طراحی گرافیکی کارت های اعتباری

طراحی گرافیکی کارت های اعتباری

 

 

 

 

امروزه کارت های اعتباری در همه جا حضور دارند و اکثرا طراحی های گرافیکی آنها مخصوص به بانک ها و موسسات اقتصادی می باشد. البته می توانید برای کارت های هدیه از طرح های متنوع تری استفاده کنید اما جدیدن شرکت Visa card که یکی از برترین اپراتور های جهان است با همکاری DC ناشر کتاب هاب مصور کارت های اعتباری با نقش و نشان کارکتر های این ناشر چاپ کرده است. کارت DC Power Visa® کارت خرده اعتباری هیجان انگیز جدیدی است که برای عاشقان داشتان های مصور طراحی شده اند. اما موارد استفاده از آنها محدود است به صورتی که می توانید از آنها برای جوایز در سینما ، خدمات اشتراک سرگرمی و کالاهای DC و همچنین غذا و بتزین استفاده کنید.

طراحی گرافیکی جدید کارت اعتباری به درد چه کسانی می خورد؟

برای کسانی که به صورت مککر به سینما می روند و یا مشترک چندین سرویس دیجیتال مارکتینگ هستند و یا حتی عضو شبکه های DC Univers هستند.در وبسایت رسمی این کار آمده :

با DC Power Visa® قدرت جهان DC را در جیب خود قرار دهید. UMB Bank و DC با هم همکاری کرده اند تا کارت عاشقان کتاب های کمک را ارائه دهند که با همه چیز فوق العاده مطابقت داشته باشد. در تفریح ، ناهار خوری و زدن بنزین امتیاز کسب کنید. همچنین ، از تخفیف های منحصر به فرد خدمات اشتراک دیجیتال DC و همچنین کالاهای DC بهره مند شوید. از دیگر مزایای دارندگان کارت منحصر به فرد می توان به 10 درصد تخفیف اشتراک سالانه DC Universe و خرید در shopdcentertainment.com اشاره کرد. به علاوه ، 20٪ تخفیف WB Studio Tour Hollywood و کالا را دریافت کنید – پاداش نهایی قهرمانان! چندین طرح خیره کننده کارت برای انتخاب وجود دارد و دارندگان کارت فقط با یک پیشنهاد مقدماتی و یک پاداش ثبت نام خود را پیدا می کنند. این کارت ویزا وی سی هیچگونه هزینه سالانه و متوسط هزینه خرید برای کارت اعتباری خرده فروشی ندارد. اینها معمولاً بالاتر از حد متوسط هستند ، بنابراین داشتن تعادل از ماه به ماه به شدت توصیه نمی شود.

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

 

 

 

پردازش و یادگیری زبان طبیعی (NLP) زمینه مطالعه ای است که از سه رشته علوم کامپیوتر ، هوش مصنوعی و زبان شناسی محاسباتی تشکیل شده است. این رایانه را قادر می سازد تا به روشی هوشمندانه و مفید ، معیار را از زبان انسان ارزیابی ، درک و استخراج کند. با استفاده از NLP ، برنامه نویسان راه را برای سازماندهی و انجام وظایفی مانند خلاصه سازی خودکار،  ترجمه ، شناسایی شخص ، تجزیه و تحلیل احساسات ، تشخیص گفتار و تقسیم بندی موضوع ،هموار کرده اند. با استفادهاز پیشرفت های اخیر در دسترسی به داده ها و قدرت محاسباتی ، NLP بسیار بیشتر پیشرفت کرده است و به متخصصین امکان می دهد نتایج قابل توجهی در زمینه هایی مانند مراقبت های بهداشتی ، مالی ، منابع انسانی و سایر موارد بدست آورند.

