معرفی ۵ حوزه کاربردی هوش مصنوعی در دنیای واقعی

کلیک - بعد از دهه ها، سیستم های مبتنی بر هوش مصنوعی به عنوان سیستم هایی که قابلیت تشخیص الگو، منطق فازی و یادگیری شناختی دارند شناخته می شوند و اکنون هوش مصنوعی ارزش خود را در بخش های مختلف به اثبات رسانده است.

۱-قانون
کارهای روزمره و عادی بخش عمده ای از تحقیقاتی که در حوزه قانون و رسیدگی به شکایات انجام می شود بسیار وقت گیر و پر هزینه است. با در نظر گرفتن این که انسان جایز الخطا است و می تواند مرتکب اشتباه شود با کمترین اشتباهی یک وکیل زندگی یک فرد را به خطر می اندازد یا از خطر نجات می دهد.
چندین شرکت حقوقی، به استخدام سیستم های کشف الکترونیکی روی آورده اند. ای سیستم ها به غربالگری ایمیل ها و اسناد می پردازند تا موارد مرتبط با یک دادخواهی را شناسایی کنند. سیستم های کشف الکترونیکی تقریبا در ۹۵ درصد زمان وکالت صرفه جویی می کند.
یکی دیگر از کاربردهای هوش مصنوعی در قانون می تواند غربالگری ادعاهای خسارت صدمه شخصی باشد. این غربالگری به شماسایی رفتار جعلی افراد مدعی می پردازد. اکنون شرکت بیمه DWF در این حوزه پیشگام است و با استفاده از تجزیه و تحلیل داده های بزرگ به کشف ادعاهای درغین می پردازد. سیستم بین فاکتورهای مختلف اتصال برقرار می کند و یک نمره بین یک تا ده را نشان می دهد. ورودی های این سیستم توسط یک وکیل وارد می شود.
نه تنها هوش مصنوعی رد حال تغییر عملکرد شرکت های حقوقی است، بلکه دارای دسترسی آزاد به قانون است تا اسنادی مانند اجازه و قراردادهای اشتغال را پیش نویسی کند. پیش بینی می شود که سیستم های مونتاژ اسناد اساسا برای وکلا توسعه داده شده است ولی به طور فزاینده ای قابل دسترس دیگر کاربران برای مونتاژ قراردادهای قانونی در دستگاه های دیجیتال دستی قرار خواهد گرفت.

۲- بازاریابی و تبلیغات
یک دیوار تبلیغاتی را در نظر بگیرید که توانایی حس حضور عابران، قبل از نمایش تبلیغات و حین نمایش را داشته باشد و از واکنش های فردی بیاموزد که تبلیغ چقدر مرتبط و تاثیر گذار بوده است. این موضع هدف کمپین پوستر تبلیغاتی هوش مصنوعی بود. پوستر از فناوری ردیابی بدن استفاده می کند که اساسا برای سیستم کینکت مایکروسافت ایجاد شده بود تا مشخص شود که چه کسی در کنار آن ایستاده است. این سیستم می توانست تا ۱۲ فرد را در یک زمان مورد ارزیابی قرار دهد.
ورودی این کار ترکیبی از تصاویر و متن تبلیغاتی بود و یک کپی از استخر ژن برداشته می شد و سیستم از واکنش مخاطبان یاد می گرفت که کدام تبلیغ جذابیت بیشتری دارد. در مرحله بعد با استفاده از الگوریتم داروینی به حذف ترکیبات با اهمیت کمتر پرداخته شد.
پوسترهای هوش مصنوعی در حال حاضر هنوز در مراحل آزمایشی هستند، ولی هوش مصنوعی به طور جدی در پشت صحته تبلیغات و بازاریابی مستقر شده است و یکی از کاربردهای مهم آن در تشخیص الگو و سیستم های یادگیری شناختی است که برای کمک به روند فروش استفاده می شوند. به عنوان مثال، راشل یک شخصیت مجازی مجهز به چنین فناوری های است که برای بازرهای عمودی استفاده می شود و شامل فناوری، خودرو، خدمات آموزشی و مالی به کار می رود.

