خلاقیت افزوده : چگونه هوش مصنوعی می‌تواند ابتکار و خلاقیت انسان را سرعت ببخشد؟

در سال ۲۰۱۲، اقتصاددانی به نام رابرت گوردون یک مقاله جنجالی منتشر کرد که در آن استدلال کرد رشد اقتصادی تقریبا به پایان رسیده است و دلیل عمده این مساله این است که ما در دهه‌های اخیر نتوانسته‌ایم موتورهای نوآوری را حفظ کنیم. مطالعه‌ای که در انستیتوی تحقیقات سیاست اقتصادی استنفورد انجام شد نظریه عمومی وی را تأیید کرد. در این مقاله آمده است با وجود اینکه در سال‌های اخیر هزینه بیشتری صرف خلاقیت افزوده و نوآوری شده است اما بازده ما کاملاً ثابت بوده و تغییر چندانی نکرده است. این سرمایه‌گذاری تنها مادی نیست، زیرا تحقیقات نشان می‌دهد تعداد افرادی که امروز در بخش تحقیق و توسعه مشغول به کار هستند نسبت به سال ۱۹۳۰ تقریباً ۲۰ برابر شده است.

موضوع چیست؟ چرا خلق بسیاری چیزهای جدید تا این اندازه سخت شده است؟ محققان دانشگاه نورث وسترن تلاش کردند در مقاله‌ای به این مسئله پاسخ دهند. آن‌ها می‌گویند بسیاری از ساخته‌های امروز همان چیزی است که به عنوان ترکیب مجدد شناخته می‌شود. در واقع، ۴۰٪ از کل حق ثبت اختراعات موجود در اداره ثبت اختراعات و علائم تجاری آمریکا کارهای جدیدی نیستند، بلکه بیشتر ایده‌های موجود است که با یکدیگر ترکیب شده‌اند.

کمک مصنوعی

یافتن راه‌های موثر برای تلفیق ایده‌های موجود، به هیچ وجه آسان نیست. مهم‌ترین دلیل این موضوع افزایش حجم تولید موضوعات منتشر شده است. به عنوان مثال در چند ماه اول بیماری کووید ۱۹ حدود ۲۳۰۰۰ مقاله در مورد این ویروس منتشر شده است که هر ۲۰ روز این تعداد دو برابر می‌شود.

در این میان جامعه علم داده در کاگل دور هم جمع شدند تا برای تهیه یک مقاله مروری مبتنی بر هوش مصنوعی که می‌تواند حجم عظیمی از مطالب جدید را درک و پردازش کند تلاش کنند. برای این منظور نقاط داده از مقالات جمع آوری شد و در ۱۷ دسته گروه‌بندی شد و مقالات هر گروه لیست شدند. این ممکن است بهترین رویکرد نباشد اما به دلیل محدودیت زمانی است که توسط کووید ۱۹ ایجاد شده قابل قبول است.

از سوی دیگر محققان کارنگی ملون یک روش جایگزین را ایجاد کردند: این روش مبتنی بر هوش مصنوعی است و برای استخراج حق ثبت اختراع و جستجو در دیتاست‌ها برای یافتن ایده‌هایی که می‌توانند با هم ترکیب شوند و راه‌حل‌های جالبی برای مشکلات خاص ایجاد کنند. سیستم آن‌ها از قیاس استفاده می‌کند، که به اعتقاد آن‌ها نوآوری را سریع‌تر و بسیار ارزان‌تر می‌کند.

خلاقیت تقویت شده

آنچه ما شاهد آن هستیم ظهور مفهومی به نام “خلاقیت تقویت شده” است که در آن خلاقیت افزوده هوش مصنوعی به انسان‌ها کمک می‌کند تا سیل عظیمی از اطلاعات را بفهمند. نمونه‌های اولیه، نقش مهمی را که انسان می‌تواند و باید داشته باشد برجسته می‌کند. درواقع می‌تواند در معنا بخشیدن به پیشنهادهایی که توسط هوش مصنوعی ارائه می‌شود کمک‌کننده باشد.

OpenAI با انتشار ابزاری برای ساخت موسیقی به نام Jukebox در تلاش بود تا این روش را تکرار کند. در حالی که خلاقیت افزوده در این دستاورد از منظر فناوری قابل توجه است، اما بعید به نظر می‌رسد کاروکاسبی نوازندگان را تهدید کند.

در صنعت غذا هم پروژه‌های مختلفی سعی کرده‌اند از هوش مصنوعی استفاده کنند تا با کاوش دیتاست‌های ترکیبات غذایی، دستورغذایی‌های جدید و دلفریبی تولید کنند. به عنوان مثال، سارا رابینسون محقق گوگل اخیراً سیستم خود را که یک کیک‌کوکی تولید می کند به نمایش گذاشت. محققان Accenture هم نمونه اولیه‌ای از ابزار ایجاد دستورغذایی مشابه را در مرکز خود در دوبلین رونمایی کردند. البته نتایج آن باعث معده درد شد.

