اخبار:
آیا هوش مصنوعی می تواند ناجی جنگل های آمازون باشد؟
در ماه مارس سال جاری، منطقه ای از جنگل در Triunfo do Xingu تخریب شد که معادل 700 زمین فوتبال است. منطقه حفاظت شده (APA) در گوشه جنوب شرقی آمازون برزیل قرار دارد و بیش از 16000 کیلومتر مربع را پوشش می دهد. این یکی از بزرگترین مناطق حفاظت شده در سطح جهان است و طبق ابزار جدیدی به نام PrevisIA خطر تخریب بالایی دارد. این پلت فرم هوش مصنوعی توسط محققان غیرانتفاعی محیط زیست آمازون برای جلوگیری از جنگل زدایی به جای تعمیر آن توسعه داده شده است. فعالیتهای غیرقانونی مانند استخراج معادن، قطع درختان، و غارت زمین، علیرغم محافظت تحت قوانین برزیل، باعث ویرانی در Triunfo do Xingu شده است. با این حال، با PrevisIA، پتانسیل تغییر وجود دارد زیرا آمازون با مقامات سراسر منطقه همکاری میکند تا قبل از وقوع جنگلزدایی متوقف شود.
صنعت:
هوش مصنوعی چگونه صنعت املاک و مستغلات را تغییر خواهد داد؟
پیشرفت های اخیر در مورد هوش مصنوعی که بر هوش مصنوعی مولد متمرکز شده است، می تواند پاسخ های آگاهانه ای به ورودی های پیچیده ایجاد کند. هوش مصنوعی پتانسیلی برای ایجاد توضیحات دارایی، بهبود هدف گذاری تبلیغات و مدیریت پاسخ های خدمات مشتری در صنعت املاک و مستغلات دارد. با این حال، هوش مصنوعی جایگزین آژانسهای املاک و مستغلات نمیشود یا نیاز آنها به مهارت بازاریابی را نفی نمیکند. پیشرفت مدلهای یادگیری به هوش مصنوعی اجازه میدهد تا پاسخهای هدفمند را جمعآوری کند و بینشهای مرتبط را ارائه دهد. استفاده از هوش مصنوعی تغییرات، کارایی ها و فرصت هایی را در سراسر صنعت مسکن ایجاد می کند.
شکل جستجو برای خانه تکامل یافته است. این فرآیند به طور مداوم و تدریجی در سایت های لیست آنلاین بهبود می یابد. با توجه به انجمن ملی ملکی، 41٪ از خریداران خانه جستجوی خود را برای خانه به صورت آنلاین آغاز می کنند، در حالی که 93٪ از جستجوهای آنلاین در تلاش های خود برای خرید خانه استفاده می کنند. هوش مصنوعی وعده می دهد که این فرآیند را ساده تر، شخصی تر و کارآمدتر کند.
هوش مصنوعی ویژگیهای جستجو را فعال میکند که به کاربر اجازه میدهد تصاویر خانهها یا ویژگیهای مورد علاقه خود را وارد کند و تجربهای بسیار سفارشیسازی شده را ایجاد کند. جستجوی صوتی همچنین توانایی آنها را برای یافتن خانه هایی با ویژگی های دقیق یا احساسی که به دنبال آن هستند، ساده می کند.
به طور مشابه، مدلهای یادگیری هوش مصنوعی که به طور فزایندهای جزئیترین اولویتهای خریدار خانه را یاد میگیرند، میتوانند ویژگیهایی را پیدا کنند و به طور خودکار آنها را تبلیغ کنند که با آرزوهای آنها برای یک خانه خاص مطابقت دارد. این مدل ها حتی می توانند تمایلات، علایق، تمایلات ناخودآگاه را تشخیص دهند. خانههایی که با اولویتها مطابقت دارند، میتوانند بهطور مجازی صحنهسازی شوند تا ترجیحات طراحی را بیشتر منعکس کنند - به مشتری این امکان را میدهند تا هر خانهای را به شکلی که تصور میکند زندگی در آن را تصور میکنند، تجسم کند.
