ترندهای هوش مصنوعی در سال 2021 را بشناسید

با رواج هوش مصنوعی و یادگیری ماشین از سیستم‌های پردازش کوانتوم حرفه‌ای و تشخیص دارویی تا وسیله‌های الکترونیکی مشتریان و دستیارهای هوشمند شخصی، دو سوژه‌ داغ سال 2020 بوده‌اند.

درآمد تولید شده از سخت‌افزارها، نرم‌‎افزارها و سرویس‌های هوش مصنوعی احتمالا تا پایان سال میلادی جاری به 156.5 میلیارد دلار در کل دنیا خواهد رسید و این یعنی به نسبت سال گذشته حدود 12.3% افزایش داشته است.

در ادامه مطلب سعی داریم 5 تصویر برجسته از ترندهای هوش مصنوعی و یادگیری ماشین به شما نشان دهیم تا بهتر متوجه شوید که چطور در سال 2020 که به خاطر پاندمی کرونا سالی عجیب بود، این دو مورد استفاده قرار گرفتند.

هوش مصنوعی و یادگیری ماشین و نقش آن‌ها در استفاده بیش از حد از اتوماسیون

گارتنر Gartner، یک شرکت تحقیقات بازار، که استفاده بیش از اندازه از اتوماسیون را یک ترند بزرگ فناوری اطلاعات می‌داند، معتقد است این یک ایده برای اتوماسیون مواردی در شرکت‌ها، بیش از چیزی که می‌توانید تصورش را بکنید، است. البته که پاندمی کرونا این روند را کند کرد و باعث شد اختلالاتی در ایده اولیه که تحت عناوین «اتوماسیون پروسه دیجیتال digital process automation » و «اتوماسیون پروسه هوش intelligent process automation» شناخته می‌شد، به وجود آید.

هوش مصنوعی و یادگیری ماشین اجزاء اصلی استفاده بیش از اندازه از اتوماسیون هستند و برای موفق بودن در این راه نباید فقط روی نرم‎افزار پکیج آماری تکیه کرد. اتوماسیون پروسه‌های تجاری باید بتواند با تغییرات در موقعیت‌ها و پاسخ‌ها به موقعیت‌های غیرمنتظره، هماهنگ شود.

این همان جایی است که هوش مصنوعی، مدل‌های یادگیری ماشین و تکنولوژی یادگیری عمیق که از الگوریتم‌های یادگیری و مدل‌ها در کنار داده‌های تولید شده توسط سیستم‌های اتوماسیون شده استفاده می‌کنند، وارد عمل می‌شوند. (یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که برای یادگرفتن از حجم زیادی از داده‌ها، از الگوریتم‌های شبکه عصبی استفاده می‌کند).

نظم بخشیدن به توسعه‌های هوش مصنوعی توسط مهندسی هوش مصنوعی

بر اساس تحقیقات شرکت گارتنر، تنها 53% از پروژه‌های هوش مصنوعی می‌توانند از مرحله نمونه اولیه گذشته و به تولید برسند. دلیلش این است که شرکت‌ها و تجارت‌ها وقتی سعی می‌کنند از سیستم‌های تازه توسعه یافته هوش مصنوعی و یادگیری ماشین استفاده کنند، با مشکلاتی مانند قابلیت نگهداری، مقیاس‌پذیری و مدیریت آن مواجه می‎شوند و در نهایت ابتکارات هوش مصنوعی آن طور که در ابتدا انتظار می‌رود، بازدهی نخواهد داشت.

تجارت‌ها و شرکت‌ها کم‌کم در حال متوجه شدن این موضوع هستند که یک استراتژی هوش مصنوعی قدرتمند باعث پیشرفت عملکرد، مقیاس‌پذیری، تفسیرپذیری و قابل اعتماد بودن مدل‌های هوش مصنوعی می‎شود و باعث رسیدن به نهایت بهره‌وری از سرمایه‌‎گذاری‌های هوش مصنوعی می‎شود.

توسعه یک پروسه مهندسی منظم هوش مصنوعی نکته کلیدی است. مهندسی هوش مصنوعی شامل المان‌های دیتا اوپس، مدل اوپس و دو اوپس DataOps, ModelOps and DevOps است و باعث می‎شود هوش مصنوعی به جای این که مجموعه‌ای از پروژه‌های تخصصی و جداسازی شده باشد، بخشی از جریان اصلی پروسه دو اوپس باشد.

افزایش استفاده از هوش مصنوعی در اپلیکیشن‌های امنیت سایبری

هوش مصنوعی و یادگیری ماشین به بهترین شکل هم در سیستم‌های خانگی و هم شرکتی، توانسته‌اند راهشان را به بحث امنیت سایبری باز کنند.

توسعه‌دهندگان سیستم‌های امنیت شبکه در مسابقه‌ای بی‌پایان برای به‌روز نگه‌داشتن برنامه‌هایشان هستند تا بتوانند سرعت مناسب برای مقابله با بدافزارها، باج‌افزارها، حملات DDS و غیره را حفظ کنند. هوش مصنوعی و یادگیری ماشین می‌تواند برای شناسایی تهدیدها و البته پیش‌بینی آن‌ها به کار گرفته شوند.

