شرکت چینی فاکس کان تامین کننده و مونتاژکننده محصولات اپل از جایگزینی ۶۰ هزار کارمند و کارگر کارخانههای خود با ربات خبر داده است.
به گزارش مشرق، این ربات ها برای انجام امور تکراری و به خصوص جایگذاری قطعات در آیفون و ... به کار می رود و انسان ها نیز برای انجام امور پیچیده تر در خط تولید به کار گرفته خواهند شد.
فاکس کان یکی از مهم ترین شرکای حرفه ای اپل و بزرگترین پیمانکار این شرکت در خارج از آمریکا محسوب می شود و اخیرا قراردادی برای خرید واحد تولید تلفن همراه مایکروسافت به ارزش 350 میلیون دلار منعقد کرده است.
این شرکت فرایند حذف کارگران از خط تولید خود را آغاز کرده و در اولین گام 60 هزار نفر را در یکی از کارخانه های خود با ربات ها جایگزین نموده است. این ربات ها بسیاری از اقداماتی را که کارگران خط تولید انجام می دادند به سادگی انجام می دهد.
جایگزین کردن ربات ها به جای انسان ها در خط تولید کارخانه ها بخشی از یک فرایند جهانی است که با هدف کاهش هزینه ها از طریق افزایش ساعات کار و جایگزین کردن ربات های پیشرفته با نیروی کار انسانی کم مهارت صورت می گیرد.
بازاریابی زمانی مفید است که به یک نیاز پاسخ دهد. ساده بنظر میرسد، اما برخی از نیازها را به سختی میتوان پاسخ داد. مانند هر مصرفکننده دیگری، نیازهای من نیز در هر روز تکامل پیدا میکند، حتی ممکن است هر دقیقه تغییر کند. من تبلیغاتی که به خوبی هدف یابی نشده و پیامهای بیربط به خود را تحمل نمیکنم.
این مرحله جدیدی بوده و آن را میتوان بازاریابی ۳ نام نهاد. بازاریابی ۱ اوایل قرن بیستم بود که تنها فروختن کالا به کسانی که به آن نیاز داشتند را شامل میشد. بازاریابی ۲ از دهه ۱۹۵۰ میلادی آغاز شد و در این مرحله، تبلیغات نقش عمدهای داشت. یادگیری ماشین به بازاریابها کمک میکند تا از این مدل عبور کرده و به هدف اصلی بازاریابی برگردند.
بازاریابی ۱: تامین نیازهایی که کاربر عنوان کرده است.
بازاریابی ۲: ایجاد نیاز و سپس پاسخ دادن به آنها
بازاریابی ۳: ماشینها نیازها را آنالیز کرده و سپس به آنها پاسخ میدهند.
بازاریابی ۳ از یادگیری ماشین استفاده کرده تا بتواند کالا و کاربر را سریعتر و دقیقتر تطبیق دهد. این کار پیش از آن صورت میگیرد که کاربر نیاز خود را به صورت علنی اعلام کرده باشد. ماشینهای با استفاده از دادههای واقعی، قادر خواهند بود که نیازها و رفتار کاربران را پیشبینی کنند. به این ترتیب، بازاریابها نیازی ندارند که روند دقیق را در دادههای زیاد تشخیص داده یا قوانینی که بر رفتار کاربران حاکم است را تشخیص دهند. به عبارت دیگر، یادیگری ماشین نقش بازاریابها را از دستکاری نیاز کاربران به پاسخ دادن دقیق با آنها تغییر داده است.
به عنوان مثال یک فروشنده BMW را در نظر بگیرید که قصد دارد یک مدل خاص را بفروشد. این فروشنده میتواند علایم افرادی که یک ماشین سری ۵ را قبلا خریداری کردهاند، شناسایی کنند. به عنوان مثال، این خریداران در مورد آئودی A6 و مرسدس E Class نیز تحقیق کردهاند. خریداران همچنین در مورد میزان مصرف بنزین نیز تحقیق کردهاند و ویژگیهای مشترکی داشتهاند. حال فرض کنید که کسی میخواهد BMW سری ۵ بخرد و دوستی دارد که قبلا این ماشین را خریده است. این شخص عبارت BMW 5 Series را جستجو کرده و نمایندگیهایی که تا فاصله ۱۰ مایلی قرار دارند، نشان داده میشود. سپس این شخص دقیقا به نمایندگی هدایت شده که دوستش نیز ماشن خود را از آنجا خریده است. سپس برنامه فردی را به کار معرفی میکند که سال پیش همین ماشین را به دوست او فروخته است و این دو میتوانند در مورد خرید جدید صحبت کنند.
