کاربرد یادگیری ماشین در فروشگاه های آنلاین و تحول تجارت الکترونیک

اگر فکر می‌کنید که نقش هوش مصنوعی و یادگیری ماشین در فروشگاه های آنلاین هنوز در مراحل اولیه خود است، به نحوه عملکرد شرکت آمازون نگاه کنید. به یاد دارید که چگونه این پلتفرم آنچه را که ممکن است دوست داشته باشید بخرید به شما پیشنهاد می‌دهد؟ یا چگونه آنچه را که آخرین بار خریده‌اید به یاد می‌آورد و به شما یادآوری می‌کند؟

این جادوی هوش مصنوعی است

مانند آمازون، وب‌سایت‌های تجارت الکترونیکی بسیاری وجود دارند که با استفاده از پتانسیل الگوریتم‌های یادگیری ماشین در فروشگاه های آنلاین قدرت این فناوری نوین را در تجارت الکترونیکی نشان می‌دهند. تحقیقات Tractica ادعا می‌کند که ارزش هوش مصنوعی در تجارت الکترونیکی تا سال ۲۰۲۵ به ۳۶.۸ میلیارد دلار می‌رسد. واضح است که هوش مصنوعی تجارت الکترونیکی در حال پیشرفت است و این روند در سال ۲۰۲۱ نیز ادامه خواهد داشت. در ابتدا بیایید به یک تعریف ساده یادگیری ماشین، انواع مختلف آن و کاربردهای متنوع آن در بخش تجارت الکترونیکی نگاهی بیندازیم.

یادگیری ماشین چیست؟

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است. اگرچه به نظر می‌رسد این یک مفهوم پیچیده است اما یادگیری ماشین، فرآیند آموزش یک برنامه یا الگوریتم رایانه برای سازگاری مداوم و “یادگیری” از محیط است تا بتواند وظیفه محول شده را به‌خوبی انجام دهد و بهبود ببخشد. یادگیری ماشین برای دستیابی به این هدف از مدل‌های ریاضی استفاده می‌شود.

انواع الگوریتم‌های یادگیری ماشین

به‌طورمعمول، سه نوع الگوریتم یادگیری ماشین وجود دارد که می‌تواند بر اساس وظیفه داده‌شده و محیط یادگیری مورد استفاده قرار گیرد:

الگوریتم‌های یادگیری بدون نظارت

الگوریتم یادگیری بدون نظارت، الگوریتمی مبتنی بر داده است که از برچسب استفاده نمی‌کند. وظیفه اصلی این الگوریتم این است که حجم عظیمی از داده‌ها را گروه‌بندی، خوشه‌بندی و یا سازمان‌دهی کند تا یک انسان (یا یک الگوریتم هوشمند دیگر) بتواند آن را درک کند. این ویژگی الگوریتم‌های یادگیری بدون نظارت به‌تنهایی می‌تواند باعث افزایش بهره‌وری برای صنایع و بنگاه‌های اقتصادی در سراسر طیف شود.

الگوریتم‌های یادگیری با نظارت

الگوریتم یادگیری با نظارت یک الگوریتم وظیفه-محور است و یکی از پرکاربردترین مقوله‌های یادگیری ماشین است زیرا اجرای آن ساده و کاربرد آن آسان است. شما به‌احتمال زیاد با این نوع یادگیری سروکار زیادی خواهید داشت، زیرا در بسیاری از کاربردهایی که در ادامه نام برده می‌شوند حضوری فعال دارد.

نحوه کار الگوریتم یادگیری تحت نظارت به شرح زیر است:

شما داده‌هایی را که باید وارد کنید با یک “برچسب” روی آن ایجاد می‌کنید.
سپس این جفت نمونه برچسب را به الگوریتم یادگیری تغذیه می‌کنید.
الگوریتم در جهت پیش‌بینی برچسب برای هر مثال تلاش می‌کند.
شما در رابطه با اینکه الگوریتم پاسخ درست را پیش‌بینی کرده است (یا نه) بازخورد ارائه می‌دهید.
با گذشت زمان، هر چه تعداد بیشتری از نمونه‌ها را تغذیه کنید، الگوریتم “خود یاد می‌گیرد” تا زمانی که بتواند به‌درستی وظیفه محوله را مشاهده، پیش‌بینی و تکمیل کند.

الگوریتم‌های یادگیری تقویتی

به بیان ساده ، یادگیری تقویتی یک الگوریتم یادگیری رفتار-محور است که از طریق اشتباهات مکرر و آزمون‌وخطا می‌آموزد. درواقع این شبیه زمانی است که والدین تلاش می‌کنند از طریق تقویت مثبت یا منفی چیزی را به کودک آموزش دهند. در اینجا نحوه کار الگوریتم یادگیری تقویتی را مشاهده می‌کنید.

شما یک سیگنال مثبت به الگوریتمی اختصاص می‌دهید که آن را با رفتار خوب مرتبط می‌کند.
به همین ترتیب، شما یک سیگنال منفی برای رفتارهای بد اختصاص می‌دهید.
با گذشت زمان، الگوریتم یاد می‌گیرد رفتارهای خوب را بیشتر کند و رفتارهای بد را کاهش دهد. این تقویت ترجیح رفتارهای خوب بر رفتارهای بد باعث می‌شود الگوریتم یاد بگیرد و اشتباهات کمتری داشته باشد.

اکنون که شما درک ساده‌ای از الگوریتم‌های یادگیری ماشین و انواع اساسی آن را دارید. حال بیایید بفهمیم که از این الگوریتم‌ها چگونه استفاده می‌شود تا تجربه تجارت الکترونیکی بهبود بخشیده شود.

۱-شخصی‌سازی محتوا و پیشنهاد محصول

“۸۰٪ از خریداران به‌طور فعال از مارکی خرید می‌کنند که تجربیات شخصی را ارائه می‌دهد.”

بیاید با این موضوع روبرو شویم. آگاهانه یا ناآگاهانه، همه ما با شخصی‌سازی محتوا در وب‌سایت‌های تجارت الکترونیکی به اشکال مختلف روبرو شده‌ایم

پیشنهاد محصول: اگر هنوز هم برای به‌کارگیری سیستم های توصیه گر مردد هستید، به آمازون فکر کنید که ادعا می‌کند ابزار پیشنهاد دهنده این شرکت دلیل ۳۵٪ از فروش این شرکت است! این ابزار یادگیری ماشین بسیار کاربردی است زیرا الگوریتم قادر است الگوهای کاربر را بر اساس رفتار مشتری و خرید قبلی پیش‌بینی کند.