۳-امور مالی
خدمات مالی یکی دیگر از اولین بخش هایی است که از هوش مصنوعی برای تصمیم گیری استفاده کرده است. سیتی بانک، یکی از این نمونه هاست که از دهه ۱۹۸۰ تاکنون از سیستم های خبره استفاده کرده است. تعجب آور نیست چرا که حجم انبوهی از داده ها در این بخش قرار دارد.
هر روزه بالای یک میلیون تراکنش توسط هر خدمات مالی تولید می شود که البته داده هایی ساختاریافته هستند. هر روزه، رویترز ۹۰۰۰ صفحه از اخبار مالی منتشر می کند و تحلیلگران وال استریت هر دقیقه پنج سند پژوهشی تولید می کنند.
۸۰ درصد از داده های اساسی که در بخش خدمات مالی مورد پردازش قرار می گیرند یا نیمه ساختاریافته هستند یا ساختاریافته نیستند و به صورت دستی پردازش می شوند. با استفاده از هوش مصنوعی، شرکت ها می توانند به تجزیه و تحلیل داده ها و زمینه کاوی بلافاصله داده ها بپردازند. فناوری های هوش مصنوعی که در خدمات مالی کاربرد دارند عبارتند از پردازش زبان طبیعی، داده کاوی و متن کاوی، فناوری معنایی یا سمنتیک و یادگیری ماشین .
ای بی ام IBM خدمات مالی را به عنوان بخش مشتری سیستم واتسون هوش مصنوعی خود شناسایی کرده است که با استفاده از پردازش زبان طبیعی و یادگیری ماشین به تجزیه و تحلیل مقادیر زیادی از داده های غیر ساختاریافته می پردازد. IBM می گوید که دستیار نهایی خدمات مالی آن قادر است برای سرعت بخشیدن و بهبود تصمیم گیری به انجام تجزیه و تحلیل مبتنی بر شواهد بپردازد. به عنوان مثال، یک بانک می تواند از سیستم استفاده کند تا پیشنهادهای بهتری از محصولات مالی ارایه شده با توجه به شرایط بازار، تصمیمات گذشته مشتری و رویدادهای اخیر زندگی دریافت کند.
یکی دیگر از کاربردهای هوش مصنوعی در تشخیص تقلب و امنیت است. یکپارچه سازی داده های ساخت یافته و غیر ساخت یافته رعایت قوانین را تضمین می کند و به تشخیص جرائم از جمله پول شویی و معامله با خودی ها کمک می کند. سیستم های پردازش زبان طبیعی می تواند نشانه های ظریفی در معاملات کشف کند که ممکن است در رفتار نشان داده شده است و در اعداد قابل تشخیص نیست.
سیستم های "مشتری خود را بشناس" یکی دیگر از کاربردهای هوش مصنوعی برای مدیریت داده های بدون ساختار و همواره در حال تغییر است. این سیستم ها به ارزیابی ریسک می پردازند.