فرصتهای زیادی برای پیشبینی نحوه تعامل آنلاین و آفلاین وجود دارد. گوگل، اپل، فیسبوک و آمازون سرمایهگذاری زیادی بر روی تشخیص صدا و پردازش زبان طبیعی دارند. آمازون حتی سعی دارد به الکسا یاد دهد که پاسخهای عاطفیتری داشته باشد. صدا برای اینکه بازاریابها با استفاده از یادگیری ماشین تجربه کاربری ایجاد کنند، حیاتی است. حتی اگر ماشینها بتوانند پیشنهادهایی دقیق داشته باشند، بازهم کاربران به مکالمه نیاز دارند. کاربران شاید دوست داشته باشند با استفاده از الکسا پیتزا سفارش دهند، اما سفارش ماشین نیاز به صحبت و گفتگوی بیشتری دارد.
نقش ماشینها این خواهد بود که بین رفتار کاربران و خواسته نهایی آنها، ارتباط پیدا کنند. نقش بازاریاب این است که تشخیص دهد که چه چیزی را میتوان اتوماتیک کرد. بازاریابی ۴، نیازهای بیانشده و بیاننشده کاربر را پاسخ میدهد.
ما به سمت دنیایی حرکت میکنیم که یادگیری ماشین بیشتر تعامل بین برندها و مشتریان را بر عهده دارد. این تضادی با تجربه اصیل و ارتباطات انسانی ندارد. بازاریابی فراگیر و مبتنی بر داده خواهد بود.
منبع : آی تی رسان
در طرحی ابتکاری، یک شرکت نوپای فناوری در ایالات متحده با ترکیب یک بازوی رباتیک، یک چرخ خیاطی خودکار و استفاده از دوربینی برای پردازش تصویر توانسته با استفاده از هوش مصنوعی و پردازش تصاویر کاری کند که بازوی رباتیک مانند دستی ماهر تکههای مختلف پارچه را کنار هم قرار داده، با دقت به زیر چرخ خیاطی ببرد و به همدیگر بدوزد و الگوهای جالبی را مطابق درخواست تولیدکننده لباس آماده کند. سرعت بالا، دقت، عدم خستگی و کار سه شیفت از قابلیتهای این ربات اســت. این کمپانی که در آغاز راه خود قرار دارد، در حال ارائه این فناوری به شرکتهای بزرگ تولید لباس اســت.
البته این تنها کار ربات نیست بلکه سیستم طراحی شده، روشی نوین در استفاده عمومی از بازوهای رباتیک در کارهای روزمره اســت و میتواند الگوهایی با طرحها و جنسهای مختلف حتی از جنس فلز یا چوب را با دقت بالا به زیر وسایل و ابزارهای مختلفی که مانند این چرخ خیاطی با سیستم رایانه مرکزی آن در ارتباط باشند، برده و طرحهای جالبی تولید کند. این بازوی رباتیک میتواند دارای سرها یا همان عملگرهای مختلفی باشد که به آن قابلیت بلند کردن و جابهجایی قطعات با جنسهای متفاوت را میدهد. در تستهای آخر، این سیستم رباتیک اقدام به دوخت کامل یک تیشرت کرده و حتی آن را بعد از قرار دادن در ظرف آب داغ، مورد تست و بررسی کامل قرار داده اســت و به این ترتیب، تبدیل به اولین رباتی شده که توانسته لباس بدوزد.
