صنعت هوش مصنوعی در کشور فرانسه
بررسی روند رو به رشد فناوری هوش مصنوعی در دنیا نشانگر این است که دولتهای مختلف به تدوین برنامههای جامع هوش مصنوعی روی آوردند فناوری هوش مصنوعی به مجموعهای از ماشینها و سیستمهای کامپیوتری گفته میشود که میتوانند فرآیندهای هوش طبیعی انسانی را شبیه سازی نمایند. این فناوری دارای زیرمجموعههایی مانند یادگیری ماشین، فناوریهای مرتبط با زبان انسان و رباتیک است و پیشرفت سریع آن طی ۱۰ سال اخیر به دلیل انقلاب در الگوریتمهای محاسباتی، توسعه روشهای یادگیری ماشین و نیز به کارگیری شبکه عصبی در فرآیندهای یادگیری، صورت گرفته است.به همین دلیل اکثر کشورهای توسعه یافته و در حال توسعه در حال برنامهریزی برای حرکت به سمت استفاده از مزیتهای ناشی از به کارگیری فناوری هوش مصنوعی هستند.
کشورهای برتر در حوزه هوش مصنوعی
جدیدترین بررسی از وضعیت تولیدات علمی در حوزه هوش مصنوعی ایران و جهان توسط مرکز نوآوری و توسعه هوش مصنوعی پژوهشگاه ارتباطات و فناوری اطلاعات که در اختیار خبرگزاری مهر قرار گرفته، نشان میدهد که بین سالهای ۱۹۹۵ تا ۲۰۲۰ میلادی ۳۵۴ هزار و ۴۴۳ مدرک علمی در جهان در حوزه هوش مصنوعی منتشر شده که آمریکا، چین، بریتانیا، هند، آلمان، فرانسه، ژاپن، ایتالیا، اسپانیا و کانادا از نظر تولید مدارک علمی ۱۰ کشور برتر دنیا در حوزه هوش مصنوعی هستند .روند مدارک منتشر شده در جهان در حوزه هوش مصنوعی با توجه به کاربردهای این فناوری رو به افزایش است و بررسی این مدارک نشان میدهد که علم کامپیوتر با ۴۲ درصد فراوانی بیشترین سهم را از مدارک منتشر شده از حوزههای موضوعی هوش مصنوعی به خود اختصاص داده است و کمترین آن مربوط به فیزیک و نجوم است. و در حال حاضر ریاضیات، مهندسی، بیوشیمی و ژنتیک، پزشکی، علوم اجتماعی و علوم تصمیم گیری در ردههای بعدی مدارک منتشر شده در حوزههای موضوعی مختلف در جهان در زمینه هوش مصنوعی قرار دارند.
الگوریتمهای هوش مصنوعی با سرعت زیادی در حال تغییر و تحول هستند و به همین دلیل دولتهای مختلف به تدوین برنامههای جامع هوش مصنوعی روی آوردند؛ از سال ۲۰۱۶ حدود ۴۵ کشور اقدام به تدوین استراتژیها و اقدامات ملی برای تقویت تحقیقات هوش مصنوعی و به کارگیری و بهرهگیری از ظرفیتهای آن نموده هاند و رویکرد هر دولت در پیگیری اجرایی سیاستهای تدوینی خود تا حدودی متفاوت است.ولی در مجموع، کشورها رویکردهایی چون «تقویت عملکرد نهادها و سیستمهای دولتی»، «تقویت اکوسیستمهای نوآوری»، «تقویت شرکتهای بزرگ صاحب فناوری» و «تقویت شرکتهای کوچک و متوسط متأثر از هوش مصنوعی» را در اهداف خود پیشبینی کردهاند. بر اساس گزارش از سوی ستاد توسعه اقتصاد دیجیتال و هوشمند سازی معاونت علمی و فناوری ریاست جمهوری ، دولتهای سراسر جهان درصدد استفاده از هوش مصنوعی برای بهبود خدمات عمومی، کارآیی در اقتصاد و بهبود شرایط کار برای نیروی کار هستند. پتانسیلهای این فناوری باعث شده تا دولتهای آینده نگر در سراسر دنیا به فکر تدوین استراتژیهای ملی هوش مصنوعی بیافتند. اما آنچه که نمایانگر است این است که محورهای مشترک سیاستگذاری این کشورها در حوزه هوش مصنوعی شامل مواردی چون تحقیق و توسعه، آموزش و تقویت نیروی انسانی، انتقال فناوری، نوآوری، زیرساختهای دیجیتال، اخلاقیات، حاکمیت، رگولاتوری و سرویسهای عمومی و اکوسیستم داده، میشود.به طور کل نگاهی به استراتژی و برنامه کشورهای مختلف در حوزه هوش مصنوعی نشان میدهد که کشورها بر تقویت هرچه بیشتر پژوهش در دانشگاه و سایر بخشهای تحقیقاتی و تخصیص بودجه به منظور تقویت تحقیق و توسعه در شرکتها، تاکید دارند. وتوسعه هوش مصنوعی از اولویت های دولت فرانسه در فناوری اطلاعات و ارتباطات محسوب می شود؛ به طوری که در سال 2017 سدریک ویلانی، ریاضیدان برنده مدال فیلذز، توسط نخست وزیر فرانسه مأمور به تهیه گزارش جامع از پتانسیل های هوش مصنوعی برای فرانسه و تهدیدات و فرصت های احتمالی این فناوری برای فرانسه گشت. او با همراهی 7 نفر از برجسته ترین فعالان هوش مصنوعی بخش خصوصی و دولت با انجام صدها مصاحبه، نهایتا در مارس 2018 به یک گزارش 147 صفحه ای تحت عنوان «برای یک هوش مصنوعی معنادار» رسید. این استراتژی در مارس 2018 با اعتبار یک و نیم میلیارد یورو تحت یک برنامه 5 ساله توسط رییس جمهور امانوئل ماکرون رونمایی شد.
برنامه کلان اجرایی هوش مصنوعی در فرانسه، طی یک برنامه دو ماهه توسط صدها نفر از صاحبنظران به یک سند عملیاتی برای این کشور تبدیل شد. این سند در سال 2018 توسط وزیر نوآوری و دیجیتال و وزیر آموزش عالی این کشور رونمایی شد. در فرانسه کمیسیون ملی فناوری اطلاعات فرانسه مسئول، وظیفه ایجاد یک مانیفست برای هوش مصنوعی را بر عهده گرفت و نهایتا در سال 2018 این مانیفست نیز رونمایی شد.

ماموریت ها و اهداف فرانسه در هوش مصنوعی
تبدیل فرانسه به یک کشور پیشرو اروپایی برای محققان، سرمایه گذاران و کارآفرینان هوش مصنوعی و بکارگیری هوش مصنوعی در خدمت بهبود اقتصادی
ایجاد فرصت های فراگیر و متنوع هوش مصنوعی برای همه افراد جامعه
پیشرویی فرانسه و اروپا در افزایش آگاهی بین المللی برای گذار اکولوژیکی هوشمند
درنظر گرفتن تاثیر هوش مصنوعی بر دستیابی به اهداف توسعه پایدار سازمان ملل متحد
استفاده از طرح های جدید هوش مصنوعی به عنوان بخشی از توافق آب و هوایی پاریس و پیمان جهانی محیط زیست و ساخت هوش مصنوعی سازگار با محیط زیست می باشد.
