هوش مصنوعی در انتخابات

هوش مصنوعی در انتخابات

همراه با Big Data ، فناوری های بعدی که تأثیر بسزایی در انتخابات و زندگی سیاسی خواهند داشت ، هوش مصنوعی و یادگیری ماشین هستند. انتخابات زمانی است که مردم یک کشور از قدرت عظیمی برخوردار شده و آینده جمعی خود را انتخاب می کنند. هر شهروند برای انتخاب گروه بعدی نمایندگان مشارکت می کند. همانطور که آگاه هستیم ، امروزه فناوری نقش بسزایی در توانایی استفاده از تأثیر دقیق دارد. احزاب سیاسی می توانند بر شهروندی تأثیر بگذارند تا رأی دهند و نامزدهای مربوطه خود را انتخاب کنند. به عنوان مثال ، تیم مبارزات انتخاباتی رئیس جمهور سابق ایالات متحده باراک اوباما Big Data Analytics را اجرا کرده و رأی دهندگان خود را تحریک کرد. و این به حداکثر رساندن تبلیغات ایمیل وی منجر شد که مبلغ 1 میلیارد دلار کمک های مالی کمپین را جمع آوری کرد.

هوش مصنوعی چگونه در انتخابات تاثیر می گذارد ؟

در کمتر از یک دهه ، دنیای رسانه های اجتماعی از توانمندسازی به تهدیدی برای دموکراسی تبدیل شده است. همانطور که همه ما می دانیم ، اینترنت می تواند تعداد زیادی از افراد را به اقدامات سیاسی بکشاند ، همچنین می تواند اطلاعات نادرست درباره نامزدها را جمع آوری کند ، آرا را سرکوب کند و بر لیست رای دهندگان و ماشین آلات انتخابات ایالت تأثیر بگذارد. تا زمانی که محتاط نباشیم ، دنیای جدید AI می تواند خطرناک تر از هر سلاحی در سال های آینده باشد. فن آوری های جدید عصر اطلاعات به عنوان ابزاری ارزشمند برای اقدامات دموکراتیک مخفی شده است زیرا در کشورهای اقتدارگرا ، رسانه های منظم تحت کنترل دولت هستند و باعث انتشار اطلاعات منفی در مورد دولت و نشریه می شوند.

آیا به دلیل هوش مصنوعیرأی گیری مغرضانه انجام می شود؟

هوش مصنوعی می تواند برای تجدید نظر رای دهندگان منفرد استفاده شود. در طول انتخابات ریاست جمهوری 2016 ایالات متحده ، شرکت علوم داده کمبریج آنالیتیکا یک کمپین تبلیغاتی و دیجیتال مارکتینگ گسترده برای هدف گیری رای دهندگان متقاعد کننده بر اساس روانشناسی فردی خود انجام داد. این اساساً عملیاتی است که به داده های بزرگ و یادگیری ماشینی برای بررسی احساسات افراد متکی است. رأی دهندگان مختلف پیام های متفاوتی را براساس پیش بینی در مورد ادراک آنها نسبت به استدلال های مختلف دریافت کردند. پارانوئیدها تبلیغاتی با پیام های مبتنی بر ترس و افرادی با گرایش محافظه کارانه تبلیغاتی با استدلال بر اساس سنت ها و جامعه دریافت می کنند. با در دسترس بودن داده های زمان واقعی رای دهندگان ، از رفتار آنها در رسانه های اجتماعی گرفته تا الگوهای مصرف و روابط آنها ، این امکان فراهم شد. از رد پای اینترنت آنها برای ایجاد مشخصات منحصر به فرد رفتاری و روانشناختی استفاده می شد. مسئله اینجا فناوری نیست بلکه پیامهای سیاسی ارسال شده است. نامزدی با وعده های انتخاباتی انعطاف پذیر مانند ترامپ به ویژه برای این روش مغرضانه مناسب است. می توان به هر رأی دهنده پیامی سفارشی ارسال کرد یا می توان آگهی سفارشی را نشان داد که بر جنبه دیگری از استدلال خاص تأکید دارد. نکته اصلی این است که این کار به سادگی یافتن عوامل محرک احساسی مناسب برای تحریک هر فرد به عمل است.

