل، سایز، جنس و برند آن به اصطلاح «خوانده» می‌شوند. بدین ترتیب، مصرف‌کنندگان می‌توانند به سرعت، دقیقاً همان چیزی که دنبالش هستند را پیدا کنند. آکاش بهاتیا ، مؤسس و مدیرعامل شرکت Infinite Analytics که یک سامانه مبتنی بر یادگیری ماشینی عمیق و پیش‌بینی تحلیلی است، اظهار کرد:

در عصر دیجیتالی حاضر که میزان توجه و صبر مصرف‌کنندگان به شدت کاهش یافته و نرم‌افزارهای اسنپ‌چت، اینستاگرام بسیار شهرت یافته‌اند، سامانه‌های مبتنی بر هوش مصنوعی برای موفقیت در عرصه تجارت الکترونیک یک عامل حیاتی به‌شمار می‌آیند.

دیگر نیازی نیست که مصرف‌کنندگان برای انتخاب و پسندیدن یک محصول به ویترین مغازه‌ها نگاه کنند، بلکه ممکن است یک جفت کفش نایک در باشگاه ورزشی یا پیراهن جدید یک دوست، توجه فرد را جلب کند و موردپسند وی واقع شود. سپس این مصرف‌کننده می‌تواند با استفاده از قابلیت جست‌وجوی تصویری، محصولات مشابه با آن را در فروشگاه اینترنتی شما پیدا کند.

۲-ادغام دنیای واقعی با دنیای مجازی

قابلیت‌ جست‌وجوی تصویری، دنیا واقعی و مجازی را به‌طور بی‌سابقه‌ای به یک‌دیگر پیوند خواهد داد. خرده‌فروشان با تغییر استراتژی‌های جلب‌نظر مصرف‌کنندگان، اطلاعات بیشتری درخصوص خریداران خواهند داشت. بدین ترتیب، خدمت‌رسانی به مشتریان بهبود خواهد یافت و سرانجام نیز فرصت‌های بیشتری برای فروش محصولات در اختیار خرده‌فروشان قرار خواهد داد. حرکت از سوی بازارهای واقعی به سوی بازارهای مجازی باید با کم‌ترین تغییرات در تجربه خرید و فروش اتفاق بیافتد تا حس استقلال و داشتن قدرت تصمیم‌گیری به مصرف‌کنندگان القاء شود.
سامانه‌های خرید آنلاین با استفاده از هوش مصنوعی اطلاعاتی که در بخش‌های مختلف وب‌سایت‌ها از جمله بخش نظرات و بررسی محصول به اشتراک گذاشته‌ایم را جمع‌آوری می‌کنند تا بتوانند در فروشگاه‌های فیزیکی خود بهترین خدمات و پیشنهادات را به ما ارائه دهند.

۳-شخصی‌سازی

شخصی‌سازی در عرصه تجارت الکترونیک موضوع جدید نیست. اما به لطف هوش مصنوعی و فن‌آوری‌های نوظهور مبتنی بر آن، برندهای آنلاین نیز بیش از پیش به ابزارهای شخصی‌سازی دسترسی خواهند داشت.
درحال‌حاضر، بسیاری از خرده‌فروشان برای ارائه پیشنهادات مناسب با سلیقه هر مشتری از سیستم‌های پالایش گروهی استفاده می‌کنند. نتایج این سیستم‌ها براساس تاریخچه‌ جست‌وجوی آنلاین، پرفروش‌ترین محصولات روز، محصولات مد روز و سایر پارامترهای کلی ارائه می‌شوند. اما این سیستم‌های پالایش گروهی به دلیل جمع‌آوری داده‌ها از یک منبع واحد، دارای محدودیت‌های زیادی هستند. منبع داده‌های جمع‌آوری‌شده برای پالایش گروهی می‌تواند یکی از این موارد باشد: تاریخچه فروشگاه‌های آنلاین، سوابق خرید از فروشگاه‌های فیزیکی یا نرم‌افزارهای موبایلی. در مقابل، هوش مصنوعی با دسترسی هم‌زمان به همه این منابع و تلفیق اطلاعات به‌دست‌آمده از آن‌ها، تجربه بهتری برای مشتریان رقم خواهد زد.
آکاش بهاتیا می‌گوید:

شخصی‌سازی یک مسئله چندبعدی است. جمع‌آوری اطلاعات مربوط به عادت‌های خریداران پیچیدگی‌های زیادی دارد؛ درعین‌حال، شخصی‌سازی مناسب و دقیق، نیازمند تجزیه‌ و تحلیل حجم زیادی از داده‌ها است. به کمک الگوریتم‌های یادگیری عمیق، خرده‌فروشان آنلاین می‌توانند به سرعت از تغییرات بازار اطلاع پیدا کنند و محصولات خود را به بهترین شکل ممکن با نیاز مشتری تطبیق داده و شخصی‌سازی کنند.

۴-دستیار مجازی خرید

جولی بُرن‌اِشتاین ، مدیر ارشد عملیات شرکت Stitch Fix که شرکتی مبتنی بر هوش مصنوعی است، چنین می‌گوید:

خرده‌فروشان سنتی همچنان بر این باورند که مصرف‌کنندگان عاشق خرید هستند و زمان کافی برای خرید کردن را دارند. اما امروزه افرادی هستند که در خرید کردن تبحر دارند و می‌توانند در وقت صرفه‌جویی کنند.

به همین دلیل می‌توان گفت که رویای داشتن یک دستیار شخصی برای خرید کردن، از همیشه به ما نزدیک‌تر است. درحال‌حاضر سامانه‌هایی چون Stitch Fix، Trunk Club و Brichbox به کاربران خود خدماتی در این حوزه ارائه می‌دهند. اما امروزه با افزایش روزافزون شمار فروشگاه‌های الکترونیکی مواجه هستیم که هر یک به کمک فن‌آوری‌های هوش مصنوعی پیچیده‌ خود، سعی دارند تا در خرید محصولات موردنیاز کاربران به آن‌ها کمک کنند. از این قبیل فروشگاه‌ها می‌توان به فروشگاه The North Face اشاره کرد. این برند اخیراً یک فن‌آوری مبتنی بر هوش مصنوعی به بازار معرفی کرده‌ است که در یافتن «مناسب‌ترین لباس برای سفر بعدی‌تان» به شما کمک می‌کند.

هم‌اکنون برندهای مطرح در حال ایجاد سیستم‌های تعاملی فروش هستند تا براساس داده‌های شناختی جمع‌آوری‌شده توسط هوش مصنوعی و با شبیه‌سازی یک گفتگوی حقیقی، با استفاده از سیستم های توصیه گر پیشنهادات خود را به مشتریان ارائه دهند. دستیارهای هوشمند خرید، با تحلیل حجم وسیعی از داده در کمترین زمان ممکن، می‌توانند بسیار سریع‌تر از رقبای انسانی خود عمل کنند. تعامل با این دستیارها کاملاً مشابه تعامل با انسان‌ها است و شخصیت مجازی آن‌ها بازتابی از اهداف و اولویت‌های برند مربوطه می‌باشد. دستیارهای مجازی خرید برقراری ارتباط با پشتیبانان سایت را برای کاربران، به تجربه‌ای جذاب تبدیل خواهد کرد.

۵-استقبال مصرف‌کنندگان از هوش مصنوعی

نتایج مطالعه انجام گرفته توسط مؤسسه تحقیقاتی جی. والتر تامپسون حاکی از این است که مصرف‌کنندگان به کاربردهای هوش مصنوعی در صنعت خرده‌فروشی علاقه‌مندند. طبق نتایج حاصل از این پژوهش، ۷۰ درصد از شهروندان آمریکایی که در اواخر قرن بیستم متولد شده‌اند، از به‌کارگیری هوش مصنوعی توسط برندها و خرده‌فروشی‌ها برای معرفی محصولات استقبال می‌کنند و ۷۲ درصد نیز بر این باورند که با پیشرفت فن‌آوری، برندها می‌توانند به کمک هوش مصنوعی، نیازهای آن‌ها را بهتر از قبل پیش‌بینی کرده و پاسخ‌گوی این نیازها باشند.

آکاش بهاتیا در این خصوص اظهار داشت:

حال که فرصت استفاده از هوش مصنوعی در حوزه خدمات مشتریان برای خرده‌فروشی‌ها فراهم شده است، آن‌ها باید از این فرصت برای شخصی‌سازی تجربه خرید استفاده کنند. روش‌های نسل سوم شخصی‌سازی بسیار جالب‌توجه هستند. استفاده از این ابزارها صرفا به خرده‌فروشان آنلاین بزرگ و سرشناس محدود نمی‌شود، بلکه همه‌ی برندهای فعال در عرصه تجارت الکترونیک در هر شکل و سایزی می‌توانند با به‌کارگیری فن‌آوری هوش مصنوعی از مرزها و محدودیت‌ها عبور کنند و به کمک قابلیت‌ شخصی‌سازی هوشمند، میزان فروش خود را افزایش دهند.

منبع: hooshio.com

آیا تا به حال به این موضوع فکر کرده‌اید که ماشین یا ربات چگونه می‌تواند تصاویر را شناسایی کند؟ این کار به لطف یک حوزه تحقیقاتی بین رشته‌ای تحت عنوان «بینایی رایانه » امکان‌پذیر شده است. ابزارهای بینایی ماشین چیست؟ به همان شیوه‌ای که چشم در مشاهده و ارائه واکنش نسبت به محیط پیرامون به انسان کمک می‌کند، الگوریتم‌های یادگیری ماشین و یادگیری عمیق و همچنین قطعات سخت‌افزاری از قبیل دوربین و حسگر با یکدیگر در رایانه فعالیت می‌کنند تا این هدف محقق شود. بینایی ماشینقدرت ادراک، دسته‌بندی، شناسایی و ارائه واکنش به اجسام پیرامون را به ماشین اعطا می‌کند.

محققان طیف وسیعی از ابزارها و کتابخانه‌های نرم‌افزاری ساخته‌اند تا پروژه‌ها و نرم‌افزارهای گوناگون را با بینایی ماشین تقویت کنند. مقاله حاضر بر آن است تا خوانندگان را با برخی از این ابزارها و کتابخانه‌های مشهور و پرکاربرد آشنا کند. پس تمرکز اصلی مقاله، آشناسازی و آگاهی‌بخشی به خوانندگان در خصوص این فناوری‌ها است. انتظار می‌رود افراد پس از مطالعه دقیق این مقاله به اطلاعات خوبی در خصوص چگونگی استفاده از ابزارها و کتابخانه‌ها در نرم‌افزارهایشان دست پیدا کنند.
اکنون به معرفی این لیست می‌پردازیم:

OPENVINO

بینایی ماشین

حدود ۸۰ درصد از رایانه‌های شخصی به پردازنده اینتل مجهز هستند. پس اصلاً جای تعجب نیست که ماشین‌هایِ مورد استفاده‌ی شما نیز به احتمال ۸۰ درصد مجهز به پردازنده اینتل باشد. حال سوال این است که چرا اینتل؟ توسعه‌دهندگان کارشان را به خوبی بلد هستند و قابلیت ساخت بهترین پردازنده‌ها را دارند. اما این تنها دستاورد اینتل نیست. اینتل با ساخت تول‌کیتی برای طیف کثیری از نرم‌افزارهای هوش مصنوعی، در عرصه مدل‌های تقاضامحور پیشگام است. این نرم‌افزارها عمدتاً بر پایه بینایی ماشین قرار دارند.
اینتل تول‌کیت OpenVINO خود را در روز ۱۶ مِه ۲۰۱۸ روانه بازار کرد. این تول‌کیت با زبان برنامه‌نویسی C++ و پایتون نوشته شده است. VINO خلاصه شدۀ عبارت «استنتاج بصری و بهینه‌سازی شبکه عصبی» است. شاید این عبارت برایتان بیگانه باشد، اما واقعیت این است که اگر با آن عبارات آشنایی داشته باشید، در همان نگاه اول تشخیص می‌دهید که این تول‌کیت چه کاربردی دارد. پس بگذارید کار را شروع کنیم. استنتاج . این اصطلاح به معنای استفاده از مدل است و تا حد زیادی به استفاده از مدل آموزش دیده برای پیش‌بینی اشاره می‌کند. در استنتاج بصری، از مدل آموزش دیده برای پیش‌بینی مسائل در مرجع بصری استفاده می‌شود؛ رویکردی که در بینایی ماشین هم به کار برده می‌شود. عبارت بعدی، «بهینه‌سازی شبکه عصبی» است و به بهینه‌سازی شبکه عصبی در آموزشِ شبکه اشاره می‌کند. همین قدر کافی است! این اطلاعات مختصر برای پی بردن به کارکرد OpenVINO کفایت می‌کند. این تول‌کیت به بهینه‌سازیِ مدلِ آموزش دیده پرداخته و می‌تواند بطور مستقیم ابزارهایی را برای استفاده از آن مدل فراهم نماید تا استنتاج بصری به سرعت انجام پذیرد. به همین سادگی!

این تول‌کیت در چه جاهایی کاربرد دارد؟
OpenVINO همیشه از شما می‌خواهد که یک مدلِ از پیش آموزش دیده در اختیارش قرار دهید. این تول‌کیت هیچ ابزاری ارائه نمی‌کند تا با آن مدل‌ مورد نظرتان را توسعه دهید یا به کدنویسی آن بپردازید. امکانات این تول‌کیت می‌تواند در مراحل بعدی به کار بیاید. تول‌کیت OpenVINO از چندین مدلِ از پیش آموزش داده شده تشکیل یافته است و تحت مولفه تول‌کیت «Model Zoo» ارائه شده است که امکان استفاده مستقیم از این مولفه وجود دارد. باید این نکته را به خاطر داشته باشید که «Model Zoo» تول‌کیتِ مخصوص توسعه مدل نیست. از دید نرم‌افزاری، این تول‌کیت برای بهینه‌سازی و استقرار مدل به کار برده می‌شود.

