هوش مصنوعی (سنتز گفتار)

سنتز گفتار (SPEECH SYNTHESIS) چیست؟
به گزارش دانشجو اینترنشنال تبدیل متن به گفتار یا (TEXT-TO-SPEECH) سیستمی است کامپیوتری، که دارای قابلیت خواندن (READ) هرگونه نوشته دیجیتالی را دارد. تبدیل متن به گفتار در حقیقت ارتباطی است دو طرفه میان کامپیوتر و انسان؛ که توانایی تشخیص کلمات و لحن متن نوشته شده و بیان آن در کامپیوتر وجود دارد. تشخیص نوشتار و بیان آن به صورت گفتاری مهم‌ترین وظیفه‌‌ی کامپیوتر در این فرآیند است. تولید آوا از روی یک متن یکی از جنبه‌های مهم و کاربردی در پردازش سیگنال گفتار است. به تبدیل متن به گفتار، سنتز گفتار (SPEECH SYNTHESIS) نیز اطلاق می‌شود.

متن‌خوان در جهت پویایی و آزادی
تبدیل متن به گفتار کاربردهای بسیار زیادی دارد. یکی از این کاربردها کمک به کودکانی است که به تازگی خواندن و نوشتن را شروع کرده‌اند و هنوز در خواندن مشکل دارند. کاربرد دیگر این نوع محصولات، برای استفاده در گویا کردن وب‌سایت‌ها بوده، به این گونه که گویا کردن وب سایت ها به ویژه وبسایت های خبری و تحلیلی، علاوه بر این که برای نابینایان می‌تواند مفید باشد، برای بسیاری از بازدیدکنندگان نیز سودمند است. زیرا بسیاری از افراد، شنیدن یک متن طولانی را به خواندن آن ترجیح می‌دهند.
استفاده از تکنولوژی تبدیل متن به گفتار، باعث می‌شود تا هر محتوای دیجیتالی به یک تجربه چند رسانه‌ای تبدیل شود. به همین دلیل افراد می‌توانند هم زمان در هنگام استفاده از این سرویس‌ها چندین کار را با هم انجام دهند. برای مثال یک فرد می‌تواند هم زمان به اخبار، مقالات یک وبلاگ و یا یک فایل PDF گوش دهند. ممکن است افرادی نیز باشند که خواندن یک کتاب به صورت متنی برایشان کسل‌کننده باشد اما اگر همین کتاب به صورت صوتی برایشان قرائت شود، حس بهتری دارند و تأثیرگذاری مطالب آن کتاب بیشتر خواهد بود. علاوه‌بر این، تبدیل متن به گفتار، می‌تواند علتی برای کاهش سوانح رانندگی (خواندن پیامک و متون داخل تلفنهای همراه) و یا راهی برای یادگیری زبان توسط زبان آموزان باشد.

متن‌خوان در جهت یادگیری پیشرفته
با همراهی و فعال کردن هم زمان دو قابلیت نمایش بصری و شنیداری، تکنولوژی تبدیل متن به گفتار می‌تواند به بهبود درک، به یاد ماندن،
توانایی استفاده از واژگان، افزایش دایره واژگان و… کمک‌های بسیاری کند. به خصوص در پلتفرم‌های یادگیری الکترونیکی، استفاده از تبدیل متن به گفتار، می‌تواند بسیاری از مشکلات را در زمینه یادگیری حل کند. در کاربردهایی که تولید متن به صدا در موضوعات تخصصی مورد نیاز باشد، پایگاه داده، با واژگان و اصطلاحات حوزه مورد نظر مشتری تطبیق داده می‌شود تا مبدل نوشتار به گفتار برای نوشته‌های تخصصی نیز صدایی صحیح و طبیعی تولید نماید.

دسترسی سریع تر و راحت تر به مطالب مورد نیاز
برنامه‌ها و یا اپلیکیشن‌هایی که از تبدیل متن به گفتار استفاده می‌کنند، به این‌صورت که یک رابط کاربری جدید برای کاربران خود ایجاد می‌کنند که یک راه جایگزین برای به دست آوردن اطلاعات و دسترسی به آنچه که می‌خواهند باشد. این راه جایگزین برای تمامی کاربران، چه افرادی که سواد دارند و قادر به خواندن هستند چه کسانی که سواد کمی دارند و یا بی سواد هستند، کاربردی است. با استفاده از سرویس نوشتار به گفتار، توسعه‌دهندگان نرم افزارها در تمامی پلتفرم‌ها و سیستم‌عامل‌ها می‌توانند قابلیت متن‌خوان را به محصولات خود اضافه نمایند. بنابراین برنامه‌نویسان نرم‌افزارهای ویندوز (Windows)، لینوکس (Linux)، مک (Mac, iOS) یا اندروید (Android) به راحتی می‌توانند از تولید گفتار استفاده کنند.

هوش مصنوعی زنبور عسل از معدود مباحثی که اواخر بدان پرداخته می شود. در دوران اخیر، هوش مصنوعی پیشرفت بسیار چشمگیری داشته و تا به امروز در سیستم های هوشمند متعددی مورد استفاده قرار گرفته است. با توسعۀ این تکنولوژی گام مؤثری در دنیای تجهیزات هوشمند برداشته شده، چراکه قابلیت‌های زیادی را به دستگاه‌ها اضافه کرده بطوریکه دستگاه‌های مختلفی توسعه یافته اند که با دارا بودن هوش مصنوعی و پیروی از یادگیری ماشینی کار بشریت را ساده تر کرده‌اند.

بسیاری معتقدند این تکنولوژی به افراد بلندپرواز اختصاص دارد، اما اگر شما فردی مانند جیمز مارشال، استاد علوم کامپیوتر در دانشگاه شفیلد انگلستان باشید که روی دستگاه‌های کوچک تمرکز دارند، هوش مصنوعی چه کمکی به شما میکند؟

شروع با شرکت های هوش مصنوعی

“از اینجا به بعد برای راحتی خودم و شما ترجیح میدم از لفظ گفتاری یا محاوره‌ای استفاده کنم”

اگه بخوایم خیلی دقیق دربارۀ دستاوردهای این شخص صحبت کنیم، باید بگیم که وی شرکتی نوپا بنام Opteran Technologies داره که به بخاطر موفقیت‌های اخیرش، مبلغ ۲٫۸ میلیون دلار از سوی اسپانسرها، برای ادامه کار دریافت کرده. امروزه، بیشتر شرکت‌ها و محققان در حال کار و تحقیق روی ذهن انسان هستند و قصد دارند موارد مشابه با اون رو خلق کنند، اما این کاری نیست که مارشال قصد انجام دادنش رو داشته باشه!

مارشال نگاهش رو روی چیز کوچیکتری معطوف کرده و با تقلید از اون، قدمی بزرگ در دنیای تکنولوژی برداشته. موجودی که مارشال قصد ساختن نمونۀ مشابه مغزش رو داره خیلی کوچیکتر از آدمه؛ شاید باورش براتون سخت باشه اما جیمز مارشال قصد داره که یک نمونه از هوش مصنوعی زنبور عسل رو بسازه!