پیشنهاد‌های صفحه اصلی شخصی شده: هر محتوایی بر اساس نیازها و تنظیمات کاربر سفارشی می‌شود. همان‌طور که قبلاً ذکر شد، هیچ‌کس بهتر از آمازون شخصی‌سازی نمی‌کند.

پیشنهاد محصولات تخفیف‌دار: یادگیری ماشینی می‌تواند بهترین تخفیف‌ها و پیشنهادها را پیش‌بینی کند و به مشتری ارائه دهد و به همین دلیل باعث فروش و همچنین رضایت کاربر می‌شود.

ایمیل‌های ارسالی به کاربر: یادگیری ماشینی به شما امکان می‌دهد مناسب‌ترین زمان برای ارسال خبرنامه‌های ایمیل سفارشی یا ایمیل‌های مرتبط با سفارش را با پیش‌بینی اینکه در چه ساعت و روزی از هفته به ‌احتمال ‌زیاد فرد ایمیل دریافتی را باز کند، متوجه شوید. این بهینه‌سازی مستقیماً بر نرخ باز شدن، نرخ کلیک و غیره تأثیر می‌گذارد

تغییر در محتوای پویا: این شامل فیلتر کردن تصاویر، محصولات و غیره و ارسال هشدارها و پیام‌های سفارشی برای هر خریدار است. به ‌عنوان مثال ، از ویژگی “Fit Search” Fit Connect استفاده کنید که فیلترهای مبتنی بر تناسب را ارائه می‌دهد تا محصولات موجود در اندازه‌های مناسب به نمایش بگذارد.

آنچه مهم است که توجه داشته باشید این است که این “شخصی‌سازی بیش از حد” بر اساس نقاط کلیدی داده‌های مشتری و توجه به خریدهای گذشته، سابقه مرورگران، تبلیغات پولی، اطلاعات جمعیت‌شناختی، تنظیمات شخصی، فعالیت رسانه‌های اجتماعی و سایر موارد است. اینجاست که الگوریتم‌های یادگیری ماشین به کار می‌آیند. آن‌ها از انواع داده‌های مشتری‌محوری استفاده می‌کنند، طوری که احساس می‌شود وب‌سایت واقعاً کاربر را درک می‌کند و می‌تواند ذهن آن‌ها را بخواند!

اقدام اصلی: برای ارائه سفارشی‌سازی درلحظه، شما باید در یادگیری ماشین به‌طور صحیح سرمایه‌گذاری کنید تا بتوانید داده‌های کاربر را درک و اعمال کنید و عناصر مهم مانند زبان، مکان، ارز، معاملات و تخفیف‌ها و موارد دیگر را شخصی‌سازی کنید. همچنین یادگیری ماشین می‌تواند رفتار خرید را بارها و بارها هوشمندانه تجزیه‌وتحلیل کند و درنهایت محصولی را پیشنهاد دهد که مشتریان شما حتی نمی‌دانستند که به آن نیاز داشتند.

۲- بهینه‌سازی قیمت‌گذاری

بهینه‌سازی قیمت، کلید ایجاد مجموعه‌ای وفادار از مشتریانی است که برای همیشه در جستجوی “معامله بهتر” هستند. اگر وب‌سایت شما قیمت کالاها را بر اساس فاکتورهایی ازجمله قیمت سایت‌های رقیب، میزان تقاضا، ساعات مختلف روز، انواع مشتری و غیره بهینه نکند شما مشتری‌ها را هر دقیقه از دست خواهید داد.

در همین راستا، فناوری یادگیری ماشینی می‌تواند یاری‌کننده شما شود و قیمت‌ها را بر اساس عوامل مختلفی که در بالا ذکر شد بلافاصله تغییر دهد.

نگاهی به فناوری قیمت‌گذاری مبتنی بر هوش مصنوعی Feedvisor بیندازید که به شما امکان می‌دهد قیمت‌ها را بهینه کنید و در قیمت‌گذاری‌های پویا شرکت کنید.

نکته کلیدی: یک سیستم قیمت‌گذاری پویا ، که توسط الگوریتم‌های یادگیری ماشین هدایت می‌شود ، فروش محصولات سازگار و ارگانیک را هر بار پایه‌ریزی می‌کند. به‌علاوه ، به مدیران قیمت اجازه می‌دهد تا از سرعت و دقت برای تصمیمات مربوط به قیمت‌گذاری محصولات استفاده کنند

۳- آزمون A/B با یادگیری ماشین

پیاده‌سازی آزمون A/B در یک وب‌سایت تجارت الکترونیکی یک کار نسبتاً سخت است. اینجاست که یادگیری ماشینی واقعاً می‌درخشد. ابزارهای تخصصی یادگیری ماشین مانند Nosto به شما امکان می‌دهد آزمون A / B / n ، تقسیم و چند متغیره را در پارامترهای مختلف مانند پیشنهاد محصول، محتوا، طبقه‌بندی کالاها و غیره اجرا کنید.

در اینجا تجزیه‌وتحلیل سریع انواع آزمون A / B که می‌تواند بدون زحمت و با کارایی بیشتر انجام شود را مشاهده می‌کنید.

این می‌تواند روند آزمایش A / B را به‌صورت خودکار انجام دهد و ویژگی‌های ایدئال را نشان دهد که می‌تواند فروش و یا رضایت مشتری را افزایش دهد. به عنوان مثال، این الگوریتم‌ها می‌توانند رفتار کاربر را در انواع مختلف آزمون A / B تجزیه‌وتحلیل کنند و کارهایی همچون برجسته‌تر نشان دادن دکمه call to action یا درج تصویر در بنر صفحه اصلی را پیشنهاد دهند.

این می‌تواند به‌طور خودکار مشتریان را با استفاده از مدل‌های یادگیری ماشین بدون نظارت و بر اساس ویژگی‌های متنوعی همچون متغیرهای جمعیت شناختی و ترجیحات کاربران به گروه‌های مختلف دسته‌بندی کند.

نکته کلیدی: استفاده از الگوریتم‌های خودآموز یادگیری ماشین برای آزمون A / B سیستم‌عامل یا محصولتان به شما امکان می‌دهد گزینه‌های “بهینه” را به‌سرعت و با دقت پیدا کنید. این موضوع ازنظر مالی و عملیاتی منطقی است زیرا شما نیازی به سرمایه‌گذاری منابع خود در کارهای تکراری و خسته‌کننده ندارید زیرا یادگیری ماشین می‌تواند به‌خوبی از پس آن بربیاید.