۴-خرده فروشی و خدمات به مشتریان
خوب یا نه، وقت شناسی های اپراتورهای قطار، ان ها را مجبور کرده است که با حجم بالایی از شکایات مشتریان روبرو باشند. وزارت حمل و نقل آمریکا این شکایات را به ۴۷۰ دسته طبقه بندی کرده است. یکی از چالش های پیش روی قطارها هنگامی که نیاز به بروزرسانی عملیات خدمات خود دارند، همین است، پاسخگویی به انتظارات!
به لطف گوشی های هوشمند در همه جا حاضر، در حال حاضر نسبت بالایی از ارتباطات مشتریان از طریق ایمیل انجام می شود. به منظور بهبود پردازش این ارتباطات، اپراتورهای قطار از پلتفرم هوش مصنوعی که inSTREAM نام دارد و می تواند مطالب غیر ساختاریافته را طبقه بندی کند و یادگیری الگوهای جدید از داده های غیرساختاریافته از طریق پردازش می پردازد. سیستم هز زمان که ایمیلی وارد شود، ایمیل را می خواند و معنا و سمنتیک آن را می فهمد و داده های کلیدی را در سیستم مدیریت روابط مشتری ثبت می کند.
فرایندی که به ۳۵ ساعت نیروی انسانی نیاز دارد، به ۴ ساعت در یک روز کاهش می یابد و سرعت را افزایش می دهد و این یک موفقیت کامل است.
گام بعدی برای به کار گیری هوش مصنوعی، خرده فروشی است که مکالمات با مشتری را خودکار سازی می کند. ابزاری که DigitalGenius نام دارد و قبلا در صنعت موتور برای انجام مکالمات شبه انسانی با مشتریان مورد استفاده قرار می گرفت، نمونه ای از سیستم های هوش مصنوعی است. سیستم های شبکه عصبی براساس فناوری عمق کاوی کار می کنند. این سیستم ها با استقرار در یک محل با سطحی از خودکارسازی و هوشمندی تعاملات شبیه مکالمات واقعی را ممکن می سازد.
سرویس های خودکار مشتری یک بازار هدف برای فناوری واتسون IBM است. شرکت اعلام کرده است که این سیستم با محاسبات شناختی به شناسایی و عمل در روندهای در حال ظهور در ارتباطات مشتری می پردازد.
فناوری های شناختی همراه با تجربه انسانی و بینش در آن زمینه موجب بهبود و کمک به تصمیم گیری های آگاهانه به موقع می شود. با استفاده از قابلیت های واتسون، متخصصان Swiss Re می توانند در هنگام خطر تصمیم گیری های آگاهانه تر و دقیق تری بگیرند.

۵- مراقبت سلامت
تصمیم گیری پزشکی یکی از اولین کاربردهای پیش بینی شده برای نسل اول هوش مصنوعی و به اصطلاح سیستم های خبره بود. آنچه قبلا به عنوان چشم انداز این حوزه بود، اکنون به واقعیت تبدیل شده است.
در میان کاربردهای سیستم پردازش زبان طبیعی و یادگیری ماشین سیستم واتسون IBM دیده شده است، همکاری IBM و بیمارستان کودکان بوستون قابل ذکر است که برای کمک به پزشکان در شناسایی گزینه های ممکن برای تشخیص و درمان بیماری های نادر اتفاق افتاد.
واتسون برای نفرولوژی هم به وسیله خواندن متون پزشکی و جمع اوری اطلاعات در مورد جهش مسبب سندرم نفروتیک مقاوم در برابر استروئید آموزش می بیند. این سندرم یک فرم ژنتیکی نادر از بیماری کلیوی است. کارشناسان در بیمارستان کودکان بوستون داده های توالی ژنوم بیماران را به صورت گذشته نگر وارد سیستم واتسون کردند تا آموزش ببیند.
هدف ایجاد یک سیستم شناختی است که به متخصصان بالینی در تفسیر داده های توالی ژنوم کودکان کمک کند و سپس داده ها را با متون پزشکی مقایسه کند و سریعا به شناسایی ناهنجاری ها بیانجامد.

از طرف دیگر، در محیط مراقبت سلامت مساله ای که به ظاهر ساده است ولی با حساسیت هایی روبرو است، مساله مصرف دارویی است که برای بیمار تجویز شده است. درصد نگران کننده ای از بیماران دوره دارو را تکمیل نمی کنند که می تواند به مقاومت در برابر آنتی بیوتیک و عوارض جانبی دیگر منتهی شود.
این امر به ویژه در مطالعات بالینی که اغلب بر روی گفته های بیماران اطمینان می کنند اهمیت می یابد. با این حالف تاکنون آزمایش هایی در این باره انجام شده است و پژوهشگران متوجه شدند که کمتر از ۳۰ درصد از شرکت کنندگان در کارازمایی های بالینی ممکن است دوره مصرف دارو را تکمیل کنند.
یک اپلیکیشن موبایل به نام AiCure ممکن است به این مشکل پاسخ دهد. اپلیکیشن داروهای مردم را ذخیره می کند و بیماران و داروهای آن ها را شناسایی می کند. این کار را با استفاده از ویژگی های پیچیده ای مانند تشخیص چهره انجام می دهد تا مطمئن شود که فریب نمی خورد. داده ها در زمان واقعی برای سازمان هایی که کارازمایی بالینی انجام می دهند نیز در دسترس است.