ترند های روز هوش مصنوعی

در دنیای هوش مصنوعی چه می گذرد؟

در این مطلب، می خواهیم از جدید ترین ترند ها و دست آورد های شرکت های فعال هوش مصنوعی در دنیا با خبر شویم. پس با ما همراه باشید.

شرکت Narrative Science از یک موتور ساخت زبان طبیعی (NLG) برای کمک به مشاغل استفاده می کند تا درک بهتری از داده های سازمانی به دست آورده و اطلاعات واضح تری را خصوصاً در مواقع غیرقطعی و نامشخص، گرد آوری کند.
افتخار این شرکت ، استفاده از یک رویکرد متفاوت برای ساخت و پردازش زبان طبیعی است، حال آنکه بسیاری از شرکت های بزرگ تر مانند گوگل و سیلزفورس ، از استراتژی های متفاوت دیگری بهره می برند.
طبق گفته ی نیت نیکولز، مدیر بخش معماری و استراتژی محصول در شرکت Narrative Science ، فعالیت آن ها باعث شده تا ایده ی ساخت زبان یا داستان توسط کامپیوتر، بیشتر از قبل به سوی عملی شدن سوق یابد.

با ترویج بیشتر روش های پردازش داده های پیشرفته، خطاهای مرتبط با آن ها نیز افزایش می یابد.
طبق گفته ی سوجوی گنگولی، مدیر بینایی ماشین شرکت Stats Perfom، این خطاها شامل انحراف های ضمنی در نتیجه ی پدیده ای به نام پیش بینی منصفانه، یا پیش بینی دقیق نتایج برای یک دسته، و پیش بینی ضعیف نتایج برای دسته ی دیگر، می شود.
این یک اثر جانبی است که گنگولی و ربکا بروی ، دانشمندان داده ی ارشد شرکت Relativety، هر دو به دنبال اجتناب از آن هستند، خصوصاً حالا که ترند هایی نظیر یادگیری کسب اطمینان کاربر، در حوزه فناوری پیدا کرده اند.
به گفته ی بروی ، ایجاد هوش مصنوعی که قادر به درک و پاسخ دهی به اطمینان کاربران باشد، به ما کمک می کند تا سیستم های دقیق تر با انحراف کمتری را به وجود آوریم.

ترند های هوش مصنوعی که باید به آن ها توجه کرد:

Narrative Science ________________________________________

نیت نیکولز ( NATE NICHOLS )
مدیر اصلی معماری و استراتژی تولید

طبق گفته های نیکولز، شفافیت باید در نحوه ی کاربرد هوش مصنوعی توسط مشاغل گنجانده شود.
شرکت Narrative Science به جای یک مدل جعبه سیاه (مدل هوش مصنوعی که کاربر هیچ اطلاعاتی درمورد نحوه تصمیم گیری آن ندارد)، از یک رویکرد الگوریتمی برای ساخت زبان از روی داده ها استفاده می کند.
 این تصمیم، به طور ویژه با توجه به نقش داده ها در آموزش به افراد جامعه در طول رویدادهای غیر منتظره ای نظیر شیوع ویروس کرونا ، اهمیت پیدا می کند، که طبق پیش بینی های نیکولز، بستگی شدیدی به روش های مبتنی بر هوش مصنوعی دارد.

در ادامه، به بررسی پرسش و پاسخ انجام شده با نیت نیکولز می پردازیم.

سوال : در این لحظه شاهد چه ترند های هوش مصنوعی در صنعت خود هستید؟

پاسخ : در حال حاضر ترند های متعددی وجود دارند که در حال بررسی آن ها هستیم، مثل پردازش و ساخت زبان طبیعی. شرکت هایی نظیر گوگل، مایکروسافت، سیلزفورس در حال رسیدن به نتایج قابل توجهی در حوزه ی ساخت زبان هستند.
آن ها در حال بهبود و ساخت متن های حساس برای دامنه های مختلف بوده، درحالی که ما تمرکز خود را روی ساخت داستان ها و اطلاعات از روی داده های تجاری معطوف ساخته ایم، که البته دقت آن ها تضمین شده است.
 به بیان دیگر، فعالیت ما باعث می شود تا ایده ی ساخت زبان یا استوری توسط کامپیوترها، جنبه ی عملی تری نسبت به گذشته پیدا کند.
مسائل جهانی نظیر شیوع ویروس کرونا ، مجدداً توجه همه را روی داده ها، تصمیم گیری های مبتنی بر داده ها و عواقب این تصمیم گیری ها، جلب کرده است.
ما همیشه بر این باور بوده ایم که نه تنها دسترس پذیری داده ها، بلکه ساده سازی مفهوم آن ها به افراد کمک می کند تا تصمیم گیری های بهتری را انجام دهند.
حال باور عمومی بیشتر از قبل شده است.