۴-پردازش تصویر

مدل‌های یادگیری ماشین، اساس سیستم‌های شناسایی تصویر را تشکیل می‌دهند که به شما امکان می‌دهد قابلیت‌های جستجوی مشتری‌مدارانه بیشتری را ارائه دهید. این سیستم چگونه کار می‌کند؟

فرض کنید مشتری شما به دنبال خرید آنلاین کالایی است. آن‌ها بعد از جستجو، چندین نتیجه نامربوط می‌بینند و تصمیم می‌گیرند سایت را ترک کنند. این جایی است که یادگیری ماشینی می‌تواند به شما کمک کند زیرا می‌تواند عناصر اصلی تصاویر مانند اشیا، افراد، محتوا و غیره را شناسایی کرده و گزینه‌های مربوطه را ارائه دهد، درنتیجه بر رفتار مشتری تأثیر مثبت می‌گذارد.

ویژگی جستجوی بصری سایت پینترست مورد جالبی است که به کاربر اجازه می‌دهد عکس‌هایی را که از طریق دوربین تلفن خود گرفته است جستجو کند. سپس این پلتفرم پین‌های قابل‌خرید را در نتایج جستجوی بصری نمایش می‌دهد.

برای قابلیت‌های جستجوی بصری زمینه‌ای، باید یک ابزار تکنولوژی پردازش تصویر قدرتمند که مبتنی بر یادگیری ماشین است در اختیار داشته باشید؛ ابزاری که می‌تواند با عکس‌های مشتری شما مطابقت داشته باشد و پیشنهادهای مشابه محصول را بر اساس ترجیحات مشتری ارائه دهد. این پایان کار نیست. داده‌های کاربر را می‌توان با توجه به مقوله‌های مختلف همچون رنگ موردعلاقه، انتخاب برند، رفتار شبکه‌های اجتماعی و غیره تقسیم‌بندی کرد.

نکته کلیدی: یادگیری ماشین می‌تواند به‌طور خودکار برچسب‌گذاری و طبقه‌بندی کند و همچنین با پیوست کردن برچسب به تصاویر، فیلم‌ها، آرم‌ها و حتی تصاویر غیرعکاسی، محتوا را جستجو کند تا تجربه جستجوی مشتری مدارانه را بهبود بخشد.

۵-محافظت در برابر تقلب

شناسایی و جلوگیری از تقلب آنلاین برای وب‌سایت‌های تجارت الکترونیکی باید اولویت اصلی باشد. یک راه مطمئن برای ایمن‌سازی وب‌سایت شما به‌کارگیری یادگیری ماشین است که برای پردازش تعداد زیادی از مشتریان ثابت با سرعت بالا و جلوگیری از معاملات آنلاین جعلی قبل از وقوع آن‌ها آموزش دیده‌اند.

اساساً، اگر به نظر برسد معامله‌ای مشکوک در حال وقوع است به‌طور مثال پرداخت از دستگاه تأیید نشده انجام می‌شود یا معامله در ساعت‌های غیرمعمول انجام شود، سیستم می‌تواند آن را به‌عنوان یک کلاه‌برداری بالقوه نشان کند. درمجموع، یادگیری ماشین می‌تواند معاملات واقعی را تجزیه‌وتحلیل کند و “خریدهای واقعی” را شناسایی کند.

نکته کلیدی: وقتی صحبت از کلاه‌برداری آنلاین می‌شود، کاربرد یادگیری ماشین در فروشگاه های آنلاین می‌تواند اقدامات امنیت سایبری شما را تقویت کند و به شما این امکان را می‌دهد که به‌جای رویکردی واکنشی، یک رویکرد فعال اتخاذ کنید که منجر به یک تفاوت بزرگ می‌شود.

جمع‌بندی: نقش پویای یادگیری ماشین در فروشگاه های آنلاین

بر اساس گزارش‌های اخیر، همه‌گیری کووید ۱۹ باعث شده تا ما به سمت دنیای دیجیتالی‌تر برویم و در این میان خرید آنلاین پیشتاز این امر است. درواقع گفته می‌شود که بیماری کووید ۱۹ نحوه خرید افراد را برای همیشه تغییر داده است. به همین دلیل است که وب‌سایت‌های تجارت الکترونیک بیش‌ازپیش نیاز به بازنگری در استراتژی تجاری خود دارند. اکنون دیگر زمان تردید در نقش هوش مصنوعی در تجارت الکترونیکی نیست. یادگیری ماشینی آینده تجارت الکترونیکی است و آینده در اینجا است.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: hooshio.com

پیش بینی جهش ویروسی با مدل جدیدی مبتنی بر هوش مصنوعی دانشگاه MIT

محققان MIT روش جدیدی برای مدل محاسباتی پیش بینی جهش ویروسی توسعه داده‌اند. این مطالعه که در مجله Science منتشر شده است، می‌تواند تولید واکسن برای ویروس HIV، آنفلوانزا و ویروس کرونا را سرعت بخشد.

هر پستانداری در این سیاره توانایی این را دارد که به طور غریزی با محیط اطراف خود به یک تعادل طبیعی برسد، اما انسان نمی‌تواند. انسان‌ها به یک منطقه نقل مکان می‌کنند و آنقدر زاد و ولد می‌کنند تا تمامی منابع طبیعی را مصرف کنند و سپس تنها راهی که پیش روی انسان وجود دارد تا بقای خود را حفط کند گسترش مناطق خود و رفتن به یک جای دیگر است. یک موجود زنده دیگر نیز در این کره خاکی وجود دارد که همین کار را انجام می‌دهد. می‌دانید در مورد چه چیزی صحبت می‌کنیم؟ بله ویروس‌ها. این‌ها دیالوگ مامور اسمیت در فیلم ماتریکس است.

از زمان‌های گذشته، ویروس‌ها اصلی‌ترین الهه انتقام انسان‌ها بوده‌اند. اگرچه انسان‌ها برای جان به در بردن از این موجود کوچک و خطرناک توانسته‌اند واکسن بسازند، اما ویروس‌ها همیشه در این بازی راهی پیدا کرده‌اند تا ما را شکست دهند.

به گفته بانی برگر رئیس گروه محاسبات و زیست‌شناسی در آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT، جهش ویروسی یکی از دلایل موانع تولید واکسن برای ویروس آنفلوانزا و اچ آی وی است. در مقاله پیش رو سعی می‌کنیم بفهمیم چگونه محققان این مدل را برای پیش بینی جهش ویروسی آموزش داده‌اند و چگونه این موضوع چگونه می‌تواند توسعه واکسن را تسهیل کند.

