نگاهی عمیق به آینده هوش مصنوعی از دید کارشناسان

با نگاه به روند رشد تکنولوژی و تغییرات ایجاد شده در زندگی مردم، انتظار می‌رود سرمایه‌گذاری و جذابیت هوش مصنوعی در بلندمدت افزایش چشمگیری یابد زیرا موارد عمده استفاده از هوش مصنوعی (مانند رانندگی خودکار، تشخیص پزشکی مبتنی بر هوش مصنوعی) که ارزش اقتصادی قابل توجهی را فراهم می کنند، بیش از پیش به واقعیت نزدیک شده اند.

این موارد استفاده به احتمال زیاد در آینده نزدیک در دسترس قرار خواهند گرفت زیرا انتظار می رود که در ۳ بخش اصلی هوش مصنوعی پیشرفت های عظیمی صورت گیرد: در دسترس بودن داده های بیشتر، الگوریتم های بهتر و محاسبات بهینه تر.

پیش‌بینی تغییرات کوتاه‌مدت دشوار است و ممکن است دوران تاریک دیگری را در حوزه هوش مصنوعی تجربه کنیم، اما احتمالاً این بازه کوتاه مدت خواهد بود. در این مطلب، با مهم ترین مهم ترین سوالات و چالش ها در حوزه هوش مصنوعی مواجه خواهید شد و جواب آن ها را خواهید یافت.

آیا علاقه به هوش مصنوعی همچنان افزایش خواهد یافت؟

پاسخ کوتاه: بله. هیچ دلیلی وجود ندارد که انتظار کاهش علاقه به فناوری هوش مصنوعی را حتی پس از COVID-19 داشته باشیم.

علاقه به هوش مصنوعی افزایش یافته است

از سال ۲۰۰۰ تعداد استارت آپ های فعال هوش مصنوعی ۱۴ برابر افزایش یافته است. به لطف پیشرفت های اخیر در حوزه ی یادگیری عمیق، هوش مصنوعی در حال حاضر موتورهای جستجو، مترجمان آنلاین، دستیاران مجازی و تصمیمات بازاریابی و فروش متعددی را تقویت می کند.

نمودار Google Trends که در پایین نشان داده شده است، تعداد جستجو های عبارت “هوش مصنوعی” را نشان می دهد. بین سال‌های ۲۰۱۵ تا ۲۰۱۸، محبوبیت هوش مصنوعی به ۲ تا ۳ برابر میزان در سال ۲۰۱۵ افزایش یافت. با این حال، این علاقه از سال ۲۰۱۸ نسبتا ثابت است. به نظر نمی‌رسد کووید-۱۹ علاقه به هوش مصنوعی را افزایش یا کاهش داده باشد.

موارد استفاده از هوش مصنوعی با اهمیتی وجود دارند که نیازمند تحقیقات بیشتر هستند

خودرو های خودران یکی از موارد استفاده محبوب هوش مصنوعی هستند که محبوبیت آن ها با روند رو به رشدی پیش می رود. با وجود این که که تسلا و آئودی امروزه خودروهای نیمه خودران تولید می‌کنند، همچنان برای کنترل آن ها نیاز به راننده دارند. این فناوری به سرعت در حال پیشرفت است تا به سطح رانندگی کاملاً خودکار برسد. اگرچه ایلان ماسک در اکتبر ۲۰۱۹ اظهار داشت: «سال آینده مطمئناً، بیش از یک میلیون تاکسی خودران در جاده‌ها خواهیم داشت»، ما هنوز تاکسی های خودران را در سطح وسیعی در دنیا نمی‌بینیم. این به این دلیل است که ایلان ماسک استاد جنجال و هیاهو است و اتومبیل های خودران تحت تاثیر مسائل نظارتی پیچیده ای مانند مسئولیت در قبال تصادف هستند. ایلان ماسک نیز از طریق پاسخ توییتی در آوریل ۲۰۲۰ به این موضوع اشاره کرده است.

با این حال، پیش‌بینی می شود که تقریباً ۱۵ درصد از وسایل نقلیه فروخته شده در سال ۲۰۳۰ کاملاً خودران خواهند بود.