آینده انتخابات با هوش مصنوعی چگونه خواهد بود ؟

می توان استدلالهای زیادی را مطرح کرد ، اما به سختی می توان گفت راهی سختگیرانه برای تحلیل تأثیر بی سابقه رویدادهای فعلی بر عادت های رای گیری وجود دارد. با این حال ، ما می توانیم داده های انتخابات گذشته را تجزیه و تحلیل کنیم تا تأثیر ویژگی های مختلف را در انتخابات ریاست جمهوری اندازه گیری و درک کنیم و بینش ها را دریابیم. در یک نظرسنجی در مورد نگرش اروپاییان به فن آوری انجام شد مشخص شد که اگر تصمیمات سیاسی توسط AI به جای سیاستمداران یک بار انتخاب شود ، یک چهارم مردم ممکن است آن را ترجیح دهند. این روند فکر احتمالاً افزایش بی اعتمادی شهروندان به دولت ها و مدل ناامید کننده دموکراسی را نشان می دهد.

به راحتی می توان فناوری را مقصر اشتباهات جهان و یا باخت در انتخابات دانست، اما این دسته از فناوری اساسا به خودی خود ضرری ندارد. روشی که ما از این فناوری برای دستکاری تصمیمات استفاده می کنیم روش صحیحی نیست. برای گمراه کردن ، این فمتوری برای اطلاع رسانی و ایجاد سردرگمی استفاده شده است ام همه اینها فناوری ها ممکن است به همان اندازه دموکراسی را پشتیبانی کنند. درعوض ، باید از آن برای اجرای مبارزات بهتر به روشی مشروع تر استفاده شود. یک رویکرد اخلاقی به هوش مصنوعی می تواند برای آگاهی و خدمت برای رای دهندگان باشد. استارت آپ های هوش مصنوعی مانند Factmata و Avantgarde Analytics چنین راه حل های فناوری را ارائه داده اند. به عنوان مثال ، ربات های سیاسی را برنامه ریزی کنید تا وقتی مخاطبان مقاله هایی را که حاوی اطلاعات غلط شناخته شده است ، به اشتراک می گذارند ، وارد عمل شوند. می توان برای چنین کاربرانی اخطار داد. این می تواند بسیاری از دروغ های نا شناخته تشخیص دهد و از بین ببرد.

هوش مصنوعی و ترافیک سنجی

هوش مصنوعی و ترافیک سنجی

محققان از سراسر آزمایشگاه ملی ارگون وزارت انرژی ایالات متحده (DOE) با استفاده از تکنیک هوش مصنوعی (AI) به نام یادگیری ماشین ، از ابر رایانه های آرگون برای هضم الگوهای ترافیک از داده های تقریباً یک ساله گرفته شده از 11160 حسگر در امتداد سیستم بزرگراه بزرگ کالیفرنیا استفاده کرد. سپس از این اطلاعات برای آموزش مدلی برای پیش بینی ترافیک با سرعت بالا استفاده شد – مطمئناً سریعتر از ترافیک لوس آنجلس در عرض میلی ثانیه ، مدل می تواند ساعت گذشته اطلاعات را بررسی کرده و ساعت بعدی ترافیک را با دقت زیادی پیش بینی کند.

هوش مصنوعی چگونه به کنترل و حل ترافیک لس آنجلس کمک می کند ؟

کار با اعضای بخش ریاضیات و علوم کامپیوتر آرگون (MCS) و تسهیلات رایانه ای رهبری آرگون (ALCF) ، در یک  دفتر کاربری علمی وزارت علوم DOE ، تیم نتایج خارق العاده ای در پیش بینی ترافیک بدست آورد و اخیراً نتایج را در سابقه تحقیقات حمل و نقل ،مجله هیئت تحقیقات حمل و نقل منتشر کرد. پراسانا بالاپراکش ، دانشمند کامپیوتر در MCS با انتصاب مشترک در ALCF ، گفت: “هوش مصنوعی و قابلیت های فوق رایانه ای که در این کار استفاده شده است ، به ما امکان می دهد تا مشکلات واقعاً بزرگی را حل کنیم.” “مقیاس این پروژه زیاد است و این مقدار داده برای مقابله با آن به یک منبع محاسباتی به همان اندازه بزرگ نیاز دارد.” دانشمندان با استفاده از منابع محاسباتی کلاس جهانی ALCF تعداد ساعات رایانه مورد نیاز برای آموزش مدل را به شدت کاهش دادند. به عنوان مثال ، برای آموزش مدل پیش بینی ترافیک در یک هفته ممکن است یک رایانه رومیزی برتر از یک هفته طول بکشد ، می توان همین روند را در مدت سه ساعت روی یک ابر رایانه انجام داد. استفاده از قدرت یادگیری عمیق مبتنی بر نمودار – شکل پیچیده ای از یادگیری ماشینی که می تواند تصمیم گیری کند و تقریباً به طور خودکار پیش بینی های یک مدل را بهبود بخشد – مدل آنها از داده های تاریخی برای پیش بینی الگوهای ترافیک استفاده می کند ، در حالی که سرعت و جریان را به طور همزمان پیش بینی می کند. این مهم است زیرا جریان های ترافیکی در هر منطقه در هر زمان به سرعت و جریان ترافیک در نزدیکی بستگی دارد. اریک راسک ، مهندس اصلی تحقیقات قبلی در مرکز تحقیقات حمل و نقل آرگون و یکی از دانشمندان درگیر در این مطالعه گفت: “رویکردهای پیش بینی ترافیک برای توسعه استراتژی های سازگار برای حمل و نقل بسیار مهم است. “الگوهای ترافیکی دامنه وابستگی های مکانی و زمانی پیچیده ای دارند که پیش بینی دقیق در شبکه های بزرگراهی را به عنوان یک کار چالش برانگیز در نظر می گیرند.”

