کمبود داده در یادگیری ماشین به اندازه کافی علی‌رغم برخورداری از ایده‌های فوق‌العاده هوش مصنوعی در کسب‌وکار، موجب نگرانی شرکت‌ها شده است. اما راه حل‌هایی هم برای این مساله وجود دارد. “الکساندر گلفالونیِری“

یکی از مطالعات اخیر نشان داده است که الگوریتم های یادگیری ماشینی طی 10 سال آینده، جایگزین 25% مشاغل سراسر دنیا خواهند شد. با توجه به رشد سریع و افزایش دسترسی‌پذیری ابرازهای برنامه‌نویسی (همچون Python و R)، یادگیری ماشین جایگاهی برجسته در میان متخصصان علوم داده به دست آورده است.

داده‌ها همواره توسط انسان تولید و جمع‌آوری شده‌اند و اکنون این نگاه جاه‌طلبانه به سمت هوش عمومی مصنوعی وجود دارد. محققان هوش مصنوعی که باید مدل پیشرفته یادگیری ماشین را در سطح انسان آموزش دهند، بین مرز باریکی از دقت و سوگیری در حال راه‌رفتن هستند.

در دهه 1950 عبارت «هوش مصنوعی» ابداع شد. با این حال، تمام تحقیقات اساسی در این بخش در اواخر دهه 2000 آغاز شد. از آن رو که این فناوری، مبتنی بر داده است و بر اساس داده‌ها رشد می‌کند، دهه 2000 شاهد ظهور مجموعه‌ای از داده‌های بزرگ‌تر و بهتر از

مدل‌های پیچیده جدید هوش مصنوعی مانند GPT-3، شرکت OpenAI به دلیل توانایی در تقلید از زبان انسانی این روزها سر و صدای زیادی به پا کرده‌اند. اما آیا این بدان معناست که قرار است کامپیوتر جای انسان را بگیرد؟ حداقل نه به این زودی. به این دلیل که هوش مصنوعی

با افزایش قدرت هوش مصنوعی (AI)، بزودی شاهد اثرات این فناوری در تمامی بخش‌ها و فعالیت‌های سازمانی از جمله مدیریت دانش (KM) خواهیم بود. وجه اشتراک هوش مصنوعی و مدیریت دانش، وجود هسته ‌مرکزی دانش است. به بیان دیگر، مدیریت دانش شرایطی را فراهم می‌کند تا درک دانش رخ دهد،

از اصول مهم علوم داده این است که با استفاده از داده‌های آموزشی بیشتر می‌توان مدل یادگیری ماشین بهتری به دست آورد. شاید بتوان در خصوص نمونه‌ها چنین چیزی گفت، اما این نکته درباره تعداد ویژگی‌ها صدق نمی‌کند. دیتاست‌های دنیای واقعی، ویژگی‌های زائد فراوانی دارند که می‌توانند بر عملکرد مدل

با توجه به پیشرفت سریع فناوری در دنیای امروز، تصور آینده هو‌‌‌‌‌‌‌‌‌‌‌‌‌ش مصنوعی کاری بس دشوار است. شاید همه ما جهان آینده را با هوش مصنوعی، دنیایی پر از ربات‌های هوشمند پنداریم که مدیریت امور مختلف را بر عهده گرفته‌اند. البته بدون شک در ایجاد این تصور فیلم‌های علمی- تخیلی

هوش مصنوعی، داغ‌ترین فناوری این روزها، همزمانی که مورد ستایش قرار می‌گیرد، عامل اضطراب دولت‌ها و کسب‌وکارها شده است و به همین دلیل می‌توان گفت تأثیرات هوش مصنوعی بر دنیای اطراف فراوان است. با گذشت شش سال از پیروزی AlphaGo مقابل قهرمان بازی Go، مقالات پژوهشی بی‌شماری به برتری هوش

هوش مصنوعی یکی از فناوری‌های پر مصرف از لحاظ انرژی است. اما پژوهش جدیدی نشان داده که می‌توان با استفاده از یک تراشه کم مصرف حتی الگوریتم بینایی ماشین در هوش مصنوعی را اجرا کرد. در ادامه این مطلب با هوشیو همراه باشید.