چشم انداز فرانسه در هوش مصنوعی
طراحی هوش مصنوعی سبز برای کمک به گذار زیست محیطی هوشمند و نیز توسعه هوش مصنوعی سبز به کمک داه های زیست محیطی باز (لزوم دسترسی همگان از جمله محققان و شرکت های اروپایی به طور یکسان به داده های عمومی مثل داده های مربوط به آب و هوا، کشاورزی، حمل و نقل، انرژی، تنوع زیستی، آب و هوا، ضایعات، ثبت زمین و ارزیابی عملکرد انرژی)
حوزه های کلیدی فعالیت فرانسه در هوش مصنوعی
اولویت سرمایه گذاری بخش دولتی و خصوصی در حوزه های بهداشت، محیط زیست، حمل ونقل، دفاع، انرژی به دلیل تأمین کننده منافع عامه مردم فرانسه و اروپا و نیاز به حمایت مردم جهت ایجاد تحول جدی خط مشی گذاری اختصاصی در حوزه های کلیدی عملکرد بر چالش هایی همچون پاتولوژی، پزشکی، مناطقی با دسترسی سلامت پایین و حمل و نقل بدون آلاینده با ایجاد کمسیون های اختصاصی لزوم بررسی چالش های ایجادی توسط هوش مصنوعی در 7 زمینه صنعت اتومبیل، روابط مشتریان، بخش مالی، بخش سلامت، رباتیک، انرژی های تجدید پذیر و آموزش دیجیتال و راهبردهای کلان فرانسه در تحقیق و توسعه هوش مصنوعی
ترویج تحقیقات بالادستی و پایه در زمینه هوش مصنوعی
تمرکز بر ایجاد مکانیزم های انتقال دستاوردهای تحقیقاتی به صنایع فرانسه از جمله صنایع بزرگ
تقویت و حفظ موقعیت جهانی فرانسه در تحقیقات هوش مصنوعی
سیاست های فرانسه در تنظیم گری و رگولاتوری هوش مصنوعی
ایجاد پلتفرم تست و بررسی صلاحیت سنجی سیستم های مبتنی بر هوش مصنوعی
ایجاد یک تاییدیه برای شرکت های بهره مند از اطلاعات کاربران به منظور اطمینان کاربران از حسن استفاده از داده های آنان لزوم بازنگری در مورد حقوق کپی رایت و علی الخصوص نحوه استفاده از داده در عصر هوش مصنوعی و لزوم آماده سازی دانش، زیرساخت ها و سایر تمهیدات اجتماعی و حقوقی برای عصر هوش مصنوعی و بررسی امکان معافیت کامل مالیاتی استارتاپ های هوش مصنوعی و راه اندازی یک کمیته اخلاق تخصصی هوش مصنوعی در جهت ایجاد بحث و نظر عمومی در زمینه مسائل اخلاقی مرتبط با هوش مصنوعیو تضمین پاسخگویی توسعه دهندگان الگوریتم های هوش مصنوعی در قبال توسعه کاربردهای ضد بشریو در پایان توسعه ابزارهای شفاف سازی سامانه های هوش مصنوعی برای کاربران عام قرار گرفته است.
هوش مصنوعی در نظام پولی و مالی
تجزیه و تحلیل شناخت، یک رویکرد جدید برای کشف اطلاعات و تصمیم گیری است. نتیجه گیری با الهام از روشی که مغز انسان اطلاعات را پردازش می کند و رمزگذاری غرایز و تجربیات در یادگیری و توان (قصد و اراده) کلان داده و واقعیت تصمیم گیری عملی، از اهداف بزرگ این رویکرد هستند. سیستم های یادگیری ماشین، هوش مصنوعی و پردازش زبان طبیعی اکنون دیگر مفاهیم آزمایشی نیستند بلکه برهم زننده های احتمالی تجارت هستند که می توانند با کمک به تصمیم گیری در زمان واقعی، ایجاد بینش نمایند.
رشته هوش مصنوعی تعدادی فناوری شناختی تولید نموده است. فناوری ها در انجام وظایف خاص که فقط انسان قادر به انجام آن بوده اند، روزبه روز بهتر می شوند. برخی از این فناوری های شناختی ممکن است توجه رهبران مشاغل و بخش دولتی را به خود معطوف کند.
پردازش زبان طبیعی (NLP): استخراج اطلاعات مبتنی بر آنتولوژی و تشخیص گفتار
تولید زبان طبیعی (NLG)
یادگیری ماشین- شبکه های عصبی/ یادگیری عمیق
بینایی ماشین- تشخیص تصویر
راه حل های محاسبات شناختی، قابلیت های مختلفی را ارائه می دهد که فناوری های فوق را قادر می سازد وظایف را مشابه مغز انسان انجام دهد.
بانکداری هوشمند با استفاده از فناوری های هوش مصنوعی و شناختی به طور گسترده فرصتهای شناختی را می توان در 4 گروه “تعاملی“خودکارسازی” ، “ایجاد بینش و “استراتژیهای سنجش و شکل دهی طبقه بندی کرد.
فرصت های کلیدی برای علوم شناختی در خدمات مالی می تواند به صورت زیر نشان داده شود:
تعامل شناختی – بهبود درک و فعال سازی مشتری از طریق شخصی سازی جهت اثرگذاری بر اقدامات مورد نظر. با ظهور محاسبات شناختی، مشتریان اکنون می توانند خدمات سریع و شخصی سازی شده را دریافت نمایند. سیستم های شناختی، از داده های بدون ساختار (گزارش های صنعتی و اخبار مالی) با استفاده از متن عمیق و / یا درک تصویر و فیلم بهره می گیرند. آنها با تعامل با هر مشتری و تمرکز بر روی نیازمندی های آنها، تعامل متقابل بین بانکها و مشتریانشان را شکل می دهند. سیستم های محاسباتی تعاملی که از هوش مصنوعی برای جمع آوری اطلاعات استفاده می کنند، به طور خودکار مدل های درک و استنباط را ایجاد نموده و به روش های طبیعی موجب برقراری ارتباط می شوند. راه حل های شناختی می توانند به صورت خودکار ایجاد دانش نموده و عاملها را با پاسخ ها و دانش عمیق توانمند ساخته، توانایی کسب دانش شرکت را بیشتر کرده و با آگاهی از نیازهای مشتری، جریان های جدید درآمد را کشف کنند.
برخی از نمونه های بکارگیری تعامل شناختی
Santander اعلام کرد که تراکنشهای امن را با استفاده از تشخیص صدا از طریق برنامه بانکی خود ارائه خواهد داد، در حالی که رویال بانک اسکاتلند کمک های خدمات مشتری “Luvo” را به منظور تعامل با کارمندان و ارائه خدمات بالقوه به مشتریان در آینده ترسیم کرده است. در سوئد، Swedbank’s Nina به طور متوسط در هر ماه 30،000 مکالمه در ماه و قرارداد تماس اول 78 درصد در سه ماه نخست خود انجام داد. Nina می تواند بیش از 350 سؤال و پاسخ متفاوت مشتری را در برگیرد. چندین بانک دیگر در انگلستان و سیستم های مشابه بین المللی وجود داشته و یا در حال آماده سازی هستند.
خودکارسازی شناختی – فرآیندهای تصمیم گیری فشرده انسانی به صورت خودکار، غنی شده از دانش و زبان طبیعی.
خودکارسازی با استفاده از هوش مصنوعی از انواع جدید نرم افزار و پیشرفت های اخیر در قدرت محاسباتی امکان پذیر شده است. تجارت، با استفاده بهتر از افراد ماهر، اقدامات سریعتر و تصمیم گیری، خروجی های بهتر و غیره مزایای گسترده تری نسبت به صرفه جویی درهزینه به همراه دارد. این نوع خودکارسازی هوشمند با استفاده از قابلیت های OCR و یادگیری ماشین می تواند در انجام کارهای اداری در سطوح مختلف و در انجام کارهای با حجم زیاد مفید باشد. به عنوان مثال، از فناوری های پردازش زبان طبیعی برای ایجاد آنتولوژی / قوانین معنایی برای استخراج اطلاعات عملکردی و فرم های افتتاح حساب OCR، اسناد KYC شناسایی هویت مشتری مانند PAN Card استفاده شود تا به کاهش مخاطرات و هزینه ها کمک کند.