این مدل چگونه کار می‌کند؟

این مدل می‌تواند مقاطعی از پروتئین‌های سطح ویروسی را که احتمال کمتری دارد جهش کنند پیش‌بینی کند تا اگر قرار است واکسنی توسعه داده شود از آن قسمت‌ها استفاده شود. محققان از یک الگوریتم یادگیری ماشین که در اصل برای پردازش زبان طبیعی انسان ساخته شده بود به‌منظور پیش بینی رفتار ویروس استفاده کردند. محققان کشف کردند که این مدل پردازش زبان طبیعی می‌تواند در توالی‌های ژنتیکی اعمال شود. در اینجا، دستور زبان نقشی مشابه قوانینی دارد که تعیین می‌کند پروتئین رمزگذاری شده در یک توالی خاص عملکردی است یا خیر. در واقع به این معنا است که آیا پروتئین می‌تواند شکل جدیدی برای فرار از آنتی بادی ها به خود بگیرد یا نه. درواقع در یک جهش، ویروس می‌خواهد سالم بماند. به عبارت دیگر، دستورالعمل ویروس حفظ می‌شود در حالی که ساختار پروتئین به روشی مفید تغییر خواهد کرد.

طبق بیانیه مطبوعاتی MIT، محققان این مدل پردازش زبان طبیعی را در ۶۰،۰۰۰ توالی HIV ، ۴۵،۰۰۰ توالی آنفلوانزا و ۴۰۰۰ توالی ویروس کرونا آموزش دادند تا توالی‌های ژنتیکی دستوری و معنایی آن را تجزیه و تحلیل کنند. مدل آموزش دیده توالی‌هایی را که احتمال جهش در آنها بالا است پیش‌بینی می‌کند. این مدل، توالی را در سه پروتئین پیش بینی می‌کند: پروتئین spike ویروس کرونا، پروتئین envelope اچ آی وی و پروتئین hemagglutinin آنفلوانزا.

یافته‌ها نشان داد توالی‌های موجود در پروتئین hemagglutinin آنفلوانزا کمترین احتمال جهش را داشتند. آنتی‌بادی‌های هدف می‌توانند پایه این پروتپین را به سرعت از بین ببرند تا از آنفلوانزا جلوگیری کنند.

همچنین در ویروس کرونا، قسمت زیر واحد -۲ یا S2 پروتئین spike کمترین احتمال ایجاد جهش را دارد. این حال، برخلاف آنفلوانزا و اچ آی وی، ما نمی‌دانیم سرعت جهش‌ها در ویروس کرونا چقدر است و آیا واکسن فعلی جوابگو است یا نه. در حالی که یافته‌های اولیه نشان می‌داد جهش‌ها از سرعت زیادی برخوردار نیستند، با این حال جهش‌های جدیدی در سنگاپور، آفریقای جنوبی و مالزی ظاهر شده‌اند. دانشمندان از مدل پردازش زبان طبیعی برای نوع جهش یافته استفاده کرده‌اند و همزمان تحقیقات در انتظار داوری هستند. در ویروس اچ آی وی نیز، دانشمندان دریافتند که قسمت های V1-V2 از پروتئین envelope، احتمال زیادی برای جهش کردن دارد.

چشم انداز

پیش‌بینی جهش ویروسی می‌تواند به سرعت در شناسایی پروتئین‌های خطرناکی که باید هدف قرار بگیرند کمک کند. این مدل فرصت‌های بی‌نظیری را برای توسعه دارو در همه بیماری‌ها به وجود می‌آورد. اکنون محققان در MIT در حال شناسایی اهداف احتمالی برای واکسن سرطان هستند، واکسنی که سیستم ایمنی را تحریک می‌کند تا تومورها را از بین ببرد.

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

منبع: hooshio.com

کاربردهای یادگیری ماشین ، ساخت آن و مهارت‌های مورد نیاز

یادگیری ماشین یکی از کلمات سنگینی است که این روزها زیاد آن را می‎‌شنوید. بیشتر مدیران دوست دارند از کاربردهای یادگیری ماشین استفاده کنند، اما نمی‌دانند معنای دقیق آن چیست و از کجا باید شروع کنند. شاید در نگاه اول رازآلود، بیش از اندازه فنی و حتی ترسناک به نظر برسد، اما در این مطلب به خوبی توضیح می‌دهیم که یادگیری ماشین چیست، کاربردهای آن کدام هستند، چطور ساخته می‎شود و برای استفاده از آن در سطح مدیریتی چه مهارت‌هایی باید داشته باشید.

یادگیری ماشین چیست؟

به بیان ساده، یادگیری ماشین توانایی برخی از برنامه‌های کامپیوتری خاص برای یادگیری از تجارب، درست همانگونه که انسان‌ها از تجربه‎‌هایشان می‌آموزند، است. برای توصیف دقیق‌تر بیایید کمی به گذشته سفر کنیم، به زمانی که یک نوزاد بودید و والدین سعی داشتند به شما یاد دهند کدام حیوان سگ است و کدام گربه. برای این کار اولین کاری که می‌کردند این بود که تصویر یک سگ از نژاد لابرادو را نشانتان می‌دادند و می‌گفتند «سگ». بعد از آن نوبت تصویری از یک گربه ایرانی بود و برای شما تکرار می‌کردند «گربه». این کار را با تصاویر مختلف سگ و گربه برایتان انجام می‌دادند، سگ و گربه‌هایی با نژادهای مختلف و در حالت‌های مختلف.

یک روز شما سگی را می‌بینید که هرگز مشابهش را ندیده‌اید، سگی از نژاد متفاوت. در این شرایط به درستی تشخیص می‌دهید که آن یک سگ است. چطور این اتفاق افتاد؟ هیچ کس تا به حال نژاد آن سگ خاص را به شما نشان نداده بود و نگفته بود این یک سگ است، اما شما باز هم توانستید آن را طبق تجربه طبقه‌بندی کنید و این مهارت را با دیدن سگ‌های دیگر به دست آوردید.

روش کار یادگیری ماشین هم شباهت زیادی به این موضوع دارد. ما می‎توانیم تصاویر طبقه‌بندی شده از سگ‌ها و گربه‌های مختلف را به عنوان مثال‌های گوناگون به برنامه کامپیوتری نشان دهیم. اگر تعداد مثال‌هایی که با آن به برنامه آموزش می‌دهیم، کافی باشد، برنامه می‌تواند توانایی تشخیص سگ و گربه را داشته باشد. حتی می‌تواند نژادهایی از سگ یا گربه که تا به حال ندیده را هم به عنوان سگ یا گربه شناسایی کند و این کار را حتی بهتر از انسان‌ها انجام می‌دهد.

