القواعد القديمة ، قبل بدء النص: ابحث على WeChat واتبع "نظام التوصية الذكي" الخاص بالحساب الرسمي ، المزيد من السلع الجافة في انتظارك.

ملاحظة المحرر: يجب أن يرغب أولئك الذين يهتمون بالذكاء الاصطناعي في معرفة أحدث اتجاهات التنمية لهذه الصناعة. أصدرت وكالة تحليل الصناعة الأخيرة CBInsights مؤخرًا تقرير اتجاهات الذكاء الاصطناعي لعام 2019 لتلبية هذا الطلب. يحدد هذا التقرير المكون من 84 صفحة 25 اتجاهًا للذكاء الاصطناعي ويستخدم إطار تحليل NExTT الخاص بشركة CBInsights لتصنيفها من بُعدين لاعتماد الصناعة وميزة السوق ، والتي يمكن أن توفر مراجع صنع القرار للأدوار المشاركة المختلفة.

النتيجة الرئيسية هي أن الفهم السياقي لمصطلحات البحث في التجارة الإلكترونية يتخلص من المرحلة "التجريبية" ، ولكن لا يزال هناك طريق طويل لنقطعه قبل التبني على نطاق واسع ؛ التعلم العميق هو المحرك حاليًا لمعظم تطبيقات الذكاء الاصطناعي. ومع ذلك ، بسبب شبكة الكبسولة ، قد تحتاج هذه التكنولوجيا إلى التحسين ؛ بدأ الباحثون في مجال الرعاية الصحية المتقدمة والقياسات الحيوية في استخدام الشبكات العصبية لدراسة وقياس عوامل الخطر غير النمطية التي كان من الصعب تحديدها في السابق ؛ الوصول إلى البيانات ذات العلامات واسعة النطاق هو تدريب تعد خوارزميات الذكاء الاصطناعي ضرورية ، وقد تتمكن بيانات التقليد الواقعية من حل هذا الاختناق.

من أجل تسهيل فهمك ، ما يلي هو تجميع موجز لهذه الاتجاهات الـ 25.

في عام 2019 ، أين الفرص المتاحة في مجال الذكاء الاصطناعي على وشك الحدوث؟

في الآونة الأخيرة ، أصدرت CB Insights ، مؤسسة أبحاث رأس المال الاستثماري ، 25 اتجاهًا في تطوير الذكاء الاصطناعي العالمي في عام 2019. تشمل اتجاهات تطوير الذكاء الاصطناعي الـ 25 هذه:

استجابة لهذه الاتجاهات الخمسة والعشرين الهامة للذكاء الاصطناعي ، تستخدم CB Insights إطار عمل NExTT لتقييم كل اتجاه بناءً على اعتماد الصناعة ومزايا السوق ، وتصنفه على أنه مؤقت وضروري وتجريبي ومهدد. بالنسبة للاستراتيجيات والخطط المستقبلية ، آمل أن تعطيك هذه المقالة بعض الإلهام.

إطار عمل NExTT

المدى القصير: الرغبة في التعاون مع الشركات وعدم اليقين في فرص السوق

ضروري: مجموعة واسعة من الصناعات وتطبيقات العملاء والاستثمارات ؛ قبول السوق

الاختبار: لا يتم استخدام منتجات الشركات التجريبية أو الشركات الناشئة على نطاق واسع ؛ حيث يقود المستخدمون الأوائل التقنيات والاتجاهات

التهديدات: تنبؤات السوق الممكنة واسعة النطاق ، الأنشطة الاستثمارية المعروفة ، التطبيقات غير المستقرة / غير المؤكدة

بعدين لإطار عمل NExTT

تطبيق الصناعة (المحور الصادي): الشركات الناشئة في هذا المجال ، الاهتمام الإعلامي ، تطبيقات العملاء (التعاون ، العملاء ، المعاملات المصرح بها)

ميزة السوق (المحور السيني): توقعات حجم السوق ، ومراجعة سجل الأرباح ، ونوعية وكمية المؤسسات الاستثمارية ورأس المال ، وكثافة المنافسة ، والاستثمار في البحث والتطوير ، ومعاملات الشركات القائمة (عمليات الدمج والاستحواذ ، والاستثمارات الاستراتيجية)

لاتجاهات الذكاء الاصطناعي الحتمية التالية ،

أنت بحاجة إلى استراتيجية وخطة واضحة

مطلوب

إطار مفتوح المصدر

أصبح حاجز دخول الذكاء الاصطناعي منخفضًا بشكل غير مسبوق ، وذلك بفضل البرامج مفتوحة المصدر.

بدءًا من مكتبة التعلم الآلي TensorFlow مفتوحة المصدر من Google في عام 2015 ، شكل إطار العمل مفتوح المصدر للذكاء الاصطناعي (خاصة التعلم العميق) موقفًا مزدهرًا ، بما في ذلك PyTorch من Facebook و Trier Institute of Learning Algorithms (MILA) Theano و Keras و مجموعة أدوات Microsoft المعرفية و Apache MXNet وما إلى ذلك.

يعد إطار عمل الذكاء الاصطناعي مفتوح المصدر موقفًا مربحًا للجانبين: فمن ناحية ، يمكن للجميع استخدام الذكاء الاصطناعي ؛ وعلى العكس من ذلك ، يساعد المجتمع المساهم أيضًا في تسريع أبحاث الذكاء الاصطناعي من قبل شركات مثل Google.

قال خبير الذكاء الاصطناعي المعروف يوشوا بنجيو:

لقد تطور النظام البيئي للبرمجيات الذي يدعم أبحاث التعلم العميق بسرعة ووصل الآن إلى حالة صحية: أصبحت البرمجيات مفتوحة المصدر هي القاعدة ؛ وقد ظهرت أطر عمل مختلفة لتلبية الاحتياجات المختلفة من استكشاف الأفكار الجديدة إلى نشر الإنتاج. علاوة على ذلك ، يتم دعم حزم البرامج المختلفة أيضًا من قبل لاعبين أقوياء في الصناعة في جو تنافسي محفز.

حافة AI

الحاجة إلى اتخاذ القرار في الوقت الفعلي تدفع الذكاء الاصطناعي إلى حافة الهاوية.

يعمل تشغيل خوارزميات الذكاء الاصطناعي على الأجهزة المتطورة مثل الهواتف الذكية والسيارات وحتى الأجهزة القابلة للارتداء ، بدلاً من الاتصال بالمنصات أو الخوادم السحابية المركزية ، على تمكين الأجهزة المتطورة من معالجة المعلومات محليًا والاستجابة للمواقف بسرعة أكبر.

تقوم كل من Nvidia و Qualcomm و Apple والعديد من الشركات الناشئة بتطوير رقائق خاصة بالذكاء الاصطناعي من أجل الحافة.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

لدى Edge AI تطبيقات في الصناعات الرئيسية مثل الإلكترونيات الاستهلاكية والاتصالات والتصوير الطبي. على سبيل المثال ، التعرف على الوجه من كاميرات المراقبة ، والتعرف على الوجه والأشياء للهواتف الذكية مثل Huawei و Apple ، وقرار القيادة في الوقت الفعلي لشريحة Tesla AI ، وشاشات الأطفال ، والطائرات بدون طيار ، وإمكانيات رؤية الروبوت (بدون اتصال بالإنترنت) ، إلخ.

في التقارير المالية للشركات الكبرى في عام 2018 ، زاد عدد الإشارات إلى الحوسبة المتطورة بشكل كبير.

ومع ذلك ، على الرغم من أن edge AI لديه ميزة تقليل زمن الوصول ، إلا أنه يحتوي أيضًا على قيود. أي أن قدرات التخزين والمعالجة محدودة. من المتوقع ظهور المزيد من الأوضاع الهجينة ، مما يتيح للأجهزة الذكية المتطورة التواصل مع بعضها البعض ومع الخوادم المركزية.

تمييز الوجوه

من فتح الهواتف المحمولة إلى إجراءات الصعود إلى الطائرة ، تدخل التعرف على الوجوه في الاتجاه السائد.

ازدادت شعبية التعرف على الوجوه في وسائل الإعلام الصينية منذ عام 2016.

يتزايد طلب الصين على تقنية التعرف على الوجه يومًا بعد يوم.

تشير البيانات إلى أن الولايات المتحدة تهتم بشكل متزايد بتقنية التعرف على الوجه.