طراحی هوش اختصاصی شده برای ربات ها

بر اساس مقالۀ منتشر شده در Digital Trends، مغز انسان از بخش‌های مختلفی تشکیل شده و عملکرد پیچیده‌ای داره؛ در مقابل اون، مغز زنبور عسل اندازه بسیار کوچیکتری داشته و از نظر فنی ساده‌تره.

تا جایی که محققان متوجه شدند که مغز انسان حدود ۸۶ میلیارد نورون داره و حجم اون ۱۲۷۴ سانتی‌متر مکعبه؛ این در حالیه که مغز زنبور عسل تنها یک میلیون نورون داره و تقریبا میشه اون رو روی یک سر سوزن قرار داد! با همین مقایسه ساده میشه نشون داد که تا چه حد خلق هوش مصنوعی زنبور عسل با مغز انسان میتونه متفاوت باشه.

خب پس مهندسی مجدد هوش مصنوعی زنبور عسل طبیعتاً خیلی ساده‌تر از ساختن هوش مصنوعی انسانه. در واقع الان، بزرگترین شبکه‌های عصبی، دارای تعداد قابل توجهی نورون مصنوعی هستند که خیلی از تعداد واقعی اونها در مغز یک زنبور عسل بیشتره. اگه نورون‌های مصنوعی تنها گزینه‌های لازم برای ساخت یک هوش قابل مقایسه با یک حیوان واقعی بودند، ما الان باید هوش مصنوعی‌ای در اختیار داشته باشیم که از نظر ضریب هوش به مراتب پیشرفته‌تر از یک قورباغه عمل کنه. اما نیازی به گفتن نیست که ما به موارد خیلی بیشتری برای ساخت هوش مصنوعی نیاز داریم و نورون‌ها تنها گزینه‌های لازم نیستند.

مارشال در یکی از مصاحبه‌های خود گفت، علاقه‌ی اون نسبت به هوش مصنوعی زنبور عسل وقتی شکل میگیره که توضیحاتی درباره‌ی “پروژه‌های کلان با هدف ساخت یک شبیه‌ساز رایانه‌ای کامل از مغز انسان” شنیده. مارشال درادامه صحبت‌هاش به یک نکته جالبی اشاره میکنه؛ اون در جواب به افرادی که درحال کار روی پروژه‌های کلان شبیه‌سازی مغز انسان هستند گفت:

اگه می‌خواید مدل مغزهای موجود توی این سیاره رو بسازید، چرا با پیچیده‎‌ترین اونها یعنی انسان شروع میكنید؟

ساخت سیستم هوشمندتر مسیریابی

درسته که مغز زنبورهای عسل ساختار ساده‌ای داره و همونطور که قبلاً گفتیم: با مغز انسان قابل مقایسه نیست، اما مهندسی دوباره مغز این موجود به معنی ساخت یه زنبور ساده نیست که تنها بتونه پرواز کنه و از گلی به گل دیگه بره. مطمئناً ورای این پروژه، کاربرد مناسبی برای هوش مصنوعی زنبور عسل ها تعریف شده. مارشال در این باره میگه:

” زنبورها دارای قدرت مسیریابی تصویری کاملی هستند و در ناوبری از راه دور مهارت دارند؛ این حشرات دارای توانایی‌های بسیار پیچیده‌ای برای یادگیری هستند. پتانسیل زنبورها خیلی بیشتر از اون‌ چیزیه که انسان‌ها تصورش بکنند و میشه از هوش مصنوعی اونها استفاده‌های مختلفی کرد. این موجودات بصورت فردی خیلی باهوش هستند.

تحقیقات قبلی نشون دادند که زنبورهای عسل قادرند چالش‌های سختی رو در کسری از ثانیه پشت سر بگذارند، مواردی که شاید فقط ابررایانه‌های خاص میتونند در این زمان کم اونها رو حل کنند. یکی از این چالش‌ها مسئله فروشنده دوره‌گرد (Travelling salesman problem) بود که برای زنبورها با استفاده از محاسبۀ کوتاه‌ترین فاصلۀ موجود بین چند گل که در حالت‌های رندوم قرار داشتند، مورد آزمایش قرار گرفت.

بنابراین ساخت نسخه‌ای از هوش مصنوعی زنبور عسل میتونه به توسعه ابزارهای پیچیدۀ مسیریابی کمک کنه. این ابزارها میتونند سبک، بسیار کم‌مصرف و دارای دستورالعمل‌هایی با کارایی بالاتر باشند. همچنین اونها میتونند از طریق یادگیری ماشین حتی از قبل نیز پیشرفته‌تر باشند و عملکرد بهتری نشنون بدند. دیوید راجان، مدیرعاملOpteran  گفت:

اگه بخوایم کمی به چشم‌اندازهای دورتر نگاه کنیم، تکنولوژی این شرکت میتونه تجهیزات مورد نیاز برای پیشرفت هرچه بیشتر هواپیماهای بدون سرنشین آینده، وسایل نقلیه بدون راننده و ربات‌های مختلف رو تأمین کنه.

روش‌های فعلی یادگیری عمیق از انتزاع قشر بینایی مغز و مراجعه به مرکز تشخیص بصری اون، الهام گرفته شده. در عین حال، الگوریتم‌های الهام گرفته از زنبور عسل Opteran ‌بطور کاملتری نحوۀ عملکرد واقعی مغز رو منعکس میکنند. مارشال میگه:

” وقتی به یک مغز کامل نگاه کنید، ساختار کاملی داره. شما به مناطق مختلفی در مغز دسترسی دارید که هر کدوم اونها کارهای مختلفی انجام میدند که از نظر داخلی، ساختارهای مختلفی دارند ولی در عین حال ارتباطات مشخصی نیز بین اونها دیده میشه.

راجان، که رویکرد این شرکت در الگوریتم‌های مغز الهام گرفته شده از بیومتریک رو اساساً متفاوت از رویکردهای فعلی توصیف میکنه، میگه که اسم این فناوری رو نمیشه گذاشت هوش مصنوعی، بلکه به نظر اون اسم چنین فرایندی «هوش طبیعی» (natural intelligence) ست.

داشتن یک میلیون سلول عصبی و تعداد زیادی سیناپس، پایان ماجرا نیست. بحث اصلی در نحوه اتصال اونها به همدیگه نهفته‌ست. همچنین نوع پردازش اطلاعات که در سطح نورون انجام میشه هم روی هوش مصنوعی تأثیر داره، چون اگرچه اغلب فقط یک نوع نورون در یک شبکه عمیق دیده میشه اما، بیش از یک نوع نورون در مغز واقعی وجود دارند.

