هوش مصنوعی
هوش مصنوعی به سیستم‌های کامپیوتری اطلاق می‌شود که قادر به انجام وظایفی هستند که به طور سنتی با هوش انسانی مرتبط هستند - مانند پیش‌بینی، شناسایی اشیاء، تفسیر گفتار و تولید زبان طبیعی. سیستم‌های هوش مصنوعی با پردازش حجم عظیمی از داده‌ها و جستجوی الگوهایی برای مدل‌سازی در تصمیم‌گیری‌های خود، یاد می‌گیرند که چگونه این کار را انجام دهند. در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت می‌کنند، تصمیم‌های خوب را تقویت می‌کنند و از تصمیم‌های بد جلوگیری می‌کنند، اما برخی از سیستم‌های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده‌اند.
با گذشت زمان، سیستم‌های هوش مصنوعی عملکرد خود را در انجام وظایف خاص بهبود می‌بخشند و به آنها اجازه می‌دهند با ورودی‌های جدید سازگار شوند و بدون برنامه‌ریزی صریح برای انجام این کار تصمیم‌گیری کنند. در اصل، هوش مصنوعی به ماشین‌ها آموزش می‌دهد که مانند انسان‌ها فکر کنند و یاد بگیرند، با هدف خودکارسازی کار و حل مشکلات به طور موثرتر.
هدف هوش مصنوعی ارائه ماشین‌ها با قابلیت‌های پردازش و تجزیه و تحلیل مشابه انسان‌ها است که هوش مصنوعی را به یک همتای مفید برای مردم در زندگی روزمره تبدیل می‌کند. هوش مصنوعی قادر است داده ها را در مقیاس تفسیر و مرتب کند، مشکلات پیچیده را حل کند و وظایف مختلف را به طور همزمان خودکار کند، که می تواند باعث صرفه جویی در زمان و پر کردن شکاف های عملیاتی از دست رفته توسط انسان شود.
هوش مصنوعی به عنوان پایه ای برای یادگیری کامپیوتر عمل می کند و تقریباً در هر صنعت - از مراقبت های بهداشتی و مالی گرفته تا تولید و آموزش - استفاده می شود و به تصمیم گیری های مبتنی بر داده ها و انجام وظایف تکراری یا محاسباتی فشرده کمک می کند.
بسیاری از فناوری های موجود از هوش مصنوعی برای افزایش قابلیت ها استفاده می کنند. ما آن را در گوشی های هوشمند با دستیارهای هوش مصنوعی، پلتفرم های تجارت الکترونیک با سیستم های توصیه و وسایل نقلیه با توانایی های رانندگی مستقل می بینیم. هوش مصنوعی همچنین با اجرای آزمایشی سیستم‌های تشخیص تقلب به صورت آنلاین و ربات‌ها برای مشاغل خطرناک و همچنین تحقیقات پیشرو در مراقبت‌های بهداشتی و ابتکارات آب و هوایی به محافظت از مردم کمک می‌کند.
با گذشت زمان، سیستم‌های هوش مصنوعی عملکرد خود را در انجام وظایف خاص بهبود می‌بخشند و به آنها اجازه می‌دهند با ورودی‌های جدید سازگار شوند و بدون برنامه‌ریزی صریح برای انجام این کار تصمیم‌گیری کنند. در اصل، هوش مصنوعی به ماشین‌ها آموزش می‌دهد که مانند انسان‌ها فکر کنند و یاد بگیرند، با هدف خودکارسازی کار و حل مشکلات به طور موثرتر.
هدف هوش مصنوعی ارائه ماشین‌ها با قابلیت‌های پردازش و تجزیه و تحلیل مشابه انسان‌ها است که هوش مصنوعی را به یک همتای مفید برای مردم در زندگی روزمره تبدیل می‌کند. هوش مصنوعی قادر است داده ها را در مقیاس تفسیر و مرتب کند، مشکلات پیچیده را حل کند و وظایف مختلف را به طور همزمان خودکار کند، که می تواند باعث صرفه جویی در زمان و پر کردن شکاف های عملیاتی از دست رفته توسط انسان شود.
هوش مصنوعی به عنوان پایه ای برای یادگیری کامپیوتر عمل می کند و تقریباً در هر صنعت - از مراقبت های بهداشتی و مالی گرفته تا تولید و آموزش - استفاده می شود و به تصمیم گیری های مبتنی بر داده ها و انجام وظایف تکراری یا محاسباتی فشرده کمک می کند.
بسیاری از فناوری های موجود از هوش مصنوعی برای افزایش قابلیت ها استفاده می کنند. ما آن را در گوشی های هوشمند با دستیارهای هوش مصنوعی، پلتفرم های تجارت الکترونیک با سیستم های توصیه و وسایل نقلیه با توانایی های رانندگی مستقل می بینیم. هوش مصنوعی همچنین با اجرای آزمایشی سیستم‌های تشخیص تقلب به صورت آنلاین و ربات‌ها برای مشاغل خطرناک و همچنین تحقیقات پیشرو در مراقبت‌های بهداشتی و ابتکارات آب و هوایی به محافظت از مردم کمک می‌کند.
خودروهای خودران ۳
وسایل نقلیه خودران (AVs) از فناوری برای جایگزینی جزئی یا کامل راننده انسان در مسیریابی وسیله نقلیه از مبدأ به مقصد و در عین حال اجتناب از خطرات جاده‌ای و واکنش به شرایط ترافیکی استفاده می‌کنند. انجمن مهندسین خودرو (SAE) به طور گسترده پیشنهاد شده است. سیستم طبقه بندی با شش سطح بر اساس سطح مداخله انسانی. اداره ملی ایمنی ترافیک بزرگراه های ایالات متحده (NHTSA) از این سیستم طبقه بندی استفاده می کند.
تحقیقات AV در دهه ۱۹۸۰ شروع شد، زمانی که دانشگاه ها کار بر روی دو نوع AV را آغاز کردند: یکی که به زیرساخت های جاده ای نیاز داشت و دیگری که نیازی به زیرساخت های جاده ای نداشت. یک دوره ۱۵۰ مایلی آفرود. هیچ وسیله نقلیه ای چالش بزرگ سال ۲۰۰۴ را با موفقیت به پایان رساند، اما پنج تیم این دوره را در سال ۲۰۰۵ به پایان رساندند. در سال ۲۰۰۷، شش تیم سومین چالش دارپا را به پایان رساندند که شامل یک مسیر ۶۰ مایلی بود که در محیط شهری اطاعت می کرد. قوانین ترافیکی عادی. در سال ۲۰۱۵، دانشگاه میشیگان Mcity، اولین مرکز آزمایشی ساخته شده برای وسایل نقلیه خودران را ساخت. در آنجا تحقیقاتی در مورد ایمنی، کارایی، دسترسی و دوام تجاری AVها انجام می‌شود. سیستم‌های هواپیمای بدون سرنشین (UAS) یا پهپادها، برای سرمایه‌گذاری‌های تجاری مانند تحویل بسته در آخرین مایل، حمل و نقل تجهیزات پزشکی، و بازرسی از آنها به کار گرفته می‌شوند. زیرساخت های حیاتی
محدودیت‌ها و موانع متعددی وجود دارد که می‌تواند مانع پذیرش AVها شود، از جمله: نیاز به تقاضای کافی مصرف‌کننده، تضمین امنیت داده‌ها، محافظت در برابر حملات سایبری، مقررات سازگار با عملیات بدون راننده، قوانین مسئولیت حل‌شده، تغییر نگرش و رفتار اجتماعی در مورد بی‌اعتمادی و متعاقب آن. مقاومت در برابر استفاده از AV و توسعه فناوری های AV از نظر اقتصادی مقرون به صرفه.
آب و هوا می تواند بر عملکرد سنسور در AV تأثیر منفی بگذارد و به طور بالقوه مانع پذیرش شود. فورد این مانع را تشخیص داد و در سال ۲۰۱۶ با استفاده از فناوری‌های مناسب برای شرایط آب و هوایی بد، آزمایش‌های AV را در برف در مرکز آزمایش Mcity دانشگاه میشیگان آغاز کرد.
اگرچه بعید است که AVها به تنهایی تأثیر مستقیم قابل توجهی بر مصرف انرژی و انتشار گازهای گلخانه ای داشته باشند، اما زمانی که AVها به طور مؤثر با سایر فناوری ها و مدل های حمل و نقل جدید جفت شوند، اثرات غیرمستقیم و هم افزایی قابل توجهی بر اقتصاد، محیط زیست و جامعه امکان پذیر است. مطالعه نشان داد که وقتی رانندگی با محیط زیست، جوخه‌زنی، اتصال تقاطع‌ها و سرعت‌های سریع‌تر بزرگراه به عنوان اثرات مستقیم وسایل نقلیه متصل و خودکار در نظر گرفته می‌شوند، مصرف انرژی و انتشار گازهای گلخانه‌ای را می‌توان تا ۹ درصد کاهش داد.
تحقیقات AV در دهه ۱۹۸۰ شروع شد، زمانی که دانشگاه ها کار بر روی دو نوع AV را آغاز کردند: یکی که به زیرساخت های جاده ای نیاز داشت و دیگری که نیازی به زیرساخت های جاده ای نداشت. یک دوره ۱۵۰ مایلی آفرود. هیچ وسیله نقلیه ای چالش بزرگ سال ۲۰۰۴ را با موفقیت به پایان رساند، اما پنج تیم این دوره را در سال ۲۰۰۵ به پایان رساندند. در سال ۲۰۰۷، شش تیم سومین چالش دارپا را به پایان رساندند که شامل یک مسیر ۶۰ مایلی بود که در محیط شهری اطاعت می کرد. قوانین ترافیکی عادی. در سال ۲۰۱۵، دانشگاه میشیگان Mcity، اولین مرکز آزمایشی ساخته شده برای وسایل نقلیه خودران را ساخت. در آنجا تحقیقاتی در مورد ایمنی، کارایی، دسترسی و دوام تجاری AVها انجام می‌شود. سیستم‌های هواپیمای بدون سرنشین (UAS) یا پهپادها، برای سرمایه‌گذاری‌های تجاری مانند تحویل بسته در آخرین مایل، حمل و نقل تجهیزات پزشکی، و بازرسی از آنها به کار گرفته می‌شوند. زیرساخت های حیاتی
محدودیت‌ها و موانع متعددی وجود دارد که می‌تواند مانع پذیرش AVها شود، از جمله: نیاز به تقاضای کافی مصرف‌کننده، تضمین امنیت داده‌ها، محافظت در برابر حملات سایبری، مقررات سازگار با عملیات بدون راننده، قوانین مسئولیت حل‌شده، تغییر نگرش و رفتار اجتماعی در مورد بی‌اعتمادی و متعاقب آن. مقاومت در برابر استفاده از AV و توسعه فناوری های AV از نظر اقتصادی مقرون به صرفه.
آب و هوا می تواند بر عملکرد سنسور در AV تأثیر منفی بگذارد و به طور بالقوه مانع پذیرش شود. فورد این مانع را تشخیص داد و در سال ۲۰۱۶ با استفاده از فناوری‌های مناسب برای شرایط آب و هوایی بد، آزمایش‌های AV را در برف در مرکز آزمایش Mcity دانشگاه میشیگان آغاز کرد.
اگرچه بعید است که AVها به تنهایی تأثیر مستقیم قابل توجهی بر مصرف انرژی و انتشار گازهای گلخانه ای داشته باشند، اما زمانی که AVها به طور مؤثر با سایر فناوری ها و مدل های حمل و نقل جدید جفت شوند، اثرات غیرمستقیم و هم افزایی قابل توجهی بر اقتصاد، محیط زیست و جامعه امکان پذیر است. مطالعه نشان داد که وقتی رانندگی با محیط زیست، جوخه‌زنی، اتصال تقاطع‌ها و سرعت‌های سریع‌تر بزرگراه به عنوان اثرات مستقیم وسایل نقلیه متصل و خودکار در نظر گرفته می‌شوند، مصرف انرژی و انتشار گازهای گلخانه‌ای را می‌توان تا ۹ درصد کاهش داد.