بازوهای رباتیک از دیرباز در کارخانههای خودروسازی به عنوان دستهای ماهر مورد استفاده بوده و امروزه هر ایرانی به طور غیرمستقیم از محصولاتی مانند خودروها که با دقت عملکرد آنها ساخته میشود، استفاده میکند. کمپانیهای مختلفی در سالهای اخیر به دنبال ساخت بازوهایی کوچک و با عملکردی مناسب هستند تا از آنها در منازل و امور روزانه استفاده کنند. در سالهای آینده شاهد خواهیم بود محصولاتی از این نوع به آشپزخانههای منازل راه پیدا کرده و برای شستوشو و جابهجایی ظرفها استفاده میشوند. نکته جالب این که این کمپانی، سازنده بازوی رباتیک نیست؛ بلکه از بازوی رباتیکی که کمپانی دیگری ساخته استفاده میکند و با ارتباط وسایل دیگر با این بازو و آماده کردن بستهای نرمافزاری برای پردازش تصویر و دادن دستورهای مورد نظر تولید کنندگان لباس به بازو کسب درآمد میکند. در سیستم این شرکت، مجموعهای از سیستمهای مکاترونیکی که افراد و کمپانیهای دیگر قبلا ساختهاند در کنار هم ترکیب و روش حل مساله جدیدی ارائه و به عنوان یک محصول خلاق به بازار عرضه میشود.
آریا صبوری
پژوهشگر آزمایشگاه تعامل انسان و ربات دانشگاه تهران
به گزارش ایسنا،رباتهای شش چرخ، با زانوهای بلند بخشی از سیستمهای اتوماتیک شرکت استارشیپ Starship هستند که هدف از طراحی آنها رساندن محصولات مختلف به مشتریان و مصرف کنندگان است.
شرکت استارشیپ درحال راه اندازی یک پروژه آزمایشی از تحویل رباتیک قطعات، مواد غذایی و غذاهای آماده در اوایل ماه فوریه در پایتخت آمریکا و یک آزمون مشابه آن در ردوود سیتی، کالیفرنیا است.
این استارتاپ توسط دو بنیانگذار اسکایپ به نامهای آهتی هینلا و جانوس فریس در حال حاضر در چند شهر اروپا برای تحویل بار به مشتریان آغاز شده است.
هدف از این پروژه ارسال محمولههای مختلف به شعاع سه کیلومتر در عرض 15 تا 30 دقیقه با قیمت یک دلار یا کمتر است.
این رباتهای مستقل در پیاده رو حرکت کرده و مصرف کنندگان را از طریق نرم افزار گوشیهای هوشمند از وضعیت سفارشاتشان آگاه میکنند.
هدف این دو بنیانگذار ایجاد تحولی شگرف در نحوه تحویل کالا و همچنین صرفه جویی در نیروی انسانی و زمان است.
5454
وب سایت دیجی رو - یزدان مرشدزاده: حدود 50 سال پیش برای اولین بار شاهد حضور رباتها در دنیای سینما بودیم و روز به روز به قابلیتهای آنها افزوده میشد و در برخی از فیلمها بهترین دوست ما بودند و در برخی ترسناکترین دشمن. زمان در حال گذر بود و دنیای تکنولوژی به سرعت پیشرفت میکرد و کشورهایی نظیر آمریکا، ژاپن و … در عرصهی طراحی، ساخت و تولید رباتها به شکلی گسترده فعالیت میکردند.
در حال حاضر و به لطف پیشرفت در این زمینه ما شاهد رباتهایی بسیار پیشرفتهتر از هر زمانی هستیم و این موضوع از اهمیت بالایی برخوردار میباشد. برای مثال از این رباتها میتوان در تحقیقات علمی و حتی سفرهای فضایی استفاده کرد.
در این مطلب نگاهی خواهیم داشت به نقش رباتها در آیندهی بشریت. آیا به نظر شما رباتها دوست هستند یا دشمن؟ ممکن است روزی جای انسان را در این سیاره از آن خود کنند؟
در یکی از سینماهای شهر فیلمی بسیار ابتدایی از رباتهایی به نمایش در آمد که به خون انسان تشنه بودند و قصد داشتند تا بشریت را از روی سیاره زمین محو کنند. این فیلم که محصول هالیوود بود به شدت فروش خوبی داشت و در مدت زمان به سار کمی میلیونها دلار فروش کرد. دلیل این محبوبیت چه بود؟ در آن سالها صنعت ربات سازی مدرن به شکل امروزی شناخته شده نبود و بسیاری از مردم از حضور چنین موجودات آهنی و عجیب و غریبی ترس داشتند و به همین دلیل ساخت این فیلم پاسخی بود برای ذهنهای ترسو.