موارد کاربرد این تول‌کیت در بخش زیر خلاصه می‌شود:
• بهینه‌سازی الگوریتم‌ها
• استفاده آسان از الگوریتم‌ها در هر پلتفرمی
• استفاده از «Model Zoo» با هدف بکارگیریِ مدلی که بهترین عملکرد را در مسئله مورد نظر کاربر داشته باشد.
• استفاده از موتور استنتاج
• بهینه‌سازی قابلیت‌های پردازش تصویر با استفاده از OpenCV
مطمئنم هیجان زیادی دارید که خودتان این تول‌کیت را امتحان کنید. خب توصیه می‌کنیم به این لینک مراجعه کنید

OpenCV

دور از انصاف است که درباره کتابخانه‌های بینایی ماشین حرف بزنید، اما اشاره‌ای به OpenCV نکنید. OpenCV کتابخانه پردازش تصویری است که سه شرکت به نام اینتل، Itseez و Willow Garage در طراحی و ساخت آن ایفای نقش کرده‌اند. این کتابخانه از سال ۲۰۰۰ در دسترس کاربران قرار گرفته است. کتابخانه OpenCV عمدتاً با زبان برنامه‌نویسی C++ نوشته شده، اما برخی از ماژول‌ها با C نوشته شده‌اند. این کتابخانه برخلاف OpeNvino کاربردهای بسیار زیادی دارد. این کتابخانه قادر است مراحل پیش‌آموزش مدل و پیش‌استقرار را با تاکید بیشتر بر پردازش تصویر انجام دهد.

OpenCV می‌تواند در موارد زیر به کار برده شود:
• کارهای پیش‌پردازش مثل مقیاس‌دهی، حذف نویز و سایر کارهای فرمتینگ در تصویر یا ویدئو.
• این کتابخانه می‌تواند برای اجرای ۲۵۰۰ مدل بهینه‌سازی شده استفاده گردد؛ مدل‌هایی که در این کتابخانه گنجانده شده‌اند.
• این کتابخانه می‌تواند برای توسعه جدیدترین مدل‌ها در بینایی ماشین و یادگیری ماشین به کار برده شود.
• OpenCV برای توسعه مدل‌ها از دسته‌های مختلف نیز کاربرد دارد؛ از جمله این دسته‌ها می‌توان به تشخیص و بازشناسی چهره، تشخیص اشیاء، استخراج مدل سه‌بعدی و هر کاربرد دیگری که به ذهن‌تان می‌رسد، اشاره کرد.

OpenCV کتابخانه‌ای فوق‌العاده است که جامعه کاربران وسیعی دارد و بیش از ۴۷۰۰۰ توسعه‌دهنده در این جامعه عضویت دارند. این توسعه‌دهندگان برای هر مسئله‌ای که با آن مواجه می‌شوید، جواب دارند. نه تنها برخی از استارت‌آپ‌های بزرگ از این کتابخانه استفاده می‌کنند، بلکه غول‌های حوزه فناوری از قبیل گوگل، یاهو و مایکروسافت نیز به استفاده از OpenCV می‌پردازند. یکی از موارد استفادۀ کتابخانه OpenCV، تشخیص چهره است. OpenCV این امکان را در اختیار کاربر می‌گذارد تا فعالیت‌های پردازش تصویر و الگوریتم‌های پیش‌بینی را به نحو احسن انجام دهد. نه تنها می‌توانید از الگوریتم شناسایی اشیاء استفاده کنید، بلکه این فرصت را دارید تا از ابزار «ردیابی اشیاء» برای ردیابی چهره به صورت فریم به فریم در ویدئو نیز استفاده نمائید. افزون بر این، OpenCV امکان آزمایش مدل را در ویدئوی زنده و حتی ویدئوی از پیش ضبط شده نیز فراهم می‌کند. حاضرید که کار رو شروع کنید؟ به این لینک مراجعه کنید و اولین مدل‌تون رو با این کتابخانه امتحان کنید.

پلتفرم‌های سرویس ابری

بینایی ماشین

اگر بحث از چارچوب‌های بینایی ماشین باشد و نامی از غول‌های فناوری در آن نباشد، شاید این تصور در ذهن ایجاد شود که گوگل این مقاله را در موتور جستجویش ندارد. گوگل محصول خود را «Vision AI» نامگذاری کرده است که اساساً دو محصولِ AutoML Vision و Vision API را دربرمی‌گیرد. این محصول به قدری GUI ساده ای دارد که هر شخصی می‌تواند برای آموزش الگوریتم‌های بینایی از آن بهره ببرد. خب برای به کارگیری آن باید چه کار کنیم؟  فقط کافی است تصاویر را بارگذاری کنید و مدلی انتخاب کنید تا فرایند آموزش بر روی آن پیاده‌سازی شود. تمام! به همین سادگی! آمازون هم ابزاری تحت عنوان Amazon Rekognition دارد که این فرصت را به کاربران می‌دهد تا مدل‌های یادگیری عمیق‌ شان را به راحتی استفاده کنند. مایکروسافت نیز خدمات ابری Azure را عرضه کرده است و از این طریق API بینایی رایانه را اجرا می‌کند تا مدل‌های بینایی رایانه را در ابر پردازش و تحلیل کرده و توسعه‌شان دهد. شرکت IBM دو موتور بینایی رایانه فوق‌العاده موسوم به Watson Visual Recognition و PowerAI Vision دارد.
امکان استفاده از Watson Visual Recognition برای تجزیه و تحلیل تصاویر و ویدئوها وجود دارد. هدف از این کار، دسته‌بندی و سایر امور مرتبط با یادگیری ماشین است. PowerAI Vision زمینه را برای آموزش مدل‌های بسیار دقیق فراهم می‌کند و نیازی به تخصص در یادگیری عمیق ندارد. همه راه‌حل‌های ابری به این جهت ایجاد شده‌اند که کاربران بتوانند به راحتی مدل‌های بینایی ماشین را توسعه داده و به کار گیرند؛ بدون اینکه تخصص فنی بالایی در این زمینه داشته باشند. البته باید برای استفاده از این خدمات مبلغی را پرداخت کنید. میلیون‌ها کاربر از این خدمات برای توسعه نرم‌افزارهای گوناگون استفاده می‌کنند؛ محصولات خود شرکت‌ها نیز با بهره‌گیری از این فناوری‌ها توسعه داده شده است. گویا هیچ یک از غول‌های فناوری قصد ندارند به راحتی از رقابت برای ارائه خدمات بینایی رایانه پا پس بکشند.

میز کار بینایی ناسا

شاید این موضوع اصلاً به ذهن‌مان خطور نکند، اما ناسا نیاز زیادی به کتابخانه‌های پردازش تصویر دارد و شاید در این راستا به استفاده از کتابخانه خاص خودش روی آورد. بنابراین، بخش «سیستم‌های هوشمند مرکز تحقیقات Ames» طراحی و توسعه کتابخانه «میز کار بینایی» را بر عهده داشت. این کتابخانه به زبان C++ نوشته شده است. برخلاف سایر کتابخانه‌ها، VWB توان بالایی برای ارائه مدل‌هایی با عملکرد نوین ندارد. VWB به منظور تجزیه و تحلیل تصاویر فضایی ساخته شده است. این کتابخانه در پیشبرد اهداف تحقیقاتی و رباتیک نقش بسزایی خواهد داشت.

کتابخانه VWB در امور زیر کاربرد دارد:
• تحلیل تصاویر
• افزایش کیفیت تصاویر
• تبدیلات هندسی و فضایی برای تجسم تصاویر
• ایجاد مدل‌های مختصر و فشرده برای بکارگیری در موتورهای رباتیک فضایی

NVIDIA VISIONWORKS

همه به این موضوع واقف‌اند که Nvidia بهترین کارت‌های گرافیک را برای آموزش سریع مدل‌های بینایی ماشین عرضه می‌کند. اما Nvidia کتابخانه مخصوص خود را برای توسعه مدل‌های بینایی ماشین توسعه داده که VisionWorks نام دارد. افراد می‌توانند با استفاده از VisionWorks خطوط لوله بینایی ماشین خود را با استفاده از ماژول‌‍‌های ساده و فوق‌العادۀ این تول‌کیت بسازند. VisionWorks این فرصت را به کاربران می‌دهد تا کارهای زیر را انجام دهند:
• کارهای رباتیک، توسعه الگوریتم‌های محلی‌سازی و ردیاب‌های تصویری سریع
• نرم‌افزارهای مبتنی بر واقعیت افزوده؛ گرفتن خروجی سریع‌تر از کارهای گرافیکی
• تحلیل هوشمند ویدئو

رانندگی خودران یکی از بهترین موارد کاربرد است که راهبرد طراحی شده با VisionWorks آن را محقَق ساخته است. این کتابخانه یک رابط برنامه‌نویسی بینایی CUDA مستقیم در اختیار توسعه‌دهنده‌ها گذاشت و توسعه سریعِ شناساگر‌های اشیاء را آسان کرد. شناسایی اشیاء یکی از ویژگی‌های کلیدی در رانندگی خودکار محسوب می‌شود. VisionWorks زمینه را برای ردیابی و تحلیلِ آسان چندین صحنه به صورت توامان فراهم می‌کند. این تول‌کیت باعث می‌شود از حداکثر توان پردازنده Nvidia در موارد بینایی ماشین استفاده کنید. این موضوع را فراموش نکنید که نیازی به دانش سرشار در خصوص چگونگی کارکرد این کتابخانه‌ها ندارید. به محض اینکه بینش خوبی درباره توان این کتابخانه‌ برای ارائه ورودی و خروجی کسب کردید، موارد استفاده عملی از آنها را نیز یاد خواهید گرفت.

منبع: hooshio.com

فناوری تشخیص چهره از دهه ۶۰ میلادی وجود داشته است، اما تحولات سریع جهان منجر به تغییرات گسترده‌ای در این فناوری شده است. دیگر به این فناوری به چشم یک آرزوی خیالی مانند آنچه در فیلم علمی تخیلی “گزارش اقلیت” داشت نگاه نمی‌شود. با معرفی آیفون ۱۰ میلیون‌ها نفر به این تکنولوژی دسترسی پیدا کردند تا از طریق آن بتوانند از اطلاعات شخصی خود محافظت کنند. می‌توان گفت مشهورترین استفاده‌ای که از فناوری تشخیص چهره می‌شود در گوشی‌های موبایل‌تان است اما تشخیص چهره به همین جا محدود نشده است. از این فناوری در طیف گسترده‌ای همچون پیشگیری از وقوع جرم، محافظت از رویدادها و تسهیل مسافرت‌های پروازی استفاده می‌شود.

در ادامه به معرفی ۲۰ کاربرد فناوری تشخیص چهره می‌پردازیم که باعث شده‌اند جهان به مکانی باهوش‌تر، امن‌تر و راحت‌تر تبدیل شود.

۱- پیشگیری از جرائم کوچک و خرد

در حال حاضر از این فناوری برای تشخیص سریع چهره سارقان‌ شناخته‌شده، مجرمان خرده‌پا یا افرادی که سابقه کلاهبرداری دارند استفاده می‌شود تا هنگام ورود به فروشگاه‌ها شناسایی شوند. این فروشگاه‌ها دیتابیس بزرگی از مجرمان را دارند که می‌توانند عکس‌های افراد واردشده به فروشگاه را با آن تطبیق دهند به گونه‌ای که هنگام ورود یک خریدار به فروشگاه مشخص شود که این فرد یک تهدید محسوب می‌شود یا نه؟ فناوری تشخیص چهره به شدت میزان جرائم خرد‌ را کاهش داده است.  تشخیص چهره باعث شده است سرقت ۳۴ درصد و از آن مهم‌تر ، حوادث خشونت‌آمیز در فروشگاه‌های خرده‌فروشی تا ۹۱٪ کاهش یابد.

۲- بازکردن قفل گوشی

بسیاری از تلفن‌های همراه از جمله آخرین مدل آیفون اکنون از چهره افراد برای باز کردن قفل استفاده می‌کنند. این فناوری یک روش قدرتمند برای محافظت از داده‌های شخصی و اطمینان از این موضوع است که در صورت سرقت تلفن، فرد سارق به اطلاعات حساس دسترسی نخواهد داشت.

۳- تبلیغات هوشمندانه‌تر

فناوری تشخیص چهره این امکان را دارد که با تخمین سن و تعیین جنسیت افراد، تبلیغات را هدفمندتر کند. به عبارت دیگر محتوای متناسب با آن سن و جنس را به نمایش درآورد. هم اکنون شرکت هایی مانند Tesco در حال برنامه‌ریزی برای نصب صفحه نمایش‌های مجهز به این تکنولوژی در پمپ بنزین‌ها هستند. فقط زمان کوتاهی لازم است تا تشخیص چهره به یک ابزار تبلیغاتی فراگیر تبدیل شود.

۴- یافتن افراد گمشده

از تشخیص چهره می‌توان برای یافتن کودکان گم‌شده و کودکانی که قربانی قاچاق انسان می‌شوند استفاده کرد. برای این منظور تصاویر افراد گمشده به دیتابیس‌ها اضافه شده است. این کار باعث می‌شود به محض اینکه فناوری تشخیص چهره، افراد گمشده را در فرودگاه، فروشگاه‌ها یا مراکز عمومی شناسایی کرد، نیروهای انتظامی در جریان قرار بگیرند. جالب است بدانید، تنها در چهار روز استفاده از این فناوری در هند ۳۰۰۰ کودک گم‌شده پیدا شدند!

۵-کمک به نابینایان

Listerine یک برنامه تشخیص چهره شگفت‌انگیز ایجاد کرده است که با استفاده از تشخیص چهره به نابینایان کمک می‌کند. این فناوری با لرزش، افراد نابینا را متوجه این موضوع می‌کند که فرد دیگر اکنون در حال لبخند زدن است. این موضوع به افراد نابینا در درک بهتر موقعیت‌های اجتماعی کمک می‌کند.