سوال : تیم شما چگونه از این ترند ها در فعالیت های خود استفاده می کنند، و یا از هوش مصنوعی در محصولات تولیدی خود بهره می برد؟

پاسخ : هدف نهایی ما، ارایه ی محصولاتی است که بتوانند به آگاهی مردم در سراسر دنیا کمک کند.
 به عنوان مثال، با توجه به موضوع کرونا ، هیچ کس از آینده خبر ندارد.
اما اطلاعات داده های ساخته شده توسط هوش مصنوعی اختصاصی به شما کمک می کنند تا از اتفاقات امروز با خبر شوید.
ما به تازگی نرم افزار خود را به منابع داده های موثق مانند جان هاپکینز، سازمان بهداشت جهانی و غیره متصل کرده ایم و اطلاعات مربوط به ویروس کرونا را به طور رایگان در دسترس همه قرار داده ایم.
 هدف ما، تبلیغ یا فروش نیست، بلکه قصد داریم تا با استفاده از هوش مصنوعی خود، به افراد کمک کنیم تا آگاهی بیشتری نسبت به بزرگ ترین چالش موجود در هفتاد سال اخیر به دست آورند.

سوال : چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره ی آن صحبت نمی کنند؟

پاسخ : من به شخصه منتظر انفجار علاقه و توجه نسبت به داروسازی مبتنی بر هوش مصنوعی هستم.
شاید از نظر بسیاری افراد، هوش مصنوعی قابلیت های محدودی در حوزه ی پزشکی دارد؛ مثل خودکار سازی عملیات متخصصین پزشکی مثل مشاهده ی اسکن های CT، یا تنظیم بهینه ی دارو برای یک بیماران.
در ماه فوریه، پژوهشگران MIT یک آنتی بیوتیک جدید را از طریق کاربرد هوش مصنوعی شناسایی کردند.
هوش مصنوعی MIT در آن زمان بر اساس ۲۵۰۰ مولکول مختلف و اثرات شناخته ی شده ی آن ها آموزش دیده بود.
 با دریافت ۶۰۰۰ کامپوننت جدید، هوش مصنوعی توانست به ترکیبی دست یابد که دارای خواص آنتی بیوتیک بود. پژوهشگران به طور تجربی و عملی، این آنتی بیوتیک را مورد تأیید قرار دادند.
این دارو در حال حاضر با نام هالیسین در عرصه ی پزشکی شناخته می شود، که البته این نام، از روی هوش مصنوعی فیلم “۲۰۰۱: یک ادیسه ی فضایی”، یعنی HAL گرفته شده است.
 احتمالاً داروی هالیسین در چند سال آینده برای بیماران قابل تجویز خواهد شد. با تداوم زندگی در سایه ی ویروس کرونا و پاندمی های دیگر در آینده، قطعاً میلیاردها دلار صرف هوش مصنوعی می شود تا داروهای جدیدی را با سرعت و امنیت بیشتر شناسایی کند.

 

Stats Perform __________________________________________

سوجوی گنگولی ( Sunjoy Ganguly )
مدیر بینایی ماشین

اگر شرکتی نظیر شرکت Stats Perform که در زمینه ی ارائه هوش مصنوعی در حوزه ورزش ، آمار های خاصی را برای بازیکنان حرفه ای پیش بینی کند، اما توجهی به بازیکنان نیمکت نشین نداشته باشد، آن گاه دلیل آن می تواند پدیده ای به نام تئوری پیش بینی منصفانه ( Fair Prediction ) باشد.
 طبق اظهارات گنگولی، پیش بینی منصفانه پدیده ای است که تأثیر آن در صنعت دست کم گرفته می شود. گنگولی فعالیت های خود را حول اجتناب از دام این پدیده انجام می دهد، چرا که پیش بینی منصفانه در هوش مصنوعی ، نشانگر وجود انحراف ضمنی است.

 

پیش بینی منصفانه _________________________________________

قرار نیست که نتایج و پیامدها برای یک دسته به طور دقیق و برای دسته ی دیگر به طور غیر دقیق پیش بینی شوند.
پیش بینی ناعادلانه یک مسئله در حوزه ی پزشکی و همچنین جامعه شناسی به شمار می آید.