التطبيقات المبكرة تهبط ، على الرغم من أنه سيكون هناك بعض الأعطال الفنية. على سبيل المثال ، قدمت Apple وضع تسجيل الدخول بناءً على تقنية التعرف على الوجه في iOS10. وفقًا للتقارير ، حدد تقرير أمازون الفني بشكل غير صحيح أعضاء الحكومة كمجرمين. تعمل جامعة كارنيجي ميلون على تطوير هذه التقنية للمساعدة في تعزيز المراقبة بالفيديو.

تظهر التطبيقات التجارية المبكرة للتعرف على الوجوه في مجالات الأمن والبيع بالتجزئة والإلكترونيات الاستهلاكية ، وسرعان ما أصبحت الشكل السائد للتعرف على القياسات الحيوية.

على الرغم من استخدام التعرف على الوجوه على نطاق واسع ، إلا أن هذه التقنية لا تخلو من العيوب. كانت هناك تقارير تفيد بأن أمازون حددت عضو الكونغرس كمجرم. استخدم مراسل وول ستريت جورنال صورة للمدير كقناع لخداع كاميرا ذكية بسهولة في مدرسة في سياتل.

التصوير الطبي والتشخيص

تمنح إدارة الغذاء والدواء الأمريكية الضوء الأخضر للذكاء الاصطناعي أو المعدات الطبية.

في أبريل 2018 ، وافقت إدارة الغذاء والدواء الأمريكية على برنامج الذكاء الاصطناعي لفحص المرضى المصابين باعتلال الشبكية السكري دون مشورة إضافية من الخبراء. البرنامج يسمى IDx-DR ، وبلغ معدل التعرف عليه 87.4 ، وبلغ معدل التعرف على غياب المرض 89.5.

بالإضافة إلى ذلك ، وافقت إدارة الغذاء والدواء الأمريكية على برنامج Viz LVO ، وهو برنامج فحص وإخطار بالأشعة المقطعية لأعراض السكتة الدماغية المحتملة من بدء التشغيل Via.ai ، وحزمة برامج Oncology AI من شركة Arterys الناشئة ، والتي يمكنها تحديد تلف الرئتين والكبد.

فتح التحرير مسارًا جديدًا للتسويق. منذ عام 2014 ، أكمل ما مجموعه 80 شركة للتصوير والتشخيص بالذكاء الاصطناعي 149 معاملة تمويل.

يستخدم Dip.io ، المنتج الأول لشركة Start-up Healthy.io ، شرائط اختبار تحليل البول التقليدية لمراقبة العديد من التهابات المسالك البولية: يلتقط المستخدمون صورًا لشرائط الاختبار بهواتفهم الذكية ، ويمكن لخوارزميات رؤية الكمبيوتر التكيف مع ظروف الإضاءة المختلفة وجودة الكاميرا صحح النتائج. يمكن للمنتج اكتشاف العدوى والمضاعفات المرتبطة بالحمل. تمت الموافقة على Dip.io ، المتوفر بالفعل تجاريًا في أوروبا وإسرائيل ، من قبل إدارة الغذاء والدواء.

وافقت ادارة الاغذية والعقاقير على فتح فرص عمل جديدة. على سبيل المثال ، يمكن لخوارزمية IDx تحديد المرضى الذين يعانون من اعتلال الشبكية السكري بدقة دون الحاجة إلى مزيد من التأكيد من قبل الطبيب. يمكن لبدلة الذكاء الاصطناعي للورم من ARTERYS الكشف عن آفات الرئة والكبد في مرحلة مبكرة. يمكن لمنتجات Viz.ai تحليل الأشعة المقطعية للعثور على احتمالية الإصابة بالسكتة الدماغية.

الصيانة الوقائية

يمكن لإنترنت الأشياء الصناعي بالذكاء الاصطناعي أن يوفر على الشركات القائمة من الشركات المصنعة لشركات تأمين المعدات ملايين الدولارات من الخسائر العرضية.

تستخدم الصيانة التنبؤية أجهزة استشعار وكاميرات ذكية لجمع بيانات الماكينة باستمرار (مثل درجة الحرارة والضغط وما إلى ذلك). إن حجم البيانات في الوقت الفعلي التي يتم إنشاؤها وتنوع التنسيقات يجعل التعلم الآلي مكونًا لا غنى عنه في إنترنت الأشياء الصناعي. بمرور الوقت ، يمكن للخوارزمية التنبؤ بالفشل مسبقًا.

أدى انخفاض تكلفة أجهزة الاستشعار الصناعية ، وتقدم خوارزميات التعلم الآلي ، والتقدم في الحوسبة المتطورة إلى زيادة انتشار تطبيق الصيانة التنبؤية.

كما يتضح من الشكل أدناه ، يتزايد الاستثمار في هذا المجال عامًا بعد عام.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

من بين المستثمرين النشطين GE Ventures و Siemens و SAP ، إلخ. حتى الشركات الكبيرة مثل Microsoft تعمل على توسيع حلولها السحابية والتحليلات المتطورة لتوفير إمكانات الصيانة التنبؤية.

يمكن لخوارزمية DeepMind من Google تحديد إمكانية وجود أورام في خزعة الثدي.

بدءًا من الكاميرات الذكية في المنزل ، والتعرف على وجه الجهاز ، والمركبات غير المأهولة ، والطائرات بدون طيار ، ورؤى الروبوت ، فإن الطلب على اتخاذ القرار في الوقت الفعلي يدفع الأجهزة المتطورة إلى الذكاء الاصطناعي.

الجواب كله خاطئ. يتم إنشاء كل صورة عن طريق شبكات GAN الخاصة بالشبكة التوليدية العدائية.

البحث في التجارة الإلكترونية

لقد خرج الفهم السياقي لمصطلحات البحث من المرحلة "التجريبية" ، ولكن لا يزال أمام التبني الجماعي طريق طويل.

منذ عام 2002 ، تقدمت أمازون بطلب للحصول على 35 براءة اختراع أمريكية تتعلق "بنتائج البحث". وتشمل هذه استخدام الشبكات العصبية التلافيفية "لتحديد مجموعة من العناصر المشابهة لصورة الاستعلام" ، واستخدام التعلم الآلي لتحليل السمات المرئية للصورة ، وإنشاء استعلامات بحث بناءً على ذلك.

يستخدم eBay التعلم الآلي لتحليل أوصاف منتج البائع ، ثم استخدامه للعثور على منتجات مماثلة.

ومع ذلك ، يستخدم العديد من المشترين لغة طبيعية لتقديم استفسارات ، مما يشكل تحديًا لبحث التجارة الإلكترونية. بدأت الشركات الناشئة الناشئة في تزويد تجار التجزئة بتكنولوجيا البحث.

يشمل عملاء شركة ViSenze لبدء البحث عن الصور Uniqlo و Myntra و Rakuten ، إلخ. يتيح للعملاء في المتجر التقاط صور لأشياءهم المفضلة وتحميلها للعثور على نفس المنتجات عبر الإنترنت.

تعمل شركة Twiggle الإسرائيلية الناشئة التي استثمرها علي ، على تطوير واجهة برمجة تطبيقات دلالية تعتمد على محرك بحث للتجارة الإلكترونية للرد على عمليات البحث المحددة للمشترين.

اختبار

شبكة كبسولة

التعلم العميق هو المحرك لمعظم تطبيقات الذكاء الاصطناعي اليوم. ولكن نظرًا لشبكة الكبسولة ، فقد تحتاج هذه التقنية إلى التحسين الآن.

شبكة الكبسولة (CapsNet) هو مفهوم اقترحه جيفري هينتون ، رائد التعلم العميق في 2017-18 ، للتغلب على أوجه القصور في أساليب التعرف على الصور الحالية (بشكل أساسي الشبكة العصبية التلافيفية CNN).

هناك نوعان من هذه العيوب. الأول هو أنه من الصعب تحديد العلاقات المكانية الدقيقة. على سبيل المثال ، في الصورة على اليمين ، على الرغم من تغير الموضع النسبي للفم ، ستظل CNN تتعرف على وجه شخص بالغ.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

والثاني هو عدم القدرة على فهم الكائن من منظور جديد. على سبيل المثال ، تؤدي شبكة الكبسولة في الشكل أدناه أداءً أفضل بكثير من شبكة CNN في تحديد المنظورات المختلفة للعبة نفسها بالسلوكين 1 و 2. تتطلب CNN مجموعة بيانات تدريب أكبر للتعرف على الأشياء في كل اتجاه. تمكن بعض المتسللين من ارتكاب خطأ CNN بين هدف كائنات أخرى من خلال إدخال قدر ضئيل من الضوضاء.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

على الرغم من أن البحث الحالي على شبكة الكبسولة لا يزال في مهده ، إلا أنه قد يشكل تحديًا لأساليب التعرف على الصور الأكثر تقدمًا.