فرصت های پیش روی پروژه هوش مصنوعی زنبور عسل

رویکرد این شرکت نوپا در زمینه فناوری هوش مصنوعی زنبور عسل چندین مورد خیلی امیدوارکننده داره. الگوریتم این هوش مصنوعی با کارایی بالای خودش، به میزان قابل توجهی انرژی کمتری نسبت به سیستم‌های کامپیوتری سنگین مصرف خواهد کرد. این مسئله میتونه خیلی مهم باشه چراکه حفظ انرژی به یکی از اصلی‌ترین دغدغه‌های بشر تبدیل شده.

کارخانه هوش مصنوعی به چه معناست و چطور کسب‌وکارها را دگرگون می‌کند؟

نکته اساسی اینه که سازندگان اون قول دادند که هیچ آموزشی برای تمرین دادن به این هوش مصنوعی لازم نخواهد بود. این مسئله نشون میده که در شرایط سخت میشه به این تکنولوژی بیشتر از گزینه‌های دیگه اعتماد کرد. علاوه بر این، هوش مصنوعی زنبور عسل ساخته شده توسط Opteran قابل پیش‌بینی بوده و قوانین کاملا واضح و شفافی داره؛ همین مسئله به اون نسبت به باقی گزینه‌های موجود که کاملا برای کاربر مشخص نیستند، برتری میبخشه.

Opteran اولین محصولات تجاری خودش رو طی هجده ماه آینده عرضه خواهد کرد. از این وسایل و تجهیزات میشه به تکنولوژی جلوگیری از مانع (obstacle avoidance)، مسیریابی واکنشی (reactive navigation) و تصمیم‌گیری مستقل (autonomous decision-making) اشاره کرد. همچنین یک قابلیت فوق‌العاده هم بنامOpteran See  در راه بود که در واقع یک دوربین ۳۶۰ درجه کامله.

مسلماً تا زمانیکه این تکنولوژی به شکل عملی مشاهده نشه، هنوز جای شک و شبه در رابطه با هوش مصنوعی زنبور عسل وجود خواهد داشت. تاالان که خیلی از پروژه‌های بسیار خوب بخاطر عدم وجود منابع کافی با شکست مواجه شده‌اند و ما نمیخوایم بسرعت دربارۀ هوش مصنوعی زنبور عسل قضاوت کنیم.

اما چیزی در دیه میشه اینه که علائم اولیه پروژۀ این شرکت امیدوار کننده هستند. یک آزمایش که اخیراً انجام شد این بود که از تکنولوژی Opteran برای هدایت یک هواپیمای بدون سرنشین کوچک که زیر ۲۵۰ گرم وزن داشته استفاده کردند. این وسیلۀ کوچیک دارای کنترل کاملاً مستقل و خودمختار بود و از یک دوربین پاناراما با وضوح پایین استفاده میکرد. هواپیمای بدون سرنشین که مثل یک زنبورعسل فکر میکنه؟! این مطمئناً مطلبیه که باید بهش دقت بشه …

اما یک مسئله نهایی درباره شبیه‌سازی کردن مغز موجودی مثل زنبور عسل وجود داره؛ ما اصلاً از کجا باید متوجه بشیم که توسنتیم این کار رو با موفقیت انجام بدیم؟ از این گذشته، همونطور که دانشمندان برجسته مغز و اعصاب اشاره میکنند، موارد زیادی وجود داره که ما هنوز در مورد مغز نمیدونیم، بنابراین نمیتونیم امیدوار باشیم که مهندسی معکوس این عضو پیچیده با موفقیت کامل انجام شده.

آیا علم انسان به قدری پیشرفت کرده است که بتونه تمام نقاط اصلی و ظرایف عملکرد مغز زنبور عسل رو تقلید کند؟ فقط زمانی یک دستگاه میتونه مثل یک زنبور واقعی عمل کنه و کارهایی که سازندگانش ادعا میکنند رو انجام بده که ما بتونیم مغز این موجود رو بطور کامل بشناسیم.

مارشال در این باره گفت:

” چیزی که ما واقعاً از نظر تجاری بهش اهمیت میدیم، رفتار سیستمه. بعنوان یک شرکت تجاری، ما قاطعانه نمیخوایم بگیم اطمینان داریم که روش کار زنبور عسل رو تقلید کرد‌یم. اما، میخوایم بگیم ما اطمینان داریم كه سیستمی رو تولید كردیم كه از نظر رفتاری قویه و به نظر میاد توی شرایط مختلف کارهایی میکنه که یک زنبور عسل واقعی هم همون‌ها رو انجام میده.

مغزت را تقویت کن / بهترین ورزش برای تقویت مغز شناسایی شد

این مسئله به تعریف آلن تورینگ از آزمایش هوش مصنوعی برمیگرده: از کجا میدونید که هوش مصنوعی ایجاد کرد‌ید؟ واقعاً نمیتونید به درونش نگاه کنید و بگید، «بله، این یک هوش مصنوعی‌ست.» برای متوجه شدن این مسئله باید یک تست رفتاری وجود داشته باشه. این معنی واقعی «بازی تقلید» (Imitiation game) هست؛ چه زمانی میتونید یک ناظر انسانی رو فریب بدید تا فکر کنه در حال صحبت کردن با یک انسان واقعیه یا یک هوش مصنوعی که توسط انسان ساخته شده؟ “

در نتیجه باید پس از نهایی شدن این تکنولوژی اون رو مورد آزمایش قرار داد. بطور کلی، ایدۀ ساخت چنین هوش مصنوعی زنبور عسل بسیار جالب و کاربردیه. همیشه جواب در موارد پیچیده و بزرگ نیست، گاهی مشاهده کردن موارد کوچیک هم میتونه کمک شایانی به پیشرفت علم کنه. برای مثال، برای ساخت هواپیما از حشرات و پرنده‌ها الهام گرفته شد. شاید الان زمان اون رسیده که بار دیگه به موجوداتی توجه کنیم که مدتیه اونها رو فراموش کردیم. شاید ساخت نسخه‌ای از هوش مصنوعی زنبور عسل بتونه آیندۀ انسان‌ها را بهبود ببخشه …

طراحی هوش اختصاصی شده برای ربات ها

سیستم جدید معماری سخت افزاری را برای تسریع در زمان پاسخ ربات ها طراحی می کند.

ربات های جدید می توانند به سرعت حرکت کنند. صابرینا نئومن می گوید: “موتورها سریع و قدرتمند هستند.”

با این حال در شرایط پیچیده ای مثل تعامل با مردم، ربات ها اغلب سریع حرکت نمی کنند. او می افزاید: “خاتمه دادن مکالمه همان چیزی است که در سر ربات می گذرد.”

