وکیل ها در یک روز عادی چه کارهایی انجام می‌دهند؟ تحقیق در مورد پرونده‌ها، پیش‌نویسی خلاصه‌ی پرونده، مشاوره دادن به مراجعان و … . با این‌که فناوری تا کنون توانسته با خدماتی جزئی به حوزه‌ی حقوق و قضا کمک کند، تصور انجام چنین کارهای پیچیده‌ای به دست ربات‌ها چندان ملموس نیست.

پیچیدگی و شخصی بودن مسائل کاری وکلاء باعث شده متخصصان فناوری این حوزه‌ی کاری را جزو مشاغلی بدانند که از نفوذ رباتیک پیشرفته و هوش مصنوعی در امان خواهند ماند.

با این حال، اخیراً محققان کارکرد شاخه‌ای از هوش مصنوعی به نام یادگیری ماشین را در تجزیه و تحلیل خلاصه‌ی پرونده‌ها مورد بررسی قرار دادند. نتایج این پژوهش نشان داد وکالت چندان هم در برابر این فناوری‌ها مصون نیست. به نظر می‌رسد برای تغییر بنیادین یک شغل، نیازی به خودکاری سازی کامل آن نیست؛ بلکه خودکارسازی بخشی از آن هم کفایت خواهد کرد.

این یافته‌ها شاید به نظر وکلای آینده ناخوشایند باشد، اما برای مراجعان آینده‌ی آن‌ها، به خصوص کسانی که به سختی از پس پرداخت هزینه‌های مربوطه بر می‌آیند، امیدوارکننده است.

فناوری غیر قابل پیش‌بینی است

پروژه‌ی تحقیقاتی مذکور که حاصل همکاری اساتید حقوق با متخصصان کامپیوتر و زبان‌شناسی MITRE می‌باشد، در اصل ربطی به خودکارسازی نداشت. هدف از آن، مقایسه‌ی ویژگی‌های متنی موجود در خلاصه پرونده‌های موفق و ناموفق بود. MITRE مؤسسه‌ای غیرانتفاعی تحت پوشش دولت می‌باشد که وقف تحقیق و توسعه شده است.

بدین منظور، منبعی از خلاصه‌ پرونده‌های حقوقی و نظرات قضات را جمع‌آوری و متن آن‌ها را تحلیل و پردازش کردند.

یکی از اولین یافته‌ها این بود که پیش‌بینی مسائلی که امکان خودکارسازی دارند، کار آسانی نیست. به عنوان مثال، انسان‌ها به راحتی می‌توانند مراجع موجود در یک خلاصه پرونده (برای مثال هیأت آموزشی/ براون، ۳۴۷. ایالات متحده ۴۸۳ (۱۹۵۴)) را از داخل متن تشخیص داده و آن را از سایر قسمت‌ها جدا کنند. اما انجام این کار با یادگیری ماشین دشوار خواهد بود، چون علائم نگارشی فراوان و به هم ریخته‌ی داخل مرجع نرم‌افزار را گیج می‌کند.

کادرهای Captcha که با پر کردن‌شان ثابت می‌کنیم ربات نیستیم هم دقیقاً بر همین اساس کار می‌کنند: انسان‌ها به آسانی می‌توانند ستون تلفن را شناسایی کنند، اما نویز پیش‌زمینه‌ی تصویر ربا‌ت‌ها را سردرگم می‌کند.

میانبر با فناوری

متخصصان بعد از پی بردن به نحوه‌ی تشخیص ارجاع و استنادهای داخل خلاصه‌پرونده‌ها موفق به کشف روشی شدند که می‌تواند یکی از چالش‌برانگیزترین و زمان‌برترین کارهای وکلا را خودکار سازد: جستجوی حقوقی.

متخصصان MITRE شبکه‌های تصویری از منابع حقوقی با استفاده از روشی به نام «تجزیه و تحلیل گراف» ایجاد کردند. به کمک این روش می‌توان موفقیت یا شکست خلاصه‌پرونده‌ها را پیش‌بینی کرد؛ این پیش‌بینی بر اساس خلاصه‌پرونده‌های دیگری که منابع مشابهی دارند انجام می‌شود.

طی گام‌های بعدی، متخصصان دریافتند که می‌توانند این فرآیند را معکوس کنند. وکیل‌ها برای پاسخگویی به خلاصه‌پرونده‌ی طرف مقابل، مجبورند در دیتابیسی پرهزینه، به دنبال پرونده‌های مناسب و مشابه بگردند. اما این پژوهش نشان داد با استفاده از یک نرم‌افزار (که در تشخیص بهترین پرونده‌ها برای ارجاع به وکلا کمک می‌کند) می‌توان دیتابیس ساخت؛ بدین منظور، تنها لازم است خلاصه پرونده‌ی طرف مقابل را به ماشین تغذیه کنیم.

البته این ماشین که میانبری برای مرحله‌ی تحقیقات حقوقی محسوب می‌شود، در عمل ساخته نشده است، چون برای ساخت آن، تعداد زیادی خلاصه پرونده (و نظر قضات در مورد آن‌ها) لازم است. دسترسی رایگان به این دست داده‌ها برای همه‌ی پژوهشگران امکان‌پذیر نیست؛ حتی دیتابیس‌های دولتی، همچون PACER، نیز به ازای هر صفحه مبلغی دریافت می‌کنند.

با این وجود، پژوهش مذکور توانست نشان دهد به کمک فناوری، می‌توان هر گونه مسئله‌ی زمانبری را به مسئله‌ای تبدیل کرد که تنها با کلیک روی یک دکمه، انجام می‌شود.

تاریخچه‌ی خودکارسازی جزئی

خودکارسازیِ بخش‌های دشوار مشاغل، هم برای شاغلان و هم برای مشتریان آن حوزه، تغییری معنادار ایجاد می‌کند.

به عنوان مثال، یک جرثقیل هیدرولیک یا فورکلیفت برقی را در نظر بگیرید. امروزه، عموم مردم کار با جرثقیل را کار دستی می‌دانند؛ اما در زمان معرفی، این ماشین‌ها جزو دستگاه‌های کاراندوز حساب می‌شدند، چون می‌توانستند به جای انسان‌ها، اجسام سنگین را جابجا کنند.

فورکلیفت‌ها و جرثقیل‌ها جایگزین افراد نشدند. اما همچون خودکارسازی کارهای سخت و یکنواخت جستجوی حقوقی، حجم کاری که فرد می‌تواند در واحد زمانی مشخصی انجام دهد را چندین برابر می‌کنند.

خودکارسازی جزئی ماشین‌های خیاطی در اوایل قرن بیستم نیز مثال دیگری از این جریان است. بعد از ۱۹۱۰، زنان شاغل در کارخانه‌های نساجی دیگر مسئول کار با تنها یک ماشین نبودند؛ بلکه با دستگاهی صنعتی کار می‌کردند که ۱۲ سوزن داشت و در هر دقیقه، ۴۰۰۰ دوخت می‌زد. این ماشین‌ها می‌توانستند به صورت خودکار، کارهای پرزحمت و یکنواخت از قبیل کوک زدن، دوخت درزها و یا حتی قلاب‌دوزی تزیینات و حاشیه‌ی لباس‌ها را انجام دهند. مثل خلبان هواپیماهایی که روی حالت کنترل خودکار پرواز می‌کنند، کارگران این کارخانجات هم به جای دوخت و دوز، بر ماشین‌ها نظارت داشتند.

شاید این تغییر را بتوان از برخی لحاظ اتفاق بدی برای کارگران در نظر گرفت؛ اما برای مشتریان، مزیت بزرگی به شمار می‌رفت. در سال ۱۹۱۲، زنانی که کاتالوگ خیاطی Sears را دنبال می‌کردند بین دو گزینه قدرت انتخاب داشتند: لباس‌هایی که به صورت دستی حاشیه‌دوزی شده بودند و لباس‌های بسیار ارزان‌قیمت‌تری که توسط ماشین‌ها حاشیه‌دوزی شده‌ بودند.

تغییرات حوزه‌ی حقوق نیز به همین شکل است؛ خودکارسازی می‌تواند هزینه‌ی خدمات حقوقی را کاهش داده و آن را برای بسیاری از افرادی که از پس پرداخت هزینه‌های استخدام وکیل بر نمی‌آیند، دسترسی‌پذیر‌تر کند.