پردازش زبان و یادگیری طبیعی برای چه چیز هایی استفاده می شود؟

NLP تقریباً در هر صنعت کاربردهای متنوعی دارد. این فناوری توانایی مدیریت خودکار زبانهای طبیعی انسان مانند گفتار یا متن را دارد. همچنین می تواند به یک کارمند ادارات یا شرکت ها در انجام کارهای متعدد کمک کند و در نهایت باعث تقویت عملکرد کار می شود. بسیاری از توسعه دهندگان معمولاً از الگوریتم های NLP برای جمع آوری بلوک های متن برای برداشتن ایده های    ضروری و اصلی استفاده می کنند. ایجاد ربات های چت برای پرس و جو و پاسخ مناسب. تجزیه و تحلیل احساسات و کمک شناختی و موارد دیگر صورت می پذیرد. به عنوان مثال ، شرکت هایی مانند یاهو و گوگل از پردازش زبان طبیعی برای فیلتر کردن و طبقه بندی ایمیل ها و ارزیابی متن ایمیل هایی که از طریق سرورهای کاربران عبور می کند استفاده می کند و از ارسال هرزنامه ، حتی قبل از ورود به صندوق ورودی ایمیل جلوگیری می کند. اکثر اطلاعاتی که سازمان های اطلاعاتی اعم از خصوصی یا عمومی جمع آوری می کنند، متنی بدون ساختار ، از جمله مکالمات شبکه های اجتماعی ، نظرات در وب سایت ها ، گزارش های داستانی و سایر موارد است. دریافت بینش عملی از این داده ها می تواند چالش برانگیز باشد. 

آژانس پروژه های تحقیقاتی پیشرفته دفاعی (DARPA) در تلاش برای کاهش این نوع چالش ها ، برنامه کاوش و فیلتراسیون متن (DEFT) عمیق را ساخت. این برنامه با استفاده از NLP به طور خودکار اطلاعات مربوط به وابسطه را استخراج می کند و به تحلیلگران کمک می کند تا بینش های عملی را از آنها بدست آورند. هدف DEFT پرداختن به شکاف های باقی مانده توانایی مربوط به استنباط ، روابط علی و تشخیص ناهنجاری است.

پیشرفت ها در NPL

NPL توانایی ماشین ها را در تفسیر موثر متن ، گفتار و کلمات تقویت می کند. این امر باعث پیشرفت تجزیه و تحلیل داده ها ، کشف بدافزار و جلوگیری از انتشار اخبار جعلی می شود. با تکامل چت بات های مجهز به هوش مصنوعی مانند الکسا ، سیری ، کورتانا و دستیار Google و غیره ، استفاده از پردازش زبان طبیعی بسیار زیاد شده است. پیشرفت های اخیر در کاربردهای این فناوری به طور قابل توجهی نحوه درک و یادگیری هوش مصنوعی از چیزهای پیرامون آن را تغییر داده است. یکی از مهمترین پیشرفتها در زمینه NLP استفاده از یادگیری انتقالی بود. Fast.ai’s ULMFiT Universal Language Model Fine Tuning مفهوم یادگیری انتقالی را به جامعه NLP معرفی کرد. طبق گفته این شرکت ، ULMFiT یک روش یادگیری انتقالی موثر است که می تواند برای هر کاری در NLP اعمال شود. در سال 2018 ، Google AI مدل جدیدی را برای NLP به نام BERT (نمایندگی های رمزگذار دو طرفه از ترانسفورماتورها) معرفی کرد. این مدل از مفهوم ترانسفورماتور و یادگیری انتقالی استفاده می کند و آموزش کامل دو طرفه ترانسفورماتور را انجام می دهد. 

بعلاوه ، در سال 2018 ، محققان دانشگاه کالج اطلاعات و علوم رایانه ای دانشگاه ماساچوست و Google AI Language ، (LISA) ، یک مدل شبکه عصبی خود-توجه به زبانشناسی را معرفی کردند. این امر یادگیری عمیق و فرم گرایی زبانی را با هم ادغام می کند ، بنابراین از تجزیه نحوی برای دستیابی به معنای دقیق ، به طور موثرتری استفاده می کند.به طور گسترده تر ، قدرت NLP در سال های آینده به تکامل ، درک و زمینه سازی داده هایی ادامه خواهد داد که می تواند منجر به سود بهتر یک تجارت شود.

