دیجی والمارت

تشخیص مناطق پر ازدحام با استفاده از شبکه مخابراتی میسر گردید.محققان با اطلاع از اینکه بیماری کووید 19 بدون رعایت فاصله گذاری اجتماعی ، به سادگی منتقل میگردد. و از طرفی امروز همه شهروندان از تلفن همراه استفاده میکنند ، استراتژی جدید رو برای شناسایی مناطق شلوغ توسعه دادند.

در این استراتژی از فناوری های شبکه مخابراتی موسوم به handover and cell (re)selection که امکان حرکت آزادانه کاربران را فراهم می کنند ، برای گردآوری حرکت کاربران در مناطق محتلف و جابه جای تراکم آنها استفاده می شود.

این اطلاعات به طور دائم بروز رسانی می شود ، امکان شناسایی مناطق در معرض خطر را فراهم میکند .

در واقع هرچه میزان HO/CS بیشتر باشد، به این معنی است که تراکم جمعیت و جابه جایی مردم در یک منطقه بیشتر است و احتمال انتقال کووید ۱۹ نیز بیشتر است.

به اعتقاد محققان با استفاده از این رویکرد می توان درصد افرادی که در منزل باقی مانده اند رو با استفاده از این رویکرد تخمین زد.

دانشمندان با استفاده از داده های رصد خانه امواج گرانشی نانو هرتز در آمریکای شمالی موفق شدند تا مرکز گرانش منظومه شمسی رو کشف کنند.

در این پژوهش برای کشف مرکز گرانش منظومه شمسی از اندازه گیری امواج گرانشی استفاده کردند.

پیش از این دانشمندان برای تشخیص مرکز گرانش منظومه شمسی از داده های رصد خانه امواج گرانشی نانو هرتز در امریکای شمالی استفاده می کردند.که بعدها متوجه شدند این نتایج متناقص است و با مدل های منظومه شمسی سازگاری ندارد.

بدین ترتیب دانشمندان تصمیم گرفتند تا علاوه بر بررسی امواج گرانشی ، مرکز گرانش منظومه شمسی رو پیدا کنند.

آنها پس از مظالعه دریافتند که این مرکز در فاصله 100 متری از خورشید قرار دارد.

در این تحقیق بررسی و پیدا کردن امواج گرانشی توانسته است درک انواع مختلف سیاه چاله ها در جهان را افزایش دهد.

هرآنچه که باید در مورد هوش مصنوعی بدانید در این مقاله برای شما آماده کرده ایم.

هوش مصنوعی فناوری جدید قرن 21 !!!

هوش مصنوعی (AI) چیست؟

پدران این شاخه، مینسکی و مک کارتی، هوش مصنوعی را به عنوان هر گونه عملی که توسط برنامه یا ماشینی(دستگاهی) انجام بشود تعریف کرده اند.
سیستم های هوش مصنوعی معمولا برخی از رفتارها و اعمال مشابه با هوش بشری، یادگیری، استدلال، حل مسئله، ارائه دانش، ادراک، حرکت و در گستره ای کمتر، هوش اجتماعی و خلاقیت را نشان می دهند.

کاربردهای هوش مصنوعی

امروزه هوش مصنوعی در هر جایی وجود دارد  از قبیل خریدهای آنلاین شما، درک و تشخیص عکس ها، شناسایی اسپم و تشخیص کلاهبرداری و سوء استفاده از کارت اعتباری استفاده می شود.

انواع مختلف هوش مصنوعی

هوش مصنوعی را می توان به دو نوع دسته بندی کرد:

هوش مصنوعی محدود و هوش مصنوعی عمومی. هوش مصنوعی محدود همان نوعی است که در رایانه های امروزی می بینیم. سیستم هایی هوشمند که انجام اموری خاص را بدون برنامه ریزی واضح برای چگونگی اجرای آن آموخته یا یاد گرفته اند.
در سیستم های تشخیص بصری خودروهای اتوماتیک، در موتورهایی که محصولات را بر اساس پیشینه خرید شما ارائه می دهند می توان این نوع مورد را مشاهده کرد.