نئومن مسئول پروژه هوش اختصاصی، که اخیراً با دکترای آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) فارغ التحصیل شده است، می گوید: ادراک “محرک ها” و “محاسبه پاسخ” زمان واکنش را محدود می کند. نئومن راهی برای مبارزه با این عدم تطابق بین “ذهن” و بدن یک ربات پیدا کرده است. این روش که محاسبات روبومورفیک نامیده می شود، از طرح فیزیکی ربات و برنامه های در نظر گرفته شده برای تولید تراشه رایانه ای سفارشی استفاده می کند که زمان پاسخگویی ربات را به حداقل می رساند.

از این پیشرفت می تواند به انواع برنامه های رباتیک، از جمله، به طور بالقوه ای در مراقبت های پزشکی از بیماران مسری، در خط مقدم استفاده شود. نئومن می گوید: “اگر ما بتوانیم ربات هایی داشته باشیم که بتوانند به کاهش خطر بیماران و کارمندان بیمارستان کمک کنند، بسیار خارق العاده خواهد بود.”

نئومن این تحقیق را در کنفرانس بین المللی پشتیبانی معماری زبانهای برنامه نویسی و سیستم عامل در آوریل ارائه خواهد داد. از جمله نویسندگان MIT می توان به دانشجوی کارشناسی ارشد توماس بورگیت و سرینی دیواداس، استاد مهندسی برق ادوین سیبلی وبستر و مشاور دکترای نیومن اشاره کرد. از دیگر نویسندگان این کتاب می توان به برایان پلانچر، تیری تامبه و ویجی جاناپا ردی، همه دانشگاه هاروارد اشاره کرد. نئومن هم اکنون یک دانشجوی نوآوری در رایانه NSF در مقطع دکترا در دانشکده مهندسی و علوم کاربردی هاروارد است.

طبق گفته نئومن که مسئول پروژه هوش اختصاصی شده برای ربات ها است، سه مرحله اصلی در کار یک ربات وجود دارد. اولین مورد، «ادراک» است که شامل جمع آوری داده ها با استفاده از سنسورها یا دوربین ها است. دوم نقشه برداری و بومی سازی است: “نیومن می گوید:” براساس آنچه دیده اند، آنها باید نقشه ای از جهان اطراف خود بسازند و سپس خود را در آن نقشه بومی سازی كنند. ” گام سوم برنامه ریزی و کنترل حرکت است؛ به عبارت دیگر، ترسیم یک مسیر عملی” است.

این مراحل می تواند به زمان و قدرت محاسباتی بسیار زیادی نیاز داشته باشد. پلانچر می گوید: “برای اینکه روبات ها در مزرعه مستقر شوند و با خیال راحت در محیط های پویای اطراف انسان فعالیت کنند، باید خیلی سریع فکر کنند و واکنش نشان دهند.” “الگوریتم های فعلی نمی توانند به اندازه کافی سریع بر روی سخت افزار CPU فعلی اجرا شوند.”

نئومن اضافه می کند که محققان در حال بررسی الگوریتم های بهتری بوده اند ، اما او فکر می کند تنها بهبود نرم افزار جواب نمی دهد. “خبر جدید اینه که که ممکن است سخت افزار بهتری را نیز کشف کنیم.” که به معنی حرکت فراتر از یک تراشه پردازش CPU استاندارد که شامل مغز ربات هم میشه، برسیم.

شتاب سخت افزاری به استفاده از یک واحد سخت افزاری تخصصی برای انجام کارهای محاسباتی خاص با کارآیی بیشتر اشاره دارد. یک شتاب دهنده سخت افزاری که معمولاً مورد استفاده قرار می گیرد، واحد پردازش گرافیک (GPU) است، تراشه ای که مخصوص پردازش موازی است. این دستگاه ها برای گرافیک مفید هستند زیرا ساختار موازی آنها امکان پردازش همزمان هزاران پیکسل را به آنها می دهد. نیومن می گوید: “GPU در همه موارد بهترین نیست، اما در آنچه برای آن ساخته شده بهترین است.” “شما برای یک برنامه خاص عملکرد بالاتری کسب می کنید.” بیشتر روبات ها با مجموعه ای از برنامه های در نظر گرفته شده طراحی شده اند و بنابراین می توانند از شتاب سخت افزاری بهره مند شوند. به همین دلیل تیم نئومن محاسبات robomorphic را توسعه داد.

کارخانه هوش مصنوعی به چه معناست و چطور کسب‌وکارها را دگرگون می‌کند؟

این سیستم طراحی سخت افزاری سفارشی را ایجاد می کند تا به بهترین وجه نیازهای محاسباتی یک ربات خاص را تأمین کند. کاربر پارامترهای یک ربات را وارد می کند، مانند طرح اندام آن و نحوه حرکت مفصل های مختلف آن. سیستم نئومن این خصوصیات فیزیکی را به ماتریس های ریاضی ترجمه می کند. این ماتریس ها “پراکنده” هستند، به این معنی که آنها دارای مقدار زیادی صفر هستند که تقریباً با حرکاتی مطابقت دارند که با توجه به آناتومی خاص یک ربات غیرممکن است. (به طور مشابه، حرکات بازوی شما محدود است زیرا فقط در اتصالات خاصی خم می شود (این یک رشته ماکارونی فوق العاده قابل انعطاف نیست! ).

سپس این سیستم معماری سخت افزاری را برای اجرای محاسبات فقط در مقادیر غیر صفر در ماتریس ها طراحی می کند. بنابراین طراحی تراشه حاصل برای به حداکثر رساندن کارایی برای نیازهای محاسباتی ربات طراحی شده است. و این سفارشی سازی در آزمایش نتیجه داد.

معماری سخت افزار با استفاده از این روش برای یک برنامه خاص از واحدهای پردازنده و پردازنده گرافیکی خارج از عملکرد بهتر عمل کرده است. در حالی که تیم نئومن تراشه خاصی را از ابتدای ساخت، بر اساس پیشنهادات سیستم خود، تراشه آرایه گیت قابل برنامه ریزی (FPGA) را برنامه ریزی كردند. علی رغم اینکه با سرعت کلاک کمتری کار می کند، این تراشه هشت برابر سریعتر از پردازنده مرکزی و 86 برابر سریعتر از پردازنده گرافیکی عمل می کند.

نئومن مسئول پروژه هوش اختصاصی می گوید: “من از این نتایج خوشحال شدم.” “حتی اگر سرعت پایین کلاک ما را دچار مشکل کند، اما اون رو با کارآیی بیشتر جبران کردیم.

Plancher پتانسیل گسترده ای را برای محاسبات روبومورفیک می بیند. او می گوید: “در حالت ایده آل، ما می توانیم برای هر ربات یک تراشه برنامه ریزی حرکت سفارشی بسازیم، به آنها اجازه می دهد حرکت سریع و ایمن را محاسبه کنند.” من تعجب نخواهم کرد اگر 20 سال دیگر هر روبات تعداد انگشت شماری از تراشه های رایانه ای خود را تأمین کند و این یکی از آنها باشد. ” نویمان اضافه می کند که محاسبات ربومورفیک ممکن است به ربات ها اجازه دهد تا در طیف وسیعی از تنظیمات مانند مراقبت از بیماران covid-19 یا دستکاری اشیا heavy سنگین، خطرات معمول برای انسان را از بین ببرند.

