هوش مصنوعی در انتخابات

هوش مصنوعی در انتخابات

همراه با Big Data ، فناوری های بعدی که تأثیر بسزایی در انتخابات و زندگی سیاسی خواهند داشت ، هوش مصنوعی و یادگیری ماشین هستند. انتخابات زمانی است که مردم یک کشور از قدرت عظیمی برخوردار شده و آینده جمعی خود را انتخاب می کنند. هر شهروند برای انتخاب گروه بعدی نمایندگان مشارکت می کند. همانطور که آگاه هستیم ، امروزه فناوری نقش بسزایی در توانایی استفاده از تأثیر دقیق دارد. احزاب سیاسی می توانند بر شهروندی تأثیر بگذارند تا رأی دهند و نامزدهای مربوطه خود را انتخاب کنند. به عنوان مثال ، تیم مبارزات انتخاباتی رئیس جمهور سابق ایالات متحده باراک اوباما Big Data Analytics را اجرا کرده و رأی دهندگان خود را تحریک کرد. و این به حداکثر رساندن تبلیغات ایمیل وی منجر شد که مبلغ 1 میلیارد دلار کمک های مالی کمپین را جمع آوری کرد.

هوش مصنوعی چگونه در انتخابات تاثیر می گذارد ؟

در کمتر از یک دهه ، دنیای رسانه های اجتماعی از توانمندسازی به تهدیدی برای دموکراسی تبدیل شده است. همانطور که همه ما می دانیم ، اینترنت می تواند تعداد زیادی از افراد را به اقدامات سیاسی بکشاند ، همچنین می تواند اطلاعات نادرست درباره نامزدها را جمع آوری کند ، آرا را سرکوب کند و بر لیست رای دهندگان و ماشین آلات انتخابات ایالت تأثیر بگذارد. تا زمانی که محتاط نباشیم ، دنیای جدید AI می تواند خطرناک تر از هر سلاحی در سال های آینده باشد. فن آوری های جدید عصر اطلاعات به عنوان ابزاری ارزشمند برای اقدامات دموکراتیک مخفی شده است زیرا در کشورهای اقتدارگرا ، رسانه های منظم تحت کنترل دولت هستند و باعث انتشار اطلاعات منفی در مورد دولت و نشریه می شوند.

آیا به دلیل هوش مصنوعیرأی گیری مغرضانه انجام می شود؟

هوش مصنوعی می تواند برای تجدید نظر رای دهندگان منفرد استفاده شود. در طول انتخابات ریاست جمهوری 2016 ایالات متحده ، شرکت علوم داده کمبریج آنالیتیکا یک کمپین تبلیغاتی و دیجیتال مارکتینگ گسترده برای هدف گیری رای دهندگان متقاعد کننده بر اساس روانشناسی فردی خود انجام داد. این اساساً عملیاتی است که به داده های بزرگ و یادگیری ماشینی برای بررسی احساسات افراد متکی است. رأی دهندگان مختلف پیام های متفاوتی را براساس پیش بینی در مورد ادراک آنها نسبت به استدلال های مختلف دریافت کردند. پارانوئیدها تبلیغاتی با پیام های مبتنی بر ترس و افرادی با گرایش محافظه کارانه تبلیغاتی با استدلال بر اساس سنت ها و جامعه دریافت می کنند. با در دسترس بودن داده های زمان واقعی رای دهندگان ، از رفتار آنها در رسانه های اجتماعی گرفته تا الگوهای مصرف و روابط آنها ، این امکان فراهم شد. از رد پای اینترنت آنها برای ایجاد مشخصات منحصر به فرد رفتاری و روانشناختی استفاده می شد. مسئله اینجا فناوری نیست بلکه پیامهای سیاسی ارسال شده است. نامزدی با وعده های انتخاباتی انعطاف پذیر مانند ترامپ به ویژه برای این روش مغرضانه مناسب است. می توان به هر رأی دهنده پیامی سفارشی ارسال کرد یا می توان آگهی سفارشی را نشان داد که بر جنبه دیگری از استدلال خاص تأکید دارد. نکته اصلی این است که این کار به سادگی یافتن عوامل محرک احساسی مناسب برای تحریک هر فرد به عمل است.