کارکردهای هوش مصنوعی محدود:

از جمله کاربردهای هوش مصنوعی محدود می توان به :

هواپیماهای بدون خلبان که کار بازرسی زیرساخت هایی از قبیل لوله های نفت را انجام می دهند، سازماندهی تقویم های کاری یا شخصی، پاسخ به پرسش های ساده ی حوزه خدمات مشتری، کمک به رادیولوژیست ها جهت شناسایی تومورها در عکس ها، تشخیص خرابی ها در آسانسورها را نام برد.

کارکردهای هوش مصنوعی عمومی:

هوش مصنوعی عمومی بسیار متفاوت است این نوع هوش در انسان یافت می شود.

یک نوع هوش منحصر به فرد که به یادگیری نحوه انجام امور می پردازد. از کوتاه کردن مو تا ساخت صفحات گسترده

این نوع هوش در فیلم های تخیلی مثل ترمیناتور ساخته شده است ولی در حال حاضر چنین هوشی وجود خارجی ندارد و محققان در صدد ساختن آن هستند.

مطالعه ای که توسط چهار گروه از متخصصین در سال 2012/13 انجام پذیرفت، نتیجه گیری شد که شانسی 50 درصدی برای واقعیت بخشیدن به هوش مصنوعی عمومی میان 2040 و 2050 وجود دارد، آن ها افزودند که تا سال 2075 این احتمال به 90 درصد هم خواهد رسید. گروه پا را فراتر گذاشته و پیش بینی کردند که «هوش مصنوعی برتر» (هوشی با قدرتی فراتر از عملکرد ادراکی بشر) سی سال پس از تحقق رویای هوش مصنوعی عمومی ابداع خواهد شد.

عامل محرک هوش مصنوعی

بزرگترین پیشرفت در زمینه تحقیقات هوش مصنوعی در سالهای اخیر در زمینه یادگیری ماشینی بویژه در زمینه یادگیری عمیق بوده است.این امر تا حدودی با دسترسی آسان داده ها انجام شده است ، اما حتی بیشتر از آن با انفجار در قدرت محاسبات موازی در سال های اخیر ، که در طی این مدت استفاده از خوشه های GPU برای آموزش سیستم های یادگیری ماشینی رواج بیشتری یافته است.این خوشه ها نه تنها سیستم های بسیار قدرتمندتری را برای آموزش مدل های یادگیری ماشین ارائه می دهند ، بلکه اکنون به عنوان خدمات ابری از طریق اینترنت نیز به طور گسترده ای در دسترس هستند. با گذشت زمان ، شرکت های بزرگ فناوری ، مانند گوگل و مایکروسافت ، به سمت استفاده از تراشه های تخصصی متناسب با مدلهای یادگیری ماشین و همچنین اخیراً آموزش استفاده کرده اند.

نمونه ای از یکی از این تراشه ها، Tensor Processing Unit (TPU)گوگل است که آخرین نسخه آن از سرعت بیشتری برخوردار است و  در آن از مدل های مفید یادگیری ماشین که با استفاده از کتابخانه نرم افزاری TensorFlow گوگل ساخته شده استفاده گردیده است و آن ها می توانند اطلاعات را از داده ها استنباط نموده  و همچنین امکان تفسیر میزان آموزش را نیز دارا هستند.این تراشه ها صرفا جهت آموزش مدل هایی برای DeepMind و Google Brain استفاده نمی شوند ، بلکه از مدل هایی که پایه و اساس Google Translate و تشخیص تصویر در Google Photo است  استفاده می شوند ، و همچنین خدماتی به عموم مردم ارائه می دهد که با استفاده از Google TensorFlow Research Google می توانند مدلهای یادگیری ماشینی بسازند. . دومین نسل از این تراشه ها در کنفرانس I/O گوگل در ماه می سال گذشته رونمایی شد ، TPU قادر به آموزش یک مدل یادگیری ماشین گوگل برای ترجمه سریعتر می باشد.