در این لحظه شاهد چه ترند های هوش مصنوعی در صنعت خود هستید؟

شبکه های عصبی نموداری به معنی اِعمال روش های یادگیری ماشین روی داده هایی است که ساختار طبیعی آن ها به صورت نمودار نشان داده می شود. برای مثال، در شبکه های اجتماعی ، هر گره نشان دهنده ی یک فرد و یال ها نشان دهنده ی روابط بین افراد هستند.
با استفاده از شبکه های عصبی نموداری ، مشاغل می توانند داده های کاربری را گرفته و بر اساس ویژگی ها و همچنین محدوده ی اجتماعی آن ها، توصیه های متعددی را به وجود آورند.
در حوزه ی ورزشی نیز چنین ساختارهای اجتماعی یافت می شود: تیم ها.
 ما می توانیم هر بازیکن را به صورت یک گره، و رابطه ی آن ها با هم تیمی ها و حریفان خود را به صورت یال نمایش دهیم.
کاربرد شبکه های عصبی نموداری به ما اجازه می دهد تا از نحوه ی عملکرد بازیکنان در مقابل تیم و حریفان خود آگاه شده، و همچنین به خوبی درک کنیم که چگونه افراد از کار تیمی برای ایجاد نتایج بهتر استفاده می کنند. 
به بیان بهتر، با استفاده از شبکه های عصبی نموداری به خوبی می توان درک کرد که کارایی بازیکنان چگونه تحت تأثیر تیم، و کارایی تیم چگونه تحت تأثیر مجموعه ای از بازیکنان قرار می گیرد.

سوال : تیم شما چگونه از این ترند ها در فعالیت های خود استفاده می کنند، و یا از هوش مصنوعی در محصولات تولیدی خود بهره می برد؟

پاسخ : تیم ما از شبکه های عصبی نموداریی در حوزه های کاری مختلف استفاده می کند.
 یکی از دشوارترین موارد کاربردی، درک اقدامات جمعی در حوزه ی ورزش است. بسیاری از اقدامات و فعالیت ها در ورزش، به حرکت جمعی کل تیم بستگی دارد.
 برای مثال، برای اجرای یک شوت بی دفاع در بسکتبال ، سه بازیکن باید عملیات لی آپ ، اسلم دانک و جامپ شات را انجام داده و در همین حین، تیم دفاعی حریف سعی دارند تا از انجام این کار جلوگیری کنند.
با کاربرد یک نمایش گرافی از تیم ها، می توان به خوبی درک کرد که چگونه مجموعه اقدامات مربوط به یک مجموعه بازیکن ، منجر به یک شوت بی دفاع می شود.
از آن جا که ده ها هزار نمونه ی ورزشی در این حیطه وجود دارد، ما به طور ایده آل قادر خواهیم بود تا از متدهای هوش مصنوعی پیشرفته برای یادگیری و تشخیص این نوع اقدامات استفاده کنیم

سوال : چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره ی آن صحبت نمی کنند؟

پاسخ : مساله ی منصفانه بودن در هوش مصنوعی ، موضوعی است که صنعت ورزشی به آن توجه نمی کند. پیش بینی منصفانه در سطح بالا، به این معنی است که شما نباید نتایج یک دسته را به طور دقیق پیش بینی کرده و نتایج دسته ی دیگری را به طور ضعیف پیش بینی کنید. این عدم تعادل در پیش بینی ، یک مساله ی بسیار مهم در حوزه های پزشکی و جامعه شناسی به حساب می آید.
پیش بینی منصفانه، نشانه ای از انحراف ضمنی است، که باید اصلاح شود. خوشبختانه می توانیم از همکاران خود در حوزه های پزشکی الهام گرفته و از روش های کاربردی آن ها، برای تولید محصولات خود استفاده کنیم.

 

Relativity _________________________________________________

ربکا بروی ( Rebecca Burwei )
دانشمند داده ارشد

طبق اظهارات بروی، شرکت ها در آینده به ساخت مدل های هوش مصنوعی ای روی می آورند که اطمینان کاربر را درک کرده و به آن پاسخ می دهند. بدین ترتیب، سیستم ها سرنخ های بهتری از پیرامون خود را دریافت می کنند، چرا که کاربران خوی بیشتری با فناوری می گیرند. کمپانی Relativity با بهره گیری از یادگیری ماشین و مصورسازی به کاربران کمک می کند تا مسائل و مشکلات اصلی در طول پروژه های دادرسی، بازرسی های داخلی و توافقات را شناسایی کنند.