کاربردهای یادگیری ماشین

همان‌طور که تشخیص سگ و گربه را می‌توانیم به برنامه کامپیوتری یاد دهیم، امکان آموزش در زمینه‌های دیگر هم فراهم است. مثلا این که تصویر ریه یک فرد نشان دهنده یک ریه سالم است یا سرطانی. جالب است بدانید Google دقیقا این کار را کرده و با نشان دادن هزاران تصویر از ریه سالم و سرطانی به کامپیوتر، توانایی تشخیص این دو را به آن آموخته و جالب‌تر این که دقت تشخیص برنامه کامپیوتری ۱۰۰% بوده است. پس حالا می‌توانید تصور کنید که این اقدام تا چه اندازه می‌تواند تاثیرگذار باشد. فرض کنید در شرایطی که دسترسی به پزشک نباشد، این تکنولوژی چقدر کار را راحت می‌کند. به همین دلیل است که یادگیری ماشین پتانسیل خوبی برای نجات جان افراد دارد.

یکی از زیرمجموعه‌ ‎های یادگیری ماشین یادگیری عمیق نام دارد و توانسته بخش بینایی ماشین را متحول کند. بینایی ماشین یعنی استفاده از کامپیوترها برای درک و تفسیر تصاویر و ویدئوها. برخی از کاربردهای بینایی ماشین به شرح زیر هستند:
۱- طبقه‌‎بندی تصاویر پزشکی
۲- شناسایی چهره Apple
۳- جستجوی وارونه Google
۴- برچسب زدن Facebook
۵- متعادل‎‌سازی محتوا Youtube
۶- دوربین تشخیص صحنه گوشی هوشمند
۷- تقویت کیفیت بازی‌های ویدئویی NVIDIA به نام Deep Learning Super Sampling
۸- اتومبیل‌های خودران
و برنامه‌‎های بسیار دیگر.

چطور یک سیستم یادگیری ماشین بسازیم

بیشتر سیستم‌های یادگیری ماشین دو فاز اولیه دارند:

۱- فاز تمرینی
۲- فاز آزمایشی/ استنباطی

در فاز تمرینی انسان به سیستم یادگیری ماشین نمونه‌های زیادی از داده‌های مربوط به وظایفی که می‌خواهد سیستم یاد بگیرد و انجام دهد، را نشان می‌دهد. این فاز شبیه به همان بخشی است که والدین کودکان به آن‌ها تصویر نشان می‌دهند. در فاز آزمایشی یا استنباطی ما از سیستم یادگیری ماشینی که تصاویر را آموخته استفاده می‌کنیم تا نمونه‌های جدید که قبلا ندیده را پیش‌‎بینی کند. این بخش شبیه به قسمتی است که یک کودک نژاد جدیدی از سگ را می‌‎بیند که قبلا شبیه به آن را ندیده بوده است. یا بخشی که سیستم یادگیری ماشین توانست ریه سالم را از سرطانی تشخیص دهد.

با تمام قدرت منقلب‌کننده‌ای که کاربردهای یادگیری ماشین دارد، باز هم میزان توانایی آن رابطه مستقیم با تعداد تصاویری دارد که به آن نشان می‌دهیم. به محض این که سیستم یادگیری ماشین کاری که باید انجام دهد را یاد بگیرد، آن را بهتر از نیروی انسانی انجام می‌دهد. برای مثال سیستم Google با نام Alpha Go بود که توانست در بازی Go بهترین بازیکن که یک انسان بود را شکست دهد. Alpha Go انقدر خوب بود که بسیاری از استراتژی‌های مورد استفاده آن برای برنده شدن باعث گیج شدن متخصصان شد و بسیاری از آن‌ها شروع به یادگیری استراتژی‌های آن کردند.

مهارت‌های مورد نیاز

حالا که به قدرت یادگیری ماشین پی‌ بردید، چطور می‌خواهید آن را برای خودتان به کار گیرید؟ این‌ها مهارت‌هایی هستند که باید آن‌‎ها را یاد بگیرید:

۱- ریاضیات و آمار
۲- علم منطق و برنامه‌نویسی: مخصوصا پایتون
۳- چارچوب‌های هوش مصنوعی: Tensorflow، Pytorch، Numpy، Pandas، Sklearn، Matplotlib

گاهی اوقات این یک مزیت است که آمار را با پایتون یاد بگیرید تا بتوانید تئوری‌ها را با تمرین ادغام کنید. همچنین درباره انتخاب استفاده از پایتون یا زبان‌های برنامه‎‌نویسی R تردید‌هایی وجود دارد. اگر زمان کافی دارید هر دو زبان را به خوبی یاد بگیرید. البته بدون شک بیشتر سیستم‌های یادگیری ماشین از پایتون استفاده می‌کنند. اما اگر زمان شما محدود است، تمرکز روی پایتون بیشترین شانس به دست آوردن یک شغل در زمینه یادگیری ماشین را به شما می‌دهد.

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

منبع: hooshio.com

رشد چشمگیر هوش مصنوعی و چالش سخت افزارهای محاسباتی

رشد بی‌حد و حصر هوش مصنوعی مستلزم قدرت محاسباتی بسیار بالایی است. ممکن است دو پردازنده فوتونی قادر به رفع این نیاز باشند و انقلابی در سخت‌افزارهای هوش مصنوعی پدید آورند. هوش مصنوعی تحول عظیمی در بسیاری از حوزه‌ها ایجاد کرده است که از جمله آنها می‌توان به تشخیص بالینی ، اتومبیل‌های خودران و ترجمه گفتار اشاره کرد. با این حال، حجمِ رو به رشد داده در جوامع امروزی، سخت افزارهای محاسباتی هوش مصنوعی را با چالش‌های بزرگی روبرو کرده است.

در این راستا، سرعت محاسبات و مصرف برق از جمله مواردی هستند که باید مورد توجه ویژه قرار گیرند. این قیبل از مسائل، مسیر پیشرفت را برای هوش مصنوعی ناهموار کرده است. «ژو» ، «فلدمن» و همکاران‌شان با انتشار مقاله‌ای در مجله معتبر «Nature» به معرفی دو پردازنده فوتونی پرداخته‌اند که می‌تواند سرعت پردازش هوش مصنوعی را با توسل به ویژگی‌های متمایز نور افزایش دهد. این دستاوردها می‌توانند تحول چشمگیری در محاسبات نوری به ارمغان آورند.