عناصر یادگیری ماشینی

همانطور که گفته شد ، یادگیری ماشینی زیر مجموعه ای از هوش مصنوعی است و به طور کلی به دو دسته اصلی تقسیم می شود: یادگیری نظارت شده و بدون نظارت.

یادگیری تحت نظارت

یک روش معمول برای آموزش سیستم های هوش مصنوعی ، آموزش آنها با استفاده از تعداد بسیار زیادی از نمونه های برچسب خورده یا دارای عنوان است. این سیستم های یادگیری ماشینی از داده های عظیمی تغذیه می کنند که برای انجام اعمال خاص بکار گرفته می شوند. آن ها می توانند عکسهایی باشند که تصویری را نشان می دهند یا جملاتی نوشتاری در پاورقی برای نشان دادن اینکه آیا کلمه “باس” مربوط به موسیقی است یا خیر. پس از آموزش ، سیستم می تواند این عناوین یا برچسب ها را روی داده های جدید، به عنوان مثال سگ در عکسی که تازه آپلود شده است اعمال کند.آموزش این سیستم ها به طور معمول به داده های گسترده ای نیاز دارد ، به طوری که برخی از سیستم ها نیاز دارند میلیون ها نمونه را برای یادگیری نحوه انجام یک کار مورد بررسی و تجزیه و تحلیل قرار دهند  – اگرچه این امر در عصر داده های بزرگ و استخراج گسترده داده ها بسیار امکان پذیر است. مجموعه داده های آموزشی بسیار بزرگی وجود دارد- Open Image Dataset Google دارای حدود نه میلیون تصویر است ، در حالی که منبع ویدیوی YouTube-8M دارای هفت میلیون فیلم دارای عنوان می باشد. ImageNet ، یکی از پایگاه های داده اولیه است که بیش از 14 میلیون تصویر طبقه بندی شده دارد. در دراز مدت ، دستیابی به مجموعه داده های بزرگ دارای عنوان نیز ممکن است اهمیت کمتری در مقایسه با دسترسی به قدرت محاسباتی بالا داشته باشند.

در سال های اخیر ، GANها نشان داده اند که چگونه سیستم های یادگیری ماشینی که به مقدار کمی از داده های برچسب خورده تغذیه می شوند ، می توانند مقادیر عظیمی از داده های تازه را برای آموزش خود تولید کنند.این رویکرد می تواند به ظهور یادگیری تقریبا نظارتی منجر شود ، جایی که سیستم ها می توانند بیاموزند که چگونه می توانند وظایف خود را با استفاده از داده های برچسب خورده کمتری نسبت به آنچه که امروزه برای سیستم های آموزشی با استفاده از یادگیری نظارت شده ضروری است ، انجام دهند.

یادگیری بدون نظارت

در مقابل ، یادگیری بدون نظارت از یک رویکرد متفاوت استفاده می کند ، جایی که الگوریتم ها سعی در شناسایی الگوهای داده ها دارند و به دنبال شباهت هایی هستند که می توانند برای طبقه بندی آن داده ها استفاده شوند. به عنوان مثال می توان میوه هایی باغ وزن یکسان یا اتومبیل هایی با اندازه موتور یکسان را گرداوری کرد.این الگوریتم از قبل برای انتخاب انواع خاصی از داده ها تنظیم نشده است ، بلکه به جستجوی داده هایی می پردازد که می توانند براساس شباهت های آن دسته بندی شوند ، به عنوان مثال Google News هر روز داستانهایی را با موضوعات مشابه جمع می کند.