خودتان وکیل باشید و وکالت کنید

در سایر بخش‌های اقتصاد، پیشرفت‌های فناوری طی چند دهه‌ی اخیر، شرکت‌ها را قادر ساخته وظایف کاری را از کارکنان حقوق بگیر به مشتریان انتقال دهند.

به عنوان مثال، فناوری صفحه‌ی لمسی را در نظر بگیرید. به کمک این فناوری، خطوط هوایی توانستند کیوسک‌های چک-این راه‌اندازی کنند. چنین کیوسک‌هایی در پارکینگ‌ها، پمپ بنزین‌ها، خواروبارفروشی‌ها و حتی فست فودها نیز به چشم می‌خورند.

شاید بتوان گفت این کیوسک‌ها جای نیروی کاری حقوق بگیر را گرفته‌اند. اما این ادعا در صورتی درست است که بدانیم وقتی کارکنان این کار را انجام می‌دادند، همه‌ی مشتریان می‌توانستند به این محصول یا سرویس خاص دسترسی داشتند باشند.

مصداق این مسئله در خدمات حقوقی نیز دیده می‌شود. بسیاری از مراجعانی که قادر به پرداخت هزینه‌های استخدام وکیل نیستند، از وقت دادگاه خود صرف نظر می‌کنند. یا اینکه خودشان کار دفاع را برعهده می‌گیرند. حتی اگر نتایج بدی به دنبال داشته باشد. خودکارسازی جزئی می‌تواند وقت وکلا را آزاده کرده تا پرونده‌های بیشتری بررسی کنند؛ بدین ترتیب مراجعان نیز می‌توانند وکیل اختیار کنند و همه از این فناوری بهره خواهند برد.

علاوه بر این‌ها، خدمات قانونی مجهز به فناوری به مراجعان کمک می‌کنند تا بهتر خود را ارائه دهند. برای مثال، دادگاه فدرال میسوری پلتفرمی دارد که به مدعیان ورشکستگی کمک می‌کند به تنهایی و یا به کمک یک وکیل (در جلسه‌ای ۳۰ دقیقه‌ای) فرم‌های موردنیاز را آماده کنند. این پلتفرم تنها نقطه‌ی شروع است و هم وکیل و هم مراجع می‌توانند از این جلسه‌ی ۳۰ دقیقه‌ای بیشتر بهره‌مند شوند.

کمک‌های آینده فناوری

در آینده، فناوری‌ها بیشتر از این به کمک مراجعان خواهند آمد. استارت‌آپ‌های زیادی در حوزه‌ی فناوری هستند که بی‌صبرانه منتظرند کارهای حقوقی گوناگون را خودکار سازند. پس می‌توان گفت با این‌که ماشین‌های میانبر جستجو هنوز ساخته نشده‌اند، ابزارهایی از این دست چندان دور از ذهن به نظر نمی‌رسند.

وکلا نیز همچون کارگران کارخانجات نساجی، با ابزارهای خودکار جدید سازگار خواهند شد. احتمالاً از آن‌ها انتظار می‌رود در زمانی که در دست دارند کار بیشتری انجام دهند. اما در عوض، این کارها مشقت‌بار و یکنواخت نخواهند بود و ممکن است وقت بیشتری برای ملاقات با مراجعان در اختیار آن‌ها قرار دهند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

تاکنون به این موضوع فکر کرده‌اید که چرا نتایج جست و جو در گوگل تا این اندازه دقیق هستند؟ هوش مصنوعی در چند سال اخیر پیشرفت‌های چشمگیری داشته است. یکی از مهمترین کاربردهای اصلی آن موتورهای جست‌وجو اینترنتی یا همان جست و جو در گوگل است. تصحیح غلط‌های املایی، پیش‌بینی جست‌وجوی کاربر و بسیاری دیگر از قابلیت‌ها باعث شده تا جست‌وجو در اینترنت بسیار آسان شود.

گوگل حرف اول را در مدیریت حجم بالای جست‌وجو می‌زند. طبیعتاً، گوگل با پیاده‌سازی یک الگوریتم مبتنی بر هوش مصنوعی، موجبات بهبود تجربه جست‌وجوی کاربر را فراهم ساخته است. حال این سوال مطرح می‌شود که هوش مصنوعی چگونه این تجربه را ارتقاء داده است؟

الگوریتم BERT چیست و چگونه به گوگل در درک بهتر جست‌وجوی کاربران کمک می‌کند؟

زمانی که صحبت از مکالمه و زبان به میان می‌آید، انسان بسیار بهتر از هوش مصنوعی بافت را درک می‌کند. گوگول با ساخت BERT سعی دارد این فاصله را کم کند.

در واقع، BERT با استفاده از یک شبکه عصبی، سوالات کاربران و بافت آن‌ها را بهتر می‌فهمد. گوگل، BERT را به یک فناوری متن باز تبدیل کرد، به عبارت دیگر همه می‌توانند از این فناوری برای ساخت سیستم پرسش و پاسخ اختصاصی استفاده کنند.

مدل BERT به جای پردازش جداگانه کلمات، تمام کلمات مورد جست‌وجو را یک جمله [یا عبارت] درنظر می‌گیرد. سیستم کلماتی مانند «to» یا «for» را بهتر می‌فهمد. این قابلیت، تجربه جست‌وجو کاربران را به طرز چشمگیری بهبود می‌بخشد زیرا درخواست جست‌وجو به شیوههای «انسانی» نزدیک‌تر شده است.

به عبارت دیگر به جای استفاده از صفحه‌کلید برای پیدا کردن مرتبط‌ترین نتایج، می‌توانید جست‌وجوی خود را به صورت محاوره‌ای و به زبان طبیعی انجام دهید.

جست و جو در گوگل و استفاده از سرویس غلط‌یاب هوش مصنوعی

یکی از قابلیت‌هایی که اغلب نادیده می‌گیریم، قابلیت تصحیح غلط‌های املایی در گوگل است. سرویس غلط‌یاب گوگل از هوش مصنوعی برای تصحیح خودکار غلط‌‌های املایی کاربران استفاده می‌کند. این قابلیت به نوبه خود، به موتور جست‌وجو کمک می‌کند تا نتایج بهتری نمایش دهد.

گوگل برای پیاده‌سازی این قابلیت از فناوری‌ای به نام شبکه عصبی مصنوعی استفاده می‌کند. شبکه عصبی مصنوعی اساساً شبکه‌ای متشکل از نودهای به هم پیوسته است که عملکردی شبیه عملکرد نورون‌ها و سیناپس‌های مغز انسان دارند.

گوگل می‌تواند غلط‌های تایپی کاربران را با استفاده از هوش مصنوعی و این شبکه عصبی شناسایی و تصحیح کند. اگرچه، دقت آن ۱۰۰% نیست، اما در مقایسه با اوایل راه‌اندازی موتور جست‌وجوی گوگل، پیشرفت چشمگیری داشته است. در واقع، اگر به دقت نگاه کنید، متوجه می‌شوید که قابلیت تصحیح غلط املایی می‌تواند بافت عبارت‌های مورد جست‌وجو را نیز تعیین کند.

برای مثال اگر عبارت «specially odored flowers یا گل‌های خوشبوی خاص» را جست‌وجو کنید، گوگل هیچ چیزی را در عبارت جست‌وجو تغییر نمی‌دهد، زیرا در زبان طبیعی، «بو» و «گل» در کنار هم استفاده می‌شوند.

با این حال، اگر عبارت « specially odored doors یا در‌های خوشبوی خاص» را جست‌وجو کنید، گوگل تشخیص می‌دهد که منظور شما «odored خوشبو» نیست، بنابراین به طور خودکار آن را به « orderedسفارشی» تغییر می‌دهد.

نقشه گوگل‌ و هوش مصنوعی

امروزه نقشه گوگل (Google Maps) یکی از پرکاربردترین سیستم‌های مسیریابی است. بسیاری از ویژگی‌های نقشه گوگل‌ مبتنی بر هوش مصنوعی هستند. از بروز‌رسانی‌های لحظه به لحظه وضعیت ترافیکی، تا ویژگی‌هایی مانند نمای زنده (Live View)، همه‌ی قابلیت‌های نقشه گوگل مبتنی بر الگوریتم‌های هوش مصنوعی است. در نقشه گوگل حتی ردیابی دوستان از طریق موقعیت مکانی آن‌ها نیز امکان‌پذیر شده است.

