مروری بر یادگیری عمیق (Deep Learning) برای شهرهای هوشمند آینده (بخش دوم)

در ادامه‌ی معرفی کاربردهای Deep Learning در ورتیکال‌های شهر هوشمند، 4 نکته باقی مانده را ذکر می‌کنیم.

1- یادگیری عمیق برای تاب‌آوری و پایداری شهرهای هوشمند

تولید اطلاعات روز به روز در حال افزایش است. نیاز مبرم به توسعه یک شبکه کارآمد برای به اشتراک گذاشتن این اطلاعات وجود داردکه می‌تواند برای بهبود شهرهای هوشمند مورد استفاده قرار گیرد. مهمترین چالش محدودیت منابع محیطی است. این می تواند با طراحی یک شبکه هوشمند که می تواند سطح آلودگی را کاهش دهد و همچنین به مردم برای زندگی بهتر کمک کند، حل شود. برای نمونه در تحقیقات برای تصمیم‌گیری بهینه در راستای مدیریت پسماند صنعتی با استفاده از شبکه‌های عصبی راهکار ارائه شده است.

2- یادگیری عمیق برای آموزش هوشمند

تجزیه و تحلیل big data فرصتی برای تجزیه و تحلیل روانشناسی افراد تحت آموزش فراهم آورده است. برای مثال روشی جدید، حساس به احساسات برای تعیین علاقه دانش آموزان به درس‌ها براساس موقعیت سر و حالت صورت آنان با تکنیک‌های یادگیری ماشین ارائه شده است. این گونه روش‌ها می‌تواند چالش عمده‌ای که در یادگیری آنلاین با آن رو به رو هستیم که عدم تعامل با معلم است را پاسخ دهد.

3- یادگیری عمیق برای سلامت هوشمند

هوش مصنوعی زمینه ساخت راه حل‌های مراقبت‌های بهداشتی هوشمند را با استفاده از مفاهیم جدید و پیشرفته مانند یادگیری عمیق فراهم کرده است. مفاهیمی مانند مدل‌های یادگیری انتقال و یادگیری عمیق در طبقه بندی بسیار مفید بوده‌اند. برای مثال، تشخیص و نیز پیش‌بینی سرطان سینه با به کارگیری این تکنیک‌ها در مقایسه با روش‌های سنتی دقیق‌تر بوده‌اند.

4- یادگیری عمیق برای امنیت و حریم شخصی در شهرهای هوشمند

شهرهای هوشمند موهبت نوآوری‌های عظیم در فناوری‌های اطلاعات و ارتباطات است. شهروندان این شهرهای هوشمند از طریق تلفن‌های هوشمند و ابزارهای پیچیده و یکپارچه نظیر اینترنت اشیا به هم متصل می شوند که این منجر به تجربه‌ی راحتی غیر قابل تصور و بهبود در سبک زندگی آنها می‌شود. اگرچه دستگاه‌هایی مانند کنتور هوشمند، لوازم خانگی هوشمند و دستگاه‌های بهداشتی هوشمند چنین راحتی‌هایی را امکان پذیر می‌کنند اما چالش‌های مربوط به آنان را نیز به همراه دارند؛ از جمله امنیت و حریم خصوصی در اطلاعات و حفظ یکپارچگی داده‌ها و نیز  امتناع از دسترسی غیر مجاز. یادگیری عمیق و فن‌آوری‌های مرتبط در ارائه راه‌حل‌های موفقیت‌آمیز برای چنین نقض امنیت‌هایی که در کاربردهایی که از big data و یا IoT استفاده شده است، موفق بوده‌اند. برای مثال، یکی از پیاده‌سازی‌های موفق، استفاده از الگوریتم Random Forest است که برای تشخیص ناهنجاری در دستگاه‌های توزیع شده‌ی IoT به کار برده شده است. (Anomaly Detection).

چالش‌های این مسیر مواردی چون نیاز به الگوریتم‌های ML سبک برای منابع محدود، مجموعه داده‌های مورد استفاده برای برنامه‌های یادگیری عمیق که گاهی اوقات به راحتی و در اندازه کافی برای تأیید نتایج از طریق شبیه سازی در دسترس نیستند و نیز دستگاه‌هایی که امنیت را تضمین می‌کنند.

جهت مطالعه بیشتر: https://onlinelibrary.wiley.com/doi/pdf/10.1002/itl2.187