یادگیری تقویتی

در یادگیری تقویتی ، سیستم تلاش می کند تا بر اساس داده های ورودی خود پاداش را به حداکثر برساند ، اساساً روند آزمایش و خطا را طی می کند تا اینکه به بهترین نتیجه ممکن برسد.نمونه ای از یادگیری تقویت کننده ، شبکه Deep Q درGoogle DeepMind است که برای بهترین عملکرد انسان در انواع بازی های ویدیویی کلاسیک استفاده شده است. سیستم از هر پیکسل تغذیه می کند و اطلاعات مختلفی از جمله فاصله بین اشیاء روی صفحه را تعیین می کند.سیستم همچنین با مشاهده نمره به دست آمده در هر بازی ، الگویی را ایجاد می کند که عملکرد در شرایط مختلف را به حداکثر می رساند ، به عنوان مثال ، در مورد بازی ویدیویی Breakout.

شرکت های پیشرو در حوزه هوش مصنوعی

با ایفای نقش اساسی هوش مصنوعی در نرم افزارها و خدمات مدرن ، هر یک از شرکتهای بزرگ فناوری در تلاش هستند تا فناوری قوی یادگیری ماشینی  را به منظور استفاده در خانه  ارائه داده و فروش آن ها از طریق خدمات ابری به عموم مردم را گسترده تر سازند.هر یک از آن سعی در رفتن به فراسوی مرزهای این حوزه دارند، اگرچه احتمالاً Google باDeepMind AI AlphaGo بیشترین تأثیر را در آگاهی عمومی از هوش مصنوعی داشته است.

خدمات هوش مصنوعی ِ در دسترس

همه سیستم عامل های بزرگ ابری – خدمات وب آمازون ، Microsoft Azure و Google Cloud Platform – دسترسی به آرایه های GPU را برای آموزش و اجرای مدل های یادگیری ماشین فراهم می کنند ، همچنین گوگل نیز در حال استفاده از این آرایه است تا کاربران بتوانند از واحدهای پردازش Tensor استفاده کنند.تمام زیرساخت ها و خدمات لازم از سه پایگاه بزرگ قابل دستیابی هستند ، فروشگاه های مبتنی بر ابر ، قادر به نگه داشتن مقدار زیادی از داده های مورد نیاز برای آموزش مدل های یادگیری ماشین می باشند ، خدمات تبدیل داده ها به منظور تجزیه و تحلیل آن ها ، ابزارهای تجسم برای نمایش نتایج شفاف  و نرم افزاری که ساخت مدل ها را ساده می کند.

این سیستم عامل های ابری حتی ایجاد مدل های یادگیری ماشینی سفارشی را نیزساده تر می کند ، به تازگی گوگل خدماتی را ارائه داد که ایجاد مدل های هوش مصنوعی با نام Cloud AutoML به شکلی خودکار را ممکن می کند. این  خدمات، مدلهای تشخیصی تصویر سفارشی را ایجاد می کند و به کاربر نیازی به هیچ تخصص یادگیری ماشینی ندارد.خدمات مبتنی بر ابر و یادگیری ماشین به طور مداوم در حال تحول هستند و در آغاز سال 2018 ، آمازون AWS جدیدی را نشان داد که برای ساده سازی فرایند آموزش مدل های یادگیری ماشین ساخته شده است.این خدمات برای آن دسته از بنگاه هایی که نمی خواهند مدل های یادگیری ماشین خود را بسازند بلکه در عوض می خواهند از خدمات درخواستی مبتنی بر هوش مصنوعی – مانند صدا ، بینایی و تشخیص زبان – استفاده کنند مناسب است.

