هوش مصنوعی در حوزه های تحولی

1- هوش مصنوعی در نظام پولی ­و ­مالی

تجزیه و تحلیل شناختی، یک رویکرد جدید برای کشف اطلاعات و تصمیم گیری است. نتیجه ­گیری با الهام از روشی که مغز انسان اطلاعات را پردازش می­ کند و رمزگذاری غرایز و تجربیات در یادگیری و توان پر کردن شکاف بین نیت (قصد و اراده) کلان ­داده و واقعیت تصمیم­ گیری عملی، از اهداف بزرگ این رویکرد هستند. سیستم ­های یادگیری ماشین، هوش مصنوعی و پردازش زبان طبیعی اکنون دیگر مفاهیم آزمایشی نیستند بلکه برهم ­زننده ­های احتمالی تجارت هستند که می­ توانند با کمک به تصمیم گیری در زمان واقعی، ایجاد بینش نمایند.
رشته هوش مصنوعی تعدادی فناوری شناختی تولید کرده است. فناوری ها در انجام وظایف خاص که فقط انسان قادر به انجام آن بودند، روز­به ­روز بهتر می شوند. برخی از این فناوری های شناختی ممکن است توجه رهبران مشاغل و بخش دولتی را به خود معطوف کند.

راه حل های محاسبات شناختی، قابلیت های مختلفی را ارائه می دهد که فناوری های فوق را قادر می سازد وظایف را مشابه مغز انسان انجام دهد.

بانکداری هوشمند با استفاده از فناوری های هوش مصنوعی و شناختی
به طور گسترده فرصتهای شناختی را می توان در 4 گروه "تعاملی[1]" ، "خودکارسازی" ، "ایجاد بینش[2]" و "استراتژی­های سنجش و شکل­ دهی[3]" طبقه بندی کرد. فرصت های کلیدی برای علوم­ شناختی در خدمات مالی می تواند به صورت زیر نشان داده شود:
تعامل شناختی - بهبود درک و فعال سازی مشتری از طریق شخصی سازی جهت اثرگذاری بر اقدامات مورد نظر.
با ظهور محاسبات شناختی، مشتریان اکنون می توانند خدمات سریع و شخصی سازی شده را دریافت کنند. سیستم های شناختی، از داده های بدون ساختار (گزارش های صنعتی و اخبار مالی) با استفاده از متن عمیق و / یا درک تصویر و فیلم بهره می­ گیرند. آنها با تعامل با هر مشتری و تمرکز بر روی نیازمندی­ های آنها، تعامل متقابل بین بانکها و مشتریانشان را شکل می دهند.
سیستم های محاسباتی تعاملی که از هوش مصنوعی برای جمع آوری اطلاعات استفاده می کنند، به طور خودکار مدل های درک و استنباط را ایجاد نموده و به روش های طبیعی موجب برقراری ارتباط می ­شوند. راه حل های شناختی می توانند به صورت خودکار ایجاد دانش نموده و عامل­ها را با پاسخ ها و دانش عمیق توانمند ساخته، توانایی کسب دانش شرکت را بیشتر کرده و با آگاهی از نیازهای مشتری، جریان های جدید درآمد را کشف کنند.

نمونه های بکارگیری تعامل شناختی
Santander اعلام کرد که تراکنش­های امن را با استفاده از تشخیص صدا از طریق برنامه بانکی خود ارائه خواهد داد، در حالی که رویال بانک اسکاتلند کمک های خدمات مشتری "Luvo" را به منظور تعامل با کارمندان و ارائه خدمات بالقوه به مشتریان در آینده ترسیم کرده است. در سوئد، Swedbank’s Nina به طور متوسط در هر ماه 30،000 مکالمه در ماه و قرارداد تماس اول 78 درصد در سه ماه نخست خود انجام داد. Nina می تواند بیش از 350 سؤال و پاسخ متفاوت مشتری را در برگیرد. چندین بانک دیگر در انگلستان و سیستم های مشابه بین ­المللی وجود داشته و یا در حال آماده­ سازی هستند.

خودکارسازی شناختی - فرآیندهای تصمیم گیری فشرده انسانی به صورت خودکار، غنی شده از دانش و زبان طبیعی.
خودکارسازی با استفاده از هوش مصنوعی از انواع جدید نرم افزار و پیشرفت های اخیر در قدرت محاسباتی امکان پذیر شده است. تجارت، با استفاده بهتر از افراد ماهر، اقدامات سریعتر و تصمیم گیری، خروجی­ های بهتر و غیره مزایای گسترده ­تری نسبت به صرفه­ جویی درهزینه به همراه دارد.
خودکارسازی هوشمند با استفاده از قابلیت های OCR [4]و یادگیری ماشین می ­تواند در انجام کارهای اداری در سطوح مختلف و در انجام کارهای با حجم زیاد مفید باشد. به عنوان مثال، از فناوری های پردازش زبان طبیعی برای ایجاد آنتولوژی / قوانین معنایی برای استخراج اطلاعات عملکردی و فرم های افتتاح حساب OCR، اسناد KYC (شناسایی هویت مشتری) مانند PAN Card[5] استفاده شود تا به کاهش مخاطرات و هزینه ها کمک کند.

نمونه­ های بکارگیری خودکارسازی هوشمند:
Fonetic، ارائه دهنده راه حل های مدیریت صوت و متن ، با (Banco Bilbao Vizcaya Argentaria (BBVA در راه اندازی تجزیه و تحلیل زبان شناسی Fonetic و راه حل انطباق تجارت برای نظارت پیشگیرانه و جلوگیری از سوءاستفاده های تجاری در دفتر مرکزی آن در لندن و نیویورک همکاری نموده است.
فروشندگان تولید زبان طبیعی (NLG) مانند Narrative Science گزارش های سرمایه گذاری / درآمد را از طریق نرم افزاری که می توانند داده ها را بگیرند و آن را به روایتی تبدیل کنند، خودکار می ­نماید. بسیاری از موسسات مالی مانند Credit Suisse ، USAA و حتی خانه های انتشاراتی مانند Forbes و Associated Press از بستر Quill Science Narrative Science استفاده می کنند.

بینش شناختی - الگوها و روابط اصلی را از میلیاردها منبع داده در زمان واقعی تشخیص داده تا بینش های عمیق و عملی به دست آورد.
شخصی سازی، یک نقطه اصلی مراوده برای بانک ها است و بسیاری از آنها در حال آزمایش روش های نوآورانه برای مطابقت محصولات و خدمات با ذائقه مصرف کننده هستند. همچنین نمونه هایی از شرکتهایی که برنامه های جدید را در مدیریت مالی شخصی (PFM) استفاده می­ کنند­، کمک می کند تا مصرف کنندگان در تصمیم گیری خرید هوشمندانه تر عمل کرده و امور مالی خود را مدیریت کرده و در حین خارج شدن ویا هنگام هزینه کردن، صرفه جویی داشته باشند.

نمونه ­های بکارگیری بینش شناختی:
UBS در هنگام ارائه مشاوره شخصی به مشتریان ثروتمند بانک با مدلسازی الگوهای رفتاری 85 میلیون فرد در سنگاپور، از هوش مصنوعی استفاده می ­کند. برای خدمات مالی دقیق تنظیم شده، این فناوری به Sqreem (مدل کاهش و استخراج مقدار کوانتومی متوالی) اجازه می دهد تا مشخصات فردی را ایجاد کند که به طور بالقوه با انواع مختلف محصولات مدیریت ثروت مطابقت دارد.
DBS Bank در نظر دارد تا Watson را برای مشاغل مدیریت ثروت خود به کار ببرد تا بتواند توصیه‌ها و تجربه‌های ارائه شده به مشتریان مرفه را بهبود بخشد. Watson یک فناوری مبتنی بر ابر است که می تواند مقادیر عظیمی از اطلاعات را با توانایی درک و یادگیری از هر تعامل با سرعت بی سابقه پردازش کند. این نشان دهنده یک تغییر قابل توجه در توانایی سازمانها برای تجزیه و تحلیل سریع ، درک و پاسخ به تعداد زیادی از داده های بزرگ است. همکاری با IBM آخرین ابتکار عمل DBS برای بهره برداری از کلان­ داده برای ارائه تجربه بهتر مشتری - ارائه بینش دقیق تر، سفارشی تر و با کیفیت تر برای پاسخگویی به نیازهای مشتریان است.

"استراتژی های سنجش و شکل دهی" شناختی - ایجاد درک و دانش عمیق از شرکت، پویایی بازار و روندهای مخرب برای شکل دادن به استراتژی ها
فناوری های پیشرفته تحلیلی می توانند به بانک ها کمک کنند تا داده های زیادی را که در اختیار دارند، به کار گیرند تا بینش های واقعی را از هر جنبه از عملیات بانکی به دست آورند. این فناوری ها به بانکها این امکان را می دهند که مشتریان خود را بر اساس ارزش های فردی، انتظارات و نیازهایشان تعریف کرده و نه اطلاعات دموگرافیک جمعی. شناسایی اطلاعات، پیمایش از طریق آن و درک این که یک خبر خاص یا دیدگاه تخصصی به چه معنی است، یک کار بزرگ است.
تحلیل­ های شناختی می­ توانند تقریباً در هر عملکرد بانکی، خواه از بینش در زمان واقعی برای وام ، خزانه داری یا اوراق بهادار سرمایه گذاری، فرصت و ارزش ایجاد کنند. بانکها می توانند بینش های واقعی را در پرتفوی خود داشته و استراتژی های نمونه برای کارهای خود را شکل دهند.

نمونه ­های بکارگیری استراتژی­ های احساس و شکل­ دهی
Goldman Sachs با سرمایه گذاری در کنشو، یک نرم افزار مبتنی بر ابر است که می تواند با اسکن بیش از 90،000 اقدام مانند تأیید مواد مخدر، گزارش های اقتصادی، تغییر سیاست های پولی و وقایع سیاسی و تأثیر آنها روی بیش از 65 میلیون ترکیب سوال در یک لحظه پاسخی را پیدا کند. تقریباً هر دارایی مالی روی کره زمین برای شرکت های کارگزاری، معامله گران، سرمایه گذاران و محققان می توانند روی قیمت سهام اثرگذار بوده و پیگیری قیمت اوراق بهادار در زمان واقعی صورت گیرد و منجر به تصمیمات بهتر بر اساس بینش های زمان واقعی شود.
موسسات مالی هند برای دوره دیجیتال در تلاشند بانک های هندی "شتاب دهنده ها/ هاکاتونز" برای همکاری با اکوسیستم فروشنده هوش مصنوعی / فن آوری شناختی و ایجاد تیم هایی که در این فناوری های نوظهور مشغول به کار هستند، در حال اجرا هستند.
در اوایل سال جاری، بانک ICICI "گروه فناوری و دیجیتال" (TDG) ایجاد کرد که امیدوار است به توسعه خدمات دیجیتالی خود در بانکداری های تجاری، خرده فروشی و عمده فروشی کمک کند. در حال حاضر در حال برنامه ریزی برای چت های هوش مصنوعی به عنوان مشاور وام به مشتریان خود است.
Axis Bank "آزمایشگاه نوآوری"، آزمایشگاهی برای نوآوری FinTech را راه اندازی کرد. AXIS Bank در حال آزمایش با فناوری های نوظهور مانند بلاکچین، هوش مصنوعی، mobolity و ابر است تا در عملکردهایی از جمله اعتبار، سپرده، مدیریت ثروت، پرداخت های موبایل و امنیت برهم ­زنندگی ایجاد کند.
HDFC Bank در تلاش برای تقویت هرچه بیشتر فعالیتهای بانکی دیجیتال خود، پنج استارتاپی را که خدمات خود را به مشتریان خود ارائه می دهد، شناسایی کرده است. یکی از استارتاپ­ های هوش مصنوعی، مستقر در بنگالورو، به سؤالات مشتریان پرداخته و مسائل را با استفاده از یک پلت فرم هوش مصنوعی، از طریق موبایل و وب سایت به زبان انگلیسی حل می کند.
Kotak Securities با شرکت تجزیه و تحلیل داده ها "Heckyl Technologies" ارتباط برقرار کرده اند تا اخبار زمان واقعی، اطلاعات بازار و بینش های مربوط به معاملات آتی و گزینه ها را ارائه دهند. این اطلاعات از طریق دو برنامه تحلیلی Heckyl تهیه و در سکوی تجاری شرکت کارگزاری در دسترس مشتری خواهد بود. بانک DBS سنگاپور یک بانک "mobile-only" را در هند به نام Digibank که توسط کاسیستو ساخته شده افتتاح کرده است. Kasisto این فناوری را در پشت Digibank که شامل یک دستیار مجازی با هوش مصنوعی به نام KAI است، اداره می کند. KAI ظاهرا می تواند سوالات مشتری مرتبط با بانکداری را در زمان واقعی پیش بینی و پاسخ دهد.

2- هوش مصنوعی در صنعت حمل و نقل
صنعت حمل و نقل شامل چهار حوزه حمل و نقل جاده‌ای، هوایی، ریلی و دریایی است که در ادامه به بیان پیشرفت‌های هوش مصنوعی در این حوزه‌ها می‌پردازیم.

حمل و نقل جاده‌ای
وسایل نقلیه خودکار برای استفاده‌های تجاری و حمل و نقل شخصی براساس انواح حسگرها (نظیر GPS، رادار، دوربین) در ترکیب با محرک‌ها (actuators؛ دستگاه‌هایی که سیگنال ورودی را به حرکت تبدیل می‌کنند.)، واحدهای کنترل و نرم‌افزار عمل می‌کند. برخی از این فناوری‌ها فقط عملکردهای خاصی در رانندگی را برعهده می‌گیرند (مانند پارک کردن) ولی برخی دیگر برای جایگزینی کامل راننده انسانی طراحی شده‌اند.
پیوند کامیون‌ها (truck platooning): جفت کردن چندین وسیله نقلیه سنگین با فاصله‌ی حداقلی از یکدیگر طوری که همزمان شتاب بگیرند یا ترمز کنند. در حالی که وسیله نقلیه جلویی توسط راننده انسانی هدایت می‌شود، سایر وسایل نقلیه راننده ندارند و یا راننده آن تنها در شرایط ترافیکی پیچیده مانند حلقه ترافیکی یا حوادث غیرمنتظره وارد عمل می‌شود.
الگوریتم‌های هوش مصنوعی به طور گسترده در پلتفرم‌های اقتصادی اشتراکی که خدمات حمل و نقل ارائه می‌دهند، نظیر تاکسی‌های اینترنتی استفاده می‌شود. این پلتفرم‌ها در همه‌ی جنبه‌های خدماتشان از جفت کردن راننده و مسافر گرفته تا بهینه‌سازی مسیر از هوش مصنوعی استفاده می‌کنند.
علاوه بر موارد ذکر شده، فناوری‌های هوش مصنوعی به مدیریت ترافیک جاده‌ای اعمال می‌شود تا با تحلیل الگو و حجم ترافیک، سریع‌ترین مسیر را برای راننده‌ها مشخص کند و به این ترتیب ازدحام ترافیک کاهش یابد. فناوری‌های هوش مصنوعی همچنین از طریق کنترل چرا‌غ‌های راهنمایی رانندگی جریان ترافیک را مدیریت می‌کند.

مثال‌های عملیاتی

• اتومبیل‌های خودران نظیر تاکسی‌های خودران در توکیو (البته با حضور راننده برای حفظ امنیت در مواقع ضروری)
• پارک کردن خودمختار
• truck platooning: جفت شدن دیجیتالی وسایل نقلیه سنگین
• تاکسی‌های اینترنتی مانند اوبر یا اسنپ
• City Brain (Alibaba): شامل پیش‌بینی‌های ترافیکی، بهینه‌سازی جریان ترافیک و تشخیص حوادث ترافیکی با استفاده از داده‌‌های فیلم‌های ویدئوی، سیستم‌های حمل و نقل عمومی و برنامه‌های نقشه‌برداری است. پس از استقرار این سیستم در شهر هانگرو چین، افزایش 15 درصدی جریان ترافیک و کاهش 92 درصدی گره‌های ترافیکی گزارش شد.

حمل و نقل هوایی
کاربرد هوش مصنوعی در مدیریت ترافیک هوایی (ATM) شامل مسائلی نظیر پیش‌بینی ترافیک در فازهای مختلف پرواز، بهبود جریان مسافران در فرودگاه‌ها و خودکارسازی کاملتر سیستم است. علاوه بر آن، هوش مصنوعی در صنعت هواپیمایی در ایجاد یک پلتفرم امن برای ذخیره‌سازی، مدیریت و تجزیه و تحلیل داده‌های عملیاتی تعمیر و نگهداری هواپیما در ناوگان هواپیما و سطح جهانی کاربرد دارد. برای نمونه پلتفرم Skywise شامل اطلاعات مربوط به حمل و نقل هوایی از جمله سفارشات کاری، مصرف قطعات، اطلاعات قطعات و هواپیما و پیکربندی ناوگان و داده‌های سنسور است و داده‌های عظیم را پس از یکپارچه‌سازی تجزیه و تحلیل می‌کند، آمازون از وسایل نقلیه هوایی هوشمند و بدون سرنشین برای تحویل سریع کالاهای خود استفاده می‌کند و دبی با همکاری Volocopter، یک تاکسی هوایی بدون سرنشین را آزمایش کرده‌است.

مثال‌های عملیاتی

• Sesarju.eu: شامل پروژه‌های پیش‌بینی ترافیک در فازهای مختلف پرواز، بهبود جریان مسافران در فرودگاه‌ها و خودکارسازی بیشتر سیستم
• Coptra.eu: پیش‌بینی مسیر نزدیک‌تر با در نظر گرفتن تعادل میان ظرفیت و تقاضا
• BigData4ATM
• MALORCA (Machine Learning of Speech Recognition Models for Controller Assistance)
• تاکسی-هواپیمای بدون سرنشین در چین

حمل و نقل ریلی
از جمله بارزترین کاربردهای هوش مصنوعی در صنعت حمل و نقل ریلی، کمک به خودکارسازی عملیات قطار[6] یا ATO است. ATO مسئولیت مدیریت عملیات قطار را با درجات مختلفی از خودکار بودن، از راننده به سیستم کنترل واگذار می‌کند. کمسیون بین‌المللی الکتروتکنیکال چهار درجه‌ی استاندارد خودکار بودن قطار را مشخص کرده است که درجه‌ی سوم مربوط به عملیات بدون راننده ولی با حضور اعضای خدمه قطار در کابین و درجه‌ی چهارم مربوط به قطارهای کاملا مستقل و بدون مراقب است.
برای اپراتورهای ریلی و مدیران زیرساخت، آگاهی از خرابی‌های احتمالی قبل از وقوع، برای جلوگیری از هرگونه وقفه‌ در ارائه خدمات بسیار باارزش است. امروزه هوش مصنوعی می‌تواند از قدرت داده‌های ارائه شده توسط سنسورهای مستقر در قطارهای بحرانی یا مؤلفه‌های زیرساخت استفاده کند تا در زمان مناسب اطلاعات را استخراج و اقداماتی را برای نگهداری از قطار پیشنهاد دهد که مزایای زیادی به همراه دارد از جمله تعمیر سریع‌تر، کاهش هزینه‌های نگهداری و رضایت بهتر مشتریان. علاوه بر آن اپراتورهای قطار می‌توانند خدمه رزرو مورد نیاز برای مواقع خرابی را کاهش دهند و از هوش مصنوعی برای افزایش قابلیت اطمینان و اثربخشی استفاده کنند.

مثال‌های کاربردی

• در سال 2018 حدود 1000 کیلومتر خط متروی خودکار در 41 شهر 19 کشور جهان وجود داشت و پیش‌بینی می‌شود در سال 2025 مقدار آن به بیش از 2300 کیلومتر خط خودکار برسد.
• [7]Shift2Rail.org: مسئول توسعه و اعتبارسنجی یک ATO استاندارد برای همه‌ی بخش‌های ریلی، راه‌اندازی‌شده توسط اتحادیه اروپا
• موسسه فناوری Railenium (فرانسوی، با حروف اختصاری SNCF) دو کنسرسیوم برای توسعه دو نمونه قطار بدون راننده راه‌اندازی کرده‌است: اولین کنسرسیوم وظیفه طراحی قطار باربری خودمختار و دومی وظیفه طراحی قطار مسافربری پرسرعت خودمختار را برعهده دارد. در حالت دوم، هدف طراحی ماژولی است که عملکرد مسافران در سکوهای راه‌آهن را درک کرده و امکان بسته‌شدن بی‌خطر درب واگن‌های‌ قطار را فراهم کند. SNCF تصمیم دارد قطارهای نیمه‌ خودمختار را تا پایان سال 2023 و قطارهای خودمختار را تا پایان 2015 راه‌اندازی کند.
• SurferLab: از جمله پروژه‌های هوش مصنوعی این موسسه امکان ارسال «وضعیت سلامت» قطار به سرپرست ناوگان است تا بتواند از راه دور و از طریق نرم‌افزارهای تشخیص صدا، تعمیر و نگهداری قطار را ساماندهی کند.
• SNCF: روش‌های نگهداری پیشگویانه حوادث مرتبط با سوئیچ‌‌های قطار را 30% کاهش داده است.

حمل و نقل دریایی
طی بیست سال گذشته ، حمل و نقل دریایی و راه‌های آبی درون شهری تحولات مهمی را پشت سر گذاشته است. برای ذکر فقط چند مورد از روندهای موجود در آن، ترافیک کشتی‌ها متراکم تر شده است، که باعث افزایش خطر امنیت دریایی شده و ضرورت پیشرفت در نظارت‌های دریایی را افزایش داده است. افزایش بیشتر ترافیک کانتینرها خواستار سازگاری با پایانه های بندری و ارتباطات بهتر با مناطق داخلی آنها است. اندازه کشتی در حال رشد ، فشارهایی را که کشتی ها روی بنادر و شهرهای آنها اعمال می کنند ، بیشتر می‌کند و افزایش آگاهی از مسائل زیست محیطی ، صنعت دریانوردی را متعهد می‌کند تا خود را با قوانین سبزتر در زمینه رقابت‌ها شدید بین المللی مطابقت دهد.
در پاسخ به این نیازها، فناوری‌های هوش‌مصنوعی/خودکارسازی، اینترنت اشیاء و کلان‌داده نقش اصلی را ایفا می‌کنند. یکی از ویژگی های مشترک این فناوری ها تولید داده است. ابزارهای جدید جمله هوش مصنوعی، تجزیه و تحلیل اطلاعات و بینش نسبت به داده را فراهم می‌کند که در کمک به تصمیم‌گیری‌ها به ویژه به جهت بهبود ایمنی، بهره‌وری انرژی و بهینه سازی لجستیک موثر است.

مثال‌های عملیاتی

• شرکت Stena Line: از هوش مصنوعی برای پیش‌بینی بهترین مسیر حرکت کشتی‌ها از نظر مصرف سوخت استفاده می‌کند. در این رویکرد، متغیرهایی مانند جریان آب و هوا، شرایط جوی، آب‌های کم‌عمق و سرعت در آب، در حالت‌های مختلف که به صورت دستی امکان‌پذیر نیست در نظر گرفته‌شده و در اختیار کاپیتان قرار داده می‌شود.
• بندر رتردام از هوش مصنوعی برای پیش‌بینی زمان ورود و خروج کشتی‌ها استفاده می‌کند که در نتیجه‌ی آن زمان انتظار کشتی‌ها 20% کاهش پیدا کرده است.
• بندر رتردام : اولین پلتفرم اشتراک کلان‌داده دریانوردی (safety4sea.com) را با شرایط دسترسی دقیق و سختگیرانه برای بهبود کیفیت و دسترس‌پذیری داده در سال 2016 راه‌اندازی کرد.

خلاصه‌ی کاربردها
خلاصه‌ای از کاربردهای هوش مصنوعی در صنعت حمل و نقل در جدول زیر آمده است. امروزه صنعت کشاورزی به شدت نیازمند پردازش اطلاعات در حوزه‌هایی از جمله کیفیت‌سنجی زمین‌های زراعی، پردازش دقیق داده‌های هواشناسی، پیش‌بینی تغییرات اقلیمی و ... است. در این زمینه، هوش مصنوعی و تکنولوژی‌های مرتبط با آن دریچه‌های امیدوارکننده ای از راه‌کارهای خلاقانه و پاسخ‌های هوشمندانه به سوالات این صنعت را به روی کشاورزان گشوده است. روش‌های مبتنی بر هوش مصنوعی و بینایی ماشین قادر به برطرف کردن بسیاری از نیازهای صنعت کشاورزی نظیر نظارت بر سلامت خاک و محصولات کشاورزی، کنترل مصرف آفت‌کش‌ها با تشخیص علف‌های هرز و ... می باشد. در ادامه به بررسی پیشرفت‌های هوش مصنوعی در صنعت کشاورزی می‌پردازیم.

مدیریت مزرعه و محصولات کشاورزی
با توجه به اهمیت هوش مصنوعی در محاسبات و انجام عملیات خودکار در صنعت کشاورزی، در مراحل مختلف کشت محصول از جمله کاشت، داشت و برداشت، در مراحل مختلف انبار و فراوری محصولات کشاورزی از جمله کیفیت سنجی می تواند مورد استفاده قرار گیرد. علاوه بر این موارد در تصمیم گیری های کلان کشاورزی از جمله مدیریت در زمینه های تعمیر و نگهداری تجهیزات، کشاورزی دقیق، تخمین عملکرد و غیره نیز کاربردهای گوناگونی یافته اســت.

پیشرفت‌های فناوری هوش مصنوعی در زمینه تولید مواد غذایی نیز موثر است:

• اصلاح ژنتیکی فراورده­ های غذایی: به زودی خصوصیات حیوانات و گیاهانی که برای تولید غذا پرورش داده می­ شوند، با استفاده از فناوری ها اصلاح ژنتیکی می شوند تا نیازهای زیستی و فیزیولوژیکی بشر به بهترین شکل ممکن تأمین شوند. افراد متخصص در زمینه مهندسی ژنتیک درکشاورزی تلاش می کنند با استفاده از این فناوری، خصوصیات گیاهان و دام ­ها را از پایه و اساس تغییر دهند و آنها را اصلاح کنند.
• گوشت درون کِشتگاهی (گوشت مصنوعی[8])
• تقویت نیروی کار انسانی با خودکارسازی: در مورد خودکارسازی هم می توان گفت این فرآیند می تواند با استفاده از ربات های بسیار بزرگ و یا بسیار کوچک به منظور بررسی محصولات کشاورزی یا نگهداری از آنها، انجام شود.
• رباتهای مختص کشاورزی و فناوری (Robotic farm swarms)

سیستم های هوش مصنوعی همچنین به بهبود کیفیت و دقت برداشت کمک می‌کنند و این آن چیزی است که با عنوان کشاورزی دقیق شناخته می‌شود. کشاورزی دقیق از فناوری هوش مصنوعی برای کمک به تشخیص بیماری ها در گیاهان، آفات و تغذیه نامناسب گیاهان در مزارع استفاده می‌کند. سنسورهای AI می‌توانند علف‌های هرز را شناسایی و مورد هدف قرار داده و سپس تصمیم بگیرند که از چه علف کشی در منطقه مناسب استفاده کنند که منجر به جلوگیری از استفاده بیش از حد از علف کش ها و سموم که به مواد غذایی ما راه پیدا می‌کنند، می‌شود.
علاوه بر آن، کشاورزان از هوش مصنوعی برای ایجاد مدل‌های پیش بینی فصلی برای بهبود دقت کشاورزی و افزایش بهره وری استفاده می‌کنند. این مدل‌ها می‌توانند برای پیشبرد تصمیمات کشاورزان از ماه‌های پیش رو الگوهای آب و هوایی را پیش بینی کنند. پیش بینی فصلی به ویژه برای مزارع کوچک در کشورهای در حال توسعه بسیار با ارزش است زیرا داده ها و دانش آن‌ها می‌تواند محدود باشد. عملکرد این مزرعه‌های کوچک عملیاتی و رو به رشد، بسیار پراهمیت است زیرا این مزارع کوچک 70 درصد محصولات زراعی جهان را تولید می‌کنند.
علاوه بر داده‌های زمینی، کشاورزان برای نظارت بر مزارع به نظارت و پردازش داده‌ها از ماهواره‌ها و پهبادها روی می‌آورند. بینایی ماشینی و الگوریتم‌های یادگیری عمیق، داده های گرفته شده از هواپیماهای بدون سرنشین را که در مناطق مختلف پرواز می‌کنند، مورد پردازش قرار می‌دهد. از هواپیماهای بدون سرنشین، دوربین‌های بکارگرفته شده برای قابلیت هوش مصنوعی می‌توانند تصاویر مربوط به کل مزرعه را ضبط کرده و تصاویر را در زمان مناسب برای شناسایی مناطق مشکل و پیشرفت‌های بالقوه تجزیه و تحلیل کند. هواپیماهای بدون سرنشین قادرند زمین بسیار بیشتری را در زمان بسیار کمتری از انسان تحت پوشش قرار دهند و این موضوع این امکان را به وجود می‌آورد که مزارع بزرگ به طور مکرر مورد نظارت قرار گیرند.
انتظار می رود که هوش مصنوعی در بخش کشاورزی به طور سریعی رشد کند و تا سال 2025 به ارزش جهانی 2.6 میلیارد دلار برسد. به گزارش خبرگزاری کشاورزی ایران (ایانا) از " farminguk "، براساس گزارش تحقیقاتی جدید با عنوان " پیش بینی هوش مصنوعی در بازار کشاورزی تا سال 2025 " ، انتظار می رود که بازار با 22.5 درصد افزایش ، از 518.7 میلیون دلار در سال 2017 به ، 2.6 میلیارد دلار تا سال 2025 برسد. میزان پذیرش این فناوری و اندازه بازار آن در شکل 4 نمایش داده شده است.
بر اساس منطقه، هوش مصنوعی در بازار کشاورزی به کشورهای آمریکا، اروپا، آسیای اقیانوسیه و بقیه دنیا (RoW)[9] طبقه بندی شده است. تخمین زده می شود که بازار آسیا اقیانوسیه در بالاترین دوره CAGR تا سال 2025 بیشترین رشد را داشته باشد. اتخاذ فزاینده فن آوری های یادگیری عمیق و بینایی در کاربردهای کشاورزی مهمترین عامل محرک رشد بازار در منطقه APAC است. میزان بکارگیری فناوری ها توسط کشاورزان در حال رشد است و کشورهایی مانند استرالیا، چین، ژاپن و هند به طور فزاینده ای از فناوری هایی همچون یادگیری ماشین، یادگیری عمیق که زیرمجموعه هوش مصنوعی هستند، استفاده می کنند.
درحالی که کشاورزی، از صنایع عمده دیجیتال در جهان است، پیش بینی می شود که در این زمینه از طریق اطلاعات دیجیتال، کشاورزی رباتیک و شرکت های تحلیلی ، تحول و رشد در آن پدید آید. رشد سریع هوش مصنوعی در بازار کشاورزی به عوامل مختلفی از قبیل تقاضای رو به رشد تولید محصولات کشاورزی به دلیل افزایش جمعیت، افزایش استفاده از سیستم های مدیریت اطلاعات و تکنولوژی های پیشرفته جدید برای بهبود بهره وری محصول وابسته است.
بنابراین با استفاده از هوش مصنوعی و فن‌آوری‌های شناختی، مزارع در سرتاسر جهان قادرند اثربخشی بیشتری داشته باشند در حالی که هنوز کارگران کمتری نسبت به گذشته دارند اما در عین حال نیازهای غذایی جهان را برآورده می‌کنند. نیازی اساسی تر از نیاز به غذا وجود ندارد و این نیاز هرگز از بین نمی‌رود. خوشبختانه، استفاده از هوش مصنوعی باعث می‌شود که مزارع با اندازه های مختلف بتوانند جهان را تغذیه کنند. با استفاده از هوش مصنوعی کشاورزی و فن آوری های شناختی، مزارع در سرتاسر جهان قادر به اجرای اثربخش تر و بنیادی تر شیوه زندگی و رژیم غذایی ما هستند.

مثال‌های عملیاتی

• FarmShot: از تحلیل تصاویر ماهواره و پهباد برای شناسایی علائم احتمالی بیماری‌ها، آفات و ضعف مواد مغذی گیاهان استفاده کرده و مناطقی را که باید تحت بررسی دستی قرار بگیرد تا 90% کاهش می‌دهد.
• Blue River See & Spray: با کمک گرفتن از فناوری بینایی ماشین برای اسپری علف‌کش‌ها تنها روی علف‌های هرز، در کنترل علف‌های هرز به کشاورزان کمک می‌کند و قادر است مصرف سموم علف‌کش را به یک‌دهم برساند.
• SkySquirrel Technologies Inc.: ترکیب فناوری پهباد با هوش مصنوعی برای نظارت بر سلامت باغ‌های انگور
• Harvest Croo: ماشین‌ خودکار برداشت توت‌فرنگی[10]
• Abundant Robotics : برداشت روباتیک سیب‌های رسیده از روی درخت
  

نظارت بر سلامت خاک و محصول
جنگل‌خواری و تنزل کیفیت خاک، تهدید جدی برای تامین محصولات غذایی محسوب می‌گردد و همچنین تاثیر منفی بر روی اقتصاد دارد. بر اساس تخمین USDA هزینه فرسایش سالیانه خاک چیزی حدود 44 میلیارد دلار است. پروژه‌های مطرح هوش مصنوعی برای نظارت بر سلامت خاک در ادامه آمده است.

مثال‌های عملیاتی
استارت‌آپ آلمانی PEAT توسعه‌دهنده‌ی پروژه Plantix است که با استفاده از فناوری بینایی ماشین و شناسایی الگو، نقص‌ها و کمبود مواد مغذی در خاک و آفت‌های محصول را شناسایی می‌کند. این استارت‌آپ از طریق یک اپلیکیشن موبایل، تصویر خاک و محصول را از کاربر دریافت کرده و نتایج را برای او ارسال می‌کند. بعد از مرحله تشخیص، کاربرها با انواع راهکارها راهنمایی می‌گردند. هر چند که این محصول در حال حاضر تنها به صورت اپلیکیشن موبایل عرضه شده است ولی این کمپانی ادعا دارد که برای استفاده‌ی ربات‌ها و پهپادها نیز مناسب است. به نقل از گروه تولیدکننده، این نرم‌افزار 95% دقت دارد.
پروژه Trace Genomics یا «ردیابی ژنوم‌ها» که سرمایه‌گذار اصلی آن Illumina می‌باشد، سرویس تحلیل خاک است که مشابه برنامه Plantix عمل می‌کند. این پروژه با استفاده از یادگیری ماشین راهی را برای کشاورزان فراهم می‌آورد تا از نقاط قوت و ضعف خاک مزرعه خود، آگاهی پیدا کنند و بیشتر تمرکز آن روی جلوگیری از محصولات معیوب و همچنین بهینه سازی ظرفیتِ تولیدِ محصولاتِ سالم است. سرویس‌های این کمپانی شامل مجموعه‌ای از زیر نظر داشتن باکتری‌ها و قارچ های بیماری‌زا و همچنین بررسی های میکروبی می‌باشد. نحوه‌ی عملکرد این پروژه به این صورت است که کشاورزان با ارسال نمونه‌ی خاک به کمپانی، خدماتی شامل غربالگری پاتوژن متمرکز بر باکتری‌ها و قارچ‌ها و همچنین ارزیابی جامع میکروبی که بر پایه تحلیل DNA به دست می‌آید را دریافت می‌کنند.
تاریخچه حضور پهبادها در صنعت کشاورزی به سال 1980 در ژاپن برمی‌گردد. تخمین زده می‌شود که بازار پهبادها در صنعت کشاورزی تا سال 2027 به 480 میلیون دلار خواهد رسید. کمپانی SkySquirrel Technologies یا «سنجاب آسمان» از جمله کمپانی‌هایی است که تکنولوژی پهباد را به باغ‌های انگور وارد کرده و هدف آن کمک به کشاورزان جهت ارتقای کیفیت محصولات و کاهش هزینه‌ها است. کاربران می‌توانند مسیر پهبادها را از قبل برنامه‌ریزی کنند و پهباد پس از قرار گرفتن در مسیر تصاویری را ثبت می‌کند که بعداً جهت آنالیز توسط بینایی ماشین مورد استفاده قرار خواهد گرفت. بعد از اینکه پهباد مسیرهای برنامه‌ریزی شده را طی کرد، کاربران می‌توانند فلش مموری را از روی پهباد برداشته تا تصاویر را در فضای ابری بارگذاری نمایند. سپس «سنجاب آسمان» با استفاده از الگوریتم‌های یادگیری ماشین، گزارشی از وضعیت سلامت باغ انگور به خصوص شرایط برگ‌های درختان را فراهم می‌آورد. از آنجا که برگ درختان انگور نشانگر بیماری‌های موجود در آن، همچون باکتری و قارچ، می‌باشد، مطالعه سلامت این برگ‌ها روش مناسبی جهت درک سلامت گیاهان و میوه‌های آنها، محسوب می‌گردد. این کمپانی ادعا دارد که تکنولوژی‌اش قابلیت بررسی 50 هکتار را در 24 دقیقه دارد و همچنین تحلیل‌های داده‌هایش دارای 95 درصد دقت می‌باشد.

راهنمایی به کشاورزان (سیستم‌های تصمیم‌یار)
با کمک هوش مصنوعی و استفاده از حسگرها (حسگرهای قابل استفاده در آب و هوا، تجهیزات تله ماتیک، تجهیزات زیست سنجی حیوانات مزرعه، حسگرهای مورد استفاده برای محصولات، حسگرهای مرتبط با زیرساخت سلامت)، کشاورزان در حال حاضر می‌توانند موارد مختلفی را مانند شرایط آب و هوایی، دما، میزان استفاده از آب یا شرایط خاک جمع آوری شده از مزرعه خود در زمان واقعی مورد تجزیه و تحلیل قرار داده تا تصمیمات خود را بهتر بشناسند. به عنوان مثال، فن آوری های هوش مصنوعی با تعیین انتخاب نوع محصول، بهترین انتخاب بذر ترکیبی و استفاده از منابع، به کشاورزان کمک می‌کنند تا برنامه ریزی های لازم را برای تولید سودمندانه تر انجام دهند.

مثال‌های عملیاتی
aWhere: این کمپانی از طریق تحلیل داده، اطلاعات دقیق هواشناسی و زراعی-جغرافیایی را برای کشاورزان فراهم می‌کند.
هوش مصنوعی، از تکنولوژی های نوظهور در صنعت کشاورزی است که می تواند بهره وری مزارع را افزایش دهد. کشاورزی یکی از صنایعی است که امروزه به شدت نیازمند محاسبات و پردازش اطلاعات و تصمیم گیری های سریع در سطوح مختلف از جمله کیفیت سنجی زمین های زراعی در فرآیندهای سه گانه کاشت، داشت و برداشت محصولات و پردازش دقیق داده های هواشناسی، تغییرات اقلیمی و … است. هوش مصنوعی و تکنولوژی های مرتبط به آن دریچه های امیدوار کننده ای از راه حل های خلاقانه و پاسخ های هوشمندانه به سوالات این صنعت را به روی کشاورزان گشوده است.
از جمله کاربردهای هوش مصنوعی در حوزه کشاورزی می توان به موارد زیر اشاره کرد:

• ربات های کشاورز (کاشت بذر و..)
• نظارت بر محصول و خاک
• تحلیل های پیشگویانه (به کمک یادگیری ماشین)
• استخراج اطلاعات کشاورزی و نقشه های سطح زمین٬ وضعیت آبی و زراعی زمین٬ وضعیت جنگلها و مراتع و … از تصاویر ماهواره ای
• تحلیل اطلاعات استخراجی از تصاویر ماهواره ای و تطبیق با اطلاعات موجود با سیستم سنتی
• نگهداری این اطلاعات در بانکهای اطلاعاتی جغرافیایی و بهره برداری معنایی و استخراج اطلاعات مفهومی
• خودکار سازی سیستم های ماشینی کاشت٬ داشت٬ برداشت و عرضه محصول و کنترل کیفیت آن نظیر سیستم های خودکار داشت محصولات هیدروپونیک٬ یا سیستم های خودکار برداشت و بسته بندی چای و هزاران مورد دیگر

روش های مبتنی بر هوش مصنوعی و بینایی ماشین قادر به برطرف کردن بسیاری از نیازهای صنعت کشاورزی می باشد. اگر چه تاکنون بسیاری از این مطالعات به صورت کاربردی درآمده اند ولی روز به روز نیازها و خواسـته های جدیدی مطرح می گردد که بر اهمیت اسـتفاده بیشـتر از تکنیک پردازش تصویر و سایر شاخه های هوش مصنوعی تاکید می­کند.

واقعیت ترکیبی[11]
واقعیت ترکیبی از تکنولوژی‌های نوظهور در صنعت کشاورزی است که می‌تواند بهره‌وری مزارع را افزایش دهد. کشاورزان با استفاده از این تکنولوژی‌ می‌تواند سلامت محصولات و تجزیه و تحلیل خاک را بررسی کند و تجهیزات را از راه دور مدیریت کند و فرصت‌های جدیدی برای رشد ایجاد کند. حتی در دنیای مدرن ما، کشاورزی همچنان یک صنعت مهم و حائز اهمیت است. تلاش مداوم انسان‌ها در این راستا برای بهینه‌سازی محصولات و افزایش دام‌ها می‌باشد. فناوری‌های واقعیت ترکیبی (MR) و فناوری هوش مصنوعی از آخرین و پرطرفدارترین راه‌های نوآورانه کشاورزی هستند تا کشاورزی سنتی به کشاورزی هوشمند تبدیل شود.
اصطلاح جدید "واقعیت ترکیبی" امروزه محبوب‌تر شده است. این روند به لایه برداری از اطلاعات دیجیتالی یا شبیه‌سازی شده بر روی دنیای واقعی اشاره می‌کند: ترکیب کردن واقعیت افزوده و واقعیت مجازی، منجر به یک واقعیت ترکیبی می‌شود. درحالی‌که واقعیت مجازی (VR) شما را به یک دنیای دیجیتال دعوت می‌کند، واقعیت ترکیبی فرصت هماهنگ‌سازی یک محیط مجازی و دنیای واقعی را به طور همزمان فراهم می‌کند. فناوری 3D-mapping کشاورزی را به محیط‌های مجازی تبدیل می­کند. کشاورزان می‌توانند سناریوهای مختلف تولید محصول را از جمله نظارت و کنترل از راه دور را ایجاد کنند. این فقط شروع کشف بالقوه اطلاعات دیجیتال در دنیای فیزیکی است.

یادگیری ماشین
یادگیری ماشین یک زیر مجموعه از هوش مصنوعی است. این تکنیکی است که از آمار محاسباتی بدست می‌آید. در یک مورد کلاسیک، مقدار زیادی داده به مدل‌های آماری ارائه می شود تا آنها را آموزش داده و الگوهای موجود در داده‌های آینده را تشخیص دهد.
عملکرد این فناوری در صنعت کشاورزی بدین صورت است که ابتدا الگوریتم ML به یک مجموعه داده ارائه می شود. به عنوان مثال، برخی از عکس‌ها با توصیف‌هایی مانند "ذرت"، "گندم"، "علف‌های هرز"، "سویا" و غیره آپلود شده و الگوریتم به درستی آموزش می‌بیند تا این نوع از چیزها را شناسایی کند، مثلاً یک دوربین تراکتور مستقل شروع به گرفتن تصاویر می‌کند و الگوریتم به طور ایده‌آل در طول زمان بهبود می‌یابد. مزارع می‌توانند اطلاعات زیادی در مورد سلامت محصول، آب و هوا، خاک و موارد دیگر تولید کنند. با در نظر گرفتن قابلیت‌های ML، رهبران کشاورزی نمی‌توانند ارزش بالقوه برنامه‌های کاربردی ML در کشاورزی را نادیده بگیرند.

• واقعیت مجتمع: برنامه‌های کاربردی در کشاورزی به کشاورزان امکان می‌دهد شرایط را با استفاده از "کلاه ایمنی" یا "عینک" فعال MR مشاهده کنند. تمام اطلاعات و داده‌های مربوط که به دوربین وارد می‌شوند، به پردازش لبه یا به ابر برای تجزیه و تحلیل ارسال می‌شوند.
• تراکتورهای خودران: متخصصان ناوبری رادیویی، ژیروسکوپ لیزری و هوش مصنوعی را به یک تراکتور اضافه کردند. در نتیجه، تراکتور می‌تواند مسیری را که یک راننده قبلاً به آن آموزش داده پیگیری کند. هدف اصلی از هوش مصنوعی در کشاورزی این است که تعداد سیستم‌های مستقل و خودکار را افزایش دهد.
• بینش رایانه: با استفاده از این نوع فناوری، تراکتور یا سایر تجهیزات کشاورزی هوشمند با دوربین، GPS و احتمالاً تلفن همراه، مجهز به توانایی انتقال داده‌های ویدئویی می‌شوند. سیستم بینش رایانه به تراکتور اجازه می‌دهد تا مسیر را پیدا و موانع را شناسایی کند.
• آبیاری هوشمند: مردم از آبیاری خودکار گیاهان یا سم‌پاشی استفاده می‌کنند، اما امروزه سیستم‌های آبیاری مدرن با فناوری ML یکپارچه قادر به تشخیص علف‌های هرز از محصولات و اسپری کردن سموم‌ها هستند. بدین ترتیب اسپری مواد شیمیایی کمتر مصرف می‌شود و در نتیجه هزینه‌های پایین‌تر و غذای سالم‌تر است.

راه حل های مبتنی بر یادگیری ماشین، به طور قابل ملاحظه ای توسط سازمان های کشاورزی و کشاورزان به منظور افزایش بهره وری مزرعه و ایجاد رقایت در عملیات تجاری استفاده می شود. در سال های آینده، انتظار می رود که استفاده از یادگیری ماشین و بینایی کامپیوتری در شیوه های مختلف کشاورزی افزایش یابد. این درحالی است که پذیرش فزاینده تکنولوژی یادگیری ماشین توسط کشاورزان در سراسر جهان عامل اصلی افزایش تقاضا برای این فناوری در صنعت کشاورزی است. در عین حال، یادگیری ماشین اجازه می دهد تا کشاورزان و کسب و کارهای کشاورزی بر اساس یافته ها در زمان واقعی، تصمیم گیری های مناسب را اتخاذ کنند.
بنابراین با پیشرفت جامعه به سمت کشاورزی هوشمند سود و مزایای حاصل از این تکنولوژی نیز بیشتر می‌شود. نتایج کنونی برنامه‌های کاربردی کشاورزی بسیار خوب است. بااین‌حال، از طریق هوش مصنوعی و واقعیت ترکیبی، می‌توان پیشرفت‌های بیشتری را به دست آورد. همچنین عوامل اصلی رونق رشد هوش مصنوعی در بازار کشاورزی، استفاده از اپلیکیشن های کشاورزی دقیق است که به دلیل توجه بیشتر به بهره وری مزرعه و با توجه به افزایش جمعیت و نیاز به بهبود کیفیت مواد غذایی انجام می شود. به طوری که فناوری های کشاورزی دقیق کمک می کند تا فعالیت های کشاورزی سنتی کارآمدتر و قابل پیش ­بینی­ تر شود.

خلاصه‌ کاربردها

5- هوش مصنوعی در صنعت صوت و تصویر فراگیر، رسانه و سرگرمی پی نوشت:

---