نمونه های بکارگیری خودکارسازی هوشمند:
Fonetic، ارائه دهنده راه حل های مدیریت صوت و متن ، با (Banco Bilbao Vizcaya Argentaria (BBVA در راه اندازی تجزیه و تحلیل زبان شناسی Fonetic و راه حل انطباق تجارت برای نظارت پیشگیرانه و جلوگیری از سوءاستفاده های تجاری در دفتر مرکزی آن در لندن و نیویورک همکاری نموده است. فروشندگان تولید زبان طبیعی (NLG) مانند Narrative Science گزارش های سرمایه گذاری / درآمد را از طریق نرم افزاری که می توانند داده ها را بگیرند و آن را به روایتی تبدیل کنند، خودکار می نماید. بسیاری از موسسات مالی مانند Credit Suisse ، USAA و حتی خانه های انتشاراتی مانند Forbes و Associated Press از بستر Quill Science Narrative Science استفاده می کنند.
بینش شناختی – الگوها و روابط اصلی را از میلیاردها منبع داده در زمان واقعی تشخیص داده تا بینش های عمیق و عملی به دست آورد.
شخصی سازی، یک نقطه اصلی مراوده برای بانک ها می باشد و بسیاری از آنها در حال آزمایش روش های نوآورانه برای مطابقت محصولات و خدمات با ذائقه مصرف کننده هستند. همچنین نمونه هایی از شرکتهایی که برنامه های جدید را در مدیریت مالی شخصی (PFM) استفاده می کنند، کمک می کند تا مصرف کنندگان در تصمیم گیری خرید هوشمندانه تر عمل کرده و امور مالی خود را مدیریت کرده و در حین خارج شدن ویا هنگام هزینه کردن، صرفه جویی داشته باشند.
نمونه های بکارگیری بینش شناختی:
UBS در هنگام ارائه مشاوره شخصی به مشتریان ثروتمند بانک با مدلسازی الگوهای رفتاری 85 میلیون فرد در سنگاپور، از هوش مصنوعی استفاده می کند. برای خدمات مالی دقیق تنظیم شده، این فناوری به Sqreem (مدل کاهش و استخراج مقدار کوانتومی متوالی) اجازه می دهد تا مشخصات فردی را ایجاد کند که به طور بالقوه با انواع مختلف محصولات مدیریت ثروت مطابقت دارد.
DBS Bank در نظر دارد تا Watson را برای مشاغل مدیریت ثروت خود به کار ببرد تا بتواند توصیهها و تجربههای ارائه شده به مشتریان مرفه را بهبود بخشد. Watson یک فناوری مبتنی بر ابر است که می تواند مقادیر عظیمی از اطلاعات را با توانایی درک و یادگیری از هر تعامل با سرعت بی سابقه پردازش کند. این نشان دهنده یک تغییر قابل توجه در توانایی سازمانها برای تجزیه و تحلیل سریع ، درک و پاسخ به تعداد زیادی از داده های بزرگ است. همکاری با IBM آخرین ابتکار عمل DBS برای بهره برداری از کلان داده برای ارائه تجربه بهتر مشتری – ارائه بینش دقیق تر، سفارشی تر و با کیفیت تر برای پاسخگویی به نیازهای مشتریان است.
“استراتژی های سنجش و شکل دهی” شناختی – ایجاد درک و دانش عمیق از شرکت، پویایی بازار و روندهای مخرب برای شکل دادن به استراتژی ها و فناوری های پیشرفته تحلیلی می توانند به بانک ها کمک کنند تا داده های زیادی را که در اختیار دارند، به کار گیرند تا بینش های واقعی را از هر جنبه از عملیات بانکی به دست آورند. این فناوری ها به بانکها این امکان را می دهند که مشتریان خود را بر اساس ارزش های فردی، انتظارات و نیازهایشان تعریف کرده و نه اطلاعات دموگرافیک جمعی. شناسایی اطلاعات، پیمایش از طریق آن و درک این که یک خبر خاص یا دیدگاه تخصصی به چه معنی است، یک کار بزرگ است. تحلیل های شناختی می توانند تقریباً در هر عملکرد بانکی، خواه از بینش در زمان واقعی برای وام ، خزانه داری یا اوراق بهادار سرمایه گذاری، فرصت و ارزش ایجاد کنند. بانکها می توانند بینش های واقعی را در پرتفوی خود داشته و استراتژی های نمونه برای کارهای خود را شکل دهند.
نمونه های بکارگیری استراتژی های احساس و شکل دهی
Goldman Sachs با سرمایه گذاری در کنشو، یک نرم افزار مبتنی بر ابر است که می تواند با اسکن بیش از 90،000 اقدام مانند تأیید مواد مخدر، گزارش های اقتصادی، تغییر سیاست های پولی و وقایع سیاسی و تأثیر آنها روی بیش از 65 میلیون ترکیب سوال در یک لحظه پاسخی را پیدا کند. تقریباً هر دارایی مالی روی کره زمین برای شرکت های کارگزاری، معامله گران، سرمایه گذاران و محققان می توانند روی قیمت سهام اثرگذار بوده و پیگیری قیمت اوراق بهادار در زمان واقعی صورت گیرد و منجر به تصمیمات بهتر بر اساس بینش های زمان واقعی شود.
موسسات مالی هند برای دوره دیجیتال در تلاشند بانک های هندی “شتاب دهنده ها/ هاکاتونز” برای همکاری با اکوسیستم فروشنده هوش مصنوعی / فن آوری شناختی و ایجاد تیم هایی که در این فناوری های نوظهور مشغول به کار هستند، در حال اجرا هستند.
در اوایل سال جاری، بانک ICICI “گروه فناوری و دیجیتال” (TDG) ایجاد کرد که امیدوار است به توسعه خدمات دیجیتالی خود در بانکداری های تجاری، خرده فروشی و عمده فروشی کمک کند. در حال حاضر در حال برنامه ریزی برای چت های هوش مصنوعی به عنوان مشاور وام به مشتریان خود است.
Axis Bank “آزمایشگاه نوآوری”، آزمایشگاهی برای نوآوری FinTech را راه اندازی کرد. AXIS Bank در حال آزمایش با فناوری های نوظهور مانند بلاکچین، هوش مصنوعی، mobolity و ابر است تا در عملکردهایی از جمله اعتبار، سپرده، مدیریت ثروت، پرداخت های موبایل و امنیت برهم زنندگی ایجاد کند.
HDFC Bank در تلاش برای تقویت هرچه بیشتر فعالیتهای بانکی دیجیتال خود، پنج استارتاپی را که خدمات خود را به مشتریان خود ارائه می دهد، شناسایی کرده است. یکی از استارتاپ های هوش مصنوعی، مستقر در بنگالورو، به سؤالات مشتریان پرداخته و مسائل را با استفاده از یک پلت فرم هوش مصنوعی، از طریق موبایل و وب سایت به زبان انگلیسی حل می کند.
Kotak Securities با شرکت تجزیه و تحلیل داده ها “Heckyl Technologies” ارتباط برقرار کرده اند تا اخبار زمان واقعی، اطلاعات بازار و بینش های مربوط به معاملات آتی و گزینه ها را ارائه دهند. این اطلاعات از طریق دو برنامه تحلیلی Heckyl تهیه و در سکوی تجاری شرکت کارگزاری در دسترس مشتری خواهد بود. بانک DBS سنگاپور یک بانک “mobile-only” را در هند به نام Digibank که توسط کاسیستو ساخته شده افتتاح کرده است. Kasisto این فناوری را در پشت Digibank که شامل یک دستیار مجازی با هوش مصنوعی به نام KAI است، اداره می کند. KAI ظاهرا می تواند سوالات مشتری مرتبط با بانکداری را در زمان واقعی پیش بینی و پاسخ دهد.