کشورهای سردمدار در حوزه هوش مصنوعی

کشورهایی که راه را در آن می گذرانند؟

این اشتباه بزرگی است که فکر کنیم غول های فناوری ایالات متحده زمینه AI را خلق نموده اند. شرکت های چینی Alibaba ، Baidu و Lenovo فعال در زمینه های مختلفی سرمایه گذاری های زیادی را  بر روی  AI انجام می دهند. چین در حال دنبال کردن یک برنامه سه مرحله ای برای تبدیل AI به یک صنعت اصلی برای این کشور است ، برنامه ای که تا سال 2020 به ارزش 150 میلیارد یوان (22 میلیارد دلار) خواهدرسید.بایدو بر روی ساخت اتومبیل های خودران ، با استفاده از الگوریتم یادگیری عمیق خود ، Baidu AutoBrain سرمایه گذاری کرده است و پس از چندین سال آزمایش ، قصد دارد خودروهای کاملاً اتوماتیک خود را در سال 2018  عرضه و آن ها را تا سال 2021 به تولید انبوه برساند. ترکیبی از قوانین ضعف حریم خصوصی ، سرمایه گذاری کلان ، جمع آوری داده های هماهنگ و تجزیه و تحلیل داده های بزرگ توسط شرکت های بزرگی مانند بایدو ، علی بابا و Tencent به این معنی است که برخی از تحلیلگران معتقدند که چین در هنگام تحقیقات آینده در زمینه هوش مصنوعی برتری بیشتری نسبت به آمریکا خواهد داشت.

نحوه شروع کار با هوش مصنوعی

اگرچه  می توانید  در خانه برای ساخت آرایه GPU تلاش کرده و آموزش یک مدل یادگیری ماشین را شروع کنید ، احتمالاً ساده ترین راه برای آزمایش خدمات هوش مصنوعی از طریق ابر است.

همه شرکت های بزرگ فناوری خدمات مختلف هوش مصنوعی  را ارائه می دهند: از زیرساخت ها برای ساخت و آموزش مدل های یادگیری ماشینیِ خود از طریق سرویس های وب که به شما امکان می دهد به ابزارهای مبتنی بر هوش مصنوعی مانند گفتار ، زبان ، دید و تشخیص احساسات در صورت نیاز دسترسی پیدا کنید.

هوش مصنوعی و تغییر جهان

چگونه AI جهان را تغییر خواهد داد؟

روبات ها و ماشین های بدون سرنشین

تمایل به  این امر که روبات ها بتوانند به طور مستقل عمل  کرده و دنیای اطراف خود را درک و نمایند به معنای وجود همپوشانی طبیعی بین حوزه رباتیک و هوش مصنوعی است. در حالی که هوش مصنوعی تنها یکی از فناوری های مورد استفاده در روباتیک است ، استفاده از آن  در این حوزه، به ربات ها کمک می کند تا به حوزه های  جدیدی مانند اتومبیل های بدون سرنشین  و همچنین کمک به روبات ها برای یادگیری مهارت های جدید راه یابند. جنرال موتورز اخیراً اعلام کرده است که تا سال 2019 یک ماشین بدون راننده یا فرمان یا ترمز ساخته خواهد شد ، و  فورد نیز نوید به انجام این کار تا سال 2021 داده است.

اخبار جعلی

ما در آستانه دستیابی به شبکه هایی عصبی هستیم که می توانند تصاویر واقع گرایانه را   نموده  یا صدای شخصی  را به شکلی کاملا دقیق و شبیه در بیاورند. با این وجود  احتمال ایجاد تحولات اجتماعی بسیار مخرب ، مانند ساخت فیلم ها و تصاویر غیرقابل اعتماد  هم وجود دارد. همچنین در مورد چگونگی استفاده از چنین فناوری هایی  به منظور سوءاستفاده از تصویر افراد نگرانی هایی وجود دارد.

گفتار و تشخیص زبان

سیستمهای یادگیری ماشینی به رایانه ها کمک کرده اند تا آنچه را که مردم می گویند با دقت تقریبا 95 درصد تشخیص دهند. به تازگی گروه تحقیقات مایکروسافت گزارش داده است سیستمی را ابداع کرده است که می تواند به زبان انسانی صحبت کنند. با توجه به این که محققان هدف دقت 99 درصد را دنبال می کنند، انتظار دارند در کنار اشکال معمول برقراری ارتباط، تعامل انسان و ماشین به یک معیار  یا امری عادیتبدیل شود.

