اینترنت اشیا و هوش مصنوعی انقلاب نسل آینده

اینترنت اشیا و هوش مصنوعی انقلاب نسل آینده

اینترنت اشیا ، همراه با هوش مصنوعی ، تحولی در آینده بشریت خواهد بود. در این مطلب ما بیان می کنیم. دوره انقلابی بعدی جهان در حال حاضر است. دوره ای که به اندازه رنسانس و انقلاب صنعتی قابل توجه خواهد بود. هوش مصنوعی و IoT دو چشم انداز از این دست هستند که مردم معتقدند جهان را به چیزی مدرن می کند که در چند دهه آینده ذهن ما را به باد خواهد داد. این دو رکن در آینده دامنه عظیمی خواهند داشت. با اینکه این دو فناوری نوظهور نیستند اما در حال تغییر آینده جهان هستند.

اینترنت اشیا چیست ؟

IoT شبکه اشیا فیزیکی را توصیف می کند – “اشیا” – که به منظور اتصال و تبادل داده با سایر دستگاه ها و سیستم ها از طریق اینترنت ، با حسگرها ، نرم افزار و سایر فناوری ها تعبیه شده است. تعریف Iot به دلیل همگرایی فناوری های متعدد ، تجزیه و تحلیل های بی درنگ ، یادگیری ماشین ، حسگرهای کالا و سیستم های جاسازی شده تکامل یافته است. زمینه ه سنتی سیستم های جاسازی شده ، شبکه های حسگر بی سیم ، سیستم های کنترل ، اتوماسیون (از جمله اتوماسیون خانگی و ساختمان) و سایر موارد همگی به امکان دسترسی در اینترنت کمک می کنند. در بازار مصرف ، فناوری IoT مترادف با محصولات مربوط به مفهوم “خانه هوشمند” است ، از جمله دستگاه ها و لوازم خانگی (مانند وسایل روشنایی ، ترموستات ، سیستم های امنیتی خانه و دوربین ها و سایر لوازم خانگی) که از یک یا اکوسیستم های رایج تر ، و از طریق دستگاه های مرتبط با آن اکوسیستم مانند تلفن های هوشمند و بلندگوهای هوشمند قابل کنترل است. هوش مصنوعی به انداره کهکشان راه شیری گسترده است. هوش مصنوعی (AI) یک زمینه گسترده با بسیاری از زیر مجموعه ها مانند پردازش زبان طبیعی (NLP) ، شبکه های عصبی مصنوعی ، بینایی کامپیوتر ، یادگیری ماشین ، یادگیری عمیق ، رباتیک و غیره است.

َAIOT چیست؟

ترکیبی از هوش مصنوعی همراه با اینترنت اشیا، شاخه جدیدی از مطالعه ، جالب و منحصر به فرد را تشکیل می دهد که اینترنت مصنوعی اشیا یا به اختصار AIOT نامیده می شود. IoT فعال شده با هوش مصنوعی قادر به ایجاد ماشین های هوشمندی است که می تواند رفتار هوشمند را شبیه سازی کند و در عین حال توانایی تصمیم گیری را با  دخالت کم یا بدون دخالت انسان پشتیبانی کند. با ادغام هوش مصنوعی در دستگاه های IoT  مانند raspberry pi و Nvidia Jetson Nano , و بسیاری از دستگاه های مشابه قادر به ایجاد برخی از شاهکارها هستند که بسیار سودآور و برای کل جامعه مفید خواهد بود. برخی از مثالهای دستیارهای مجازی مانند الکسا ، سیری یا Google AI ، سطح بالای عقل و امکانات این فناوری را در آینده نشان می دهند.

همانطور که در این مقاله به آن پرداخته شده است ، هوش مصنوعی همراه با اینترنت اشیا بسیار قدرتمند است و ما می توانیم با ایده های نوآورانه پروژه های منحصر به فردی را توسعه و ایجاد کنیم. دامنه IoT و AI فوق العاده است و این فناوری ها قدرت تغییر چشم انداز آینده را دارند. تأثیر AIoT در سالهای آینده فرا تر از ذهن خواهد بود و اختراعات جدیدی که در آینده  می شود بسیار هیجان انگیز خواهند بود.