نسل بعدی کامپیوتر های کوانتومی

نسل بعدی کامپیوتر های کوانتومی

 

 

 

هانیول کامپیوتر های کوانتومی نسل بعدی خود را با نام System Model H1 معرفی کرده است که از دستگاه متمایز شارژ کوانتومی متصل شده (QCCD) و فناوری یون گیر افتاده با طراحی آماده برای به روزرسانی سریع در طول عمر خود بهره می برد. کامپیوتر کوانتومی جدید این شرکت در ابتدا 10 کیوبیت کاملاً متصل ، حجم کوانتومی اثبات شده 128 و ویژگی های منحصر به فرد مانند اندازه گیری مدار میانی و استفاده مجدد از کیوبیت را ارائه می دهد. این تمام ماجرا نیست، هانیول متعهد شده است که طی پنج سال آینده حجم کوانتومی رایانه های کوانتومی خود را حداقل به ترتیب سالانه افزایش دهد.

کامپیوتر های نسل بعدی کوانتومی هانیول چه ویژگی هایی دارد ؟

شرکت ها از طریق یک مدل مبتنی بر اشتراک می توانند به طور مستقیم به سیستم مدل H1 خود از طریق API ابری و همچنین از طریق Microsoft Azure Quantum و شرکای کانال از جمله Zapata Computing و Cambridge Quantum Computing دسترسی پیدا کنند. رئیس شرکت Honeywell Quantum Solutions تونی اوتلی در یک بیانیه مطبوعاتی توضیح داد که چگونه نسل H1 رایانه های کوانتومی آن در طول عمر خود به طور مداوم به روز می شود ، :

“نقشه راه محاسبات کوانتومی تهاجمی Honeywell تعهد ما در دستیابی به مقیاس تجاری برای تجارت کوانتومی ما را نشان می دهد. مدل مبتنی بر اشتراک ما دسترسی مشتریان پیشرفته موجود به Honeywell را برای مشتریان سازمانی نیز فراهم می کند. روش منحصر به فرد Honeywell ما را قادر می سازد تا به طور سیستماتیک و مداوم” H1 ”  از طریق افزایش تعداد کیوبیت ، حتی وفاداری بالاتر و تغییرات ویژگی منحصر به فرد، سیستم ها را ارتقا دهیم. “

سیستم مدل H1

هانیول علاوه بر سیستم اعلام کامپیوتر جدید کوانتومی مدل H1 خود ، تأیید کرده است که در حال حاضر فعالیت های متقابل برای نسل آینده سیستم مدل H2 خود و همچنین فعالیت های توسعه پشتیبانی از نسل H3 خود و فراتر از آن را آغاز کرده است. طبق گفته اوتلی ، تقاضا برای دسترسی به کامپیوتر کوانتومی این شرکت در میان مشتریان سازمانی زیاد است ، وی گفت:

“معرفی سیستم مدل H1 یک نقطه عطف مهم در شکل دهی و تسریع توسعه محاسبات کوانتومی و آوردن توان آن به شرکت ها است. ما در سال 2020 تقاضا سر به فلک کشیدیم و از همکاری با مشتریانی که می خواهند از طریق محاسبات کوانتومی. ” هانیول همچنین نشان داد که DHL و Merk آخرین شرکت های سازمانی هستند که به رایانه کوانتومی آن دسترسی دارند. این سازمان ها قبلاً طیف گسترده ای از موارد استفاده از محاسبات کوانتومی را که شامل داروها و تدارکات و همچنین برنامه های داخلی Honeywell در تجارت و هوا و فضا و عملکرد و فناوری های آن است ، نشان داده اند.

بیانیات شرکت هانیوال در مورد کامپیوتر نسل بعدی خود

“کیوبیت های یون گیر افتاده ما در طبیعت با ساختار اتمی تعریف می شوند ، می توانند به راحتی و با سرعت بیشتری در مقایسه با فناوری های جایگزین کیوبیت که مستقیماً از اتم استفاده نمی کنند ، یکنواخت ساخته و کنترل شوند. به همین دلیل است که ما از اصطلاح “Nature’s Qubit” برای سیستم های خود استفاده می کنیم – کیوبیت های ما همه یکسان و عاری از نقص هستند.” این شرکت در وبسایت جدید خود اعلام کرد :

کامپیوتر های کوانتومی یون گیر افتاده از اتم های شارژ شده (یون) متعدد برای نگهداری اطلاعات کوانتومی استفاده می کنند. سیستم های ما از میدان های الکترومغناطیسی برای نگهداری (به دام انداختن) هر یون استفاده می کنند ، بنابراین می توان با استفاده از سیگنال های مایکروویو و لیزر آن را دستکاری و رمزگذاری کرد.