شبیه‌سازی دقیق‌تر

بیشتر اینگونه رویکردها که از آن صحبت شد از دیتاست‌های عظیمی استفاده می‌کنند که در آن هوش مصنوعی به کاوش و جستجوی اتصالات ثابت و درعین حال استفاده نشده می پردازد. با استفاده از شبکه‌های مولد تخاصمی نسل بعدی مدل‌ها قادر به ارائه ایده‌ها، بدون نیاز به دسترسی به منطق زیربنایی هستند.

به عنوان مثال، محققان Nvidia و دانشگاه تورنتو اخیراً یک شبکه مولد تخاصمی را به نمایش گذاشتند که آموزش دیده بود تا بازی‌ها را با مشاهده صفحه بازی و اقدامات گیمرها در حین بازی شبیه‌سازی کند. این سیستم می‌توانست بدون اینکه نیازی به دسترسی به منطق بازی داشته باشد بهترین استراتژی‌ها را به راحتی از طریق تماشای بازی بیاموزد.

محققان می‌گویند: “علاوه بر این، GameGAN می‌تواند اجزای استاتیک و پویا را در یک تصویر جدا کند و باعث می‌شود رفتار مدل برای کارهایی که نیاز به استدلال صریح درباره عناصر پویا دارند، تفسیر پذیرتر و مرتبط‌تر باشد. در نتیجه بسیاری از کارها از جمله ساخت بازی‌های جدید که وجود ندارند انجام‌پذیر می‌شوند.”

عبور از دره مرگ

تخمین زده می‌شود که ۹۵٪ از اختراعات ثبت شده مجوز ندارند یا به نوعی تجاری‌سازی نمی‌شوند، حتی در صنایع مختلف مانند تلویزیون و داروسازی، شکست به جای اینکه استثنا باشد یک قاعده است و بهترین پروژه‌ها اغلب راه به جایی نمی‌برند.

بنابراین جای تعجب نیست که هوش مصنوعی به طور فزاینده‌ای در مراحل بعدی تولید محصول مورد استفاده قرار می‌گیرد تا بتواند ایده‌هایی بیشتر را به بازار عرضه کنند. به عنوان مثال، محققان دانشگاه بریستول نحوه استفاده از هوش مصنوعی را در زمینه‌های مختلف پس از تولید فیلم از جمله رنگ‌آمیزی برجسته می‌کنند.

به همین ترتیب، فناوری ردیابی چشم و کنترل حرکت به طور فزایندهای در ساخت انیمیشن‌ها به کار گرفته می‌شود. ردیابی چشم حضور رو به رشد خود در فرایندهای دیجیتال از توسعه وب گرفته تا بازاریابی هوش مصنوعی را سرعت می‌بخشد. تجزیه و تحلیل ردیابی چشم با استفاده از هوش مصنوعی، بازاریابان را قادر می‌سازد تا قابلیت مشاهده عناصر طراحی را در طی مراحل توسعه وب سایت یا تبلیغات ارزیابی کنند. علی‌رغم ترس گسترده در مورد جایگزینی هوش مصنوعی با انسان در محل کار، این برنامه و سایر برنامه‌های مشابه تهدیدی برای انسان‌ها نیستند و در روند خلاقیت آنها دخالت نمی‌کنند بلکه آن‌ها را قادر می‌سازند تا تصمیمات موثرتری اتخاد کنند.

بسیاری از این موارد استفاده از خلاقیت افزوده هوش مصنوعی نشان می‌دهد که این فناوری تا چه اندازه می‌تواند کارایی را افزایش دهد. بنابراین هوش مصنوعی ابزاری اسن تا با استفاده از آن انسان‌ها بتوانند از دره مرگ که اغلب شکست ایده‌ها در آنجا رخ می‌دهد عبور کنند. یک مثال عالی Cinelytic است. این شرکت مستقر در لس‌آنجلس با اتکا به بر هوش مصنوعی به فیلم‌سازان کمک می‌کند تا تصمیمات مختلف از انتخاب ژانر گرفته تا بازیگران فیلم را که باعث فروش بیشتر فیلم می‌شوند را بهتر اتخاذ کنند.

همنچنین محققان دانشگاه روچستر دریافته‌اند که چگونه می‌توان با استفاده از خلاقیت افزوده هوش مصنوعی همکاران خود را به طور دقیق‌تری انتخاب کنیم. آنها از این ایده سخن می‌گویند که که شبکه‌های اجتماعی افراد را معمولا بر اساس شباهت‌ها به یکدیگر معرفی می‌کند، اما بهترین نتایج اغلب زمانی حاصل می‌شود که ما افرادی جفت و جور شویم که تکمیل کننده کما باشند نه شبیه ما.

شرکای ایده آل

پال داگورتی و جیم ویلسون رهبران Accenture معتقدند که هوش مصنوعی را باید هوش تقویت‌کننده نامید و نه هوش مصنوعی، زیرا بهترین نتیجه هنگامی رخ می‌دهد که افراد و ماشین‌ها مکمل یکدیگر باشند. قانون کسپاروف اهمیت فرآیندهای قوی را در هر فعالیت خلاقانه به ما یادآوری می‌کند و این نکته را خاطرنشان می‌کند که هیچ یک از فناوری های هوشمند نمی‌توانند بر نقاط ضعف انسانی غلبه کنند.

