آرشیو دسته بندی ها: مقالات

از گذشته تا کنون، بشر متکی بر اقیانوس ها بوده است. با شروع معاملات با کشورهای دیگر، اهمیت بندرگاه های اطراف جهان افزایش یافته و امروزه این بندرگاه ها نقشی کلیدی را به عنوان بخشی مهم در زیربنای حمل و نقل جهانی ایفا میکنند. این بندرگاه ها باعث باز شدن دروازه ای رو به سوی جهان بیرونی شده و این امکان را برای ملیت های مختلف فراهم نموده اند که به اقتصادهای صادرات-محور تبدیل شده و از معاملات خارجی بهره مند شوند. با جهانی سازی هر چه بیشتر دنیای بشر، نقش بندرگاه ها تغییر یافته است و در کنار مزایای اینگونه معاملات، چالش ها و فشارهایی مرتبط با مدیریت امنیت نیز به وجود آمده است.

این صنعت مملوء از تناقضات است. علیرغم توسعه سریع بندرگاه ها، بدون شک مدیریت امنیت مورد نیاز خواهد بود و از سوی دیگر احساس نیاز به سرویس های امن، کارآمد و قابل کنترل حس خواهد شد. همچنین بر اپراتورها فشاری مبنی بر حصول اطمینان از قرارگیری درست سیستم ها وجود دارد. با این حال، در مناطق نظارت بندرگاهی بزرگ و در برخی از شرایط پیچیده، مدیریت و کنترل این نوع دفاع غیرنظامی میتواند بسیار سخت تمام شود.

تحت خطر بودن امنیت بندرگاهی

یک منطقه بندرگاهی معمولا چندین کیلومتر مربع را پوشش میدهد، اما برخی از نواحی بندرگاهی به ده ها کیلومتر مربع هم میرسند. بنابراین با پوشش دهی یک قلمروی بزرگ با سیستم حمل و نقل پیچیده، سپس افزودن تعداد زیادی ورودی و فنس های پیرامونی، کانال های طولانی، فضاهای ذخیره سازی با مقیاس بزرگ و تعداد محل های ایست و لنگر اندازی، این موضوع تعجب آور نخواهد بود که نیازهای امنیتی باعث افزایش قابل توجه تعداد ایستگاه های کاری در سراسر یک بندرگاه میشود. اما در صورت تکیه بر دفاع غیرنظامی، ­امنیت دریایی چگونه به مدیریت و بررسی عملیات های عادی میپردازد؟ در حال حاضر با توسعه تکنولوژی، مهاجرین غیرقانونی و جرائم سازماندهی شده روی مدیریت امنیت تاثیر گذار بوده اند. اما بکارگیری منابع انسانی برای انجام مبارزه ای کارآمد، بسیار بی فایده خواهد بود و در اکثر موارد، نقش فرد مورد نظر بسیار یکنواخت و خسته کننده خواهد شد. بنابراین آنچه منطقی می نماید، ترکیب رویکردهای محافظتی با دفاع هوشمند است.

مدیریت های چندگانه

تبادل و به اشتراک گذاری داده ها بخشی از فرآیند اطلاعاتی سازی است. بندرگاه ها هر یک از ایستگاه های کاری را به عنوان واحدی می بینند که داده های مربوط بازبینی ویدئویی را به دست می آورند. در بیشتر موارد، بکارگیری و مدیریت ویدئوها و داده های بیزینسی به صورت نسبی متکی بر هر یک از این ایستگاه ها هستند. بنابراین فقدان نوعی سیستم امنیتی تحت شبکه وجود دارد که یکپارچه، سیستماتیک و چندسطحی باشد. از همه مهمتر، بندرگاه ها باید به متعادل سازی تقاضا برای اختصاص درست و کنترل دسترسی از مراکز بازبینی به زیرمجموعه این مراکز، زیرمجموعه مراکز به نقاط بازبینی موجود در گمرکات، ادارات امنیت عمومی واقع در بندرگاه ها، ادارات دریایی و دفاع مرزی و غیره بپردازند.

اصلاح هوشمندانه بندرگاه ها

با ظهور بندرگاه های هوشمند، نیاز به مدیریت امنیت هوشمندانه بیشتر از پیش خود را نمایان میسازد، مخصوصا در تشخیص اتوماتیک کانتینرها، کارمندان و رانندگانی که به صورت مداوم وارد بندرگاه و یا از آن خارج میشوند. برای پشتیبانی از اطلاعیه های سیستم مدیریت اطلاعات ﴿IMS﴾ در هر یکی از مراحل مهم این جریان، یک سیستم مدیریتی چندرسانه ای نیاز است که از آن میتوان در کنار یک سیستم  ورود و یک سیستم امنیتی استفاده نمود. نصاب ها میتوانند داده های ابتدایی را از طریق برچسب های الکترونیکی و دوربین ها به دست آورند و بدین شکل یک فرایند کامل و یک سیستم کنترل مدیریت چندسویه را برای محموله های ورودی و خروجی محقق سازند. در عین حال امنیت بندرگاه ها را میتوان از طریق ترکیب و همکاری تکنولوژی تشخیص چهره، تجزیه و تحلیل ردیابی و ابزارهای حرکت ویدئویی با دستگاه های پخش و اخطار صوتی تضمین نمود.

تقاضاهای بازبینی چالش برانگیز

با تکامل وپیشرفت مداوم نیازهای بازبینی محصولات و تکنولوژی نظارت ویدئویی، بکارگیری این سیستم ها در مناطق بندرگاهی نیازمند پیشروی با نیازهای روز است. نخست، تصویربرداری با کیفیت بالا: از آنجایی که بندرگاه ها حجم زیادی از افراد، خودروها و قایق ها را در سراسر حوزه خود جمع میکنند، برای تشخیص جزئیات باید از یک دوربین با رزولوشن بالا استفاده کرد تا قادر به انجام این کار باشد. علاوه بر این، میزان روشنایی پایین و بازبینی دورادور در شب از جمله مسائلی هستند که باید مورد توجه قرار بگیرند. در بندرگاه ها، عمده ی حملات در طول شب یا در جریان مه غلیظ صورت میگیرند، بنابراین چگونگی اطمینان حاصل نمودن از امنیت بندرگاه در چنین شرایطی موضوعی حائزاهمیت است. تقاضای بالای فعلی برای استفاده در بندرگاه ها شامل نظارت دورادور، بازبینی به صورت پانوراما و محصولاتی میشود که ضدانفجار و ضدزنگ هستند.

بنابراین بندرگاه های جهانی درگیر شرایط چالش برانگیزی هستند. یافتن راهی برای حل و فصل این شرایط موضوعی مهم است.

