پرش به محتوا

کاربردهای هوش مصنوعی

از ویکی‌پدیا، دانشنامهٔ آزاد

هوش مصنوعی، تعریف شده به عنوان هوشمندی قابل ملاحظه در ماشین‌ها، کاربردهای بسیاری درجامعه امروزی یافته است. مانند برق یا رایانه، هوش مصنوعی به عنوان یک فناوری همه منظوره عمل می‌کند که کاربردهای متعددی دارد.

AI یا هوش مصنوعی[۱]، برای خلق و توسعه زمینه‌های تخصصی و صنایع بسیاری شامل امور مالی، بهداشت و درمان، آموزش، حمل و نقل و بیش از این‌ها بکار گرفته شده است.

AI برای کمک به بشر

[ویرایش]

هوش مصنوعی برای نیکی (به انگلیسی: AI for Good) عنوان نهضتی است که در آن نهادها از هوش مصنوعی برای برطرف ساختن برخی از بزرگ‌ترین چالش‌های بشریت بهره می‌جویند. به‌طور مثال، دانشگاه کالیفرنیای جنوبی «مرکز هوش مصنوعی در جامعه» را به راه انداخت تا هدف استفاده ازAI برای پرداختن به مسائل حائز اهمیت اجتماعی مانند بی‌خانمانی را دنبال کند. در استنفورد محققان از AI استفاده می‌کنند تا تصاویر ماهواره‌ای را تحلیل کنند که دریابند کدام نواحی دارای بیشترین سطوح فقر می‌باشند.

AI برای کشاورزی

[ویرایش]

در حوزه کشاورزی، پیشرفت‌های جدید هوش مصنوعی، بهبودهایی را در محصول‌برداری و پیشبرد تحقیقات پیرامون پرورش گیاهان به بار آورده است. هم‌اکنون هوش مصنوعی نوین می‌تواند زمان رسیده شدن و آمادگی برای برداشت محصولاتی همانند گوجه‌فرنگی را پیش‌بینی کند و بدین نحو بازدهی کشاورزی را بالا برد. پیشرفت‌ها البته بدین‌جا ختم نمی‌شود و دیگر مواردی از قبیل نظارت بر خاک و محصول، ربات‌های کشاورزی و تحلیل داده پیش‌بیننده (predivtive analytics). نظارت بر خاک و محصول از الگوریتم‌های جدید و داده‌ای گردآورده از زمین زراعی بهره‌برداری می‌کند سلامت کشت را تضمین کند و بدین صورت کشاورزی را کم‌هزینه‌تر و پایدارتر سازند.

مثال‌هایی دیگر از AI کارآموخته در کشاورزی را می‌توان مواردی چون اتوماسیون، شبیه‌سازی، مدل‌سازی و تکنیک‌های بهینه‌سازی گلخانه‌ها برشمرد.

درپی فزونی‌یافتن جمعیت و رشد تقاضا برای خوراک در آینده برای تأمین این نیاز به حداقل ۷۰ درصد افزایش باروری کشاورزی می‌باشد. هر روزه قشر بیشتری از عموم بدین باور می‌رسد که بکارگرفتن این تکنیک‌های جدید و استفاده از AI ما را برای رسیدن به آن هدف یاری خواهد داد.

هوش مصنوعی در عکاسی و تولید محتوا

[ویرایش]

یکی از دیگر کاربردهای نوین و بسیار محبوب و پراستفاده هوش مصنوعی، کاربرد ها آن در تولید محتوا و یا عکاسی و تصویربرداری است. این فناوری که برپایه پردازش تصویر تحقیق و توسعه یافته است، می تواند به عنوان دستیار شما در عکاسی، تدوین و حتی ایده یابی مورد استفاده قرار گیرد. افزایش کیفیت عکس با هوش مصنوعی یکی از کاربردهای بسیار جذاب و پراستفاده این تکنولوژی است. همچنین عکاسان و طراحان نیز از ابزارهای ادیت عکس با هوش مصنوعی زیاد استفاده می کنند.

همچنین از دیگر کاربردهای بسیار پرطرفدار و رایج هوش مصنوعی، ساخت تصاویر و ویدیو با آن است. در گذشته برای طراحی و تولید یک تصویر یک گرافیست ماهر باید ساعت ها وقت خود را صرف طراحی و اتود زدن می کرد اما امروزه سایت های ساخت عکس با هوش مصنوعی زیادی هستند که کافیست فقط در چند خط تصویر مورد نظر خود را برای آن ها توصیف کنید تا در چند ثانیه به بهترین شکل آن را برای شما طراحی کنند.[۲]

تکنولوژی هوش مصنوعی، با توانایی خود در تحلیل و پردازش داده‌های پیچیده، انقلابی شگرف در عکاسی دیجیتال به پا کرده است. این فناوری، فراتر از بهبود ساده کیفیت تصاویر، قادر است عمق و جزئیات را در سطحی پیچیده بازنمایی کند و مرزهای میان واقعیت و تصویر را جا به جا نماید. با استفاده از الگوریتم‌های پیشرفته، هوش مصنوعی می‌تواند نویزهای تصویری را کاهش دهد، جزئیات را در نورهای کم و شرایط سخت نورپردازی افزایش دهد و حتی اشیاء یا افراد را از پس‌زمینه جدا سازد. این تکنولوژی همچنین قابلیت احیای تصاویر قدیمی و آسیب‌دیده را دارد، به طوری که آن‌ها را به شکلی باورنکردنی به زندگی بازمی‌گرداند. در نهایت، هوش مصنوعی به عکاسان اجازه می‌دهد تا خلاقیت‌های خود را بدون محدودیت‌های فنی گسترش دهند و افق‌های جدیدی از امکانات بصری را پیش روی آن‌ها قرار میدهد.[۳]

هوانوردی

[ویرایش]

گروهان عملیات‌های هوایی(AOD) ارتش ایالات متحده AIرا برای ساخت سیستم‌های متخصص(expert systems) قانون‌محور بکارمیبندد. AI برای AOD کاربست‌هایی دارد اعم از در نقش متصدی جانشین در شبیه‌سازهای تمرینی و پیکار، دستیار مدیریت مأموریت، سامانه‌های پشتیبان برای تصمیم‌گیری‌های تاکتیکی و پس‌پردازش داده‌های شبیه‌ساز و تبدیلشان به خلاصه‌نامه‌های سمبولیک.

کاربست AI در شبیه‌سازها برای AODبسیار مفید نموده است. شبیه‌سازهای هواپیما برای پردازش داده‌های حاصل از پروازهای شبیه‌سازی شده از AI بهره می‌گیرند. به غیر از پرواز شبیه‌سازی شده، مورد رویارویی شبیه‌سازی شدهٔ هواگردها (aircrafts) نیز هست. رایانه‌ها علاوه بر اینکه قادرند تا بهترین سناریوهای پیروزی را در این شرایط تولید نمایند؛ می‌توانند استراتژی‌هایی مبنی بر قرارگیری، ابعاد، سرعت و قدرت نیروهای حمله و ضد حمله طرح کنند. رایانه‌ها می‌توانند درحین درگیری خلبانان را یاری رسانند. هوش مصنوعی نه تنها در توان دارد که اطلاعات را دسته‌بندی کرده و بهترین مانورها را در اختیار خلبان قرار دهد بلکه مانورهای خارج از عهده انسان را نیز کنار می‌گذارد. برای دستیابی به تقریب‌هایی مناسب از برخی محاسبات، داده‌های پرواز چندین هواگرد لازمند که ایجاب می‌کند خلبان‌های شبیه‌سازی شده مورد استفاده قرار گیرند. این خلبان‌های شبیه‌سازی شده همچنین برای تمرین دادن کنترل‌کننده‌های ترافیک هوایی آینده کاربردی‌اند.

