مجله هوش مصنوعی

آخرین اخبار و تکنولوژی های هوش مصنوعی را در اینجا بخوانید.

مجله هوش مصنوعی

آخرین اخبار و تکنولوژی های هوش مصنوعی را در اینجا بخوانید.

نگاهی به فعالیت‌های استارتاپ Freenome: درمان سرطان با هوش مصنوعی


درمان سرطان با هوش مصنوعی همواره یکی از رویاهای دور از دسترس و مشترک دانشمندان علم داده و بیوتکنولوژیست‌‌ها در قرن اخیر بوده است. اما به نظر‌ می‌رسد با پیشرفت‌‌‌ هوش مصنوعی در پزشکی و نیز با حمایت ‌‌‌‌سرمایه‌گذاران در استارتاپ‌‌‌‌های هوش مصنوعی، این رویا در حال تحقق باشد.

فرینوم یک شرکت حوزه بیوتکنولوژی است که محصولات غربالگری بیماری سرطان را به صورتی قابل دسترس و برای درمان پیشگیرانه سرطان تولید‌ می‌کند تا این دسته از بیماری‌‌ها در مراحل ابتدایی تشخیص داده شوند و کنترل گردند. چارلز رابرتز‌، گابریل اوته‌، رایلی انیس و مایکل اوت این شرکت را در سال ۲۰۱۴ در سانفرانسیسکو جنوبی‌، در ایالت کالیفرنیا راه‌اندازی کردند.

استارتاپ فرینوم تا امروز، یک پلتفرم هوش مصنوعی در درمان و پزشکی را توسعه داده که بیماری سرطان را در مراحل اولیه تشخیص‌ می‌دهد و به پزشکان کمک‌ می‌کند تا نسل بعدی درمان‌‌ها را دقیق‌تر طراحی کنند و ابزارها و روش‌های فعلی را بهینه‌سازی کنند. راهکار این مجموعه متمرکز بر آزمایش خون برای غربالگری و تشخیص زودهنگام بیماری سرطان و انتخاب درمان مناسب است. در حال حاضر، هدف این شرکت فراهم‌آوردن بستری برای درمان سرطان با هوش مصنوعی است. راهکارهای این شرکت بر کشف مجدد روش‌‌‌‌های مدیریت بیماری‌‌‌‌های خاص از طریق تشخیص و مداخله به‌موقع و سیستماتیک برای درمان این بیماری متمرکز است.

هوش مصنوعی به ریشه‌کن شدن سرطان کمک‌ می‌کند!

استارتاپ فرینوم که به صورت تخصصی با محوریت فناوری هوش مصنوعی فعالیت‌ می‌کند، از ابتدای تاسیس در سال ۲۰۱۴‌، چشم‌انداز روشنی داشته است و آن، ایجاد یک تیم میان‌رشته‌ای متشکل از متخصصان زیست‌شناسی محاسباتی و تکنیک‌‌‌‌های یادگیری ماشین‌ برای درمان سرطان با هوش مصنوعی بوده است. بنیانگذاران این مجموعه امیدوارند با استفاده از داده‌‌‌‌های موجود درباره نحوه بروز و پیشروی بیماری سرطان، روش‌‌‌‌های نوینی را برای مدیریت بیماران مبتلا به سرطان ارائه دهند و روند درمان این بیماری را متحول کنند؛ تا جایی که بیماران در همه جای دنیا به دانش و ابزار موردنیاز برای حفظ زندگی سالم، مجهز شوند و حتی یک روز، بیماری سرطان به طور کلی ریشه کن گردد.

این شرکت فرایندهای تازه‌ای از آزمایش‌‌‌‌های خون را توسعه‌ می‌دهد که توانایی تشخیص مراحل اولیه سرطان را دارند. این برنامه از یک پلتفرم چندگانه استفاده‌ می‌کند که از فناوری‌‌‌‌های مختلفی تشکیل شده است‌: فناوری‌هایی همچون یادگیری ماشینی که نمونه‌‌‌‌های مثبت آزمایش سرطان خون را برای آموزش خود دریافت‌ می‌کنند. سایر انواع هوش مصنوعی این سیستم‌عامل‌ می‌تواند DNA‌، RNA‌، پروتئین و سایر نشانگرهای زیستی در خون را برای تشخیص سرطان تجزیه‌تحلیل و بررسی کند.

هوش مصنوعی با تحلیل و بررسی هزاران نمونه مثبت آزمایش سرطان خون، خود را آموزش‌ می‌دهد و بعد از این مرحله،‌ می‌تواند تشخیص دهد که کدام الگوهای زیستی، نشان‌دهنده نوع سرطان و مسیرهای درمانی موثر است. آموزش روی نمونه‌‌‌‌های سالم نیز به هوش مصنوعی کمک‌ می‌کند تا ترکیب طبیعی نشانگرهای زیستی عاری از سلول و نوع عملکرد آن‌‌ها را بشناسد. دانشمندان حاضر در این مرکز پژوهشی، با استفاده از زیست‌شناسی مولکولی و یادگیری ماشین، به تشخیص سرطان و مشاهده آنچه به چشم عادی انسان‌‌ها قابل رویت نیست‌ می‌پردازند تا درمان سرطان با هوش مصنوعی را محقق کنند.


تیم‌‌‌‌های ‌‌‌‌تشکیل‌دهنده استارتاپ Freenome

در تیم فرینوم، سه مجموعه اصلی سهم اساسی در دستیابی به اهداف علمی پژوهشی و یافتن درمان سرطان با هوش مصنوعی دارند: تیم مهندسان هوش مصنوعی و فناوران، تیم دانشمندان بیولوژی و پزشکان و مجموعه بیمارانی که تجربه سرطان را داشته‌اند یا در حال مبارزه با سرطان هستند.

