کاربرد هوش مصنوعی در کاوش فضایی منجر به شناسایی چاله‌های جدیدی در مریخ شد

کاربرد هوش مصنوعی در کاوش فضایی به سازمان ناسا اجازه داده تا اطلاعات دقیق‌تری درباره حفره‌های سطح مریخ جمع‌آوری کند. این سازمان اخیرا توسط یک الگوریتم هوش مصنوعی توانسته ده‌ها حفره جدید در سطح مریخ را کشف کند. این روش نوینی برای کشف منظومه شمسی و تاریخ سیاره‌ها است.

اکتشاف‌گر مریخ در طول پانزده سال گذشته در مدار این سیاره تردد داشته تا داده‌‌های مربوط به آب و هوا و زمین‌شناسی این سیاره را جمع‌آوری کند. این کاوشگر خستگی‌ناپذیر روزانه مجموعه‌ای ارزشمند از تصاویر فضایی و سایر داده‌هایی که توسط حسگرها جمع‌آوری شده را برای دانشمندان ناسا ارسال می‌کند. آنها به رسم معمول از این تصاویر برای مکان‌یابی حفره‌های سطح مریخ و مدل پراکندگی یخ بر روی این سیاره استفاده می‌کنند.

یکی از داده‌هایی که در این تصاویر علاقه‌مندی بیشتر متخصصان ناسا را به همراه داشته، همین حفره‌های روی سطح سیاره هستند. با بررسی این حفره‌ها از منظر زمین‌شناسی و باستان‌شناسی اطلاعات جالبی درباره تاریخ شکل‌گیری و تحولات مریخ فراهم می‌شود. اما یکی از چالش‌های فعلی مهندسان آژانس فضایی عدم تثبیت فرضیه‌های زمین‌شناسی درباره حفره‌های مریخ است. دلیل اصلی این است که هنوز سفری به این سیاره انجام نشده که فضانوردان بتوانند نمونه‌هایی از سنگ و خاک مریخ را به مقر ناسا در زمین بیاورند. عدم دسترسی به نمونه‌ها باعث شده تا متخصصان ناسا صرفا به داده‌های ماهواره‌ای اعتماد کنند. در چنین شرایطی آنها تصمیم گرفته‌اند با استفاده از کاربردهای هوش مصنوعی الگوریتمی طراحی کنند که می‌تواند سن و شکل هر حفره را به دقت تشخیص دهد.

گفتنی است هوش مصنوعی در کاوش فضایی در سایر بخش‌های آژانس فضایی آمریکا نیز مورد استفاده قرار گرفته است. خبرگزاری انلیتیکس‌اینسایتز چندی پیش اعلام کرد، مهندسان ناسا از سیستم روباتیک با نام استروبی برای تسریع انجام امور روزانه فضانوردان استفاده می‌کنند. هوش مصنوعی باعث شده تا فضانوردان بیشتر وقت‌شان را بر روی حل چالش‌هایی بگذارند که نیازمند تصمیم‌گیری و استفاده از هوش انسان است.

مدیران ناسا نسبت به استفاده از فناوری هوش مصنوعی خوش‌بین هستند و سهم بزرگی را برای آن در چشم‌انداز آینده ناسا در نظر گرفته‌اند.

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

منبع: hooshio.com

خواندن ذهن با هوش مصنوعی: سیگنال مغز اسم آهنگی که گوش می‌دهید را می‌گوید

تابه‌حال فکر کردید چقدر جالب می‌شد اگر بررسی سیگنال‌های مغز نشان می‌داد انسان در حال گوش دادن به چه آهنگی است؟ جالب است بدانید خواندن ذهن با هوش مصنوعی امکان‌پذیر است.

محققان بخش طراحی انسان‌محور دانشگاه صنعتی Delft هلند و بخش علوم شناختی انستیتوی فناوری هند به نام Gandhinagar در حال کار کردن روی این موضوع هستند. آن‎‌ها اخیرا در آزمایشی نشان دادند که خواندن ذهن با هوش مصنوعی اصلا یک رویا نیست. اما این آزمایش و نتایج آن از چیزی که فکر می‌کنید مهم‌تر هستند.

برای انجام این مطالعه، محققان از یک گروه ۲۰ نفری خواستند تا با استفاده از هدفون به ۱۲ آهنگ گوش دهند. برای کمک به تمرکز این افراد اتاق تاریک شد و از داوطلبان خواسته شد تا چشم‌هایشان را ببندند. بر روی سر هریک از این افراد یک کلاهک الکتروانسفالوگرافی نصب شد. کار این کلاهک این است که وقتی داوطلبان به آهنگی گوش می‌دهند، امواج الکترونیکی را از پوست سر آن‌ها دریافت می‌کند.

این داده‌های مغزی و موسیقی‌ها برای آموزش یکی از شبکه های عصبی مصنوعی استفاده شدند و دانشمندان سعی کردند پیوندهای بین این دو را شناسایی کنند. وقتی الگوریتم حاصل‌شده بر روی داده‌هایی که قبلا ندیده بود، آزمایش شد، توانست آهنگ را کاملا بر اساس امواج مغزی با دقت ۸۵% به درستی شناسایی کند.

کریشنا میاپورام، استادیار علوم شناختی و علوم رایانه‌ای در انستیتوی فناوری هند، درباره آزمایش مربوط به خواندن ذهن با هوش مصنوعی گفت:«این ترانه‌ها ترکیبی از آهنگ‌های غربی و هندی بودند و سبک‌های مختلفی داشتند. به این روش ما نماینده‌ای بزرگ‌تر برای آموزش و آزمایش ساختیم. این روش با به‌دست امدن دقت طبقه‌بندی فوق‌العاده‌ای تائید شد و حتی وقتی داده‌های آموزش را به درصد کمتری از دیتاست محدود کردیم، موفق عمل کرد».

 خواندن ذهن، آموزش ماشین

این اولین تلاش محققان برای خواندن ذهن با هوش مصنوعی نیست. در تجربه‌های قبل هم از داده‌های مربوط به کلاهک الکتروانسفالوگرافی استفاده شده بود. به عنوان مثال، دانشمندان علوم مغز و اعصاب در دانشگاه Scarborough کانادا، تصاویر را بر اساس داده‌ها بازسازی کردند تا تصاویر چهره ذخیره شده در ذهن شخص به صورت دیجیتالی ایجاد شود و باعث شناخت تصاویر شود.

تحقیقات قبلی خود میاپورام هم شامل طراحی‌‎ای است که در آن از داده‌ها برای شناسایی کلیپ‌ها و فیلم‌های مشاهده شده توسط شرکت‌کنندکان استفاده شده است.

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

منبع: hooshio.com

هوش مصنوعی در امور مالی تغییرات جدیدی ایجاد‌‌ می‌‌کند

 

هفته گذشته شرکت تجاری کارت اعتباری بارکلیز برای همکاری در زمینه ارائه خدمات خرید سفارشی و پرداخت آنلاین در آلمان با شرکت آمازون به توافق رسید.

اعلام این خبر در میان خبرهای مربوط به انتخابات ایالات متحده آمریکا و فشارهای مربوط به همه‌‌گیری ویروس کرونا و لغو پیشنهاد اولیه ۳۷ میلیارد دلاری گروه مالی Ant، عملا گم شد و توجهات کمی را به خود جلب کرد. اما سرمایه‌‌گذاران و قانون‌‌گذاران باید به این موضوع توجه لازم را داشته باشند که اهمیت این مسئله به دلیل جزئیات این معامله و عواید آن برای آلمان، یا گسترش چشمگیر فعالیت‌‌‌های آمازون یا استراتژی‌‌‌های جدید کمپانی تجاری کارت اعتباری بارکلیز نیست.

در حقیقت، اهمیت اصلی این رویداد به دلیل اتصال یک شرکت سرمایه‌دار آلمانی به عنوان نماینده‌‌ای کوچک از مجموعه نهادهای مالی به مجموعه‌‌ای از تعاملات مبتنی بر سیستم‌های هوشمند است که تاثیر بزرگی بر تعاملات مالی در سطح بین‌الملل دارند. این رویداد همانند یک موفقیت برای هر دو طرف معامله به حساب‌‌ می‌‌آید؛ چرا که همواره میان بانک‌‌‌‌ها و موسسات مالی از یک سو و شرکت‌‌‌های فناوری و هوش مصنوعی از سوی دیگر یک رقابت داغ مبنی بر یافتن راه‌‌‌های تازه استفاده از کلان داده و هوش مصنوعی در امور مالی وجود دارد.

سیستم های هوش مصنوعی در امور مالی

اساساً، بانک بارکلیز و آمازون برای تأیید یا عدم تایید اعتبار داده‌‌‌‌ها با سیستم‌‌‌های تجزیه و تحلیل هوش مصنوعی پیوند دارند. چنین تحلیل‌‌‌های آماری که با سیستم‌های هوش مصنوعی انجام می‌شود، به این موسسات و شرکت‌‌‌‌ها کمک‌‌ می‌‌کند تا اقدامات بعدی مشتریان را در زمینه خدمات سفارشی پیش‌بینی کنند. جس استالی، مدیر اجرایی موسسه مالی بارکلیز، در این باره‌‌ می‌‌گوید: «من شخصاً فکر‌‌ می‌‌کنم که همکاری با آمازون یکی از مهم‌‌‌‌‌‌ترین اتفاقاتی است که در پنج سال گذشته برای بارکلیز رخ داده است.»

درباره این رقابت و نتیجه‌‌ای که مربوط به هوش مصنوعی است،‌‌ می‌‌توان گفت ‌‌‌‌‌‌‌‌آن‌‌چه در آینده رخ‌‌ می‌‌دهد،‌‌ می‌‌تواند بسیار مهم شود، چرا که برندگان آینده این رقابت را از میان فعالان امور مالی و مجموعه‌‌‌های بزرگ تعیین‌‌ می‌‌کند.

سیستم عامل‌‌‌های هوش مصنوعی که اکنون در امور مالی مستقر شده‌‌اند، قدرتمندتر از نسخه‌های گذشته خود هستند. در این زمینه پژوهش جدیدی از موسسه MIT وجود دارد که به ویژه درباره توانایی‌‌‌های به وجود آمده توسط زیرمجموعه‌‌ای از هوش مصنوعی به نام «یادگیری عمیق» هشدار‌‌ می‌‌دهد، این توانایی‌‌‌‌ها انقدر متفاوت از مدل‌های گذشته‌اند که به تعبیر این پژوهش «یک انقطاع اساسی» از گذشته را نشان‌‌ می‌‌دهد.

جک ما، بنیانگذار گروه تجارت الکترونیکی Ant و Alibaba، بدون شک یکی از اولین کسانی است که توانسته توانایی بالقوه‌‌ای را که در این زمینه وجود دارد، پیدا کند. از داده‌‌‌های مربوط به فعالیت دیجیتال مصرف‌کننده و شرکت برای پیش‌‌بینی ریسک اعتبار و ارائه خدمات سفارشی استفاده‌‌ می‌‌کند. این دلایل کلیدی باعث شده است که گروه مالی چین با چنین سرعت گیج‌‌کننده‌‌ای گسترش یابد. اما شرکت‌‌‌های غربی همچنان به رقابت خود با بارکلیز در حوزه خرده‌‌فروشی و هم در حوزه تامین مالی ادامه‌‌ می‌‌دهند تا بتوانند پیشرفت‌‌‌های لازم را به‌دست آورند.

استفاده از سیستم های هوش مصنوعی در امور مالی چه مزایا و معایبی دارد؟

مارک کارنی، رئیس سابق بانک انگلیس، طبق مشاهدات خود معتقد است که این تغییرات از نظر تئوریک‌‌ می‌‌تواند به عنوان راهی برای «دموکراتیزه کردن امور مالی» مفید باشد. مخصوصا این نوآوری‌‌‌‌ها باید شرکت‌‌‌های مالی را قادر سازد تا «امکان انتخاب بیشتر، خدمات هدفمندتر و قیمت‌گذاری دقیق‌تر» را به مصرف‌کنندگان یا مشتریان خود ارائه دهند.

آن‌‌‌‌ها همچنین باید هزینه‌‌‌های استقراض شرکت‌‌‌‌ها را کاهش دهند. شرکت Ant از داده‌‌‌های گسترده و هوش مصنوعی خود برای تجزیه و تحلیل ریسک‌‌‌های اعتباری استفاده کرده است؛ به گونه‌‌ای که این شرکت را قادر به ارائه وام‌‌‌های ارزان‌تر‌‌ می‌‌کند. هوش مصنوعی در امور مالی همچنین‌‌ می‌‌تواند به تنظیم‌کننده‌‌‌‌ها و کنترل‌کننده‌‌‌های ریسک کمک کند تا به راحتی کلاهبرداری‌‌‌های آنلاین در زمینه مالی را تشخیص دهند و تست استرس بانک‌‌‌‌ها را بهبود ببخشند.

اما در کنار همه ویژگی‌‌‌های مثبت استفاده از این راهکارهای هوشمند، هزینه‌‌‌های بالقوه زیادی نیز وجود دارد. یکی از این موارد، تمایل برنامه‌‌‌های هوش مصنوعی به سوگیری تعصبات قومی یا نژادی در تصمیم‌گیری است. مورد دیگری که‌‌ می‌‌توان به آن اشاره کرد، درباره خطرات مربوط به حفظ حریم خصوصی است.

سومین مسئله‌‌ای که وجود دارد، قانون ضد قیومیت (ضد تراست) است: از آن‌جا که داشتن یک پایگاه داده عظیم، یک مزیت قابل توجه در هوش مصنوعی است، شرکت‌‌‌های غالب عموما تمایل بیشتری دارند که بر بقیه شرکت‌‌‌‌ها تسلط داشته باشند. چهارمین مسئله مرتبط، موضوع گردآوری است: از آن‌جا که برنامه‌‌‌های هوش مصنوعی غالباً روی خطوط مشابه ساخته‌‌ می‌‌شوند، استفاده از آن‌‌‌‌ها می‌‌تواند تنوع نهادی را کاهش داده و انعطاف‌‌پذیری مالی را تضعیف کند.

با این حال، بزرگ‌‌‌‌‌‌ترین مشکل موجود، عدم شفافیت است. مقاله جدیدی که از سوی متخصصان ثبات مالی منتشر شده است، خاطرنشان‌‌ می‌‌کند: «عدم تفسیرپذیری» یا «قابلیت کنترل» روش‌‌‌های هوش مصنوعی و یادگیری ماشین‌‌ می‌‌تواند به یک خطر در سطح کلان تبدیل شود. اما ‌‌‌‌‌‌‌‌آن‌‌چه واضح است این است که استفاده از هوش مصنوعی و یادگیری ماشینی‌‌ می‌‌تواند منجر به شکل‌‌‌های جدید و غیرمنتظره‌‌ای از ارتباط بین بازارهای مالی و موسسات شود.

راهکار بهینه برای استفاده از هوش مصنوعی در امور مالی چیست؟

با این توضیحات، سوالی که به ذهن‌‌ می‌‌رسد این است که: پس واقعا چه باید کرد؟ یک ایده آشکار و وسوسه‌انگیز ممکن است این باشد که سیاستمداران دکمه «مکث» را فشار دهند و کمی از سرعت تصمیم‌گیری‌‌‌های خود بکاهند. در واقع، این همان چیزی است که به نظر‌‌ می‌‌رسد پکن در تلاش است تا با شرکت Ant  به مرحله عمل درآورد.

با این وجود، محدودکردن توانایی‌‌‌های هوش مصنوعی در امور مالی کار آسانی نخواهد بود. با توجه به مزایای بالقوه این فناوری، این‌که بیاییم و قابلیت‌‌‌های این فناوری را محدود کنیم، لزوماً ایده خوبی نیست. به نظر‌‌ می‌‌رسد بهتر است سیاست‌‌گذاران و قانون‌‌گذاران از چهار ایده برای رسیدن به اهداف خود استفاده کنند.

ایده‌هایی که در این زمینه‌‌ می‌‌تواند راهگشا باشد، این موارد است:

اول، شرکت‌‌‌‌‌‌‌‌هایی که به فعالیت‌‌‌های مالی مجهز به هوش مصنوعی مشغول هستند باید در چارچوب مالی مشخص فینتک‌‌‌‌ها تنظیم شوند. این به معنای انتقال تمام قوانین بانکی قدیمی به صنعت فینتک نیست. همانطور که جک ما گفته است، همه این قوانین لزوما برای هوش مصنوعی مناسب نیستند. اما بانکداران و ناظران مرکزی باید نظارت بر فینتک را در برنامه خود داشته باشند و قوانین و شرایط تعاملات را حفظ و رعایت کنند. حتی اگر برای عملی کردن این کار نیاز باشد تا نظارت خود را در زمینه‌‌‌های جدید مانند داده‌‌‌‌‌‌‌‌هایی که در سیستم عامل‌‌‌های هوش مصنوعی قرار دارند، گسترش دهند.

دوم، تنظیم‌‌کنندگان و مدیران ریسک باید سیلوهای اطلاعاتی را پر کنند. تعداد بسیار کمی از افراد هستند که هم در زمینه هوش مصنوعی تخصص لازم را داشته باشند و هم امور مالی را بدانند. در عوض، افرادی که این مهارت‌‌‌‌ها را دارند معمولاً در نهادها و بخش‌‌‌های مختلفی مشغول به فعالیت‌‌اند که بی ارتباط به حوزه تخصصشان است و این موضوع بسیار نگران‌‌کننده است.

سوم، ما‌‌‌‌‌‌‌‌ نمی‌‌توانیم همه بار مسئولیتی ایجاد و کنترل سیستم‌‌‌های مجهز به هوش مصنوعی را همراه با بودجه کافی و سنگین این پروژه‌‌‌‌ها به عهده افرادی بگذاریم که دید محدودی دارند و از جنبه‌‌‌های اخلاقی لزوما سنجیده عمل‌‌‌‌‌‌‌‌ نمی‌‌کنند. در مقابل، استراتژی که افراد برای ایجاد یا توسعه سامانه‌‌‌های جدید به کار می‌‌گیرند باید بر مبنای دید جامع و کل‌نگر باشد و تأثیرات اجتماعی که هر تصمیم آن‌‌‌‌ها می‌‌تواند بر کل اکوسیستم داشته باشد را مورد ملاحظه قرار دهد.

اما برای این که چنین اتفاقی به واقعیت درآید؛ نیاز به تحول چهارم است: سیاستمداران و عموم مردم باید توجه داشته باشند که روند کلی جریانات به چه صورت است و فعالان این حوزه چه عملکردی دارند. در این موارد عموما ادعایی که وجود دارد این است که این وظیفه نهادهای قانونی و دولت است. اما موضوع مهم این است که عموم مردم به جای این‌‌که این وظیفه را به متخصصان فنی واگذار کنند، باید به ‌‌‌‌‌‌‌‌آن‌‌چه در حال انجام است، توجه داشته باشند.

درک فرایندهای فناوری هوش مصنوعی در امور مالی سخت است و شناخت سیستم‌‌‌های هوشمند نیز کار آسانی نخواهد بود. اما دهه ۲۰۰۰ میلادی نشان داد که چه اتفاقی‌‌ می‌‌تواند بیفتد وقتی متخصصان شبکه به طور غیرقانونی در امور مالی ورود کنند و در این زمینه دست به اقدامات دیوانه‌کننده بزنند و سیاستمداران و قانون‌‌گذاران نیز از اقدامات آن‌‌‌‌ها چشم‌پوشی کنند. ما دیگر‌‌‌‌‌‌‌‌ نمی‌‌توانیم شاهد وقوع چنین رویدادهایی باشیم. اگر معتقدید که بحران مالی سال ۲۰۰۸ وضعیت بدی بوده است، تصور کنید یک بار دیگر چنین بحرانی ایجاد شود، اما از آن نوع پیشرفته‌تری که وابسته به یک هوش مصنوعی است و با سرعت بیشتری سیستم‌‌‌های مالی را دچار تغییرات‌‌ می‌‌کند. همین مسئله باید ما آنقدر بترساند که خود را برای ورود به یک بحث نتیجه بخش آماده کنیم.

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

منبع: hooshio.com

راز موفقیت استارتاپ های هوش مصنوعی چیست؟

 

راز موفقیت استارتاپ های هوش مصنوعی چیست و چه کسانی از هوش مصنوعی درآمد کسب می‌کنند؟

از سیلیکون ولی گرفته تا لندن و شانگهای، استارتاپ های هوش مصنوعی در همه‌جا به وفور یافت می‌شوند. اما همان‌طور که در زمان بالا گرفتن تب طلا و یورش کارگران به سمت معادن، تنها عده‌ای توانستند به طلا دست پیدا کنند و سایرین دست خالی و ناامید به خانه برگشتند، از میان تمام استار‌تاپ‌های هوش مصنوعی نیز تنها شمار معدودی به موفقیت دست پیدا می‌کنند. یک استارتاپ هوش مصنوعی برای کسب موفقیت باید از شکافی که میان دنیای فناوری و سازمان‌ها وجود دارد بگذرد و یاد بگیرد که به جای اقدامات عجولانه، در مواجهه با فناوری‌های هوش مصنوعی  متعهد و مسئولیت‌پذیر باشند.

دوران بالا گرفتن تب استارتاپ های هوش مصنوعی

تب هوش مصنوعی به بالاترین درجه ممکن رسیده است. هر روز و هر هفته شاهد این هستیم که شرکت‌های مبتنی بر هوش مصنوعی سرمایه‌های‌ هنگفتی جذب می‌کنند؛ گویا سرمایه تمام دنیا به سمت این فناوری جدید سرازیر شده است. تأمین سرمایه خطرپذیر در حوزه هوش مصنوعی در ایالات متحده آمریکا سالانه ۷۲% رشد داشته و در سال ۲۰۱۸ به مبلغ ۹.۳ میلیارد دلار رسید.

کدام استارت‌آپ هوش مصنوعی به موفقیت خواهد رسید؟

برای مثال، دیتاماینرکه یک شرکت استارتاپ های هوش مصنوعی و یادگیری ماشینی است و در نیویورک واقع شده، توانست در سال ۲۰۱۸ سرمایه‌ای معادل ۳۹۲ میلیون دلار جذب کند. شرکت‌های CrowdStrike، Team Tanium و Cylance شرکت‌های مبتنی بر هوش مصنوعی هستند که در سیلیکون ولی واقع شده‌اند و در حوزه‌های امنیت سایبری و مدیریت فعالیت می‌کنند. هر یک از این شرکت‌ها در سال گذشته توانستند ۱۰۰ میلیون دلار سرمایه جذب کنند. همچنین، شرکت Pony.ai توانست برای طراحی آخرین نسخه سیستم‌های خودران خود ۱۰۲ میلیون دلار کمک مالی جمع‌آوری کند.

این پیشتازان غرب وحشی، خود را به شرق نیز رسانده‌اند. برای مثال، شرکت چینی SenseTime را درنظر بگیرید. این شرکت که بر روی الگوریتم‌های مبتکرانه بینایی رایانه‌ای و یادگیری عمیق کار می‌کند، در سال ۲۰۱۸ دو کمک مالی ۶۰۰ میلیون دلاری دریافت کرد و گفته می‌شود که درحال‌حاضر این استارت‌آپ ارزشمندترین استارت‌آپ مبتنی بر هوش مصنوعی در دنیاست. همچنین، شرکت UBTECH که خود را به عنوان یک شرکت سازنده ربات‌های انسان‌نما و مبتنی بر هوش مصنوعی معرفی می‌کند، در سال ۲۰۱۸ سرمایه‌ای به میزان ۸۲۰ میلیون دلار جذب کرد. شرکت Face++ نیز که در حوزه تشخیص چهره پیشرو است، توانست ۶۰۰ میلون دلار سرمایه جذب کند و درحال‌حاضر نیز منتظر یک کمک مالی ۵۰۰ میلیون دلاری دیگر است. شرکت iFlytek که ادعا کرده ۷۰% از بازار تشخیص صدا در چین را در اختیار دارد نیز به‌زودی سرمایه‌ای ۵۶۵ دلاری به دست خواهد آورد. این‌ها رقم‌های درشتی هستند، اما باید انتظار مبالغ هنگفت‌تری را نیز داشت.

طبق جدیدترین گزارشی که توسط شهرداری لندن در حوزه هوش مصنوعی تهیه شده، شمار شرکت‌های محلی هوش مصنوعی در لندن ۶۵۰ شرکت برآورد شده است. این رقم دو برابر مجموع شرکت‌های هوش مصنوعی است که در برلین و پاریس فعالیت می‌کنند. بسیاری از این شرکت‌ها، استارت‌آپ‌های نوظهوری هستند که هر یک بر حوزه‌های مهمی چون بیمه و بخش‌های مالی و یا قانونی متمرکز شده‌اند. سرمایه مردم به سمت این شرکت‌های نوظهور و پر زرق ‌و برق روان شده است، اما عمده کمک‌های مالی دریافتی توسط این شرکت‌های انگلیسی برخلاف شرکت‌های چینی و آمریکایی (که توانستند ده‌ها و صدها میلیون دلار سرمایه جذب کنند) در رقم‌های میلیونی کوچک خلاصه می‌شود.

مراقب کلاه‌برداران باشید

مشابه هر تب و تاب دیگری، با بالا گرفتن تب هوش مصنوعی، بسیاری از افراد ادعاهای بلندپروازانه و واهی دارند. وارد هر رویداد استارت‌آپی و جلسه هوش مصنوعی که بشوید، یک استارت‌آپ را مشاهده خواهید کرد که ادعا می‌کند دست‌آوردهایش بر پایه آخرین و پیشرفته‌ترین الگوریتم‌های یادگیری عمیق است. اما اگر این استارت‌آپ را کمی عمیق‌تر بررسی کنید، متوجه خواهید شد که همه آن حرف‌ها تنها ادعاهایی توخالی و پوشالی بوده‌اند. طبق آخرین گزارش London MMC Ventures از ۲۸۳۰ استارت‌آپ اروپایی که ادعا می‌کنند مبتنی بر هوش مصنوعی هستند، بیش از ۴۰% آن‌ها اصلاً از هوش مصنوعی استفاده نمی‌کنند.

برخی حتی ادعا کرده‌اند که شرکت‌های بزرگ فناوری همچون مایکروسافتو گوگلنیز همیشه در خصوص میزان اتکا به نیروی کار انسانی در حوزه هوش مصنوعی، با ما صادق نیستند. شرکت استرالیایی Appen تیمی متشکل از ۱.۰۰۰.۰۰۰ کارمند پاره‌وقت دارد که بر روی اعتبارسنجی نتایج جست‌وجو فعالیت می‌کنند. این افراد به معنای واقعی یک لشگر هستند که هر روز و هرشب به‌صورت دستی، نتایج جست‌وجو را بررسی می‌کنند. این چیزی نیست که ما از یکی از بزرگترین رهبران دنیای هوش مصنوعی که همواره حرف از اتوماسیون فرآیندها می‌زند، انتظار داریم. آقای لَنس اِن‌جیدر این زمینه چنین گفته است:

«شرکت‌ها از طرز فکر و باور ما منفعت کسب می‌کنند. وقتی ما باور کنیم که شرکتی توانسته سیستمی پیچیده، خودکار و مبتنی بر هوش مصنوعی بسازد که کار سیستم‌های قدیمی که متکی به نیروی انسانی بودند را انجام دهد، این قطعاً به نفع آن شرکت خواهد بود.»

بنابراین، ما استارت‌آپی را متکی بر هوش مصنوعی درنظر می‌گیریم که ۱. اگر فناوری‌های مدرن هوش مصنوعی مثل شبکه‌های عصبی عمیق وجود نداشتند، به وجود نمی‌آمد و ۲. ارائه‌دهنده زیرساخت‌ها و ابزارهای هوش مصنوعی از قبیل سخت‌افزارهای تخصصی هوش مصنوعی، سرویس‌های ابری برای نرم‌افزارهای هوش مصنوعی و یا ابزارهایی برای تسریع فرآیند به‌کارگیری هوش مصنوعی باشند.

زنجیره ارزش هوش مصنوعی : استارت‌آپ‌های هوش مصنوعی کجای این زنجیره قرار گرفته‌اند؟

دنیای هوش مصنوعی بسیار وسیع است و از سازندگان هوش مصنوعی (ارائه‌دهندگان و طراحان فناوری‌های مبتنی بر هوش مصنوعی) و کاربران هوش مصنوعی (کسانی که فناوری‌های هوش مصنوعی را به‌کار گرفته و به کمک آن تولید ارزش می‌کنند) تشکیل شده است. در مقاله پیشین زنجیره ارزش ۷ حلقه‌ای معرفی کردم که نشان‌دهنده بخش‌هایی از جامعه بود که از هوش مصنوعی درآمد کسب می‌کنند.

زنجیره ارزش هوش مصنوعی. چه کسی از طریق هوش مصنوعی درآمد کسب می‌کند؟ شرکت‌هایی که در این فهرست ذکر شده‌اند، بزرگ‌ترین بازیگران در آن حوزه کاری هستند، اما این فهرست کامل نیست.

این زنجیره شامل ۷ حلقه است: ۱. سازندگان تراشه‌ها و سخت‌افزارهای هوش مصنوعی که هدف‌شان تقویت برنامه‌های هوش مصنوعی است که در سازمان‌های کوچک و بزرگ در سرتاسر جهان به کار گرفته می‌شوند، ۲. طراحان زیرساخت و سامانه‌های ابری که برای سرورهای هوش مصنوعی خدمات میزبانی فراهم می‌کنند، ۳. سازندگان هوش مصنوعی الگوریتمی‌ و اجزای اصلی سرویس‌های شناختی که مدل‌های پیش‌بینی‌کننده یادگیری ماشینی عمیق و یادگیری گفتار را طراحی می‌کنند، ۴. ارائه‌دهندگان راهکارهای سازمانی که نرم‌افزارهای طراحی‌شده توسط آن‌ها در حوزه‌های مدیریت دارایی، ارتباط با مشتریان و منابع انسانی به‌کار گرفته می‌شود، ۵. ارائه‌دهندگان راه‌کارهای تخصصی و شخصی‌سازی‌شده برای یک صنعت که در تلاشند تا با استفاده از هوش مصنوعی به شرکت‌های فعال در بخش‌های مختلف کمک کنند، ۶. شرکت‌های استفاده‌کننده از هوش مصنوعی که به دنبال افزایش سود، بهره‌وری و آگاهی خود هستند و در آخر، ۷. ملت‌ها که هدف‌شان به‌کار گیری هوش مصنوعی در راهبردهای ملی و تبدیل‌شدن به یک کشور مبتنی بر هوش مصنوعی است.

شرکت‌های بزرگ فناوری پیروز این میدان هستند

استارتاپ های هوش مصنوعی همواره در تلاشند تا تراشه‌ها، سرویس‌های ابری و الگوریتم‌های جدیدی در این حوزه ارائه دهند، اما در حقیقت، شرکت‌های بزرگ و ثروتمند فناوری محور همچون گوگل، مایکروسافت و آمازون، این بخش از زنجیره ارزش هوش مصنوعی را کاملاً تحت سلطه خود گرفته‌اند و برندگان این بازی هستند. شرکت‌های جدید هوش مصنوعی هرچقدر تلاش کنند و زحمت بکشند، بی‌فایده است. زیرا این غول‌های فناوری در آخر اطمینان حاصل می‌کنند که سخت‌افزارها، سرویس‌ها و الگوریتم‌های خودشان در سازمان‌ها به‌کار گرفته شود.

طراحی، تولید و توزیع تراشه‌های سخت افزاری هوش مصنوعی نیازمند توان مالی بالایی است، به همین دلیل تنها تعداد محدودی استارت‌آپ‌ می‌توانند در این حوزه فعالیت کنند. شرکت بریتانیایی Graphcore بیش از ۱۱۰ میلیون دلار کمک مالی جلب کرد تا بتواند تراشه‌هایی که برای یادگیری ماشینی بهینه‌سازی شده‌اند را تولید کند. اما این شرکت در بازاری رقابتی فعالیت می‌کند، بازاری که شرکت‌های گوگل، مایکروسافت و فیس‌بوکنیز تراشه بهینه‌سازی‌ شده خود را در آن عرضه می‌کنند. برای مثال بخش گوگل کلادیک واحد پردازشی تنسور و ابری
 که پشتیبانی از سرویس ابری گوگل را برعهده دارد را به بازار معرفی کرد. همچنین پیشگامان حوزه ساخت تراشه از جمله شرکت‌های آی‌بی‌اِمو اینتِلهنوز نتوانستند در دنیای تراشه‌های بهینه‌شده برای هوش مصنوعی جایگاهی برای خود پیدا کنند. درحالی‌که، تراشه‌های مبتنی بر هوش مصنوعی که توسط یک شرکت چینی به نام Cambrian ساخته شده‌اند، در میلیون‌ها گوشی هوشمند از برند هواویتعبیه شده‌اند.

شرکت‌های بزرگ فناوری نیز بی صبرانه منتظرند تا سرویس‌های ابری‌شان به چنین محبوبیت و کاربرد وسیعی برسند. استارت‌آپ‌های شرکت آمازون، گوگل کلاد، سرویس ابری مایکروسافت آزوریا شرکت چینی علی‌بابا؟ کدام‌یک پیروز رقابت ارائه بهترین سرویس ابری خواهد بود؟ تخمین‌زده می‌شود که ارزش بازار سرویس‌های ابری در سال ۲۰۲۰ به ۴۰۰ میلیارد دلار برسد. بنابراین، این شرکت‌ها قطعاً مبازره دشواری بر سر طراحی سرویس ابری مبتنی بر هوش مصنوعی در پیش خواهد داشت.

غول‌های فناوری برای ارائه بهترین الگوریتم‌ هوش مصنوعی و سرویس‌ شناختی با یک‌دیگر به رقابت خواهند پرداخت تا بتوانند بازار آتی هوش مصنوعی را تسخیر کنند. الگوریتم‌ها و سرویس‌های مذکور به عنوان سنگ بنای دنیای هوش مصنوعی، راه رسیدن این شرکت‌ها به هدف‌شان، یعنی تبدیل‌شدن به تک ستاره دنیای سرویس‌های ابری مبتنی بر هوش مصنوعی را برای آن‌ها هموار خواهد ساخت. امروزه برنامه‌نویسان به لطف رابط‌های برنامه‌نویسی کاربردی یا همان APIها، می‌توانند با نوشتن تنها چند خط کد، یک سرویس هوش مصنوعی قدرتمند را طراحی کنند. شرکت‌های گوگل، آمازون، مایکروسافت و آی‌بی‌اِم درحال عرضه سرویس‌های شناختی و یادگیری ماشینی در فضای ابری هستند. این حوزه جدید که هوش مصنوعی در قالب سرویس (نام گرفته است، منجر به توسعه ربات‌های سخن‌گو و سایر برنامه‌های گفت‌وگویی، فرآیندهای پردازش معنایی، پردازش گفتار و زبان طبیعی، بینایی ماشینی و الگوریتم‌های تقویت‌شده هستهخواهد شد. دنیای الگوریتم‌های به شدت رقابتی شده است، اما هنوز هم استارتاپ‌هایی هستند که جایی برای خود در این میان پیدا ‌کنند و موفق شوند. برای مثال، Affectiva استارت‌‌آپی است که نرم‌افزاری برای تشخیص احساسات طراحی کرده و توانسته برای این کار سرمایه‌ای ۵۰ میلیون دلاری جذب کند. همچنین، Clarifai استارت‌آپی است که توانست طی سه سال گذشته با ارائه سیستم‌های پیشرفته تشخیص تصویر برای همانندیابی و جست‌وجوی تصویری، سرمایه‌ای ۴۰ میلیون دلاری به دست آورد. تخمین زده می‌شود که ارزش بازار الگوریتم‌ها و سرویس‌های بینایی ماشین آپی تا سال ۲۰۲۵ به ۸ میلیارد دلار برسد.

هوش مصنوعی در میان صنایع و سازمان‌ها

شرکت‌های بزرگی چون Salesforce، آی‌بی‌ام، اوراکل و SAP بازار نرم‌افزارهای سازمانی را تحت سلطه خود گرفته‌اند. این شرکت‌ها نرم‌افزارهایی در حوزه‌های مختلف از قبیل منابع انسانی (HRS)، مدیریت روابط مشتریان (CRM) و برنامه‌ریزی منابع سازمانی (ERP) و برای بخش‌های مختلف یک سازمان مثل امور مالی یا بخش تولیدی طراحی می‌کنند. اما در این میان بسیاری از استارت‌آپ‌ها توانسته‌اند با ارائه نسل جدیدی از نرم‌افزارهای سازمانی و پر کردن شکاف‌های موجود، خود را مطرح کنند. برخی استارت‌آپ‌ها حتی ادعا می‌کنند راه‌کارهای سازمانی که شرکت‌های بزرگ ارائه می‌دهند گران، پیچیده و دست‌وپاگیر هستند تا وجهه این شرکت‌ها را تخریب کنند. امروزه بیش از ۲۰۰ شرکت مبتنی بر هوش مصنوعی در بازار کار حضور دارند که بسیاری از آن‌ها استارت‌آپ می‎باشند. یکی از رهبران حوزه امنیت سایبری یعنی شرکت DarkTrace و یکی از پیشگامان حوزه اتوماسیون فرآیندهای رباتی یعنی شرکت UiPath صدها میلیون دلار کمک مالی دریافت کرده‌اند. اما غول‌های فناوری می‌خواهند تنها نام آن‌ها در مرکز توجه باشد و به همین‌خاطر در استارت‌آپ‌هایی که در مسیر تقویت محصولات و خدمات به آن‌ها کمک کنند، سرمایه‌گذاری می‌کنند. برای مثال شرکت Salesforce در استارت‌آپ DigitalGenius که راه‌کارهایی برای مدیریت مشتریان ارائه می‌داد و همچنین استارت‌آپ Unbabel که خدمات ترجمه به سازمان‌های ارائه می‌دهد، سرمایه‌گذاری کرده است. Salesforce اخیراً نیز شرکت بازاریابی Datorama  را که مبتنی بر هوش مصنوعی است، به قیمت ۸۰۰ میلیون دلار خریداری کرد. به همین ترتیب، شرکت SAP اخیرا شرکت Recast.AI را خریداری کرد تا بتواند ظرفیت‌های سیستم پردازش زبان طبیعی خود را برای فناوری‌های گفت‌وگویی ارتقا دهد.

استارتاپ‌هایی که در حوزه تولید ابزار فعالیت دارند نیز اخیراً توانسته‌اند سرمایه زیادی جذب کنند. برای مثال، شرکت Petuum, Inc. که در پیتسبورگ آمریکا واقع شده و تولید کننده ابزار است، از سال ۲۰۱۶ تاکنون ۱۰۰ میلیون دلار سرمایه به دست آورده است. هدف این شرکت ارتقاء و بهینه‌سازی فرآیند راه‌اندازی مدل‌های یادگیری ماشینی است.

همان‌طور که مشاهده می‌کنید هر استارپ‌ هوش مصنوعی راه‌کارهایی برای یک صنعت خاص ارائه می‌دهد. امروزه به هر سو که می‌نگریم، می‌بینیم که کمک‌های مالی هنگفتی به سوی استارت‌آپ‌هایی که به دنبال حل مشکلات حوزه‌های مختلف از سلامت گرفته تا امور مالی، کشاورزی، وسایل نقلیه و حتی مسائل حقوقی هستند، سرازیر شده است.

عامل موفقیت یک استارتاپ هوش مصنوعی چیست؟

نیروی محرکه این شرکت‌ها چیست و چه چیزی باعث می‌شود که بتوانند چنین سرمایه‌هایی جذب کنند؟ قطعاً راه‌کارهای سازمانی که استارتاپ های هوش مصنوعی ارائه می‌دهند، بسیار ارزشمند است و این استارت‌آپ‌ها با ۱. دسترسی داشتن به دیتاست‌های اختصاصی برای آموزش الگوریتم‌ها، ۲. داشتن دانش مرتبط با هر حوزه که به آن‌ها دیدی عمیق نسبت به مسائل و فرصت‌ها داده است و ۳. دسترسی داشتن به مجموعه‌‌ای از افراد بااستعداد در حوزه هوش مصنوعی، روز به روز موفقیت‌های بیشتری کسب می‌کنند.

1. دسترسی به اطلاعات و داده‌ها: اغلب استارتاپ های هوش مصنوعی مدل‌های یادگیری ماشینی می‌سازند که می‌تواند براساس داده‌های ورودی که به آن داده می‌شود، خروجی‌های را دسته‌بندی یا پیش‌بینی کند. داده‌ها سوخت اصلی این مدل‌های هستند و هر چه مقدار آن‌ها بیشتر باشد، قطعاً برای مدل بهتر است. برای مثال، وجود داده‌های دارای برچسب برای یادگیری با نظارت که در آن، ماشین با دیدن نمونه‌هایی از اشیاء از جمله تصاویر سگ‌ها و گربه‌ها، دسته‌بندی یا پیش‌بینی را یاد می‌گیرد، ضروری است. به همین دلیل است که شرکت‌ها برای جمع‌آوری داده با یک‌دیگر همکاری می‌کنند. شرکت دیپ‌مایند گوگل با ده‌ها بیمارستان‌ عضو سازمان ملی سلامت بریتانیا قراردادی پنج ساله امضا کرده که طبق مفاد آن، این شرکت می‌تواند به اطلاعات ۱.۶ میلیون بیمار این بیمارستان‌ها دسترسی داشته و آن‌ها را پردازش کند. Tractable نیز یک شرکت مبتنی بر هوش مصنوعی است که تصادفات جاده‌ای را تحلیل و هزینه تعمیرات را پیش‌بینی می‌کند. این شرکت توانسته به مجموعه‌ای حاوی بیش از ۱۳۰ میلیون عکس از خودروهای تصادفی دسترسی پیدا کند. تمامی عکس‌های موجود در این مجموعه حاوی توضیحاتی درخصوص نقاط آسیب‌دیده خودرو هستند. این داده‌های برچسب دار سوخت شبکه‌های عصبی عمیق برای حرکت در مسیر یادگیری هستند. تلاش‌های بسیاری برای کاهش حجم داده‌های موردنیاز برای طراحی و ساخت یک فرآیند تصمیم‌گیری دقیق انجام گرفته است، اما درمجموع همه به این نتیجه رسیدند که هر چه کیفیت داده‌ها بالاتر باشد، نتیجه بهتری خواهند گرفت. هرچند داشتن حجم زیادی از داده‌ها لزوماً به این معنا نیست که نتیجه خوبی خواهیم گرفت. اما کای فو لیکه یکی از اندیشمندان و سرمایه‌گذاران برتر دنیاست نیز بر این باور است که دلیل این‌که چین در حوزه هوش مصنوعی به موفقیت‌های زیادی دست خواهد یافت، دیتاست‌های بزرگی است که در دست دارد. وی همچنین افزود: «شمار کاربران تلفن‌های همراه در چین ۳ برابر آمریکا و حجم پرداخت‌های اینترنتی ۵۰ برابر آمریکاست.»
2. دسترسی به افراد مستعد: وقتی حقوق مهندسانی که در شرکت دیپ‌مایند کار می‌کنند ۲۸۰.۰۰۰ پوند (۳۶۳.۰۰۰ دلار) است، جذب و استخدام محققان و مهندسان هوش مصنوعی برتر و متخصص برای سایر شرکت‌ها کار دشواری خواهد بود. بسیاری از استارتاپ های هوش مصنوعی از دل دانشگاه‌ها بیرون می‌آیند و مؤسسان آن‌ها پیش‌زمینه‌های پژوهشی متفاوتی دارند. شرکت بریتانیایی ai که فارغ‌التحصیلان مقطع دکترای هوش مصنوعی دانشگاه کمبریج لندن را دور هم جمع کرده، توانسته برای تعبیه نرم‌افزارهای هوش مصنوعی ارتباطی در مراکز ارتباط با مشتری، ۱۲ میلیون دلار سرمایه جذب کند. حضور افراد مستعد در یک شرکت همچون آهنربایی عمل می‌کند و سایر افراد متخصص و مستعد را به سوی آن شرکت جذب می‌کند.
3. داشتن دانش کافی درخصوص بازار هدف: ایده‌هایی که منجر به نوآوری‌ها و پیشرفت‌های علمی چشمگیر می‌شوند، اغلب متعلق به تیم‌هایی هستند که از افرادی با تخصص‌های گوناگون تشکیل شده‌اند. به این ترتیب، هر فرد می‌تواند فرصت‌های موجود در حوزه تخصصی خود را شناسایی کند. برای مثال، اگر یک متخصص یادگیری ماشینی با یک متخصص امور بیمه همکاری کند، می‌تواند با کمک این فرد مسائل و مشکلات موجود در حوزه بیمه را بهتر درک کرده و راهکار بهتری برای حل آن‌ها طراحی کند.

هوش مصنوعی فناوری برای توانمندسازی سازمان‌هاست (درست همانند پایگاه‌های داده‌ای SQL در سال ۱۹۸۰)

استارتاپ‌های موفق در حوزه هوش مصنوعی؛ ذات واقعی این فناوری را شناخته‌اند و می‌دانند چگونه می‌توان از آن استفاده کرد. هوش مصنوعی یک فناوری توانمندساز است. در دهه ۱۹۸۰ با معرفی پایگاه‌های داده‌ای SQL امکان ذخیره‌سازی داده‌های ساختاریافته در قالب جدول فراهم شد. بدین ترتیب، ارائه میلیون‌ها برنامه‌های کاربردی مبتنی بر این پایگاه‌های داده برای بخش‌های مختلف سازمان‌ها از جمله برنامه ریزی منابع سازمانی و مدیریت روابط مشتریان، میلیاردها دلار سود برای این صنعت به همراه داشت. هوش مصنوعی نیز کاربردهای جدیدی به دنیا معرفی کرد. برای مثال، الگوریتم‌های بینایی را می‌توان تقریباً در هر صنعتی از تشخیص نقص‌های فرآیند تولید کارخانه‌ای گرفته تا تشخیص دزدها در فروشگاه‌ها و کمک به سیستم‌های خودران برای هدایت اتومبیل در خیابان‌ها، به‌کار گرفت. از الگوریتم‌های پردازش زبان طبیعی نیز می‌توان در حوزه‌های مختلف از بررسی احساسات مشتریان در شبکه‌های اجتماعی گرفته تا بررسی تمامیت قراردادها و ارزیابی رزومه‌های مختلف، استفاده کرد. فناوری تبدیل گفتار به نوشتار نیز در الگوریتم‌های رونویسی در حوزه پزشکی مورد استفاده قرار می‌گیرد.

هوش مصنوعی با حل کردن مسائل مختلف در شرکت‌ها و سازمان‌ها، آن‌ها را توانمند می‌سازد. بنابراین، می‌توان گفت که استارت‌آپ‌های هوش مصنوعی کسب‌وکارهای بنگاه به بنگاه هستند و بر سازمان‌ها متمرکزند. ما در شرکت Best Practice AI بیش از ۶۰۰ کاربرد رایج هوش مصنوعی را شناسایی کرده‌ایم. برای به‌کارگیری و ادغام هوشمصنوعی با فرآیندهای کاری که امروزه در سازمان‌ها وجود دارد، روش‌های بسیاری وجود دارد.

شرکت Best Practice AI بیش از ۶۰۰ کاربرد رایج فناوری‌های هوش مصنوعی را در حوزه‌های تولید، بخش پذیرش شرکت‌ها، تحقیق و توسعه و بخش اصلی شرکت‌ها شناسایی کرده‌ است. هرچه رنگ خانه‌های جدول بالا تیره‌تر باشد، به این معناست که کاربردهای هوش مصنوعی در آن زمینه بیشتر است.

همچنین توانستیم بیش از ۳۰۰۰ استارت‌آپ را در سرتاسر جهان شناسایی کنیم که اغلب سعی دارند وارد دنیای سازمان‌ها شوند.

البته تعجبی نیست که استارتاپ‌ها تمرکز خود را بر روی سازمان‌ها گذاشته‌اند. شرکت تحقیقاتی  اخیراً پیش‌بینی کرده که ارزش تولید شده درنتیجه به‌کارگیری هوش مصنوعی در سازمان‌ها تا سال ۲۰۲۲ به رقم قابل‌توجه ۳.۹ تریلیون دلار خواهد رسید. پس

شرکت تحقیقاتی GARTNER پیش‌بینی کرده که تا سال ۲۰۲۲ ارزشی که توسط هوش مصنوعی در سازمان‌ها ایجاد می‌شود، از ۱.۲ تیلیون دلار در سال ۲۰۱۸، به ۴ تیلیون دلار خواهد رسید.

توجه ویژه استارتاپ های هوش مصنوعی به سازمان‌ها جای تعجب ندارد. هدف این استارت‌آپ‌ها طراحی راهکارهای تخصصی برای هر صنعت و یا ارائه یک راهکار افقی (همچون بخش منابع انسانی مبتنی بر هوش مصنوعی) که در سطح تمامی صنایع به کار گرفته شود، است.

عبور از شکاف تجاری و ورود به دنیای سازمان‌ها

عموماً استارتاپ‌هایی که ذات فناوری هوش مصنوعی و فرصت‌های موجود در دنیای شرکت‌ها را شناخته‌اند، عملکرد خوبی داشتند. اما در این میان، استارت‌آپ‌هایی توانسته‌اند گسترش پیدا کنند و راهکارهایی تعمیم‌پذیر ارائه بدهند که از شکاف تجاری عبور کرده‌اند و از دنیای فناوری به دنیای سازمان‌ها و شرکت‌ها قدم گذاشته‌اند. این استارت‌آپ‌ها در مسیر خود چندین درس مهم آموخته‌اند:

1. سریع حرکت نکن و چارچوب‌ها را نشکن

این فرهنگ که توسط سیلیکون ولی به شهرت رسید، در دنیای تجارت بنگاه به مشتری (B2C) نتیجه خوبی داشت و توانست پیامدهای رخ دادن خطا در نرم‌افزارها را به‌نسبت محدود سازد. توسعه‌دهندگان نرم‌افزار در سرتاسر دنیا از استارت‌آپ‌های کوچک و متدولوژی‌های چابک استقبال می‌کنند. نرم‌افزارها ممکن است گاهی با خطا مواجه شده و متوقف شوند؛ اما چنین چیزی در دنیای سازمان‌ها قابل‌قبول نیست.

این مسئله به‌ویژه در سازمان‌های قاعده‌مند همچون سرویس‌های مالی، کشاورزی یا دارویی منجر به مشکلات زیادی خواهد شد و پذیرفته نیست. فناوری به خودی خود موجب تعریف قوانین و مقررات جدید در دنیا شده است. برای مثال اتحادیه اروپا قانون GDPRرا در سال ۲۰۱۸ وضع کرد که براساس آن، افراد درخصوص داده‌های شخصی خود که در سازمان‌ها مورد استفاده قرار می‌گیرد، حق دارند و شرکت‌هایی که از داده‌های مشتریان خود سواستفاده کنند، جریمه خواهند شد. گفتن جمله «متاسفانه این نرم‌افزار از دسترس خارج شده است» در دنیای مالی و زمانی که با داده‌ها و تراکنش‌های مالی سروکار دارید، به هیچ‌وجه قابل‌قبول نیست. Revolut، بانک تازه تأسیس و چالش‌برانگیز بریتانیایی که بر مبنای هوش مصنوعی بنا شده، با قانون‌گذاران به مشکل خورده است. در دنیایی که نتیجه فرآیند تصمیم‌گیری خودکار توسط الگوریتم‌ها (برای مثال، تصادف اتومبیل‌های خودران یا تشخیص بیماری‌های خاص) می‌تواند زندگی افراد را تحت‌تأثیر قرار دهد، باید ابتدا و پیش از عرضه راهکارها، از دقت و قابل‌اطمینان بودن الگوریتم‌ها تصمیم‌گیرنده مطمئن شد.

شرکت‌ها سعی دارند از خطراتی که ممکن است در اثر به‌کارگیری هوش مصنوعی، شهرت آن‌ها را تهدید کند، اجتناب کنند. برای مثال، اگر دیتاستی که برای آموزش الگوریتم‌های هوش مصنوعی دارای اریبی باشد، ممکن است برنامه هوش مصنوعی این شرکت به عنوان یک برنامه تبعیض‌آمیز شناخته شود و در نتیجه آن، وجهه شرکت آسیب ببیند. همه ما اخیراً در تیترهای خبری مشاهده کرده‌ایم که برخی الگوریتم‌های توانسته‌اند در تشخیص جنسیت مردان سفید پوست بهتر از تشخیص سایر نژادها عمل کنند. یا برای مثال، سیستم استخدامی شرکت آمازون را درنظر بگیرید که به دلیل آموزش دیدن با داده‌های دارای اریبی، بیشتر مردان جوان و سفیدپوست را برای استخدام انتخاب می‌کرد.

بنابراین، استارت‌آپ‌های هوش مصنوعی باید بتوانند اعتماد سازمان‌ها را به راهکارهای خود جلب کنند. آیا تصمیماتی که به صورت کاملاً خودکار و توسط فناوری هوش مصنوعی شما گرفته می‌شوند، قابل توضیح و توجیح هستند؟ برای مثال، اگر فناوری شما مسئول تصمیم‌گیری در خصوص استخدام افراد است، باید بتوانید نحوه کار الگوریتم را در چارچوب قانون GDPR توضیح دهید. باید بتوانید اثبات کنید که تصمیم‌گیری‌های این الگوریتم دارای سوگیری و متعصبانه نیست و براساس جنسیت، سن، موقعیت اجتماعی یا مشکلات سلامتی فرد تصمیم‌گیری نمی‌کند. سازمان اطلاعات بریتانیا به‌تازگی مقاله‌ای منتشر کرده که در آن به ۸ ریسکی که هوش مصنوعی برای سازمان‌ها دربردارد، اشاره می‌کند. این ریسک‌ها عموماً در حوزه‌های زیر می‌باشند.

• رعایت عدالت و شفافیت در پرونده‌سازی به ویژه در مواردی که امکان جهت‌گیری و تبعیض وجود دارد.
• دقت مدل‌های هوش مصنوعی
• میزان خودکار بودن فرآیند تصمیم گیری: کاملاً خودکار یا نیمه خودکار
• ریسک‌های موجود در حوزه‌های امنیت و سایبری
• موازنه میان دقت، حریم خصوصی و قابلیت توضیح و توجیح

استارت‌آپ‌ها و شرکت‌ها باید در این حوزه که به آن «کاربرد متعهدانه هوش مصنوعی» گفته می‌شود و به این معناست که آهسته و پیوسته حرکت کنید و چارچوب‌ها را نشکنید تا خود را به دردسر نیاندازید.

2. به‌دنبال یافتن کاربردهای ارزشمند باش و به هر چیزی اکتفا نکن

در سال‌های اخیر شاهد موجی از نرم‌افزارهای مختلف بودیم که هر یک نیازهای متفاوت مصرف‌کنندگان را هدف گرفته بودند. می‌توان تنها در یک هفته، یک نرم‌افزار ساخت و عرضه کرد و با تبلیغ کردن در گوگل و فیس‌بوک، برای آن مخاطب جذب کرد. اما این رویکرد درخصوص سازمان‌ها کارایی ندارد. در این حوزه با یک بازی مجموع صفر روبه‌رو هستیم که در آن مدیر ارشد فناوری اطلاعات و سایر مقامات اجرایی شرکت استقبال چندانی از راهکارهای فناوری‌محور جدید نمی‌کنند. همه ما سردرگمی ناشی از استفاده از جدیدترین نسخه نرم‌افزارهای مربوط به منابع انسانی، امور مالی، فروش و بازاریابی را تجربه کرده‌ایم. ما همیشه برای به‌یادآوردن رمزعبور خود دچار مشکل می‌شویم. کارکرد نرم‌افزارهای جدید هیچ شباهتی به نرم‌افزارهای قدیمی ندارد. ما معمولاً نمی‌توانیم به‌خاطر بیاوریم که فایل‌های موردنیاز را در پوشه پروژه‌ها ذخیره کرده‌ایم یا در فضای ابری. به همین دلیل، تلاش‌های پیشگامان حوزه فناوری برای به‌روزرسانی پایگاه‌های داده و سامانه‌های قدیمی و فرسوده به‌طور مداوم با شکست مواجه می‌شود.

راهکار شما باید یک مشکل واقعی را هدف گرفته باشد تا بتوانید توجه مدیران ارشد سازمان مدنظر را جلب کنید. یک مشکل واقعی مشکلی است که مدیران را نگران می‌کند و با سوددهی شرکت گره خورده است. راهکارهایی که بود و نبودشان تأثیر چندانی بر فرآیندهای کاری ندارد، به درد سازمان‌ها نمی‌خورند.

یک مثال خوب برای یک راهکار ارزشمند، محصولی است که شرکت HireVue ارائه داده است. این شرکت توانسته با همکاری شرکت Unilever، بیش از ۵۰.۰۰۰ ساعت از زمانی که برای مصاحبه با متقاضیان کار لازم بوده، بکاهد و بیش از ۱ میلیون پوند در هزینه‌های شرکت صرفه‌جویی کند. همچنین به کمک تحلیل مصاحبه‌های ویدیویی به وسیله ماشین‌ها تنوع متقاضیان افزایش پیدا کرد. استارت‌آپ بریتانیایی Reinfer نیز با استفاده از الگوریتم‌های پیشرفته پردزاش زبان طبیعی (NLP) می‌تواند با وارسی میلیاردها ایمیل و پیامی که افراد برای یک‌دیگر می‌فرستند، موضوع اصلی بحث میان مردم را پیدا کند. نرم‌افزار این استارت‌آپ اخیراً فاز آزمایشی خود را در یک بانک بین‌المللی به اتمام رسانده است. نرم‌افزار مذکور در این دوره آزمایشی توانست به کمک یادگیری ماشینی و با تحلیل و وارسی صندوق‌های پستی، مسائل و مشکلات عمده‌ای که در فرایندهای پس از معامله به‌وجود می‌آید را شناسایی کند. این کاربرد، قطعاً یک کاربرد خاص و ویژه به‌شمار می‌آید.

3. اصول تجارت بنگاه به بنگاه و صبور بودن

استارتاپ‌ها باید اصول فروش سازمانی را بیاموزند. این مهارت‌ها برای عرضه‌کنندگان هوش مصنوعی یک مزیت به حساب می‌آیند. یکی از بهترین دوره‌های آموزشی که خود من در آن شرکت کردم، دوره روش‌شناسی فروش SPIN است (در این‌جا حرف S نماد Situattion به معنای موقعیت، P معادل Problem به معنای مشکل و مسئله، I معادل Implication به معنای وجود داشتن و N نماد Need به معنای نیاز است). برای فروش یک محصول ابتدا باید سهام‌داران را شناسایی کرد، یک جلسه با این سهام‌داران برگزار کرد، موقعیت فعلی کسب‌وکار را سنجید، برای شناسایی مشکلات اصلی پرس‌وجو کرد، وجود این مشکلات در بخش‌های مختلف شرکت را بررسی کرد و در راستای این نیاز یک توافق جمعی ایجاد کرد. حتی در این حالت نیز هیچ ضمانتی وجود ندارد که راهکار شما برای حل این مشکل، مورد توجه شرکت قرار گیرد تا بخشی از بودجه خود را به آن اختصاص دهد.

مدیر یک شرکت معمولی همواره لیستی بلندبالا از کارهایی که باید انجام دهد، دارد. استارت‌آپی که می‌خواهد برای یک نیاز اساسی و مهم راهکار ارائه دهد نیز باید به جای حدس و گمان، چنین لیستی از کارهای خود تهیه کند.

باتوجه به این‌که یک چرخه فروش ممکن است ۱۲ تا ۱۸ ماه به‌طول بیانجامد، داشتن صبر ویژگی مهم اما کمیابی است. بسیاری از استارت‌آپ‌های هوش مصنوعی سرمایه خود را از دست می‌دهند یا منابع با ارزش خود را به فرصت‌های فروشی اختصاص می‌دهند که مناسب نیستند. اگر فکر می‌کنید یک پروژه درنهایت به جایی نخواهد رسید، همان ابتدا آن را کنار بگذارید. استارت‌آپ Reinfer  می‌دانست که چرخه فروش بسیار طولانی است، اما آن‌ها به دلیل شناسایی یک کاربرد ارزشمند در این حوزه، وارد بازی شدند و توانستند فاز آزمایشی را با موفقیت به پایان برسانند.

4. هوش مصنوعی را به زبان تجاری ترجمه کن

یک استارتاپ باید بتواند اهمیت و ارزش الگوریتم، فناوری، محصول یا راهکار منحصربه‌فرد خود را به زبانی توضیح دهد که برای مخاطبینش قابل فهم باشد. افراد استارت‌آپی باید دوزبانه باشند! از آن‌جا که اغلب استارت‌آپ‌ها توسط افراد جوان، به‌شدت باهوش و دارای ذهن‌های تخصصی و فنی پایه‌گذاری می‌شوند، یک شکاف ارتباطی بین آن‌ها و تاجران وجود دارد. ما همواره مشاهده می‌کنیم که در زمان معرفی و توضیح جزئیات یک فناوری انقلابی چشمان مدیران اجرایی خسته و خواب‌آلود می‌شود. اما اگر بتوانید تنها در یک سخنرانی کوتاه به آن‌ها توضیح دهید که این فناوری چگونه می‌تواند با افزایش عایدی‌، بهره‌وری و بهبود خدمات مشتریان، کسب‌وکار آن‌ها را یک قدم جلوتر از بقیه ببرد، مدیران از خود بیخود خواهند شد و به سرعت شما را می‌پذیرند. بنابراین، استارت‌آپ‌ها باید بتوانند هم به زبان دنیای فناوری و هم به زبان دنیای کسب‌وکار صحبت کنند و باید زبان تخصصی و فنی خود را به زبان تجاری ترجمه کنند.

5. فرآیند فاز آزمایشی را تسهیل کن

به‌کارگیری نسخه آزمایشی محصول استارتاپ‌ها باید تا حد امکان آسان شود. در دنیای هوش مصنوعی عموماً به زمان و داده‌های زیادی برای آموزش مدل‌های یادگیری ماشینی نیاز است. همچنین، برای آن‌که یک فناوری‌ هوش مصنوعی به خوبی کار کند، فناوری سمت سرور آن باید توسط مهندسان متخصص تعبیه و اداره شود. جمع‌آوری، بررسی و سروکله‌زدن با داده‌ها ممکن است ماه‌ها به طول بیانجامد. به‌علاوه، استفاده از این داده‌ها برای آموزش مدل نیز چندین ماه زمان می‌برد. اما سازمان‌ها پرمشغله‌تر از آن هستند که علاقه‌ای به استفاده از نسخه‌های آزمایشی داشته باشند که نصب آن تا این حد زمان‌بر باشد. آن‌ها تنها راهکاری می‌خواند که به‌سرعت به نتیجه برسد. استارت‌آپ DigitalGenius در این زمینه عملکرد خوبی از خود نشان داد. فناوری که آن‌ها برای بخش خدمات مشتریان ارائه داده‌اند، می‌تواند روی سامانه کنونی هر سازمانی اجرا شود. آن‌ها همچنین توانسته‌اند مدت زمان لازم برای آموزش این سیستم را به حداقل برسانند. به‌علاوه، این استارت‌آپ با فراهم کردن امکان دخالت انسان در فرآیند تصمیم‌گیری، پیاده‌سازی این سیستم را تسهیل کرده است. شرکت هواپیمایی KLM ادعا کرده که ربات سخنگوی شرکت DigitalGenius توانسته پاسخگوی بیش از ۵۰% از سوالات مطرح شده مشتریان این شرکت در فضای مجازی باشد.

6. مهندسین فنی پایه‌گذار شرکت باید افراد متخصص دنیای تجارت را استخدام کنند

استارتاپ‌ها باید بتوانند از شکاف تجاری عبور کرده و از دنیای فناوری قدم به دنیای سازمان‌‌ها بگذارند. در مقاله‌ای که اخیراً در مجله کسب‌وکار هاروارد منتشر شد، گزارش شده که استارت‌آپ‌هایی شانس موفقیت بالاتری داشته‌اند که مهندسان متخصصی که آن‌ها را پایه‌گذاری کرده‌اند، سریعاً افراد متخصص در حوزه کسب‌وکار را استخدام کرده‌اند. دلیل این‌که چرا داشتن مهارت‌های فنی و تخصصی برای مؤسسان استارتاپ‌آپ‌ها مهم‌تر است، این است که معمولاً مهارت مهندسان مهارت‌های در حوزه کسب‌وکار بهتر از مهارت متخصصین کسب‌وکار در حوزه‌های فنی است. اما ترکیب مهندسان با تاجران با چالش‌های زیادی روبه‌روست. من بارها دیده‌ام که استارت‌آپ‌ها برای کنار آمدن با این چالش فرهنگی، چه چیزهایی از سر گذرانده‌اند. معمول‌ترین اشتباهی که مهندسان دچار آن می‌شوند، استخدام فروشندگان «کشاورز» به جای فروشندگان «شکارچی» است. زیرا فروشندگان کشاورز نمی‌دانند چطور باید کسب‌وکارهایی که به استارت‌آپ شما نیاز دارند را شکار کنند.

سرمایه‌گذاران هوشمند و صبور را جذب کنید

ساخت محصولات و فناوری‌های مبتنی بر هوش مصنوعی نسبت به تهیه نمونه اولیه یک نرم‌افزار موبایلی ساده، به زمان خیلی بیشتری احتیاج دارد. ممکن است عرضه یک فناوری هوش مصنوعی به بازار حتی بیشتر از یک سال طول بکشد. بنابراین، باید مطمئن شوید که سرمایه‌گذاران مدت‌زمان لازم برای تحویل پروژه را درک می‌کنند. همچنین، نباید بگذارید استارت‌آپ شما در بین مرحله کشت ایده و مرحله اولیه درون شکاف تأمین مالی سقوط نکند. در صحبت اخیری که با یک سرمایه‌گذاران بریتانیایی داشتم به من گفتند که:

آن‌ها همیشه شرکتی که در آن سرمایه‌گذاری کرده‌اند را تشویق می‌کنند که سرمایه بیشتری جذب کند تا همواره راهی برای طراحی محصولات جدید و فروش داشته باشند.

همچنین، برای جذب کمک مالی باید دوزبانه باشید. امروزه بسیاری از سرمایه‌گذاران از علم سر در نمی‌آورند و نمی‌توانند به‌راحتی آن را ارزیابی کنند. اما اگر استارت‌آپی بتواند با سرمایه‌گذاران به زبان دنیای کسب‌وکار، یعنی به کمک مفاهیم فرصت‌های بازار، کاربردها، گزاره ارزش و استراتژی ارائه به بازار، صحبت کند، آن‌ها قطعاً به سرمایه‌گذاری ترغیب خواهند شد.

من اغلب دیده‌ام که مشکلات مربوط به زبان و برقراری ارتباط پس از جذب سرمایه بروز پیدا می‌کند. بسیاری از استارتاپ‌ها توسط محققان دانشگاهی پایه‌گذاری می‌شوند. تیم تحقیقاتی این استارت‌آپ‌ها شبانه‌روز کار می‌کنند تا بتوانند نسخه اولیه محصول خود را ارائه کنند. این محصول اولیه به راحتی نظر سایر متخصصین این حوزه را به خود جلب می‌کند، اما وقتی پای یک سرمایه‌گذار یا متخصص کسب‌وکار به میان می‌آید، موضوع کاملاً برعکس می‌شود. زیرا این قبیل افراد نمی‌توانند با دیدن محصول، چیزی متوجه شوند. وقتی هم که می‌خواهند امتحانش کنند، با مشکل روبه‌رو می‌شود و به همین سادگی، بدون داشتن درک درست از فناوری و ایده پشت آن، این محصول شگفت‌انگیز نادیده گرفته می‌شود. درمجموع، بدون داشتن درک درست از یک مسئله و توانایی انتقال این دانش، جمع‌آوری کمک مالی کار دشواری خواهد بود.

گنج استارت‌آپ‌ها و شتاب‌دهنده سازمان‌ها

رقابت در دنیای هوش مصنوعی برسر مقیاس‌پذیری است. هرچه حجم داده‌ها بیشتر و کیفیت آن‌ها بالاتر باشد، الگوریتم‌های هوش مصنوعی نیز عملکرد بهتری خواهند داشت که خود منجر به بهره‌وری بیشتر، محصولات و خدمات بهتر و ارائه خدمات بهتر به مشتریان می‌شود. این مسائل نیز باعث افزایش شمار مشتریان سازمان و جمع‌آوری داده‌های بیشتر می‌شود که موجب تعمیق نگرش‌ ما به مسئله خواهد شد. این چرخه به همین ترتیب ادامه خواهد داشت و به نیروی محرکه سازمان‌ها بدل خواهد شد. استارت‌آپ‌های موفق در حوزه هوش مصنوعی این نکته را دریافته‌اند و بدین ترتیب، توانسته‌اند در این رقابت پیش بروند.

درمجموع همه این‌ها به چه معناست؟

برندگان رقابت هوش مصنوعی، برد خود را مدیون مقیاس‌پذیری فناوری هستند که ارائه داده‌اند. شرکت‌های بزرگ فناوری همچون گوگل، مایکروسافت یا علی‌بابا به همین دلیل از سایرین پیشی گرفته‌اند. این شرکت‌ها با به‌کارگرفتن بااستعدادترین مهندسین و محققین و دسترسی داشتن به دیتاست‌های بزرگ که حاوی اطلاعات میلیاردها کاربر آن‌هاست، بهترین و پیشرفته‌ترین فناوری‌های هوش مصنوعی را ارائه می‌دهند. همچنین کشورهایی مثل آمریکا و چین که به داده‌های فراوان و فرصت‌های استفاده ار هوش مصنوعی دسترسی دارند، رهبران دنیای فناوری شده‌اند.

استارت‌آپ‌ها برای رشد کردن در این بازار رقابتی باید محققان پیشرو و متخصصان هر حوزه را به سمت خود جلب کنند و دیتاست‌های منحصربه‌فرد و باکیفیتی در دسترس داشته باشند. اما مهم‌تر از همه این‌ها، استارت‌آپ‌های هوش مصنوعی باید بتوانند از شکاف تجاری عبور کرده و از دنیای فناوری به دنیای سازمانی بروند. استارت‌آپ‌های موفق می‌دانند که باید نکات زیر را رعایت کنند:

1. سریع حرکت نکن و چارچوب‌ها را نشکن
2. به‌دنبال یافتن کاربردهای ارزشمند باش و به کاربرد مناسب اکتفا نکن
3. اصول تجارت بنگاه به بنگاه و صبور بودن
4. هوش مصنوعی را به زبان تجاری ترجمه کن
5. فرآیند فاز آزمایشی را تسهیل کن
6. مهندسین فنی پایه‌گذار شرکت باید افراد متخصص دنیای تجارت را استخدام کنند

استارتاپ‌ها همچنین باید نظر سرمایه‌گذارن صبور و هوشمند را جلب کنند.

بسیاری از استارتاپ‌ها راه به جایی نمی‌برند، اما آن‌هایی که می‌توانند رشد کنند، به سرعت تبدیل به شرکت‌های بین‌المللی می‌شوند یا توسط شرکت‌های بزرگ خریداری می‌شوند.

حتی اگر استارتاپی نتواند به مرحله تجاری‌سازی برسد، درصورتی که تیم قدرتمند و بااستعدادی پشت آن باشد، شرکت‌های دیگر ممکن است ایده آن‌ها را خریداری کنند. من در سال گذشته شاهد چنین اتفاقی بودم. شرکت فیس‌بوک استارتاپ BloomsburyAI را که یکی از مشتریان ما بود، خریداری کرد.

منبع: hooshio.com

استفاده از شبکه های مولد تخاصمی برای تولید آثار هنری و فراتر از آن

شبکه های مولد تخاصمی (GAN) به طرز قابل ملاحظه‌ای پیشرفت کرده‌ است؛ از جمله قابلیت‌های پیشرفتۀ آن می‌توان به ترکیب و شبیه­ سازی فوق‌العاده دقیق چهره انسان، بازیابی رنگ و کیفیت ویدئوهای قدیمی و ساخت ویدئوهای دیپ فیک واقع‌گرایانه اشاره کرد. شبکه های‌ مولد تخاصمی عمدتاً بر تولید نمونه تمرکز دارد. پیکرۀ اصلیِ شبکه‌ مولد تخاصمی از تولید کننده و تفکیک کننده تشکیل یافته است. تولید­کننده به ساخت نمونه‌هایی می‌پردازد که معمولاً از داده‌های آموزشی نشات می‌گیرند، اما تفکیک­ کننده به قضاوت درباره نمونه‌هایِ ساخته شده می‌پردازد تا واقعی یا جعلی بودن آنها مشخص شود. مثال: فرد جاعلی که در تلاش است پولی چاپ کند که قابل تشخیص از پول اصلی باشد، اما پلیس در تلاش است تا پول جعلی را تشخیص دهد. اگرچه GAN عمدتاً در زمینه ترکیب و شبیه­سازی عکس به موفقیت‌های چشمگیری دست یافته است، اما آیا امکانِ استفاده از GAN در حوزه‌های دیگر نیز وجود دارد؟

تبدیل عکس به عکس

ترجمه ماشین این قابلیت را دارد که با یادگیری نگاشت‌های جفت جمله یا عبارت، از زبان مبداء به زبان مقصد ترجمه کند؛ به همین ترتیب، ترجمه عکس به عکس نیز به یادگیریِ نگاشت میان عکس ورودی و جفت عکس خروجی می‌پردازد.

بر اساس مطالعه‌ای که در دانشگاه برکلی انجام شد، الگوریتمی ارائه شد که یاد می‌گیرد از عکسی به عکس دیگر ترجمه کند. مثلاً از گورخر به اسب، یا از تابستان به زمستان. محققانِ این دانشگاه در مطالعه خود روشی برای یادگیری در صورت نبودِ مثال‌های جفتی ارائه کردند. این روش که از زبان تخاصمی استفاده می‌کند، می‌تواند مرزهای یادگیری بدون نظارت را جابجا کند. شما می‌توانید با مراجعه وب‌سایتِ ما با کاربردهایِ خلاقانۀ این روش آشنا شوید.

تولید متن

ماهیتِ متن، کار را برای GAN در تولید زنجیره‌هایی از توکن‌های گسسته دشوار می‌کند. خروجی‌های گسسته، انتقالِ آپدیت گرادیان از مدل تفکیک­ کننده به مدل تولید­کننده را به امری سخت و دشوار بدل کرده است. با این حال، آقای «یو» و همکارانش، SeqGAN را برای سرودن شعر چینی پیشنهاد دادند. SeqGAN با استفاده از ابزار BLEU score که در ارزیابی کیفیت متن کاربرد دارد، به سرودن اشعاری می‌پردازد که با نمونه‌های سروده شده توسط انسان توان رقابت دارد. افزون بر این، محققان اشعار چینیِ اصیل و تولید شده با این ابزار را ادغام نموده و از کارشناسان چینی در حوزه شعر دعوت به عمل آوردند تا دیدگاه خود را درباره اشعار اصیل و اشعار سروده شده توسط ماشین را اعلام کنند. در کمال تعجب، این کارشناسان نتوانستند اشعار اصیل را از اشعار ماشینی تشخیص دهند!

تولید گراف شبکه

قابلیت تولید گراف‌های ترکیبی اما واقع‌گرایانه از اهمیت بسزایی در تشخیص نابهنجاری برخوردار است؛ به طوری که تفکیک میان شبکه‌های غیرعادی و شبکه‌های عادی به آسانی صورت می‌گیرد. بوچفسکی و همکارانش، NetGAN را پیشنهاد دادند. NetGAN گراف‌هایی تولید می‌کند که الگوهای مشهور شبکه را با استفاده از Wasserstein GAN نمایش می‌دهد. تولید­کننده NetGAN یاد می‌گیرد که گام‌های تصادفی در گراف واقعی ایجاد کند، اما تفکیک­ کننده این گراف را از گراف‌های اصلی تمییز می‌دهد.

ترکیب یا سنتز صدا

سنتز صدا در طراحیِ خلاقانۀ صدا در موسیقی و فیلم به کار برده شده است. این کلیپ‌های صوتی در پایگاه‌های داده بزرگی از افکت‌های صوتی ذخیره می‌شوند، اما شاید افکت صوتی ایده‌آلی در کتابخانه وجود نداشته باشد. آیا این امکان وجود دارد که با تنظیم چند پارامتر ورودی، افکت‌های صوتیِ مربوط به حرکت روی مسیرهای سنگریزه‌دار یا مسیرهای شِنی را تولید کنیم؟ محققان دانشگاه کالیفرنیا به ارائۀ WaveGAN پرداختند. این ابزار یاد می‌گیرد تا صدا را برای تولید افکت‌های صوتی سنتز یا ترکیب کند. این ابزار در تولید افکت‌های صوتیِ نواخته شدن طبل عملکرد خوبی داشته است. WaveGAN می‌تواند صدای انواع گوناگونی از پرندگان را نیز تولید کند. این ابزار برای تولید صداهای پیانو از طیف وسیعی از الگوهای ریتمیک استفاده می‌کند. نمونه صداهای مربوط به آزمایش در این لینک گنجانده شده است.

یو و همکارانش از SeqGAN با آموزش مجموعه‌ای قطعات موسیقی محلی به تولید آثار موسیقیایی پرداختند. این محققان در کارهای تحقیقاتی‌شان، فایل‌های midi را به زنجیره‌ای از اعداد (۱ تا ۸۸) تبدیل کردند تا ۸۸ صدای مختلف کلیدهای پیانو را پوشش دهند. روش آنان عملکردی بهتر از الگوریتم‌های موجود داشت، اما کارشناسان در خصوص قطعات موسیقیِ تولید شده اظهار نظر نکرده‌اند.

منبع: hooshio.com