https://virgool.io/feed/@partdpai هوشمندسازی فرآیندهای زندگی https://partdp.ai/ fa 2026-06-07 03:30:21 https://files.virgool.io/upload/users/7488/avatar/KRJ6ik.png?height=120&width=120 https://virgool.io/@partdpai https://virgool.io/@partdpai/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-vtstqs9u1izi پردازش و محاسبات در معماری با کمک هوش مصنوعینخستین و مهم‌ترین کارکرد هوش مصنوعی در معماری، این است که در پردازش و محاسبات در معماری کمک کند. هوش مصنوعی در حال تغییر تمام جنبه‌های زندگی ماست و این موضوع از رشته معماری نیز جدا نیست. البته این نکته نیز قابل ذکر است که هوش مصنوعی اگرچه خیلی پیشرفت داشته و جهان را دگرگون کرده است، ولی هنوز به یک ماهیت هوشمند مستقل تبدیل نشده است. در حقیقت هوش مصنوعی یک سیستم دیجیتالی هوشمند با تکنولوژی بالاست که می‌تواند تقریباً هر کاری انجام دهد، ولی هنوز به تلاش‌ها و نظارت انسانی برای انجام کار خود نیاز دارد.کلان‌داده‌ها و علم داده در معماریعلم داده در معماری همراه با کلان‌داده‌ها، تمام روش‌های طراحی را تغییر خواهند داد. برای یادآوری تعریف هوش مصنوعی را یک‌بار دیگر تکرار کنیم: هوش مصنوعی یک فرایند رایانه‌ای و پردازشی است، که کارهایی را که به هوش انسانی نیاز دارند، انجام می‌دهد. در حقیقت ماشین دیجیتال توانایی‌های ذهن انسان، مانند ادراک بصری، تشخیص گفتار، تصمیم‌گیری و ترجمه بین زبان‌ها را به‌دست‌ می‌آورد. نکته مهم برای علم داده در معماری این‌جاست که انسان این توانایی‌ها را با کمک داده‌های قبلی که در ذهن خود ذخیره کرده، به‌دست ‌می‌آورد و هوش مصنوعی در معماری نیز همچون انسان با کمک داده‌های قبلی به‌این توانایی‌ها می‌رسد.شهرهای هوشمند در همه جا ظاهر خواهند شدنظریه شهرهای هوشمند به آرامی خود را گسترش می‌دهد. ظاهر شهر شما در حال حاضر می‌تواند در سال‌های آینده بسیار متفاوت باشد. طراحی محیط‌های شهری یک کار پیچیده است که به سال‌ها برنامه‌ریزی دقیق نیاز دارد. با این حال، وظیفه اصلی معمار این است که بفهمد یک شهر چگونه جریان خواهد داشت و چگونه یک اکوسیستم هم‌زیستی خواهد کرد. ظهور شهرهای هوشمند مبتنی بر هوش مصنوعی، معماران را وادار می‌کند تا در مدل‌های سنتی خود تجدیدنظر کنند و این یکی از کارکردهای هوش مصنوعی در معماری است.مطلب کامل: کاربرد هوش مصنوعی در معماری مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 19 Sep 2023 14:37:57 +0330 https://virgool.io/@partdpai/%D8%A8%D8%B1%D8%AA%D8%B1%DB%8C%D9%86-%D8%B3%D8%A7%DB%8C%D8%AA-%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AC%D9%87%D8%A7%D9%86-cmt8jdk7cdvx در اینجا طبق پژوهش‌های ما، سایت های هوش مصنوعی برتر دنیا که کاملاً بر روی این فناوری تمرکز دارند، به چند دسته تقسیم می‌شوند: کسب‌وکار (برای دادن ایده و مشاوره در مورد نحوه استفاده از هوش مصنوعی در شرکت‌ها و سازمان‌ها)، اخبار (برای اطلاعات عمومی از جمله آخرین اکتشافات و نوآوری‌ها) و فنی (برای توسعه‌دهندگان در هر سطحی که به دنبال بهبود هستند، چه از طریق وبینارها چه از طریق هوش مصنوعی آنلاین).AI Trends (کسب‌وکار)MIT News (اخبار)hooshio(کسب‌وکار/ اخبار/ فنی)Analytics Vidhya (فنی)Science Daily (اخبار)DLabs.AI (فنی/ کسب‌وکار)DeepMind (فنی/ اخبار)-->> کسب اطلاعات بیشتر درباره سایتهای هوش مصنوعی برتر دنیا مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 19 Sep 2023 14:32:42 +0330 https://virgool.io/@partdpai/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%87%D8%A7%DB%8C-%D9%88%DB%8C%D8%B1%D8%A7%DB%8C%D8%B4-%D8%B9%DA%A9%D8%B3-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-inafblzfgcqq هوش مصنوعی یک اصطلاح کلی برای ماشین‌های کامپیوتری است که برای پردازش اطلاعات مشابه مغز انسان طراحی شده‌اند. یکی از این کارها ویرایش عکس است. در واقع، هوش مصنوعی در ویرایش عکس، تجزیه و تحلیل یک عکس و ایجاد پیش‌بینی‌های هوشمندانه در مورد نحوه ویرایش، تنظیم یا بهبود عکس را در نظر می‌گیرد و در نتیجه کارهای دستی به سرعت به صورت خودکار انجام می‌شوند.کاربردهای هوش مصنوعی در حوزه ویرایش عکسبرخلاف فیلترهای معمولی که بر روی عکس می‌نشینند، تا ظاهر آن را تغییر دهند، فیلترهای مبتنی بر هوش مصنوعی به‌طور کاملاً متفاوت، عکس را اصلاح می‌کنند. برخی از برنامه های ویرایش عکس هوش مصنوعی با بازسازی کامل عکس، ظاهر آن را تغییر می‌دهند. این امر با استفاده از الگوریتم‌های مبتنی بر یادگیری ماشین و شبکه‌های عصبی انجام می‌شود. اگر بخواهیم در اینجا به کاربردهای هوش مصنوعی در حوزه ویرایش عکس اشاره‌ای داشته باشیم، باید بگوییم شبکه‌های عصبی از تشخیص اشیا برای هنر عکس استفاده می‌کنند، تا اساساً تصاویر را در لایه‌ها تجزیه و تحلیل کنند.Tokking HeadsFaceAppAurora HDRPrismaLensaLuminarجهت خواندن ادامه مطلب و دانلود و نحوه کار با این اپیلیکیشن ها روی لینک زیر کلیک کنید.ویرایش عکس با هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sun, 03 Sep 2023 15:44:16 +0330 https://virgool.io/@partdpai/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D9%85%D9%86%D8%A7%D8%A8%D8%B9-%D8%A7%D9%86%D8%B3%D8%A7%D9%86%DB%8C-gg5alwpjx1az در بیشتر محیط‌های حرفه‌ای، هوش مصنوعی برای انجام کارهای پیش‌پاافتاده مانند پاسخ دادن به سؤالات مربوط به آب‌وهوا یا روشن کردن چراغ‌ها مورداستفاده قرار نمی‌گیرد، بلکه از هوش مصنوعی کاربردهای بیشتری انتظار می‌رود.هوش مصنوعی می‌تواند تصمیمات هوشمندانه‌ای را در حین خودکارسازی وظایف در محیط کاری اتخاذ نماید.خودکارسازیهوش مصنوعی در مدیریت منابع انسانی، برای خودکارسازی فعالیت‌های تکراری و کم‌ارزش در نظر گرفته شده که می‎تواند زمان زیادی را از متخصصان منابع انسانی بگیرد.جذب نیرومتقاضیان کار معمولاً می‌خواهند شغلی را بیابند که مزایای مناسبی را به آن‌ها ارائه می‌دهد و فرصت‌هایی برای رشد در اختیارشان قرار می‌دهد.سلامت کارکنانهمچنین، ابزارهای مبتنی بر هوش مصنوعی در مدیریت منابع انسانی می‌توانند به متخصصان این حوزه کمک کنند، تا مؤثرترین برنامه‌های ارتباطی مناسب را ارائه دهند. این امر می‌تواند به بهبود تعامل و حفظ کارکنان کمک نماید و در نهایت عملکرد کلی شرکت را افزایش دهد.خواندن متن کامل مطلب: ۱۰ کاربرد هوش مصنوعی در مدیریت منابع انسانی مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 18 Jul 2023 15:57:46 +0330 https://virgool.io/@partdpai/%D9%85%D9%87%D8%A7%D8%B1%D8%AA-%D9%87%D8%A7%DB%8C-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%85%D9%87%D9%86%D8%AF%D8%B3-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-sqgapwkj7oup فرصت‌های شغلی هوش مصنوعیبا افزایش کاربرد ML و AI، مشاغل موجود در این حوزه‌ها دقیق‌تر و تخصصی‌تر می‌شوند. در این قسمت، برخی از این مشاغل و میانگین درآمد سالانه‌ی آن‌ها را معرفی می‌کنیم:مهندس هوش مصنوعیاز وظایف مهندسین هوش مصنوعی: مدل‌های هوش مصنوعی و آزمایش و پیاده‌سازی آن‌ و حل مسئله هستند.سالانه به طور میانگین ۱۱۶۵۴۰ دلار درآمد دارند.مهندس یادگیری ماشین: این مهندسان با حجم زیادی داده در ارتباطند و تسلط کافی باید در مدیریت داده داشته باشند.سالانه به طور میانگین ۱۲۱۱۰۶ دلار درآمد دارند.توسعه‌دهنده هوش تجاری (BI) این متخصصین هوش تجاری و هوش مصنوعی را ترکیب میکنند.سالانه به طور میانگین ۹۰۴۳۰دلار درآمد دارند.متخصص رباتیک: ارتقا مسائل مرتبط با ربات ها.سالانه به طور میانگین ۸۳۲۴۱ دلار درآمد دارند.ادامه را در مطلب فرصت‌های شغلی هوش مصنوعی و یادگیری ماشین بخوانید. مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sun, 16 Jul 2023 14:37:19 +0330 https://virgool.io/@partdpai/%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%DA%A9%D8%A7%D8%B1-%D8%AF%D8%B1-%D8%AD%D9%88%D8%B2%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-ga1yg9gjvkso وضعیت شرکت‌های هوش مصنوعی در ایرانبرای دریافتن وضعیت شرکت‌های هوش مصنوعی در ایران توصیه می‌کنیم کتاب دیده‌بان هوش مصنوعی را مطالعه کنید. این کتاب از سال ۱۳۹۷ توسط مرکز تحقیقات هوش مصنوعی پارت جهت بررسی وضعیت هوش مصنوعی در ایران و جهان منتشر شد. در بخشی از این کتاب که هر سال آپدیت می‌شود، تعدادی از شرکت‌های شناسایی‌شده در ایران که به تولید محصولات و خدمات هوش مصنوعی و یادگیری ماشین می‌پردازند، معرفی می‌شوند. در این مقاله به دلیل اینکه آمار دقیقی از تعداد کل شرکت‌های هوش مصنوعی در ایران در دست نیست، ما اطلاعات کتاب «دیده‌بان هوش مصنوعی» را به‌عنوان مرجع در نظر می‌گیریم.درخصوص ارتباط هوش مصنوعی و شرکت‌های دانش‌بنیان باید گفت، شرکت‌های فعال در حوزه هوش مصنوعی می‌توانند پس از کسب امتیازهای لازم، در مجموعه شرکت‌های دانش‌بنیان قرار گیرند. در سال ۱۴۰۰ از مجموع ۱۲۳ شرکت هوش مصنوعی شناسایی‌شده در کشور، ۶۴ شرکت موفق شدند مجوز شرکت‌های دانش‌بنیان را اخذ نمایند.