هوش مصنوعی در آنتن های نسل پنجم موبایل

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شبیه سازی فرایندهای هوش انسانی توسط ماشین ها ، معمولاً سیستم های رایانه ای است. برنامه های هوش مصنوعی بر روی سه مهارت اصلی شناختی تمرکز دارند: یادگیری (به دست آوردن داده ها و ایجاد قوانینی برای مرتب سازی آن داده ها) ، استدلال (انتخاب داده های مناسب برای دستیابی به نتیجه مطلوب) و اصلاح خود (تنظیم دقیق مرتب سازی داده ها برای دقیق ترین) نتایج). قوانین مرتب سازی داده ها به عنوان الگوریتم شناخته می شوند ، که دستورالعمل های گام به گام برای دستیابی به نتیجه را ارائه می دهند.

هوش مصنوعی (AI) شبیه سازی فرایندهای هوش انسانی توسط ماشین ها ، به ویژه سیستم های رایانه ای است. برنامه های خاص هوش مصنوعی شامل سیستم های خبره ، پردازش زبان طبیعی ( NLP) ، تشخیص گفتار و بینایی ماشین است .

برنامه نویسی هوش مصنوعی بر سه مهارت شناختی متمرکز است: یادگیری ، استدلال و اصلاح خود.

فرایندهای یادگیری. این جنبه از برنامه نویسی هوش مصنوعی بر دستیابی به داده ها و ایجاد قوانینی برای چگونگی تبدیل داده ها به اطلاعات عملی متمرکز است. این قوانین که الگوریتم نامیده می شوند ، دستورالعمل های گام به گام برای نحوه انجام یک کار خاص را به دستگاه های محاسباتی ارائه می دهند.

فرایندهای استدلال. این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به نتیجه دلخواه متمرکز است.

فرایندهای اصلاح خود. این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم دقیق الگوریتم های مداوم و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.

مزایا و معایب هوش مصنوعی

شبکه های عصبی مصنوعی و فن آوری های هوش مصنوعی یادگیری عمیق به سرعت در حال پیشرفت هستند ، اساساً به این دلیل که هوش مصنوعی مقادیر زیادی از داده ها را بسیار سریعتر پردازش می کند و پیش بینی ها را با دقت بیشتری نسبت به بشر امکان پذیر می کند.

در حالی که حجم عظیمی از داده ها که به طور روزانه ایجاد می شود ، یک محقق انسانی را دفن می کند ، برنامه های کاربردی هوش مصنوعی که از یادگیری ماشین استفاده می کنند می توانند این داده ها را گرفته و به سرعت به اطلاعات عملی تبدیل کنند. از زمان نگارش این مقاله ، ضرر اصلی استفاده از هوش مصنوعی این است که پردازش مقادیر زیادی از داده های مورد نیاز برنامه نویسی AIگران است.

هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف

هوش مصنوعی را می توان به عنوان ضعیف یا قوی طبقه بندی کرد. ضعف هوش مصنوعی (AI) ضعیف ، یک سیستم AI است که برای انجام یک کار خاص طراحی و آموزش داده می شود. ربات های صنعتی و دستیارهای شخصی مجازی مانند Siriاپل از هوش مصنوعی ضعیف استفاده می کنند. هوش مصنوعی قوی که به آن هوش عمومی مصنوعی (AGI) نیز گفته می شود ، برنامه نویسی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که وظیفه ای ناآشنا ارائه می شود ، یک سیستم هوش مصنوعی قوی می تواند با استفاده از منطق فازی دانش را از یک حوزه به حوزه دیگر اعمال کند و به طور مستقل یک راه حل پیدا کند. از نظر تئوری ، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم تست اتاق چینی را بگذراند.

هوش تقویت شده در مقابل هوش مصنوعی

برخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی ارتباط تنگاتنگی با فرهنگ عامه دارد و همین امر باعث شده است که عموم مردم انتظارات احتمالی درباره چگونگی تغییر هوش مصنوعی در محل کار و زندگی به طور کلی نداشته باشند. برخی از محققان و بازاریاب ها امیدوارند که برچسب هوش تقویت شده ، که معنای خنثی تری دارد ، به مردم کمک خواهد کرد تا درک کنند که اکثر پیاده سازی های هوش مصنوعی ضعیف بوده و به سادگی محصولات و خدمات را بهبود می بخشد. مفهوم تکینگی اکنولوژیک - آینده ای تحت سلطه یک هوش فوق العاده مصنوعی که بسیار از توانایی مغز انسان در درک آن یا چگونگی شکل دادن به واقعیت ما پیشی می گیرد - در قلمرو داستان علمی تخیلی باقی می ماند.

استفاده اخلاقی از هوش مصنوعی

در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند ، استفاده از هوش مصنوعی نیز س questionsالات اخلاقی را به وجود می آورد زیرا ، خوب یا بد ، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است تقویت می کند. این می تواند مشکل ساز باشد زیرا الگوریتم های یادگیری ماشین ، که زیربنای بسیاری از پیشرفته ترین ابزارهای هوش مصنوعی هستند ، فقط به اندازه داده هایی که در آموزش داده می شود هوشمند هستند. از آنجا که یک انسان انتخاب می کند چه داده هایی برای آموزش برنامه هوش مصنوعی استفاده می شود ، پتانسیل تعصب یادگیری ماشین ذاتی است و باید از نزدیک کنترل شود. هرکسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از سیستم های در حال تولید در دنیای واقعی است ، باید اخلاقیات را در فرآیندهای آموزش هوش مصنوعی خود لحاظ کند و سعی کند از تعصب جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتم های هوش مصنوعی که ذاتاً در برنامه های یادگیری عمیق و شبکه های خصمانه تولید ( GAN) غیرقابل توصیف هستند ، صادق است. تبیین یک مانع احتمالی استفاده از هوش مصنوعی در صنایعی است که تحت الزامات دقیق نظارتی کار می کنند . به عنوان مثال ، موسسات مالی در ایالات متحده تحت مقرراتی فعالیت می کنند که از آنها خواسته می شود تصمیمات خود در مورد صدور اعتبار را توضیح دهند. وقتی تصمیم برای رد اعتبار توسط برنامه نویسی هوش مصنوعی گرفته می شود ، توضیح چگونگی تصمیم گیری دشوار است زیرا ابزارهای هوش مصنوعی مورد استفاده برای تصمیم گیری با استفاده از همبستگی های ظریف بین هزاران متغیر کار می کنند. وقتی روند تصمیم گیری قابل توضیح نیست ، ممکن است از این برنامه به عنوان جعبه سیاه AI یاد شود .

اجزای AI

با شتاب بخشیدن به هیاهوی فراگیر هوش مصنوعی ، فروشندگان در تلاشند محصولات و خدمات خود را از هوش مصنوعی تبلیغ کنند. غالباً آن چیزی که آنها از آن به عنوان هوش مصنوعی یاد می شود به سادگی یکی از م componentلفه های هوش مصنوعی است ، مانند یادگیری ماشین . هوش مصنوعی برای نوشتن و آموزش الگوریتم های یادگیری ماشین به بنیادی از سخت افزار و نرم افزار تخصصی احتیاج دارد. هیچ یک از زبان های برنامه نویسی مترادف با هوش مصنوعی نیست ، اما تعداد کمی از آنها از جمله پایتون ، R و جاوا محبوب هستند.

هوش مصنوعی به عنوان یک سرویس (AIaaS)

از آنجا که سخت افزار ، نرم افزار و هزینه های کارکنان AI می تواند گران باشد ، بسیاری از فروشندگان اجزای AI را در نسخه های استاندارد خود قرار می دهند یا دسترسی به هوش مصنوعی را به عنوان سیستم عامل سرویس ( AIaaS) فراهم می کنند. AIaaS به افراد و شرکت ها این امکان را می دهد تا قبل از تعهد ، هوش مصنوعی را برای اهداف مختلف تجاری آزمایش کنند و از چندین سیستم عامل استفاده کنند.

پیشنهادهای محبوب ابری AIشامل موارد زیر است:

1. آمازون AI

2. دستیار IBM Watson

3. خدمات شناختی مایکروسافت

4. Google AI

چهار نوع هوش مصنوعی

آرند هینتزه ، استادیار زیست شناسی تلفیقی و علوم کامپیوتر و مهندسی در دانشگاه ایالتی میشیگان ، در مقاله ای در سال 2016 توضیح داد که هوش مصنوعی را می توان در چهار نوع طبقه بندی کرد ، این کار با سیستم های هوشمند ویژه کار که امروزه استفاده گسترده ای دارند و به سیستم های حساس پیشرفت می کنند ، دسته بندی می شود. ، که هنوز وجود ندارند. دسته ها به شرح زیر است:

نوع 1: ماشین آلات راکتیو. این سیستم های هوش مصنوعی فاقد حافظه هستند و وظیفه خاصی دارند. به عنوان مثال ، Deep Blue ، برنامه شطرنج IBMاست که در دهه 1990 گری کاسپاروف را شکست داد. Deep Blue می تواند مهره های صفحه شطرنج را شناسایی کرده و پیش بینی کند ، اما چون حافظه ندارد ، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.

نوع 2: حافظه محدود. این سیستم های هوش مصنوعی دارای حافظه هستند ، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در اتومبیل های خودران از این طریق طراحی شده اند.

نوع 3: نظریه ذهن. نظریه ذهن اصطلاحی روانشناسی است. هنگامی که روی هوش مصنوعی اعمال می شود ، به این معنی است که سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع هوش مصنوعی قادر به استنباط اهداف انسانی و پیش بینی رفتار خواهد بود ، این مهارت لازم برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای اصلی تیم های انسانی است.

نوع 4: خودآگاهی. در این گروه ، سیستم های هوش مصنوعی دارای حس خود هستند که به آنها هوشیاری می بخشد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع هوش مصنوعی هنوز وجود ندارد.

محاسبات شناختی و هوش مصنوعی

اصطلاحات AIو محاسبات شناختی گاهی به جای یکدیگر استفاده می شوند ، اما ، به طور کلی ، از برچسب AI در ماشین آلاتی استفاده می شود که با شبیه سازی نحوه درک ، یادگیری ، پردازش و واکنش به اطلاعات موجود در محیط ، جایگزین هوش انسان می شوند.

محاسبات شناختی برچسب در اشاره به محصولات و خدماتی که فرایندهای اندیشه انسان را تقلید و تقویت می کنند ، استفاده می شود

نمونه هایی از فناوری AI

هوش مصنوعی در انواع مختلف فناوری گنجانیده شده است. در اینجا شش مثال آورده شده است:

اتوماسیون. وقتی با فناوری های هوش مصنوعی جفت شوند ، ابزارهای اتوماسیون می توانند حجم و انواع وظایف انجام شده را گسترش دهند. به عنوان مثال اتوماسیون فرآیند رباتیک ( ՀՀԿ) ، نوعی نرم افزار است که وظایف پردازشی داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود ، خودکار می کند. وقتی با یادگیری ماشینی و ابزارهای نوظهور هوش مصنوعی ترکیب می شود ، ՀՀԿمی تواند بخشهای بیشتری از مشاغل سازمانی را خودکار کند ، به رباتهای تاکتیکی جمهوری اسلامی امکان می دهد اطلاعات را از هوش مصنوعی منتقل کرده و به تغییرات روند پاسخ دهند.

فراگیری ماشین. این علم این است که کامپیوتر بدون برنامه نویسی عمل می کند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که به عبارتی بسیار ساده ، می توان آن را اتوماسیون تجزیه و تحلیل های پیشگویی تصور کرد. سه نوع الگوریتم یادگیری ماشین وجود دارد:

یادگیری تحت نظارت . مجموعه داده ها برچسب گذاری شده اند تا الگوها بتوانند شناسایی و از آنها برای برچسب گذاری مجموعه داده های جدید استفاده شود.

یادگیری بدون نظارت . مجموعه داده ها برچسب گذاری نشده و براساس شباهت ها یا تفاوت ها مرتب می شوند.

یادگیری تقویت . مجموعه داده ها برچسب گذاری نشده اند ، اما پس از انجام یک عمل یا چندین عمل ، به سیستم AIبازخورد داده می شود.

دید ماشین. این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین با استفاده از دوربین ، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال ، اطلاعات بصری را ضبط و تحلیل می کند. این غالباً با بینایی انسان مقایسه می شود ، اما بینایی ماشین محدود به زیست شناسی نیست و می توان برای مثال از طریق دیوارها دید. این در طیف وسیعی از برنامه ها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی رایانه ای ، که متمرکز بر پردازش تصویر مبتنی بر ماشین است ، اغلب با بینایی ماشین آمیخته می شود.

پردازش زبان طبیعی. این پردازش زبان انسان توسط یک برنامه رایانه ای است. یکی از قدیمی ترین و شناخته شده ترین نمونه های NLP ، شناسایی هرزنامه است که به موضوع و متن نامه ایمیل نگاه می کند و در مورد ناخواسته بودن آن تصمیم می گیرد. رویکردهای فعلی NLP مبتنی بر یادگیری ماشین است. وظایف NLPشامل ترجمه متن ، تحلیل احساسات و تشخیص گفتار است. رباتیک این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. از ربات ها اغلب برای انجام کارهایی استفاده می شود که انجام یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال ، از ربات ها در خطوط مونتاژ برای تولید ماشین یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شود. محققان همچنین از یادگیری ماشینی برای ساخت ربات هایی استفاده می کنند که می توانند در محیط های اجتماعی با یکدیگر تعامل داشته باشند.

اتومبیل های خودران. وسایل نقلیه خودمختار از ترکیبی از دید رایانه ، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت خودکار در خلبانی یک وسیله نقلیه هنگام ماندن در یک خط مشخص و جلوگیری از انسداد غیر منتظره مانند عابران پیاده استفاده می کنند.

