خانه > تازه ها > ۲۷ کاربرد باور نکردنی هوش مصنوعی و یادگیری ماشین ( بخش دوم )
کاربرد های هوش مصنوعی قسمت دوم

۲۷ کاربرد باور نکردنی هوش مصنوعی و یادگیری ماشین ( بخش دوم )

در بخش قبل به معرفی برخی از کاربرد های هوش مصنوعی ( AI ) و یادگیری ماشین در صنایع مختلف صحبت کردیم. در این بخش به بررسی مثال های شگفت انگیز دیگر از کاربرد هوش مصنوعی ( AI ) و یادگیری ماشین در شرکت های پیشرو در جهان می پردازیم.

مقاله مرتبط :

تولید

ماشین ها به طور فزاینده ای به قابلیت اتصال به اینترنت مجهز می شوند و داده هایی را ایجاد می کنند که می توان به روش های مختلف از آن ها استفاده کرد. Volvo از داده ها برای پیش بینی زمان شکست قطعات و یا زمانی که وسایل نقلیه نیاز به تعمیر و نگهداری دارد استفاده می کند، که این امر موجب می شود که ولوو بتواند با حفظ عملکرد خودرو در شرایط خطرناک و بهبود راحتی راننده و مسافرین، سابقه بسیار خوب خود در زمینه ایمنی را حفظ کند. ولوو همچنین در حال تحقیق و توسعه در زمینه وسایل نقلیه خودران می باشد.

 BMW تکنولوژی مرتبط با کلان داده ها را در قلب مدل کسب و کار خود دارد و از داده ها برای هدایت تصمیم گیری در سراسر کسب و کار خود از طراحی و مهندسی گرفته تا فروش و خدمات پس از فروش بهره می گیرد. این شرکت همچنین در زمینه تکنولوژی خودروی بدون راننده پیشتاز این عرصه محسوب می شود و قصد دارد خودروهای خود را برای ارائه درسطح اتومات ۵ ( بدین معنی که خودرو می تواند بدون دخالت انسان خود را براند ) تا سال ۲۰۲۱ آماده کند.

انقلاب فناوری هوش مصنوعی ( AI ) به زراعت و کشاورزی نیز رسیده است و کمپانی  John Deer( کمپانی تولید کننده ادوات کشاورزی در آمریکا ) ابزارهای تحلیلی داده ها و اتوماسیون کشاورزی را در اختیار کشاورزان قرار می دهد. آن ها از تکنولوژی Blue River به عنوان راه حل خود برای استفاده از الگوریتم های پیشرفته یادگیری ماشین استفاده می کند و بدین وسیله ربات ها را قادر می سازد تا براساس اطلاعات بصری درباره اینکه آیا از آفت کش برای از بین بردن آفات استفاده شود یا نه تصمیم گیری کنند. این شرکت در حال حاضر ماشین های اتوماتیک مزرعه ای مجهز به  سیستم های GPS دقیق را برای  استفاده در شخم زدن ارائه می کند و سیستم Farmsight آن برای کمک به تصمیم گیری های کشاورزی طراحی شده است.

رسانه

پروژه Talking with Machines بی بی سی یک نمایش شنیداری درام است که به شنونده ها اجازه می دهد تا با استفاده از بلندگوی هوشمندشان به یک گفتگوی دو طرفه بپیوندند. شنوندگان بخشی از داستان می شوند، واز آن ها خواسته می شود تا به سوالات پاسخ دهند و خطوط داستانی  خود را در نمایش وارد کنند. این پروژه به طور خاص برای بلندگو های هوشمند Amazon Echo و Google Home ایجاد شده است، بی بی سی انتظار دارد که در آینده این تکنولوژی را در سایر دستگاه های صوتی نیز بتواند به کار ببرد.

اتحادیه خبرگزاری های انگلیس امیدوار است روبات ها و هوش مصنوعی بتوانند اخبار محلی را در حافظه خود ذخیره کنند. آن ها با کمپانی متخصص اخبار اتوماسیون Urbs Media همکاری کردند تا از ربات ها برای نگارش ماهیانه سی هزار خبر در سطح محلی در پروژه ای به نام RADAR ( Reporters and Data and Robots )  استفاده کنند. این دستگاه با اطلاعات متنوعی که از دولت، خدمات عمومی و مقامات محلی در اختیار دارد، با استفاده از تکنولوژی تولید نسل زبان های طبیعی به نوشتن اخبار محلی اقدام می کند. این ربات ها شکاف های موجود در حوزه پوشش خبری را که توسط انسان ها  پر نشده است، برطرف می کنند.

تجزیه و تحلیل داده های بزرگ به Netflix کمک می کند تا برنامه هایی را که بینندگانش از تماشای آن بیشتر لذت خواهند برد، پیش بینی کند. آنها همچنین  به طور گسترده ای در حوزه تولید محتوا فعال هستند و  تنها به عنوان  توزیع کننده آن شناخته نمی شوند و از داده ها برای تعیین محتوایی که باید در ساخت آن سرمایه گذاری می کنند استفاده می کنند. با توجه به اعتمادی که آن ها به یافته های خود در زمینه داده ها دارند، مایل هستند تا قراردادهایی که برای تولید سریال منعقد می کنند برخلاف شبکه های دیگر، برای چند فصل پیاپی باشد تا این که تنها برای یک تولید یک فصل آزمایشی قرارداد ببندند.

خرده فروشی

وقتی اولین بار به Burberry ( یک شرکت فعال در حوزه خرده فروشی و فروشگاه های زنجیره ای ) فکر بکنید، شاید در وحله اول لوکس بودن آن را مد نظر قرار دهید و آن را به منزله یک تجارت دیجیتال در نظر نگیرید. با این حال، آنها مشغول باز تعریف خود و استفاده از کلان داده ها و هوش مصنوعی برای مقابله با محصولات بدلی و بهبود فروش و روابط خود با مشتری هستند. استراتژی شرکت برای افزایش فروش مبتنی بر تقویت ارتباط عمیق و شخصی با مشتریان خود می باشد. به عنوان بخشی از این پروژه، آن ها برنامه های پاداش و وفاداری را طراحی کرده اند که به آن ها کمک می کند که تجربه خرید را برای هر مشتری شخصی سازی کنند. در حقیقت، آنها تجربه خرید در فروشگاه های خواربار فروشی خود را به اندازه تجربه آنلاین نوآورانه می کنند.

Walmart به عنوان دومین خرده فروشی بزرگ در جهان، در جستجوی راه هایی برای تبدیل کار خود به خرده فروشی آنلاین و ارائه خدمات بهتر به مشتریان خود است. آن ها از کلان داده ها، یادگیری ماشین، هوش مصنوعی و اینترنت اشیا برای اطمینان از ایجاد تجربه ای یکپارچه و بدون تفاوت خاص بین خرید آنلاین و تجربه خرید در فروشگاه استفاده می کنند ( با ۱۱،۰۰۰ فروشگاه خرده فروشی، چیزی که رقیب آن ها آمازون قادر به انجام آن نیست ). پیشرفت ها شامل استفاده از قابلیت Scan and Go در نرم افزارو Pick-up Towers  ( ستون های آساسنسور مانندی که محصول مورد نظر مشتری را از بخش های مختلف فروشگاه در اختیار او می گذارند.) و همچنین آنها از تکنولوژی تشخیص چهره برای تعیین اینکه آیا مشتریان از تجربه خرید خود خوشحال یا ناراحت هستند به صورت آزمایشی استفاده می کنند.

خدمات

محوریت تمامی فعالیت های مایکروسافت پرداختن به دستگاه های هوشمند می باشد. مایکروسافت مجهز به تکنولوژی هایی مانند Cortana، دستیار مجازی، Chatbots که برنامه اسکایپ را اجرا می کند و به سوالات مشتری پاسخ می دهد یا اطلاعاتی مانند به روز رسانی آب و هوا یا اطلاعات مربوط به مسافرت ارائه می دهد و این شرکت ویژگی های هوشمند را درون برنامه Office خود نیز به کار گرفته است. سایر شرکت ها می توانند از پلت فرم هوش مصنوعی Microsoft  برای ایجاد ابزارهای هوشمند خود استفاده کنند. در آینده، مایکروسافت می خواهد دستگاه های هوشمند با قابلیت های عمومی هوش مصنوعی را که به آن ها امکان انجام هر کاری را می دهد در اختیار داشته باشد.

هنگامی که شما محاسبات ابری، نقشه برداری جغرافیایی و یادگیری ماشین را باهم ادغام بکنید، کاربرد های خیلی جالبی می تواند از دل آن ها بیرون بیاید. Google از هوش مصنوعی و داده های ماهواره ای برای جلوگیری از ماهیگیری غیرقانونی استفاده می کند. در هر روز، ۲۲ میلیون نقطه داده ایجاد می شود  که نشان می دهد که کشتی ها در کدام قسمت از آب راه های جهان هستند. مهندسان گوگل دریافتند وقتی که آنها از داده ها در بستر یادگیری ماشین استفاده کنند، می توانند بفهمند که یک کشتی با چه هدفی در دریا بوده است ( مبدا و مقصدش کجا بوده است ). آن ها در نهایت دیده بان جهانی ماهیگیری را طراحی کردند که نشان می دهد در کدام قسمت از آب های بین المللی ماهیگیری اتفاق می افتد و سپس می تواند فعالیت های ماهیگیری غیر قانونی را شناسایی کند.

