هکرها چگونه امنیت سایبری در هوش مصنوعی را تهدید می‌کنند؟

آموزش هکرها برای استفاده از هوش مصنوعی در حمله به امنیت سایبری به یکی از دغدغه‌های جدی سازمان‌های تولید کننده داده تبدیل شده است. AI Fuzzing روشی برای تست عملکرد نرم‌افزار در حوزه امنیت سایبری در هوش مصنوعی است که توسط سازمان‌ها برای تشخیص آسیب‌پذیری یا اشکالات یک نرم‌افزار یا سیستم مورد استفاده قرار می‌گیرد. این روش به خودی خود هیچ اشکالی ندارد تا زمانی که هکرها از آن برای ارتکاب جرم‌های سایبری استفاده کنند.

امنیت داده‌ها به نقل همه محافل تبدیل شده است. از زمانی که تعداد حمله‌های سایبری و حفره‌های امنیتی بیشتر شده، هر روز گزارش‌های بیشتری درباره جرائم سایبری منتشر می‌شود. بر اساس آمارها، این جرائم تا سال ۲۰۲۱ سالانه به میزان ۶ تریلیون دلار به شرکت‌ها آسیب زده‌اند. این رقم در سال ۲۰۱۵ سه تریلیون دلار بود‍! این افزایش بی‌سابقه نشان می‌دهد، روش‌های سنتی افزایش امنیت سایبری در هوش مصنوعی دیگر جوابگو نیستند. از همین رو سازما‌ن‌ها در سراسر جهان روزانه به دنبال‌ شیوه‌های بدون نقص برای تقویت امنیت سایبری هستند. رسیدن به یک جایگاه مطلق در امنیت سایبری یکی از اهداف متخصصان این حوزه است که اخیرا تصمیم گرفته‌اند با راهکارهای نوینی به مقابله با هکرها بپردازند. ترکیب هوش مصنوعی و یادگیری ماشین با روش‌ سنتی Fuzzing باعث شده تا یک رویکرد جدید در این حوزه شکل بگیرد.

از آنجایی که این رویکرد چندان شناخته شده نیست، خیلی از ما تعریف و دامنه آن را نمی‌دانیم. پس در ادامه با هوشیو که یکی از مراجع خبری اصلی در حوزه فناوری‌های هوش مصنوعی است همراه باشید تا بیشتر با AI Fuzzing آشنا شویم.

منظور از AI Fuzzing چیست؟

قبل از اینکه بدانیم AI Fuzzing چیست، باید مفهوم فازی یا همان Fuzzing را بررسی کنیم. با رشد فناوری‌ها، هکرها هم باهوش‌تر می‌شوند. آنها اکنون از شیوه‌های قدیمی به سمت تکنیک‌‌های خودکار در حمله‌های سایبری روی آورده‌اند که می‌تواند با سواستفاده از توان پردازشی سیستم قربانی، او را مورد حمله قرار دهد. این طبیعی است که سازما‌ن‌ها هم باید به همین سمت بروند، از روش‌های خودکار در تشخیص خطاها و آسیب‌پذیری‌های نرم‌افزار استفاده کنند تا ضمن مقابله با هکرها، ضریب امنیت سایبری را افزایش دهند. روش فازی یکی از همین روش‌های خودکار است که در قالب یک سیستم مدیریت آسیب‌پذیری از آن استفاده می‌شود. در این سیستم ترکیب تصادفی از داده‌ها به نرم‌افزارها تزریق می‌شود تا خطاها و آشفتگی‌ها تعیین شود. به عبارت دیگر این داده‌های تصادفی میزان انسجام، دقت، کارایی و خطاهای سیستم‌ها را نشان می‌دهند. هدف نهایی تکنیک فازی تشخیص حفره‌های سیستمی در نرم‌افزارها است. این حفره‌ها در مسیر توسعه نرم‌افزار یا اپلیکیشن ترمیم ‌می‌شوند. یکی از قسمت‌های مهم هر نرم‌افزار که با استفاده از این تکنیک بررسی می‌شوند، نقاط ورود هکرها هستند.

