هوش مصنوعی مولد چگونه برای صنایع فیزیکی مفید خواهد بود

هوش مصنوعی مولد نحوه توسعه محصولات مبتنی بر هوش مصنوعی را برای اقتصاد فیزیکی تغییر می‌دهد و با ایجاد مجموعه‌های داده مصنوعی برای موارد استفاده چالش برانگیز شروع می‌شود.

در سال‌های اخیر، هوش مصنوعی غیرقابل انکار بخش‌های مختلف اقتصاد دیجیتال مانند خرده‌فروشی، خدمات مشتری و حتی هنر را متحول کرده است. مدل‌های زبان بزرگ، مانند ChatGPT، ارتباطات را تغییر می‌دهند و راه‌حل‌های نوآورانه‌ای را برای کسب‌وکارها ارائه کرده‌اند. با این حال، بخش مهمی از اقتصاد ما وجود دارد که هنوز به طور کامل از پتانسیل هوش مصنوعی استقبال نکرده است – اقتصاد فیزیکی.

اقتصاد فیزیکی شامل صنایعی می‌شود که کالاها را حمل می‌کنند، خانه‌های ما را نیرو می‌دهند، غذای ما را پرورش می‌دهند، و زیرساخت‌هایی را حفظ می‌کنند که جامعه را حفظ می‌کند. این شامل بخش هایی مانند حمل و نقل و تدارکات، ساخت و ساز، انرژی، خدمات صحرایی و غیره می شود. همانطور که ابزارهای هوش مصنوعی مولد برنامه‌های کاربردی متمرکز بر مصرف‌کننده را تغییر داده‌اند، می‌توانند نحوه توسعه محصولات مبتنی بر هوش مصنوعی را برای اقتصاد فیزیکی به‌طور اساسی تغییر دهند.

یکی از مهم‌ترین چالش‌های پیش روی شرکت‌های فعال در اقتصاد فیزیکی، ایمنی است. در این زمینه، هوش مصنوعی مولد به کار رفته در بینایی کامپیوتر ممکن است به عنوان یکی از مهم‌ترین پیشرفت‌ها با پتانسیل تغییر شکل این صنایع در دهه‌های آینده ظاهر شود.

ساخت مدل های هوش مصنوعی بسیار دقیق برای بینایی کامپیوتر

ساخت مدل‌های هوش مصنوعی بسیار دقیق برای تشخیص انواع رفتارها، به‌ویژه وقتی صحبت از کارگران فیزیکی می‌شود، به داده‌های زیادی نیاز دارد. چالش در اینجا این است که سناریوهایی که برای آنها این داده ها مورد نیاز است اغلب خطرناک و چالش برانگیز برای منبع هستند. اینجاست که قدرت هوش مصنوعی مولد از مفید به ضروری تبدیل می شود.

بر خلاف مدل‌های هوش مصنوعی متمایز که بر اساس داده‌های موجود پیش‌بینی می‌کنند، هوش مصنوعی مولد داده‌های کاملاً جدیدی را ترکیب می‌کند. این مجموعه داده‌های مصنوعی می‌توانند به طور موثر مدل‌هایی را آموزش دهند که به دلیل پراکندگی، پیچیدگی یا حتی خطر، ساختن آن‌ها از طریق منابع داده در دنیای واقعی، اگر نگوییم غیرممکن، دشوار است. به عنوان مثال:

• برای ایجاد مدلی برای هشدار به رانندگان در مورد تخلفات ترافیکی با استفاده از منبع داده سنتی، باید این تخلفات را مرتکب شد، آنها را ثبت کرد و یک مجموعه داده ایجاد کرد. این فرآیند ذاتاً خطرناک است، البته زمان‌بر و پرهزینه نیست. اما طبق گزارش اداره بزرگراه فدرال، بیش از ۵۰٪ از تصادفات با تلفات یا جراحات در تقاطع ها یا نزدیک به آنها به دلیل مسائلی مانند این اتفاق می افتد، که اهمیت یافتن راه حل را برجسته می کند.
• در روشی مشابه، توسعه مدل‌های هوش مصنوعی برای پیش‌بینی و تشخیص سناریوهای حیاتی مانند برخوردها نیازمند منبع‌یابی داده‌هایی است که چنین سناریوهایی را ثبت می‌کنند. شبیه‌سازی شرایط خطرناک مانند دویدن آهو به جاده، خرابی تجهیزات در یک سایت ساخت‌وساز یا سنگ‌هایی که از دامنه تپه به سمت وسیله نقلیه می‌لغزند، برای ایجاد مجموعه داده‌های آموزشی، تکرار دقیق آن بسیار چالش برانگیز است.
• توانایی تشخیص دقیق و علامت گذاری زمانی که یک قطعه ماشین آلات با ارزش بالا کار نمی کند یا بد کار می شود می تواند تأثیر فوق العاده ای بر ایمنی کارگران داشته باشد. مرگ‌های ناشی از تصادف در سایت‌های شغلی یکی از دلایل اصلی مرگ و میر در محل‌های کاری هستند و تقریباً ۷۵٪ توسط ماشین آلات سنگین ایجاد می شود. اما ساختن تشخیص قوی مبتنی بر هوش مصنوعی برای نظارت بر این نیاز به منبع داده برای حرکت، عملیات مکانیکی و استفاده کارگر دارد که آن را به یک چالش پیچیده و چندوجهی تبدیل می‌کند.