میزان درآمد متخصصین هوش مصنوعی در ایران و دنیااین روزها تقاضا برای مشاغل هوش مصنوعی بسیار زیاد است و اگر بگوییم حقوق‌ تعداد زیادی از افراد، تا شش رقم هم می‌رسد، بلوف نزده‌ایم. البته رقم دقیق آن، به عوامل زیادی بستگی دارد، از جمله مسئولیت‌های شغلی خاص، صنعت، تجربه، سطح تحصیلات و موقعیت جغرافیایی؛ اما در اینجا یک محدوده معمولی وجود دارد: در پایین‌ترین سطح، Indeed گزارش می‌دهد که یک مهندس محقق هوش مصنوعی تقریباً ۹۲,۹۳۸ دلار در سال و یک مهندس یادگیری ماشین حدود ۱۵۰,۱۸۳ دلار درآمد خواهد داشت. ادامه را در مطلب وضعیت اشتغال هوش مصنوعی در ایران و جهان بخوانید. مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 11 Jul 2023 15:47:15 +0330 https://virgool.io/@partdpai/%D9%85%D9%87%D9%85%D8%AA%D8%B1%DB%8C%D9%86-%D8%B1%D8%A8%D8%A7%D8%AA-%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-widc2o9ndnax ربات‌ها در حوزه‌های مختلفی همچون بخش‌های دفاعی، پزشکی، صنعتی، تجاری، معدنی و سرگرمی کاربرد دارند. هوشیو در اینجا به برخی از مهمترین ربات‌های هوش مصنوعی اشاره می‌کنیم:Altasپویاترین انسان‌نما در جهانSophiaتوسط Hanson Robotics ساخته شده است، یکی از اولین شهروندان ربات انسان‌نما با فناوری تشخیص چهره و قابلیت پردازش زبان طبیعی است. Honda’s Asimoدر میان تمام ساخته‌های رباتیک دیگر متمایز است، زیرا طراحی آن بسیار شبیه بدن انسان است.ChatGPTیکی از مهمترین ربات‌های هوش مصنوعی ChatGPT است.Promobotربات هوش مصنوعی Promobot مختص کسب‌وکار است که با استفاده از هوش مصنوعی با مردم ارتباط برقرار می‌کند. مطلب کامل مشهورترین ربات های هوش مصنوعی را مطالعه کنید. مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 10 Jul 2023 16:17:34 +0330 https://virgool.io/@partdpai/%D8%AF%D8%B3%D8%AA%DB%8C%D8%A7%D8%B1-%D8%B5%D9%88%D8%AA%DB%8C-%D8%A7%D9%84%DA%A9%D8%B3%D8%A7-wol8njet4ecn دستیار صوتی الکسا نام جدیدترین فناوری ارائه شده از سوی شرکت آمازون است. این دستیار، به هوش مصنوعی مجهز است و با بهره‌گیری از تکنولوژی زبان طبیعی می‌تواند دستورهایی که انسان صادر می‌کند را به Task تبدیل کرده و انجام دهد. به بیان دیگر، الکسا نشانه‌ای از آینده در حال آمدن است. زیرا بسیاری از کسانی که الکسا را از نزدیک دیده و لمس کردند، اظهار داشتند که انقلاب صنعتی پنجم توسط دستیارهای صوتی مجهز به هوش مصنوعی رُخ خواهد داد. براین‌اساس می‌توان الکسا را واسطه‌ای بین انسان و اشیاء معرفی کرد. اشیایی که دارای بلندگو و میکروفون هستند و می‌توانند داده‌های دریافتی از الکسا را به دستور تبدیل نمایند، بدون تردید در آینده جایگاه ویژه‌ای خواهند داشت.کاربردهای دستیار صوتی الکساخانه هوشمند: با در اختیار داشتن آن دسته از وسایل منزل که می‌توانند به الکسا متصل شوند، قادر خواهید بود تا به واسطه صوت، تمام خانه را کنترل کنید.خرید آنلاین: دستیار صوتی الکسا با دسترسی به فروشگاه‌های آنلاین، از طریق گوشی هوشمندتان، می‌تواند اقلام مورد نیازتان را خریداری کند. برنامه‌ریزی‌های روتین: یادداشت روزانه و یادآوری برنامه‌ریزی‌هایتان یکی دیگر از قابلیت‌های دستیار صوتی Alexa است.کار در آشپزخانه: اگر مشغول آشپزی هستید و به دنبال دستور غذا می‌گردید، یا اگر دنبال یک نوع رژیم خاص هستید و نمی‌دانید برای امروز چه غذایی درست کنید و یا اگر شیوه پختن یک نوع غذا را فراموش کرده‌اید و به‌خاطر نمی‌آورید.ورزش و سرگرمی: تکنولوژی Amazon Alexa قادر است با توجه به نیازتان بهترین برنامه ورزشی را برای شما تهیه کند؛ بنابراین می‌توانید جزئیات برنامه ورزشی‌تان را مرور کرده و با پخش موزیک در حین تمرین، لحظات شگفت‌انگیزی را خلق نماید.مطالعه ادامه مطلب: نحوه انجام کار دستیار صوتی الکسا مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 08 May 2023 15:00:57 +0330 https://virgool.io/@partdpai/%D8%A7%D9%81%D8%B2%D8%A7%DB%8C%D8%B4-%D8%AF%D8%B1%D8%A2%D9%85%D8%AF-%D8%A8%D8%A7-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-icb7rbttbnyd مروری بر هوش مصنوعی و کاربردهای مختلف آن در مشاغلهوش مصنوعی را تقریباً می‌توان در هر جنبه‌ای از تجارت، از خدمات مشتریان و بازاریابی گرفته تا توسعه محصول و فروش آن، اعمال کرد. ابزارهای اتوماسیون مبتنی بر هوش مصنوعی می‌توانند جایگزین کارهای دستی شوند و زمان را برای تمرکز کارمندان بر روی فعالیت‌های با ارزش بالاتر آزاد کنند. همچنین می‌توان از هوش مصنوعی برای تجزیه‌و‌تحلیل داده‌های مشتریان و ارائه بینشی در مورد رفتار مشتری استفاده کرد. این فناوری به کسب‌وکارها اجازه می‌دهد تصمیمات بهتری بگیرند و تجربیات مشتری را بهبود بخشند. فهرست بهترین ابزارهای هوش مصنوعی برای مشاغلپلت‌فرم هوش مصنوعی انیشتینآی‌بی‌ام واتسونهوش مصنوعی داینامیک ۳۶۵هوش مصنوعی گوگل کلودخواندن متن کامل مقاله مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 10 Apr 2023 15:41:06 +0330 https://virgool.io/@partdpai/%D9%87%D9%81%D8%AA-%D8%B1%D8%A7%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%DA%A9%D8%B3%D8%A8-%D8%AF%D8%B1%D8%A2%D9%85%D8%AF-%D8%A7%D8%B2-%D8%B7%D8%B1%DB%8C%D9%82-chatgpt-%D9%82%D8%B3%D9%85%D8%AA-1-vq8u5ldwpipt در این مطلب تعدادی از راه‌های کسب درآمد از طریق هوش مصنوعی بدون نیاز به مهارت‌های خاص و یا دانش قبلی به طور خاص، چت‌بات شگفت‌انگیز ChatGPT را به زبان ساده معرفی میکنیم.بدون تعلل به سراغ 7 ایده کاربردی برای کسب درآمد از طریق ChatGPT می‌رویم.درآمد از جی پی تی۱.ترجمهترجمه متون به زبان‌های مختلف، یکی از پردرآمدترین کارهایی است که می‌توان به‌صورت فریلنسری و از طریق سیستم به آن مشغول شد و خوشبختانه حجم پروژه‌هایی ارائه شده برای ترجمه بسیار بالاست. تفاوت عمده ابزارهای ترجمه نسبت به ChatGPT در مدل ترجمه آنهاست. این چت‌بات هوشمند با آنالیز و فهم محتوای متن ورودی، ترجمه‌ای غیرلفظی و روان ارائه می‌کند. اما چگونه از این طریق کسب درآمد کنیم؟ یکی از وب‌سایت‌های معتبر gengo.com در زمینه ارائه خدمات ترجمه، است.۲. ترانه سراییشاید با دیدن این عنوان تعجب کنید؛ چراکه ترانه‌سرایی نیاز به ذوق و قریحه ذاتی دارد و اگر استعداد ترانه‌سرایی داشته باشیم، مدت‌زمان بسیاری طول می‌کشد تا یک شعر منسجم به بار بنشیند. بااین‌وجود، ChatGPT در کنار ماست تا بدون آنکه تا به امروز یک بیت ترانه گفته باشید، بتوانید از طریق فروش ترانه کسب درآمد کنید. وب‌سایت‌های متعددی در سراسر فضای نت وجود دارند که ترانه‌های شاعران را به موزیسین‌ها و علاقه‌مندان به موسیقی می‌فروشند. thesunmagazine.org یکی از این وب‌سایت‌هاست و شما می‌توانید با ثبت‌نام و قراردادن ترانه خود در این وب‌سایت، تا ۱۵۰ دلار برای هر ترانه کسب درآمد کنید.3. حل تمرین‌های درسیعملکرد ChatGPT تنها به ارائه پیشنهادات خلاقانه خلاصه نمی‌شود و این چت‌بات قدرت کم‌نظیری در حل معادلات و مسائل درسی از جمله ریاضی دارد. در مقابل، بسیاری از دانش‌آموزان که در حل تکالیف درسی خود به مشکل می‌خورند، حاضرند با پرداخت هزینه، از صد تمرین‌های دشوار خود عبور کنند. وب‌سایت‌های بسیاری وجود دارند که دانش‌آموزان و کسانی که توانایی حل مسائل را دارند به یکدیگر متصل می‌کنند که یکی از پرمخاطب‌ترین آنها، Studypool.com است. با ثبت‌نام در این وب‌سایت، به‌تمامی تمرین‌های دانش‌آموزان دسترسی خواهید داشت و باتوجه‌به مبلغ هرکدام، می‌توانید آنها را انتخاب کنید. طبیعی است که با وجود ChatGPT نگران سختی سؤالات نخواهید بود و با قراردادن تمرینات در اختیار این چت‌بات، به‌سادگی جواب‌ را دراختیار خواهید داشت.چهار راه کار بعدی را در متن اصلی مقاله مطالعه کنید: ۷ راهکار برای کسب درآمد از طریق ChatGPT مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 04 Apr 2023 12:16:59 +0330 https://virgool.io/@partdpai/%D8%A7%D9%86%D9%88%D8%A7%D8%B9-%D8%A7%D8%B1%D8%B2-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B1%D8%A7%D9%87-%D8%AD%D9%84-%D9%87%D8%A7%DB%8C-%D8%AA%D8%AC%D8%A7%D8%B1%D8%AA-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-g0bxpmoblbqn پتانسیل هوش مصنوعی به حدی است که می‌تواند هر صنعت بزرگی را مختل کند. این شامل مراقبت‌های بهداشتی، خدمات، امنیت، بلاک چین و بازارهای مالی است. پس در ادامه با ما همراه باشید تا ارتباط هوش مصنوعی و ارزهای دیجیتال و به دنبال آن بهترین ارزهای هوش مصنوعی را به شما معرفی کنیم:کریپتوکارنسی نام خود را از ترکیب «رمزنگاری» و «ارز» به دست آورده است. در قلب همه ارزهای دیجیتال یک الگوریتم رمزنگاری با رمزگذاری پیچیده قرار دارد. ارز دیجیتال با حل بخشی از یک الگوریتم هش رمزنگاری در یک زنجیره طولانی ایجاد می‌شود. این‌یک واحد فیزیکی، مانند یک سکه یا اسکناس دلار نیست، بلکه یک محاسبات ریاضی است. دارایی‌های ارز دیجیتال اغلب در یک کیف پول دیجیتال ذخیره می‌شوند که ارز دیجیتال را ردیابی می‌کند.