کاربرد هوش مصنوعی در ایران

کاربرد هوش مصنوعی در ایران

کاربرد های هوش مصنوعی در کشور های مختلف من جمله ایران نحوه اداره دولت را

دگرگون کرده است. کشور های مختلف از هوش مصنوعی برای بسیاری از زمینه های 

اجرایی و قانون گذاری استفاده می کنند. یکپارچه کردن ارگان های دولتی و دسترسی

سریع به اطلاعات می تواند خدمات رسانی دولت به مردم را بهینه کند و زمان دستیابی

به اهداف را به حداقل برساند. اما آیا در ایران از این فناوری استفاده می شود ؟ چه

مشکلاتی برای اجرایی شدن این سازوکار ها در ایران وجود دارد؟ دولت چگونه می تواند

این مشکلات را پشت سر بگذارد؟

هوش مصنوعی کاربرد های زیادی در ایران دارد

ایران چندین ســال است کــه در زمینه هوش مصنوعی و رباتیک در دنیا حرفی برای گفتن دارد

نیروی محقق و دانشمند کشورمـان ایـران در حـال توسعه برنامه هایی مبتنی بر هوش مصنوعی

هستند. برای مثال می توان به دوربین های راهنمایــی و رانندگــی اشاره کرد که با  استفاده از

تحلیل تصویر متخلفان را شناسایی می کند. مثال دیگری که می توان زد ایــن است که در تاریخ

97/7/27 خبر گزاری تهران تایمز گزارشی از استفاده دولـــت از هوش مصنوعی در قانـــون

گذاری به نقل از یونس ادیانی منتشر کرد که در آن آقای ادیانی  به این نکته اشاره کرد که ایران

دومین کشوری است که ار این فناوری در قانون گــذاری استفاده . می کند. وی اشاره کرد که در

آن زمان شش ماه بود که بر روی این پروژه کار می شد و در این پروژه مسائل مربوط به هوش

انسانی و قوانین ، هوش مصنوعی و قوانیـــن و هوش مصنوعی و قانون گذاری در جهــان دنبال

می شد تـــا مشخص شود سایـر کشورها با استفاده از هوش مصنوعی چه دست آوردی داشته اند.

یکی از مشکلاتــی که در ســـر راه هوش مصنوعی ایران قرار دارد تحریـــم ها است که موجب

می شود بسیـــاری از امکانـــات و زیـــر ســـاخت هــــای مورد نیاز به سختی در اختیار محققان

هوش مصنوعی در ایران قرار بگیرد. اما با این حـــال ایـــــران در رده هشتم  انتشار تحقیقات

  حول محور هوش مصنوعی در دنیا قرار گرفته است.

هوش مصنوعی و خواندن افکار

هوش مصنوعی و خواندن افکار

هوش مصنوعی تفکر بسیاری ازمردم و دانشمندان را پیــرامون خواندن افکار تغییــــر داد.

فیلسوفی بـــه نــــام جان لاک که در عصــــر روشنـــگری زندگی می کرد می گفت : اقدامات

افراد همیشه طرز تفکر آنها را نشان می دهد. اما افـــرادی مثـــل او از در مورد تکنولوژی 

انسان-دستگاه فکر نمی کردند . اما اینکه اعمال دستگاه ها نتیجه تفکر انسان باشد چیست؟

خیلی ها بر این باورند که ارتباط مغز-ماشین و مغز-کامپیوتر راه بعـــدی اســـت کـــه مــا با

ماشین ها و حتی با یکدیگر ارتباط برقرار خواهیم کرد.رابط های دستگاه مغـــزی (BMI) و

رابط های مغزی و رایانه ای (BCI) دستگاه هایی هستند که ارتباط مستقیم بین مغز و یک 

دستگاه خارجی را امکان پذیر می کنند.

شرکت های هوش مصنوعی و موسساتی  که در زمینه خواندن افکار فعالیت می کنند

این نوع فناوری ، دنیای کاملی از برنامه های تجاری را نمایان می کند. از مشاغــل خطـــرناک

که در حــال حاضر از ربات ها استفاده می کنند گرفته تا ساخت و حتــی فضای مصرف کننده 

همه از این فناوری استفاده می کنند . شرکت Neurable در زمینه کنتـــرل اعضای بدن به

وسیله افکار کـــار مــــی کند ایده این پروژه زمانی به ذهن بیانگذار این شرکت Ramses

Alcaide رسید که شاهد از دست دادن پاهای عمـــوی خـــود در یک تصــادف اتومبیـل بود

شرکت MindX معتقد است که مرحلـــه بعدی در کامپیوتـــر ها یک پیوند مستقیـــم از مغــز

به دنیای دیجیتال است این شرکت از عینک های هوشمند برای ایجاد پیوندی بین مغز انسان

و فناوری استفاده می کند. شرکت MindX این ارتباط را با “ترکیـــب فنـــاوری عصبـــی ،

واقعیت افزوده وهوش مصنوعی برای ایجاد یـــک رابـــــط” نگاه- فکری بـــرای برنامه های

رایانه ای فضایـــی نســل بعـــدی ایجـاد می کنند.در حالی که برخی از شرکت های رابط مغز

و کامپیوتر بر درک مغـــز و معیارهای شنـــاختــی تمرکــز دارند ، بــــرخی دیـگر بر کنترل

دستگاه در زمـان واقــعی تمرکز مــی کـنـنـد. NextMind ، که مقر آن در پاریس ، است

، از BMI غیــر تهـــاجمی استفـــاده می کند که سیگنال های مغزی را فوراً از قشر بصری

کاربر به دستورات دیجیتـــالی بـــرای هر وسیلــه ای در زمان واقعی ترجمه می کند. البته 

موسسات دیگری هم در این زمینه فعالیت دارند و سعــی مـــی کـنـنـد که رایانه هایی بر پایه

مغز-دستگاه درست کنند.