سوال : در این لحظه شاهد چه ترند های هوش مصنوعی در صنعت خود هستید؟

پاسخ : وظیفه ی ما در Relativity، سازماندهی به بدنه های بزرگ متنی برای اپلیکیشن های حقوقی است. بنابراین ما به دنبال نوآوری ها و خلاقیت هایی هستیم که به حداقل تلاش انسانی جهت طبقه بندی، دسته بندی و ساختاردهی به بدنه های متنی بزرگ نیاز داشته باشند.
به طور خاص، نوآوری ها در حوزه ی یادگیری انتقالی برای داده های متنی در حال رسیدن به کمال هستند. در سال ۲۰۱۹، پژوهشگران و مهندسین هوش مصنوعی یک اکوسیستم غنی از مدل های از پیش ساخته را به وجود آوردند که تناسب خوبی برای یادگیری انتقالی روی متن دارد. این فناوری در سطح بالا، اطلاعات برجسته و مهم را از داده های اولیه جدا می کند، به نحوی که مدل های جدید بتوانند به طور مؤثرتری ساخته شوند. برای مشتریان، این موضوع به معنی کدنویسی اسناد کمتر جهت رسیدن به آگاهی و بینش های جدید است.
پیشرفت های اخیر در تفسیر و ترجمه ماشینی نیز بسیار قابل توجه هستند. با اینکه ساخت یک هوش مصنوعی با قابلیت درک ها صدها زبان، هنوز هم به عنوان یک چالش بزرگ در نظر گرفته می شود، ولی باز به پیگیری روش های خلاقانه نظیر انتقال میان زبانی، ادامه می دهیم. از چنین روش هایی می توان برای ساخت سیستم های چند زبانی استفاده کرد، بدون اینکه نیازی به صرف هزینه در ازای یک مجموعه داده برای هر زبان باشد.

پاسخ : تیم شما چگونه از این ترند ها در فعالیت های خود استفاده می کنند، و یا از هوش مصنوعی در محصولات تولیدی خود بهره می برد؟

سوال : ما به طور فعالانه و مداوم، در حال بررسی معماری های یادگیری انتقالی میان زبانی هستیم. علاوه بر بهره وری، ما پیش بینی می کنیم که این معماری ها می توانند یک اساس مناسب را جهت ایجاد ویژگی های جدید، نظیر بخش بندی اسناد و ارایه توضیحات برای پیش بینی های مدل، فراهم آورند. 

پاسخ : چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره آن صحبت نمی کنند؟

سوال : به نظر من، پژوهشگران خلاق هوش مصنوعی و UX می توانند سیستم هایی را طراحی کنند که در آن ها، افراد قادر به بیان میزان اطمینان خودنسبت به سیستم های هوش مصنوعی باشند و بینش های متعدد را بسته به سطح اطمینان خود دریافت کنند. تمام فناوری های جدید، از خودروهای بی سرنشین گرفته تا دایره المعارف های ساخته شده داوطلبانه، همگی مستلزم گذران زمان جهت رسیدن به تکامل و بلوغ هستند. بنابراین عملکرد محتاطانه ذی نفعان و سرمایه گذاران در ابتدای امر، چندان دور از انتظار نیست.
با این حال، با تکامل یک سیستم هوش مصنوعی و یادگیری آن، کنترل بیشتری در نحوه ورود تدریجی فناوری و بینش های آن، در اختیار کاربر قرار می گیرد. ساخت هوش مصنوعی با قابلیت درک و پاسخ دهی به اطمینان مشتری ، به ما کمک می کند تا سیستم های دقیق تری را با انحراف کمتر به وجود آوریم.    

سرویس های اطلاعاتی CCC _________________________________

کریس پلنیو ( Chris Plenio )
معاون پژوهش و توسعه

شرکت CCC تولید کننده اپلیکیشن های موبایل و SDK هایی است که به کاربران کمک می کنند تا پس از برخورد وسایل نقلیه و بروز تصادف، تصاویر با کیفیت تر و مرتبط تری را تهیه کنند. کریس پلنیو، معاون پژوهش و توسعه شرکت در این باره افزود: یک مدل هوش مصنوعی داخلی مسئول تفسیر تصاویر بوده و آن هایی که کارایی هوش مصنوعی را کاهش می دهند، علامت گذاری می شوند. تیم CCC با استفاده از داشبورد ارزیابی مدل خود، اطمینان حاصل می کند که مدل پس از هر بار بازآموزی، به طور کامل با نسخه های قبلی مقایسه می گردد. 

