Yapay zeka teknolojisine dayalı 25 endüstri geliştirme trendi
Pazar araştırma kuruluşu CB-Insights, Ocak 2019'da yapay zekanın uygulama olasılıkları hakkında bir rapor yayınladı. Rapor, 25 endüstri geliştirme eğilimini özetliyor ve yatay ve dikey koordinatlar olarak pazar canlılığı ve endüstri tanınırlığını kullanıyor. Dört türe ayrılır: kesin beklentiler, erken beklentiler, beklenen beklentiler ve kısa vadeli beklentiler. Belirlenen beklentiler arasında terminal yapay zeka, yüz tanıma ve tıbbi görüntüleme ve teşhis yer alır; erken beklentiler arasında üretken yüzleşme ağları, otomatik talep sistemleri ve sahteciliği önleme; beklenen beklentiler arasında takviye öğrenimi, otonom sürüş vb. Yer alır; kısa vadeli beklentiler şunları içerir: akıllı konuşma , İlaç geliştirme vb. Yapay zeka algoritmalarının sürekli gelişimi ile bu sektörler onlarla daha derin ve daha geniş bir şekilde birleşecek ve yeni entegrasyon noktaları ortaya çıkmaya devam edecek.
1. Giriş
Şekil 1 Dört endüstri geliştirme özelliği
(1) Görünümü belirleyin : Sektörün istikrarlı bir talebi var ve sektördeki pazar ve müşteriler bu yönde yatırım ve uygulamaları artırmaya devam ediyor;
(2) Erken beklentiler : Bu yöndeki uygulama henüz tanıtımın erken aşamasındadır ve ürün yaygın olarak kullanılmamaktadır, ancak bilimsel araştırma kurumlarında ve medyada bazı sonuçlar elde edilmiştir;
(3) Beklenen görünüm : Bu yöndeki ürün ve uygulamalar yoğun bir yatırım almış, bu konsept erken benimseyenler tarafından da kabul edilmiş ve gelecekte hızla gelişmesi beklenmektedir;
(4) Kısa vadeli görünüm : Bu yönde belli bir eğilim var ama piyasada güçlü bir belirsizlik var.İnsanlar bu alana daha çok önem verdikçe daha fazla fırsat ve pazar elde etmek mümkün.
2. Muhtemel başvuruyu belirleyin
(1) Açık kaynak çerçevesi. Açık kaynaklı yazılımın varlığı nedeniyle, yapay zeka sektörüne girişin önündeki engel her zamankinden daha düşük. Açık kaynak çerçevesi, yapay zekanın geliştirilmesi için iki yönlüdür. İlk olarak, yapay zeka açık kaynak çerçevesini herkes için erişilebilir hale getirir. Buna karşılık, birçok teknoloji şirketi, yapay zeka araştırmalarının gelişimini hızlandıran forumlardan veya geliştiricilerden de yararlanır. Örneğin Google, 2015 yılında TensorFlow makine öğrenimi veritabanını açtı. GitHub'da (kullanıcıların işbirliği içinde geliştirebileceği bir platform), yüzlerce kullanıcı TensorFlow hakkında her ay tartışmalara, araştırma ve geliştirmelere katılıyor. Coca-Cola, eBay ve Airbnb gibi tanınmış şirketler yapay zeka geliştirme çerçeveleri olarak TensorFlow'un açık kaynak veritabanını kullanıyor.
Şekil 2 TensorFlow platformundaki yorumların sayısı
(2) Terminal yapay zekası. Gerçek zamanlı karar alma talebi, yapay zekayı terminal alanına itti. Terminal yapay zekası, merkezi bir bulut veya sunucu ile iletişime güvenmek yerine terminal cihazlarda (akıllı telefonlar, arabalar veya giyilebilir cihazlar gibi) yapay zeka algoritmalarını çalıştırabilmeyi, böylece cihazın bilgileri yerel olarak işleyebilmesini ve durumda değişiklikler yapabilmesini amaçlamaktadır. Hızlı cevap. Örneğin, insansız sürüş alanında, otonom araçlar, yolda olanlara gerçek zamanlı olarak yanıt vermelidir ve internet bağlantısının olmadığı alanlarda çalışabilir. Bu ortamda karar verme süresi son derece önemlidir ve herhangi bir kısa gecikme ölümcül sorunlara neden olabilir.