هوش مصنوعی مولد به ما امکان می دهد مجموعه داده های واقعی و مصنوعی را برای موارد استفاده متنوع و چالش برانگیز تولید کنیم. توسعه‌دهندگان می‌توانند داده‌های جانبی و زمینه‌های اضافی مانند شرایط جاده، شرایط محل کار، موقعیت جغرافیایی، تعاملات خدمات مشتری و سایر ورودی‌ها را برای ایجاد مجموعه‌های داده غنی ترکیب کنند، که با استفاده از آن‌ها می‌توانیم مدل‌های جدیدی را آموزش دهیم که قادر به تشخیص و هشدار مسائل بدون نیاز هستند. برای وقوع حوادث واقعی.

پتانسیل هوش مصنوعی مولد را در مشاغل فیزیکی باز کنید

برای تحقق بخشیدن به پتانسیل هوش مصنوعی مولد برای یک کسب و کار فیزیکی، دو عنصر حیاتی وارد عمل می شوند: افراد و داده ها.

سرمایه گذاری در یک تیم بسیار ماهر پیش شرط موفقیت در هر کسب و کاری است. همچنین داشتن تنوع تخصص، و همچنین تنوع تجربیات، نقاط تماس فرهنگی و پیشینه بسیار مهم است. استفاده از این تخصص و تجربه برای اطلاع از نحوه توسعه هوش مصنوعی مولد اجازه می دهد تا زمینه بیشتری را در خود جای دهد و مدل ها را می توان برای خدمت به مخاطبان جهانی در مقابل مدل های منطقه ای یا ملی گسترش داد.

کیفیت داده در محاسبات لبه و مدل های هوش مصنوعی مولد بسیار مهم است. این همان چیزی است که Motive را به سرمایه گذاری در یک تیم حاشیه نویسی در سطح جهانی سوق داده است. از آنجایی که دقت برای ایمنی و بهینه سازی مشتریان ما بسیار حیاتی است، این تیم تضمین می کند که فرآیندهای پشت سر استفاده از هوش مصنوعی مولد قوی و سازگار هستند. این فرآیندها شامل اطمینان از بالاترین کیفیت داده‌ها و برچسب‌ها برای آموزش مدل‌های ما و در نتیجه محصولات و خدمات ما است.

در عین حال، هوش مصنوعی مولد در اقتصاد فیزیکی فقط به اندازه بینش ها و قابلیت هایی که ایجاد می کند مفید خواهد بود. ما در Motive از این بینش‌ها و قابلیت‌ها برای تقویت یک پلتفرم جامع استفاده می‌کنیم که اطلاعاتی در مورد مدیریت ناوگان و هزینه‌ها، ایمنی، نظارت بر دارایی، انتشار گازهای گلخانه‌ای و موارد دیگر ارائه می‌دهد. این عنصر فناوری روبه‌روی مشتری تضمین می‌کند که تمام کارهایی که تیم‌ها در فرآیندهای خود انجام می‌دهند به چیزی تبدیل می‌شود که نتایج معنی‌داری را برای یک کسب‌وکار و مشتریان آن به ارمغان می‌آورد.

پتانسیل تغییرپذیر هوش مصنوعی مولد

هوش مصنوعی مولد این پتانسیل را دارد که برای اقتصاد فیزیکی و صنایعی که به زندگی روزمره ما دامن می زنند، تحول آفرین باشد. اگر هوش مصنوعی مولد بتواند با پیش‌بینی مسیر آتش‌سوزی و هشدار سریع‌تر به ساکنان، تأثیر آتش‌سوزی را کاهش دهد، چه؟ آیا می توان مدل های پیش بینی کننده در مورد مصرف انرژی برای مبارزه با تغییرات آب و هوا و ایجاد شهرهای پایدارتر ایجاد کرد؟ آیا می توان مسیرهای کشتیرانی را با هشدارهای سریعتر و مؤثرتر در مورد تغییرات آب و هوا یا شرایط جاده یا شاید با مسیرهای کم مصرف بهبود بخشید؟ اینها سوالاتی هستند که استفاده از هوش مصنوعی مولد می تواند به ما در حل این بخش کلیدی اقتصاد جهانی کمک کند.

Jairam Ranganathan مدیریت محصول، طراحی، علم داده و استراتژی را برای Motive رهبری می‌کند. قبل از پیوستن به Motive، جی در اوبر کار می‌کرد، جایی که به عنوان مدیر ارشد علم محصولات و داده‌ها، مدیریت یادگیری ماشین و هوش مصنوعی، داده‌ها، سیستم‌های بازاریابی و ابزار عملیاتی خدمت می‌کرد. قبل از پیوستن به اوبر، جی به عنوان مدیر ارشد مدیریت محصول در Cloudera خدمت می کرد. او لیسانس و لیسانس خود را در علوم کامپیوتر و ریاضیات در دانشگاه تگزاس در آستین به دست آورد و کارشناسی ارشد خود را در علوم کامپیوتر در دانشگاه استنفورد به پایان رساند.

—

Generative AI Insights مکانی را برای رهبران فناوری – از جمله فروشندگان و سایر مشارکت‌کنندگان خارجی – فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. این انتخاب گسترده است، از غواصی عمیق فناوری گرفته تا مطالعات موردی گرفته تا نظرات متخصص، اما همچنین ذهنی است، بر اساس قضاوت ما در مورد اینکه کدام موضوعات و درمان‌ها به بهترین وجه به مخاطبان فنی پیشرفته InfoWorld خدمت می‌کنند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. تماس با doug_dineley@foundryco.com.