مهم ترین تکنولوژی های 2021

مهم ترین تکنولوژی های 2021

موسسه مهندسین برق و الکترونیک امروز نتایج نظرسنجی از افسران ارشد اطلاعات (CIO) و افسران ارشد فناوری (CTO) در ایالات متحده ، انگلستان ، چین ، هند و برزیل در مورد مهم ترین تکنولوژی های کلی 2021 و تأثیر همه گیر COVID-19 در مورد سرعت پذیرش فناوری آنها گزارشی ارائه دادند و انتظار می رود صنایع در سال آینده بیشترین تأثیر را بر فناوری داشته باشند. هوش مصنوعی و یادگیری ماشینی ، 5G و IoT مهمترین فناوریهای سال 2021 خواهند بود و در این امر موجب می شود تا نقطه عطفی در فناوری پدیدار شود.

کدام یک از مهم ترین تکنولوژی ها در سال 2021 خواهند بود؟

در میان کل پاسخ دهندگان ، تقریباً یک سوم (32٪) می گویند هوش مصنوعی و یادگیری ماشین و به دنبال آن 5G (20٪) و IoT (14٪). براساس بررسی انجام شده توسط  CIOs و CTOS ، تولید (19٪) ، بهداشت و درمان (18٪) ، خدمات مالی (15٪) و آموزش (13٪) صنایعی هستند که بیشتر تأثیر را از فناوری در سال 2021 خواهند گرفت. در همان زمان ، بیش از نیمی (52٪) CIO و CTO بزرگترین چالش خود را در سال 2021 مربوط به جنبه های بهبود COVID-19 در رابطه با عملیات تجاری می دانند.این چالش ها شامل ساختار دورکاری هیبریدی دائمی و اداری (22٪) ، بازگشایی و بازگشت دفاتر و تأسیسات (17٪) و مدیریت کار از راه دور دائمی (13٪) است. با این حال ، 11٪ اظهار داشتند که تسریع برای متوقف کردن و شروع ابتکارات فناوری اطلاعات با ادامه این محیط غیر قابل پیش بینی بزرگترین چالش آنها خواهد بود. 11٪ دیگر تهدیدهای امنیتی آنلاین ، از جمله تهدیدهای مربوط به کارگران از راه دور ، را بزرگترین چالشی که در سال 2021 مشاهده می کنند ذکر کردند.

پذیرش فناوری ، شتاب و آمادگی در برابر بلایا به دلیل COVID-19

CIO ها و CTO های مورد بررسی به دلیل همه گیری ، در اتخاذ برخی از فناوری ها سرعت بیشتری دارند:

بیش از نیمی از (55٪) پاسخ دهندگان سرعت پردازش رایانش ابری را تسریع کرده اند
52٪ سرعت 5G را تسریع کرده اند
51٪ هوش مصنوعی و یادگیری ماشین را تسریع کرده اند
پذیرش فناوری های اینترنت اشیا ((42٪) ، واقعیت افزوده و واقعیت مجازی (35٪) و کنفرانس ویدیویی (35٪) نیز به دلیل همه گیری جهانی تسریع شده است.

در مقایسه با یک سال پیش ، CIO و CTO با اکثریت قریب به اتفاق (92٪) معتقدند شرکت آنها آمادگی بیشتری برای پاسخگویی به وقفه های احتمالی فاجعه بار مانند نقض داده ها یا یک فاجعه طبیعی دارد. علاوه بر این ، از کسانی که می گویند آمادگی بیشتری دارند ، 58٪ کاملاً موافقند که COVID-19 آمادگی آنها را تسریع می کند. وقتی از آنها سوال شد که کدام فناوری ها بیشترین تأثیر را در بهبود COVID-19 دارند ، از هر چهار نفر یک نفر (25٪) پاسخش هوش مصنوعی و یادگیری ماشین بود.