در سال 1984، آرون سلومان، متخصص کامپیوتر، پس از مطالعاتش بر روی هوش به این نتیجه رسید که متخصصان می‌بایست کاستی‌های مطالعات هوش را مدنظر قرار دهند، اما به طریقی تمایز گذاشتن بین آن دسته از اشیاء و موجوداتی را که هوش (ذهن) دارند و آن‌هایی را که ندارند، متوقف

قضیه حد مرکزی Central Limit Theorem در کانون استنباط آماری Statistical inference قرار دارد که متخصصین علوم داده و تحلیل‌گران داده هر روز با آن سر و کار دارند. در مقاله پیش‌رو به مطالعه و بررسی قضیه حد مرکزی و چیستی آن می‌پردازیم؟ دلایل اهمیت آن چیست؟ قضیه حد مرکزی

نرخ دقت (Accuracy) معیار مهمی برای ارزیابی عملکرد مدل است، اما کافی نیست. از این روی، معیارهای دیگری برای ارزیابی عملکرد مدل و مسائل طبقه بندی معرفی شده‌اند که به کمک آن‌ها می‌توانیم درک جامع‌تر و کلی‌تری نسبت به عملکرد مدل داشته باشیم. برخی از این معیارها عبارتند از: صحت،

در عصر دیجیتال، بیشتر کارها توسط هوش ترکیبی انجام می‌شود که آن دسته از ویژگی‌ها و قابلیت‌های انسانی و هوش مصنوعی را با یکدیگر ادغام می‌کند که یکدیگر را تکمیل کرده و ارتقاء می‌بخشند. هوش مصنوعی و هوش انسانی مسائل بسیار متفاوتی را بر عهده می‌گیرند. بنا بر پارادوکس موراوک،

برای آشنایی بهتر با بیز ساده بهنر است این‌طور شروع کنیم. فرض کنید یک روز صبح از خواب بیدار می‌شوید و احساس کسالت می‌کنید. تصمیم می‌گیرید به دکتر مراجعه کنید. دکتر بعد از معاینات ابتدایی، چند آزمایش از شما می‌گیرد تا تشخیص دهد آیا یک بیماری نادر که تنها 1

فناوری هوش مصنوعی قابلیت تحول جامعه را دارد؛ با این حال، مسائل قانونی هوش مصنوعی بر حوزه‌های گوناگون قانونی سایه افکنده است که از جمله‌ آن‌ها می‌توان به حریم خصوصی و امنیت داده، قراردادهای تجاری، دارایی‌های ذهنی، قوانین ضدانحصار، مزایای کارکنان و مسئولیت ناشی از محصولات اشاره کرد. به عبارت دیگر،

هوش مصنوعی (AI) یکی از پرتقاضاترین توانایی‌هایی است که عملاً هر صنعتی را تحت تأثیر خود قرار داده است، از خودروسازی، تولید و پزشکی گرفته تا امنیت سایبری، نرم‌افزار و اینترنت اشیا. همه این صنایع در رویدادی تخصصی به نام «هکاتون» با حضور متخصصان هوش مصنوعی مطرح می‌گردند و به‌منظور

اولویت مدیران ارشد فناوری اطلاعات و چگونگی نگاه آنان به اولویت‌های این حوزه، در چند و چون برگزیدن استراتژی هوش مصنوعی برای پیشروان فناوری نقشی مهم و اساسی دارد. واقعیت این است که زمانِ حاضر، برای پیشروان فناوری زمانی هیجان‌انگیز و در عین حال ترسناک است. هیجان‌انگیز از‌این‌رو که فناوری‌های

استفاده از فناوری‌های هوش مصنوعی تقریباً به تمام جنبه‌های زندگی ما راه پیدا کرده است. اما سهم بخش‌های مختلف جهان در ایجاد، استفاده و در نتیجه مزایای استخراج‌شده از هوش مصنوعی همچنان تفاوت‌های قابل‌توجهی دارد. در حقیقت، هوش مصنوعی به سرعت به‌عنوان یک موضوع مهم در دستور کار توسعه جهانی

مسئله‌ی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بی‌ارتباط نیست. هر روزی که می‌گذرد دامنه‌ی کاربردهای هوش مصنوعی در زندگی روزمره‌ی ما گسترده‌تر می‌شود. وقتی که از گوگل می‌خواهیم رستوران‌های نزدیک به خانه‌ی ما را برای‌مان لیست کند، تا پیج‌هایی که  فیس‌بوک و اینستاگرام و توئیتر برای دنبال

پیش از این، یک تحصیلات دانشگاهی به‌خودی خود، برای تضمین شغل پردرآمد بلافاصله پس از فارغ‌التحصیلی کافی بود؛ اما دیگر یک مدرک به‌تنهایی کارساز نیست. در واقع، کارفرمایان از کارمندان آینده‌شان انتظار دارند که تجربه کارآموزی داشته باشند و در خارج از مدرسه یا دانشگاه شغلی را امتحان کرده باشند.