سوال : در این لحظه شاهد چه ترند های هوش مصنوعی در صنعت خود هستید؟

پاسخ : چند سال قبل، آموزش مدل هوش مصنوعی تنها به وسیله یک رویکرد جعبه سیاه کافی بود. ولی امروزه تمرکز اصلی به سوی شفافیت و قابلیت توضیح مدل ها معطوف شده است. هوش مصنوعی چگونه پیش بینی های خود را انجام می دهد و چه تأثیری روی روند تصمیم گیری می گذارد؟
یکی دیگر از موضوعات مطرح، خودکار سازی مدل های توسعه، آموزش و آزمایش هوش مصنوعی است. چیزی که از مدت ها قبل در توسعه نرم افزارهای سنتی حائز اهمیت بوده، حالا به یکی از الزامات توسعه هوش مصنوعی تبدیل شده است: خودکارسازی تمام جنبه های چرخه عمر علوم داده ها؛ یعنی انجام خودکار فعالیت های مختلف نظیر ثبت و پاکسازی داده ها، آموزش، سنجش، ارزیابی، آزمایش های بنچمارک ( Benchmark ) و در نهایت استقرار در محیط های مقیاس پذیر و انطاف پذیر، وهمچنین ایجاد نقاط بازرسی برجسته که رعایت معیارهای دقت در هر مرحله را تضمین می کنند.
بسیاری از مدل های هوش مصنوعی می بایست به طور منظم بروزرسانی شوند. با تغییر داده های آموزشی در طول زمان، مدل های هوش مصنوعی بیشتر در معرض کاهش کارایی قرار می گیرند. بنابراین به یک روند تکاملی برای یادگیری مداوم احتیاج است که به مدل های هوش مصنوعی اجازه دهد تا به طور پیوسته در حال یادگیری داده های جدید باشند، و در عین حال، داده های قبلی مرتبط را فراموش نکنند. 

سوال : تیم شما چگونه از این ترند ها در فعالیت های خود استفاده می کنند، و یا از هوش مصنوعی در محصولات تولیدی خود بهره می برد؟

پاسخ : خوشبختانه بیش از هفت سال است که ما در حال ساخت مدل های AI هستیم. بسیاری از قابلیت های هوش مصنوعی در روش های تولیدی ما ترکیب شده اند. صنعت ما نیز همانند بسیاری صنایع دیگر، هنوز در حال گذراندن یک منحنی یادگیری جهت بهره مندی بیشتر از روش های هوش مصنوعی است.
روش تخمین هوشمند CCC، به بازرسان بیمه کمک می کند تا تخمین های خود را به شیوه بهتری انجام داده و بخش ها و عملیات لازم جهت تعمیر یک خودروی آسیب دیده را شناسایی کنند. با استفاده از تصاویر گرفته شده از خودرو، هوش مصنوعی ما تقریباً در زمان واقعی پیشگویی می کند که کدامیک از بخش ها آسیب دیده اند و آیا بخش های آسیب دیده، به تعمیر احتیاج دارند یا به تعویض. سپس از این موارد پیش بینی شده برای تخمین ابتدایی استفاده می کند. ما با کاربرد ابزار نمایشی خود، یعنی نگاشت حرارتی آسیب، آسیب ها مشاهده کرده و آن ها را به هم مرتبط می کنیم. این نگاشت، آسیب های وارد شده به خودرو در هر یک از تصاویر را نمایش می دهد. مهم ترین مزیت مرتبط سازی و همبستگی آسیب ها، افزایش اطمینان کاربر در پیشگویی ها است.  
اپلیکیشن موبایل ما می تواند به طور خودکار، تصاویر گرفته شده از تصادف را به هوش مصنوعی CCC تحویل دهد، آسیب ها را نمایش داده و تفسیر کند، و هزینه های احتمالی مربوط به تعمیرات را نمایش دهد. شرکت ما به منظور حفظ مقیاس پذیری و آموزش مدل ها در مدت زمان کوتاه، منابع بسیاری را در چند سال اخیر صرف ساخت یک خط لوله هوش مصنوعی خودکار و مقاوم کرده است.
خط لوله انتها به انتهای ما، به عملیاتی نظیر تضاد داده ها، ادغام و تأیید داده ها، آموزش ، ارزیابی و سنجش مدل رسیدگی می کند. در این خط لوله ، هر مدل از درگاه ها و نقاط بازرسی متعددی عبور می کند. در هر نقطه بازرسی، می توانیم کارایی مدل را مورد بررسی قرار دهیم.