امنیت سایبری

دو نگرانی اصلی برای CIO ها و CTO ها در مورد امنیت سایبری سازمان آنها مسائل امنیتی مربوط به نیروی کار سیار است از جمله کارمندانی که دستگاه های خود را به کار می آورند (37٪) و اطمینان از امنیت اینترنت اشیا (IoT) (35 ٪) این تعجب آور نیست ، زیرا تعداد دستگاه های متصل مانند تلفن های هوشمند ، تبلت ها ، سنسورها ، روبات ها و هواپیماهای بدون سرنشین به طرز چشمگیری در دیجیتال مارکتینگ حال افزایش است. کمی بیش از یک سوم (34٪) از پاسخ دهندگان CIO و CTO گفتند که می توانند 26-50٪ از دستگاههای متصل به تجارت خود را ردیابی و مدیریت کنند ، در حالی که 20٪ از شرکت کنندگان گفتند که می توانند 51-75٪ از دستگاه های متصل را کنترل و مدیریت کنند.

هوش مصنوعی و سیستم های خبره

هوش مصنوعی و سیستم های خبره

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.

هوش مصنوعی و لوازم خانگی

هوش مصنوعی و لوازم خانگی

هوش مصنوعی در بسیاری از کارهای روزمره حضور دارد و لوازم خانگی نیز از این

قائده مستثنی نیست بسیاری از برند های معتبر دنیا مانند ال جی در تلاشند تا با ارائه این

دسته از لوازم شیوه نوینی از زندگی در خانه های هوشمند را برای مشتریان خود ارائه

دهند. در حالی که بعضی از این شرکت ها تمرکز خود را بر روی لوازمی همچون یخچال

و تلوزیون گذاشته اند، عده دیگری از این شرکت ها بر روی گجت هایی کار می کنند که

بسیار کوچکتر و ساده تر هستند مانند کلید و پریز برق و یا گلدان های هوشمند.

کدام لوازم خانگی و مصرفی مجهز به هوش مصنوعی هستند؟

در چند سال اخیر خبر ساختن لوازم هوشمند بسیار شنیده شده و می شود، تا حدی که

در کشور خودمان هم تعدادی از این لوازم استفاده می شوند. با این حال هنوز تعداد زیادی

از این وسایل در بازار ما به چشم نمی خورند. شاید دلیل این امر آماده نبودن بستر این

فناوری و عدم حضور محصولات بومی باشد. با این حال ما قصد داریم تا تعدادی از این

لوازم را به شما معرفی کنیم. دستگاه های خانه هوشمند بخشی اساسی از خانه های قرن 21

است. با نصب آنها می توانید ترموستات خود را کم و زیاد کنید، درهای خود را قفل کنید و

با یک فرمان صوتی ساده موسیقی مورد نظرتان را پخش کنید با این وسایل می توانید یک

محیط هوشمند و یکپارچه که باعث پیشرفت عملکرد می شود را ایجاد کنید.

اسپیکر هوشمند

یکی از لوازم خانگی مجهز به هوش مصنوعی سونوس است که هم یک اسپیکر خوب است و

هم دستیاز صوتی الکسا را درون خود جای داده است. شما از یک جهت هوش مصنوعی الکسا

را دارید که روز به روز در حال پیشرفت است و از طرف دیگر سیستم صوتی سونوس را در

اختیار دارید که عملکرد صوتی بی نظیری را دارد. آمازون اکو یکی دیگر از اسپیکر های

مبتنی بر هوش مصنوعی است که به بسیاری از خانه ها راه یافته. دلیل آن مقرون به صرفه

بودن این اسپیکر هوشمند است. از دیگر اسپیکر ها می توان به اپل هومپاد اشاره کرد. با در

اختیار داشتن این دستگاه می توانید به راحتی آن را با سایر محصولات شرکت اپل سینک کنید

پس اگر طرفدار محصولات اپل هستنید بدون شک از این اسپیکر استفاده کنید.

نور پردازی هوشمند

نورپردازی هوشمند یکی از زمینه های خانه هوشمند است که تقریباً هرکسی می تواند آن را تهیه

کند. کار کردن با این دستگاه ها بسیار راحت است و نصب پیچیده ای ندارند بنابرای  قبل از اینکه

متوجه شوید، از رنگهای دوست داشتنی لامپهای هوشمند جدید خود لذت می برید و آنها را فقط با

تلفن یا صدای خود کنترل می کنید. یکی از این گجت ها هیو کالر آمبینس شرکت فیلیپس است یک

دلیل بسیار خوب وجود دارد که هیو بزرگترین نام در زمینه روشنایی هوشمند است.این چراغ ها

طبیعی ترین رنگ ها را از نصبت به روشنایی های هوشمندی که تولید شده است تولید می کنند ،

استفاده از برنامه آن آسان است و نصب یک پارچه و راحتی نیز دارد. اگر به دنبال یک چراغ

خاص هستید ، چیزی که بتواند اتاق شما را با تابشی از نور گرم قرمز یا بنفش عمیق چشمنواز کند

LIFX A19   یکی از موارد مناسب برای شماست. با یک چرخ رنگی سرگرم کننده و تنظیمات

روشنایی که بسیار متغییر است ، گزینه های سفارشی سازی آنقدر متنوع هستند که می توانند گاهاً

خسته کننده شوند.