کاربردهای هوش مصنوعی در بازار ارز دیجیتالپیش‌بینی‌های دقیق‌تر بازار cryptocurrency با هوش مصنوعیتجزیه‌وتحلیل احساسات بازار ارزهای دیجیتالاستراتژی‌های معاملاتی رمز ارزهاکسب درآمدمطلب کامل درباره محبوب‌ترین ارزهای دیجیتال هوش مصنوعی در اینجا بخوانید. مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Wed, 01 Feb 2023 16:33:18 +0330 https://virgool.io/Rocket/%D8%A2%D9%86%DA%86%D9%87-%D8%A8%D8%A7%DB%8C%D8%AF-%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%AA%D8%A7%D8%B1%DB%8C%D8%AE%DA%86%D9%87-%D8%A2%D9%86-%D8%A8%D8%AF%D8%A7%D9%86%DB%8C%D9%85-ecflwwki9e71 اولین تلاش انسان برای ساخت ماشینی که به‌جای انسان کار کند و تصمیم بگیرد، به حدود قرن ۱۷ بازمی‌گردد. چند قرن بعد، در دهه‌‎ی ۱۹۳۰ کورت گودل، آلونسو چرچ و آلن تورینگ بنیادهای اساسی منطق و نظریه‌ی علم کامپیوتر را بنا نهادند.تاریخ هوش مصنوعی در ایراناختراع ماشین تورینگ در خلال جنگ جهانی دوم باعث شد تا سفری بدون انتها آغاز شود. مقصود توسعه روزافزون هوش مصنوعی، تفکر پیوسته بشر پیرامون آن و انباشت هر چه بیشتر دانش و تجربه آدمی در این باره است که «چگونه ماشین‌ها می‌توانند همچون آدمی بفهمند و عمل کنند؟». در واقع هسته مرکزی انگیزش تحقیق و توسعه در هوش مصنوعی همین پرسش است. این پرسش نیرویی در درون خود دارد و در دهه‌های گذشته سبب جنب‌وجوش عظیمی در دانشمندان و متخصصین علوم اعصاب و مهندسین کامپیوتر گردیده است.اما اگرچه تولیدات علمی و نظری هوش ماشینی در کشورمان گذشته کوتاهی داشته و به‌واقع تاریخچه هوش مصنوعی در ایران عمر چندانی ندارد، اما بر اساس تولیدات و مستندات علمی عمیقی که از سوی دانشمندان علاقه‌مند ایرانی ایجاد شد، بدون تردید می‌توان آینده‎ای درخشان را برای این رشته از علم در ایران متصور بود.ادامه مطلب: تاریخچه هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sun, 01 May 2022 16:02:56 +0430 https://virgool.io/@partdpai/%D9%85%D8%B2%D8%A7%DB%8C%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%DA%A9%D8%B3%D8%A8-%D9%88-%DA%A9%D8%A7%D8%B1%D9%87%D8%A7-e3b9rrbty8r3 مزایای هوش مصنوعی برای کسب و کارها و کاربردهای آن در میان مردم و کسب‌وکارها برای بهبود تجربه مشتریان روزبه‌روز افزایش می‌یابد. یکی از مطالعات انجام‌شده توسط مؤسسه تحقیقاتی گارتنیرپیش‌بینی کرده است.1- افزایش کارآیی با هوش مصنوعی2- افزایش بهره وری با هوش مصنوعی3- خودکار سازی فرآیندهای بیشتر با هوش مصنوعی4- بهبود تجربه مشتریان با هوش مصنوعی5- کاهش احتمال وقوع خطا با هوش مصنوعی6- بروز خلاقیت با با هوش مصنوعی7- افزایش بازگشت سرمایه با هوش مصنوعیمتن کامل مطلب:https://hooshio.com/%d9%85%d8%b2%d8%a7%db%8c%d8%a7%db%8c-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%a8%d8%b1%d8%a7%db%8c-%da%a9%d8%b3%d8%a8-%d9%88-%da%a9%d8%a7%d8%b1%d9%87%d8%a7/ مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Tue, 05 Apr 2022 16:26:08 +0430 https://virgool.io/@partdpai/%D9%85%D8%B9%D8%B1%D9%88%D9%81-%D8%AA%D8%B1%DB%8C%D9%86-%DA%A9%D8%AA%D8%A7%D8%A8%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-rvz9pleqaxxr در این مطلب مشهورترین کتابها در حوزه هوش مصنوعی معرفی شده اند.ابر هوشمندیدر این کتاب به سوا لاتی مانند وقتی هوش مصنوعی از هوش عمومی قوی‌تر شود چه می‌شود و آیا نماینده‌های هوش مصنوعی قرار است ما را نابود کرده یا نجاتمان دهند، پاسخ داده شده است.هوش مصنوعی؛رهیافتی مدرناین کتاب هوش مصنوعی شامل موضوعاتی چون بازشناسی گفتار، ماشین ترجمه، خودروهای خودران و ربات‌های خانگی است.موتورهای هوش مصنوعیدر این کتاب هوش مصنوعی مهم‌ترین الگوریتم‌های یادگیری عمیق توضیح داده می‌شود و منطق ریاضیاتی پشت این الگوریتم‌ها به‌صورت مفصل به بحث گذاشته می‌شود.هوش مصنوعی و یادگیری ماشیننقطه قوت این کتاب نیز توضیح مباحث انتزاعی با استفاده از مثال‌های کاربردی و واقعی است. علاوه بر بحث‌هایی که درباره رابطه میان هوش مصنوعی و یادگیری ماشین می‌توانید در این کتاب بیابید، مطالبی نیز درباره انواع یادگیری مثل یادگیری نظارتی، غیرنظارتی و تقویتی هم در کتاب آورده شده است.دوره اول در هوش مصنوعیکتاب بیشتر درباره استراتژی‌های اساسی و اولیه در حل هوشمند مسائل واقعی است.هوش مصنوعی در بهداشت و درماناز نقاط قوت این کتاب بحث‌هایی است که درباره مسائل اخلاقی استفاده از هوش مصنوعی در حوزه پزشکی دارد.هوش مصنوعی کاربردیاین کتاب را می‌توان یکی از بهترین مقدمه‌ها برای رهبران کسب‌وکارهایی دانست که ارزش واقعی به‌کارگیری فناوری یادگیری ماشین را در شرکت‌هایشان درک کرده‌اند. ادامه مطلب: کتابهای هوش مصنوعی مشهور در ایران و جهان مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 14 Feb 2022 16:17:17 +0330 https://virgool.io/@partdpai/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D8%A7%D8%B3%D8%AA%D8%A7%D8%B1%D8%AA%D8%A7%D9%BE-%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%D8%AA%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AC%D9%87%D8%A7%D9%86-vf7io5vedvxs استارتاپ‌های هوش مصنوعی در سرتاسر جهان، طی چند سال گذشته رشد فوق‌العاده‌‌ای نشان داده‌اند. جدای از شرکت‌های بزرگ فناوری مانند مایکروسافت‌، اپل، آی بی ام و گوگل‌، فناوری‌های هوش مصنوعی شاهد موفقیت‌های شگرفی در شرکت‌های نوپاست. حتی اگر همه‌گیری ویروس کرونا همه جنبه‌های زندگی ما را مختل کرده باشد‌، استارتاپ‌های فناورانه و شرکت‌های بزرگ IT بی‌وقفه در تلاش‌اند تا با کمک هوش مصنوعی و یادگیری ماشین در فکر توسعه وضعیت فعلی و تأمین نیازها و خواسته‌های بازار باشند. در این مقاله لیستی از ۱۰ استارتاپ برتر هوش مصنوعی جهان در سال ۲۰۲۱ که تلاش زیادی برای ایجاد فردایی بهتر دارند، تهیه کرده‌ایم و هر استارتاپ را به طور مختصر مورد بررسی‌ قرار داده‌ایم.سای لانس – Cylanceاین استارتاپ هوش مصنوعی که در ایروین کالیفرنیا مستقر است‌، امکانات امنیت سایبری را فراهم‌ می‌کند و برنامه‌‌ها و محصولات مبتنی بر هوش مصنوعی‌، یادگیری ماشین و علوم مبتنی بر الگوریتم‌های رایانه و ریاضیات را برای محافظت از مشتریان خود در برابر تهدیدات و حملات آنلاین ارائه‌ می‌دهد. این شرکت نوپا برای حل مسائل پیچیده امنیتی و شناسایی دقیق و ریشه‌کن کردن آن‌‌ها، با شرکت‌های بزرگی مانند بلک بری و سایر نهادهای دولتی و خصوصی همکاری کرده است.لوجی نکست – LogiNextلوجی نکست در میان شرکت‌های هوش مصنوعی رقیب خود و شرکت‌های SaaS از ابتدای تاسیس خود تا امروز، سریع‌ترین رشد را داشته است. این صنعت چندین حوزه مانند خرده‌فروشی‌، حمل‌ونقل‌، لجستیک، کالاهای مصرفی و سایر صنایع را هدف قرار داده است. محصولات شاخص این شرکت عبارتند از: نرم‌افزار تحویل و بهینه‌سازی مسیر مبتنی بر ابر‌، خدمات میدانی و نرم‌افزار بهینه‌سازی نیروی کار خدمات میدانی. لوجی نکست بسترهای خدمات سریع و خودکار را برای پاسخگویی بهینه به تقاضای بازار فراهم‌ می‌کند.** بیشتر بخوانید: هوش مصنوعی در جهاناسنت – Ascentاسنت یک استارتاپ فینتک است که در شیکاگو مستقر است. این شرکت با استفاده از فناوری ابری و هوش مصنوعی در حوزه اتوماسیون و مدیریت برنامه‌های انطباق‌پذیر فعالیت‌ می‌کند. الگوریتم‌های یادگیری ماشین‌، فناوری ابری مورد استفاده توسط اسنت را تأمین‌ می‌کنند‌. این الگوریتم‌ها به شناسایی تغییرات جریمه‌‌ها و مقررات و سایر اقدامات اجرایی و خطرات ایجاد شده در طول زمان کمک‌ می‌کنند.موو ورکس – Moveworksموو ورکس یک شرکت فناوری اطلاعات است که یک رابط خدمات مشتری و سیستم‌های یادگیری عمیق با استفاده از هوش مصنوعی برای حل مسائل دنیای فناوری اطلاعات فراهم‌ می‌کند. موو ورکس در کالیفرنیا مستقر است و بسترهای مبتنی بر ابر را به سازمان‌‌ها ارائه‌ می‌دهد تا با کاهش کارهای سخت و فشار کار‌، به کارمندان و متخصصان فناوری اطلاعات خدمات‌رسانی کنند.یونیفر – Uniphoreیونیفر در میان ۱۰ استارتاپ برتر هوش مصنوعی در هند قرار دارد. این شرکت یک بستر اتوماسیون خدمات مکالمه‌‌ای را ارائه‌ می‌دهد که خدمات دقیق‌، پیچیده و شخصی را به مشتریان عرضه‌ می‌کند. یونیفر از فناوری پردازش زبان طبیعی استفاده‌ می‌کند و همچنین امکانات مکالمه طبیعی را ارائه‌ می‌دهد. یونیفر یکی از استارتاپ‌های منحصربه‌فرد است، زیرا از تجزیه‌وتحلیل گفتار‌، دستیارهای مجازی و بیومتریک صوتی استفاده‌ می‌کند که باعث افزایش وفاداری مشتری‌ می‌شود و مدیریت خدمات مشتری را بهبود‌ می‌بخشد.آوامو – Avaamoآوامو یک استارتاپ برتر هوش مصنوعی مستقر در هند است که بستر کاملاً یکپارچه‌‌ای را بر اساس توصیه‌های مشتری فراهم‌ می‌کند. از ابزارهای نوشتن‌، یادگیری بدون نظارت‌، شبیه‌سازی مکالمه‌، ابر‌، تا فناوری‌های ترکیبی و پیش‌فرض‌، آوامو راه‌حل یک مرحله‌‌ای برای همه مشکلات خدمات مشتریان است.کاگنیتیو اسکیل – CognitiveScaleاستارتاپ کاگنیتیو اسکیل مستقر در آستین ایالت تگزاس ارائه‌دهنده خدمات نرم‌افزاری و سرویس‌های ابری است. این فناوری اطلاعات پیشرفته‌‌ای را برای صنایع بهداشتی‌، بیمه‌‌ای‌، خدمات مالی و تجارت الکترونیکی ارائه می‌کند. فناوری آن با افزایش جذب مشتری‌، تعامل و بهبود فرایندهایی مانند صورتحساب و درخواست‌ها‌، کارایی را در عملیات تجاری تضمین‌ می‌کند.