در مقالات آموزشی قبل به معرفی  الگوریتم‌های یادگیری ماشین بانظارت و آن دسته از روش‌های توسعه مدل‌ پرداختیم که در آن‌ها از داده‌های برچسب‌دار استفاده می‌شود. به بیانی دیگر در این دسته از روش‌ها، داده‌ها دارای تعدادی متغیر هدف Target variable با مقادیر مشخص هستند که از آن‌ها برای آموزش

وقتی بحث از مدل‌های یادگیری ماشین به میان می‌آید، دو روش اصلی در ذهن تداعی می‌شود: یادگیری نظارت شده supervised learning و یادگیری نظارت نشده unsupervised learning. اما تفاوت یادگیری خودنظارتی و نیمه نظارتی چیست؟ تفاوت اصلی این دو روش در داده‌های برچسب‌دار می‌باشد. فقط یادگیری نظارت شده حاوی این نوع

دنیا همگام‌ با پیشرفت فناوری‌های یادگیری ماشین (ML) و هوش مصنوعی (AI)، در حال تغییر و تحول است و به همین دلیل نیاز به مهندس یادگیری ماشین و هوش مصنوعی محسوس‌تر شده است.  ML و AI در بسیاری از دستگاه‌ها، از سیستم‌های آندروید گوشی‌های همراه و سایر دستگاه‌های الکترونیک گرفته

اولین «جاودانگی‌ها» با قابلیت افزایش نامحدود طول عمر، از طریق داروهای ضدپیری، پیوند اعضا، درمان با سلول‌های بنیادی، نانوماشین‌های پزشکی و بارگذاری‌های عصبی، رقم خواهند خورد. توانایی ادامه حیات و معکوس کردن تازیانه‌های زمان و پیری نیز به این معناست که انسان می‌تواند به طور نامحدود، فعال، سالم و زایا

در خصوص تکینگی فناوری و پیش‌بینی‌های مشابه همیشه نظرات مخالف، بدبینانه و تردیدبرانگیز نیز به گوش می‌رسد. عده‌ای پیش‌بینی‌های شکست‌خورده گذشته مانند اتومبیل‌های پرنده، شهرهای شناور و سایر آینده‌نگری‌هایی را مطرح می‌کنند که قرار بود تا قرن 21 محقق شوند. اگرچه تعدادی از این پیش‌بینی‌ها تحقق یافته‌اند، اما نرخ پیش‌بینی‌های

در این مقاله به بخش دوم از سری مقاله‌های تکینگی فناوری می‌پردازیم. همچنین لینک دسترسی به قسمت‌های دیگر در انتهای مطلب در دسترس است. یکی دیگر از موضوعات مورد مناقشه درباره تکینگی، نحوه رخ دادن آن است. برای مثال، آیا تکینگی به‌تدریج رخ می‌دهد یا سریع و آنی خواهد بود.

به نظر شما آیا ممکن است یک سیستم هوش مصنوعی درگیر اعتیاد شود؟ در سال 1953، روان‌شناسی از دانشگاه هاروارد تصور می‌کرد که به‌طور تصادفی محل احساس لذت را در جمجمه یک موش کشف کرده است. این دانشمند، الکترودی در ناحیه خاصی از مغز موش قرار داد و موش توانست

مقاله پیش رو با عنوان تکینگی فناوری در 4 بخش منتشر خواهد شد. در بخش اول می‌خوانیم که چطور ممکن است دنیا به پایان فناپذیری نزدیک شده باشد. مقدمه پیشرفت سریع محاسبات، تولید و ذخیره اطلاعات و هوش مصنوعی در آستانه نقطه عطفی قرار دارند که از آن با نام

هوش مصنوعی امروزه به‌عنوان یک ابزار مهم برای توسعه صنایع زیربنایی و صنایع وابسته توصیف می‌شود. بر همین اساس است که بازارهای سرمایه‌گذاری در حوزه هوش مصنوعی رفته‌رفته درحال‌توسعه هستند و این موضوع اهمیت تحصیل در رشته یادگیری ماشین و هوش مصنوعی را دوچندان کرده است. بر اساس آمارهای منتشر