رابین دیتس، مهندس رباتیک در Boston Dynamics که درگیر این تحقیق نبوده است، می گوید: “این کار هیجان انگیز است زیرا نشان می دهد چگونه می توان از طرح های مدار ویژه برای تسریع در یک مولفه اصلی کنترل ربات استفاده کرد.” “عملکرد نرم افزار برای رباتیک بسیار مهم است زیرا دنیای واقعی هرگز منتظر نمی ماند تا ربات فکر خود را تمام کند.” وی اضافه می کند که پیشرفت نئومن می تواند ربات ها را قادر به تفکر سریعتر کند، “باز کردن رفتارهای هیجان انگیز که قبلاً از نظر محاسباتی بسیار دشوار بود.”

نئومن قصد دارد کل سیستم محاسبات روبومورفیک را اتوماتیک کند. کاربران به سادگی پارامترهای ربات خود را کشیده و رها می کنند و “از انتهای دیگر توضیحات سخت افزار ارائه می شود. من فکر می کنم این چیزی است که آن را از لبه خارج کرده و واقعاً مفید خواهد بود.

بودجه این تحقیق توسط بنیاد ملی علوم، آژانس تحقیقات محاسبات، پروژه CIFellows و آژانس پروژه های تحقیقاتی پیشرفته دفاعی تأمین شد.

هوش مصنوعی چیست؟

تکنولوژی هوش مصنوعی


اگر اخبار مربوط به هوش مصنوعی را دنبال کنید، شاهد دو تصویر کاملا متفاوت از این تکنولوژی خواهید بود.

 

رسانه‌ها و سینما هوش مصنوعی را معمولا مساوی با توانایی‌های انسانی، بیکاری گسترده و آخرالزمانی که به دست ربات‌ها رقم می‌خورد می‌دانند.
از سوی دیگر اما کنفرانس‌های علمی را داریم که در آن‌ها صحبت از هوش جامع مصنوعی است و اینکه هوش مصنوعی کنونی ضعیف ظاهر شده و نمی‌تواند بسیاری از کارکردهای بنیادین مغز انسان را داشته باشد.

پیشنهاد: بیداد کرونا در آمریکا


اما فارغ از اینکه هوش مصنوعی در قیاس با هوش انسانی چه جایگاه دارد، الگوریتم‌های امروزی به عنصری مهم در صنایح مختلف مانند بهداشت و سلامت، امور مالی، تولید، حمل‌ونقل و بسیاری حوزه دیگر تبدیل شده‌اند.

و همانطور که مارکو یانسیتی و کریم لاخانی، پروفسورهای مدرسه تجارت هاروارد در کتاب خود به نام «رقابت در عصر هوش مصنوعی: استراتژی و مدیریت در دورانی که الگوریتم‌ها و شبکه‌ها جهان را می‌رانند» می‌گویند، خیلی زود «هیچ‌یک از حوزه‌های انسانی عملکردی مستقل از هوش مصنوعی نخواهند داشت».

شرکت‌هایی مثل فیسبوک، آمازون و گوگل و… چگونه موفق شدند؟

در واقع همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده و تاثیری روزانه روی زندگی میلیاردها نفر در سراسر جهان دارد. همانطور که لاخانی و یانسیتی در کتاب خود می‌گویند، «برای اولویت دادن به محتوای شبکه‌های اجتماعی، ساخت بهترین کاپوچینوی ممکن، تحلیل رفتار مشتریان، تعیین قیمت بهینه و یا حتی نقاشی در سبک رامبرانت نیازی به یک رونوشت انسانی بی‌نقص نداریم. همین هوش مصنوعی ناقص و ضعیف دارد ماهیت شرکت‌ها و چگونگی کارکرد آن‌ها را دگرگون می‌کند».


در میان تمام موضوعاتی که یانسیتی و لاخانی در کتاب خود به آن‌ها پرداخته‌اند، مفهوم «کارخانه هوش مصنوعی» نیز به چشم می‌خورد. عنصری کلیدی که به کمپانی‌ها اجازه می‌دهد قادر به رقابت و رشد در عصر هوش مصنوعی باشند.

کارخانه هوش مصنوعی چیست؟


کلیدی‌ترین تکنولوژی‌های هوش مصنوعی که در کسب‌وکارهای امروزی به کار گرفته می‌شوند، الگوریتم‌های یادگیری ماشینی هستند، موتورهایی آماری که می‌توانند الگوهای گذشته را یافته و براساس آنچه پیشتر رصد کرده‌اند، دست به پیش‌بینی خروجی‌های تازه بزنند. در کنار دیگر قطعات کلیدی مانند منابع داده، آزمون و خطاها و نرم‌افزار، الگوریتم‌های یادگیری ماشینی می‌توانند به ساخت کارخانه‌های هوش مصنوعی منجر شوند؛ مجموعه‌ای از قطعات و پروسه‌های متصل به یکدیگر که یادگیری و رشد را رقم می‌زنند.

 

الگوریتم چیست؟

الگوریتم‌های یادگیری ماشینی، موتورهایی آماری هستند که می‌توانند الگوهای گذشته را یافته و براساس آن‌ها دست به پیش‌بینی خروجی‌های تازه بزنند.


بیایید کارکرد کارخانه هوش مصنوعی را توضیح دهیم. داده باکیفیتی که از منابع داخلی و خارجی به دست می‌آیند تبدیل به منبعی برای تربیت الگوریتم‌های یادگیری ماشینی می‌شوند تا بتوان در وظایفی خاص، دست به پیش‌بینی زد. در برخی موارد مانند شناسایی و درمان بیماری‌ها، این پیش‌بینی‌ها می‌توانند به متخصصین انسانی در اتخاذ تصمیم درست کمک کنند. در موارد دیگر مانند سیستم پیشنهاد محتوا، الگوریتم‌های یادگیری ماشینی می‌توانند وظایف را با مداخله انسانی اندک یا هیچ‌گونه مداخله انسانی اتوماسیون کنند.

فایده‌ی الگوریتم چیست؟

الگوریتم و مدل مبتنی بر داده‌ی کارخانه هوش مصنوعی به سازمان‌ها اجازه می‌دهد که نظریه‌های جدید را به بوته آزمایش گذاشته و تغییراتی در راستای بهبود سیستم‌هایشان به وجود آورند. این می‌تواند افزودن قابلیت‌های جدید به محصولی باشد که پیشتر به تولید رسیده یا تولید محصولی کاملا جدید در سبد محصولات کمپانی. همین تغییرات باعث می‌شوند کمپانی اطلاعات جدید به دست آورد، الگوریتم‌های هوش مصنوعی را بهبود ببخشد و باز هم راهی برای افزایش پرفورمنس، ساخت سرویس‌ها و محصولات جدید، رشد و حرکت به سمت بازارهای تازه بیابد.