هوش مصنوعی تومور مغزی را شناسایی می کند

هوش مصنوعی تومور مغزی را شناسایی می کند

دانشمندان با بــهره گیری از هوش مصنوعی توانسته اند تشخیص تومور مغزی را بهبود بخشند.

   دانـشمـنـدان هنـــد و ژاپـــــن ، از جـمـلـه انـسـتـیـتـــوی عـلــــــوم یـک پـارچـه سـلـولـهـای مـواد

(iCeMS) دانشگاه کیوتو ، این روش را برای کمک به پزشکــان در انتخاب موثرترین استــراتژی

درمانی بـــرای بیمـــاران خاص تهیه کردند.محققان در ژورنال IEEE Access گزارش دادند که

روش جدید یادگیری ماشین گلیوما که یک نوع معمول تومـــور مغزی است را با درجه های پایین یا

بالا با دقت 98٪ طبقه بندی می کند.

هوش مصنوعی چطور به تشخیص تومور مغزی کمک می کند

رادیــولوژیست هـــا بـرای بازسازی تصویری سه بعدی از بافت اسکن شده ، داده های بسیار زیادی

را از اسکن های MRI بدست مــــی آورند. بسیاری از داده های موجود در اسکن های MRI با چشم

غیر مسلح قابل شناسایی نیستند ، مـانـنـد جــزئیـــات مــربوط بـه شکل تومور ، بافت یا شدت تصویر.

الگوریتم های هوش مصنوعی (AI) به استخراج این داده ها کمک می کنند. متخصصان انکولوژیست

پزشکی از این روش به نام رادیومیک برای بهبود تشخیص بیماران استفاده کرده اند ، اما دقت هنوز

باید افزایش یابد. مهندسی زیستی iCeMS Ganesh Pandian Namasivayam با دانشمند

هنـــدی عــلوم داده Balasubramanian Raman از Roorkee همکـــاری کــرد تا یک روش

یادگیری ماشینی را ایجاد کند که می تواند گلیوما را به درجه پایین یا بالا با دقت 97.54 طبقه بندی کند.

گلیوما با درجه پایین شامل آستروسیتوم پیلوسیتیک درجه یک و گلیوما درجه پایین درجه 2 است. اینها

تهاجمی تر و بدخیم تر تومورهای گلیوما هستند. گلیوما درجه بالا شامل گلیوما بدخیم درجه 3 و درجه 4

گلیوبلاستوما درجه چهار است که با زمان بقا پس از تشخیص نسبتاً کوتاه، بسیار تهاجمی تر و بدخیم تر

هستند. انتخاب معالجه بیمار تا حد زیادی به توانایی تعیین درجه گلیوما بستگی دارد. از این رو با استفاده 

از این  الگوریتم جدید می توان زمان تشخیص را به شدت کاهش داد.  

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

محققان استنفورد راهی برای ردیابی و پیش بینی مناطق خشک و نقاط پر خطر ، با استفاده از هوش مصنوعی

و یادگیری ماشین و تصـــاویر مـــاهواره ای پیـدا کرده اند . در حال حاضر نحوه آزمایش جنگل ها و گلخانه ها

برای حساسیت به آتش سوزی با جمع آوری دستــی شاخه هــا و شاخ و برگ و آزمایش میزان آب آنها است .

که دقیق و قابل اعتماد است ، اما بدیهی است که بسیار کار دشـــواری است . اما خوشبختانه بــا استفاده از 

هوش مصنوعی و الگوریتم های یادگیری ماشینی می توان بر این مشکل قلبه کرد.

چگونه هوش مصنوعی نقاط پر خطر را شناسایی می کند؟

مـــاهواره های Sentinel و Landsat آژانس فضــایی اروپــا یک مجموعه تصویری از سطح زمین راگــــردآوری

کرده اند که می تواننـد مـنـبـع ثـانویه ای بـــرای ارزیابی خطر آتش سوزی باشند . این اولین تلاش بـــرای ایجاد این

نـوع مـشـاهـدات از تصـاویر مـداری نیست ، اما تلاش های قبلی به اندازه گیری های بصری “بسیــار خــاص سایت”

وابسته بودند ، به این معنی که روش تجزیه و تحلیل بسته به مکان متفاوت بود. ایـن راهـکـار بـدون شـکاف است

امـا هـنـوز هـم مـقـیـاس کـردن آن سخـت است. پیشـرفتی کـه تیم اسـتـنـفـورد از آن بـهـره گـرفتـه ، مـاهـواره های

Sentinel “رادار دیـــافراگم مصنوعی” هستنـــد کـــه مـــی توانند پوشش جنگل را حذف  کرده و از سطح زیرین 

تصویر برداری کنند. این تیم این تصاویر جدید را که بطور منظم از سال 2016 جمع آوری شده اند ، به یــک مدل

یادگیری ماشین به همراه اندازه گیری دستی که توسط سرویس جنگل ایالات متحده انجام شده است ، تغذیه کردند.

آنها سپس عامل هوش مصنوعی حاصل را با آزمایـــش پیش بینی بر اساس داده های قدیمی که قبلاً جواب آنها را

می دانستند ، آزمایش کردند. و جواب به دست آمده دقیق بـــود ، اما بیشتر از همه در اسکراب ها ، یکی از رایج

ترین بیوم های غرب آمریکا و همچنین یکی از مستعدترین آتش سوزی هایی که در آمریکا وجود دارد.