در این میان، یکی از کاربردی‌ترین ویژگی‌های نقشه گوگل، تعیین میزان «شلوغی» است. اگر مکانی مانند یک کافی‌شاپ محلی را در نقشه گوگل جست‌وجو کنید، گوگل اطلاعاتی از میزان شلوغی آن مکان در همان لحظه به شما ارائه می‌دهد. بیشتر اوقات، این آمار دقیق است زیرا گوگل از الگوریتم مبتنی بر هوش مصنوعی و داده‌های موقعیت مکانی برای بدست آوردن این اطلاعات استفاده می‌کند.

ادغام نقشه گوگل با هوش مصنوعی در دوران همه‌گیری کرونا، بسیار مفید واقع شد زیرا اگرچه، اوضاع به تدریج به روال عادی بازمی‌گردد، اما اکثر مردم کماکان به دنبال اجتناب از ازدحام هستند.

علاوه بر اینها، قابلیت‌های جدید نقشه گوگل، از جمله نمای زنده، از هوش مصنوعی برای راهنمایی دقیق کاربر در فضای‌های داخلی مانند مراکز خرید، فرودگاه‌ها و ایستگاههای راه‌آهن استفاده می‌کند. بدون هوش مصنوعی اسکن میلیاردها عکس از نمای خیابان‌ها که برای پیاده‌سازی این ویژگی مورد نیاز بود، میسر نمی‌شد.

هوش مصنوعی و یادگیری عمیق اطلاعات بیشتری در مورد تصویر در اختیار کاربر قرار می‌دهند

یکی دیگر از ویژگی‌های پرکاربرد جست و جو در گوگل، قسمت تصاویر است. سوال مورد نظر شما هرچه باشد، پس از نمایش نتایج، می‌توانید با کلیک روی بخش تصاویر به راحتی یک تصویر مرتبط پیدا کنید.

از طرف دیگر، Google Images با استفاده از هوش مصنوعی و یادگیری عمیق، اطلاعات مربوط به تصویر را نیز نمایش می‌دهد. برای مثال، اگر به دنبال یک تفرجگاه نزدیک هستید، در نتایج جست‌وجو ممکن است تصویری از یک حوضچه یا فضای سبز ظاهر شود. با کلیک روی آن تصویر، گوگل به طور خودکار اطلاعات مربوط به آن مکان، از جمله نام حوضچه محل آن را نمایش می‌دهد.

گوگل حتی ممکن است اطلاعات بیشتری در اختیار شما قرار دهد و تجربه جست‌وجوی شما را بهبود بخشد. و همه اینها با هوش مصنوعی امکان‌پذیر شده است.

گوگل لنز به هوش مصنوعی مجهز می‌شود

گوگل لنز (Google Lens) یکی دیگر از نرم‌افزارهای پرکاربرد گوگل است. با این نرم‌افزار، کاربر می‌تواند با گرفتن دوربین بر روی اجسام، علاوه بر دریافت اطلاعات در مورد آن شی، کارهای بسیار دیگری از قبیل انجام تراکنش‌ها، انتخاب متن، و موارد مشابه انجام دهد. به بیان ساده، قابلیت‌های فراوانی که این نرم‌افزار ارائه می‌کند، همه به دلیل پیاده‌سازی هوش مصنوعی میسر شده‌اند.

گوگل لنز می‌تواند تجربه خرید بهتری برای افراد رقم بزند. اگر به لباس یا لوازم خاصی علاقه دارید، کافی است گوگل لنز را باز کرده و دوربین خود را به سمت آن بگیرید. این نرم‌افزار با استفاده از پایگاه داده‌های کلان خود، موارد مشابهی از لحاظ رنگ، بافت و سبک، و هر دسته‌بندی که انتخاب کنید، نمایش می‌دهد.

علاوه بر این، به کمک هوش مصنوعی، گوگل لنز می‌تواند متن دست نویس را کپی کرده یا حتی آن را مستقیماً در رایانه بچسباند.

بسیاری از ویژگی‌های برنامه‌ Google Photos نیز مبتنی بر هوش مصنوعی هستند، ویژگی‌هایی از قبیل ایجاد نسخه‌های سینمایی سه بعدی از عکس‌های شخصی یا ویژگی خاطرات (Memories). این برنامه می‌تواند از طریق عملکرد تشخیص چهره‌ی مبتنی بر هوش مصنوعی، عکس‌هایی که از فردی خاص دارید، پیدا کند.

بهبود جست و جو در گوگل

همانطور توضیح دادیم، هوش مصنوعی نقش بسزایی در بهبود تجربه جست و جو در گوگل ایفا کرده است. با این حال، علی‌رغم پیشرفت سریع این فناوری، جست و جو در گوگل هنوز هم در برخی موارد دچار اشتباه می‌شود.

اگر تو حوزه سئو مشغول هستید و با گوگل سر و کار دارید، به نظر شما چه الگوریتم دیگری از گوگل با هوش مصنوعی در ارتباط است و در مقاله نیامده است؟ در قسمت کامنت همین مقاله برایمان بنویسید.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

در مقاله پیش رو درباره ایجاد زیرساخت‌های مبتنی بر هوش مصنوعی برای شهرهای هوشمند است. حدود ۵۶/۲% جمعیت جهان در شهرها زندگی می‌کنند. از طرفی، برخی مسائل بر همه شهرهای جهان تاثیر گذاشته است. افزایش کارایی در مناطق شهری – از رفت‌وآمد و ازدحام گرفته تا اقتصاد و زنجیره تامین -‌ می‌تواند برای جوامع سراسر جهان سودمند باشد.

فناوری‌های نوظهورِ هوش مصنوعی، موجبات تحول، هوشمندسازی، افزایش سرعت، و بهره مندی از فرصت‌های پیشرفت را برای شهرها فراهم ساخته و آن‌ها را به سمت تبدیل شدن به شهرهای هوشمند پیش برده است.

ساخت هزاران ابزار نوینِ تحقیق و توسعه‌ی هوش مصنوعی در محیط‌های شهری رو به افزایش است. به دلیل تراکم جمعیت، و تمرکزِ تجهیزات و پروژه‌های مبتنی بر ماشین، شهرها بهترین بستر را برای آزمودن هوش مصنوعی فراهم می‌کنند. حقیقت امر این است که استفاده از هوش مصنوعی در شهرها کاملاً به جا است.

تعمیرات اساسی زیرساخت‌ها اغلب با هزینه‌های گزاف و در بازه‌های زمانی طولانی انجام می‌‌شود. با این حال، می‌توان این موانع را از طریق راهکارهای نوآورانه برطرف کرد؛ هوش مصنوعی و یادگیری ماشین می‌توانند زیرساخت‌های شهری را به سرعت و با هزینه‌ای اندک ارتقا دهند.

بکارگیری فناوری‌های هوش مصنوعی در بخش حمل و نقل برای توانمندسازی شهرهای هوشمند در دوره پساکرونا

مبتکران فناوری‌های خلاقانه بینایی کامپیوتر را (در کنار یادگیری ماشین) برای دگرگونی زیرساخت‌های  شهری و ایجاد حمل‌ونقل عمومی قابل اعتماد و پایدار به کار می‌بندند. برای مثال، Hayden AI، که در اوکلندِ کالیفرنیا مستقر است، اولین سامانه مدیریت ترافیک خودکار را با کمک دستگاه‌های مبتنی بر ادراک بصری راه‌اندازی کرده است.

این دستگاه‌ها بر روی ناوگان شهری، مانند اتوبوس‌ها، ماشین‌های نظافت شهری و کامیون‌های جمع‌آوری زباله نصب می‌شوند. تمام دستگاه‌هایی که بر روی این خودروها نصب شده‌اند مجهز به فناوری شناسایی دقیق موقعیت هستند. با کمک این فناوری، خودرو می‌تواند اشیایی مانند خط‌کشی‌های خیابان، چراغ‌های راهنمایی، علائم راهنمایی و رانندگی، شیرهای آتشنشانی، پارکومترها و درختان را شناسایی کرده و با کمک داده‌های دریافتی یک «دوقلوی دیجیتالی» یا یک مدل سه بعدی مجازی از شهر ایجاد ‌می‌کند که حاوی اطلاعات بیشماری است.

