هوشیو پایگاه جامع هوش مصنوعی است که هدف آن انتشار جدیدترین اخبار هوش مصنوعی
و کاربردهای نوین آن، بیان چالشهای فنی این حوزه و ارائه مقالات آموزشی
است. این مقالات برگرفته از بهروزترین و معتبرترین منابع خارجیاند که با
توجه به نیازهای جامعه هوش مصنوعی کشور ترجمه شدهاند و در اختیار مخاطب
قرار میگیرند. از آنجا که اثربخشترین شکل یادگیری، یادگیری پیوسته و
مستمر است، هوشیو تلاش میکند با ارائه مداوم مطالب آموزشی به علاقهمندان و
متخصصان این حوزه، به دانشافزایی و آموزش سریعتر آنان کمک کند.
علاوه
بر این، هوشیو سعی دارد با بیان چالشهای فنی حوزه هوش مصنوعی، دید
وسیعتر و واقعبینانهتری در زمینه راهاندازی کسبوکار مبتنی بر هوش
مصنوعی به متخصصان این حوزه ارائه دهد. انتشار جدیدترین اخبار و کاربردهای
نوین هوش مصنوعی، هدف دیگر تیم هوشیو است تا کاربردهای هوش مصنوعی
در جهان واقعی را ملموستر از همیشه به مخاطبان نشان دهد و سرمایهگذاران
را به سودآوری در زمینه هوش مصنوعی مطمئنتر کند. هوشیو در تولید محتوای
آموزشی خود از منابع معتبر، دست اول و بهروز استفاده میکند تا مخاطبان
کمترین فاصله را با علم روز دنیا داشته باشند.
در صورتی که به حوزه هوش مصنوعی علاقهمند هستید، حتما از سایت هوشیو دیدن کنید.
مسئلهی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بیارتباط نیست. هر روزی که میگذرد دامنهی کاربردهای هوش مصنوعی در زندگی روزمرهی ما گستردهتر میشود. وقتی که از گوگل میخواهیم رستورانهای نزدیک به خانهی ما را برایمان لیست کند، تا پیجهایی که فیسبوک و اینستاگرام و توئیتر برای دنبال کردن به ما پیشنهاد میدهند، همگی بر اساس هوش مصنوعی کار میکنند.
همین کاربردهای روبهگسترش هوش مصنوعی بسیاری از غیرمتخصصان را نیز جذب این حوزه کرده است. احتمالاً برای شروع یادگیری هوش مصنوعی شما هم سوالات زیادی دارید. واقعاً هوش مصنوعی را از کجا باید شروع کرد؟ پیشنیازهای یادگیری هوش مصنوعی چیست؟
برای ورود به حوزهی هوش مصنوعی باید چه رشتهای بخوانیم؟
برای ورود به بازار کار هوش مصنوعی لزومی ندارد که حتماً در این حوزه تحصیلات دانشگاهی داشته باشید. این مهارتها و تواناییهای شماست که کارفرمایان را مجاب میکند با شما همکاری کنند، نه مدرک دانشگاهی. اما طبیعتاً تحصیل در این رشته میتواند به شما در درک بهتر موضوعات این حوزه کمک کند. هوش مصنوعی یکی از گرایشهای رشتهی مهندسی کامپیوتر در مقطع ارشد است. برای اینکه وارد این رشته شوید، لزومی ندارد که حتماً در مقطع کارشناسی هم کامپیوتر خوانده باشید. هوش مصنوعی امروز ماهیت بینرشتهای پیدا کرده است و وارد حوزههای مختلفی شده است، از علوم پایه بگیرید تا انواع رشتههای مهندسی.
۱- علاقه؛ گام اول شروع یادگیری هوش مصنوعی
بیایید همین ابتدا تکلیف خودمان را روشن کنیم. اگر مطمئنید به مباحث هوش مصنوعی علاقه ندارید بهتر است همین الان به سراغ علایقتان بروید. فرصتها در زندگی کم است و منطقی است برای چیزی که علاقهای به آن ندارید وقت نگذارید. اما اگر بهتازگی با این حوزه آشنا شدهاید و دوست دارید اول اطلاعاتتان را بالا ببرید و بعد دربارهاش تصمیم بگیرید، میتوانید به سراغ منابعی بروید که در ادامهی مقاله معرفی میکنیم.
اگر انگلیسی بلد باشید که خوش به حالتان. منابع بسیار زیادی از مباحث مقدماتی تا پیشرفته بهصورت رایگان در اختیار خواهید داشت که در مسیر یادگیری هوش مصنوعی کمکتان خواهد کرد. ما در بخش رویدادهای هوش مصنوعی در سایت هوشیو برخی از دورههای رایگان دانشگاههای برتر جهان را معرفی کردهایم. اما حتی اگر زبان انگلیسیتان لنگ میزند هم نگران نباشید. سعی میکنیم در ادامه ترکیبی از منابع فارسی و انگلیسی را معرفی کنیم تا به کار طیفهای مختلف علاقهمندان هوش مصنوعی بیاید.
۲- صبور باشید
یادگیری هر موضوعی طبیعتاً سختیهای خودش را دارد. همین که میتوانید این متن را بخوانید نتیجهی صبر و تحملی است که زمان یادگیری حروف الفبا داشتید. شروع یادگیری هوش مصنوعی هم سختیهای خودش را دارد. جا نزنید. فراموش نکنید که حداقل هفتاد سال زمان برده تا هوش مصنوعی به اینجا برسد، بنابراین نمیتوانید چندماهه پروندهی یادگیریاش را ببندید. هوش مصنوعی حوزهای روبهگسترش است. روزی نیست که اخبار یافتههای جدیدی در این حوزه منتشر نشود. حتی کسانی که سالهاست وارد این حوزه شدهاند مجبورند خود را بهروز نگهدارند. شروع یادگیری هوش مصنوعی تازه آغاز ماجراست. یادگیری در این شاخه از علم هیچگاه به پایان نمیرسد.