هوش مصنوعی در حوزه حمل و نقل
این صنعت شامل چهار حوزه حمل و نقل جادهای، هوایی، ریلی و دریایی است که در ادامه به بیان کاربرد هوش مصنوعی در این حوزهها میپردازیم.
حمل و نقل جادهای
وسایل نقلیه خودکار برای استفادههای تجاری و حمل و نقل شخصی براساس انواح حسگرها (نظیر GPS، رادار، دوربین) در ترکیب با محرکها actuators؛ دستگاههایی که سیگنال ورودی را به حرکت تبدیل میکنند. ، واحدهای کنترل و نرمافزار عمل میکند. برخی از این فناوریها فقط عملکردهای خاصی در رانندگی را برعهده میگیرند (مانند پارک کردن) ولی برخی دیگر برای جایگزینی کامل راننده انسانی طراحی شدهاند.
پیوند کامیونها (truck platooning): جفت کردن چندین وسیله نقلیه سنگین با فاصلهی حداقلی از یکدیگر طوری که همزمان شتاب بگیرند یا ترمز کنند. در حالی که وسیله نقلیه جلویی توسط راننده انسانی هدایت میشود، سایر وسایل نقلیه راننده ندارند و یا راننده آن تنها در شرایط ترافیکی پیچیده مانند حلقه ترافیکی یا حوادث غیرمنتظره وارد عمل میشود. الگوریتمهای هوش مصنوعی به طور گسترده در پلتفرمهای اقتصادی اشتراکی که خدمات حمل و نقل ارائه میدهند، نظیر تاکسیهای اینترنتی استفاده میشود. این پلتفرمها در همهی جنبههای خدماتشان از جفت کردن راننده و مسافر گرفته تا بهینهسازی مسیر از هوش مصنوعی استفاده میکنند. علاوه بر موارد ذکر شده، فناوریهای هوش مصنوعی به مدیریت ترافیک جادهای اعمال میشود تا با تحلیل الگو و حجم ترافیک، سریعترین مسیر را برای رانندهها را مشخص نماید و به این ترتیب ازدحام ترافیک کاهش می یابد. فناوریهای هوش مصنوعی همچنین از طریق کنترل چراغهای راهنمایی رانندگی جریان ترافیک را مدیریت میکند. اتومبیلهای خودران نظیر تاکسیهای خودران در توکیو (البته با حضور راننده برای حفظ امنیت در مواقع ضروری)
پارک کردن خودمختار
truck platooning: جفت شدن دیجیتالی وسایل نقلیه سنگین
تاکسیهای اینترنتی مانند اوبر یا اسنپ
City Brain (Alibaba): شامل پیشبینیهای ترافیکی، بهینهسازی جریان ترافیک و تشخیص حوادث ترافیکی با استفاده از دادههای فیلمهای ویدئوی، سیستمهای حمل و نقل عمومی و برنامههای نقشهبرداری است. پس از استقرار این سیستم در شهر هانگرو چین، افزایش 15 درصدی جریان ترافیک و کاهش 92 درصدی گرههای ترافیکی گزارش شد.
حمل و نقل دریایی
طی بیست سال گذشته ، حمل و نقل دریایی و راههای آبی درون شهری تحولات مهمی را پشت سر گذاشته است. برای ذکر فقط چند مورد از روندهای موجود در آن، ترافیک کشتیها متراکم تر شده است، که باعث افزایش خطر امنیت دریایی شده و ضرورت پیشرفت در نظارتهای دریایی را افزایش داده است. افزایش بیشتر ترافیک کانتینرها خواستار سازگاری با پایانه های بندری و ارتباطات بهتر با مناطق داخلی آنها است. اندازه کشتی در حال رشد ، فشارهایی را که کشتی ها روی بنادر و شهرهای آنها اعمال می کنند ، بیشتر میکند و افزایش آگاهی از مسائل زیست محیطی ، صنعت دریانوردی را متعهد میکند تا خود را با قوانین سبزتر در زمینه رقابتها شدید بین المللی مطابقت دهد. در پاسخ به این نیازها، فناوریهای هوشمصنوعی/خودکارسازی، اینترنت اشیاء و کلانداده نقش اصلی را ایفا میکنند. یکی از ویژگی های مشترک این فناوری ها تولید داده است. ابزارهای جدید جمله هوش مصنوعی، تجزیه و تحلیل اطلاعات و بینش نسبت به داده را فراهم میکند که در کمک به تصمیمگیریها به ویژه به جهت بهبود ایمنی، بهرهوری انرژی و بهینه سازی لجستیک موثر است.
مثالهای عملیاتی
شرکت Stena Line: از هوش مصنوعی برای پیشبینی بهترین مسیر حرکت کشتیها از نظر مصرف سوخت استفاده میکند. در این رویکرد، متغیرهایی مانند جریان آب و هوا، شرایط جوی، آبهای کمعمق و سرعت در آب، در حالتهای مختلف که به صورت دستی امکانپذیر نیست در نظر گرفتهشده و در اختیار کاپیتان قرار داده میشود.
بندر رتردام از هوش مصنوعی برای پیشبینی زمان ورود و خروج کشتیها استفاده میکند که در نتیجهی آن زمان انتظار کشتیها 20% کاهش پیدا کرده است.
بندر رتردام : اولین پلتفرم اشتراک کلانداده دریانوردی (safety4sea.com) را با شرایط دسترسی دقیق و سختگیرانه برای بهبود کیفیت و دسترسپذیری داده در سال 2016 راهاندازی کرد.
حمل و نقل هوایی
کاربرد هوش مصنوعی در مدیریت ترافیک هوایی (ATM) شامل مسائلی نظیر پیشبینی ترافیک در فازهای مختلف پرواز، بهبود جریان مسافران در فرودگاهها و خودکارسازی کاملتر سیستم است. علاوه بر آن، هوش مصنوعی در صنعت هواپیمایی در ایجاد یک پلتفرم امن برای ذخیرهسازی، مدیریت و تجزیه و تحلیل دادههای عملیاتی تعمیر و نگهداری هواپیما در ناوگان هواپیما و سطح جهانی کاربرد دارد. برای نمونه پلتفرم Skywise شامل اطلاعات مربوط به حمل و نقل هوایی از جمله سفارشات کاری، مصرف قطعات، اطلاعات قطعات و هواپیما و پیکربندی ناوگان و دادههای سنسور است و دادههای عظیم را پس از یکپارچهسازی تجزیه و تحلیل میکند، آمازون از وسایل نقلیه هوایی هوشمند و بدون سرنشین برای تحویل سریع کالاهای خود استفاده میکند و دبی با همکاری Volocopter، یک تاکسی هوایی بدون سرنشین را آزمایش کردهاست.
مثالهای عملیاتی
Sesarju.eu: شامل پروژههای پیشبینی ترافیک در فازهای مختلف پرواز، بهبود جریان مسافران در فرودگاهها و خودکارسازی بیشتر سیستم
Coptra.eu: پیشبینی مسیر نزدیکتر با در نظر گرفتن تعادل میان ظرفیت و تقاضا
BigData4ATM
MALORCA (Machine Learning of Speech Recognition Models for Controller Assistance)
تاکسی-هواپیمای بدون سرنشین در چین
حمل و نقل ریلی
از جمله بارزترین کاربردهای هوش مصنوعی در صنعت حمل و نقل ریلی، کمک به خودکارسازی عملیات قطار یا ATO است. مسئولیت مدیریت عملیات قطار را با درجات مختلفی از خودکار بودن، از راننده به سیستم کنترل واگذار میکند. کمسیون بینالمللی الکتروتکنیکال چهار درجهی استاندارد خودکار بودن قطار را مشخص کرده است که درجهی سوم مربوط به عملیات بدون راننده ولی با حضور اعضای خدمه قطار در کابین و درجهی چهارم مربوط به قطارهای کاملا مستقل و بدون مراقب است. برای اپراتورهای ریلی و مدیران زیرساخت، آگاهی از خرابیهای احتمالی قبل از وقوع، برای جلوگیری از هرگونه وقفه در ارائه خدمات بسیار باارزش است. امروزه هوش مصنوعی میتواند از قدرت دادههای ارائه شده توسط سنسورهای مستقر در قطارهای بحرانی یا مؤلفههای زیرساخت استفاده کند تا در زمان مناسب اطلاعات را استخراج و اقداماتی را برای نگهداری از قطار پیشنهاد دهد که مزایای زیادی به همراه دارد از جمله تعمیر سریعتر، کاهش هزینههای نگهداری و رضایت بهتر مشتریان. علاوه بر آن اپراتورهای قطار میتوانند خدمه رزرو مورد نیاز برای مواقع خرابی را کاهش دهند و از هوش مصنوعی برای افزایش قابلیت اطمینان و اثربخشی استفاده کنند.