آینده انتخابات با هوش مصنوعی چگونه خواهد بود ؟

می توان استدلالهای زیادی را مطرح کرد ، اما به سختی می توان گفت راهی سختگیرانه برای تحلیل تأثیر بی سابقه رویدادهای فعلی بر عادت های رای گیری وجود دارد. با این حال ، ما می توانیم داده های انتخابات گذشته را تجزیه و تحلیل کنیم تا تأثیر ویژگی های مختلف را در انتخابات ریاست جمهوری اندازه گیری و درک کنیم و بینش ها را دریابیم. در یک نظرسنجی در مورد نگرش اروپاییان به فن آوری انجام شد مشخص شد که اگر تصمیمات سیاسی توسط AI به جای سیاستمداران یک بار انتخاب شود ، یک چهارم مردم ممکن است آن را ترجیح دهند. این روند فکر احتمالاً افزایش بی اعتمادی شهروندان به دولت ها و مدل ناامید کننده دموکراسی را نشان می دهد.

به راحتی می توان فناوری را مقصر اشتباهات جهان و یا باخت در انتخابات دانست، اما این دسته از فناوری اساسا به خودی خود ضرری ندارد. روشی که ما از این فناوری برای دستکاری تصمیمات استفاده می کنیم روش صحیحی نیست. برای گمراه کردن ، این فمتوری برای اطلاع رسانی و ایجاد سردرگمی استفاده شده است ام همه اینها فناوری ها ممکن است به همان اندازه دموکراسی را پشتیبانی کنند. درعوض ، باید از آن برای اجرای مبارزات بهتر به روشی مشروع تر استفاده شود. یک رویکرد اخلاقی به هوش مصنوعی می تواند برای آگاهی و خدمت برای رای دهندگان باشد. استارت آپ های هوش مصنوعی مانند Factmata و Avantgarde Analytics چنین راه حل های فناوری را ارائه داده اند. به عنوان مثال ، ربات های سیاسی را برنامه ریزی کنید تا وقتی مخاطبان مقاله هایی را که حاوی اطلاعات غلط شناخته شده است ، به اشتراک می گذارند ، وارد عمل شوند. می توان برای چنین کاربرانی اخطار داد. این می تواند بسیاری از دروغ های نا شناخته تشخیص دهد و از بین ببرد.

هوش مصنوعی و داده کاوی

هوش مصنوعی و داده کاوی

​

در هوش مصنوعی و یادگیری ماشینی ، داده کاوی یا کشف دانش در پایگاه های اطلاعاتی ،

استخراج غیرمعمول اطلاعات ضمنی ، از قبل ناشناخته و بالقوه مفید از داده ها .است. در این

رویکرد از روش های آماری استفاده می شود که باعث می شود روندها و سایر روابط در

پایگاه های داده بزرگ شناسایی شوند. دلیل عمده اینکه داده کاوی جلب توجه کرده است،

دسترسی گسترده به داده های عظیم و نیاز به تبدیل این داده ها به اطلاعات و دانش مفید

می باشد. از این اطلاعات به دست آمده می تواند برای برنامه های مختلف مانند نظارت بر

ریسک ، مدیریت تجارت ، کنترل تولید ، تجزیه و تحلیل بازار ، مهندسی و اکتشاف علوم

استفاده شود.

انواع تکنیک ها و روش های داده کاوی در هوش مصنوعی

به طور کلی سه روش داده کاوی وجود دارد. یکی از این روش ها تجزیه وتحلیل هم بستگی است.

کشف قوانین تداعی گرایی است که شرایط مقدار ویژگی را نشان می دهد که اغلب با هم در یک

مجموعه داده خاص رخ می دهد. تجزیه و تحلیل همبستگی به طور گسترده ای برای شناسایی همبستگی

محصولات جداگانه در سبد خرید استفاده می شود. تجزیه و تحلیل رگرسیوندومین گزینه در این زمینه

است. تحلیل رگرسیون مدل هایی را ایجاد می کند که متغیرهای وابسته را از طریق تجزیه و تحلیل

متغیرهای مستقل توضیح می دهند. به عنوان مثال ، پیش بینی عملکرد فروش محصول می تواند با

همبستگی قیمت محصول و سطح متوسط درآمد مشتری ایجاد شود. نوع آخر طبقه بندی و پیش بینی

است. طبقه بندی فرآیند طراحی مجموعه ای از مدل ها برای پیش بینی کلاس اشیایی است که برچسب

کلاس آنها ناشناخته است. مدل مشتق شده ممکن است در اشکال مختلف ، مانند قوانین اگر- پس (if-then)

، درخت تصمیم ، یا فرمول های ریاضی نشان داده شود. درخت تصمیم یک نمودار است که ساختاری شبیه به

درخت دارد که در آن هر گره یک آزمون را روی مقدار ویژگی نشان می دهد ، هر شاخه نشان دهنده نتیجه

آزمایش است و هر برگ درخت یک کلاس یا کلاس توزیع را نشان می دهد. درختان تصمیم را می توان به

قوانین طبقه بندی تبدیل کرد. برای پیش بینی برچسب کلاس داده می توان از طبقه بندی استفاده کرد.