ریسک فیلد – Riskifiedریسک فیلد یک پلتفرم مجهز به هوش مصنوعی است که به سایت‌های تجارت الکترونیکی کمک‌ می‌کند تا مشتریان قانونی را شناسایی کرده و اصطکاک را در روند خرید کاهش داده و خدمات مشتریان را بهبود بخشند. ریسک فیلد از الگوریتم‌های یادگیری ماشین استفاده‌ می‌کند که‌ می‌تواند بیش از یک میلیارد رکورد معامله را همزمان به منظور بهبود تصمیم‌گیری و کاهش تقلب در اختیار داشته باشد. از آنجا که سیستم‌عامل‌های تجارت الکترونیکی در حال گسترش ابعاد بازار خود هستند و مشتریان جدیدی را به سایت خود دعوت‌ می‌کنند‌، فناوری پیشرفته ریسک فیلد از آن‌ها در برابر تهدیدات و کلاهبرداری آنلاین محافظت‌ می‌کند.نورالا – Neuralaنورالا در حال توسعه شبکه عصبی یادگیری عمیق خود است که «مغز نورالا» نامیده‌ می‌شود و باعث‌ می‌شود دستگاه‌‌‌هایی مانند دوربین‌، هواپیماهای بدون سرنشین و موبایل‌‌ها کارآمدتر و استفاده از آن‌ها آسان‌تر شود. شرکت‌‌ها و موسساتی مانند هواوی‌، موتورولا‌، ناسا‌، آژانس پروژه‌های تحقیقات پیشرفته دفاعی (DARPA) از این فناوری برای افزایش کارایی عملیات‌های خود استفاده‌ می‌کنند.هوش مصنوعی ایکس – X.AIشرکت X.AI مستقر در نیویورک‌، خدمات یادگیری ماشین را ارائه‌ می‌دهد و هدف آن توسعه دستیاران شخصی مستقل مبتنی بر فناوری هوش مصنوعی است. دستیارانی به نام‌های امی و اندرو اینگرام‌، برای تعیین جلسات با برنامه‌‌‌هایی مانند ویندوز ۳۶۰‌، اوت لوک‌، گوگل و سایر برنامه‌‌ها ادغام‌ می‌شوند و به طور مداوم از هر تعامل، یاد‌ می‌گیرند و خود را آموزش می‌دهند. مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sun, 16 Jan 2022 17:19:23 +0330 https://virgool.io/@partdpai/%D8%A2%D9%86%DA%86%D9%87-%D8%A8%D8%A7%DB%8C%D8%AF-%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%B2%D8%A8%D8%A7%D9%86-%D8%B7%D8%A8%DB%8C%D8%B9%DB%8C-%D8%A8%D8%AF%D8%A7%D9%86%DB%8C%D9%85-bhi0ok34ckmc پردازش زبان طبیعی (NLP) به شاخه‌ای از علوم رایانه و به‌طور خاص، شاخه‌ای از هوش مصنوعی یا AI مربوط می‌شود که در آن با استفاده از مدل‌های آماری، یادگیری ماشین و یادگیری عمیق می‌توان رایانه ها را نه‌تنها قادر ساخت که زبان انسان را در قالب متن یا داده‌های صوتی پردازش کرده و معنای آن را “کاملاً” درک کنند بلکه نیت و احساس نویسنده را نیز متوجه شوند.تاریخچه پردازش زبان طبیعی چیست؟انسان دائماً محیط خود را بر اساس نیازهایش شکل می‌دهد و این تغییرات به اشکال مختلف ظاهر می‌شوند، مهم‌ترین تغییر به وجود آمده توسط بشر تولید و استفاده از زبان‌های طبیعی برای برقراری ارتباط با همنوعان خود هست. بشر به کمک زبان‌های طبیعی می‌تواند افکار، خواسته‌ها و رؤیاهایش را بیان کند و با برقراری ارتباط سبب ایجاد جوامع مختلف شود.حال انسان امروزی درحال‌توسعه و آموزش زبان طبیعی به ماشین‌ها است تا آن‌ها نیز بتوانند زبان انسان را در درجه اول درک کرده و سپس آن را تولید کنند و با انسان‌ها به برقراری ارتباط بپردازند.مطالعه پردازش زبان طبیعی به‌طورکلی در دهه ۱۹۵۰ آغاز شد، اگرچه برخی آثار را می‌توان از دوره‌های قبلی نیز یافت. در سال ۱۹۵۰ ، آلن تورینگ مقاله‌ای تحت عنوان “ماشین‌های محاسبه و هوش” منتشر کرد که آنچه را که امروزه آزمایش تورینگ نامیده می‌شود به‌عنوان معیار هوش ارائه می‌دهد.بیشتر بخوانید: یادگیری انتقالی در پردازش زبان طبیعی – بخش دومروش کار پردازش زبان طبیعی چیست؟برای شروع پردازش یک متن و آموزش یک سیستم باید چند مرحله مختلف طی شود. در ادامه این مراحل به تشریح آمده است:تقسیم‌بندینشانه‌گذاری یا توکن سازیحذف ایست واژهاستخراج ریشه کلماتتعیین نوع کلمهبرچسب‌گذاری موجودیت‌هاپردازش زبان طبیعی با پایتونبرترین کتابخانه‌های پردازش زبان طبیعی در پایتونکتابخانه  Natural Language Toolkit (NLTK)کتابخانه TextBlobکتابخانه CoreNLPکتابخانه Gensimکتابخانه spaCyکتابخانه polyglotکتابخانه scikit–learnکتابخانه Patternکتابخانه‌های مورداستفاده در پردازش زبان طبیعی فارسیزبان فارسی قواعد دستور زبانی خاص خود را دارد؛ همین امر سبب شده است تا برای پردازش متون فارسی نیاز به ابزارها و کتابخانه‌هایی باشد که بتواند به محققین در این راستا کمک کند. در طی این سال‌ها کتابخانه‌های بسیاری جهت حل این مشکل توسعه داده‌شده است که در ادامه به برخی از آن‌ها برای نمونه اشاره‌شده است:کتابخانه هضمکتابخانه Stanford پایتونکتابخانه farsiNLPToolsکتابخانه parsivarچالش‌های پردازش زبان طبیعیدر قرن حاضر هوش مصنوعی بخشی از زندگی روزمره انسان‌ها شده است. Alexa و Siri ، تصحیح خودکار پیامک و ایمیل، چت بات‌های خدمات مشتری، همگی از الگوریتم‌های یادگیری ماشین و پردازش زبان طبیعی (NLP) برای پردازش، درک و پاسخگویی به زبان انسان، چه نوشتاری و چه گفتاری استفاده می‌کنند. بااین‌وجود ابن فناوری هنوز چالش‌های را در بردارد که محققین در حال تلاش برای رفع آن‌ها هستند و در ادامه به این چالش‌ها پرداخته‌شده است.کلمات و عبارات متنی مشابه با تلفظ‌های یکسانکلمات و اصطلاحات مترادفضرب‌المثل‌ها و عبارات کنایه‌ایمجهولاتخطاها در نوشتار یا گفتاراصطلاحات و کلمات محاوره‌ای و عامیانهزبان مخصوص دامنهزبان‌های با منابع کمعدم تحقیق و توسعهکلمات و عبارات زمینه‌ای و مترادفچالش‌های پردازش زبان طبیعی فارسیپردازش زبان طبیعی فارسی و انگلیسی از حیث ماهیت وجودی‌شان با یکدیگر متفاوت است. در زبان انگلیسی و عموم زبان‌های اروپایی و آمریکایی حروف از هم جدا هستند و کلمات باقاعده‌ی خاصی از هم فاصله‌دارند. این در حالی است که در زبان فارسی بعضی از حروف به هم چسبیده و برخی حروف جدا هستند. کلمات نیز گاهی یکپارچه‌اند و گاهی به کمک فاصله و یا نیم‌فاصله به دو یا چند بخش تقسیم می‌شوند.پردازش زبان طبیعی و متن‌کاویمتن‌کاوی (که به آن تجزیه‌وتحلیل متن نیز گفته می‌شود) یک فناوری هوش مصنوعی (AI) است که از پردازش زبان طبیعی (NLP) برای تبدیل متن آزاد (بدون ساختار) در اسناد و پایگاه‌های داده به داده‌های عادی و ساختاریافته مناسب برای تجزیه‌وتحلیل استفاده می‌کند.کاربردهای پردازش زبان طبیعیپردازش زبان طبیعی نیروی محرکه هوش ماشینی در بسیاری از کاربردهای مدرن دنیای واقعی است. در اینجا به چند نمونه اشاره‌شده است:تشخیص هرزنامه‌هاترجمه ماشینیتجزیه‌و‌تحلیل احساسات رسانه‌های اجتماعیخلاصه‌نویسی متنسیستم‌های مجازی و چت‌بات‌هابیشتر بخوانید: GPT-3: قابلیتی خلاقانه در پردازش زبان طبیعی (NLP)کاربرد پردازش زبان طبیعی در بازاریابی و تبلیغاتاستخراج کلمات کلیدی از صفحات وب و شبکه‌های اجتماعیچت‌بات‌ها برای ارتباط با مشتریان و پاسخ‌گویی ۲۴ ساعته به سؤالات آن‌هاتولید خودکار نسخه فروشنظارت بر نام تجاریبازاریابی تأثیرگذارکاربردهای پردازش زبان طبیعی در پزشکی و سلامتاستخراج نتایج داده‌ها از یادداشت‌ها و نمودارهای پیشینجمع‌آوری داده‌هاجست‌و‌جو اطلاعات خاص در میان انبوه داده‌هاکشف و کدگذاری پرونده‌ بیماران گذشتهتجزیه‌و‌تحلیل اسناد و نوشته‌ها پزشکییکسان‌سازی زبان پزشکان مختلف در خصوص یک موضوعکاربردهای پردازش زبان طبیعی در آموزشتصحیح متون به لحاظ قواعد دستوریکمک در نوشتن مقالات بهترارزشیابی خودکار محصلینکمک در یادگیری زبان‌های طبیعی دیگرترجمه متون و اسناد موردنیاز برای تحقیقاتکاربردهای پردازش زبان طبیعی در فین تکبهبود فرآیند مستندسازی اطلاعاتتجزیه‌و‌تحلیل متون و اسناد مالیربات‌های معاملاتیمدیریت سود سهامیادآوری پرداخته‌‌های کارت اعتباریتمدید بیمه‌نامه‌کاربردهای پردازش زبان طبیعی در تولیدتجزیه‌و‌تحلیل اسناد برای بهبود زنجیره ارزشبررسی منابع آنلاین جهت کشف اطلاعاتی از قبیل نرخ حمل‌ونقل، قیمت سوخت و هزینه نیروی کارثبت سفارش خودکاردرک استراتژی رقبا از طریق پردازش منابع آنلاینثبت اطلاعات تولید و فروششناخت بازار جهت تصمیم‌گیری در تولید محصولکاربردهای پردازش زبان طبیعی در رسانه و شبکه‌های اجتماعیتجزیه‌و‌تحلیل احساساتکشف اخبار و اطلاعات جعلیدرک مکالماتتولید محتواطبقه‌بندی موضوعی محتوادرک زبان طبیعی یا به‌اختصار NLU چیست؟درک زبان طبیعی شاخه‌ای از پردازش زبان طبیعی است که از نرم‌افزارهای رایانه‌ای برای درک ورودی در قالب جملات با استفاده از متن یا گفتار استفاده می‌کند. NLU تعامل میان انسان و کامپیوتر را برقرار می‌کند که هدف اصلی آن ایجاد ربات‌هایی باقابلیت چت و مکالمه است که می‌توانند بدون نظارت با مردم تعامل داشته باشند. بسیاری از شرکت‌های بزرگ فناوری اطلاعات مانند آمازون، اپل، گوگل و مایکروسافت پروژه‌های درک زبان طبیعی را در دست اجرا دارند.تولید زبان طبیعی یا به‌اختصار NLG چیست؟تولید زبان طبیعی زیرمجموعه دیگری از پردازش زبان طبیعی است. درحالی‌که درک زبان طبیعی بر درک خواندن رایانه متمرکز است، تولید زبان طبیعی رایانه‌ها را قادر به نوشتن می‌کند. NLG فرآیند تولید یک پاسخ متنی به زبان انسانی بر اساس برخی از ورودی داده‌ها است. همچنین می‌توان این متن را از طریق سرویس‌های تبدیل متن به گفتار به قالب گفتاری تبدیل کرد.تفاوت میان NLP و NLU و NLG چیست؟