مثالهای کاربردی
در سال 2018 حدود 1000 کیلومتر خط متروی خودکار در 41 شهر 19 کشور جهان وجود داشت و پیشبینی میشود در سال 2025 مقدار آن به بیش از 2300 کیلومتر خط خودکار برسد.
Shift2Rail.org: مسئول توسعه و اعتبارسنجی یک ATO استاندارد برای همهی بخشهای ریلی، راهاندازیشده توسط اتحادیه اروپا
موسسه فناوری Railenium (فرانسوی، با حروف اختصاری SNCF) دو کنسرسیوم برای توسعه دو نمونه قطار بدون راننده راهاندازی کردهاست: اولین کنسرسیوم وظیفه طراحی قطار باربری خودمختار و دومی وظیفه طراحی قطار مسافربری پرسرعت خودمختار را برعهده دارد. در حالت دوم، هدف طراحی ماژولی است که عملکرد مسافران در سکوهای راهآهن را درک کرده و امکان بستهشدن بیخطر درب واگنهای قطار را فراهم کند. SNCF تصمیم دارد قطارهای نیمه خودمختار را تا پایان سال 2023 و قطارهای خودمختار را تا پایان 2015 راهاندازی کند.
SurferLab: از جمله پروژههای هوش مصنوعی این موسسه امکان ارسال «وضعیت سلامت» قطار به سرپرست ناوگان است تا بتواند از راه دور و از طریق نرمافزارهای تشخیص صدا، تعمیر و نگهداری قطار را ساماندهی کند.
SNCF: روشهای نگهداری پیشگویانه حوادث مرتبط با سوئیچهای قطار را 30% کاهش داده است.
هوش مصنوعی در صنعت کشاورزی
امروزه صنعت کشاورزی به شدت نیازمند پردازش اطلاعات در حوزههایی از جمله کیفیتسنجی زمینهای زراعی، پردازش دقیق دادههای هواشناسی، پیشبینی تغییرات اقلیمی و … است. در این زمینه، هوش مصنوعی و تکنولوژیهای مرتبط با آن دریچههای امیدوارکننده ای از راهکارهای خلاقانه و پاسخهای هوشمندانه به سوالات این صنعت را به روی کشاورزان گشوده است. روشهای مبتنی بر هوش مصنوعی و بینایی ماشین قادر به برطرف کردن بسیاری از نیازهای صنعت کشاورزی نظیر نظارت بر سلامت خاک و محصولات کشاورزی، کنترل مصرف آفتکشها با تشخیص علفهای هرز و … می باشد.
با توجه به اهمیت هوش مصنوعی در محاسبات و انجام عملیات خودکار در صنعت کشاورزی، در مراحل مختلف کشت محصول از جمله کاشت، داشت و برداشت، در مراحل مختلف انبار و فراوری محصولات کشاورزی از جمله کیفیت سنجی می تواند مورد استفاده قرار گیرد. علاوه بر این موارد در تصمیم گیری های کلان کشاورزی از جمله مدیریت در زمینه های تعمیر و نگهداری تجهیزات، کشاورزی دقیق، تخمین عملکرد و غیره نیز کاربردهای گوناگونی یافته اســت.
پیشرفتهای فناوری هوش مصنوعی در زمینه تولید مواد غذایی نیز موثر است:
اصلاح ژنتیکی فراورده های غذایی: به زودی خصوصیات حیوانات و گیاهانی که برای تولید غذا پرورش داده می شوند، با استفاده از فناوری ها اصلاح ژنتیکی می شوند تا نیازهای زیستی و فیزیولوژیکی بشر به بهترین شکل ممکن تأمین شوند. افراد متخصص در زمینه مهندسی ژنتیک درکشاورزی تلاش می کنند با استفاده از این فناوری، خصوصیات گیاهان و دام ها را از پایه و اساس تغییر دهند و آنها را اصلاح کنند.
گوشت درون کِشتگاهی (گوشت مصنوعی)
تقویت نیروی کار انسانی با خودکارسازی: در مورد خودکارسازی هم می توان گفت این فرآیند می تواند با استفاده از ربات های بسیار بزرگ و یا بسیار کوچک به منظور بررسی محصولات کشاورزی یا نگهداری از آنها، انجام شود.
رباتهای مختص کشاورزی و فناوری (Robotic farm swarms)
سیستم های هوش مصنوعی همچنین به بهبود کیفیت و دقت برداشت کمک میکنند و این چیزی است که با عنوان کشاورزی دقیق شناخته میشود. کشاورزی دقیق از فناوری هوش مصنوعی برای کمک به تشخیص بیماری ها در گیاهان، آفات و تغذیه نامناسب گیاهان در مزارع استفاده میکند. سنسورهای AI میتوانند علفهای هرز را شناسایی و مورد هدف قرار داده و سپس تصمیم بگیرند که از چه علف کشی در منطقه مناسب استفاده کنند که منجر به جلوگیری از استفاده بیش از حد از علف کش ها و سموم که به مواد غذایی ما راه پیدا میکنند، میشود.
علاوه بر آن، کشاورزان از هوش مصنوعی برای ایجاد مدلهای پیش بینی فصلی برای بهبود دقت کشاورزی و افزایش بهره وری استفاده میکنند. این مدلها میتوانند برای پیشبرد تصمیمات کشاورزان از ماههای پیش رو الگوهای آب و هوایی را پیش بینی کنند. پیش بینی فصلی به ویژه برای مزارع کوچک در کشورهای در حال توسعه بسیار با ارزش است زیرا داده ها و دانش آنها میتواند محدود باشد. عملکرد این مزرعههای کوچک عملیاتی و رو به رشد، بسیار پراهمیت است زیرا این مزارع کوچک 70 درصد محصولات زراعی جهان را تولید میکنند.