با ویرا سگال کارو همراه باشید

هوش مصنوعی در عوارض مغزی

هوش مصنوعی در عوارض مغزی

دامنه فناوری های هوش مصنوعی موجود برای مقابله با بیماری های مغزی به سرعت در حال رشد است و روشهای جدید و مهیجی در زمینه عوارض مغزی اعمال می شود زیرا دانشمندان کامپیوتر درک عمیق تری از توانایی های الگوریتم های پیشرفته دارند. محققان برای درک وضعیت پیشرفته در استفاده از AI برای بیماری های مغزی ، یک بررسی سیستماتیک انجام دادند. بررسی کیفی آنها جالب ترین گوشه های توسعه هوش مصنوعی را روشن می کند. هوش مصنوعی به دلیل توانایی در حل مشکلاتی که بشر نمی تواند حل کند، تحسین می شود و این تخسن به لطف معماری های جدید رایانه ای که مقادیر زیادی از داده های پیچیده را به سرعت پردازش می کند می باشد. در نتیجه ، روش های هوش مصنوعی ، مانند یادگیری ماشین ، بینایی رایانه و شبکه های عصبی ، برای برخی از سخت ترین مشکلات علوم و جامعه اعمال می شود.

کاربرد هوش مصنوعی در عوارض و بیماری های مغزی

یک مشکل جدی تشخیص ، درمان جراحی و نظارت بر بیماری های مغزی است. دامنه فناوری های هوش مصنوعی موجود برای مقابله با بیماری های مغزی به سرعت در حال رشد است و روشهای جدید و مهیجی در زمینه مشکلات مغزی اعمال می شود زیرا دانشمندان کامپیوتر درک عمیق تری از توانایی های الگوریتم های پیشرفته دارند.در مقاله ای که این هفته توسط انتشارات AIP در APL Bioengineering منتشر شد ، محققان ایتالیایی یک بررسی منظم از نوشته ها را برای درک نوآوری ها  در استفاده از AI برای بیماری های مغزی انجام دادند. جستجوی آنها 2696 نتیجه به دست آورد و آنها تمرکز خود را بر روی 154 مقاله برتر با استناد قرار دادند و از نزدیک بررسی کردند. بررسی کیفی آنها جالب ترین گوشه های توسعه هوش مصنوعی را روشن می کند. به عنوان مثال ، از یک شبکه خصمانه تولیدی برای ایجاد مصنوعی یک مغز پیر استفاده شد تا ببیند چگونه بیماری با گذشت زمان پیشرفت می کند. نویسنده آلیس سگاتو گفت: “استفاده از تکنیک های هوش مصنوعی به تدریج راه حل های نظری کارآمد را برای تعداد زیادی از مشکلات بالینی در دنیای واقعی مرتبط با مغز به ارمغان می آورد.” وی افزور:”به ویژه در سال های اخیر ، به لطف انباشت داده های مربوطه و توسعه الگوریتم های موثر به طور فزاینده ، امکان افزایش قابل توجه درک مکانیسم های پیچیده مغز فراهم شده است.” سگاتو گفت: “اگر انسان بخواهد نسخه های الگوریتمی یا تشخیص را قبول کند ، باید به آنها اعتماد کند.” “تلاش محققان منجر به ایجاد الگوریتم های پیچیده و قابل تفسیر می شود ، که می تواند استفاده فشرده از فن آوری های” هوشمند “را در زمینه های بالینی عملی، حمایت کند.”