۳- داشتن تصویر کلی
اگر چند وقتی است که خیلی جدی دارید دنبال نقشهی راهی برای شروع یادگیری هوش مصنوعی میگردید، احتمالاً این مقاله اولین مطلبی نیست که در این مورد میخوانید. بیشتر مطالبی که در این مورد نوشته شده این مرحلهی مهم را از قلم انداختهاند. شاید با اصطلاح bird’s-eye view آشنا باشید. داشتن تصویر کلی از آن چیزی که در انتظارتان است، از موضوع درک بهتری به شما میدهد. شاید شما فقط به یکی از شاخههای هوش مصنوعی علاقه داشته باشید. پس از آموختن مباحث مقدماتی به سراغ بخشی بروید که دوست دارید. فراموش نکنید که آرمان اولین کوشندگان حوزهی هوش مصنوعی ساختن فناوریهایی بود که بتوانند کارهایی شبیه به انسانها انجام دهند. بخشهای مختلف هوش مصنوعی که بهصورت خلاصه در ادامه برایتان میآوریم تلاشهایی است برای تحقق، یا حتی فراتر رفتن از این رویا.
پردازش زبان طبیعی (Natural language processing)
احتمالاً بارها و بارها از سرویس ترجمهی گوگل استفاده کردهاید. بد نیست بدانید که گوگل ترنسلیت یکی از فناوریهایی است که در آن از پردازش زبان طبیعی استفاده شده است. زبان طبیعی همین زبانی است که ما برای برقراری ارتباط با هم از آن استفاده میکنیم؛ زبانی که در کودکی میآموزیم و برای برقراری ارتباط با محیط اطرافمان از آن بهره میبریم. معمولاً زبان طبیعی را در برابر زبان مصنوعی قرار میدهند. ما زبان مصنوعی را برای ارتباط با ماشینها ساختهایم، مثل زبانهای برنامهنویسی. در واقع زبانهای مصنوعی بهصورت آگاهانه ساخته میشوند، اما زبانی که خودمان با آن حرف میزنیم را ما نساختهایم؛ زبانی است که بهصورت طبیعی و از کودکی آموختهایم. پردازش زبان طبیعی فرایندی است که طی آن سعی میکنیم زبان طبیعی را به ماشین بیاموزیم تا ماشین بتواند بخشی از کارهایی را که ما با زبان انجام میدهیم بهجای ما انجام دهد. نرمافزارهایی مثل گرامرلی(Grammarly) که متن انگلیسی را برای ما ویرایش میکند نیز از همین نوع تکنولوژی استفاده کرده است. اگر کنجکاوید بدانید در زمینهی زبان فارسی در این حوزه چه کارهایی انجام شده میتوانید برای مثال به سایت شرکت ترگمانسری بزنید. البته کارهای بزرگ دیگری نیز در حال انجام است که در مقالات دیگرمان به آنها خواهیم پرداخت.
دادهکاوی (Date Mining)
فرض کنید شرکتی میخواهد از مصرفکنندگان محصولاتش بازخورد بگیرد و تصویری از انتظارات مشتریان داشته باشد، تا بتواند از طریق آن بهصورت واقعبینانهای برای آینده برنامهریزی کند. این شرکت در قدم اول نیاز دارد دادههای خوبی از نظر کمی و کیفی جمعآوری کند. مرحلهی دوم تحلیل این دادههاست. در تحلیل دادههاست که اطلاعات مفید از میان حجم بالایی از اطلاعات بیرون کشیده میشود و الگوهایی برای برنامههای آتی ترسیم میشود. حال شرکتی را تصور کنید در حدواندازههای گوگل، با انبوهی داده که نیاز به تحلیل دارد. در اینجاست که داده کاوی به کار میآید. در دادهکاوی تحلیل دادهها از خلال الگوریتمهایی انجام میشود که کارشان بیرون کشیدن الگوها و همبستگی از دل مجموعهدادههاست. شاید بتوان دادهکاوی را نقطه تلاقی آمار، یادگیری ماشین(Machine Learning) و هوش مصنوعی دانست. در ایران نیز داریم شرکتهایی که کارشان جمعآوری و تحلیل دادههاست. در مطلب شرکتهای داده کاوی در ایران میتوانید با آنها آشنا شوید.
اگر میخواهید اطلاعات بیشتری در این حوزه به دست آورید میتوانید سری به فیلمهای آموزش علوم داده سایت نیز بزنید.
بینایی ماشین (Machine Vision)
بینایی ماشین فناوری است که به ماشین امکان دیدن میدهد. سیستمهای بازشناسی چهره شاید مثال خوبی از کاربردهای عملی این فناوری باشند. این سیستمها از طریق تحلیل ویژگیهای فیزیولوژیک چهره میتوانند هویت فرد را تشخیص دهند. میتوانید در مطلب شرکتهای فعال در حوزه بینایی ماشین در ایران با آنها آشنا شوید.