علاوه بر دادههای زمینی، کشاورزان برای نظارت بر مزارع به نظارت و پردازش دادهها از ماهوارهها و پهبادها روی میآورند. بینایی ماشینی و الگوریتمهای یادگیری عمیق، داده های گرفته شده از هواپیماهای بدون سرنشین را که در مناطق مختلف پرواز میکنند، مورد پردازش قرار میدهد. از هواپیماهای بدون سرنشین، دوربینهای بکارگرفته شده برای قابلیت هوش مصنوعی میتوانند تصاویر مربوط به کل مزرعه را ضبط کرده و تصاویر را در زمان مناسب برای شناسایی مناطق مشکل و پیشرفتهای بالقوه تجزیه و تحلیل کند. هواپیماهای بدون سرنشین قادرند زمین بسیار بیشتری را در زمان بسیار کمتری از انسان تحت پوشش قرار دهند و این موضوع این امکان را به وجود میآورد که مزارع بزرگ به طور مکرر مورد نظارت قرار گیرند. انتظار می رود که هوش مصنوعی در بخش کشاورزی به طور سریعی رشد کند و تا سال 2025 به ارزش جهانی 2.6 میلیارد دلار برسد. به گزارش خبرگزاری کشاورزی ایران (ایانا) از ” farminguk “، براساس گزارش تحقیقاتی جدید با عنوان ” پیش بینی هوش مصنوعی در بازار کشاورزی تا سال 2025 ” ، انتظار می رود که بازار با 22.5 درصد افزایش ، از 518.7 میلیون دلار در سال 2017 به ، 2.6 میلیارد دلار تا سال 2025 برسد. میزان پذیرش این فناوری و اندازه بازار آن در شکل 4 نمایش داده شده است. بر اساس منطقه، هوش مصنوعی در بازار کشاورزی به کشورهای آمریکا، اروپا، آسیای اقیانوسیه و بقیه دنیا (RoW) طبقه بندی شده است. تخمین زده می شود که بازار آسیا اقیانوسیه در بالاترین دوره CAGR تا سال 2025 بیشترین رشد را داشته باشد. اتخاذ فزاینده فن آوری های یادگیری عمیق و بینایی در کاربردهای کشاورزی مهمترین عامل محرک رشد بازار در منطقه APAC است. میزان بکارگیری فناوری ها توسط کشاورزان در حال رشد است و کشورهایی مانند استرالیا، چین، ژاپن و هند به طور فزاینده ای از فناوری هایی همچون یادگیری ماشین، یادگیری عمیق که زیرمجموعه هوش مصنوعی هستند، استفاده می کنند. درحالی که کشاورزی، از صنایع عمده دیجیتال در جهان است، پیش بینی می شود که در این زمینه از طریق اطلاعات دیجیتال، کشاورزی رباتیک و شرکت های تحلیلی ، تحول و رشد در آن پدید آید. رشد سریع هوش مصنوعی در بازار کشاورزی به عوامل مختلفی از قبیل تقاضای رو به رشد تولید محصولات کشاورزی به دلیل افزایش جمعیت، افزایش استفاده از سیستم های مدیریت اطلاعات و تکنولوژی های پیشرفته جدید برای بهبود بهره وری محصول وابسته است. بنابراین با استفاده از هوش مصنوعی و فنآوریهای شناختی، مزارع در سرتاسر جهان قادرند اثربخشی بیشتری داشته باشند در حالی که هنوز کارگران کمتری نسبت به گذشته دارند اما در عین حال نیازهای غذایی جهان را برآورده میکنند. نیازی اساسی تر از نیاز به غذا وجود ندارد و این نیاز هرگز از بین نمیرود. خوشبختانه، استفاده از هوش مصنوعی باعث میشود که مزارع با اندازه های مختلف بتوانند جهان را تغذیه کنند. با استفاده از هوش مصنوعی کشاورزی و فن آوری های شناختی، مزارع در سرتاسر جهان قادر به اجرای اثربخش تر و بنیادی تر شیوه زندگی و رژیم غذایی ما هستند.
مثالهای عملیاتی
FarmShot: از تحلیل تصاویر ماهواره و پهباد برای شناسایی علائم احتمالی بیماریها، آفات و ضعف مواد مغذی گیاهان استفاده کرده و مناطقی را که باید تحت بررسی دستی قرار بگیرد تا 90% کاهش میدهد.
Blue River See & Spray: با کمک گرفتن از فناوری بینایی ماشین برای اسپری علفکشها تنها روی علفهای هرز، در کنترل علفهای هرز به کشاورزان کمک میکند و قادر است مصرف سموم علفکش را به یکدهم برساند.
SkySquirrel Technologies Inc.: ترکیب فناوری پهباد با هوش مصنوعی برای نظارت بر سلامت باغهای انگور
Harvest Croo: ماشین خودکار برداشت توتفرنگی
Abundant Robotics : برداشت روباتیک سیبهای رسیده از روی درخت

هوش مصنوعی در صنعت بهداشت
ادغام هوش مصنوعی با صنعت بهداشت، مزایای زیادی را از جمله، خودکارسازی کارهای و تحلیل دیتاستهای کلان بیماران به همراه دارد، که منجر به ارائه خدمات درمانی بهتر سریعتر و با هزینه کمتر میشود. یکی از مهمترین منفعتهای هوش مصنوعی در حوزه سلامت است که امروزه به همراه اینترنت اشیای پزشکی (IoMT) در اپلیکیشنهای سلامت مصرفکننده به مردم کمک میکند. این اپلیکیشنها مردم را به الگوهای رفتاری سالمتر تشویق کرده و به آنها کمک میکنند تا شیوه زندگی سالمتری داشته باشند.
تشخیص به هنگام بیماریها
هوش مصنوعی امروزه برای تشخیص دقیق و به هنگام بیماریها مانند سرطان استفاده میشود. طبق آمارهای جامعه سرطان آمریکا (ACS)، با مشاهده تعداد زیادی از عکسهای ماموگرافی به نیمی از خانمهای مراجعهکننده به اشتباه گفته میشد که دچار سرطان شدهاند. به کمک هوش مصنوعی فرآیند تشخیص و مشاهده عکسهای ماموگرافی ۳۰ درصد سریعتر شده و با ۹۹ درصد دقت انجام میگیرد و نیاز به بافت برداریهای مضاعف از بین میرود.
هوش مصنوعی واتسون شرکت IBM به سازمانهای حوزه سلامت کمک میکند تا فناوریهای شناختی را برای رمزگشایی حجم وسیعی از اطلاعات سلامت و شناسایی آنها به کار ببرد. واتسون میتواند اطلاعات پزشکی قابل توجهی از جمله مجلات، علائم بیماری، مطالعههای موردی برای درمان و واکنشهای مواجه با آنها را مرور و ذخیره کند. هوش مصنوعی DeepMind گوگل نیز با کلینیکها، محققها و بیماران کار میکند تا مسائل مربوط به سلامتی در دنیای واقعی را حل کند.
بهبود مراقبت مستلزم هماهنگ کردن اطلاعات سلامتی با حجم بالا با تصمیمات مناسب و به موقع است و تجزیه و تحلیل پیشگیرانه میتواند به تصمیمگیریها و اقدامات بالینی کمک کند و همچنین میتواند امور اداری را اولویتبندی کند. با استفاده از شناخت الگوی بیماری برای شناسایی بیماران در معرض خطر ابتلا و یا مشاهده بدترشدن آن به دلیل سبک زندگی، محیط زیست، ژنوم، یا عوامل دیگر، زمینه دیگری است که هوش مصنوعی در حال گسترش فعالیتش در حوزه سلامت است.
درمان با استفاده از این هوش
علاوه بر اسکن پروندههای بهداشتی برای کمک به مراقبتکنندگان از افراد بیمار که ممکن است در معرض خطر یک عارضه جانبی قرار بگیرند، هوش مصنوعی میتواند به متخصصان بالینی کمک نماید تا رویکرد جامعتری را برای مدیریت بیماریها داشتهباشند، برنامههای مراقبت بهتری را ترتیب دهند و به بیماران کمک میکند تا با برنامههای درمان طولانی مدت خودشان هماهنگی بیشتری داشته باشند و بتوانند زمان خود را مدیریت کنند. رباتها بیش از ۳۰ سال است که در پزشکی استفاده شدهاند. محدودهی استفادهی این رباتها از رباتهای آزمایشگاهی ساده تا رباتهای بسیار پیچیده جراحی که میتوانند به یک جراح انسانی حین عمل کمک کنند یا خود عمل جراحی را انجام دهند، شامل میشود. علاوه بر جراحی، در بیمارستانها و آزمایشگاهها از رباتها برای انجام کارهای تکراری، توانبخشی، فیزیوتراپی و حمایت از افراد دارای بیماریهای بلند مدت نیز استفاده میشود.