سیستمی که به وسیله AOD به منظور اندازه‌گیری عملکرد استفاده می‌شد، یک سیستم IFDIS (سیستم تشخیص خطای متقابل و ایزوله) بود. این یک سیستم کارشناس مبتنی بر قواعد است که داده‌ها را از اسناد TF-30 و از نظر کارشناسانه مهندسان مکانیکی که بر روی TF-30 کار می‌کنند، جمع‌آوری می‌کند. این سیستم طراحی شد تا برای توسعه TF-30 به RAAF F-111C استفاده شود. سیستم عملکرد نیز برای جایگزین کردن کارگران تخصصی استفاده شد. این سیستم به کارگران معمولی اجازه می‌داد که با سیستم ارتباط برقرار کنند و از اشتباهات و اشتباهات محاسباتی یا صحبت با کارگران تخصصی اجتناب کنند.

AOD همچنین از هوش مصنوعی در نرم‌افزار بازشناسی گفتار استفاده می‌کند. مراقبان پرواز جهت‌ها و مسیرها را به خلبانان مصنوعی می‌دهند و AOD می‌خواهد که خلبانان پاسخ‌های ساده به مراقبت پرواز دهند. برنامه‌هایی که نرم‌افزار گفتار را می‌سازند باید آموزش داده شوند به این معنا که از شبکه عصبی استفاده کنند. برنامه Verbex 7000 که استفاده شد، هنوز یک برنامه ابتدایی هست که جای زیادی برای پیشرفت دارد. این پیشرفت‌ها الزامی هستند زیرا مراقبان پرواز از گفتگوی بسیار ویژه ای استفاده می‌کند و برنامه نیاز دارد که قادر به برقراری ارتباط صحیح و فوری در هر زمان باشد.

هوش مصنوعی ای که طراحی هواپیما را پشتیبانی می‌کند (یا همان AIDA) برای کمک به طراحان در پروسه طراحی مصور هواپیما استفاده می‌شود. نرم‌افزار همچنین به کاربر اجازه می‌دهد تمرکز کمتری بر روی ابزار نرم‌افزار داشته باشد. AIDA از یک سیستم مبتنی بر قواعد برا محاسبه داده‌هایش استفاده می‌کند. این یک دیاگرام از آرایش مد. ل‌های AIDA است. اگرچه ساده است، برنامه اثبات کرده که مؤثر است.

در سال ۲۰۰۳، مرکز تحقیقات پروازی آرمسترانگ ناسا، و بسیاری از شرکت‌های دیگر، نرم‌افزاری طراحی کردند که قادر می‌سازد یک هواپیما آسیب دیده، به پروازش ادامه دهد تا زمانی که به منطقه امن برای فرود دست یابد. برنامه با تیکه بر اجزای آسیب ندیده، تمام قسمت‌های آسیب دیده را تعدیل می‌کند. شبکه عصبی استفاده شده در نرم‌افزار، اثبات کرده که مؤثر است و یک پیروزی برای هوش مصنوعی به حساب می‌آید.

سیستم یکپارچه مدیریت سلامت دستگاه که به وسیله ناسا بر روی هواپیما استفاده می‌شود، باید داده‌های دریافت شده از سنسورهای تعبیه شده در هواپیما را، پردازش و تفسیر کند.

سیستم باید بتواند یکپارچگی ساختاری هواپیما را تعیین کند.

این سیستم همچنین نیاز به پیاده‌سازی پروتوکل‌ها در صورت هر گونه آسیب ناشی از وسیله نقلیه دارد.

هیثمن بائومر و پیتر بنتلی هدایت یک تیم از کالج لندن را بر عهده دارند تا یک هوش مصنوعی بر پایه سیستم خلبان اتوماتیک هوشمند(IAS) طراحی شده را، توسعه دهند تا به سیستم خلبان اتوماتیک آموزش دهد که همچون یک خلبان بسیار با تجربه که با یک وضعیت اورژانسی مانند آب و هوای بد، آشَفتگی یا نقص سیستم رو به رو است، رفتار کند. آموزش خلبان اتوماتیک بر پایه مفهوم یادگیری ماشین تحت نظارت، استوار است به این صورت که با خلبان جوان مانند یک کارآموز انسان که به مدرسه پرواز رفته است رفتار می‌کند. خلبان اتوماتیک حرکات خلبان انسان را ضبط می‌کند و الگوهای یادگیری را به کمک استفاده از هوش مصنوعی تولید می‌کند. سپس به خلبان اتوماتیک کنترل کامل داده می‌شود و خلبان، اجرای تمرینات آموزشی به وسیله خلبان اتوماتیک را ملاحظه می‌کند.

سیستم خلبان اتوماتیک هوشمند، اصول دوره کارآموزی را به همراه روش‌های دیگری ترکیب می‌کند. روش‌هایی که به وسیله آنها، خلبان حرکات سطح پایینی که برای حرکت دادن هواپیما نیاز است را مشاهده می‌کند و استراتژی سطح بالایی برای به کار بردن آن حرکات استفاده می‌کند. پیاده‌سازی سیستم خلبان اتوماتیک (IAS) فازهای زیر را به کار می‌برد: جمع‌آوری داده‌های خلبان، آموزش و کنترل مستقل و خودمختار. هدف بائومر و بتینی، ساخت یک خلبان اتوماتیک خودمختارتر است تا به خلبانان در پاسخ به شرایط اورژانسی کمک کنند.

علم کامپیوتر

[ویرایش]

محققان هوش مصنوعی، ابزارهای زیادی را برای حل سخت‌ترین مسئله‌ها در علم کامپیوتر ساخته‌اند. بسیاری از ابداع‌های آنها به وسیله علم کامپیوتر اقتباس شده و دیگر به عنوان بخشی از هوش مصنوعی درنظر گرفته نمی‌شود. طبق گفته راسل و نووینگ در کتاب هوش مصنوعی منتشر شده در سال ۲۰۰۳، مفاهیمی همچون اشتراک زمانی، زبان‌های تفسیری، رابط کاربر گرافیکی، ماوس، توسعه سریع محیط‌های نرم‌افزار، لیست پیوندی ساختمان داده، مدیریت ذخیره‌سازی خودکار، زبان برنامه‌نویسی نسل سوم، برنامه‌نویسی تابعی، برنامه‌نویسی پویا و برنامه‌نویسی شی گرا، همگی در آزمایشگاه‌های هوش مصنوعی توسعه یافتند.

هوش مصنوعی می‌تواند مورد استفاده قرار گیرد تا به صورت بالقوه، توسعه دهنده‌های باینری را شناسایی کند.

هوش مصنوعی می‌تواند برای ساخت دیگر انواع هوش مصنوعی مورد استفاده قرار گیرد. به عنوان‌ مثال، در حوالی نوامبر ۲۰۱۷، گوگل در پروژه AutoMl، تپولوژی‌های جدیدی از شبکه‌های عصبی را ایجاد کرد به نام شبکه‌های عصبی NAS، سیستمی بهینه‌سازی شده برای پروژه ایمیج نت و COCO. به گفته گوگل، عملکرد شبکه‌های عصبی NAS فراتر بود از تمام عملکردهای پیشین منتشر شده از ایمیج نت .

Deepfake

[ویرایش]

در ژوین ۲۰۱۶، یک تیم تحقیقاتی از گروه پردازش تصویر دانشگاه مونیخ و دانشگاه استنفورد، اپلیکیشن «فیس تو فیس» را توسعه دادند. یک برنامه که چهره شخص مورد نظر را با جابجا کردن حالات چهره از یک منبع خارجی به صورت کارتونی شبیه‌سازی می‌کند. این تکنولوژی در بازسازی لب‌های افرادی مانند «باراک اوباما)) و((ولادیمیر پوتین» نشان داده شده است. از آن زمان روش‌های دیگری بر پایه شبکه‌های عصبی عمیق (deep) شرح داده شده‌اند که نام دیپ فیک از اینجا گرفته شده است.

استودیوهای فیلم‌سازی هالیوود قبلاً از این تکنیک در فیلم‌های کارتونی استفاده کرده بودند. اما این روش، زمان و تلاش‌های زیادی را از افراد متخصص این حوزه گرفت. تفاوت اصلی این است که امروزه هر کسی می‌تواند از نرم‌افزار دیپ فیبک استفاده کند و ویدیوها را دستکاری کند.