وینستون چرچیل اظهار نظر مشهوری دارد که می‌گوید هرگز نباید فرصت استفاده از یک بحران را هدر داد. این در حالی است که اتفاق نظر وجود دارد که ما نتوانستیم از بحران مالی ۲۰۰۸ آنطور که باید و شاید استفاده کنیم اما در مورد کووید ۱۹ یک انگیزه اجتماعی در حال رشد وجود دارد که پس از عبور از این بحران جهان به جای بهتری تبدیل شود. مایکل همر ۳۰ سال پیش به تندی این موضوع را به ما گوشزد کرد که فناوری وقتی بهترین نتیجه را به همراه خواهد داشت که همه کارهای ما را انجام ندهد و به جای آن به ما اجازه دهد تا به طور اساسی در مورد این موضوع فکر کنیم که دنیای اطراف ما چگونه ممکن است باشد و یا تبدیل به چه شود؟

برخلاف بحران سال ۲۰۰۸ اکنون در عصری به سر می‌بریم که هوش مصنوعی می‌تواند کمک قابل‌توجهی به ما بکند. بیماری کووید ۱۹ سختی‌های بسیاری را به وجود آورده است، اما اگر از این اتحاد جمعی که به وجود آمده بهره ببریم و از هوش مصنوعی برای ساخت جامعه بهتر برای همه استفاده کنیم، ادامه راه راحت‌تر خواهد شد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

سگ های رباتیک برای یادگیری از کودک انسان تقلید می‌کنند

شما در برهه‌ای از کودکی‌تان یاد گرفتید که چطور بعد از زمین خوردن، بلند شوید و روی پاهای خود راه بروید. سگ های رباتیک حالا از این روش برای یادگیری استفاده می‌کنند. احتمالا برای یادگیری این موضوع، والدینتان شما را تشویق کردند؛ اما در بیشتر موارد آزمون و خطا باعث شد که شما آموخته‌هایی داشته باشید.

اما ربات‌هایی مانند Spot و Atlas که از ربات‌های بوستون داینامیکس هستند، راه رفتن و رقصیدن را با این روش‌ها یاد نگرفتند؛ بلکه به طور دقیق کدگذاری شدند تا وظایفی را که به عهده‎‌شان می‌گذاریم، انجام دهند. جالب است بدانید نتایج عملکرد آن‌ها در بسیاری از موارد چشم‌گیر است و تجارب جدید باعث می‎شود بتوانند کارهایی را هم یاد بگیرند که برای انجام آن برنامه‎‌نویسی نشده‌اند. اما تیم مشترکی از محققان دانشگاه ژجیانگ و ادینبرگ مدعی شدند که آن‌ها حتی روش بهتری برای توسعه مدل خاصی از ربات دارند.

در یکی از مقاله‌های هوش مصنوعی که اخیرا در مجله Science Robotics منتشر شده، آن‌ها جزئیاتی از یک رویکرد یادگیری تقویتی را بیان کردند که در آن به جویینگ، یکی از سگ های رباتیک خودشان، آموزش دادند که چطور راه برود و هر بار بعد از زمین خوردن بلند شود.

تیم توسعه‌دهنده این ربات در گفتگویی با Wired اعلام کرده که آن‌ها ابتدا نرم‌افزاری را آموزش داده‌اند که می‌تواند نسخه مجازی این ربات را راهنمایی کند. این نرم‌افزار شامل هشت بخش تخصصی هوش مصنوعی بود که هر یک برای تسلط بر مهارت خاصی آموزش دیده‌اند. به عنوان مثال، یکی در راه رفتن مسلط شد، در حالی که دیگری یاد گرفت چگونه تعادل برقرار کند. هر بار که ربات دیجیتال کاری را با موفقیت انجام می‌داد، تیم محققان با یک امتیاز مجازی به آن پاداش می‌داد. این همان روشی است که اخیرا گوگل از آن برای آموزش الگوریتم MuZero استفاده کرده است.

هنگامی که آن‌ها برای ساخت سگ های رباتیک هشت بخش تخصصی را با موفقیت آموزش دادند، یک شبکه اضافی ایجاد کردند تا به عنوان نوعی سرمربی عمل کند. شبکه‌ای که می‌تواند ورودی‌های هشت الگوریتم دیگر را مدیریت کند و بر اساس شرایط خاص هریک از آن‌ها را به نسبت دیگری در اولویت قرار دهد. آن‌ها سپس نرم‌افزار خود را به یکی از نمونه‌های اولیه خود منتقل کرده و آن را آزمایش کردند. نتیجه این بود که هربار ربات را با لگد زدن یا هل دادن به زمین می‌انداختند، دوباره بلند می‎شد و می‌توانست شروع به راه رفتن کند.

