Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 استفاده از هوش مصنوعی برای گسترش کیفیت و عدالت داده های شهری

استفاده از هوش مصنوعی برای گسترش کیفیت و عدالت داده های شهری

زمان مطالعه: 2 دقیقه

در حال حاضر دسترسی پراکنده و متناقض به داده های شهری، باعث شده است تا تلاش‌ها برای مدیریت منصفانه و مؤثر در شهرها با مشکل مواجه شود. اما این مشکل به کمک هوش مصنوعی قابل حل است.

بر اساس نظر متخصصان حوزه هوش مصنوعی شهرهای ما سیستم‌های بسیار پیچیده‌ای هستند و روزانه تعداد بی‌شماری مبادلات به‌هم‌پیوسته بین افراد و فرآیندها به وجود می‌آید که این امر سبب تولید حجم بسیار زیادی داده می‌گردد. محققان اخیرا در تلاش برای کشف راهی هستند که بتواننند از حجم داده های تولید شده برای بهبود محیط‌های شهری استفاده کنند اما به دلیل محدودیت‌های موجود در کیفیت این اطلاعات، فعالیت‌های این حوزه، همچنان با چالش‌های فراوانی روبه‌رو است. بیل هاو و همکارانش در دانشگاه واشنگتن، از طریق تجزیه‌وتحلیل داده های منتشرشده در مجله فیزیک اروپایی با نام “موضوعات خاص
Special Topics
“، پیشنهادهایی برای چگونگی استفاده از هوش مصنوعی (AI) در جهت گسترش پوشش، دسترسی و عادلانه بودن داده های جمع‌آوری‌شده در شهرها ارائه دادند.

استفاده از هوش مصنوعی برای افزایش کیفیت داده های شهری
نتایج نقاشی داده‌های سفر تاکسی از چپ به راست، ستون‌ها عبارت‌اند از: تصاویر واقعی زمین. ماسک‌های نامنظم؛ واقعیت زمینی پنهان؛ نتایج نهایی نقاشی اعتبار: موضوعات ویژه مجله فیزیکی اروپا (2022). DOI: 10.1140/epjs/s11734-022-00475-z

تقلید مدل هوش مصنوعی از مغز

با وجود این‌که امروزه هوش مصنوعی در مسیر رو به رشدی برای تجزیه‌وتحلیل داده های شهری است، استفاده از آن تاکنون به‌طور گسترده با برنامه‌های کاربردی سودمحور و بالقوه مضر اجتماعی مانند تشخیص چهره همراه بوده است. تیم بیل هاو امیدوار است که این روند‌ها بتوانند به موجب پیشرفت‌های جدید در شبکه‌های عصبی تغییر کنند چراکه مدل‌های هوش مصنوعی عملکردهای مغز ما را هنگام یادگیری و پردازش اطلاعات جدید تقلید می‌کنند.

به ویژه آن‌ها پیشنهاد داده‌اند که از رویکردهای «بالا به پایین» برای تجزیه‌وتحلیل شهرهایی که هدف آن‌ها مدل‌سازی ویژگی‌های نوظهور شهری در مقیاس بزرگ است، استفاده شود و برای مواردی که هدف آن‌ها به بازسازی تعاملات فردی تا حد امکان نزدیک‌تر است از تکنیک‌های «پایین به بالا» است، بهره گرفته شود. تاکنون، این یکسان‌سازی به دلیل ناهماهنگی در دسترس بودن و کیفیت داده های جمع‌آوری‌شده در شهرها دشوار بوده است.

برای دستیابی به این اهداف، هاو و همکارانش چهار چالش خاص را شناسایی می‌کنند که می‌توان با هوش مصنوعی به آن‌ها پرداخت: ازجمله این اهداف می‌توان به گسترش منابع داده های موجود برای در نظر گرفتن پوشش کم و ناسازگار، توسعه منابع جدید مبتنی بر حاکمیت، اقتصاد، تصمیم‌گیری و مشارکت عمومی، بهره‌برداری از طیف متنوع‌تری از رویکردها برای تجزیه‌وتحلیل داده‌ها و درنهایت، درک مبادلات بالقوه بین دقت، سودمندی و عادلانه بودن داده‌ها اشاره کرد. با اجرای این بهبودها، این تیم امیدوار است که به‌زودی از هوش مصنوعی برای پاسخگویی به سؤالات کلیدی در زمینه تحرک، عدالت و حکومت در شهرها استفاده شود تا همه شهروندان بتوانند در آن نقش داشته باشند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]