(3) Yüz tanıma. Bir cep telefonunun kilidini açmaktan uçağa binmeye kadar, yüz tanıma giderek yaygın bir uygulama haline geldi. Carnegie Mellon Üniversitesi kısa süre önce, kolluk kuvvetlerinin maskeli şüphelileri tespit etmesine yardımcı olacak bir yöntem olan "hayali yüz özellikleri" üzerine bir patent aldı, sadece yüzün göz bölgesi çekilse bile tam bir resim yeniden oluşturulabilir s yüzü. Daha sonra, daha alakalı bir yüz bulmak için "hayali yüz" ile gerçek yüzün görüntüsünü karşılaştırmak için yüz tanımayı kullanabilirsiniz. Yüz tanımanın doğruluğunu artırmak için Amazon, kullanıcıların gülümsemek, gözlerini kırpmak veya başlarını eğmek gibi belirli eylemleri gerçekleştirmelerini zorunlu kılmak gibi ek doğrulama yöntemlerini araştırdı. Bu işlemler daha sonra daha güvenilir kimlik doğrulaması elde etmek için kızılötesi görüntü bilgileri, termal görüntüleme verileri veya bu tür diğer bilgilerle birleştirilir.
Şekil 3 Medyada Çin yüz tanıma teknolojisinin atıf sayısı
(4) Tıbbi görüntüleme ve teşhis. Nisan 2018'de, ABD Gıda ve İlaç Dairesi (FDA), IDx-DR kod adlı tıbbi bir yapay zeka yazılımını onayladı. Sistem, zamanın% 87,4'ü içinde "hafif diyabetik retinopatiyi" doğru bir şekilde tanımlayabilir. "Hastalar ve bu hastalığı olmayan kişileri% 89,5 oranında tespit edin. Buna ek olarak, FDA son zamanlarda tıbbi yapay zeka uygulamaları için hızlı düzenleyici onay hizmetleri sağladı ve inmenin CT taraması için Viz LVO ve karaciğer ve akciğer hasarının keşfi için Arterys paketi gibi geniş bir müşteri tabanına sahip birçok tıbbi projeyi onayladı. Hızlı düzenleyici onaylar, 2014 yılından bu yana öz sermaye finansmanını artıran ve toplam 149 işlemle 80'den fazla yapay zeka görüntüleme ve teşhis şirketi için yeni iş yolları açtı.
(5) Kestirimci bakım. Öngörücü bakım teknolojisinin uygulanması, üreticilerin, ekipman sigorta şirketlerinin ve müşterilerin ekipman onarımı ve arıza tespitinde önemli miktarda para ve enerji tasarrufu yapmasına yardımcı olur. Büyük veriler, beklenmedik ekipman arızalarının, tesis üretimindeki aksaklık süresinin ana nedenlerinden biri olduğunu ve planlanmamış aksama sürelerinin şirkete saatte ortalama 250.000 ABD Doları'na mal olduğunu gösteriyor. Öngörücü bakımda sensörler ve akıllı kameralar, makinelerden sıcaklık ve basınç gibi sürekli veri akışlarını toplar ve bu gerçek zamanlı veriler, makine öğrenimi algoritmalarının yinelenmesi ve güncellenmesi için zengin veri desteği sağlar. Zamanla, bu algoritmalar hataları oluşmadan önce tahmin edebilir.
(6) E-ticaret arama sistemi. Arama terimlerinin bağlamsal olarak anlaşılması, deneysel aşamayı aşamalı olarak tamamlamaktadır, ancak yine de yaygın olarak kullanılmaktan çok uzaktır. Şimdiye kadar, perakendeciler hala yapay zeka ile ilgili kar stratejilerine fazla ilgi göstermediler ve birçok perakende şirketi e-ticaret işlemlerini genişletmedi veya optimize etmedi. Son zamanlarda, çevrimiçi perakende platformu eBay, satıcıları ürün açıklamalarını tamamlamaya ve katalogda benzer ürünler bulmak için bu verileri işlemek için makine öğrenimini kullanmaya zorlamaya başladı. Ek olarak, görsel arama girişimi Visenze, Uniqlo, Myntra ve Japon e-ticaret devi Rakuten gibi müşterilerle çalıştı. Visenze, mağaza içi müşterilerin mağazadaki en sevdikleri şeylerin fotoğraflarını çekmelerine ve ardından tam ürünü çevrimiçi olarak bulmak için resimleri yüklemelerine olanak tanır.
3. Erken olasılık uygulamaları
(1) Kapsül ağı. Google'ın derin öğrenme alanında bir araştırmacı olan Hinton, 2011 tarihli bir makalede yeni bir kavram önerdi: kapsül ağı. Bugün derin öğrenmedeki en popüler sinir ağı yapılarından biri olan Konvolüsyonel Sinir Ağları (CNN) dahil olmak üzere görüntüleri tanımanın mevcut yöntemlerinin iyi performans göstermediğine inanıyor Görüntü tanıma uygulamasında hala birçok sorun var. Hinton'un 2018'de yayınlanan makalesi, Capsenet Networks adlı alternatif bir kavramı tartıştı.Bu yeni mimarinin birçok yönden CNN'i geçmesi bekleniyor.
(2) Yeni nesil yapay uzuvlar. Makine öğrenimi, biyoloji ve fizik gibi teknolojileri birleştirerek, protez kullanımında en zor el becerisi problemini çözmesi bekleniyor. 2006'dan bu yana, ABD Savunma Bakanlığı İleri Araştırma Projeleri Ajansı (DARPA), Johns Hopkins Üniversitesi liderliğindeki, yaralı gazilere yardım etmeyi amaçlayan gelişmiş protez projelerine milyonlarca dolar harcadı. Makine öğrenimi algoritmasını ekledikten sonra, normal insanların otonom hareketlerinden beyin ve kas sinyalleri çözülerek robot kontrolüne dönüştürülmeleri kolaylaştırılır. 2018'de bilimsel araştırmanın odak noktası, protezlerin performansını tahmin etmek için pekiştirmeli öğrenmeyi kullanmaktır.Araştırmacılar, insan hareketini simüle etmek için Açık kaynaklı bir yazılım kullanıyor.
(3) Klinik araştırmalar için gönüllüler. Klinik araştırmalardaki en büyük zorluklardan biri, uygun gönüllüleri işe almaktır. Klinik araştırma ekipleri ve gönüllüler için, belirli denemeleri eşleşen hastalarla ilişkilendirmek zaman alıcı ve zorlu bir süreçtir. İdeal çözüm, hastaların tıbbi kayıtlarından ilgili bilgileri çıkarmak, devam eden denemelerle karşılaştırmak ve ayrıntılı eşleştirme çalışmaları yapmak için yapay zeka yazılımı kullanmaktır. Apple, 2015 yılından bu yana, klinik deneme ekiplerinin gönüllüleri işe almasına ve sağlıklarını gerçek zamanlı olarak uzaktan izlemesine yardımcı olmak için iki açık kaynak çerçevesi başlattı: ResearchKit ve CareKit. Bu çerçeveler, araştırmacıların ve geliştiricilerin hastaya özgü tıbbi göstergeleri izlemek için tıbbi uygulamalar oluşturmasına ve böylece tıbbi bakımın önündeki coğrafi engelleri kaldırmasına olanak tanır.
(4) Bir yüzleşme ağı oluşturun. Generative Adversarial Networks (GANs), 2014 yılında Google araştırmacıları tarafından önerilen bir kavramdır. Bu teknolojinin temel fikri, yapay zeka tarafından üretilen sonuçlara karşılık vermek için yapay zeka kullanmaktır. Örneğin, iki sinir ağı vardır: biri sahte bir görüntü oluşturmak için bir jeneratör görevi görür ve diğeri bir ayırıcı görevi görür.Sonucu gerçek dünya görüntüsü ile karşılaştırır ve gerçek görüntüye ne kadar benzer olduğunu jeneratöre geri gönderir. Bu, iki sinir ağı ve sürekli bir geri bildirim döngüsü oluşturur.Bu işlem, oluşturucu ve ayırıcıyı daha akıllı hale getirmeye çalışır.