دوربین های امنیتی هوشمند

اگر می خواهید بدانید وقتی در خانه نیستید چه اتفاقی می افتد ، دوربین های امنیتی هوشمند طراحی

شده برای داخل و خارج از خانه، یک انتخابی است که برای شما ضروری است.در دنیای دوربین های

امنیتی هوشمند ، Anker Eufycam 2 به عنوان یک گزینه میان رده خوب و با قیمت مقرون به صرفه

شناخته می شود. این دوربین از ویژگی های بسیار بزرگی برخوردار است و اگرچه نظارت 24/7 را

ارائه نمی دهد ، اما به برای استفاده از آن نیاز به تهیه اشتراک ماهانه نیز ندارید این دوربین هر وقت

که حرکتی را شناسایی کند شروع به فیلمبرداری می کند.

ترموستات هوشمند

ترموستات Nest Learningکه نسل سوم این خانواده است به دلیل توانایی یادگیری کارهای روزمره

و تنظیم خود بر اساس آنها شهرت دارد. این بدان معنی است که به مرور زمان سیستم گرمایشی شما

می تواند متناسب با نیاز شما سازگار شود ، بدون اینکه مجبور باشید کاری انجام دهید. یکی دیکر از

 این محصولات Hive است که متعلق به Centrica ، یکی از تأمین کنندگان انرژی پیشرو در انگلستان

است ، بنابراین می توانید مطمئن باشید که در مورد نیازهای گرمایشی خود ، دستان باتجربه در صدد

رفع آن هستند. در حالی که ممکن است این شرکت انگلیسی باشد ، محصولات Hive از سال 2017 در

ایالات متحده در دسترس است.

همانطور که مشاهده کردید هوش مصنوعی و لوازم خانه بسیار با هم آمیخته شده اند و این تنها گوشه ای

از وسایلی است که می توانید با آن خانه خود را هوشمند کنید. امروزه دیگر داشتن یک خانه هوشمند به

سادگی روشن کردن یک دستگاه بلوتوث است  اما با این وجود می توانید کار های پیچیده تری را نیز

انجام دهید. اینکه شما تا چه اندازه در خانه هوشمند خود سرمایه گذاری می کنید واقعاً به خود شما بستگی

دارد و می توانید آن را در حد راحتی خود شخصی سازی کنید. نکته جالب در مورد دستگاه های هوشمند

کوچکتر و ارزان تر این است که می توانید از آنها به صورت جداگانه استفاده کنید. حال این سوال پیش

می آید که آیا سیستم های خانه هوشمند ارزش هزینه کردن را دارند؟ در بسیاری از موارد ، هزینه دستگاه

و نصب آن می تواند گران باشد ، اما ممکن است به مرور زمان با افزودن ارزش به خانه  در هنگام فروش

مجدد یا صرفه جویی در مصرف انرژی جبران شود. در موارد دیگر ، راحتی و ایمنی سیستم های خودکار

می تواند ارزش سرمایه گذاری اولیه را داشته باشد. نکته دیگری که باید در نظر داشته باشید این است که

چون این دستگاه ها هنوز تازه هستند امکان دارد که هکر ها بتوانند به آنها نفوذ کنند. اما تمامی این شرکت ها ی

در حال توسعه امنیت این دستگاه ها هستند.

هوش مصنوعی و تشخیص چهره

هوش مصنوعی و تشخیص چهره

تشخیص چهره راهی برای شناخت و شناسایی چهره انسان از طریق فناوری هوش مصنوعی است.