پردازش زبان طبیعی (NLP) به دنبال تبدیل داده‌های زبان‌ بدون ساختار به یک قالب داده ساختاریافته است تا ماشین‌ها را قادر به درک گفتار و متن و فرمول‌بندی پاسخ‌های مرتبط و متنی کند. زیرمجموعه‌های فرعی آن شامل درک زبان طبیعی و تولید زبان طبیعی است.منبع: https://hooshio.com/%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%b2%d8%a8%d8%a7%d9%86-%d8%b7%d8%a8%db%8c%d8%b9%db%8c-%da%86%db%8c%d8%b3%d8%aa/ مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 10 Jan 2022 17:25:37 +0330 https://virgool.io/@partdpai/%D9%86%D9%82%D8%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D9%87%D8%A7%DB%8C-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%86%D9%87%D8%B1%D9%87-jejgsegojozm ایده «مَستر فیس » چندی پیش سر و صدای زیادی در رسانه‌های مختلف به پا کرده است. به مجموعه‌ای از تصاویر جعلی که به دست الگوریتم‌های یادگیری ماشین ساخته می‌شود، مستر فیس می‌گویند. این مفهوم با جعل هویت افراد، زمینه را برای نفوذ به سیستم‌های بیومتریک فراهم می‌کند و سیستم های تشخیص چهره هم برای شناسایی آن‌ها مشکلات زیادی دارند.اما بررسی‌های دقیق از نقاط ضعف فاحشی حکایت دارد که بعید است این ایده در محیط واقعی به کار برده شود. محققان در مقاله خود این چنین توضیح داده‌اند: «مستر فیس به به تصویری از یک صورت اطلاق می‌شود که احراز هویت بخش بزرگی از جمعیت را امکان‌پذیر می‌کند. این شیوه بر پایه چهره افراد استوار است. می‌توان از این چهره‌ها برای جعل هویت افراد استفاده کرد که احتمال موفقیت بالایی هم دارد؛ همچنین، نیاز نیست لزوماً به اطلاعات کاربر دسترسی داشته باشیم.»به باور سه تَن از محققان هوش مصنوعی، اکنون مدلی ساخته شده که می‌تواند نُه مستر فیس ایجاد کند؛ این چهره‌ها می‌توانند %40 از کل جمعیت را پوشش دهند. عملکرد این مدل به مراتب بهتر از سیستم های تشخیص چهره عمیقی بوده است که امروز به آنها دسترسی داریم.عملکرد سیستم های تشخیص چهرهدر نگاه اول، این نتایج بسیار شگفت‌آور به نظر می‌رسند، اما نرم‌افزارهایی که مستلزم شناسایی چهره هستند، با مشکلات امنیتی بزرگی روبرو خواهند شد. محققان در ابتدا از سیستم «StyleGAN» اِن‌ویدیا برای ایجاد تصاویر واقع‌گرایانه از تصاویر غیرواقعی استفاده کردند. هر کدام از خروجی‌های جعلی با یکی از تصاویر واقعیِ 5749 فرد مختلف در دیتاست LFW مقایسه شد. الگوریتم کلاسیفایر مجزایی تعیین می‌کند که چهره‌های ایجاد شده با هوش مصنوعی در مقایسه با تصاویر واقعی در دیتاست چقدر به یکدیگر شباهت دارند.تصاویری که امتیاز بالایی به لحاظ شباهت دارند، حفظ می‌شوند؛ بقیه تصاویر کنار گذاشته می‌شوند. از این امتیازها برای آموزشِ الگوریتم‌های تکاملی استفاده می‌کنند تا تصاویر غیرواقعی بیشتری با سیستم «StyleGAN» ایجاد شود. این تصاویر شباهت زیادی به افراد در دیتاست دارند. محققان با گذشت زمان می‌توانند مجموعه‌ای از تصاویر «مستر فیس» پیدا کنند که بیشترین تعداد تصاویر را در دیتاست بازتاب دهد. به طور خلاصه، محققان به نُه تصویر دست یافتند که توانست بازتاب‌دهنده‌ %40 از 5749 فرد مختلف در دیتاست LFW باشد.بهترین مستر فیسی که توانست Dlib (سمت چپ)، FaceNet (وسط) و SphereFace (سمت راست) را فریب دهدآنها در وهله بعدی از این تصاویر برای فریب سه مدل‌ تشخیص چهره مختلف (Dlib, FaceNet, SphereFace) استفاده کردند. این سیستم‌ها در مسابقه‌ بهترین الگوریتم‌های تطابق چهره به بالاترین امتیاز دست یافتند. نگاه اجمالی به مستر فیس‌هایی که بیشترین امتیاز را کسب کردند و قادرند عملکرد بهتری در مقایسه با سایر مدل‌ها از خود بر جای گذارند، از محدودیت‌های پژوهشی فاحشی حکایت دارد. این تصاویر همگی تا حد زیادی تصاویری جعلی از مردان مسن قفقازی هستند که ریش، عینک و موی سفید دارند. اگر این نوع از تصاویر قادر به نمایش حجم عظیمی از دیتاست LFW باشند، با اطمینان می‌توان گفت که دیتاست ایراد دارد.بیشتر بدانیم: آنچه متخصصین علوم داده باید درباره پیش پردازش داده بدانند.مخالفت با سیستماما یک وب‌سایت محتوایی در مخالفت با این سیستم منتشر کرده است: «گروه‌های بسیاری در دیتاست LFW به خوبی نشان داده نمی‌شوند. برای مثال، کودکان بسیار کمی پوشش داده شده است؛ هیچ خبری از نوزادان نیست، افراد بالای 80 سال چندان مورد توجه قرار نگرفته‌اند؛ و جمعیت زنان نیز کمتر بررسی شده است. افزون بر این، اقلیت‌ها نیز کمترین پوشش را در این دیتاست داشته‌اند.» امتیاز نُه مستر فیس، محدودیت‌‌های دیتاست LFW را نشان می‌دهد. چهره زنان با پوست‌های تیره و جوان دارای امتیازپایین‌تری هستند؛ لذا، بعید است عملکردی بهتر از سه مدلِ آزمایش شده داشته باشند.بیشتر بدانیم: چگونگی پردازش زبان مغز با هوش مصنوعیدر وب‌سایت یاد شده آمده است: «اگرچه دیتاست LFW از بُعد نظری می‌تواند برای ارزیابی عملکرد زیرگروه‌های معینی مورد استفاده قرار گیرد، اما این دیتابیس به گونه‌ای طراحی نشده که دارای داده‌های کافی برای نتیجه‌گیری‌های آماری قوی درباره زیرگروه‌ها باشد. به تعبیری، LFW به قدر کافی بزرگ نیست تا شواهدی مبنی بر آزمایش جامع نرم‌افزاری خاص عرضه کند.»۹ چهره‌ای که %۴۰ از دیتاست LFW را پوشش می‌دهند. توجه داشته باشید که افراد جوان، زنان و افرادی با پوست تیره امتیاز کمتری در مقایسه با سایرین دارند. اگرچه این ایده عده کثیری را مجذوب خود ساخته است که مستر فیس می‌تواند چهره تعداد عظیمی از افراد را جعل نماید و به سیستم های تشخیص چهره نفوذ یابد، اما پژوهش حاضر نمونه‌ی دیگری از یک مدل یادگیری ماشین را به تصویر کشیده که با استفاده از داده‌های معیوب آموزش یافته و آزمایش شده است. متخصصان می‌گویند که داده‌های به‌دردنَخور به خروجی‌‍‌های به‌‌دردنخور می‌انجامد. دیتاست LFW تنوع ناچیزی دارد؛ بنابراین، تصاویر چهره‌ای که با کامپیوتر ایجاد شده باشند، به احتمال زیاد بخش اعظمی از آن دیتاست را پوشش می‌دهند. بعید است این تصاویر کاربردهای حقیقی داشته باشند.محدودیت‌های LFWتومر فریدلندر، یکی از نویسنده‌های مقاله و محقق هوش مصنوعی در مصاحبه با «The Register» اظهار داشت: «LFW از محدودیت‌هایی رنج می‌برد که جزئیات آن در وب‌سایت رسمی توضیح داده شده است. علی‌رغم این محدودیت‌ها، LFW به طور گسترده در پژوهش‌های آکادمیک برای ارزیابی روش‌های تشخیص چهره به کار می‌رود. مقاله ما به یکی از آسیب‌پذیری‌های احتمالیِ سیستم های تشخیص چهره اشاره می‌کند که هکرها و عوامل متخاصم می‌توانند از آن نقطه ضعف برای نیل به اهداف بدخواهانه‌ی خود استفاده کنند.بنابراین، توسعه‌‌دهندگان و کاربرانِ روش‌های تشخیص چهره باید این مسائل را مد نظر قرار دهند. می‌توان مدل را با دیتاست‌های بهتری تطبیق داد که تنوع بیشتری دارند. ما تمایل بالایی برای بررسی این احتمال داریم که آیا می‌توان از مستر فیس‌های ایجاد شده با روش خودمان نیز برای پشتیبانی از سیستم های تشخیص چهره فعلی در مقابل چنین حملاتی استفاده کرد یا خیر. این موضوع باید در پژوهش‌های آتی مورد استفاده قرار گیرد. نکته پایانی این است که فریب سرخط‌های خبری را نخورید که می‌گویند چهره افراد به راحتیِ هر چه تمام می‌تواند جعل شود و مورد سوء استفاده قرار گیرد.»به نظر شما اگر جعل تصویر قابل شناسایی نباشد چه مشکلاتی می‌‌تواند برای افراد ایجاد کند؟منبع:https://hooshio.com/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%da%86%d9%87%d8%b1%d9%87/ مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Mon, 27 Dec 2021 12:41:02 +0330 https://virgool.io/@partdpai/%D9%81%DB%8C%D9%84%D8%AA%D8%B1%D9%87%D8%A7%DB%8C-%D8%B2%DB%8C%D8%A8%D8%A7%DB%8C%DB%8C-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D8%A8%D9%87-%D8%B1%D9%86%DA%AF-%DA%AF%D8%B1%D8%A7%DB%8C%DB%8C-%D8%AA%D8%AF%D8%A7%D9%88%D9%85-%D9%85%DB%8C-%D8%A8%D8%AE%D8%B4%D9%86%D8%AF-j7hkzcgt74li اگر بگوییم نوعی تعصب قدیمی درباره رنگ پوست و رنگ گرایی در عصر مدرن اینترنت، در حال شکوفایی است، تعجب نکنید. زمانی که «لیز» هنوز نوجوان بود، همکلاس‌هایش در جورجیا او را بی‌امان مورد آزار و اذیت قرار می‌دادند. او چند سال قبل به همراه خانواده‌اش از هائیتی نقل مکان کرده بود و با دیگر دانش‌آموزان سازگاری نداشت.آن‌ها او را به خاطر لهجه‌اش دست می‌انداختند و ادعا می‌کردند که «بوی عجیبی» می‌دهد و از غذایی که می‌خورد ایراد می‌گرفتند. اما بیشتر اوقات بابت رنگ پوست تیره‌اش او را آزار می‌دادند. گاهی معلم‌ها او را به خاطر اینکه گریه‌اش قطع نمی‌شد، به خانه می‌فرستادند. او می‌گوید: «به یاد می‌آورم که به خانه می‌رفتم و سیم ظرفشویی را بر می‌داشتم، به حمام می‌رفتم و با کرم روشن‌کننده مادرم، صورتم را می‌سابیدم.»او این مشکل را تنها با همکلاس‌‌های سفیدپوستش نداشت. دانش‌آموزان سیاه‌پوست هم او را آزار می‌دادند، به خاطر اینکه لیز را از خودشان نمی‌دانستند و فکر می‌کردند شبیه آن‌ها نیست. لیز حرف آن‌ها را به خاطر می‌آورد که دائم می‌پرسیدند: «چرا رنگ پوستت اینقدر تیره است؟!»