Şekil 4 Üretken yüzleşme ağına dayalı yüz değiştirme
(5) İttifak öğrenimi. Yeni geliştirilen bir yapay zeka algoritması olan ittifak öğrenimi, temel olarak gizliliği korumak için kullanılırken, hassas kullanıcı verilerini öğrenme algoritmalarını eğitmek için kullanıyor. Örnek olarak bir mobil cihazın uygulamasını ele alalım, kullanıcının cep telefonu modeli yerel verilere göre yineleyecek ve güncelleyecektir. Bu süreçte, kullanım ortamının küresel durumunu iyileştirmek için yalnızca güncellenmiş çerçeve buluta geri gönderilir ve belirli özel veriler dışa aktarılmaz. Google destekli yapay zeka girişimi Owkin, hassas kullanıcı verilerini koruyan bir ittifak öğrenme yöntemi kullanıyor. Bu sistem, farklı kanser tedavi merkezlerinin ayrıntılı hasta gizlilik verileri gizlendiğinde bile işbirliği yapmasına olanak tanıyor.
(6) Tıbbi biyometrik tanımlama. Sinir ağlarını kullanarak, araştırmacılar ve sağlık personeli, önceden ölçülmesi zor olan tıbbi biyolojik özellikleri incelemeye ve ölçmeye başladı. 2019'da Google'ın araştırmacıları, retina ile ses ve kardiyovasküler hastalık gibi biyolojik özellikler arasındaki korelasyona dayanarak deneklerin yaşı, cinsiyeti ve sigara içimi gibi etkileyen faktörleri doğru bir şekilde ölçtüler. Kardiyovasküler hastalık riski değerlendirilir. Aynı zamanda birçok şirket ve kuruluş, koroner arter hastalığı, diyabet, arteriyel sertlik ve tansiyonu izlemek ve izlemek için yapay zeka algoritmalarını güncellemek için çalışıyor.
(7) Otomatik talep sistemi. Sigorta şirketleri ve start-up'lar, araç sahibinin risk puanını hesaplamak, kaza mahallinin görüntülerini analiz etmek ve sürücünün davranışını izlemek için yapay zeka algoritmalarına dayalı otomatik bir tazminat sistemi geliştirmeye ve kullanmaya yavaş yavaş başladı. Alibaba'nın bir yan kuruluşu olan Ant Financial, kaza idare sisteminde görüntü işleme için derin öğrenme algoritmaları kullanıyor.Sahibi veya sürücü, araç hasar bilgilerinin resimlerini sisteme gönderebilir ve ardından sinir ağı görüntüleri analiz ederek otomatik olarak hasar değerlendirmeleri gerçekleştirir. Araba sigorta şirketine gönderin. Ayrıca Alibaba, araç sahiplerinin kredi geçmişi, tüketim alışkanlıkları ve sürüş alışkanlıkları gibi faktörlere dayalı olarak risk puanlarını hesaplamak için makine öğrenimini kullanan "otomobil sigorta noktaları" adlı bir yöntem geliştirdi.
(8) Sahtecilikle mücadele. E-ticaretin hızla gelişmesiyle birlikte, sahte ürünlerin tespit edilmesi gittikçe zorlaşıyor.Bu durumla başa çıkabilmek için marka üreticileri ve perakendeciler, ürünlerin özgünlüğünü ayırt etmek için yapay zeka kullanmaya başladılar. Sahte ürünler genellikle orijinal markaya çok benzeyen anahtar kelimeler ve görseller kullanırlar. Yalnızca sahte web sitelerinde taklit ürünler satmazlar, aynı zamanda yasal pazarlarda veya platformlarda taklit ürünler satarlar ve sosyal medya aracılığıyla taklit ürünleri tanıtırlar. Alibaba, platformlarındaki fikri mülkiyet ihlallerini sürekli olarak izlemek için derin öğrenmeyi kullandıklarını bildirdi. Ürün görüntüsündeki karakterleri belirlemeye çalışmak için görüntü tanımayı ve ayrıca sahteciliğe karşı gözetimi tamamlamak için ilgili anlamsal tanımayı kullanır.
Yukarıdaki çeşitli uygulama yönergelerine ek olarak, yapay zeka algoritmalarına dayalı insansız perakende, otomatik arka plan, eşzamanlı çeviri ve veri sentezi eğitimi de erken beklentilerin özelliklerine uyan uygulama yönergeleridir. Daha akıllı algoritmaları birleştirdikten sonra, tüm endüstri yıkıcı değişikliklere uğrayabilir.
4. Muhtemel başvurular
Şekil 5 Amerika Birleşik Devletleri'ndeki pekiştirmeli öğrenmeye yönelik patent başvurularının sayısı
(2) Ağ optimizasyonu. Yapay zeka, spektrum paylaşımını teşvik etmekten varlıkların izlenmesine ve optimize edilmiş anten tasarımlarının önerilmesine kadar telekomünikasyon teknolojisini değiştirmeye başlıyor. Telekom ağ optimizasyonu, gecikme süresini, bant genişliğini ve tasarım mimarisini iyileştirmek için kullanılan yeni bir teknolojidir. İletişim hizmeti sağlayıcıları için optimizasyon, daha iyi müşteri deneyimi anlamına gelir. Bant genişliği sınırlamalarına ek olarak, telekomünikasyon endüstrisinin karşılaştığı en büyük zorluklardan biri ağ gecikmesidir. Kısa süre önce Apple, kablosuz aygıtların yapabileceği eylemleri tahmin etmek için öngörücü bir ağ oluşturmak için makine öğrenimini kullanan ve gecikmeyi azaltmak için veri paketlerini önceden indiren bir patent aldı.
(3) Otonom sürüş. Otonom araçların büyük pazar fırsatları olmasına rağmen, tam insansız otonomiye ulaşmak için zaman çizelgesi hala tahmin edilemez. Nisan 2017'de Baidu, otonom sürüş çözümleri için açık bir platformun lansmanını duyurdu: Apollo. Bu teknoloji platformu dünyanın her yerinden ortakların ilgisini çekti. Diğer açık kaynaklı platformlar gibi, fikir, yapay zeka ve otonom sürüş üzerine araştırmalar açmak ve böylece bilimsel araştırma ekosistemindeki diğer katılımcıların araştırma sonuçlarından yararlanabilmektir. Şirketlerin ve araştırma ekiplerinin sıfırdan başlamak yerine mevcut araştırmaları geliştirebilmesi için kaynak kodunu herkesin kullanımına sunun.
Şekil 6 Otomatik teslimatla ilgili medyadan bahsetme sayısı
(4) Ürünlerin izlenmesi. Yeni tarım, üç tür mahsul izleme gerçekleştiriyor: zemin, hava ve üç boyutlu coğrafi alan. Mahsul izlemenin ana uygulama ürünü olan bitki koruma drone'larının 2021 yılında küresel hassas tarım drone pazarında 2,9 milyar ABD dolarına ulaşması bekleniyor. İHA'lar çiftçiler için tarım arazilerini haritalayabilir, nem içeriğini izlemek için termal görüntülemeyi kullanabilir ve ayrıca haşere mahsullerini belirleyebilir ve böcek ilaçlarını püskürtebilir. Pek çok start-up şirketi, üçüncü taraf dronlar tarafından yakalanan veriler için doğru analizler ve kararlar vermek için yapay zeka algoritmalarını kullanmaya çalışıyor. Yapay zeka algoritmalarına dayalı bir yazılım platformu ile drone taşıyan bir platformun birleşimi, yavaş yavaş mahsul izleme geliştirmenin ana akışı haline geliyor.
5. Kısa vadeli olasılık uygulamaları
(1) Ağ güvenlik açığı araması. Ağ teknolojisinin hızla yinelenmesiyle, ağ saldırılarına yanıt verme hızı ve işlem düzeyi açıkça yetersiz hale geldi ve tehditleri aktif olarak aramak için makine öğrenimini kullanan teknoloji, ağ güvenliğinde avantajlar kazanıyor. Tehdit arama, yalnızca oluştuktan sonra uyarılara veya güvenlik açıklarına yanıt vermek yerine, kötü amaçlı etkinlikleri etkin bir şekilde arayan bir davranıştır. Küresel halka açık veri ihlali veri tabanında yer alan sızıntı seviyesi endeksine göre, 2018'in ilk yarısında dünya genelinde toplam 4,5 milyar veri kaydı sızdırıldı. Yapay zekanın dahil olduğu diğer endüstriyel uygulamaların aksine, siber savunma bilgisayar korsanları ile güvenlik personeli arasında bir mızrak ve kalkan ilişkisidir ve her ikisi de teknolojik seviyelerini iyileştirmek ve bir adım önde olmak için makine öğrenimindeki gelişmeleri kullanır.
(2) Akıllı dil sohbeti. Birçok kurumsal uygulama senaryosu için, sohbet botları yapay zeka ile eşanlamlı hale geldi. Son zamanlarda Google, telefon görüşmeleri yapmak ve rezervasyon yapmak için kullanıcıların yerini alabilen ve gerçek insanlar gibi sohbet edebilen bir yapay zeka diyalog işlevi geliştirdi. Bazı uygulamalarda, ses ve metin tabanlı akıllı sohbet sistemi tarafından ifade edilen bilgiler diğer uygulamalardan daha güvenilirdir. Sohbet robotlarının en yaygın kullanılan uygulamalarından biri müşteri hizmetleridir.Robot programları, kullanıcılarla etkileşim için en dıştaki iletişim katmanını oluşturur ve karmaşıklıklarına göre insanlara sorgu sonuçları sunar.
(3) İlaç geliştirme. Yapay zeka biyoteknolojisi girişimlerinin yükselişiyle, geleneksel ilaç şirketleri, uzun vadeli ilaç geliştirme süreci için yenilikçi çözümler sağlamak için yapay zeka sistemleri arıyor. Mayıs 2018'de Pfizer ve Xtalpi, küçük moleküllerin ilaç özelliklerini tahmin etmek ve hesaplamalara dayalı rasyonel bir ilaç tasarımı geliştirmek için stratejik bir ortaklık kurdu. Ancak Pfizer, yapay zeka algoritmalarını entegre eden tek ilaç şirketi değil. Novartis, Sanofi, GlaxoSmithKline, Amgen ve Merck gibi önde gelen ilaç şirketlerinin tümü, geçtiğimiz aylarda tümörler ve kalp hastalıkları gibi bir dizi hastalık için yeni ilaçlar geliştirmek üzere yapay zeka şirketleriyle ortaklıklar kurduklarını duyurdu.
6. Sonuç
CB-Insights tarafından yayınlanan yapay zekanın gelişim beklentileri hakkındaki bu rapor, sadece son yıllarda çok popüler olan yapay zeka uygulamalarını özetlemekle kalmıyor, aynı zamanda onları gelişim trendlerine ve özelliklerine göre de bölüyor. Bilimsel araştırma veya yatırım uygulamaları olsun, bu uygulamaların yorumlanmasının belirli bir referans değeri vardır. Yapay zeka algoritmalarının ve ilgili uygulama sistemlerinin sürekli geliştirilmesi ve güncellenmesiyle, giderek daha fazla endüstri daha derin ve daha geniş bir şekilde entegre olacak ve insan üretimi ve yaşamına büyük değişiklikler getirecek.
Kaynak: İnsansız Sistem Teknolojisi
(Bu makale bir ağ alıntı veya yeniden basımdır, telif hakkı orijinal yazara veya yayın medyasına aittir. Çalışmanın telif hakkıyla ilgiliyseniz, lütfen bizimle iletişime geçin.)
