AI: Good or bad? All your artificial intelligence fears, addressed

آیا هوش مصنوعی سبب پیشرفت می شود یا بقای ما را به خطر می اندازد؟

جفری هینتون، محقق برجسته هوش مصنوعی AI که اخیراً گوگل را به دلیل نگرانی در مورد خطرات هوش مصنوعی ترک کرده، ابراز نگرانی کرد که این فناوری ممکن است به زودی از ظرفیت اطلاعاتی مغز انسان بهتر عمل کند و برخی از تهدیدات ناشی از این چت بات‌ها را “بسیار ترسناک” نامید.

به نظر هینتون این چت ربات‌ها می توانند به تنهایی یاد بگیرند و تخصص خود را به اشتراک بگذارند. این بدان معنی است که هر دانش جدیدی که توسط یک نسخه به دست آید به طور خودکار در کل گروه توزیع می شود و این ربات‌های گفتگو را قادر می‌سازد تا دانشی بسیار فراتر از ظرفیت هر فرد را جمع‌آوری کنند.
در ادامه این نگرانی‌ها را عمیق‌تر بررسی کرده و درک کنیم که چقدر از این نگرانی‌ها در دنیای مجازی مشترک است.

سطح فناوری امروز چقدر است؟
یک درک کلی وجود دارد که هوش مصنوعی به احتمال زیاد در چند دهه آینده فوق هوشمند خواهد شد. اما در وضعیت فعلی، هوش مصنوعی صرفا یک ابزار است و توانایی “فکر کردن” را ندارد. امروزه هر چت بات حجم زیادی از داده ها را به اعداد تبدیل می کند و ارقام مورد نیاز را در جواب پرسش برمی‌گرداند.

این می تواند مشکلات پیچیده و بد شکل را در رشته هایی مانند تشخیص تصویر، جستجوی فضای حالات ممکن، ساخت مدل، و پردازش زبان طبیعی را به شیوه‌ای منطقی آسان نماید.

در حال حاضر، هوش مصنوعی که زبان شما را تفسیر می کند، نمی تواند حرکات بعدی شما را پیش بینی کند. اینها دو برنامه مجزا خواهند بود و هوش مصنوعی، در حال حاضر شامل فرآیندهای شناختی عمومی نمی‌شود. ما آنقدر از یک مدل هوش مصنوعی پیشرفته که در داستان‌های علمی تخیلی به تصویر کشیده شده است فاصله داریم که حتی نمی‌دانیم توسعه یک هوش مصنوعی بسیار هوشمند شامل چه چیزهایی می باشد.

در حال حاضر، مدل‌های هوش مصنوعی موجود ما در شرایط خاص مسائل خاصی را مدیریت می‌کنند و آنها اساساً فقط مدل های آماری پیچیده‌ای هستند. اگرچه این فناوری بسیار مؤثر است، اما دلیلی وجود ندارد که باور کنیم ما در حال توسعه یک مدل هوش مصنوعی همه منظوره قدرتمندی می باشیم.

با این حال، این روزها سرمایه زیادی برای نزدیک شدن به یک هوش مصنوعی همه منظوره، چه در دانشگاه و چه در صنعت، صرف می شود، اما هنوز فناوری یک هوش مصنوعی همه منظوره‌ای وجود ندارد.

هوش مصنوعی امروزی قادر به حل معضلات اخلاقی نیست، چون مسائل اخلاقی عقلانی نیستند; آنها ذهنی و منحصر به فرد بوده که در مورد موضوع متفاوتی بحث می کنند. اگر به هوش مصنوعی گفته شود که همه افراد جمعیت X را در یک مکان خاص بِکُشَد در حالی که هیچ آسیبی به اعضای جمعیت Y وارد نشود، بدون تردید این کار را انجام می دهد زیرا اخلاق برای آن تعریف نشده است.

مشکل هوش مصنوعی امروزی

مشکل این رویکرد این است که تنها چیزی که ادراک ما را محدود می کند “یعنی محیط” را نادیده می گیرد. پیچیدگی جهان غیرقابل درک است. فقط به این دلیل که ما یک سیستم هوش مصنوعی بسیار تخصصی داریم به این معنی نیست که هوش مصنوعی در همه چیز متخصص خواهد بود.

این فرض ضمنی وجود دارد که اخلاق چیزی است که با باهوش‌تر شدن آن را از دست می‌دهیم، اما این هنوز خیلی دور از واقعیت است. در واقع، اخلاق یک حکمت رایج در بین ما است که همیشه در حال تکامل بوده و روشی برای مقابله با پیچیدگی‌های مسائل جهانی می باشد.

هوش مصنوعی در حال حاضر انگیزه‌های اقتصادی زیادی برای توسعه دارد و میلیاردها دلار برای تحقیقات در طیف گسترده‌ای از برنامه‌های هوشمند توسط سازمان‌های خصوصی و دولتی هزینه می‌شود، بنابراین می توان گفت که نا دیده گرفتن پیشرفت سریع در چند دهه آینده احمقانه خواهد بود.

با این حال، اکثر صنایع در حال حاضر بر روی هوش مصنوعی مورد نیاز آنها در یک راستای مشخصی متمرکز شده‌اند، که اغلب شامل ترکیب چندین هوش مصنوعی جداگانه با هم می باشد که هر کدام می توانند فقط یک کار خاصی را به خوبی انجام دهند و فراگیر نمی باشند.

سوال اصلی – هوش مصنوعی: خوب یا بد؟

توسعه هوش مصنوعی بسته به شرایط مختلف اغلب به عنوان تهدید و یا فرصت برای انسان ها تلقی می شود.

از یک طرف، نگرانی‌هایی در مورد خطرات احتمالی هوش مصنوعی وجود دارد، که این موارد شامل جابجایی و یا از دست دادن مشاغل، نگرانی‌های مربوط به حریم خصوصی و امنیتی، سوگیری الگوریتمی “خطاهای سیستماتیک و قابل تکرار در یک سیستم کامپیوتری را توصیف می کند که نتایج -ناعادلانه- ایجاد می کند” و در نهایت امکان دارد که تمرکز قدرت در دست چند فرد یا سازمان قرار گیرد، بنابراین اگر این خطرات به درستی مدیریت نشوند، ممکن است اثرات شدیدی را برای مردم، جامعه و رفاه عمومی بشریت داشته باشند.