کارخانه هوش مصنوعی در جوهره خود چرخه‌ای کارآمد از انگیجمنت کاربر، جمع‌آوری داده،‌ طراحی الگوریتم، پیش‌بینی و بهبود را جای داده است. حداقل این توصیفی است که یانسیتی و لاخانی در کتاب رقابت در عصر هوش مصنوعی به کار می‌برند.

ایده ساختن، اندازه‌گیری کردن، آموختن و بهبود دادن ایده جدیدی نیست. برای سالیان طولانی، کارآفرینان و استارتاپ‌ها مشغول مباحثه و نوآوری در این حوزه بوده‌اند. اما کارخانه‌های هوش مصنوعی این چرخه را به جهان‌هایی تازه مانند پردازش زبان طبیعی یا بینایی کامپیوتری می‌برند.

کتاب رقابت در عصر هوش کدام شرکت را مثال زده‌است؟

یکی از مثال‌هایی که در کتاب رقابت در عصر هوش مصنوعی به آن اشاره شده، شرکت Ant Financial (که امروز تحت عنوان Ant Group شناخته می‌شود) است، شرکتی که در سال ۲۰۱۴ میلادی تاسیس شد و امروز با بیش از ۹۰۰۰ کارمند، گستره وسیعی از سرویس‌های مالی را به کمک یک کارخانه هوش مصنوعی بسیار بهینه (و مدیریت نبوغ‌آمیز) در اختیار بیش از ۷۰۰ میلیون مشتری قرار می‌دهد. برای مقایسه،‌ بانک آمریکا که در سال ۱۹۲۵ میلادی تاسیس شد، ۲۰۹ هزار کارمند دارد و سرویس‌های کمتری را در اختیار ۶۷ میلیون مشتری خود قرار می‌دهد.

زیرساخت کارخانه هوش مصنوعی:


برکسی پوشیده نیست که الگوریتم‌های یادگیری ماشینی، شدیدا بر داده‌های انبوه متکی هستند. ارزش داده باعث شده که اکنون شاهد ظهور اصطلاحاتی کلیشه‌ای نظیر «داده، نفت جدید است» باشیم که به دفعات در مقاله‌های تکنولوژیک به چشم خورده است. اما دسترسی به انبوهی از داده، برای دستیابی به یک الگوریتم هوش مصنوعی خوب کفایت نخواهد کرد. در واقع بسیاری از کمپانی‌های امروزی به گستره وسیعی از داده دسترسی دارند، اما داده و نرم‌افزار آن‌ها در سیلوهایی مجزا نگهداری می‌شوند و مدل‌ها و بسترهای ناسازگار، یکپارچگی را از تمام سیستم می‌گیرند.

 

پیش‌پردازش داده

حتی با اینکه مشتریان به یک سازمان به چشم هویتی یکپارچه نگاه می‌کنند، سیستم‌ها و داده‌های داخلی معمولا میان واحدهای مختلف تقسیم شده‌اند و بنابراین از تجمع داده جلوگیری می‌شود، تولید پیش‌بینی‌های موثر به تعویق می‌افتد و استفاده از قدرت آنالیتیکس و هوش مصنوعی غیرممکن می‌شود.

داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود

علاوه بر این، داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود. برای مثال ممکن است بخواهید که بنابر تاریخچه مکاتبات قبلی با مشتریان، یک چت‌بات مبتنی بر هوش مصنوعی بسازید که بخش‌هایی از پشتیبانی مشتریان شما را اتوماسیون می‌کند. در این مورد، داده متنی باید تلفیق و نمونه‌نمایی شود، کلمات و علائم نگارشی هجو حذف شوند و تغییراتی دیگر نیز به وجود آید تا بتوان از آن‌ها برای تربیت کردن مدل یادگیری ماشینی استفاده کرد.

حتی زمانی که مشغول سر و کله زدن با داده ساختارمند مانند رکوردهای فروش هستید هم امکان مواجهه با شکاف، اطلاعات ناقص و دیگر خطاهایی وجود دارد که باید برطرف گردند. و اگر داده از منابع گوناگون به دست آمده باشد، باید به‌گونه‌ای گردآوری شود که بی‌دقتی به وجود نیاورد. بدون پیش‌پردازش، مدل یادگیری ماشینی شما با داده‌های بی‌کیفیت تعلیم می‌بیند و در نتیجه، سیستم‌های هوش مصنوعی عملکردی ضعیف خواهند داشت.
و در نهایت، منابع داده داخلی شاید برای توسعه خط لوله هوش مصنوعی کافی نباشند. گاهی از اوقات باید اطلاعات را با داده به دست آمده از منابع خارجی مانند داده شبکه‌های اجتماعی، بازار بورس، منابع خبری و چیزهایی از این دست تکمیل کرد. یک مثال BlueDot است، شرکتی که از یادگیری ماشینی برای پیش‌بینی شیوع بیماری‌های عفونی استفاده می‌کند.

برای تربیت کردن و به راه انداختن سیستم هوش مصنوعی‌اش، BlueDot به صورت اتوماتیک به جمع‌آوری اطلاعات از صدها منبع مختلف می‌پردازد که از جمله آن‌ها می‌توان به بیانیه‌های سازمان‌های بهداشتی، پروازهای تجاری، گزارش‌های سلامت حیوانات دامی، اطلاعات اقلیمی ماهواره‌ها و گزارش‌های خبری اشاره کرد. بخش زیادی از تلاش و منابع نرم‌افزاری شرکت، صرف طراحی سیستمی برای جمع‌آوری و یکپارچه‌سازی داده شده است.

مهمترین نکته خط لوله

 

مهم‌ترین نکته اینست که خط لوله داده باید به شکلی «سامان‌مند، پایدار و مقیاس‌پذیر» کار کند
در کتاب رقابت در عصر هوش مصنوعی، نویسندگان به معرفی مهفومی به نام «خط لوله داده» می‌پردازند، مجموعه‌ای از قطعات و پروسه‌ها که داده‌های به دست آمده از چندین منبع داخلی و خارجی را ادغام، تمیز، یکپارچه، پردازش و برای مصارف آتی در سیستم‌های هوش مصنوعی ذخیره می‌کنند. اما مهم‌ترین نکته اینست که خط لوله داده باید به شکلی «سامان‌مند، پایدار و مقیاس‌پذیر» کار کند. این یعنی حداقل مقدار اندکی کار دستی و مداخله انسانی نیاز است تا گلوگاهی در کارخانه هوش مصنوعی به وجود نیاید.