یک سیستم تشخیص چهره از المان های بیومتریک برای ترسیم ویژگی های صورت از یک عکس

یا فیلم استفاده می کند. این اطلاعات را با یک پایگاه داده از چهره های شناخته شده مقایسه می کند تا

مطابقت لازم را پیدا کند. تشخیص چهره می تواند به تأیید هویت شخصی کمک کند ، اما همچنین باعث

افزایش مشکلات در حریم خصوصی می شود.انتظار می رود بازار تشخیص چهره در سال 2022 از 4

میلیارد دلار در سال 2017 به 7/7 میلیارد دلار رشد کند. این بدان دلیل است که تشخیص چهره انواع

برنامه های تجاری را دارد و می توان از آن برای همه چیز از نظارت گرفته  تا بازاریابی استفاده کرد.

شناسایی و تشخیص چهره چگونه در هوش مصنوعی کار می کند ؟

همه ما در تشخیص چهره افراد آشنامانند دوستان و خانواده خوب هستنیم و آن را به راحتی انجام می دهیم

شما ویژگی صورت این افراد مانند چشمان، بینی، دهان و غیره را می شناسید و از روی این مشخصات

چهره ها را شناسایی می کنید. اساسا سیستم های تشخیص چهره هم به همین روش کار می کنند، اما در مقیاس

وسیعتر و با استفاده از الگوریتم ها این کار را انجام می دهند. هر جایی که شما چهره ای می بینید سیستم های

تشخیسص چهره داده می بینند. این داده ها قابل ذخیره و دسترسی هستند. به عنوان مثال ، طبق یک مطالعه

دانشگاه جورج تاون ، نیمی از بزرگسالان آمریکایی تصاویر خود را در یک یا چند پایگاه داده تشخیص چهره

ذخیره می کنند که سازمان های اجرای قانون می توانند در آن جستجو کنند.

مراحل تشخیص چهره

اولین مرحله با گرفته شدن تصویر چهره از یک عکس یا فیلم شروع می شود. چهره شما امکان دارد که به

صورت تکی وجود داشته باشد و یا در جمعیت قرار گرفته شده باشد. چهره شما می تواند تمام رخ و یا سه رخ

باشد. در دومین مرحله نرم افزار تشخیص چهره هندسه چهره شما را می خواند. از جمله عوامل اصلی که خوانده

می شود می توان به فاصله بین چشم و فاصله از پیشانی تا چانه اشاره کرد. این نرم افزار نشانه های صورت را

شناسایی می کند که شامل 68 مورد می باشد که برای تشخیص چهره شما کلیدی هستند. و در نتیجه مشخصات

خاص چهره شما ثبت می شود.در مرحله سوم مشخصات چهره شما که اکنون به صورت یک فرمول در آمده است

با پایگاه داده مقایسه می شود همنطور که قبلا اشاره کردیم  114 میلیون آمریکایی تصاویر چهره خئد را در پایگاه

داده پلیس دارند و در سال 2018 FBI به 412 میلیون تصویر چهره دسترسی داشته. در چهارمین و آخرین مرحله

تصمیم گیری در مورد چهره شما انجام می شود و ممکن است که چهره شما با یکی از عکس های درون

پایگاه داده هم خوانی داشته باشد.

چه کسانی از هوش مصنوعی و تشخیص چهره استفاده می کنند؟

بسیاری از افراد و سازمان ها  از فناوری تشخیص چهره استفاده می کنند.برای مثال به برخی از آنها

اشاره می کنیم. سازمان امنیت ملی آمریکا از فناوری تشخیص چهره در فرودگا هها استفاده می کند تا

افرادی که مشکلات ویزایی دارند و یا تحت پیگرد قانونی  قرار دارند شناسایی شوند.مقامات گمرک در

فرودگاه بین المللی واشنگتن دالس اولین دستگیری خود را با استفاده از تشخیص چهره در آگوست 2018

انجام دادند ، و یک شیادی را که قصد ورود به کشور را داشت دستگیر کردند. گروه دیگری که از این

فناوری استفاده می کنند سازندگان تلفن های همراه است که در محصولات خود از آن استفاده می کنند.

