الذكاء الصناعي في صناعة البيانات

الاتجاهات. الاتجاه 1. الذكاء الاصطناعي يساعد في مكافحة COVID-19 كشف تقرير صادر عن منظمة الصحة العالمية في فبراير 2020 أن الذكاء الاصطناعي والبيانات الضخمة يلعبان دورًا مهمًا في مساعدة المتخصصين في الرعاية الصحية على الاستجابة لتفشي فيروس كورونا (COVID-19) في الصين. إذن ، كيف يساعد الذكاء الاصطناعي والتعلم الآلي في مكافحة COVID-19؟ هناك العديد من التطبيقات منها: يتم استخدام الكاميرات الحرارية والتقنيات المماثلة لقراءة درجات الحرارة قبل دخول الأفراد إلى الأماكن المزدحمة مثل أنظمة النقل العام والمباني الحكومية ومناطق مهمة أخرى. في سنغافورة ، تستفيد إحدى المستشفيات من تقنية KroniKare لتوفير فحوصات درجة الحرارة أثناء التنقل باستخدام الهواتف الذكية وأجهزة الاستشعار الحرارية. ابتكرت شركة التكنولوجيا الصينية بايدو نظام ذكاء اصطناعي يستخدم تقنية الأشعة تحت الحمراء للتنبؤ بدرجات حرارة الركاب في محطة سكة حديد تشينغي في بكين. يتم نشر الروبوتات لتنفيذ “التوصيل بدون تلامس” للأفراد المعزولين ، مما يساعد الطاقم الطبي على ضمان بقاء المناطق الرئيسية مطهرة وآمنة للاستخدام. ابتكرت شركة Alibaba العملاقة للتجارة الإلكترونية نموذج StructBERT NLP للمساعدة في مكافحة COVID-19. توفر هذه المنصة تحليل بيانات الرعاية الصحية باستخدام الأنظمة الأساسية الحالية للشركة وقدرات محرك البحث ، والتي أثبتت فعاليتها في تسريع قدرة الدولة على نشر السجلات الطبية. توفر مثل هذه الحلول نهجًا استباقيًا لاكتشاف التهديدات ، والتي يمكن أن تحد من انتشار الأمراض المعدية. وعندما يتعلق الأمر بشيء معدي مثل COVID-19 ، فإن النهج الاستباقي ليس مهمًا فحسب ، بل إنه ضروري.

الاتجاه 2. مسابقة إطار ML في عام 2019 ، كانت إحدى الاتجاهات الرئيسية في ML هي مسابقة PyTorch مقابل TensorFlow. خلال عام 2019 ، وصل TensorFlow 2 مع الوضع الافتراضي للتنفيذ المتشوق والمتكامل لـ Keras. تجاوزت PyTorch في النهاية TensorFlow كإطار عمل مفضل لأبحاث الذكاء الاصطناعي. لماذا تعتبر PyTorch أفضل للبحث؟ يتكامل PyTorch بسهولة مع بقية Python. وهو بسيط وسهل الاستخدام ، مما يجعله متاحًا دون الحاجة إلى بذل الكثير من الجهد لإعداده. في المقابل ، شل TensorFlow نفسه عن طريق التبديل المتكرر لواجهات برمجة التطبيقات ، مما يجعل استخدامه أكثر صعوبة. عندما يتعلق الأمر بالأداء ، تتمتع PyTorch بسرعة مماثلة لـ TensorFlow ، مما يجعلها متفوقة تقنيًا. ومع ذلك ، فإن TensorFlow متوافق مع المزيد من حلول الأعمال ، على الرغم من ذلك ، لم تقم معظم الشركات بالتبديل بعد. في حين أن PyTorch هو الآن إطار العمل المشترك المستخدم للبحث ، لا تزال الشركات تستخدم TensorFlow جيدًا حتى عام 2020.

الاتجاه 3. تحليل الذكاء الاصطناعي لتوقعات الأعمال يعد تحليل السلاسل الزمنية المستند إلى ML أحد اتجاهات الذكاء الاصطناعي الساخنة في عام 2020. تحلل هذه التقنية بشكل جماعي سلسلة من البيانات بمرور الوقت. عند استخدامه بشكل صحيح ، فإنه يجمع البيانات ويحللها بطريقة تسمح للمديرين باتخاذ القرارات بسهولة بناءً على بياناتهم. يعد استخدام شبكة ML لمعالجة العمليات الحسابية المعقدة المطلوبة لتطبيق النماذج الإحصائية على البيانات المنظمة لشركتك بمثابة تحسن كبير مقارنة بالطرق التقليدية. يقدم هذا التحليل المعزز ML تنبؤات عالية الدقة تكون دقيقة بنسبة 90-95٪. عندما يتم تدريب شبكة الذكاء الاصطناعي التي تستخدمها بشكل صحيح ، يمكنها التقاط ميزات عملك ، مثل الموسمية والترابط المتبادل في التنبؤ بالطلب للبيع بالتجزئة. في عام 2020 ، سنرى اتجاهًا متزايدًا لتطبيق الشبكات العصبية المتكررة لتحليل السلاسل الزمنية والتنبؤ بها. الشبكات العصبية المتكررة ، والتي هي تطبيق للتعلم العميق ، هي أحد الأسباب التي تجعلنا نعتقد أن التعلم العميق سينتهي به الأمر ليحل محل التعلم الآلي التقليدي. على سبيل المثال ، يمكن للتعلم العميق التنبؤ بالبيانات ، مثل أسعار الصرف المستقبلية للعملة بدرجة عالية من الدقة بشكل مدهش. حقق البحث في تصنيف السلاسل الزمنية تقدمًا كبيرًا في السنوات الأخيرة. إن المشكلة التي يتم حلها معقدة ، فهي تقدم أبعادًا عالية وأعدادًا كبيرة. حتى الآن ، لم يتم تحقيق أي تطبيقات صناعية. ومع ذلك ، من المقرر أن يتغير هذا لأن البحث في هذا المجال قد أنتج العديد من النتائج الواعدة. هناك نوع آخر من الذكاء الاصطناعي تم تطويره مؤخرًا وهو الشبكة العصبية التلافيفية (CNN). يكتشف هذا النوع من شبكات ML ويستخرج البنية الداخلية المطلوبة لتوليد بيانات الإدخال لتحليل السلاسل الزمنية. في بحثنا ، استخدمنا شبكات CNN لتقدير الوضع البشري في تطوير تطبيقات اللياقة البدنية بالذكاء الاصطناعي.