ژیبین لی، یکی از نویسندگان این گزارش، به Wired گفت که هدف تحقیق تیم آن‌ها «ایجاد نوعی ماشین هوشمند است که بتواند برای پرواز مهارت‌های انعطاف‌پذیری و انطباقی را ترکیب کند و از طریق آن انواع وظایفی که قبلا نداشته را مدیریت کند».
با این حال ممکن است به این زودی شاهد انتخاب جویینگ و اسپاتینگ به عنوان بهترین سگ های رباتیک نباشیم. یکی از چالش‌هایی که تیم سازنده انواع ربات‌ها پیش رو دارد، کاهش میزان محاسبات لازم برای شبیه‌سازی آموزش ربات است. با انجام این کار است که آن‌‎ها می‌توانند در کاربردهای عملی مفیدتر باشند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

چگونه استفاده از هوش مصنوعی در هنر الهام بخش انسان‌ها است؟

این روزها یادگیری ماشین در حال جمع‌آوری داده‌ها با سرعت نمایی است. اگرچه، هوش مصنوعی سعی در شبیه‌سازی رفتارهای انسان دارد، اما تمام هدف آن نیست. هوش مصنوعی در هنر خلاقیت خود را بروز می‌دهد. اگرچه این حوزه‌ها در ابتدای راه هستند و با محدودیت‌های زیادی روبرو هستند، برخی از الگوریتم‌های آموزش دیده عصبی می‌توانند استراتژی‌های هنرمندان و استادان بزرگ را تشخیص دهند و آثار هنری خلق کنند، آثاری که گویی به دست انسان‌ها خلق شده‌اند.

به نظر می‌رسد این توانایی‌های رباتیک بدون زیر سوال بردن مهارت‌های انسانی می‌توانند به عنوان مکملی برای شهود انسانی ما باشند و منبع الهام هنرمندان در روند خلاقیت و ایده‌های خود باشد.

در اینجا با ۴ ربات برجسته آشنا می‌شوید که به خلاقیت و آنچه که آن‌ها به هنرمندان می‌آموزند شناخته می‌شوند:

کاربرد هوش مصنوعی در هنر با ربات نقاش

مجموعه هنری پاریسی Obvious در تلاش است تا با به کارگیری هوش مصنوعی در هنر و نقاشی، مرزهای بین هنر انسانی و هنر رباتیک و هوش مصنوعی را درنوردد. فناوری این کار ساده است: ابتدا با بیش از ۱۵۰۰۰ پرتره نقاشی که از قرن ۱۴ تا امروز کشیده شده‌اند، الگوریتم‌ها تغدیه می‌شوند. سپس الگوریتم عصبی اول، یاد می‌گیرد که نسخه‌های متعددی از این نقاشی‌ها ایجاد کند بعد از آن الگوریتم عصبی دوم تفاوت بین تصویر تولیدشده و تصویر اولیه را ارزیابی می‌کند.

تا زمانی که کیفیت این آثار با توجه به عواملی مانند تازگی، پیچیدگی و ابهام به بالاترین حد نرسید، این کار ادامه می‌یابد. وقتی که دیگر ابزار تمییزدهنده، نتواند آثار خلق شده را از آثار اصلی تفکیک کند، روند متوقف می‌شود.

این مجموعه بر اساس روش شبکه مولد تخاصمی که توسط ایان گودفلو توسعه‌دهنده شرکت گوگل ایجاد شده می‌خواهد نتیجه نهایی را به سمت یک اثر هنری بهینه سوق دهد، اثری که نه خیلی آشنا باشد نه خیلی جدید، نه خیلی واضح و نه خیلی آشفته.

نتیجه این کار، چندین اثر فریبنده بود که درک و خلاقیت انسان را زیر سوال برد. به حدی که یکی از فروشندگان آثار هنری توانست یک اثر جذاب را به نام «Edmund de Belamy» به قیمت بیش از ۴۳۲.۵۰۰ دلار بفروشد.

اگر پشت این الگوریتم‌ها انسان باشد، هنرمندان را درباره جایگاه ماشین‌ها در هنر به فکر فرو می‌برد. چه می‌شود اگر خلاقیت‌های هنری براساس الهام انسان نباشد بلکه براساس بهینه‌سازی الگوی بصری و نقاشی تعیین شوند؟ با این حال، این موضوع اگرچه هنوز هنرمندان را زیر سوال نمی‌برد، اما الهام بخش فرایندهای هنری جدیدی می‌شود: هنر دیجیتال که به طور خودکار تولید می‌شود.

آلفاگو پیروز بازی Go

رباتی بود که توسط دمیس حسابیس طراحی شد. آلفاگو در ماه مارس سال ۲۰۱۶ و پس از آموزش در برابر صدها بازیکن حرفه‌ای آماده شد تا یکی از بهترین بازیکنان این بازی یعنی لی سدول را شکست دهد. هوش مصنوعی با یادگیری ماشینی پیش از این پیشرفت قابل توجهی را در یک بازی نشان داده بود که تصور می‌شد فقط با استفاده از هوش و خلاقیت انسانی می‌توان پیروز شد.

اما دنیای بازی Go پیچیده بود. با این حال، وقتی آلفاگو مقابل یکی از بهترین بازیکنان این بازی، لی سدول بازی می‌کرد، مطمئناً با دانش عمیق این بازی می‌توانست بدرخشد. در بازی، آلفاگو از این هم فراتر رفت و با استفاده از استراتژی‌های بسیار جذاب، رقیب خود را در هم کوبید.