تشخیص چهره و نظارت

در سال های اخیر ، دقت سیستم های تشخیص چهره پیشرفت زیادی کرده است ، تا جایی که غول فناوری چینی بایدو می گوید می تواند با دقتی 99 درصدی چهره ها را مطابقت دهد( به شرط آنکه چهره به اندازه کافی واضح باشد). در چین، مقامات در حال اجرای برنامه ای در سطح کشور برای اتصال دوربین مدار بسته در سراسر این کشور به منظور تشخیص چهره و استفاده از سیستم های هوش مصنوعی برای ردیابی مظنونین و رفتارهای مشکوک هستند. پلیس همچنین در حال استفاده از عینک تشخیص چهره  هم می باشد. اگرچه مقررات حریم خصوصی در سراسر جهان متفاوت است ، اما به احتمال زیاد استفاده بیشتر از فناوری هوش مصنوعی – از جمله هوش مصنوعی با قابلیت تشخیص احساس- به تدریج در نقاط دیگر جهان نیز گسترش می یابد.

مراقبت های بهداشتی

هوش مصنوعی سرانجام می تواند تأثیر چشمگیری در مراقبت های بهداشتی داشته باشد ، و به رادیولوژیست ها کمک می کند تا تومورها را تشخیص بدهند و به محققان در یافتن توالی های ژنتیکی مربوط به بیماری ها و شناسایی مولکول هایی که می توانند به یافتن داروهای مؤثرتری کمک کنند ، یاری می رساند.آزمایشاتی در مورد فناوری مرتبط با هوش مصنوعی در بیمارستانها در سراسر جهان انجام شده است. این موارد شامل ابزار پشتیبانی از تصمیم گیری بالینی IBM ، واتسون می شوند که توسط آنکولوژیست ها در مرکز سرطان Memorial Sloan Kettering استفاده می شود و  علاوه بر این استفاده از سیستم های Google DeepMind توسط سرویس ملی بهداشت انگلستان نیز آموزش داده می شود ، جایی که به شما در تشخیص ناهنجاری های چشم و ساده تر کردن روند غربالگری بیماران سرطانی کمک می کند

منبع : تکنا نیوز

یک گروه بین المللی از محققان، در مطالعه مدل های آماری مختلفی برای بازسازی متوسط دمای هوای جهان در دوران « هولوسن»، دوره ای که پس از عصر یخبندان و تقریبا 12 هزار سال پیش آغاز شده است ، استفاده کردند.

قبل از ورود سیاره زمین به دوره یخبندان کوچک ، حدود هزار و سیصد سال پس از میلاد ، آب و هوای جهان با سرعت حدود 0.1 درجه سانتیگراد در هر هزار سال سرد می شد.

اکنون یافته های این تحقیق نشان میدهد که سرمایش جهانی تقریبا از حدود 6500 سال پیش شروع شده است.

از اواسط قرن نوزدهم ، دمای هوا به دلیل تسریع در انتشار گازهای گلخانه ای در جو یک سانتی گراد افزایش یافته است . این بدین معنی است که دمای هوا امروز از هر زمان دیگری در 12 هزار سال گذشته بالاتر است.

آخرین باری که متوسط دمای هوای جهان، یک درجه سانتی گراد بیشتر از دمای هوا در قرن ۱۹ بود، به زمان قبل از آخرین عصر یخبندان در حدود ۱۲۵ هزار سال پیش باز می گردد؛ در آن زمان سطح آب دریا حدود ۲۰ فوت بالاتر از امروز بود.

محققان دانشگاه «نورترن آریزونا» در آمریکا پس از تجزیه و تحلیل داده های مربوط به دمای هوا به نتایح نگران کننده ای دست یافتند.

در این زمینه محققان گفتند که ” سرمایش ابتدایی زمین توسط چرخه های کندتر در مدار زمین هدایت می شد. این چرخه های کندتر در مدار زمین، باعث می شدند که میزان نور خورشید در تابستان در نیم کره شمالی زمین کاهش یابد و عصر یخبندان به اوج خود برسد. ”

با این حال بنظر میرسد که دهه گذشته به احتمال زیاد سردتر از متوسط دمای هوایی خواهد بود که بقیه این قرن و بعد از آن خواهند داشت.