ابزارهای امنیت سایبری مبتنی بر هوش مصنوعی علاوه بر منابع خارجی، می‌توانند از سیستم‌های معاملاتی، شبکه‌های ارتباطی، فعالیت‌های دیجیتال و وب‎سایت‌های متعلق به خود شرکت هم داده جمع‌آوری کنند و از الگوریتم‌های هوش مصنوعی برای تشخیص الگوها و شناسایی‌ فعالیت‌های تهدیدآمیز استفاده کنند. مثل شناسایی آی‌پی‌های مشکوک و نقص‌های احتمالی داده‌ها.

با این که استفاده از هوش مصنوعی در سیستم‌های امنیت خانگی این روزها شدیدا به استفاده از دوربین‌های مدار بسته و سیستم‌های هشداردهنده محدود شده است، شرکت تحقیقاتی آی‌اچ‌اس مارکیت IHS Markit معتقد است می‌توان سیستم هوش مصنوعی‌ای توسعه داد که رفتارها و عادت‌های ساکنان خانه را یاد بگیرد و با این روش توانایی شناسایی متجاوزان را تقویت کند و باعث ساخت یک خانه هوشمند شود.

تقاطع هوش مصنوعی/ یادگیری ماشین و اینترنت اشیاء

همان‌طور که ترنسفورما اینسایت، شرکت تحقیقات بازاریابی، پیشاینترنت اشیاء  در سال‌های اخیر رشدی چشم‌گیر داشته است.

استفاده از هوش مصنوعی و یادگیری ماشین بیش از پیش با اینترنت اشیاء درهم‌تنیده شده است. برای مثال اخیرا از هوش مصنوعی، یادگیری ماشین و یادگیری عمیق بیش از پیش برای هوشمندسازی سرویس‌ها و وسیله‌های اینترنت اشیاء، استفاده می‌شود. البته این یک موضوع برد-برد است، به این دلیل که هوش مصنوعی و یادگیری ماشین نیاز به حجم زیادی از داده‌ها دارند تا عملکردی موفقیت‌آمیز داشته باشند، دقیقا همان چیزی که شبکه‌ سنسورهای اینترنت اشیاء و وسایل آن فراهم کرده‌اند.

مثال کاربردی آن این است که شبکه‌های اینترنت اشیا، می‌توانند از کارخانه‌های تولیدی داده‌های اجرایی و عملکردی جمع‌آوری کنند، سپس هوش مصنوعی آن را با هدف بهبود عملکرد سیستم تولید، افزایش کارایی و پیش‌بینی زمانی که ماشین‌ها نیاز به تعمیر دارند، آنالیز کند.

چیزی که به تعبیر برخی «هوش مصنوعی اشیاء Artificial Intelligence of Things (AIoT)» نامیده می‎شود، می‌تواند تعریفی دوباره برای اتوماسیون صنعتی باشد.

سوالات اخلاقی مداوم درباره فناوری هوش مصنوعی

چندی پیش و با بالا گرفتن اعتراضات درباره مسائل نژادپرستانه، چندین ارائه‌دهنده مطرح فناوری اطلاعات از جمله مایکروسافت، آی‌بی‌ام و آمازون اعلام کردند که دپارتمان پلیس تا زمانی که قوانین فدرال مشخص برای استفاده از تکنولوژی وضع شود، فروش تکنولوژی‌های تشخیص چهره را محدود کرده است.

با این کار توجه بیشتری جلب موضوعات و سوالات اخلاقی درباره فناوری‌های هوش مصنوعی شد. همچنین این طرز فکر ایجاد شد که می‌توان از هوش مصنوعی برای ایجاد اطلاعات اشتباه و حملات سایبری استفاده کرد. بخش تیره‌تری هم وجود دارد و آن این است که برخی معتقدند دولت‌ها از هوش مصنوعی برای نظارت و فعالیت‌های مشابه استفاده می‌کنند. به غیر از همه این سوال‌ها، سوالی قدیمی‌تر هم وجود دارد که همیشه با شنیدن نام هوش مصنوعی در ذهن انسان تداعی می‎شود و آن هم این است که آیا هوش مصنوعی می‌تواند جایگزین نیروی کار انسانی شود؟

در مقاله‌ای که در سال 2019 در «فوربز Forbes» منتشر شد، آمده «اولین قدم پرسیدن سوالات ضروری است و ما هم همین کار را کردیم. برای برخی اپلیکیشن‌ها شاید نیاز به وضع قوانین فدرال باشد، مثلا برای جایی که قرار است از هوش مصنوعی برای اجرای قانون استفاده شود».

گارتنر توصیه می‎کند تجارت‌ها یک هیئت مدیره اخلاقی خارجی تشکیل دهند تا بتواند هر خطری که می‌تواند برند یک شرکت را تهدید کند، شناسایی کند. همچنین این تیم می‌تواند اقدامات نظارتی انجام دهد. می‌توان نمایندگانی از مشتریان شرکت هم در این تیم گنجاند تا دستورالعمل بهتری برای استفاده از پروژه‌های مبتنی بر هوش مصنوعی ارائه شود و شفافیت و قابلیت حسابرسی این پروژه‌ها بیشتر شوند.