هوش مصنوعی میتواند فرآیند خرید و فروش خانه را با استفاده از مدلهای یادگیری برای تعیین اینکه چه کسی احتمالاً خانهای را خریداری میکند و نحوه اجرای آن را بهبود بخشد. همچنین میتواند تعمیرات و نوسازیهایی را توصیه کند که به نفع فرآیند فروش باشد، ارزش بازار و هزینههای پروژههای نوسازی را پیشبینی کند و تصمیمهای اعتباری سریعتری بگیرد. هوش مصنوعی این پتانسیل را دارد که مدلهای اعتباری بهتری تولید کند که مصرفکنندگان را واجد شرایط عادلانهتر کند.
مقاله:
A novel CT image de-noising and fusion based deep learning network to screen for disease (COVID-19)
کنترل بیماری همه گیرCOVID-19 ناشی از SARS-CoV-2 دشوار است و به روش های غربالگری قابل اعتماد و سریع نیاز دارد. واکنش زنجیره ای پلیمراز رونویسی معکوس حساسیت کمی دارد، در حالی که توموگرافی کامپیوتری ممکن است بهترین روش غربالگری باشد. یک روش کاهش نویز جدید برای بهبود کیفیت تصاویر CT برای پسبخشبندی پیشنهاد شده است و یک مدل مبتنی بر CNN برای پیشبینی COVID-19 از تصاویر CT ایجاد شده است. مدل Assessment Fusion Based نتایج حاصل از معماری های مختلف CNN را ترکیب می کند و در موقعیت های تشخیصی واقعی به خوبی عمل می کند.
آموزش:
حملات خصمانه در یادگیری ماشین چیست؟
حملات خصمانه (Adversarial Attacks) در یادگیری ماشین به دستکاری عمدی داده های ورودی برای وادار کردن مدل یادگیری ماشین به پیش بینی یا تصمیم گیری نادرست اشاره دارد. این حملات برای سوء استفاده از آسیبپذیریهای الگوریتمهای مدل طراحی شدهاند و میتوانند برای اهداف مخرب مانند فریب دادن وسایل نقلیه خودران، دور زدن سیستمهای امنیتی یا دستکاری تراکنشهای مالی مورد استفاده قرار گیرند.
حملات خصمانه می توانند اشکال مختلفی داشته باشند، از جمله افزودن نویز یا اغتشاش به داده های ورودی، اصلاح تصاویر یا متن، یا حتی تغییر فیزیکی اشیا. هدف ایجاد داده های ورودی است که برای انسان عادی به نظر می رسد اما مدل یادگیری ماشین را به اشتباه می اندازد.
حملات خصمانه یک نگرانی قابل توجه در یادگیری ماشین هستند زیرا می توانند قابلیت اطمینان و قابل اعتماد بودن مدل ها را تضعیف کنند. محققان در حال کار بر روی توسعه دفاع در برابر این حملات هستند، مانند مدلهای آموزشی با نمونههای متخاصم و استفاده از تکنیکهایی مانند آموزش خصمانه و بهینهسازی قوی. با این حال، همانطور که مهاجمان پیچیده تر می شوند، این یک چالش مداوم برای حوزه یادگیری ماشین باقی می ماند.
کدینگ:
کتابخانه SpaCy
SpaCy یک کتابخانه پردازش زبان طبیعی (NLP) منبع باز برای پایتون است. این کتابخانه برای کمک به توسعه دهندگان در ساخت برنامه هایی طراحی شده است که حجم زیادی از داده های متنی را پردازش و تجزیه و تحلیل می کنند. SpaCy طیف وسیعی از ویژگیها را برای وظایف NLP مانند توکنسازی، برچسبگذاری بخشی از گفتار، شناسایی موجودیت نامگذاری شده، تجزیه وابستگی و موارد دیگر فراهم میکند. همچنین شامل مدل های از پیش آموزش دیده برای چندین زبان است که می توانند مورد استفاده قرار گیرند یا برای موارد استفاده خاص تنظیم شوند. SpaCy به طور گسترده در صنعت و دانشگاه برای کاربردهای مختلف NLP مانند رباتهای گفتگو، تحلیل احساسات، طبقهبندی متن و استخراج اطلاعات استفاده میشود. SpaCy به دلیل سرعت و دقت آن از محبوبیت بالایی برخوردار است.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://hushmandkharazmi.com
تلگرام:
https://t.me/princeofaii