اپلیکیشن زینگ | باربری آنلاین
زینگ - سامانه جامع حمل و نقل

تماس تلفنی
 
گفتگو آنلاین
 
دانلود زینگ
خانه دانلود اپلیکیشن زینگ آشنایی با زینگ فروشگاه خدمات اطلاعاتی همکاری با ما تماس با ما
زینگ - سامانه جامع حمل و نقل کشوری

تماس تلفنی

گفتگو آنلاین

دانلود زینگ

جستجو

هوش مصنوعی اخیرا به یکی از داغ ترین مباحث دنیای کسب و کار تبدیل شده، ولی با این حال هنوز راه زیادی باید طی شود تا بتوان از پتانسیل بالای آن برای مصارف کاربردی در زندگی روزمره و صنایع مختلف بهره برد. اکنون بسیاری از شرکت های بزرگ مانند گوگل، مایکروسافت و اپل از این تکنولوژی بهره برده اند، اما راهکارهای آن ها عموما برای صنایع و مشکلات دیگر جوابگو نیست. مشکل کجاست؟

مشکل کجاست؟
مشکل اصلی اینجاست که روش های شرکت های بزرگ حوزه تکنولوژی برای باقی صنایع پاسخگو نیست. بنیاد MAPI برای مثال صنعت تولیدات را رصد کرده و به این نتیجه رسیده است که تنها 5 درصد از 200 تولید کننده برتر از استراتژی های مشخص برای تعبیه هوش های مصنوعی در کسب و کار خود استفاده می کنند. این بنیاد همچنین با 1500 مدیر اجرایی 16 صنایع و شرکت های مختلف صحبت کرده که از میان ها 76 درصد عنوان می کنند با تعبیه هوش های مصنوعی در کسب و کار خود به مشکل برخورده اند.

اگر این مشکلات را با غول های اینترنتی مقایسه کنید، می بینید که هوش های مصنوعی بخش اعظمی از کارها را برای آن ها انجام می دهند؛ از اعلام نتایج جستجوها گرفته تا ارائه ترجمه متون و تبلیغات هدف دار. در نتیجه برای این که هوش مصنوعی بتواند به کل پتانسیل خود برسد، باید تکنیک های جدیدی توسعه داده شود تا بتوان آن ها را بهتر در صنایع مختلف تعبیه کرد. برای این کار چند راه کار اساسی وجود دارد که صنایع مختلف باید نگاهی ویژه به آن ها داشته باشند.

1) استفاده از داده های کوچک
اولین راه کار استفاده از داده های کوچک است. شرکت های بزرگ معمولا داده های میلیاردها کاربر را جمع آوری می کنند و از آن برای آموزش مدل های هوش مصنوعی خود بهره می برند. تکنیک هایی که این شرکت ها استفاده می کنند باید به عنوان سرلوحه ای برای کمپانی های کوچک تر قرار گیرد تا آن ها هم بتوانند به کمک داده های کوچک تر، هوش مصنوعی خود را تعلیم دهند.

برای مثال تصور کنید یک کارخانه می خواهد از هوش مصنوعی برای شناسایی خط و خش های روی بدنه گوشی ها استفاده کند. هیچ سازنده گوشی هوشمندی میلیون ها گوشی خط و خش دار در دسترس ندارد تا از همه آن ها عکس گرفته و به خورد هوش مصنوعی خود دهد. در نتیجه باعث می شود آن ها داده های کافی در اختیار نداشته باشند تا هوش مصنوعی خود را به درستی تعلیم دهند و عموما مجبور هستند با 100 مدل عکس، کار را تمام کنند.

استفاده از روش های تولید داده های مصنوعی حیاتی است.
خوشبختانه تکنولوژی های داده های مصنوعی کوچک برای جبران چنین مشکلاتی توسعه داده شده اند. برای مثال یک روش تولید داده وجود دارد که شما به آن 10 عکس از خط و خش های نایاب را می دهید و به کمک این روش، می توانید 1000 عکس مصنوعی دیگر را تحویل بگیرید. سپس می توان این 1000 عکس را به هوش مصنوعی داد تا یادگیری از آن ها را شروع کند.

روش دیگری در این بین وجود دارد که برای مثال هوش مصنوعی ده هزار عکس از فرورفتگی بدنه گوشی های مختلف را مشاهده می کند تا به کلیت فرورفتگی آشنا شود. سپس از این دانش در شناسایی فرورفتگی های مشخص در یک محصول خاص بهره گیرد و برای این کار تنها از چند عکس محدود آن محصول خاص استفاده کند. تنها به کمک همین داده های مصنوعی کوچک است که می توان از هوش مصنوعی در صنایع کوچک تر مانند، کشاورزی، خدمات درمانی و تولیدات بهره برد.

2) کم کردن فاصله بین دنیای واقی و دنیای آموزشی
راه کار دوم برای به کارگیری هوش مصنوعی این است که فاصله بین دنیای آموزشی آن ها را با شرایط واقعی کم کنیم. تاکنون هوش های مصنوعی زیادی دیده ایم که در دنیای آموزشی و تحقیقات با دقت بالایی عمل می کنند، اما به محض این که از آن ها در شرایط واقی استفاده می شود، معمولا ناتوان خواهند شد. ملموس ترین مثالی که می توان برای این مشکل زد، هوش های مصنوعی مخصوص، برای تشخیص عکس های رادیولوژی است.