شرکت اپل  برای اولین بار از تشخیص چهره جهت باز کردن قفل تلفن در Iphone X استفاده کرد

در مراکز تحصیلی حضور و غیاب دانش آموزان و دانشجویان با این فناوری کنترل می شود.فیس بوک

از یک الگوریتم برای تشخیص چهره هنگام آپلود عکس در سیستم عامل خود استفاده می کند. این شرکت

رسانه های اجتماعی از شما می پرسدکه آیا می خواهید افراد موجود در عکس های خود را برچسب گذاری

کنید. اگر بله بگویید ، پیوندی به نمایه های آنها ایجاد می شود. فیس بوک می تواند چهره ها را با دقت

98 درصد تشخیص دهد. برخی از کمپانی ها در قسمت ورودی و مناطق امنیتی که هر کسی اجازه ورود

ندارد هم از فناوری استفاده می کنند. فروشگاه ها، خطوط هوایی و بازاریابن هم نمونه ای دیگر از کسانی

هستند که از سیستم های تشخیص چهره استفاده می کنند.

آیا باید نگران سیستم های تشخیص چهره باشیم؟

حریم خصوصی بسیار مهم است.اما در واقع بسیاری از مردم هستند که معنای واقعی حریم خشوشی را

نمی داند. حریم خصوصی به هر حقی برای کنترل اطلاعات شخصی و نحوه استفاده از آنها اشاره دارد

و این می تواند شامل خصوصیات چهره شما نیز باشد. حالا تشخیص چهره چه مسائلی را می تواند ایجاد کند؟

امنیت اولین مسئله ای است که به ذهن هر کسی می رسد. داده های صورت شما می تواند جمع آوری و ذخیره

شود که اغلب بدون اجازه شما صورت می پذیرد. این امکان وجود دارد که هکرها بتوانند به این داده ها

دسترسی پیدا کنند و آنها را سرقت کنند. مسئله دیگر این است که چون این فناوری به سرعت در حال

 گسترش است امکان دارد که صورت شما در بسیاری از اماکن ذخیره شده باشد بنابراین شما نمی دانید که

اطلاعات صورت شما در دسترس چه کسانی قرار دارد. مالکیتمسئله بعدی است. شما صاحب صورت خود

هستید چهره ای که در بالای گردن شما قرار دارد اما تصاویر دیجیتالی شما داستانی متفاوت است. ممکن است

هنگام ثبت نام در یک شبکه رسانه های اجتماعی ، حق مالکیت خود را نسبت به چهره خودرها کرده باشید.

یا شاید کسانی باشند که  تصاویر شما را به صورت آنلاین ردیابی کرده و آنها را به صورت داده

می فروشد. این فناوری می تواند حتی خطر آفرین هم باشد در نظر بگیرید که کسی از شما در یک

مکان عمومی عکس بگیرد و بعد با نرم افزارهای تشخیص چهره بفهمد که شما دقبقا کی هستنید. یا

حتی امکان دارد که این سیستمها اشتباه کنند و شما را به جای افراد دیگر شناسایی کنند تصور کنید

که ممکن است مزنون به ارتکاب جرمی شده باشید که اصلا انجام نداده اید. حتی امکان دارد که دیگر

آزادی های اجتماعی اولیه را نیز در اختیار نداشته باشید و هر کجا که بروید زیر نظر باشید.

 البته همیشه هر فناوری جدیدی که ابداع  و اختراع شده همیشه مورد سواستفاده قرار گرفته است

اما این موضوع نباید دلیلی بر این باشد که خود فناوری به خودی خود خطرناک است.

هوش مصنوعی در مهندسی مکانیک

هوش مصنوعی در مهندسی مکانیک

پروژه Pro-mech Minds نمونه ای از هوش مصنوعی و یادگیری عمیق در مهندسی مکانیک است.

امروزه هوش مصنوعی کلمه ای است که همه جا شنیده می شود، همه گیری این موضوع به اسن خاطر

است که در همه زمینه ها نقش دارد. به گفته بریتانیکا ، “هوش مصنوعی (AI) ، به طور گسترده ای به

عنوان توانایی یک کامپیوتر دیجیتال یا روبات تحت کنترل کامپیوتر، در انجام کارهایی گفته می شود

که معمولاً با موجودات هوشمند مرتبط هستند.”هوش مصنوعی اصطلاحی گسترده تر است که در کنار آن

یادگیری ماشین است. یادگیری ماشینی از روشهای آماری استفاده می کند تا به ماشینها اجازه دهد با تجربه

بهبود یابند.(یاد گیرند)