پردازش گفتار (Speech Processing)
اگر شما هم از کسانی هستید که تایپ کردن برایشان کاری سخت و طاقتفرساست، حتماً پیشرفتهای حوزهی پردازش گفتار را پیگیری کنید. یکی از مهمترین کار سیستمهای پردازش گفتار تبدیل صوت به متن است. میتوانید در مطلب شرکتهای فعال در حوزه پردازش گفتار در ایران با آنها آشنا شوید.
۴- ریاضیات
راستش را بخواهید راه میانبُری وجود ندارد. اینجا دیگر جایی است که باید به سراغ ریاضیات و آمار بروید. بدون داشتن پشتوانهی ریاضی درک مباحث هوش مصنوعی برایتان دشوار خواهد بود. بهتر است مستقیم به سراغ مباحثی از ریاضیات و آمار بروید که در هوش مصنوعی به کارتان میآید. میتوانید سری به سایت خان آکادمی بزنید. دورههای جبرخطی و آمار و احتمالات این سایت به کارتان خواهد آمد. اگر دنبال منابع فارسی میگردید میتوانید از دورهی آموزشی آمار و احتمالات سایت فرادرسنیز استفاده کنید.
۵- زبانهای برنامهنویسی
زبانهای برنامهنویسی راه ارتباطی شما با کامپیوترها و ماشینها هستند. بدون آشنایی با این زبانها نمیتوانید با سیستمها ارتباط برقرار کنید.
خوشبختانه در چند سال اخیر محتوای آموزشی بسیار زیادی در حوزهی آموزش زبانهای برنامهنویسی تولید شده است. با جستوجویی ساده در گوگل دورههای برنامهنویسی فارسی بسیاری را خواهید یافت. زبانهای برنامهنویسی را میتوانید با یادگیری پایتون(Python) شروع کنید. پایتون یکی از آسانترین زبانهای برنامهنویسی برای یادگیری است. از طرف دیگر، پایتون به نوعی استاندارد تبدیل شده است که اغلب شرکتها و کارفرمایان از شما انتظار دارند به این زبان برنامهنویسی مسلط باشید. نکتهی دیگر کتابخانههای پایتون است که بسیار قدرتمند و غنیاند. انتخاب دورههای آموزشی پایتون از میان این همه دوره کار سختی است. اینجا ما برای نمونه به دو دورهی آموزشی پایتون اشاره میکنیم. با یک جستوجوی ساده در گوگل میتوانید به این دورهها برسید:
آموزش پایتون مقدماتی مکتبخونه
مبانی برنامهنویسی و تفکر الگوریتمی کوئرا
جمعبندی
در این مقاله، سعی کردیم تصویری کلی و بسیار خلاصه از بخشهای مختلف هوش مصنوعی برایتان ترسیم کنیم تا در شروع یادگیری هوش مصنوعی نقشهی راهی داشته باشید. واقعیت این است که دیگر نمیتوان هوش مصنوعی را نادیده گرفت. دور نیست روزی که آگاهی از حوزهی هوش مصنوعی از ملزومات بدیهی همهی شغلها تلقی شود. فردای جهان از آن هوش مصنوعی است. یادگیری هوش مصنوعی را پشتگوش نیندازید. راستش را بخواهید شاید فردا برای شروع یادگیری هوش مصنوعی دیر باشد. حالا که قصدش را کردهاید که یادگیری را شروع کنید همین مقاله میتواند نقطهی آغازی برای فرایند یادگیریتان باشد. پیشنیازهایی را که در مقاله آوردیم یاد بگیرید. یادگیری هوش مصنوعی را هم از بخشی آغاز کنید که بیشتر علاقه دارید. برای آموزشها و مطالب بیشتر از لینکهای داخل مقاله استفاده کنید.
از زمان توسعه دستیار نوشتاری و ابزارهایی که میزان سرقت ادبی متن را چک میکنند تاکنون راه زیادی طی شده است. امروزه، ابزارهای نوشتن آنلاین از هوش مصنوعی، یادگیری ماشین، تجزیه و تحلیل و پردازش زبان طبیعی برای خلق ایدههای جدید، بررسی لحن و داستانهای ساختارمند استفاده میکنند. همچنین، ظهور GPT-3 انقلابی کامل در اکوسیستم محتوا ایجاد کرده است.
اکنون بازار، مملو از دستیار نوشتاری است که ادعا میکنند از هوش مصنوعی استفاده میکنند. با این حال، با استفاده از دستیار نوشتاری مناسب که از هوش مصنوعی قدرت میگیرند، کسبوکارها و کاربران اکنون میتوانند محتوای عاری از خطا و قاعدهمند خلق کنند.
در اینجا فهرستی از چندین دستیار نوشتاری مجهز به هوش مصنوعی برای کمک به کسبوکارهایی که به دنبال خلق محتوای بهتر در سال ۲۰۲۱ هستند را به شما معرفی میکنیم.
دستیار نوشتاری AI Writer
دستیار نوشتاری AI Writer یک دستیار نوشتاری است که با استفاده از هوش مصنوعی ساخته شده تا محتوای جدیدی برای کاربران تولید کند. این ابزار توسط معماران دادهها توسعه داده شده و دارای ویژگیهای نوشتن خودکار و تولید متن برای تولید محتوای بدون خطا بر اساس عناوین داده شده کاربران است. قابلیتهای هوش مصنوعی این ابزار به کاربران این امکان را میدهد تا مقالهای را که قبلاً نوشته شده است با استفاده از ابزارtext spinner مجدداً بازنویسی کنند. همچنین با این ابزار، پروژههای وبلاگنویسی خودکار راحتتر پیش میروند، جایی که API آن فقط با چند خط کد به کاربران کمک میکند. ادعا شده است با کنترل کامل نرم افزار، میتوان تا ۳۳٪ از زمان کاربران را ذخیره کرد.
دستیار نوشتاری Wordtune
اخیرا یک آزمایشگاه هوش مصنوعی یک دستیار نوشتاری لحن کلمه که مبتنی بر هوش مصنوعی است توسعه داده است. فناوری یادگیری عمیق به کار رفته در این ابزار، تلاش میکند تا آنچه را که کاربر به دنبال گفتن آن است بفهمد تا روشهایی را پیشنهاد بدهد که سخنان کاربر شفافتر، قانعکنندهتر و معتبرتر شود. به گفته توسعهدهندگان، این ابزار، پارادایم نوشتاری جدیدی را ارائه میدهد که در آن همکاری مبتنی بر سعی و خطای ماشینها و انسانها در کنار هم منجر به تولید محتوا میشود. همچنین این ابزار، متن شما را با میلیونها جمله مشابه که توسط منابع معتبر در سراسر وب نوشته شده مقایسه میکند.
دستیار نوشتاری WritingAssistant
ابزار دستیار نوشتاری، همانطور که از نامش پیداست یک نرمافزار بهبود نوشتن است که از هوش مصنوعی پیشرفته و فناوری پردازش زبان طبیعی برای ارزیابی و تقویت نوشتار استفاده میکند. این کار در دو سطح انجام می شود: ابتدا، خطاها و ارائه پیشنهادات مبتنی بر دستور زبان و سپس و کمک به افزایش کیفیت متن با استفاده از از معیارهای انسجام. این ابزار همراه با ابزار EssayGradingAssistant از هوش مصنوعی برای تجزیه و تحلیل مقاله از جنبههای مختلف همچون دستور زبان انسجام و کیفیت محتوا استفاده میکند.
دستیار نوشتاری Articoolo
آرتیکولو یک ابزار محتواساز دیگر و یک دستیار نوشتاری است که با به کارگیری هوش مصنوعی این توانایی را پیدا میکند که مانند مغز انسان کار کند. الگوریتم این ابزار با تجزیه و تحلیل و فهم زمینه موضوع، بهترین منابع پایه را پیدا میکند، احساسات را استخراج میکند و کلمات کلیدی اساسی را برای مقاله ارائه میدهد. این نرمافزار مجهز به هوش مصنوعی، محتوای مرتبط را بر اساس احساسات و کلمات کلیدی پیدا کرده و آن را در یک متن منسجم بازسازی میکند. سپس این متن با استفاده از فناوری پردازش زبان طبیعی بازنویسی میشود تا شناسایی معنایی چند مرحلهای و تأیید خوانایی آن انجام شود.
دستیار نوشتاری Writer
دستیار نوشتاری Writer یک نرم افزار ویرایش مبتنی بر هوش مصنوعی و یک دستیار نوشتاری است که یک تیم تحریریه میتواند از آن استفاده کند. این تیم باید دستورالعمل های خود را تعریف کند و سپس هوش مصنوعی تمام ناهمخوانیها و خطاهای موجود در نوشتن را که به طور بالقوه میتواند به تصویر برند آسیب برساند، شناسایی میکند. هوش مصنوعی این نرمافزار میتواند لحن مقالات و متون را رسمی کند و آن را بسیار جذابتر کند و پیشنهادهایی برای بازنویسی جملات بیش از حد پیچیده بدهد. Writer علاوه بر کمک به بازنویسی محتوای وبسایت و مقالات رسانهای، به ایجاد قراردادهای حقوقی، مواد آموزشی و سایر اسناد مربوط به منابع انسانی نیز کمک میکند.
دستیار نوشتاری ShortlyAI
دستیار نوشتاری ShortlyAI یک دستیار نوشتن خلاق است که برای کاربران مقاله و مطالب تولید میکند. این ابزار پیشرفته هوش مصنوعی که بر اساس مدل GPT-3 OpenAI ساخته شده، میتواند فرایند نوشتن را آسانتر و سریعتر کند و به کاربران کمک کند تا مواقعی را که نوشتن برای آن ها سخت میشود راحتتر پشتسر بگذارند. همچنین این الگوریتم نه تنها داستان آغاز شده توسط کاربر را ادامه میدهد، بلکه ایدههای خلاقانه جدیدی برای پروبال دادن به داستان ارائه میدهد. هوش مصنوعی قادر است در کسری از ثانیه متن تولید کند.
دستیار نوشتاری Textio
ادعا می شود که Textio یک دستیار نوشتاری پیشرفته است. این ابزار به طور خاص برای بخشهای منابع انسانی طراحی شده است. ظرفیتهای هوش مصنوعی در هر مرحله از استخدام راهنمای قدرتمندی را برای تمام محتوای یک برند ارائه میدهد.
احتمالا پیش از این عبارت «کتاب را از روی جلد آن قضاوت نکنید» را بیشتر در محافل ادبی شنیدهاید. اما اکنون میتوان این عبارت را در مورد انواع ماشین فروش خودکار که در محل انتظار فرودگاه ها، لابی هتلها و محل غذاخوری مستقر شدهاند بشنوید. این به این دلیل است که فناوریهای نوظهور به درون ماشینها نفوذ کردهاند و موجب نوآوری در همه چیز از کارآیی عملیات گرفته تا مشارکت مشتری شدهاند.
دلیلی که باعث فراگیری هوش مصنوعی شده این است که باعث میشود سیستمهای رایانهای بتوانند وظایفی را که معمولاً زمانی به هوش انسان احتیاج داشت (از درک بصری تا تشخیص گفتارو تصمیم گیری) انجام دهند. این تعریفی است که توسط دیکشنری Merriam-Webster ارائه شده است: توانایی ماشین برای تقلید از رفتار هوشمندانه انسان.
چگونگی و چرایی پیشرفت فناوری هوش مصنوعی در ماشین فروش خودکار، محور اصلی سخنرانی یک پنل در اجلاس اخیر نوآوری سلف سرویس بود. این کنفرانس مجازی توسط گروه رسانهای Networld ارائه شد. در طول این جلسه یک ساعته، کارشناسان درباره هوش مصنوعی در خرده فروشی و این که این فناوری چگونه در حال حاضر به عنوان یک مزیت برای ماشین فروش خودکار و مشتریان آن عمل میکند، بحث کردند.
در این پانل جارد دتویلر، معاون شرکت One Source Office Refreshments، جاش روزنبرگ، رئیس Chemesis International، یک شرکت توسعه CBD، ویلیام سوئیفت، رئیس Business Travellers Services Inc یک ارائه دهنده خدمات امتیازات فرودگاه و Daisy Teoh، مدیر نوآوری در شرکت کوکاکولا حضور داشتند. این سخنرانی با مدیریت الیوت ماراس، سردبیر Vending Times و KioskMarketplace انجام شد.
در شرکت One Source Office Refreshments هوش مصنوعی به آنها در تصمیم گیریهای صحیح کمک میکند، زیرا دادهها را از تمام خطوط کسب و کار جمع آوری میکند و در یک مکان مرکزی قابل دسترسی قرار میدهد تا از آنها استفاده کند. دتویلر، که ۱۴ سال در این شرکت مشغول به کار است در این مورد میگوید، هوش مصنوعی کمک میکند تا کارایی افزایش یابد و شرکت در زمینه استقرار تجهیزات تصمیمات بیشتر و بهتری میگیرد.
شرکت One Source خدمات ماشین فروش خودکار، بازارهای کوچک و تحویل قهوه اداری را در منطقه کلانشهر فیلادلفیا ارائه میدهد.
وی با بیان اینکه ما در زمینه فناوری مهارت خوبی داریم افزود: مهمترین مزیت این کار، آنالیز فروش با استفاده از هوش مصنوعی بوده است.
او در ادامه گفت این فناوری چشم ما را به هرآنچه که انجام میدهیم باز کرد. هوش مصنوعی به روشهای مختلفی استفاده میشود از جمله اینکه در صورت اعمال تغییرات، پیش بینی فروش چگونه خواهد شد. وی توضیح داد که این فناوری به شرکت اجازه میدهد سناریوهایی مبتنی بر اگر را انجام دهد.
این سناریوها اینگونه است که از خود بپرسیم اگر این کار را میکردیم چه اتفاقی میافتاد؟ این به ما کمک میکند تا قبل از پیادهسازی بینش خوبی کسب کنیم و به ما امکان میدهد تا تغییرات کسب و کار را به خوبی انجام دهیم.
در شرکت Business Travellers Services هوش مصنوعی به آنها کمک میکند تا فرصتها و ظرفیتهای بالقوه موجود در محیطهای فرودگاه استفاده کند.
بیش از دو دهه است که BTS در فرودگاه بین المللی هارتسفیلد-جکسون آتلانتا فعالیت میکند و مارکهایی مانند Zoom Systems (ماشین فروش خودکار اپل؛ سونی و سایر محصولات الکترونیکی و تجاری)، دراپ باکسهای FedEx و UPS را ارائه میدهد. این شرکت در نیمی از فرودگاههای دیگر نیز از جمله فرودگاه بین المللی LaGuardia، فرودگاه بین المللی جان اف کندی، فرودگاه بین المللی ساوانا / هیلتون هد و فرودگاه منطقهای آگوستا فعالیت کرده است.
ویلیام سوئیفت میگوید نقص ماشین فروش خودکار این است که فروشنده انسانی ندارند، بنابراین ما باید این موضوع را بررسی کنیم که چگونه افراد را متقاعد کنیم که از این طریق محصولات مورد نیاز خود را بخرند. زیرا در این مورد خریداران کسی روبرویشان نیست تا با او گفتگو کنند و سوالات خود را بپرسند.
از سوی دیگر کووید ۱۹ باعث شده است که همه نسبت به شرایط موجود حساس باشند، مانند نگرانی افراد در مورد لمس محصولی که ممکن است شخص دیگری آن را لمس کرده باشد. وی گفت: در روش های دیگر، هیچ کس به جز فروشنده آن محصول را لمس نکرده است
روزنبرگ از پیشکسوتان صنعت محصولات بستهبندی شده میگوید: «ما میتوانیم برند خود را با خودکارسازی کنترل کنیم و اطمینان حاصل کنیم که تجربه خوبی را به مصرف کننده ارائه میدهیم. ما در تلاش هستیم تا از فناوری استفاده کنیم که مصرف کننده را به محصول مورد نظر خود نزدیکتر کنیم. خرده فروشی خودکار برای تحقق این موضوع بسیار مهم است.»
مزایای هوش مصنوعی برای کوکاکولا
تئو ، پیش از پیوستن به کوکاکولا سه سال در تیم Freestyle بوده و در نقشهای متمرکز بر تجربه کاربر و معماری اطلاعات فعالیت کرده است. او معتقد است در شرکت کوکاکولا هوش مصنوعی به ما در دستیابی به ماشین فروش خودکار نوشابه کمک کرده است. وی میگوید :«از هوش مصنوعی به چندین روش استفاده میکنیم. به طور مثال این هوش مصنوعی است که کمک میکند تا دستگاه متوجه شود چه مقدار از حجم لیوان خالی است و دقیقا همان مقدار نوشابه بریزد.» همچنین ازالگوریتمهای هوش مصنوعی برای تعیین زمان اتمام شارژ نوشیدنی استفاده میکند.