تولید خودکار محتوا نیز همچنین توجه کسب‌ و کارها و کارشناسان هوش مصنوعی را برانگیخت است، دلیل آن نیز عرضه GPT-3 توسط OpenAI در ژوئن ۲۰۲۰ است. در مقایسه با GPT-2، کمپانی OpenAI در توسعه GPT-3 تعداد پارامترها را از ۱٫۵ میلیارد به ۱۷۵ میلیارد افزایش داد. با این حال، به نظر می رسد که GPT-3 در برخی از وظایف که نیاز به مقایسه بین دو جمله دارد، ضعف هایی نیز دارد و دقت آن در یادگیری با داده های اندک، کمتر از ۷۰ درصد است. در آینده نزدیک، با پیشرفت فناوری تولید زبان طبیعی (NLG) با راه حل اتوماسیون محتوای با دقت بالاتر مواجه خواهیم شد.

یکی دیگر از موارد استفاده، عامل های مکالمه است. ما معمولاً در خدمات مشتری و مراکز تماس با عامل های هوش مصنوعی مواجه می شویم. با این حال، توانایی های این عامل ها در حال حاضر بسیار محدود است. با پیشرفت تحقیقات هوش مصنوعی در آینده، کیفیت عامل های مکالمه برای انجام تقریباً تمام وظایف مشتریان بهبود خواهند یافت.

دستاورد های تحقیقاتی در حوزه ی هوش مصنوعی همچنان در حال افزایش است

بین سال‌های ۱۹۹۶ و ۲۰۱۶، تعداد مقالات منتشر شده در زمینه هوش مصنوعی هشت برابر افزایش یافته است و از رشد مقالات در حوزه علوم کامپیوتر پیشی گرفته است.

به خصوص در سال های ۲۰۱۶-۲۰۱۸، رشد ارائه ی مقاله های هوش مصنوعی افزایش چشمگیری داشته است:

در اواخر دهه ۹۰ مقالات هوش مصنوعی کمتر از ۱% مقالات و حدود ۳% از انتشارات کنفرانس ها را تشکیل می دادند. تا سال ۲۰۱۸، درصد مقالات منتشر شده هوش مصنوعی ۳ برابر نسبت به ۲۰ سال قبل افزایش یافته است که ۳ درصد از انتشارات مطرح و ۹ درصد از مقالات کنفرانس های منتشر شده را تشکیل می دهد.

ممکن است برای پیشرفت هوش مصنوعی نیاز باشد تا تحقیقات مسیرهای جدیدی فراتر از یادگیری عمیق را دنبال کنند. محققان هوش مصنوعی مانند گری مارکوس معتقدند یادگیری عمیق به پتانسیل خود رسیده است و برای دستیابی به موفقیت جدید به رویکردهای هوش مصنوعی دیگری نیاز است. گری مشاهدات خود را در مورد محدودیت های هوش مصنوعی در مقاله ی خود بیان کرد و به اکثر استدلال های انتقادی علیه آن پاسخ داد و در نهایت یک جدول زمانی برای این پیش بینی ها ارائه کرد. او انتظار دارد که شور و شوق سرمایه گذاری در حوزه ی هوش مصنوعی در سال ۲۰۲۱ کاهش یابد، اما همچنین انتظار دارد الگوی هوش مصنوعی بعدی که فرصت های تجاری بیشتری را باز می کند (مثلاً یادگیری عمیق جدید) در زمانی بین سال های ۲۰۲۳-۲۰۲۷ در دسترس قرار بگیرد.

چه روندهای کلیدی ای آینده هوش مصنوعی را شکل می دهند؟

سیستم‌های هوش مصنوعی تاکنون برای بهبود به این موارد متکی بودند: افزایش قدرت محاسباتی، در دسترس بودن داده‌های بیشتر، الگوریتم‌های بهتر و ابزارهای بهتر. در هر ۴ حوزه، پتانسیل پیشرفت های چشمگیری وجود دارد، اگرچه قرار دادن آن ها در یک جدول زمانی دشوار است. علاوه بر این، به لطف رمزنگاری و بلاک چین، استفاده از خرد جمعی برای ساخت راه‌حل‌های هوش مصنوعی آسان‌تر می‌شود و ساخت مدل هوش مصنوعی را نیز تسهیل می‌کند.