پردازش مه ۲
رایانش مه اصطلاحی است که توسط سیسکو معرفی شده است و به گسترش محاسبات ابری به لبه‌ای از شبکه سازمانی اشاره دارد. بنابراین، آن را با نام های Edge Computing یا Fogging نیز می شناسند. عملکرد محاسبات، ذخیره سازی و خدمات شبکه بین دستگاه های نهایی و مراکز داده محاسباتی را تسهیل می کند.
اصطلاح محاسبات مه توسط سیسکو در ژانویه ۲۰۱۴ ابداع شد. این به این دلیل بود که مه به ابرهایی گفته می‌شود که نزدیک به زمین هستند، همانطور که محاسبات مه به گره‌هایی که در نزدیکی گره‌ها در جایی بین میزبان و قرار دارند مربوط می‌شود. ابر در نظر گرفته شده بود که قابلیت های محاسباتی سیستم را به ماشین میزبان نزدیک کند. پس از این که این مورد کمی محبوبیت پیدا کرد، IBM در سال ۲۰۱۵ اصطلاح مشابهی به نام "Edge Computing" را ابداع کرد.
در نهایت، محاسبات مه قابلیت‌های ابری را به لبه شبکه‌ها ارائه می‌کند، کارایی را افزایش می‌دهد، تأخیر را کاهش می‌دهد و قابلیت‌های پردازش داده را بهبود می‌بخشد. این برای تجزیه و تحلیل داده های بلادرنگ، برنامه های کاربردی کم تأخیر مانند اینترنت اشیا و موقعیت هایی که حریم خصوصی و امنیت داده ها حیاتی است، عالی است. در حالی که مقیاس‌پذیری و استفاده از پهنای باند کمتر را فراهم می‌کند، در مدیریت ازدحام داده‌ها و افزایش مصرف انرژی نیز مشکلاتی دارد. محاسبات مه در حال پیشرفت در کاربردهایی مانند نظارت بر مراقبت های بهداشتی، اینترنت اشیاء صنعتی و تجزیه و تحلیل بلادرنگ در صنایع مختلف است.
اصطلاح محاسبات مه توسط سیسکو در ژانویه ۲۰۱۴ ابداع شد. این به این دلیل بود که مه به ابرهایی گفته می‌شود که نزدیک به زمین هستند، همانطور که محاسبات مه به گره‌هایی که در نزدیکی گره‌ها در جایی بین میزبان و قرار دارند مربوط می‌شود. ابر در نظر گرفته شده بود که قابلیت های محاسباتی سیستم را به ماشین میزبان نزدیک کند. پس از این که این مورد کمی محبوبیت پیدا کرد، IBM در سال ۲۰۱۵ اصطلاح مشابهی به نام "Edge Computing" را ابداع کرد.
در نهایت، محاسبات مه قابلیت‌های ابری را به لبه شبکه‌ها ارائه می‌کند، کارایی را افزایش می‌دهد، تأخیر را کاهش می‌دهد و قابلیت‌های پردازش داده را بهبود می‌بخشد. این برای تجزیه و تحلیل داده های بلادرنگ، برنامه های کاربردی کم تأخیر مانند اینترنت اشیا و موقعیت هایی که حریم خصوصی و امنیت داده ها حیاتی است، عالی است. در حالی که مقیاس‌پذیری و استفاده از پهنای باند کمتر را فراهم می‌کند، در مدیریت ازدحام داده‌ها و افزایش مصرف انرژی نیز مشکلاتی دارد. محاسبات مه در حال پیشرفت در کاربردهایی مانند نظارت بر مراقبت های بهداشتی، اینترنت اشیاء صنعتی و تجزیه و تحلیل بلادرنگ در صنایع مختلف است.
2024
, . (2024). KAZE-SAR: SAR image registration using KAZE detector and modified SURF descriptor for tackling speckle noise. IEEE Transactions on Geoscience and Remote Sensing, 60(1), 1-12.
, , , , . (2024). PCTO-SIM: Multiple-point geostatistical modeling using parallel conditional texture optimization. Computers & Geosciences, 102(1), 116-138.