با این حال، نمی توان مزایای هوش مصنوعی را کم اهمیت دانست، زیرا این فناوری می‌تواند بهره‌وری را افزایش داده و نوآوری ایجاد کند، مراقبت‌های بهداشتی و روند رشد علم را پیش برده و نگرانی‌های اجتماعی دشوار را برطرف کند.

هوش مصنوعی این پتانسیل را دارد که استعدادهای انسان را تقویت کرده و کارهای یکنواخت را خودکار ساخته و به ما امکان قضاوت آگاهانه تری را بدهد و همچنین فرصت‌هایی برای پیشرفت در صنایع مختلف از جمله آموزش، حمل و نقل، کشاورزی و غیره را فراهم سازد.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference

AI is coming for your job - What industries will be affected

هوش مصنوعی برای جایگزینی شغل شما می آید، چه کارهایی تحت تأثیر قرار خواهند گرفت؟

طبق گفته Accenture، 40 درصد از ساعات کاری در صنایع مختلف ممکن است به دلیل پیشرفت ابزارهایی مانند ChatGPT، با هوش مصنوعی جایگزین شوند. هوش مصنوعی AI در سال‌های اخیر با سرعت بی‌سابقه‌ای در حال رشد بوده و در حال ادغام شدن با طیف وسیعی از صنایع است. اما رشد سریع آن باعث نگرانی در مورد از دست رفتن مشاغل بسیاری شده است، زیرا درصد بالایی از وظایفی که قبلا توسط انسان ها انجام می شده به زودی توسط هوش مصنوعی خودکار خواهند شد. به عنوان مثال، مدیرعامل IBM “آرویند کریشنا” در یکم ماه می به بلومبرگ گفت که 7800 شغل در این شرکت می تواند با هوش مصنوعی و اتوماسیون در پنج سال آینده جایگزین شود که هم اکنون تقریباً 30 درصد از نیروی کار IBM را تشکیل می دهد. در حالی که هوش مصنوعی پتانسیل بهبود کارایی، افزایش بهره‌وری و کاهش هزینه‌ها را دارد، پیشرفت‌های سریع و بزرگی که در ابزارهای هوشمند مانند ChatGPT-4 مشاهده می‌شود “نسبت به نسخه قبلی خود ChatGPT-3.5” بسیاری از مردم را نگران کرده که شاید به زودی یکی از این ابزارها جایگزین شغل آنها شود. ChatGPT و دیگر مدل‌های زبان بزرگ (LLM) می‌توانند از قبل برای تکمیل انواع وظایف، مانند تولید کد قرارداد هوشمند، مدیریت جوامع، تجزیه و تحلیل بازار و موارد دیگری استفاده شوند. یک گزارش تحقیقاتی از شرکت خدمات حرفه‌ای Accenture که در ماه مارس منتشر شد، به “محبوبیت انفجاری” ChatGPT به عنوان “اولین نقطه عطف واقعی در پذیرش عمومی هوش مصنوعی” اشاره کرده و افزود: “تقریباً همه مشاغل را تحت تأثیر قرار خواهد داد و برخی را نیز حذف خواهد کرد، بسیاری از حرفه‌ها تغییر خواهند کرد و بسیاری از مشاغل جدید نیز ایجاد خواهند شد.” تحقیقات Accenture نشان داد که 40٪ از ساعات کاری در صنایع مختلف می تواند تحت تأثیر این مدل‌های زبان بزرگ LLM قرار گیرد و بانکداری را به عنوان صنعتی که احتمالاً تحت تأثیر بسیار قرار می گیرد شناسایی کرده است، زیرا بانکداری با 54٪ و پس از آن صنعت بیمه با 48% دارای وظایفی هستند که پتانسیلی بالایی برای اتوماسیون خودکار دارا می باشند. جایگزینی و یا ترکیب شدن از دکتر گری مارکوس، کارآفرین هوش مصنوعی و نویسنده کتاب “ساختن هوش مصنوعی که بتوان به آن اعتماد کرد Rebooting AI” پرسیده شد، که نظر او در مورد تأثیر هوش مصنوعی بر صنایع مختلف چیست. به نظر مارکوس ممکن است بیشترین خطر را برای هنرمندان تجاری داشته باشد، به طور کلی این هنرمندان به برندسازی، طراحی لوگوها، تبلیغات و طراحی گرافیک اشتغال دارند، بنابراین وی عمدتاً فقط به هنری اشاره دارد که برای اهداف تجاری استفاده می شود. این هنر تجاری با هنرهای زیبا مانند نقاشی‌، مجسمه‌سازی و عکاسی متمایز است و احتمال بیشتری وجود دارد که آثار هنرمندان هنرهای زیبا در موزه‌های هنری مانند لوور نمایش داده شود و بر پایه شناخت امروز از هوش مصنوعی خلق این هنر برای هوش مصنوعی بسیار دشوار است. مارکوس چشم انداز، از دست دادن شغل در کوتاه مدت را کم اهمیت جلوه داده و خاطرنشان کرده است که “در بسیاری از موارد در آینده افراد حداقل برای چندین سال با ماشین‌ها کار خواهند کرد.” وقتی از مارکوس پرسیده شد که چگونه مردم می‌توانند مطمئن باشند که شغل آنها در آینده با هوش مصنوعی جایگزین نخواهد شد، پاسخ داد: «بی گمان جواب درست به این سئوال سخت است، اما من فکر می‌کنم که مهارت‌های خلاق حل مسئله و تفکر انتقادی خوب برای مدت طولانی ارزشمند باقی خواهند ماند.» شایان توجه است که مجمع جهانی اقتصاد (WEF) نیز چشم انداز از دست دادن شغل به دلیل هوش مصنوعی را به دقت تحت نظر قرار داده است. این مجمع «گزارش آینده مشاغل 2023» را در 30 آوریل منتشر کرده، که پیش‌بینی می‌کند: نقش‌های منشی یا کارمندی مانند صندوقدار بانک و کارمندان ورود داده‌ها بیشترین ضربه را خواهند خورد. این گزارش با تکرار گفته‌های مارکوس نشان داد که مهارت‌های سطح بالاتر مانند تفکر تحلیلی و خلاق بیشترین تقاضا را در طول پنج سال آینده خواهد داشت و خاطرنشان کرد که استراتژی شماره یک برای شرکت‌هایی با بیش از 50000 کارمند، آموزش کارمندان برای استفاده موثر از ابزارهای هوش مصنوعی می باشد. ایجاد شغل از طریق هوش مصنوعی در حالی که گزارش مجمع جهانی اقتصاد نشان می‌دهد که هوش مصنوعی احتمالاً جایگزین بسیاری از مشاغل خواهد شد، اما به این نکته هم اشاره می کند که باعث ایجاد شغل‌های جدیدی نیز می‌شود و صرفاً می توان گفت که این فناوری به یک روند کلی به سمت اتوماسیون کمک می‌کند. Accenture در گزارش خود ادعاهای مشابهی را مطرح کرده و تأکید کرد که بسیاری از “وظایف کلامی” توانایی خودکار شدن توسط LLMها را دارند، بنابراین می توانند “از طریق تقویت و اتوماسیون به فعالیت‌های سازنده‌تری تبدیل شوند.” یک مقاله کاری که در ۲۷ مارس توسط OpenAI خالق ChatGPT و محققان دانشگاه پنسیلوانیا منتشر شد، نشان می‌دهد که بعید است در آینده‌ای نزدیک حرفه‌های عملی مانند آشپز، مکانیک و سنگ‌تراش با ابزارهای هوش مصنوعی جایگزین شوند. سپس این مقاله پیش‌بینی کرد که مشاغلی که با اطلاعات سروکار دارند و یا پردازش داده انجام می دهند و همچنین مشاغلی که در صنعت مراقبت‌های بهداشتی می‌باشند، بیشتر در معرض خطر اتوماسیون هستند، زیرا مهارت‌های برنامه‌نویسی و نوشتن راهکار درمانی با قابلیت‌های فناوری LLM مانند ChatGPT همخوانی دارد. در حالی که صنعت بهداشت و درمان همچنان به افراد زیادی برای نقش‌های عملی‌تر مانند پرستار و جراح نیاز دارد، پزشکان به طور فزاینده‌ای از هوش مصنوعی برای تجزیه و تحلیل داده‌های بیماران استفاده می‌کنند، بنابراین بسیاری از کارکنان مراقبت‌های بهداشتی که در تجزیه و تحلیل داده‌ها نقش دارند، می‌توانند نقش‌های خود را خودکار کنند. در مجموع، به نظر می‌رسد که اتفاق نظر وجود دارد که منشی و سایر نقش‌های کارمندی / اداری بیشترین تأثیر را در چند سال آینده خواهند داشت و افرادی که می‌توانند مهارت‌های تفکر خلاق و تفکر تحلیلی خود را تقویت کرده و همچنین در استفاده از ابزارهای هوش مصنوعی برای تقویت قابلیتهای خود مهارت کسب کنند، این قابلیت آنها بهترین فرصت ممکن برای جایگزین نشدن را به آنها خواهد داد. سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد. Click for reference 
UK reviews AI development: It can ‘drive substantial economic growth’