سوال : چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره آن صحبت نمی کنند؟

پاسخ : بهتر است به راه حل های هوش مصنوعی خود، نگاهی جامع داشته باشید تا منزوی. روش مورد نظر را با دید کلی در نظر بگیرید و فاکتورهای بهبود دهنده کارایی هوش مصنوعی را شناسایی کنید. برای مثال، بسیاری از مدل های هوش مصنوعی برای ارزیابی خسارات وارد شده به خودرو ، به تصاویر احتیاج دارند. هر چه کیفیت تصاویر بهتر باشد، کارایی هوش مصنوعی نیز بیشتر می شود.
نحوه استفاده از هوش مصنوعی را مد نظر قرار داده و بررسی کنید که چگونه می توان نه تنها داده های آموزشی، بلکه کیفیت و سازگاری داده های ورودی را در زمان اجرا بهبود دهید. همچنین در نظر داشته باشید که پیش بینی ها، ابزار مهمی برای بهبود مدل های هوش مصنوعی هستند. پیش بینی های غلط موجب یادگیری غلط هوش مصنوعی می شود.

FourKites _______________________________________________

ویوک وید

CTO

تیم مهندسی FourKites به تئوری هایی نظیر یکپارچه سازی داده ها، جهت پشتیبانی از کاربرد یادگیری ماشین در حوزه حمل بار تکیه دارد. این تیم تخصصی از یادگیری ماشین جهت ارایه دانش به مشتریان خود استفاده می کند تا به آن ها (مثلاً) در کاهش تعداد کامیون های خالی در جاده، کمک کند.

سوال : در این لحظه شاهد چه ترند های هوش مصنوعی در صنعت خود هستید؟

پاسخ : قطعاً شیوع کرونا به طور بی سابقه ای نظر جهانیان را به خود جلب کرده است. این رویداد، در نحوه مدیریت زنجیره های تأمین تأثیر جدی گذاشته است. شرکت های متعددی برای بهبود فعالیت های خود، از داده ها کمک می گیرند، حال آنکه استراتژی شرکت های دیگر برای این منظور می تواند متفاوت باشد. برای مثال، ما شاهد تغییرات قابل توجهی در دفعات حمل و همینطور حجم محموله ها هستیم. بدون وجود داده های ارزشمند و مهم، کل فرایند متلاشی می شود.
در FourKites، ما زمان بسیاری را صرف پیش بینی زمان تحویل ، تخمین هزینه نگهداری و حق توقف، برنامه ریزی مسیر و انبارداری هوشمند می کنیم. به تازگی دانشمندان داده ما تمرکز خود را به سوی علوم زمینه ای معطوف ساخته اند. با توجه به تکامل اخیر NLP به وسیله روش های یادگیری عمیق، از علوم زمینه ای جهت درک نیازمندی های کاربر و ارایه پاسخ های هدف دار استفاده می کنیم. رهبران حوزه زنجیره تأمین، علوم زمینه ای را بخش های مختلف جریان های کاری خود (نظیر پشتیبانی مشتری، تعامل با مشتری و پاسخ آگاه از زمینه) ترکیب کرده اند.
به عنوان یکی دیگر از فناوری های هوش مصنوعی که در حال تغییر شکل صنعت است، می توان به خودروهای بی سرنشین اشاره کرد. برای مثال، از آنجا که خودروهای بی سرنشین و خودمختار تعهدی نسبت به مقررات HOS ندارند، میزان تحویل بار در طول زمان افزایش می یابد. محموله ها به طور مؤثرتری تحویل داده می شوند و هزینه ها کاهش می یابند. بدیهی است که انواع هوشمندی متفاوتی از این نوع خودروها به نمایش گذاشته می شود و فرصت های متعددی برای بهره گیری و استفاده از این هوشمندی در اختیار ما قرار می گیرد.
یکپارچه سازی داده شامل کاربرد داده ها در بین موجودیت های مختلف و رسیدن به نتایجی است که هرگز در یک محدوده سازمانی نمی توان به آن ها دست پیدا کرد.

سوال : تیم شما چگونه از این ترند ها در فعالیت های خود استفاده می کنند، و یا از هوش مصنوعی در محصولات تولیدی خود بهره می برد؟