در این بازی آلفاگو حرکاتی را اختراع کرد که تا پیش از این، هیچ بازیکنی انجام نداده بود. بسیاری معتقد بودند حرکت ۳۷ آلفاگو باعث شکست او می‌شود اما بازی که ادامه یافت همین حرکت باعث برنده‌شدن او شد. خود لی سدول بعدها اعتراف کرد که حرکات آلفاگو او را در موضع ضعف قرار داد و باعث شکست وی شد.

لی سدول می‌گوید: من فکر کردم آلفاگو بر اساس محاسبات احتمال است و این فقط یک ماشین است. اما وقتی این حرکت را دیدم، نظرم عوض شد. مطمئنا آلفاگو بسیار خلاق است.

بعد از این، آلفاگو چنان هوشمندی‌ای از خود نشان داد که چشم اندازهای استراتژیک جدیدی به سوی بازی Go گشود. آنقدر که تیم دیپ مایند سرمایه‌گذاری زیادی بر روی آلفاگو کرد. آن‌ها امیدوار بودند که این مهارت به بازیکنان کمک کند تا در Go بهتر شوند. این هنوز قبل از نسخه بسیار پیشرفته یعنی Alpha Go Zero بود.

وقتی هوش مصنوعی منتقدان موسیقی را فریب داد

وقتی که دیوید کوپ نتوانست ایده‌ای برای ساخت قطعه اپرای جدید پیدا کند و ناامید شده بود، تصمیم گرفت به رایانه‌های خود مراجعه کند تا چیزی به وی الهام شود.

او یک الگوریتم را به نام Experiments in Intelligence آموزش داد تا کارهای آهنگسازان بزرگی مانند باخ، موتزارت و شوپن را به دقت بررسی کند. دیوید کوپ از این الگوریتم خواست تا بر اساس الگوی موجود در آثار و ترتیب منطقی نت‌ها که به طور منظم در آثار آهنگسازان دیده می‌شود یک قطعه بسازد.

سپس، کوپ از این الگوریتم خواست تا قوانین خاص فواصل زمانی شامل کشش کم و بالا را رعایت کند. قطعه نهایی به طور شگفت‌انگیزی همانند کارهای آهنگسازان بزرگ بود و حتی جزئیات ظریف و تازه‌ای به آن اضافه شده بود. با این حال، وقتی منتقدان فهمیدند که این قطعه با استفاده از کاربرد هوش مصنوعی در موسیقی ساخته شده، سختگیرتر شدند.

کوپ نوازندگی آثار خود را با موسیقی‌دانان واقعی در دانشگاه اورگان انجام داد. آن‌ها به نوبت دو قطعه معتبر باخ و قطعه‌ای که توسط الگوریتم امی ساخته شده بود  را اجرا کردند.

با کمال تعجب، قطعه ساخته شده توسط امی به عنوان اثر باخ مشخص شد، در حالی که دیگری به عنوان یک کپی «غیر احساسی» شناخته شد. با انتشار این خبر، حضار شوکه شدند. سوال این است چگونه یک ماشین می‌تواند این همه احساسات و صدای تا این حد جدید را ایجاد کند؟

دیوید کوپ معتقد است با سیر در دنیای ریاضیات می‌توان احساسات و قلب انسان را لمس کرد. مغز ما نسبت به ساختارهای کامل ریاضی رایانه، واکنش بسیار بهتری نشان می‌دهد، این ساختارها سبک تکرار نشدنی بزرگان را به طرز شگفت‌انگیزی بازتولید می‌کنند؛ در نتیجه، ما احساسات ناب و شفافی را تجربه می‌کنیم.

مهارتی که هوش مصنوعی در هنر و خلق یک قطعه موسیقی دارد به ما نشان می‌دهد که چگونه معنای هنر فقط از ادراک شخصی ما ناشی می‌شود. آهنگساز بهترین نت‌ها را انتخاب می‌کند و شنونده نیز زیباترین احساسات را از خود نشان می‌دهد.

وقتی هوش مصنوعی رمان می‌نویسد

هوش مصنوعی در حال یادگیری نویسندگی به ویژه نوشتن رمان است. یک بار که مسابقه نوشتن یک رمان در یک ماه در حال آغاز بود (مسابقه‌ای که در آن فرد باید یک کتاب داستانی ۵۰ هزار کلمه‌ای در یک ماه نوشته شود)، یک کاربر ایده شروع یک مسابقه جدید را مطرح کرد، مسابقه‌ای به نام NaNoGenMo که در آن هوش مصنوعی کتاب می‌نویسد.