این شرکت ابزار دیگری را به نام mobile pour در سال ۲۰۱۹ توسعه داد و به مدت ۶ هفته به طور آزمایشی کار کرد سپس در ژوئیه سال ۲۰۲۰ به بازار عرضه شد. این ابزار به افراد امکان میدهد تا آنها از طریق گوشی خود و بدون نیاز به لمس دستگاه یا حتی صفحه نمایش نوشیدنی را سفارش داده و از آن استفاده کنند. این ابزار اکنون در نیمی از بازارهای اروپایی این شرکت به کار گرفته شده است. این نوآوری تماما با دادههای مربوط به هوش مصنوعی مرتبط بود.
تئو میگوید :«گاهی اوقات سادهترین دادهها همان چیزی است که مورد نیاز است و به شما امکان میدهد تارو به جلو حرکت کنید.»
تئو همچنین حکایتی را در مورد به کارگیری هوش مصنوعی برای خلق یک ترکیب نوشیدنی به نام Sprite-Cherry نقل میکند :«کوکاکولا همچنین از هوش مصنوعی استفاده میکند تا بداند کدام مصرف کنندگان و در چه مکانی از تلفن همراه خود استفاده میکند. اطلاعات اولیه نشان میدهد که استفاده از دستگاههای تلفن همراه برای فروش نوشیدنی در سینما، دانشگاهها و بیمارستانها بسیار بیشتر است، اما در محیطهایی مانند رستورانها بسیار کمتر است. دانستن این نکته به شرکت در تعیین جایگاه و دسترسی به فناوری کمک میکند.
پیشرفتها «نجومی» هستند
روزنبرگ اظهار داشت که با دستگاه Briggo آشنا است و آن را نوآوری بزرگی میداند.
او افزود :«ما میتوانیم هنگام انتظار آنلاین در TSA (در فرودگاه) قهوهای سفارش دهیم. این فوق العاده است و یک ابتکار عالی محسوب میشود.»
به گفته Detwiler، چنین ابتکاری تنها بخش کوچکی از قابلیت هوش مصنوعی در فضای ماشین فروش خودکار و خدمات سلف سرویس است. وی اضافه کرد :«پیشرفتها و فوایدی که میتوان کسب کرد نجومی هستند. ما هنوز در ابتدای راه هستیم.»
روزنبرگ میگوید با اینکه همه گیری کووید ۱۹ چالشها و موانعی به وجود آورده است، اما زمینه اثبات هوش مصنوعی و فناوریهای نوظهور نیز بوده است، زیرا همه گیری در حال ایجاد عادات جدید در مصرف کننده است و در هنگام سفارشیسازی به مشتریان حق انتخاب میدهد.
به گفته او :«شما به تعادل محصول مناسب و فناوری مناسب نیاز دارید. اتصال فناوری مناسب به محصولات مناسب و برآورده کردن انتظارات مشتری چالشی است که همه ما با آن روبرو هستیم.»
تولیدکنندگان باید به ارائه دهندگان خدمات توجه داشته باشند
سوییفت تولیدکنندگان تجهیزات را برای تولید ماشین آلاتی که همزمان با پیچیدگی بیشتر قابل اعتمادتر هستند، به چالش کشید. او خاطرنشان کرد دستیابی به این توازن نیاز به ارتباط بیشتر بین تامین کنندگان تجهیزات و افرادی است که ماشین آلات را سرویس میکنند.
سوییفت که یک دستگاه CBD مجهز به فناوری هوش مصنوعی در فرودگاه آتلانتا را اداره میکند میگوید :«اگر در یک دوره زمانی پسرفت کنیم، فروش و مشتری را از دست میدهیم. این تجهیزات اغلب حساس هستند. ما به دنبال یک شورولت هستیم و یک لامبورگینی داریم. ترجیح ما یک شورولت پایدار است. تجهیزات با چیزی که فکر میکنیم صنعت در تلاش است به آن برسد، همخوانی ندارد.»
تجهیزات در حال نزدیک شدن به چیزی هستند که تمام این اجزای پیچیده را در خود جای داده است، اما در عین حال ممکن است خراب شود. تیم میدانی وی که بسیار با تجربه هستند، در سرویسدهی برخی از این تجهیزات با مشکل روبه رو شدهاند. اگر ماشین فروش خودکار برای چند ساعت از کار بیفتد، ممکن است ۱۰ هزار فروش از دست برود.
وی افزود :«درخواست ما این است که تولیدکنندگان با ما همکاری کنند تا به تجهیزاتی برسیم که تحویل آنها تا این حد پیچیده نباشد. از نظر نرمافزاری از هوش مصنوعی بهره ببرید، اما تجهیزات باید مشکلات کمتری ایجاد کنند و تا حدی سازگاری داشته باشند تا همیشه به طور مؤثر کار کنند. ما در کار فروش محصول هستیم، نه در کار مدیریت یک ماشین.»