انرژی مصرفی هوش مصنوعی در مراکز داده و مدل‌‌های بزرگ بسیار بالا است و به محیط زیست آسیب می‌رسانند. اما کسب‌وکارها می‌توانند در جهت کاهش تأثیرات خود بر محیط زیست اقدام کنند. آموزش یک مدل پیشرفته‌ هوش مصنوعی مستلزم برخورداری از داده‌های با کیفیت، صرف زمان، پول و البته مقدار

پژوهش حاضر نشان می‌دهد که انسان‌ها، هوش مصنوعی را هم‌تیمی ناامید‌کننده‌ای برای بازی های مشارکتی می‌دانند که این امر، چالشی برای «هوش تیمی» محسوب می‌شود. در بازی‌هایی مانند شطرنج یا Go، برنامه‌های هوش مصنوعی از بهترین بازیکنان جهان نیز پیشی گرفته‌اند. این هوش مصنوعی‌های «فرابشری» رقبای بی‌نظیری هستند، اما شاید دشوارتر

در این نوشتار قصد داریم متناسب با هدف و مسئله‌ی موردنظر، توابع زیان و فعال سازی لایه‌ی آخر شبکه‌ی عصبی را معرفی کنیم. فرض نویسنده بر این است که مخاطبان با توابع فعال سازی آشنایی دارند. برای آشنایی بیشتر با این حوزه می‌توانید به این مقاله‌ Deep Learning: Overview of

براساس مطالعات اخیر، انتظار می‌رود که در ده سال آینده انواع الگوریتم یادگیری ماشین جایگزین 25% از مشاغل موجود در سرتاسر دنیا شوند. با رشد سریع کلان داده (Big Data) و آسان‌ترشدن دسترسی به ابزارهای برنامه‌نویسی همچون پایتون و R، یادگیری ماشین دارد به پرکاربردترین ابزار دانشمندان داده تبدیل می‌شود.

برای شرکت‌های نفت و گاز، تحول دیجیتال یک اولویت است. در واقع این تحول دیجیتال ، نه‌تنها راهی به مدرن‌سازی شرکت‌ها است، بلکه برای تأمین امنیت تمامی اکوسیستم انرژی یک ضرورت محسوب می‌شود. اگر از این دیدگاه نگاه کنیم، لزوم استفاده از هوش مصنوعی و ظرفیت‌های یادگیری ماشین برای بهینه‌سازی

سوگیری‌های الگوریتمی و خروجی‌های ناعادلانه و مبهم آن‌ها در اشکال گوناگون ظاهر می‌شوند؛ اما راهبردها و تکنیک‌های فراوانی برای مبارزه با آن‌ها و ارتقای عدالت وجود دارد. سوگیری الگوریتمی یکی از موضوعات مهم هوش مصنوعی است و مستلزم توجه و بازبینی دقیق است. خطاهای ناخواسته‌ سیستمی می‌توانند منجر به خروجی‌های

بدون شک یکی از دغدغه‌های مهم کسب‌وکارها، هم‌گام ماندن با انتظارات مشتریان است و برای رسیدگی به آن، استفاده از هوش مصنوعی مکالمه ای یکی از بهترین گزینه‌هاست.. مشتریان خدماتی سریع‌تر با قدرت پاسخگویی بهتر در همه‌ی کانال‌ها می‌خواهند و انتظار دارند امکان جابجایی راحت بین این کانال‌ها وجود داشته

توسعه هوش مصنوعی نوید فرصت‌های شگفت‌انگیزی برای تحول در زندگی و کسب‌و‌کار ما را می‌دهد. همچنین کمک می‌کند تا پتانسیل انسانی‌ بالقوه ما به روش‌هایی که هنوز ندیده‌ایم یا حتی نمی‌توانیم آن‌ها را تصور کنیم، بالفعل شوند. اما چالش‌های استفاده از هوش مصنوعی چیست؟ در میان این حجم از هیجان

پیش از پرداختن به اهمیت تفسیرپذیری هوش مصنوعی در حوزه بهداشت و درمان  بیاید موردی را با هم مرور کنیم. فرض کنید پنج‌شنبه صبح است. شب قبل تا دیروقت بیدار و مشغول اجرای چندباره‌ی مدلی برای رویگردانی مشتریان، بررسی ویژگی‌های جدید آن و دستکاری هایپرپارامترهای الگوریتم بوده‌اید. در نهایت موفق