از همین سالها بود که هر سال فیلمهایی در این زمینه به تولید میرسید و از معروفترین آنها میتوان به نابودگر اشاره کرد. ناسا وارد بازی شد و شروع به طراحی و ساخت رباتهای فضانورد کرد و در آن سوی جهان ژاپن به لطف علم سرشار و متخصصان داخلی توانسته بود در زمینهی رباتیک پیشرفتهای زیادی کند. کم کم مردم با ماهیت واقعی رباتها آشنا شدند و ترسشان کمتر شد ولی موضوعی که هیچگاه نمیتوان پاسخی برای آن سافت این است که ممکن است روزی فرا برسد و رباتها جای انسانها را بگیرند؟
برای پاسخ به این سؤال باید چند موضوع را در ادامه برای شما توضیح دهیم.
در سالهای اخیر شاهد رشد فزاینده و حضور گستردهی رباتها در خطهای تولید کارخانهها بودهایم و این اتفاق برای همهی افراد جامعه خوب نسیت زیرا افرادی هستند که رباتهای جایشان را گرفتهاند و به همین دلیل بیکار شدهاند. این اتفاق را اگر در مقیاسی بزرگتر در نظر بگیرید متوجه میشوید که هزاران نفر به دلیل حضور این رباتها در صنایع مختلف شغل خود را از دست دادهاند و بیشتر از قشر کارگر هستند.
همیشه ما تصور میکنیم که رباتها سریع، مطمئن و قویتر هستند و همهی این ویژگیها صحیح است ولی از یک ویژگی بی بهره هستند و آن دقت انسانی میباشد. البته به نظر برخی از کارشناسان عدم انعطاف پذیری با محیط نیز از کمبودهای مهم این ماشین آلات هوشمند به حساب میآید.
با پیشرفت تکنولوژی رباتهایی بهتر و قویتر ساخته میشوند و این اتفاق شغلهای بسیاری از افراد را تهدید میکند. همانطور که می دانید جمعیت سیاره زمین به بالاترین میزان خود د رتاریخ رسیده و بیشتر نیز خواهد شد و حضور رباتها در کنار فوایدی که دارند فضا را برای کار و فعالیت بشر تنگتر میکنند.
انتظار میرود که در آینده از رباتها بیشتر در صنایع نظامی و دفاعی استفاده شود زیرا بشر همیشه از ابزار خوب بدترینها را ساخته است. برای مثال از آهن شمشیر، از چوب منجنیق و از رباتها جنگجویانی قدرتمند.
کار رباتهای داروخانه نه تنها از کیفیت بالایی برخوردار است بلکه احتمال خطای بسیار کمی دارد.
طبق گزارشی که اخیرا منتشر شده است، امارات متحده عربی در راستای گسترش این فناوری اولین ربات داروخانه را در بیمارستان رشید دبی راهاندازی کرد.
این داروخانه هوشمند برای اولینبار یک ربات را برای توزیع داروهای تجویز شده به کارگرفته است. ربات هوشمند این کار را با کلیک بر روی دکمهای که برای خوانش بارکد در نظر گرفته شده انجام میدهد و از این رو احتمال خطا به صفر میرسد.
وزارت بهداشت امارات اعلام کرد: قصد دارد از این ربات در تمام بیمارستانهای خود استفاده کند.
به گزارش جامجم آنلاین به نقل از دیجیاتو، همیشه درباره ی این صحبت میکنیم که رایانه ها ما را درک می کنند. از گوگل می خواهیم تا نتیجه ی یک جستجو را به ما نمایش داده و یا از دستیار هوشمند کورتانا می خواهیم کاری را برایمان انجام دهد. اما «درک کردن» مفهومی بسیار پیچیده است؛ مخصوصاً زمانی که آن را برای رایانه ها به کار می بریم.
یکی از شاخه های زبان شناسی محاسباتی که پردازش طبیعی زبان (NLP) نامیده می شود، در حال کار روی این مشکل است. این که رایانه ها چگونه یاد می گیرند که مسائل را «بفهمند». این حوزه در حال حاضر از جذابیت زیادی برخوردار بوده و زمانی که برای اولین بار بدانید چگونه کار می کند، خواهید دید که تقریبا در تمام حوزه های رایانه ای اثر گذار است.