تجاری سازی هوش مصنوعی همواره با مصائبی همراه بوده است. هفته گذشته با توجه به موفقیت شرکت دیپ مایند در استفاده از هوش مصنوعی برای پیشبینی تاشدگی پروتئین، این خبر منتشر شد که این شرکت هوش مصنوعی مستقر در انگلستان هنوز سالانه صدها میلیون دلار به شرکت مادر خود، آلفابت، ضرر میزند.این که یک شرکت فعال در حوزه تکنولوژی پول از دست بدهد، اتفاق تازهای نیست. تاریخ صنعت تکنولوژی سرشار از داستانهای مربوط به سرمایهگذارانی است که با رویای تجاری سازی هوش مصنوعی، کارشان را آغاز کردند و خیلی زود تمام پولشان را از دست دادند. اما دیپ مایند یک شرکت معمولی نیست که با رویای به دست آوردن سهمی در بازار، پا به عرصه رقابت در این زمینه گذاشته باشد. این شرکت یک آزمایشگاه تحقیقاتی مربوط به هوش مصنوعی است که حالا مجبور شده برای بقا نیمی از تمرکزش را روی اهداف تجاری متمرکز کند.
هرچند مالک این شرکت که مالکیت شرکت مادر گوگل را هم دارد، فعلا مشکلی با هزینههای سرسامآور این شرکت ندارد، اما تضمینی نیست که این حمایت او همیشگی باشد و شرایط در آینده تغییر نکند. به همین دلیل است که دیپ مایند برای آینده باید نگاهی به تجاری سازی هوش مصنوعی داشته باشد.
ضرر و زیانهای دیپمایند
طبق گزارش سالانه خانه شرکتهای بریتانیا، دیپ مایند در سال ۲۰۱۹ توانسته درآمدش را از دو برابر هم بیشتر کند و آن را به ۲۶۶ میلیون پوند برساند. این رقم در سال ۲۰۱۸ حدود ۱۰۳ میلیون پوند بوده است. اما به همین نسبت مخارج این شرکت هم افزایش پیدا کرده و از ۵۶۸ میلیون پوند سال ۲۰۱۸ به ۷۱۷ میلیون پوند در سال ۲۰۱۹ رسیده است. در نتیجه ضرر کلی این شرکت از ۴۷۰ میلیون در سال ۲۰۱۸ به ۴۷۷ میلیون در سال ۲۰۱۹ رسیده است.
در نگاه اول، این خبر بدی نیست. در مقایسه با سالهای قبل، تجاری سازی هوش مصنوعی در دیپ مایند موفق بوده است. یعنی ضرر بسیار کم بوده و سوددهی آن هم رشد خوبی داشته است.
اما در گزارش موارد دیگری هم مطرح شده است. در بخشی آمده که « پاداش تحقیق و توسعه گردش مالی از سایر شرکتهای گروهی»؛ این یعنی مشتری اصلی دیپمایند خودش است. آلفابت هزینههای دیپ مایند را پرداخت میکند تا تحقیقات هوش مصنوعیاش را در زیرساختهای گوگل اعمال کند. در گذشته گوگل از خدمات دیپ مایند برای اموری مانند مدیریت شبکه برق مرکز داده خود و بهبود هوش مصنوعی دستیار صوتی آن استفاده میکرد.
برداشت دیگری که میتوان کرد این است که دیپمایند هنوز در بازار هوش مصنوعی سهمی ندارد و اگر هم بازاری باشد، فقط متعلق به گوگل است.
در گزارش منتشر شده همچنین آمده که افزایش هزینهها عمدتا به دلیل افزایش استفاده از زیرساختهای فنی، کارمندان و غیره است.
این نکته مهمی است. زیرساخت فنی دیپ مایند عمدتا بر روی خدمات ابری گوگل و پردازنده هوش مصنوعی مخصوص این شرکت، واحد پردازش تنسور است. بخش اصلی تحقیقات دیپ مایند یادگیری تقویتی است که نیاز به دسترسی به هر منبع محاسباتی گرانقیمتی را دارد. برخی از پروژههای این شرکت در سال ۲۰۱۹ مانند کار بر روی یک سیستم هوش مصنوعی به نام StarCraft 2 و دیگری به نام Quake 3، بود که هر دو میلیونها دلار هزینه، فقط در مرحله تمرینی داشتند.
یکی از سخنگویان شرکت دیپ مایند در گفتگو با مطبوعات این طور عنوان کرد که رقم ذکر شده در گزارش کار بر روی پروژه AlphaFold را هم شامل میشود؛ پروژه پرهزینه دیگری که روی موضوع هوش مصنوعی و تاشدگی پروتئین کار میکند.
جزئیاتی از این که گوگل چه مبلغی از دیپ مایند برای خدمات ابریاش دریافت میکند، در دسترس عموم قرار نگرفته است. اما انتظار میرود که تخفیفی برای این شرکت در نظر گرفته باشد. این یعنی بدون حمایت گوگل، هزینههای دیپ مایند حتی از این بیشتر هم میشد.
یک مورد مهم دیگر هزینه مربوط به کارکنان است. در حالی که حضور در دورههای یادگیری ماشین در سالهای گذشته رشد زیادی داشته، دانشمندانی که میتوانند در نوعی تحقیق پیشرفته در زمینه هوش مصنوعی شرکت کنند که دیپ مایند در آن نقش دارد، بسیار کم هستند. حتی گفته میشود برخی از متخصصان هوش مصنوعی دستمزد سالانه ۷ رقمی دارند.