پیش بینی شامل شناسایی روند توزیع بر اساس داده های موجود می باشد.

فرایند داده کاوی

هوش مصنوعی و داده کاوی دو معقوله ای هستند که از هم نمی توان جدا کرد. فرایند داده کاوی شامل یک

توالی تکراری از این مراحل است:

انسجام و تمیز کردن داده ها برای حذف ناهنجاری ها و داده های متناقض

ادغام داده ها به گونه ای که ممکن است چندین منبع داده با هم ترکیب شوند

انتخاب داده که در آن داده های مربوط به تجزیه و تحلیل بازیابی می شود

تبدیل داده ها در جایی که داده ها به فرم های مناسب استخراج تلفیق می شوند

برای استخراج الگوها جدید، از الگوها و تکنیک های آماری استفاده می شود

ارزیابی الگو برای شناسایی الگوهای جالب نشان دهنده اطلاعات

از تکنیک های تجسم برای ارائه اطلاعات استخراج شده به کاربران استفاده می شود

محدودیت های داده کاوی

وارد شدن و خارج شدن اطلاعات با کیفیت پایین به داده کاوی نسبت داده می شود زیرا

زیرا کیفیت اطلاعات به دست آمده از داده کاوی به کیفیت داده های تاریخی بستگی دارد.

ما می دانیم که مغایرت داده ها و برخورد با چندین منبع داده مشکلات بزرگی را در مدیریت

داده ایجاد می کند. تکنیک های تمیز کردن داده ها برای مقابله با شناسایی و از بین بردن

خطاها و ناسازگاری ها برای بهبود کیفیت داده ها استفاده می شود. با این حال ، تشخیص

این ناسازگاری ها بسیار دشوار است. چگونه می توانیم تبادلی را شناسایی کنیم که به

اشتباه به عنوان مشکوک برچسب گذاری شده است؟ یادگیری از داده های نادرست منجر

به مدل های نادرست می شود محدودیت دیگر داده کاوی این است که فقط اطلاعات محدود به

مجموعه خاص داده های تاریخی را استخراج می کند و پاسخ ها را فقط می توان با توجه به

روندهای قبلی آموخته شده از داده ها بدست آورد و تفسیر کرد. این توانایی فرد را برای بهره مندی

از روندهای جدید محدود می کند. از آنجا که درخت تصمیم به طور خاص در مجموعه داده های

تاریخی آموزش دیده است ، شخصی سازی درخت را در بر نمی گیرد. علاوه بر این ، داده کاوی

غیر افزایشی است و در هنگام تولید سازگار نیست.

مزایای داده کاوی

داده کاوی به شرکت های بازاریابی کمک می کند مدل هایی را بر اساس داده های تاریخی بسازند

تا پیش بینی کنند چه کسی به فعالیت های بازاریابی جدید مانند نامه های مستقیم ، کمپین بازاریابی

آنلاین و غیره پاسخ خواهد داد. از طریق نتایج ، بازاریابان رویکرد مناسبی در فروش محصولات

 سودآور به مشتریان هدف خواهند داشت. داده کاوی همانند بازاریابی ، مزایای زیادی را برای

شرکت های خرده فروشی به همراه دارد. از طریق تجزیه و تحلیل سبد بازار ، یک فروشگاه می تواند

یک ترتیب تولید مناسب داشته باشد به گونه ای که مشتریان بتوانند خرید مکرر محصولات دلپذیر را

دارا باشند. علاوه بر این ، همچنین به شرکت های خرده فروشی کمک می کند تا تخفیف های خاصی

را برای محصولات خاص ارائه دهند که مشتریان بیشتری را به خود جلب کند. داده کاوی به موسسات

مالی اطلاعاتی در مورد وام و گزارشگری اعتبار می دهد. با ساخت یک مدل از داده های مشتری تاریخی ،

بانک و موسسه مالی می توانند وام های خوب و بد را تعیین کنند. علاوه بر این ، داده کاوی به بانک ها کمک

می کند تا معاملات جعلی کارت اعتباری را برای محافظت از صاحب کارت اعتباری شناسایی کنند. با استفاده