یادگیری ماشین در زندگی روزمره

یادگیری ماشین در زندگی روزمره

 به لطف پیشرفت های انجام شده در قدرت محاسباتی و برنامه های یادگیری ماشین ، انسانها واقعاً در یک انقلاب جهانی فناوری زندگی می کنند. دو دهه اول قرن 21 شاهد پیشرفتهای چشمگیری در تحقیقات هوش مصنوعی (AI) بوده ایم. ثابت شده است که یادگیری ماشینی یکی از موفق ترین و گسترده ترین کاربردهای فناوری است که دامنه وسیعی از صنایع را تحت تأثیر قرار داده و میلیاردها کاربر را هر روز تحت تأثیر قرار می دهد. یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است که شامل مطالعه و استفاده از الگوریتم ها و مدل های آماری برای سیستم های رایانه ای برای انجام کارهای خاص بدون تعامل انسان است. استفاده از یادگیری ماشینی دریچه ای را برای فناوری های آینده گرایانه باز می کند که مردم در زندگی روزمره خود از آن استفاده می کنند.

مواردی که در زندگی روزمره از یادگیری ماشین استفاده می کنیم

دستیار صوتی

دستیارهای صوتی در حال حاضر در همه جا حضور دارند. دستیارهای صوتی مشهوری مانند Apple’s Siri ، Google Assistant ، Amazon’s Alexa و … راه را برای بخشی از مکالمه عمومی افراد هموار می کنند. الگوریتم یادگیری ماشین در پشت همه این دستیارهای صوتی کار می کند تا گفتار را با استفاده از پردازش زبان طبیعی (NLP) تشخیص دهد. سپس ، گفتار را با استفاده از یادگیری ماشین به اعداد تبدیل کرده و بر این اساس پاسخی را تنظیم می کند. همچنین از NLP برای ترجمه اطلاعات غیر قانونی لغات در قراردادها به زبان ساده برای تهیه اطلاعات استفاده می شود. محققان انتظار دارند با پیشرفت تکنیک های یادگیری ماشین ، این فناوری در آینده هوشمندانه تر شود.

بازاریابی شخصی سازی شده

فناوری در سیستم بازاریابی در حال بدست آوردن جایگاه خود است. با استفاده از ویژگی های یادگیری ماشینی ، صنعت بازاریابی مشتریان را بر اساس داده های رفتاری و مشخص تقسیم می کند. سیستم عامل های تبلیغات دیجیتال به بازاریابان اجازه می دهد تا بر روی مجموعه مخاطبان با تأثیر محصول مرتبط تمرکز کنند. آنها نیازهای مشتری را درک می کنند و بر این اساس با تبلیغات بهتر اقدام به فروش کالا و خدمت می کنند.

تشخیص کلاهبرداری

شرکت های بزرگی که درگیر تعاملات مالی و بانکی هستند از یادگیری ماشینی برای کشف تقلب و کلاهبرداری استفاده می کنند. این امر به شرکت ها کمک می کند تا مصرف کنندگان را در امان نگه دارند. یادگیری ماشینی همچنین می تواند برای شرکتهایی که معاملات کارت اعتباری را انجام می دهند ارزشمند باشد. این فناوری برای پرچم گذاری معاملات که براساس قوانین خاص  و بر طبق قوانین شرکت جعلی است ، آموزش دیده است. با شناسایی چنین امور بعد می توان جلوی گرفتار شدن شرکت ها در برابر ضرر بزرگ را گرفت. علاوه بر این ، یک شرکت همچنین می تواند با چشم انداز رقابتی و وفاداری مصرف کننده خود ، اطلاعات کسب کند و فروش یا تقاضا را در زمان واقعی با یادگیری ماشین پیش بینی کند.

اتومبیل های خودران

اتومبیل های خودران یکی از فن آوری های جذاب در زندگی روزمره امروزه است که در آن یادگیری ماشین در سطح بالایی استفاده می شود. زیبایی اتومبیل های خودران این است که از هر سه جنبه اصلی یادگیری ماشین یعنی یادگیری نظارت شده ، بدون نظارت و تقویتی در کل طراحی ماشین استفاده می شود. اتومبیل های هوشمند از ویژگی های یادگیری ماشین مانند تشخیص اشیا اطراف ماشین ، یافتن فاصله با ماشین جلویی ، محل روسازی و سیگنال ترافیک ، ارزیابی وضعیت راننده و طبقه بندی صحنه استفاده می کنند. یادگیری ماشینی همچنین می تواند در مورد شرایط جاده و ترافیک در زمان واقعی به راننده مشاوره دهد.