تاریخچه هوش مصنوعی

مفهوم اشیا inبی جان که دارای هوش هستند از دوران باستان وجود داشته است. خدای یونانی هفائستوس در افسانه ها به عنوان جعل بندگان ربات مانند از طلا به تصویر کشیده شده است. مهندسین در مصر باستان مجسمه هایی از خدایان ساخته اند که توسط کشیشان متحرک شده اند. در طول قرن ها، متفکران، از ارسطو تا 13 هفتم قرن الهیات اسپانیایی رامون لیول به رنه دکارت و توماس بیز ابزار و منطق از بار خود را برای توصیف فرآیندهای تفکر انسانی به عنوان علامت، تخمگذار پایه برای مفاهیم AIمانند به طور کلی استفاده دانش نمایندگی .

اواخر 19 هفتم و نیمه اول 20 هفتم قرن چهارم کار بنیادی باشد که منجر به کامپیوتر مدرن را به ارمغان آورد. در سال 1836 ، ریاضیدان دانشگاه کمبریج ، چارلز بابیج و آگوستا آدا بایرون ، کنتس لوول ، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند. در 1940s، پرینستون ریاضیدان جان فون نویمان تصور معماری برای کامپیوتر برنامه ذخیره شده - این ایده که یک کامپیوتر برنامه و داده آن را پردازش می توان در کامپیوتر می ریزه حافظه . و وارن مک کالوخ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.

با ظهور رایانه های مدرن ، دانشمندان می توانند ایده های خود را در مورد هوش ماشین آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر از هوش برخوردار است ، ریاضیدان انگلیسی و رمزگشای جنگ جهانی دوم ، آلن تورینگ ، در سال 1950 ابداع کرد. آزمون تورینگ بر توانایی کامپیوتر برای فریب بازجوها برای باور کردن پاسخ های آنها به سوالات آنها توسط یک انسان متمرکز بود. بودن.

حوزه مدرن هوش مصنوعی به طور گسترده ای عنوان می شود که از سال 1956 در یک کنفرانس تابستانی در کالج دارتموث آغاز شده است. با حمایت مالی آژانس پروژه های تحقیقاتی پیشرفته دفاعی ( DARPA ) ، 10 نفر از مشاهیر حوزه در این همایش از جمله پیشگامان هوش مصنوعی ، ماروین مینسکی ، الیور سلفریج و جان مک کارتی ، که اعتبار ساخت اصطلاح هوش مصنوعی را به خود اختصاص داده اند ، حضور داشتند . همچنین آلن نیوول ، دانشمند کامپیوتر و هربرت آ. سیمون ، اقتصاددان ، دانشمند سیاسی و روانشناس شناختی ، حضور داشتند که نظریه پرداز پیشگام منطق خود را ارائه دادند ، یک برنامه رایانه ای که قادر به اثبات برخی از قضیه های ریاضی است و از آن به عنوان اولین برنامه هوش مصنوعی یاد می شود. .

در پی کنفرانس کالج دارتموث ، رهبران حوزه تازه رشد هوش مصنوعی پیش بینی کردند که یک هوش انسانی ساخته شده توسط انسان معادل مغز انسان در گوشه گوشه قرار دارد و باعث جلب حمایت دولت و صنعت می شود. در واقع ، تقریباً 20 سال از تحقیقات اساسی با بودجه قابل توجهی ، پیشرفت چشمگیری در هوش مصنوعی ایجاد کرد: به عنوان مثال ، در اواخر دهه 1950 ، نیول و سایمون الگوریتم عمومی حل مسئله (GPS) را منتشر کردند ، که در حل مشکلات پیچیده کوتاهی می کرد اما پایه های لازم را برای در حال توسعه معماری های پیشرفته شناختی مک کارتی زبان Lisp را برای برنامه نویسی هوش مصنوعی توسعه داد که امروزه نیز مورد استفاده قرار می گیرد. در اواسط دهه 1960 پروفسور MIT ، جوزف وایزنباوم ، ELIZAرا ایجاد كرد ، یك برنامه اولیه پردازش زبان طبیعی كه پایه و اساس چت بات های امروزی را بنا نهاد.

اما دستیابی به هوش عمومی مصنوعی به دلیل محدودیت های پردازش و حافظه رایانه ای و پیچیدگی مشکل ، دست نیافتنی و نه قریب الوقوع بود. دولت و شرکت های بزرگ از حمایت خود از تحقیقات هوش مصنوعی عقب نشینی کردند و منجر به دوره ای طولانی از 1974 تا 1980 شد و به عنوان اولین "زمستان هوش مصنوعی" شناخته شد. در دهه 1980 ، تحقیق در مورد تکنیک های یادگیری عمیق و استفاده از سیستم های تخصصی ادوارد فیگنباوم توسط صنعت موج جدیدی از اشتیاق به هوش مصنوعی را برانگیخت ، که در پی آن سقوط دیگری از بودجه دولت و حمایت از صنعت به وجود آمد. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 ادامه داشت.

افزایش توان محاسباتی و انفجار داده ها باعث ایجاد رنسانس هوش مصنوعی در اواخر دهه 1990 شد که تاکنون ادامه دارد. آخرین تمرکز بر هوش مصنوعی موجب پیشرفت در پردازش زبان طبیعی ، بینایی رایانه ، رباتیک ، یادگیری ماشین ، یادگیری عمیق و موارد دیگر شده است. علاوه بر این ، هوش مصنوعی ملموس تر می شود ، ماشین ها را نیرو می بخشد ، بیماری را تشخیص می دهد و نقش آن را در فرهنگ عامه تقویت می کند. در سال 1997 ، Deep Blueاز IBM ، گری کاسپاروف ، استاد بزرگ شطرنج روسیه را شکست داد و به اولین برنامه رایانه ای تبدیل شد که قهرمان شطرنج جهان را شکست داد. چهارده سال بعد ، واتسون IBM وقتی که در نمایش بازی Jeopardy دو قهرمان سابق را شکست داد ، مردم را مجذوب خود کرد !. اخیرا، شکست تاریخی 18 بار قهرمان جهان برو لی Sedol توسط گوگل DeepMindاست AlphaGo جامعه Goرا متحیر کرد و نقطه عطف مهمی در توسعه ماشین های هوشمند بود.

کاربردهای هوش مصنوعی

هوش مصنوعی به طیف گسترده ای از بازارها راه پیدا کرده است . در اینجا هشت نمونه آورده شده است.

هوش مصنوعی در مراقبت های بهداشتی. بزرگترین شرط بندی ها در مورد بهبود نتایج بیمار و کاهش هزینه ها است. شرکت ها از روش یادگیری ماشینی برای تشخیص بهتر و سریعتر از انسان استفاده می کنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است. این زبان طبیعی را می فهمد و می تواند به س questionsالات مطرح شده از آن پاسخ دهد. این سیستم داده های بیمار و سایر منابع داده موجود را برای تشکیل یک فرضیه استخراج می کند ، سپس آن را با یک طرح نمره گذاری اطمینان ارائه می دهد. سایر برنامه های هوش مصنوعی شامل استفاده از دستیارهای بهداشتی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی ، تعیین قرار ملاقات ها ، درک روند صورتحساب و تکمیل سایر مراحل اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی ، مبارزه و درک استفاده می شودبیماری های همه گیر مانند COVID-19 .