طبق توضیحات ویباهو گادیاک، هم‌بنیانگذار و معاون سازمان مهندسی با Hyden AI، «دستگاه‌های متصل به شبکه شناسایی موقعیت مکانی، با کمک یکدیگر، به طور لحظه‌ای نقشه‌ای سه بعدی از شهر ترسیم می‌کنند. این دستگاه‌ها با گذر زمان یاد می‌گیرند داده‌ها و اطلاعاتی را جمع‌آوری کنند که می‌تواند در آژانس‌های شهری به اشتراک گذاشته شود. به این ترتیب، می‌توان با پاکسازی خطوط اتوبوس‌رانی از خودروهای پارک‎‌شده، به ارائه به موقع خدمات این ناوگان کمک کرد؛ همچنین می‌توان برنامه‌ریزی شهری را با بهبود مدیریت پارکینگ‌ها و پارکِ حاشیه‌ای ارتقاء داد».

بیشتر بخوانید

ابزار هوش مصنوعی برای کمک به شناخت ژنوم های سرطان

گادیاک با کمک توانمندی‌هایش در حوزه‌های رباتیک، بینایی کامپیوتر، و یادگیری ماشین، معماری سامانه Hyden AI را بنا نهاد. وی بر این باور بود که کارآمدی و بهبود سیستم‌های حمل‌ونقل در قلب شهرهای پایدار نهفته است.

نخستین آزمایش Hyden AI

فناوری Hyden AI برای نخستین بار در ترافیک درون‌شهری آزمایش شد. ایستگاه‌های متعدد، چرخ‌زدن خودروهای سواری برای پیدا کردن جاپارک و مسیرهای مسدود شده‌ی اتوبوس‌ها از علل ایجاد ترافیک در شهرهای بزرگ هستند. زمانی که رانندگان مسیر اتوبوس‌ها را مسدود ‌کنند، سرعت اتوبوس‌ها کاهش می‌یابد؛ در نتیجه، تعداد مسافران کم می‌شود و به تَبَع آن هزینه‌های مدیریت حمل‌ونقل در کلان‌شهرها افزایش می‌یابد. خالی‌کردن خطوط اتوبوس‌رانی از وسایل نقلیه پارک‌شده می‌تواند بر زندگی میلیون‌ها نفر تأثیر مثبت بگذارد.

می‌توان از این فناوری برای شناسایی پارکومترها استفاده کرد و مدیریت شهری را بهبود بخشید. علاوه بر این، می توان از آن برای پیداکردن جاپارک استفاده کرد و مشکل رانندگی مداوم در جستجوی پارکینگ را برطرف نمود. این فناوری حتی در تجزیه و تحلیل الگوهای ترافیکی نیز قابل استفاده است و می‌تواند تعداد عابران پیاده را که در ساعات خاصی از شبانه‌روز از یک تقاطع عبور می‌کنند، مشخص کند. در آینده‌، می‌توان از این سیستم‌ها برای برنامه‌ریزی جاپارک حاشیه‌ای استفاده کرد؛ مثلاً، یک کامیون تحویل کالا می‌تواند در منطقه‌ای که معمولاً محدودیت عبور و مرور دارد، به مدت ۱۵ دقیقه توقف کند و مرسوله را تحویل دهد.

مدیریت دارایی

از دیگر موارد کاربرد این سامانه‌ها می‌توان به مدیریت دارایی اشاره کرد. این سامانه می‌تواند داده‌های لازم برای تعمیر و نگهداری شهری را فراهم کند؛ مثلاً مشخص کند چه زمانی باید درختان هرس شوند؟ یا چند شیر آتش نشانی وجود دارد و آیا دسترسی به آنها امکان‌پذیر است یا خیر؟

دستیابی به این هدف با دوربین‌های ثابت عملاً غیرممکن است. نصب این دوربین‎ها پرهزینه‌ است (گاهی می‌تواند بالغ بر ۱۰۰ هزار دلار باشد)؛ زمان زیادی نیاز دارد؛ و مستلزم هماهنگی با نهادهای مدنی و پشت‌سر گذاشتن تشریفات اداری و دریافت تاییدیه  است. بنا به اظهارات گادیاک «نصب سامانه‌های متحرک با قابلیت درک محیط (MPS) آسان است. این سامانه‌ها مقرون‌به‌صرفه‌ هستند و علی‌رغم تعداد کم دستگاه‌هایِ متصل، کارایی زیادی دارند». وی در ادامه افزود: «با در اختیار داشتن دستگاه‌هایی که خرابی آنها حساسیت ایمنی زیادی ایجاد نمی‌کند، می‌توانیم الگوریتم‌های فوق‌پیشرفته را در خیابان‌های اطراف محل زندگی افراد پیاده کنیم».

سامانه‌های اداراکی می‌توانند امکانات و تصمیمات راهبردی بی‌پایانی ارائه کنند. واکنش مردم به چنین پیشرفت‌هایی همواره با ابراز نگرانی نسبت به نقض حریم خصوصی و زیرپا گذاشتن قوانین همراه بوده است؛ مسئله‌ای که انجمن جهانی مبتکران فعالانه پیگیر آن هستند.

مسیر جدید پیش‌روی جوامع و سیاست‌گذاری‌ها

هوش مصنوعی ظرفیت استفاده از داده‌ها را به شیوه‌های گوناگون افزایش داده است، اما کماکان مستلزم پیروی از دستوراعمل اجرایی است. گروهی از متخصصان هوش مصنوعی متوجه شدند که اگر هوش مصنوعی با استانداردهای صحیح به‌کار رود، توان بالقوه‌ای در تاثیرگذاری بر سیاست‌ها و جوامع خواهد داشت.

بیشتر بخوانید

تشخیص دقیق سرطان دهانه رحم به کمک الگوریتم مبتنی بر AI پردازش تصویر

این گروه «انجمن جهانی هوش مصنوعی» (AIWS) نام دارد و هدف آن ساخت «دنیایی بهتر با هوش مصنوعی» است. این انجمن که خود متشکل از رهبرانی از سراسر جهان است، از رهبران فناوری، دولت‌ها و مبتکرانی که بر نقش حساس هوش مصنوعی برای ساختن فردایی بهتر واقف هستند، دعوت به همکاری می‌کند.

انجمن جهانی هوش مصنوعی نمایندگی در سازمان ملل متحد، گروه هفت و کنفرانس بین‌المللی توافق‌نامه هوش مصنوعی دارد. این انجمن می‌تواند با حمایت مالی از پژوهش‌های گسترده و با رهبری مدبرانه، تمهیدات لازم را برای عرضه روزافزون ابزارهای مجهز به هوش مصنوعی، از جمله شهرهای هوشمند، بیندیشد.

در عین حال که هوش مصنوعی در قامت ناجی انسان ظاهر می‌شود، قادر است منابع اساسی از قبیل آب، برق‌، حمل‌ونقل، مسکن و تحصیل را نیز ارتقاء بخشد. با ترویج ابزارهای هوش مصنوعی، لزوم توانمندسازی سیاستمداران و همچنین شهروندان به شناخت و استفاده از ابزارهای فناوری بیش از پیش به چشم می‌خورد.

اکوسیستمAIWS و شهر AIWS

انجمن جهانی هوش مصنوعی دو طرح «اکوسیستمAIWS » و «شهر AIWS» را مطرح و توجه جهان را به خود جلب کرده است. ریاضیدان سرشناس و یکی از ‌بنیانگذاران این انجمن، توان وِن، مفهوم اکوسیستم AIWS را اینطور توضیح می‌دهد: «عملکرد بسیاری از ابزارها به مجموعه‌ای از سیستم‌ها وابسته است. با هوش مصنوعی تنها و تنها به یک سیستم نیاز دارید. برنامه‌های کاربردی پیشرفته راه را برای ابتکارات بیشتر برای مردم هموار کرده است».

دانشمندان علم داده، کارشناسان فنی و سایر رهبران این حوزه به دنبال ایجاد ساختاری (منسجم) از مدل‌های هوش مصنوعی هستند که گره‌گشای مشکلات عصر دیجیتال باشد. در همین راستا، رهبران انجمن جهانی هوش مصنوعی خلاصه‌ای از سیاست‌های جدید  خود را با عنوان «قرارداد اجتماعی در عصر هوش مصنوعی: ایمنی، امنیت و پایداری در دنیای هوش مصنوعی» در کنفرانس ۲۰۲۰ ریگا منتشر کردند.