با افزایش اشتیاق به یادگیری عمیق و کاربرد آن در امور تجاری، شرکتهای فعال در زمینه تکنولوژی مجاب شدند تا برای به خدمت گرفتن افراد متخصص هوش مصنوعی رقابت کنند. بیشتر متخصصین بزرگ این حوزه هم به صورت تماموقت یا پارهوقت برای شرکتهای بزرگی مانند گوگل، فیسبوک، آمازون و مایکروسافت کار میکنند. اما رقابت برای جذب متخصصین هوش مصنوعی دو جنبه دارد. اول این که مثل هر زمینه دیگری، وقتی عرضه و تقاضا متعادل نباشند، نتیجه افزایش بیش از اندازه دستمزدها میشود. دوم این که بسیاری از موسسات و دانشگاهها توان پرداخت دستمزدهای متخصصین هوش مصنوعی را ندارند و در نتیجه این افراد را از دست دادهاند. برخی از دانشمندان به منظور ادامه تحقیقات در بخش آموزش هم فعال ماندند، اما تعدادشان خیلی کم است.
همچنین بدون حمایت شرکتهای بزرگی مانند گوگل، آزمایشگاههای تحقیقاتی مانند دیپ مایند نمیتوانند متخصصین بزرگ را برای کار بر روی پروژههایشان استخدام کنند.
پس با این که دیپ مایند با سرعت کمی به سمت تجاری سازی هوش مصنوعی خود میرود، نباید فراموش کند که همین سود اندک را هم مدیون گوگل است که با منابع مالی مناسب و اعطای دسترسی به زیرساخت ابری آن هم با قیمت پایینتر از قیمت اصلی، به آنها کمک کرده است.
گوگل هنوز از دیپ مایند راضی است
طبق گزارش سالانه دیپ مایند، هلدینگ ایرلند گوگل با مسئولیت نامحدود، یکی از شعب سرمایهگذاری آلفابت، از بازپرداخت وامهای بین شرکتها و کلیه سودهای تعلق گرفته به مبلغ ۱.۱ میلیارد پوند، صرف نظر کرده است.
دیپ مایند همچنین از گوگل تعهدنامه کتبی دریافت کرده که حداقل برای مدت ۱۲ ماه به حمایتهای مالی از پژوهشهای مربوط به هوش مصنوعی شرکت، ادامه دهد. به نظر در حال حاضر گوگل از پیشرفت دیپ مایند راضی است و این موضوع در صحبتهای مدیران گوگل و آلفابت هم مشخص است.
ساندر پیچای، مدیر آلفابت، در رویداد ارائه درآمد سه ماهه برای سرمایهگذاران و تحلیلگران که در ماه جولای برگزار شد، گفت:«از سرعت مجموعه توسعه و تحقیقاتمان در حوزه هوش مصنوعی بسیار راضیام و برای من این مهم است که ما به عنوان یک شرکت در این زمینه پیشرو هستیم. من به شخصه از سرعت کار مهندسانمان در بخش توسعه و تحقیقات گوگل و دیپ مایند راضی هستم».
تحقیقات علمی در دنیا اما سرعتی متفاوت دارند. تحقیقات علمی هر ۱۰ سال یک بار اندازهگیری میشوند. بیشتر تکنولوژی هوش مصنوعی که امروزه در تجارت مورد استفاده قرار میگیرد، از دهه ۷۰ و ۸۰ میلادی شروع به شکل گرفتن کرده است. به همین ترتیب، بسیاری از تحقیقات پیشرفته و تکنیکهایی که در کنفرانسهای هوش مصنوعی به آن اشاره میشود، قرار نیست در سالهای پیش رو و خیلی زود به بازار راه پیدا کنند. هدف نهایی دیپ مایند توسعه عمومی هوش مصنوعی است که خوشبینانه چندین دهه با تحقق آن فاصله دارد.
از طرفی صبر سهامداران و سرمایهگذاران ماهانه و سالانه کمتر میشود. شرکتهایی که در عرض چند سال در تجاری سازی هوش مصنوعی ناموفق باشند یا حداقل نشانههای مثبتی نداشته باشند، سرمایهگذارانشان را از دست میدهند. دیپ مایند هم یکی از این شرکتهاست. مشخص هم نیست که ایدههای تجاری این شرکت یا حداقل یکی از آنها، چه زمانی برای بهرهبرداری آماده است.
این معضل اصلی دیپ مایند است. دیپ مایند یک آزمایشگاه تحقیقاتی است که میخواهد محدودیتها را کنار بزند و واقعیت این است که باید بتواند در زمینه تجاری سازی هوش مصنوعی هم قدمهایی بردارد. هدف مالک آن این است که محصولاتی بسازد که بتواند مشکلات بشر را حل کند و از طریق تجاری سازی هوش مصنوعی به سود هم برسد. البته که این دو مورد با هم در تضاد هستند و باعث میشود که دیپ مایند مجبور باشد در دو جهت حرکت کند. این که جنبه علمی خود را حفظ کند، یا این که تبدیل به یک شرکت هوش مصنوعی شود که محصول تولید میکند. پیش از این هم دیپ مایند برای برقراری تعادل بین این دو زمینه با مشکل جدی مواجه شده بود.
جالب است بدانید این فقط مشکل دیپ مایند نیست. شرکت اوپن ایآی، رقیب مطلق دیپ مایند هم همین بحران هویتی را دارد. این شرکت یک آزمایشگاه تحقیقاتی است که حمایت مالی مایکروسافت را دارد و حالا در حال تبدیل شدن به شرکتی است که مدل های یادگیری عمیق خود را اجاره میدهد.
از این رو، در حالی که دیپ مایند حداقل در حال حاضر نباید نگران مسائل مالی باشد، همچنین نباید از فکر به آینده خودش و آزمایشگاههای هوش مصنوعی غافل شود.