در این مسابقه، الگوریتم رمان‌نویس نه صرفا به دلیل خلاقیت عالی و سبک نوشتن، بلکه به خاطر دادن فرصتی به ماشین‌ها برای رساندن صدای خود به همه‌گان برجسته شد.
نام یکی از رمان‌های نوشته شده به وسیله ماشین‌ها The Seeker بود. قرار بود یک کامپیوتر سعی کند از سایت WikiHow در مورد انسان‌ها اطلاعاتی کسب کند و سپس در این مورد بنویسد.
فرایند اینگونه بود که ماشین در مرحله اول مقاله‌های WikiHow را به صورت تصادفی انتخاب و تجزیه وتحلیل می‌کرد و در مراحل و دوم و سوم سعی در دادن معنا به این متون داشت. هربار که ماشین اطلاعاتی را استخراج می‌کرد، با معانی مختلفی از واژه و متونی که با آن‌ها سروکار داشت آشنا می‌شد. این فرایند آگاه شدن تقریباً شبیه رفتار انسان است زمانی که تلاش می‌کند زبانی را که با آن سروکار دارد تعریف و توضیح دهد.
نتایج بسیار شگفت‌انگیز بود. این نشان می‌دهد که از طریق دیدگاه ماشینی دریچه‌های نوینی بر روی نویسندگان باز می‌شود. ادبیات آینده می‌تواند بیش از پیش از «آگاهی‌های رباتیک» الهام بگیرد. اگرچه هوش مصنوعی به خلاقیت انسانی شبیه نیست اما شمه‌هایی از آن را تاکنون دیده‌ایم. این کارها مطمئناً می‌تواند درک هنری ما را عمق بخشد. همین کافی است که در این مورد مشتاق باشیم.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

کاربرد هوش مصنوعی در پرورش جیرجیرک ها برای کمک به رفع کمبود منابع غذایی

افزایش سرسام‌آور جمعیت کره زمین و توزیع نابرابر منابع طبیعی، کره زمین را به سمت بحران کمبود منابع غذایی برده است. یکی از راهکارهایی که برای این مشکل عنوان شده است افزودن یک چیز غیر معمول به سبد غذایی‌مان است؛ جیرجیرک‌ها. تیمی به سرپرستی گروه غذایی آسپیر می‌خواهد با ساخت اولین مجتمع تمام خودکار تولید حشرات در جهان و کاربرد هوش مصنوعی در پرورش جیرجیرک ها ، این موجودات را از مزارع بر سر سفره‌ها بیاورد.

این حشرات دارای محتوای پروتئین بالا و رد پای زیست‌محیطی کم هستند که می‌تواند جایگزینی پایدار برای گوشت و ماهی باشند. اگرچه جذاب‌ترین ظاهر را ندارند، اما ممکن است فریبنده باشند. آن‌ها به دلیل عطر و طعم عالی، بافت ترد و قابض بودن مشهور هستند. در این مجتمع، با کاربرد هوش مصنوعی در پرورش جیرجیرک، جیرجیرک‌ها این حشرات به محصولات غذایی از جمله پودر و تکه‌های گوشتی تبدیل می‌شوند.

برای اولین بار است که در یک پروژه، اتوماسیون صنعتی، اینترنت اشیا، رباتیک و هوش مصنوعی در یک محیط کنترل شده با موجودات زنده مستقر می‌شود.

در داخل این مجتمع سطل‌های تولید جیرجیرک به سنسورهای سفارشی مجهز هستند که تصویری کلی از سلامت موجود زنده و مجتمع را در هر زمان فراهم می‌کنند. سپس یادگیری عمیق که توسط استارت آپ کانادایی DarwinAI توسعه داده شده است، داده‌ها را تجزیه و تحلیل می‌کند تا با کسب بینش گسترده‌تری بتواند کارایی را افزایش دهد. این اتفاق منجر به نوعی بازخورد می‌شود که اجازه می‌دهد در صورت تغییرات محیطی، نحوه پرورش نیز به طور همزمان تغییر یابد.

شلدون فرناندز، مدیر عامل DarwinAI می‌گوید که هوش مصنوعی طیف وسیعی از داده‌ها، از جمله فیلم‌های جیرجیرک‌ها را به منظور شناسایی تغییرات بیولوژیکی تجزیه و تحلیل می‌کند. او در این باره می‌گوید: «اگر بخواهیم مثالی بزنیم باید بگوییم این فناوری قادر است از نوسان‌های محیطی که بر اساس سیگنال‌های دریافتی صورت می‌گیرد، برای به حداکثر رساندن عملکرد جیرجیرک‌ها بهره ببرد. همچنین اپراتورها نیز می‌توانند با بینش کسب شده، متغیرهای مهمی مانند کنترل رطوبت را تنظیم کنند.»

این پروژه موفق شده است بودجه‌ای از طرف Next Generation Manufacturing Canada که توسط دولت کانادا پشتیبانی می‌شود دریافت کند.

مدیر عامل NGen کانادا، جیسون مایرز در این باره می‌گوید: «هوش مصنوعی قطعا بخشی جدایی‌ناپذیر از بسیاری از جنبه‌های پروژه Aspire است. هوش مصنوعی می‌تواند در کنترل‌های زیست محیطی، بهینه‌سازی فرآیند و کارایی تجهیزات کمک کننده باشد. همچنین با استفاده از این فناوری نوین می‌توان چگونگی استفاده مجدد از مواد برای تقویت چرخه اقتصادی و همچنین بررسی مسائل زیست‌محیطی پروژه را زیر نظر داشت.»