۶- حفاظت از نیروهای انتظامی

یک برنامه تشخیص چهره تلفن همراه ، توسط FaceFirst ارائه شده است که به پلیس ها کمک می‌کند تا در هنگام ماموریت فاصله ایمن با افراد را رعایت کنند. این برنامه به آنها می‌گوید آیا فرد روبرو تهدید محسوب می‌شود و باید محتاط باشند یا نه؟ به عنوان نمونه، اگر یک افسر پلیس، به طور اتفاقی قاتل تحت تعقیبی را در یک پلیس راه نگه دارد، فوراً متوجه می‌شود که فرد ممکن است مسلح و خطرناک باشد و می‌تواند درخواست نیرو کند.

۷- تحقیقات پزشکی قانونی

فناوری تشخیص چهره می‌تواند با شناسایی خودکار افراد در تصاویر دوربین‌های امنیتی به تحقیقات پزشکی قانونی کمک کند. همچنین می‌توان از نرم‌افزار تشخیص چهره برای شناسایی افراد مرده یا بیهوش در صحنه های جنایت استفاده کرد.

۸- شناسایی افراد در شبکه‌های اجتماعی

فیس‌بوک از این فناوری برای تشخیص چهره کاربران در عکس‌ها استفاده می‌کند. این موضوع باعث می‌شود افراد بتوانند عکس‌هایی را که در آن قرار دارند راحت‌تر پیدا کنند و به تگ‌کردن کاربران کمک می‌کند.

۹- تشخیص بیماری‌ها

از این فناوری می‌توان برای تشخیص بیماری‌هایی که باعث ایجاد تغییر در شکل ظاهری می‌شوند استفاده کرد. به عنوان مثال ، انستیتوی تحقیقات ملی ژنوم انسان، از این فناوری برای تشخیص بیماری نادری به نام سندرم DiGeorge استفاده می‌کند ، که در آن کروموزوم ۲۲ آسیب دیده است. فناوری شناسایی چهره در تشخیص بیماری در ۹۶٪ موارد کمک کرده است. با پیچیده تر شدن الگوریتم‌ها، تشخیص چهره به یک ابزار تشخیصی ارزشمند در انواع شرایط تبدیل می‌شود

۱۰- تشخیص افراد VIP در رویدادهای ورزشی

فناوری تشخیص چهره به هواداران تیم‌های ورزشی برای داشتن تجربه بهتر کمک می‌کند. این فناوری به سرعت دارندگان بلیط‌های فصلی را تشخیص می‌دهد. برگزارکنندگان می‌توانند به افراد در تعیین محل نشستن یا بهبود وضعیت خود کمک کنند.

۱۱- محافظت از مدارس در برابر تهدیدها

دوربین های مجهز به فناوری تشخیص چهره می‌توانند فوراً دانش آموزان اخراج شده، والدین خطرناک، فروشندگان موادمخدر یا افراد دیگری که تهدیدی برای امنیت مدرسه محسوب می‌شوند را هنگام ورود به محوطه مدرسه شناسایی کنند. این فناوری می‌تواند با هشدار دادن به نگهبانان مدرسه، خطر رفتارهای خشونت‌آمیز را کاهش دهد.

۱۲- پیگیری حضور دانش‌آموزان

فناوری تشخیص چهره علاوه بر ایمن‌تر کردن مدارس امکان پیگیری حضور یا غیبت دانش آموزان را دارد. روش های سنتی حضور غیاب باعث می‌شد دانش آموزان بتوانند به جای همدیگر اعلام حضور کنند اما چین در حال حاضر از شناسایی چهره برای اطمینان از حضور دانش آموزان در کلاس استفاده می‌کند. از تبلت برای تأیید هویت دانش‌آموزان به وسیله اسکن چهره و مطابقت با عکسهای آنها در یک پایگاه داده استفاده می شود.

۱۳- کاهش سرقت دستمال توالت

در چین سرقت کاغذ توالت در دستشویی‌های عمومی یک مشکل بزرگ است. تشخیص چهره این مشکل را حل کرده است. چین دستگاه¬هایی را در دستشویی‌های عمومی نصب کرده است که صورت افراد را قبل از اینکه کاغذ توالت از محفظه بیرون بیاید اسکن می-کند. تا زمانی که ۹ دقیقه نگذشته است کاغذ بیشتری برای همان شخص خارج نمی‌شود.

۱۴- تسهیل معاملات امن

در چین یک شرکت خدمات مالی به نام Ant Financial وجود دارد که مشتریان را قادر می‌سازد تا با اسکن چهره خود، وعده‌های غذایی را بپردازند. مشتری سفارش خود را از طریق منوی دیجیتال انتخاب و سپس از اسکن صورت به عنوان گزینه پرداخت استفاده می‌کند. پس از دادن شماره تلفن می‌توانند وعده غذایی خود را خریداری کنند.

۱۵- تایید هویت در دستگاه خودپرداز

به نظر می‌رسد در آینده‌ای نزدیک اسکن صورت در نهایت جایگزین کارت‌های بانکی تمامی دستگاه‌های خودپرداز می‌شود زیرا شناسایی چهره ابزاری قدرتمند برای تأیید هویت است. تا آن زمان می‌توان از تشخیص چهره برای تطابق فرد صاحب کارت با کسی که پای دستگاه خودپرداز است استفاده کرد. در حال حاضر از این فناوری در دستگاه‌های خودپرداز ماکائو استفاده می‌شود.

۱۶- آسان‌تر کردن مسافرت هوایی

شرکت‌های هواپیمایی در حال حاضر از فناوری تشخیص چهره به افراد در چک‌کردن چمدان‌ها و بررسی سریع‌تر پروازها کمک می‌کند. به نظر می‌رسد که ما به سرعت در حال پیشرفت به سمت آینده‌ای هستیم که در آن سفر هوایی نه تنها از گذشته ایمن‌تر باشد، بلکه راحت‌تر از هر دوره دیگری در تاریخ خواهد بود.

۱۷- پیگیری حضور در کلیساها

کلیساها شروع به استفاده از تشخیص چهره کرده‌اند تا ببینند اعضای کلیسا چه زمان‌هایی حضور دارند. این امر به آنها کمک می‌کند تا افرادی را که درخواست کمک مالی دارند یا خواهان دسترسی بیشتر به کلیسا هستند را شناسایی کنند.

۱۸- یافتن حیوانات گمشده

Finding Rover برنامه‌ای است که به افراد کمک می‌کنند دوباره حیوان خانگی خود را بازیابند. صاحب حیوان خانگی تصویر حیوان خود در یک دیتابیس بزرگ متعلق بارگذاری می‌کند سپس این برنامه تصویر را با تصاویر حیوانات موجود در پناهگاه‌ها مقایسه می‌کند و در صورت تطابق فوراً به صاحب حیوان خبر می‌دهد.

۱۹- تشخیص چهره در خودرو

روز به روز به تعداد شرکت‌های خودروسازی که در حال آزمایش روش‌های استفاده از تشخیص چهره هستند افزوده می‌شود. یکی از کاربردهای تشخیص چهره برای خودروها استفاده از صورت راننده به جای سوئیچ است. تشخیص چهره همچنین با شناسایی و هشدار دادن به که سرعت زیاد دارند یا تمرک کافی ندارند به ایمنی بیشتر کمک می‌کند.

۲۰- کنترل دسترسی به مکان‌های حساس

تشخیص چهره می‌تواند به عنوان ابزاری برای کنترل دسترسی کار کند تا اطمینان حاصل شود که فقط افراد مجاز به مکان‌هایی همچون آزمایشگاه‌ها، اتاق‌ها، اتاق‌های بانکی، مراکز آموزشی ورزشکاران و سایر مناطق حساس دسترسی پیدا می‌کنند.

شما درباره فناوری تشخیص چهره چه فکر می‌کنید؟ چه کاربردهای دیگری می‌توان برای این فناوری هوش مصنوعی شگفت‌انگیز متصور بود؟

منبع: hooshio.com

مزایای هوش مصنوعی برای کسب و کارها و کاربردهای آن در میان مردم و کسب‌وکارها برای بهبود تجربه مشتریان روزبه‌روز افزایش می‌یابد. یکی از مطالعات انجام‌شده توسط مؤسسه تحقیقاتی گارتنیرپیش‌بینی کرده است
که ارزش بازار هوش مصنوعی تا سال ۲۰۲۲ به ۲.۹ میلیارد دلار خواهد رسید. هوش مصنوعی می‌تواند روند کسب‌وکار را تسهیل کند، زیرا  تاثیر و مزایای هوش مصنوعی رشد و نمو کسب‌وکارهای جدید کمک می‌کند. در ادامه به مواردی اشاره خواهیم کرد که هوش مصنوعی در آن‌ها به کمک کارآفرینان شتافته است.

۱. هوش مصنوعی به افزایش کارآیی کمک می‌کند.

برای آن‌که بتوان یک تجارت را به‌طور کارآ مدیریت کرد و به پیش برد، باید از حداکثر منابع استفاده کرد. علاوه براین، کارآیی بیشتر در بلندمدت، زمان و هزینه موردنیاز برای اداره کسب‌وکار را کاهش می‌دهد. هوش مصنوعی در افزایش کارآیی عملیاتی به کارآفرینان کمک می‌کند. برای مثال، می‌توانید یک نرم‌افزار کاربردی تبدیل گفتار به نوشتار طراحی کنید که در زمان یادداشت‌برداری از سخنرانی‌ها به کمک پزشکانِ تیم پزشکی شما بیاید و صدای سخنران را به متن تبدیل کند. بدین ‌ترتیب، با استفاده از مزایای هوش مصنوعی، برای تهیه و بررسی فاکتورها دیگر لازم نیست نسخه‌ای از این یادداشت‌ها برای متصدیان و مسئولان ثبت و کدگذاری اطلاعات پزشکی فراهم کنید.

همچنین می‌توانید از یک دستیار صوتی مبتنی بر هوش مصنوعی بهره ببرید که کارآیی کل اداره را افزایش می‌دهد و می‌تواند به شما نیز در برنامه‌ریزی جلسات، تنظیم یادآورها و ثبت نکاتی که باید در جلسات و ارائه‌ها مطرح شوند، کمک ‌کند.

۲. هوش مصنوعی بهره‌وری را افزایش می‌دهد.

اگر به دنبال راهی برای بهبود عملکرد و افزایش خروجی کسب‌وکار خود هستید، هوش مصنوعی می‌تواند رسیدن به نتایج دلخواه‌تان را تضمین کند. شما می‌توانید به کمک هوش مصنوعی، بهره‌وری را افزایش دهید. برای مثال، می‌توانید نرم‌افزاری برای کسب‌وکار خود طراحی کنید که به فرآیند کنترل و مدیریت موجودی انبار در انبارها یا تأسیسات تولیدی سرعت بخشد. علاوه براین، هوش مصنوعی می‌تواند بهره‌وری شما در جذب مشتریان راغب را نیز افزایش دهد.
برای مثال، هارلی دِیویدسون با استفاده از یک سامانه بازاریابی مبتنی بر هوش مصنوعی توانست نرخ روزانه تولید مشتریان راغب برای کسب‌وکار خود را افزایش دهد. با به‌کارگیری این سامانه و استفاده از مزایای هوش مصنوعی، میزان مشتریان راغب برای محصولات شرکت وی تنها در طی ۳ ماه، ۲۹۳۰% افزایش یافت. با افزایش بهره‌وری و سرعت فرآیندها، می‌توان از قدرت هوش مصنوعی برای مقیاس‌بندی کسب‌وکار نیز بهره برد.

۳. کسب‌وکارها به کمک هوش مصنوعی می‌توانند فرآیندهای بیشتری را به صورت خودکار اجرا کنند.

اتوماسیون کارهای دستی، هزینه‌ها و زمان موردنیاز برای انجام کارها را کاهش داده و امکان رشد مداوم را برای کسب‌وکار شما فراهم می‌‌‌آورد. با به‌کارگیری نرم‌افزارهای کاربردی مبتنی بر هوش مصنوعی، انتظار می‌رود که روند اتوماسیون کسب‌وکارها تسریع شود. برای مثال، می‌توانید با توسعه یک نرم‌افزار کاربردی برای کسب‌وکار خود، بخشی از فرآیندها را به‌صورت خودکار اجرا کنید و زمان موردنیاز برای انجام کارهای دستی را کاهش دهید.
شرکت خرده‌فروشی وال‌مارتاز فن‌آوری خودکار‌سازی رباتی فرآیندها (RPA) استفاده کرد و با به‌کارگیری حدود ۵۰۰ ربات، توانست فرآیندهای بسیاری از جمله بازیابی اطلاعات مرتبط از اسناد حسابرسی و پاسخ‌دهی به سؤالات کارمندان را به صورت خودکار اجرا کند. بدین ترتیب، کارهای تکراری از حوزه وظایف کارگران خارج شدند. این شرکت همچنین توانست این سیستم اتوماسیون را برای اجرای کارآمد سایر فعالیت‌ها نیز به‌کار بگیرد.

۴. به کمک هوش مصنوعی می‌توان تجربه مشتریان را بهبود بخشید.