ظهور هوش مصنوعی به تدریج موجب محدودیت عملکردِ روش‌های محاسباتی الکترونیکی و سنتی شده است. از میان انواع مختلف ابزارهای هوش مصنوعی می‌توان به شبکه‌های عصبی مصنوعی اشاره کرد که به لطف عملکرد فوق‌العاده‌شان، کاربرد گسترده‌ای در فعالیت‌های هوش مصنوعی دارند. این شبکه‌ها عملیات پیچیده ریاضی را با استفاده از چند لایه نورون مصنوعی به‌هم‌پیوسته انجام می‌دهند. ضرب ماتریس در بردار یک عملیات بنیادی به شمار می‌رود که از اکثر منابع محاسباتی استفاده می‌کند.

تلاش‌های قابل‌ملاحظه‌ای برای طراحی و اجرای برخی از سیستم‌های محاسبه الکترونیکی صورت گرفته است. افزایش سرعت پردازش شبکه های عصبی مصنوعی، هدف اصلی این اقدامات عنوان شده است. محققان با بکارگیری تراشه‌هایی از قبیل مدارهای یکپارچه ، محاسبات الهام گرفته شده از مغز انسان و محاسبات درون‌حافظه‌ای به موفقیت‌های چشمگیری نائل آمده‌اند. در این راستا، عملیات پردازش با طیفی از حافظه‌های موسوم به «ممریستور » انجام می‌گیرد.

الکترون‌ها حامل اطلاعات در محاسبات الکترونیکی هستند، اما بحث درباره فوتون‌ها از مدت‌ها پیش به عنوان گزینه‌ جایگزین مطرح بوده است. از آنجایی که طیف نور دامنه گسترده‌ای از طول موج‌ها را پوشش می‌دهد، این امکان وجود دارد که فوتون‌هایی با طول موج مختلف به صورت موازی انتقال یابند و به نحوی دستخوش تغییر قرار گیرند که قابلیت حمل اطلاعات را داشته باشند. این فرایند به نحوی انجام می‌شود که سیگنال‌های نوری با یکدیگر تداخل نداشته باشند. این شیوه انتشار اطلاعات که با سرعت نور انجام می‌گیرد، کمترین تاخیر زمانی را به همراه دارد. افزون بر این، انتقالِ منفعل (که در آن نیازی به نیروی ورودی نیست) نقش بسیار موثری در کاهش مصرف برق دارد و تغییر فاز این فرصت را به نور می‌دهد تا به راحتی در فرکانس‌های بالاتر از ۴۰ گیگاهرتز تنظیم و آشکارسازی گردد.

ارتباطات فیبر نوری در طی چند دهه گذشته با موفقیت‌های بی‌سابقه‌ای همراه بوده است. با این حال، استفاده از فوتون‌ها برای انجام محاسبات کماکان کار پردردسری به حساب می‌آید؛ به ویژه اگر هم‌سطح با پردازنده‌های الکترونیکی نوین باشد. این دشواری ریشه در نبودِ سازوکارهای پردازش موازی مناسب دارد؛ باید از مواد و تجهیزاتی استفاده کرد که زمینه را برای واکنش غیرخطی و پرسرعتِ نورون‌های مصنوعی فراهم کند و دستگاه‌های فوتونی مقیاس‌پذیر در سخت افزارهای محاسباتی به کار برده شوند.

خوشبختانه، طراحی دستگاه‌هایی موسوم به «شانه‌های فرکانس نوری » با پیشرفت‌های چشمگیری روبرو بوده است. بنابراین، فرصت‌های تازه‌ای برای پردازنده‌‌های فوتونی یکپارچه پدید آمده است. شانه‌های فرکانس نوری به مجموعه‌ای از منابع نوری اطلاق می‌شود که طیف نشرشان از هزاران یا میلیون‌ها خط طیفی تشکیل یافته است. این خطوط به طور یکنواخت و نزدیک به هم واقع شده‌اند. شانه‌های فرکانس نوری با موفقیتی مثال‌زدنی در حوزه‌های گوناگونی از قبیل طیف‌سنجی، مخابرات و تنظیم ساعت‌های نوری مورد استفاده قرار گرفته‌اند. جایزه نوبل فیزیک در سال ۲۰۰۵ به پاس ابداع این دستگاه اعطا شد. شانه‌های فرکانس نوری در تراشه‌های رایانه‌ای جایگذاری شده و به عنوان منابع انرژی کارآمدی در محاسبات نوری مورد استفاده قرار می‌گیرند. این سامانه بهترین گزینه برای پردازش موازی داده‌ها است.ژو و همکارانش از چنین سازوکاری برای تولید پردازنده‌های فوتونی یکپارچه استفاده کردند. این وسیله نوعی عملیات ضرب ماتریس در بردار انجام می‌دهد که به کانولوشن (پیچش) در حوزه‌های پردازش تصویر معروف است. محققان از روش خلاقانه‌ای برای پیاده‌سازی این کانولوشن استفاده کردند. آنان همچنین از پراکنش کروماتیک برای ایجاد وقفه‌های زمانی مختلف در سیگنال‌های نوری استفاده نمودند. سپس، این سیگنال‌ها را در بُعد مرتبط با طول موج نور ادغام کردند.

ژو و همکارانش با بکارگیری طیف وسیعی از طول موج‌های فوتون توانستند پردازش موازی را در عملیات کانولوشن مختلف پیاده‌سازی نمایند. سرعت پردازش نوری ده تریلیون عملیات بر ثانیه بیشتر از یک هسته پردازش بود. تنها محدودیتی که با آن دست و پنجه نرم می‌کردند، توان عملیاتی داده بود. از جمله ویژگی‌های جالب توجه این کار این است که محققان نقطه ورودی پردازنده کانولوشن فوتونی‌شان را در موارد کاربردی شناسایی می‌کنند. طبق پیشنهاد این محققان، این پردازنده قابلیت کاربرد در چارچوب الکترونیکی-نوری هیبرید از قبیل محاسبات in situ در طی ارتباطات فیبر نوری را دارد.