توجه داشته باشید که این مقاله حاوی چند مثال کوچک از واکنش یک رایانه به گفتار است، مثل زمانی که از دستیار هوشمند سیری چیزی می خواهید. تبدیل یک گفتار واضح به فرمتی که توسط رایانه قابل فهم باشد، تشخیص گفتار نامیده می شود. موضوعی که NLP چندان علاقه ای به آن ندارد (حداقل در بحث ما!).
NLP تنها موقع خواندن متن وارد ماجرا می شود. هر دو فرآیند برای بسیاری از اپلیکیشن ها ضروری است، اما باید بدانید که این دو مسئله بسیار متفاوت از هم هستند.
تعریف فهمیدن یا ادراک رایانه ای
قبل از این که بدانیم یک رایانه چگونه به یک زبان طبیعی پاسخ می دهد، نیاز داریم تا تعریف چند چیز را بدانیم. اول از همه، باید تعریف مشخصی از زبان طبیعی داشته باشیم. هر زبانی که به طور رایج توسط مردم استفاده می شود در این دسته قرار می گیرد. زبان هایی چون کلینگون، اسپرانتو و یا زبان های برنامه نویسی جزوی از این دسته نیستند.
شما از زبان طبیعی به هنگام گفتگو با یکی از دوستان تان استفاده می کنید. همچنین ممکن است از آن برای صحبت با دستیار دیجیتال شخصی خود استفاده نمایید. بنابراین منظورمان از واژه ی درک و فهم چیست؟ توضیحش کمی مشکل است. تا به حال فکر کرده اید که منظور از «فهمیدن» یک جمله دقیقا چیست؟
احتمالاً در پاسخ می گویید این بدان معناست که در لحظه، محتوای مشخصی از پیام شنیده شده را در ذهن داشته باشید. اما منظور از «درک» یک مفهوم ممکن است این باشد که می توانید آن مفهوم را برای اعمال دیگر نیز به کار ببرید. تعاریف فرهنگ لغات از این کلمه مبهم هستند و هیچ پاسخ دقیقی برای آن وجود ندارد؛ موضوعی که قرن ها مورد بحث فلاسفه و اندیشمندان مختلف بوده است.
اما برای تعریف ادراک رایانه ای، ما می گوییم فهمیدن و ادراک توانایی استخراج دقیق معانی از یک زبان طبیعی است. به همین منظور یک رایانه نیاز دارد تا عیناً یک جریان گفتاری را پردازش کند، آن جریان را به واحد های معنادار تبدیل کرده و قادر باشد به شکل مفید به این مفاهیم پاسخ دهد.
بدیهی است که این توضیحات کمی برایتان مبهم باشند؛ با این حال بهترین تعریفی است که در این مطلب محدود می توانیم ارائه دهیم. اگر یک رایانه بتواند شبیه به انسان عمل کرده، مفید باشد و بتواند به یک جریان ورودی از زبان های طبیعی پاسخ مناسب دهد، می گوییم این رایانه قادر به درک کردن و فهمیدن است. تعریفی که در ادامه از آن استفاده خواهیم کرد.
یک مشکل پیچیده
فهم زبان های طبیعی در قالب عامیانه و محاوره ای برای یک رایانه بسیار مشکل است. به عنوان مثال باید به سیری جمله ای مشابه «Siri, give me directions to Punch Pizza» را بگویید. این در حالی است که یک فرد عادی این جمله را به صورت «Siri, Punch Pizza route, please» بیان می نماید.
در مثال اول سیری ممکن است کلمات کلیدی مثل «give me directions» را از جمله ی شما جدا کرده و سپس فرمانی را اجرا کند که مربوط به جستجوی عبارت «Punch Pizza» است.
اما در جمله ی دوم سیری اقدام به جدا کردن «route» به عنوان یک کلمه ی کلیدی کرده و پس از آن می داند که «Punch Pizza» جایی است که در واقع می خواهیم به آن برویم و از توجه به کلمه ی «Please» خودداری می کند.
یک هوش مصنوعی ایمیل را تصور کنید که آن ها را خوانده و پس از آن تصمیم می گیرد که آیا ایمیل های دریافتی حاوی محتوای اسپم می شوند یا خیر. یا یکی دیگر از آن ها را در نظر بگیرید که با مانیتور کردن پست های یک شبکه ی اجتماعی میزان علاقه مندی به یک کمپانی خاص را می سنجد.