إصلاح الجيل القادم

تظهر الأبحاث المبكرة جدًا ، من خلال الجمع بين علم الأحياء والفيزياء والتعلم الآلي لحل واحدة من أصعب المشاكل في الأطراف الصناعية: الحساسية.

منذ عام 2006 ، استثمرت داربا ملايين الدولارات في التعاون مع جامعة جونز هوبكنز في برنامج الأطراف الصناعية المتقدمة لمساعدة قدامى المحاربين المصابين. لكن ليس من السهل حل هذه المشكلة.

على سبيل المثال ، يتطلب السماح لمبتور الأطراف بتحريك أصابع الطرف الاصطناعي وتحليل إشارات الدماغ والعضلات وراء الحركة التلقائية ، ثم تحويلها إلى تحكم آلي ، معرفة متعددة التخصصات.

في الآونة الأخيرة ، بدأ الباحثون في استخدام التعلم الآلي لفك تشفير الإشارات من أجهزة الاستشعار المزروعة في جسم الإنسان ثم ترجمتها إلى تعليمات لتحريك الأجهزة التعويضية.

مشروع مستمر في مختبر الفيزياء التطبيقية بجامعة جونز هوبكنز هو استخدام "خوارزميات فك التشفير العصبي من خلال" الواجهات العصبية للتحكم في الأطراف الاصطناعية.

في يونيو من العام الماضي ، استخدم باحثون من ألمانيا وإمبريال كوليدج التعلم الآلي لفك تشفير إشارات جذع المبتور والسماح للكمبيوتر بالتحكم في الذراع الآلية.

فكرة أخرى هي استخدام الحلول الوسيطة ، مثل استخدام الإشارات الكهربية لتنشيط الكاميرا ، ثم استخدام خوارزميات الرؤية الحاسوبية لتقدير نوع القابض وحجم الكائن أمامه.

تسجيل التجارب السريرية

أكبر عقبة في التجارب السريرية هي تسجيل بنك المريض المناسب. قد تتمكن Apple من حل هذه المشكلة.

تعد إمكانية التشغيل البيني - أي القدرة على مشاركة المعلومات عبر الوكالات وأنظمة البرامج - واحدة من أكبر المشكلات في مجال الرعاية الصحية ، على الرغم من الجهود المبذولة لرقمنة السجلات الطبية.

تمثل التجارب السريرية مشكلة خاصة في هذا الصدد ، ومواءمة التجربة الصحيحة مع المريض المناسب عملية تستغرق وقتًا طويلاً وتتسم بالتحدي. في الولايات المتحدة وحدها ، يوجد حاليًا 18000 دراسة سريرية تجند المرضى.

الحل المثالي للذكاء الاصطناعي هو استخراج المعلومات ذات الصلة من السجل الطبي للمريض بواسطة برنامج ذكاء اصطناعي ، ومقارنتها بالتجربة الجارية ، ثم تقديم توصيات بحثية مطابقة.

حقق عمالقة التكنولوجيا مثل Apple بعض النجاح في مطابقة خطط المرضى والرعاية الصحية.

منذ عام 2015 ، أطلقت Apple إطارين مفتوحين المصدر - ResearchKit و CareKit - لمساعدة التجارب السريرية على تجنيد المرضى ومراقبة صحة المرضى عن بُعد. تسمح هذه الأطر للباحثين والمطورين بإنشاء تطبيقات طبية لمراقبة حياة الناس اليومية ، وحل الحواجز الجغرافية أمام التسجيل. تعمل Apple أيضًا مع موفري السجلات الطبية الإلكترونية المشهورين لحل مشكلات التشغيل البيني.

في يونيو 2018 ، أطلقت Apple واجهة برمجة تطبيقات Health Records للمطورين. يمكن للمستخدمين الآن اختيار مشاركة البيانات مع تطبيقات الجهات الخارجية والباحثين الطبيين ، مما يفتح فرصًا جديدة لإدارة الأمراض ومراقبة نمط الحياة.

شبكة الخصومة التوليدية (GAN)

أصبحت شبكتان عصبيتان أكثر ذكاءً من بعضهما البعض جيدين جدًا في إنشاء صور واقعية.

هل يمكنك التعرف على أي من الصور التالية مزيفة؟

استخدم باحثو CMU شبكات GAN لتغيير جون أوليفر إلى ستيفن كولبير في تغيير وجه الفيديو "deepfake".

قال الرئيس التنفيذي لشركة Pinduoduo Colin Huang إنه في عام 2017 ... اتخذنا مبادرة لحذف إجمالي 10.7 مليون منتج إشكالي وحظر 40 مليون رابط ... أثارنا قضية الانتهاك ... وعملنا أيضًا مع أكثر من 400 علامة تجارية تعاونية لمكافحة التزوير المنتج.

حلول جديدة قائمة على الذكاء الاصطناعي آخذة في الظهور. على سبيل المثال ، تستخدم Cypheme تقنية الطباعة النافثة للحبر مع أنماط عشوائية ، كل نمط عشوائي فريد ويمكن ربطه بمنتجات قواعد البيانات للتحقق منها. تستخدم Red Points التحقق عبر الإنترنت والتعلم الآلي للعثور على المنتجات المزيفة للعملاء. قامت Entrupy بتطوير مجهر محمول يمكن تثبيته على الهاتف المحمول. عندما يلتقط المستخدم صورة للمنتج ويحمله ، ستقارنه خوارزمية الذكاء الاصطناعي ببيانات المنتج الحقيقية.

استخدم الذكاء الاصطناعي للمساعدة في إنتاج بيانات تركيبية أكثر "واقعية" لتدريب الذكاء الاصطناعي. تستخدم Nvidia ، على سبيل المثال ، شبكات GAN لشبكة الخصومة التوليدية لإنشاء صور التصوير بالرنين المغناطيسي المزيفة لأورام الدماغ المنتقلة. "يمكن أن توفر هذه النتائج حلولاً محتملة لأصعب تحديين يواجههما التعلم الآلي في التصوير الطبي ، وهما انخفاض احتمال اكتشاف الحالات ومشاركة بيانات المريض."

الجواب هو كل شيء. كل هذه تم إنشاؤها بواسطة GAN.

شبكة الخصومة التوليدية هي طريقة للتعلم غير الخاضع للإشراف ، والتعلم من خلال السماح لشبكتين عصبيتين باللعب ضد بعضهما البعض. تم اقتراح هذه الطريقة من قبل الباحث في Google Ian Goodfellow في عام 2014. تتكون شبكة المواجهة التوليدية من شبكة توليد وشبكة تمييزية. تقوم شبكة التوليد بأخذ عينات عشوائية من المساحة الكامنة كمدخلات ، ويحتاج ناتجها إلى تقليد العينات الحقيقية في مجموعة التدريب قدر الإمكان. مدخلات الشبكة المميزة هي العينة الحقيقية أو ناتج شبكة التوليد ، والغرض منها هو التمييز بين ناتج شبكة التوليد والعينات الحقيقية قدر الإمكان. يجب أن تخدع شبكة التوليد شبكة التمييز قدر الإمكان. تواجه الشبكتان بعضهما البعض وتقومان بضبط معلماتهما باستمرار ، والهدف النهائي هو جعل الشبكة التمييزية غير قادرة على الحكم على ما إذا كان ناتج الشبكة المولدة صحيحًا.

التحدي الرئيسي لتوسيع المشاريع واسعة النطاق على غرار GAN هو قوة الحوسبة. استخدم باحثو Google 512 TPUs لإنشاء صورة 512 بكسل في إنشاء "BigGAN". يبلغ استهلاك الطاقة للتجربة حوالي 2450 إلى 4915 كيلو واط في الساعة. هذا يعادل استهلاك الكهرباء لعائلة أمريكية متوسطة لمدة نصف عام.

وإذا أرادت GAN التوسع ، فسيتم أيضًا توسيع أجهزة AI بالتوازي.

بالإضافة إلى التجارب المثيرة للاهتمام ، تمتلك GAN أيضًا استخدامات خطيرة أخرى ، مثل مقاطع الفيديو السياسية المزيفة ومقايضة الوجوه للأعمال الإباحية. مع توسع أبحاث GAN ، لا بد أن تفرض هذه التكنولوجيا تحديات على الأخبار ووسائل الإعلام والفن وأمن الشبكات. لقد غيرت GAN طريقة تدريبنا لخوارزميات الذكاء الاصطناعي.

التعلم الاتحادي

تهدف هذه الطريقة الجديدة إلى حماية الخصوصية أثناء تدريب الذكاء الاصطناعي على بيانات المستخدم الحساسة.

يمكن أن تولد تفاعلاتنا اليومية مع الأجهزة الذكية ثروة من البيانات ، والتي يمكن أن تحسن أداءها بشكل كبير عند استخدامها لتدريب خوارزميات الذكاء الاصطناعي ، مثل التنبؤ بشكل أكثر دقة بالكلمة التي ستدخلها بعد ذلك. لكن بيانات المستخدم هذه ستشمل أيضًا مشكلات الخصوصية الشخصية.

لذلك طرحت Google برنامجًا للتعلم الفيدرالي ، مصممًا لاستخدام مجموعة البيانات الغنية هذه مع حماية البيانات الحساسة. باختصار ، تظل بياناتك في هاتفك ولن يتم إرسالها أو تخزينها على الخادم السحابي. بدلاً من ذلك ، يرسل خادم السحابة أحدث إصدار من الخوارزمية ("الحالة العامة" للخوارزمية) إلى جهاز مستخدم تم اختياره عشوائيًا.

قم بإجراء تحسينات على هاتفك ثم قم بتحديث النموذج بناءً على البيانات المحلية. سيتم إرسال هذا التحديث (والتحديثات من المستخدمين الآخرين) فقط مرة أخرى إلى الخادم السحابي لتحسين "الحالة العامة" ، وبعد ذلك سيتم تكرار هذه العملية.

إن ممارسة تجميع التحديثات الفردية ليست جديدة ، كما فعلت الخوارزميات الأخرى بالفعل. الفرق في التعلم الموحد هو أنه يأخذ في الاعتبار خاصيتين مهمتين لمجموعة البيانات:

غير IID: تفترض الخوارزميات الموزعة الأخرى أن البيانات مستقلة وموزعة بشكل متماثل (IID) ، ولكن في الواقع ، البيانات التي تم إنشاؤها بواسطة كل هاتف محمول فريدة من نوعها ، لأن الأشخاص المختلفين يستخدمون عادات مختلفة ، واعتبارات التعلم الفيدرالية لهذا الاختلاف.

عدم التوازن: يكون بعض المستخدمين أكثر نشاطًا في استخدام التطبيق ويقومون بشكل طبيعي بإنشاء المزيد من البيانات. لذلك ، يختلف مقدار بيانات التدريب لكل هاتف محمول.

يدعي Firefox أنه أحد حالات الاستخدام الأولى للتعلم الموحد في مشروع برمجي مهم. عندما يقوم المستخدم بإدخال عنوان URL في المتصفح ، سيستخدم Firefox التعلم الموحد لترتيب توصيات URL.

تستخدم شركة OWKIN الناشئة بالذكاء الاصطناعي التعلم الموحد لحماية بيانات المريض الحساسة. يتيح حلها لمراكز علاج السرطان المختلفة التعاون دون مغادرة بيانات المريض للمنطقة المحلية.

المقايسة الحيوية المتقدمة للرعاية الصحية

بدأ الباحثون في استخدام الشبكات العصبية لدراسة وقياس عوامل الخطر غير النمطية التي كان من الصعب تحديدها في السابق.

يستخدم باحثو Google صور شبكية العين لتدريب شبكة عصبية ، ثم يستخدمون الشبكة العصبية للعثور على عوامل الخطر القلبية الوعائية. وجد بحثه أن شبكية العين لا تستطيع فقط تحديد عوامل الخطر مثل العمر والجنس وعادات التدخين ، ولكن أيضًا تحديد هذه العوامل بدرجة معينة من الدقة.

وبالمثل ، تتعاون Mayo Clinic أيضًا مع Beyond Verbal ، وهي شركة إسرائيلية ناشئة ، للعثور على الخصائص الصوتية الفريدة لمرضى القلب التاجي من خلال تحليل الخصائص الصوتية للصوت. وجدت الدراسة أنه عندما يصف الأشخاص تجربة عاطفية ، هناك سمتان صوتيتان مرتبطان بشدة بمرض القلب التاجي.

وجدت دراسة حديثة أجراها مخطط القلب المبتدئ أنه باستخدام التعلم العميق ، يمكن الكشف عن التغيرات في تقلب معدل ضربات القلب الناجم عن مرض السكري بواسطة مستشعرات معدل ضربات القلب القابلة للارتداء. يمكن أن يصل معدل دقة الكشف إلى 85.

ستستمر قدرة الذكاء الاصطناعي على إيجاد الأنماط في فتح مسارات جديدة لطرق التشخيص الجديدة وتحديد عوامل الخطر غير المعروفة سابقًا.

معالجة المطالبات تلقائيًا

بدأت شركات التأمين والشركات الناشئة في استخدام الذكاء الاصطناعي لحساب "درجة المخاطر" لأصحاب السيارات ، وتحليل صور مشاهد الحوادث ، ومراقبة سلوك السائق.

تستخدم Ant Financial خوارزميات التعلم العميق لمعالجة الصور في "نظام معالجة الحوادث". يمكن الآن القيام بالأشياء التي كان يتم التعامل معها بواسطة أدوات الضبط في الموقع عن طريق المعالجة المتقدمة للصور. يحتاج المالك فقط إلى تحميل صور السيارة إلى Ant Financial ، وستقوم الشبكة العصبية بتحليل الصور وإجراء تقييم الخسارة تلقائيًا.

كما أنشأت آنت فاينانشال ملف مخاطر السائق للتأثير على نموذج تسعير التأمين على السيارات. قدموا ما يسمى "درجة التأمين على السيارات" ، والتي تستخدم التعلم الآلي لحساب درجة مخاطر المالك بناءً على تاريخ الائتمان ، وعادات الاستهلاك ، وعادات القيادة.

تشجع شركة Nexar الناشئة السائقين على استخدام هواتفهم الذكية ككاميرات اندفاعة وتحميل السجلات إلى تطبيق Nexar. فائدة أصحاب السيارات هي أنه يمكنهم الحصول على خصومات على تأمين السيارة.

يستخدم التطبيق الذي يحصل على الفيديو خوارزميات الرؤية الحاسوبية لمراقبة ظروف الطريق وسلوك السائق والحوادث. يوفر التطبيق أيضًا وظيفة "تكرار الحوادث" ويتعاون مع عملاء التأمين لمعالجة المطالبات.

يسمح Start-up Tractable لشركات التأمين بتحميل صور المركبات التالفة وتقديرات أضرار المركبات إلى منصة إدارة المطالبات الخاصة بها. يمكن لوظيفة "مراجعة الذكاء الاصطناعي" مقارنة هذه المواد بآلاف الصور الموجودة في المكتبة ، ثم إجراء تعديلات الأسعار المقابلة.

مكافحة التزوير / مكافحة التزوير

أصبح التعرف على السلع المقلدة أكثر صعوبة ، كما أن التسوق عبر الإنترنت يجعل بيع السلع المقلدة أمرًا مريحًا بشكل غير مسبوق. تحقيقا لهذه الغاية ، بدأ أصحاب العلامات التجارية في استخدام الذكاء الاصطناعي لمحاربة التزييف.

ذكر Pinduoduo "البضائع المقلدة" 11 مرة في التقرير المالي للربع الثالث 2018 ، قائلاً إنه "من الصعب للغاية اتخاذ إجراءات صارمة ضد البضائع المقلدة والتجار غير الشرفاء".

تحارب العلامات التجارية تأثير المنتجات المقلدة على جبهتين:

عبر الإنترنت ، تحتاج إلى تحديد البضائع المخالفة وإزالتها.

في وضع عدم الاتصال بالإنترنت ، من الضروري تحديد المنتجات المقلدة (مثل حقائب اليد الراقية) من zaike.

تستخدم Alibaba التعلم العميق لفحص منصاتها الخاصة باستمرار لاكتشاف انتهاكات IP. يستخدم التعرف على الصور لتأكيد خصائص الصورة ، بالإضافة إلى التعرف الدلالي لمراقبة ما إذا كانت هناك أسماء تجارية أو شعارات في صور المنتجات على الرفوف.

يستخدم المقلدون كلمات رئيسية وصورًا تشبه إلى حد بعيد العلامة التجارية لبيع المنتجات المقلدة. وهم مثل طحلب جلد البقر. بمجرد أن يتم إزالة المنتجات المقلدة من على الرفوف ، سيقومون بتغيير مجموعة من الكلمات الرئيسية وإعادة نشر نفس المنتجات المزيفة.

تستخدم نقاط Red Points الناشئة التعلم الآلي لفحص مواقع الويب بحثًا عن الانتهاكات المحتملة ومعرفة أنماط اختيار الكلمات الرئيسية التي يستخدمها المزورون.

تعد مكافحة التزييف غير المتصلة بالإنترنت أكثر صعوبة وتتطلب المزيد من القوى العاملة.

عندما يبيع البائع أو يرهن حقائب اليد الفاخرة المستعملة ، تتطلب عملية التحقق عادةً خبير تقييم للتحقق شخصيًا من الحرفية والمواد وأنماط غرزة حقيبة اليد.

لكن بعض السلع أ واقعية جدًا بحيث لا يمكن تمييزها بالعين المجردة.

تعاونت Entrupy ، وهي شركة ناشئة ، مع خبراء التقييم لبناء قاعدة بيانات للمنتجات الأصلية والمزيفة لتدريب الخوارزميات لمدة عامين. يستخدمون مجهرًا محمولًا يمكن توصيله بهاتف ذكي للسماح للمستخدمين بالتقاط صور وتحميل صور للأشياء ، ثم تحلل الخوارزمية ما إذا كان لديهم الخصائص المجهرية الفريدة للمنتج الأصلي. ومع ذلك ، فإن هذا النهج له حدود. لأن معظم المنتجات المصنعة وفقًا للمعايير لها خصائص متشابهة (يستخدم المقلدون هذه العمليات أيضًا). وأشياء مثل الرقائق والمواد النانوية غير قابلة للتطبيق.

يستخدم Cypheme طريقة أخرى. تقنية التتبع لمكافحة التزييف القائمة على الذكاء الاصطناعي ، من خلال استخدام ورق خاص كوسيلة لإنتاج الملصقات وإمكانية تتبع المنتج. تدعي الشركة أن هذا الملصق يستخدم تقنية حصرية ولا يمكن نسخه. وحتى إذا كانت التسمية هي الأصل ، إذا لم يكن هناك سجل في قاعدة البيانات ، فسيتم تحديد المنتج على أنه مزيف.

التجزئة الخالية من الصراف

عند دخول المتجر ، والحصول على البضائع ، والخروج ، يبدو الأمر وكأنه سرقة من المتاجر. يمكن للذكاء الاصطناعي أن يجعل ما كان يُعتبر سرقة وتجارة التجزئة الخالية من النقود أكثر شيوعًا.

ألغت Amazon Go تمامًا عملية التسجيل النقدي ، مما سمح للعملاء بالدخول إلى المتجر لالتقاط البضائع والمغادرة. ومع ذلك ، لم تقدم أمازون تفاصيل عن عملياتها المستقبلية وخطط أعمالها ، واكتفت بالقول إنها تستخدم أجهزة الاستشعار والكاميرات ورؤية الكمبيوتر وخوارزميات التعلم العميق لكنها رفضت استخدام تقنية التعرف على الوجوه.

انتهزت الشركات الناشئة مثل Standard Cognition و AiFi الفرصة لتعميم حلول Amazon Go لتجار التجزئة. تتمثل إحدى أكبر التحديات التي تواجه المتاجر الخالية من الصراف في كيفية فرض الرسوم المناسبة على العملاء المناسبين.

Amazon Go هي حالة العمل الناجحة الوحيدة حتى الآن ، ولكن يتم التحكم في العديد من العوامل في هذه الحالة. يمكن فقط لأعضاء Prime دخول المتجر. إذا أراد الآخرون أن يحذوا حذوهم ، فيجب عليهم أولاً إنشاء نظام العضوية الخاص بهم.

حل AiFi هو أنه إذا قمت بتنزيل التطبيق الخاص به ، يمكنك أخذ البضائع والمغادرة. ويمكن لأولئك الذين لا يرغبون في التنزيل فتح سجل نقدي منفصل. ولكن من غير الواضح كيف يجب أن تدعم البنية التحتية للمتجر هذين السيناريوهين.

مشكلة كبيرة أخرى هي فقدان المخزون عند نقطة البيع ، مثل سوء التقدير أو السرقة. تعد كاميرات تسجيل النقد الذكية من Yitu و Toshiba بعضًا من هذه الحلول. لكن مشكلة مكافحة السرقة مرتبطة بنطاق وحجم العمليات. تبلغ مساحة أمازون جو 1800 إلى 3000 قدم مربع فقط ، لكنها تستخدم مئات الكاميرات. تقريبا كل بوصة مغطاة. ومع ذلك ، تحتوي محلات السوبر ماركت التقليدية بشكل عام على 40 ألف قدم مربع أو أكثر ، وتحتاج إلى حل مشكلة كيفية ترتيب الكاميرات لتكون فعالة.

بالإضافة إلى ذلك ، نظرًا للتنوع الكبير في المنتجات ، كيف يمكننا تحديد المتسوق الذي أخذ أي منتج؟ تتطلب هذه أجهزة استشعار الوزن والكاميرات وخوارزميات رؤية الكمبيوتر لتكون قوية بما فيه الكفاية.

تعاونت Standard Cognition مع أكبر تاجر جملة CPG في اليابان ، Bailuda ، وأعلنت أنها ستقوم بتجديد 3000 متجر قبل أولمبياد طوكيو 2020. أفادت التقارير أن AiFi لديها 20 عميل تجزئة.

في المدى القريب ، سيعتمد تطوير هذه التقنية على تكاليف النشر وتكاليف خسارة المخزون ، وما إذا كان بإمكان تجار التجزئة تحمل هذه التكاليف والمخاطر.

أتمتة المكاتب الخلفية

تعمل منظمة العفو الدولية على أتمتة عمل المعاملات ، لكن السمات والصيغ المختلفة للبيانات ستشكل تحديًا لهذا العمل.

الصناعات والتطبيقات المختلفة لها تحديات فريدة خاصة بها. على سبيل المثال ، العديد من التجارب في التجارب السريرية عبارة عن سجلات مكتوبة بخط اليد ثم يتم رقمنتها. لكن غالبًا ما يصعب البحث عن هذا التنسيق ، ويمكن أن تشكل السجلات السريرية المكتوبة بخط اليد تحديات فريدة لمعالجة اللغة الطبيعية. توجد أيضًا مشكلات عند تقييم الضرر وتتبع السبب الجذري للحادث في المعالجة التلقائية لمطالبات التأمين على السيارات.

ومع ذلك ، بدأت القطاعات المختلفة في اعتماد حلول سير العمل القائمة على التعلم الآلي بدرجات متفاوتة. تشير أتمتة العمليات الروبوتية (RPA) عمومًا إلى أتمتة أي عمل معاملات خلفية متكررة ، وكانت مؤخرًا أحد موضوعات الضجيج. ولكن تمامًا مثل الذكاء الاصطناعي ، يتضمن المصطلح محتوى شاملًا ، بدءًا من إدخال البيانات إلى فحوصات الامتثال ومعالجة المعاملات وتدريب العملاء.

بدأت العديد من حلول ML في دمج التعرف على الصور ومعالجة اللغة.

على سبيل المثال ، تعمل WorkFusion على أتمتة العمليات الخلفية مثل فهم العملاء ومكافحة غسيل الأموال. تضم خدمات Unicorn UiPath أكثر من 700 عميل من الشركات ، بما في ذلك DHL و NASA و HP ، إلخ. Automation Anywhere هي شركة يونيكورن أخرى. لدى الشركة حالة من العمل مع بنك عالمي لاستخدام التعلم الآلي لأتمتة إدارة الموارد البشرية. سيقوم برنامج "IQ Robot" باستخراج المعلومات والبيانات النظيفة من النماذج المقدمة في بلدان ولغات متعددة ، ثم إدخالها تلقائيًا في نظام إدارة الموارد البشرية.

ومع ذلك ، لا تزال تقنية RPA في مهدها في العديد من الصناعات ، ولا يزال لدى بعضها الوقت لحل المشكلات الرقمية قبل فرض التحليل التنبئي.

ترجمة اللغة

البرمجة اللغوية العصبية لترجمة اللغة هي تحدٍ وفرصة في السوق يجب استكشافها. الشركات الكبرى تدفع حدودها. تتمتع الترجمة الآلية بفرص تجارية ضخمة في أتمتة المكاتب الخلفية ، ولديها فرص للتطبيق في المنظمات متعددة الجنسيات ، ودعم العملاء ، ووسائل الإعلام الإخبارية.

يتشابه مترجم سماعات الرأس Baidu مع Google Pixel buds ويقال إنه قادر على الترجمة بين 40 لغة في الوقت الفعلي. قدمت بعض الشركات الناشئة ، مثل Unbabel ، أشخاصًا للمشاركة في نظام ترجمة الذاكرة ، بهدف استخدام حلقات التغذية الراجعة لتدريب تحسينات الخوارزمية.

قبل عام ، اقترح Yoshua Bengio بنية شبكة عصبية لتحل محل الطريقة الإحصائية التقليدية. وفي وقت لاحق ، قامت Google بترقية خوارزمية أداة الترجمة من Google. استخدمت Google في الأصل الترجمة الآلية القائمة على العبارات (PBMT) ، واعتمدت أداتها الجديدة حل الترجمة الآلية العصبية (GNMT) ، واقترحت حلاً لمشكلات موارد الوقت والحوسبة التي واجهتها عند تدريب النموذج.

لكن الاختراق الأخير يأتي من Facebook. يقال إن اختراقها يكمن في أن الطريقة السابقة فعالة فقط عند الترجمة بين اللغات ذات الموارد الوفيرة ، ولكن لها قيود في ترجمة بعض اللغات. اقترح Facebook بنية مشتركة لتمثيل الجمل متعددة اللغات يمكنها تعلم 93 لغة. تستخدم البنية برنامج تشفير واحدًا فقط ويمكنها تحقيق الترحيل عبر اللغات دون أي تعديل.

مع استمرار الشركات الكبيرة في استثمار الموارد في تحسين إطار عمل الترجمة ، سيتم أيضًا تحسين كفاءة الترجمة والمهارات اللغوية ، ومن المتوقع أن يتم اعتماد الترجمة الآلية في المزيد من الصناعات.

بيانات التدريب الاصطناعية

تدريب خوارزميات الذكاء الاصطناعي لا ينفصل عن مجموعات بيانات التسمية واسعة النطاق. من المتوقع أن تحل البيانات المزيفة الواقعية مشكلة عنق الزجاجة هذه.

يعتمد أداء خوارزمية الذكاء الاصطناعي على البيانات التي تم الحصول عليها ، ولكن الحصول على البيانات ووضع العلامات عليها لتطبيقات مختلفة هي مهمة تستغرق وقتًا طويلاً ومكلفة ، وهي ليست مجدية (فكر في بيانات الموقف الخطير التي تتطلبها المركبات غير المأهولة).

يمكن لمجموعات البيانات التركيبية حل هذه المشكلة. في مارس 2018 ، أطلقت Nvidia نظام محاكاة DRIVE Constellation من NVIDIA ، مدعية أنه يمكنه اختبار المركبات ذاتية القيادة لقيادة مليارات الأميال بأمان في بيئة الواقع الافتراضي.

على سبيل المثال ، تخيل أن مركبة غير مأهولة تواجه عاصفة رعدية أثناء القيادة. سيعمل حل Nvidia على محاكاة نوع البيانات التي سيولدها مستشعر السيارة (الكاميرا أو LiDAR) في هذه الحالة. يتم بعد ذلك توفير بيانات المستشعر المركبة للكمبيوتر لاتخاذ القرار ، كما لو كنت تقود السيارة بالفعل ، ثم يتم تمرير الأمر مرة أخرى إلى السيارة الافتراضية.

هناك اتجاه ناشئ مثير للاهتمام وهو استخدام الذكاء الاصطناعي نفسه للمساعدة في إنشاء صور اصطناعية "واقعية" لتدريب الذكاء الاصطناعي. على سبيل المثال ، تستخدم Nvidia GAN لتوليد صور MRI وهمية لأورام الدماغ.

يمكن استخدام GAN "لتحسين" بيانات العالم الحقيقي ، مما يعني أنه يمكن تدريب الذكاء الاصطناعي باستخدام بيانات مختلطة من العالم الحقيقي والمحاكاة لتكوين مجموعات بيانات أكبر وأكثر تنوعًا.

الروبوتات هي مجال آخر يستفيد بشكل كبير من البيانات التركيبية عالية الدقة. تعمل الشركات الناشئة في المراحل المبكرة مثل AI.Reverie على تطوير منصات محاكاة لإنشاء مجموعات بيانات لمختلف الصناعات والسيناريوهات.

مع تطور التكنولوجيا وقدرة البيانات التركيبية على محاكاة سيناريوهات العالم الواقعي بشكل أكثر دقة ، من المتوقع أن يصبح هذا حافزًا للشركات الصغيرة التي لا تستطيع الحصول على مجموعات بيانات واسعة النطاق.

التهديد

تعزيز التعلم

من خوارزميات التدريب لهزيمة أبطال العالم في ألعاب الطاولة ، إلى تعليم الألعاب البهلوانية بالذكاء الاصطناعي ، يدفع الباحثون الحدود من خلال التعلم المعزز. ومع ذلك ، فإن الطلب على مجموعات البيانات واسعة النطاق يحد حاليًا من التطبيقات العملية.

اجتذب التعلم المعزز الكثير من اهتمام وسائل الإعلام بسبب برنامج AlphaGo الخاص بـ DeepMind.

باختصار ، الهدف من التعلم المعزز هو ما عليك القيام به من أجل تحقيق أهدافك وتحقيق أقصى عائد؟

ولهذا السبب على وجه التحديد ، فإن التعلم المعزز لديه أفضل تطور في الألعاب ومحاكاة الروبوت. بدأ AlphaGo من DeepMind باستخدام التعلم الخاضع للإشراف (خوارزميات التدريب مع بيانات من لاعبين بشريين آخرين) والتعلم المعزز (AI مع نفسه). ومع ذلك ، فإن AlphaGo Zero اللاحق استخدم التعلم المعزز لتحقيق أداء خارق.

في الآونة الأخيرة ، بدأ باحثون في جامعة كاليفورنيا ، بيركلي في استخدام رؤية الكمبيوتر والتعلم المعزز لتعليم الخوارزميات لتعلم مقاطع فيديو شعوذة على مقاطع فيديو YouTube. بدون الحاجة إلى تحديد الموقف يدويًا ، يمكن لشخصية محاكاة الكمبيوتر تكرار الإجراءات في الفيديو. وأيضًا تطبيق المهارات المكتسبة في بيئة جديدة.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

ومع ذلك ، فإن اعتماد التعلم المعزز يختلف تمامًا عن التعلم الخاضع للإشراف الأكثر شيوعًا. ومع ذلك ، فإن عدد طلبات براءات الاختراع للتعلم المعزز يتزايد باستمرار.

تحسين الشبكة

من تعزيز مشاركة الطيف إلى مراقبة الأصول وحتى تحسين تصميم الهوائي ، بدأ الذكاء الاصطناعي في تغيير الاتصالات. تحسين شبكة الاتصالات عبارة عن مجموعة من التقنيات لتحسين زمن الوصول ، أو الإقراض ، أو التصميم ، أو الهندسة المعمارية. ويتم احتساب أي شيء يعزز تدفق البيانات بطريقة مفيدة. بالنسبة لمقدمي خدمات الاتصال ، سيُترجم التحسين مباشرة إلى تجربة أفضل للعملاء.

بالإضافة إلى قيود النطاق الترددي ، فإن أحد أكبر التحديات التي تواجه الاتصالات هو زمن انتقال الشبكة. تطبيقات مثل AR / VR على الهواتف المحمولة مفيدة فقط عندما يكون وقت الاستجابة منخفضًا للغاية.

حصلت Apple مؤخرًا على براءة اختراع لاستخدام التعلم الآلي لبناء "شبكة متوقعة" ، وتوقع العمليات التي قد تؤديها الأجهزة اللاسلكية مثل الهواتف الذكية في المستقبل ، وذلك لتنزيل حزم البيانات مسبقًا لتقليل زمن الوصول.

تطبيق ناشئ آخر للتعلم الآلي هو تقاسم الطيف. تقاسم الطيف هو الطريقة الحتمية لحل النقص في موارد التردد. تتطلب لجنة الاتصالات الفيدرالية (FCC) مشاركة نطاق التردد 3.5 إلى 3.7 جيجا هرتز من قبل مستخدمين مختلفين. بمعنى آخر ، يمكن للمشغلين الوصول ديناميكيًا إلى الطيف المشترك بناءً على التوافر ، بحيث يمكن تعديل عرض النطاق وفقًا لمتطلبات الشبكة. يمكن للمستخدمين التجاريين الصغار الذين لم يحصلوا على ترخيص طيف مخصص الوصول إليه أيضًا.

توفر شركات مثل Federated Wireless وصولاً آمنًا إلى الطيف الترددي (SAS ، وصول آمن للطيف) لتخصيص الطيف بشكل ديناميكي للمستخدمين من مختلف المستويات لضمان عدم تسببه في حدوث تداخل.

في عام 2018 ، حصلت Federated Wireless على براءة اختراع تستخدم تقنية التعلم الآلي لتصنيف الإشارات اللاسلكية مع إخفاء خصائص الإشارات الفيدرالية لتجنب استغلالها من قبل المتسللين.

تأمل DARPA في التحول في النهاية من SAS إلى نظام آلي يعتمد كليًا على ML. ولهذه الغاية ، أطلقت تحدي التعاون في مجال الطيف الترددي في عام 2016 لتشجيع المشاركين على التوصل إلى طرق تخصيص ديناميكية تعاونية مستقلة للطيف. في عام 2017 ، تم إطلاق أنظمة التعلم الآلي للترددات الراديوية ، على غرار حل Federated Wireless ، تأمل DARPA أيضًا في استخدام ML لتمييز أنواع مختلفة من الإشارات.

يستعد لاعبو الاتصالات أيضًا لدمج الحلول القائمة على الذكاء الاصطناعي في الجيل التالي من تقنية الاتصالات اللاسلكية ، وهو 5G.

استجابةً لظهور عصر الجيل الخامس ، استحوذت شركة Samsung على شركة Zhilabs القائمة على تحليل الشبكة والشبكة القائمة على الذكاء الاصطناعي ، قائلة إن برنامجها سيُستخدم لتحليل حركة مرور المستخدم ، وتصنيف التطبيقات ، وتحسين جودة الخدمة الشاملة.

ترى Qualcomm أن الحوسبة المتطورة للذكاء الاصطناعي هي جزء أساسي من خطتها للجيل الخامس.

بدأت بعض الأوراق البحثية في استكشاف استخدام الشبكات العصبية لتصميم الهوائيات المثلى.

مركبة بدون طيار

على الرغم من أن سوق المركبات غير المأهولة به فرص عمل غير محدودة ، إلا أنه لا يزال من غير الواضح متى سيتم تشغيله آليًا بالكامل. يقاتل عدد كبير من عمالقة التكنولوجيا والشركات الناشئة في هذا المجال.

الأكثر شهرة في هذا المجال هو جوجل. لقد أخذت Waymo زمام المبادرة بالفعل في نشر أسطول تجاري من المركبات غير المأهولة. لم يتلاشى حماس المستثمرين للاستثمار. في العام الماضي ، تلقت شركة Cruise Automation من جنرال موتورز أكثر من مليار دولار من التمويل ، كما جمعت Zoox 500 مليون دولار. وتشمل الشركات الناشئة الأخرى Drive.ai و Pony.ai و Nuro.

زادت الصين بشكل خاص من استثماراتها في المركبات غير المأهولة. في عام 2017 ، أصدرت Baidu Apollo ، وهي منصة مفتوحة للقيادة بدون طيار ، تهدف إلى تجميع الشركاء العالميين معًا وتسريع البحث عن الذكاء الاصطناعي والقيادة بدون طيار من خلال مساهمات اللاعبين الآخرين في النظام البيئي. غيرت علي بابا أيضًا شكوكها ، وأجرت مؤخرًا تجربة قيادة لسيارتها بدون طيار.

وعلى الرغم من وجود شكوك حول مستقبل هذه التكنولوجيا ، لا تزال شركات السيارات تبذل قصارى جهدها. من المتوقع أن يصل السوق إلى 80 مليار دولار أمريكي بحلول عام 2025. من المتوقع أن تصبح بعض الصناعات أول من يأكل سرطان البحر للمركبات غير المأهولة ، مثل مراكز الخدمات اللوجستية وتنفيذ العقود.

تحليل كامل لاتجاهات تطوير الذكاء الاصطناعي في عام 2019

تعتبر اللوجيستيات المؤتمتة - وخاصة التوصيل في الميل الأخير - هي الشغل الشاغل لتجار التجزئة وشركات الوفاء ، وهي أيضًا منطقة من المتوقع أن تكون أول من يتم تشغيلها آليًا بالكامل. يمكن أن تساعد المركبات المستقلة في التعامل مع مشكلة التوصيل الباهظة والشاقة في الميل الأخير (تبلغ التكلفة حوالي ثلث تكلفة التوصيل).

تعد أماكن مثل أريزونا في الولايات المتحدة أكثر ملاءمة لنشر المركبات غير المأهولة وأصبحت مناطق اختبار شائعة. في يونيو 2018 ، بدأت شركة Nuro في مجال الروبوتات بالتعاون مع Kroger ، أكبر متجر متعدد الأقسام في الولايات المتحدة ، لتقديم المتاجر متعددة الأقسام. على عكس روبوتات التوصيل الأخرى ، فإن آلة التوصيل الخاصة بها لا تمشي فقط على الأرصفة ، ولكنها تسافر أيضًا على طرق المجتمع.

في صناعة الفنادق ، تعد دومينوز وبيتزا هت رائدين في اختبار المركبات غير المأهولة. تقوم فورد باختبار تسليم البيتزا والمتاجر والسلع الأخرى في ميامي. بما في ذلك Dominos ، يمتلك شركاؤها أكثر من 70 شركة.

مراقبة المحاصيل

يتم تطوير ثلاثة أنواع من مراقبة المحاصيل في المجال الزراعي: الأرض والجو والفضاء الجغرافي. من المتوقع أن يصل سوق الطائرات بدون طيار المستخدمة في الزراعة الدقيقة إلى 2.9 مليار دولار أمريكي بحلول عام 2021.

يمكن للطائرات بدون طيار أن تقوم برسم خرائط الأرض ، واستخدام التصوير الحراري لمراقبة محتوى الماء ، وتحديد الآفات ، ورش المبيدات. تركز الشركات الناشئة على إضافة طبقة تحليل إلى البيانات التي تم التقاطها بواسطة طائرات بدون طيار تابعة لجهات خارجية.

على سبيل المثال ، يستخدم Taranis طائرة Cessna تابعة لجهة خارجية للقيام بذلك. في العام الماضي ، استحوذت شركة aranis أيضًا على شركة Mavrx Imaging لتكنولوجيا الذكاء الاصطناعي ، والتي طورت تقنية تصوير فائقة الدقة لفحص الأرض ومراقبتها. يستخدم Taranis أيضًا تقنية الذكاء الاصطناعي لتقسيم تصوير الأرض وللمساعدة في تحديد مشاكل المحاصيل المحتملة.

تستخدم شركة تصنيع المعدات الزراعية John Deere أيضًا الذكاء الاصطناعي لإعادة اختراع نفسها. استحوذت على شركة Blue River Technology ، وهي شركة معدات زراعية. يستخدم هذا الأخير رؤية الكمبيوتر لحلول إزالة الأعشاب الضارة والرش الذكية.

ومن المتوقع أن تصبح هذه المراقبة الفردية للمحاصيل معطلاً رئيسياً للزراعة الدقيقة. إذا أصبحت الآلات والمعدات الزراعية الأرضية أكثر ذكاءً من خلال رؤية الكمبيوتر ورش المحاصيل المطلوبة فقط ، فيمكن أن تقلل من الحاجة إلى مبيدات الأعشاب التي تقضي على كل شيء قريب. يعني الرش الدقيق أيضًا تقليل استخدام مبيدات الأعشاب ومبيدات الآفات.

بالإضافة إلى الحقول ، يمكن للرؤية الحاسوبية أيضًا تحليل صور الأقمار الصناعية لتوفير فهم على المستوى الكلي للزراعة الزراعية. على سبيل المثال ، استثمرت كارجيل في مختبرات ديكارت ، التي استخدمت بيانات الأقمار الصناعية لبناء نموذج تنبؤي لمحاصيل مثل فول الصويا والذرة. تعمل DARPA أيضًا مع ديكارت للتنبؤ بسلامة المحاصيل.

مؤقتا

مطاردة التهديد السيبراني

لم يعد الرد على الهجمات الإلكترونية كافياً. يكتسب استخدام التعلم الآلي "للبحث عن" التهديدات زخمًا جيدًا للتطور في أمان الشبكة.

أدى التقدم في قوة الحوسبة والخوارزميات إلى تحويل ما كان في السابق ممكنًا من الناحية النظرية فقط إلى مشكلة أمنية حقيقية. في عام 2018 ، سُرق إجمالي 4.5 بيتابايت من البيانات في جميع أنحاء العالم. هذا بالمقارنة مع 2.6 بيتابايت في عام 2017.

على عكس التطبيقات الصناعية الأخرى للذكاء الاصطناعي ، فإن الدفاع الإلكتروني هو لعبة القط والفأر بين المتسللين وأفراد الأمن. يستخدم كلا الطرفين التطورات في التعلم الآلي للحصول على مزايا.

البحث عن التهديدات هو البحث بنشاط عن الأنشطة الضارة بدلاً من الاستجابة للتحذيرات أو المواقف التخريبية.

يبدأ البحث بافتراض وجود عيوب محتملة في الشبكة ، ثم استخدام أدوات يدوية أو آلية لاختبار الفرضية ، وهي عملية مستمرة ومتكررة. ومع ذلك ، فإن كمية البيانات المتضمنة في أمان الشبكة تجعل التعلم الآلي جزءًا لا يتجزأ من العملية.

ومع ذلك ، على الرغم من أن الشركات المختلفة لديها متطلبات لالتقاط التهديدات ، إلا أنها لا تزال تنتمي إلى اتجاه متخصص نسبيًا. ستكون الشركات الكبيرة التي لديها كميات كبيرة من موارد البيانات أكثر اهتمامًا بهذا الشيء.

على سبيل المثال ، استحوذت Amazon على شركة Sqrrl الناشئة في مطاردة التهديدات لتطوير المنتجات والتقاط المتسللين على حسابات عملاء AWS. تركز شركة ناشئة أخرى في مجال الذكاء الاصطناعي ، وهي Cylance ، أيضًا على مطاردة التهديدات ، والتي استحوذت عليها BlackBerry أيضًا العام الماضي.

كلما اتسعت تغطية الشبكة ، كلما كانت أكثر عرضة للهجمات. قد يكون لصيد التهديد زخمًا أكبر للتطور ، لكن هذا الشيء نفسه يمثل تحديًا أيضًا ، مثل كيفية التعامل مع البيئة الديناميكية المتغيرة وتقليل الإنذارات الكاذبة.

AI للمحادثة

بالنسبة للعديد من الشركات ، أصبحت روبوتات الدردشة مرادفة للذكاء الاصطناعي - لكن الأمل لا يمكنه مواكبة الواقع. دوبلكس ، ميزة الذكاء الاصطناعي للمحادثة من Google ، في ورطة.

يمكن لـ Duplex إجراء مكالمات وإجراء حجوزات للمستخدمين ، ويتواصل مثل الأشخاص. لكن هذا يثير مخاوف أخلاقية ، وتساءل الجميع عما إذا كان يجب على Duplex تعريف نفسه عند التحدث إلى الناس. قامت Google أيضًا بدمج Duplex في هاتفها المحمول الجديد Pixel 3. هذا يجعل هذا الهاتف الذكي قوة للذكاء الاصطناعي ، وهناك أيضًا خيار "فحص المكالمات" الذي يسمح لـ Google Assistant بتصفية مكالمات البريد العشوائي.

استثمرت كل من FAMGA في الولايات المتحدة و BAT في الصين الكثير من الموارد في هذا المجال ، لكن الذكاء الاصطناعي للمحادثة ممكن فقط في مجالات تطبيق معينة في الوقت الحالي. واحدة من أكثر التطبيقات انتشارًا هي خدمة العملاء. تشكل روبوتات الدردشة (ملاحظة: لا تستخدم جميع برامج الروبوت معالجة اللغة الطبيعية) الطبقة الأولى من التفاعل مع المستخدمين ، ثم تقوم بتسليم الاستعلامات إلى الأشخاص لمعالجتها بناءً على درجة التعقيد.

لكن تطبيق الرعاية الصحية والتأمين أكثر صعوبة ، لأن تصنيف هذه المجالات (تحديد مدى إلحاح الموقف) معقد للغاية.

وبالمثل ، يمكن أن يمثل المتسوقون القائمون على المحادثة الصوتية تحديًا كبيرًا بدون إشارات مرئية. على الرغم من أن المحللين والعلامات التجارية لشركة CPG تحدثوا عن التسوق الصوتي باعتباره الشيء الكبير التالي في البيع بالتجزئة ، إلا أن هذا الشيء لم يتم القيام به. بالإضافة إلى تسجيل العناصر الخاصة ، فإنه يفشل في توفير تجربة عملاء رئيسية يمكنها دفع التجارة عبر الإنترنت.

الصحة العقلية هي مجال آخر حيث من المتوقع أن تصبح برامج الدردشة الآلية قوة معطلة. أدت التكلفة العالية لرعاية الصحة العقلية وجاذبية الخدمات في جميع الأحوال الجوية إلى ظهور حقبة جديدة من روبوتات الصحة العقلية القائمة على الذكاء الاصطناعي.

ينصب تركيز الشركات الناشئة في المراحل المبكرة على استخدام العلاج السلوكي المعرفي كامتداد للمحادثة للعديد من تطبيقات تتبع المشاعر ومذكرات الصحة الرقمية. ومع ذلك ، فإن نطاق الصحة النفسية كبير جدًا أيضًا ، حيث أن للأمراض العقلية المختلفة أعراض مختلفة وذاتية في التحليل ، وتتطلب إدراكًا عاطفيًا متقدمًا وتفاعلًا بين الأشخاص.

لذلك على الرغم من مزايا التكلفة والراحة ، سيواجه الذكاء الاصطناعي للمحادثة صعوبات كبيرة في تطبيقات مثل رعاية الصحة العقلية.

إكتشاف عقار

مع ظهور الشركات الناشئة في مجال التكنولوجيا الحيوية للذكاء الاصطناعي ، تسعى شركات الأدوية التقليدية إلى استخدام الشركات الناشئة AI SaaS للحصول على حلول مبتكرة لاكتشاف الأدوية على المدى الطويل.

في عام 2018 ، توصلت شركة Pfizer و XtalPi ، وهي شركة ناشئة في مجال الذكاء الاصطناعي ، إلى شراكة إستراتيجية ، حيث عمل الطرفان معًا للتنبؤ بالخصائص الصيدلانية للجزيئات الصغيرة وتطوير "تصميم عقلاني قائم على الحساب."

أعلنت شركات الأدوية الكبرى مثل Novartis و Sanofi و GlaxoSmithKline و Amgen و Merck جميعًا مؤخرًا عن شراكات مع شركات ناشئة في مجال الذكاء الاصطناعي لاكتشاف أدوية جديدة مرشحة لأمراض تتراوح من الأورام إلى أمراض القلب.

عزز الاهتمام بهذا المجال أيضًا تطوير معاملات الأسهم في الشركات الناشئة لاكتشاف العقاقير بالذكاء الاصطناعي.في عام 2018 ، بلغ عدد المعاملات في الربع الثاني 20 ، وهو ما يعادل عام 2017 بأكمله. تستثمر شركات التكنولوجيا الحيوية AI مثل Recursion Pharmaceuticals في الذكاء الاصطناعي وتطوير الأدوية ، بينما تتعاون شركات الأدوية التقليدية بشكل أساسي مع الشركات الناشئة AI SaaS.

على الرغم من أن العديد من هذه الشركات الناشئة لا تزال في المراحل الأولى من التمويل ، إلا أنها تدعي جميعها أن لديها عملاء لشركات الأدوية. على الرغم من قلة مؤشرات النجاح في مرحلة صياغة الأدوية ، فإن شركات الأدوية تراهن بملايين الدولارات على خوارزميات الذكاء الاصطناعي ، على أمل اكتشاف مرشحين جدد للعلاج وتغيير عملية اكتشاف الأدوية الطويلة.

ابحث في WeChat واتبع الحساب الرسمي "نظام التوصية الذكي" ، المزيد من السلع الجافة في انتظارك.