انجمن جهانی هوش مصنوعی در پاریس، رم، ریگا، وین، مونیخ و در حال حاضر در غرب ایالات متحده حضوری پررنگ دارد. در نتیجه فعالیت‌های این گروه، دسترسی افراد به ابزارهای هوش مصنوعی‌ امکان‌‍‌پذیر شده است، ابزارهایی که زندگی آنها را بهتر و آسان‌تر می‌کند. در واقع، مأموریت آن‌ها حمایت از محیط‌های شهری، و همچنین مناطق روستایی است تا نابرابری را کاهش دهند و مردم را به ابزارها و اطلاعات متمرکز متصل کنند.

شهرهای هوشمند

خدمات اضطراری، بهبود جوامع، زیرساخت‌ها و جاده‌هایی که کالاهای حیاتی را جابه‌جا می‌کنند، همه و همه را می‌توان با استفاده از فناوری‌های مبتنی بر هوش مصنوعی تقویت کرد. گاهی، ممکن است ساده‌ترین ایده‌ها در کانون توجهات قرار گرفته و در موارد غیرقابل تصور پیاده‌سازی شوند. رهبران وظیفه‌شناس به استفاده از هوش مصنوعی به روش‌های ایمن، متفکرانه و آزمایش شده متعهد هستند. هدف مشترک آن‌ها بهبود کیفیت زندگی تمامی افراد جهان است.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

رباتیک عصبی-تکاملی چشم‌اندازی جدید به مطالعه‌ی رفتارهای جمعی ربات‌های گروهی فراهم می‌آورد. این حوزه پژوهش‌های فراوانی به خود اختصاص داده است و روش‌ها و ایده‌های زیادی برای کمک به آن مطرح شده‌اند؛ با این وجود، ارزیابی‌های تجربی و تحلیل‌های مقایسه‌ای تا کنون نادر بوده‌اند.

مارو بیراتاری و همکارانش در مرکز پژوهشی IRICIA (دانشکده پلی‌تکنیک دانشگاه آزاد دوبروکسل) در مقاله‌ای که در ژورنال Nature Communications منتشر کرده‌اند، چند مورد از محبوب‌ترین و پیشرفته‌ترین روش‌های عصبی-تکاملی که برای طراحی آفلاین توده‌های رباتی به کار می‌روند را با هم مقایسه می‌کنند.

مارو بیراتاری در این راستا توضیح می‌دهد: «به کمک این روش‌ها می‌توان رفتارهای شبه‌انسانی در ربات‌ها ایجاد کرد، اما تا جایی که من می‌دانم، رباتیک عصبی-تکاملی هنوز در دنیای واقعی به کار نرفته است.»

در همه‌ی این فرآیندها، از الگوریتم‌های تکاملی برای ساخت شبکه‌ای عصبی تولید می‌شود که ربات‌ها را کنترل می‌کند؛ ربات‌ها، شبکه های عصبی هستند که ورودی‌شان، دریافتی سنسورها و خروجی‌شان، دستورات راه‌اندازی است. این روش‌ها با تکیه بر شبیه‌سازی‌های کامپیوتری، متناسب با مأموریت خاص ربات‌ها، شبکه‌های عصبی تولید کنند. سپس این شبکه‌ی عصبی را روی ربات‌های فیزیکی نصب کرده و به آزمایش می‌گذارند.

مشکل بیش‌برازش

محققان هنگام مقایسه‌ روش‌های مختلف، متوجه مشکل «بیش‌برازش» شدند؛ بیش‌برازش زمانی رخ می‌دهد که فرآیند طراحی در محیط شبیه‌سازی بیش از حد تخصصی می‌شود و شبکه‌ی عصبی تولیدشده نمی‌تواند به دنیای واقعی تعمیم‌پذیری داشته باشد. در نتیجه، یک «شکاف واقعیتی» به وجود می‌آید که به تفاوت بین واقعیت و شبیه‌ساز به کاررفته اشاره دارد. فارغ از دقت بالای شبیه‌ساز، این شکاف‌ها اجتناب‌ناپذیر هستند.

مارو بیراتاری توضیح می‌دهد: «برای مثال، اگر وظیفه‌ی ربات‌ها عقب و جلو رفتن بین دو ناحیه باشد، یکی از راهکارهای فرآیند تکاملی در شبیه‌سازی تولید شبکه‌ای عصبی است که ربات را وامی‌دارد در یک مسیر دایره‌ای که هر دو ناحیه را پوشش می‌دهد، حرکت کند. این راهکار خارق‌العاده است و در شبیه‌سازی کارآیی بالایی دارد. اما با اجرا روی ربات‌ها، با شکست روبرو می‌شود؛ برای مثال، اگر شعاع واقعی (یکی از) چرخ‌های ربات فقط کمی با شعاع اسمی تفاوت داشته باشد، شعاع مسیر تغییر کرده و ربات دیگر نمی‌تواند به شکل دلخواه و پیش‌بینی شده در شبیه‌سازی، مسیر را طی کند.»

برای حل این مشکل، راهکاری وجود دارد که شاید در نگاه اول، چندان منطقی به نظر نرسد: کاهش قدرت روش طراحی. منظور به کارگیری روشی است که رفتارهای محدودی تولید می‌کند. محققان باید بپذیرند که با استفاده از این راهکار، نتایج کارشان در شبیه‌سازی افت می‌کند. عملکرد این روش در سطح روش‌های «قدرتمند» نیست، چون نمی‌تواند همه‌ی ویژگی‌های شبیه‌ساز را به کار ببرد؛ با این حال، نتیجه‌ی نهایی عمومی‌تر بوده و کمتر مخصوص شبیه‌ساز است. به همین دلیل، احتمال تعمیم‌پذیری آن به واقعیت بیشتر خواهد بود.

روش شکلات

روش «شکلات» مصداق خوبی از این رویکرد است. فرآیند «شکلات»، چندین سال پیش، توسط مرکز IRIDIA ارائه شد. این روش مربوط به حوزه‌ی رباتیک عصبی-تکاملی نیست؛ اما تحت شرایط مشابه می‌تواند همچون روش‌های تکامل عصبی، به صورت خودکار نرم‌افزار کنترلی برای ربات‌ها تولید کند. «شکلات» روی ماژول نرم‌افزارهایی کار می‌کند که از قبل وجود داشته و مربوط به رفتارهای ساده هستند (برای مثال، حرکت به سمت نور، توقف، عبور از هم‌رده‌ها). این روش ربات را وا می‌دارد از یک رفتار ساده به رفتار ساده‌ی دیگری حرکت کند (برای مثال، احاطه شدن توسط هم‌رده‌ها، رنگ سطح زمین).

در واقع، کاری که روش «شکلات» انجام می‌دهد این است که به جای کار با شبکه عصبی بسیار قدرتمندی که طیفی گسترده از رفتارهای گوناگون تولید می‌کند، با بلوک‌های سازنده‌ی از پیش تعریف‌ شده‌ای سروکار دارد که پیچیدگی نسبتاً کمتری دارند. مفروضه‌ی زیربنایی «شکلات» این است که فرآیند مذکور، احتمال بیش‌برازش را کاهش می‌دهد.

منبع: هوشیو

می‌توان گفت کووید ۱۹ یک شبه زندگی انسان‌ها را متحول کرد و به سمت دیجیتالی شدن برد و این باعث به وجود آمدن مسائل جدیدی شد. موردی که در این شرایط باید بیش از پیش به آن پرداخته شود، مجرمان اینترنتی هستند. در یک معامله آنلاین چگونه می‌توانید به شخصی اعتماد کنید که حتی چهره او را نمی‌بینید؟ ممکن است هوش مصنوعی پاسخ این سوال را داشته باشد.

شما چه عاشق کار کردن در لباس خواب خود باشید، چه مشتاق باشید در محل کار خود درباره آبسردکن و صندلی قابل تنظیم صحبت کنید، در هر صورت عده‌ای وجود دارند که بدون شک از افزایش دورکاری خوشحال می‌شوند و آن هم مجرمان اینترنتی ‌هستند. افزایش زمان صرف‌شده در اینترنت، فرصت‌های زیادی را برای این افراد فراهم کرده است.

آجی باهلا، رئیس دایره سایبری و هوش در شرکت مسترکارد می‌گوید: در عرض چند هفته، ما شاهد روندی به سوی دیجیتالی شدن بودیم، روندی که در حالت عادی چند سال طول می‌کشید تا اتفاق بیافتد، اما این موضوعی معایبی را به همراه خود داشت. در واقع ما شاهد افزایش ۴۷ درصدی گزارش کلاهبرداری از سمت شرکت‌ها بودیم و کلاهبرداری در سطح جهان اکنون به بالاترین سطح خود در ۲۰ سال اخیر رسیده است.