• تیم فناوران شامل برنامه‌نویسان‌، متخصصان یادگیری ماشین‌ و هوش مصنوعی در زیست‌شناسان محاسباتی هستند که مسئولیت انجام آزمایش‌‌‌‌های خون برای تشخیص زودهنگام سرطان را به عهده دارند. این تست‌‌ها توسط سیستم‌عامل چندمنظوره که ساخته فرینوم است، انجام‌ می‌گیرند.

• تیم دانشمندان بیولوژی و پزشکان شامل زیست‌شناسان مولکولی‌، پزشکان و متخصصان توالی‌یابی هستند که برای اطمینان از بالاترین کیفیت تحقیقات علمی و ایجاد زیرساخت‌‌‌‌های لازم برای تشخیص زودرس و درمان‌‌‌‌های دقیق سرطان در نسل بعدی‌، با هم همکاری‌ می‌کنند.

• مهم‌‌‌‌ترین بخش این همکاری، همه افراد و بیمارانی هستند که تحت تأثیر بیماری سرطان قرار گرفته‌‌‌اند. این گروه، تجربیات خود به عنوان بیمار را به دو تیم دیگر ارائه‌ می‌دهند.

شرکا و ‌‌‌‌سرمایه‌گذاران Freenome

شرکت فرینوم با شرکت‌‌‌‌های دارویی‌، سامانه‌‌‌‌های یکپارچه خدمات بهداشت و درمان و موسسات دانشگاهی همکاری‌ می‌کند تا از پلتفرم Multiomics خود برای رسیدگی به درمان سرطان با هوش مصنوعی و مهم‌‌‌‌ترین چالش‌‌‌‌های پیش رو استفاده کند. از زمان تأسیس فرینوم در سال ۲۰۱۴‌، پلتفرم Multiomics بیش از ۵۰۰ میلیون دلار از طریق ‌‌‌‌سرمایه‌گذاری‌‌‌‌های پیشرو در حوزه بهداشت و درمان و فناوری جذب کرده است.

شرکت فرینوم همچنین بودجه ۲۷۰ میلیون دلاری را در راستای توسعه سیستم جدید آزمایش خون Multiomics برای تشخیص زودهنگام سرطان ‌‌‌‌جمع‌آوری کرده است. این سرمایه ‌‌‌‌جمع‌آوری شده، به روند پژوهش‌‌‌‌های مربوط به اولین آزمایش خون شرکت فرینوم برای غربالگری سرطان روده بزرگ و تشخیص ضایعات پیش‌سرطانی سرعت‌ می‌بخشد و مسیر توسعه محصول را تسریع خواهد کرد.

فرینوم از پلتفرم منحصربه‌فرد خود که توصیف تومورهای سرطانی و وضعیت ایمنی بدن را به عهده دارد، برای ساخت نسل بعدی آزمایش‌‌‌‌های غربالگری خون در سرطان‌‌‌‌های مختلف کمک‌ می‌گیرد و در این روش، از پایه آزمایش غربالگری سرطان روده بزرگ نیز استفاده‌ می‌کند تا امید تازه‌ای به موضوع درمان سرطان با هوش مصنوعی ببخشد.

تأمین مالی شرکت فرینوم توسط ‌‌‌‌سرمایه‌گذار جدید این استارتاپ، Bain Capital Life Sciences و ‌‌‌‌سرمایه‌گذار فعلی آن، Perceptive Advisors انجام شد. در این میان، گروهی دیگر از ‌‌‌‌سرمایه‌گذاران نیز جدیدا به حمایت از شرکت فرینوم پیوسته‌‌‌اند. از جمله: Fidelity Management & Research Company، LLC، Janus Henderson Investors، Farallon Capital Management، Rock Springs Capital، Cormorant Asset Management، EcoR1 Capital، LLC، Catalio Capital Management که برای ‌‌‌‌جمع‌آوری سرمایه موردنظر و حمایت از طرح‌‌‌‌های پژوهشی و عملیاتی شرکت فرینوم به جمع ‌‌‌‌سرمایه‌گذاران این مجموعه پیوستند. ‌‌‌‌سرمایه‌گذاران فعلی فرینوم نیز که در تامین مالی پژوهش‌‌‌‌های این شرکت همکاری داشتند‌، عبارتند از: مدیریت سرمایه RA‌، وجوه و حساب‌‌‌‌های مشاوره شده توسط T. Rowe Price Associates، انجمن سرطان آمریکا Permanente Ventures‌، Novartis‌، Polaris Partners‌، Roche Venture Fund‌، Soleus Capital و بخش ۳۲.

مسیر ‌‌‌‌جمع‌آوری سرمایه شرکت Freenome

گابریل اوت‌، مدیرعامل شرکت فرینوم، درباره اختصاص سرمایه به این استارتاپ می‌گوید: «ما از داشتن حمایت مالی Bain Capital Life Science و Advistive Advisors به عنوان ‌‌‌‌سرمایه‌گذار اصلی بسیار خرسندیم و از همه ‌‌‌‌سرمایه‌گذاران جدید و فعلی به خاطر اعتماد مداوم آن‌‌ها به فرینوم قدردانی‌ می‌کنیم که ما را در مأموریت اصلی‌مان برای بهبود قابلیت دسترسی و پیگیری غربالگری سرطان همراهی‌ می‌کنند. با تلاش روزافزود و حمایت بی‌شائبه همراهان، ما هر روز به دنیایی نزدیک‌ می‌شویم که‌ می‌توان سرطان را زودتر یا حتی در مرحله پیش‌سرطانی تشخیص داد و در نهایت، از طریق درمان سرطان با هوش مصنوعی جان بسیاری از انسان‌‌ها را نجات داد.» مسیر جمع‌آوری سرمایه شرکت فرینوم را می‌‌توان این‌طور بازبینی کرد:

  • ۲۶ آگوست ۲۰۲۰ : شرکت فرینوم ۲۷۰ میلیون دلار سرمایه ‌‌‌‌جمع‌آوری کرد.
  • ۲۴ جولای ۲۰۱۹ : شرکت فرینوم ۱۶۰ میلیون دلار سرمایه به دست آورد.
  • ۲۸ آگوست ۲۰۱۷ : شرکت فرینوم ۷ میلیون دلار سرمایه جذب کرد.