اگر داده سوختی باشد که چرخ‌های کارخانه هوش مصنوعی را به حرکت در می‌آورد، زیرساخت نیز لوله‌هایی خواهد بود که سوخت‌رسانی می‌کند و الگوریتم‌ها هم ماشین‌هایی خواهند بود که کار را پیش می‌برند. پلتفرم آزمون و خطا هم فلکه‌هایی را کنترل می‌کند که سوخت تازه، لوله‌ها و ماشین‌ها را به سیستم عملیاتی متصل می‌کنند.
تبدیل شدن به یک شرکت مبتنی بر هوش مصنوعی:
به طرق فراوان، ساخت شرکتی موفق در حوزه هوش مصنوعی، به همان اندازه که یک چالش مهندسی است، چالشی از نظر مدیریت محصول نیز به حساب می‌آید. در واقع بسیاری از کمپانی‌های موق دریافته اند که چطور می‌توان فرهنگ و پروسه‌های جدید را بر تکنولوژی‌های هوش مصنوعی از پیش موجود بنا کرد و لازم نبوده که آخرین دستاوردهای یادگیری عمیق را درون زیرساختی پیاده‌سازی کنند که جواب نمی‌دهد.

و همین موضوع هم راجع به استارتاپ‌ها و هم شرکت‌های باسابقه مصداق دارد. همانطور که یانیسیتی و لاخانی در رقابت در عصر هوش مصنوعی توضیح می‌دهند، کمپانی‌های تکنولوژی‌ای که زنده مانده‌اند، آن شرکت‌هایی هستند که به صورت مداوم عملیات‌ها و مدل‌های تجاری خود را دگرگون می‌کنند.

وضعیت شرکت‌های سنتی در عصر هوش مصنوعی

 

برای شرکت‌های سنتی، تبدیل شدن به یک شرکتی مبتنی بر نرم‌افزار و هوش مصنوعی به معنای تبدیل شدن به سازمانی متفاوت است. موضوع درباره تاسیس یک کمپانی جدید و مستقل یا راه‌اندازی واحدهای تحقیق و توسعه ناموثر یا واحدی برای هوش مصنوعی نیست. موضوع درباره اینست که هسته شرکت از بنیان تعییر کند و ساختاری برای عملیات‌های داده‌محور شکل بگیرد که تغییرات مداوم را امکان‌پذیر می‌کند.

بازار تجهیزات ورزشی چگونه به چالش کشیده شد؟

 

کتاب رقابت در عصر هوش مصنوعی پر شده از پژوهش‌هایی غنی در این حوزه. از جمله آن‌ها می‌توان به داستان‌های مربوط به استارتاپ‌هایی مانند Peoloton اشاره کرد که کارخانه‌های هوش مصنوعی را از ابتدا تا انتها توسعه داده‌اند و بازارهای سنتی مانند بازار تجهیزات ورزشی خانگی را به چالش کشیده‌اند.
یا استارتاپ Ocao که توانست از هوش مصنوعی برای دیجیتالیزه کردن خرید خواربار، آن هم در بازاری که شدیدا بر حاشیه سود اندک کتکی است، استفاده کند. در این کتاب به صحبت راجع به شرکت‌های تکنولوژی باسابقه‌تر نیز پرداخته شده، مانند مایکروسافت که توانسته با چندین تغییر رویکرد بزرگ، عصر هوش مصنوعی را در آغوش بگیرد. و داستان‌هایی راجع به کمپانی‌های سنتی مانند والمارت نیز خواهید خواند که که دیجیتالیزه کردن کسب‌وکار و هوش مصنوعی را آموختند و از دچار شدن به سرنوشت امثال Sears (غولی در حوزه خرده‌فروشی که سال ۲۰۱۸ ورشکست شد) جلوگیری کردند.

همانطور که متخصصین برای مدتی طولانی دیده‌اند و گفته‌اند، پیشرفت‌های هوش مصنوعی روی تمام افرادی که یک سازمان را مدیریت می‌کنند تاثیر می‌گذارند و نه فقط افرادی مشغول توسعه تکنولوژی هستند. یانیستی و لاخانی عقیده دارند که:

بسیاری از مدیران باید در ابزارهای خود تجدید نظر کرده و هم دانش بنیادین پشت هوش مصنوعی را به دست آورند و هم راه‌هایی برای پیاده‌سازی موثر این تکنولوژی در کسب‌وکارها و مدل‌های عملیاتی خود بیابند. لازم نیست آن‌ها تبدیل به محققین داده، آماردان، برنامه‌نویس یا مهندس هوش مصنوعی شوند. در عوض همانطور که تمام دانشجویان مدیریت درباره حساب‌داری مطالعه می‌کنند و تبدیل به حسابداری حرفه‌ای نمی‌شوند، مدیران هم باید کاری مشابه با هوش مصنوعی و تکنولوژی‌های مرتبط با آن انجام دهند.

 

 

ماسکینو یکی از اولین سخت افزارهای تأیید اعتبار در ایران است که با استفاده از هوش مصنوعی و الگوریتم های یادگیری ماشین و یادگیری عمیق در شرکت بینش هوشمند ، یک شرکت نسل پیشرو توسعه یافته است.

ماسکینو از 5 تا 8 ژانویه سال جاری در نمایشگاه های بین المللی تخصصی مراکز خرید ، مجتمع های خرید ، رویکردهای جدید صنعت خرده فروشی و صنایع وابسته در نمایشگاه های بین المللی تهران شرکت کرده و محصول تشخیص سرقت مغازه را ارائه می دهد.
ماسکینو دومین محصول در نسل پیشین شرکت های دانش بنیان دید هوشمند است. شرکت بینش هوشمند ، یک نسل پیشرو و فعال در زمینه احراز هویت ، اولین محصول خود را با نام تجاری UAID در بازار ایران معرفی کرد. با غیرفعال کردن احراز هویت و با همکاری شرکت سپرده گذار ، UAID توانست به سلامت جامعه کمک کند و روند دریافت کد سهام را برای جلوگیری از انباشته شدن مردم در دفاتر پیشخوان فراهم کند.

گوشی Infinix Zero 8i با دوربینی فوق‌العاده و قیمتی ارزان‌ معرفی شد

در حال حاضر ، UAID با همکاری شرکت آسان پرداخت (آپ) و برنامه سامان 724 بانک ، روزانه بیش از 15000 کاربر را برای دریافت کد از بورس اوراق بهادار احراز هویت می کند.

هوش مصنوعی ماسکینو چگونه کار می کند

دوربین هوشمند ماسکینو AH از الگوریتم های هوش مصنوعی استفاده می کند که شامل تشخیص چهره ، شناسایی و تطبیق آن است. با تعریف چهره افراد در سیستم ماسکینو ، به محض عبور از جلوی دوربین و حتی با ماسک تشخیص داده می شود و با توجه به نیاز شرکت ها ، مقامات امنیتی و مقامات مربوطه را از ورود آنها مطلع می کند. این مردم.