از داده کاوی در داده های مهندسی عملیاتی ، تولید کنندگان می توانند تجهیزات معیوب را شناسایی کرده و

پارامترهای کنترل بهینه را تعیین کنند. به عنوان مثال ، تولیدکنندگان نیمه هادی این چالش را دارند که حتی شرایط

محیط های تولید در کارخانه های مختلف تولید ویفر مشابه است ، کیفیت ویفر بسیار یکسان است و برخی به دلایل

نامعلوم حتی دارای نقص هستند. داده کاوی برای تعیین دامنه پارامترهای کنترلی که منجر به تولید ویفر طلایی

می شود مورد استفاده قرار گرفته است. سپس از آن پارامترهای کنترل بهینه برای تولید ویفر با کیفیت مطلوب

استفاده می شود.

طراحی سایت

هوش مصنوعی,برترین اپراتور,طراحی سایت,هوش مصنوعی چیست

​

شبکه عصبی مصنوعی چیست ؟

شبکه عصبی مصنوعی چیست ؟

شبکه عصبی مصنوعی یا Artificial Neural Network یک سیستم هوش مصنوعی است که در واقع

طراحی شده تا عملکرد مغز بیولوژیکی را برای تصمیم گیری باز سازی کند. برای درک بهتر این موضوع

بهتر است اول بدانیم که شبکه عصبی چیست ؟ شبکه عصبی مجموعه ای از الگوریتم ها است که تلاش

می کند از طریق فرآیندی که می تواند روابط عملکرد مغز انسان را انجام دهد، روابط اساسی را در

مجموعه ای از داده ها بشناسد. به این معنا ، شبکه های عصبی به سیستم های عصبی اعم از ارگانیک یا

ساختگی اطلاق می شوند. شبکه های عصبی می توانند با تغییر ورودی سازگار شوند. بنابراین شبکه بدون

نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه ممکن را ایجاد می کند.

فهمیدن یک شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی مانند مغز انسان ساخته شده اند و گره های عصبی مانند یک تار به هم پیوسته اند.

مغز انسان صدها میلیارد سلول به نام سلولهای عصبی دارد. هر نورون از سلولی تشکیل شده است که وظیفه

پردازش اطلاعات و حمل آن اطلاعات را به مغز (ورودی) و دادن جواب (خروجی) را انجام می دهد. “نورون”

در این شبکه های مصنوعی یک عملکرد ریاضی است که اطلاعات را طبق معماری خاص جمع آوری و

طبقه بندی می کند. شبکه شباهت کاملی با روشهای آماری مانند برازش منحنی و تحلیل رگرسیون دارد.

ANN صدها یا هزاران نورون مصنوعی به نام واحد پردازش دارد که توسط گره ها به هم پیوسته اند. این واحد

پردازش از واحدهای ورودی و خروجی تشکیل شده است. واحدهای ورودی بر اساس سیستم وزنی داخلی اشکال

و ساختارهای مختلف اطلاعات را دریافت می کنند و شبکه عصبی سعی در کسب اطلاعات در مورد داده های

ارائه شده برای تهیه یک گزارش خروجی دارد. درست مانند انسان برای رسیدن به نتیجه یا خروجی به قوانین

و دستورالعمل ها نیز نیاز است ، ANN ها همچنین برای تکمیل نتایج خروجی خود از مجموعه ای از قوانین

یادگیری به نام backpropagation ، مخفف انتشار خطاها به سمت عقب استفاده می کنند تا نتایج خروجی

را بهبود ببخشند.

مراحل اولیه پردازش 

ANN در ابتدا یک مرحله آموزشی را طی می کند که می آموزد الگوهای موجود در داده ها را بطور

بصری یا متنی تشخیص دهد. در طی این مرحله نظارت شده ، شبکه، خروجی واقعی تولید شده خود را

با آنچه برای تولید مد نظر بوده است مقایسه می کند  تفاوت بین هر دو نتیجه با استفاده از پردازش پشتی

تنظیم می شود. این بدان معناست که شبکه ، در جهت معکوس کار می کند ، از واحد خروجی به واحدهای

ورودی می رود تا وزن اتصالات خود را بین واحدها تنظیم کند تا اینکه اختلاف بین نتیجه واقعی و مورد

نظر کمترین خطای ممکن را ایجاد کند.در طول دوره آموزش و نظارت ، به ANN آموزش داده می شود

که با استفاده از انواع سؤال بله / خیر با شماره های باینری، به دنبال چه چیزی باشد و متوجه بشود که نتیجه