در همین خصوص نویسنده ی این مطلب، آقای دن آلبرایت می گوید یک بار روی پروژه ای کار می کرده که در آن موظف بودند به یک رایانه آموزش دهند تا نسخه های پزشکی (که دارای انواع مختلف بودند) را خوانده و از آن ها اطلاعات جمع آوری نماید.
این بدان معنا بود که سیستم می بایست با مخفف ها، ترکیبات عجیب، غلط های املایی گاه و بی گاه و طیف گسترده ای از انواع تفاوت های دیگر در نسخه مواجه شده و آن ها را درک می کرد؛ وظیفه ی بسیار پیچیده ای که گاهاً ممکن است برای یک انسان هم دشوار باشد چه برسد به یک ماشین.
تنظیم یک الگو
در این پروژه ی تیمی آلبرایت موظف بود به رایانه آموزش دهد تا کلمات خاص و روابط بین کلمات را تشخیص دهد. اولین مرحله ی این فرآیند، به شناساندن اطلاعات موجود در هر نسخه به رایانه مربوط می شد. بنابراین آن ها به تفسیر نسخه ها پرداختند.
نتیجه نهایی چیزی نبود جز ایجاد تعداد زیادی نهاده و رابطه. به عنوان مثال جمله ی «Ms. Green’s headache was treated with ibuprofen» فقط بخش کوچکی از این نسخه ها بود. Ms. Green به عنوان یک شخص حقیقی، headache به عنوان یک علامت و نشانه و ibuprofen به عنوان دارو برچسب گذاری شده بودند.
پس از آن Ms. Green به وسیله ی یک رابط به headache مرتبط می شد. در نهایت نیز ibuprofen توسط کلمه ی ارتباطی TREATS به headache متصل شده بود.
آن ها به همین صورت هزاران نسخه را برچسب گذاری کردند. در نهایت نیز کد تشخیص، درمان، علائم، علل اساسی و هر چیزی که فکر می کنید به شاخه ی پزشکی مربوط باشد را نوشتند. دیگر تیم های تفسیر نیز کار کدنویسی اطلاعات دیگر مانند ترکیبات را انجام دادند. در نهایت مجموعه ای کامل از نسخه های پزشکی به وجود آمد که یک هوش مصنوعی قادر به خواندن آن ها بود.
رایانه تنها می تواند ببیند که ایبوپروفن قادر به درمان سردرد است، اما وقتی این اطلاعات را یاد می گیرد قادر است آن را به یک مفهوم معنی دار برای ما تبدیل کند. یک هوش مصنوعی قطعاً می تواند مانند یک انسان این اطلاعات را به ما نشان دهد. اما آیا این مورد شامل درک کردن نیز می شود؟ بار دیگر می گوییم که این یک سوال فلسفی است.
یادگیری واقعی
در این مرحله رایانه به سراغ نسخه ها رفته و تعدادی الگوریتم یادگیری ماشینی را به کار می گیرد. برنامه نویسان روش های مختلفی را برای برچسب گذاری روی بخشی از گفتار، تجزیه و تحلیل روابط و همچنین برچسب زدن نقش های معنایی توسعه می دهند. در اصل هوش مصنوعی «خواندن» یک نسخه را یاد می گیرد.
محققان در نهایت با دادن یک نسخه پزشکی و درخواست برچسب زدن به هر نهاده و رابطه، این سیستم را تست می نمایند. وقتی رایانه عیناً تفسیری که انسان تحویل می دهد را تولید کرد، می توان گفت که حالا این سیستم یاد گرفته که چگونه نسخه های پزشکی را بخواند.
پس از آن از این سیستم برای جمع آوری میزان زیادی آمار و اطلاعات مانند: کدام داروها برای درمان مورد استفاده قرار می گیرند، کدام موارد در درمان مؤثرتر هستند، علل بروز یک سری علائم و غیره استفاده می شود. در پایان این روند، هوش مصنوعی قادر خواهد بود به سوالات پزشکی بر اساس مشاهداتی که از نسخه ها داشته است، پاسخ دهد.
ضمنا یک هوش مصنوعی برای یادگیری این موارد به هیچ وجه وابسته به کتاب های درسی، شرکت های داروسازی و یا درک مستقیم نیست.
یادگیری عمیق
اجازه دهید به مثال دیگری رجوع کنیم. شبکه های عصبی پروژه ی DeepMind گوگل در حال یادگیری خواندن اخبار و مقالات هستند. مانند هوش مصنوعی پزشکی که در بالا دیدید، محققان از این سیستم می خواهند تا اطلاعات مختصر و مفید را از متن های بلند تر استخراج کند.
آموزش هوش مصنوعی در زمینه ی اطلاعات پزشکی به اندازه ی کافی سخت بود. بنابراین حالا می دانید که توانمند سازی یک هوش مصنوعی برای خواندن اخبار و مقالات تا چه اندازه نیاز به تفسیر داده دارد. استخدام آنالیزور و به دست آوردن اطلاعات کافی یقینا فرآیند بسیار وقت گیری بوده و هزینه های گزافی دارد.
بنابراین تیم DeepMind منابع دیگری چون وبسایت های خبری و به طور دقیق CNN و Daily Mail را به کار می گیرند. اما چرا این سایت ها؟ چون آن ها فهرستی نقطه دار از خلاصه ی مقالاتشان تهیه می کنند که به سادگی از خود مقاله قابل استخراج نیستند. این بدان معناست که هوش مصنوعی به واسطه ی آن چیزی برای یادگیری دارد.
محققان اساساً به هوش مصنوعی می گویند که در این مکان یک مقاله وجود دارد که شامل اطلاعات بسیار مهمی است. پس از آن آن ها از سیستم می خواهند تا همان نوع اطلاعات را بدون فهرست نقطه دار از مقاله ی مورد نظر استخراج نمایند. این سطح از پیچیدگی را می توان با به کارگیری شبکه های عصبی عمیق کنترل کرد که نوعی بسیار پیچیده از سیستم یادگیری ماشینی هستند.
یک هوش مصنوعی با خواندن چه کاری می تواند انجام دهد؟
احتمالا حالا درک خوبی از این که چگونه یک رایانه «خواندن» را فرا می گیرد پیدا کرده اید . شما یک متن حجیم دارید؛ کافیست موارد مهم را به رایانه بگویید و از چند الگوریتم یادگیری ماشینی برای استخراج اطلاعات استفاده کنید. اما با یک هوش مصنوعی که اطلاعات را از متن استخراج می کند چه کارهایی می توان انجام داد؟ با مثال تفسیر نسخه های پزشکی و خواندن اخبار و مقالات که آشنا شدید.
اما کارهای دیگری هم هست، برنامه متن باز P.A.N را برایتان مثال می زنیم. P.A.N می تواند با خواندن اشعار، تشبیهات ادبی را از آن استخراج کرده و به تجزیه و تحلیل آن ها بپردازد. محققان اغلب از یادگیری ماشینی برای تجزیه و تحلیل حجم انبوه داده ها در شبکه های اجتماعی استفاده می کنند. این مورد توسط کمپانی ها برای درک احساسات کاربران، دیدن این که مردم راجع به چه چیزی صحبت می کنند و همچنین یافتن الگوهای مفید برای بازاریابی مورد استفاده قرار می گیرد.
محققان همچنین از یادگیری ماشینی در جهت تحت نظر قرار دادن رفتار ایمیل ها استفاده می نمایند. ارائه دهندگان سرویس ایمیل نیز می توانند از آن برای فیلتر کردن ایمیل های اسپم، انتقال آن ها از صندوق پستی به جایی دیگر و طبقه بندی برخی پیام ها بر اساس الویت استفاده کنند. قابلیت خواندن و ادراک هوش مصنوعی در ساخت چت بات های خدمت رسان نیز بسیار حیاتی است.
در آخر می توان گفت که با بهبود و پیشرفت یادگیری ماشینی، احتمالات نیز به همان میزان افزایش می یابند. در حال حاضر رایانه ها در بازی شطرنج و همچنین بازی های ویدیویی هوشمند تر و بهتر از انسان هستند. به زودی نیز در خواندن و یادگیری بهتر می شوند. آیا این اولین قدم به سوی یک هوش مصنوعی قوی است؟ باید منتظر ماند و دید.
ایسنا به نقل از دیلیمیل، یک شرکت نیوزلندی از 100 ربات کوچک رونمایی کرده که میتوانند جای انسانها را در این صفهای طولانی گرفته و آیفون 7 را به راحتی به دست کاربران خود برسانند.