از دیگر مزایای هوش مصنوعی برای کسب و کارها می‌توان به بهبود تجربه مشتریان اشاره کرد. بهبود تجربه مشتریان یعنی زمانی که آن‌ها به کمک شما نیاز دارند، برای کمک به آن‌ها حاضر باشید. البته، هیچکس به تنهایی نمی‌تواند شبانه روز دردسترس باشد. همچنین راه‌اندازی بخش پشتیانی و حمایت از مشتری و استخدام نیروهای شیفتی برای این کار می‌تواند هزینه هنگفتی برای شما به همراه داشته باشد، به ویژه اگر به‌تازگی کسب‌وکار خود را راه‌اندازی کرده باشید.
البته، ربات‌های پاسخ‌گو می‌توانند توانایی‌های کارمندان را تقویت کنند و تجربه مشتری را بهبود بخشند. برای مثال، می‌توانید با استفاده از ربات‌های پاسخ‌گو، خدمات بهتری به مشتریان خود ارائه دهید. نرم‌افزارها و الگوریتم‌های هوش مصنوعی قادرند در زمان‌هایی که نیروی کار انسانی در محل کار حضور ندارد، سؤالات پرتکرار مشتریان و مراجعین را پاسخ دهند و به برخی امور رسیدگی نمایند.
استفاده از ربات‌های پاسخ‌گو یکی از راه‌هایی بود که شرکت‌های فعال در حوزه رزرو تورهای مسافرتی همچون ،اِکسپِدیا توانستند تجربه مشتریان خود از فرآیند رزرو تورهای مسافرتی را بهبود دهند. برای مثال، شرکت‌ها به کمک یادگیری ماشینی می‌توانند الگوهای جست‌وجو در اینترنت را تحلیل کنند و با استفاده از این ربات‌ها و بدون نیاز به حضور نیروهای انسانی، مقاصد مناسب برای مسافرت را به مشتریان خود پیشنهاد دهند.
بدین ترتیب، می‌توان در هر زمان و هر مکان، با ارائه پاسخ فوری به سؤالات مشتریان از آن‌ها حمایت کرد و تجربه بهتری را برای آن‌ها رقم زد. همچنین می‌توانید دستیار صوتی طراحی کنید که مشتریان سؤالات خود را به‌صورت شفاهی مطرح و پاسخ را دریافت نمایند تا دیگر نیازی نباشد که برای یافتن پاسخ سؤالات خود مقالات مختلف را بخوانند یا در فهرست‌ها جست‌وجو کنند.

۵. هوش مصنوعی احتمال وقوع خطا را کاهش می‌دهد.

خطاهای انسانی ممکن است هر کسب‌وکاری را متحمل هزینه‌های گزافی کند. اما به کمک هوش مصنوعی می‌توان احتمال رخ دادن این خطاهای انسانی را کاهش داد. شما می‌توانید یک نرم‌افزار کاربردی مبتنی بر هوش مصنوعی طراحی کنید که خطاها را کاهش داده و دقت انجام امور اداری، وارد کردن اطلاعات و بررسی اسناد و مدارک را افزایش دهد.
برای مثال، تیم حقوقی بانک جِی‌پی مورگان توانست با به‌کارگیری قابلیت‌های هوش مصنوعی در تحلیل اسناد و مدارک، میزان خطا را کاهش دهد. وقتی بتوانید زمان لازم برای بررسی مجموعه‌ بزرگی از داده‌ها یا انجام چندین کار را کاهش دهید، می‌توانید در طول زمان، از میزان هزینه‌ها بکاهید.

۶. هوش مصنوعی شرایط لازم برای بروز خلاقیت را فراهم می‌آورد.

اگر می‌خواهید کسب‌وکار شما از رقابت دنیای تجارت حذف نشود، باید نوآور باشید. داشتن خلاقیت یک قدم مهم در خلق نوآوری است. هوش مصنوعی می‌تواند زمینه‌ساز بروز خلاقیت باشد. برای مثال، می‌توان انجام کارهای تکراری از قبیل تهیه گزارشات و تحلیل مدیریت موجودی انبار را به فن‌آوری خودکارسازی رباتی فرآیندها (RPA) سپرد و بدین ترتیب، زمان مفید نیروی کار انسانی را ذخیره کرد تا بتوان آن را به کارهای خلاقانه‌تر اختصاص داد.

۷. به کمک هوش مصنوعی می‌توان بازگشت سرمایه را افزایش داد.

به کمک هوش مصنوعی می‌توانید بازگشت سرمایه (ROI) خود را افزایش دهید. وقتی کسب‌وکار شما کارآمد باشد و اعضای تیم بتوانند روی اموری چون برنامه‌ریزی راهبردی و طراحی تمرکز کنند، بهره‌وری  افزایش می‌یابد و تأثیر مستقیم بر راندمان کسب‌وکار شما خواهد داشت. افزایش کارآیی و بهره‌وری در کنار مدیریت روند کارها، بهبود تجربه مشتریان و افزایش دقت کارها، منجر به بقای کسب‌وکار و افزایش درآمد و بازدهی آن خواهد شد.

منبع: hooshio.com

رشد روزافزون هوش مصنوعی سوالات زیادی را برای مدیران ایجاد کرده است. از جمله نحوه مدیریت سیستم‌های محاسباتی‌ای که فراتر از درک بشر هستند و چگونگی اطمینان از رعایت استانداردهای اخلاقی در استفاده از این فناوری نوین و چالش برانگیز. اندرو ان‌جی علاوه بر این سوالات، موضوعات مهم‌تر دیگری را مطرح می‌کند؛ اینکه برای پیشرفت در هوش مصنوعی چه نوع سازمانی لازم است؟ چه مهارت‌هایی برای جذب افراد مورد نیاز است؟ چه ساختارهای سازمانی بهترین عملکرد را دارند؟ آیا شرکت‌ها به یک مدیر ارشد هوش مصنوعی که هم‌سطح دیگر مدیران عالی باشد نیاز دارند؟ در مصاحبه‌ی پیش رو اندرو ان‌جی به این سوالات پاسخ خواهد داد.

کمتر کسی را می توان یافت که همچون اندرو ان‌جی بر اوج قله هوش مصنوعی ایستاده باشد. ان‌جی بنیانگذار و مدیرعامل شرکت Landing AI است و از معدود افرادی‌ است که در هر دو زمینه‌ی فناوری و هوش مصنوعی سوابق پرباری دارد. او پیش از این هدایت آزمایشگاه هوش مصنوعی دانشگاه استنفورد و گروه تحقیقاتی هوش مصنوعی Google Brain را بر عهده داشته است و به عنوان دانشمند ارشد شرکت چینی Baidu برنامه‌های نوآورانه‌ ای برای تشخیص صدا و تصویر ایجاد کرده است. ان‌جی می‌گوید بسیاری از شرکت‌ها به اهمیت هوش مصنوعی و تاثیرات آن پی برده‌اند و در حال ساخت تیم‌ هوش مصنوعی داخل شرکت هستند. وی مصاحبه ای با مجله فوربس انجام داده است در مورد اینکه چگونه می‌توان یک تیم هوش مصنوعی همه‌فن حریف ساخت که بیشترین بهره‌برداری را از این فناوری نوین انجام دهد. اندرو ان‌جی در مصاحبه‌ای با فوربس به این سوالات پاسخ داده است.

در گذشته ضرورت هوش مصنوعی به اندازه امروز حس نمی‌شد. این مساله باعث شد تا مدیران اجرایی تجربه زیادی در ساختن تیم هوش مصنوعی نداشته باشند. اکنون شرکت‌ها چگونه باید اعضای تیم هوش مصنوعی را انتخاب کنند؟

پیش از هرچیز شرکت‌ها نیاز به افراد با استعدادی دارند که در زمینه شبیه‌سازی، دانش عمیقی داشته باشند. این افراد باید توانایی‌های یادگیری کامپیوتر را بشناسند. سپس این تیم متمرکز می‌تواند بطور متقابل با دیگر مدیران همکاری کند تا برنامه‌های خاص هوش مصنوعی را توسعه دهد. در نهایت این یک کار تیمی خواهد بود که برنامه را هدایت می‌کند.

بسیاری از شرکت‌ها از یک تیم هوش مصنوعی برای چندین پروژه استفاده می‌کنند. به عنوان مثال، هوش مصنوعی در حال کاهش کار اضافی در کشاورزی است. ده‌ها برنامه‌ی مختلف برای کنترل علف‌های هرز، تفسیر تصاویر ماهواره‌ای و بهینه‌سازی ماشین آلات کشاورزی توسعه یافته‌اند. طبیعی است که استخدام یک متخصص هوش مصنوعی که تمامی این برنامه‌های عمودی را بشناسد کار بسیار دشواری است. بنابراین بسیار مهم است که پیش از هرچیز، چند برنامه کاربردی را آزمایش کنید تا بدانید که هوش مصنوعی چه کاری را می‌تواند در یک حوزه خاص تجاری انجام دهد.

چه گروهی می‌تواند این کار را انجام دهد؟

یک تیم هوش مصنوعی کوچک و توانمند که به سرعت عمل کند و حتی شکست بخورد، می‌تواند ظرف شش تا ۱۲ ماه یک برنامه را آزمایش کند. به منظور شروع سریع‌تر کار بهتر است به طور جداگانه برای این گروه بودجه اختصاص داد تا اینکه آنها مجبور نباشند برای دریافت بودجه از واحدهای مالی بجنگند.

شما وقتی می‌خواهید یک تیم هوش مصنوعی بسازید برای انتخاب و استخدام بهترین افراد به چه مهارت‌ها و نقش‌هایی توجه می‌کنید ؟

سرپرست تیم هوش مصنوعی باید در مورد فناوری اطلاعات کافی داشته باشد تا بتواند کارهایی که باید انجام شود یا نباید انجام شود را تشخیص دهد. علاوه بر این آنها باید به طور متقابل با سرپرست‌های شرکت‌ها کار کنند تا بتوانند هرگونه ارزش افزوده‌ای را به مجموعه وارد کنند.
همچنین تیم هوش مصنوعی برای اجرای پروژه ‌ها نیاز به استعدادهای مهندسی دارد. با توجه به نوع پروژه، این می‌تواند شامل مهندسین یادگیری ماشین، دانشمندان داده، دانشمندان کاربردی، مهندسان داده یا سایر نقش‌ها باشد. برخی از تیم‌ها نیز به یک مدیر محصول نیاز دارند.

تعریف شما از یک مدیر ارشد هوش مصنوعی و نقش آن چیست؟

این افراد به طور معمول سمت بالایی در سازمان دارند. وظیفه‌ی آنها باید ایجاد توانایی‌های هوش مصنوعی برای کل سازمان باشد. به یاد داشته باشید که صدها سال پیش که تازه الکتریسته کشف شده بود شرکت‌ها در حال استخدام معاونان برق برای پشتیانی از کل شرکت بودند. آنها نحوه کار با این محصول نوظهور را آموزش می‌دادند.

امروزه هوش مصنوعی در مراحل ابتدایی توسعه‌ی خود قرار دارد. بنابراین شما به یک مدیر ارشد هوش مصنوعی نیاز دارید که با مدیرعامل همکاری نزدیکی داشته باشد تا به آنها این قدرت را بدهد که شرکت را به سمت تغییرات مثبت هدایت کنند.

هوش مصنوعی یک فناوری عمومی است و برای بسیاری از کارکردهای مختلف مفید است. به عبارت دیگر اگر فقط یک واحد تجاری از هوش مصنوعی استفاده کند ، تنها همان واحد متحول می‌شود. به عنوان مثال اگر ما در گوگل به مدیر آنجا در مورد فواید به کارگیری هوش مصنوعی در همه‌جا گزارش نمی‌دادیم، باعث می‌شد فقط عملکرد گفتار را تغییر بدهیم، اما با آن گزارش‌ها ما توانستیم کل شرکت را تغییر دهیم.

کارکردهای اصلی یک تیم متمرکز چیست؟ در دنیای امروز چه کسی این کار را به خوبی انجام می‌دهد؟

گوگل و بایدو این کار را به خوبی انجام می‌دهند. هردوی اینها دارای تیم‌ هوش مصنوعی ‌فوق‌العاده‌ای هستند و توانایی خود را در کار متقابل برای ایجاد ارزش هوش مصنوعی قابل لمس، از طریق جستجوی پیشرفته وب، تبلیغات، تشخیص گفتار، پیشنهادهای مربوط به محصول و بسیاری از پروژه‌های دیگر ثابت کرده‌اند.

یکی از چالش‌های اصلی این است که سال‌ها زمان می‌برد تا این تیم ساخته شود. ما در هوش مصنوعی Landing سرمایه-گذاری‌های گسترده‌ای انجام داده‌ایم تا روند پذیرش هوش مصنوعی در شرکت‌ها را سرعت دهیم. در این بین متوجه این نکته شده‌ایم که اگر این این ظرفیت‌ها را در دسترس شرکایمان قرار دهیم می‌تواند به طرز معناداری توانایی آنها را در شناسایی و تحقق ارزش کاربردی هوش مصنوعی را سرعت ببخشد.

چگونه این تیم اصلی باید با واحدهای دیگر ارتباط برقرار کند؟

تیم اصلی هوش مصنوعی می‌تواند بسترهای گسترده‌ای را بسازد. برای مثال در یکی از شرکت‌های قبلی من، تیم من به انبار داده کاربر تعلق داشت که به عنوان مخزن اصلی کلیه داده‌های مربوط به کاربر استفاده می‌شود. این تیم با واحدهای تجاری مختلف در ارتباط بود و داده‌ها را از همه‌ی آنها جمع آوری می‌کرد و سپس به آنها (با رعایت حریم خصوصی) باز می‌گرداند. هیچ واحد تجاری به تنهایی نمی‌توانست این کار را انجام دهد ، و منطقی بود که تیم AI بتواند برای انجام این کار یک بستر متمرکز برای کل شرکت باشد.

وظیفه مدیر ارشد هوش مصنوعی این است که تمامی جوانب شرکت را بسنجد و و بگوید چگونه می‌توان از هوش مصنوعی برای بهبود استفاده کرد. هنگامی که من در Baidu هوش مصنوعی را هدایت می‌کردم ، یک تیم مدیریت محصول داشتیم که وظیفه آن مراجعه به هر واحد تجاری بود و می‌خواستند بدانند که آنها چطور می‌توانند به بهبود حوزه‌هایی همچون کیفیت جستجوی وب، محتوای یک نقشه‌ی راه یا کارکرد یک فروشگاه آنلاین کمک کنند. درواقع کار آنها پیدا کردن فرصت‌ها بود.

و البته، ما همیشه کارهای بسیاری بیشتری می‌توانستیم انجام دهیم اگر ظرفیت بیشتر بود. به طور کلی این بخش ِ ناگزیر جهان ما است. بنابراین کار مهم‌تر این بود که رهبران و مدیران تجاری را قانع کنیم که آنها به شدت به هوش مصنوعی نیاز دارند. پس از آن -خوشبختانه یا متأسفانه- ما مجبور شدیم اولویت‌بندی کنیم. همیشه ایده‌های بیشتری از آنچه که ما می توانیم اجرا کنیم وجود داشت.

چه ساختاری این امکان را فراهم کرد؟ آیا به طور کلی ساختار بایدو را الگوی خوبی می دانید؟

ساختار بایدو نتایج بسیار خوبی را ارائه داد. عناصر بسیاری از جمله ایده‌ی داشتن یک تیم فناوری و فرایند سیستماتیک برای کاربردهای تجاری قابل لمس بسیار مفید هستند. اما ساختارهای سازمانی برای یک شرایط یکسان ایجاد نشده‌اند در نتیجه بسته به زمینه‌ی شغل ، یک شرکت ممکن است کم و بیش در بسترها یا مهندسی داده‌ها سرمایه گذاری کند یا ترجیح دهد به جای توسعه پیشرفته، تحقیقات پایه‌ای را در بخش‌های مختلف همچون بینایی کامپیوتر، پردازش زبان طبیعی، یادگیری کلی ماشین و غیره انجام دهد.

آیا در بایدو یک گروه اختصاصی وجود داشت که مسئولیت ساختن موارد استفاده تجاری برای هوش مصنوعی را بر عهده داشته باشد؟

من یک تیم از مدیران محصول داشتم که وظیفه ایجاد پل به واحدهای تجاری و شناسایی، اولویت بندی و پیگیری اجرای پروژه‌های هوش مصنوعی را داشتند. این مدیران محصول که برخی از آنها پیش از این مهندس بودند دارای درک کافی و مناسبی بودن تا تشخیص دهند چه کاری انجام شود و چه کاری انجام نشود. با این وجود آنها اغلب قبل از انجام یک پروژه با مهندسین ارشد هماهنگ می‌شدند تا با قطعیت بیشتری پروژه را شروع کنند. ما از هر ایده‌ای استقبال می‌کردیم. برای مثال بسیاری از ایده‌های خوب هوش مصنوعی از مدیران واحدهای تجاری و بقیه‌ی آنها از واحدهای فناوری بیرون آمدند. مهمترین مساله این بود که فرایندی وجود داشته باشد تا ایده‌های خوب را غربال کند .

در مورد شرکت های کوچک چطور؟ یک شرکت ۱۰۰ نفره قاعدتا نمی‌تواند یک تیم جدید هوش مصنوعی تشکیل دهد. آنها چگونه باید در مورد هوش مصنوعی برای تجارت خود فکر کنند؟

توصیه ای که به همه می‌کنم این است که به این فکر باشید چطور انجامش دهید. حتی اگر پروژه‌ی کوچک با یک برنامه‌نویس مبتدی دارید دل به دریا بزنید تا ببینید یک نرم افزار هوش مصنوعی چه کاری برای شما انجام می‌دهد. دروقع اگر شرکتی پیش از این با هوش مصنوعی سروکار نداشته است، احتمالا نمی‌تواند به درستی استراتژی را تعیین کند. در این صورت مدیران ممکن است استراتژی‌ها را از جاهای دیگر وام بگیرند، درحالی که این کار به ندرت جواب می‌هد. بنابراین می‌گویم یک زوج مهندس را استخدام کنید تا ببینند چه کاری می توانند انجام دهند و از آنجا به رشد خود ادامه دهید.

آیا هوش مصنوعی داخلی را حتی برای شرکت‌هایی که توان استخدام یک یا دو توسعه‌دهنده دارند را هم پیشنهاد می‌دهید؟

پاسخ این سوال به این بستگی دارد که آیا شما می‌توانید یک پیشنهاد قابل لمس برای ایجاد ارزش هوش مصنوعی داشته باشید یا نه و اینکه ساخت تیم هوش مصنوعی برای شما مناسب‌تر است یا خرید آن؟ اگر احتمال دارد یک برنامه به یک استاندارد صنعت تبدیل شود ، یک شرکت کوچک بهتر است آن را بخرد. اما اگر یک برنامه کاربردی برای یک تجارت ارزشمند است، و به اندازه کافی برای شرکت منحصر به فرد است که نخواهد آن را به شخص دیگری برونسپاری کند بهتر است تیم هوش مصنوعی را بسازد.

منبع: hooshio.com

مقاله حاضر بر آن است تا یادگیری عصبی ساماندهی شده در کتابخانه تنسورفلو را معرفی کرده و جزئیات آن را تشریح کند. «TensorFlow» یک چارچوب ساده است که افراد حرفه‌ای و تازه‌کار می‌توانند از آن برای آموزش
شبکه‌های عصبی با سیگنال‌های ساماندهی شده استفاده کنند. یادگیری عصبی ساماندهی شده (NSL) می‌تواند برای ایجاد مدل‌های دقیق و قوی در حوزه‌های بصری، درک زبانی و پیش‌بینی استفاده شود.
داده‌های ساماندهی شده کاربردهای مفیدی در خیلی از فعالیت‌های یادگیری ماشین دارند. این داده‌ها حاوی اطلاعات منطقی غنی در میان سایر نمونه‌ها هستند. برای مثال، مدل‌سازیِ شبکه‌های رونگاشت ، استنتاج گراف دانشو استدلال در خصوص ساختار زبانیِ جملات، و یادگیری اثرانگشت‌های مولکولی همگی مستلزم مدلی است که از خروجی‌های ساماندهی شده اقدام به یادگیری کند.این ساختارها می‌توانند به صورت صریح (به عنوان مثال بوسیله یک گراف) و یا به صورت ضمنی (به عنوان مثال بوسیله داده های متضاد) ارائه شوند. استفاده از سیگنال‌های ساماندهی شده در طول آموزش این فرصت را به طراحان و توسعه‌دهندگان می‌دهد که دقت مدل بالاتری داشته باشند؛ به ویژه زمانی که میزان داده‌های برچسب زده شده نسبتاً کم باشد. آموزش با سیگنال‌های ساماندهی شده باعث ایجاد مدل‌های مقاوم تر می‌شود. این شیوه‌ها کاربرد وسیعی در گوگل دارند و نقش بزرگی در بهبود عملکرد مدل ایفا می‌کنند؛ مثلیادگیری تعبیه شده معنایی تصاویر .
یادگیری عصبی ساماندهی شده (NSL) یک چارچوب منبع باز برای آموزش شبکه‌های عصبی عمیق با سیگنال‌های ساماندهی شده است. این چارچوب «یادگیری عصبی گرافی» را اجرا می‌کند. این نوع یادگیری به توسعه‌دهندگان امکانِ آموزش شبکه‌های عصبی با استفاده از گرافی را می‌دهد. این گراف‌ها می‌توانند از منابع مختلفی به دست بیایند؛ از جمله این گراف‌ها می‌توان به گراف‌های «Knowledge»، داده‌های آرشیو پزشکی، داده‌های ژنومی یا روابط چندوجهی اشاره کرد. همچنین NSL از یادگیری تخاصمی استفاده می‌کند که طی آن، ساختارِ میان نمونه‌های ورودی به صورت پویا و با استفاده از آشفتگی تخاصمی ساخته می‌شوند. NSL این فرصت را به کاربران «TensorFlow» می‌دهد تا به راحتی از سیگنال‌های ساماندهی شدۀ گوناگون برای آموزش شبکه‌های عصبی استفاده کنند. این نوع یادگیری در سناریوهای یادگیری مختلف قابل استفاده می‌باشد.

یادگیری عصبی ساماندهی شده (NSL) چگونه کار می‌کند؟

در یادگیری عصبی ساماندهی شده (NSL)، سیگنال‌های ساماندهی شده (که صراحتاً در قالب گراف تعریف می‌شوند یا به صورت ضمنی در قالب نمونه‌های تخاصمی استفاده می‌شوند) برای عادی‌سازیِ آموزش شبکه‌های عصبی به کار برده می‌شوند. لذا مدل تحت اجبار قرار می‌گیرد تا پیش‌بینی‌های دقیق را یاد بگیرد (بوسیله کمینه کردن supervised loss). در همین حین، شباهت میان ورودی‌های یک ساختار را نیز حفظ می‌کند (بوسیله کمینه کردن neighbor loss). این روش، یک روش متداول است و می‌تواند در معماری‌های هر شبکه عصبی دلخواه از قبیل شبکه‌های عصبی پیشرو ، شبکه‌های عصبی پیچشیو شبکه‌های عصبی بازگشتیبکار رود.

ساخت مدل با یادگیری عصبی ساماندهی شده (NSL)

ساخت مدل به کمک یادگیری عصبی ساماندهی شده (NSL) برای بهره‌مندی از سیگنال‌های ساماندهی شده به کار ساده‌ای تبدیل شده است. با توجه به گراف و نمونه‌های آموزش، NSL ابزاری برای پردازش و ادغام این نمونه‌ها در قالب «TFRecords» فراهم می‌کند. به مثال زیر توجه کنید:

در وهله بعد، چارچوب NSL از API برای مصرف نمونه‌های پردازش شده استفاده کرده و عادی‌سازیِ گراف را مقدور می‌سازد. بگذارید نگاهی به نمونه کُد داشته باشیم:

ما با کمتر از پنج خط اضافی (از جمله بخش کامنت) به یک مدل عصبی دست یافتیم که از سیگنال‌های گراف در طول آموزش استفاده می‌کند. از دید تجربی، استفاده از ساختار گرافی این امکان را به مدل‌ها می‌دهد تا بدون کاهش دقت و با داده‌های برچسب‌گذاری شده کمتری به آموزش بپردازند.

اگر ساختار صریحی در کار نباشد، چه باید کرد؟

اگر ساختارهای صریح (مثل گراف) وجود نداشته باشند، چه رویکردی باید در پیش گرفت؟ چارچوبِ NSL ابزارهایی را در اختیار توسعه‌دهندگان می‌گذارد تا گراف‌هایی را از داده‌های خام بسازند. در ضمن، چارچوب NSL با فراهم آوردنِ API زمینه را برای استنتاج نمونه‌های تخاصمی در قالب سیگنال‌های ساماندهی شدۀ ضمنی مهیا می‌کند. نمونه‌های تخاصمی به صورت تعامدی برای گیج کردن مدل ساخته می‌شوند؛ آموزش با چنین نمونه‌هایی معمولاً به مدل‌هایی ختم می‌شود که در مقابل آشفتگی‌های اندک ورودی، عملکرد قوی و خوبی از خود نشان می‌دهند. در نمونه کُد زیر می‌بینیم که NSL چگونه امکانِ آموزش با نمونه‌های تخاصمی را فراهم می‌کند:

ما با کمتر از پنج خط اضافی (از جمله بخش کامنت) به یک مدل عصبی دست یافتیم که با نمونه‌های تخاصمی آموزش دیده و یک ساختار ضمنی ارائه می‌کند. از دید تجربی، مدل‌های آموزش داده شده بدون نمونه‌های تخاصمی دقت خیلی پایینی دارند.

منبع: hooshio.com

ویرجینیا دینیوم، استاد دانشگاه در حوزه هوش مصنوعی اخلاقی و اجتماعی از مسئولیت های هوش مصنوعی در زمان بیماری‌های همه‌گیر می‌گوید...

سوالات متعددی درباره مسئولیت ‌های هوش مصنوعی در تجزیه و تحلیل وضعیت در زمان بیماری‌های همه گیری چون کرونا و کمک آن به درک اثرات احتمالی سیاست‌های مختلفی که اتخاذ می‌شوند، پرسیده شده است. از جمله این سیاست‌ها می‌توان به تعطیلی در سطح محلی یا ملی، قرنطینه و فاصله‌گذاری اجتماعی اشاره کرد. چگونگی استفاده موثر از هوش مصنوعی هم مورد توجه عده کثیری قرار گرفته است و اینجاست که موضوع مسئولیت های هوش مصنوعی مطرح می‌شود.

همین ابتدا می‌خواهم به این مسئله تاکید کنم که تاکید بر مسئولیت های هوش مصنوعی، می‌تواند کمک کند تا درک بهتری از وضعیت فعلی بدست آوریم. آنچه در حال حاضر از متخصصان و محققان هوش مصنوعی انتظار می‌رود، این است که از دانش و مهارت خود برای تجزیه و تحلیل، درک علت شیوع ویروس کرونا، اثرات سیاست‌ها، تاثیر طولانی مدت این ویروس بر جامعه و اقتصاد، و پرسش‌هایی از این دست استفاده کنند.

با این حال، برای اینکه این اقدام با مسئولیت‌پذیری بالایی انجام شود، باید درک روشنی از قابلیت‌ها و محدودیت‌های هوش مصنوعی داشته باشیم. من اغلب روی این نکته تاکید می‌کنم که هوش مصنوعی نَه یک ابزار جادویی است، و نَه راه‌حلی برای همه مشکلات.

از جمله الزامات اصلی برای توسعه مسئولیت های هوش مصنوعی عبارت‌اند از: قدرتمند بودن، شفافیت، احترام به اصول و حقوق بشر. نکته اول این است که سیستم‌ها باید مقاوم باشند و در خصوص روش‌های استفاده شده دقت کافی به خرج دهیم. مهم‌تر از آن، استفاده از روش‌های داده‌محور برای پیش‌بینی شیوع ویروس کرونا، می‌تواند مشکلات زیادی به همراه داشته باشد. این روش‌ها با مرتبط کردن داده‌های گذشته، به یادگیری می‌پردازند و در حال حاضر داده‌های کافی درباره شرایط مشابه در اختیار نداریم.

نتایجِ بدست آمده در گذشته نمی‌توانند ضمانت مناسبی برای آینده باشند، به ویژه وقتی این ایده قوت بگیرد که آینده تفاوت‌های چشمگیری با گذشته خواهد داشت. به علاوه، آن داده‌های کمی هم که وجود دارند، ناقص و جهت‌دار هستند. برای مثال، همه به این مسئله واقف هستند که تعداد مبتلایان بسیار بیشتر از تعداد مبتلایانی است که بیماری‌شان تایید شده است و آمار دقیقی درباره بهبود‌یافتگان در دست نیست.

