یادگیری عمیق و هوش مصنوعی چگونه به پیشرفت صنایع کمک می‌کند؟

کلماتی نظیر داده‌های بزرگ و IoT در چند سال اخیر، موضوعاتی داغ بوده‌اند. رزولوشن تصویر بهتر و IoT منجر به تولید مقادیر بسیاری داده می‌شوند. این داده‌ها باید غربال شده و تنها داده‌های ارزشمند ضبط و ذخیره‌سازی گردد. به همین منظور تولیدکنندگان دوربین و نرم‌افزار، در حال تولید فناوری‌های هوش مصنوعی و یادگیری عمیق و افزودن آن به راه‌کارهای ویدئوآنالیتیک هستند. این پیشرفت در تکنولوژی برای مواجهه با همه‌ی اطلاعات مؤثر و کاربردی می‌باشد، بنابراین کارایی و بهره‌وری این سیستم‌ها را افزایش می‌دهد.

استفاده از یادگیری عمیق و هوش مصنوعی در بخش امنیت

طبق گزارش Marketsand Markets، در بخش حفاظت، بازار هوش مصنوعی در سال 2016 به مبلغ 3 میلیارد دلار ارزش داشت و انتظار می‌رود تا سال 2025 این مبلغ به 34.8 میلیارد دلار برسد، یعنی رشد سالانه‌ی 31.4 میلیارد درصدی طی دوره‌ی زمانی 2017 تا 2025.ویلم ریان Willem Ryan نایب رئیس مارکتینگ و ارتباطات جهانی در کمپانی Avigilon گفت: صنعت حفاظت، امروزه با انبوهی از داده‌های جمع‌آوری شده و محدودیت‌های قابل توجه بشر در جستجوی مؤثر آن داده‌ها مواجه شده است. بنابراین تقاضا برای ویدئوآنالیتیک روز به روز در سراسر جهان افزایش می‌یابد. کمپانی Avigilon با کمک هوش مصنوعی در حال دست یافتن به فناوری‌ها و محصولاتی است که با تمرکز بر توجه بشر به آنچه بالاترین اهمیت را دارد، به طور چشمگیری بهره‌وری سیستم‌های حفاظتی را افزایش دهد. فناوری جستجوی ظاهر اشخاص در کمپانی Avigilon، که یک موتورجستجوی هوش مصنوعی یادگیری عمیق پیشرفته است، طراحی شده تا جستجوی صحنه‌های نظارت تصویری را آسان کند. Ryan اظهار داشت: این فناوری، ویژگی‌های منحصر به فرد چهره‌ی اشخاص و همینطور شکل، اندازه، بافت و رنگ لباس‌ها را با یکدیگر به کار می‌برد تا به سرعت، یک فرد به خصوص را بیابد. با استفاده از مشخصات منحصر به فرد ترکیب شده‌ی چهره بر اساس رنگ مو و سایر ویژگی‌های صورت، این فناوری طراحی شده تا سرعت و دقت تحقیقات را با تشخیص و درک اینکه تمامی این مشخصات متعلق به یک نفر است، افزایش دهد، حتی اگر فرد لباس‌های خود را در دفعات بعدی عوض کند. هوش مصنوعی استفاده می‌شود تا سطح جدیدی از اتوماسیون را برای نظارت تصویری به ارمغان بیاورد. یک نمونه از این راه‌کارها، فناوری تشخیص حرکات غیر معمول (UMD) متعلق به Avigilon می‌باشد.

مزایای هوش مصنوعی در شهرهای هوشمند

Ryan افزود: فناوری UMD بدون قوانین یا تنظیمات از پیش تعریف شده، می‌تواند به طور مداوم بیاموزد که در یک صحنه چه فعالیتی معمول به نظر می‌رسد و سپس حرکات غیر معمول را تشخیص می‌دهد. این قابلیت به اپراتورها اجازه می‌دهد تا بتوانند سریع‌تر مقادیر زیادی ویدئو را جستجو نمایند، چرا که UMD توجه آنان را به وقایع غیر معمولی جلب می‌کند که ممکن است نیاز به جستجوی بیشتری داشته باشد؛ بنابراین کارهای چند ساعته‌ی خود را در عرض چند دقیقه می‌توانند انجام دهند.هوش مصنوعی برای ساخت ساختمان‌هایی کارآمدتر نیز به کار می‌رود. مواردی نظیر بهره‌ وری انرژی، اهمیتی روزافزون می‌یابند چرا که شهرها و ساختمان‌های هوشمند روز به روز بیشتر می‌شوند.

موارد کاربری هوش مصنوعی

با این حال، ساختمان‌های هوشمند با کمک هوش مصنوعی و یادگیری عمیق می‌توانند هوشمندتر نیز شوند. مقاله‌ای که توسط یک تحلیلگر در مرکز تحقیقات Navigant Research نوشته شد سه دلیل برای این سؤال مطرح کرد که چرا ساختمان‌های تجاری برای هوش مصنوعی آماده هستند: سازگاری سریع IoT دربی را به سوی حضور هوش مصنوعی در ساختمان‌ها می‌گشاید، مشتریان به دنبال کسب آسایش بیشتر با کمک فناوری‌های جدید هستند و هوش مصنوعی می‌تواند توانمندی‌های مالکان ساختمان‌ها را نیز افزایش دهد. کمپانی Verdigris Technologies حسگر و نرم‌افزار انرژی IoT مبتنی بر هوش مصنوعی را به عنوان خدمات برای ساختمان‌های تجاری و صنعتی عرضه می‌کند که مصرف صحیح برق و تجهیزات برقی را می‌آموزد و سیستم‌های مدیریت ساختمان را بهینه‌سازی می‌کند. جاناتان چو (Jonathan Chu) مدیر ارشد فناوری کمپانی Verdigris Technologies گفت: راه‌کار سخت‌افزاری ما یک جریان داده‌ی بسیار مجزا و تفکیک شده است. این داده برای مدل‌های هوش مصنوعی، زیرساخت ارائه می‌کند. ما تکنیک‌های یادگیری عمیق را استفاده می‌کنیم تا به مشتریان در مصرف انرژی‌هایشان بینش و درک عمیق‌تری ببخشیم. پیش از این، کمپانی نامبرده یک تکنیک یادگیری ماشین مبتنی بر فیزیک را برای تشخیص دستگاه به کار می‌بُرد، اما اکنون از یادگیری عمیق بهره‌ می‌برد. این تغییر، نتایج بهتری برای پیش‌بینی و تجزیه‌ی انرژی به دست می‌دهد. الگوریتم پیش‌بینی کننده یک شبکه‌ی نورونی نظارت شده است که از حافظه‌ی کوتاه‌مدت برای داده‌های قبلی استفاده می‌کند.  Chu تشریح کرد: تجزیه، یک مدل ترکیبی است که شبکه‌ی نورونی که مورد نظارت قرار نگرفته را با یک شبکه‌ی کاملاً متصل ترکیب می‌کند. طبقه بندی، در نقشه‌ی محصولات ما برای استفاده از یادگیری عمیق نیز به کار می‌رود. با جمع‌آوری کامل داده‌ها به صورت بی سیم، می‌توانیم یادگیری عمیق را برای راه‌کارهای پیش‌بینی و تجزیه‌ به شکلی آنی و قابل دسترسی، به کار ببریم.