توسعه هوش مصنوعی می تواند “رشد اقتصادی قابل توجهی ایجاد کند”

در 4 مه سازمان رقابت و بازار بریتانیا CMA گفت که توسعه، استقرار و تأثیر اجتماعی هوش مصنوعی را در دست بررسی دارد و به دنبال توسعه و استقرار مدل‌های پایه برای برنامه‌های هوشمند مانند ChatGPT است تا برخلاف این اصول کلیدی که شامل ایمنی، شفافیت، انصاف و مسئولیت پذیری و غیره می باشند، رفتار نکنند.

سارا کاردل، مدیر اجرایی CMA، اظهار داشت که از زمانی که ابزارهای هوش مصنوعی در حوزه عمومی فراگیر شدند، قانون گذاران نیز به آن توجه می کنند.

“این یک فناوری است که با سرعت در حال توسعه می باشد و این پتانسیل را دارد که نحوه رقابت مشاغل را تغییر داده و همچنین رشد اقتصادی قابل توجهی را به همراه داشته باشد.”

او ادامه داد: «ضروری» است که کسب‌وکارها و مصرف‌کنندگان در بریتانیا به مزایای بالقوه فناوری‌های هوش مصنوعی دسترسی داشته باشند و این در حالی است که باید در برابر اطلاعات جعلی تولید شده نیز محافظت ‌شوند. شایان توجه است که این گونه اطلاعات جعلی تولید شده توسط هوش مصنوعی قبلاً شروع به انتشار گسترده‌ای در وب کرده، که تا کنون منجر به شکایت‌های قضایی زیادی شده است.

در این بررسی اولیه مدل‌های پایه هوش مصنوعی و استفاده از آنها در بازار رقابتی بررسی شده و قانونگذار قصد دارد که بر نحوه گسترش و ارائه این فرصت‌ها، به همراه خطرات ممکن آن برای رقابت بین کالاها و امکان پایمال شدن حقوق مصرف کنندگان نظارت داشته باشد.

به گفته سازمان رقابت و بازار بریتانیا، هدف این سازمان کمک به این فناوری است تا به روش‌هایی توسعه یابد که “بازار باز، رقابتی و حمایت موثر از مصرف کننده در آن تضمین شده باشد.”

بعلاوه، این بازبینی به منظور تولید «اصول راهنما» برای حمایت از مصرف‌کنندگان و گسترش رقابت سالم با توسعه فناوری‌های هوش مصنوعی است و گزارشی در مورد این یافته‌ها قرار است در سپتامبر 2023 منتشر شود.

این اعلامیه به دنبال انتشار نقشه راه می باشد که از سوی دولت بریتانیا در مارس 2023 در مورد هوش مصنوعی منتشر شده بود و همچنین در 25 آوریل، نخست وزیر بریتانیا و وزیر فناوری، بودجه 100 میلیون پوندی (معادل 124.8 میلیون دلار) را برای حمایت از کارگروهی ویژه برای تسریع آمادگی این کشور برای پذیرش هوش مصنوعی را فاش کرده بودند.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.
Click for reference

5 real-world applications of natural language processing (NLP)

پنج کاربرد پردازش زبان طبیعی در دنیای واقعی

پردازش زبان طبیعی (NLP) یک زمینه مطالعاتی است که بر روی توانمندسازی رایانه‌ها برای درک و تفسیر درستی از زبان انسان تمرکز دارد. NLP شامل استفاده از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و پردازش داده‌های زبان طبیعی انسان، مانند متن یا گفتار می باشد.