پیچیدگی این سیستم های کنترل با تخصص ما مطابقت دارد ، زیرا ما ده ها سال است که آنها را ساخته ایم. ما به عنوان پیشرو در رابط های سخت افزاری ، نرم افزاری و کاربر بصری ، از قابلیت های پایان به پایان لازم برای طراحی ، ساخت و ادغام زیر سیستم ها و اجزای حیاتی برای تسهیل فناوری یون به دام افتاده برخوردار هستیم.

بدون شک محاسبات کوانتومی توانایی ما را در انجام محاسبات بسیار بیشتر می کند و با این فناوری درب های جدیدی به سوی سیستم های محاسباتی و کامپیوتر ها باز خواهد شد. بسیاری از شرکت هایی که بر روی پروژه های هوش مصنوعی کار می کنند هم می توانند از این مدل کامپیوتر ها استفاده کنند.

هوش مصنوعی و کامپیوتر کوانتومی

هوش مصنوعی و کامپیوتر کوانتومی

طراحی سایت

 

 

رایانه های سنتی بر اساس داده هایی کار می کنند که در یک سیستم باینری رمزگذاری شده اند. اساساً، هر بیت داده فقط به صورت صفر و یک نشان داده می شود و بیشتر از این دو حالت در این کامپیوتر ها امکان پذیز نیست از این رو ، به  این سیستم محاسبات باینری گفته می شود. با این حال ، نسل جدیدی از رایانه ها در افق ظاهر شده اند که رایانه کوانتومی نامیده می شود و سیستم های محاسباتی را فراتر از باینری معمولی می برد، به خصوص برای هوش مصنوعی.

کامپیوتر های کوانتومی چگونه کار می کنند و چرا برای هوش مصنوعی مناسب هستند ؟

به جای فقط صفر و یک ، محاسبات کوانتومی به بیت ها یا کیوبیت های کوانتوم بستگی دارد. محاسبات کوانتومی با اجازه دادن به اطلاعاتی که در کیوبیت ها رمزگذاری شده اند ، همزمان مرزهای محاسبات سنتی را می شکند. این پدیده که به عنوان superposition شناخته می شود ، قدرت محاسباتی بیشتری را از آنچه تصور می شد ، باز می کند. با وجود چنین پیش زمینه پیچیده ای ، استفاده از محاسبات کوانتومی در کجا بیشترین معنا را در زمینه های فعلی پیدا می کند و عملاً چه مزایایی دارد؟

یکی از نواحی که رایانه کوانتومی سودآورتر و امیدوار کننده تر است ، هوش مصنوعی است. همانطور که هوش مصنوعی در زمینه تجزیه و تحلیل مجموعه های داده بزرگ فعالیت می کند، حاشیه خطا و عدم دقت در روند یادگیری فضای قابل توجهی برای پیشرفت دارد و محاسبات کوانتومی به خوبی به ما امکان می دهد تا توانایی الگوریتم را برای یادگیری و تفسیر بهبود بخشیم.

دقیقاً چگونه محاسبات کوانتومی درهوش مصنوعی و به طور خاص ، در یادگیری ماشین کمک می کند؟ واقعیت این است که میزان کارآیی و موفقیت یادگیری ماشینی امروزی تا  حد زیادی به مجموعه داده ای که در اختیارش قرار گرفته بستگی دارد. اندازه مجموعه داده کیفیت نتایج را تعیین می کند ، بنابراین اگر اطلاعات کافی نباشد ، خروجی نیز امیدوار کننده نخواهد بود. با این وجود ، به لطف توانایی محاسبات کوانتومی برای فراتر رفتن از سیستم برنامه نویسی باینری سنتی ، امکان بزرگنمایی و غنی سازی مجموعه داده ها را از نظر حجم و تنوع امکان پذیر می سازد. با مجموعه داده های بهتر و عمیق تر ،و در نتیجه آموزش بهتر مدل های یادگیری ماشین ،  حل کردن مشکلات واقعی برای هوش مصنوعی و یادگیری ماشینی، امکان پذیر است.