پاسخ : از همان روزهای اول، FourkKites با قابلیت های هوش مصنوعی در دامنه رؤیت پذیری زنجیره تأمین آشنا شد. به همین خاطر روی ایجاد یک تیم علوم داده های قدرتمند سرمایه گذاری کردیم. در حال حاضر این تیم مشغول ساخت محصولات مختلف با استفاده از روش های فعلی هوش مصنوعی و یادگیری ماشین بوده و به طور دائم با فناوری های نوظهور در این دو عرصه، تطبیق پیدا می کند.
شرکت FourKites همیشه بر این باور بوده است که یادگیری ماشین، منجر به افزایش بهره وری و تصمیم گیری های کاربران می شود. ما در کنار مشتریان خود، در حال تولید محصولاتی هستیم که مبتنی بر فناوری هوش مصنوعی پیشگویانه و تجویزی است. ما در حال سرمایه گذاری روی روش های مبتنی بر سری های زمانی مجهز به هوش مصنوعی و همچنین روش های مبتنی بر شبکه های عصبی نظیر ورود هوشمندانه و پیش بینی شده هستیم.
به عنوان مثال، موتور توصیه گر FourKites به منظور ذخیره سازی فعالانه محموله های دیررس برای مشتریان ارباب رجوع های ما، طراحی شده است. شرکت ما علاوه بر نمایش وضعیت فعلی بارهای یک حامل، توصیه هایی را برای تحویل به موقع ارائه می دهد.

سوال : چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره آن صحبت نمی کنند؟

پاسخ : هوش مصنوعی مکانی (که به کاربرد یادگیری ماشین یا هوش مصنوعی به همراه داده های مکانی، برای پاسخ به سؤالات پیچیده در مورد بروزرسانی های مکانی بلادرنگ اشاره می کند)، برنامه ریزی مسیر، ردیابی ناسازگاری، تشخیص نقاط پرت، پیش بینی و توصیه نقاط مورد نظر. با توجه به این واقعیت که هر روزه، تعداد شرکت های بیشتری از رؤیت پذیری بلادرنگ بهره می گیرند، میزان داده های مکانی به طور نمایی رشد پیدا کرده است.
تجربه کاربری نیز بخشی جدانشدنی از روش های هوش مصنوعی است. زمانی که کاربر از محموله های خود در پلتفرم ما بازدید می کند، بینش به تنهایی کافی نیست، بلکه باید به همراه مفاهیم مناسب برای ارتقای اطمینان کاربرنهایی ارائه شود. برای مثال، محصول ETA پویای ما شامل زمینه ها و مفاهیمی از جمله سطوح ریسک، پیش بینی مسیر، علائم رانندگی، وضعیت آب و هوا و غیره می شود.
طبق تحقیقات PWC، بیش از ۳۵ تا ۴۶ درصد از هزینه و زمان لازم برای اجرای فعالیت های مالی نظیر حسابداری، پیش بینی، بودجه بندی و پرداخت قبض و صورتحساب، از طریق خودکارسازی از بین می رود، اما این ارقام نباید حسابداران را نگران کند.
بن ریچموند، مدیر تجاری و حسابداری پلتفرم Xero، پیش بینی کرده است که هوش مصنوعی تأثیرات قابل توجهی روی حسابداری خواهد گذاشت. البته این تأثیرات مثبت به مشاغل کمک می کنند تا در زمان صرفه جویی کرده و به حسابداران اجازه می دهد تا از مهارت های جدید استفاده کنند.
ریچموند در این باره گفته است: “ما آینده ای را در صنعت حسابداری می بینیم که در آن، تمام عملیات به صورت مخفی از چشم کاربران انجام می شوند، به طوری که هوش مصنوعی و یادگیری ماشین، مفهوم حسابدار بودن و دفتردار بودن را تغییر می دهند”.
ریچموند و تیم او با بهره گیری از هوش مصنوعی به مشتریان خود (حسابداران حرفه ای، مشاغل کوچک) کمک کرده اند تا در زمان صرفه جویی کنند. فعالیت آن ها موجب بهبود قابلیت های مدیریت مالی مشتریان، از طریق کاربرد ابزارهایی شده است که کارهای پیش پا افتاده را به طور خودکار انجام می دهند، دقت داده ها را بهبود می بخشند و مفاهیم عملی را به طور خودکار ارائه می دهند.
با رهایی از شر برخی فعالیت های دستی، حسابداران حرفه ای می توانند محدوده خدمات خود را گسترش دهند. حسابداران قادر خواهند بود تا از رویکرد مشورتی بهتری برای کمک به مشتریان خود استفاده کنند، و مهارت های نرم، بخشی جدانشدنی و مهم از این رویکرد به حساب می آید.  
هوش عاطفی و یکدلی، فاکتورهای بسیار مهمی در نحوه تعامل حسابداران و ایجاد رابطه با مشتریان به حساب می آیند. پس تکنولوژی تنها نیمی از معادله است. تلفیق عناصر انسانی و تکنولوژیکی منجر به افزایش قدرت حسابداران حرفه ای می شود.