جفری شوارتز‌، مدیرعامل Bain Capital Life Sciences می‌گوید: «رویکرد نوآورانه فرینوم در تشخیص زودهنگام سرطان و شروع درمان این بیماری در زمانی که قابل درمان است‌، پیشرفت‌‌‌‌های قابل توجه و متفاوت دانش پزشکی برای غربالگری بیماران و درمان سرطان با هوش مصنوعی را نشان‌ می‌دهد. توانایی این پلتفرم در تشخیص طیف وسیعی از انواع سرطان جذاب است و ما به ادامه کار با این شرکت و سهیم شدن در این موفقیت، امید بسیار زیادی داریم.»

این بودجه سرعت تلاش‌‌‌‌های فرینوم برای گسترش بستر خود و ایجاد نمونه کارهایی از آزمایش خون پیشرو در صنعت را برای چندین سرطان تسریع‌ می‌کند. پلتفرم این شرکت‌، با قابلیت توصیف تومور و عملکرد مربوط به سیستم ایمنی‌، یک فناوری آزمایش خون متمایز و جامع را برای تشخیص زودهنگام سرطان امکان‌پذیر‌ می‌کند. با استفاده از یک رویکرد جامع چندمنظوره (تجزیه‌وتحلیل مجموعه داده‌‌‌‌های بیولوژیکی بزرگ و پیچیده) پلتفرم فرینوم با استفاده از تکنیک‌‌‌‌های پیشرفته زیست‌شناسی محاسباتی و تکنیک‌‌‌‌های یادگیری ماشین و هوش مصنوعی، فناوری‌‌‌‌های استفاده از ژنومیک‌، ترانسکریپتومیک‌، متیلومیک و پروتئومیکس را ادغام‌ می‌کند تا چندین عملگر را برای تشخیص زودهنگام سرطان شناسایی کند.

دکتر الن هاکلهوون‌، مدیرعامل شرکت Perceptive Capital خاطرنشان کرد: «فرینوم در حالی که اولین محصول خود را از طریق آزمایش محوری راه‌اندازی کرده است‌، در یک نقطه انعطاف‌پذیر قرار دارد و ما آینده را مملو از فرصت‌های بیشمار برای گسترش فعالیت‌های حمایتی خود‌ می‌بینیم. آزمایش‌‌‌‌های غربالگری مبتنی بر انواع مختلف سرطان، پتانسیل‌های بسیار زیادی برای بهره‌برداری از فناوری‌های پیشرفته و بهبود غربالگری و پیشگیری و درمان سرطان با هوش مصنوعی دارد.»

مدیر مالی فرینوم، ویلیام کوئیرک‌ می‌گوید: «این بودجه با سرعت بخشیدن به انجام آزمایش‌های خون، به ما امکان‌ می‌دهد برنامه‌‌‌‌های تجاری خود را برای غربالگری سرطان روده بزرگ به سمت تصویب‌، بازپرداخت و تجاری‌سازی اجرا کنیم و درعین‌حال‌، سیستم آزمایش خون ما را نیز توسعه‌ می‌دهد. آزمایش‌‌‌‌های دیگر فرینوم برای غربالگری سرطان‌‌‌‌های دیگر نیز در راه است‌، و این شرکت قرار است از پتانسیل کامل پلتفرم جدید چندگانه خود به عنوان یک فناوری مخرب برای غربالگری سرطان استفاده کند.»
در حال حاضر کاربرد هوش مصنوعی در پزشکی، روزبه‎روز در حال افزایش است. توسعه و ایجاد راهکارهای درمانی مبتنی بر تکنولوژی‌های برتر و هوش مصنوعی در سراسر دنیا بازاری پرتکاپو و فعال دارد و این موضوع به افزایش بهره‌وری اقتصادی کشورها از یک سو، و افزایش سودآوری سرمایه‌گذاران از سوی دیگر کمک می‌کند. فعالان حوزه فناوری هوش مصنوعی، بیوتکنولوژی و سرمایه‌گذارانی که به دنبال حمایت از ایده‌های خلاق در این حوزه‌ها هستند، می‌توانند فرصت‌های موجود در کشورمان ایران را نیز مدنظر قرار دهند و از چنین مدل‌های افزایش سرمایه و توسعه مراکز پژوهشی که در خارج از ایران به نتایج موفقیت‌آمیز دست یافته است، الگوبرداری کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

وجود چه ویژگی‌هایی در یک عامل مجازی باعث می‌شود انسان از حالات چهره آن تقلید کند؟


دانشمندان رایانه در سال‌های اخیر عامل‌های مجازی متنوعی توسعه داده‌اند. عامل مجازی هوش مصنوعی با هدف تعامل با انسان و کمک کردن به وی در انجام امور مختلف طراحی شده است. یافته‌های شماری از پژوهش‌های پیشین حاکی از این است که میزان اعتماد فرد به این عامل‌ها معمولاً به این مسئله بستگی دارد که عامل‌ها چقدر دوست‌داشتنی و دلنشین به نظر می‌رسند.

انواع مختلف بدن‌مندی ربات که در آزمایشات به کار گرفته شده‌اند. از چپ به راست: عامل مجازی، ربات Furhat ، و ویدیوی ضبط‌شده از ربات Furhat. تصویر سمت راست نیز تصویر یک انسان واقعی است که برای عوان گروه کنترل در نظر گرفته شده.
انواع مختلف بدن‌مندی ربات که در آزمایشات به کار گرفته شده‌اند. از چپ به راست: عامل مجازی، ربات Furhat ، و ویدیوی ضبط‌شده از ربات Furhat. تصویر سمت راست نیز تصویر یک انسان واقعی است که برای عوان گروه کنترل در نظر گرفته شده.