استفاده از داده‌های موجود در روش‌های یادگیری ماشین، می‌تواند ما را به دردسر بیندازد؛ به طوری که تخمین های مثبت کاذبو منفی کاذب افزایش پیدا کند. اکنون در وضعیتی قرار داریم که به نظر می‌رسد روش‌های مدل‌محور می‌توانند کارآیی بیشتری در مقایسه با روش‌های داده‌محور داشته باشند.

در حقیقت، در حال حاضر گروه‌های زیادی روی شبیه‌سازی‌ها فعالیت می‌کنند. با وجود این، انتخاب مدل‌ها باید بر پایۀ تحقیقات مستدل در حوزه‌های همه‌گیرشناسی، جامعه‌شناسی و روان‌شناسی باشد و نمایش‌ محاسباتی مناسبی هم به کار گرفته شوند. این نوع از مدل‌ها، حساسیت بالایی در فرض‌های طراحی پارامترهای اولیه دارند. قبل از پیشنهاد این سیستم‌ها به منظور حمایت از سیاست‌گذاران، باید آزمایش‌های تحلیل حساسیت انجام داد.

از دیدگاه تحقیقاتی، کار بر روی روش‌های ترکیبی که دو روش داده‌محور و مدل‌محور با هم ادغام می‌شود، اهمیت ویژه‌ای دارد و برای وضعیت فعلی مناسب است.شفافیت در روش‌های مدل‌محور یا داده‌محور از اهمیت بالایی برخوردار است. مثل اینکه چه مدل‌ها و دیتاست ‌هایی استفاده شده و دلیل استفاده از آن‌ها چه بوده است؟ با چه کارشناس‌هایی در این زمینه مشورت شده؟ سیستم، چگونه ارزیابی و آزمایش شده؟ بدون پاسخ شفاف و صریح به این قبیل از پرسش‌ها، نمی‌توان به نتایج اطمینان کرد.

در حال حاضر جهان در وضعیتی به سر می‌برد که تصمیماتِ بی‌اساس، می‌توانند تبعات سنگینی به همراه داشته باشد. اگر سیستم قادر به ارائه توضیح برای نتایج خود نباشد، باید قبل از استفاده از آن برای تحلیل یا پیش‌بینی وضعیت بیماری‌های همه‌گیر، تمام جوانب را در نظر بگیرید و خوب فکر کنید.

از جمله مسئولیت های هوش مصنوعی در این دوران، تشخیص اخبار کذب و کاهشِ گسترش این اخبار است. بسیاری از نرم‌افزارهایی که با هدف کنترل این بیماری همه‌گیر استفاده می‌شوند، برای جمع‌آوری اطلاعات درباره افراد، شرایط و حرکات آنان طراحی شده‌اند. اگرچه همه ما بر سر این مسئله توافق نظر داریم که چنین داده‌هایی برای تصمیم‌گیری توسط دولت‌ها و مقامات محلی ضروری هستند و ارزش بالایی در توسعه ابزارهای هوش مصنوعی دارند، اما نمی‌توان احترام به حقوق بشر، اصول اخلاقی و قوانین و مقررات موجود را نادیده گرفت.

حریم خصوصی افراد و احترام به عزت و شرافت انسان نیز به عنوان یکی دیگر از مسئولیت های هوش مصنوعی باید مورد توجه باشد. نرم‌افزارهایی که اطلاعات شخصی افراد را جمع می‌کنند، باید به موارد مذکور پایبند باشند. شاید امروزه اطمینان از مدیریت صحیح و ذخیره داده‌ها اهمیت بیشتری داشته باشد، چرا که مردم بسیاری از کشورها بخشی از آزادی خود را از دست داده‌اند.

البته این بدان معنا نیست که امکان ساخت، توسعه و استفاده از این نرم‎افزارها وجود ندارد؛ بلکه این اقدامات باید در راستای استانداردهای اخلاقی انجام شوند. جلب اعتماد شهروندان در بحران‌هایی از این دست باید در اولویت قرار گیرد. بنابراین احترام به الزاماتِ مربوط به برخورد مناسب با داده‌های شخصی، نیازمند توجه بالایی است.با این حال، با توجه به شرایط بغرنجی که در حال حاضر حاکم است، باید اخلاق را درمورد آن دسته از نرم‌افزارهایی که هدف‌شان کمک به کنترل این بیماری همه‌گیرِ جهانی است، در اولویت قرار داد و به‌کارگیری آن‌ها را سرعت بخشید.

در پایان، سیستم‌ها باید در دسترس همه باشند و تفاوت‌های اجتماعی و فرهنگی در کشورهای درگیر با این بیماری را هم مد نظر قرار دهند. اکنون، زمانِ دسترسی آزاد به منابع اطلاعاتی است. ما همه با هم در این درد شریک هستیم و باید مطمئن شویم که همه از منافع هوش مصنوعی بهره‌مند می‌شوند.

منبع: hooshio.com

هوش مصنوعی عمومی ، یقیناً باعث ایجاد اختلال در جامعه خواهد شد. این فن‌آوری در کل جهان گسترش یافته و همه صنایع را تحت تاثیر قرار می‌دهد، پس باید خود را برای چنین روزی آماده کنیم. هوش مصنوعی جهان را تحت سیطره خود در آورده است، اما نَه به این شکل که بخواهد در نقش ربات‌های قاتل ظاهر شود و همه چیز را به نابودی بکشاند.

هوش مصنوعی در قرن ۲۱ برای تقویت صنایع، کسب‌وکار، آموزش، ساخت‌وساز، مراقبت‌های پزشکی، حمل و نقل و… مورد استفاده قرار می‌گیرد. هوش مصنوعی برای نجات جان انسان‌ها، ساخت و توسعه فن‌آوری‌های نسل بعد و بهتر کردنِ زندگی انسان‌ها نیز استفاده می‌شود و به نظر می‌رسد هوش مصنوعی کاربردهای بی‌انتهایی داشته باشد.

شاید تصور کنید هوش مصنوعی نوعی فن‌آوری علمی – تخیلی آینده‎نگر است که خیلی فراتر از عصر حاضر است، اما این فن‌آوری اکنون نقش قابل‌توجهی در شخصی‌سازیِ تجربه‌های انسان در رسانه‌های اجتماعی یا خودکارسازیِ کارهای ملال‌آور ایفا می‌کند. اگر فکر می‌کنید این نقطه، اوج انقلاب هوش مصنوعی است، دوباره فکر کنید؛ زیرا این هوش مصنوعی که امروز می‌بینید، فقط نوک قله است.

هوش مصنوعی محدود و هوش مصنوعی قوی

پیش از آنکه به این موضوع بپردازیم، بیایید ببینیم چه تعریفی برای هوش مصنوعی ارائه شده است. هوش مصنوعی به قابلیت ماشین برای اندیشیدن و یادگیری اِطلاق می‌شود. هوش مصنوعیِ مورد استفاده در عصر حاضر «هوش مصنوعی محدود» نام دارد؛ منظور از محدود این است که فقط توان انجام یک کار مشخص را دارد؛ نَه هیچ چیز دیگر. سطح بعدی هوش مصنوعی را «هوش مصنوعی قوی» نامیده‌اند. البته از اصطلاح نوین «هوش مصنوعی عمومی » هم استفاده می‌شود.

هوش مصنوعی قوی به مغز فرضیِ ماشینی می‌گویند که قابلیت انجام کارها و درک گفتار در سطحِ شناختی را دارد. این نوع هوش می‌تواند همگام با قابلیت‌های مغز انسان به ایفای نقش بپردازد. به عبارتی، این ماشین پیشرفته رباتی است که می‌تواند مثل ما انسان‌ها همه چیز را احساس کند، عاشق شود و اساساً همان کارهایی را انجام دهد که انسان‌ها در طول روز انجام می‌دهند. سیستم هوش مصنوعی محدود هرگز نمی‌تواند به این سطح از توانایی برسد.

سرمایه‌گذاری در هوش مصنوعی عمومی (AGI)

هوش مصنوعی عمومی فرضی می‌تواند در اقدامی سرنوشت‌ساز تاریخ را دگرگون کند. به همین دلیل است که سرمایه‌گذاران، میلیون‌ها دلار در اختیار شرکت‌ها گذاشته‌اند تا تحقیقات خود را در این زمینه گسترش دهند. کارشناسان به سختی در تلاش‌اند تا به این فن‌آوری تخیلی رنگ واقعیت ببخشند. بر اساس گزارش «Mind Commerce»، پیش‌بینی می‌شود سرمایه‌گذاری در هوش مصنوعی عمومی تا سال ۲۰۲۳ به ۵۰ میلیارد دلار برسد. هم‌اکنون نیز چندین شرکت بزرگ فن‌آوری با برخورداری از گروهی از کارشناسان خبره، مشغول کار و تحقیق درباره این فن‌آوری هستند.

شرکت‌های بزرگ فن‌آوری از قبیل IBM و Baidu شاید به جهش‌های کوانتومی در هوش مصنوعی دست پیدا کنند. با این حال، چهار شرکت ریشه‌دار وجود دارند که گوی سبقت را از شرکت‌های رقیب ربوده‌اند و فاصله‌ چندانی با خط پایان هوش مصنوعی ندارند. جایزه‌ای که پس از پایان این رقابت داده می‌شود، مدال طلا نیست، بلکه بزرگ‌ترین دستاورد هوش مصنوعی تحت عنوان «ابَر هوش» است. اکنون بیایید هر یک از این شرکت‌ها را به طور مختصر بررسی کنیم.

چهار شرکت برتر هوش مصنوعی

۱. Open AI
سال تاسیس: ۲۰۱۵
مرکز: سان‌فرانسیسکو، کالیفرنیا
ماموریت: هوش مصنوعی عمومی، در راستای رفع نیازهای بشر به کار گرفته شود.
هدف: تبدیل شدن به نخستین هوش مصنوعی عمومی؛ نَه برای اینکه به سودآوری حداکثری برسد. هدف اصلی، بهره‌مندیِ برابر کل جهان از این فن‌آوری است.
بنیان‌گذاران: ایلان ماسک، سَم آلتمن و چند نفر دیگر
سرمایه‌گذاران: مایکروسافت – یک میلیارد دلار
آخرین دستاورد: ساخت Open AI Five، تیمی متشکل از ربات هوش مصنوعی که قهرمانان بازی Dota 2 را شکست دادند و رباتی که توانست مکعب روبیک را حل کند.
روشِ استفاده از هوش مصنوعی عمومی: مدل‌های بزرگتر شبکه عصبی

۲. Deepmind
سال تاسیس: ۲۰۱۰
مرکز: لندن
ماموریت: تحقیق و ساخت سیستم‌های هوش مصنوعی امن که توان حل مسائل را داشته باشند و اکتشافات علمی را پیش ببرند.
هدف: ادغام روش‎های نوین یادگیری ماشین و علوم عصبی برای ساخت الگوریتم‌های یادگیری قوی.
بنیان‌گذاران: دمیس هاسابیس
سرمایه‌گذاران: Founders Fund و Horizons Ventures
آخرین دستاورد: آلفاگو، این سیستم هوش مصنوعی توانست انسان را در بازی Go شکست دهد.
روشِ استفاده از هوش مصنوعی عمومی: علوم عصبی؛ نگاه عمیق به مغز انسان و الهام‌گیری از آن برای ساخت الگوریتم‌های پیچیده

۳. Google Brain
سال تاسیس: ۲۰۱۱
مرکز: مانتن ویو، کالیفرنیا
ماموریت: هوشمندتر کردن ماشین‌ها و بهبود زندگی انسان‌ها
هدف: ساخت هوش مصنوعی با هوش بچۀ انسان
بنیان‌گذاران: اندرو اِن‌جی و جف دین
سرمایه‌گذاران: شرکت مادر گوگل
آخرین دستاورد: ابداع Transformers و تنسورفلو
روشِ استفاده از هوش مصنوعی عمومی: یادگیری با نظارت و سایر ساختارهای شبکه عصبی

۴. Facebook A.I. Research
سال تاسیس: ۲۰۱۳
مرکز: –
ماموریت: عرضه پیشرفته‌ترین نسخه هوش مصنوعی
هدف: ساخت هوش مصنوعی انسان‌مانند
بنیان‌گذاران: یان لیکان، پیشگام در حوزه یادگیری عمیق
سرمایه‌گذاران: شرکت مادر فیس‌بوک
آخرین دستاورد: ابداع PyTorch زبان برنامه‌نویسی مشهور و Mask R-CNN الگوریتم بینایی رایانه
روشِ استفاده از هوش مصنوعی عمومی: یادگیری بدون نظارت و خودنظارتی

نگاهی به آینده

هوش مصنوعی عمومی، یقیناً باعث ایجاد اختلال در جامعه خواهد شد. این فن‌آوری در کل جهان گسترش یافته و همه صنایع را تحت تاثیر قرار می‌دهد، پس باید خود را برای چنین روزی آماده کنیم. اگرچه تصویری خطرناک و خشن از هوش مصنوعی عمومی در اذهان نقش بسته، اما خطر اصلی خود مائیم. ما انسان‌ها کامل نیستیم و به پیامدهای اعمال‌مان توجه نمی‌کنیم. برای مثال، ببینید چگونه با مشکل تغییر آب‌وهوا برخورد می‌کنیم. بخش‌های زیادی از جهان از این مشکل رنج می‌برند، اما انسان‌ها همچنان به این قضیه بی‌اعتنا هستند.

اگرچه هوش مصنوعی عمومی از قابلیتِ ریشه‌کن کردن‌ِ نسل بشر برخوردار است، اما می‌توانیم به کمک آن تحولی عظیم ایجاد کرده و قدرتی بی‌سابقه بدست آوریم. باید جانب احتیاط را در استفاده از این فن‌آوری رعایت کنیم. این فن‌آوری تهدیدات زیادی با خود به همراه دارد و می‌تواند نسل انسان را منقرض کند.