برگرفته از مجله Git-Security

http://www.didarc.com/fa/news/an-introduction-to-harbour-surveillance

این روزها یادگیری عمیق به موضوعی داغ تبدیل شده است و در طیف گسترده ای از صنایعی که در حال سرمایه گذاری روی زمینه هایی چون هوش مصنوعی، کلان داده و آنالیتیکها هستند ریشه دوانده است. به عنوان مثال شرکت گوگل از یادگیری عمیق در الگوریتم های تشخیص صدا و تصویر استفاده نموده است، این در حالی است که شرکت هایی چون نتفیلیکس و آمازون در حال استفاده از آن برای فهم رفتار مشتریان خود هستند. شاید باور آن برای شما دشوار باشد، اما محققین دانشگاه ام.آی.تی در تلاش برای پیش بینی آینده با استفاده از یادگیری عمیق هستند. حال به این موضوع فکر کنید که یادگیری عمیق از چه پتانسیلی برای راه اندازی انقلاب در جهان و نحوه ی کار ما با چیزهای اطرافمان برخوردار است. قبل از صحبت از یادگیری عمیق باید رابطه ی آن را با یادگیری ماشین و هوش مصنوعی متوجه شد. راحت ترین راه برای فهم این ارتباط، مراجعه به دیاگرام زیر است:

• هوش مصنوعی – مهندسی ساخت ماشین ها و برنامه های هوشمند
• یادگیری ماشین – قابلیت یادگیری بدون آنکه مشخصا برنامه ریزی صورت گرفته باشد
• یادگیری عمیق – یادگیری بر اساس شبکه های عصبی عمیق

طبق شکل بالا متوجه خواهید شد که یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است. این بدین معناست که میتوانیم ماشین هایی هوشمندی را بسازیم که قادر به یادگیری بر اساس داده های ارائه شده هستند. علاوه بر این، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن از الگوریتم های یادگیری ماشین مشابهی برای آموزش شبکه های عصبی استفاده شده است؛ این کار برای کسب دقت بیشتر در مواردی انجام میشود که یادگیری عمیق  قادر به ارائه عملکرد کافی نبوده است. موضوعات زیر در ادامه مقاله مورد بررسی قرار خواهند گرفت:

• هوش مصنوعی
• یادگیری ماشین
• نقاط ضعف یادگیری ماشین

1. هوش مصنوعی

اصطلاح هوش مصنوعی در سال 1956 توسط جان مک کارتی ساخته شد؛ وی پدر هوش مصنوعی نام گرفته است. ایده ی پشت طرح هوش مصنوعی بسیار ساده و شگفت انگیز است. هدف از طرح هوش مصنوعی ساختن ماشین های هوشمندی بوده است که قادر به تصمیم گیری هستند. شاید این طرح همچون نوعی فانتزی علمی به نظر برسد، اما با توجه به پیشرفتهای اخیر صورت گرفته در تکنولوژی و قدرت محاسبات، این ایده هر روز بیشتر از پیش در حال نزدیک شدن به واقعیت است.

2. یادگیری ماشین: گامی به سوی هوش مصنوعی

حال که با مفهوم هوش مصنوعی آشنا شده اید، نوبت آن است که در مورد یادگیری ماشین صحبت شود و اینکه برنامه دهی ماشین ها برای یادگیری به چه معناست. ابتدا با تعریفی مشهور از یادگیری ماشین شروع میکنیم:

تعریف تام میشل از دانشگاه­ کارنژی ملون: «زمانی میتوان گفت که یک برنامه کامپیوتری از تجربه E با توجه به وظیفه T و ارزیابی عملکرد P یاد میگیرد که طبق ارزیابی P، عملکرد آن روی T، با کمک تجربه E بهبود یابد».

بنابراین در صورتی که بخواهید برنامه شما الگوهای ترافیکی موجود در یک تقاطع شلوغ ﴿وظیفه T﴾ را پیشبینی کند، از طریق الگوریتم های یادگیری ماشین و با کمک داده های موجود در مورد الگوهای ترافیکی قدیمی ﴿تجربه E﴾ میتوانید این کار را انجام دهید. دقت پیشبینی صورت گرفته ﴿ارزیابی عملکرد P﴾ به این بستگی دارد که آیا برنامه مربوطه موفق به استفاده از مجموع داده های موجود شده است یا خیر ﴿تجربه E﴾.

اساسا یادگیری ماشین به نوعی هوش مصنوعی اطلاق میشود که در آن کامپیوترها بدون نیاز به حجم زیادی از داده برای برنامه ریزی شدن، قدرت یادگیری پیدا میکنند. قانون و قاعده اصلی پشت یادگیری ماشین، یادگیری از مجموع داده ها و تلاش برای حداقل رساندن خطاها و به حداکثر رساندن احتمال به وقع پیوستن پیشبینی های آنها است.­

3. نقاط ضعف یادگیری ماشین

به هنگام کار با داده های بُعد-بالا، یعنی زمانی که با تعداد زیادی ورودی و خروجی سر و کار داشته باشیم، الگوریتم های یادگیری ماشین قدیمی چندان کاربرد ندارند. به عنوان مثال به هنگام تشخیص دست خط افراد، مقادیر زیادی ورودی موجود است­ که در آن انواع مختلفی ورودی که­ تداعی کننده انواع دست خط ها هستند وجود خواهد داشت. چالش اصلی دوم فهماندن این موضوع به کامپیوتر است که باید به دنبال چه ویژگی هایی باشد که نقشی مهم در پیش بینی نتیجه و همچنین کسب دقت بیشتر در حین انجام این کار ایفا خواهد کرد. به این فرآیند استخراج ویژگی گفته میشود.

دادن داده های خام به الگوریتم ها به ندرت کارایی داشته و به همین دلیل است که استخراج ویژگی بخش مهمی از جریان کاری یادگیری ماشین قدیمی را تشکیل میدهد. بنابراین بدون استخراج ویژگی، چالش های پیش روی برنامه نویس مربوطه افزایش پیدا میکند، چرا که کارایی الگوریتم ها تا حد زیادی به بینش برنامه نویس آن بستگی دارد. ­

از این رو بکارگیری این مدل یادگیری ماشین یا الگوریتم ها در برنامه هایی چون تشخیص اشیاء، تشخیص دست خط، پردازش زبان های طبیعی NLP و غیره بسیار دشوار است.

برگرفته از edureka

http://www.didarc.com/fa/news/what-is-deep-learning

یادگیری عمیق یکی از تنها متدهایی است که با آن میتوان بر چالش های استخراج ویژگی غلبه کرد؛ به این دلیل که مدل های یادگیری عمیق قادر به یادگیری تمرکز روی ویژگی های مناسب بوده و به راهنمایی کمی از سوی برنامه نویس نیازمند هستند. اساسا یادگیری عمیق از نحوه ی عملکرد مغز تقلید میکند، به عبارت دیگر از تجربه ها یاد میگیرد. همانطور که میدانید مغز ما از میلیاردها عصب تشکیل شده که به ما امکان انجام کارهای خارق العاده ای را میدهد.  حتی مغز یک بچه یک ساله نیز قادر به حل مشکلات پیچیده ای است که حل آنها برای سوپرکامپیوترها هم بسیار دشوار است. به عنوان مثال:

• تشخیص چهره والدین خود و همچنین اشیاء مختلف.
• تشخیص صداهای مختلف از یکدیگر و شناسایی افراد بر اساس صدای آنها.
• فهم حس و حال چهره سایر افراد و بسیاری از کارهای دیگر.

در حقیقت مغز ما در طول سالیان مختلف و به صورت نیمه خودآگاه خود را برای انجام چنین چیزهایی آموزش داده است. در حال حاضر، سوالی که پیش می آید این است که یادگیری عمیق چگونه از عملکرد مغز تقلید میکند؟ یادگیری عمیق از مفهوم عصب های مصنوعی که عملکردی مشابه عصب های های بیولوژیکی مغز انسانها دارند استفاده میکنند. بنابراین میتوان گفت که یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که خود به الگوریتم های الهام گرفته از ساختار و عملکرد مغز که شبکه های عصبی مصنوعی نامیده میشوند وابسته است.

حال برای روشن شدن این موضوع به مثال زیر نگاهی بیاندازید. ساختن سیستمی را متصور شوید که قادر به تشخیص چهره ی چندین فرد مختلف در یک تصویر باشد. در صورتی که این مشکل را به عنوان یک مشکل یادگیری ماشین معمولی حل کنیم، ویژگی های چهره ای چون چشم، دماغ،‌ گوش ها و غیره را تعریف خواهیم کرد و سپس سیستم تشخیص خواهد داد که کدام یک از ویژگی ها برای کدام یک از افراد حائزاهمیت است.

در حال حاضر یادگیری عمیق این کار را یک مرحله پیشتر برده است. یادگیری عمیق به صورت خودکار ویژگی های حائزاهمیت برای طبقه بندی را با کمک شبکه های عصبی عمیق خود پیدا میکند، این در حالی است که در یادگیری ماشین، این ویژگی ها باید به صورت دستی تعریف شوند.­

همانطور که در تصویر بالا نشان داده شده است، یادگیری عمیق به شکل زیر عمل میکند: در پایین ترین سطح، شبکه روی الگوهای کنتراست داخلی به عنوان موضوعی مهم تمرکز میکند. لایه بعدی قادر به استفاده از آن الگوهای کنتراست داخلی برای تمرکز روی چیزهایی که مشابه چشم ها، دماغ ها و دهان ها است. در آخر، لایه نهایی قادر به بکارگیری آن ویژگی های چهره در قالب های چهره است. یک شبکه عصبی عمیق قادر به ساخت ویژگی های پیچیده و پیچیده تری در هر یک از لایه های بعدی خود است.

آیا تا به حال این سوال برای شما پیش آمده است که فیسبوک چگونه به صورت خودکار تمامی افراد حاضر در یک تصویر آپلود شده توسط شما را لیبل و برچسب گذاری میکند؟ فیسبوک همچون مثال قبل که پیشتر ذکر شد از یادگیری عمیق استفاده میکند. قابلیت های یادگیری عمیق و اینکه چگونه در مواردی که از اثر یک سری از ویژگی ها بیخبر بوده ایم یادگیری عمیق توانسته از لحاظ عملکرد از یادگیری ماشین سبقت بگیرد از جمله مواردی هستنند که شاید تا به اکنون متوجه آنها شده باشید. ­

در نتیجه شبکه های عمیق میتوانند با بهره جویی از مجموع داده های شامل داده های ورودی فاقد برچسب گذاری مناسب، از پس نقاط ضعف یادگیری ماشین برآیند.

شبکه عصبی چیست؟

همانطور که از نام آن برمی آید، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است. یادگیری عمیق برای پرداختن به مشکلات یادگیری ماشین، بیشتر درگیر استفاده از شبکه های عصبی مصنوعی عمیق (الگوریتم ها/مدل های محاسباتی که تا حدودی از مغز انسان الهام گرفته اند) شده است.

حال سوالی که ذهن افراد را درگیر میکند این است که اصلا شبکه عصبی چیست و چه کاری در یادگیری عمیق انجام میدهد؟ به مقایسه زیر توجه کنید: شبکه ی عصبی را همچون یک سری درب که پشت سر یکدیگر قرار گرفته اند در نظر بگیرید و خود را به عنوان یک “ورودی” به شبکه عصبی موجود ببینید. هر زمان که یکی از این درب ها را باز میکنید، تبدیل به یک فرد جدید میشوید (به عبارت دیگر، به نحوی یک تغییر در شما اتفاق می افتد). و زمانی که به آخرین درب میرسید، به یک فرد کاملا متفاوت تبدیل شده اید. هنگامی که از درب آخر خارج میشوید، به “خروجی” شبکه عصبی تبدیل میشوید. در این مورد، هر یک از درب ها نشان دهنده ی یک لایه هستند. بنابراین یک شبکه عصبی مجموعه ای از لایه هایی است که به نحوی ورودی موردنظر را تغییر داده و به ایجاد خروجی پرداخته است.

هر یک از لایه های موجود در شبکه ی عصبی شامل “وزن ها” و “جهت گیری ها”ی خاص خود هستند – این موارد تنها اعدادی هستند که بر ورودی افزوده میشوند. عملکرد کلی شبکه های عصبی به این شکل است که تعدادی ورودی دریافت کرده (معمولا مجموعه ای از اعداد که نمایش دهنده ی چیزی هستند، به عنوان مثال، مقادیر قرمز-سبز-آبی پیکسل ها در یک تصویر)، با استفاده از وزن ها و جهت گیری های لایه های خود یک سری تغییرات محاسبه شده انجام داده و در نهایت یک خروجی را بیرون میدهد. در صورتی که قبلا یک سری کلاس جبر گذرانیده باشید میتوانید به این ورودی ها، خروجی ها و وزن ها به عنوان یک سری ماتریس نگاه کنید. ماتریس ورودی توسط یک سری ماتریس تغییر داده شده (به عبارت دیگر، ماتریس های وزن و جهت گیری های لایه مربوطه) و به خروجی شما تبدیل میشود. البته ذکر این نکته حائز اهمیت است که توصیف ارائه شده توضیحی بسیار ساده از نحوه عملکرد یک شبکه عصبی بوده و تنها برای فهم بهتر آن مطرح شده است.

یک شبکه عصبی عمیق تنها یک شبکه عصبی با تعداد لایه های زیاد است (با قرار دادن لایه ها روی یکدیگر، شبکه ی عصبی شما شروع به “عمیق تر” شدن میکند. ایده ی اولیه یادگیری عمیق، استفاده از شبکه های عصبی به همراه چندین لایه مختلف بوده است).

حال سوالی که مطرح میشود این است: شبکه ی عصبی چگونه یاد میگیرد؟ از طریق “پس انتشار“. این واژه به روش معمول برای آموزش یک شبکه عصبی گفته میشود که در آن خروجی اولیه سیستم با خروجی دلخواه مقایسه شده و تا جایی که تفاوت بین آنها به حداقل برسد، سیستم مربوطه تنظیم میشود. همانطور که قبلا گفته شد شبکه های عصبی از لایه هایی تشکیل شده اند که وزن ها و جهت گیری های خاص خود (که تنها مجموعه ای از اعدادند) را شامل میشوند. در جریان فاز آموزش، شبکه های عصبی در جهت یافتن وزن ها/جهت گیری های درستی تلاش میکنند که قادر به ارائه ی دقیقترین خروجی ها باشند. این کار با استفاده از روشی تحت عنوان پس انتشار انجام میشود. پیش از آموزش دادن یک شبکه عصبی، وزن ها/ جهت گیری ها یا به صورت رندوم و یا با توجه به یک مدل آموزش دیده شده ی قبلی آماده سازی میشوند. در هر دو صورت هنگامی که آموزش صورت میگیرد، شبکه ی عصبی آن وزن ها و جهت گیری ها را با توجه به آنچه که “یاد میگیرد” تغییر میدهد. هنگامی که یک شبکه ی عصبی میسازیم، باید روی چیزی به عنوان تابع هزینه تصمیم گیری (به عبارت دیگر، انتخاب یا طراحی) کنیم. تابع هزینه اساسا به نوعی تابع ریاضی گفته میشود که خروجی را از یک شبکه ی عصبی (برای یک ورودی معین) و داده ی عینی (به عبارت دیگر، خروجی مورد انتظار از شبکه ی عصبی برای ورودی مشخص شده) دریافت و میزان غلط/بد بودن نتیجه حاصل از شبکه های عصبی را محاسبه میکند.

با استفاده از تکنیک های بهینه سازی همچون گرادیان کاهشی، کامپیوتر شما چگونگی تغییر وزن ها و جهت گیری ها را یاد میگیرد تا بدین شکل تابع هزینه را به حداقل برساند. اما گرادیان کاهشی به چه معناست؟ گرادیان کاهشی یک الگوریتم بهینه‌سازی مرتبه اول الگوریتم تکرار شونده است. برای یافتن کمینه محلی یک تابع با استفاده از این الگوریتم، گام‌هایی متناسب با منفی گرادیان (یا گرادیان تخمینی) تابع در محل فعلی برداشته خواهد شد. اگر در استفاده از این الگوریتم، گام‌هایی متناسب با جهت مثبت گرادیان برداشته شود، به بیشینه محلی تابع نزدیک می‌شویم که به این فرایند گرادیان افزایشی گفته می‌شود. سیستم مربوطه با یاد گرفتن با توجه به داده های بیشتر و بیشتر به انجام این کار ادامه میدهد (خروجی را از شبکه ی عصبی دریافت، هزینه را محاسبه و برای تغییر وزن ها کار “پس انتشار” را که پیشتر توضیح داده شد انجام میدهد). به مرور زمان، وزن ها و جهت گیری های سیستم با توجه به داده ها تنظیم میشوند و در آخر شبکه ای عصبی با دقت خروجی بالا در دست خواهید داشت. به یاد داشته باشید که کارایی عملی یا دقت یک شبکه عصبی تا حد زیادی به داده های استفاده شده برای آموزش آن وابسته است: بنابراین این موضوع بسیار حائزاهمیت است که بانک اطلاعاتی مجموع داده های شما به درستی ساخته یا انتخاب شده باشد. بدون وجود داده ی خوب (و میزان داده ی خوب) کار آموزش یک شبکه ی عصبی دقیق بسیار دشوار تمام خواهد شد.

به علاوه، تابع هزینه اساسا میزان عدم دقت شبکه ی عصبی مربوطه را اندازه گیری میکند؛ با به حداقل رساندن تابع هزینه به وسیله تغییر وزن ها/جهت گیری ها، شبکه ی عصبی شما از لحاظ عددی بسیار دقیقتر خواهد شد. با این حال، دقت شبکه عصبی وابسته به داده ای است که بر اساس آن آموزش داده میشود؛ بنابراین یک هزینه پایین ضرورتا به معنای یک شبکه ی عصبی آموزش دیده به قدر کافی نیست.

موارد کاربرد یادگیری عمیق

1. تشخیص صدا

شاید اسم سیری به گوش شما خورده باشد؛ سیری یک راهنمای هوشمند صوتی در محصولات شرکت اپل است. همچون سایر غول های بازار، شرکت اپل نیز روی یادگیری عمیق سرمایه گذاری کرده تا بدین شکل بتواند خدمات خود را با کیفیت بیشتری در مقایسه با گذشته ارائه کند. در زمینه تشخیص صدا و راهنمای هوشمند صدایی چون سیری، افراد میتوانند با استفاده از شبکه های عصبی عمیق مدلهای صوتی دقیقتری را بسازند. در حال حاضر این زمینه یکی از فعالترین زمینه ها برای بکارگیری یادگیری عمیق است. به بیان ساده، با کمک این تکنولوژی شما قادر به ساخت سیستمی هستید که میتواند ویژگی های جدید یاد بگیرد و یا با توجه به شما خود را تغییر دهد. بنابراین با پیش بینی تمام احتمالات از قبل، به نحو بهتری راهنمایی در اختیار شما قرار میگیرد.

2. ترجمه ماشینی خودکار

همه ما میدانیم که گوگل قادر به ترجمه فوری بین 100 زبان مختلف بوده و سرعت آن به قدری است که همچون یک معجزه به نظر می آید. تکنولوژی پشت گوگل ترنزلیت ترجمه ماشینی نامیده میشود و برای افرادی که به خاطر تفاوت زبانشان قادر به برقراری ارتباط با یکدیگر نبوده اند همچون یک نجات دهنده عمل کرده است. حال ممکن است که این سوال برایتان پیش آید: « این ویژگی برای مدت های زیادی است که وجود دارد، پس دیگر چه چیز جدیدی برای ارائه میتواند داشته باشد؟» در طول چند سال گذشته، گوگل با کمک یادگیری عمیق رویکرد موجود نسبت به ترجمه ماشینی را در گوگل ترنزلیت خود به کلی دگرگون کرد. ­در حقیقت پژوهشگران یادگیری عمیقی که تقریبا چیزی در مورد ترجمه ماشینی نمیدانند، با ارائه و بکارگیری راهکارهای یادگیری ماشینی ساده توانسته اند بهترین و پیشرفته ترین سیستم های ترجمه زبانی در جهان را شکست دهند. ترجمه متون در این سیستم ها بدون نیاز به پیش پردازش توالی متون انجام میگیرد و به الگوریتم ها اجازه میدهد که ارتباط بین کلمات و معادل آنها را در زبان جدید یاد بگیرند. شبکه های فشرده ای از شبکه های عصبی متناوب و بزرگ برای انجام این ترجمه لازم است.

3. ترجمه بصری فوری

همانطور که میدانید یادگیری عمیق برای مواردی چون تشخیص تصاویری که دارای حروف اند و یا در مکانهایی که حروف ­در یک صحنه حضور دارند استفاده میشود. به محض شناسایی، این تصاویر را میتوان به متن تبدیل و ترجمه کرد و تصاویری با متن ترجمه شده از نو ایجاد نمود. حال شرایطی را تصور کنید که به کشور دیگری که زبان آن را نمیدانید سفر کرده اید. هیچ جای نگرانی نیست! با استفاده از اپلیکیشن های مختلفی چون گوگل ترنزلیت میتوانید برای خواندن علامت ها و یا تابلوهای خرید نوشته شده به زبان دیگر به سرعت ترجمه بصری انجام دهید.

4. خودروهای بدون راننده و اتوماتیک

شرکت گوگل در تلاش است که با استفاده از یادگیری عمیق مقدمات ساخت خودروهای بدون راننده خود ﴿معروف به WAYMO﴾ را فراهم و به سطح جدیدی از تکامل برساند. بنابراین به جای استفاده از الگوریتم های کدگذاری شده به صورت دستی، افراد میتوانند سیستم را طوری برنامه ریزی کنند که با استفاده از داده های ارائه شده توسط سنسورهای مختلف به خودی خود همه چیز را یاد بگیرند. در حال حاضر یادگیری عمیق به عنوان بهترین رویکرد نسبت به اکثر عملیات های ادراکی و همچنین بسیاری از عملیات های کنترلی سطح-پایین تلقی میگردد. ­از این رو در حال حاضر حتی افرادی که رانندگی بلد نبوده و یا ناتوان از رانندگی هستند نیز میتوانند بدون نیاز به سایر افراد وسیله نقلیه خود را برانند.

موارد ذکر شده تنها برخی از موارد مطرح استفاده از یادگیری عمیق بوده است که در آنها از این تکنولوژی به صورت گسترده استفاده شده و نتایج مطلوبی به دست آمده است. در بسیاری از حوزه هایی که جای بررسی و تامل دارند، یادگیری عمیق کاربری های دیگری نیز دارد.

برگرفته از edureka و towardsdatascience

http://www.didarc.com/fa/news/deep-learning-mechanism

اثرانگشت هنوز هم به عنوان بیومتریک اصلی در دستگاه های کارت خوان و کنترل دسترسی تلقی میگردد. با این حال برخی از محدودیت ها کاربران را بر آن داشته است که به دنبال امکانی برای افزودن سایر بیومتریک ها در کنار اثرانگشت باشند. بنابراین چهره تبدیل به راهکاری عملی و موفق میشود.

بیومتریک متداول برای کنترل دسترسی، استفاده از اثرانگشت بوده و بسیار جا افتاده است. طبق تحقیق انجام شده توسط یِیل، در سال 2016 بیومتریک های اثرانگشت-محور با درآمدی غالب بر 4.45$ میلیارد دلار و سهم بازاری در حدود 91 درصد، بازار جهانی بیومتریک ها را تحت تسلط خود گرفته بود. طبق این تحقیق، در سال 2016 بازار بیومتریک های اثرانگشت-محور در مقایسه با سایر راهکارهای سخت افزاری بیومتریکی که طبق پیش بینی ها سهم بازاری 250$ میلیونی داشته اند، به تنهایی ارزشی برابر 4.1$ میلیارد پیدا کرده بود.

طبق گزارش ارائه شده توسط تکناویو نیز بین سالهای 2017 تا 2021 انتظار میرود که بازار جهانی بیومتریک های اثرانگشت-محور نرخ رشد مرکب سالانه ای برابر 12 درصد داشته باشند. طبق این گزارش: « بکارگیری گسترده ی بیومتریک های اثرانگشت-محور در بخش بهداشت و درمان یکی از فاکتورهای کلیدی رشد این بازار است. در بازه ی زمانی پیش بینی شده، منطقه آسیا-اقیانوسیه بزرگترین درآمدزایی را برای این بازار جهانی خواهند داشت. این میزان از درآمدزایی عمدتا بخاطر استفاده ی روبه افزایش دولت های کشورهایی چون هند از بیومتریک های اثر-انگشت محور بوده است؛ استفاده از این سیستم ها به آنها کمک میکند تا حضور کارکنان و میزان سهمیه بندی را نظارت و بازبینی کرده و از کنترل مرزها اطمینان حاصل کنند.»

علیرغم گستردگی استفاده از راهکارهای اثرانگشت-محور، این راهکارها محدودیت هایی نیز دارند.

مشتریان ارزش امنیت و آسودگی مضاعف بیومتریک های امروزی را دانسته و استفاده از آنها را ترجیح میدهند، چرا که این افراد در گذشته تجربه های ناموفق و ناراضی کننده ای از استفاده از تکنولوژی های تشخیص اثرانگشت و قابلیت اعتماد به آنها داشته اند. به عنوان مثال، طبیعت کارهایی چون حفر معادن زغال سنگ یا ساخت و ساز ساختمان ها به گونه  ای است که باعث ایجاد آثار انگشتی بی کیفیت وتقریبا صاف در کارگران میشود. در چنین مواردی شناسایی آثار انگشت کارکنان با یک دستگاه تشخیص اثرانگشت تک وجهی نامحتمل به نظر میرسد. اخیرا برخی از فروشندگان نوعی تکنولوژی جدید را معرفی و عرضه کرده اند که از قرار معلوم تشخیص آثارانگشتی تقریبا عالی را تضمین میکنند. فرقی نمیکند که لنزها یا الگوریتم های تطبیقی ارائه شده توسط فروشندگان به چه میزان قدرتمند باشد، همچنان درصد بخصوصی از افراد باقی خواهند ماند که آثار انگشت آنها به خاطر سن، رنگ پوست یا “شرایط ظاهری” انگشتان – به عبارت دیگر چروکیدگی، بریدگی، خراشیدگی یا آغشتگی به روغن/وسایل آرایشی- به راحتی قابل شناسایی نیستند.

روایتهای متعددی از عدم موفقیت دستگاه های تشخیص اثرانگشت در احراز هویت کاربران وجود دارد. به عنوان مثال طبق گزارش ایندین اکسپرس، چندین فروشگاه اف.پی.اس در دهلی نو شاهد دست-خالی بازگشتن افراد بوده اند که این موضوع بخاطر عدم کارکرد دستگاه های پایانه فروش الکترونیکی یا عدم موفقیت در تشخیص آثار انگشت افراد اتفاق افتاده بوده است.

رجوع به دستگاه های تشخیص اثرانگشت-چهره

این موضوعات کاربران را بر آن داشته است که راهکارهای بیومتریکی چندوجهی را با بیومتریک های اثرانگشتی و سایر بیومتریک ها ترکیب کنند. با گنجاندن چند سنسور بیومتریکی مختلف – یعنی اثرانگشت، چهره، رگ های کف دست، عنبیه و رگ-اثرانگشت – در یک دستگاه واحد، درصد بالاتری از کاربران با موفقیت ثبت و احراز هویت خواهند شد.

برخی از آثار انگشت برای شناسایی بسیار دشوار هستند. آثار انگشت قدیمی و فرسوده نیز دربرخی موارد چندان قابل اعتماد نیستند. سیستم های تشخیص چهره در برخی از موارد بهتر عمل میکنند، اما گاهی این سیستم ها در تشخیص دچار مشکل میشوند. بنابراین استفاده از چندین حالت مختلف باعث بهبود قابلیت اعتماد به این سیستم ها میشود.

برخلاف دورنمای ترسیم شده، تقاضا برای دستگاه های تشخیص اثرانگشت-چهره به علت مزیت های مختلف آنها افزایش یافته است. با در نظر گرفتن فاکتور هزینه میتوان گفت که تشخیص چهره گزینه ی خوب بعدی پس از تشخیص اثرانگشت است، چرا که در تشخیص چهره نیازی به لمس چیزی نیست. با بکارگیری سیستم های تشخیص چهره، مواردی چون کثیفی، چین و چروک و نظافت دیگر مسئله برانگیز نخواهند بود، چرا که این سیستم ها برای ارزیابی فرد موردنظر از ویژگی های ظاهری چهره ی افراد استفاده میکنند. همچنین در این سیستم ها، شرایط پوست صورت اهمیتی ندارد. با کمک تکنولوژی های تشخیص چهره جدید، ثبت چهره ی افراد به سادگی ارائه ی یک فایل تصویری بوده تا بدین شکل کاربر مربوطه بتواند به صورت دورادور چهره ی خود را ثبت کند. به این دلایل، سیستم های تشخیص چهره اغلب به عنوان یک تکنولوژی بیومتریکی مناسبتر تلقی میشوند.

دقت و درستی تکنولوژی های تشخیص اثرانگشت و چهره هر دو تضمین شده است. با این حال تکنولوژی های تشخیص چهره نیازی به هیچگونه تماس نداشته و برای صنایعی مناسب هستند که به دلایلی چون طبیعت آن کار یا حفظ قدرت و استحکام دستگاه مربوطه نمیخواهند که کارکنان با آن دستگاه در تماس باشند.

صنایع اقتصادی، بهداشتی، اتوماسیون و تولیدی از جمله صنایعی هستند که از این تکنولوژی بهره میبرند. درخواست های زیادی از سوی صنایعی وجود دارد که خواهان تایید بدون تماس و در عین حال دقیق هستند، دستگاه های تشخیص چندوجهی چنین قابلیتی را در اختیار افراد قرار می دهند.

در آینده پتانسل رشد دستگاه های تشخیص اثرانگشت-چهره بسیار بزرگ خواهد بود. فقط کافی است که نگاهی به گوشی هوشمند خود بیاندازید. تمامی گوشی های هوشمند دیروز (و امروز) به نظر میرسد که دارای سنسورهای اثرانگشت باشند. موضوع مورد بحث فعلی، استفاده از قابلیت تشخیص چهره برای دسترسی پیدا کردن به گوشی هوشمند خود است. صدها میلیون کاربر گوشی های هوشمند در سراسر جهان با کمکبیومتریک ها به گوشی خود دسترسی پیدا میکنند. این روند به رشد خود ادامه خواهد داد و به تدریج به قاعده ای در فضای تجاری تبدیل خواهد شد.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/fingerprint-face-readers-see-growth-potential

به دلیل استفاده ی گسترده از مانیتورینگ با وضوح بالا، در یک بازه ی زمانی کوتاه میزان داده های موردنیاز برای نظارت امنیتی به شکل قابل توجهی افزایش پیدا کرده است. جمع آوری کارآمد، تجزیه و تحلیل و بکارگیری داده ها و استفاده هوشمندانه از آنها بیشتر از هر زمان دیگری در این صنعت به موضوعی جدی تبدیل شده است.  بنابراین ارتقاء سطح هوشمندی ویدئویی، هدفی ناگزیر و همه گیر در این صنعت به نظر میرسد. کاربران امنیتی امیدوارند که سرمایه گذاری آنها روی محصولات جدید، مزایایی فراتر از دنباله روی و جستجوی ساده علایق افراد و جمع آوری شواهد پس از یک رخداد امنیتی برای آنها به ارمغان آورد. به جای آن نیاز به یافتن راه های چه بسا کارآمدتر که به نظارت اجازه ی گذار از جستجو پس از وقوع رخداد به هشدارهایی حین وقوع رخداد و یا حتی هشدارهایی پیش از وقوع رخداد به شدت احساس میشود. برای برآورده سازی این نیازها، تکنولوژی های جدیدی لازم است. نظارت ویدئویی هوشمند برای سالهای زیادی در دسترس بوده است. با این حال، نتایج بکارگیری آن چندان ایده آل واقع نشده است. ظهور یادگیری عمیق، امکان تحقق این نیازها را برآورده ساخته است.

عدم کفایت الگوریتم های هوشمند قدیمی

نظارت ویدئویی هوشمند قدیمی دارای الزامات بسیار دقیقی برای پس زمینه ی یک صحنه است. دقت شناسایی و تجزیه و تحلیل هوشمند در سناریوهای مشابه به صورت یکنواخت باقی نمی ماند.

ویژگی های موجود در الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند و همیشه به شدت فردی بوده اند. ذات این سیستم های به گونه ای است که ویژگی های غیر شهودی تر (ویژگی هایی که فهم و توصیف آنها برای انسانها دشوارند) در آنها نادیده گرفته میشوند. در فرآیند یادگیری طبقه بندی، با بالا رفتن تعداد دسته های موجود برای طبقه بندی، سطح دشواری نیز بالا میرود.

الگوریتم های هوشمند قدیمی معمولا از مدلهای یادگیری سطحی برای حل و فصل شرایطی با میزان داده های بزرگ در طبقه بندی های پیچیده استفاده میکنند. نتایج این تجزیه و تحلیل با شرایط ایده آل بسیار فاصله دارد. از سوی دیگر، این نتایج مستقیما وسعت و عمق کاربری های هوشمند و پیشرفت بیشتر آنها را محدود میسازد. از این رو برای صنعت امنیت، نیاز به افزایش “عمق” هوشمندی در کلان داده ها در حال پدیدار شدن است.

مزایای یادگیری عمیق و الگوریتم های آن

الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند. این سیستم ها چه در صورتی که خوب طراحی شده باشند و چه برعکس، تا حد زیادی وابسته به تجربه و حتی شانس هستند و این فرآیند نیازمند زمان بسیار زیادی است. بنابراین آیا میتوان با این ماشین ها کاری کرد که به صورت خودکار برخی از این ویژگی ها را یاد بگیرند؟ بله! در واقع این کار هدف هوش مصنوعی (AI﴾ است.
طرح تکنولوژی یادگیری عمیق از شبکه های عصبی مغز یک انسان الهام گرفته شده است. به مغز ما انسانها میتوان به چشم یک مدل یادگیری عمیق پیچیده نگاه کرد. شبکه های عصبی مغز متشکل از میلیاردها عصب به یکدیگر متصل هستند؛ یادگیری عمیق این ساختار را شبیه سازی میکند. این شبکه های چندلایه ای قادر به جمع آوری اطلاعات و انجام فعالیت های متناظر واز قابلیت تشخیص و بازآفرینی سوژه برخوردار هستند.

یادگیری عمیق به صورت ذاتی با الگوریتم های دیگر متفاوت است. نحوه ی حل و برطرف سازی عدم کفایت الگوریتم های سنتی توسط یادگیری عمیق در جنبه های ذیل گنجانده شده است.

نخست، از “سطحی” به “عمیق”

مدل الگوریتمی یادگیری عمیق از ساختار به مراتب عمیق تری نسبت به دو ساختار سه لایه ای الگوریتم های قدیمی برخوردار است. در برخی از موارد، تعداد لایه ها به بیش از یکصد میرسد که این موضوع یادگیری عمیق را قادر به پردازش حجم زیادی از داده در طبقه بندی های پیچیده میسازد. یادگیری عمیق بسیار مشابه فرآیند یادگیری انسان عمل میکند و دارای فرآیند تشخیص ویژگی لایه لایه است. یادگیری عمیق به ما کمک میکند تا فهم جزئی (سطحی) به یک تشخیص کلی (عمیق) تبدیل شده و بدین شکل سوژه موردنظر شناسایی شود.

دوم، از “ویژگی های مصنوعی” به “یادگیری ویژگی”

یادگیری عمیق نیازی به مداخله دستی ندارد، ولی در عوض برای استخراج ویژگی ها وابسته به یک کامپیوتر است. بدین شکل یادگیری عمیق میتواند بیشترین تعداد ویژگی های ممکن را از سوژه موردنظر استخراج کند؛ ویژگی های غیرشهودی که برای توصیف دشوار یا غیرممکن هستند از جمله این ویژگی ها محسوب میشوند. هر چه تعداد ویژگی ها بیشتر باشد، امر شناسایی و تشخیص دقیقتر خواهد بود.

فاکتورهای اصلی یادگیری عمیق

به صورت کلی سه دلیل عمده برای شهرت یافتن یادگیری عمیق در سالهای اخیر (چرا زودتر از آن این اتفاق نیافتاده است!) وجود دارد: مقیاس داده های موردنیاز، قدرت محاسبه و ساختار شبکه.

پیشرفتهای صورت گرفته در عملکرد الگوریتم های داده-محور در یک بازه ی زمانی بسیار کوتاه باعث تسریع نفوذ یادگیری عمیق در کاربری های هوشمند مختلف شده است. مخصوصا که با افزایش در مقیاس داده ها، عملکرد الگوریتمی نیز بهبود یافته است. از این رو تجربه ی کاربر بهبود یافته و کاربران بیشتری درگیر این موضوع شده اند که این کار خود باعث تسهیل بیشتر در مقیاس بزرگتری از داده ها شده است.

پلتفرم های سخت افزاری با عملکرد بالا باعث فعالسازی قدرت محاسباتی بیشتر میشوند. مدل یادگیری عمیق نیازمند تعداد نمونه های زیادی است که این موضوع انجام حجم زیادی از محاسبات را اجتناب ناپذیر میسازد. پیشرفت سریع واحدهای پردازش گرافیکی ﴿GPU﴾، سوپرکامپیوترها، محاسبات ابری و سایر پلتفرم های سخت افزاری با عملکرد بالا شرایط را برای ممکن شدن یادگیری عمیق فراهم نموده اند.

در آخر، ساختار شبکه نقش خود را در پیشرفت یادگیری عمیق ایفا میکند. با کمک بهینه سازی مداوم الگوریتم های یادگیری عمیق، تشخیص سوژه ی بهتری صورت میگیرد. برای کاربری های پیچیده تری چون تشخیص چهره و یا در سناریوهایی با نورپردازی، زوایا، حالت ها و عوامل متفاوت دیگر، ساختار شبکه دقت تشخیص را تحت تاثیر قرار خواهد داد.

موارد بکارگیری محصولات یادگیری عمیق

در دو سال گذشته، تکنولوژی یادگیری عمیق در زمینه هایی چون تشخیص صدا، بینایی رایانه ای یا کامپیوتر، ترجمه صوتی و بسیاری موارد دیگر به خوبی ظاهر شده است. این تکنولوژی در زمینه هایی چون تایید چهره و طبقه بندی تصاویر از قابلیت های انسانی نیز پیشی گرفته است؛ از این رو برای صنعت امنیت در زمینه هایی چون نظارت ویدئویی که کاربری هایی چون تشخیص چهره، تشخیص خودرو، تشخیص ویژگی بدن انسانی، دنباله روی چندین سوژه مختلف و سایر موارد را شامل میشود، به یادگیری عمیق توجه زیادی میشود.

این نوع از عملکردهای هوشمند به یک سری دوربین های نظارتی جلویی، سرورهای پشتی و دیگر محصولاتی نیازمندند که از الگوریتم های یادگیری عمیق پشتیبانی کنند. در کاربردهای با مقیاس کوچک، دوربین های جلویی میتوانند مستقیما کار استخراج ویژگی از یک انسان ساختارمند و وسیله نقلیه را انجام دهند و هزاران تصویر از چهره ی افراد را میتوان در دستگاه های جلویی ذخیره سازی کرد تا چهره ها به صورت مستقیم با یکدیگر مقایسه شوند و بدین شکل هزینه های برقراری ارتباط با سرور کاهش یابد. در کاربردهای با مقیاس بزرگ، دوربین های جلویی میتوانند با سرورهای پشتی کار کنند. مخصوصا اینکه کار ویدئویی ساختارمند به وسیله ی دستگاه های جلویی صورت میگیرد و بدینوسیله بار کاری دستگاه های پشتی کاهش می یابد؛ همچنین کارآمدی تطابق و جستجوی سرورهای پشتی ارتقاء پیدا میکند.

یادگیری عمیق سطح بعدی پیشرفت هوش مصنوعی است. این تکنولوژی بسیار فراتر از یادگیری ماشین عمل میکند؛ در یادگیری ماشین، کار طبقه بندی نظارت شده ی ویژگی ها و الگوها با کمک الگوریتم ها صورت میگیرد. دقت بهبودیافته نتیجه ی یادگیری چندلایه ای و جمع آوری گسترده داده ها است. بکارگیری این الگوریتم در تشخیص چهره، تشخیص وسیله نقلیه، تشخیص افراد و سایر پلتفرم ها باعث پیشرفت قابل توجه عملکردآنالیتیک ها خواهد شد.

منبع: مجله a&s

http://www.didarc.com/fa/news/how-deep-learning-benefits-the-security-industry

انعطاف پذیری، سادگی و انتخاب، سه مورد از بزرگترین نقاط قوت نهفته در رایانش ابری است. همانطور که در حال حاضر انتظار مشاهده ی فیلم ها و انجام بازی های کامپیوتری را به صورت آنلاین داریم، رایانش ابری راهی را برای استفاده از منابع رایانشی بنا-به-درخواست ارائه میکند: داده ها، رایانش، اپلیکیشن ها و سرویس ها.

رایانش-بنا-به-درخواست نوعی مدل ارائه سرویس است که با کمک آن و بنا به نیاز افراد، منابع رایانشی در اختیار آنها قرار میگیرد. این سیستم ها ممکن است که در شرکت کاربر موردنظر نگهداری شوند و یا با کمک یک ارائه کننده ی سرویس ابری در دسترس کاربر قرار بگیرند. هنگامی که این سرویس ها توسط شرکت دیگری ارائه میشوند، اغلب از اصطلاح رایانش ابری استفاده میشود که مترادف با همان رایانش-بنا-به-درخواست است.

مدل رایانش بنا-به-درخواست با هدف غلبه بر چالش معمول شرکت ها که مبنی بر برآورده سازی کارآمد نیازهای متغیر بوده است، ایجاد شده است. از آنجایی که نیازهای یک شرکت به منابع رایانشی در بازه های زمانی مختلف بسیار متفاوت است، داشتن منابع کافی برای برآورده سازی چنین نیازهای حجم بالایی، بسیار پرهزینه تمام خواهد شد. از طرف دیگر، در صورتی که یک شرکت با نگهداری حداقل منابع رایانشی خود جهت کم کردن هزینه های خود اقدام کند، احتمال آن میرود که منابع کافی برای برآورده سازی چنین حجم بالایی از نیازها وجود نداشته باشد.

مدل رایانش بنا-به-درخواست به شرکت ها میکند که منابع رایانشی خود را تنها با یک کلیک، ایجاد تماس API یا یک قانون بیزینسی کم و زیاد کنند. قابلیت هایی چون مقیاس پذیری، پرداخت برای هر بار استفاده و سلف سرویس از جمله ویژگی های این مدل هستند. فرقی نمیکند که منبع موردنظر یک برنامه برای کمک به همکاری بین افراد یک تیم باشد یا حافظه ی بیشتر برای آرشیو تصاویر، منابع رایانشی انعطاف پذیر، قابل اندازه گیری و آسان برای بکارگیری و استفاده هستند.

سرویس های ابری همچون یک موتور رشد برای بیزینس ها عمل میکنند. از آنجایی که تکنولوژی باعث تغییر چگونگی تعامل ما با همه چیز، ازرسانه های آنلاین گرفته تا مراکز درمانی و سرویس های بانکی میشود، رایانش ابری به شرکت ها کمک میکند تا سرویس های جدید را با سرعت بیشتری ارائه کنند، به سرعت موارد کاربرد جدید ایجاد کنند و از کالاها و سرویس های موردپسند مشتریان سر در بیاورند.

کمپانی هایی که از سرویس های ابری استفاده میکنند، میتوانند به جای خریداری و اجرای سرورها و نرم افزارها، روی بیزینس خود تمرکز کنند. سرویس های ابری، ابزارها و تکنیک های جدیدی را در اختیار آنها قرار میدهد تا بدین شکل، زمان موردنیاز شرکت ها برای تبدیل ایده ها به واقعیت کاهش پیدا کند. این سرویس ها به شرکت ها اجازه میدهد که حجم بالایی از داده ها را جمع آوری، به اشتراک گذاری و تجزیه و تحلیل کنند.

بیشتر سرویس های رایانش ابری به سه گروه گسترده تقسیم میشوند: زیربنا به عنوان یک سرویس ﴿IaaS﴾، پلتفرم به عنوان یک سرویس ﴿PaaS﴾  و نرم افزار به عنوان یک سرویس ﴿SaaS﴾. از این سه گروه گسترده گاهی به عنوان توده رایانشی نیز یاد میشود، چرا که هر کدام از آنها روی دیگری ایجاد میشود. هوشمندی هر شرکت و ارگانی در آن نهفته است که بداند با توجه به نیازهای خود، کدام مدل را انتخاب کند

هر یک از این مدل های مختلف به عنوان یک سرویس ارائه میشوند و از مزیت دیگری که سرویس های ابری ارائه میکنند برخوردار هستند – تحت لیسانس بودن به جای ساخت و خرید نرم افزارها و سخت افزارها. این مدل ها عبارتند از :

1﴾ نرم افزار به عنوان یک سرویس ﴿SaaS﴾:  این مدل این امکان را برای بیزینس ها فراهم میسازد که به صورت مستقیم، اجازه ی دسترسی به اپلیکیشن ها را برای کارمندان، همکاران و یا مشتریان خود صدور کنند. از آنجایی که این اپلیکیشن ها به صورت مرکزی روی ابرها مدیریت میشوند، هیچ نیازی به نگهداری لیسانس ها یا آپگریدها نیست.

2﴾ پلتفرم به عنوان یک سرویس ﴿PaaS﴾:  این مدل یک پلتفرم توسعه اپلیکیشن است که بنا به درخواست ارائه میشود و به توسعه دهندگان اجازه میدهد که بدون متحمل شدن هزینه و دشواری خرید و مدیریت سخت افزار، نرم افزار، تامین ذخایر و هاستینگ تحت آن، روی طراحی، توسعه و بکارگیری نرم افزار تمرکز کنند. 

به عنوان مثال، با استفاده از مدل PaaS، یک شرکت طراحی بازی های آنلاین میتواند سرعت عمل و ابتکار عمل بیشتری را کسب کند. پیش از در اختیار قرار گرفته شدن منابع ابری، راه اندازی محصولات جدید این کمپانی با استفاده از زیربناها و پیکربندی های مخصوص خود، حدود دو تا چهار ماه طول میکشید. بکارگیری مدل PaaS به این کمپانی اجازه داد که تنها در عرض چند ساعت، منابع درست و مناسب را در اختیار سازندگان بازی ها و مشتریانی که خواهان بازی با آنها بوده اند قرار دهد.

3﴾ زیربنا به عنوان یک سرویس ﴿IaaS﴾:  این مدل بنا به درخواست افراد، قدرت محاسبه/رایانش، محل دخیره سازی و شبکه سازی را در اختیار آنها قرار میدهد و در صورت ارائه ی سرویس از بیرون، هزینه های سنگین مربوط به نگهداری، تامین نیروی کار و انرژی و خنک سازی یک مرکز داده در محل حذف میگردد. در صورتی که این سرویس در داخل خود شرکت و در سطح یکی از بخش های آن شرکت ارائه شود، این مدل همچنان سرعت و کارآمدی مناسبی را در ارائه منابع رایانشی موردنیاز بیزینس ها ارائه میکند.

نمیتوان گفت که تمامی سرویس های ابری مشابه یکدیگر هستند. سه راه مختلف برای بکارگیری منابع رایانش ابری وجود دارد که هر یک از آنها را در ادامه این مقاله بررسی خواهیم نمود :سرویس ابری عمومی، سرویس ابری خصوصی و سرویس ابری هیبریدی.

سرویس ابری عمومی

ابرهای عمومی توسط ارائه کنندگان سرویس های ابری شخص ثالث خریداری و اجرا میشوند که منابع رایانشی خود همچون سرورها و حافظه ها را از طریق اینترنت ارائه میکنند. با کمک سرویس ابری عمومی، تمامی سخت افزارها، نرم افزارها و سایر زیربناهای پشتیبان توسط ارائه کننده ی سرویس ابری خریداری و مدیریت میشوند. شما میتوانید با کمک یک مرورگر وب به این سرویس ها دسترسی پیدا کنید و حساب کاربری خود را مدیریت کنید.

سرویس ابری خصوصی

یک سرویس ابری خصوصی به منابع رایانش ابری اشاره دارد که به صورت گسترده در یک بیزینس یا سازمان منفرد استفاده میشده است. سرویس ابری خصوصی را میتوان به صورت فیزیکی در مرکز داده ی موجود در محل کمپانی قرار داد. همچنین، برخی از شرکتها به ارائه کنندگان سرویس شخص ثالث پول پرداخت میکنند تا بدین شکل ابر خصوصی آنها را هاست کنند. یک ابر خصوصی، ابری است که در آن سرویس ها و زیربناها روی یک شبکه خصوصی نگهداری میشوند.

سرویس ابری هیبریدی

ابرهای هیبریدی، ابرهای عمومی و خصوصی را با یکدیگر ترکیب میکنند و با کمک تکنولوژی که امکان به اشتراک گذاری داده ها و اپلیکیشن ها را میان آنها فراهم میسازد به یکدیگر مربوط میسازند. با ایجاد امکان حرکت و انتقال داده ها و اپلیکیشن ها میان ابرهای خصوصی و عمومی، ابرهای هیبریدی به بیزینس ها کمک میکنند تا انعطاف پذیری بیشتر و گزینه های بکارگیری بیشتری پیدا کنند.

علیرغم تمام آنچه که گفته شد، تکنولوژی به خودی خود باعث ایجاد تغییر نمیشود. چگونگی استفاده از آن و آگاهی مناسب نسبت به آن است که تغییر واقعی و فرهنگ نوآوری را ایجاد میکند.

برگرفته از Searchitoperations، Wired و Azure

http://www.didarc.com/fa/news/three-ways-to-use-cloud-as-a-service