فناوری NLP اخیراً در تعدادی از کاربردهای عملی، از جمله تجزیه و تحلیل احساسات، ربات‌های گفتگوگر و تشخیص گفتار استفاده شده، که در طیف گسترده ای از مشاغل در بخش‌های خودکارسازی سیستم‌های مراقبت از مشتری، افزایش ابتکارات بازاریابی و بهبود پیشنهادات محصول کاربرد فراوانی پیدا کرده است.

به طور خاص، این مقاله به پنج نمونه از NLP در دنیای واقعی با عناوین تجزیه و تحلیل احساسات، ربات‌های گفتگو، ترجمه ماشینی، خلاصه‌سازی متن و تشخیص گفتار توجه دارد.

این برنامه‌ها پتانسیل ایجاد انقلابی را در نحوه برقراری ارتباط با فناوری دارند، که می تواند آن را طبیعی‌تر، بصری‌تر و کاربرپسندتر ‌کند.

تحلیل احساسات

NLP می تواند برای تجزیه و تحلیل داده های متنی برای تعیین احساسات نویسنده دیدگاهی در مورد یک محصول، خدمات و یا نام تجاری خاص استفاده شود، که از آن می توان در برنامه هایی مانند نظارت بر رسانه های اجتماعی، تجزیه و تحلیل بازخورد مشتری و تحقیقات بازار استفاده کرد.

یکی از کاربردهای رایج NLP تجزیه و تحلیل احساسات بازار سهام است که در آن سرمایه گذاران و معامله گران احساسات رسانه های اجتماعی را در مورد یک سهام یا بازار خاص بررسی می کنند. برای مثال، یک سرمایه‌گذار می‌تواند از NLP برای بررسی توییت‌ها یا اخبار مربوط به یک سهام خاص استفاده کرده تا نگرش کلی بازار نسبت به آن سهام را مشخص کند. سرمایه گذاران می توانند با مطالعه اصطلاحات استفاده شده در این منابع، تشخیص دهند که آیا این منابع در مورد سهام نظرات مثبت یا منفی را ابراز می کنند.

با ارائه اطلاعات در مورد احساسات بازار و در صورت لزوم امکان دادن به سرمایه گذاران برای اصلاح استراتژی های خود، این بررسی احساسات می تواند به سرمایه گذاران در اتخاذ تصمیمات سرمایه گذاری آگاهانه تر کمک کند. به عنوان مثال، اگر سهامی احساسات مثبت زیادی دریافت کند، یک سرمایه گذار ممکن است به خرید سهام بیشتری فکر کند، در حالی که احساسات منفی ممکن است باعث شود که آنها را فروخته و یا دستور خریدی را متوقف کند.

چت بات ها

از NLP می توان برای ساخت رابط‌های مکالمه “چت بات” استفاده کرد، که توانایی فهم و پاسخ به پرس و جوهای زبان طبیعی را دارا باشد. از جمله کاربردهای آن می توان به سیستم‌های پشتیبانی از مشتری، دستیاران مجازی و سایر برنامه‌هایی که نیاز به تعامل انسان‌مانند دارند، اشاره کرد.

یک ربات چت مانند ChatGPT می تواند به سؤالات مشتریان در مورد حساب، تاریخچه تراکنش ها و سایر سؤالات مالی کمک کند، این گونه چت بات ممکن است توسط یک مؤسسه مالی و با استفاده از فناوری NLP ایجاد شود و به لطف توانایی ربات چت در درک و پاسخ به سوالات زبان طبیعی، مشتریان می توانند به راحتی اطلاعات مورد نیاز خود را به دست آورند.

ترجمه ماشینی

NLP می تواند برای ترجمه متن از یک زبان به زبان دیگری استفاده گردد. از این فناوری هم اکنون در برنامه هایی مانند Google Translate، Skype Translator و سایر خدمات ترجمه زبان استفاده می شود.

به طور مشابه، یک شرکت چند ملیتی ممکن است از NLP برای ترجمه توضیحات محصول و متون بازاریابی خود از زبان اصلی به زبان های بازارهای هدف استفاده کند. این ویژگی به شرکت‌ها اجازه می دهد تا به طور مؤثرتری با مشتریان و مشتریان بالقوه خود در مناطق مختلف ارتباط برقرار کنند.

خلاصه سازی متن

از NLP می توان برای خلاصه کردن اسناد و مقالات طولانی و اخبار به نسخه های کوتاه و مختصر استفاده کرد و خوانندگان بدون نیاز به خواندن کل مقاله، می توانند بلافاصله خلاصه ای از اطلاعات و یا اخبار را به لطف خلاصه سازی متن دریافت کنند، که امروزه در برنامه‌هایی مانند خدمات جمع‌آوری اخبار، خلاصه مقالات پژوهشی و سایر خدمات مدیریت محتوا استفاده می‌شود.

تشخیص گفتار

برای تبدیل زبان گفتاری به متن می توان از NLP استفاده کرد که امکان رابط های مبتنی بر صدا و دیکته را فراهم می کند. این در برنامه هایی مانند دستیارهای مجازی، خدمات رونویسی گفتار به متن و سایر برنامه های کاربردی مبتنی بر صدا استفاده می شود.

دستیارهای مجازی، مانند الکسای آمازون یا دستیار گوگل، از NLP برای درک دستورالعمل های گفتاری و پاسخ به سوالات زبان طبیعی استفاده می کنند، که به جای تایپ کردن دستورات یا پرس و جوها، اکنون کاربران می توانند با صحبت کردن با این دستیارها ارتباط بر قرار کنند.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference

ChatGPT Can Accurately Predict Stock Movements Based on Article Headlines

آیا چت جی‌پی‌تی می تواند حرکت سهام را به طور دقیق پیش بینی کند!

این روزها هوش مصنوعی صنایع مختلفی را متحول کرده است، که یکی از آخرین پیشرفت‌های آن توانایی ویژه ابزار جدید هوش مصنوعی “چت جی‌پی‌تی ChatGPT” در پیش بینی حرکت سهام است. قابلیت‌های چت جی‌پی‌تی مورد توجه بسیاری قرار گرفته که توجیه کننده هیجان پیرامون این فناوری می‌باشد. این ابزار هوش مصنوعی به سرعت در زمینه‌های مختلف از جمله پاسخ دادن به سئوالهای امتحانی پیشرفت کرده و هم اکنون می تواند تهدیدی بالقوه برای چندی از مشاغل باشد.

بر اساس گزارش بلومبرگ، چت جی‌پی‌تی اکنون می تواند سرنوشت سهام را بر اساس سرفصل مقالات موجود بر روی اینترنت پیش بینی کند. این ربات چت از دو روش برای تعیین جهت بازار استفاده می کند، نخست می تواند تشخیص دهد که آیا عناوین مقالات مربوط به سهام مطلوب یا نامطلوب هستند و سپس ارزیابی کند که آیا اظهارات فدرال رزرو تهاجمی یا ملایم می باشد. این ربات چت از هر دو آزمایش سر افراز بیرون آمده و مشخص کرده که تا چه مقدار متن مقالات خبری، توییت‌ها و حتی سخنرانی‌ها می‌توانند به سیگنال‌های تجاری تبدیل شوند.

آلخاندرو لوپز-لیرا و یوهوا تانگ از دانشگاه فلوریدا چت جی‌پی‌تی را ترغیب کردند تا در یکی از مطالعات به عنوان یک متخصص مالی ظاهر شود. سپس از این ربات چت خواستند تا مقالات و اخبار تجاری اواخر سال 2021 را تجزیه و تحلیل کند، زیرا داده‌های آموزشی این چت بات اطلاعات پس از آن زمان را پوشش نمی‌دهد. این مطالعه رابطه آماری بین حرکات آتی سهام و پاسخ های ارائه شده توسط چت جی‌پی‌تی را کشف کرد و نشان داد که این فناوری توانسته اهمیت اخبار را به درستی درک کند.

در حالی که استفاده از مدل‌های زبانی زیربنای ربات‌های چت بوده که توانسته هدایت چندین استراتژی بصورت هم زمان را فراهم آورند، اما استفاده از این فناوری در وال استریت چیز جدیدی نیست، و نتایج نشان می‌دهد که فناوری OpenAI اکنون می‌تواند ظرافت و عمق عملکرد آن را با درجه بالاتری نسبت به گذشته درک کند. اسلاوی مارینوف، رئیس یادگیری ماشین در “Man AHL” به همین موضوع اشاره کرده و گفت: “این یکی از موارد نادری است که تبلیغات واقعت را بیان می کند.”

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference

Universal Music Group tells streaming services to block AI-generated music

گروه موسیقی یونیورسال، نه به موسیقی‌هایی که توسط هوش مصنوعی تولید شده‌اند!

با توجه به افزایش محتوای تولید شده توسط هوش مصنوعی، گروه موسیقی یونیورسال از سرویس‌‎های پخش موسیقی مانند Spotify و Apple Music در خواست کرده تا از انتشار هر گونه موسیقی تولید شده توسط هوش مصنوعی پرهیز کنند.

طبق گزارشی از فایننشال تایمز در 13 آوریل، گروه موسیقی یونیورسال (UMG) به جمع گفتگو در مورد این فناوری نوظهور پیوسته و این شرکت جزو آن دسته از شرکت‌های صنعت سرگرمی می باشد که نگرانی‌های خود را در مورد پیامدهای بالقوه تجاوز به حریم خصوصی و حق چاپ توسط این فناوری جدید را بیان ‌کرده و با گرفتن موضع قاطع UMG در این مورد، واضح است که صنعت موسیقی رویکردی فعالانه تری برای محافظت از منافع خود در عصر اختلال دیجیتال اتخاذ خواهد کرد.
یکی از کاربران توییتر اخیرا آهنگی را منتشر کرده که توسط نسخه هوش مصنوعی با الهام از خواننده رپ معروف Jay-Z ساخته شده است. در کمال تعجب بسیار، آهنگ تولید شده توسط هوش مصنوعی تقریباً از آهنگ واقعی قابل تشخیص نیست. یکی از طرفداران Jay-Z، اعتراف کرده که از آهنگ لذت برده است، اما مطمئن نیست که آیا باید احساس خوبی داشته باشد یا شرمنده باشد که موسیقی هوش مصنوعی را دوست دارد. این یک پیشرفت جالب در هوش مصنوعی و موسیقی است و به نظر می رسد که موسیقی تولید شده توسط هوش مصنوعی ممکن است به زودی از موسیقی ساخته شده توسط افراد واقعی قابل تشخیص نباشد.

گروه موسیقی یونیورسال نگرانی خود در مورد استفاده از ربات های هوش مصنوعی برای ایجاد موسیقی مشابه با هنرمندان واقعی ابراز کرده است. شایان ذکر است که تا کنون، ربات‌های هوش مصنوعی به کاتالوگ‌های موسیقی در پلتفرم‌های استریم دسترسی داشته و توسعه‌دهندگان آنها از این دسترسی برای آموزش این فناوری استفاده می‌کردند. بر اساس این گزارش، UMG به طور فزاینده‌ای نگران این است که ربات‌های هوش مصنوعی از مالکیت معنوی برای تولید موسیقی با کیفیتی برابر با هنرمندان واقعی استفاده ‌کنند. این خبر نکته جالبی را مطرح می‌کند که آیا خلاقیت‌های هوش مصنوعی به زودی با موسیقی ساخته‌شده توسط هنرمندان واقعی رقابت خواهد بو و یا خیر، و چگونه ممکن است بر این صنعت تأثیر بگذارد.

به گفته یک منبع نزدیک به این موضوع، عرضه نسل جدید فناوری باعث نگرانی شده است. این منبع که مایل است ناشناس بماند، معتقد است که ظهور این فناوری می تواند “مشکلات مهمی” را ایجاد کند و هشدار داد که نباید آنها را دست کم گرفت.

کارشناسان در بیانیه اخیر خود پیشنهاد کرده‌اند که می‌توان از هوش مصنوعی برای ساخت آهنگی با سبک شعر تیلور سوئیفت “ستاره پاپ” که با عناصر آواز و تم موسیقی‌دانان محبوب دیگر مانند برونو مارس و هری استایلز ترکیب شده است، استفاده کرد. این ایده با جزئیات بیشتری مورد بررسی قرار گرفته و کارشناسان ادعا کردند که می‌توان از هوش مصنوعی خواست که آهنگی بسازد که بتواند این عناصر مختلف را با موفقیت ترکیب کرده و صدایی واقعا منحصر به فرد ایجاد کند و نتیجه ای که به دست می آورد به این دلیل است که هوش مصنوعی بوسیله مالکیت معنوی آن هنرمندان آموزش دیده است.

گروه موسیقی یونیورسال موضعی قاطعانه به نفع هنرمندان اتخاذ کرده و در ایمیلی پیامی واضح به سرویس‌های استریم ارسال ‌کرده است “ما در انجام اقدامات لازم برای محافظت از حقوق خود و هنرمندانمان تردید نخواهیم کرد” و ادامه داد که رفاه هنرمندانش در درجه اول اهمیت است و رویکردی فعالانه برای اطمینان از رعایت حقوق آنها پیش خواهد گرفت.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference

Elon Musk reportedly buys thousands of GPUs for Twitter AI project

ایلان ماسک هزاران پردازنده گرافیکی برای پروژه هوش مصنوعی توییتر خریداری کرده است.

ایلان ماسک، مدیرعامل “اسپیس ایکس، تسلا و توییتر” اخیراً با انتشار نامه‌ای مبنی بر توقف توسعه هوش مصنوعی AI به دلیل نگرانی‌های اجتماعی، خبرساز شد ولی با این وجود، به نظر می‌رسد که این غول فناوری برنامه‌های خود برای توسعه زیرساخت‌های هوش مصنوعی توییتر را پیش می‌برد.

بر اسا گزارشی از Business Insider به نظر می رسد که ماسک در حال پیشبرد برنامه هایی برای یک پروژه بزرگ هوش مصنوعی در توییتر است. به گفته دو منبع ناشناس آشنا با این شرکت، مدیرعامل توییتر اخیراً نزدیک به 10000 واحد پردازش گرافیکی “GPU” را برای استفاده در این پلتفرم خریداری کرده است.

به طور معمول، پردازنده‌های گرافیکی به دلیل قدرت محاسباتی بسیار زیاد آنها مورد نیاز فناوری هایی می باشند، که بر روی مدل‌های هوش مصنوعی در مقیاس بزرگ کار می‌کنند. این به دنبال توییتی از ماسک در 18 مارس است که گفت که توییتر از هوش مصنوعی برای “تشخیص و برجسته کردن دستکاری افکار عمومی” استفاده خواهد کرد.

منابع ناشناس گفته‌اند که این پروژه در مراحل اولیه است، اما خرید چنین تعداد پردازنده گرافیکی نشان می دهد که ماسک به آن “متعهد” است. یکی از منابع گفت این پروژه مانند یک مدل زبان بزرگ کار می کند. با این حال، منابع همچنین گفتند که هنوز نقش قطعی هوش مصنوعی مولد در توییتر نامشخص است.

علاوه بر این، توییتر اخیراً استعدادهای جدیدی با پیشینه گسترده در زمینه هوش مصنوعی را جذب کرده است. مثلاً در ماه مارس، در حرکتی مهم مهندسان ایگور بابوشکین و مانوئل کرویس پس از همکاری با DeepMind، شرکت تحقیقاتی هوش مصنوعی Alphabet “شرکت مادر گوگل” به تیم ماسک پیوستند.

این تحولات تنها چند هفته پس از امضای نامه سرگشاده ماسک به همراه هزاران محقق دیگر در حوزه فناوری مبنی بر توقف موقت توسعه هوش مصنوعی به دلیل خطری که برای بشریت ایجاد می کند، رخ داده است.

ماسک همچنین در دیداری با انجمن فرمانداران ملی ایالات متحده در سال 2017 به قانون گذاران هشدار داد که تحقیقات هوش مصنوعی “قبل از اینکه خیلی دیر شود” باید قانونمند شوند.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference

A brief history of artificial intelligence

تاریخچه مختصری از هوش مصنوعی

هوش مصنوعی امروزی، از ماشین تورینگ شروع شده و کم کم به برنامه های کاربردی و مدرن یادگیری عمیق که برای پیش بینی آینده و تصمیم گیری‌های هوشمند کاربرد دارد و پردازش زبان طبیعی انسان، تکامل یافته است.

عوامل متعددی باعث توسعه هوش مصنوعی “AI” در طول این سال ها شده، که یکی از آنها توانایی جمع‌آوری، تجزیه و تحلیل سریع و مؤثر حجم عظیمی از داده‌ها می باشد با پیشرفت‌های فناوری محاسباتی امروزی امکان‌پذیر شده است که عامل مهمی در این روند توسعه می باشد.

عامل دیگر تقاضای بازار برای سیستم‌های خودکار است که می‌توانند فعالیت‌هایی را انجام دهند که برای انسان بسیار پرخطر، چالش برانگیز و یا زمان‌بر می باشند. همچنین، به لطف توسعه اینترنت و دسترسی به حجم عظیمی از داده های دیجیتال، اکنون فرصت های بیشتری برای حل مسائل دنیای واقعی بوسیله هوش مصنوعی بوجود آمده است.

علاوه بر این، مسائل اجتماعی و فرهنگی بسیاری بر هوش مصنوعی تأثیر گذاشته است. به عنوان مثال، بحث‌های مربوط به اخلاق و پیامدهای هوش مصنوعی در پاسخ به نگرانی‌هایی در مورد از دست دادن شغل و اتوماسیون فراگیر جهانی مطرح شده است.

همچنین نگرانی‌هایی در مورد احتمال استفاده از هوش مصنوعی برای نیت های شیطانی، مانند حملات سایبری مخرب یا کمپین‌های اطلاعات نادرست، مطرح شده است. در نتیجه، بسیاری از محققان و تصمیم‌گیرندگان در تلاش هستند تا اطمینان حاصل کنند که ساختار هوش مصنوعی از نظر اخلاقی، مسئولانه پایه گذاری ‌شود.

به گفته الیوت مینشنبرگ در تاریخ 30 مارس 2023 “پس از اینکه بیش از 1000 فعال حوضه فناوری خواستار توقف آموزش قوی‌ترین سیستم‌های هوش مصنوعی شدند، یونسکو نیز از کشورها ‌خواست که فوراً توصیه های خود را برای اولین چارچوب جهانی اخلاق هوش مصنوعی ارسال کنند که پس از تصویب شدن آن در این مجمع، توسط 193 کشور عضو اجرایی خواهد شد.”

هوش مصنوعی از زمان پیدایش خود در اواسط قرن بیستم تا به امروز راه طولانی را پیموده است. در ادامه این متن تاریخچه مختصری از هوش مصنوعی را با هم بررسی می کنیم.

اواسط قرن بیستم
خاستگاه هوش مصنوعی ممکن است به اواسط قرن بیستم مربوط شود، زمانی که دانشمندان کامپیوتر شروع به ایجاد الگوریتم‌ها و نرم‌افزارهایی کردند که می‌توانست کارهایی مانند حل مسئله، تشخیص الگوها و قضاوت را انجام دهد که معمولاً به هوش انسانی نیاز دارند.

یکی از اولین پیشگامان هوش مصنوعی آلن تورینگ بود که مفهوم ماشینی را پیشنهاد کرد که می توانست هر کاری را که هوش انسانی می توانست انجام دهد را شبیه سازی کند که اکنون این مفهوم به عنوان تست تورینگ شناخته می شود.

کنفرانس دارتموث 1956
در سال 1956 کنفرانس دارتموث دانشگاهیان حرفه های مختلف را گرد هم آورد تا دورنمای ساخت روبات هایی که بتوانند «فکر کنند» را بررسی کنند و در این کنفرانس بود که به طور رسمی رشته هوش مصنوعی معرفی گردید. در آن زمان، سیستم‌های مبتنی بر قانون و تفکر نمادین موضوعات اصلی مطالعه رشته هوش مصنوعی بودند.

دهه 1960 و 1970
در دهه‌های 1960 و 1970، تمرکز تحقیقات هوش مصنوعی به توسعه سیستم‌های خبره‌ای که برای تقلید از تصمیم‌گیری‌های متخصصان انسانی در زمینه‌های خاص طراحی شده بودند، تغییر یافت، که امروزه این روش ها اغلب در صنایعی مانند مهندسی، مالی و پزشکی به کار گرفته می شوند.

دهه 1980
با این حال، زمانی که معایب سیستم‌های مبتنی بر قانون در دهه 1980 آشکار شد، تحقیقات هوش مصنوعی شروع به تمرکز بر یادگیری ماشین کردند، که شاخه‌ای از رشته‌ای است که از روش‌های آماری برای یادگیری رایانه‌ها و با استفاده از داده‌ها میباشد. در نتیجه، سیستم شبکه‌های عصبی بر اساس ساختار و عملکرد مغز انسان ایجاد و مدل‌سازی می شوند.

دهه 1990 و 2000
در دهه 1990 تحقیقات هوش مصنوعی در زمینه رباتیک، بینایی کامپیوتر و پردازش زبان طبیعی پیشرفت‌های چشمگیری داشت و در اوایل دهه 2000، پیشرفت ها در تشخیص گفتار، تشخیص تصویر و پردازش زبان طبیعی با ظهور یادگیری عمیق “شاخه ای از یادگیری ماشینی است که از شبکه های عصبی عمیق استفاده می کند” امکان پذیر شد.
اولین مدل زبان عصبی، بوسیله “یوشوا بنجیو” ارائه شد که یکی از “پدرخوانده های یادگیری عمیق” می باشد، وی به طور گسترده به عنوان یکی از تأثیرگذارترین افراد در پردازش زبان طبیعی و یادگیری بدون نظارت، شناخته می شود.

هوش مصنوعی امروزی
دستیارهای مجازی، خودروهای خودران، تشخیص پزشکی و تجزیه و تحلیل مالی تنها تعدادی از کاربردهای امروزی هوش مصنوعی می باشند. هوش مصنوعی به سرعت در حال توسعه است و هم اکنون محققان به ایده‌های جدیدی مانند یادگیری تقویتی “Reinforcement Learning”، محاسبات کوانتومی و محاسبات نورومورفیک نگاه می‌کنند.
یکی دیگر از روندهای مهم در هوش مصنوعی مدرن، تغییر به سمت تعاملات بیشتر شبیه انسان است که دستیارهای صوتی مانند سیری و الکسا پیشتاز آن می باشند. پردازش زبان طبیعی نیز پیشرفت قابل توجهی داشته است و ماشین‌ها را قادر ساخته تا گفتار انسان را با دقت فزاینده‌ای درک کنند و به آن پاسخ دهند. ChatGPT – یک مدل بزرگ زبان طبیعی که توسط OpenAI بر اساس معماری GPT-3.5 ساخته شده است، که نمونه‌ای از هوش مصنوعی “Talk of the town” است که می‌تواند زبان طبیعی را درک کند و پاسخ‌هایی شبیه انسان را برای طیف گسترده‌ای از پرس و جوها و درخواست‌ها تولید کند.

آینده هوش مصنوعی
با نگاهی به آینده، هوش مصنوعی احتمالا نقش مهمی را در حل برخی از بزرگترین چالش‌های پیش روی جامعه، مانند تغییرات آب و هوایی، مراقبت‌های بهداشتی و امنیت سایبری ایفا خواهد کرد. با این حال، نگرانی‌هایی نیز در مورد پیامدهای اخلاقی و اجتماعی هوش مصنوعی، به ویژه با پیشرفت فناوری که روز به روز پیشرفته تر و مستقل تر می شود، وجود دارد و به گفته مدیر عامل هولبرتون “ژولین باربیر” در مارس 2023 “اخلاق در هوش مصنوعی باید در هر مدرسه ای آموزش داده شود.”

علاوه بر این، همانطور که هوش مصنوعی به تکامل خود ادامه می دهد، احتمالاً بر همه جنبه های زندگی ما، از نحوه کار و ارتباط ما گرفته تا نحوه یادگیری و تصمیم گیری تأثیر خواهد گذاشت.

سلب مسئولیت: این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Reference

5 key features of machine learning

فراگیری ماشین چیست و پنج ویژگی کلیدی آن کدامند

یادگیری ماشینی مبتنی بر این ایده است که چگونه یک سیستم می‌تواند انجام یک کار را بدون برنامه‌ریزی صریح بیاموزد.

یادگیری ماشینی طیف گسترده ای از کاربردها را در صنایع مالی، مراقبت های بهداشتی، بازاریابی و حمل و نقل ارائه کرده و همچنین برای تجزیه و تحلیل و پردازش مقادیر زیادی از داده ها، پیش بینی ها، و خودکارسازی فرآیندهای تصمیم گیری و سایر وظایف مورد استفاده قرار می گیرد.

در این مقاله، پنج ویژگی کلیدی یادگیری ماشینی را شرح داده و در می یابیم که چگونه این ویژگی‌ها آن را به ابزاری قدرتمند برای حل مجموعه گسترده ای از مشکلات، از تشخیص تصویر و گفتار گرفته تا سیستم های توصیه و پردازش زبان طبیعی تبدیل می کند.

یادگیری ماشینی چیست؟

یادگیری ماشینی زیرشاخه‌ای از هوش مصنوعی (AI) است که شامل توسعه الگوریتم‌ها و مدل‌های آماری است که به رایانه‌ها اجازه می‌دهد بدون برنامه‌ریزی صریح از الگوی نهفته در داده‌ها یاد بگیرند. هدف یادگیری ماشینی ساختن سیستم هایی با توانایی بهبود مستمر عملکرد در یک کار معین بر اساس تجربه به دست آمده از داده هایی است که با آن روبرو شده‌اند. این امر با آموزش گسترده الگوریتم ها در مجموعه داده های عظیم انجام می شود، که این الگوریتم ها را قادر می سازد تا الگوها و اتصالات را در داده ها پیدا کنند.

یادگیری نظارت شده: این راهکار شامل آموزش یک مدل بر روی یک مجموعه داده برچسب‌گذاری شده است که در آن خروجی صحیح برای هر ورودی ارائه می‌شود. الگوریتم از این اطلاعات برای یادگیری رابطه بین ورودی ها و خروجی ها استفاده می کند و سپس می تواند روی داده های جدید و دیده نشده نیز پیش بینی انجام دهد.

یادگیری بدون نظارت: این شیوه شامل آموزش یک مدل بر روی یک مجموعه داده بدون برچسب است که در آن خروجی صحیح نیز ارائه نمی شود. الگوریتم باید ساختار را در داده ها به تنهایی پیدا کند و معمولاً برای خوشه بندی، کاهش ابعاد و تشخیص ناهنجاری استفاده می شود.

یادگیری تقویتی: این روش شامل آموزش یک عامل برای تصمیم گیری در محیطی است که بازخورد را از طریق پاداش یا تنبیه دریافت می کند. این الگوریتم از این بازخوردها برای یادگیری بهترین استراتژی برای به حداکثر رساندن پاداش ها در طول زمان استفاده می کند.


پنج ویژگی کلیدی یادگیری ماشینی

یادگیری ماشینی به یکی از مهم ترین پیشرفت های فناوری در سال های اخیر تبدیل شده و به طور قابل توجهی بر طیف گسترده ای از صنایع و برنامه‌های کاربردی تأثیر گذاشته است.

در این قسمت به بررسی ویژگی های اصلی یادگیری ماشینی می پردازیم:

مدل‌سازی پیش‌بینی‌کننده: در این روش داده‌ها توسط الگوریتم‌های یادگیری ماشین برای ایجاد مدل‌هایی استفاده می‌شوند که بتوانند رویدادهای آینده را پیش‌بینی کنند. این مدل‌ها را می‌توان برای تعیین ریسک وام دهی یا احتمال خرید یک مصرف‌کننده و برخی موارد مشابه مورد استفاده قرار داد.

اتوماسیون: الگوریتم‌های یادگیری ماشینی که به مشارکت کمتر انسان نیاز دارند و فرآیند یافتن الگوها در داده‌ها را خودکار می‌کنند، بنابراین تجزیه و تحلیل دقیق‌تر و مؤثرتر را ممکن می‌سازند.

مقیاس‌پذیری: تکنیک‌های یادگیری ماشینی که برای پردازش کلان داده‌ها مناسب بوده و برای مدیریت حجم عظیمی از داده‌ها ساخته شده‌اند. در نتیجه، کسب و کارها می توانند بر اساس اطلاعات به دست آمده از چنین داده هایی تصمیم گیری کنند.

تعمیم: الگوریتم های یادگیری ماشینی که قادر به کشف الگوهای مُکرر و گسترده در داده ها هستند که می توانند برای تجزیه و تحلیل داده های تازه و ناشناخته استفاده شوند. حتی ممکن است داده های مورد استفاده برای آموزش این مدل، فوراً برای راهکار مورد نظر قابل استفاده نباشند، ولی آنها برای پیش بینی رویدادهای آینده مفید هستند.

سازگاری: الگوریتم های یادگیری ماشین برای یادگیری و تطبیق مداوم ساخته می شوند و با در دسترس قرار گرفتن داده های جدید، آنها می توانند عملکرد خود را در طول زمان بهبود داده و با در دسترس قرار گرفتن داده های بیشتر، دقیق تر و کارآمدتر شوند.

ادغام یادگیری ماشین و فناوری بلاکچین

این ادغام نویدهای زیادی را برای آینده دارد، زیرا در این روش می‌توان الگوریتم‌های یادگیری ماشینی را برای ارزیابی داده‌ها و تولید پیش‌بینی‌های مبتنی بر آن با استفاده از یک پلتفرم غیرمتمرکز و ایمن مانند بلاکچین، استفاده کرد.

یکی از حوزه‌های احتمالی استفاده این ادغام، بخش بانکداری است، جایی که ویژگی غیرمتمرکز فناوری بلاکچین و توانایی منع دسترسی غیرمجاز به داده‌های حساس می‌تواند به الگوریتم‌های یادگیری ماشین کمک کند تا تقلب و پولشویی را به‌طور مؤثرتری شناسایی کنند.

یادگیری ماشین و فناوری بلاکچین می تواند تفاوت قابل توجهی در مدیریت زنجیره تامین ایجاد کنند، این در حالی است که می توان از فناوری بلاکچین برای ارائه شفافیت و مسئولیت پذیری در زنجیره تامین استفاده کرده و از الگوریتم های یادگیری ماشینی برای بهینه سازی عملیات زنجیره تامین و پیش بینی تقاضا، مورد استفاده قرار داد.

از الگوریتم‌های یادگیری ماشینی می‌توان برای پیش‌بینی شیوع بیماریها و بهبود نتایج مداوا بر روی بیماران استفاده کرده و همچنین می‌تواند از فناوری بلاکچین برای به اشتراک‌گذاری امن و خصوصی سوابق پزشکی استفاده نمود.


سلب مسئولیت:
این مقاله فقط برای اهداف اطلاعاتی ارائه شده است و توصیه نمی شود به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا سایر موارد مورد استفاده قرار گیرد.

Click for reference