Ai-Magazine

نحوه گزارش گیری از هوش مصنوعی

franki-chamaki-z4H9MYmWIMA-unsplash.jpg

برای کمک به شما در توضیح آن برای مخاطبان خود از چهار متخصص هوش مصنوعی و گزارشگران فناوری از سراسر جهان بهترین نکات را خواسته اند.

یک پایه محکم بسازید

کارن هائو ، سردبیر ارشد هوش مصنوعی در MIT Technology Review ، شروع به پوشش هوش مصنوعی کرد که زمان زیادی را در YouTube سپری می کند و اصول اولیه را می آموزد: الگوریتم چیست؟ شبکه های عصبی چیست و چگونه آموزش می بینند؟ مهمترین نقاط عطف در تاریخ AI چیست؟ و او همچنین تعداد زیادی مقاله در زمینه هوش مصنوعی از پایگاه داده منبع باز arXiv خواند.

"در چند ماه اول شروع ضرب و شتم ، من هر هفته به آنجا می رفتم و پنج تا 10 مقاله می خواندم تا فقط با اصطلاحات و مفاهیم مشهور تحقیقاتی كه كارشناسان به طور مكرر استفاده می كردند آشنا شوم."

هنگامی که او اطلاعات کلیدی را از مقالات جمع آوری می کرد ، با تحقیق بیشتر در مورد کلمات کلیدی در YouTube و سایر منابع آنلاین دو برابر می شود تا دانش کافی را ایجاد کند.

ملیسا هیککیل ، خبرنگار هوش مصنوعی برای POLITICO Europe ، جدا از مقالات پژوهشی ، داشتن مهارت کافی در مطالعه قوانین و مقررات مربوط به هوش مصنوعی نیز مهم است.

"وقتی در مورد فناوری و هوش مصنوعی می نویسید ، غالباً باید در مورد مواردی مانند امنیت سایبری و محافظت از داده ها صحبت کنید. وقتی چنین اتفاقی می افتد ، مفید است که بتوانید مانند GDPR مقررات را بخوانید ، آنچه را که می گوید بفهمید و در گزارش خود تأمل کنید. "

تبلیغات اعتیاد به مواد مخدره را بزنید

خبرنگاران هوش مصنوعی همیشه مقالات پژوهشی جدید را می خوانند تا این حوزه را درک کنند و از تحولات جدید برای گزارش در دست داشته باشند. اما چگونه می توانید یافته های تحقیق را برای مخاطبان خود ترجمه کنید تا از اعتیاد به مواد مخدره جلوگیری کند؟

نظرسنجی هوش مصنوعی و یادگیری ماشین: انگیزه ها و چالش ها در پروژه های هوش مصنوعی

آموزش اینترنت اشیا

این بررسی هوش مصنوعی دیدگاه جامعی از نگرش ها ، الگوهای فرزندخواندگی و اهداف توسعه دهندگان هوش مصنوعی و یادگیری ماشین در سراسر جهان را ارائه می دهد. این مجموعه بر روی ابزارها ، روش ها و نگرانی های مربوط به پیاده سازی یادگیری ماشین ، یادگیری عمیق ، تشخیص تصویر ، تشخیص الگو و سایر اشکال هوش مصنوعی و همچنین ذخیره سازی ، مدیریت و تجزیه و تحلیل مجموعه های داده بزرگ و پایگاه داده از طیف گسترده ای از منابع تمرکز دارد. .

هوش مصنوعی از بسیاری جهات و بسیاری از صنایع درگیر توسعه نرم افزار است که نیاز به دانش کاملی از نحوه انجام این کار توسط توسعه دهندگان دارد.

این جلد شامل تحقیق و تجزیه و تحلیل شامل موضوعاتی مانند جمعیت شناسی توسعه دهنده و فیرموگرافی ، چشم انداز هوش مصنوعی ، روش ها و رویکردها ، منابع و خدمات ، سیستم های مکالمه ، تشخیص گفتار و تصویر ، هوش مصنوعی سازمانی ، امنیت ، پذیرش سیستم عامل ، چارچوب های API ، ابزارها و زبانها ، پذیرش فناوری ، سخت افزار ، بهینه سازی سخت افزار ، موازی سازی و محاسبات با کارایی بالا ، خرید و تأثیرگذار ، چالش ها و موانع موفقیت ، هوش مصنوعی به IoT ، Cloud و کانتینر سازی و موارد دیگر مربوط می شود.

این نظرسنجی شامل 406 مصاحبه عمیق است که به زبان انگلیسی با توسعه دهندگان واجد شرایط هوش مصنوعی و یادگیری ماشین در سراسر جهان انجام شده است. این حاشیه خطای 4.7٪ را فراهم می کند.

عناوین اصلی تحت پوشش:

بررسی اجمالی

چه خبر

خلاصه اجرایی

جمعیت شناسی و فیرموگرافی

منظره کنونی هوش مصنوعی

انگیزه ها و چالش ها در پروژه های هوش مصنوعی

چارچوب ها ، کتابخانه ها و مدل ها

سخت افزار در هوش مصنوعی و یادگیری ماشین

سیستم های مکالمه و شناخت گفتار

تشخیص تصویر و بینایی ماشین

هوش مصنوعی و ابر

کانتینر سازی و ارکستراسیون کانتینر

هوش مصنوعی و اینترنت اشیا

امنیت

مدیریت داده و علوم داده

سیستم عامل های توسعه و اهداف بستر های نرم افزاری

فرزندخواندگی فناوری

موضوع تخصصی موضوع

تأثیر هوش مصنوعی در بازی های کازینو

Casino.jpeg


درباره هوش مصنوعی شنیده اید اما آیا واقعاً می توان از آن در تجارت کازینو استفاده کرد؟ به هر حال ، آیا کازینو از قبل لبه خانه ندارد؟

با این حال ، حتی قبل از همه گیر شدن ، کازینوهای اصلی که میلیون ها دلار هزینه برای کار داشتند ، رقابت سختی را تجربه می کردند. چندین کازینو در آتلانتیک سیتی بسته شد و بسیاری از کازینوهای لاس وگاس در یک طناب مالی فشرده بودند.

اکنون که بیماری همه گیر اتفاق افتاده است و کازینوها در سراسر اروپا و ایالات متحده با چالش های مالی روبرو هستند ، بسیاری از اپراتورهای کازینو به دنبال اطلاعات مصنوعی هستند تا اطمینان حاصل کنند که کازینو همچنان سیاه است.

هوش مصنوعی چیست؟

هوش مصنوعی شاخه ای از علوم رایانه است که از رایانه برای انجام وظایفی استفاده می کند که معمولاً به هوش انسان نیاز دارد.

مطمئناً ، وقتی صحبت از رایانه در انجام وظایفی است که از هوش انسان تقلید می کند ، درمورد کارهای ساده مانند مبادله 5 سکه و دو چهارم برای ایجاد ارزش یک دلار یا ماشین فروش که 20 سنت تعویض پس از خرید ارسال می کنید ، صحبت نخواهیم کرد. یک کیسه بادام زمینی

خیر ، از هوش مصنوعی در ساخت ربات ها ، ایجاد جعبه گفتگوی هوشمند برای وب سایت ها و فعالیت به عنوان دستیار سفر مجازی و هزار کار دیگر استفاده می شود.

بنابراین کازینوها چگونه از هوش مصنوعی استفاده می کنند؟

یک چیز قطعی است و آن این است که بازی های قمار ثابت خواهند ماند. بازی بلک جک هنوز هم بازی بلک جک خواهد بود. سرگرمی های کازینوی نیوزیلند هنوز هم راهزنان یک مسلح خواهند بود ، البته با پیشرفتی که در فن آوری پیشرفت می کند و به مرور زمان پیشرفت می کند.

با این حال ، یکی از قوانین اساسی مدیران کازینو این است که هدفمند کردن یک قمارباز بازگشتی آسان تر و سودآورتر از دادگاه بازی کردن در قمارباز است که قبلاً هرگز دیده نشده است.

راه حل چیست؟ هوش مصنوعی برای نجات.

بزرگترین استفاده از هوش مصنوعی تهیه یک بانک اطلاعاتی از بازیکنان ، روش ترجیحی قمار آنها ، میزان پولی که برای بازی های مختلف می خرند و همچنین مدت زمانی که در قمار کازینو می گذرانند است.

Naysayers خواهد گفت که انجام آن غیرممکن است اما به یاد داشته باشید ، در کازینوهای فیزیکی در آسمان چشمهایی وجود دارد. با استفاده از هوش مصنوعی برای بررسی تصاویر امنیتی کازینو ، به علاوه اطلاعاتی که در کارتهای پخش کازینو استفاده می شود ، کازینوها اطلاعات بیشتری نسبت به گذشته دارند.

با استفاده از ابزارهای هوش مصنوعی مانند تجزیه و تحلیل پیش بینی ، بخش بازاریابی کازینو مسلح تر از همیشه است.

هدف البته این است که بتوانیم تجزیه و تحلیل کنیم که با ارزش ترین بازیکنان کازینو هستند. و در حالی که بسیاری از علاقه مندی های مردمی بیشتر به دنبال روش هایی است که کازینو "نهنگ" های با ارزش را برای قمار در کازینو جذب می کند ، تمرکز هوش مصنوعی بر نسل جوان مرفه تر است.

 

چرا هوش مصنوعی نمی تواند مشکلات ناشناخته را حل کند


algorithms are not enough

طبق شواهد هوش مصنوعی ، چه زمانی آن را به صورت عمومی خواهیم داشت ، نوعی هوش مصنوعی که بتواند از همه نظر ذهن انسان را تقلید کند؟ کارشناسان در مورد این موضوع اختلاف نظر دارند ، و پاسخ ها بین چند دهه و هرگز متفاوت است.

اما آنچه همه در آن اتفاق نظر دارند این است که سیستم های AI فعلی فاصله زیادی با هوش انسان دارند. انسان ها می توانند جهان را کشف کنند ، مشکلات حل نشده را کشف کنند و به راه حل های خود بیندیشند. در همین حال ، جعبه ابزار AI با الگوریتم هایی که می توانند کارهای خاصی را انجام دهند اما نمی توانند توانایی های آنها را فراتر از دامنه های محدود خود تعمیم دهند ، به رشد خود ادامه می دهند. ما برنامه هایی داریم که می توانند قهرمانان جهان را در StarCraft شکست دهند اما نمی توانند بازی کمی متفاوت را در سطح آماتور انجام دهند. ما شبکه های عصبی مصنوعی داریم که می تواند نشانه های سرطان پستان را در ماموگرافی پیدا کند اما نمی تواند تفاوت بین گربه و سگ را تشخیص دهد. و ما مدلهای زبانی پیچیده ای داریم که می تواند هزاران مقاله به ظاهر منسجم را در هر ساعت چرخاند اما وقتی از آنها س questionsالات منطقی ساده در مورد جهان می پرسید شروع به شکستن می کند.

به طور خلاصه ، هر یک از تکنیک های هوش مصنوعی ما می تواند برخی از جنبه های آنچه در مورد هوش انسان می دانیم را تکرار کند. اما جمع آوری همه اینها و پر کردن خلاs یک چالش اساسی است. هربرت رویتبلات ، دانشمند داده ، در کتاب خود الگوریتم ها کافی نیست ، بررسی عمیقی از شاخه های مختلف هوش مصنوعی را ارائه می دهد و توضیح می دهد که چرا هر یک از آنها از رویای ایجاد هوش عمومی کوتاه می مانند.

Roitblat بحث می کند ، نقص مشترک در تمام الگوریتم های AI نیاز به نمایش های از پیش تعریف شده است. هنگامی که مشکلی را کشف کردیم و توانستیم آن را به روشی قابل محاسبه نشان دهیم ، می توان الگوریتم های هوش مصنوعی ایجاد کرد که می توانند آن را حل کنند ، اغلب با کارآیی بیشتر از خود ما. با این حال ، این مشکلات کشف نشده و غیرقابل نمایشی هستند که همچنان از گریز ما هستند.

در طول تاریخ هوش مصنوعی ، دانشمندان به طور منظم روش های جدیدی را برای استفاده از پیشرفت در رایانه ها برای حل مشکلات از راه های هوشمندانه اختراع کرده اند. دهه های اولیه هوش مصنوعی بر سیستم های نمادین تمرکز داشت.

این شاخه هوش مصنوعی فرض می کند که تفکر انسان بر اساس دستکاری نمادها است و هر سیستمی که بتواند نمادها را محاسبه کند هوشمند است. هوش مصنوعی نمادین ، توسعه دهندگان انسانی را ملزم می کند تا قوانین ، حقایق و ساختارهایی را که رفتار یک برنامه رایانه ای را تعریف می کنند ، به طور دقیق بیان کنند. سیستم های نمادین می توانند عملکردهای چشمگیری مانند به خاطر سپردن اطلاعات ، محاسبه فرمول های پیچیده ریاضی با سرعت فوق العاده سریع و تقلید از تصمیم گیری متخصص را انجام دهند. زبانهای برنامه نویسی محبوب و اکثر برنامه هایی که ما هر روز استفاده می کنیم ریشه در کارهایی دارند که روی AI نمادین انجام شده است.

هوش مصنوعی اکنون می تواند طی چند روز آنتی بیوتیک های جدیدی را طراحی کند

لامسه در ربات ها

طبق اخبار هوش مصنوعی ، تصور کنید شما دانشمندی هستید که برای مقابله با یک بیماری ترسناک نیاز به کشف یک آنتی بیوتیک جدید دارد. چگونه می خواهید آن را پیدا کنید؟

به طور معمول ، مجبورید مقدار زیادی مولکول مختلف را در آزمایشگاه آزمایش کنید تا زمانی که مولکولی پیدا کنید که دارای خواص لازم برای از بین بردن باکتری باشد. ممکن است برخی از مدعیان را پیدا کنید که در از بین بردن باکتری ها مهارت دارند فقط بدانند که نمی توانید از آنها استفاده کنید زیرا برای انسان نیز سمی است. این یک روند بسیار طولانی ، بسیار گران قیمت و احتمالاً بسیار تشدید کننده است.

اما اگر در عوض ، فقط می توانید خصوصیاتی را که به دنبال آن می گردید در رایانه خود تایپ کنید و از رایانه خود بخواهید که مولکول مناسبی را برای شما طراحی کند ، چه می کنید؟

این رویکرد کلی محققان IBM است که با استفاده از یک سیستم AI که می تواند به طور خودکار طراحی مولکول های آنتی بیوتیک جدید را ایجاد کند. در مقاله جدید ، منتشر شده در Nature Biomedical Engineering ، محققان جزئیات نحوه استفاده از آنها را برای طراحی سریع دو پپتید ضد میکروبی جدید - مولکول های کوچکی که می توانند باکتری ها را از بین ببرند - که در برابر یک دسته از عوامل مختلف بیماری زایی در موش ها موثرند ، مورد استفاده قرار داده اند.

هفته ای دو بار ، بهترین ایده ها و راه حل ها را برای مقابله با بزرگترین چالش های جهان - و چگونگی بهتر شدن در انجام کار خوب - برای شما ارسال می کنیم. اینجا ثبت نام کنید.

به طور معمول ، این فرآیند کشف مولکول سالها دانشمندان به طول می انجامد. سیستم هوش مصنوعی ظرف چند روز این کار را انجام داد.

این خبر خوبی است ، زیرا ما به فوریت به روش های سریعتر برای ایجاد آنتی بیوتیک جدید نیاز داریم.

وقتی آنتی بیوتیک های جدید معرفی می شوند ، می توانند نتایج عالی ، حتی نجات دهنده ای داشته باشند. از آنجا که پنی سیلین در سال 1928 کشف شد و شروع دوره مدرن آنتی بیوتیک ها است ، ما می توانیم به آنها اعتماد کنیم تا قاتلین مانند سل را درمان کنیم و در صورت انجام اقدامات مانند بخش های C یا جایگزینی مفصل ، ما را در امان نگه داریم.

اما کارشناسان هشدار داده اند که اکنون وارد دوره پس از آنتی بیوتیک شده ایم - زمانی که آنتی بیوتیک های موجود تقریباً بی فایده می شوند. ما با استفاده بیش از حد از آنتی بیوتیک ها در درمان محصولات کشاورزی ، حیوانات مزرعه و انسان ، این بحران را ایجاد کرده ایم.