مجرمان اینترنتی هوشمندتر شده‌اند

مشکل، تنها محدود به افزایش در نرخ کلاهبرداری‌ها نیست، بلکه شیوه تقلب و جعل نیز پیچیده شده است. روزهایی که حملات آشکار و خشنی صورت می‌گرفت گذشته است و اکنون جرایم اینترنتی جدید با پنهان­‌کاری همراه هستند. باهلا می‌گوید از هر سه حمله سایبری یک مورد آن از هوش مصنوعی استفاده می‌کند تا رفتارهای انسانی را تقلید کند.

نیل کوستیگان، مدیرعامل استارتاپ بیومتریک رفتاریBehavioSec  می‌گوید: استراتژی دیوارهای بلند و خندق‌های عمیق قدیمی و ناکارآمد شده است. امروزه حملات مدرنی همچون حمله مرد میانی، مهندسی اجتماعی، دسترسی از راه دور و اسب‌ تروا برای عبور از مانع اولیه از فریبکاری استفاده می‌کنند و سپس عملیات خود را شروع می‌کنند.

خوشبختانه، تنها مجرمان اینترنتی نیستند که از هوش مصنوعی به نفع خود استفاده می‌کنند. مسترکارد سال‌هاست که ابزارهای مبتنی بر فناوری هوش مصنوعی را در سیستم‌های خود به کار گرفته است تا حجم عظیمی از داده‌ها را کنترل کند و راه‌های سریع‌تر، آسان‌تر و ایمن‌تر برای معاملات و نقل و انتقالات فراهم کنند.

هوش مصنوعی با کمک به شناسایی حملات سایبری، هک و نفوذ، اکوسیستم دیجیتال را برای دولت‌ها، بانک‌ها، بازرگانان و مصرف­کنندگان ایمن‌تر از پیش کرده است. حتی استفاده از کاربرد کلان داده ها در  صنعت بانکداری هم قدمی موثر در این زمینه بوده است.  تنها در طول سال گذشته هوش مصنوعی به شرکت‌ها در جلوگیری از ۲۰ میلیارد دلار ضرر ناشی از کلاهبرداری کمک کرد.

تفاوتی نمی‌کند در حال خرید مواد غذایی باشید یا یک اتومبیل جدید، در یک فروشگاه فیزیکی باشید یا از طریق رایانه و موبایل این کار را انجام دهید. در هر صورت هوش مصنوعی معاملات واقعی را در کسری از ثانیه تایید می‌کند تا برای کاربران تجربه بهتری فراهم کند.

یکی از راه حل‌های هوشمند مسترکارد Decision Intelligence است که به طور خودکار نحوه استفاده معمول از یک حساب را یاد می‌گیرد، بنابراین می‌تواند رفتارهای عادی و غیرعادی خرید را از یکدیگر تشخیص دهد. این ابزار، با نظارت بر معاملات به صورت بر خط، با نمره‌­دهی بر هر تراکنش احتمال وقوع تقلب را نشان می‌دهد.

باهلا می‌گوید: در برخی موارد، این ابزار میزان تقلب را تا ۵۳ درصد کاهش داده است و از آن سو نرخ پذیرش معاملات قانونی نیز افزایش یافته است.

این امر به ویژه برای خرده فروشان آنلاین بسیار مهم است زیرا آن‌ها هنگام معامله دید روشنی نسبت به مشتری ندارند.

امکان معاملات frictionless

هوش مصنوعی با پشتیبانی از فناوری‌هایی مانند بیومتریک، در حال بهبود تجربه مشتریان است. مسترکارد با ابزار NuData در حال به کارگیری فناوری‌های پیشگام از طریق یادگیری ماشین است. یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است و با استفاده از آن در این ابزار می‌توان نمایه‌ای را ایجاد کرد که شامل الگوهای رفتاری کاربر، از سرعت تایپ کردن گرفته تا حرکات ماوس را داشته باشد. سیستم، با ردیابی معاملات مداوم یک حساب می‌تواند ناهنجاری‌هایی را تشخیص دهد که نشان دهد در پشت آن اکانت‌ها کسانی نیستند که ادعا می‌شود – یا حتی اصلاً شخص نیستند. درواقع یکی از مهمترین تهدیدهای امنیت سایبری، ربات‌ها هستند که بیومتریک رفتاری می‌تواند آن‌ها را شناسایی و حذف کند.

کوستیگان می‌افزاید یک مزیت بزرگ در بیومتریک رفتاری این است که این سیستم‌ها به هیچ چیزی به جز کاربران نیاز ندارند. در واقع نیازی به اسکنر، توکن امنیتی، رمزهای عبور یا سوالات شخصی نیست. بیومتریک رفتاری در کنار فعالیت­های کاربر، جمع آوری و تجزیه و تحلیل می‌شود و افراد به سادگی همانند همیشه به کار خود ادامه می‌دهند.  هرچه الگوریتم‌های یادگیری بیومتریک رفتاری، داده‌های بیشتری تجزیه و تحلیل کنند، این سیستم‌ها می‌توانند در شناسایی الگوهای مشکوک پیشرقت بیشتری کنند. در نتیجه می‌تواند به شرکت‌هایی مانند مسترکارد کمک کند تا همیشه یک قدم جلوتر از مجرمان اینترنتی باشند.

باهلا به این نکته اشاره می‌کند که چگونه ابزار NuData اخیراً حمله‌ای پیچیده را خنثی کرد که ادعا شده بود با استفاده از یک تلفن رومیزی تماس گرفته شده است.  در این حالت، سرعت ارائه مدارک برای شخصی که از تلفن رومیزی استفاده می‌کند غیر ممکن است تا این حد زیاد باشد. بنابراین بلافاصله فهمیدیم که این شخص واقعی نیست. با ترکیب همه شاخص‌هایی که به آن‌ها دسترسی داریم، این امکان برای ما فراهم شده است تا رفتار غیرمعمول را تشخیص دهیم و قبل از آسیب، جلوی آن را بگیریم.

باهلا می‌گوید: همچون هر فناوری جدیدی، فناوری هوش مصنوعی نیز می‌تواند مورد استفاده مثبت یا منفی قرار گیرد. من همیشه خوش­بین بوده‌ام که با فناوری‌های خوب می‌توانیم مطمئن باشیم که به عنوان یک جامعه پیشرفت می‌کنیم و افراد معدودی که سعی در ایجاد مشکل برای دیگران دارند نمی‌توانند مانع ما شوند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

یک تیم بین‌المللی متشکل از دانشمندان کشورهای مختلف، از جمله محققان دانشگاه لیمریک ایرلند، موفق به ایجاد یک معماری محاسباتی جدید شدند و مولکول جدیدی کشف کرده‌اند که می‌تواند سرعت تصمیم‌گیری رایانه‌ها را به طرز چشمگیری افزایش دهد.

این کشف جدید در مصرف بهینه انرژی، با ایجاد نوع جدیدی از معماری محاسباتی، پیامدهای عمده‌ای در زمینه‌های مختلفِ تصمیم‌گیری‌های رایانه‌ای از قبیل تصمیم‌های مالی یا بیوانفورماتیک خواهد داشت.

این تیم تحقیقاتی کشف کرد که یک مولکول ساده‌ی ۷۷ اتمی می‌تواند به مثابه عضوی اصلی و جدید در مدار الکترونیکی قرار گیرد و منطق پیچیده به صورت خصیصه‌های مواد نانو در آن کدگذاری شود.

نوع جدید معماری محاسباتی

دانشمندان این نوع جدید معماری محاسباتی مبتنی بر مغز را با بهینه‌سازی خصیصه‌های الکتریکی بلورهای نرمِ بدست آمده از مولکول‌ها ایجاد کردند. یافته‌های تحقیقات آن‌ها به تازگی در مجله Nature منتشر شده است.

دامین تامپسون، استاد فیزیک دانشگاه لیمریک که سرپرستی تحقیقات در زمینه طراحی مواد پیش‌بینی‌کننده در موسسه برنال را بر عهده دارد، با استفاده از شبیه سازی‌های رایانه‌ای پیشرفته که در ابر رایانه مرکزی ایرلند برای محاسبات پیشرفته به کار می‌‌رود، به این کشف جدید دست یافت.

او نشان داد که این مولکول از عدم تقارن طبیعیِ پیوندهای آلی-فلزی خود استفاده می‌کند تا به حالت‌های مختلف در آید. به این ترتیب، مولکول می‌تواند به راحتی تصمیم‌گیری‌های بسیار سریع را انجام دهد.

طبق توضیحات این دانشمند بنیاد علوم ایرلند: «در این دستگاه جدید، همه کارها در یک نقطه انجام ‌‌می‌شود، بنابراین، دیگر نیازی به خواندن اطلاعات یا جابجایی آن‌ها نیست».

این رویکرد «تنگنای فون نویمان» را برطرف ‌‌می‌کند، مشکلی که از همان ابتدا رایانه‌ها را گریبان‌گیر خود کرده بود و کماکان مانعی بر سر راه توسعه فناوری به شمار می‌آید. با ساخت این مدار مولکولی جدید، واحد پردازش رایانه دیگر نیازی ندارد برای انجام عملیات‌های محوله داده ها را جداگانه دریافت کند و همین امر باعث صرفه‌جویی زیادی در زمان و انرژی ‌‌می‌شود.

تامپسون می‌گوید: «به خاطر قابلیت‌های احتمالی این کشف جدید بسیار هیجانزده هستیم چراکه این مدار تمام ویژگی‌های محاسبات مغزی را در خود ‌دارد. اولین قابلیت این است که تعداد زیادی از پردازنده مولکولی بسیار ریز و یکسان با هم شبکه‌ شده‌اند و در کنار هم به طور موازی کار ‌‌می‌کنند. از آن مهم‌تر این است که مدار قابلیت افزونگی و پیکربندی مجدد را دارد. با این قابلیت‌ها، حتی در صورتی که یکی اجزاء آن ناقص کار کند یا در طول عملیات عملکرد یکسانی نداشته باشد، دستگاه ‌‌می‌تواند مشکل را حل کند».

عناصر مناسب برای محاسبات پیشرفته

پروفوسور تامپسون در ادامه توضیح‌ داد که می‌توان از عناصر این مدار جدید در ساخت رایانه‌های کوچک‎تر، سریع‌تر و کم مصرف‌تر استفاده کرد. به عبارتی این عناصر دقیقاً همان چیزی هستند که برای محاسبات پیشرفته، اینترنت اشیاء و برنامه‌های هوش مصنوعی مورد نیاز است.

محققان انجمن پرورش علم هند (IACS) واقع در کلکته، این مولکول‌های آلی فلزی را سنتز کرده، سپس این مولکول‌ها در دانشگاه ملی سنگاپور به صورت فیلم درآمده‌اند و در همین دانشگاه و همچنین در آزمایشگاه تحقیقاتی هوش مصنوعی هیولت پاکاردِ کلرادو و در دانشگاه اِی اَند اِم تگزاس موردآزمایش قرار گرفته‌اند.

پروفسور لوک ون‌در ویلن، مدیر موسسه برنال و پروفسور مهندسی و طراحی سیستم‌های زیستی این موسسه، از این موفقیت دانشمندان دانشگاه لیمریک ابراز خرسندی نموده و توضیح داد که: «این پژوهش تاثیر بسزایی به همراه داشته است و مشوقی برای موسسه برنال خواهد بود تا در این حوزه علمی برتر، دنیا را تحت تاثیر قرار دهد. این تحقیقات حاصل مشارکت دانشمندان پیشروی موسسه برنال در حوزه مدل‌سازی مواد پیش‌بینی‌کننده است».

پروفسور سین آرکینز، رئیس دانشکده علوم و مهندسی لیمریک، معتقد است که: «محققان گروه فیزیک لیمریک در بهره برداری از مواد آلی برای کاربردهای الکتریکی پیشگام بوده‌اند و این کشف جدید آن‌ها را در صدر تحقیقات نانوفناوری مولکولی قرار ‌‌می‌دهد».

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

منبع: هوشیو

محققانی که بر روی سیستم‌های آبیاری هوشمند کار می‌کنند، راهی برای انتخاب دقیق‌ترین پیش بینی آب و هوا از میان پیش‌بینی‌های هفته منتهی به یک روز معین ارائه کرده‌اند.

دکتر اریک وانگ، محقق اینترنت اشیاء در دانشگاه جیمز کوک (JCU) شهر کنز، بر روی فناوری‌ جدیدی کار می‌کند که می‌تواند در تصمیم‌گیری داده‌محور به کشاورزان کمک می‌کند.

دکتر وانگ می‌گوید: «تمام کشاورزان دوست دارند از پیش‌بینی‌های دقیق آب‌وهوایی  بهرمند شوند، اما این پیش‌بینی‌ها به طور خاص برای کسانی که از فناوری و به ویژه اینترنت اشیا (IoT) استفاده می‌کنند، اهمیت بیشتری دارد. منظور از اینترنت اشیا در کشاورزی دستگاه‌های هوشمندی است که با یکدیگر در ارتباط هستند تا درباره مواردی مانند زمان، مکان و میزان آبیاری توصیه‌هایی ارائه کنند».

وی افزود: «تصمیم‌گیری درباره این موضوعات مستلزم داشتن اطلاعات زیادی است، اطلاعاتی مانند نیازهای محصول، مرحله فعلی تولید، رطوبت خاک و البته شرایط آب‌وهوایی. بنابراین، به دنبال روش‌هایی هستیم تا از پیش‌بینی‌های آب‌وهوایی استاندارد، مانند پیش‌بینی هفت روزه اداره هواشناسی (BOM) فراتر رفته و به کشاورزان و سیستم‌های هوشمندِ آنها کمک کنیم در مورد لزوم آبیاری تصمیم‌گیری کنند».

پیش بینی آب و هوا با سیستم ترکیبی

دکتر وانگ و پروفسور وِی شیانگ از دانشگاه لا تروب، اساتید راهنمای دانشجوی دکتری نیتو مادوکومار  هستند. این دانشجو سیستمی ترکیبی طراحی کرده است که می‌تواند دقت پیش‌بینی بارندگی‌ها را افزایش دهد.

مادوکومار پیش از شروع تحصیلات خود در مقطع دکتری، تئوری احتمالات تدریس می‌کرد. وی معتقد است: «پیش بینی آب و هوا بیش از آنچه مردم تصور می‌کنند به ریاضیات وابسته است.

او می‌گوید: «کارشناسان هواشناسی داده‌های ماهواره‌ها و حسگرها را در مدل‌های ریاضی به کار گرفتند. این مدل‌ها بر اساس رفتار هوا، گرما و رطوبت عمل می‌کنند».

علاوه بر این، کارشناسان هواشناسی نظر و تجربه متخصصان را به خروجی مدل‌ها اضافه می‌کنند؛ بنابراین، خانم مادوکومار به جای هدر دادن وقت و منابع پژوهشی، به دنبال راهی برای تعیین بهترین پیش‌بینی این مدل‌ها در هفته منتهی به روز مورد نظر بود.

وی توضیح می‌دهد که: «ممکن است تصور کنید که نزدیکترین پیش‌بینی به روز مورد نظر دقیق‌ترین پیش‌بینی خواهد بود، اما اینطور نیست. لذا، به دنبال راهی برای آموزش شبکه عصبی مصنوعی خود بودیم تا روابط بین داده‌ها را بفهمد و بهترین پیش‌بینی را انتخاب کند».

خانم مادوکومار یک مدل یادگیری آب‌وهوایی ترکیبی (HCLM) ایجاد کرده است. این مدل داده‌های دیگر مدل‌های آب‌وهوایی را با پاسخ نهایی به این سوال که «آیا فردا قرار است باران ببارد»، ترکیب می‌کند.

در این سیستم، ابتدا، یک شبکه مبتنی بر احتمال پیش‌بینی‌های متعدد الگوهای مختلف بارندگی را ارزیابی می‌کند. سپس یک شبکه عصبی یادگیری عمیق، این پیش‌بینی‌ها را مجدداً پردازش کرده و پیش‌بینی دقیق‌تری برای روز بعد ارائه می‌کند.

پروفسور وی شیانگ می‌گوید: «تاکنون از روش ترکیبِ تقطیرِ دانشِ مدل‌های آب‌وهوایی و به کارگیری شبکه یادگیری عمیق برای اصلاح پیش‌بینی‌ها استفاده نشده بود. استفاده از داده‌های با کیفیت و پردازش شده‌ی اداره هواشناسی، به جای مشاهدات خام، به یادگیری بهتر HCLM کمک کرده است».

پردازش در لایه‌های متعدد

طبق توضیحات خانم مادوکومار، شبکه عصبی روابط بین حجم عظیمی ‌از داده‌های ورودی را بررسی کرده، آن‌ها را در لایه‌های متعدد شبکه پردازش می‌کند و از اشتباهات پیش‌بینی‌های قبلی می‌آموزد. هرچه کیفیت داده‌های ورودی بالاتر باشد، یادگیری شبکه بهتر خواهد بود.

این محققان آموزش سیستم ترکیبی را با بارگذاری ۱۲۳،۶۴۰ قلم داده انجام دادند. اینها، داده‌های دو سال پیش‌بینی اداره هواشناسی و داده‌های آب‌وهوایی ۱۰ سایت مختلف در شش منطقه اصلی آب‌وهوایی استرالیا هستند.

نتیجه اجرای آزمایشی سیستم در محدوده‌های آب‌وهوایی نشان داد که عملکرد مدل ترکیبی از مدل‌های آب‌وهوایی اراده هواشناسی و سه سیستم آزمایشی دیگر بهتر بوده و کمترین خطای پیش‌بینی را دارد.

محققان تأکید داشتند که سیستم آنها جایگزین اداره هواشناسی نخواهد شد. « HCLM با تکیه بر تخصص اداره هواشناسی عمل می‌کند و پیش‌بینی بارندگی خود را بر اساس پیش‌بینی‌های متعدد ایجاد شده با مدل‌های آب‌وهوایی این سازمان انجام می‌دهد».

دکتر وانگ می‌گوید: «معتقدیم این مدل اولین نمونه‌ای است که مدل‌های آب‌وهوا، یک شبکه احتمال و یک شبکه عصبی یادگیری عمیق را کنار هم قرار داده است. وظیفه بعدی ما پاسخ به سوال دیگر کشاورزان است: اگر قرار است باران ببارد، میزان بارندگی چقدر خواهد بود؟»

نتایج این تحقیقات در مجله IEEE Internet of Things منتشر شده است.

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

منبع: هوشیو

مقاله حاضر در صددِ بررسی اثرات هوش مصنوعی بر مشاغل و سازمان‌ها است. شیوع بیماری کووید-۱۹ در سراسر جهان به تغییر شیوه کار منجر شده است. رد پای هوش مصنوعی در خودکارسازی و ایجاد محیط کار ترکیبی قابل چشم‌پوشی نیست. همچنان‌که کارفرمایان در حال انتخاب بهترین روش برای بهینه‌سازی کارها هستند، نیم‌نگاهی نیز به استفاده از فناوری‌های هوش مصنوعی دارند تا تغییرات ملموسی در محیط کار پدید آورَند.

بی‌تردید، بقای تعداد کثیری از مشاغل با ظهور هوش مصنوعی به مخاطره افتاده است. البته این مسئله هنوز در هاله‌ای از ابهام قرار دارد که آیا هوش مصنوعی به بهبود مشاغل کمک خواهد کرد یا خیر.

سنگاپور چارچوب نمونه‌ای برای حاکمیت هوش مصنوعی ارائه کرده است. این چارچوب می‌تواند نقش موثری در فهم مسائل مرتبط با اثرات هوش مصنوعی بر مشاغل داشته باشد. دو عامل کلیدی در این چارچوب عبارتند از:

• احتمال بروز آسیب‌های ناشی از هوش مصنوعی

• شدت آسیب‌های ناشی از هوش مصنوعی

در ابتدا لازم است به بررسی خطرات و آسیب‌های احتمالی و دیگر اثرات هوش مصنوعی بر مشاغل بپردازیم. در این صورت، به درک بهتری از پیامدهای هوش مصنوعی بر مشاغل دست خواهیم یافت. سه سناریوی اصلی برای همکاری انسان و هوش مصنوعی در نظر گرفته شده است. در صورت بروز اختلاف نظر یا عدم موفقیت هوش مصنوعی، انسان می‌تواند وارد عمل شود و میانجی‌گری کند.

اگر احتمال یا شدت آسیب بالا باشد، ممکن است سیستم هوش مصنوعی به مداخله انسان نیاز داشته باشد. با این حال، اگر انسان‌ها به این موضوع بی‌اعتنایی کنند، هوش مصنوعی بدون مداخله انسان به کارش ادامه خواهد داد.
سیستم‌های پیش‌بینی ترافیک: اکثر مواقع، هوش مصنوعی نزدیک‌ترین مسیر را برای عزیمت به مقصد بعدی پیشنهاد می‌دهد. اگر انسان‌ها بخواهند در این امر مداخله کنند، می‌توانند تصمیم دیگری بگیرند.

برخی راهکارهای امنیتی

فرض کنید شرکتی دارید که در حوزه داده فعالیت می‌کند، اما داده ها از امنیت بالایی برخوردارند و رمزنگاری شده‌اند. بعید است هکرها قادر به نفوذ به دیواره آتشین شما باشند و پرده از این داده‌های رمزنگاری‌شده بردارند. اما اگر موفق به انجام این کار شوند، شدت حمله بسیار مهلک خواهد بود. در برخی موارد، از قبیل کشف حملات جدید، انسان‌ها وارد عمل شده و سعی در موشکافی قضیه دارند. باید راهکارهای امنیت سایبری را که بر پایه هوش مصنوعی قرار دارند، در دستور کار قرار دهید. به این ترتیب، امکان پیشگیری و مقابله با این نوع از حملات فراهم خواهد شد.

حسابرسی

احتمال آسیب بالاست زیرا ممکن است سیستم با کاستی‌هایی همراه باشد. اما شدت آسیب پایین است زیرا احتمال می‌رود شرکت اجازه‌ی بررسی و تصحیح این نقیصه را داشته باشد. برخی مواردِ حسابرسی اهمیت بیشتری دارند. انسان‌ها می‌توانند بر حسب اهمیت مسئله‌ی مورد نظر تصمیم به مداخله بگیرند. اگر احتمال و شدت آسیب پایین باشد، سیستم برای تصمیم‌گیری به انسان نیاز ندارد. در این سناریو، هوش مصنوعی بدون نظارت انسان به فعالیت خود ادامه می‌دهد. شرایط زمانی پیچیده می‌شود که سیستم‌های هوش مصنوعی به صورت خودمختار عمل نمایند.

موتورهای توصیه‌گر

موتورهای توصیه‌گر به مشتری کمک می‌کند تا تصمیم بهتری در زمان خرید اتخاذ کند. تعداد کثیری از سایت‌های تجارت الکترونیک در نقش راهنمای خرید مشتری عمل می‌کنند. افزون بر این، شرکت‌هایی نظیر اسپاتیفای آهنگ‌هایی را با توجه به سلقیه موسیقیایی افراد به آنها پیشنهاد می‌کند. احتمال آسیب در موتورهای توصیه‌گر پایین است. همچنین، احتمال می‌رود کاربران کمتر با کفش‌های ناسازگار با سلیقه‌شان روبرو شوند.

مترجم‌ها

به جز در برخی موارد فوق‌العاده حساس، سیستم‌های ترجمه هوش مصنوعی با چنان سرعت بالایی در حال رشد هستند که به زودی بی‌نیاز به مداخله انسانی خواهند بود. هوش مصنوعی در حال یادگیری انجام ترجمه پایه است و معانی واژگان‌ها و اصلاحات را ترجمه می‌کند. علاوه بر این، برخی از سیستم‌های هوش مصنوعی در حال یادگیری این هستند که زبان بدن، حالات چهره و تُن صدا را نیز تشخیص دهند. هوش مصنوعی با هدفِ آسان‌تر کردنِ تصمیمات انسان طراحی شده است. این نوع فناوری گاهی با عنوان هوش مصنوعی افزوده نیز خوانده می‌شود. زمانی که شدت و احتمال آسیب بالا باشد، باید سیستمی را طراحی کرد که انسان نیز در آن نقش تصمیم‌گیرنده را داشته باشد. این نوع هوش مصنوعی توصیه‌های لازم را در اختیار انسان قرار می‌دهد. اگر انسان در امر تصمیم‌گیری به ایفای نقش نپردازد، هیچ اتفاق به‌خصوصی رخ نخواهد داد.

منبع: هوشیو