این مجتمع پرورشی در سه ماهه اول سال ۲۰۲۲ فعالیت خود را آغاز خواهد کرد و هدف آن تولید سالانه نزدیک به ۲۰ هزار تن محصول با کاربرد هوش مصنوعی در پرورش جیرجیرک است. این مرکز در شهر لندن واقع در استان انتاریو کانادا قرار دارد، اما طراحی مدولار و توزیع جهانی جیرجیرک‌ها نشان می‌دهد این که فناوری به طور بالقوه می‌تواند در هر مکانی به کار گرفته شود.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

تعامل انسان و هوش مصنوعی : چطور تجربه مشتری را بهینه کنیم

یکی از ویژگی‌های بارز مشاغل موفق در قرن بیست و یکم، تعامل مشتری است. طبق توضیح هاب اسپات تعامل مشتری ایجاد تعامل با مصرف کنندگان در چندین کانال برای تقویت ارتباط شرکت با آن‌ها است و امروزه به لطف پیشرفت در شبکه های اجتماعی، تعامل مشتری در بالاترین حد خود قرار دارد. با توجه به حجم وسیع داده در این مشکل، تعامل انسان و هوش مصنوعی می‌تواند فکر خوبی باشد.

MIT معتقد است کلان داده، هنگامی که از هوش مصنوعی بهره ببرد، می تواند به بینش هیجان‌انگیز و حیاتی امروز کسب و کارها منجر شود. اما هنگامی که در مورد هوش مصنوعی صحبت می کنیم، این اصطلاح طیف گسترده ای از فناوری‌های نوظهور را در بر می‌گیرد. همه آنها به معنای تجربه مشتری و تعامل انسان و هوش مصنوعی قابل استفاده نیستند. در اینجا، ما خواهیم فهمید که چگونه داده‌ها و هوش مصنوعی می‌توانند با هم کار کنند و به ایجاد یک سیستم عمیق‌تر و قوی‌تر تعامل انسان و هوش مصنوعی برای یک کسب و کار کمک کنند.

منابع داده و CX

اگر اخیراً از گوگل برای جستجو استفاده کرده‌اید، متوجه شده‌اید که اکنون این موتور جستجو تمایل دارد کاربران را به سمت آنچه که فکر می‌کند به دنبال آن هستند، سوق دهد. مرتبط بودن در آنچه موتور جستجو به شما ارائه می‌دهد، امری حیاتی است و مشاغلی که برای تغذیه هوش مصنوعی‎شان از داده‌ها استفاده می‌کنند هم از این قاعده مستثنی نیستند. شرکت‌ها می‌توانند داده‌ها را از کوکی‌ها یا برنامه‌های تلفن همراه جمع‌آوری کنند، هوش مصنوعی خود را آموزش دهند و تجربه منحصر به فردی برای مشتری ایجاد کنند. از آنجا که الگوریتم‌های یادگیری ماشین امکان آموزش مجدد بر اساس اطلاعات جدید را دارند، پاسخ‌های هوش مصنوعی همیشه براساس آخرین داده‌های جمع‌آوری شده در حساب آن کاربر مرتبط خواهند بود. قوانین مربوط به جمع‌آوری داده‌های کاربران متفاوت هستند، اما اگر مشاغل قصد انجام این کار را دارند، باید اطمینان حاصل کنند که در تمامی پلتفرم‌ها انجام این کار قانونی باشد.

درجه بالاتر محاسبات الگوریتمی

مجله وایرد نوشته الگوریتم‌ها مجموعه‌ای از مراحل برای یک محاسبه خاص هستند. اما این یک اصطلاح ریاضی در ساده‌ترین شکل آن است. وقتی صحبت از الگوریتم در علوم کامپیوتر باشد، نیاز به تعریفی ظریف‌تر داریم. یادگیری الگوریتمی، قلب تپنده هوش مصنوعی است، زیرا به سیستم می‌آموزد چه چیزی را باید از داده‌های جدید انتخاب کند. در شرایطی که بیشتر الگوریتم‌ها تحت نظارت هستند (توسط مدیر تحت نظارت قرار می‌گیرند و در صورت بروز خطا اصلاح می‌شوند)، در نهایت، آن‌ها می‌توانند به تنهایی هم اجرا شوند. یادگیری ماشین می‌تواند تفاوت‌های ظریف رفتار مصرف‌کننده را در نظر گرفته و جنبه‌های روانشناختی خریدار را نمایان سازد. داده‌هایی که توسط یادگیری ماشین تولید می‌شود هم می‌توانند به چیدمان درست آیتم‌های مربوط برای مشتریان کمک کند.

تکنولوژی پردازش زبان طبیعی

پردازش زبان طبیعی سعی دارد شرایط تعامل انسان و هوش مصنوعی را بهبود بخشد و کاری کند تا هوش مصنوعی با استفاده از پارامترهای انسانی و نه آنچه از کامپیوتر انتظار دارید، پاسخگوی مسائل باشد. پردازش زبان طبیعی نحوه تعامل یک برند با خریداران خود را تغییر می‌دهد. این امر باعث می‌شود که برخورد با هوش مصنوعی از دیدگاه مصرف‌کننده بسیار ساده‌تر به نظر برسد؛ زیرا آن‌ها نیازی به یادگیری رابط‌های پیچیده ندارند. این سیستم به سادگی با آن‌ها به زبان انگلیسی ساده صحبت می‌کند و بازخوردشان را جمع‌آوری می‌کند و آن بازخوردها را به ذخیره داده‌های موجود اضافه می‌کند. همچنین چت‌بات‌ها دارای سیستم‌های یکپارچه‌سازی آسان هستند که به آن‌ها این امکان را می‌دهد که در وب‌سایت یک شرکت قرار گیرند. هزینه‌های استفاده از این فناوری در یک وب‌سایت تجاری نیز به میزان قابل توجهی کمتر است.