 محاسبات کوانتومی در چه بخش های از هوش مصنوعی کارایی دارند؟

پیشرفت دیگری که کامپیوتر های جدید با محاسبات کوانتومی به هوش مصنوعی ارائه می دهد ، بهبود قابلیت های “پردازش زبان طبیعی” است که امکان درک و تجزیه و تحلیل عمیق تر داده های متنی را فراهم می کند. با محاسبات کوانتومی ، الگوریتم ها می توانند از محتوای داده های متنی آگاهی بیشتری کسب کنند. به عبارت دیگر ، دستگاه قادر خواهد بود معنای موجود در پشت داده ها را واقعاً درک کند و قادر است کل جملات و عبارات را به جای فقط کلمات تجزیه و تحلیل کند.

وقتی صحبت از تأثیر خاص صنعت می شود که محاسبات کوانتومی می توانند ایجاد کنند ، لیست مزایایی که معرفی می کند نیز طولانی است و به احتمال زیاد در آینده نزدیک به خوبی امکان پذیر هستند. برخی از امیدوار کننده ترین پیشنهادات محاسبات کوانتومی در زمینه مراقبت های بهداشتی است. از آنجا که کامپیوتر های سنتی از نظر داده هایی که می توانند در اختیار داشته و تجزیه و تحلیل کنند ، محدود هستند، محاسبات کوانتومی برای گسترش اندازه و تنوع بسیار زیاد اجزای مختلف موجود برای تحقیق و مقایسه گام برمی دارد.

از آنجا که فرایند شبیه سازی و مقایسه اجزا اصلی مواد ابتکار توسعه دارو است ، محاسبات کوانتومی با اجازه دادن به شبیه سازی های آگاهانه و متنوع تر ، که برای آزمایش فعل و انفعالات بین داروها و مولکول های بدن انسان طراحی شده اند ، مرز تحقیقات پزشکی را تغییر خواهند داد. علاوه بر تحقیقات ، محاسبات کوانتومی می تواند ظرفیت های شناسایی الگو را بهبود بخشد ، مجموعه داده های بزرگتری ایجاد کند و دقت تصویر MRI را  نیز بهبود بخشد در نتیجه به متخصصان پزشکی اجازه می دهد زودتر بیماری را تشخیص دهند  و درمان کنند.

دیگر کاربرد های کامپیوتر کوانتومی

مشابه تشخیص در مراقبت های بهداشتی ، محاسبات کوانتومی قابلیت های جدیدی را در صنعت مالی باز می کند. به طور خاص ، کشف تقلب با استفاده از  تشخیص الگو انجام می شود.هوش مصنوعی با کمک کامپیوتر های کوانتومی و به لطف قدرت و ظرفیت بهبود یافته آنها می توانند به تشخیص تقلب در مراحل اولیه کمک کنند و سرعت تجزیه و تحلیل را به میزان قابل توجهی افزایش دهند.

فراتر از مراقبت های بهداشتی و مراودات مالی ، محاسبات کوانتومی همچنین باز تعریف جدیدی از شیوه های بازاریابی موجود در حال حاضر را فراهم می کند. با بزرگ شدن مجموعه داده های مصرف کننده و قابلیت تجزیه و تحلیل ، مارک ها و شرکت ها قادر خواهند بود سطح کاملا جدیدی از سفارشی سازی را برای پاسخگویی به نیازهای مشتریان و کاربران منفرد ارائه دهند. محاسبات کوانتومی امکان هدف قرار دادن مشتری در سطح بسیار دقیق تر را فراهم می کند ، و در حال توسعه کمپین های ارتباطی است که به طور دقیق نیازها و درخواست های مشتری را برآورده می کند.