نقش هوش مصنوعی در تکنیک فازی بهبود کیفیت داده‌های تصادفی است که به نرم‌افزارها تزریق می‌شود. در هر بار تست حجم وسیعی از داده‌ها مورد استفاده قرار می‌گیرند. گاهی اوقات دامنه کدهای تزریق شده به سیستم‌ها کامل نیست و ممکن است نتایج مورد انتظار دریافت نشود. بنابراین شرکت‌ها به ابزاری نیاز دارند که نه تنها توانایی درک مجموعه داده‌های تصادفی را داشته باشد بلکه بتواند کدها یا داده‌های جدیدی تولید کند که دامنه تطبیق آن‌ها را افزایش دهد، ابزاری که بتواند داده‌های قبلی که به نرم‌افزار ترزیق شده را شناسایی و تحلیل کند، رفتارهای آن داده‌ها را یاد بگیرد و خودش ورودی‌های جدید تولید کند. این ابزار هوش مصنوعی است. سازمان‌ها با توجه به اهمیت همین موضوع در حال استفاده از هوش مصنوعی در تکنیک فازی برای تقویت امنیت سایبری هستند. با استفاده از هوش مصنوعی در این فرایند، امکان اجرای تست‌های نرم‌افزاری با کیفیت بیشتر فراهم می‌شود که طبیعتا میزان تشخیص آسیب‌پذیری‌ها را افزایش می‌دهد.

هکرها چگونه با هدف حمله به امنیت سایبری در هوش مصنوعی از AI Fuzzing استفاده می‌کنند؟

داستان این است که اغلب درباره کاربردهای هوش مصنوعی در توانمندسازی شرکت‌ها برای افزایش امنیت سایبری در هوش مصنوعی صحبت شده اما کمتر به این حقیقت اشاره شده که همین هوش مصنوعی و انواع کاربردهای آن می تواند مورد استفاده مجرمان سایبری یا هکرها نیز قرار بگیرد. آنها می‌توانند سیستم‌هایی را به وجود بیاورند که به نرم‌افزارها و اپلیکیشن‌ها حمله می‌کند و با انجام اعمال غیرقانونی امنیت آن‌ها را به خطر می‌اندازد. این وضعیت در مورد AI Fuzzing نیز صادق است.

منظور از آسیب‌پذیری که مورد غفلت قرار گرفته، اشکالات یا خطاهای سیستمی هستند که توسط دولوپر تشخیص داده شده اما هنوز راهکاری برای آنها ارائه نشده است. هکرها از همین بازه زمانی استفاده می‌کنند و تا قبل از به روزرسانی کدها توسط دولوپر، به سیستم قربانی حمله می‌کنند. اکنون تحقیقات نشان می‌دهد به کارگیری هوش مصنوعی در این فرایند، شانس پیدا شدن آسیب‌پذیری‌های مورد غفلت قرار گرفته را افزایش می‌دهد.

«پائول هنری»، معاول یکی از سازمان‌های تولید کننده نرم‌افزارهای تجاری معتقد است: «تأمین کنندگان نرم‌افزارها در نبرد همیشگی با هکرها تلاش می‌کنند تا با ارائه بسته‌های نرم‌افزاری برای به ‌روزرسانی، امنیت سایبری کاربران‌شان را افزایش دهند. با این حال استفاده از روش‌‌های فازی ممکن است آن‌ها را زیر سیلی از آسیب‌پذیری‌ها غرق کند. تکنیک‌های فازی در کنار هوش مصنوعی هم به معنی وخامت بیشتر اوضاع است. هکرها در همکاری با سایر هکرها از طریق اتاق‌های چت درباره استفاده از هوش مصنوعی به آنها می‌گویند. حتی کار به جایی رسیده که هکرها می‌توانند با توسل به اینترنت، بدون اینکه وای‌فای کاربر روشن باشد، به سیستم او حمله و در صورت وجود آسیب‌پذیری به آن رخنه کنند.

بر اساس آمارهای یک شرکت استرالیایی فعال در زمینه فناوری اطلاعات، AI Fuzzing در لیست ۱۰ تهدید جدی امنیت سایبری قرار دارد. در کنار این تکنیک، هکرها یکی از دیگر از بخش‌های هوش مصنوعی به عنوان یادگیری ماشین را نیز به نفع خودشان به کار گرفته‌اند. نام این روش MI Poisoning است. یادگیری ماشین در سازمان‌ها با هدف تسهیل و بهینه‌سازی فرایندهای کاری مورد استفاده قرار می‌گیرد و حتی برای مقابله با حمله‌های سایبری هم از آن استفاده شده است. اما متأسفانه هکرها با رخنه به سیستم‌های یادگیری ماشین، قطعه‌های مخربی از کدهای یادگیری ماشین را درون آنها قرار می‌دهند. این کدها می‌توانند عملکرد سیستم را تغییر دهند و آن را به اجرای دستورهای خاصی مجبور کنند. طیف این کدهای مخرب از عدم پذیرش بسته‌های به روزرسانی تا عدم پردازش ترافیک برخی از داده‌ها گسترده هستند.

تهدیدهای امنیتی از این دست که هر روز امنیت سایبری افراد را تهدید می‌کنند را نمی‌توان با راهکارهای سنتی از میان برداشت. بازاندیشی درباره فناوری‌های امنیتی و توسعه استراتژی‌های نوین برای مقابله با تهدید‌ها یکی از اولویت‌های فعلی سازمان‌ها است. با این حال تاثیرگذاری بر روی مدل‌های هک هم می‌تواند کارآمد باشد. در واقع خودکارسازی و فناوری‌های نوین به سازمان‌اها اجازه می‌دهند تا در کنار پیش‌بینی فعالیت‌های مجرمانه، استراتژی‌های اقتصادی آن را نیز به هم بزنند. علاوه بر اینها آزمایش سیستم‌ها و نرم‌افزارها و بررسی نقاط ورود هکرها، برای وجود خطا با فناوری‌های نوین از جمله هوش مصنوعی، نتایج بهتری به بار می‌آورد. با توجه به تمام این نکته‌ها، سازما‌ن‌ها قطعا می‌توانند داده‌های دیجیتال‌شان را از خطر هک شدن مصون کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

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

جدیدترین اخبار هوش مصنوعی ایران و جهان در هوشیو

هوشیو پایگاه جامع هوش مصنوعی است که هدف آن انتشار جدیدترین اخبار هوش مصنوعی و کاربردهای نوین آن، بیان چالش‌های فنی این حوزه و ارائه مقالات آموزشی است. این مقالات برگرفته از به‌روزترین و معتبرترین منابع خارجی‌اند که با توجه به نیازهای جامعه هوش مصنوعی کشور ترجمه شده‌اند و در اختیار مخاطب قرار می‌گیرند. از آن‌جا که اثربخش‌ترین شکل یادگیری، یادگیری پیوسته و مستمر است، هوشیو تلاش می‌کند با ارائه مداوم مطالب آموزشی به علاقه‌مندان و متخصصان این حوزه، به دانش‌افزایی و آموزش سریع‌تر آنان کمک کند.

علاوه بر این، هوشیو سعی دارد با بیان چالش‌های فنی حوزه هوش مصنوعی، دید وسیع‌تر و واقع‌بینانه‌تری در زمینه راه‌اندازی کسب‌وکار مبتنی بر هوش مصنوعی به متخصصان این حوزه ارائه دهد. انتشار جدیدترین اخبار و کاربردهای نوین هوش مصنوعی، هدف دیگر تیم هوشیو است تا کاربردهای هوش مصنوعی در جهان واقعی را ملموس‌تر از همیشه به مخاطبان نشان دهد و سرمایه‌گذاران را به سودآوری در زمینه هوش مصنوعی مطمئن‌تر کند. هوشیو در تولید محتوای آموزشی خود از منابع معتبر، دست اول و به‌روز استفاده می‌کند تا مخاطبان کمترین فاصله را با علم روز دنیا داشته باشند.

در صورتی که به حوزه هوش مصنوعی علاقه‌مند هستید، حتما از سایت هوشیو دیدن کنید.