فِلدمن و همکارانش پردازنده فوتونی یکپارچه‌ای ساختند که عملیات کانولوشن را به همراه دسته‌ای از سیگنال‌های نوری با دو بُعد انجام می‌دهد. این وسیله از شانه‌های فرکانس نوری در معماری محاسباتی درون‌حافظه‌ای استفاده می‌کند؛ این معماری بر پایه موادی استوار است که بین حالت بی‌شکل و حالت کریستالی نوسان می‌کند. محققان داده‌های ورودی را با دستکاری طول موج به طور کامل به حالت موازی در آوردند و عملیات ضرب ماتریس در بردار را با طیفی از سلول‌های یکپارچه اجرا کردند. این چارچوب موازی می‌تواند کل تصویر را در یک مرحله با سرعت بالایی پردازش کند. علاوه بر این، امکان مقیاس‌بندی این سامانه با استفاده از روش‌های تولید تجاری نیز وجود دارد. باید در آینده‌ای نزدیک منتظر بکارگیری آن در یادگیری ماشین باشیم. چون فرایند کانولوشن با انتقال منفعل همراه است، به لحاظ نظری، محاسبات هسته پردازنده فوتونی می‌تواند با سرعت نور و مصرف برق پایین انجام گیرد. در حوزه‌هایی از قبیل رایانش ابری که به انرژی بسیاری نیاز دارند، ارزش این قابلیت بیش از پیش نمایان می‌شود.

با توجه به چالش‌هایی که در روش‌های محاسبه الکترونیکی سنتی وجود دارد، ظهور دستگاه‌های فوتونی یکپارچه می‌تواند عملکرد معماری‌های محاسباتی آینده را به طرز بی‌سابقه‌ای افزایش دهد. با این حال، ساخت رایانه‌های نوری کاربردی مستلزم تلاش گسترده حوزه‌های گوناگون و همکاری محققان حوزه‌های علوم، فوتون، الکترونیک و غیره است. اگرچه این پردازنده‌های فوتونی دارای قدرت محاسباتی و مقیاس‌پذیری بالایی هستند، اما مقیاس محاسباتی تماما‌ً نوری کماکان نیاز به گسترش دارد. افزون بر این، وجود آن دسته از عناصر محاسباتی که نور را جذب می‌کنند، موجب محدودیت بازده انرژی شده است. توسعه معماری‌های محاسبات فوتونی یکپارچه و غیرخطی پیشرفته از دیگر حوزه‌های تحقیق برشمرده می‌شود؛ لذا فقط به کانولوشن‌های خطی تک‌بعدی یا دوبعدی بسنده نمی‌شود. چارچوب هیبرید نوری-الکترونیکی می‌تواند با ادغام مدارهای الکترونیکی و هزاران یا میلیون‌ها پردازنده فوتونی در قالب یک معماری مناسب، انقلابی در سخت افزارهای محاسباتی هوش مصنوعی ایجاد کند. این چارچوب از پردازنده‌های فوتونی و الکترونیکی بهره می‌برد. چنین سخت افزارهای محاسباتی می‌توانند کاربردهای مهی در حوزه‌هایی نظیر ارتباطات، عملیات مرکز داده و رایانش ابری داشته باشند.

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

منبع: hooshio.com

کتاب بوم‌شناسی هوش مصنوعی؛ هر آنچه که درباره بازار هوش مصنوعی در ایران باید بدانید

تحقیقات بازار از ضروری‌ترین بخش‌ها در آغاز هر کسب‌وکاری است. بدون داشتن تصویری از وضعیت بازار هدف احتمال اشتباه و نهایتاً شکست کسب‌وکار بسیار بالاست. این مسئله درباره‌ی بازار هوش مصنوعی نیز صدق می‌کند. بدون شناخت امکان‌های این حوزه، مشتریان بالقوه و بالفعل، شرکت‌های رقیب و دیگر ابعاد این حوزه نمی‌توان راهبرد درستی تدوین کرد.

به همین دلیل، اغلب کسب‌وکارهای هوشمند و چابک همواره در کنار تیم تخصصی، بخش تحقیقات بازار نیز دارند که کارش رصد بازار و جمع‌آوری اطلاعات کمی و کیفی درباره‌ی مشتریان بالقوه و بالفعل است.

شرکت‌ها نمی‌توانند همیشه با آزمون و خطا پیش بروند تا راهبردشان را در بازار پیدا کنند. چرا که این شیوه بسیار هزینه‌بر است. بنابراین توجه به بخش تحقیقات بازار بسیار ضروری است.

اما متاسفانه در ایران بازار کسب‌وکارهای مربوط به هوش مصنوعی نیز از ضعف کلی داده‌های آماری مربوط به حوزه‌های مالی و تجاری برکنار نمانده است و ضعف‌های شدیدی در این حوزه احساس می‌شود. فقدان اطلاعات درباره شرکت‌های فعال در هوش مصنوعی یکی از مهم‌ترین مشکلات این حوزه است.

نبود دسترسی به اطلاعات شرکت‌های هوش مصنوعی کار پیمایش و جمع‌آوری اطلاعات این شرکت‌ها را بسیار دشوار کرده است. یکی از شرکت‌هایی که سعی کرده با تلاش‌هایش ضعف‌های تحقیقات بازار هوش مصنوعی در کشور را پوشش دهد، مرکز تحقیقات هوش مصنوعی پارت است.

این مرکز، به‌عنوان یکی از زیرمجموعه‌های شرکت پردازش اطلاعات مالی پارت، از همان روزهای اول شروع به کارش، در کنار پژوهش‌های گسترده‌ی علمی در حوزه‌ی هوش مصنوعی، تحقیقات بازار را نیز آغاز کرده است. مرکز تحقیقات هوش مصنوعی پارت، که یکی از قوی‌ترین و بزرگ‌ترین شرکت‌های فعال در حوزه‌ی هوش مصنوعی ایران است، توانسته است با اتکا به دانش متخصصان خود سرویس‌های زیادی را توسعه دهد و به دستاوردهای چشمگیری برسد. این شرکت با کمک همین پشتوانه‌ی قدرتمندی که دارد گام‌های بزرگی را در جهت جمع‌آوری اطلاعات شرکت‌های هوش مصنوعی در ایران برداشته است.

پژوهش‌های مرکز تحقیقات هوش مصنوعی پارت درباره‌ی وضعیت اکوسیستم هوش مصنوعی در ایران از سه سال پیش آغاز شده است. حاصل پژوهش‌های این مرکز از همان سال نخست در قالب کتابی با عنوان بوم‌شناسی هوش مصنوعی منتشر می‌شود.

از آنجایی که بازار هوش مصنوعی هر سال تغییرات بسیاری را از سر می‌گذارند، کتاب بوم‌شناسی هوش مصنوعی نیز هر سال با افزودن اطلاعات جدید به‌روزرسانی می‌شود. آخرین نسخه از کتاب، ویراست سوم آن است که در مرداد ۱۳۹۹، با حضور آقای  دکتر سورنا ستاری، معاون علمی و فناوری ریاست جمهوری، رونمایی شد.