کرونا و هوش مصنوعی

کرونا و هوش مصنوعی

 

 

 

در طی سال اخیر ویروس کووید 19 در تمام دنیا اپیدمی شده. بنابراین رهبران و دانشمندان تمامی نقاط دنیا در تلاش هستند تا با هر روش ممکن با این بیماری مقابله کنند یکی از روش هایی که برای مقابله با کرونا بسیار کارآمد است، هوش مصنوعی می باشد. هوش مصنوعی یکی از شاخه های علوم کامپیوتر است که در دهه پنجاه میلادی ظهور پیدا کرد. تعریف کلی که می توان راجع به هوش مصنوعی کرد این است که به هوشی گفته می شود که بر خلاف تصور از هوشی که در انسان ها و حیوانات داریم توسط ماشیـن ها ارائه می شود. اگر بخواهیم به صورت آکادمیک این عبارت را توصیف کنیم می توانیم بگوییم که هر وسیله ای که محیط خود را درک کند و اقداماتی انجام دهد که شانس خود را برای دستیابی به اهداف خود به حداکثر برساند. دارای هوش مصنوعی می باشد. هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی انجام می دهد که شانس موفقیت آن را به حداکثر می رساند. این کار ها می توانند ساده باشند(حالت 0،1) و یا پیچیده باشند (انجام اقدامات ریاضی که فرمول های آن موجود می باشد). البته هوش مصنوعی عبارت کلی است و این علم دارای زیر مجموعه های زیادی می باشد. یادگیری ماشینی(Machine Learning)، یادگیری عمیق(Deep Learning)، شبکه های عصبی(Neural Networks)،پردازش تصویر(Image Processing)  و خیلی از علوم دیگر زیر مجموعه هوش مصنوعی هستند. حال که اندکی در مورد هوش مصنوعی اطلاعات کسب کردیم می توانییم به این بپردازیم که بیماری کرونا و هوش مصنوعی چگونه با هم در ارتباط هستند.

چگونه از هوش مصنوعی برای مقابله با کووید 19 استفاده می شود؟

رویکرد های متفاوتی برای مقابله با این ویروس از طریق هوش مصنوعی ایجاد شده است. برای مثال می توانیم به استفاده از پردازش داده ها برای تایین اطلاعات آماری در این زمینه اشاره کنیم و یا استفاده از ربات ها در بسیاری از مراکز درمانی دنیا برای کاهش ریسک ابتلای کادر درمانی به این بیماری و یا استفاده از پردازش تصویر برای تحلیل عکس هایی که از ریه بیماران تهیه شده. در ادامه تعدادی از پیشرفت ها و نوآوری هایی که در زمینه هوش مصنوعی برای مقابله با ویروس کرونا ایجاد شده را به شما معرفی می کنیم.

آزمایشگاه MIT-IBM Watson AI از ابتدای شیوع این ویروس بر روش چندین پروژه هوش مصنوعی سرمایه گذاری کرده است تا بتواند با این بیماری مقابله کند. هدف این تحقیقات حذف چالش های بهداشتی اقتصادی است. اما این تحقیقات می تواند تاثیر بسیار ژرفی در ارزیابی و پاسخ به ریسک پس از سپری شدن بحران داشته باشد.

تشخیص زودرس سپسیس در بیماران Covid-19:

یک عارضه مرگبار Covid-19 است ، بیماری ناشی از کــــورنا ویروس جدید SARS-CoV-2.حدود 10 درصد از بیماران Covid-19 طی یک هفته از نشان دادن اولین علائم به سپسیس مبتلا می شوند ،اما فقط حدود نیمی از آنها زنده می مانند.

طراحی پروتئین برای جلوگیری از SARS-CoV-2:

پروتئین ها بلوک های سازنده زیستی هستند. محققان با داشتن هوش مصنوعی می توانند ساختار آنها را برایبــرطرف کـــردن مشکلات و کشــــف و پروتئیـــن های جدید دستکاری کنند. مواد غذایی فاسد شدنی را در نظربگیرید. آزمایشگاه MIT-IBM Watson AI اخیراً از هوش مصنوعی برای کشف اینکـه پروتئیــــن ابریشم ساخته شده توسط  زنبور عسل می تواند به عنــــوان روکش غذاهایی که سریع فاسد می شوند برای افزایش زمان نگه داری آنها استفاده شود.

یکی دیگراز موارد استفاده از این فناوری استفاده رادیولوژیست های UC San Diego و سایر پزشکان از یک هوش مصنوعی (AI)برای تقویت تجزیه و تحلیل تصویر برداری ریه در یک مطالعه تحقیقات بالینی که توسط خدمات وب آمازون (AWS) استفاده شده است ، می باشد. توانایی جدید هوش مصنوعی تا کنون ، بیش از 2000 تصویر بینش منحصر به فرد را برای پزشکان بهداشت UC San Diego فراهم کرده است در یک مورد ، بیمار در بخش اورژانس که هیچ علایمی از COVID-19 نداشت ، به دلایل دیگر تحت پرتونگاری قفسه سینه قرار گرفت. با این وجود ، هوش مصنوعی اشعه ایکس علائم ذات الریه را نشان داد ، که بعدا توسط رادیولوژیست تأیید شد.در نتیجه ، بیمار برای COVID-19 مورد آزمایش قرار گرفت و مشخص شد که از نظر بیماری مثبت است. این قابلیت جدید از ماهها قبل شروع شد که آلبرت هسیا ، دکترای تخصصی ، استادیار رادیولوژی در دانشکده پزشکی دانشگاه کالیفرنیا سن دیگو و رادیولوژیست در دانشگاه علوم پزشکی سن دیگو ، و تیم وی الگوریتم یادگیری ماشینی را توسعه دادند که به رادیولوژیست ها اجازه می دهد از هوش مصنوعی برای افزایش توانایی های خود در تشخیص پنومونی در اشعه X قفسه سینه استفاده کنند. این الگوریتم با 22000 نشانه گذاری توسط رادیولوژیست های انسانی آموزش دیده ، نقشه های رنگی را نشان می دهد که نشانگر احتمال پنومونی است.

از طرفی دانشمند مراکشی وعده یک مکانیسم هوش مصنوعی برای کمک به مبارزه با کرونا ویروس جدید را داده است. استاد علوم کامپیوتر در دانشگاه نیویورک (NYU) متولد مراکش ، دکتر آناس باری، یک ابزار هوش مصنوعی (AI) را برای تجزیه و تحلیل و مهار تکامل پاندمی COVID-19 طراحی کرده است. باری با مدیریت تیمی از محققان و دانشمند ها در NYU ، برای ایجاد و مطالعه اثربخشی یک ابزار هوش مصنوعی جهت پیش بینی بیماران در معرض خطر ابتلا به بیماری و تعیین جدی بودن عفونت های COVID-19 کمک کرد. ین  دانشمند و استاد مراکشی دارای مدرک لیسانس مهندسی کامپیوتر از دانشگاه Al Akhawayn در ایفران مراکش (AUI) است و در حال مذاکره بین NYU و AUI برای استفاده از فناوری تازه توسعه یافته در مقابله با گسترش COVID-19 در مراکش است. اگرچه مراکش از تحقیقات و توسعه علمی هوش مصنوعی زیادی برخوردار نیست ، اما دانشمندان مهاجر مراکشی در خارج ، در حال به  کارگیری تخصص خود در زمینه هوش مصنوعی ،به ویژه در زمینه بحران COVID-19 ، که مستلزم سطح بالایی از تعامل علمی است ، هستن دتا این بحران هر چه زودتر تمام شود.

در این میان تحقیقات دیگری که دانشمندان انجام داده اند موجب شده تا پیشرفت های هوش مصنوعی فقط منتهی به اینها نباشد. محققان اکنون مدل های رایانه ای را براساس هوش مصنوعی (AI) تهیه می کنند که تعیین ریسک خطر نیاز یک فرد بیمار به ونتیلاتور یا مراقبت های ویژه را محاسبه می کند. چندین شرکت غیر بهداشتی در حال حاضر در تلاشند تا تهویه مطبوع تولید کنند زیرا موارد COVID-19 و هرچه بیشتر در سطح جهان بحرانی می شوند. ” مادس نیلسن از دانشگاه کپنهاگ در دانمارک گفت: با استفاده از این مدل های هوش مصنوعی ، به عنوان مثال بیمارستان ها می توانند بدانند که 40٪ از 300 بیمار بستری آنها احتمالاً در طی یک هفته به یک دستگاه تهویه احتیاج دارند.مادس نیلسن از دانشگاه کپنهاگ در دانمارک گفت: این فناوری به آنها اجازه می دهد تا منابع خود را به بهترین شکل برنامه ریزی کنند و به کار گیرند. با استفاده از این برنامه هوش مصنوعی مس توان یک آمار تقریبا درست از شرایط بیماران به دست آورد تا بتوان برنامه ریزی دقیق تری برای درمان بیماران انجام داد و جان چندین هزار نفر را نجات داد به گفته محققان ، الگوریتم ها مقدار زیادی از داده ها را از منابع متعدد جمع آوری می کنند. این داده ها شامل پرتونگاری ایکس ، آزمایشات و اندازه گیری های انجام شده از بیماران هنگام ورود به بیمارستان به همراه سوابق الکترونیکی سلامت آنها است. با استفاده از ایننرم افزار همه داده ها به یک رایانه  منتقل می شوند که طی چند دقیقه ، مدل محاسبه می کند که یک بیمار خاص نیاز به یک دستگاه تهویه مطبوع دارد، و این اظلاعات را چند روز قبل اعلام میکند. گرچه از این مدل ها به عنوان پایه ای برای معالجه بیماران منفرد استفاده نخواهد شد ،اما از آن به عنوان ابزاری برای برنامه ریزی استفاده می شود که هنوز هم می تواند تفاوت بزرگی برای کارمندان بیمارستان ایجاد کند.

علاوه بر تمام فناوری هایی که گفته شد، در یک متد جدید تشخیص covid-19 هوش مصنوعی با صدای افراد ، آلوده بودن آنها را ارزیابی می کند. در حال حاضـر ، چندین سازمان روی نرم افزاری کار می کنند که می توانند COVID-19 را با گوش دادن به مکالمات تـشـخـیـص دهـنـد.اولین گـروه از این تیم ها توسـط دانشمندان دانشگاه هاروارد و MIT تشکیل شـده اسـت. هـدف این تیم شناسایی علائمی است که فقط در صدای افراد مبتلا به این بیماری مشهود است و از این طریق تشخیص را تسهـیل می کند.ابتکار دیگر کار Voca.ai اسـت. این سازمان با هدف دیگر یک راهکار مشابه دارد. آنها نمونه هـای گفتـار و صـدا را از بـیـماران و افراد سـالم به صـورت داوطلبانه جمع آوری می کنند. یک مطالعه مشابه در CyLab که وابسته به دانشگاه کارنگی ملون است انجام شده است. هوش مصنوعـی ایـجاد شـده توسـط ایـن تیم همچنیـن می توانـد بفهـمد که آیا افراد با استفاده از تشخیص صدا برای COVID-19 آزمایش شده اند. اگرچه در آزمایشگاه اعلام شده اسـت که آزمایشات آنها ماهیت پزشکی معتبری ندارد ،اما از این سازمان ها خواسته شده تا تست های آنلاین خود را از روی اینترنت حذف کنـند.تـیـم CyLab اظهـار داشـت کـه آنـهـا مـی دانـند که چرا دانشگاه از آنها خواسته است تست های آنلاین را حذف کنند ، اما این روند فرصت های بسیار مهمی برای جمع آوری اطـلاعـات در مورد ایـن بیمـاری ارائـه مـی دهـد. بـرای شـنـاخـت بیـماری بـاید اطـلاعات بـیشـتری جمع آوری شود

به این صورت بیشتراین پیشرفت ها در زمینه هوش مصنوعی و با توجه به نیاز زیادی که امروزه برای ایجاد یک راه درمانی برای درمان بیماری همه گیر کرونا صورت گرفته محققان و کارشناسان زیادی در زمینه های هوش مصنوعی رباتیک و علوم داده در حال کار هستند تا هرچه سریع تر این بیماریرا کنترل و مهار کنند.

 

هوش مصنوعی

انواع هوش مصنوعی

 

 

 

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

طراحی سایت

هوش مصنوعی

انواع هوش مصنوعی

 

 

 

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

طراحی سایت

انواع هوش مصنوعی

انواع هوش مصنوعی

 

 

 

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

طراحی سایت