دیزنی ( بخش تفریحی دیزنی ) که همیشه در صدر ارائه خدمات فوق العاده به مشتریان خود بوده، به لطف کلان داده ها حتی در این زمینه بهتر نیز عمل می کند. هر بازدید کننده، دستبند MagicBand خود را که کاربرد های متعددی از جمله شناسه کاربری، کلید اتاق هتل، بلیط شهربازی دیزنی، استفاده از سایر امکانات هتل و سیستم پرداخت دارا می باشد ، دریافت می کند. در حالی که مهمان احساس راحتی می کند، دیزنی اطلاعات زیادی به دست می آورد که به آنها کمک می کند تا نیازهای مهمانان را پیش بینی کنند و یک تجربه شگفت انگیز و شخصی را برای او ارائه دهند. آنها می توانند مشکلات ترافیکی را حل و فصل کنند، خدمات اضافی برای مهمانانی که به خاطر تکمیل ظرفیت هتل ها نتوانسته اند اتاق رزرو کنند ارائه دهند و حتی این امکان را فراهم می سازد تا زمانبندی کاری کارکنان خود را به طور موثرتری برنامه ریزی کند.

گوگل یکی از پیشگامان یادگیری عمیق است که از ابتدا با پروژه Google Brain در سال ۲۰۱۱ این کار را آغاز کرده است. گوگل برای اولین بار از یادگیری عمیق برای تشخیص تصویر استفاده کرده و اکنون می تواند از آن برای بهبود تصویر استفاده کند. گوگل همچنین یادگیری عمیق را برای پردازش زبان و ارائه توصیه های ویدئویی بهتر در YouTube اعمال کرده است، زیرا عادت ها و ترجیحات بینندگان را در هنگام پخش محتوا مورد مطالعه قرار می دهد. علاوه بر آن، بخش ماشین خودران گوگل نیز از یادگیری عمیق استفاده می کند. گوگل همچنین از یادگیری ماشین برای پیکربندی درست سخت افزارها و کولرها در مراکز داده خود استفاده کرد تا بتواند مقدار انرژی مصرف شده را کاهش دهد. هوش مصنوعی و یادگیری ماشین به گوگل کمک کرده است تا روش های جدیدی در زمینه پایداری در محیط کار به کار بگیرد.

شبکه های اجتماعی

از توصیه برای توییت کردن تا مبارزه با محتوا های نامناسب و نژادپرستانه و افزایش تجربه کاربر، توییتر استفاده از هوش مصنوعی در پشت صحنه را برای افزایش کارایی محصول خود آغاز کرده است. آن ها داده های زیادی را از طریق شبکه های عصبی عمیق پردازش می کنند تا در طول زمان ترجیحات کاربران را تشخیص دهند.

یادگیری عمیق به فیس بوک کمک می کند تا ارزش مورد نظر خود را از بخش بزرگتری از مجموعه داده های بدون ساختار خود که توسط تقریبا ۲ میلیارد نفر که پروفایل خود را ۲۹۳،۰۰۰ بار در دقیقه به روز می کنند، استخراج کند. بیشتر تکنولوژی یادگیری عمیق فیس بوک بر روی پلت فرم Torch که بر تکنولوژی های یادگیری عمیق و شبکه های عصبی تمرکز دارد، ساخته شده است.

اینستاگرام همچنین از کلان داده ها و هوش مصنوعی برای هدف قرار دادن تبلیغاتی که برای کاربران ایجاد مزاحمت می کنند و همچنین برای مبارزه با تهدیدات اینترنتی و حذف نظرات توهین آمیز استفاده می کند. هر چه قدر  که میزان محتوا در پلتفرم ها رشد می کند، هوش مصنوعی برای اطلاع رسانی به کاربران پلتفرم راجب اطلاعاتی که به آن علاقه دارند، برخورد با اسپم ها و بهبود تجربه کاربری اهمیت بیشتری پیدا می کند.

بیشتر بخوانید :

منبع Forbes
0/5 ( 0 نظر )

درباره‌ی احمدرضا جعفری

همچنین ببینید

یادگیری عمیق به زبان ساده شبکه باور عمیق

یادگیری عمیق به زبان ساده : شبکه باور عمیق – قسمت هفتم

یک ماشین بولتزمن محدود شده ( RBM ) می تواند ویژگی ها را استخراج کرده …