برای اینکه تضمین شود این فن‌آوری برای اهداف خوب و مسالمت‌آمیز استفاده می‌شود و به هیچ عنوان از آن سوءاستفاده نخواهد شد، باید قوانینی را تدوین کنیم و ایمنی سیستم‌های هوش مصنوعی عمومی تضمین شود. اگر متخصصان و محققانی که در ساخت و توسعه هوش مصنوعی عمومی دخالت دارند، قبول مسئولیت کرده و از خطرات این فن‌آوری به خوبی آگاه باشند، امکان ساخت سیستم‌های کارآمد و امنِ هوش مصنوعی عمومی وجود خواهد داشت.

برنامه اجرایی

حالا که به آگاهی خوبی از اثرات و پیامدهای هوش مصنوعی عمومی دست یافته‌اید، سعی کنید اطلاعات بیشتری درباره هوش مصنوعی یاد بگیرید و روش‌های به‌کارگیری این فن‌آوری را در زندگی‌تان بررسی کنید. داشتن مهارت و تواناییِ لازم برای به‌کارگیری هوش مصنوعی در جهان حقیقی، اهمیتی بنیادی دارد؛ فرقی هم نمی‌کند دانشجو باشید یا مدیر عامل یک شرکت بزرگ خرده‌فروشی. توصیه می‌کنیم هنگام یادگیری PyTorch (چارچوب مشهور برای یادگیری ماشین) از زبان برنامه‌نویسی پایتون استفاده کنید. همچنین می‌توانید از JavaScript برای TensorFlow (کتابخانه یادگیری ماشین) استفاده کنید.

اگر مدیر یک کسب‌وکار هستید و می‌خواهید هوش مصنوعی تغییر بزرگی در شرکت‌تان به وجود آورد، می‌توانید با استخدام مهندسان یادگیری ماشین یا متخصصان داده به سرمایه‌گذاری در هوش مصنوعی بپردازید. استفاده از هوش مصنوعی می‌تواند باعث افزایش میزان فروش، ارتقای تجارب مشتریان، خودکارسازیِ فرایندها و تجزیه و تحلیل پیش‌بینی‌گر، شناسایی بزه‌کاری و بسیاری دیگر از کارها شود.

اگر به عنوان یک جوان، رویای ایجاد تغییر در جهان را در سر می‌پرورانید یا هدف‌تان تبدیل شدن به یک کارآفرین برتر است، توصیه می‌کنیم کارتان را با هوش مصنوعی آغاز کنید. مسئله‌ای را که می‌خواهید حل کنید، در نظر گرفته و سپس عنصر هوش مصنوعی را به آن اضافه کنید. برای مثال، اگر خواهان طراحیِ یک برند پوشاک هستید، چرا از هوش مصنوعی برای انجام این کار کمک نمی‌گیرید؟ یا اگر می‌خواهید گام موثری برای درمان بیماری‌های مغزی یا سرطان بردارید، از هوش مصنوعی برای یافتن روش درمانی نوین استفاده کنید. هیچ‌گاه از آزمایش کردن نترسید و از هوش مصنوعی برای فتح غیرممکن‌ها استفاده کنید.

از شما به خاطر مطالعه این مقاله سپاسگزار هستیم و امیدوارم حالا به درک خوبی از هوش مصنوعی رسیده باشید. مطمئنیم اکنون می‌دانید که کدام شرکت‌ها پرچم‌دار این حوزه هستند و تبدیل آن به واقعیت گام‌های موثری برمی‌دارند. می‌خواهیم با نقل قولی از «الیزه یودکوفسکی» نویسنده و محقق هوش مصنوعی این مقاله را به پایان برسانیم: «هر چیزی که زمینه را برای ظهور چیزهایی باهوش‌تر از هوش انسان و در قالب هوش مصنوعی، رابط‌های میان مغز و رایانه یا ارتقای هوش انسان بر پایه علوم عصبی فراهم کند، بیشترین اهمیت را دارد و نمی‌توان از نقش بی‌بدیل‌شان در تغییر جهان چشم‌پوشی کرد.»

منبع: hooshio.com

شما یک محصول و راه‌حل نرم‌افزاری درخشان و جدید مبتنی بر هوش مصنوعی ایجاد کرده‌اید. تبریک می‌گوییم. فقط یک سوال؛ آیا به بازاریابی و فروش محصول هوش مصنوعی خود فکر کرده‌اید؟ هیچ کسب‌ و کار نوپایی به راحتی نمی‌تواند به فهرست برترین‎ها راه یابد و بسیاری از آنان سال‌های زیادی را در راه رسیدن به شهرت و سودآوری صرف می‌کنند.کسب و کارهای مرتبط با هوش مصنوعی نیز نه تنها از این قاعده مستثنی نیستند، بلکه راه سخت‌تری را نسبت به دیگران در پیش دارند. همچون هوش مصنوعی، بازاریابی هوش مصنوعی نیز در ابتدای راه خود قرار دارد. محصولات هوش مصنوعی شگفت‌انگیز هستند و باعث می‌شود غافلگیر کننده، دور از ذهن و عجیب نیز به نظر برسند. این بزرگترین مانع بر سر راه بازاریابی برای محصولات مبتنی بر هوش مصنوعی است.

در بازاریابی برای هوش مصنوعی چه کاری را نباید انجام داد؟

آنچه در حال روی دادن است این موضوع است که هوش مصنوعی به کلمه ای کلیدی در گفتگوهای آنها تبدیل شده است، اما چنان مورد استفاده قرار گرفته است که بیشتر صاحبان مشاغل و تصمیم گیرندگان هنگام شنیدن ترجیح می‌دهند آن را نادیده بگیرند. به همین دلیل شما نیز احتمالا نمی‌خواهید تنها وجه تمایزتان با دیگران این باشد که هوش مصنوعی دارید!

اکنون ممکن است این سوال برای‌تان پیش آمده باشد که پس چگونه به توضیح فناوری‌های هوش مصنوعی به کار رفته در محصولات‌مان بپردازیم بدون اینکه بیش از حد پای هوش مصنوعی را وسط بکشیم؟ بهترین راه برای نشان دادن محصولات مبتنی بر هوش مصنوعی این است که بتوانید آن را برای افراد غیرمتخصص توضیح دهید. بگذارید یک مثال بزنیم.  اگر بخواهید اتومبیلی را به شخصی بفروشید آیا در مورد اینکه چگونه موتور احتراق داخلی آن  کار می‌کند حرف می‌زنید؟ یا در مورد اینکه موتور خودروی شما دارای حداکثر راندمان حرارتی است؟ احتمالا کمتر فروشنده‌ای از این موارد حرف بزند و متقابلا کمتر خریداری تمایلی به شنیدن این جزئیات داشته باشد. به جای آن افراد ترجیح می‌دهند از رنگ ماشین، ایمنی، سرعت، راحتی و اینگونه مزایای ‌قابل لمس صحبت کنند. همین مساله در مورد محصولات هوش مصنوعی صدق می‌کند.

هوش مصنوعی  یک ابزار و یک ویژگی است و بدترین کاری که می‌توان حین بازاریابی یک محصول هوش مصنوعی انجام داد  این است که درگیر ابزار و پیچیدگی‎های تخصصی شوید. آنچه واقعاً باید روی آن تمرکز کنید مزایای آن است.

درواقع چگونگی عملکرد محصول و راه‌حل شما در اولویت‌های بعدی قرار دارد.

در بازاریابی برای هوش مصنوعی چه کاری را باید انجام داد؟

اکنون که با کاری که نباید انجام دهید آشنا شدید به این موضوع بپردازیم که  چگونه یک برنامه مبتنی بر هوش مصنوعی را بفروشیم؟خود را به جای یک مدیر کسب و کار تصور کنیم. در مواجه با یک محصول جدید ممکن است این سوال‌ها را بپرسیم:

راه حل یا برنامه شما چیست؟ استفاده از این محصول مبتنی بر هوش مصنوعی چه ارزش افزوده ای برای مجموعه من به همراه دارد که تاکنون وجود نداشته است؟ آیا با به کارگیری این راه حل می توانم  قبل از وقوع مشکلات، از آنها باخبر شوم؟ آیا این محصول باعث می‌شود تجربه کاربری مشتریان من بهبود یابد؟ آیا من می‌توانم قیمت محصولات خود را  بهینه کنم؟ آیا با این راهکار می‌توانم مشتریان قدیمی که مدت‌هاست خریدی انجام نداده‌اند را شناسایی کنم؟

این همان کاری است که هوش مصنوعی انجام می دهد و این همان مساله‌ای است که هنگام فروش محصول هوش مصنوعی باید در مرکز توجه فروشنده قرار بگیرید. اگرچه هوش مصنوعی تغییر قابل توجهی در مواجهه شرکت‌ها با فناوری پدید آورده است، اما کماکان سردرگمی فراوانی در مورد مزایا و کاربردهای هوش مصنوعی وجود دارد. البته  این باعث نشده است که بازاریابان پیشرو دل‌سرد شوند، بلکه آن‌ها این شرایط را فرصتی یافته‌اند تا هوش مصنوعی را با استراتژی های بازاریابی تطابق دهند و آن را به  تصمیم‌گیران کسب و کارها توضیح دهند. رقابت برای کسب سهم بیشتر از بازار هوش مصنوعی با فراز و فرودهای بسیاری همراه بوده است. اگرچه بسیار از کسب و کارها به هوش مصنوعی روی خوش نشان داده‌اند، تعداد کمی از آنان استراتژی‌های بازاریابی را برای جلب توجه مشتریان بالقوه در نظر می‌گیرند. اکنون فرصت آن است تا برنامه های بازاریابی خود را  برای فروش محصول هوش مصنوعی اجرا و ییاده کنید. استراتژی‌های زیر می‌تواند در این راه کمک‌کننده باشد.

۱- استفاده‌ی شفاف، امن و مسئولانه از هوش مصنوعی را توضیح دهید.

با توجه به افسانه‌های زیادی که در مورد هوش مصنوعی وجود دارد، جامعه به دیده شک وتردید به این موضوع نگاه می‌کند. در یک پژوهش وقتی از افراد خواسته شد احساس خود نسبت به هوش مصنوعی را در قابل یک کلمه توضیح دهند کلمه “جذاب” و “مشکوک” بیشترین درصد را کسب کردند. این نتیجه نشان می‌دهد جامعه همان‌قدر که علاقه مند به موضوع هوش مصنوعی است و آن را جالب می پندارد، به همان اندازه نیز در مورد آن تردید دارد. آن ها می‌خواهند بدانند کسب و کارها مجاز به انجام چه کارهایی با استفاده از هوش مصنوعی هستند و آیا قانون، خطوط قرمزی برای کارهایی که نباید انجام بدهند مشخص کرده است یا نه؟

۲- شواهد روشن قابل اتکا و متقاعده کننده در مورد مزایای استفاده از هوش مصنوعی ارائه دهید.

کماکان تردیدهای بسیاری در تعریف هوش مصنوعی و فواید آن برای مردم و کسب و کارها وجود دارد . بنابراین نیاز به ارائه شواهد علمی و اثبات‌شده و یا ارائه گزارش از کسب و کارهایی که از هوش مصنوعی استفاده کرده‌ند می‌تواند بسیار کمک‌کننده باشد. در حقیقت با تکیه بر اصول بازاریابی باید بتوانید به جای فروش کرم نرم‌کننده، دست‌های نرم بفروشید.

۳- روی مشکل خاصی که هوش مصنوعی می تواند آن را حل کند تمرکز کنید.

هوش انسانی یک هدف اصلی دارد و آن حل مساله است. اگر هوش مصنوعی نتواند مشکلات انسانی را حل کند نه باهوش خواهد بود و نه برای دیگران جذاب. درواقع اگر مشکلات انسانی و تفکر در مورد راه‌حل آن وجود نداشته باشد هوش مصنوعی نیز بی‌فایده خواهد بود. این یک اصل ساده است.

۴- هوش مصنوعی برای تقویت هوش انسان‌هاست نه جایگزینی برای آن

بسیاری از فناوری‌های جدید در ابتدای راه خود از طرف دیگران  با سوتعبیر مواجه شده‌اند. درحال حاضر افکار عمومی نگران هشدارها در مورد شغل‌هایی هستند که قرار است توسط هوش مصنوعی نابود شود. در نتیجه افراد می‌ترسند که هوش مصنوعی آن ها را از کار بیکار کنند. باید بیش از پیش به این نکته تایید کرد که هوش مصنوعی قرار است به انسان‌ها کمک کند نه اینکه جایگزین آن ها شود. به عنوان مثال، بیشتر کاربردهای یادگیری رایانه باعث تقویت کار انسان می‌شود  نه جایگزین آن.

نمونه یک بازاریابی موفق برای محصولات هوش مصنوعی

در انتها بهتر است با شیوه‌ای که شرکت  Salesforce   برای فروش محصولات هوش مصنوعی به کار برده است آشنا شویم. این شرکت ۱۱۱ میلیارد دلار سرمایه در بازار دارند، پس منطقی است که به حرف‌شان گوش دهیم. آن‎‌ها در مورد یکی از محصولات خود به نام انیشتین می‌گویند:

با هوش مصنوعی که در Salesforce ساخته شده است، باهوش‌تر عمل کنید، با این محصول بیشتر کار کنید. تصمیمات را سریع‌تر بگیرید، بهره‌وری کارمندان را بالاتر ببرید و با استفاده از پیش‌بینی‌ها و توصیه‌های مبتنی بر هوش مصنوعی، مشتریان را خوشحال‌تر کنید.

خبری از توضیحات فنی و پیجیده، الگوریتم‌ها یا فناوری‌های به کار رفته نیست. فقط به کاری که این محصول برای شما انجام می دهد می‌پردازد. وقتی در حال بازاریابی و فروش محصول هوش مصنوعی برای مخاطبان B2B هستید ، باید به همین روش فکر کنید.