درست زمانی‌ که فکر می‌کرد اوضاع نمی‌تواند از این بدتر بشود، حتی تلفن همراهش پر شد از تصاویر زنانی زیبا با رنگ پوست روشن که با دریافت هزاران لایک و کامنت مثبت، محبوب و محبوب‌تر می‌شدند. لیز کم‌کم متوجه شد دنیا به قسمت‌هایی از ظاهرش توجه نشان می‌دهد و قسمت‌های دیگری مثل رنگ پوست یا موهایش را دوست ندارد. هیچکس تمام او را زیبا نمی‌دانست. لیز درحالی‌که تلاش می‌کرد با اهانت‌ها کنار بیاید، قانع شده بود که مشکل از رنگ پوستش است و شبکه‌های اجتماعی و فرهنگ بصری اینترنت هم همین را القا می‌کردند.حتی وقتی با نزدیک‌ترین کسانش هم وقت می‌گذراند، این احساس منفی نسبت به رنگ پوستش پررنگ‌تر می‌شد. او می‌دید که مادر، خاله‌ها و دوستانش، همگی از کرم‌های روشن‌کننده‌ای استفاده می‌کردند که  بیشترشان حاوی مواد سمی و حتی سرطان‌زا بودند. این مسئله برایش گیج‌کننده بود: جامعه او به سختی در برابر نژادپرستی مبارزه کرده بود، اما برخی از تبعیض‌هایی که او تجربه کرده بود، از سمت خود جامعه سیاه‌پوستان بود و شبکه‌های اجتماعی هم وضع را بدتر می‌کردند.تبعیض‌هایی که لیز تجربه می‌کرد (رنگ گرایی یا تبعیض بر اساس رنگ پوست) تاریخچه‌ای طولانی داشت که از ایده‌آل‌های زیبایی اروپایی نشئت می‌گرفت. پوست روشن همواره با ویژگی‌های مثبت و دلخواهی مثل معصومیت و ثروت همراه بود و پوست تیره با گناه و فقر. با اینکه این تبعیض با نژادپرستی مرتبط است، اما با آن تفاوت دارد، از این نظر که می‌تواند افراد را فارغ از نژاد آن‌ها تحت‌تأثیر قرار دهد و همچنین می‌تواند اثرات متفاوتی داشته باشد بر روی افرادی که از گروه‌های مشابه هستند.رنگ گرایی در بسیاری از کشورها به چشم می‌خورد. مثلا در هندوستان و در نظام کاست، افراد با پوست تیره‌تر به طور سنتی در طبقات پایین‌تر قرار می‌گرفتند. در چین، پوست روشن با زیبایی و اشرافیت پیوند خورده است. در ایالات متحده، مردم با نژادهای مختلفی، رنگ گرایی را تجربه‌ کرده‌اند، زیرا این تعصب همان‌طور که گفته شد، اصالتاً ریشه در رنگ پوست دارد و نه نژاد افراد. همچنین در تاریخ برده‌داری آمریکا نیز، به آن دسته از سیاه‌پوستانی که رنگ پوست روشن‌تری داشتند، وظایف خانگی محول می‌شد و آن‌هایی که رنگ تیره‌تری داشتند، بیشتر به کار بر روی زمین وادار می‌شدند.این تبعیض‌ها برای مدت‌های مدید، مختص اجتماع و رسانه‌ بوده‌اند. اما ظهور تصاویر دیجیتال و فتوشاپ، راه‌های جدیدی برای بروز رنگ گرایی، خلق کرد.در ژوئن ۱۹۹۴، هر دو مجله نیوزویک و تایم بر روی جلد خود تصویری از اُ.جی. سیمپسون را در جریان محاکمه اتهام به قتلش، منتشر کردند. اما روی جلد مجله تایم، پوست او به وضوح تیره‌تر نشان داده شده بود. تفاوت بین دو عکس، خشم زیادی را برانگیخت. تایم طبق آنچه که تصویرگر مجله ادعا می‌کرد، تصویر را برای مقاصد هنری تیره‌تر کرده بود. اما نحوه ویرایش تصویر، این مضمون را القا می‌کرد که هرچه پوست فرد تیره‌تر باشد، جامعه آمریکایی او را مجرم‌تر می‌پندارد.این همبستگی میان رنگ پوست و برداشت ذهنی افراد، تبعاتی بسیار سنگینی دارد. پژوهشی که در سال ۲۰۱۱ در دانشگاه ویلانوا انجام شد، نشان داد «بین شدت مجازات ۱۲ هزار زندانی زن و میزان تیرگی پوست‌شان ارتباط مستقیم وجود دارد.»درحال‌حاضر، به لطف رواج سلفی و فیلترهای چهره، رنگ گرایی دیجیتال گسترش یافته است. با وجود اسنپ‌چت، اینستاگرام، تیک‌تاک و فیس‌بوک که بخشی از زندگی روزمره میلیاردها نفر هستند، مردم بیشتر از گذشته تصاویر یکدیگر را می‌بینند؛ اما سوگیری‌هایی در این سیستم‌ها به صورت بنیادین تعبیه شده است. به عنوان مثال، می‌توان به تراشه‌های تصویربرداری به‌کاررفته در دوربین‌های شخصی اشاره کرد که با توجه به دامنه از پیش تنظیم‌شده‌شان، ثبت دقیق همه رنگ‌های پوست را غیرممکن می‌کنند.هر روزه بیش از ۲۰۰ میلیون نفر از لنزهای اسنپ‌چت استفاده می‌کنند که هدف برخی از آن‌ها روشن‌تر کردن رنگ پوست‌شان است. اینستاگرام و تیک‌تاک هم فیلترها و قابلیت‌هایی با کارکرد مشابه دارند.آن تصاویری هم که دوربین‌ها می‌توانند بگیرند، اغلب موردتغییر و ویرایش قرار می‌گیرند. اسنپ‌چت گزارش کرده است که روزانه بیش از ۲۰۰ میلیون‌ نفر از فیلترها و لنزهایش استفاده می‌کنند. برخی از افراد از آن‌ها برای روشن‌تر کردن پوست‌شان استفاده می‌کنند. دیگر فیلترها و افزونه‌های خودکار ایسنتاگرام و تیک‌تاک نیز کارکردی مشابه دارند. فناوری‌های تصویری و فیلترها این کار را تقریباً به صورت نامحسوس انجام می‌دهند. درعین‌حال، الگوریتم‌های شبکه‌های اجتماعی به محبوبیت افراد سفید‌پوست افزوده و به ضرر افراد با رنگ‌ پوست تیره تمام می‌شوند. اخیراً مشخص شد که الگوریتم برش عکسِ توئیتر، چهره‌های روشن‌تر، لاغرتر و جوان‌تر را ترجیح می‌دهد.تقابل سلفی و اعتمادبه‌نفسپیش از این درباره نقشی که فناوری‌های دیجیتال در تعیین استانداردهای زیبایی ایفا می‌کنند، صحبت کردیم. پدیده‌ای که منجر به ظهور مفهومی جدید به نام «چهره اینستاگرامی» شد. این اصطلاح به ظاهری اشاره دارد که به سادگی، با انواع و اقسام ابزارهای ویرایشی قابل‌دسترس است. تصاویری که بازتاب چنین چهره‌هایی هستند، یعنی چهره‌هایی که بینی‌های کوچک، چشمان بزرگ و لب‌هایی پر دارند، لایک‌ها و کامنت‌های بیشتری جذب می‌کنند و به همین دلیل الگوریتم‌های توصیه‌گر به آن‌ها اولویت می‌بخشند. علاوه بر این، با پژوهشگرانی مصاحبه کردیم که معتقدند ایده‌آل‌های زیبایی با سرعتی بیش از آنچه پیش‌بینی می‌شد، در حال تغییر هستند و تأثیراتی عمیق روی شکل‌گیری هویت و تصور افراد از خودشان، به‌خصوص در دختران جوان، باقی می‌گذارند.بیشتر بخوانیدکشف داروهای ضدویروس و استفاده از هوش مصنوعی برای سرعت بخشیدن به آنرونالد هال، استاد دانشگاه میشیگان و متخصص حوزه سوگیری‌های رنگ گرایی می‌گوید که این پدیده به‌ویژه برای زنانی که پوست تیره دارند، اثرات مخرب‌تری دارد. او ادامه می‌دهد: «با محبوب‌تر شدن چهره‌های اروپایی به عنوان استاندارد زیبایی، بعضی از این دخترهای جوان از آن‌ها تقلید می‌کنند. ولی آن‌هایی که رنگ پوست تیره‌تری دارند، هیچ راهی پیش روی خود نمی‌بینند. این‌ها کسانی هستند که بیش از همه در خطر آسیب‌رساندن به خود هستند.»این آسیب شامل عمل سفیدسازی پوست یا دیگر درمان‌های مخاطره‌آمیز است. صنعت روشن‌سازی پوست طی سال‌های اخیر به سرعت رشد کرده و ارزش جهانی آن درحال‌حاضر به بیش از سالانه ۸ میلیارد دلار رسیده است. اما فراتر از آسیب‌های جسمی، پژوهشگران و فعالان اجتماعی، شروع به ثبت مشکلات عاطفی و روانی ناشی از رنگ گرایی آنلاین کرده‌اند.امی نیو به عنوان بخشی از رساله دکتری خود در رشته روان‌شناسی دانشگاه ویسکانسین، بر روی رفتار ویرایش سلفی، مطالعه کرد. وی در پژوهشی که سال ۲۰۱۹ انجام داد، اثر فیلترهای زیبایی را بر روی خودانگاره زنان آمریکایی و چینی بررسی کرد. نیو از ۳۲۵ نفر از زنان در رده سنی کالج عکس‌ گرفت و بدون اینکه به آن‌ها بگوید، روی بعضی از عکس‌ها فیلترهایی را اجرا کرد. سپس این زنان را تحت‌نظر گرفت، تا احساسات و اعتمادبه‌نفس آن‌ها را هنگام دیدن عکس‌های اصلی یا ویرایش‌شده، اندازه بگیرد. نتایج این آزمایش‌ها که هنوز به طور رسمی منتشر نشده‌اند، نشان دادند که زنان چینی‌ای که تصاویر ویرایش‌شده را می‌دیدند، احساس بهتری نسبت به خودشان داشتند. درحالی‌که زنان آمریکایی (که ۸۷ درصد آنان سفیدپوست بودند) در هنگام دیدن تصاویر اصلی و ویرایش‌شده، احساس مشابهی داشتند.به عقیده‌ نیو، این نتایج نشان می‌دهند تفاوتی عمیق بین فرهنگ‌ها در زمینه «استانداردهای زیبایی و میزان حساسیت افراد نسبت به این فیلترها» وجود دارد. او اضافه می‌کند: «شرکت‌های فناوری متوجه این نکته شده‌اند و به همین دلیل، در تلاش‌اند فیلترهایی تولید کنند که با نیازهای گروه‌های مختلف متناسب باشد.»این موضوع، تظاهرهای بسیار آشکاری دارد. نیو به عنوان زنی چینی که در آمریکا زندگی می‌کند، هم از تیک‌تاک و هم دویین، نسخه چینی تیک‌تاک، استفاده می‌کند. هر دوی این برنامه‌ها تولید یک شرکت هستند و به‌رغم ویژگی‌های مشابه فراوان، محتوایی متفاوت دارند.  به عنوان مثال، هر دو نرم‌افزار قابلیتی به نام «حالت زیبایی» دارند، اما ویژگی‌هایی که در این قابلیت ارائه می‌دهند، با هم تفاوت دارند: افکت‌هایی که به کاربران چینی ارائه می‌شود، به شکلی افراطی پوست را روشن و صاف نشان می‌دهند.او می‌گوید: «این تفاوت‌ها نه‌تنها بازتاب استانداردهای فرهنگیِ متفاوت زیبایی هستند، بلکه آن‌ها را تثبیت می‌کنند. برای نمونه، سفیدپوستان آمریکایی عموماً فیلترهایی را ترجیح می‌دهند که پوست‌شان را برنزه‌تر، دندان‌ها را سفیدتر و مژه‌ها را بلندتر نشان می‌دهند، درحالی‌که زنان چینی فیلترهایی را ترجیح می‌دهند که پوست‌شان را روشن‌تر می‌کند.»نیو نگران است که ازدیاد بی‌امان تصاویر ویرایش‌شده، از تنوع استانداردهای زیبایی، به‌خصوص برای زنان چینی می‌کاهد. او می‌گوید: «استانداردهای زیبایی در چین همگن‌تر هستند. فیلترهای نرم‌افزارها بسیاری از تفاوت‌های موجود بین چهره‌ افراد را حذف می‌کنند و بدین ترتیب، یک چهره‌ همگانی را ترویج می‌کنند.»