پیشرفت در قدرت محاسباتی

یادگیری عمیق برای حل مسائل پیچیده تر به قدرت محاسباتی متکی است. با تکنولوژی فعلی، یادگیری شبکه ممکن است زمان زیادی طول بکشد تا نتایج مفیدی حاصل شود. بنابراین، نیاز به پیشرفت در قدرت محاسباتی وجود دارد. با فناوری‌های محاسباتی جدید، شرکت‌ها می‌توانند مدل‌های هوش مصنوعی داشته باشند که می‌توانند در زمان کمتر حل مسائل پیچیده‌تر را بیاموزند.

تراشه های مجهز به هوش مصنوعی

حتی پیشرفته ترین CPU هم ممکن است به تنهایی کارایی یک مدل هوش مصنوعی را بهبود نبخشد. برای استفاده از هوش مصنوعی در مواردی مانند بینایی کامپیوتر، پردازش زبان طبیعی یا تشخیص گفتار، شرکت‌ها به پردازنده‌های با کارایی بالا نیاز دارند. تراشه های مجهز به هوش مصنوعی راه حلی برای این چالش هستند. این تراشه ها CPU ها را برای بهینه سازی وظایف خود “هوشمند” می کنند. در نتیجه، CPU ها می توانند برای وظایف خود به صورت جداگانه کار کنند و کارایی خود را بهبود بخشند. فناوری‌های جدید هوش مصنوعی به این تراشه‌ها برای حل وظایف پیچیده و انجام سریع‌تر آنها نیاز دارند.

شرکت هایی مانند فیسبوک، آمازون و گوگل سرمایه گذاری های خود را در تراشه های مجهز به هوش مصنوعی افزایش می دهند. در زیر می‌توانید نموداری از سرمایه‌گذاری جهانی صندوق های سهام برای استارت‌آپ‌های تراشه‌های دارای هوش مصنوعی را بیابید.

این تراشه ها به پایگاه داده های نسل بعدی برای پردازش سریعتر و تجزیه و تحلیل پیش بینی ها کمک می کنند. صنایعی مانند مراقبت های بهداشتی و خودرو به شدت به این تراشه ها برای ارائه اطلاعات متکی هستند.

پیشرفت در پردازنده های گرافیکی

پردازنده‌های گرافیکی یکی از تجاری‌ترین نوع تراشه‌های دارای هوش مصنوعی هستند.

رندر کردن (پردازش) یک تصویر به قدرت محاسباتی ساده نیاز دارد اما باید در مقیاس بزرگ بسیار سریع انجام شود. پردازنده های گرافیکی بهترین گزینه برای چنین مواردی هستند زیرا می توانند هزاران کار ساده را به طور همزمان پردازش کنند. از آنجایی که فناوری‌های جدید در GPU تصاویر با کیفیت بهتری را ارائه می‌کنند، این وظایف ساده را بسیار سریع‌تر انجام می‌دهند.

پردازنده‌های گرافیکی مدرن به اندازه‌ای قدرتمند شده‌اند که می‌توانند برای کارهایی فراتر از رندر تصویر، مانند استخراج ارز دیجیتال یا یادگیری ماشین استفاده شوند. در حالی که معمولاً از CPU برای انجام این وظایف استفاده می شود، دانشمندان داده کشف کردند که این وظایف موازی تکراری هستند. بنابراین، پردازنده‌های گرافیکی به طور گسترده در مدل‌های هوش مصنوعی برای یادگیری کارآمد استفاده می‌شوند.

محاسبات کوانتومی

سیستم های کامپیوتری سنتی به صورت باینری کار می کنند؛ یعنی ۰ و ۱٫ با این حال، محاسبات کوانتومی این کار را به سطح دیگری می برد و با مکانیک کوانتومی کار می کند. این فناوری سیستم‌های کوانتومی را قادر می‌سازد تا به جای بیت‌ها، با کیوبیت‌ها کار کنند. در حالی که بیت ها از ۰ و ۱ تشکیل شده اند، کیوبیت ها از ۰، ۱ و یک حالت اضافی تشکیل شده اند که هر دو را همزمان در بر می گیرد. این حالت اضافی، محاسبات کوانتومی را قادر می‌سازد تا امکانات جدیدی را دربر بگیرد و محاسبات سریع‌تری را برای وظایف خاص فراهم کند. این وظایف شامل بهینه سازی شبکه های عصبی و تقریب های دیجیتال است.

IBM بیان می کند که ساخت یک کامپیوتر کوانتومی با ۵۰ تا ۱۰۰ کیوبیت در ۱۰ سال آینده امکان پذیر خواهد بود. وقتی در نظر بگیریم که کامپیوتر کوانتومی ۵۰ کیوبیتی سریعتر از ۵۰۰ ابرکامپیوتر امروزی کار می کند، پتانسیل قابل توجهی در محاسبات کوانتومی برای ارائه قدرت محاسباتی اضافی وجود دارد.

پیشرفت در دسترسی به داده ها

این نکته ای است که نیازی به توضیح زیاد ندارد. در دسترس بودن داده ها به طور تصاعدی در حال رشد بوده است و انتظار می رود با افزایش فراگیر دستگاه های IoT این روند ادامه یابد.

پیشرفت در طراحی الگوریتم

در حالی که قابلیت های هوش مصنوعی به سرعت بهبود می یابد، الگوریتم های پشت مدل های هوش مصنوعی نیز تکامل خواهند یافت. پیشرفت‌ها در طراحی‌های الگوریتم، هوش مصنوعی را قادر می‌سازد تا کارآمدتر کار کند و برای افراد بیشتری با دانش فنی کمتر در دسترس باشد. در زیر می توانید پیشرفت های برجسته در طراحی الگوریتم هوش مصنوعی را بیابید.

هوش مصنوعی قابل توضیح (XAI)

یکی از نقاط ضعف اصلی مدل های هوش مصنوعی پیچیدگی آن هاست. ساخت و درک یک مدل هوش مصنوعی به سطح مشخصی از مهارت های برنامه نویسی نیاز دارد و هضم جریان کار مدل زمان بر است. در نتیجه، شرکت‌ها معمولاً از نتایج مدل‌های هوش مصنوعی بدون درک گردش کارشان استفاده می کنند.

برای حل این چالش، هوش مصنوعی Explainable این مدل ها را برای همه قابل درک می کند. XAI سه هدف اصلی دارد:

• چگونه مدل هوش مصنوعی بر توسعه دهندگان و کاربران تأثیر می گذارد
• چگونه بر منابع داده و نتایج تأثیر می گذارد
• چگونه ورودی ها تبدیل به خروجی می شوند

به عنوان مثال، مدل های هوش مصنوعی قادر به تشخیص بیماری ها در آینده خواهند بود. با این حال، پزشکان همچنین باید بدانند که هوش مصنوعی چگونه این تشخیص را انجام می دهد. با XAI، آنها می توانند درک کنند که هوش مصنوعی چگونه تجزیه و تحلیل خود را انجام می دهد و بر این اساس وضعیت را برای بیماران خود توضیح می دهد.

یادگیری انتقالی

یادگیری انتقالی یک روش یادگیری ماشینی است که کاربران را قادر می‌سازد تا از یک مدل هوش مصنوعی استفاده شده قبلی برای یک کار متفاوت بهره ببرند. در برخی موارد، استفاده از این تکنیک به دلایل زیر هوشمندانه است:

• آموزش برخی از مدل های هوش مصنوعی آسان نیست و ممکن است هفته ها طول بکشد تا به درستی کار کنند. هنگامی که کار دیگری مطرح می شود، توسعه دهندگان می توانند به جای ایجاد یک مدل جدید، از این مدل آموزش دیده استفاده کنند. این کار باعث صرفه جویی در زمان برای آموزش مدل می شود.
• ممکن است در برخی موارد داده های کافی وجود نداشته باشد. به جای کار با مقدار کمی داده، شرکت ها می توانند از مدل های آموزش دیده قبلی برای نتایج دقیق تر استفاده کنند.

به عنوان مثال، یک مدل هوش مصنوعی که برای تشخیص خودروهای مختلف به خوبی آموزش دیده است، می تواند برای کامیون ها نیز استفاده شود. به جای شروع از صفر، بینش به دست آمده از خودروها برای کامیون ها مفید خواهد بود.

یادگیری تقویتی (RL)

یادگیری تقویتی زیرمجموعه ای از یادگیری ماشینی است که هدف آن این است که عامل هوش مصنوعی را به حداکثر پاداش خود برساند. به جای یادگیری سنتی، یادگیری تقویتی به دنبال الگوهایی برای پیش بینی نیست. برای به حداکثر رساندن پاداش خود تصمیمات متوالی می گیرد و با تجربه یاد می گیرد.

امروزه، رایج ترین نمونه یادگیری تقویتی DeepMind AlphaGo گوگل است که در دو بازی متوالی، بازیکن شماره یک Go جهان، Ke Jie را شکست داده است. در آینده، یادگیری تقویتی در کارخانه های تمام اتوماتیک و خودروهای خودران نیز در دسترس خواهد بود.

یادگیری خود نظارتی

یادگیری خود نظارتی (یا Self-Supervision) گونه ای از یادگیری تحت نظارت مستقل است. برخلاف یادگیری تحت نظارت، این تکنیک به انسان برای برچسب گذاری داده ها نیازی ندارد و وظیفه برچسب گذاری را به تنهایی انجام می دهد. به گفته Yann LeCun، معاون و دانشمند ارشد هوش مصنوعی فیسبوک ، یادگیری تحت نظارت خود نقش مهمی در درک هوش سطح انسان ایفا می کند.

در حالی که امروزه این روش بیشتر در کارهای بینایی کامپیوتری و NLP مانند رنگ آمیزی تصویر یا ترجمه زبان استفاده می شود، انتظار می رود در زندگی روزمره ما به طور گسترده تری از آن استفاده شود. برخی از موارد استفاده آینده از یادگیری خود نظارتی عبارتند از:

• مراقبت های درمانی : این تکنیک را می توان در جراحی های رباتیک و تخمین عمق متراکم در آندوسکوپی تک چشمی استفاده کرد.
• رانندگی خودکار : می تواند ناهمواری زمین در خارج از جاده و تکمیل عمق در حین رانندگی را تعیین کند.

پیشرفت در ابزارهای ساخت هوش مصنوعی

اگرچه این ها الگوریتم‌های جدیدی نیستند، اما می‌توانند زمان ساخت مدل‌ها را کاهش دهند و هم تحقیقات هوش مصنوعی و هم تجاری‌سازی را تقویت کنند.

سازگاری و یکپارچگی شبکه های عصبی

انتخاب بهترین چارچوب شبکه عصبی یک چالش برای دانشمندان داده است. از آنجایی که ابزارهای هوش مصنوعی زیادی در بازار وجود دارد، انتخاب بهترین ابزار هوش مصنوعی برای اجرای چارچوب شبکه عصبی مهم است. با این حال، هنگامی که یک مدل در یک ابزار هوش مصنوعی آموزش داده می شود، ادغام مدل در چارچوب های دیگر دشوار است.

برای حل این مشکل، غول‌های فناوری مانند فیسبوک، مایکروسافت و آمازون برای ایجاد تبادل شبکه عصبی باز (ONNX) برای یکپارچه‌سازی مدل‌های شبکه عصبی آموزش‌دیده در چارچوب‌های مختلف همکاری می‌کنند. انتظار می رود در آینده، ONNX به یک فناوری ضروری برای صنعت تبدیل شود.

یادگیری ماشین خودکار

AutoML از شرکت ها برای حل پرونده های تجاری پیچیده پشتیبانی می کند. با استفاده از این فناوری، تحلیلگران نیازی به انجام فرآیندهای آموزش یادگیری ماشین دستی نخواهند داشت. آن ها حتی می توانند مدل های جدیدی را توسعه دهند که می توانند چالش های آینده هوش مصنوعی را مدیریت کنند. در نتیجه، به جای اتلاف وقت برای درک گردش کار، بر روی مورد اصلی تمرکز خواهند کرد.

AutoML همچنین سفارشی سازی را برای موارد مختلف تجاری ارائه می دهد. هنگامی که داده ها را با قابلیت حمل ترکیب می کنید، مدل های انعطاف پذیر را فعال می کند.

پیشرفت در همکاری در ساخت مدل هوش مصنوعی

ابزارهای بهبودیافته، ساخت مدل های هوش مصنوعی را آسان می کنند، اما همچنان نبوغ انسان یک عنصر کلیدی در مدل‌های هوش مصنوعی است. مسابقات علم داده به شرکت ها کمک می کند تا هزاران دانشمند داده را جذب کنند تا روی مشکلاتشان کار کنند.

در گذشته، چالش هایی مانند محرمانه بودن داده ها، رشد چنین پلتفرم هایی را کند کرده بود. با این حال، تکنیک‌های رمزگذاری مدرن، شرکت‌ها را قادر می‌سازد تا داده‌های خود را به صورت عمومی به اشتراک بگذارند و از خرد جمعیت بدون ارائه اطلاعات محرمانه بهره‌مند شوند.

چه فناوری‌هایی در آینده توسط هوش مصنوعی توانمند سازی می شوند؟

موارد استفاده از هوش مصنوعی، توسعه هوش مصنوعی را شکل خواهد داد. در دسترس بودن سرمایه به موارد استفاده بستگی دارد و موارد استفاده با ارزش تر، شرکت ها و دولت را برای سرمایه گذاری بیشتر ترغیب می کند.

بهبود هوش مصنوعی سیستم‌های هوشمند ما را هوشمندتر خواهد کرد. اتومبیل‌های ما خودشان رانندگی می‌کنند، خانه‌ها میزان مصرف برق خود را تنظیم می‌کنند و روبات‌ها می‌توانند بیماری‌های ما را تشخیص دهند. به عبارت دیگر، هوش مصنوعی بیشتر زندگی ما را پوشش می دهد و کارهای روزانه ما را خودکار می کند. در اینجا چند مورد استفاده از فناوری‌های هوش مصنوعی وجود دارد که در حال حاضر یا با عملکرد بسیار محدود یا دامنه محدود (پروژه‌های تحقیقاتی) وجود دارند. بهبود این فناوری ها ارزش قابل توجهی را باز می کند.

• دستیاران هوش مصنوعی
• تشخیص پزشکی مبتنی بر هوش مصنوعی
• پرداخت های ناشناس
• وسایل نقلیه خودران
• اندام های بیونیک
• عوامل گفتگو
• شهرهای هوشمند
• سنسورهای هوشمند

موارد استفاده مبتنی بر رایانش ابری

هدف محاسبات ابری ایجاد سیستمی است که در آن بتوانید هر زمان که بخواهید به عملکردهای محاسباتی مورد نیاز دست پیدا کنید. به گفته گری ایستوود از IDG Contributor Network، محاسبات ابری و هوش مصنوعی در آینده با هم ترکیب خواهند شد.

این ادغام به مدل‌های هوش مصنوعی کمک می‌کند تا به اطلاعات بسیاری در سامانه ابری دسترسی پیدا کنند، خود را آموزش دهند و بینش‌های جدیدی را در فضای ابری اعمال کنند. این کار به سایر مدل‌های هوش مصنوعی این امکان را می‌دهد تا از این بینش‌های جدید بیاموزند. این ترکیب، قدرت محاسباتی و توانایی پردازش بسیاری از داده ها و اطلاعات را بهبود می بخشد.

موارد استفاده احتمالی از محاسبات ابری شامل پهپادهای مبتنی بر هوش مصنوعی، شبکه‌های حسگر و گرد هوشمند است.

واقعیت توسعه یافته (XR)

علاوه بر فناوری‌هایی مانند واقعیت مجازی یا واقعیت افزوده، استارت‌آپ‌ها در حال آزمایش اند تا این تجربیات همه جانبه را با پشتیبانی از فناوری‌های هوش مصنوعی تقویت کنند. در حالی که XR ممکن است چندین مشکل امنیتی را در آینده به همراه داشته باشد، این فناوری برای بهبود بهره وری کارگران و تجربه مشتری در آینده ضروری خواهد بود.

به گفته Accenture، طراحان فولکس واگن می‌توانند ظاهر، احساس و رانندگی خودرو را – به صورت فضایی و سه بعدی – به لطف ابزار XR تجربه کنند.

همگرایی اینترنت اشیا و هوش مصنوعی

یکی دیگر از فناوری های پرطرفدار یعنی اینترنت اشیا، در آینده با فناوری های هوش مصنوعی ادغام خواهد شد. هوش مصنوعی را می توان در پلتفرم های اینترنت اشیا در موارد استفاده ای مانند تجزیه و تحلیل علت ریشه ای اتفاقات، تعمیر و نگهداری پیش بینی ماشین آلات یا تشخیص موارد دور از دسترس استفاده کرد. دستگاه‌هایی مانند دوربین‌ها، میکروفون‌ها و سایر حسگرها این داده‌ها را از فریم‌های ویدیو، سنتز گفتار یا هر رسانه دیگری جمع‌آوری می‌کنند. سپس در محیط ابری عمومی با فناوری‌های پیشرفته هوش مصنوعی مبتنی بر شبکه‌های عصبی آموزش داده می‌شود.

بیشتر بخوانید:

منبع AI Multiple