مهندسی مکانیک استفاده کننده و توضیع کننده هوش مصنوعی

شرکتهای مهندسی مکانیک در درجه اول کاربران فن آوری هوش مصنوعی هستند ، اما به عنوان ارائه

دهنده راه حل های صنعتی ، آنها نیز نقش مهمی در انتشار و کاربرد هوش مصنوعی در زنجیره های ارزش

صنعتی دارند. ماشین آلات و تجهیزات ، فناوری های هوش مصنوعی را به عنوان هوش مصنوعی جاسازی

شده برای انواع مشتریان و صنایع به ارمغان می آورند. مهندسان مکانیک براساس تجربیات خود در یکپارچه

سازی فن آوری کارآمد و در طراحی مسئول همکاری انسان و ماشین  مانند رباتیک ، اتوماسیون و فن آوری

سنسور دارد. برای انجمن صنایع مهندسی مکانیک حمایت از شرکتهای عضو خود در استفاده از فناوریهای AI

ضروری است. اما برای ما نیز مهم است که به یک بحث مبتنی بر واقعیت و منطقی در سیاست و جامعه با هدف

ایجاد پذیرش گسترده و شکل دادن به چارچوب اجتماعی کمک کنیم.

فرست ایجاد شده

برای مهندسی مکانیک ، هوش مصنوعی بیش از هر چیز فرصتی برای حفظ رهبری جهانی است. هوش مصنوعی

به افزایش کارایی و توسعه مدل های جدید تجاری کمک می کند. فرآیندهای تولید می توانند بهینه شده و ماشین ها و

خدمات توسط عملکردهای هوشمند از طریق راه حل های تعبیه شده AI توسعه یابند. هوش مصنوعی یک عامل

تعیین کننده در رقابت آینده محصولات و فرآیندهای مهندسی مکانیک خواهد بود. در این زمینه ، هوش مصنوعی

خوب ، هم در فن آوری های موجود و هم در حوزه برنامه های کاربردی ، مهارت خود را ایجاد می کند. با توجه

به این ، مهندسی مکانیک نقشی اساسی در توسعه و استفاده از هوش مصنوعی بین صنعت و مقطعی دارد. این نه

تنها برای شرکتهای مهندسی مکانیک و مشتریان آنها مفید است ، بلکه دارای پتانسیل قابل توجهی برای استفاده موثرتر

از مواد و انرژی ، تصمیم گیری بهتر و تسلط بر چالشهایی مانند کمبود منابع و تغییرات آب و هوایی است. اگر از طرفی،

صنعت نتواند از فرصتهای ارائه شده توسط AI بهره ببرد ، نقش اصلی شرکتهای مهندسی اروپایی به طور حتم برای رقبا

از سایر مناطق جهان فناوری از بین خواهد رفت. بنابراین ادغام هوش مصنوعی در مهندسی مکانیک برای شرکت ها ،

پژوهشگران و سیاست گذاران کاملاً ضروری است.

 مسئولیت مهندسی مکانیک برای هوش مصنوعی

مهندسی مکانیک همچنین با مسئولیت مرتبط با معرفی فن آوری های جدید روبرو است – چه به عنوان ضامن

ایمنی ماشین و چه به عنوان یک شریک گفتگو برای جنبه های اجتماعی. از نظر انجمن صنایع مهندسی مکانیک

، هوش مصنوعی یک حوزه سیاست جدید و مستقل نیست ، بلکه یک فناوری کلیدی با اهمیت افقی است. این امر

نه تنها باید در زمینه سایر موضوعات دیجیتالی مانند مدیریت داده ، سیستم عامل های دیجیتال ، امنیت سایبری

یا زیرساخت های فناوری اطلاعات دیده شود ، بلکه همچنین باید در زمینه فعالیت های “کلاسیک” صنعتی مانند

ایمنی محصول و ماشین ، طراحی محیط کار و استاندارد سازی نیز دیده شود. به عنوان مثال ،ماشین هایی که از

هوش مصنوعی استفاده می کنند باید از قبل تحت پوشش الزامات قانونی ایمنی محصول و مقررات هماهنگی

اتحادیه اروپا قرار گرفته اند باشندبه منظور در نظر گرفتن این جنبه های متنوع ، استفاده از فرصت ها و تجزیه

و تحلیل مخاطرات به طور عینی ، گفتگوی اجتماعی مبتنی بر واقعیت با مشارکت کاربران در مهندسی مکانیک

و صنعت ضروری است.