زندگی ما طولانی تر از نسلهای گذشته است و با رسیدن به انتهای زندگی، ما از راههای متفاوتتر و آرامتری به دلیل عواملی مانند زوال عقل، نارسایی قلبی و پوکی استخوان خواهیم مرد. عامل تنهایی نیز میتواند باعث مرگ شود. رباتها توانایی ایجاد تغییرات عظیمی در زمینه مراقبت از افراد کهنسال را دارند، به مردم کمک میکنند تا مدت طولانیتری مستقل باقی بمانند و نیاز به بستری شدن و بیمارستان کاهش دهند. هوش مصنوعی همراه با پیشرفتهای طراحی شبه انسان ، روباتها را قادر میسازد تا حتی پا را فراتر بگذارند و با افراد پا به سن گذاشته “مکالمات” و سایر تعاملات اجتماعی داشته باشند و ذهن آنها را همچنان چالاک نگه دارند.
مسیر از آزمایشگاه تحقیقاتی به بیمار طولانی و پرهزینه است. طبق گزارش انجمن تحقیقات بیومدیکال کالیفرنیا، دارو برای رسیدن از آزمایشگاه تحقیقاتی به بیمار به طور متوسط ۱۲ سال طی میکند. تنها پنج مورد از ۵۰۰۰ دارو که شروع آزمایش پیش از موعد را انجام میدهند به مرحله آزمایش انسانی میرسند و تنها یکی از این پنج مورد برای استفاده انسانی تایید میشود. علاوه بر این، به طور متوسط ۳۵۹ میلیون دلار برای توسعه یک دارو جدید از آزمایشگاه تحقیقاتی به بیمار هزینه میشود. تحقیقات و کشف مواد دارویی یکی از جدیدترین برنامههای کاربردی AI برای مراقبتهای بهداشتی است. با هدایت آخرین پیشرفت های AI برای ساده سازی کشف داروها و فرآیندهای تجویز دارویی، این احتمال وجود دارد که به طور قابل توجهی هم زمان را برای فروش داروهای جدید در بازار و هم هزینههای آنها را کاهش دهد.
AI به کسانی که در حوزه آموزشی هستند اجازه میدهد تا از طریق شبیهسازیهای طبیعی به گونهای که الگوریتمهای ساده کامپیوتری قادر به انجام آن نیستند. ظهور گفتار طبیعی و توانایی یک کامپیوتر هوش مصنوعی برای بیرون کشیدن اطلاعات از روی یک پایگاه داده بزرگ از سناریوها، به این معنی است که پاسخ به سوالات، تصمیمات یا توصیههای یک کارآموز میتواند چالشی باشد که انسان قادر به طرح آنها نیست. و برنامه آموزشی میتواند از پاسخهای قبلی از کارآموز یاد بگیرد، به این معنی که چالشها میتوانند به طور مداوم برای پاسخگویی به نیازهای یادگیری آنها تنظیم شود. آموزش میتواند هر جا انجام شود با قدرت AI که بر روی یک گوشی هوشمند جاسازی شدهاست، جلسات سریع، پس از یک پرونده در یک کلینیک یا در حین سفر، امکان پذیر خواهدبود.
IBM Watson
یکی از مشهورترین هوشهای مصنوعی به کار گرفتهشده در حوزه سلامت “آی بی ام واتسون” است . این هوش مصنوعی امیدی برای درمان دقیقتر و موثرتر برای بیماران سرطانی است و آزمایشهای ژنتیکی را بسیار سریعتر و دقیقتر از تلاشهای انسانی تحلیل می کند. همچنین واتسون در کشف داروهای جدید و همچنین شناسایی نشانههای داروهای موجود به محققان کمک می کند. IBM قصد دارد از این پلتفرم برای آنالیز دادههای تصویری پزشکی استفاده کند تا توانایی شناخت وضعیت نرمال اعضای سالم بدن را به دست آورد. پس از آن باید قادر به تشخیص بروز تغییرات غیرمعمول در تصاویر اسکنشده باشد تا بتواند پزشک را به ناحیهی مشکوک راهنمایی کند. اگر این دادهها با سوابق پزشکی هر بیمار تلفیق شود، فرآیند درمان در شرایط بحرانی میتواند سریعتر و موثرتر باشد.
هوش مصنوعی در صنعت صوت و تصویر فراگیر، رسانه و سرگرمی
هوش مصنوعی (AI) با خودکار کردن زنجیرههای تأمین رسانه، گردش کار را در این صنعت سادهتر میکند. شرکت Zixi در چین در حال حاضر به هدف افزایش بهرهوری مراکز عملیاتی شبکه، تکنیکهای یادگیری ماشین را ادغام کرده و تجزیهوتحلیل فیلم را کارآمدتر میکند. یکی از بزرگترین مزیتهای این شرکت، همکاری با اکوسیستمی شامل بیش از 100 شرکت تولیدکننده تجهیزات و تأمینکننده خدمات است و این امر باعث میشود تا کاربران بتوانند انتقال تصویر بر روی IP را با سهولت انجام دهند. شبکه پیشرفته ای با تأخیر بسیار کم، قابلیت تجزیه و تحلیل محتوا و اثرات مثبت در کسبوکار و قابلیتهای مدیریت جامع جریان با استفاده از صفحه کنترل ZEN Master در این شرکت ارائه شده است. فناوریAI ، علاوه بر تحلیل محتوا، نگاهی عمیق به چگونگی افزایش قدرت پردازش و قابلیت ذخیره سازی در پخش، سرگرمی و رسانه دارد. این فناوری از افزایش قدرت پردازش و قابلیت های ذخیره سازی و همچنین افزایش مقدار اطلاعاتی که توسط انقلاب اینترنت در دسترس است بهره می برد. برنامه های کاربردی AI در صنعت پخش و رسانه، بین سال های 2016 و 2017 رواج داشته است و در سال 2018 رشد بیشتری پیدا کرده اند.
AI در بخشهای ایجاد، تولید، مدیریت، انتشار، کسب درآمد، مصرف، اتصال، ذخیره سازی و پشتیبانیِ زنجیره محتوا می تواند در صنعت پخش، رسانه و سرگرمی کاربرد داشته باشد. مدیریت، محبوب ترین بخش برای استقرار احتمالی AI با احتمال 34٪ است. تولید، 31٪ و پشتیبانی با 26٪ به ترتیب در مقام دوم و سوم هستند. فروش و اتصال تنها 12٪ و 13٪ از بخشهایی هستند که از فناوری AI استفاده می کنند. با نگاهی به بکارگیری AI در هر بخش از زنجیره محتوا، درمی یابیم که چگونه این فناوری نوظهور به پخش کننده ها کمک می کند تا به طور خودکار به انجام عملیات و درک بینش بینندگان خود بپردازند.
AIپتانسیل خودکارسازی بخش هایی از این فرآیند “ایجاد در ابتدای زنجیره محتوای صنعت پخش و رسانه را دارد. اگرچه این فرآیند، جریانهای کاری خلاقانه ای دارد، اما توانایی خودکارسازی وظایف روزمره را دارد که با آزادسازی منابع برای اهداف خلاقانه تر ارزش بیشتری فراهم می آورند. برخی از شرکتهای رسانه ای نیز علاقه زیادی به استفاده از AI برای خودکارسازی عملیات دوربین نشان داده اند. به عنوان مثال ، در سال 2016، دیزنی اعلام کرد که برای پوشش بیشتر بازی های بسکتبال و فوتبال در تلاش است تا عملگرهای دوربین اتوماتیک خود را بهبود ببخشد. نیکون در سال 2018 شروع به ارائه راهکارهای دوربین خودکار کرد که از AI استفاده می کند. این راه حلها می توانند به پخش کنندگان و تولیدکنندگان محتوا کمک کنند تا در بخشی از هزینه خود صرفه جویی کرده و رویدادهای بیشتری را تحت پوشش قرار دهند. این امر خصوصاً در تولید محتوای ورزشی که تقاضا برای آن در حال رشد بوده، جذاب است. Netflix از AI برای تولید تیزرهای مختلف برای نمایش ها / فیلم های تلویزیونی با مورد توجه قرار دادن ویژگیهای مخاطبان متفاوت استفاده می کند.