این واقعاً بد استامیره آداوه نیز در مطالعاتش الگویی مشابه را در طرز استفاده دختران رنگین‌پوست از فیلترهای موجود در شبکه‌های اجتماعی ملاحظه کرده است. آداوه مؤسس و مدیرعامل بیوتی‌ول، سازمانی غیرانتفاعی در مینه‌سوتا است که هدفش مبارزه با رنگ گرایی و عمل‌های روشن‌سازی پوست است. این سازمان برنامه‌هایی آموزشی برای دختران جوان رنگین‌پوست اجرا می‌کند، تا به آن‌ها درباره امنیت در اینترنت، رفتارهای دیجیتالی سالم و خطرات فیزیکی روشن‌سازی پوست، اطلاع‌رسانی کند.امیره آداوه می‌گوید: «اغلب باید در کارگاه‌هایش به دختران جوان یادآوری کند که پوست‌شان با فیلترهای شبکه‌های اجتماعی روشن‌تر می‌شود، چون آن‌ها تصور می‌کنند که این امر طبیعی است، مثلاً می‌گویند، امیره اسم این روشن‌سازی پوست نیست. فقط یک فیلتره. بسیاری از این دختران جوان از این فیلترها استفاده می‌کنند و فکر می‌کنند که وای خدای من! چقدر خوشگل هستم.» آن‌ها فکر می‌کنند که این امر طبیعی است… اما در واقع به این مفهوم دامن می‌زند که به اندازه کافی زیبا نیستند.»تنها با چند کلیک می‌توان ظاهر خود را به شکل ایده‌آل‌های زیبایی درآورد. این کار آنقدر آسان است که بسیاری از زنان جوان به آن روی آورده‌اند و در نهایت هویتی با پوستی روشن‌تر در فضای مجازی برای خود می‌سازند. بدین گونه در دنیای دیجیتال راحت‌تر پذیرفته می‌شوند. اما این کار باعث می‌شود با ظاهر و رنگ پوست حقیقی‌شان سخت‌تر کنار بیایند.آداوه می‌گوید که هنگام توضیح در خصوص فیلترها و نقش آن‌ها در چرخه تبعیض‌های رنگ گرایی، با مقاومت مخاطبانش روبه‌رو می‌شود. فیلترها در نوع نگاه دختران به خود، تبدیل به ضروریات شده‌اند. شیوع این فیلترها اتفاق خیلی بدی است. چون به این باور دامن می‌زنند که «تو به اندازه‌ کافی زیبا نیستی.» چنین باوری، فارغ از رنگ پوست، برای همه‌ افراد، معضلی خطرناک به شمار می‌رود.هال، خانم مجرد دورگه‌ای با بیست و چند سال سن است که دغدغه زیادی درباره هویت نژادی خود دارد. او می‌گوید: «بیشتر مردم از اصطلاح «مبهم» برای توصیف ظاهرم استفاده می‌کنند. بیشتر مشخصات ظاهری من شبیه به نژاد سفیدپوست‌هاست، مثلاً پوستم نسبت به دخترهای دورگه دیگر، روشن‌تر است و موهایم فر کمتری دارد.» همچنین او در گذشته از برنامه‌های همسریابی آنلاین استفاده می‌کرد. اما بعد از صحبت با دوستانش که رنگ پوست تیره‌تری دارند، دریافت که تجربه او در این برنامه‌ها بسیار با تجربه آن‌ها متفاوت بوده است.بیشتر بخوانیدگزارش معاونت علمی و فناوری ریاست‌جمهوری از اقدامات صورت گرفته برای توسعه و تعمیق هوش مصنوعیاو می‌گوید: «من و دوستانم تعداد کسانی را که این نرم‌افزار برایمان پیدا می‌کرد، با هم مقایسه کردیم. اینجا بود که فهمیدم یک جای کار مشکل دارد. دوستانم که کاملاً سیاه‌پوست هستند، نسبت به من که دورگه هستم، تعداد درخواست‌های کمتری دریافت می‌کنند.»هم‌اکنون مشخص شده است که الگوریتم‌های امتیازدهی زیبایی که میزان جذابیت تصاویر را رده‌بندی می‌کنند، امتیاز بیشتری به زنان سفیدپوست می‌دهند. به عنوان مثال، الگوریتم رده‌بندی بزرگ‌ترین شرکت‌ تشخیص چهره جهان، Face++،  از نظر نژادی دارای سوگیری است. این الگوریتم به طور خاص در پلتفرم‌های دیجیتال و سایت‌های همسریابی آنلاین به کار می‌رود.طبق ‌گفته‌ هال، تجربه او از این برنامه‌ها بازتابی از مشکلاتی بزرگ‌تر است. این امر عمیقاً ریشه در نژادپرستی، رنگ گرایی و هر تبعیض دیگری دارد که در جامعه ما اتفاق می‌افتد. این تجربه چنان برای هال ناامیدکننده بود که تمام برنامه‌های همسریابی‌اش را پاک کرد. ژورنال تحقیقاتی MIT Technology Review با بسیاری از سایت‌های همسریابی تماس گرفت، تا بپرسد آیا از الگوریتم‌های امتیازدهی زیبایی برای یافتن جفت مناسب برای افراد استفاده می‌کنند یا خیر. اما هیچ‌کدام از این سایت‌ها نه این نکته را تکذیب کردند و نه بر آن مهر تأیید زدند.آنچه می‌دانیم این است که حتی اگر این برنامه‌ها از سیستم‌هایی مانند Face++ استفاده نکنند، قطعاً الگوریتم‌های توصیه‌گری به کار می‌برند، تا در طول زمان، ترجیحات کاربران را بیاموزند و این خود فرصت دیگری برای رخنه سوگیری و رنگ گرایی به این نرم‌افزارها به شمار می‌رود.این واقعیت که پیشنهادات الگوریتم‌ها بر اساس ترجیحات کاربران ارائه می‌شوند، بدین معنی است که سوگیری‌های موجود در جامعه که در اینجا مسائل مربوط به گوناگونی در رسانه‌ها و صنعت مد هستند، در آن‌ها نیز رخنه می‌کنند. آن سوگیری‌ها متقابلاً بر اینفلوئنسرهای دنیای مجازی اثر می‌گذارند، به طوری که اکثر تصاویر محبوب به طور پیش‌فرض، متعلق به افرادی با پوست‌های روشن‌تر هستند. بدین ترتیب، الگوریتم‌هایی که برای تفسیر رفتار مخاطبان ساخته شده‌اند نیز درون این حباب غیرواقعی گیر می‌افتند و می‌آموزند که رنگ پوست تیره‌تر محبوب نیست. وضعیت جایی بدتر می‌شود که این الگوریتم‌های توصیه‌گر، قابلیتی به نام «اثر لنگری» دارند. بدین معنی که خروجی‌شان سوگیری‌های ناخودآگاه کاربران را تقویت می‌کند و حتی می‌تواند ترجیحات و سلیقه آن‌ها را به مرور زمان تغییر دهد.از سوی دیگر، پلتفرم‌هایی شامل تیک‌تاک متهم شده‌اند که به صورت عمدی محتوای کاربران سیاه‌پوست را، به خصوص کسانی که راجع به جنبش «زندگی سیاه‌پوستان مهم است» یا به‌طورکلی، نژادپرستی بحث می‌کنند، شادوبن (ممنوعیت سایه) می‌کند. این امر دسترسی این کاربران را کم می‌کند و این چرخه معیوب، پیوسته ادامه می‌یابد. سخنگوی تیک‌تاک طی بیانیه‌ای در پاسخ به این اتهامات گفته است: «ما به هیچ عنوان، محتوای کاربران یا حساب کاربری آن‌ها را بر اساس سوگیری‌های نژادی تعدیل نمی‌کنیم.»رونالد هال می‌گوید که در خصوص فشارهایی که این شبکه‌ها به کاربران، به خصوص بر زنان رنگین‌پوست، وارد می‌کنند «به‌شدت نگران» است. زنان رنگین‌پوست مدام با این پیام بمباران می‌شوند که «برای جذاب بودن باید سفید باشی.»با‌این‌حال، آداوه فکر می‌کند که تنها راه‌حل، ممنوعیت کامل فیلترهایی است که رنگ پوست را روشن می‌کنند. او می‌گوید که به اسنپ‌چت ایمیل فرستاده و این درخواست را به طور رسمی انتقال داده است. وی ادامه می‌دهد: «شبکه‌های اجتماعی به ارائه فیلترها ادامه می‌دهند، زیرا تقاضا بسیار زیاد است. اما به نظر من، آن‌ها در حال ترویج رنگ گرایی هستند، چه متوجه این امر باشند یا نباشند. چه عمدی باشد یا نباشد.یکی از سخنگویان اسنپ‌چت به ژورنال MIT Technology Review گفت: «هدف ما تولید محصولاتی است که دربرگیرنده‌ تمام کاربران اسنپ‌چت باشد و برای رسیدن به این هدف، تعدادی فرایند و نوع‌‌آوری را به اجرا گذاشته‌ایم. دستورالعمل‌های ما برای تمام کاربران اسنپ‌چت و همین‌طور لنزها، به نحوی تدوین شده‌اند که از تبعیض و ترویج تصورات قالبی جلوگیری می‌کند. درحال‌حاضر، فرایند بررسی گسترد‌ه لنزها را در دست داریم. در این فرایند، قابلیت‌های این برنامه را بر روی طیف گوناگونی از رنگ پوست‌ها امتحان می‌کنیم.»اسنپ‌چت اعلام کرده است که به کمک کارشناسان، در ابتدای سال جاری طرحی را برای ساختن «دوربین همه‌شمول» آغاز کرده است، دوربینی که در ثبت طیف وسیع‌تری از رنگ پوست، بهتر عمل می‌کند.لنزی کاملاً متفاوتلیز که اکنون در مینه‌سوتا زندگی می‌کند، مدت‌های مدیدی با تبعات رنگ گرایی دست‌به‌گریبان بود. او در جلسات روان‌درمانی شرکت کرد، بی‌شمار ویدئوی آموزشی درباره ویرایش عکس در یوتیوب تماشا کرد و حتی دوربینی ۶۰۰ دلاری خرید، به این امید که این دوربین او را در عکس‌ها روشن‌تر نشان دهد، ولی در نهایت متوجه شد که این امر چقدر آسیب‌زا بوده است.لیز می‌گوید: «حالا با دیدی کاملاً متفاوت صفحه افراد را در شبکه‌های اجتماعی می‌بینم.»او حالا یک مادر است. وقتی با او از طریق زوم صحبت می‌کردم، کودکش با غان‌وغون و تکان‌تکان به استقبالم آمد. من خوشحال شدم. اما لیز درحالی‌که مدام عذرخواهی می‌کرد، لنز دوربین را تنظیم کرد.لیز امیدوار است در فضای مجازی تصاویر طبیعی‌ بیشتری از زنان زیبایی ببیند که به او شباهت بیشتری دارند. او دیگر نمی‌خواهد رنگ پوستش را در عکس‌ها ویرایش کند و سخت در تلاش است، تا به افکار منفی‌‌اش پایان دهد. لیز در این باره بیشتر توضیح می‌دهد: «اگر ببینم کسی به زن زیبای تیره‌پوستی توهین کرده، از کوره در می‌روم. برایم مهم نیست فضای مجازی باشد یا واقعی، حتماً تذکر می‌دهم. دیگر نمی‌توانم ساکت بمانم! اما سال‌ها طول کشیده تا به اینجا برسم. می‌خواهم نسبت به آنچه که به پسرم می‌آموزم، آگاهانه‌تر عمل کنم.»پی‌نوشت: در این نوشتار تلاش کردیم تا توضیح دهیم رنگ گرایی یا colorism، افراد متعلق به تمام نژادها را تحت‌تأثیر قرار می‌دهد.جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید.منبع: هوشیو مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sun, 12 Dec 2021 13:21:45 +0330 https://virgool.io/@partdpai/%D9%85%D8%B3%DB%8C%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DA%A9%D9%88%D8%A2%D9%86%D8%AA%D9%88%D9%85%DB%8C-%D8%A7%D8%B2-%D8%B7%D8%B1%DB%8C%D9%82-%DA%A9%D8%B4%D9%81%DB%8C%D8%A7%D8%AA-%D8%AC%D8%AF%DB%8C%D8%AF-%D9%87%D9%85%D9%88%D8%A7%D8%B1-%D9%85%DB%8C-%D8%B4%D9%88%D8%AF-kirdyahvoati مطالعات جدید نشان داده‌اند که با آموزش شبکه‌های عصبی پیچشی بر روی کامپیوترهای کوآنتومی، می‌توان مشکل «فلات‌های بی‌ثمر» را که در مسائل بهینه‌سازی رخ می‌دهد، حل کرد.