بهینه سازی حمل و نقل

شرکت هایی که برای ایجاد اعتماد بیشتر به صنعت حمل و نقل کار می کنند یادگیری ماشینی را به عنوان منبع اصلی برای کار خود انتخاب می کنند. برنامه های پر مصرفی مانند Uber ، Lyft ، Ola و غیره در بسیاری از محصولات خود از برنامه ریزی مسیرهای بهینه تا تعیین قیمت ها از یادگیری ماشین استفاده می کنند. قیمت پویا در سفر ، هزینه مسافر را با تغییر شرایط بازار تنظیم می کند. قیمت ها بسته به عواملی مانند زمان ، مکان ، آب و هوا ، تقاضای مشتری و غیره متفاوت است. یادگیری ماشین همچنین به رانندگان کمک می کند تا بهترین مسیر را برای رسیدن مسافران از نقطه A به B پیدا کنند.

پیش بینی رفتار

سازمان ها می توانند از مدل های یادگیری ماشینی برای پیش بینی رفتار مشتری بر اساس داده های گذشته وی استفاده کنند. شرکت ها به دنبال صحبت با مردم در شبکه های اجتماعی می باشند  و سپس افرادی را که در جستجوی محصول یا خدمات داده شده هستند ، شناسایی می کنند. به عنوان مثال ، Zappos از تجزیه و تحلیل و یادگیری ماشین برای کمک به ارائه اندازه گیری شخصی و نتیجه جستجو برای مشتریان و همچنین مدل های رفتار پیش بینی کننده استفاده می کند.

مراقبت های بهداشتی

ارزش یادگیری ماشینی در مراقبت های بهداشتی در توانایی آن در پردازش مجموعه داده های عظیم فراتر از توانمندی انسان است و همچنین  تجزیه و تحلیل این داده ها را به بینش بالینی قابل اعتماد تبدیل می کند که به پزشکان در درمان کمک می کند. یادگیری ماشینی در برنامه ریزی و ارائه مراقبت کمک می کند ، در نهایت منجر به نتایج بهتر ، هزینه های کمتر مراقبت و افزایش رضایت بیمار می شود. با کمک رایانه (CAD) ، یک برنامه یادگیری ماشینی نیز می تواند برای بررسی اسکن ماموگرافی زنان در پیش بینی سرطان مورد استفاده قرار بگیرد.

خودکارسازی فرایندها

اتوماسیون فرآیند هوشمند (IPA) محصول همگرایی هوش مصنوعی و فناوری های مرتبط از جمله دید رایانه ، اتوماسیون شناختی و یادگیری ماشینی است. با گردآوری این فناوری ها در یک فرآیند واحد ، شرکت ها امکان اتوماسیون غنی تری را پیدا می کنند و قفل هر ارزش تجاری را برای شرکت باز می کنند. از الگوریتم یادگیری ماشین می توان در اتوماسیون ارزیابی ریسک بیمه بدون خطا از کار دستی ورود اطلاعات استفاده کرد.

چت بات ها

یادگیری ماشینی با استفاده از چت بات های گفتگویی که به درخواست های مشتری پاسخ مربوطه را می دهند ، به پشتیبانی مشتری کمک می کند. با استفاده از مفاهیم پردازش زبان طبیعی (NLP) و تجزیه و تحلیل احساسات ، الگوریتم های یادگیری ماشین قادر به درک نیاز مشتری و لحن گفتن آنها هستند. سپس سیستم درخواست را به شخص پشتیبانی کننده مناسب مشتری هدایت می کند.

حفاظت فیزیکی

یادگیری ماشینی نقشی محوری در تأمین امنیت در اجتماعات بزرگ دارد. این فناوری یک دارایی برای کمک به جلوگیری از هشدارهای جعلی و مشکل هایی را فراهم می کند که ممکن است در محافل انسانی در رویدادهای بزرگ عمومی از امنیت بی بهره باشند. به عنوان مثال ، Evolv Technology ادعا می کند که یک سیستم امنیتی فیزیکی ارائه می دهد که 600 تا 900 نفر را در هر ساعت برای راهپیمایی ها  نمایش می دهد.