خلاصه‌ای از کتاب

همان‌طور که پیش از این گفتیم ویراست سوم کتاب در تابستان ۱۳۹۹ منتشر شده است. عنوان کتاب بوم‌شناسی هوش مصنوعی است. بر روی جلد، زیرعنوان «ویژه‌نامه بررسی رخدادها و روندهای هوش مصنوعی» نیز به چشم می‌خورد. در صفحات آغازین کتاب پیشگفتاری به قلم آقای دکتر علی‌ رسولی‌زاده، مدیرعامل شرکت پردازش اطلاعات مالی پارت، آمده است.

کتاب بوم‌شناسی هوش مصنوعی در شش فصل تدوین شده است. فصل نخست با دلایل تدوین کتاب آغاز می‌شود و قرار است نیازی را که در حوزه‌ی «تحقیقات یکپارچه‌ی بازار هوش مصنوعی در ایران» احساس می‌شود پوشش دهد.

فصل دوم کتاب بیشتر به نمونه‌هایی از کاربرد هوش مصنوعی می‌پردازد. در این فصل می‌توان اطلاعاتی درباره‌ی کاربردهای هوش مصنوعی در حوزه‌هایی چون بهداشت‌ودرمان، حمل‌ونقل، و مواردی از این دست، یافت.

فصل سوم دورنما و چشم‌اندازی است از رخدادها و روندهای هوش مصنوعی در سطح جهانی. در این فصل تصویری دقیق از وضعیت هوش مصنوعی در کشورهای چون آمریکا، آلمان، کانادا و ایتالیا ترسیم شده است.

فصل چهارم را می‌توان از مهم‌ترین فصل‌های کتاب دانست. این فصل پاسخی است عینی و آماری به مسئله‌ی وضعیت شرکت‌های هوش مصنوعی در ایران. در این فصل اطلاعات بیش از صد شرکت فعال در حوزه‌های گوناگون هوش مصنوعی گردآوری شده است. پایان‌بخش فصل چهارم بحثی است درباره‌ی روش بررسی و نحوه‌ی جمع‌آوری اطلاعات شرکت‌ها.

فصل پنجم به ابعاد دیگر بازار هوش مصنوعی می‌پردازد. شاید جالب‌ترین بخش‌های این فصل «مقایسه‌ی تطبیقی وضعیت هوش مصنوعی در ایران و جهان» باشد. در این بخش به‌صورت تطبیقی وضعیت آموزش، تعداد مقالات و میزان اشتغال در حوزه‌ی‌ هوش مصنوعی در ایران با دیگر کشورهای جهان مقایسه شده است.

فصل ششم به‌عنوان فصل پایانی کتاب، به آینده‌ی هوش مصنوعی و چالش‌های پیش روی آن می‌پردازد.

از نقاط قوت کتاب علاوه بر ارائه‌ی دقیق و آماریِ اطلاعات شرکت‌های فعال در ایران، جامع بودن آن است. فصل‌بندی کتاب به‌گونه‌ای است که سعی شده تصویری جامع از وضعیت هوش مصنوعی در جهان و البته ایران برای خواننده تصویر شود.

مخاطبان کتاب

با توجه به گستردگی موضوعات مطرح شده در کتاب بوم‌شناسی، طیف مخاطبان کتاب نیز بسیار وسیع است. به‌طورکلی، این کتاب برای هر کسی که به‌نوعی با هوش مصنوعی و بازارش در ارتباط است می‌تواند مفید باشد. در ادامه به برخی از مهم‌ترین مخاطبان بالقوه‌ی کتاب اشاره می‌کنیم.

کتاب بوم‌شناسی هوش مصنوعی برای کسب‌وکارهایی که کارشان را به‌تازگی در بازار هوش مصنوعی آغاز کرده‌اند بسیار مناسب است؛ چرا که کسب‌وکارهای نوپا باید در ابتدا تاریخ فعالیت شرکت‌های هم‌حوزه، موفقیت‌ها، محصولات و جایگاه هر شرکت‌ را در بازار بدانند تا بتوانند به بازار رقابت یا همکاری با این شرکت‌ها پا بگذراند.

این کتاب همچنین با گردآوری به‌روزترین اطلاعات درخصوص بازار هوش مصنوعی ایران کمک می‌کند تا سیاست‌گذاران و تصمیم‌گیران با نگاهی به گذشته، آینده را بهتر برنامه‌ریزی کنند. بدون تطبیق هوش مصنوعی با نیازها و توانمندی‌های کشور نمی‌توان در هوش مصنوعی رشد کرد. کتاب بوم‌شناسی هوش مصنوعی با گردآوری اطلاعاتی در این خصوص، امکان مقایسه توانمندی‌ها، ظرفیت‌ها و خلا‌های موجود در میان کلیه‌ی شرکت‌های فعال در این حوزه را فراهم آورده است. برنامه‌ریزی درست و منطقی برای آینده از دل همین تحلیل‌ها بیرون می‌آید.

اما همان‌طور که گفتیم، مخاطبان این کتاب صرفاً به کسب‌وکارهای نوپا و سیاست‌گذاران هوش مصنوعی محدود نمی‌شود.  امروز کمتر حوزه‌ای را می‌توان یافت که به‌طور مستقیم یا غیرمستقیم با هوش مصنوعی در ارتباط نباشد.

به‌ همین دلیل، روزبه‌روز بر تعداد سرمایه‌گذارانی که تمایل دارند در حوزه‌ی هوش مصنوعی سرمایه‌گذاری کنند افزوده می‌شود. اطلاعاتی که درباره‌ی وضعیت بازار هوش مصنوعی در ایران و جهان در این کتاب آمده است به سرمایه‌گذاران کمک می‌کند با درک درست از امکان‌ها و محدودی‌های بازار هوش مصنوعی داشته باشند و با توجه به نیازهایی که اکنون در کشور در هوش مصنوعی احساس می‌شود برنامه‌ی سرمایه‌گذاری خود را پیش برند.

دانشجویان، محققان و اساتید دانشگاه از دیگر مخاطبان  این کتاب‌ هستند. متخصصان هوش مصنوعی می‌توانند با اطلاعاتی که در این کتاب گردهم آمده دانسته‌های خود را از دانش روز جهان با اطلاعات بومی درباره وضعیت تخصصشان در ایران تلفیق کنند.

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

منبع: hooshio.com