یافته‌های مطالعات روان‌شناسی نیز نشان داده‌اند که وقتی انسان‌ها کسی را دوست داشته باشند یا به نظرشان دلنشین بیاید، تمایل دارند که حرکات و حالات چهره وی را تقلید کنند. بنابراین می‌توان گفت که وقتی ربات یا عامل مجازی به نظر فرد دوست‌داشتنی بیاید، وی رفتارها و حالات چهره او را تقلید خواهد کرد.

محققین در دانشگاه‌های Uppsala ، Potsdam،Sorbonne  و سایر دانشگاه‌های دنیا، اخیراً به مطالعه میزان تاثیری که برخی ویژگی‌های خاص یک عامل مجازی روی تقلید انسان از حالات چهره آن عامل می‌گذارند، پرداخته‌اند. این مقاله که روی سامانه arXiv منتشر شده است به طور خاص به بررسی تاثیر دو ویژگی کلیدی یعنی بدن‌مندی عامل و میزان شباهت آن به انسان می‌پردازد.

محققین در این آزمایش از شرکت‌کنندگان خواستند تا در حین تعامل با ۳ عامل مجازی (یعنی یک ربات Furhat ، ویدیویی از یک ربات Furhat  و یک عامل کاملاً مجازی)، سعی کنند احساسات آن‌ها را شناسایی کنند. در فاز اول آزمایش، از شرکت‌کنندگان خواسته شد تا تنها با مشاهده حالات چهره عامل، بگویند که چه برداشتی از احساسات آن دارند. در مرحله دوم نیز از شرکت‌کنندگان خواسته شد تا پس از مشاهده حالت چهره عامل، آن را تقلید کنند.

سپس محققین اطلاعات فاز اول آزمایش را تحلیل کردند تا مشخص کنند که آیا شرکت‌کنندگان به‌طور ناخودآگاه حالات چهره عامل هوش مصنوعی را تقلید کرده‌اند یا خیر. مجققین از تحلیل داده‌های حاصل از فاز دوم آزمایش نیز به دنبال این بودند که وقتی مستقیماً از فرد خواسته شود از عامل مجازی تقلید کند، حالات چهره وی تا چه حد به حالات چهره عامل شباهت خواهد داشت.

سطوح مختلف شباهت عامل به انسان که در آزمایشات بالا به‌کارگرفته شده است.
سطوح مختلف شباهت عامل به انسان که در آزمایشات بالا به‌کارگرفته شده است.


محققین در این مقاله توضیح داده‌اند که میزان انسان‌نما بودن عاملی که به ۴۵ شرکت‌کننده حاضر در این آزمایش نمایش داده می‌شد، به صورت تصادفی از میان سه گزینه تصویر بالا انتخاب شده بود. سپس حالت چهره یک انسان و سه عامل هوش مصنوعی که از لحاظ بدن‌مندی (ربات فیزیکی، ویدیوی ربات و عامل کاملاً مجازی) با هم متفاوت بودند به شرکت‌کنندگان نشان داده شد. مجققین همچنین اظهار داشتند که برخلاف فرضیه‌های آن‌ها، نتایج حاکی از این بودند که واکنش ناخودآگاه شرکت‌کنندگان نسبت به عاملی که چهره عادی‌تر نسبت به سایرین داشت و در واقع شباهتش به انسان بیشتر بود و دوست‌داشتنی‌تر به‌نظر می‌رسید، کمتر بوده است.

محققین دریافتند که احتمال این که شرکت‌کنندگان به صورت ناخودآگاه نسبت به حالات چهره عامل مجازی که در مقایسه با سایر عامل‌های چهره‌ای ناخوشایند دارد، واکنش نشان دهند، بیشتر است. یافته‌های این مقاله با نتایج مطالعات پیشین در حوزه روانشناسی که درباره تقلید حالات چهره در تعاملات انسانی بودند، کاملاً در تقابل است.

علاوه براین، محققین دریافتند که وقتی به شرکت‌کنندگان گفته می‌شد که باید حالات چهره عامل را تقلید کنند، احتمال تقلید به صورت ناخودآگاه کمتر می‌شد. محققین در این مقاله نوشتند: «وقتی فرد توانایی خوبی در تقلید حالات چهره هدف که پویا و موقتی هستند، داشته باشد، احتمالاً در تشخیص احساسات هدف نیز توانا خواهد بود. به این ترتیب، برخلاف تقلید ناخودآگاه، اگر به شرکت‌کنندگان گفته شود که حتماً باید حالات چهره عامل را تقلید کنند، می‌توان به درک بهتری از احساسات رسید.»

فرضیه اولیه محققین این بود که وقتی مستقیماً از افراد خواسته شود که احساسات عامل‌های هوشمند را شناسایی کنند، ممکن است الگوهای حاصله با یافته‌های مطالعات روان‌شناسی متفاوت باشند. به عبارت دیگر، ممکن است به این دلیل که تفسیر حالات چهره عامل‌هایی که چهره ناخوشایندتری دارند، سخت‌تر می‌باشد، شرکت‌کنندگان بیشتر از حالات چهره آنان تقلید کنند (به صورت ناخودآگاه).

در انتها نیز محققین افزودند: «برای تایید این فرضیه باید مطالعات بیشتری انجام گیرد. اما در هر صورت، یافته‌های این مقاله توانست کنش‌های تقلیدی بین انسان و عامل یا انسان و ربات‌ها را در مسائل تشخیص احساسات توضیح داده و به ما کمک کند تا رابطه میان تقلید چهره، دوس‌داشتنی بودن و رابطه دوستانه را متوجه شویم.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

آب آشامیدنی پاکیزه با طعم هوش مصنوعی

یادگیری ماشین روش‌های متعددی برای ارتقای سیستم‌های تصفیه آب و سطح کیفی زندگی مردم پیش روی ما قرار می‌دهد.  طبق جدیدترین گزارش یونیسف با موضوع آب آشامیدنی پاکیزه و تصفیه آب، تأثیرات ویروس کرونا بر مناطق شهری، که به آب تمیز دسترسی ندارند، به طرز قابل ملاحظه‌ای بیشتر بوده است. مناطق شهری ۴۰ درصد از جمعیت جهان را تشکیل می‌دهند. طبق این گزارش، بیش از نیمی از جمعیت جهان (۵/۴ میلیارد نفر) به سیستم‌های دفع فاضلاب دسترسی ندارند.

نتایج نظرسنجی‌ شرکت SUEZ Water Technologies & Solutions نشان می‌دهد که به طور مداوم به آمریکایی‌ها در مورد کمبود آب هشدار داده می‌شود؛ ۷۴ درصد از افرادی که در این نظرسنجی شرکت داشتند، اظهار داشتند برای مقابله با بحران کمبود آب باید اقداماتی در جهت ذخیره آب صورت گیرد.

فن‌آوری‌های نوین، علی‌الخصوص هوش مصنوعی، می‌توانند برخی مشکلاتی که در فرایند تصفیه آب با آن مواجه می‌شویم را رفع کنند.

وقایع بحرانی و آبرسانی بهتر

در این میان، تأسیسات آبی نیز از مزایا و قابلیت‌های هوش مصنوعی و کلان داده بی‌نصیب نخواهند ماند. تأسیسات آبی با تکیه بر این فن‌آوری‌ها می‌توانند داده‌ها را تفسیر کنند و حداکثر استفاده را از آن‌ها داشته باشند؛ در گام بعدی، با استفاده از این داده‌ها می‌توانند تصمیمات آگاهانه‌تری در جهت ارتقای سطح خدمات‌رسانی و بالتبع کاهش هزینه‌ها اخذ کنند.

برای مثال، در شهر فلینت، میشیگان، مهندسان به منظور یافتن خانه‌هایی که لوله‌ سربی دارند، یک مدل یادگیری ماشین طراحی کردند. هرچند، این مدل توانست با نرخ دقت ۹۷ درصدی فهرستی از این خانه‌ها به دست دهد اما در نهایت، مقامات شهری این پروژه را متوقف کردند.

تصفیه آب

ارزش بازار جهانی سیستم‌های تصفیه آب خانگی در سال ۲۰۱۸، ۶/۸ میلیارد دلار برآورد شد. اما در نتیجه همه‌گیری ویروس کرونا و درخواست مقامات از مردم مبنی بر عدم خروج از خانه‌ موجب شد ارزش این بازار ، به ویژه در مناطق شهری، افزایش چشمگیری را تجربه کند. بسیاری از خانوارها به استفاده از سیستم‌های تصفیه خانگی، برای نمونه Culligan، Aquasana، Sweetwater و محصول جدید سامسونگ یعنی BESPOKE، روی آورده‌اند. سازندگان سیستم‌های تصفیه آب به کمک هوش مصنوعی می‌توانند داده‌های مشتریان محصولات‌شان را تحلیل کنند و زمان تعویض فیلترها را به آن‌ها اطلاع دهند.

تصفیه فاضلاب

میزان ترکیبات سمی و آلاینده‌های موجود در فاضلاب متفاوت است و به همین دلیل لازم است آن‌ها را تصفیه کنیم تا تأثیرات آن‌ها بر محیط زیست را به حداقل برسانیم. شرکت‌های آب و فاضلاب باید کلیه تصفیه‌خانه‌های زیرمجموعه‌ خود را به فن‌آوری‌هایی مجهز کنند تا به صورت لحظه‌ای در جریان سطح آلاینده‌ها قرار بگیرند و فرایند تصفیه را بهبود بخشند.

هوش مصنوعی و یادگیری ماشین به اخذ تصمیمات کارآمدتر کمک می‌کنند.

تعمیر و نگهداری دارایی‌ها

کاربران اولیه هوش مصنوعی دیگر لازم نیست زمان زیادی را صرف تعمیر و نگهداری دارایی‌های فیزیکی کنند. یادگیری ماشین می‌تواند پیش‌بینی کند کدام دارایی‌ها در چه زمانی به تعمیر و نگهداری نیاز دارند. در نتیجه مدت زمان بیشتری می‌توانند از سیستم استفاده کنند. پیاده‌سازی در آغاز راه استچنین فن‌آوری‌هایی در صنایعی که به طور گسترده بر سلامت و رفاه ما تأثیر دارند، در آغاز راه است و در آینده شاهد تأثیرات و کاربردهای بیشتر این فن‌آوری‌ها در این صنایع خواهیم بودیم.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

کاربرد هوش مصنوعی در موسیقی و سه دلیل برای استفاده از آن در این صنعت


رد پای فن‌آوری‌های هوش مصنوعی در تمامی حوزه‌های کسب‌وکار، از خرده‌فروشی گرفته تا مهندسی هوا و فضا، به چشم می‌خورد. هنرمندان با تکیه بر تجارب ذهنی و حسی‌شان به خلق آثار هنری می‌پردازند و هیچ الگوریتمی یارای رقابت کردن با آن‌ها را ندارد. با این حال، کاربرد هوش مصنوعی در موسیقی، آهنگ‌سازی و توسعه پلتفرم‌های پخش موسیقی مورد استفاده زیادی دارد. برای آشنایی بیشتر با برنامه‌های موسیقی مجهز به AIتا پایان این نوشتار با ما همراه باشید.

کاربرد هوش مصنوعی در موسیقی و آهنگ‌سازی

طبق گزارش مؤسسه مک‌کینزی تا سال ۲۰۳۰، ۷۰ درصد از شرکت‌ها حداقل از یکی از فن‌آوری‌های AI استفاده می‌کنند. صنعت موسیقی نیز از این قاعده مستثنی نیست. با ظهور تیک‌تاک و افزایش تعداد یوتیوبرها، که موسیقی لازمه‌ هنرآفرینی‌شان است، اهمیت وجود ابزارهای تولید موسیقی مجهز به AI بیش از پیش آشکار می‌شود.

مثلا Amper را در نظر بگیرید! Amper ابزاری است که با استفاده از فن‌آوری هوش مصنوعی برای سازندگان بازی، رسانه‌ها و دیگر فن‌آوری‌های تعاملی موسیقی تولید می‌کند. این ابزار برای ساخت یک قطعه موسیقی جدید از نمونه کتابخانه‌ و دیتاست‌هایش استفاده می‌کند. Amper تا پیش از روی کارآمدن Shutterstock محبوب‌ترین ابزار تولید موسیقی در بازار شناخته می‌شد. ShutterStock یکی از بزرگ‌ترین تولیدکنندگان محتوا برای سازندگان است و در نهایت اواخر سال ۲۰۲۰ توانست گوی سبقت را از Amper برباید.

برجسته‌ترین کاربرد هوش مصنوعی در موسیقی AIVA است. AIVA یک پلتفرم هوش مصنوعی است که بر تولید موسیقی کلاسیک تمرکز دارد و بهداشتن مشتریانی همچون Nvidia، TED، Vodafone افتخار می‌کند و قطعات موسیقی با حق امتیاز نامحدود (Royalty-free) و سفارشی برای آنان تولید می‌کند. در ساخت این پلتفرم از الگوریتم‌های DL استفاده شده که بر روی تعداد زیادی موسیقی ارکستر آموزش دیده‌اند. یکی دیگر از مزایای این پلتفرم رابط کاربری فوق‌العاده آن است.

یا Loudly، این کسب‌وکار نوپا در برلین واقع شده و در زمینه تولید موسیقی فعالیت دارد؛ در وب‌سایت رسمی این شرکت، شعار“Designed by creators, for creators” به چشم می‌خورد. سیستم این پلتفرم می‌تواند قطعات موسیقی را بازنویسی کنید و با استفاده از الگوریتم‌های یادگیری عمیق GAN قطعات موسیقی سفارشی تولید کند. علاوه بر این، Loudly دارای نمونه حافظه (برای ذخیره موسیقی)، برنامه آهنگ‌سازی و یک پلتفرم اجتماعی است که سازندگان موسیقی می‌توانند در آن با هم مشارکت داشته باشند.

برای قطعات موسیقی که هوش مصنوعی تولید می‌کند، مسئله قوانین حق نشر (Copyright) مطرح می‌شود. مسئله این است که هوش مصنوعی موسیقی را تولید کرده اما برای آموزش آن از داده‌های موسیقیایی هنرمندان حقیقی استفاده شده است، در چنین شرایطی حق امتیاز تولید موسیقی به چه کسی تعلق دارد؟ علاوه بر این، بسیاری از حوزه‌های قضایی، از جمله ایالات متحده، اسپانیا و آلمان کماکان بر این باروند که فقط قطعات موسیقی که انسان‌ها تولید می‌کنند، مشمول قانون حق نشر (copyright) می‌شوند.

هوش مصنوعی و پخش موسیقی

پخش‌کننده‌‌های (player)موسیقی نیز از آسیب‌های ناشی از شیوع ویروس کرونا در امان نبوده اند. با این حال، ارزش بازار پخش‌کننده‌های موسیقی در سال ۲۰۲۰ به ۶/۲۱ میلیارد دلار آمریکا رسید و رشد ۴/۷ درصدی را تجربه کرد. به گفته فدراسیون بین‌المللی صنعت آواشناسی (IFPI) صنعت ضبط موسیقی در سال ۲۰۱۴ و  پس از یک دهه رکود، دوباره رونق گرفت. در سال ۲۰۲۰، سرویس‌های پخش موسیقی ۱/۶۲ درصد از مجموع درآمد حاصل از ضبط موسیقی را به خود اختصاص دادند و به همین دلیل نمی‌توان نقش آن‌ها در احیای این صنعت را نایده گرفت.

صنعت پخش موسیقی در سراسر جهان روند صعودی دارد و از این لحاظ آمریکای لاتین و آسیا پویاترین بازارها را دارند ( ارزش بازارهای پخش موسیقی در این کشور به ترتیب ۲/۳۰ درصد و ۹/۲۹ درصد رشد داشته است). ارزش سرویس‌های پخش موسیقی در بازارهای آفریقا و خاورمیانه نیز در حال رشد است و بازارهای اروپا و آمریکای شمالی را نیز در دست دارد.

هوش مصنوعی، به ویژه یادگیری ماشین و یادگیری عمیق، به همراه سیستم‌های توصیه‌گر خود زیربنای تمامی این سرویس‌ها را تشکیل می‌دهد و تجربه فوق‌العاده‌ای برای شنوندگان فراهم می‌آورد. برای کسب اطلاعات بیشتر مقاله سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق را مطالعه کنید.

کاربرد هوش مصنوعی در موسیقی چگونه می‌تواند علاقه شنوندگان را به سرویس‌های پخش موسیقی جلب کند؟ برای یافتن پاسخ این سؤال بهتر است نگاهی به بزرگ‌ترین سهام‌داران این بازار بیندازیم.

در نیمه دوم سا‌ل ۲۰۲۰، ۳۴ درصد از کاربران سراسر جهان از Spotify و ۲۱ درصد از آن‌ها از Apple Music برای گوش دادن به موسیقی استفاده می‌کردند. چه چیزی Spotify را خاص کرده است؟ دو کلمه جادویی: هوش مصنوعی!

به لحاظ فنی و تخصصی، پشته Spotify از سه لایه تشکیل می‌شود و هر کدام از آن‌ها به علوم داده و یادگیری ماشین مجهز هستند:

  • داده اولین لایه را تشکیل می‌دهد و تمامی داده‌های مربوط به کاربران، از جمله داده‌های جمعیت شناختی، عادت‌های گوش دادن به موسیقی و سایر داده‌ها رفتاری را در برمی‌گیرد. هرچه میزان داده‌ها بیشتر باشد، سیستم آهنگ‌های بهتری را به کاربر پیشنهاد می‌کند. در زمان نگارش این مقاله، روزانه ۰۰۰/۶۰ آهنگ به Spotify اضافه می‌شود.
  • مدل‌های مشترک لایه میانی را تشکیل می‌دهند و اطلاعات مربوط به علایق کاربر (برای مثال، خوانندگان و آهنگ‌های مورد علاقه کاربر)، تعبیه‌‌ی تشابهات ( این تعبیه شباهت‌هایی که میان خوانندگان، فهرست پخش (playlist) و قطعات موسیقی وجود دارد را مشخص می‌کند) را در بر می‌گیرد و آیتم‌ها را خوشه‌بندی می‌کند.
  • ویژگی‌ها لایه فوقانی را تشکیل می‌دهند. در این لایه مدل‌های یادگیری ماشین با استفاده از داده‌های به دست‌آمده از دو لایه اول، آهنگ‌هایی که احتمال دارد مورد پسند کاربر قرار گیرند را به وی پیشنهاد می‌دهد.

Spotify در صفحه اصلی‌اش، تجربه‌ای شخصی‌سازی شده و بافت‌آگاه برای کاربران به ارمغان می‌آورد؛ این صفحه برای ارائه چنین تجربه‌ای، تمامی عوامل دخیل از جمله دستگاه مورد استفاده (موبایل، کامیپوتر شخصی و …) ، موسیقی‌ در حال پخش، روندهای کنونی و روزِ هفته و ساعات روز و غیره را در نظر می‌گیرد. چنین قابلتی در نتیجه استفاده از سیستم درختان رگرسیون جمعی بیزی (BART) محقق می‌شود. BART یک مدل پیش‌بینی کننده انعطاف‌پذیر و یک رویکرد یادگیری ماشین برای حل مسائل مربوط به پیش‌بینی و طبقه بندی است.

تحلیل، متسرینگ  و آموزش موسیقی به کمک هوش مصنوعی

توانایی فن‌آوری‌های AI فقط به آهنگ‌سازی و سرویس‌های پخش موسیقی محدود نمی‌شود. درواقع کاربرد هوش مصنوعی در موسیقی کاربردهای بیشتری دارد. علیرغم جنجال‌هایی که در مورد سیطره‌ی هوش مصنوعی در موسیقی وجود دارد، این فن‌آوری به کاهش میزان کپی و پخش غیرقانونی موسیقی، پردازش صدا، مسترینگو آموزش موسیقی کمک می‌کند.

برای مثال، شرکتBMAT، که در بارسلونا واقع شده است به شرکت‌های پخش‌کننده، ناشران و شرکت‌های ضبط موسیقی کمک می‌کند قطعات موسیقی‌شان که در پلتفرم‌های مختلف پخش می‌شوند را ردیابی کنند. این شرکت با استفاده از فن‌آوری‌های هوش مصنوعی داده‌هایی با حجم بسیار زیاد را پردازش می‌کند. این شرکت برای تشخیص شباهت‌های موجود میان اصوات، از فن‌آوری اثر انگشت صوتی به عنوان نسخه فشرده‌ای از قطعه موسیقی استفاده می‌کند. الگوریتم‌های یادگیری ماشین شباهت‌هایی را که میان نت‌های موسیقی و حتی موسیقی پس زمینه وجود دارد ردیابی می‌کنند.

علاوه بر این، فناوری هوش مصنوعی به مسترینگ موسیقی که فرایندی هزینه‌بر برای تولیدکنندگان است، کمک می‌کند. برای مثال، LANDR، پلتفرمی نوین است که به کمک آهنگسازان آمده و با استفاده از یادگیری ماشین، قطعات موسیقی را اصلاح می‌کند. این پلتفرم بر روی یک پایگاه فری‌میوم (freemium) اجرا می‌شود و خدمات متنوعی ارائه می‌دهد. موتور مسترینگ این پلتفرم مجهز به هوش مصنوعی است و بر روی داده‌های مربوط به قطعات موسیقی مسترشده آموزش دیده و الگوریتم‌های آن قطعات موسیقی را بر اساس سَبک دسته‌بندی می‌کنند.

علاوه بر این، برنامه‌هایی مجهز به هوش مصنوعی برای آموزش آلات موسیقی تولیده شده است. برنامه‌هایی همچون Yousicion و Jamstick ابزارهایی برای یادگیری آلات موسیقی هستند و بازخوردهایی در مورد روند پیشرفت‌تان به شما می‌دهند.

سخن پایانی

تا سال ۲۰۳۰، ۷۰ درصد از شرکت‌ها به استفاده از فن‌آوری‌های هوش مصنوعی روی می‌آورند و استفاده از هوش مصنوعی در موسیقی یعنی در این صنعت هم تغییراتی ایجاد خواهد شد. البته جای نگرانی نیست! هوش مصنوعی هنوز نمی‌تواند جایگزین هنرمندان شود و همانند آن‌ها تجارب حسی و ذهنی خود را به شکل قطعه‌ای موسیقی عرضه کند.

با این حال، فن‌آوری‌های هوش مصنوعی می‌توانند قطعات موسیقی با حق انحصاری نامحدود، پلتفرم‌های مسترینگ موسیقی، برنامه‌های آموزشی (که روند پیشرفت هنرآموزان را به اطلاع آن‌ها می‌رساند) تولید کنند و علاوه به حفاظت از قانون کپی‌رایت کمک می‌کند. در ضمن، توسعه پلتفرم‌های پخش موسیقی همواره در سراسر جهان ادامه خواهد یافت. بخش بزرگی از درآمد صنعت موسیقی از طریق این پلتفرم‌ها به دست می‌آید. آهنگسازان نیز برای آنکه آهنگ‌های‌شان در فهرست‌های موسیقی (playlist) پلتفرم‌های پخش قرار بگیرد، به استفاده از الگوریتم‌ها روی خواهند آورد.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو

۳DAT ؛ فناوری جذاب اینتل برای کمک به لیگ حرفه‌ای فوتبال آمریکایی

EXOS در حال اجرای آزمایشی فناوریِ شرکت اینتل به نام «ردیاب ورزشکار سه بعدی» (۳DAT) است تا با استفاده از این فناوری به نسل بعدی بازیکنان فوتبال کمک کند توانایی‌های خود را به حداکثر برسانند. هوش مصنوعی در ورزش کاربردهای زیادی دارد که پیش‌تر به برخی از آن‌ها اشاره شده است.

امسال به دلیل شیوع ویروس کرونا سالی آشفته را پشت‌ سر گذاشتیم و به همین دلیل بیشتر امیدهای قهرمانی احساس می‌کنند برای مسابقات آماده نیستند. پس لازم است برای رسیدن به اهدافشان به آن‌ها کمک‌ کنیم.

۳DAT یک راهکار هوش مصنوعی و بینایی کامپیوتر است که با استفاده از چهار دوربین مداربسته گردان با زاویه حرکت بالا فرم و حرکت ورزشکار را ضبط می‌کند. سپس با استفاده از الگوریتم‌های تشخیص زاویه قرارگیری بدن بیومکانیکِ حرکات آن‌ها را تحلیل می‌کند.

مونیکا لاودرمیلک، معاون پژوهشیِ EXOS، در این باره می‌گوید «محاسباتی که پیش از این با چشم غیر مسلح قابل مشاهده و  اندازه‌گیری نبود اکنون با فناوری ۳DAT محصول شرکت اینتل امکان‌پذیر شده است. با کمک این فناوری می‌توانیم این محاسبات را دریافت کرده، آن‌ها را کنارهم بگذاریم و اطلاعت ملموسی در اختیار مربیان و ورزشکاران قرار دهیم. حتی کوچک‌ترین تغییراتِ ناشی از این فناوری سرنوشت‌ساز می‌تواند پیامدهای حقیقی و تاثیرگذاری برای ورزشکاران به همراه داشته باشد».


مطالعه مطلب زیر را از دست ندهید:

۹ کتاب هوش مصنوعی که علاقه‌مندان و سرمایه‌گذاران نباید خواندنش را از دست بدهند



این فناوری اطلاعات دقیقی در اختیار مربیان EXOS می‌گذارد. مربیان می‌توانند با کمک تحلیل‌های شماتیک دقیق و ارزیابی عملکرد ورزشکاران توصیه‌‌ها و راهنمایی‌های حساب‌شده‌ای در اختیار آن‌ها قرار دهند و توانمندی‌های آن‌ها را به حداکثر برسانند؛ همچنین می‌توانند به صورت عینی به ورزشکاران نشان دهند که چگونه رویکردهای فعلی‌شان آن‌ها را از موفقیت باز می‌دارد.

اَشتون ایتان، قهرمان دو دوره المپیکِ دو و میدانی، و مهندس توسعه محصول در گروه فناوری المپیکِ شرکتِ اینتل، اینطور می‌گوید: «شکاف بزرگی بین ورزش و حوزه حرکت وجود دارد، بین حس افراد هنگام حرکت و شناخت آن‌ها از اعمال‌شان. وقتی که برای مسابقات دو ۱۰۰متر آماده می‌شدم، با کمک مربی‌ام سعی می‌کردیم تا مسیر را در کمترین زمان ممکن طی کنم. امّا همه این کارها حسی بود. گاهی جواب می‌داد، گاهی نه، چون کامل نمی‌دانستم بدنم چه کار می‌کند. فناوری ۳DAT این امکان را در اختیار ورزشکاران قرار می‌دهد تا بفهمند هنگام حرکت بدن‌شان دقیقا چه کاری انجام می‌دهد. و در نتیجه آن‌ها دقیقاً می‌دانند باید روی چه قسمت‌هایی کار کنند تا بهتر و سریع‌تر شوند».

در سیستم ۳DAT هیچ حسگر یا هر چیز دیگری به بدن ورزشکار متصل نمی‌شود که باعث فشار یا ناراحتی شود و ورزشکار را از عملکرد همیشگی‌اش باز دارد. مربیان جزئیات کامل جلسات تمرینی ورزشکاران برای شناسایی مشکلات استفاده می‌کنند.

کریج فریدمن، معاون ارشد تیم عملکرد نوآورانه‌ی EXOS می‌گوید: «۳DAT به ما آگاهی و اطلاعات می‌دهد، نه تنها درباره تکنیک‌های دویدن ورزشکاران و راه‌های پیشرفت آن‌ها، بلکه درباره موانع سر راه آن‌ها. این داده‌ها به ما کمک می‌کند تا با ایجاد تغییراتی در تمرینات، ورزشکار در زمین ورزش توانمندی‌های بیشتری را به نمایش بگذارد».

اینتل معتقد است همکاری مداوم با EXOS به مهندسان این شرکت کمک می‌کند تا با کمک مربیان خبره و ورزشکاران نخبه ۳DAT پیشترفته‌تر شود.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو