آرشیو برچسب: یادگیری عمیق

مقالات

تأثیر هوش مصنوعی بر مراکز داده: پشتیبانی از رشد زیرساخت‌های دیجیتال

Posted on by مدیر

همزمان با گسترش ابعاد و پیچیدگی مراکز داده (Data Centers) و پراکندگی جغرافیایی آن‌ها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی (AI) نقشی حیاتی در ساده‌سازی مدیریت محلی و از راه دور این سایت‌ها ایفا خواهد کرد.

بخش زیرساخت دیجیتال آماده‌ی یک رشد انفجاری است. انتظار می‌رود تقاضا برای خدمات الکترونیکی در دهه آینده دو برابر شود و صنعت جهانی مراکز داده نیز برای پاسخگویی به این نیاز گسترده، در مدت مشابه سه برابر شود. بخش بزرگی از این زیرساخت، انرژی مورد نیاز خدماتی را تأمین می‌کند که جهان به آن‌ها متکی شده است، اما بخش عظیمی از رشد تقاضا از نسل بعدی ارائه‌ی خدمات نشأت می‌گیرد: دنیای هوش مصنوعی.

هوش مصنوعی در سال‌های اخیر به طور قابل توجهی تغییر کرده است. تیترهای متعدد هوش مصنوعی مولد (Generative AI) از تکامل سریع آن ناشی شده‌اند و ما شاهد ورود تولید متن، تصویر و حتی ویدئو به ابزارهای رایج بوده‌ایم. اما هوش مصنوعی پیش‌بین (Predictive AI) – که نه برای تولید داده، بلکه برای تجزیه و تحلیل و نتیجه‌گیری از آن ساخته شده است – واکنش عمومی ملایم‌تری دریافت کرده است؛ این علی‌رغم پتانسیل آن برای استخراج بینش‌های ارزشمند از صدا، تصاویر و مهم‌تر از همه، ویدئو، فراتر از هر چیزی است که ما به تنهایی با توان انسانی می‌توانستیم به آن دست یابیم.

 

پیوند دادن داده‌های ویدئویی و هوش مصنوعی

هوش مصنوعی فقط یک محرک رشد نیست، بلکه «توانمندساز» رشد است. همزمان با گسترش ابعاد و پیچیدگی مراکز داده و پراکندگی جغرافیایی آن‌ها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی نقشی حیاتی در ساده‌سازی مدیریت محلی و از راه دور سایت‌های مرکز داده ایفا خواهد کرد. با افزایش مصرف برق – انتظار می‌رود هوش مصنوعی مولد به تنهایی تا سال ۲۰۲۸ به ۳۸ گیگاوات برق اضافی نیاز داشته باشد – هوش مصنوعی به یافتن بهره‌وری‌های جدید و کشف منابع اتلاف انرژی کمک خواهد کرد. و با ورود مراکز داده به عصر «موجودیت‌های حیاتی»، هوش مصنوعی از عملکرد ضروری امنیت و ایمنی سایت‌ها پشتیبانی خواهد کرد.

داده‌های ویدئویی اکنون یک منبع غنی برای تجزیه و تحلیل هوش مصنوعی هستند. یک دوربین به طور بالقوه قوی‌ترین حسگری است که یک کسب‌وکار می‌تواند به کار گیرد و میلیون‌ها نقطه داده را چندین بار در هر ثانیه تولید می‌کند. هر پیکسل را می‌توان جدا کرد و تجزیه و تحلیل کرد؛ نمای یک دوربین واحد را می‌توان به نقاط مورد علاقه متعددی تقسیم کرد تا به یک دوربین اجازه دهد چندین کار را به طور همزمان انجام دهد. تحلیل‌های مبتنی بر شیء (Object-based analytics) می‌توانند موارد را در یک صحنه شناسایی، ردیابی و طبقه‌بندی کنند و فرآیندهای خودکار را بر اساس قوانین به سادگی قابل تعریف، فعال سازند. دوربین‌ها همه‌کاره هستند و کاربردهای آن‌ها تقریباً نامحدود است.

 

فناوری موجود، فرصت‌های جدید

اگر دوربینی بتواند چیزی را ببیند، هوش مصنوعی می‌تواند بر اساس آن عمل کند. از طریق یادگیری عمیق (Deep Learning)، می‌توان برنامه‌های کاربردی واکنشی سفارشی را توسعه داد که راه‌حل‌های جدیدی برای مشکلات قدیمی ارائه می‌دهند، یا مشکلات جدید را قبل از اینکه برای اقدام دیر شود، تشخیص می‌دهند. و برخلاف بارهای کاری سنگین هوش مصنوعی که زیربنای رشد سریع مراکز داده هستند، مدل‌های هوش مصنوعی که به درستی آموزش دیده‌اند، اجازه می‌دهند چنین برنامه‌های تحلیلی مستقیماً بر روی لبه شبکه (Network Edge)، یعنی در داخل همان سخت‌افزار دوربینی که به آن متکی هستند، اجرا شوند.

این بدان معناست که دوربینی که در حال حاضر برای امنیت استفاده می‌شود، می‌تواند توانایی‌های خود را با استفاده از تحلیل‌های هوش مصنوعی ارتقا دهد؛ مثلاً پرسنل غیرمجاز را در مناطق حساس شناسایی کرده و به طور خودکار زنگ خطر را به صدا درآورد، یا فعالیت‌های مشکوک مانند پرسه زدن یا ورود غیرقانونی را شناسایی و به اپراتورها هشدار دهد.

اما این همچنین به این معناست که همان دوربین می‌تواند کارهای بیشتری انجام دهد – می‌تواند با یک سیستم کنترل دسترسی (Access Control) یکپارچه شود تا عبور غیرمجاز همزمان دو نفر (tailgating) را تشخیص دهد، یا در کنار یک دوربین حرارتی کار کند تا نمایی زنده از هرگونه نقاط داغ (hot spots) را به اپراتورها ارائه دهد و حتی به طور خودکار سیستم خنک‌کننده اضافی را فعال کند.

 

امکانات خلاقانه برای نوآوری تازه

 

پتانسیل خلاقانه هوش مصنوعی به این معناست که برنامه‌های تحلیلی را می‌توان طوری شکل داد که متناسب با نیازهای منحصربه‌فرد محیط مرکز داده باشند. به عنوان مثال، تشخیص شیء ممکن است طوری تنظیم شود که به دنبال موارد ممنوعه مانند بطری‌های آب بگردد. دوربین‌ها را می‌توان طوری پیکربندی کرد که علائم بصری یا (از طریق میکروفون‌هایشان) شنیداری خرابی یا افت عملکرد سرور را تشخیص دهند. تحلیل‌ها را می‌توان آموزش داد تا مراقب خطرات محیطی مانند نشت (leaks) باشند و اطمینان حاصل کنند که نگهداری و تعمیرات برای افزایش طول عمر تجهیزات کافی است.

با افزایش تعداد مشتریان مرکز داده، تحلیل‌های ویدئویی می‌توانند تأیید بصری وضعیت دقیق سرورهای فیزیکی را به مشتریان هم‌مکان (co-locating) ارائه دهند یا به بهینه‌سازی مصرف انرژی از طریق سیستم‌های روشنایی و خنک‌کننده خودکار بر اساس تشخیص حضور افراد کمک کنند.

حتی بازیابی فاجعه (Disaster Recovery) نیز می‌تواند از تحلیل‌های هوش مصنوعی بهره‌مند شود – دوربینی که دود را تشخیص می‌دهد می‌تواند به طور خودکار هشدارهای بلندگو را فعال کند، در حالی که دوربین‌ها، اینترکام‌ها و ریدرها، تعداد دقیق و مکان پرسنل را برای ساده‌سازی رویه‌های تخلیه اضطراری فهرست می‌کنند.

 

پشتیبانی از آینده مراکز داده

 

مراکز داده سنگ بنای فناوری فردا هستند، اما هیچ‌کس نمی‌گوید که گسترش سریع زیرساخت‌های دیجیتال آسان خواهد بود. اپراتورها به هر مزیتی که بتوانند به دست آورند، نیاز دارند؛ خواه صرفه‌جویی در هزینه، صرفه‌جویی در انرژی، یا فقط راه‌اندازی تأسیسات به پاک‌ترین، کارآمدترین و ایمن‌ترین شکل ممکن.

تحلیل‌های هوش مصنوعی همه این مزایا و موارد بیشتری را ارائه می‌دهند، و همگی به عنوان افزونه‌ای بر سخت‌افزاری (دوربین‌ها) هستند که چه از تحلیل‌ها استفاده می‌شد یا نه، برای عملکرد امنیتی مورد نیاز بودند.

همانطور که جهان هوشمندتر می‌شود، زیرساخت‌های دیجیتال نیز باید هوشمندتر شوند. برنامه‌ریزی مکان‌های جدید یا ارتقاها بر مبنای بهره‌گیری حداکثری از مزایای هوش مصنوعی، مسیر رسیدن به دنیایی هوشمندتر و ایمن‌تر برای اپراتورها، مشتریان آن‌ها و به طور حیاتی، داده‌های آن‌ها است.

مقالات

مغز متفکر دوربین‌ها: نگاهی به تاریخچه ۲۰ ساله نوآوری در تراشه‌های Wisenet هانوا ویژن

Posted on by مدیر

در قلب هر دوربین امنیتی مدرن، یک قطعه کوچک و قدرتمند قرار دارد که تمام جادو در آن اتفاق می‌افتد: سیستم روی یک تراشه (SoC). این تراشه، مغز متفکر دوربین است که همه چیز، از پردازش تصویر گرفته تا اجرای تحلیل‌های هوشمند را مدیریت می‌کند. پیشرفت‌ها در فناوری SoC، دوربین‌های امنیتی را از سیستم‌های بزرگ و ناکارآمد گذشته به دستگاه‌های هوشمند، جمع‌وجور و قدرتمند امروزی تبدیل کرده است.

در حالی که بسیاری از تولیدکنندگان به تراشه‌های عمومی و شخص ثالث تکیه می‌کنند، شرکت هانوا ویژن (Hanwha Vision) با توسعه راه‌حل‌های SoC اختصاصی و داخلی برای بیش از ۲۰ سال، خود را متمایز کرده است. این سفر نوآوری که با توسعه پردازنده‌های سیگنال تصویر (ISP) داخلی آغاز شد، اکنون با معرفی آخرین دستاورد این شرکت، Wisenet 9، به اوج خود رسیده است.

 

قدرت توسعه داخلی: چرا ساخت تراشه اختصاصی یک مزیت استراتژیک است؟

در گذشته، پردازش ویدئو نیازمند اجزای الکترونیکی مجزا و متعددی بود که نتیجه آن سیستم‌هایی بزرگ و ناکارآمد بود. ظهور مدارهای مجتمع و پس از آن SoCها، این فرآیند را متحول کرد. با توسعه بازار نظارت تصویری تحت شبکه، تقاضا برای SoCهای تخصصی افزایش یافت. هانوا ویژن با سرمایه‌گذاری بر روی توسعه داخلی، توانسته است کنترل کاملی بر تمام جنبه‌های طراحی تراشه داشته باشد.

این کنترل مستقیم به معنای بهینه‌سازی عملکرد سیستم، تسهیل سفارشی‌سازی و پیشبرد نوآوری‌های فناورانه است. این رویکرد به هانوا اجازه می‌دهد تا الگوریتم‌های تحلیل ویدئویی خاص خود را تسریع کرده و کیفیت تصویر را به حداکثر برساند. نتیجه این کنترل، سرعت پردازش بالاتر، تأخیر کمتر و مصرف انرژی بهینه‌تر است که در نهایت به عملکرد برتر و تجربه امنیتی قابل اعتمادتری منجر می‌شود.

علاوه بر این، توسعه داخلی SoC، سازگاری سریع‌تر با فناوری‌های نوظهور و الزامات امنیتی جدید را ممکن می‌سازد. قابلیت‌های جدید Wisenet 9، مانند کاهش نویز (NR) مبتنی بر هوش مصنوعی و دامنه دینامیکی بسیار گسترده (Extreme WDR) برای وضوح تصویر استثنایی، و قابلیت RE-ID برای ردیابی و جستجوی پیشرفته افراد در میان چندین دوربین، این سازگاری را به وضوح نشان می‌دهد.

 

عصر آنالوگ: پایه‌ریزی بنیادها (۲۰۰۴-۲۰۰۹)

تخصص هانوا ویژن در پردازش تصویر، بسیار پیش از آنکه برند Wisenet مترادف با دوربین‌های شبکه پیشرفته شود، آغاز شد. در اوایل دهه ۲۰۰۰، تمرکز شرکت بر روی توسعه ISP برای دوربین‌های آنالوگ بود.

  • W3 ISP: اولین گام در توسعه تراشه که زمینه را برای پیشرفت‌های آینده فراهم کرد.
  • W5, A1, SV5 ISPs: این تکرارها نشان‌دهنده تعهد شرکت به بهبود قابلیت‌های پردازش تصویر برای سیستم‌های آنالوگ و ایجاد دانش بنیادی برای SoCهای دیجیتال آینده بود.

 

گذار دیجیتال: توسعه ISP برای دوربین‌های شبکه (۲۰۱۰)

 

با تغییر چشم‌انداز نظارت تصویری به سمت دوربین‌های تحت شبکه (IP)، هانوا ویژن نیاز به راه‌حل‌های دیجیتال را تشخیص داد.

  • Wisenet 1 و Wisenet 2 ISPs: این‌ها اولین ISPهایی بودند که به طور خاص برای دوربین‌های IP توسعه یافتند و نیازهای منحصر به فرد پردازش ویدیوی دیجیتال را برطرف کردند.

 

عصر Wisenet SoC: پیشبرد قابلیت‌ها (۲۰۱۱-۲۰۲۰)

انقلاب واقعی با توسعه Wisenet S SoC آغاز شد که نشان‌دهنده حرکت هانوا ویژن به سمت طراحی چیپست‌های یکپارچه بود.

  • Wisenet S: اولین SoC کامل که برای دوربین‌های شبکه رده پایه طراحی شد.
  • Wisenet 3: با تکیه بر نسل قبل، این SoC پشتیبانی از رزولوشن بالاتر، کدک H.264، تحلیل‌های ویدئویی هوشمند و عملکرد مه‌زدایی (Defog) را معرفی کرد.
  • Wisenet 5: این تکرار، هانوا ویژن را به سمت تحلیل‌های پیشرفته سوق داد و قابلیت‌هایی مانند طبقه‌بندی صدا، کدک H.265 و فناوری فشرده‌سازی ویدئوی WiseStream را معرفی کرد.
  • Wisenet 7: این SoC که اوج تخصص شرکت تا آن زمان بود، از رزولوشن فوق‌العاده بالا (4K)، رابط‌های چند سنسوری و امنیت سایبری تقویت‌شده پشتیبانی می‌کرد و زمینه را برای تحلیل‌های پیشرفته هوش مصنوعی فراهم کرد.

 

Wisenet 9: انقلاب هوش مصنوعی در لبه (۲۰۲۵)

بر پایه این میراث غنی، هانوا ویژن Wisenet 9 را معرفی می‌کند. این تراشه که حاصل نزدیک به چهار سال توسعه متمرکز است، یک جهش کوانتومی در عملکرد، دقت و امنیت ارائه می‌دهد.

Wisenet 9 با ادغام واحدهای پردازش عصبی (NPU) قدرتمند، عملکرد استنتاج هوش مصنوعی را در مقایسه با Wisenet 7، سه برابر بهبود بخشیده است. این امر، ویژگی‌های پیشرفته‌ای مانند بهبودهای تصویر مبتنی بر هوش مصنوعی برای وضوح برتر، کارایی هوشمند از طریق کاهش حجم داده و حریم خصوصی تقویت‌شده از طریق پوشش حریم خصوصی پویا (DPM) را امکان‌پذیر می‌سازد. نوآوری‌های کلیدی مانند RE-ID برای ردیابی افراد، طبقه‌بندی صدای هوش مصنوعی و امنیت قوی مبتنی بر FIPS 140-3 Level 3، رهبری فناورانه هانوا را که حاصل رویکرد SoC اختصاصی آن است، به نمایش می‌گذارد.

 

آینده Wisenet: پیشتازی در انقلاب امنیت مبتنی بر هوش مصنوعی

تعهد هانوا ویژن به توسعه داخلی SoC، این شرکت را به عنوان یک رهبر در صنعت نظارت تصویری تثبیت کرده است. با افزایش تقاضا برای تحلیل‌های ویدئویی هوش مصنوعی و امنیت تقویت‌شده، تراشه‌های Wisenet، از جمله پیشرفته‌ترین آن‌ها یعنی Wisenet 9، نقشی حیاتی در شکل‌دهی به آینده نظارت تصویری ایفا خواهند کرد؛ آینده‌ای که در آن، دوربین‌ها دیگر تنها ناظران منفعل نیستند، بلکه شرکای هوشمندی هستند که به ما در درک و ایمن‌سازی دنیای اطرافمان کمک می‌کنند.

مقالات

ویدئوها و آنالیتیک ها در سال 2019

Posted on by مدیر

با به پایان رسیدن سال 2018 همه ی افراد منتظرند که ببینند چه تکنولوژی هایی تبدیل به روندهای رایج امنیتی در سال 2019 خواهند شد. تا جایی که سیستم های نظارت ویدئویی مسئله موردبحث باشند، انتظار میرود که در سال 2019 سیستم های تجزیه و تحلیل محتوای ویدئویی، سیستم های تشخیص چهره و سیستم های محاسباتی اج-محور برجسته تر از قبل خودی نشان دهند.

تجزیه و تحلیل محتوای ویدئویی

تجزیه و تحلیل محتوای ویدئویی پیشرفت زیادی داشته و از تکنولوژی های اغراق-شده ی گذشته به نوآوری هایی اساسی که باعث بهبود وضع امنیت و همچنین هوشمندی بیزنسی میشوند تغییر شکل یافته است. انتظار میرود که در سال 2019 این تکنولوژی نقش پررنگ تری را در امنیت ایفا نماید.

در حال حاضر نرم افزارهای تجزیه و تحلیل محتوای ویدئویی که هوش مصنوعی ﴿AI﴾ و تکنولوژی یادگیری عمیق را در خود جای داده اند به مراتب ارزشمندتر از بررسی های پس از وقوع رخدادها تلقی میشوند. به خاطر سرعت باورنکردنی و قابلیت های هوشمند این سیستم ها، بسیاری از افراد درحال یافتن راه هایی جدید برای استفاده از آنها هستند. به عنوان مثال، بیزینس های خرده-فروشی در حال استفاده از این تکنولوژی جهت برنامه ریزی های کنش گرایانه و استراتژیک هستند تا تجربه ی بهتری را برای مشتریان فراهم ساخته و در نتیجه باعث افزایش میزان فروش خود و وفاداری آنها شوند؛ سازمان های درمانی و بهداشتی نیز از این تکنولوژی جهت رسیدگی به مسائل عملیاتی همچون یافتن افراد غیرمجاز در مناطقی با تاسیسات محدود استفاده می نمایند؛ و قطب-های حمل و نقل از این تکنولوژی ها جهت بهبود جریان مسافران استفاده کرده و شهرداری ها به صورت کنشگرایانه برای امن تر نگاه داشتن خیابان های شهری بهره میگیرند.

علیرغم صحبت های موجود مبنی بر فقدان یک عامل پیشبینی کننده در آنالیتیک های امروزی (این سیستم ها قادر به پیش بینی اینکه فردی قصد انجام کار بدی را دارد یا خیر نیستند!)، پیشرفت های صورت گرفته درآنالیتیک ها منجر به پیشگیری بهتر از وقوع جرائم میگردد. به عنوان مثال از طریق استفاده از بیگ دیتا یا کلان داده ها، مجاری قانونی بهتر میتوانند به تجزیه و تحلیل الگوی جرائم و روندهای آنها بپردازند و بدین شکل محل وقوع رخدادهای امنیتی را پیشبینی کرده و طبق این داده ها، نیروهای خود را به کار بگیرند. استفاده از ویدئوآنالیتیک ها در بررسی ها و تحقیقات صورت گرفته پس از وقوع رخدادها به عنوان امری مهم برای یافتن مجرمین، فهم بهتر صحنه جرائم و تعیین محل افراد گم شده تلقی میگردد و این داده ها هوشمندی لازم برای پیشگیری کنشگرایانه ی جرائم را فراهم میسازند.

سیستم های تشخیص چهره

سیستم های تشخیص چهره پیشرفتی جدید تلقی میشوند. با استفاده از تکنولوژی های یادگیری عمیق و تکنولوژی هوش مصنوعی ﴿AI﴾، سیستم های تشخیص چهره قادر به صدور اجازه ی ورود به گوشی هوشمند بوده و همچنین میتوانند دوستان شما را در تصاویر منتشرشده در شبکه های مجازی تشخیص بدهند. در حالی که به سیستم های تجزیه و تحلیل محتواهای ویدئویی فکر میکنیم، سیستم های تشخیص چهره بیشتر از هر زمان دیگری در حال ایفای نقشی پررنگ هستند. در سال 2019 شاهد استفاده ی بیشتر ارگان های اجرایی قانون از آنالیتیک های ویدئویی و سیستم های تشخیص چهره خواهیم بود تا بدین شکل وقایع صورت گرفته با سرعت بیشتری حل و فصل شوند. با استفاده از این تکنولوژی ها خرده فروشان به سرعت میتوانند به تشخیص سارقین وسایل موجود در فروشگاه ها بپردازند. از آنجایی که این تکنولوژی در حجم بالا در سراسر جهان به کار گرفته شده و بیشتر از هر زمان دیگری در دسترس افراد قرار دارد، انتظار میرود که این تکنولوژی به شکل قابل توجهی در سال 2019 بکار گرفته شود.

علیرغم وجود برخی نگرانی ها یا مسائل اخلاقی حول سیستم های تشخیص چهره، این سیستم ها راه هایی مناسب برای رسیدگی به این دست از مسائل خواهند بود.

سیستم های تشخیص چهره موارد کاربرد معناداری را ارائه میکنند؛ یکی از این کاربردها تطبیق چهره ها بر اساس تصویری در یک ویدئو یا تصویری بیرون از سیستم مربوطه ﴿ به عنوان بخشی از لیست افراد تحت تعقیب یا به عنوان یک تصویر منفرد﴾ میباشد. افراد شاهد ارجاعات زیادی از نوع فیلم “گزارش اقلیت” به کارگردانی استیون اسپیلبرگ به سیستم های تشخیص چهره بوده-اند؛ محور اصلی این فیلم روی سیستمی است که بر مبنای ۳ انسان کار می‌کند و می‌تواند جرایم را پیش از وقوع پیش‌بینی کند و بدین ترتیب مأموران اجرایی پیش از وقوع جنایت جلوی آن را می‌گیرند و بدین ترتیب مدت‌هاست که دیگر جنایتی رخ نداده است. اما همین سیستم پیچیده هم ممکن است فریب بخورد. زمانی که ماشین پیش‌بینی می‌کند در زمان مشخصی یکی از مأموران اصلی پروژه دست به قتل خواهد زد، او با این پرسش مواجه می‌شود که آیا خود اراده تغییر آینده خود را دارد یا مجبور است به تقدیر تن در دهد و در این راه معمای پیچیده‌ای را باز می‌کند. حقیقت آن است که وضع تصاویر هیچ پیشرفتی نداشته، هیچگونه ارتباطی با داده های فردی وجود نداشته و هیچگونه ارتباطی بین سایر تصاویر فرد موردنظر در خارج از ویدئویی که چهره ی وی با آن تطبیق داده شده وجود ندارد. با توجه به آنچه گفته شد، به احتمال زیاد شاهد نظارت قدرتمندتر از سوی دولت ها خواهیم بود تا بدین شکل سیاست هایی برای تنظیم استفاده از این تکنولوژی ها و تعریف حقوق انتخاب برای دنبال شدن به صورت دیجیتال را تعیین کنند.

پردازش اج-محور و محاسبات ابری

در آخر، پردازش اج-محور و محاسبات ابری نقشی به مراتب پررنگتر را در افزایش سرعت بکارگیری آنالیتیک های پیشرفته محتوای ویدئویی ایفا خواهند نمود. با ادامه یافتن شهرت ویدئوها، نیاز به حفظ پهنای باند در حال ایجاد موجی از مهاجرت ابری و محاسبات اج-محور است. این امر امکان آنالیتیک های پیشرفته محتواهای ویدئویی را فراهم میسازد؛ این آنالیتیک ها داده های جمع-آوری شده از دوربین ها و دستگاه ها را مورد پردازش قرار میدهند. پیشبینی میشود که در سال 2019 مهاجرت به سوی سیستم های محاسبات ابری و پردازش اج-محور همچنان ادامه پیدا کند و در نتیجه آن شاهد بکارگیری بیشتر آنالیتیک های AI-محور محتواهای ویدئویی در بسیاری از صنایع باشیم؛ این صنایع شامل صنعت حمل و نقل، آموزش عالی، مراکز بهداشتی و درمانی، خرده فروشی-ها و بسیاری از صنایع دیگر میشوند.

برگرفته از مجله a&s و دانشنامه آزاد ویکی پدیا

مقالات

وضعیت بازار روبات های صنعتی در سال 2018 و 2019

Posted on by مدیر

سال 2018 برای کل صنعت روباتیک سالی پر از اتفاق بوده است. از تعطیلی روبات های گروه ریثینک (Rethink Robotics) گرفته تا محصولات هیجان انگیزی چون روبات های بوستون (Boston Robotics) و راه اندازی خودروهای خودرانی چون ویمو (Waymo)، این صنعت فراز و فرودهای فراوانی را تجربه کرده است.

به ویژه اینکه روبات های صنعتی شاهد نرخ بکارگیری بیشتری در طول سال گذشته بوده اند. طبق گزارش فدراسیون جهانی روباتیک (IFR﴾، تنها در سال 2017 حدود 380.550 واحد دستگاه به فروش رسیده است که این نرخ حدود 29 درصد بیشتر از نرخ سال گذشته خود بوده است. در رتبه نخست چین و به دنبال آن آمریکا و آلمان جزء برترین ها در این زمینه بوده اند. از آنجایی که باید منتظر گزارش نهایی سال 2018 ماند، انتظار میرود که این نرخ در سال 2018 افزایش یافته و شاهد رشد بیشتری باشد.

در رابطه با روندهای اصلی سال 2018، مدیر محصول روباتیک در شرکت گروه آب ب به نکاتی کلیدی اشاره نموده که به شرح زیر است :

1. حجم کمتر، تنوع بیشتر

آن روزها که تولید محصولات تنها به تولید یک محصول منفرد در حجم بالا محدود میشد گذشته است. امروزه، تاکید بیشتری روی حجم کمتر و تنوع بیشتر قرار دارد.

ادامه یافتن تغییر حرکت از تولید حجم بالایی از یک محصول به سوی تولید حجم پایین تر و با تنوع بیشتر از آن – یعنی «سفارشی سازی در حجم بالا» – به قاعده ای جدید در صنایع مختلف ﴿از صنایع خودروسازی گرفته تا صنایع الکترونیک و یا حتی صنایع غذایی﴾ تبدیل شده است. این بدان معناست که برای تطابق یافتن با گستره ی بزرگتری از محصولات و پکیج های موجود در یک خط تولید واحد و برای جابجایی وتغییر مسیر سریع بین محصولات، کارخانجات باید انعطاف پذیرتر از قبل عمل کنند. بسیاری از تولیدکنندگان درگیر این موضوع هستند و راه حل های خودکارسازی قدیمی و ثابت شده را دیگر به اندازه ی کافی انعطاف پذیر نمیبینند که بتوانند آنها را در برابر تمام این تغییرات بروز نگه دارند.

2. انعطاف پذیری بیشتر

این تغییر تمرکز و فشارهای وارده از سوی آن باعث میشود که سرمایه گذاری های بیشتری روی راهکارهای خودکارسازی روباتی که کارآمدتر و انعطاف پذیرترند و همچنین در صنایع سبکتری چون صنایع غذایی، صنایع تولید نوشیدنی ها و یا صنایع تولید وسایل الکترونیکی صورت بگیرد.

در گذشته در صنایع تولید مواد غذایی و نوشیدنی ها از روبات ها جهت خودکارسازی فرآیندهای ساده تری چون پر کردن پکیج های روی پالت استفاده میشده است. اما در حال حاضر از روبات ها جهت فرآیندهای با ارزش بالاتری استفاده میشود؛ یکی از این فرآیندها، تولید مستقیم ماده ی غذایی است. در صنایع الکترونیک که سفارشی سازی در حجم بالا صورت میگیرد، روبات ها در حال کمک به حفظ تعادل بین ضروریاتی چون انعطاف پذیری، کیفیت بالا و چرخه های زمانی سریع هستند.

3. تاثیر نیروهای کاری

سرمایه گذاری روی سیستم های خودکارسازی تحت تاثیر تغییرات صورت گرفته در نیروهای کاری قرار دارد. بسیاری از کشورهای امروزی با یک «بمب ساعتی جمعیتی» روبرو هستند – این کشورها دارای جمعیتی سالخورده اند که در حال نزدیک شدن به سن بازنشستگی هستند و این درحالی است که افراد جوان خواهان چالش هایی هستند که از لحاظ ذهنی سودمند باشند نه از لحاظ فیزیکی. بسیاری از کشورها در حال حاضر کمبود نیروهای کاری و شکاف های مهارتی را تجربه می کنند و یا در سال های پیش رو تجربه خواهند کرد.

افراد نسبت به انجام کارهای کسل کننده، کثیف، خطرناک و یا حساس تمایل کمتری دارند. بسیاری از تولیدکنندگان در حال استفاده از دستگاه های خودکار هستند تا کمبود نیروهای کاری خود را جبران کنند؛ مخصوصا برای تطابق یافتن با تقاضاهای بالا و یا در صنایعی که کارهای آن جذاب نبوده و در عین حال از میزان فروش بالایی برخوردارند. روزهای جستجو برای نیروهای کار ارزان از سراسر جهان به پایان رسیده است – تولیدکنندگان جهانی باید قادر به تولید مستمر و نزدیک به کاربران نهایی باشند.

4. تکنولوژی رو به تکامل

در آخر روبات های صنعتی نیز تحت تاثیر تقاضا برای تکنولوژی های جدید قرار دارند. به عنوان مثال حتی در صنایع جاافتاده و به شدت اتوماتیکی چون خودروسازی، سرمایه گذاری مداوم با توجه به نیاز برای یک گذار موثر از وسایل نقلیه با موتور احتراق داخلی به سوی وسایل نقلیه الکتریکی صورت میگیرد.

انجام این کار نیازمند فرآیندهای تولید جدید در حوزه های قدیمی همچون سامانه تولید و انتقال نیرو و همچنین فرآیندهای کاملا جدیدی در حوزه هایی چون اتوماسیون سوار کردن باتری است که امری بسیار پیچیده بوده و نیازمند تطابق یافتن با بسیاری از دیزاین های مختلف است. همچنین تولیدکنندگان خودروها به دنبال روبات هایی هستند که به خودکارسازی آن بخش هایی از تولید که پیشتر به صورت دستی انجام میشده اند – همچون پاکسازی نهایی و سر هم کردن اجزای خودرو – بپردازند. در گذشته این امر مستلزم اقداماتی بوده است که برای خودکارسازی بسیار دشوار بوده اند؛ این اقدامات شامل متصل کردن تمامی بخش های الکترونیکی و حساس یک خودرو میشوند.

5. آینده ی روبات های صنعتی – 2019

روبات های صنعتی بیشتر از هر زمان دیگری در حال شهرت یافتن هستند، چرا که با تداوم افزایش هزینه  های نیروهای کاری، مشتریان بیشتر از هر زمان دیگری در حال پی بردن به مزایای استفاده از روبات ها هستند. طبق گزارش های ارائه شده توسط مرکز پژوهشی آی.دی.سی (IDC﴾ انتظار میرود که در سال 2019 بودجه ی صرف شده در بخش روبات  و پهبادها، 17.6 درصد بیشتر از میزان بودجه ی صرف شده در سال 2018 باشد. علاوه بر این، تا سال 2022 نرخ رشد مرکب سالانه ای بیش از 20 درصد پیش بینی میگردد.

طبق پیش بینی گروه  آب ب که یکی از فعالان اصلی در زمینه ی روبات های صنعتی است، انتظار میرود که در سال جاری در سه زمینه اصلی تغییراتی اساسی به وقوع بپیوندد.

5.1. ساده سازی

آن روزها که روبات های صنعتی نیازمند فرآیندهای نصب و عملیاتی پیچیده بوده  اند و باید در جایگاه های جداگانه نگهداری میشده اند به پایان رسیده است. با کمک چند نوآوری جدید، ماشین ها به قدری ساده شده اند که میتوانند بدون برانگیختن مسائل امنیتی به کار در کنار انسانها بپردازند.

طبق پیش بینی گروه آب ب، ساخت روبات هایی که برای نصب، برنامه ریزی و داشتن کارایی آسانتر هستند در این سال افزایش پیدا خواهد کرد. برنامه ریزی شماتیک ﴿PbD)، استفاده از ابزارهایی چون تکنولوژی های واقعیت افزوده یا واقعیت مجازی و همچنین رابط های کاربری بهتر میان انسانها و روبات ها از جمله مثال هایی هستند که میتوان به آنها اشاره نمود. در علم کامپیوتر، برنامه ریزی شماتیک به یک تکنیک برنامه ریزی ساده برای کاربران معمولی اطلاق میشود؛ در این تکنیک با کمک نمایش شماتیک امر مربوطه، رفتارهای جدید به کامپیوتر یا روبات آموزش داده میشود تا بدین شکل به جای برنامه ریزی آنها از طریق دستورات ماشینی، این برنامه ریزی به صورت مستقیم به آنها منتقل شود. این موضوع مخصوصا در شرکت های با سایز کوچک تا متوسط از اهمیت بالایی برخوردار است؛ در این نوع شرکت ها، کمبود تجربه ی روباتی به عنوان یک مانع کلیدی برای ورود به بازار تلقی میگردد. امر ساده سازی برای تولیدکنندگان بزرگ جهانی نیز از اهمیت بالایی برخوردار است؛ تولیدکنندگانی که فارغ از منابع انسانی حاضر در محل خود، خواهان بازگشایی کارخانه جاتی با کیفیت ثابت در این محل هستند.

اهمیت چنین پیشرفتی به شدت در حال افزایش است، چرا که روز به روز تولیدکنندگان بیشتری با کمبود کارگران راغب مواجه هستند؛ به عنوان مثال در صنایعی که کارهای آن جذاب نبوده و در عین حال از میزان فروش بالایی برخوردار است، سیستم های خودکارسازی پیچیده باید عملکردی ساده پیدا کنند تا دیگر نیازی به آموزش گسترده کارگران جدید نباشد.

5.2. همکاری

علاوه بر آنچه گفته شد، صنعت روبات سازی شاهد افزایش کاربری هایی (نه فقط روبات های همکار) خواهد بود که به افراد و روبات ها اجازه میدهد تا بیشتر از قبل به تعامل با یکدیگر بپردازند؛ این تعاملات از همزیستی امن در یک فضای مشترک گرفته تا همکاری روی وظایف و کارهای مشترک متغیر است. روبات های همکار تا به حال باعث وقوع انقلابی در شیوه ی عملکرد روبات ها در کارخانه جات شده اند.

برای انعطاف پذیری بیشتر در تولید و جهت تطبیق با تولید ترکیبی در حجم بالا و پایین، همکاری امری لازم و ضروری است. افراد میتوانند قدرت بینظیر خود را برای سازگاری یافتن با تغییرات و تولید اضافه کنند، این در حالی است که روبات ها طاقت خستگی ناپذیر خود را برای انجام کارهای تکراری به این همکاری اضافه میکنند. همزیستی امن روز به روز اهمیت بالاتری پیدا میکند، چرا که تولید ترکیبی در حجم بالا یا پایین به این معناست که افراد باید در نزدیکی روبات ها و به صورت پراکنده و متناوب کار کنند؛ از این نوع همکاری میتوان به آوردن اجناس مختلف برای روبات ها، تغییر برنامه  ها و بررسی و کنترل چرخه های جدید اشاره نمود.

بسیاری از تولیدکنندگان در حال کلنجار رفتن با ایجاد تعادل بین لزوم امنیت و نیاز به کارکرد روبات ها با حداکثر سرعت هستند. یکی از مزیت های افزوده ی همزیستی انسانها/ رباتها این است که باعث جریان های تولید انعطاف پذیرتری در کارخانه جات شده که قادر به عبور از سد حصارهای امنیتی هستند. به عنوان مثال، دیگر لازم نیست که کالاها به دنبال خطوط مونتاژ دقیق و یک راست باشند – این کالاها میتوانند از طریق یک کارخانه به سمت کاربری های مختلف ایجادشده حرکت کنند-  گاهی اوقات تنها یک محوطه ی کوچک نیز کافی است.

5.3. دیجیتال سازی

در حال حاضر دستگاه های متصل به یکدیگر یک روند بزرگ واحد در بیشتر صنایع تلقی میشوند. در سال 2019 این امکان وجود دارد که در اکوسیستم تولید دیجیتال شاهد روبات های متصل به یکدیگر باشیم.

این امر باعث بهبود کارایی، بازدهی و قابلیت اطمینان در کل چرخه تولید (مهندسی، ارسال، بکارگیری و نگهداری) میشود. دیجیتال سازی باعث ایجاد همکاری بیشتر بین زنجیره ی ارزش (رشته ای از فرایندهای تجاری بهم پیوسته که در یک شرکت برای تبدیل ورودی ها به خروجی های دارای ارزش افزوده انجام می شوند) افقی (به عنوان مثال، بین تامین کننده، تولیدکننده و توزیع کننده) یا عمودی یک کارخانه (به عنوان مثال، بین برنامه نویسان تجارت الکترونیک و سیستم های سی.آر.ام، سیستم های ای.پی.آر بیزینسی، سیستم های برنامه ریزی تولید و سیستم های خودکارسازی لجستیک) میشود. هر دوی این نوع همکاری ها میتوانند باعث میشود تجربه ی مشتری بهتر شده و کارایی تولید را افزایش دهند.

به عنوان یک مثال ساده، یک تولیدکننده ی جهانی میتواند از میان هزاران روبات در جهان به عملکرد تک تک روبات ها نگاهی بیاندازد و روبات های با عملکرد ضعیف و نیازمند بروزرسانی یا خدمات دهی را شناسایی کند تا بدین شکل این روبات ها نیز همچون روبات های با سطح عملکرد عالی دیگر به تولید بپردازند. دیجیتال سازی برای تولید ترکیبی در حجم بالا و پایین بسیار حائزاهمیت است؛ به عنوان مثال میتوان به کارایی مهندسی بهتر برای جابجایی و تغییر سریع بین محصولات یا افتتاح سریعتر خط جدید محصولات اشاره کرد.

برگرفته از مجله a&s

مقالات

50 شرکت امنیتی برتر: تکنولوژی غیرقابل انکار – AI

Posted on by مدیر

اگر قرار باشد که یک روند امنیتی بزرگ را در طول 12 ماه گذشته معرفی کرد، میتوان از موتورهای آنالیتیکی پیشرفته ای نام برد که اغلب به عنوان هوش مصنوعی یا AI از آنها یاد میشود. در این مقاله نحوه ی کمک این آنالیتیک­ ها به ارتقاء وضع امنیت و دلیل مخالفت برخی از فعالین این صنعت با این اصطلاح «AI» مورد بحث و بررسی قرار خواهد گرفت.

در مقایسه با آنالیتیک­ های اغراق­ شده در گذشته که وعده هایی بیش از توان اجرایی خود میداده اند، موتورهای آنالیتیکی امروزی به سطح مشخصی از تکامل رسیده و در زمینه­ هایی چون تشخیص اشیاء، جستجوی هوشمند و سایر کاربردها سودمند واقع شده­ اند. فاکتورهایی چون قدرت محاسباتی بالاتر، الگوریتم های پیشرفته ­تر، دسترسی وسیعتر به داده­ هایی که بتوان با کمک آنها به آموزش سیستم­ ها پرداخت و میزان آگاهی شما از تقاضای یک بازار، همگی به امکان پذیر شدن قابلیت­ های امروزی موتورهای آنالیتیکی کمک نموده­ اند.

نتیجه نهایی، راهکارهایی است که به کاربران کمک میکنند تا کارایی و آگاهی موقعیتی بیشتری به دست آورند. بکارگیری هوش مصنوعی AI در کنار تکنولوژی و نرم­ افزار آنالیتیک ویدئویی به شکل قابل توجهی باعث رشد بازار شده است و تا حد زیادی در حال کمک به روبه ترقی نگه داشتن چشم اندازهای رشد بازار میباشد. از آنجایی که این تکنولوژی باعث ایجاد دسترسی کارآمدتر و آسوده ­تر به تصاویر و ویدئوها شده و در نتیجه اتخاذ تصمیمات و تشخیص تهدیدها را با کارایی بیشتری بهبود بخشیده، استفاده از آن در حال افزایش است. بکارگیری تکنولوژی AI در سیستم­های امنیتی برای ارائه راهکارهای امنیت پیرامونی هوشمند بسیار موثر هستند؛ این راهکارهای امنیتی که تماما به صورت خودکار عمل میکنند، با کمک هوش مصنوعی مزاحمین را شناسایی کرده و بر اساس دستورالعمل های داده شده به سیستم به هنگام تجزیه ­و­تحلیل شرایط در محل رخداد به اتخاذ اقدامات مقتضی میپردازند.

به قطع میتوان گفت که تکنولوژی هوش مصنوعی (AI﴾ قویتر از هر زمان دیگری در حال به قبضه در آوردن بازار امنیت است، آن هم بدین خاطر که سیستم­­های نصب شده در حال بزرگ و بزرگتر شدن بوده و در مقایسه با گذشته تعداد سنسورها و دوربین­های بیشتری در حال بکار گرفته شدن هستند. از این رو، آگاهی یافتن از تمامی اطلاعات ورودی برای انسانها امکان ­ناپذیر خواهد بود. بنابراین برای گرفتن حداکثر نتیجه از نصب سیستم امنیتی خود، باید از هوش مصنوعی استفاده کنید تا بتوانید به نحو احسن از سیستم امنیتی نصب شده جهت بیرون کشیدن و تفسیر اطلاعات استفاده ببرید.

حقیقت این است که در مقایسه با گذشته، امروزه تعداد دوربین­ها و ویدئوهای ضبط شده ی بیشتری وجود دارد؛ این بدین معناست که اپراتورهای امنیتی باید با سرعتی مشابه این پیشرفت­ ها حرکت کرده و با چنین  چالشی دست و پنجه نرم کنند. ­موضوع حائزاهمیت دیگر این است که افراد محدوده توجه کوتاهی دارند. با این حال، هوش مصنوعی (AI) تکنولوژی است که میتواند به غلبه بر این چالش کمک کند؛ هوش مصنوعی در مقایسه با انسانها خستگی ناپذیر بوده و قادر به پردازش تعداد داده ­های ویدئویی بیشتری است. نقش هوش مصنوعی در امنیت دگرگون کننده است. نرم ­افزارهای مدیریت ویدئویی که با هوش مصنوعی کار میکنند به اپراتورهای امنیتی کمک میکنند تا کارآمدتر و موثرتر در کار خود عملکرد داشته باشند.

با از میان رفتن نیاز به مشاهده ­ی مداوم صفحه نمایش ویدئوها و خودکارسازی عملکرد «تشخیص» در نظارت، تکنولوژی AI به اپراتورها اجازه میدهد تا روی چیزی که خوب انجام میدهند متمرکز شوند: تایید و صورت دادن اقدامات لازم در صورت وقوع رخدادهای مهم. این کار علاوه بر سرعت بخشیدن به مراحل انجام تحقیقات قانونی، امکان عکس­ العمل نشان دادن به اتفاقات رخ داده را نیز فراهم میسازد.

یکی از نمونه کاربردهای مفید تکنولوژی AI مربوط به جستجوی هوشمند است؛ در این کاربرد، کاربر مربوطه میتواند به جای تماشای ساعت­ها ویدئوی نظارتی ضبط شده، با وارد کردن سوالات مربوط به ویدئوی مورد جستجو، به سرعت ویدئوی موردنظر را دریافت کند.

این آنالیتیک­ها کاربردی بسیار فراتر از جستجوی هوشمند را دارا هستند. به عنوان مثال، با کمک هوش مصنوعی کار تشخیص چهره را میتوان بسیار کارآمد و دقیق انجام داد، چرا که چهره­ ی هر فرد با چهره­ های موجود در پایگاه داده تطابق داده میشود، حتی اگر فرد موردنظر روی صورت خود ماسک کشیده و یا با لباس مبدل جلوی دوربین ظاهر شده باشد.

هوش مصنوعی/یادگیری عمیق نویدبخش بهبود چشمگیر عملکرد کاربردهای فعلی آن و معرفی ویژگی­های پیشرفته جدیدی است که پیشتر امکان­ پذیر نبوده است. فرقی نمیکند که چالش موردنظر تشخیص ویدئویی یک چهره ­ی مبدل در ازدحام باشد و یا بیرون کشیدن صدای فردی حاضر در یک تخلف امنیتی از میان نویزهای محیطی اطراف آن، هوش مصنوعی وعده­ ی عملکرد بهتر و آینده­ ای هیجان­ انگیزتر از‌ آن را میدهد.

مخالفت با اصطلاح «AI»

برخی از فروشندگان و مشاورینی که با آنها صحبت میشود، مخالف اصطلاح «AI» هستند. به نقل از این دست از افراد، تکنولوژی­ هایی که امروزه مورد استفاده قرار میگیرند در بهترین حالت از آنالیتیک­های پیشرفتهاستفاده میکنند، نه هوش مصنوعی! آنچه این تکنولوژی­ها ادعا میکنند با هوش مصنوعی فاصله بسیاری دارد. به نقل از یکی از این تحلیلگران، افراد باید مراقب استفاده­ ی خود از کلمه ­ی AIباشند، چرا که ادعاهای زیادی مبنی بر به ارمغان آوردن پیشرفت­ های بزرگ توسط AI وجود دارد. هوش مصنوعی واقعی با ما فاصله زیادی دارد و به این زودی خودروهای پرنده و یا حتی خودروهای خودران را در اختیار ما قرار نخواهد داد.

این موارد جزء «آنالیتیک­های پیشرفته» دسته بندی میشوند، نه « هوش مصنوعی»! هوش مصنوعی اصطلاحی وسیعتر بوده و شامل قابلیت­هایی فراتر از تشخیص اشیاء و طبقه بندی آنها میشود. هوش مصنوعی به این معناست که کامپیوتر کم و بیش به «فکر» میپردازد. برای آنکه کامپیوتر به فکر بپردازد، تکنولوژی­های پیچیده­ ی زیادی چون یادگیری ماشین، یادگیری تقویتی، شبکه ­های مولد تخاصمی (این شبکه ها بر اساس رویکرد تئوری بازی­ها بناگذاری شده­اند که در آن یک شبکه یادگیری عمیق که مولد نامیده میشود با یک روند تخاصمی رقابت می­کند) و یادگیری داده افزوده باید با یکدیگر ترکیب شوند.

طبق نظر این تحلیلگران، تکنولوژی امروز به یک عامل پیش­ بینی کننده نیاز دارد – به عنوان مثال، تشخیص و پیش­ بینی اینکه آیا فردی قصد انجام کاری بد را دارد، چرا که این فرد در حال نشان دادن رفتاری نامتناسب با پروفایل رفتاری خود است.

الگوریتم­ های “خود-یادگیرنده”ی زیادی در بازار موجود است. و این الگوریتم­ها مدت­ها پیش از الگوریتم­ های نویدبخش کنونی که بر اساس شبکه­ های نورونی کار میکنند، شکل گرفته و توسعه یافته ­اند. این الگوریتم ­های خود-یادگیرنده که قادر به تهیه تصاویر از اشیاء و مقایسه سرعت آنها با میانگین سرعت اشیاء حاضر در صحنه هستند، بسیار ابتدایی­ اند. به ندرت میتوان انتظار داشت که این الگوریتم ­ها بتوانند به صورت خودکار رفتار مشکوک یک فرد را شناسایی کرده و تشخیص دهند. در حال حاضر شبکه ­های نورونی قادرند که به صورت استثنایی به تشخیص هرگونه شیء ثابتی که تصور کنید بپردازند: از چهره­ های افراد گرفته تا اشیاء موجود روی اسکنر اشعه-ایکس. علاوه بر این، شبکه­ های نورونی پیچیده سه بعدی 3D وجود دارد که اخیرا پا به بازار گذاشته ­اند. این الگوریتم ­ها به افراد اجازه میدهند تا الگوی پیچیده حرکت را ارزیابی کرده و بدین شکل به طبقه ­بندی رفتار اشیاء بپردازند. اما پیش از بکارگیری کامل این تکنولوژی در سیستم­های امنیتی موجود در بازار، باید کارهای زیادی انجام شده و مسائل زیادی حل­ و­فصل شوند. به محض حل شدن این مسائل میتوان توسعه و تولید سیستم­های نظارتی بازدارنده را آغاز نمود.

به نقل از یکی از متخصصین، هوش مصنوعیقابلیت­های زیادی را برای حل مشکلات قدیمی ارائه کرده است که این قابلیت­ها شامل تشخیص چهره یا تشخیص یک فرد/وسیله نقلیه میشود. محصولات AI-محور هنوز به صورت گسترده نشان نداده­ اند که میتوانند تصمیمات پیچیده­ تری چون موارد زیر را اتخاذ کنند: «آیا این فرد در حال نشان دادن رفتاری مشکوک از خود است؟» یا اینکه «آیا این کار برای این فرد، برای این صحنه، برای این محیط طبیعی به نظر میرسد؟»

هرچند که این بدان معنا نیست که این آنالیتیک­های پیشرفته – فارغ از اینکه چه نامیده شوند – ذاتا هیچگونه ارزشی ندارند. میتوان گفت که آنالیتیک­های پیشرفته خود به تنهایی یک تکنولوژی پیچیده و قدرتمند هستند. این تکنولوژی ابعاد فوق­العاده ­ای را رو به تمامی ابعاد زندگی باز میکند. و سیستم­های نظارتی تنها بخشی از این تکنولوژی بزرگ هستند.

یادگیری ماشین و استدلال آماری موجود در برنامه­ هایی که القاکننده ­ی تصور هوشمندی هستند، باعث بهبود کارایی و عملکرد برای کاربران میشود. پیشرفت­های اخیر صورت­ گرفته در تکنیک­های یادگیری ماشین، مخصوصا در شبکه­ های نورونی عمیق در دسترس همه­ ی افراد قرار گرفته­ اند.

برگرفته از مجله a&s

مقالات

5 شکل بکارگیری هوش مصنوعی در صنعت خودروسازی

Posted on by مدیر

هوش مصنوعی (AI﴾ صنعت خودروسازی را به قبضه خود در آورده است و حال آنکه تمامی فعالین بزرگ صنعت خودروسازی مشغول بکارگیری منابع و تکنولوژی های خود هستند تا به مطلوبترین خروجی برسند.

زیبایی دستگاه های مجهز به هوش مصنوعی در آن نهفته است که این سیستم ها به دنبال یادگیری از تمامی ورودی های سنسوری همچون صداها و تصاویر هستند.

به همین شکل هنگامی که این هوشمندی در تکنولوژی موجود در یک خودرو گنجانده میشود، خودروی مربوطه محیط پیرامون خود را شناسایی کرده و هنگام حرکت یا مواجه شدن با موانع به ارزیابی علائم محیطی میپردازد.

در سال 2015، نرخ نصب و بکارگیری سیستم های هوش مصنوعی-محور در خودروهای جدید تنها 8٪ بوده است، اما تا سال 2025 انتظار میرود که این نرخ به 109٪ افزایش پیدا کند. این افزایش بخاطر نصب و بکارگیری سیستم های AI مختلف در وسایل نقلیه خواهد بود.

راندن خودروهای بدون راننده با کمک هوش مصنوعی

تفکر پشت خودروهای بدون راننده از حوالی سال 1970مطرح شد و از این جهت میتوان گفت که این پدیده موضوع جدیدی نیست. خودروهای مجهز به هوش مصنوعی که در فیلم های سالهای گذشه به تصویر کشیده شده اند همیشه تصورات ما را درگیر خود نموده اند. اما به احتمال زیاد، کمبود آگاهی فنی و منابع از جمله موانعی بوده اند که مانع به حقیقت پیوستن این تصورات تاچند سال اخیر شده اند. به تدریج تمامی فاکتورهایی که منجر به هوش مصنوعی میشدند شکل گرفتند و در حال حاضر شاهد به حقیقت پیوستن تولید خودروهای بدون راننده هستیم.

اما دیدن هوش واقعی در این نوع ماشین ها موضوعی است که نیاز به زمان دارد. ایده ی پشت تولید این نوع ماشین ها این بوده است که خودروها بتوانند بدون راننده ی انسانی و در شرایط مختلف خود به تنهایی به رانندگی بپردازند. شاید این کار آسان به نظر برسد، اما به هیچ وجه اینگونه نیست! چرا که برای انجام این کار به محاسبات بسیار دقیقی احتیاج است.

از طریق تکنیک هایی چون تلفیق سنسورها و یادگیری عمیق، محقیقن موفق به توسعه تکنولوژی شدند که به ایجاد یک نقشه سه بعدی از تمامی اتفاقات رخ داده در اطراف خودرو کمک میکند.

برخی از شرکت های بزرگ در زمینه تکنولوژی و خودروسازی همچون گوگل و تسلا، میلیونها دلار از پول خود را صرف پژوهش در مورد خودروهای بدون راننده نموده اند تا بدین شکل به یک تکنولوژی بهتر دست پیدا کرده و خودروهای خودگردان/خودران را به یک واقعیت تجاری تبدیل کنند.

حال بیایید به اشکال مختلفی که هوش مصنوعی به پیشرفت و توسعه صنعت خودردوسازی در آینده کمک میکند نگاهی بیاندازیم:

1. یادگیری ماشین

هوش مصنوعی ﴿AI﴾ نوعی هوش است که در نتیجه بهترین آزمایشات علمی مطرح شده و توسعه پیدا کرده است. هنگامی که این هوش در دستگاه ها و ماشین ها بکار گرفته میشود، آنها را به دستگاه/ماشین هایی مبدل میسازد که تا حد زیادی همچون انسانها عمل میکنند. با این حال، هوش مصنوعی با یادگیری عمیق متفاوت است. در هوش مصنوعی، دستگاه ها به شکلی به انجام کارها میپردازند که انسانها آن را هوشمند تلقی میکنند. یادگیری ماشین یا ML یکی از کاربردهای هوش مصنوعی است که در آن به ماشین ها یک سری داده ی بخصوص داده میشود و آنها به خودی خود شروع به یادگیری بر اساس این داده ها میکنند. یادگیری ماشین در حقیقت زیرمجموعه ای از هوش مصنوعی AI تلقی میگردد.

شرکت تویوتا یک گام جلوتر پیش رفته و از بیگ دیتا ﴿کلان داده﴾، یادگیری ماشین و هوش مصنوعی در جهت تولید سیستم های خودگردان به شدت حساسی بهره جسته است که به سهولت حرکت «افراد کم توان در رانندگی» کمک میکند.

2. یادگیری عمیق

یادگیری عمیق فرآیندی است که با کمک آن یادگیری ماشین بکار گرفته میشود. با کمک یادگیری عمیق است که بسیاری از فعالیت های هوش مصنوعی بدون هیچگونه شکستی صورت میپذیرند. یادگیری عمیق به سیستم ها کمک میکند تا وظایف خود را به بخش هایی قابل مدیریت تقسیم کنند. نرم افزار موجود در یادگیری عمیق قادر به یادگیری است و پس از آن شروع به تقلید از فعالیت های لایه های نورونی مغز ما میکند.

تکنیک های یادگیری عمیق در صنعت خودروسازی بسیار سودمند واقع شده است، چرا که این تکنیک ها در زمینه سیستم های پیشرفته راهنمای رانندگی و رانندگی خودکار کمک میکنند. این موارد تنها کاربردهای یادگیری عمیق در داخل خودروها بوده اند. تکنولوژی یادگیری عمیق نقش پررنگی را در خارج از محیط خود خودروها نیز ایفا میکند – در طول تولید، فروش و خدمات پس از فروش. حتی در سرویس هایی که تا کنون تکنولوژی در آنها تا حدودی مبهم به نظر میرسید، تکنولوژی یادگیری عمیق تفاوت ایجاد کرده و پیشرفت بزرگی را رقم زده است.

3. اینترنت اشیا ء ﴿IoT﴾

اینترنت اشیاء تاثیری انکارناشدنی روی صنعت خودروسازی داشته است و همچنان مستعد قوی تر شدن در سالهای پیش رو نیز هست. خودروهایی که به تازگی تولید شده اند مجموعه ای از مواردجدید را به همراه خود دارند – سنسورهای هوشمند، قابلیت های تجزیه و تحلیل محیطی با کمک بیگ دیتا، کاربردهای اتصال گنجانده شده در خود سیستم.

با توجه به ویژگی های رویایی این خودروها، صاحبان این سیستم ها میتوانند از مزیت برخی ویژگی ها بهره مند شوند. برخی از این ویژگی ها عبارتند از:

  • فروشندگان یا تولیدکنندگان این سیستم ها از طریق نرم افزارهای بروزرسانی بیسیم، فریمور خودروها را بروزرسانی میکنند.
  • در صورتی که یک وسیله نقلیه در یک روز به خصوص برای سرویس یا تعمیر شدن برنامه ریزی شده باشد، داده های مربوط به عملکرد خودرو به مرکز تولیدکننده/فروشنده/خدمات رسانی ارسال خواهد شد.
  • تولید کنندگان خودروها میتوانند تنها از طریق یک نرم افزار مشخص به حل و فصل برخی از مسائل مربوط به عملکرد خودرو بپردازد و دارنده ی خودرو مجبور به تهیه یک لیست بلند بالای خرید نخواهد شد.
  • کمپانی هایی که دارای مجموعه ای از وسایل نقلیه خود هستند میتوانند با کمک پارامترهای امنیتی ارتقاء یافته، به صورت یک شکل به مدیریت خودروهای خود بپردازند.
  • کیفیت تولید ارتقاء یافته از طریق فرآیندهای اینترنت اشیاء (IoT) امکان پذیر است.
  • در صورت وقوع موارد نیازمند فوریتهای پزشکی، سنسورهای هوشمند خودرو پرسنل پزشکی مربوطه را فراخوانده و خواهند فرستاد.

 

 

4. قابلیت های ادراکی

انقلاب رانندگی بدون راننده در گوشه و کنار خیابانها به مسیر خود ادامه خواهد داد و افراد نه تنها شاهد بکارگیری قابلیت های هوش مصنوعی در خودروهای کوچک خواهند بود، بلکه کامیون های 18-چرخی را خواهند دید که مجموعه ای از کالاها را با خود حمل میکنند. این امر با کمک آنالیزهای ادراکی یک گام پیشتر آمده است، چرا که این آنالیزها با نگاه کردن به الگوهای رفتاری و قابلیت های داده کاوی به تقلید از رفتار افراد میپردازند.

سیستم های ادراکی باید عملکردی همچون یک انسان را در تفسیر شرایط واقعی داشته باشند. برای انجام این کار داشتن فهم و آگاهی عمیق نسبت به داده های غیرساختار-یافته ضروری است.

این دانش و آگاهی با کمک کسر بزرگی از داده های غیرساختار-یافته به دست می آید تا روی چگونگی نشان دادن عکس العمل طبیعی به صورت همزمان با وقوع رخداد تصمیم گیری صورت گیرد.

این قابلیت های ادراکی همچنین قادر به کنترل شرایط عملیاتی پویا و دینامیک خواهند بود. در حال حاضر تولیدکنندگان خودروها شروع به گنجاندن این نوع قابلیت ها در خودروهای خود نموده اند. به عنوان مثال، شرکتBMW با همکاری شرکت IBM تلاش نموه است تا این قابلیت های ادراکی را به خودروهای خود بیافزاید.

5. سیستم های اطلاع رسانی و سرگرمی

هوش مصنوعی، سیستم های اطلاع رسانی و سرگرمی موجود در خودروها را به شکل عظیمی تغییر میدهد. به خاطر این روند، تقاضا برای راهکارهای سخت افزاری و نرم افزاری باکیفیت نیز افزایش یافته است، چرا که تمام این سیستم ها باید سازگار با تکنولوژی هوش مصنوعی AI باشند.

در گروه سیستم های اطلاع رسانی و سرگرمی میتوانید شاهد پیشرفت و توسعه ویژگی های زیر باشید: تشخیص صدا، دنباله روی مسیر حرکت چشم، بازبینی رانندگی، تشخیص حرکات بدن و پایگاه داده زبان های طبیعی ﴿زبان طبیعی، قابلیت یک رایانه برای درک چیزی است که انسان در قالب کلام به او می‌گوید﴾. به مرور زمان این پیشرفت ها یک گام جلوتر خواهند رفت تا سیستم های ارزیابی شرایط راننده، سیستم های دید ماشینی متصل به دوربین، واحدهای کنترل موتور ترکیب سنسورها و واحدهای تشخیص رادار-محور را درنظر گرفته و در خود بگنجانند.

اینترفیس های ماشینی-انسانی مربوط به سیستم های سرگرمی و اطلاع رسانی وجود دارد که قبلا به خودروها متصل شده اند. این اینترفیس ها میتوانند طبق الگوریتم های به دست آمده از شبکه های نورونی ابر-محور به بازبینی پرداخته و عمل کنند. از این قابلیت بعدها میتوان برای انجام کارهای پیشرفته استفاده نمود.

نتیجه

با کمک قابلیتهای هوش مصنوعی افراد میتوانند شاهد نوع جدیدی از راندن خودروها ﴿پدیده «ابرها به خودروها»﴾ باشند. توسعه دهندگان این نوع سیستم ها با کمک قدرت محاسباتی فوق العاده ی موجود خود قادر به ساخت اپلیکیشن هایی شده اند که هوش مصنوعی را به مرحله ی جدیدی از کمال رسانده اند.

استفاده از هوش مصنوعی محدود به خودروهایی که به خودی خود و در شرایط گوناگون همچون یک راننده ی واقعی میرانند نمیشود. علاوه بر این، هوش مصنوعی به ساخت خودروهای ارزانتری کمک میکند که قادر به حس کردن محیط بوده و علیرغم تمام موانعی که ممکن است در جریان رانندگی سر راه افراد قرار بگیرد قادر به راهیابی باشند.

منبع: Bigdata-Madesimple

مقالات

50 شرکت امنیتی برتر: روندهای تکنولوژی 2019

Posted on by مدیر

با به پایان رسیدن سال 2018، بسیاری از افراد به دنبال آن هستند که ببینند کدام یک از تکنولوژی­های امنیتی در سال 2019 رایج خواهند بود. 50 شرکت امنیتی برتر در سال 2018، برخی از این تکنولوژیها را معرفی نموده­ اند که خلاصه ­ای از آنها در ادامه این مقاله آورده شده است.

1. امنیت سایبری

از لحاظ تکنولوژیک، امنیت سایبری همچنان به عنوان موضوعی داغ در سال 2019 مطرح خواهند ماند. در واقع طبق طبقه­ بندی ارائه شده توسط انجمن صنعت امنیتی آمریکا ((SIA، امنیت سایبری نخستین رتبه را از میان 10 روند عظیم امنیتی از آن خود نموده است؛ انتظار میرود که این 10 روند عظیم امنیتی، صنعت امنیت را در سال 2019 شکل دهند. از میان تهدیدات سایبری موجود در مورد دستگاه ­های امنیتی که روز به روز بیشتر از پیش به سوی سیستم­ های تحت شبکه مهاجرت میکنند، فروشندگان این نوع سیستم ­ها باید ثابت کنند که راهکار­های آنها در مقابل حملات و هک­های صورت گرفته مقاوم هستند. در سال 2019، امنیت سایبری همچنان به عنوان موضوعی مهم مطرح خواهد بود و اقدامات مربوط به مقاوم­سازی در برابر حملات سایبری همچنان به عنوان وجهی کلیدی در توسعه محصولات باقی خواهند ماند.

2. هوش مصنوعی/ یادگیری عمیق

لازم به گفتن نیست که هوش مصنوعی و آنالیتیک­های پیشرفته همچنان در زمینه صنعت امنیت حکمرانی خواهند نمود. هوش مصنوعی/ یادگیری ماشین/ یادگیری عمیق، یک روند تکنولوژی مداوم خواهد بود که قادر به بهبود بخشیدن قابل ­توجه عملکرد و قابلیت­های سیستم­ های امنیتی است.

3. محافظت از حریم شخصی

با این حال با مطرح­ شدن تکنولوژی هوش مصنوعی، چگونگی استفاده و محافظت از داده ­ها به مسئله ­ای اساسی تبدیل خواهد شد. البته باید گفت که بحث­ های زیادی حول هوش مصنوعی و یادگیری عمیق در این صنعت وجود دارد. علاوه بر این انتظار میرود که تاکید زیادی روی بحث حریم شخصی و شخصی­ سازی صورت بگیرد. دغدغه­ های موجود حول رویکرد یک شرکت نسبت به مسئله حریم شخصی و استفاده از داده ­های شخصی، یکی از تاثیرگذارترین جنبه ­های پیشرفت یک بیزینس خواهد بود.

4. محاسبات اج محور

در ارتباط نزدیک با تکنولوژی هوش مصنوعی/ یادگیری عمیق میتوان به محاسبات اج-محور اشاره نمود که به زودی برای انجام الگوریتم ­های پیچیده، قدرتمندتر خواهد شد؛ علاوه بر این، برای فهم تمامی داده­ های جمع آوری شده، محاسبات ابری به کار گرفته خواهند شد.

همچنین منابع پیشرفته ای برای محاسبات اج-محور موجود خواهد بود که باعث هوشمندتر شدن دستگاه­ های اج محور، پذیرش بیشتر راهکارهای ابر-محور در صنعت و استفاده هوشمندتر از تکنولوژی ­های ابری برای تجزیه ­و­تحلیل عمیق­تر رخدادها خواهد شد.

5. اعتبارسنجی موبایلی

در زمینه کنترل دسترسی، سیستم های کنترل دسترسی بیسیم و سیستم­های اعتبارسنجی موبایلی پذیرش بیشتری را در بازار به دست خواهد آورد. در مقایسه با استفاده از کارت­های پلاستیکی، اعتبارسنجی از طریق گوشی­های هوشمند با استقبال زیادی مواجه شده است.

برگرفته از: مجله a&s

مقالات

هوش مصنوعی و خودروهای خودگردان

Posted on by مدیر

هوش مصنوعی (AI)، صنعت خودروسازی را تحت کنترل خود گرفته است تا بدین شکل تولید خودروهای خودگردان سطح-4 و سطح-5 کلید بخورد. شاید این سوال برای شما پیش بیاید که چرا علیرغم پیدایش و مطرح شدن هوش مصنوعی از سال 1950، این تکنولوژی به تازگی سر زبانها افتاده و شهرت یافته است؟ به صورت ساده شاید بتوان گفت که دلیل رشد سریع تکنولوژی هوش مصنوعی، وجود حجم بالای داده هایی است که امروزه در اختیار افراد قرار دارد. با کمک دستگاه ها و سرویس های متصل به هم، افراد میتوانند در هر صنعتی به جمع آوری داده ها بپردازند و در نتیجه آنچه را که برای آغاز انقلاب هوش مصنوعی AI لازم است تامین کنند. علیرغم تلاش های صورت گرفته برای بهبود سریع سنسورها و دوربین ها برای تولید داده های مربوط به خودروهای خودگردان، شرکت انویدیا در ماه اکتبر سال 2017 از نخستین کامپیوتر هوش مصنوعی خود پرده برداری کرد تا امکان یادگیری عمیق، بینایی رایانه ای و الگوریتمهای محاسباتی موازی را فراهم سازد. تکنولوژی هوش مصنوعی AI به بخش مهمی از تکنولوژی خودروهای خودگردان تبدیل شده است و دانستن چگونگی کارکرد این تکنولوژی در خودروهای خودگردان و متصل به یکدیگر حائزاهمیت است.

هوش مصنوعی چیست؟

مهندس کامپیوتری به نام جان مک کارتی، اصطلاح «هوش مصنوعی» را در سال 1955 ساخت. تعریفی که از هوش مصنوعی ارائه میشود بدین شرح است: توانایی یک برنامه کامپیوتری یا ماشین برای فکر کردن، یادگیری و اتخاذ تصمیمات. در استفاده ی کلی، این اصطلاح به معنای ماشینی است که قوه ی فهم انسانی را جعل میکند. با کمک تکنولوژی هوش مصنوعی AI، برنامه های کامپیوتری و ماشین ها قادر به انجام کارهایی میشوند که پیشتر انسان ها انجام میداده اند. این برنامه ها و ماشین ها با حجم زیادی از داده های تجزیه و تحلیل و پردازش شده تغذیه میشوند تا در نهایت قادر به تفکر به صورت منطقی  و انجام کارهای انسانی شوند. فرآیند خودکارسازی کارهای تکراری انسان ها تنها بخش کوچکی از کوه یخی بزرگ به نام هوش مصنوعی را تشکیل میدهد. تجهیزات مربوط به تشخیص بیماریها و خودروهای خودگردان همگی با هدف نجات جان انسانها، شروع به بکارگیری تکنولوژی هوش مصنوعی AI نموده اند.

رشد هوش مصنوعی در صنعت خودروسازی

طبق گزارش های موجود پیش بینی شد که در سال 2017 بازار AI در صنعت خودروسازی ارزشی برابر 783$ میلیون دلار داشته و تا سال 2025 با ترکیب نرخ رشد سالانه ای برابر 38.5٪ این ارزش به 11$ هزار میلیون دلار خواهد رسید.  طبق پیش بینی آی.اچ.اس مارکیت، در مقایسه با نرخ بکارگیری ۸ درصدی سیستم های AI-محور در خودروهای جدید، انتظار میرود که تا سال 2025 این نرخ تا 109٪ افزایش پیدا کند. سیستم هایAI-محور در خودروهای جدید تبدیل به یک استاندارد خواهند شد، مخصوصا در دو دسته زیر:

  1.   واسط سرگرمی و اطلاع رسانی بین انسان و ماشین که شامل تشخیص صدا، تشخیص رفتار، دنباله روی مسیر حرکت چشم و بازبینی راننده، راهنمای مجازی و واسط های زبان طبیعی (پردازش زبان‌های طبیعی یکی از زیرشاخه‌های بااهمیت در حوزه گسترده علوم رایانه، هوش مصنوعی است که به تعامل بین کامپیوتر و زبان‌های (طبیعی) انسانی می‌پردازد) میشود. سیستم های پیشرفته راهنمای راننده ﴿ADAS﴾ و خودروهای خودگردان که شامل سیستم های دید ماشینی دوربین-محور، واحدهای تشخیص رادار-محور، ارزیابی شرایط راننده و واحدهای کنترل موتور و ترکیب سنسورها میشود.
  2.          تکنولوژی یادگیری عمیق که یک تکنیک برای بکارگیری یادگیری ماشین ﴿رویکردی برای رسیدن به هوش مصنوعی AI﴾ است، انتظار میرود که بزرگترین و پرسرعت ترین تکنولوژی از لحاظ رشد در بازار هوش مصنوعی خودروها باشد. در حال حاضر این تکنولوژی در حال بکار گرفته شدن در بخش هایی چون تشخیص صدا، جستجوی صدا، موتورهای پیشنهادکننده و توصیه گر، تجزیه و تحلیل احساسات، تشخیص تصاویر و تشخیص حرکت در خودروهای خودگردان میباشد.

چگونگی کارکرد هوش مصنوعی در خودروهای خودگردان

این روزها واژه ی هوش مصنوعی به اصطلاحی رایج تبدیل شده است، اما سوالی که پیش می آید این است که این تکنولوژی دقیقا چطور در خودروهای خودگردان عمل میکند؟

نخست باید به زاویه دید یک انسان نسبت به راندن یک خودرو با استفاده از عملکردهای حسی چون بینایی و شنوایی برای دیدن جاده و سایر خودروهای موجود در جاده نگاهی انداخت. هنگامی که در مقابل یک چراغ قرمز ترمز میکنیم یا منتظر عبور یک عابر پیاده از عرض خیابان هستیم، در واقع در حال استفاده ازحافظه خود برای اتخاذ چنین تصمیات سریعی هستیم. تجربه ی  به دست آمده از سالها رانندگی، ما را نسبت به جستجو برای چیزهای کوچکی که اغلب در جاده ها با آنها مواجه میشویم ﴿ شاید یک راه بهتر برای رسیدن به اداره و یا شاید یک برآمدگی بزرگ در مسیر جاده﴾ عادت میدهد.

خودروهای خودگردانی که خودشان کار راندن را انجام میدند در حال تولید و ساخته شدن هستند، اما چیزی که حائزاهمیت است ساختن خودروهایی است که همچون رانندگان انسانی به راندن خودروها میپردازند. این به معنای تعبیه نمودن یک سری عملکرد در این وسایل نقلیه است که عملکردهای حسی، عملکردهای فکری ﴿حافظه، تفکر منطقی، تصمیم گیری و یادگیری﴾ و قابلیت های اجرایی که انسانها برای راندن وسایل نقلیه مورد استفاده قرار میدهند را شامل شود. صنعت خودروسازی به صورت مداوم در حال رشد و تکامل است تا در طی چند سال اخیر موفق به نیل این هدف شود.

به نقل از گارتنر تا سال 2020 حدود 250 میلیون خودرو قادر خواهند شد که از طریق سیستم های مختلف V2X (تکنولوژی ارتباط خودرو با همه چیز) به یکدیگر و زیرساخت های پیرامون خود متصل شوند. فناوری V2Xیا Vehicle-to-Everything ارتباط بین یک خودرو را با هر چیزی که دراطرافش از آن تأثیر می‌گیرد، ممکن می‌سازد که این ارتباط می‌تواند شامل «سایر خودروها» یا خودرو با خودرو/ V2V، زیرساخت‌های مرتبط و پیرامون خودرو/ V2I یا حتی موبایل / V2P باشد که درنتیجه سیستم خودرو با یک فرد موبایل به‌دست به‌عنوان عابر یا راننده خودروی کناری ارتباط برقرار کرده و بدین ترتیب خودروی شما با هر چیز ممکنی به‌صورت لحظه‌ای ارتباط می‌گیرد تا تعاریف استاندارد را اجرا کند. هر چه میزان داده های داده شده به واحدهای IVI ﴿in-vehicle infotainment به مجموعه ای از سخت افزارها و نرم افزارهای موجود در خودردوها گفته میشود که سرگرمی های صوتی و ویدئویی را ارائه میکنند﴾ یا سیستم های برقراری ارتباط از راه دور بیشتر شود، خودروها بیشتر قادر خواهند شد که به صورت همزمان با وقوع رخداد به ضبط و به اشتراک گذاری وضعیت داخلی سیستم ها و داده های مربوط به مکان خودرو و هرگونه تغییرات صورت گرفته در اطراف خودرو بپردازند. خودروهای خودگردان در حال مجهز شدن به دوربین ها، سنسورها و سیستم های ارتباطی هستند تا وسیله نقلیه مربوطه را قادر به تولید حجم بالایی از داده ها کنند. با بکارگیری تکنولوژی هوش مصنوعی AI، وسایل نقلیه قادر به دیدن، شنیدن، فکر کردن و اتخاذ تصمیماتی چون تصمیمات رانندگان انسانی میشوند.

چرخه درک عمل AI در خودروهاي خودگردان

هنگامي كه خودروي خودگردان از فضاي اطراف خود داده توليد ميكند و اين داده ها را در اختيار يك عامل هوشمند قرار ميدهد، يك لوپ تكرارشونده به نام چرخه درک عمل ايجاد ميشود. در مبحث هوش مصنوعی، عامل هوشمند به موجودی گفته می‌شود که در یک محیط، اطراف خود را شناخته و اعمالی را روی محیط انجام می‌دهد و کلیه اعمالی که انجام می‌دهد در جهت نیل به اهدافش می‌باشد. این سیستم‌ها امکان یادگیری دارند و سپس از دانش اکتسابی خود برای انجام اهداف خود استفاده می‌کنند. این کنشگرها ممکن است بسیار ساده یا پیچیده باشند. بطور مثال ماشین‌های کوکی که با برخورد به دیوار، راه خود را عوض می‌کنند نمونه‌ای از کنشگرهای هوشمند هستند. با توجه به تعریف اراده شده، این عامل هوشمند با استفاده از داده هاي ارائه شده شروع به تصميم گيري كرده و خودروي خودگردان موردنظر را قادر به انجام يك سري عمليات خاص در آن محيط ميسازد. اين فرايند به سه بخش اصلي تقسيم ميشود:

بخش ١: سيستم هاي جمع آوري داده و سيستم هاي ارتباطي داخل خودرو

خودروهای خودگردان مجهز به تعداد زیادی سنسور، رادار و دوربین هستند که برای تولید حجم عظیمی از داده های محیطی مورد استفاده قرار میگیرند. تمامی این سیستم ها به وسیله نقلیه خودگردان کمک میکنند تا به دیدن، شنیدن و حس کردن جاده، زیربناهای جاده ای، سایر وسایل نقلیه و هرشیء دیگر موجود در/نزدیک جاده کمک میکند؛ دقیقا همانطوری که یک راننده ی انسانی به هنگام رانندگی به جاده توجه میکند. این داده ها در مرحله ی بعد توسط سوپرکامپیوترها مورد پردازش قرار میگیرند و سیستم های ارتباطی داده ها برای تبادل امن اطلاعات (ورودی) ارزشمند به پلتفرم ابری رانندگی خوگردان استفاده میشوند. وسیله نقلیه خودگردان ابتدا فضای رانندگی و/یا شرایط رانندگی بخصوص را به پلتفرم رانندگی خودگردان مخابره میکند.

بخش ٢: پلتفرم رانندگي خودگردان (ابري)

پلتفرم رانندگي خودگردان كه در فضاهاي ابري قرار دارد داراي يك عامل هوشمند است كه از الگوريتم هاي هوش مصنوعي براي اتخاذ تصميمات منطقي و معنادار استفاده ميكند. اين پلتفرم به عنوان سياست كنترل يا مغز خودروهاي خودگردان عمل ميكند. عامل هوشمند نيز به يك پايگاه داده متصل ميشود كه به عنوان يك حافظه كه تجربيات رانندگي هاي پيشين در آن ذخيره ميگردد عمل ميكند. اين داده ها به همراه  داده هاي ورودي همزمان با وقوع رخداد ارائه شده توسط خودروي خودگردان و محيط اطراف آن، به عامل هوشمند كمك ميكنند تا تصميمات دقيقي در رانندگي بگیرد. حال خودروي خودگردان دقيقا ميداند كه براي رانندگي در چنين فضاهايي و يا در برخي شرايط بخصوص چه كاري بايد انجام بدهد. 

بخش ٣: عملكردهاي AI-محور در خودروهاي خودگردان

بر اساس تصميمات گرفته شده توسط عامل هوشمند، خودروي خودگردان قادر به تشخيص اشياء در خيابان، داشتن عملكرد در ترافيك آن هم بدون دخالت افراد و ايمن رسيدن به مقصد موددنظر خود ميباشد. همچنين خودروهاي خودگردان مجهز به سيستم هاي كاربردي AI-محوري چون تشخيص صدا و كلام، كنترل حالت بدن، دنباله روي مسير چشم و ساير سيستم هاي بازبيني رانندگي، راهنماي مجازي و سيستم هاي تشخيص مسير و مكان و سيستم هاي امنيتي ميباشند. اين سيستم هاي كاربردي تنها برخي از سيستم هاي بكار گرفته شده در خودروهاي خودگردان هستند. همچنين اين عملكردها بر اساس تصميمات اتخاذشده توسط عامل هوشمند موجود در پلتفرم رانندگي خودگردان انجام ميشوند. اين سيستم ها ساخته شده اند تا يك تجربه ي كاربري عالي را به مشتريان خود ارائه كنند و از آنها در جاده ها محافظت كنند. تجربه هاي رانندگي به دست آمده از هر بار رانندگي، ضبط و در پايگاه داده ذخيره ميشوند تا به عامل هوشمند در تصميم گيريهاي دقيقتر در آينده كمك كنند. 

اين لوپ داده كه چرخه درک عمل نيز ناميده ميشود به صورت مداوم تكرار ميشود. هر چه تعداد دفعات تكرار چرخه های درک عمل بيشتر باشد، عامل هوشمند مربوطه هوشمندتر شده و در نتيجه تصميات مربوطه، مخصوصا در شرايط رانندگي دشوار با دقت بيشتري گرفته ميشود. هر چه تعداد دستگاه هاي متصل شده بيشتر باشد، تعداد تجربيات رانندگي بيشتري ضبط ميشود. اين تجربيات به عامل هوشمند كمك ميكنند تا بر اساس داده هاي ايجادشده توسط چندين دستگاه خودگردان مختلف تصميم گيري كند. اما اين موضوع بدان معنا نيست كه هر دستگاه خودگردان لزوما بايد در يك شرايط رانندگي پیچيده قرار بگيرد پيش از آنكه قادر به فهمیدن آن شود. 

هوش مصنوعي، مخصوصا شبكه هاي نوروني و  يادگيري عميق به موضوعي اساسي در عملكرد درست و ايمنی خودروهاي خودگردان تبديل شده است. هوش مصنوعي در حال باز كردن راه براي راه اندازي خودروهاي خودگردان سطح ٥ است. در اين نوع خودروها ديگر نيازي به فرمان، پدال گاز يا ترمزها نخواهد بود. 

مقالات

ویدئوآنالیتیک های AI-محور تا چه حد هوشمند هستند؟

Posted on by مدیر

در حال حاضر صحبت های زیادی حول استفاده از هوش مصنوعی ﴿AI﴾ در آنالیتیک های ویدئویی وجود دارد. به طوری که بسیاری از ارائه کنندگان راهکارهای امنیتی، واژه ی هوش مصنوعی را به عنوان یک ضرورت در تولید و عرضه محصولات خود میبینند. اگر بخواهیم منصفانه صحبت کنیم باید بگوییم که راهکارهای آنالیتیک ویدئویی راه زیادی را از نخستین روزهای ورود خود آمده اند. با این حال این سوال مطرح میگردد که آنالیتیک های ویدئویی تا چه حد هوشمند هستند؟

هوش مصنوعی در کجای صنعت امنیت جای میگیرد؟

هوش مصنوعی (AI﴾، یادگیری عمیق، آنالیتیک های ویدئویی همگی از جمله کلمات رایجی هستند که به دیدن آنها عادت کرده ایم.

علیرغم تمامی بحث ها و تبلیغات های صورت گرفته در مورد هوش مصنوعی، اغلب افراد ذهنیتی مبهم نسبت به اجزای تشکیل دهنده ی این تکنولوژی دارند. نکته جالب توجه اینجاست که این موضوع در بحث امنیت ساختمان های مسکونی و تجاری که در چند سال اخیر بیشتر مطرح شده صادق است.

همچنین اینکه اصطلاحات نزدیکی چون آنالیتیک ها، یادگیری ماشین و یادگیری عمیق چگونه زیرمجموعه، گونه جهش یافته یا زیرشاخه ای از هوش مصنوعی (AI﴾ محسوب میشوند نیز برای اکثر متخصصین امنیتی و مشتریان همچون یک راز تلقی میگردد. علاوه بر آن، به احتمال زیاد برای این افراد انجام یک سری عملیات پیچیده توسط ربات ها به قطع مستلزم درجه ای از هوش مصنوعی خواهد بود.

هوش مصنوعی یک اصلاح گسترده است که برای توصیف هر چیزی که همچون مغز یک انسان عمل میکند استفاده میشود. یادگیری ماشین تکنیکی است که در آن یک کامپیوتر میتواند با پردازش حجم بالایی از داده ها در مورد عملیات مربوطه، قدرت خود را برای انجام یک عملیات بهبود بخشد. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که از شبکه های نورونی بهره میگیرد. یک لایه از شبکه های نورونی پس از پردازش داده ها، نتیجه این پردازش را به لایه ی بعد منتقل میکند که این لایه نیز پس از انجام عملیات، پاسخ خود را به لایه بعد میفرستد. این دست از شبکه های نورونی به عنوان شبکه های نورونی پیچیده یا CNN مشهور هستند.آنالیتیک های نظارت ویدئویی نمونه ای عالی از بکارگیری هوش مصنوعی و یادگیری عمیق هستند که با ورود GPUها ﴿واحدهای پردازش گرافیکی﴾ امکان پذیر شده اند.

چرا هوش مصنوعی، آنالیتیک ها، سرویس های ابری و امنیت سایبری، فرصت های جدیدی را برای نصاب ها فراهم میکنند؟

به قطع آنالیتیک های ویدئویی یکی از رایجترین راه های بکارگیری هوش مصنوعی در کاربردهای امنیتی است. به همین شکل، سیستم های مدیریت اطلاعات مربوطه به امنیت فیزیکی ﴿PSIM﴾ که با تلفیق داده های امنیتی گوناگون باعث آگاهی موقعیتی میشوند نیز از تکنولوژی هوش مصنوعی بهره میگیرند.

ربات های بادوام و هوشمندی را تصور کنید که مجهز به چنین الگوریتم های پیشرفته و سنسورهای پردازش و هوشمند شوند. این ربات ها یک چشم انداز امنیتی وسیع را باز میکنند که با کمک آن تهدیدات انسانی به حداقل رسیده و مکان ها و ابعاد دوری را که غیرقابل دسترسی بوده اند، برای آنالیز، ارزیابی و پاسخگویی به صورت همزمان با وقوع رخداد مورد دسترس قرار میگیرند.

صنعت امنیت چگونه میتواند از هوش مصنوعی بهره مند شود؟

به تدریج با بهبود یافتن دستگاه ها و پایین آمدن قیمت ها، کاربری های این تکنولوژی گسترده تر خواهد شد. همچنین انواع مختلف تکنولوژی هوشمند مصنوعی به احتمال زیاد در اغلب جنبه های زندگی روزانه ما نفوذ خواهد کرد.

برعهده گرفتن آن دسته از کارهایی که از لحاظ فکری نیازمند انرژی چندانی نیستند توسط ماشین ها به روندی بزرگ برای سالهای پیش رو تبدیل خواهد شد. شرکت آمازون در حال بکارگیری این تکنولوژی در مغازه های خرده فروشی خود است که در آنها مفهوم گیشه پرداخت قیمت کالا با مشتریانی که خارج میشوند جایگزین شده است. تولید این نوع از ابزارهای فکری در مراحل اولیه خود به سر میبرند، با این حال این ابزارها به رسیدگی به مسائل و ایجاد ارزش ادامه خواهند داد. انقلاب صنعتی هوشمند در حال وقوع در اطراف ما است. شاید این انقلاب بسیار آشفته به نظر آید، اما در عین حال بسیار هوشمند و رهایی بخش است.

پتانسیل آنالیتیک های ویدئویی به مراتب سودمندتر از سیستم های قاعده-محور قدیمی است. با شهرت یافتن بیشتر GPUها در اجرای سیستم های AI، تولیدکنندگان بزرگی چون NVIDIA و حتی استارتاپ های کوچکتر شاهد سرمایه گذاری بیشتری در این زمینه هستند.

در سالهای اخیر یادگیری عمیق توجه های زیادی را جلب خود نموده است، چرا که این تکنولوژی عملکردهای گوناگونی را ارائه میکند که موردپسند مشتریان قرار گرفته است. به عنوان مثال، الگوریتم های جستجوی تصویری به مشتریان اجازه میدهد تا به جستجوی اشیاء، حیوانات بخصوص و یا سایر چیزهای دیگر بپردازند.

توانایی این تکنولوژی در داشتن هوش کافی برای کار کردن در جهت گیری ها و شرایط نوری مختلف است که آن را به یک تکنولوژی تاثیرگذار تبدیل نموده است. تکنولوژی یادگیری عمیق در واقع در سالهای 2012 و 2013 به صورت پررنگ مطرح شد. این تکنولوژی در کنار قدرت GPUهایی که قادر به انجام آن دسته از کارهایی هستند که در گذشته به صورت بازدارنده ای زمانگیر و طاقت فرسا بودند، به عنوان سوختی تلقی میگردد که موج نوآوری را امکان پذیر ساخته است.

هنگامی که صحبت از شبکه های نورونی میشود، منظور یک تکنولوژی یادگیری عمیق صرف نیست که متشکل از شبکه های عمیقی باشد که افراد از آنها به عنوان شبکه های نورونی پیچیده یاد میکنند. در حال حاضر شبکه های نورونی قدرتمندتر و توانمندتر از قبل شده اند و منابع و ابزارآلات بسیار خوبی نسبت به گذشته در اختیار افراد قرار گرفته است.

شرکت های فعال در این زمینه

با توجه به پتانسیل مشهود تکنولوژی هوش مصنوعی AI، برخی از غول های تکنولوژی نیز مشتاق ورود به این زمینه و جستجوی فرصت ها هستند. این شرکت ها تا حد زیادی به عنوان پیشگامان این زمینه عمل میکنند و توسعه و بکارگیری راهکارهای هوشمندتر را تشویق میکنند.

به قطع شرکت های بزرگ فعال در زمینه تکنولوژی همچون گوگل، با ارائه مدل TensorFlow خود کمک بزرگی در این زمینه  نموده اند. شرکت اینتل نیز دارای ابزارآلاتی عالی است که با بکارگیری مدل TensorFlow و وارد کردن آن، از هر منبعی که روی آن است (چیپ هایی که با کمک آنها به اجرای برنامه ها میپردازید) خروجی تهیه میکند. بنابراین شما یک ترکیب انعطاف پذیر از CPU و GPU را در اختیار دارید. حال منابعی در اختیار شما قرار دارد که این کار را برای شما هدف قرار میدهد. در مرحله بعد، شما تمام افرادی را دارید که روی راه هایی برای فعالسازی و توسعه مراکز آموزش که از اهمیت بالایی برخوردارند کار میکنند. در نتیجه چیزی شبیه به یک اکوسیستم کامل حول این مسئله که چگونه ماشینها دیدن و فهمیدن را یاد میگیرند شکل میگیرد.

برای انجام این کار ابعاد و لایه های زیادی وجود دارد، چرا که اساسا این کار همان جمع آوری و نام گذاری داده ها است. کامپایلرهای متعددی که قادر به اجرای کارآمد مدل های شما در چیپ-ست های مختلف هستند، ابزارآلات تحلیل داده ای که برای تهیه خروجی از آنها بدان احتیاج پیدا خواهید کرد، همگی به پتانسیل تکنولوژی هوش مصنوعی AI در آنالیتیک های ویدئویی کمک میکنند.

برگرفته از مجله a&s و سکیوریتی-سیلز

مقالات

بکارگیری AI در نظارت ویدئویی

Posted on by مدیر

با آگاهی بیشتر مشتریان نسبت به لزوم و مزایای راهکارهای امنیتی، تعداد دوربین های بکار گرفته شده رو به افزایش است. با این حال، این موضوع مشکلات مختص خود را نیز به همراه می آورد.

در گذشته تعداد دوربین های بکارگرفته شده چندان زیاد نبوده است و پرسنل امنیتی میتوانستند با نشستن مقابل یک مانیتور به بازبینی ویدئوهای ضبط شده بپردازند. علیرغم ناکارآمدی چنین فرآیندی، گزینه ی دیگری هم وجود نداشته است.

خوشبختانه در حال حاضر ورود تکنولوژی هوش مصنوعی در حال تغییر دادن همه چیز است. طبق جدیدترین پست منتشر شده توسط شرکت پژوهشی مموری، یک گارد امنیتی مجهز به نرم افزار هوش مصنوعی-محور با داشتن تعداد چشمان بیشمار و بازه زمانی توجه بی انتها قادر به دنباله روی 24 ساعته تمامی فعالیت های صورت گرفته در جریان های ویدئوی میباشد. هنگام تشخیص یک مسئله توسط هوش مصنوعی، این تکنولوژی میتواند به هشداردهی به مسئولین مربوطه بپردازد و از صورت گرفتن اقدامات مربوطه اطمینان حاصل کند.

به نقل از پست منتشرشده توسط مموری: «مواردی چون ورود افراد غیرمجاز بدون اعمال هرگونه رفتار خشونت آمیز، به سرقت رفتن یک کالای ناامن، قرار داده شدن یک بسته ی مشکوک داخل یک سطل آشغال و بسیاری از شرایط مهم دیگر ممکن است که از چشمان یک فرد که در تلاش برای بررسی و اسکن چندین جریان ویدئویی مختلف است جا بمانند. هزینه استخدام پرسنل امنیتی کافی برای مدیریت تعداد دوربین های در حال افزایش بسیار بالا تمام خواهد شد. حتی هنگام وقوع یک رخداد، جستجو در تمامی ویدئوهای ضبط شده جهت جمع آوری شواهدی که به پرسنل امنیتی در شناسایی افراد مظنون و فهم توالی رخدادها کمک کند، بسیار دشوار و زمانگیر است».

در یکی از گزارشات اخیر ارائه شده توسط شرکت مموری، از رسیدگی به حجم در حال افزایش ویدئوهای نظارتی ایجاد و ضبط شده به عنوان امری بسیار دشوار برای سیستم های مجری قانون فعلی یاد شده است. با افزایش تعداد دوربین ها تا 12 درصد به صورت سالیانه، این حجم از ویدئوها بیشتر نیز خواهد شد. مسئله ی جالب اینجاست که در صورت عدم وجود راه هایی برای بازبینی و دنباله روی جریان های ویدئویی در حال تولید، هیچ تعداد دوربینی کارآمد نخواهد بود. و در حال حاضر ریسک بزرگی برای از دست دادن اطلاعات مهم وجود دارد، چرا که هیچ راه قابل اعتمادی برای بازبینی این اطلاعات وجود ندارد.

بکارگیری هوش مصنوعی AI

اهمیت هوش مصنوعی در زمینه سیستم های نظارتی بدون هیچ بحثی قابل قبول است. با این حال، پرسنل امنیتی باید بدانند که استفاده کارآمد از هوش مصنوعی به معنای خرید، نصب و به فراموشی سپردن یک راهکار نیست. همچون انسانی که پشت یک کامپیوتر مینشیند، هوش مصنوعی نیز باید آموزش داده شده و سفارشی سازی شود تا نسبت به نیازها، شرایط و محیط شما آگاهی پیدا کند.

به نقل از مموری :«نخستین بخش بکارگیری نظارت ویدئویی AI-محور شامل افزودن موتورهای آنالیتیکی به جریان های ویدئویی مختلف میشود که به نسبت ساده است. بخش دوم این کار پیکربندی این سیستم ها برای داشتن عملکرد دقیق و درست است که میتواند به مراتب پیچیده تر و زمانبرتر باشد. هر مکان دارای ویژگی های منحصر بفرد خود میباشد، حتی این امکان وجود دارد که مکانهای کاملا مشابه که از قوانین آنالیتیکی مشابهی استفاده میکنند، با توجه به یک سری الزامات عملیاتی بخصوص خود، نیازمند ارائه نتایجی کاملا متفاوت باشند. حتی در یک سیستم AI-محور خودآموز نیز شاید نیاز به تغییر تنظیمات مربوط به مناطق تشخیص و ماسک ها، زوایای دوربین و دورنمای آنها باشد. این بخش دوم بکارگیری این سیستم هاست که مانع بکارگیری آنها شده است».

هوش مصنوعی AI چقدر هوشمند است؟

تکنولوژی هوش مصنوعی AI روز به روز در حال قوی تر شدن است. اما آیا این تکنولوژی به قدری قدرتمند است که قادر به جایگزین کردن چشمان بشر باشد؟ علیرغم اینکه سوال پیشتر مطرح شده و سوالاتی چون اینکه آیا هوش مصنوعی متضمن بازگشت سرمایه است همچنان پرسیده میشوند، در حال حاضر به نظر میرسد که توافقی کلی روی اینکه آنالیتیک های ویدئویی قابلیتی بیش از آنچه راهکارهای قاعده-محور دارند صورت گرفته است.

به نقل از گزارش تهیه شده توسط مموری: « این کار تا حد زیادی به خاطر پیشرفت های بزرگ صورت گرفته در ساختار نیمه رساناها اتفاق افتاده است که باعث پردازش به مراتب سریعتری میشود؛ با استفاده از الگوریتم های یادگیری عمیق و یادگیری ماشین، تجزیه و تحلیل داده ها با سرعتی بیشتر از آنچه پیشتر امکان پذیر بود صورت میگیرد. سرمایه داران صنایع مختلف هم اکنون در حال تزریق میلیون ها دلار پول برای تامین سرمایه شرکت های تولیدکننده چیپ های هوش مصنوعی  AI و نرم افزارهای آنالیتیکی هستند.

موضوع اصلی احساس نیاز جدی به استفاده ی کامل از حجم بزرگ داده های ایجاد شده توسط دوربین های نظارت ویدئویی است و راهکارهای هوش مصنوعی-محور تنها پاسخ عملی هستند.

ساختار چیپ های مدرن مجهز به نرم افزارهای هوش مصنوعی به گونه ای است که قادر به جستجو و بررسی حجم بالای داده ها و افزایش امنیت، ایمنی و عملکرد کلی افراد، ساختمان ها و تشکیلات بیزینسی هستند.

علیرغم تمام پیشرفت های صورت گرفته هنوز هم پیشرفت های زیادی را در این زمینه اتفاق خواهد افتاد و مسیر این راه کاملا واضح و روشن است.

منبع: مجله a&s