بینایی ماشین و تجربه مشتری

مشتریان همیشه به دنبال روش‌های کارآمدتر برای بهینه‌‎سازی خریدهای خود هستند. بینایی ماشین سیستمی است که به سادگی می‌تواند برای تجزیه و تحلیل داده‌ها از یک منبع خاص استفاده کند. به عنوان مثال، با جمع‌آوری داده‌های ترافیک در یک فروشگاه، بینایی ماشین می‌تواند یک نقشه گرمایی ایجاد کند تا نشان دهد اکثر مصرف‌کنندگان بیشتر در چه بخش‌هایی وقت خود را صرف می کنند. این یعنی بهترین شیوه تعامل انسان و هوش مصنوعی . این بینش می‌تواند به هدایت مشاغل به سمت کمپین‌های تبلیغاتی موثرتر یا محصولاتی که مشتریان بیشتری دارد، کمک کند. یکی دیگر از نمونه‌های عالی استفاده از بینایی ماشین، ویژگی لنز پینترست است. این ویژگی به کاربران اجازه می‌دهد با استفاده از دوربین تلفن هوشمند خود هرچه را می‌خواهند در دنیای اطراف خود جستجو کنند. این ویژگی دقیقاً نشان می‌دهد که هوش مصنوعی با انگیزه مناسب چه توانایی‌هایی دارد.

یادگیری عمیق در کنار تجربه مشتری

یادگیری عمیق یعنی به هوش مصنوعی آموزش دهیم که مانند یک انسان فکر کند. ما معتقدیم این کار آسان است، زیرا این کار را به صورت طبیعی انجام می‌دهیم، اما در واقع یک فرایند پیچیده است که برای دستیابی به آن، محاسبات زیادی نیاز است. الگوریتم‌های یادگیری عمیق می‌توانند در ایجاد سرنخ و ایجاد فرصت برای مشاغل بی ارزش باشند. یکی از بهترین نمونه‌ها در بخش مراقبت‌های بهداشتی استفاده از داده‌های مقیاس پذیر در دنیای واقعی است که توسط Trialbee پیاده‌سازی شده است. مشارکت بیمار در طی تحقیقات بالینی برای آزمایشات مربوط به واکسن بسیار سودمند است. این یعنی به کسب‌و‌کارها راه‌حلی برای تعامل انسان با هوش مصنوعی پیشنهاد دهیم که از آن برای مطابقت شرکت‌ها با شرکت‌کنندگانی که در مطالعات مشابه در سراسر جهان شرکت کرده‌اند، استفاده کنند. استفاده از هوش مصنوعی برای سازمان‌های دارویی، medtech، بیوتکنولوژی و CRO باعث افزایش بهره‌وری خواهد شد و همچنین تجربه مشتری منحصر به فردی را برای شرکت‌کنندگان ایجاد می‌کند.

یکی دیگر از کاربردهای مناسب یادگیری عمیق، تعاملات به موقع است. مصرف‌کنندگان در حین کار با نماینده خدمات مشتری، توقعات مشخصی دارند. اکثریت مشتریان برای وقت خود ارزش قائل هستند و این که مجبور شوند منتظر بمانند آن‌ها را بی‌میل کرده و از برندها دور می‌کند. تعامل انسان و هوش مصنوعی در زمان مناسب باعث می‌شود که هوش مصنوعی پاسخی درست در چارچوبی دقیق برای این مشکل داشته باشد. این سیستم با استفاده از زمینه و هدف کاربر تعیین می‌کند که آن‌ها چه کاری می‌خواهند انجام دهند و نسبت به اقدامات آن‌ها واکنش نشان می‌دهد.

ایجاد تعامل بهتر با مشتری از طریق استفاده هوشمندانه از هوش مصنوعی

تعامل انسان و هوش مصنوعی باعث می‌شود که شرکت موفق‌تر باشد و به طور کلی، اساس یک شرکت وقتی با مشتریانش تعامل داشته باشد، بسیار سالم‌‎تر به نظر می‌رسد. در بازاریابی‌های قدیمی، تماس با کاربران و درک نیازهای آن‌ها مسئله‌ای ساده بود که البته توجه زیادی به آن نمی‌شد. از طرفی، تعامل انسان و هوش مصنوعی به انرژی زیادی نیاز دارد که برای تامین آن شاید به همکاری همه کارکنان نیاز باشد. اگر کسب‌و‌کاری بخواهد در این محیط مدرن فعال باقی بماند، باید با این شرایط سازگار شود. هوش مصنوعی بهترین راه برای حرکت شرکت‌ها به سوی موفقیت است، اما هوش مصنوعی بدون داده مانند وسیله نقلیه بدون سوخت است. با اطمینان از این‌که سیستم هوش مصنوعی داده کافی برای یادگیری و توسعه را دارد، مشاغل می‌توانند از تمام پتانسیل آن در جذب مشتری استفاده کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: hooshio.com