در سپتامبر ۲۰۱۸ سناتور ایالات متحده، مارک وارنر، پیشنهاد کرد که شرکت‌های رسانه جمعی ای که اجازه اشتراک گذاری اسناد دیپ فیک را روی پلت فرمشان می‌دهند، جریمه شوند.

))وینسنت موزیچ «یک پژوهشگر از))موسسه جاست پارت مونج راهی پیدا کرد تا به‌وسیلهٔ تحلیل حرکات پلک چشم، اسناد (ویدیوها) دستکاری شده را شناسایی کند. دارپا (یک گروه تحقیقاتی مرتبط با وزارت دفاع ایالات متحده)، ۶۸ میلیون دلار برای کار بر روی شناسایی دیپ فیک، اختصاص داده است. در اروپا برنامه افق ۲۰۲۰ منابع مالی برای نرم‌افزار اینوی را تأمین کرده است، نرم‌افزاری که طراحی شده است تا به روزنامه نگاران برای شناسایی اسناد دیپ فیک کمک.

تحصیلات

[ویرایش]

آینده هوش مصنوعی در کلاس‌های درس

آیدنده هوش مصنوعی در کلاس‌های درس، خیلی درخشان به نظر می‌رسد. یکی از هیجان انگیزترین نوآوری‌ها، ایده معلم یا دستار هوش مصنوعی شخصی برای هر دانش آموز منحصر به فرد است. از آنجا که یک معلم به تنهایی نمی‌تواند با تمام دانشجویان در یک زمان کار کند، معلم‌های هوش مصنوعی به دانش آموزان این اجازه را می‌دهند که کمک‌های فردی بیشتری را در زمینه‌هایی که به آن نیاز دارند، دریافت نمایند. آموزگاران هوش مصنوعی همچنین ایده‌های دلهره آور آزمایشگاه‌های آموزشی یا آموزگاران انسانی را که ممکن است باعث استرس و اضطراب برای بعضی دانش آموزان شود را از بین می‌برد. در کلاس‌های درس آینده، مبحث اطلاع‌رسانی محیطی می‌تواند نقش سودمندی را ایفا کند. اطلاع‌رسانی محیطی ایده ای است که در آن اطلاعات در همه جا در محیط اطراف وجود دارد و وسایل تکنولوژی به صورت خودکار بر اساس اولیت‌های شخصی شما تنظیم می‌شود. وقتی دانش اموزان بر روی میزهایشان می‌نشینند، وسایل آنها قادر خواهند بود که درس، مشکلات و بازی‌هایی را بسازند تا برای نیازهای خاص هر دانش آموز مناسب باشند، مخصوصاً در جایی که یک دانش آموز ممکن است در حال دست و پنجه نرم کردن باشد و این برنامه، یک فیدبک فوری را می‌فرستد. این برنامه ایده این که «یک روش برای کل کلاس مناسب است» را از بین می‌برد؛ زیرا ما دیگر مجبور نیستیم که دانش آموزان را وادار کنیم تا دقیقاً یک ماده درسی یکسان را با یک سرعت دقیقاً یکسان یاد بگیرند. با اینکه فواید بسیاری در استفاده از هوش مصنوعی در کلاس درس وجود دارد، اما همچنین خطرات متعددی وجود دارد که قبل از پیاده‌سازی هوش مصنوعی باید در نظر گرفته شوند.

در مورد آینده هوش مصنوعی در آموزش، بر اساس آنچه که به‌وسیلهٔ روزنامه نیویوک تایمز به عنوان «بیداری بزرگ هوش مصنوعی» چاپ شده است، احتمالات جدید زیادی وجود دارد. یکی از این احتمالات که توسط روزنامه فوربز ذکر شده است، شامل تهیهٔ برنامه‌های یادگیری تطبیقی است که احساسات و اولویت‌های یادگیری دانش آموز را ارزیابی می‌کند و به آنها واکنش نشان می‌دهد. پیشرفت دیگر شامل ارائه داده‌های عملکرد و روش‌های غنی سازی به صورت فردی است. در برنامه درسی، هوش مصنوعی می‌تواند به تعیین اینکه آیا در متون و دستورالعمل‌های پیش فرض وجود دارد یا خیر، کمک کند. برای معلمان، هوش مصنوعی به زودی می‌تواند اطلاعات را در رابطه با اثربخشی مداخلات آموزشی مختلف از یک پایگاه اطلاعاتی بالقوه جهانی ارسال کند. به‌طور کلی، هوش مصنوعی توانایی تأثیرگذاری بر آموزش را با در نظر گرفتن داده‌های منطقه ای، ایالتی، ملی و جهانی در نظر بگیرد، زیرا هدف از آن ایجاد تعادل در یادگیری برای همه افراد است. اگر چه هوش مصنوعی می‌تواند دارایی‌های زیادی را در یک کلاس درس فراهم کند، بسیاری از متخصصان هنوز نمی‌پذیرند که می‌توانند جایگزین معلم شوند.

بسیاری از معلمان ترس از جایگزین شدن AI به جای آنها در کلاس را دارند مخصوصاً با ایده جدید AI که دستیار شخصی برای هر دانش آموز ایجاد می‌کند. واقعیت این است که AI می‌تواند محیط زیست را توسط اثرات غیرعمدی به مکانی بدتر تبدیل کند؛ و این به معنای این است که این تکنولوژی مانع پیشرفت جامعه وباعث اثرات ناخواسته و منفی بر جامعه می‌شود. از جمله این اثرات ناخواسته استفاده بیش از حد از تکنولوژی است که مانع تمرکز دانش اموزان به جای یادگیری و پیشرفت می‌شود. همچنین AI منجر به از دست دادن قابلیت اراده و تفکر شخصی انسان‌ها و همزمانی می‌شود. اگر دانش اموزان صرفاً به معلمان AI، که از الگوریتم‌ها و سیم‌ها تشکیل شده است، تکیه کنند آنها توانایی شان را برای کنترل تحصیلات و یادگیری از دست خواهند داد. همچنین اگر ما از دستیار AI برای ساخت دروس دانش اموزان هر روز استفاده کنیم با توجه به اینکه تکنولوژی‌های AI باید همزمان کار کنند ممکن است خرابی سیستمی منجر به خرابی کل یک مدرسه بشود. اینکه AI در کلاس‌ها در سال‌های اتی استفاده شود اجتناب ناپذیر است بنابراین ضروری است که روی این نوآوری‌های جدید کار شود قبل از اینکه معلمان تصمیم بگیرند ان را در برنامه روزانه خود قرار دهند.

شیمی و زیست‌شناسی

[ویرایش]

از یادگیری ماشین برای طراحی دارو استفاده شده است. همچنین از آن برای پیش‌بینی خواص مولکولی نیز استفاده شده است[۴] سنتزهای برنامه ریزی شده با رایانه از طریق شبکه های واکنش محاسباتی، که به عنوان پلتفرمی توصیف می‌شود که «سنتز محاسباتی با الگوریتم های هوش مصنوعی برای پیش بینی خواص مولکولی » را برای کشف منشا حیات روی زمین، سنتز دارو و توسعه روشهایی برای بازیافت 200 ماده شیمیایی زباله صنعتی به دارو ها و مواد شیمیایی مهم کشاورزی ترکیب می کند. تحقیقاتی در مورد اینکه یادگیری ماشین در کدام حوزه از علم شیمی فایده ای دارد، انجام شده است [۵]. همچنین می توان از آن برای "کشف و توسعه دارو، استفاده مجدد از دارو، بهبود بهره وری دارویی و آزمایشات بالینی" استفاده کرد [۶].

همچنین از یادگیری ماشین و پایگاه داده آن، برای توسعه فرایند 46 روزه طراحی، سنتز و آزمایش دارویی استفاده شده است که آنزیم های یک ژن خاص (DDR1) را مهار می کند. DDR1 در سرطان ها و فیبروز نقش دارد که یکی از دلایل مجموعه داده های با کیفیت بالا است که این نتایج را فعال می کند [۷].

انواع مختلفی از کاربردها برای یادگیری ماشین در رمزگشایی زیست شناسی انسان وجود دارد، مانند کمک به ترسیم الگوهای بیان ژن به الگوهای فعال سازی عملکردی یا شناسایی نقوش DNA عملکردی که به طور گسترده ای در تحقیقات ژنتیکی استفاده می شود [۸].

یادگیری ماشین همچنین در برخی علوم نظیر زیست شناسی مصنوعی [۹]، زیست شناسی بیماری [۱۰]، فناوری نانو [۱۱] و علم مواد کاربرد دارد [۱۲].

مالی

[ویرایش]

تجارت الگوریتمی

[ویرایش]

معامله الگوریتم‌ها تشکیل شده از استفاده از الگوریتم پیچیده AI تا تصمیم‌های تجارتی را چندین برابر سرعتی که انسان در روز می‌تواند انجام دهد را بگیرد. غالباً میلیون‌ها دادوستد بدون هیچ دخالت انسانی را انجام می‌دهد. چنین معاملاتی معاملات فرکانس بالا نامیده می‌شود و نشان دهنده یکی از سریعترین بخش‌های در حال رشد در معاملات مالی است. بسیاری از بانک‌ها و منابع مالی و تجارت‌های اختصاصی شرکت‌ها الان اوراق بهاداری دارند که کاملاً و فقط توسط سیستم‌های AI سازماندهی می‌شوند. سیستم‌های تجارت اتوماتیک معمولاً توسط سرمایه گذاران بزرگ سازمانی استفاده می‌شود. اما در سال‌های اخیر شاهد هجوم شرکت‌های کوچک و خصوصی با سیستم‌های AI خودشان بوده‌ایم.

چندین سازمان بزرگ مالی روی سیستم‌های AI سرمایه‌گذاری کرده‌اند تا در سرمایه‌گذاری کمکشان کنند. موتور AI Black Rock و علادین هردو داخل شرکت و مشتریان برای کمک به تصمیم‌های مالی استفاده می‌شود. آن شامل طیف گسترده از قابلیت‌ها و همچنین قابلیت پردازش زبان طبیعی تا برای خواندن اخبار گزارش دلال‌ها و رسانه‌های اجتماعی استفاده شود. سپس تمایل خود را به شرکت‌هایی که ذکر شدند می‌سنجد و به آنها امتیاز می‌دهد. بانک‌هایی مانند UBS و Deutsche از موتور Sqreem استفاده می‌کند (مدل کاهش و استخراج کوانتمی) که می‌تواند به گسترش پروفایل مصرف‌کنندگان و یافتن محصولات مالی که آنها می‌خواهند از داده‌ها (داده کاوی) به دست آورد. گلدمن ساکس از «کنشو» استفاده می‌کند که برنامه (پلتفرم) تجزیه و تحلیل بازار است که هر دو قابلیت محاسبات حجیم اماری و پردازش زبان طبیعی را داراست. این سیستم‌های یادگیری ماشین داده‌ها را از طریق داده‌های موجود در وب و ارزیابی ارتباط بین رویدادهای جهانی و تأثیر ان بر قیمت دارایی‌ها به دست می‌آورد. استخراج اطلاعات بخشی از هوش مصنوعی است که برای استخراج اطلاعات از اخبار زنده خبری وکمک به تصمیمات سرمایه‌گذاری استفاده می‌شود.

امور مالی شخصی

[ویرایش]

محصولات متعددی در حال ظهور هستند که از AI برای کمک به مردم در امور شخصی خود استفاده می‌کنند. برای مثال Digit یه نرم‌افزار طراحی شده توسط هوش مصنوعی است که به مصرف‌کنندگان کمک می‌کند تا مصرف و پس‌انداز خود را بر اساس عادات و اهداف شخصی خود بهینه کنند. این نرم‌افزار می‌تواند فاکتورهایی مانند درآمد ماهانه، موجودی فعلی و خرج‌های عادتی) خرج‌هایی که تکرار می‌شود) را تجزیه و تحیل کند و سپس می‌تواند تصمیم‌های خود را بگیرد و پول را به حساب‌های پس‌انداز منتقل کند. Wallet.AI یک استارتاپ در San Francisco که به زودی خواهد آمد عواملی ایجاد کرده است که داده‌هایی مانند چیزهایی که مصرف‌کنندگان پشت سر گذشته از جمله چک کردن گوشی هوشمند از اینستاگرام تا توییتر تجزیه تحلیل کند تا به اطلاع مصرف‌کنندگان رفتار مصرفی آنها را برساند.

مدیریت دارایی‌ها

[ویرایش]

مشاوران روبو در حال حاضر به‌طور گسترده در صنعت مدیریت سرمایه استفاده می‌شود. مشاوران روبو مشاوره مالی و مدیریت دارایی‌ها با حداقل مداخلهٔ انسانی را ارایه می‌کنند. این نمونه از مشاوران مالی براساس الگوریتم‌هایی ساخته شده است که به‌طور خودکار دارایی مالی را با توجه به اهداف سرمایه‌گذاری و تحمل ریسک مشتریان ایجاد می‌کنند. آن (مشاوران روبو) می‌تواند بر اساس تغییرات انی در بازار تنظیم شود و به اقتضای ان دارایی‌ها را تنظیم کند.

امضای اسناد

[ویرایش]

یک وام دهنده آنلاین، Upstart، اطلاعات زیادی از مصرف‌کننده را تجزیه و تحلیل می‌کند و از الگوریتم‌های یادگیری ماشین استفاده می‌کند که مدل‌های مالی ریسک که میزان احتمال آن را به‌طور معمول پیش‌بینی می‌کند، ایجاد کند. این تکنولوژی برای بانک‌ها مجاز خواهد بود که آنها را برای استفاده از فرایندهای حقوقی خود (امضا کردن) نیز مورد استفاده قرار دهند.

ZestFinance پلتفورم Zest Automated Machine Learning را ایجاد کرده است که مخصوص امضای اسناد مالی است. این پلتفورم از یادگیری ماشین استفاده می‌کند تا ده‌ها هزار متغیر قدیمی و جدید (از معاملات مالی تا اینکه چگونه مشتری یک فرم را پر می‌کند) که در امور مالی استفاده می‌شود تا به وام گیرندگان امتیاز دهد. این پلتفورم مخصوص نمره دادن به افراد با پیشینه اعتبار محدود است مانند هزاره‌ها.

تاریخچه

[ویرایش]

دهه ۸۰ حقیقتاً آغاز درخشش هوش مصنوعی در اقتصاد جهانیست؛ و این امر موقعیست که سیستم‌های خبره به محصولات تجاری تر در زمینه اقتصادی تبدیل شدند"به عنوان مثال، دوپونت ۱۰۰ سیستم متخصص ایجاد کرده است که به آنها کمک کرد تا نزدیک به ۱۰ میلیون دلار در سال صرفه جویی کنند”. یکی از اولین سیستم‌ها سیستم حرفه ای Protrader بود که توسط KC چن و Ting-peng لیان طراحی شد که توانست پیش بینی کاهش ۸۷ درصدی در میانگین صنعتی DOW Jones در سال ۱۹۸۶ را داشته باشد."اتصالات اصلی سیستم نظارت بر حق بیمه در بازار، تعیین استراتژی سرمایه‌گذاری بهینه، انجام معاملات در صورت لزوم و تغییر پایگاه دانش از طریق یک مکانیزم یادگیری است."یکی از اولین سیستم‌های متخصص که به برنامه‌های مالی کمک می‌کرد، توسط سیستم‌های متخصص کاربردی (APEX) به نام PlanPower ایجاد شد. در سال ۱۹۸۶ بود که برای اولین بار به صورت تجاری عرضه شد.

عملکرد آن کمک به ارائه برنامه‌های مالی برای افراد با درآمد بیش از ۷۵٬۰۰۰ $ در سال است؛ که سپس منجر به سیستم حساب مشتری شد به طوریکه برای درآمدهایی از ۲۵هزار دلار تا ۲۰۰هزار دلار در سال استفاده شد. دهه ۱۹۹۰ سیستم تشخیص تقلب خیلی بیشتر بود. یکی از سیستم‌هایی که در سال ۱۹۹۳ آغاز شد، سیستم هوش مصنوعی FinCEN (FAIS) بود. ان سیستم قادر بود بیش از ۲۰۰۰۰۰ معامله را در هفته بررسی کند و بیش از دو سال به شناسایی ۴۰۰ مورد احتمالی پولشویی که برابر با یک میلیارد دلار بود، کمک کرد. اگر چه سیستم‌های متخصص در دنیای مالی قدیم نبوده، اما این کار در استفاده کردن از AIدر کمک به آنچه امروز هست کمک می‌کند

دولت

[ویرایش]

یکی از استفاده‌های هوش مصنوعی در دولت است. به این ترتیب که دولت‌های با استفاده از هوش مصنوعی بروکراسی رل کاهش می‌دهد

صنعت سنگین

[ویرایش]

مقاله اصلی: هوش مصنوعی در صنعت سنگین

رباتها در بسیاری از صنایع رایج شده و اغلب کارهایی را انجام می‌دهند که برای انسانها خطرناک است. روبات‌ها در شغل‌هایی که بسیار تکراری هستند، که ممکن است منجر به اشتباه یا حوادث ناشی از عدم تمرکز باشد و مشاغل دیگری که انسانها ممکن است دچار تحقیر شوند، اثر به سزایی دارند.

در سال ۲۰۱۴، چین، ژاپن، ایالات متحده، جمهوری کره و آلمان با همدیگر ۷۰ درصد کل حجم فروش روبات‌ها را تشکیل می‌دهند. در صنعت خودرو سازی، در بخشهایی با درجه بالایی از اتوماسیون، ژاپن دارای بیشترین تراکم رباتهای صنعتی در جهان بود: ۱۴۱۴ نفر در هر ۱۰۰۰۰ کارمند.

بیمارستان‌ها و دارو

[ویرایش]
اشعه ایکس دست، محاسبه خودکار سن استخوان توسط یک نرم‌افزار رایانه ای

شبکه عصبی مصنوعی به عنوان سیستم پشتیبانی بالینی تصمیمی برای تشخیص پزشکی استفاده می‌شود، مانند تکنولوژی پردازش مفهوم در نرم‌افزار EMR.

وظایف دیگر در پزشکی که به‌طور بالقوه توسط هوش مصنوعی انجام می‌شود و شروع به توسعه می‌کنند عبارتند از:

  • تفسیر کامپیوتری از تصاویر پزشکی. چنین سیستمی به اسکن تصاویر دیجیتالی، از جمله از طریق توموگرافی رایانه ای، برای نمایش‌های معمول و به منظور برجسته بخش‌های قابل توجه مانند بیماری‌های ممکن است. یک برنامه معمول تشخیص تومور است.
  • تجزیه و تحلیل صدا قلب[۱۳]
  • روبات‌های همراه برای مراقبت از سالمندان[۱۴]
  • استخراج معادن پزشکی برای ارائه اطلاعات مفیدتر.
  • طرح‌های درمان طراحی
  • کمک در مشاغل تکراری از جمله مدیریت دارو.
  • ارائه مشاوره.
  • ایجاد مواد مخدر[۱۵]
  • استفاده از تصاویر به جای بیماران برای آموزش بالینی[۱۶]
  • پیش‌بینی احتمال مرگ از روش‌های جراحی
  • پیش‌بینی پیشرفت HIV

بیش از ۹۰ راه اندازی AI در صنعت بهداشت و درمان در این زمینه وجود دارد.[۱۷]

اولین راه حل IDx, IDx-DR، اولین سیستم تشخیصی مستقل مبتنی بر AI است که مجوز تجاری توسط FDA مجاز است.[۱۸]

منابع انسانی و استخدام

[ویرایش]

کاربرد دیگر هوش مصنوعی در منابع انسانی و استخدام فضا است. سه راه وجود دارد که هوش مصنوعی توسط منابع انسانی و استخدام حرفه ای‌ها مورد استفاده قرار می‌گیرد: برای نمایش رزومه‌ها و رتبه‌بندی نامزدها با توجه به سطح صلاحیتشان، پیش‌بینی موفقیت نامزدی در نقش‌های خاص از طریق پلتفرم‌ها (سکوها) ی مطابق با شغل، و در حال حاضر راه اندازی ربات‌های چت استخدام است که می‌توانند وظایف ارتباطی تکراری را خودکار کند.

به‌طور معمول، بازنویسی رزومه شامل یک استخدام کننده یا دیگر نمایش حرفه ای منابع انسانی از طریق یک پایگاه داده از رزومه‌ها می‌شود. در حال حاضر راه اندازی‌های جدید مثل Pomato در حال ایجاد الگوریتم‌های یادگیری ماشین برای خودکار کردن فرایندهای نمایش رزومه است. هوش مصنوعی نمایش رزومه Pomato روی خودکار کردن اعتبار سنجی متقاضیان فنی برای شرکت‌های خدمات فنی تمرکز می‌کند.

هوش مصنوعی Pomato بیش از ۲۰۰۰۰۰ محاسبات را در هر رزومه در ثانیه انجام می‌دهد و سپس یک مصاحبه فنی سفارشی بر اساس مهارت‌های استخراج شده طراحی می‌کند. راه حل‌های KE، که در سال ۲۰۱۴ تأسیس شده است، سیستم‌های توصیه شده برای رتبه‌بندی شغل‌ها برای نامزدها، و رتبه‌بندی رزومه‌ها برای کارفرمایان را توسعه داده است. Jobster.io، که توسط راه حل هایKE توسعه یافته، از جستجوی مبتنی بر مفهوم استفاده می‌کند که دقت را ۸۰٪ در مقایسه با روش سنتی ATS افزایش داده است. این به کارکنان کمک می‌کند تا بر موانع فنی غلبه کنند.

از سال ۲۰۱۶ تا سال ۲۰۱۷، شرکت کالاهای مصرفی Unilever از هوش مصنوعی برای نمایش همه کارکنان در سطح ابتدایی استفاده کرد. هوش مصنوعی Unilever از بازی‌های مبتنی بر علوم اعصاب، مصاحبه‌های ضبط شده، و تجزیه و تحلیل صورت و گفتار برای پیش‌بینی موفقیت استخدام استفاده کرد. Unilever با Hirevue و Pymetrics همکاری کرد تا غربالگری مبتنی بر هوش مصنوعی خود را فعال کند و متقاضیان خود را در یک سال از ۱۵۰۰۰ به ۳۰۰۰۰ افزایش داد. استخدام با هوش مصنوعی تولید شده Unilever " متنوع‌ترین کلاس تا به امروز است ".Unilever همچنین زمان استخدام را از ۴ ماه به ۳ هفته و نیم کاهش داد و ۵۰۰۰۰ ساعت زمان استخدام را نجات داد.

جستجوی کار

[ویرایش]

بازار کار تغییر قابل توجهی را در پیاده‌سازی هوش مصنوعی دیده است. این روند برای هردو استخدام کنندگان و جویندگان کار ساده شده است (یعنی، گوگل کردن برای شغل‌ها و درخواست آنلاین). به گفته 65Raj Mukherjee درصد از مردم در طول ۹۱ روز از استخدام دوباره جستجوی شغلی را آغاز می‌کنند. موتور محرک هوش مصنوعی پیچیدگی شکار شغل را با اطلاعات عملیاتی در مورد مهارت‌های شغل، حقوق، و گرایش‌های کاربر، مطابقت دادن مردم با مرتبط‌ترین موقعیت‌ها ساده می‌سازد. هوش مصنوعی محاسبه می‌کند که چه دستمزد برای یک کار خاص مناسب است، اطلاعات را برای استخدام کنندگان با استفاده از پردازش زبان طبیعی خلاصه می‌کند و لغات مرتبط و عبارت‌ها را با استفاده از نرم‌افزارهای تخصصی از متن استخراج می‌کند.

یک کاربرد دیگر، سازنده رزومه هوش مصنوعی است که نیاز به ۵ دقیقه برای گردآوری یک رزومه دارد، به غیر از صرف زمان انجام همان کار. [نیازمند استناد] در عصر ربات‌های چت هوش مصنوعی به بازدید کنندگان وبسایت کمک می‌کنند و جریان‌های روزانه را حل می‌کنند. ابزار انقلابی هوش مصنوعی مکمل مهارت‌های افراد است و به مدیران منابع انسانی اجازه می‌دهد که بر روی وظایف اولویت بالاتر تمرکز کنند.

با این حال، اثر هوش مصنوعی بر روی تحقیقات شغلی نشان می‌دهد که تا سال ۲۰۳۰ عوامل و ربات‌های هوشمند ۳۰٪ از کار انسانی جهان را از بین ببرند. علاوه بر این، تحقیقات ثابت می‌کند که اتوماسیون بین ۴۰۰ تا ۸۰۰ میلیون کارگر جایگزین خواهد شد. گزارش تحقیق Glassdoor می‌گوید که استخدام و منابع انسانی، انتظار می‌رود که تصویب هوش مصنوعی در بازار کار ۲۰۱۸ و فراتر از آن را بسیار گسترده ببینند.

بازار یابی

[ویرایش]

برخی از کاربردهای هوش مصنوعی به سمت تجزیه و تحلیل محتوای رسانه‌های سمعی و بصری مانند فیلم، برنامه‌های تلویزیونی، فیلم‌های تبلیغاتی یا محتوای تولید شده توسط کاربر هدایت می‌کنند. این راه حل‌ها اغلب شامل چشم‌انداز کامپیوتری هستند که یک زمینهٔ عظیمی از کاربرد هوش مصنوعی است.

سناریوهای مورد استفاده معمول شامل تجزیه و تحلیل تصاویر با استفاده از روش‌های تشخیص شیء یا تکنیک‌های تشخیص چهره، یا تجزیه و تحلیل ویدئو برای شناسایی صحنه‌های مرتبط، اشیاء یا چهره‌ها است. انگیزه برای استفاده از تجزیه و تحلیل رسانه‌های مبتنی بر هوش مصنوعی می‌تواند – در میان چیزهای دیگر – تسهیل جستجوی رسانه ای، ایجاد مجموعه ای از کلمات کلیدی توصیفی برای یک آیتم (مورد) رسانه‌ها، نظارت بر سیاست محتوای رسانه ای (مثل تأیید مناسب بودن محتوا برای یک زمان خاص مشاهدهٔ تلویزیون)، گفتار به متن برای آرشیو یا سایر اهداف، و شناسایی آرم‌ها، محصولات یا چهره‌های مشهور برای قرار دادن تبلیغات مربوط به آن.

تجزیه و تحلیل رسانه‌های شرکت‌های هوش مصنوعی اغلب خدمات خود را بر روی یک REST API فراهم می‌کنند که دسترسی اتوماتیک مبتنی بر دستگاه را فعال می‌کند و اجازه می‌دهد تا خواندن نتایج را به صورت خودکار انجام دهد. به عنوان مثال شرکت ویدیوئی هوش مصنوعی Valossa ,Microsoft ,IBM و Amazon با استفاده از RESTful APIs اجازه دسترسی به تکنولوژی تشخیص رسانه را می‌دهد.

هوش مصنوعی همچنین به‌طور گسترده در صنعت تجارت الکترونیک برای کاربردهایی مثل جستجوی بصری، توصیه بصری مشابه، ربات‌های چت، برچسب گذاری خودکار محصولات و غیره استفاده می‌شود. یکی دیگر از کاربردهای عمومی، افزایش یافتن قابلیت جستجو و ساختن محتوای رسانه‌های اجتماعی است.

موسیقی

[ویرایش]

درحالی‌که تکامل موسیقی همواره تحت تأثیر تکنولوژی بوده است، هوش مصنوعی از طریق پیشرفت‌های علمی فعال شده است تا انشاء موسیقی را همچون انسان در همان حد از گستردگی تقلید کند.

در میان تلاش‌های ابتدایی قابل ذکر، دیوید کوپ هوش مصنوعی ای را خلق کرد به نام امیلی هاول که توانست در زمینه موسیقی کامپیوتری الگوریتمی به شهرت برسد. الگوریتم امیلی هاول به عنوان حق انحصاری ثبت اختراع در آمریکا ثبت شده است.

هوش مصنوعی لاموس اولین آلبوم کامل کلاسیک را که به‌طور کامل توسط کامپیوتر ساخته شده بود، در سال ۲۰۱۲ خلق کرد.

تلاش‌های دیگر، مانند AIVA (هوش مصنوعی هنرمند مجازی)، بر خلق موسیقی سمفونی و عمدتاً خلق موسیقی کلاسیک برای نمرات فیلمها تمرکز می‌کنند. با تبدیل شدن به اولین آهنگساز مجازی، مقام اول را (از این حیث) در جهان کسب کرد تا به عنوان انجمن حرفه ای موسیقی شناخته شود.

هوش مصنوعی حتی می‌تواند موزیک قابل استفاده در یک محیط پزشکی را با تلاش ملومیک برای استفاده از موسیقی تولید شده توسط کامپیوتر برای استرس و تسکین درد، تولید کند.

علاوه بر این، ابتکارهایی مانند گوگل مگنتا، که توسط تیم برین گوگل انجام می‌شود، می‌خواهند بدانند که آیا هوش مصنوعی صلاحیت خلق هنر گیرا را دارد یا خیر.

در آزمایشگاه تحقیقاتی سونی CSL، نرم‌افزار فلوماشینز آنها آهنگ‌های پاپی را با یادگیری سبک‌های موسیقی از یک پایگاه داده بزرگ از آهنگ‌ها خلق کرده است. با تجزیه و تحلیل ترکیب منحصر به فرد از سبک‌ها و بهینه‌سازی تکنیک‌ها، می‌تواند در هر سبک اثری خلق کند.

پروژه انشاء موسیقی دیگری به کمک هوش مصنوعی، واستون بیت بوده، که توسط آی بی ام ریسرچ نوشته شده است، نیازی به یک پایگاه داده عظیمی از موسیقی مانند پروژه‌های گوگل مگنتا یا فلوماشینز ندارد. چرا که از شبکه‌های تقویت یادگیری و یادگیری عمیق استفاده می‌کند تا نغمه ساده ورودی و سبک انتخابی را به موسیقی تبدیل کند. از آنجایی که این نرم‌افزار منبعی باز می‌باشد، موسیقیدانانی چون تریان ساوثرن با این پروژه برای خلق موسیقی همکاری می‌کرده‌اند.

اخبار، نشر و نویسندگی

[ویرایش]

شرکت نریتیو سانینس اخبار و گزارش‌ها را به صورت تجاری و قابل دسترس به صورت رایانه ای تولید می‌کند که شامل خلاصه رویدادهای ورزشی گروهی بر اساس اطلاعات آماری از بازی به زبان انگلیسی می‌شود. همچنین گزارش‌های مالی و تحلیل املاک و مستغلات را ارائه می‌دهد. به‌طور مشابه، شرکت اتومات اینسایتس پیش نمایش‌ها و مرورهای اختصاصی برای یاهو اسپورتس فانتزی فوتبال تولید می‌کند. این شرکت پیش‌بینی می‌کند که در سال ۲۰۱۴ یک میلیارد داستان تولید کند به طوریکه بیش از ۳۵۰ میلیون در سال ۲۰۱۳ نوشته شود.

اکوباکس شرکت نرم‌افزاری‌ای است که به ناشران کمک می‌کند تا آمار بازدیدکنندگان از تارنمایشان را افزایش دهند و رهیافت آن هم انتشار «هوشمندانه» مقالات ناشران در شبکه‌های اجتماعی همچون فیس‌بوک و تویتر است. با تحلیل مقادیر متنابهی داده، اکوباکس یادمی‌گیرد که هر مخاطب مشخص، در هر زمان از روز چگونه به هر مقاله پاسخ می‌دهد. سپس تصمیم میگرد که بهترین‌ها برای پست کردن چیست و چه زمانی بدین منظور مناسب‌تر است و برای این کار نیز، هم به سوابق متکی‌ست و هم به داده‌های زنده برای این که بهتر درک کند که چه چیزی قبلاً خواندنی‌تر بوده و چه چیزی درحال حاضر بیشتر جلب توجه می‌کند.

شرکت دیگری با نام ایزی‌آپ (Yseop) برای تبدیل داده‌های ساخت‌یافته (structured data) به نظرات و پیشنهادها به زبان طبیعی انسانی استفاده می‌کند. ایزی‌آپ تولید گزارش‌های مالی، گزارش‌های اجرایی، اسناد فروش و بازاریابی متناسب نیاز شخصی و بیش از این‌هارا با سرعت ده‌ها هزار صفحه بر ثانیه و به چندین زبان مختلف من جمله انگلیسی، اسپانیایی، فرانسوی و آلمانی را دارد.

«بومترِین» مثالی دیگرست از AI طراحی شده برای درگیر کردن خواننده، با انتشار در زمان و کانال مناسبِ مقالاتی که به‌طور خاص برای آن خواننده مفیدند و کارش به استخدام ویراستاری خصوصی برای چینش تک به تک مطالب برای هر خواننده برای خلق تجربه‌ای عالی می‌ماند.

IRIS.TV با پلتفرم شخصی‌سازی و برنامه‌ریزیِ ویدئوی مایه‌گرفته از هوش مصنوعی خود به شرکت‌های رسانه‌ای کمک می‌کند. این پلتفرم بر اساس الگوهای بازدید مخاطبان، به ناشران و مالکان محتوای رسانه‌ای اجازه عرضه محتوای مفید برای ایشان می‌دهد.

فراتر از تسک‌های نوشتن مبنی بر داده‌های ورودی، AI پتانسیل قابل توجهی برای مشارکت رایانه‌ها در کارهای خلاقانه سطح بالاتر نشان داده است. داستان‌سراییِ AI از زمان ساخت TALESPIN به‌دست جمیز میهان، که دستان‌هایی‌مشابه حکایات ایساپ، قصه‌گوی یونان باستان، سرود، حوزهٔ پژوهشی پرتکاپویی بوده است. این چنین برنامه‌ای با گروهی از شخصیت‌ها آغاز بکار می‌کند که اهداف مشخصی را دنبال می‌کنند و داستان عبارت می‌شود از روایتی از تلاش این اشخاص در اجرای نقشه‌هایشان برای رسیدن به این اهداف. از زمان میهان، پژوهشگران دیگری نیز روی داستان سرایی AI با رهیافت‌های مشابه یا متفاوت کارکرده‌اند. مارک رایدل و ودیم بولیتکو استدلال نمودند که عصاره داستان‌سرایی یک مسئله مدیریت تجربه (experience management problem) یا «چگونگی تعادل بخشیدن میان نیاز به پیشرفتن منسجم داستان با عامل کاربری، که اغلب در تقابلند» بوده است.

گرچه عمده تحقیقات دربارهٔ داستان‌سرایی AI بر تولید داستان (به معنی: شخصیت‌ها و داستان) تمرکز داشته است؛ همچنین تحقیقات قابل ملاحظه‌ای روی نحوه تعریف و سبک ادبی داستان صورت گرفته است. در ۲۰۰۲، پژوهشگران دانشگاه کارولینای شمالی یک فریم ورک آرکیتکچرال برای تولید نثر روایی ساختند. در آزمایش به‌خصوصی آنها، برنامه قادر بود تا با حفظ وفاداری به اصل داستان، بازنگاری‌هایی متنوع و پیچیده از آثاری همچون شنل قرمزی بیافریند. این حوزه به خصوص همچنان به جلب نظر پژوهشگران ادامه می‌دهد. در سال ۲۰۱۶، یک برنامه AI ژاپنی مشترکاً داستانی نوشت که چیزی نمانده بود تا جایزه‌ای ادبی کسب کند!

در میان شرکت‌های ایرانی شرکت خبرکاو اخبار و آموزش‌های انگلیسی زبان را به کمک هوش مصنوعی و یادگیری عمیق براساس دستور زبان فارسی به فارسی ترجمه و منتشر می‌کند

خدمات آنلاین و تلفنی به مشتریان

[ویرایش]

یک پشتیان روی خط خودکار بوده که خدمات مشتری را در صفحه وب تأمین می‌کند.

هوش مصنوعی در پشتیبان‌های خودکار برخط اجرا می‌شود که مانند آواتار روی صفحه وب قابل مشاهده هست. همچنین می‌تواند با کاهش عملکرد و و مدیریت هزینه‌ها برای موسسات بازرگانی مفید باشد. . رشته‌ای که مبنای این تکنولوژی این چنین سیستم‌ها را تشکیل می‌دهد، پردازش طبیعی زبان نام دارد. پایپ‌استریم، خدمات خودکار به مشتری را، برای اپلیکیشن‌های گوشی که برای کارآمدی ارتباط با مشتری طراحی شده است، به کار می‌گیرد.

عمده شرکت‌ها در حال تحقیق در زمینه هوش مصنوعی هستند تا در آینده، کار مشتریان ناخشنود را راه بیندازند. بیشترین توسعه‌های اخیر گوگل بر روی تحلیل زبان و تبدیل کلام به متن نوشتاری بوده است. این قابلیت می‌تواند مشتریان عصبانی را از روی لحن زبانشان شناسایی کرده و به‌طور مناسب پاسخ می‌دهد. .

الکترونیک قدرت

[ویرایش]

مبدل‌های الکترونیک قدرت یک تکنولوژی فعال در زمینه انرژی‌های تجدیدپذیر، ذخیره انرژی، حمل و نقل برقی، سیستم‌های انتقال جریان مستقیم ولتاژ- بالا در شبکه‌های برقی می‌باشند. این مبدل‌ها مستعد خرابی‌هایی هستند که می‌تواند موجب از کار افتادگی شود که احتمالاً نیازمند تعمیر و نگهداری پرهزینه‌ای خواهد بود. یا حتی خرابی ممکن است منجر به نتایجی فاجعه بار در اپلیکیشن مدیریت بحران داشته باشد. محققان سعی دارند با استفاده از هوش مصنوعی پردازش طراحی خودکار را برای مبدل‌های الکترونیک قدرت قابل اعتماد ایجاد نمایند. این امر با محاسبه دقیق پارامترهای طراحی به‌دست می‌آید که عمر مطلوب مبدل را تحت مأموریت مشخص شده تضمین می‌کند. .

حسگرها

[ویرایش]

هوش مصنوعی با تکنولوژی بسیاری از حسگرها ترکیب شده است. مانند طیف‌سنج دیجیتال آیدی کوریا؛ که بسیاری از اپلیکیشن‌ها را مانند نظارت بر کیفیت آب خانه فعال می‌کند.

تعمیر و نگهداری از راه دور

[ویرایش]

بسیاری از شرکت‌های مخاب راتی از جستجوی اکتشافی در مدیریت نیروهای کار استفاده می‌کنند. برای مثال گروه بی تی، جستجوی اکتشافی را در اپلیکیشن زمان‌بندی قرار داده است به طوریکه برنامه کاری ۲۰۰۰۰ مهندس را پشتیبانی می‌کند.

اسباب بازی‌ها و بازی‌ها

[ویرایش]

در دهه ۹۰ میلادی مشاهده شد برخی از اولین کوشش‌ها برای آموزش یا اوقات فراغت جهت تولید انبوه داخلی، توجه خود را معطوف گونه‌های از هوش مصنوعی اساسی کردند. این امر همراه با انقلاب دیجیتال به شدت موفقیت‌آمیز بود. همچنین به مردم خصوصاً کودکان، زندگی رو به رو شدن با انواع هوش مصنوعی، به خصوص در قالب تاماگوتچیس و گیگا پت و آیپد تاچ، اینترنت و اولین ربات که به صورت گسترده عرضه شد، فوربی، معرفی کرد. تنها یکسال بعد یک گونه بهبود یافته ربات ساخت داخل در قالب Aibo، سگ ربات نما با ویژگی‌های هوشمند و با قدرت اختیار، عرضه شد.