شرکت اسپارک ناوگانی از رباتهای آلفا 1 را به برای ایستادن در صف آیفون 7 ارسال کرده که میتوانند همزمان با انتظار برای دریافت گوشیها، برای سایرین حرکاتی از قبیل یوگا، کنگفو یا رقص انجام دهند و همچنین مسیر خود را بطور زنده برای صاحبانشان فیلمبرداری و ارسال کنند.
این ارتش رباتیک توسط کارخانه چینی UBTECH ساخته شدهاند و هر ربات به یک مشتری اسپارک مرتبط اســت که با استفاده از اپلیکیشن موبایل، آن را کنترل میکند.
مشتریها میتوانند تصاویر زنده صف های خرید آیفون را بدون اینکه در آنجا حضور داشته باشند، دنبال کرده و فضای آنجا را حس کنند.
به گفته شرکت اسپارک، این نمونهای از استفاده از فناوری برای تسهیل زندگی اســت.
نسخههای جدید گوشیهای اپل با نام آیفون 7 و 7پلاس در روز 17 شهریور رونمایی شدند و از 26 شهریور در دسترس قرار گرفتهاند.
شرکت چینی فاکس کان تامین کننده و مونتاژکننده محصولات اپل از جایگزینی ۶۰ هزار کارمند و کارگر کارخانههای خود با ربات خبر داده است.
به گزارش مشرق، این ربات ها برای انجام امور تکراری و به خصوص جایگذاری قطعات در آیفون و ... به کار می رود و انسان ها نیز برای انجام امور پیچیده تر در خط تولید به کار گرفته خواهند شد.
فاکس کان یکی از مهم ترین شرکای حرفه ای اپل و بزرگترین پیمانکار این شرکت در خارج از آمریکا محسوب می شود و اخیرا قراردادی برای خرید واحد تولید تلفن همراه مایکروسافت به ارزش 350 میلیون دلار منعقد کرده است.
این شرکت فرایند حذف کارگران از خط تولید خود را آغاز کرده و در اولین گام 60 هزار نفر را در یکی از کارخانه های خود با ربات ها جایگزین نموده است. این ربات ها بسیاری از اقداماتی را که کارگران خط تولید انجام می دادند به سادگی انجام می دهد.
جایگزین کردن ربات ها به جای انسان ها در خط تولید کارخانه ها بخشی از یک فرایند جهانی است که با هدف کاهش هزینه ها از طریق افزایش ساعات کار و جایگزین کردن ربات های پیشرفته با نیروی کار انسانی کم مهارت صورت می گیرد.
محققان آلمانی در حال تلاش برای ساخت یک سیستم عصبی هستند که به واسطه آن، ربات ها هم درد را حس می کنند.
هدف نهایی ایجاد مکانیزمی است که به کمک آن ربات ها بتوانند اجزای تشکیل دهنده خود را از آسیب حفظ کنند. این امر می تواند به افزایش عمر مفید آنها و کاهش هزینه های تعمیرات منجر شود.
یوهانس کوئن (Johannes Kuehn) و پروفسور سامی حدادین (Sami Haddadin) از دانشگاه لایبنیتز هانوفر مبدع طرح مذکور هستند. در ویدیوی انتهای مطلب می توانید طرحی اولیه از سیستم عصبی رباتیک آنها را که با الهام از پوست انسان طراحی شده، مشاهده کنید. این سیستم عصبی مصنوعی می تواند درد را در سه کلاس ملایم، متوسط و شدید (آسیب زا) رده بندی کرده و متناسب با هرکدام عکس العملی نشان دهد.
گرچه ابداع فوق می تواند در نهایت منجر به توسعه ربات هایی با شباهت بیشتر به انسان ها شود، اما می توان از قابلیت های آن در ماشین های امروزی هم استفاده کرد. به عنوان مثال، یکی از دستگاه های خط تولید کارخانه ای را در نظر بگیرید که خود می تواند متوجه شرایط نامساعد یکی از قطعات تشکیل دهنده اش شود و پیش از آن که آسیبی اساسی به کل ساختار ماشین وارد آید، کار را متوقف کرده و تکنیسین ها را مطلع سازد.
منبع: دیجیاتو