هوش مصنوعی در جنگلبانی افراد را نجات می دهد

هوش مصنوعی در جنگلبانی افراد را نجات می دهد

سه محقق از دانشگاه یوهانس کپلر سیستمی طراحی کرده اند که از هوش مصنوعی برای بهینه سازی جستجو در جنگلبانی دوربین تصویربرداری حرارتی از افراد گمشده در جنگل استفاده کرده اند. در مقاله خود که در ژورنال Nature Machine Intelligence منتشر شده است ، دیوید شدل ، ایندراجیت کورمی و الیور بیمبر ، توصیف می کنند که چگونه آنها یک شبکه یادگیری عمیق را برای مشکل افراد گمشده در جنگل اعمال می کنند و همچنین می گویند که چگونه کار می کند. این پیشرفت می تواند جان افرادی را که به طبیعت گردی علاقه دارند را نجات دهد و به جنگلبانان کمک فراوانی را برساند.

هوش مصنوعی در جنگلبانی چگونه اعمال می شود

هنگامی که مردم در جنگل ها گم می شوند ، متخصصان جستجو و نجات با استفاده از هلی کوپترها منطقه ای را که احتمالاً افراد گم شده در آن ها حضور دارند را می گردند. محققان علاوه بر اسکن ساده زمین زیر ، از دوربین های شکاری و دوربین های تصویربرداری حرارتی استفاده می کنند. امید است که چنین دوربینهایی تفاوت دمای بدن افراد روی زمین را در مقایسه با محیط اطراف آنها آسانتر کند تا بتوان آنها را بهتر تشخیص داد. متأسفانه ، در بعضی موارد تصویربرداری حرارتی به دلیل درنظرگرفتن پوشش گیاهی زیر خاک یا آفتاب که باعث گرم شدن درختان در دمای مشابه با دمای بدن فرد از دست رفته می شود، آنطور که در نظر گرفته شده عمل نمی کند. در این تلاش جدید ، محققان سعی کردند تا با استفاده از یک برنامه یادگیری عمیق برای بهبود تصاویر ساخته شده ، بر این مشکلات غلبه کنند. راه حلی که تیم ارائه کرد این بود که با استفاده از یک برنامه هوش مصنوعی برای پردازش تصاویر متعدد از یک منطقه داده شده آنالیز شود. آنها تصاویر را با استفاده از هوش مصنوعی برای پردازش داده ها از چندین رادیو تلسکوپ مقایسه می کنند. انجام این کار باعث می شود تا چندین تلسکوپ به صورت یک تلسکوپ بزرگ عمل کنند. به همین ترتیب ، برنامه هوش مصنوعی که آنها استفاده کردند ، به چندین تصویر حرارتی گرفته شده از هلی کوپتر (یا هواپیمای بدون سرنشین) اجازه می داد تا تصویری ایجاد کند که گویی توسط دوربین با لنز بسیار بزرگتر گرفته شده است. پس از پردازش ، تصاویر تولید شده که از عمق میدان بسیار بالاتری برخوردار بودند  بالای درختان تار به نظر می رسید در حالی که افراد روی زمین بسیار بیشتر قابل تشخیص هستند. برای آموزش سیستم هوش مصنوعی ، محققان مجبور شدند پایگاه داده تصاویر خود را ایجاد کنند. آنها از هواپیماهای بدون سرنشین برای گرفتن عکس از داوطلبان روی زمین و در موقعیت های بسیار گسترده استفاده کردند. آزمایش سیستم نشان داد که تقریباً 87 تا 95 دقیق است در حالی که برای تصاویر حرارتی سنتی فقط 25 درصد دقت داشت. محققان پیشنهاد می کنند سیستم آنها برای استفاده توسط گروه های جستجو و نجات آماده است و همچنین می تواند توسط تیم های اجرای قانون ، ارتش یا تیم های حیات وحش نیز مورد استفاده قرار گیرد.

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.

انواع هوش مصنوعی

انواع هوش مصنوعی

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

طراحی سایت

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.