شرکت‌هایی مانند متل (Mattel) در حال ساخت مجوعه ای از اسباب بازی‌هایی برای کودکانی در سن ۳سالگی بوده‌اند که فعالیتشان با هوش مصنوعی انجام می‌شود. با استفاده از ماشین‌های هوش مصنوعی مخصوص و ابزارهای تشخیص کلام، آنها قادرند تا گفتگو را بشنوند، پاسخ‌های هوشمند بدهند و به سرعت فرابگیرند.

هوش مصنوعی هم چنین در بازی‌های رایانه ای نیز به کار گرفته شده است. مانند ربات‌های بازی رایانه ای که برای مبارزه به عنوان حریف، برای زمانی که فرد دیگری در دسترس نیست، طراحی می‌شوند.

حمل و نقل

[ویرایش]

کنترل‌کننده‌های منطق فازی برای جعبه دنده‌های خودکار خودروها رشد کرده‌اند. به عنوان مثال آاودی تی تی مدل ۲۰۰۶، وی دابلیو تاورگ [نیازمندی ارجاع] و دابلیو وی کاراول قابلیت انتقال DSP را دارند که از منطق فازی کمک می‌گیرند. تعدادی دیگر از انواع اسکودا نیز به‌طور پیوسته کنترل‌کننده برپایه منطق فازی را شامل می‌شوند.

خودروهای امروزی هم‌اکنون ویژگی‌های دستیار راننده برپایه هوش مصنوعی، مانند پارک خودکار و کروز کنترل پیشرفته، را دارا می‌باشند. از هوش مصنوعی برای بهینه‌سازی در اپلیکیشن‌های مدیریت ترافیک نیز استفاده شده است به طوریکه به ترتیب زمان انتظار، مصرف انرژی، آلاینده‌ها را به اندازه ۲۵درصد کاهش می‌دهد. در آینده خودروهای تمام خودکار توسعه خواهند یافت. از هوش مصنوعی در حوزه حمل نقل انتظار می‌رود آن را امن، کارا و قابل اعتماد سازد و درعین حال آسیب‌های اجتماعی و محیط زیستی را به حداقل برساند. چالش عمده در توسعه این نوع از هوش مصنوعی این واقعیت است که سیستم‌های حمل و نقلی ذاتاً پیچیده هستند که با مولفه‌ها و جمعیت بسیاری درگیرند به طوریکه هرکدام اهداف مختلف و بعضاً در تضاد با هم دارند. با توجه به این حجم از پیچیدگی در حمل و نقل، و به‌طور خاص خودروهای خودپیشران، امکان تحقق یک الگوریتم هوش مصنوعی در حوزه رانندگی در دنیای واقعی، در بسیاری از موارد وجود ندارد. برای فائق آمدن بر چالش تحقق شبکه‌های عصبی برای رانندگی خودکار، روش‌هایی برپایه توسعه مجازی به ترتیب آزمایش نوارابزار مطرح شده‌اند.

ویکی‌پدیا

[ویرایش]

مطالعات مربوط به ویکی‌پدیا از هوش مصنوعی برای پشتیبانی از عملیات مختلف استفاده کرده است. یکی از مهم‌ترین موارد - تشخیص خودکار خرابکاری و ارزیابی کیفیت داده در ویکی‌پدیا می‌باشد.

گروه مؤسسه ویکی‌پدیا مدلی را ارایه داده که برای شناسایی خرابکاری، اسپم و حمله شخصی طراحی شده است.

منابع

[ویرایش]
  1. «هوش مصنوعی». spono.ir.
  2. . ۱۴۰۳-۰۳-۲۵. پارامتر |عنوان= یا |title= ناموجود یا خالی (کمک); پارامتر |پیوند= ناموجود یا خالی (کمک); پارامتر |تاریخ بازیابی= نیاز به وارد کردن |پیوند= دارد (کمک)
  3. . ۱۴۰۲-۱۱-۱۵. پارامتر |عنوان= یا |title= ناموجود یا خالی (کمک); پارامتر |پیوند= ناموجود یا خالی (کمک); پارامتر |تاریخ بازیابی= نیاز به وارد کردن |پیوند= دارد (کمک)
  4. Stocker, Sina; Csányi, Gábor; Reuter, Karsten; Margraf, Johannes T. (2020-10-30). "Machine learning in chemical reaction space". Nature Communications (به انگلیسی). 11 (1). doi:10.1038/s41467-020-19267-x. ISSN 2041-1723.
  5. Fernando Gomollón-Bel, special to C&EN (2022-05-23). "Chemists debate machine learning's future in synthesis planning and ask for open data". C&EN Global Enterprise. 100 (18): 22–23. doi:10.1021/cen-10018-feature2. ISSN 2474-7408.
  6. Paul, Debleena; Sanap, Gaurav; Shenoy, Snehal; Kalyane, Dnyaneshwar; Kalia, Kiran; Tekade, Rakesh K. (2021-01). "Artificial intelligence in drug discovery and development". Drug Discovery Today (به انگلیسی). 26 (1): 80–93. doi:10.1016/j.drudis.2020.10.010. {{cite journal}}: Check date values in: |date= (help)
  7. یادکرد خالی (کمک)
  8. Zhang, Bijun; Fan, Ting (2022-08-23). "Knowledge structure and emerging trends in the application of deep learning in genetics research: A bibliometric analysis [2000–2021]". Frontiers in Genetics. 13. doi:10.3389/fgene.2022.951939. ISSN 1664-8021.
  9. Radivojević, Tijana; Costello, Zak; Workman, Kenneth; Garcia Martin, Hector (2020-09-25). "A machine learning Automated Recommendation Tool for synthetic biology". Nature Communications (به انگلیسی). 11 (1). doi:10.1038/s41467-020-18008-4. ISSN 2041-1723.
  10. Carbonell, Pablo; Radivojevic, Tijana; García Martín, Héctor (2019-07-19). "Opportunities at the Intersection of Synthetic Biology, Machine Learning, and Automation". ACS Synthetic Biology (به انگلیسی). 8 (7): 1474–1477. doi:10.1021/acssynbio.8b00540. ISSN 2161-5063.
  11. Gadzhimagomedova, Z. M.; Pashkov, D. M.; Kirsanova, D. Yu.; Soldatov, S. A.; Butakova, M. A.; Chernov, A. V.; Soldatov, A. V. (2022-02). "Artificial Intelligence for Nanostructured Materials". Nanobiotechnology Reports (به انگلیسی). 17 (1): 1–9. doi:10.1134/S2635167622010049. ISSN 2635-1676. {{cite journal}}: Check date values in: |date= (help)
  12. Chen, Angela (25 April 2018). "How AI is helping us discover materials faster than ever". The Verge. Retrieved 30 May 2022. پارامتر |عنوان= یا |title= ناموجود یا خالی (کمک); پارامتر |پیوند= ناموجود یا خالی (کمک)
  13. Reed, Todd R.; Reed, Nancy E.; Fritzson, Peter (2004). "Heart sound analysis for symptom detection and computer-aided diagnosis". Simulation Modelling Practice and Theory. 12 (2): 129–146. doi:10.1016/j.simpat.2003.11.005.
  14. Yorita, Akihiro; Kubota, Naoyuki (2011). "Cognitive Development in Partner Robots for Information Support to Elderly People". IEEE Transactions on Autonomous Mental Development. 3: 64–73. CiteSeerX 10.1.1.607.342. doi:10.1109/TAMD.2011.2105868.
  15. "Artificial Intelligence Will Redesign Healthcare – The Medical Futurist". The Medical Futurist (به انگلیسی). 2016-08-04. Retrieved 2016-11-18.
  16. Luxton, David D. (2014). "Artificial intelligence in psychological practice: Current and future applications and implications". Professional Psychology: Research and Practice. 45 (5): 332–339. doi:10.1037/a0034559.
  17. "From Virtual Nurses To Drug Discovery: 90+ Artificial Intelligence Startups In Healthcare". CB Insights – Blog. 2016-08-31. Retrieved 2016-11-18.
  18. "Press Release: FDA permits marketing of IDx-DR for automated detection of diabetic retinopathy in primary care". Eye Diagnosis. April 12, 2018. Archived from the original on 9 July 2018. Retrieved 11 September 2018.

پیوند به بیرون

[ویرایش]