AI می تواند عملکردهای فرآیند “تولید” را نیز خودکارسازی کند. AI قبلاً از IBM برای تولید نکات برجسته در مسابقات تنیس Open US 2017 استفاده کرده بود. الگوریتم های شناختی IBM Watson برای شناسایی لحظات کلیدی هر بازی استفاده شد. به Watson سیگنال های لحظه های قابل توجه، مانند جشن بازیکنان و سطح سر و صدای طرفداران همچنین مراحل مختلف یک بازی تنیس آموزش داده شد تا میزان اهمیت یک زمان مشخص از جمله استراحت یا زمان مسابقه را درک کند.
ماهیت فرآیند”مدیریت در صنعت پخش و رسانه، به گونه ای است که می تواند یه یکی از کاربردهای معمول AI تبدیل شود. روند برچسب زدن محتوا، دستی و بسیار گران است؛ بنابراین طبیعی است که آن را با فناوری مناسب AI جایگزین نمود. با افزایش سطح جزئیات فراداده، جستجوی سیستم های مدیریت محتوا دقیق تر می شود، بنابراین فرصت های کسب درآمد را افزایش می دهد. تعداد شرکت های ارائه دهنده برنامه های پخش کننده و صاحبان محتوا با ابزار فناوری AI برای برچسب زدن بهینه مطالب خود در حال حاضر زیاد است برای نمونه شرکت هایی مانند GrayMeta و Veritone و همچنین ارائه دهندگان خدمات ابری مانند گوگل، آمازون و مایکروسافت هستند از جمله شرکتهای پیشرو در این حوزه هستند. جایزه برتر نوآوری IABM در سال 2018 – جایزه پیتر وین طلایی BaM با فناوری Video Indexer است. داده های ایجاد شده و طبقه بندی شده توسط الگوریتم های AI می توانند برای گردش کار درآمدزا مجدداً مورد استفاده قرار گرفته و در اجرای راه حل جستجوی فراداده با کیفیت بالا در یک سازمان رسانه ای زمان جستجو را تا 54٪ کاهش دهد.
در فرآیند “انتشار AI به طور فزاینده ای برای پیش بینی افزایش منابع مورد نیاز برای کاهش تأخیر در تحویل مورد استفاده قرار گرفته و شبکه های تحویل فیلم به ابر منتقل می شوند تا از قابلیت ارتجاعی و مقیاس پذیری بیشتر آن استفاده کنند. به عنوان مثال، در رویدادهای ورزشی زنده یا راه اندازی سریال های جدید تلویزیونی، AI قادر به پیش بینی افزایش فشار حاصل از برنامه در شبکه تحویل ویدیو است و بنابراین می تواند به طور خودکار منابع موجود را برای همه خطوط ویدیویی به شکل مقیاس پذیر ارائه کند. در فرآیند انتشار، فناوری AI چندین زمینه کاربردی از جمله کشف، جستجوی پیشرفته، فیلترینگ، افزایش دسترسی و روشهای دقیق تر برای بسته بندی و تبلیغ محتوا را دارد. با ایجاد ویدئو قابل جستجو، شرکت های رسانه ای می توانند کشف مطالب را بهبود بخشیده، بازده عملیاتی را افزایش داده، درآمدهای تبلیغاتی بالاتری را ارائه داده و در نهایت مشارکت بیننده را بهبود بخشند.
یکی دیگر از زمینه های مهم کاربرد AI برای محافظت از محتوا است. در سال 2016 ، NBC Universal فاش کرد که به عنوان ابزاری برای مقابله با سرقت ادبی و ردیابی بازه های اوج استفاده برای دانلود غیرقانونی P2P از AI استفاده می کند.
در سال 2017 ، یک پخش کننده فرانسوی ، گروه M6 ، شروع به استفاده از هدف گذاری عاطفی با استفاده از AI نمود که بسته به احساسات آنها در یک لحظه خاص، بینندگان را با تبلیغات خاص هدف قرار می دهد. پخش کننده بریتانیا با بودجه عمومی یک تیم داخلی و برنامه ریزی و تجزیه و تحلیل داده ها را در سال 2011 ایجاد کرد. از آن زمان تاکنون ، تکنیک های یادگیری ماشین برای دسته بندی مشتریان و تبلیغات هدفمند را توسعه می دهد.
در فرآیند “مصرف می توان از هوش مصنوعی برای شخصی سازی استفاده کرد. در سال 2015، یوتیوب به عنوان اولین استفاده کننده شخصی سازی توسط AI پذیرفته شد. با استفاده از فناوری AI، Google Brain به ارائه پیشنهادات در پلتفرم های خود نمود و امکان برقراری روابط بین ترجیحات مختلف مشاهده که امکان نمونه برداری و برچسب زدن توسط انسانها وجود ندارد را فراهم نمود. اپراتورهای Pay-TV مانندSky ، Telefonica و Comcast برای بهبود روابط با مشتریان خود سرمایه گذاری نموده تا موانع موجود در روابط خود را با مشتریان کاهش دهند. به عنوان مثال ، Sky از سال 2017 شروع به استفاده از AI در توصیه محصول و برخی دیگر از تعاملات مشتری کرده است. در این فرایند، با Thematic ، یک استارت آپ AI نیز همکاری کرده تا فرم های بازخورد مشتری را با فناوری AI تحلیل کند.
در “ذخیره سازی”، AI می تواند به عنوان بهینه سازِ زیرساختهای ذخیره سازی عمل کند. این برنامه کاربردی که در صنایع دیگر شاهد تقاضای تشدید ظرفیت ذخیره سازی بوده، در پخش و رسانه تقاضای کمتری دارد در حالی که این یک پیشرفت بالقوه برای راه حل های ذخیره سازی فعلی است. با توجه به این تأثیر ، الگوریتم های AI فقط در صورت تغذیه با داده های بزرگ می توانند نتایج قابل توجهی و عملی ایجاد کنند. این یک فشار اضافی بر سیستم های ذخیره سازی تحمیل می کند که غالباً از طریق تأمین منابع می توان آنها را بکار گرفت. نمونه دیگری از چگونگی نحوه استقرار AI اغلب با تأمین منابع مبتنی بر ابر است.
در “پشتیبانی” ، AI پتانسیل این را دارد که با خودکار کردن کارهای هزینه بر، راه حل های فعلی را تقویت کند. در برخی موارد، این وظایف به حدی پرهزینه و زمانبر هستند که حتی توسط سازمانهای پخش و رسانه انجام نمی شود. از این منظر، AI می تواند کاربران رسانه را به سمت استفاده از برخی مزایای استفاده نشده سوق دهد. در کنترل کیفیت، فروشندگانی مانند Interra Systems و Mediaproxy از ویژگی های AI در ارائه های خود در سال 2018 استفاده کرده اند تا برچسب گذاری خودکار محتوای برای طبقه بندی سازگاری و نظارت بر استثناء را فعال کنند. در نظارت بر شبکه ، Skyline در سال 2018 DataMiner را راه اندازی کرد، محصولی که از AI برای تقویت مدیریت زیرساخت های پخش استفاده می کند.
نقش AI در امنیت سایبری مشابه نظارت است. در حقیقت، الگوریتم های AI می توانند با انواع مختلفی از اطلاعات عملیاتی مانند رفتار کاربر و داده های شبکه تغذیه شوند تا بطور خودکار ناهنجاری ها را تشخیص داده و به اپراتورهای انسانی هشدار دهد. بنابراین AI می تواند به عنوان ابزاری برای شناسایی تهدید برای تقویت قابلیت های امنیت سایبر به روشی کارآمد استفاده شود. این وظیفه، که نمی تواند توسط انسانها انجام شود، به سازمان های پخش و رسانه امکان استفاده از یک ابزار کمکی در برابر حملات سایبری را می دهد.