هوش مصنوعی از ایده آل بودن تا کاربرد

اگر اصطلاح “هوش مصنوعی” مترادف برای یک سیستم بی نهایت خودمختار و شبیه انسان به کار رود ، به عنوان

لیک اصطلاح برای یک سیاست دیجیتالی عملی و ملموس نامناسب است. تمایز بین هوش مصنوعی عمومی و

هوش مصنوعی خاص از این رو برای یک بحث واقعی مهم است که ایده هوش مصنوعی عمومی به معنای تلاش

برای تقلید از هوش مانند انسان است که  توانایی هایی مانند برنامه ریزی ، تصمیم گیری در عدم قطعیت یا پیگیری

اهداف پیچیده را دارد. اما بر سر اینکه این اتفاق می افتد و یا اینکه اصلاً امکان پذیر است ک مشاجره است. از

طرف دیگر ، هوش مصنوعی خاص امروزه برای کاربردهای بتن در حال توسعه است – به عنوان مثال برای تشخیص

گفتار و الگو یا تجزیه و تحلیل خطا، این “هوش مصنوعی” با استفاده از قبل تعیین شده ، مشخصات برنامه نویس و

  نیاز قانونی محدود است. علاوه بر این ، فرایندهای فیزیکی ، الزامات عملیاتی و استانداردهای فنی محدودیت های روشنی

برای استفاده از هوش مصنوعی در فرآیندهای صنعتی تعیین می کنند. علاوه بر این ، تولیدکنندگان ماشین علاقه زیادی به

کنترل تمام عملکردهای دستگاه ، به ویژه عملکردهای تولید شده یا اصلاح شده توسط AI دارند. بنابراین اصطلاح

هوش مصنوعی تنها می تواند به عنوان مبنایی برای بحث و گفتگو سیاسی واقع گرایانه به شکل فعلی آن به عنوان

هوش مصنوعی خاص عمل کند یعنی اینکه استقلال محدود در برنامه های خاص دارند، اما  شعور شبیه به انسان ندارند.

یادگیری ماشین در مهندسی مکانیک

“یادگیری ماشینی” به عنوان شکلی از هوش مصنوعی خاص در حال حاضر بسیار کاربردی است و امکان ارزیابی عینی

را فراهم می کند. این الگوریتم ها آماری است و برنامه های نرم افزاری را قادر می سازد تا براساس تشخیص الگو به طور

مستقل یاد بگیرند. در برنامه های فعلی در صنعت و مهندسی مکانیک ، یادگیری ماشین قبلاً برای پاسخ به سوالات خاص

فناوری یا اقتصادی استفاده شده است. از یادگیری ماشین به عنوان مثال برای بازرسی سطح یا بافت در تضمین کیفیت با

به کارگیری از روش های پردازش تصویر استفاده می شود و پتانسیل بالایی برای کارآمدتر کردن پردازش تصویر دارد.

مثال دیگر بهینه سازی فرآیند ماشین های پیچیده است: در اینجا ، یادگیری ماشین مبتنی بر داده های حسگر می تواند

اطلاعات ارزشمندی را برای کوتاه کردن زمان راه اندازی و کشف منابع ناشناخته خطا ارائه دهد. استفاده موفقیت آمیز از

الگوریتم ها در نگهداری پیش بینی ، یعنی ارزیابی داده ها با هدف کارآمدتر کردن فرآیند بهره برداری و تعمیر ، تقریباً

استاندارد است. اطلاعات کلیدی همچنین می تواند به بهینه سازی ساختارها و فرآیندهای تولید داخلی کمک کند ، به عنوان

مثال با ارزیابی داده های ERP.  می تواند به بهبود توسعه و مدیریت محصول کمک کند ، به عنوان مثال وقتی محصولات

در مرحله استفاده داده ها را ارائه می دهند و اطلاعات را برای نوآوری ها و پیشرفت ها فراهم می کنند. در فروش و برنامه

ریزی ، ابزارهای هوش مصنوعی برای پیکربندی هوشمند ماشین ها می توانند از پتانسیل ارزش قابل توجهی در کسب و

کار استفاده کنند.