افزایش قدرت شبیه سازی با فناوری هوش مصنوعی

سازمان‌ها تقریبا در هر صنعتی از تکامل شبیه‌سازی هوش مصنوعی برای سرعت بخشیدن به عملیات، کاهش ریسک و تقویت تصمیم‌گیری بهتر استفاده می‌کنند.

به گزارش سایت venturebeat؛ تقریبا همه شرکت‌ها در شبیه‌سازی هوش مصنوعی حضور دارند. در یک نظر سنجی، ۹۶ ٪ از پاسخ دهندگان گفتند که قصد دارند امسال از شبیه‌سازی‌های هوش مصنوعی استفاده کنند. در همین حال، ۵۷ درصد از کسانی که به عنوان رهبران این هوش شناخته می‌شوند، اعلام کردند که با کمک شبیه سازی می‌توان شرایط بازار را پیش بینی کرده و برای حمایت از برنامه ریزی مالی، فروش، بازاریابی و همچنین بهبود زنجیره تأمین استفاده کنند.

آناند رائو، مدیر بخش مشاوره‌ای PwC (ارائه‌دهنده‌ی خدمات حرفه‌ای) در آمریکا گفت: "این تمرکز شدید بر قدرت تجاری شبیه سازی‌های هوش مصنوعی تعجب آور نیست. چند سال پیش،  طراحی برخی از این شبیه سازی‌ها ممکن نبود، زیرا قدرت محاسباتی یا داده‌های کافی وجود نداشت. اما اکنون مهندسان می‌توانند جزئیات مربوط به نحوه تصمیم‌گیری مشتریان را شبیه‌سازی و طراحی کنند.

"در یک نظر سنجی، ۹۶ ٪ از پاسخ دهندگان گفتند که قصد دارند امسال از شبیه‌سازی‌های هوش مصنوعی استفاده کنند""

چگونه می‌توان شبیه سازی‌های هوش مصنوعی را در مقیاس حفظ کرد؟

او گفت: " تعجب برانگیز است که مدل‌سازی دوقلوی دیجیتال (نمایش دیجیتالی یک جسم فیزیکی) یا سایر شبیه‌سازی‌های هوش مصنوعی زمانی که داده‌های تاریخی زیادی ندارند به‌خوبی کار می‌کنند. برای شبیه سازی صحیح، توسعه دهندگان باید نحوه ساخت این مدل‌ها را با ابزار‌ها و تکنیک‌های خاص درک و به بخشی از ساختار کلی فناوری تبدیل کنند. رائو گفت:" با ادغام هوش مصنوعی با فضای ابری و تبدیل دوقلو‌های دیجیتال به یک قابلیت پلتفرم، سازمان‌ها می‌توانند از قدرت هوش مصنوعی برای ایجاد شبیه‌سازی‌های مرتبط با تجارت استفاده کنند."

به گفته رائو، فناوری که تکامل یافته عمدتاً بر یادگیری ماشینی و یادگیری عمیق متمرکز شده است. شبیه‌سازی بیشتر یک حوزه تخصصی بود که برخی مهندسان از آن استفاده می‌کردند، اما هرگز بخشی از ساختار کلی فناوری نبود. اکنون هر شرکت می‌خواهد قابلیت مدل سازی را در کنار فناوری خود داشته باشند.  همچنین آن‌‎ها می‌خواهند داده‌ها را از تمام فروشگاه‌های خارج کرده، به سیستم Salesforce و سیستم عملیاتی خود وصل کنند.

مدل‌ها می‌توانند داده‌هایی را برای آموزش مدل‌های یادگیری ماشین، که به مقادیر زیادی نیاز دارند، ایجاد کنند.

برای مثال، آن‌ها می‌توانند تصاویری از چهره‌ها با زوایای متعدد، سطوح تضاد و روشنایی برای مدل‌های تشخیص چهره تولید کنند. علاوه بر این، داده‌های مصنوعی را می‌توان پالایش کرد. رائو گفت: "شما می‌توانید با داده‌های موجود در مورد مشتریان خود شروع کنید و آن را با داده‌های خارجی یا مصنوعی کارآمدتر کنید. "

بیشتر بخوانید

• چالش‌های هوش مصنوعی برای توسعه یادگیری عمیق