هوش مصنوعی در تجارت. الگوریتم های یادگیری ماشین در سیستم عامل های تجزیه و تحلیل و مدیریت ارتباط با مشتری ( CRM) ادغام می شوند تا اطلاعاتی را در مورد چگونگی خدمات بهتر به مشتریان کشف کنند. بات چت ها در وب سایت ها گنجانده شده اند تا خدمات فوری به مشتریان ارائه دهند. اتوماسیون موقعیت های شغلی نیز به یک نقطه صحبت در میان دانشگاهیان و تحلیل گران فناوری اطلاعات تبدیل شده است.

هوش مصنوعی در آموزش. هوش مصنوعی می تواند درجه بندی را به صورت خودکار انجام دهد و به مربیان فرصت بیشتری می دهد. این می تواند دانش آموزان را ارزیابی کند و با نیازهای آنها سازگار شود و به آنها کمک کند تا با سرعت خود کار کنند. مربیان هوش مصنوعی می توانند به دانشجویان اطمینان دهند که آنها در مسیر خود قرار می گیرند ، پشتیبانی بیشتری می کنند. و این می تواند مکان و نحوه یادگیری دانش آموزان را تغییر دهد ، شاید حتی جای برخی از معلمان را بگیرد.

هوش مصنوعی در امور مالی. هوش مصنوعی در برنامه های مالی شخصی ، مانند Intuit Mint یا TurboTax ، اخلال در موسسات مالی است. برنامه هایی از این دست ، داده های شخصی را جمع آوری می کنند و مشاوره مالی می دهند. برنامه های دیگری مانند IBM Watson در روند خرید خانه اعمال شده است. امروزه ، نرم افزار هوش مصنوعی بیشتر معاملات را در وال استریت انجام می دهد.

هوش مصنوعی در قانون. روند کشف - غربال کردن اسناد - در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای کارگر صنعت حقوقی موجب صرفه جویی در وقت و بهبود خدمات مشتری می شود. بنگاه های حقوقی با استفاده از یادگیری ماشینی به توصیف داده ها و پیش بینی نتایج ، دید کامپیوتر برای طبقه بندی و استخراج اطلاعات از اسناد و پردازش زبان طبیعی برای تفسیر درخواست های اطلاعات می پردازند.

هوش مصنوعی در ساخت. تولید در صف اول ورود ربات ها به گردش کار بوده است . به عنوان مثال ، ربات های صنعتی که در یک زمان برای انجام تک کارها برنامه ریزی شده بودند و از کارگران انسانی جدا شده بودند ، به طور فزاینده ای به عنوان کوبات عمل می کنند : ربات های کوچک و چند وظیفه ای که با انسان همکاری می کنند و مسئولیت قسمت های بیشتری از کار را در انبارها ، کف کارخانه بر عهده می گیرند. و سایر فضاهای کاری.

هوش مصنوعی در امور بانکی. بانک ها با موفقیت از چت ربات ها استفاده می کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و معاملات را انجام دهند که نیازی به دخالت انسان ندارند. از دستیارهای مجازی AI برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شود. سازمان های بانکی همچنین از هوش مصنوعی برای بهبود تصمیم گیری خود در مورد وام ها و تعیین محدودیت های اعتباری و شناسایی فرصت های سرمایه گذاری استفاده می کنند. هوش مصنوعی در حمل و نقل. علاوه بر نقش اساسی هوش مصنوعی در کار با وسایل نقلیه مستقل ، فناوری های هوش مصنوعی در حمل و نقل برای مدیریت ترافیک ، پیش بینی تأخیر پرواز و ایمن و کارآمدتر بودن حمل و نقل دریایی استفاده می شود.

هوش مصنوعی در امنیت

هوش مصنوعی و یادگیری ماشینی در بالای لیست سخنگویانی هستند که امروز فروشندگان امنیتی برای تمایز پیشنهادات خود از آن استفاده می کنند. این اصطلاحات همچنین فن آوری های واقعی را نشان می دهند. هوش مصنوعی و یادگیری ماشینی در محصولات امنیت سایبری برای تیم های امنیتی که به دنبال راه هایی برای شناسایی حملات ، بدافزار و سایر تهدیدات هستند ، ارزش واقعی می افزایند. سازمان ها برای شناسایی ناهنجاری ها و شناسایی فعالیت های مشکوک که نشانگر تهدیدها هستند ، از یادگیری ماشینی در نرم افزار اطلاعات امنیتی و مدیریت رویدادها ( SIEM) و مناطق مربوطه استفاده می کنند. با تجزیه و تحلیل داده ها و استفاده از منطق برای شناسایی شباهت ها با کد مخرب شناخته شده ، AIمی تواند هشدارهای مربوط به حملات جدید و جدید را بسیار زودتر از کارمندان انسانی و تکرارهای قبلی فناوری ارائه دهد.

در نتیجه ، فناوری امنیتی AIهم به طور چشمگیری تعداد مثبت های کاذب را کاهش می دهد و هم به سازمان ها زمان بیشتری برای مقابله با تهدیدات واقعی قبل از آسیب رساندن می دهد. فناوری بلوغ نقش مهمی در کمک به سازمانها برای مقابله با حملات سایبری دارد.

تنظیم فناوری هوش مصنوعی

با وجود خطرات احتمالی ، در حال حاضر مقررات کمی در مورد استفاده از ابزار هوش مصنوعی وجود دارد و در مواردی که قوانینی وجود دارد ، آنها معمولاً به طور غیر مستقیم مربوط به هوش مصنوعی هستند. به عنوان مثال ، همانطور که قبلاً ذکر شد ، مقررات وام منصفانه ایالات متحده ملزم است موسسات مالی تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان وام دهندگان می تواند از الگوریتم های یادگیری عمیق استفاده کنند ، که به ذات خود مات هستند و قابل توضیح نیستند. مقررات عمومی حفاظت از داده های اتحادیه اروپا ( GDPR) محدودیت های شدیدی در نحوه استفاده شرکت ها از داده های مصرف کننده ایجاد می کند که مانع آموزش و عملکرد بسیاری از برنامه های کاربردی هوش مصنوعی رو به مصرف کننده می شود. در اکتبر 2016 ، شورای ملی علم و فناوری گزارشی را بررسی کرد که نقش احتمالی مقررات دولتی را در توسعه هوش مصنوعی می تواند بررسی کند ، اما توصیه نکرد که قانون خاصی در نظر گرفته شود. تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود ، بخشی به این دلیل است که هوش مصنوعی شامل انواع فن آوری هایی است که شرکت ها برای اهداف مختلف استفاده می کنند و بخشی دیگر به این دلیل است که مقررات می توانند بهای پیشرفت و توسعه هوش مصنوعی را داشته باشند. تکامل سریع فن آوری های AI یکی دیگر از موانع شکل گیری تنظیم معنی دار AIاست. پیشرفت های تکنولوژی و کاربردهای جدید می تواند قوانین موجود را فوراً منسوخ کند. به عنوان مثال ، قوانین موجود تنظیم حریم خصوصی مکالمات و مکالمات ضبط شده چالشی را که توسط دستیارهای صوتی مانند آمازون Alexaو Siri اپل که جمع می شوند اما مکالمه را توزیع نمی کنند ، پوشش نمی دهد - به جز تیم های فناوری شرکت ها که از آن برای بهبود دستگاه استفاده می کنند الگوریتم های یادگیری و البته قوانینی که دولتها می توانند برای تنظیم هوش مصنوعی تهیه کنند.

5G چیست؟

اکنون همه شرکت های تلفن همراه ایالات متحده نوعی 5G را راه اندازی کرده اند. 5G چیست؟ 5G به سادگی مخفف نسل پنجم بی سیم تلفن همراه است. استانداردهای آن برای اولین بار در اواخر سال 2017 تنظیم شد. سه نوع سرویس 5Gاساسی وجود دارد: باند کم ، میان باند و باند بالا. همه آنها در حال حاضر ناسازگار هستند و عملکرد همه آنها متفاوت است. حتی اگر همه شرکت های مخابراتی ایالات متحده در حال حاضر 5G دارند ، اما چند سال دیگر طول می کشد تا شاهد تغییرات قابل توجهی در آن باشیم. برای مقایسه ، 5G برای اولین بار در سال 2010 عرضه شد و 2012/2013 قبل از محبوب شدن برنامه های اصلی که برای کار با 4Gنیاز داشتند ، بود. با این حال ، اریکسون ، ارائه دهنده پیشرو فناوری اطلاعات و ارتباطات (ICT) برای ارائه دهندگان خدمات ، تخمین می زند که تا سال 2024 ، 40٪ از جهان با 5G متصل شود.

"G" در 5G به معنای "نسل" است. 1G سرویس تلفن همراه آنالوگ بود. فناوری های 2G اولین نسل از فناوری های تلفن همراه دیجیتال بودند. فناوری های 3G سرعت را از 200 کیلوبیت بر ثانیه به چندین مگابیت در ثانیه بهبود بخشید. فناوری های 4G در حال حاضر صدها مگابیت بر ثانیه و حتی تا سطح گیگابیت سرعت ارائه می دهند. 5G چندین جنبه جدید را ارائه می دهد: کانال های بزرگتر برای ارائه سرعت بیشتر ، تأخیر کم برای پاسخگویی بیشتر و امکان اتصال همزمان دستگاه های بیشتر.

هوش مصنوعی چه نقشی در شبکه های 5G بازی می کند؟

پیچیدگی های زیادی در پذیرش شبکه های 5G وجود دارد و یکی از راه های رسیدگی صنعت به این پیچیدگی ها ، تلفیق هوش مصنوعی در شبکه ها است. هنگامی که اریکسون از تصمیم گیرندگان 132 شرکت تلفن همراه در سراسر جهان نظرسنجی کرد ، بیش از 50٪ اظهار داشتند که انتظار دارند تا پایان سال 2020 هوش مصنوعی را در شبکه های 5G خود ادغام کنند. تمرکز اصلی ادغام هوش مصنوعی کاهش هزینه های سرمایه ای ، بهینه سازی عملکرد شبکه و ایجاد درآمد جدید است. جریان ها 55٪ از تصمیم گیرندگان اظهار داشتند که هوش مصنوعی در حال حاضر برای بهبود خدمات مشتری و افزایش تجربه مشتری با بهبود کیفیت شبکه و ارائه خدمات شخصی استفاده می شود. 70٪ معتقدند که استفاده از هوش مصنوعی در برنامه ریزی شبکه بهترین روش برای جبران مجدد سرمایه گذاری های انجام شده در تغییر شبکه به 5G است. 64٪ از پاسخ دهندگان نظرسنجی تلاش های هوش مصنوعی خود را بر مدیریت عملکرد شبکه متمرکز می کنند. از دیگر مناطقی که تصمیم گیرندگان تلفن همراه قصد دارند سرمایه گذاری های هوش مصنوعی را متمرکز کنند ، مدیریت SLA ها ، چرخه های عمر محصول ، شبکه ها و درآمد است.

البته چالش های مرتبط با ادغام هوش مصنوعی در شبکه های 5G وجود دارد. مکانیسم های موثری برای جمع آوری ، ساختار و تجزیه و تحلیل حجم عظیمی از داده های جمع آوری شده توسط هوش مصنوعی باید ایجاد شود. به همین دلیل ، متقاضیان اولیه هوش مصنوعی که راه حل هایی برای این چالش ها پیدا می کنند ، با اتصال شبکه های 5G ، به عنوان پیشگامان برجسته ظاهر می شوند.

چرا 5Gبا حوزه هوش مصنوعی ارتباط دارد؟

در حالی که تلفن های هوشمند ما به طور فزاینده ای کوچکتر شده اند ، الگوریتم های اصلی که آنها را اجرا می کنند از دهه 1990 پیشرفت نکرده اند. بنابراین ، سیستم های 5G به مراتب بیش از حد موردنظر مصرف می کنند و نرخ داده کمتری از حد انتظار را به دست می آورند. جایگزینی الگوریتم های بی سیم سنتی با هوش مصنوعی یادگیری عمیق باعث کاهش چشمگیر مصرف انرژی و بهبود عملکرد می شود. این رویکرد اساساً مهمتر از تمرکز هوش مصنوعی در درجه اول روی مدیریت و برنامه ریزی شبکه خواهد بود.

علاوه بر این ، پهنای باند مورد استفاده توسط شبکه های تلفن همراه فعلی در طیف رادیویی کار می کند. به امواج الکترومغناطیسی در محدوده فرکانس طیف رادیویی امواج رادیویی گفته می شود. امواج رادیویی ، همراه با تعداد زیادی از فن آوری های مدرن ، در ارتباطات از راه دور بسیار مورد استفاده قرار می گیرند. قوانین ملی به طور دقیق دخالت بین کاربران امواج رادیویی مختلف را تنظیم می کند و اتحادیه بین المللی مخابرات (ITU) بر هماهنگی این قوانین نظارت می کند. این نگرانی وجود دارد که استفاده روز افزون از فن آوری های بی سیم باعث ازدحام بیش از حد امواج دستگاه های ما برای برقراری ارتباط با یکدیگر شود. یکی از روشهای پیشنهادی برای حل این مسئله ، توسعه دستگاههای ارتباطی است که هر بار با یک فرکانس یکسان پخش نمی شوند. سپس از طریق الگوریتم های هوش مصنوعی می توان فرکانس های موجود را با استفاده از آگاهی هوشمند از فعالیت RFکه قبلاً امکان پذیر نبود ، پیدا کرد.

5G و زمینه هوش مصنوعی

در حالی که 5Gتا 20 برابر سریعتر از 4G است ، سرعتهای فراتر از سرعت سریع را نیز ارائه می دهد. سرعت 5Gبه دلیل تأخیر کم ، به توسعه دهندگان این امکان را می دهد تا برنامه هایی ایجاد کنند که از زمان بهبود یافته پاسخ ، از جمله انتقال ویدئو نزدیک به زمان واقعی برای رویدادهای ورزشی یا اهداف امنیتی ، بهره کافی را ببرند. علاوه بر این ، اتصال 5Gامکان دسترسی بیشتر به داده های زمان واقعی از راه حل های مختلف را فراهم می کند. 5G از سنسورهای اینترنت اشیا ((اینترنت اشیا) استفاده می کند که سالها دوام می آورند و برای کارکرد به انرژی بسیار کمتری نیاز دارند. این امر می تواند سطح آبیاری کشاورزی و تغییرات شرایط تجهیزات را از راه دور در کارخانه ها تشخیص دهد. پزشکان می توانستند با سهولت بیشتری به داده های بیمار دسترسی داشته باشند. همه این فرصت ها نیاز به استفاده از هوش مصنوعی برای عملکردی بودن آنها دارند.

تکامل هوش مصنوعی (AI)

5G چگونه به هوش مصنوعی کمک می کند؟

Edge computing مفهوم پردازش و تجزیه و تحلیل داده ها در سرورهای نزدیک به برنامه هایی است که آنها ارائه می دهند. در حالی که محبوبیت و افتتاح بازارهای جدیدی برای ارائه دهندگان خدمات مخابراتی رو به رشد است ، در میان صنایع دیگر ، بسیاری اظهار داشتند که معرفی محصولات "متصل" مانند لیوان قهوه و قرص های قرص ، باعث رشد بازار مطابق انتظار نشد. پیشرفت های اخیر فناوری هوش مصنوعی ، انقلابی در صنایع و مقدار ارزشی که تمام این ارتباطات می تواند با ترکیب داده های بزرگ ، اینترنت اشیا و هوش مصنوعی فراهم کند ، آغاز شده است.

5G این انقلاب را تسریع می کند زیرا معماری شبکه 5G به راحتی از پردازش هوش مصنوعی پشتیبانی می کند. معماری شبکه 5Gآینده هوش مصنوعی را تغییر خواهد داد. 5G سرعت و یکپارچه سازی سایر فناوری ها را افزایش می دهد ، در حالی که هوش مصنوعی به ماشین ها و سیستم ها امکان می دهد با سطح هوش مشابه انسان کار کنند. به طور خلاصه ، 5G سرعت خدمات را در ابر افزایش می دهد در حالی که هوش مصنوعی سریعتر همان داده ها را تجزیه و تحلیل و یاد می گیرد.

5G و AI: ترکیبی بالقوه بالقوه

سخنرانی هفته گذشته ایالات متحده در اتحادیه ایالات متحده توسط رئیس جمهور دونالد ج. ترامپ قول داد که قانون سرمایه گذاری در "صنایع پیشرفته آینده" انجام شود. کاخ سفید بدون جزئیات زیادی در ابتدا ، جاهای خالی را با پیشنهاد "تعهد پرزیدنت ترامپ به رهبری آمریکا در زمینه هوش مصنوعی ، بی سیم 5G ، علوم کوانتومی و تولید پیشرفته تضمین می کند که این فناوری ها به نفع مردم آمریکا و نوآوری آمریکایی است" اکوسیستم برای نسلهای بعدی حسادت جهانیان باقی مانده است. " این در شرایطی اتفاق می افتد که کشورهایی مانند چین واقعاً در این فناوری ها یک گام به جلو برداشته اند و شرکت مخابرات چینی هواوی به ویژه پیشرفت چشمگیری داشته است. در سطح جهانی ، باید بدانیم که 5G در چهارراه سرعت قرار دارد که توانایی پردازش برای هوش مصنوعی را تغییر می دهد و شکاف بین پردازش در ابر در مقابل دستگاه ها را کاهش می دهد. همچنین این شرکت سهم عمده ای در پیشبرد پردازش متمرکز خواهد داشت. 5G بحث پیرامون رایانه لبه هوش مصنوعی را بی ربط می کند. سرعتی را که 5G می تواند از نظر پهنای باند ، تأخیر میلی ثانیه و اتصالات قابل اطمینان ارائه دهد ، در گیگابایت تصور کنید. معماری شبکه به راحتی از پردازش هوش مصنوعی پشتیبانی می کند و چشم انداز هوش مصنوعی را تغییر می دهد. برای ارائه برخی زمینه ها ، شناخت چگونگی تعبیه 5G و AIدر یکدیگر مهم است. 5G به عنوان نسل بعدی فناوری ارتباطات سیار آینده نزدیک توصیف می شود و سرعت و تلفیق فناوری های مختلف را افزایش می دهد. این امر به سرعت ، کیفیت خدمات ، قابلیت اطمینان و موارد بسیار بیشتری انجام خواهد شد که می تواند روش فعلی ما برای استفاده از اینترنت و خدمات مربوط به آن را تغییر دهد. از طرف دیگر ، ما باید درک کنیم که هوش مصنوعی آماده است تا به ماشین ها و سیستم ها اجازه دهد با سطح هوشی مشابه انسان کار کنند. با کمک 5Gدر پس زمینه شبیه سازی های آنلاین برای تجزیه و تحلیل ، استدلال ، برازش داده ها ، خوشه بندی و بهینه سازی ، هوش مصنوعی با سرعت نور قابل اطمینان تر و قابل دسترسی تر می شود. تصور کنید که هنگامی که سیستم های خود را برای انجام برخی وظایف آموزش دادید ، انجام تجزیه و تحلیل به صورت خودکار و سریعتر انجام می شود در حالی که هزینه بسیار کمتری دارد.

به زبان ساده ، 5Gخدماتی را که ممکن است روی cloud داشته باشید سرعت می بخشد ، تاثیری مشابه محلی بودن سرویس است. هوش مصنوعی سریعتر همان داده ها را تجزیه و تحلیل می کند و می تواند سریعتر یاد بگیرد تا بتواند بر اساس نیازهای کاربران توسعه یابد. 5G همچنین نوید پیشرفت چشمگیری در سیستم های سنتی ارتباطات سیار می دهد. 5G قصد دارد قابلیت های شبکه های سنتی ما را افزایش دهد. حتی سرعتی که از طریق سیم یا فیبر به دست می آوریم در شبکه 5G بسیار فراتر رفته و برای پشتیبانی از کاربردهای اینترنت اشیا در زمینه های مختلف از جمله تجارت ، تولید ، مراقبت های بهداشتی و حمل و نقل تکامل می یابد. 5Gبه عنوان فن آوری اساسی برای فناوری های آینده اینترنت اشیا که کل سازمان ها را به هم متصل و فعالیت می کنند ، خدمت خواهد کرد ، هدف پشتیبانی از برنامه های متمایز با یک چارچوب فنی یکنواخت است. با این حال ، با توسعه سریع ، AI به عنوان یک پشتیبانی بالقوه امیدوار کننده از مشکلات مرتبط با دوران 5G تبدیل می شود و به مفاهیم و قابلیت های انقلابی در ارتباطات منجر می شود. این امر همچنین با شیوع بیشتر نیازهای تجاری ، بازی را در دنیای برنامه ها "بالا" می برد. همانطور که گفته شد ، فاصله بین پردازش ابری و پردازش روی دستگاه از بین خواهد رفت. تقویت رویای عظیم شبکه اینترنت اشیا عملی تر خواهد شد. در حقیقت ، 5G به تأثیر قابل توجهی در پردازش هوش مصنوعی نیاز دارد. در این میان ، به دلیل اینکه برنامه های هوش مصنوعی به جای انتظار برای استقرار 5G، در دستگاه ها ادغام می شوند ، به نظر می رسد یک استراتژی ایمن برای اتکا به پردازش هوش مصنوعی مبتنی بر دستگاه وجود دارد. با این حال ، یک چیز مطمئناً است: فشار این است که یکپارچه سازی 5G و AIروی تراشه های مشابه در تلفن های همراه همراه شما اتفاق بیفتد و این تلفن ها را نیز هوشمندتر کند.

حال سواال این است که آیا ما آماده دیدن این اتفاق هستیم؟ خوب ، در حال حاضر در برخی از کشورهای جهان شروع به آشکار شدن می کند ، با رهبری چین. به نظر می رسد عرصه تلفن های هوشمند به ویژه رقابتی است که می تواند باعث پذیرش زودتر و تغییر شبکه ها شود. از خطوط امنیتی تا خطوط اطمینان آماده باشید ، زیرا ما باید زودتر از گذشته خود را با همان استانداردها سازگار کنیم.

نحوه یادگیری ماشین چگونه بر فناوری بی سیم 5G تأثیر می گذارد؟

یادگیری ماشینی چیست؟

به زبان ساده ، یادگیری ماشین (ML) زیرمجموعه ای از هوش مصنوعی است که الگوریتم ها و مدل های آماری را برای انجام یک کار خاص بدون استفاده از دستورالعمل های صریح ، با تکیه بر الگوها و استنباط ها ایجاد می کند. الگوریتم های ML مدل های ریاضی را بر اساس داده های نمونه ، داده های آموزشی ، برای پیش بینی یا تصمیم گیری بدون برنامه ریزی خاص برای آن کار می سازند. الگوریتم های پردازش سیگنال یاد گرفته شده می توانند نسل بعدی سیستم های بی سیم را با کاهش قابل توجهی در مصرف برق و بهبود چگالی ، توان و دقت در مقایسه با سیستم های شکننده و طراحی دستی امروزی ، توانمند سازند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن الگوریتم های مورد استفاده دارای سطوح مختلفی هستند که هر یک تفسیر متفاوتی از داده ها ارائه می دهند. شبکه بعدی الگوریتم ها به شبکه های عصبی مصنوعی معروف است زیرا شباهت زیادی به شبکه های عصبی مغز انسان دارد. شبکه های عصبی که یاد می گیرند چگونه حتی به دلیل نقص های شدید ارتباط برقرار کنند ، به سرعت به واقعیت تبدیل می شوند.

هوش مصنوعی ، یادگیری ماشینی و یادگیری عمیق

چگونه می توانیم یادگیری ماشین و هوش مصنوعی را برای 5G اهرم کنیم؟

یک شبکه 5Gکاملاً عملیاتی و کارآمد بدون هوش مصنوعی کامل نمی شود. ادغام ML و AIدر لبه شبکه می تواند با استفاده از شبکه های 5Gحاصل شود. 5G امکان اتصال همزمان به چندین دستگاه اینترنت اشیا فعال را فراهم می کند و حجم عظیمی از داده ها را تولید می کند که باید با استفاده از ML و AIپردازش شوند.

هنگامی که MLو AI با رایانه لبه چند دسترسی 5G (MEC) ادغام می شوند ، ارائه دهندگان بی سیم می توانند:

1. سطوح بالای اتوماسیون از ساختار توزیع شده MLو AI در لبه شبکه

2. فرمان ترافیک مبتنی بر برنامه در سراسر شبکه های دسترسی

3. برش شبکه پویا برای رسیدگی به سناریوهای مختلف با کیفیت متفاوت خدمات (QoS) مورد نیاز

5G می تواند یک عامل اصلی برای هدایت ادغام ML و AIدر لبه شبکه باشد. شکل زیر نشان می دهد که چگونه 5Gارتباطات همزمان را با چندین دستگاه اینترنت اشیا generaایجاد می کند که حجم عظیمی از داده ها را تولید می کند. ادغام MLو AI با 5G multi-access edge computing (MEC) اپراتورهای بی سیم را قادر می سازد تا:

1. سطح بالایی از اتوماسیون از ساختار توزیع شده ML و AIدر لبه شبکه

2. فرمان و تجمع ترافیکی مبتنی بر برنامه در شبکه های دسترسی ناهمگن

3. برش شبکه پویا برای رسیدگی به موارد استفاده متنوع با الزامات QoSمختلف

4. ارائه ML / AI به عنوان یک سرویس برای کاربران نهایی

چرا یادگیری ماشین برای سیستم های بی سیم 5G مهم است؟

شبکه های 4Gموجود برای انتقال از اتصال باند پهن پروتکل اینترنت (IP) استفاده می کنند که بازده ضعیفی را ارائه می دهد. MLو AI به شبکه های 5Gامکان پیش بینی و پیشگیری را می دهند ، که برای عملکرد شبکه های 5G ضروری است. با ادغام MLدر فناوری 5G ، ایستگاه های پایه هوشمند قادر به تصمیم گیری برای خود خواهند بود و دستگاه های تلفن همراه قادر به ایجاد خوشه های سازگار با پویایی بر اساس داده های آموخته شده هستند. این کارایی ، تأخیر و قابلیت اطمینان برنامه های شبکه را بهبود می بخشد.

پتانسیل ها و محدودیت های یادگیری ماشین برای ارتباطات 5G

با پیچیده شدن شبکه 5Gو ظهور کاربردهای جدیدی از جمله اتومبیل های خودکار ، اتوماسیون صنعتی ، واقعیت مجازی ، سلامت الکترونیکی و سایر موارد ، MLبرای تحقق چشم انداز 5G ضروری خواهد شد. مانند هر فناوری جدید ، هم پتانسیل های قابل توجهی برای دستیابی وجود دارد و هم محدودیت هایی که باید برطرف شوند.

پتانسیل های MLبرای ارتباطات 5G عبارتند از:

باند پهن موبایل پیشرفته (eMBB): به برنامه های جدید با تقاضای میزان داده بالاتر در یک منطقه تحت پوشش یکنواخت اجازه می دهد. به عنوان مثال می توان به پخش ویدئو با کیفیت فوق العاده بالا و واقعیت مجازی اشاره کرد.

ارتباطات عظیم از نوع ماشین (mMTC):مشخصه اصلی خدمات ارتباطی 5G تقاضای اتصال مقیاس پذیر برای گسترش تعداد دستگاه های بی سیم با انتقال کارآمد مقدار کمی داده در مناطق تحت پوشش گسترده است. برنامه هایی مانند شبکه های منطقه بدن ، خانه های هوشمند ، اینترنت اشیا و تحویل هواپیماهای بدون سرنشین این نوع ترافیک را ایجاد می کنند. mMTC باید بتواند از کاربردهای جدید و هنوز پیش بینی نشده پشتیبانی کند.

ارتباطات با تاخیر کم فوق العاده قابل اطمینان (URLLC):مراقبت های بهداشتی متصل ، جراحی از راه دور ، برنامه های مهم مأموریت ، رانندگی خودکار ، ارتباطات خودرو به وسیله نقلیه (V2V) ، اتصال قطار سریع السیر و برنامه های صنعت هوشمند قابلیت اطمینان را در اولویت قرار می دهند ، کم تاخیر ، و تحرک بیش از نرخ داده.

محدودیت های MLبرای ارتباطات 5G عبارتند از:

داده ها: داده های با کیفیت بالا برای برنامه های کاربردی MLضروری است ، و نوع داده ها (دارای برچسب یا بدون برچسب) یک عامل حیاتی در هنگام تصمیم گیری برای استفاده از نوع یادگیری است. MLفقط به اندازه داده هایی است که دریافت می کند.

قضیه بدون ناهار رایگان: این قضیه بیان می کند که اگر میانگین توزیع های ایجاد شده داده ها به طور متوسط ​​باشد ، هر الگوریتم ML هنگام استنباط داده های مشاهده نشده ، عملکرد یکسانی خواهد داشت. این بدان معنی است که هدف MLجستجوی بهترین الگوریتم یادگیری مطلق نیست ، بلکه درک این است که چه نوع توزیعی مربوط به یک برنامه خاص 5G است و کدام الگوریتم ML بهترین عملکرد را در آن داده خاص دارد.

انتخاب Hyperparameters: Hyperparameters مقادیری است که قبل از شروع آموزش در الگوریتم های ML تنظیم شده است. این مقادیر باید با دقت انتخاب شوند زیرا بر پارامترهای نهایی که از نتایج یادگیری به روز می شوند تأثیر می گذارند.

تفسیر پذیری در مقابل دقت: از دید ذینفعان ، درک متقابل متقابل متغیرهای مستقل دشوار است و ممکن است همیشه منطقی تجارت نباشد. بنابراین ، باید بین تفسیر داده ها و صحت کامل داد و ستد شود.

حریم خصوصی و امنیت: الگوریتم های ML ممکن است مورد حملات خصمانه قرار بگیرند ، مانند تغییر در یک نمونه ورودی ، مدل را مجبور به طبقه بندی آن در دسته ای متفاوت از کلاس اصلی خود کند.

عرضه جهانی 5G

تا سال 2025 ، شبکه های 5G احتمالاً یک سوم جمعیت جهان را پوشش می دهند. تأثیر آن بر صنعت موبایل و مشتریان آن عمیق خواهد بود. 5G بیش از نسل جدید فناوری است. این دوره جدیدی را نشان می دهد که در آن اتصال به طور فزاینده ای روان و انعطاف پذیر خواهد شد. شبکه های 5G با برنامه ها سازگار می شوند و عملکرد دقیقاً متناسب با نیازهای کاربر تنظیم می شود.

GSMA با همکاری نزدیک با اپراتورهای تلفن همراه که پیشگام 5G هستند ، با دولت ها ، صنایع عمودی از جمله خودرو ، خدمات مالی ، ارائه دهندگان خدمات بهداشتی ، اپراتورهای حمل و نقل ، تاسیسات و سایر بخش های صنعت در ارتباط است تا پرونده های تجاری 5G را توسعه دهد.

نوآوریهای برتر 5G در Horizon

با تمام این پتانسیل برای استفاده از ML و AI برای ادغام در شبکه های 5G ، صنایع در حال حاضر هستند کار در جهت نوآوری با 5G. برخی از برترین نوآوری های موجود در این افق عبارتند از:

:Sports ویژگی های پیشرفته 5G مشاهده مانند مشاهده سه بعدی و موارد مختلف را فراهم می کند چشم اندازهای یک بازی زنده.

واقعیت مجازی بی سیم (VR): با 5G ، کاربران می توانند از محتوای VR در هر مکان و هر زمان لذت ببرند.

واقعیت افزوده5G :(AR)خدمات واقع گرایانه AR مانند باغ وحش های مجازی را ارائه می دهد.

اجراهای زنده: 5G عملکردهای بسیار عالی با کیفیت بالا را از دستگاه های بی سیم ارائه می دهد.

پخش جریانی بازی: بازی ها از طریق 5G روی ابر پردازش می شوند و در حالی که اجازه می دهند به صورت جریانی پخش می شوند

آوازخوانی آنلاین: بسیاری از افراد می توانند با استفاده از قابلیت های 5G به صورت آنلاین آواز بخوانند.

اتومبیل های خودران: این فناوری به قدرت محاسباتی احتیاج دارد که فقط می توان به آن دست یافت از طریق شبکه های 5G و هوش مصنوعی به عنوان نقشه های سه بعدی شهرها در وسایل نقلیه در آپلود می شوند زمان واقعی ، ترافیک به روز می شود و به روزرسانی های نرم افزاری از طریق آن انجام می شود.

5G از شکلهای موج RAN استاندارد صنعت مانند "5G New Radio Interface Air" استفاده می کند توسعه یافته توسط کمیته بین المللی 3GPP. برای دستیابی به بهبود عملکرد در 5G ، DeepSig's OmniPHY ضمن حفظ سازگاری ، AI را جایگزین الگوریتم های پردازش با استاندارد 3GPP 5G. موجود می کند.

الگوریتم های پیشرفته DeepSig در 5G RAN به کاهش قدرت ، کاهش هزینه قطعات کمک می کند ، تراکم و عملکرد دستگاه را افزایش دهید و 5G BTS را کارایی و استفاده کنید استقرار از نظر OpEx و CapEx ارزان تر و مستقل تر است.

DeepSig سرمایه گذاری زیادی در استفاده از AI برای 5G و سایر فناوری های بی سیم مصرف کننده دارد ، و به سرعت با نرم افزار OmniPHY این قابلیت ها را توسعه ، بررسی و تولید می کند محصول در اجرای NR L1 RAN محکم همراه است.

خانه بی سیم: برخی از قدیمی ترین دستگاه های 5G دارای نقاط اتصال بی سیم برای کل خانه هستند.

اسکنرهای کم مصرف مانند تجهیزات خاص مزرعه ، خودپردازها ، تجهیزات پزشکی وماشین آلات سنگین کنترل از راه دور: این موارد نیازی به اتصال و اراده دائمی ندارند بنابراین می توانید 10 سال با همان باتری کار کنید در حالی که هنوز به صورت دوره ای داده ارسال می کنید. تکنسین های دارای مهارت های تخصصی قادر به کار با ماشین آلات از هر نقطه در جهان خواهند بود.

ایمنی و زیرساخت های عمومی: شهرها و سایر شهرداری ها می توانند فعالیت بیشتری داشته باشند با استفاده موثر از شبکه های 5G. شرکت های تاسیساتی قادر خواهند بود تا از راه دور ، حسگرها را ردیابی کنند می تواند هنگام سیلاب زباله یا خاموش شدن چراغ های خیابان ، و اداره ها به کارهای عمومی اطلاع دهد قادر به نصب سریع و ارزان دوربین های نظارتی خواهد بود.

بهداشت و درمان: پزشکی از راه دور ، بهبودی از راه دور ، فیزیوتراپی از طریق AR ، جراحی دقیق و حتی جراحی از راه دور همه احتمالات است. بیمارستان ها قادر به ایجاد شبکه های حسگر برای نظارت هستند بیماران ، پزشکان قادر به تجویز قرص های هوشمند برای پیگیری انطباق هستند و بیمه ها نیز چنین خواهند کرد قادر به نظارت بر مشترکان برای تعیین روشهای درمانی و مناسب است.