با استفاده از این سیستم یک پنل یا داشبورد ارائه می شود که از طریق آن اپراتورهای مربوطه می توانند تصاویر دریافتی از دوربین ماسکینو را بررسی کرده و گزارشات ترافیک افراد مختلف را مشاهده کنند. همچنین ، اگر افرادی که تصویر آنها به عنوان دزد یا لیست سیاه در سیستم تعریف شده باشد ، این پنل با ارسال اخطار به اپراتور مربوطه اطلاع می دهد. در اینجا دو کاربرد اصلی برای ماسکینو وجود دارد: تشخیص سرقت در مغازه و سیستم کمک به شناسایی چهره با نقاب.

قبل از ارتکاب جرم با شناسایی مظنونین از سرقت خودداری کنید

بسیاری از فروشگاه ها و مراکز خرید ، به دلیل ساختار فروشگاه ، تعداد زیاد راهروها و ساختارهای پیچیده و دسترسی های مختلف ، نیاز به پوشاندن مناطق مختلف فروشگاه ها با تعداد زیادی دوربین دارند و هیچ نقطه کوری باقی نمی ماند. این به معنی دوربین های زیاد و در نتیجه نیروی انسانی زیاد است. نظارت بر همه دوربین ها و ثبت سرقت ها و سرقت ها برای یک اپراتور انسانی تقریباً غیرممکن است. همچنین بررسی فیلم های ضبط شده به دلیل حجم بالای آنها مدت زمان زیادی طول می کشد.

چرا این کارها را به هوش مصنوعی نمی سپارید؟

اکنون بسیاری از مراکز خرید در استرالیا ، کره جنوبی ، انگلستان و بسیاری دیگر از کشورهای پیشرفته از دوربین های هوشمند با قابلیت تشخیص چهره استفاده می کنند. استفاده از الگوریتم هایی مانند یادگیری عمیق (یادگیری عمیق) و یادگیری ماشینی (یادگیری ماشین) که به تشخیص چهره (تشخیص چهره) و هویت سارقان (تشخیص چهره) کمک می کند.

بنابراین فروشگاه های زنجیره ای و مراکز خرید قادر به شناسایی سارقانی هستند که با استفاده از دوربین های هوشمند ماسکینو به فروشگاه بازگشت می کنند. امروزه سارقان بیش از یک بار فعالیت های جنایتکارانه خود را در فروشگاه ها انجام می دهند ، به همین دلیل بسیاری از فروشگاه ها لیستی از مظنونان تهیه کرده اند. با تعریف چهره مظنون در سیستم ، دوربین های مجهز به هوش مصنوعی ماسکینو بلافاصله با ورود مظنون یک هشدار به نیروی امنیتی ارسال می کنند و چهره آنها را با آنچه در سیستم تعریف شده مقایسه می کنند.

کنترل های ورود و خروج را با ویژگی تشخیص چهره ماسک مدیریت کنید

یکی از مواردی که پاندمی به همه تحمیل کرد ، توانایی انطباق با معیارها و اقدامات دشوار و تغییر روشهای معمول و استاندارد انجام کارها است. و این وضعیت به لطف پیشرفت های تکنولوژیکی بهبود یافته است. با یک سیستم کمک حضوری ، سازمان ها و کارمندان دیگر نگران سلامتی و ایمنی خود نیستند. سیستم حضور و غیاب ماسکینو می تواند با حذف روشهای دستیابی سنتی و کارایی کمتر ، جایگزین یک روش پیشرفته و ایمن برای انجام امور روزمره شود. با استفاده از هوش مصنوعی و الگوریتم هایی مانند یادگیری ماشین و یادگیری عمیق ، ماسکینو چهره کارمندان را حتی با ماسک تشخیص می دهد و ورود و خروج کارمندان را بدون هیچ گونه تماس ثبت می کند.

مزایای استفاده از این محصول ماسکینو چیست؟

1. کمک صورت را حتی با ماسک ثبت کنید
۲. نصب آسان با هزینه کم
3. مقیاس پذیری و مدیریت امن
4. مزیت دست نخورده بودن

در دانشگاه “تورنتو” یک مرکز تحقیقاتی برای مطالعه هوش مصنوعی در پزشکی ایجاد می شود

دانشگاه “تورنتو” اعلام کرد که در نظر دارد یک مرکز تحقیقاتی جدید برای تحقیقات و تحصیلات در حوزه هوش مصنوعی ایجاد کند.

وب‌سایت رسمی دانشگاه تورنتو اعلام کرده است که تعاملات روزمره با فناوری، حجم گسترده‌ای از اطلاعات را برای ما فراهم کرده است. چیزی که امروزه آن را “انقلاب هوش مصنوعی” میخوانیم.

دانشگاه “تورنتو” کانادا یک مرکز تحقیقاتی جدید در دانشکده پزشکی خود تاسیس کرد که استفاده از هوش مصنوعی در حوزه‌های پزشکی و مراقبت‌های بهداشتی را بررسی می‌کند.

افتتاح این مرکز جایگاه دانشگاه تورنتو را در حوزه هوش مصنوعی و علوم بهداشت در پزشکی تقویت می‌کند.

محمد ممدانی که اخیرا به عنوان مدیر تحلیلی این مرکز برگزیده شده است، گفت: وضعیت دانشگاه تورنتو در حوزه هوش مصنوعی و مراقبت‌های بهداشتی در جهان منحصر به فرد است.

هدف این مرکز این است که تخصص در چند رشته را گرد هم آورد تا اعضای آن بتوانند تجربیات خود را به اشتراک بگذارند و مراقبت‌های بهداشتی را به روش‌های مبتکرانه انجام دهند.

کروناویروس از راه بینی، مغز را آلوده می‌کند

نام این مرکز به اختصار ” T-CAIREM” انتخاب شده و بر روی سه رکن اساسی متمرکز است: تحقیق، ‌آموزش و زیرساخت‌های اطلاعات.

گفته شده در این مرکز برخی از درخشان‌ترین محققان آمریکای شمالی گرد هم آمده‌اند.

از نکات مثبت تاسیس مرکز ” T-CAIREM” این است که به دانشجویان دوره‌های مختلف این امکان را می‌دهد کار خود را به رهبران انجمن‌های تحقیقاتی هوش مصنوعی و مراقبت‌های بهداشتی ارائه دهند.

همچنین فرصت‌هایی برای محققان باتجربه وجود دارد. دوگرنت نوآوری ۲۰۰ هزار دلاری برای هوش مصنوعی در پزشکی هم برای تیم‌های چند رشته‌ای ارائه میگردد.

منبع: ایسنا

سال گذشته گوگل اعلام کرد قصد دارد این سیستم مبتنی بر هوش مصنوعی را به پلتفرم ترجمه خود یعنی گوگل ترنسلیت اضافه کند. در نتیجه امید آن می‌رود که افرادی که قدرت تکلم ندارند، بتوانند با کمک این سیستم و بدون دخالت مترجم انسانی، منظور خود را به دیگران برسانند.