آن چیست؟ به عنوان مثال ، بانکی که می خواهد به موقع کلاهبرداری کارت اعتباری را تشخیص دهد ،

ممکن است چهار واحد ورودی دارای این سؤالات باشد: (1) آیا معامله در کشور دیگری از کشور مقیم

کاربر است؟ (2) آیا این وب سایت که از کارت ویزیت وابسته به شرکت ها یا کشورهایی در لیست تماشای

بانک استفاده می شود ، استفاده می شود؟ (3) آیا مبلغ معامله از 2000 دلار بیشتراست؟ (4) آیا نام موجود

در صورتحساب معامله همانند نام دارنده کارت است؟ بانک می خواهد پاسخ های “تقلب تشخیص داده شده”

بله بله بله خیر باشد ، که در قالب باینری 1 1 1 0 خواهد بود. اگر خروجی واقعی شبکه 1 0 1 0 باشد ،

نتایج خود را تنظیم می کند تا زمانی که خروجی  با 1 1 1 0 یکسان باشد. پس از آموزش ، سیستم رایانه ای

می تواند به بانک  معامله های جعلی و در جهت صرفه جویی در پول بانک ، هشدار دهد.

برنامه های کاربردی عملی برای شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی زمینه را برای توسعه برنامه های کاربردی در حال تغییر جهت استفاده در کلیه

بخش های اقتصاد فراهم می کند. سکوهای هوش مصنوعی که بر روی ANN ساخته شده اند ، روشهای سنتی

انجام کارها را عوض می کنند. از ترجمه صفحات وب به زبان های دیگر گرفته تا داشتن یک دستیار مجازی

برای سفارش آنلاین ، مکالمه با چت بات ها برای حل مشکلات ، سیستم عامل های هوش مصنوعی در حال

ساده سازی معاملات هستند و خدمات را با هزینه های ناچیز در دسترس همه قرار می دهند.

اجزاء شبکه های عصبی مصنوعی

شبکه های عصبی از چندین جز تشکیل شده اند که هر کدام کارایی خاصی را در این سیستم ها دارند.

وزنه ها مقادیر عددی است که با ورودی ها ضرب می شود. در backpropagation ، آنها اصلاح

می شوند تا ضرر را کاهش دهند. به عبارت ساده ، وزنه ها مقادیر آموخته شده از ماشین توسط شبکه

های عصبی هستند. آنها بسته به تفاوت بین خروجی های پیش بینی شده در مقابل ورودی های آموزش ،

خودتنظیم می شوند. عملکرد فعال سازی یک فرمول ریاضی است که به نورون کمک می کند تا روشن

یا خاموش شود. لایه ورودی ابعاد بردار ورودی را نشان می دهد. لایه پنهان گره های واسطه ای را نشان

می دهد که فضای ورودی را به مناطقی با مرز نرم تقسیم می کنند. این مجموعه ورودی، وزنی را به خود

اختصاص می دهد و از طریق یک تابع فعال سازی ، خروجی تولید می کند. لایه خروجی نشان دهنده

خروجی شبکه عصبی است.

انواع شبکه عصبی مصنوعی

انواع زیادی از شبکه های عصبی  وجود دارد که ممکن است در مرحله توسعه قرار گرفته باشند. آنها می توانند

بسته به نوع : ساختار ، جریان داده ، نورونهای مورد استفاده و تراکم آنها ، لایه ها و فیلترهای فعال سازی عمق

شبکه‌های پیش خور (Feed Forward Neural Network) آن دسته از شبکه ها هستند که الگوریتم آنها

همواره در مسیر رو به جلو حرکت می کند .به این معنی که خروجی هر لایه تنها بر لایه بعد اثر میگذارد و

در لایه‌ی خودش تغییری ایجاد نمی‌کند. شبکه‌های پس‌خور (Feed Back Neural Network) که بر خلاف

مورد قبلی مسیربرگشتی دارند و خروجی نرون در لحظه حال نه تنها به ورودی در آن لحظه بلکه به مقدار

خروجی خود نرون در لحظه ی گذشته نیز وابسته است. یکی دیگر از این شبکه ها شبکه های عصبی کانولوشن

هستند. از این سبکه عصبی در جهت پردازش تصویر، دید رایانه، تشخیص گفتار ترجمه ماشینی استفاده می شود

با استفاده از ایم سیستم ها می توانیم هوش مصنوعی تولید کنیم که می تواند کاربرد خود را بهتر کند تا نتایج

خواسته شده را به ما بدهد.