شبکه‌های عصبی پیچشی که بر روی کامپیوترهای کوآنتومی اجرا می‌شوند، ظرفیت خارق‌العاده‌ای برای تحلیل داده‌های کوآنتومی دارند و از این نظر نسبت به کامپیوترهای کلاسیک برتری دارند. با‌این‌حال، مشکلی اساسی که با نام «فلات‌های بی‌ثمر» شناخته می‌شود، کاربرد این شبکه‌های عصبی بر روی دیتاست‌های بزرگ را با محدودیت روبه‌رو کرده است. در این نوشتار، نتایج پژوهشی جدید را مرور خواهیم کرد که موفق به کشف راه‌حل این مسئله شده است و بدین ترتیب، اجرای این شبکه‌ها در مقیاس بزرگ را امکان‌پذیر می‌کند. این مقاله، در ژورنال Physical Review X منتشر شده است.مارکو کرتزو، از محققان آزمایشگاه ملی لس‌آلاموس و یکی از نویسندگان مقاله‌ «غیاب فلات‌های بی‌ثمر در شبکه‌های عصبی پیچشی کوآنتومی»، توضیح می‌دهد: «شیوه‌ ساخت شبکه‌ عصبی می‌تواند منجر به بروز مشکل فلات‌های بی‌ثمر بشود؛ اما همیشه این‌طور نیست. ما در این پژوهش، نشان داده‌ایم که در نوع خاصی از شبکه‌های عصبی کو‌‌‌‌‌‌‌‌‌‌آنتومی، فلات‌های بی‌ثمر وجود ندارند. مطالعات ما آموزش این معماری‌ها را توضیح می‌دهد، به نحوی که شبکه بتواند پارامترهای خودش را به صورت عمومی آموزش دهد.» کرتزو فیزیک‌دانی است که در حوزه‌ محاسبات کو‌‌‌‌‌‌‌‌‌‌آنتومی، یادگیری ماشین کو‌‌‌‌‌‌‌‌‌‌آنتومی و اطلاعات کو‌‌‌‌‌‌‌‌‌آنتومی تخصص دارد.ساختار شبکه‌های عصبی پیچشی کوآنتومی از قشر بینایی مغز انسان الهام گرفته است. به همین دلیل، این شبکه‌ها یک مجموعه لایه‌ پیچشی یا فیلتر دارند که بین‌شان لایه‌های تجمیعی قرار گرفته‌اند. این لایه‌ها در عین حفظ ویژگی‌های مهم دیتاست، ابعاد آن را نیز کاهش می‌دهند.این شبکه‌های عصبی را می‌توان برای حل طیفی از مسائل گوناگون، همچون تشخیص تصویر یا کشف مواد، به کار برد. غلبه بر مشکل فلات‌های بی‌ثمر، کلید بهره‌مندی از قابلیت‌های کامپیوترهای کوآنتومی در حوزه‌ هوش مصنوعی و اثبات برتری آن‌ها نسبت به کامپیوترهای کلاسیک است.بیشتر بخوانیدهر کس بگوید هوش مصنوعی توانایی تشخیص دروغ را دارد فریبکار است!متخصصان یادگیری ماشین کوآنتومی تاکنون، کاهش اثرات فلات‌های بی‌ثمر را بررسی کرده‌اند؛ اما اساس نظری لازم برای حذف کلی یا جلوگیری از آن را در دست نداشته‌اند. محققان لس‌آلاموس نشان دادند که برخی از این شبکه‌های عصبی کوآنتومی می‌توانند در برابر فلات‌های بی‌ثمر مقاوم باشند.پاتریک کولز، فیزیک‌دان کو‌‌‌‌‌‌‌‌‌‌آنتومی آزمایشگاه لس‌آلاموس و یکی دیگر از نویسندگان این مقاله، می‌گوید: «اکنون محققان می‌توانند داده‌های کامپیوترهای کوآنتومی را غربال کنند و با تکیه بر اطلاعاتی که درباره سیستم‌های کوآنتومی به دست می‌آورند، خواص مواد را مطالعه کنند یا مواد جدید کشف کنند. البته این تنها نمونه‌ای از کاربردهای فراوان این کشفیات است.»به عقیده‌ کولز، الگوریتم‌های هوش مصنوعی، کاربردهای بیشتری هم پیدا خواهند کرد؛ زیرا همه‌ برنامه‌های یادگیری ماشین، تشنه‌ داده هستند و محققان نیز می‌توانند با تکیه بر کامپیوترهای کو‌‌‌‌‌آنتومی، داده‌های بیشتر و بیشتری تولید کنند.اجتناب از مشکل گرادیان کاهشیکرتزو معتقد است: «مشکل فلات‌های بی‌ثمر، همه‌ مزایای بالقوه‌ فناوری کوآنتومی، از جمله سرعت بالا را به خطر می‌اندازد.»ریشه‌ مسئله «گرادیان کاهشی» را می‌توان در نمای بهینه‌سازی به وضوح مشاهده کرد. این نما از پستی و بلندی‌ها (قله، فلات و دره) تشکیل شده است. پارامترهای مدل را به نحوی باید آموزش داد که سراسر این نمای جغرافیایی را به دنبال راهکار ایده‌آل جست‌وجو کنند. این راهکار معمولاً در انتهای پایین‌ترین دره قرار دارد. وقتی نما هموار و مسطح باشد، آموزش پارامترها با مشکل روبه‌رو می‌شود، چون جهت درست را به سختی می‌توان تشخیص داد.این مشکل با افزایش تعداد ویژگی‌های داده‌ها تشدید می‌شود؛ چون در این صورت، نما مسطح‌تر می‌شود و با بروز مشکل فلات‌های بی‌ثمر، شبکه‌ عصبی کوآنتومی، دیگر نمی‌تواند رشد کند.بیشتر بخوانیدگزارش معاونت علمی و فناوری ریاست‌جمهوری از اقدامات صورت گرفته برای توسعه و تعمیق هوش مصنوعیمحققان لس‌آلاموس، رویکرد گرافیکی جدیدی توسعه داده‌اند که امکان تحلیل مقیاس‌بندی در شبکه‌های عصبی کوآنتومی را فراهم می‌آورد و آموزش‌پذیری آن را تضمین می‌کند.بیش از ۴۰ سال است که فیزیک‌دان‌ها بر نقش کامپیوترهای کوآنتومی در درک و شبیه‌سازی سیستم‌های کوآنتومی تأکید می‌کنند. اکنون پژوهشگران موفق به ساخت شبکه‌ عصبی پیچشی کوآنتومی شده‌اند که در برابر مسئله‌ مذکور مقاوم است و برای تحلیل داده‌های حاصل از شبیه‌سازی‌های کوآنتومی نیز مفید است.کولز یادآوری می‌کند: «یادگیری ماشین کوآنتومی، حوزه‌ای جوان و نوپا به شمار می‌رود. وقتی لیزر برای اولین بار کشف شد، باوری رایج ایجاد شده بود مبنی بر اینکه لیزر راهکاری است که به دنبال مشکل می‌گردد؛ اما حالا لیزرها و کاربردشان را همه‌جا می‌بینیم. اینجا هم همین‌طور است؛ برخی به قابل دسترس بودن داده‌های کوآنتومی شک دارند و به‌تبع، معتقدند یادگیری ماشین کوآنتومی رونق چندانی نخواهد گرفت.»برای نمونه، پژوهشی قصد دارد با تمرکز بر روی مواد سرامیکی، به عنوان ابررساناهایی با دمای بالا، نقش آن‌ها در ارتقای حمل‌ونقل یکپارچه (مثل قطارهای مغناطیسی هوایی) را بررسی کند؛ اما تجزیه و تحلیل داده‌های موجود درباره فازهای متعدد ماده (که تحت‌تأثیر دما، فشار و ناخالصی‌های موجود تغییر می‌کنند) و دسته‌بندی این آن‌ها مسئله‌ای سنگین به شمار می‌رود که فراتر از قابلیت‌های کامپیوترهای کلاسیک هستند.کامپیوترهای کوآنتومی، با تکیه بر شبکه‌ عصبی کوآنتومی مقیاس‌پذیر، قادر خواهند بود، دیتاست‌های عظیم را غربال کنند، تا حالات گوناگون مواد را تشخیص دهند و همبستگی بین این حالات را مشخص سازند و در نهایت، بهترین حالت ممکن برای ابررسانایی دمای بالا را مشخص کنند.جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنیدمنبع: هوشیو مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Sat, 11 Dec 2021 16:36:48 +0330 https://virgool.io/@partdpai/%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%A9%D9%85%D8%B1%D8%AF%D8%B1%D8%AF-v9gqtm8a2k8x گروهی از پژوهشگران دانشگاه مانت سینای موفق به طراحی نوعی هوش مصنوعی‌ شده‌اند که می‌تواند با مطالعه‌ سوابق پزشکی بیماران، اقدام به تشخیص کمردرد کند و مزمن یا حاد بودن آن‌ها را مشخص دهد. بر اساس نتایج این پژوهش که در ژورنال تحقیقات اینترنتی پزشکی منتشر شده است، به کمک این مدل، می‌توان دقت فرایند درمان را تا ۸۰ درصد افزایش داد.نزدیک به ۸۰ درصد بزرگسالان در طول زندگی خود، حداقل برای مدتی کوتاه، در ناحیه‌ پایین کمرشان احساس درد می‌کنند. در واقع، کمردرد، شایع‌ترین مشکل جسمانی مرتبط با مشاغل نیز به شمار می‌رود. برخی معتقدند تجویز مسکن برای درمان این درد، نقش پررنگی در معتاد شدن بیماران به این داروها ایفا کرده است. به همین دلیل، تشخیص بالینی نوع کمردرد می‌تواند ابزار کارآمدی باشد که علاوه بر بهبود نحوه‌ مدیریت این بیماری، استفاده از داروهای اضافی و غیرضروری را نیز کاهش می‌دهد.بیشتر بخوانیدطبقه بندی تومورهای مغزی به کمک یادگیری عمیق و یادگیری ماشینکمردرد مزمن و حاد با یکدیگر تفاوت دارند و در نتیجه، با روش‌های مختلفی هم درمان می‌شوند. با این حال، در پرونده‌ سوابق پزشکی، هر دو نوع به یک شکل ثبت می‌شوند، به نحوی که تشخیص کمردرد و نوع آن‌ها تنها با بازبینی بعدی امکان‌پذیر است.کمردرد مزمن و کمردرد حاداینکه افراد، تفاوت بین کمردرد مزمن و کمردرد حاد را ندانند، پس این امکان هم وجود نخواهد داشت که پیشنهادات درمانی مناسبی که برای بیماری‌شان به آن‌ها می‌شود، کارایی لازم را داشته باشد؛ به عنوان مثال، نمی‌توان به آن‌ها گفت چه زمانی می‌توانند به کارشان برگردند. این مدل هوش مصنوعی را می‌توان به منظور افزایش دقت صورت‌حساب و کدگذاری پزشکی در فرایند درمان بیمارانی که از کمردرد رنج می‌برند، استفاده کرد.بیشتر بخوانیدهوش مصنوعی بهتر از پزشکان مرگ ناشی از بیماری‌های قلبی را پیش‌بینی می‌کندمحققان از ۱۷,۴۰۹ پرونده‌ سوابق پزشکی و ۱۶,۷۱۵ بیمار برای آموزش مدل هوش مصنوعی خود استفاده کردند.اسماعیل نبیل، استاد پزشکی زیست‌محیطی و بهداشت و درمان عمومی از دانشگاه مانت سینای، توضیح می‌دهد: «تا به حال، پژوهش‌هایی انجام شده‌اند که نرخ داروهای تجویزی و تعداد دفعات مراجعه به پزشک، فیزیوتراپ و کایروپراکتیک را در میان بیمارانی که از کمردرد رنج می‌برند، بررسی کرده باشند؛ اما پژوهش حاضر نشان داده است که هوش مصنوعی می‌تواند با دقت بالا کمردرد مزمن و کمردرد حاد را تشخیص دهد. با تکیه بر این فناوری، می‌توان به بیمار گفت چه زمانی به انجام فعالیت‌های عادی‌اش برگردد، چه مدت استراحت کند یا چند جلسه به پزشک مراجعه کند. این پژوهش در بحث تشخیص، درمان، کدگذاری و صورت‌حساب‌نویسی بیماری‌های عضلانی- اسکلتی دیگر، همچون زانودرد، آرنج‌درد و درد شانه، نیز کاربرد دارد. در این بیماری‌ها هم مانند کمردرد، سوابق پزشکی شدت درد و مزمن یا حاد بودن آن را به صورت دقیق مشخص نمی‌کنند.»انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید.منبع: هوشیو مرکز تحقیقات هوش مصنوعی پارت مرکز تحقیقات هوش مصنوعی پارت Thu, 09 Dec 2021 11:26:29 +0330