بسیاری از محققین توانسته اند هوش مصنوعی قدرتمندی توسعه دهند که عکسی های رادیولوژی را با دقت بسیار بیشتری از یک رادیولوژیست خبره تشخیص می دهد با این حال بسیار کم پیش می آید که چنین سیستم هایی را در بیمارستان ها مشاهده کنیم. یکی از دلایل شرایط کنترل شده تحقیقات است که هوش مصنوعی طی شرایط خاصی با داده های با کیفیت مواجه می شود و از آن ها یاد می گیرد.

باید شرایط آموزش هوش مصنوعی با شرایط واقعی به کارگیری آن یکسان باشد.
با این حال اگر همین هوش های مصنوعی را در یک بیمارستان به کار ببریم، می بینیم که عملا در تشخیص تصاویر رادیولوژی ناتوان است، زیرا هم عکس ها کیفیت کمتری دارند و هم پروتکل های جمع آوری آن ها متفاوت است. برای حل این مشکل می توان تنها زمانی از هوش مصنوعی استفاده کرد که مطمئنیم می تواند شرایط را به درستی تشخیص دهد. این هوش مصنوعی در کنار یک رادیولوژیست ماهر می تواند یاد بگیرد تا در آینده وظایف سنگین ترین به آن محول شود.

3) شناخت پتانسیل منفی هوش مصنوعی
راه کار سوم بیشتر شبیه یک نوع اخطار برای کمپانی های غیر تکنولوژیک است. هوش مصنوعی این پتانسیل را دارد تا مشتری ها، کارفرمایان و سهام داران را گمراه و برخی از پروسه های اداری را مختل کند. تصور کنید از هوش مصنوعی برای کمک کردن به پزشکان اورژانس در اتاق تریاژ استفاده شود. این تکنولوژی و تشخیصی که به همراه دارد، پزشک، پرستار و کارگزاران بیمه را تحت تأثیر قرار می دهد. به همین دلیل برای این که پروژه ها روند پیشین خود را پیش ببرند، باید با این تکنولوژی خو بگیرند تا بتوانند از ویژگی های افزوده آن بهترین استفاده را کنند.

بسیاری از کمپانی ها نظارت انسان بر هوش های مصنوعی را نادیده می گیرند و همین باعث می شود برای جبران مافات مدتی کسب و کار خود را تعلیق کنند. به همین دلیل بسیاری از این شرکت ها باید تمامی عوامل دخیل در استفاده از هوش مصنوعی را شناسایی کنند؛ خواه به صورت مستقیم و خواه به کمک واسطه ها. اکثر گروه ها در شرکت ها تصمیمات را به صورت جمعی اتخاذ می کنند و به همین دلیل بسیار مهم است که تعبیه هوش مصنوعی در این سیستم ها با حداقل تداخل صورت گیرد.

4) تخصیص زمان کافی
راه کار دیگر تخصیص زمان کافی برای تعبیه هوش های مصنوعی در سیستم های کاری شرکت هاست. آن ها باید زمان کافی برای ارزیابی هر بخش از کار را داشته باشند تا بتوانند تشخیص دهند هر شغلی چگونه با تعبیه هوش مصنوعی سازگار می شود. همچنین باید به کارمندان توضیح داده شود که هوش مصنوعی از چه طریقی می تواند به آن ها کمک کند تا وظایف خود را بهتر انجام دهند.

شرکت ها باید افراد خاطی را کمی تحت فشار بگذارند، زیرا بسیار از آن ها نسبت به هوش مصنوعی جبهه گرفته و نسبت به استفاده از آن ها مستأصل هستند. در نتیجه آموزش های ابتدایی هوش مصنوعی به این کارمندان می تواند روند این تغییرات را ساده تر کند. همچنین شرکت ها باید به صورت مستمر هوش مصنوعی خود را تست کنند و نتایج مثبت آ ن ها را به کارمندان نشان دهند. برای این منظور، پیشنهاد می شود در ابتدا هوش مصنوعی تنها در بخشی از یک کارخانه یا کمپانی استفاده شود و با موفقیت آن، به مرور به بخش های دیگر نیز راه پیدا کند.

نتیجه گیری
هوش های مصنوعی می توانند تا سال 2030 نزدیک 15.7 تریلیون دلار درآمدزایی کند و بخش مهمی از این درآمد از جایی خارج از سیلیکون ولی حاصل خواهد شد. هوش مصنوعی در حال تغییر تمامی صنایع است و به همین دلیل بهتر است کسب و کارها از همین ابتدا به فکر تعبیه درست آن در شرکت های خود باشند.

نظر شما
نام و نام خانوادگی:

شماره تماس (نمایش داده نمی شود):

کد امنیتی: captcha

متن پیام: (نظر شما پس از بررسی منتشر خواهد شد)


مطالب مرتبط:
نماد اعتماد الکترونیک ساماندهی گواهی شامد ثبت نرم افزار
نماد اعتماد الکترونیک نشان ملی ثبت گواهی شامد ارشاد

         

© کلیه حقوق مادی و معنوی این وب سایت متعلق به داده پردازان هومان پویان می باشد.


مخفی کردن >>