منبع: hooshio.com

فرض کنید یکی از مهندسان یادگیری ماشین شرکت آمازون هستید. تیمتان به تازگی یک مدل قیمت‌گذاری (RNN) جدید منتشر کرده تا فرایند قیمت‌گذاری بر اساس نوع خرید افراد، به صورت خودکار انجام شود. شما و همکاران‌تان زحمات زیادی کشیده و بارها این مدل را آزمایش کرده‌اید. حالا تلاش دو ساله شما به بار نشسته و پیش‌بینی می‌شود سالیانه یک میلیون دلار سودآوری داشته باشد. این موفقیت، تا حدی شما را به وجد آورده که می‌خواهید تعطیلات را در مکانی مجلل و گران‎قیمت جشن بگیرید. اما در راه سفر به باهاماس، خبر بدی دریافت می‌کنید. مدل یادگیری ماشین‌تان دچار سوءعملکرد شده و قیمت‌گذاری کالاها را اشتباه انجام داده است. هر کاری از دست‌تان برمی‌آید انجام می‌دهید تا مشکل را حل کنید، اما خیلی دیر شده و سیستم کالاها را تحویل داده است. مدل یادگیری ماشین شما، به شرکت ۳ میلیون دلار ضرر زده است.روز بعد، با تمام قوا تصمیم به رفع مشکل می‌گیرید و مجدداً مدل را آزمایش می‌کنید. به نظر نمی‌رسد مشکل خاصی وجود داشته باشد. آیا توزیع قیمت تغییر یافته؟ آیا فرایند آماده‌سازی داده دچار مشکل شده؟ کیفیت داده پایین آمده؟ از تمام توان ذهن‌تان بهره می‌گیرید تا علت مشکلات را پیدا کنید، اما به هیچ سرنخی نمی‌رسید. بنابراین، تصمیم می‌گیرید جریان سرازیری داده‌ها از هر ماشین‌های مجازی را و فایل‌های مختلف config تفکیک کرده، مدل را از نو بسازید و آزمایش‌ها را یک به یک انجام دهید. در فرایند انجام این کارها، یادتان می‌رود نسخه‌ها را به‌روزرسانی کنید و سرانجام، پس از چند شب بی‌خوابی مشکلات را حل می‌کنید.

به هزینه تصمیمات مصلحت‌آمیز، بدهی فنیگفته می‌شود که در مدت اجرای کُد گرفته می‌شوند. دلیل این تصمیم، متوسل شدن به مسیرهای میانبری است که می‌تواند در انتشار اولیه نرم‌افزارها و بازاریابی سریع، سود کوتاه‌مدت به همراه داشته باشد. «وارد کانینگهام» در سال ۱۹۹۲ این اصطلاح را ابداع کرد تا نیاز سهامدار به ریفکتور (refactor) را توضیح دهد. این اصطلاح در صنعت توسعه نرم‌افزار به کار برده می‌شود و به این معناست که توسعه‌دهنده به جای صرف زمان زیاد و یافتن بهترین راه حل در طول فرایند کدنویسی، از راه‌حل فوری و آسانی به منظور حل موقت یک مسئله استفاده ‌کند؛ در عوض متعهد می‌شود زمانی را در آینده برای یافتن راه‌حل اساسی و کاربردی اختصاص دهد.
به‌طور مشابه، در هوش مصنوعی و یادگیری ماشین نیز به افزایش بدهی فنی تمایل داریم و برای حل مسائل، استفاده از مسیرهای میانبر و کوتاه را در دستور کار خود قرار می‌دهیم. اگر برای کارمان ضرب‌الاجل فوری تعیین کرده‌ باشند، به‌کارگیری این نوع راه‌حل‌ها را امری مناسب و ضروری می‌دانیم. اما گاهی این اقدامات هزینه‌های سنگینی به بار می‌آورد. لزوماً همه بدهی‌ها به ضرر ما تمام نمی‌شوند، اما بدهی‌های پرداخت‌نشده می‌توانند بار سنگینی روی دوش‌مان بگذارند.

سیستم یادگیری ماشین ناپایدار

سیستم قیمت‌گذاری را تصور کنید که از سیستم «مدیریت رابطه مشتری» یا «CRM» برای پیاده‌سازی استراتژی قیمت‌گذاری استفاده می‌کند. کیفیت این سیستم قیمت‌گذاری تا حد زیادی به داده‌هایی بستگی دارد که از سیستم CRM به دست می‌آیند. بنابراین، نادیده گرفتن ویژگی‌ها می‌تواند تمامی نتایج را در یادگیری ماشین دچار اختلال کند. حالا فرض کنید این سیستم با ویژگی‌های بسیار زیادی سروکار دارد. در این شرایط، مدل یادگیری ماشین شما در بهترین حالت شکننده و ناپایدار عمل خواهد کرد و در بدترین حالت نیز انتظار می‌رود جریان سرازیری داده با مشکل جدی روبه‌رو شود.
این مسئله در شرکت‌های نوپای هوش مصنوعی به یک هنجار تبدیل شده، چرا که آن‌ها سرعت‌عمل بالایی برای آماده‌سازی محصولات و ارائه به سهام‌داران خود نشان می‌دهند. یکی از همکاران ما در یک شرکت نوپای هوش مصنوعی اعلام کرد که هیچ‌گاه از ابزارهای مدیریت «Dec Ops»، مشکل‌یاب (Jira) و «Git» برای توسعه سیستم‌های یادگیری ماشین خود استفاده نکرده‌اند. این مسئله برای ما خیلی شگفت‌آور بود، چرا که بسیاری از شرکت‌های دیگر نیز بدون مدیریت مناسب بدهی فنی و ابزارهای «Dec Ops» وارد حوزه یادگیری ماشین و هوش مصنوعی می‌شوند. «Dec Ops» در مهندسی نرم‌افزار اهمیت فراوانی دارد، اما «MLOPs» برای ابزارهای یادگیری ماشین جدایی‌ناپذیر است.

چهار مشکل بزرگ در یادگیری ماشینی

۱. درهم‌تنیدگی

سیستم‌های یادگیری ماشین (ML) به ماشین‌هایی گفته می‌شود که با داده سروکار دارند. فرض کنید مدل قیمت‌گذاریِ شما عملکرد بسیار خوبی در قیمت‌گذاری همۀ محصولات داشته باشد، به جز جاروبرقی و شما با افزایش حساسیت قیمت‌گذاری وسایلِ مخصوص تمیزکاری، جاروبرقی را قیمت‌گذاری کرده‌اید. بعد متوجه می‌شوید این قیمت‌گذاری با قیمت ماشین ظرفشویی همخوانی ندارد. شیوه توزیع قیمت دستگاه‌های جاروبرقی قابل کاربرد در توزیع قیمت دستگاه شستشوی ظرف نیست. حالا باید قانون جدیدی وضع کنید که شاید سایر کالاها و محصولات را تحت‌تاثیر قرار دهد. شما به درهم‌تنیدگیِ داده‌ها و درون‌بینی پی می‌برید.

۲. خطوط لوله پیچیده

سیستم‌های هوش مصنوعی و یادگیری ماشین از خطوط لوله گردشکار بسیار متفاوتی تشکیل شده‌اند که مسئول انجام کارهای پیچیده‌ای هستند. سیستم یادگیر شما بوسیله تعدا زیادی مهندس ساخته خواهند شد و این سیستم‌ها با منابع داده‌ای و تعداد زیادی از سیستم‌های دیگر پیوند دارند.
باید کارهای زیادی را در خطوط لوله مناسبِ یادگیری ماشین طراحی کرد. از جمله این کارها می‌توان به تولید داده، ETL، تصدیق داده‌ها، نظارت بر عملکرد و… اشاره کرد. مدلِ شما به زودی به سطح بالایی از پیچیدگی می‌رسد که نداشتن عملیات استاندارد و ابزارهای مناسب باعث می‌شود برای اِعمال تغییرات ساده در سیستم‌های مختلف، به چندین ساعت زمان نیاز داشته باشید. پس خطوط لوله پیچیده باعث کُند شدن فعالیت‌های مهندسیِ شما می‌شود که اگر از شیوه برخورد با این وضعیت درک خوبی نداشته باشید، باید برای اِعمال تغییرات ساده، چندین ساعت زمان صرف کنید.

۳. حلقه‌های بازخورد پنهان

سیستم‌های حقیقی بر داده‌های ما تاثیر می‌گذارند. فرض کنید نماینده فروش‌تان یک کمپین بازاریابی راه انداخته و می‌خواهد کودکان را در سیستم CRM بگنجاند که مدل قیمت‌گذاری شما از این سیستم استفاده کرده است. پیش‎فرض مدل یادگیری ماشین این است که طیف وسیعی از مشتریان، مایل به خرید اسباب‌بازی‌ هستند. در نتیجه، مدل یادگیری ماشین قیمت اسباب‌بازی‌ها را افزایش داده و تخفیف بالایی برای کالاهای گِران در نظر می‌گیرد. با این حال، مدل قیمت‌گذاری رقیب‌تان با مشاهده افزایش قیمت کالاهای شما اقدام به بالا بردن سرسام‌آور قیمت اسباب‌بازی‌ها می‌کند. سیستم شما این رویه را در پیش گرفته و چنین چرخه‌ای را به وجود آورده است. به این ترتیب حلقه‌های بازخورد پنهان باعث ایجاد اختلال در سیستم یادگیری ماشین شما شده است.

۴. وابستگی شکننده به داده

فرض کنید مدل قیمت‌گذاری شما بر پایه جنسیت مشتریان‌تان استوار است. اگر مردی به دنبال خرید محصولات آرایشی باشد، به احتمال زیاد آن را به همسر یا نامزدش هدیه خواهد داد. در این شرایط، او مایل است هزینه زیادی در قبال آن بپردازد. یادگیری ماشین شما آماده است تا بر اساس جنسیت، اقدام به قیمت‌گذاری کند. با این وجود، نماینده کسب‌و‌کارتان یک برچسب با عنوان «جنسیت» در CRM اضافه می‌کند. اگر سیستم یادگیری ماشینی شما عناوینی به غیر از «مونث» یا «مذکر» ببیند، دچار اختلال خواهد شد؟ پس حالا مدل قیمت‌گذاریِ لوازم آرایشی را چطور انجام می‌دهد؟ این احتمال وجود دارد که سیستم با به‌روزرسانیِ سیستم‌های بالادستی، کارآیی خود را از دست بدهد.

پرداخت بدهی‌های فنی یادگیری ماشینی

بدهی فنی دردسرهای زیادی دارد. هنگامی که به عنوان مهندس داده در «Visa» و گوگل مشغول به کار بودم، می‌بایست از وجود یک خط لوله قابل‌اطمینان استفاده می‌کردم که از شفافیت بالایی برخوردار باشد. پس به نوعی عملیات استاندارد نیاز داشتم تا جنبه‌های فنی و داده‌ایِ یادگیری ماشین را پوشش دهد. در ضمن، می‌بایست از عدم کاهش کیفیت در طی زمان اطمینان حاصل می‌کردم. سه راهکار برای کاهش بدهی فنی «MLOps» وجود دارد که در زیر اشاره خواهیم کرد:

۱. کدها و داده‌ها را آزمایش کنید.
آزمایش کردن یکی از مهم‌ترین و ناخوشایندترین کارها در بخش فن‌آوری است. هدف از این کار، محدودسازی و کاهش بدهی فنی و اطمینان حاصل کردن از کیفیت تولید یادگیری ماشین است. ما در «DevOps» دو نوع آزمایش را یاد گرفتیم: آزمایش واحد (یعنی آزمایش کردن یک کارکرد) و آزمایش یکپارچگی (یعنی آزمایش کردن کارکردهای یکپارچه). با این حال، در «MLOps» نیاز به راه‌اندازی فرایند canary داریم تا کیفیت خط لوله یادگیری ماشین را آزمایش کنیم.

۲. آموزش، آزمایش و سازگاری مقادیر.
وقتی مشغول آموزشِ مدل‌هایتان هستید، از داده‌های log استفاده می‌کنید. با این حال، در فرایند تولید باید با داده‌های زنده سروکار داشته باشید که شاید بنا به مسائل زیادی از قبیل سری زمانی، کیفیت دوربین (عکس)، زبان و… به مقادیر متفاوتی دست پیدا کنید. بنابراین، همواره باید حواس‌تان به هر دو نوع داده مذکور باشد تا کیفیت تضمین شود.

۳. به صورت محافظه‌کارانه امتیاز دهید.
باید به هر مرحله از آزمایش مدل یادگیری ماشین خود امتیاز دهید. امتیازهای سلامت خط لوله را در چهار بخش مختلف به کار ببرید:

• زیرساخت یادگیری ماشین: باید کیفیت جریان داده‌های پایین‌رو و بالارو آزمایش شود.
• توسعه مدل یادگیری ماشین: باید از طریق آزمایش مطمئن شویم که مدل حاوی ویژگی‌های نامناسب نیست.
• ویژگی‌ها و نمونه‌گیری: باید از طریق آزمایش مطمئن شویم که توزیع ویژگی‌ها با انتظارات‌مان همخوانی دارد.
• اجرای سیستم‌های یادگیری ماشین: باید کیفیت کد‌ها و داده‌ها را بسنجیم. کلیه این مراحل برای تضمین کارآییِ مدل اهمیت زیادی دارند.

مقابله با بدهی فنی مستلزم این است که شناخت خوبی از خط لوله یادگیری ماشین در چرخۀ حیات آن به‌دست آورید. بنابراین، باید توجه ویژه‌ای به نمونه داده‌ها، مدل‌سازی، آزمایش و سرانجام به‌کارگیریِ مدل داشته باشید. اگر تمامی این مراحل را به درستی انجام دهید، قادر هستید مدل‌تان را به سرعت توسعه دهید، به شیوه پیش‌بینی‌شده اجرا کنید و خدمات خوبی برای مشتریان خود ارائه دهید.

منبع: hooshio.com