Xero ____________________________________________________

بن ریچموند

مدیر U.S. Country

سوال : شاهد چه  های هوش مصنوعی هستید و این ترند ها چگونه در تجارت شما به کار می روند؟

پاسخ : برای مشاغل کوچک و متخصصین حسابداری که با آن ها سروکار داریم، مواردی وجود دارند که ارزش آن ها از زمان بیشتر است. تیم های ما با استفاده از داده ها و یادگیری ماشین در پلتفرم Xero ، فرایند ها را ساده تر کرده و دانش مناسب را در زمان مناسب در اختیار مشتریان قرار دهد.
بسیاری از مشاغل کوچک هنوز مشغول حسابداری دستی هستند. با کمک نرم افزارهای حسابداری، جریان های کاری چند ساعته و وقت گیر، تنها در مدت چند دقیقه انجام می شوند. ویژگی هایی نظیر یادآوری فاکتورها یا استخراج خودکار داده ها از مخارج و قبض ها، باعث می شود تا جمع آوری اطلاعات و اجرای عملیات بر اساس آن ها، با سرعت بیشتر و به شیوه ای ساده تر صورت گیرد. با دسترسی به دانش مبتنی بر هوش مصنوعی در زمان واقعی، تجارت های کوچک می توانند فعالیت های خود را با اثربخشی بیشتری انجام داده و تصمیمات هوشمندانه تری را اتخاذ کنند. داده ها به ایجاد جریان های کاری بهتر کمک می کنند و در نتیجه، ما می توانیم به مشاغل کوچک این امکان را بدهیم که زمان بیشتری صرف رشد و گسترش خود کنند.

سوال : تیم شما چگونه از این ترند ها در کارهای خود استفاده می کنند؟

پاسخ : درست همانند نتفلیکس که قادر به ارایه پیشنهاد برای تماشای فیلم است، تیم های ما نیز در حال افزودن قابلیت های داده ها و یادگیری ماشین در پلتفرم Xero هستند تا دانش بلادرنگ را در اختیار مشاغل کوچک قرار دهند و بدین وسیله، در تصمیم گیری های هوشمندانه تر به آن ها کمک کنند. ما مشتاق هستیم تا یک جهان حسابداری بدون کد را به وجود آوریم. انجام این کار به معنی فعالیت در پردازش تراکنش ها و معاملات، و بررسی سؤالات و بینش های مهم برای مشتریان جهت تفکر درباره آن ها است.

چه ترند های دیگری را مشاهده می کنید که سایر افراد حاضر در صنعت درباره آن صحبت نمی کنند؟

پاسخ : بحث های بسیاری در این باره مطرح است که فناوری چه نقشی در تغییر نحوه عملکرد شرکت های حسابداری ایفا می کند و این شرکت ها چگونه می توانند به بهره وری کاری بیشتری با مشتریان تجارت های کوچک خود برسند. تکنولوژی می تواند داده ها و آگاهی را برای تجارت های کوچک و حسابداران حرفه ای فراهم آورد، اما نباید از اهمیت مهارت های نرم در این صنعت غافل شد. در صورت کسب مهارت های تکنولوژیکی مناسب، حسابداران و دفترداران می توانند به مشاوران کاملی تبدیل شوند که از طرق مختلف و جدید با شاغل کوچک همکاری می کنند. 
در حال حاضر، اکثر سرویس های مبتنی بر مشاور توسط شرکت های حسابداری ارائه می شود. یک حسابدار می تواند درباره برنامه ریزی های تجاری، با یک تجارت کوچک مشاوره داشته باشد. البته این کار، به مهارت متفاوتی نسبت به فعالیت های مرسوم حسابی (مثل محاسبه مالیات) نیازمند است. مشاوره در برنامه ریزی تجاری، مستلزم راهنمایی های بیشتر و حرفه ای تری است. هوش عاطفی و یکدلی، فاکتورهای بسیار مهمی در نحوه تعامل حسابداران و ایجاد رابطه با مشتریان به حساب می آیند. پس تکنولوژی تنها نیمی از معادله است. تلفیق عناصر انسانی و تکنولوژیکی منجر به افزایش قدرت حسابداران حرفه ای می شود.

بیشتر بخوانید:

منبع Builtin

درباره‌ی سیده مژگان علوی

همچنین ببینید

آشنایی با خودرو های خودران

خودرو های خودران – از تصور تا واقعیت : بخش دوم

در بخش اول آشنایی با خودرو های خودران ،  با نحوه کارکرد خودرو های خودران، …

2 نظر

  1. با عرض ادب و احترام
    با تشکر از مطالب عالی …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *