مهندس پوریا حداد: نقشه راه هوش مصنوعی

مهندس پوریا حداد مدیرعامل و بنیانگذار فیلاگر در ابتدا پا به صحنه گذاشت و از نقشه راه هوش مصنوعی تا به امروز و آینده را در صحبتی مفصل بیان کردن.

مهندس حداد با اشاره‌ای به رویداد چند روز پیش کمپانی OpenAi از قابلیت‌های جدید هوش مصنوعی گفتند که امروزه به راحتی در دسترس عموم مردم دنیا قرار گرفته. چند شب پیش شاهد رونمایی قابلیت‌های مهمی بودیم که مهندس حداد اشاره داشتند که علاوه بر عکاسان و گرافیست‌ها که در سال گذشته مستقیما توسط هوش مصنوعی تهدید شدند؛ امسال نیز معلمان خصوصی به دلیل چت آنلاین ChatGPT مورد هدف قرار گرفتند.
این تازه شروع ماجرا بود و با مرور مجدد جریانات گذشته، متوجه شدیم که مترجمان نیز در لیست سیاه هوش مصنوعی قرار گرفتند چرا که ترجمه انگلیسی به ایتالیایی OpenAI خیلی جذاب‌تر از قابلیت‌های دیگر رونمایی شد.
پوریا حداد که مدیر هوش مصنوعی گروه انتخاب و مدیر هوش مصنوعی پیشین گیم سنتر همراه اول بود، صحبت‌هایی راجع به توییت سم آلتمن با کلمه Her و رابطه آن با فیلم منتشر شده در زمینه هوش مصنوعی که سال 2013 اکران شد، بیان کرد.

دکتر مسار سارا: هوش مصنوعی و شبکه‌های عصبی اسپایکی؛ نسل سوم شبکه‌های عصبی

دومین فردی که بر صحنه رویداد فیلاگر اکس شیراز حاضر شد، دکتر مسارا سارا بود که بیان کردند: هوش مصنوعی (AI) یکی از پیشرفته‌ترین و مهم‌ترین فناوری‌های روز دنیا است که کاربردهای گسترده‌ای در زمینه‌های مختلف از جمله پزشکی، صنعت، و علوم اجتماعی دارد. یکی از شاخه‌های مهم و پویا در حوزه هوش مصنوعی، شبکه‌های عصبی مصنوعی (ANN) است که به تقلید از عملکرد مغز انسان طراحی شده‌اند. شبکه‌های عصبی اسپایکی (SNN)، به عنوان نسل سوم شبکه‌های عصبی، نماینده‌ی تحولی مهم در این زمینه هستند که با تقلید دقیق‌تر از فعالیت‌های نورون‌های بیولوژیکی، قابلیت‌های جدید و پیشرفته‌ای را ارائه می‌دهند.

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی به سه نسل تقسیم می‌شوند:

1- نسل اول، شبکه‌های عصبی سنتی (ANNs): این شبکه‌ها بر پایه واحدهای پردازشی ساده‌ای به نام نورون‌های مصنوعی ساخته شده‌اند که با استفاده از توابع ریاضی مانند جمع و ضرب، ورودی‌ها را پردازش کرده و خروجی تولید می‌کنند.

2- نسل دوم، شبکه‌های عصبی بازگشتی و کانولوشنی (RNNs و CNNs): این نسل با افزودن ساختارهای پیچیده‌تری مانند بازگشت و لایه‌های کانولوشنی به بهبود عملکرد در پردازش‌های زمانی و تصویری کمک کرده است.

3- نسل سوم: شبکه‌های عصبی اسپایکی (SNNs): این شبکه‌ها با الهام از زمان‌بندی اسپایک‌های نورونی واقعی مغز، مدل‌سازی دقیق‌تری از فعالیت نورون‌های بیولوژیکی ارائه می‌دهند.

شبکه‌های عصبی اسپایکی (SNNs)

شبکه‌های عصبی اسپایکی به گونه‌ای طراحی شده‌اند که زمان‌بندی دقیق اسپایک‌های نورونی را مدل‌سازی کنند. این شبکه‌ها برخلاف شبکه‌های عصبی سنتی که بر پایه فعالیت مداوم نورون‌ها هستند، بر اساس رویدادهای گسسته‌ای به نام اسپایک‌ها عمل می‌کنند. این ویژگی موجب می‌شود که SNNها بتوانند اطلاعات را به صورت بسیار کارآمدتر و با مصرف انرژی کمتر پردازش کنند.

ویژگی‌های کلیدی SNNها

1- کارایی زمانی بالا: SNN ها قادر به پردازش اطلاعات در زمان واقعی با استفاده از زمان‌بندی دقیق اسپایک‌ها هستند که این ویژگی در کاربردهای زمان‌بندی حساس بسیار مفید است.

2- مصرف انرژی پایین: به دلیل فعالیت گسسته نورون‌ها، SNNها نسبت به شبکه‌های عصبی سنتی انرژی کمتری مصرف می‌کنند که این امر در کاربردهای موبایل و جاسازی شده مهم است.

3- مدل‌سازی بیولوژیکی دقیق‌تر: SNNها به دلیل تقلید دقیق‌تر از فعالیت‌های نورونی واقعی، می‌توانند به فهم بهتری از عملکرد مغز و ایجاد مدل‌های بیولوژیکی منجر شوند.

کاربردهای SNNها

1- روباتیک و هوش مصنوعی توزیع‌شده: SNNها می‌توانند در سیستم‌های روباتیکی و توزیع‌شده که نیاز به پردازش اطلاعات در زمان واقعی و با مصرف انرژی پایین دارند، به کار گرفته شوند.

2- پردازش سیگنال‌های عصبی: SNNها می‌توانند در تحلیل و پردازش سیگنال‌های عصبی بیولوژیکی مانند سیگنال‌های مغزی و عضلانی مورد استفاده قرار گیرند.

3- سامانه‌های هوشمند: یادگیری این شبکه‌ها می‌توانند در ایجاد سامانه‌های هوشمند که نیاز به یادگیری و تطبیق سریع دارند، موثر باشند.

مهندس زهرا بخشنده: هوش مصنوعی در بهداشت و درمان

هوش مصنوعی (AI) در بهداشت و درمان نقش‌های بسیار مهم و متنوعی ایفا می‌کند که به بهبود کیفیت خدمات پزشکی، افزایش کارآیی و کاهش هزینه‌ها کمک می‌کند. برخی از کاربردهای مهم هوش مصنوعی در این حوزه عبارتند از:

1- تشخیص و پیش‌بینی بیماری‌ها: الگوریتم‌های یادگیری ماشین می‌توانند با تحلیل داده‌های پزشکی بیماران، بیماری‌ها را با دقت بالاتری تشخیص دهند و پیش‌بینی کنند. به عنوان مثال، هوش مصنوعی می‌تواند الگوهای مرتبط با بیماری‌های قلبی، دیابت، و سرطان را از روی داده‌های تصویری، ژنتیکی و پرونده‌های پزشکی شناسایی کند.

 2- تصویربرداری پزشکی: هوش مصنوعی در تحلیل تصاویر پزشکی مانند MRI، CT اسکن و رادیوگرافی نقش مهمی دارد. سیستم‌های هوشمند می‌توانند تومورها، عفونت‌ها و ناهنجاری‌های دیگر را با دقت و سرعت بالا شناسایی کنند که به پزشکان در تصمیم‌گیری سریع‌تر و دقیق‌تر کمک می‌کند.

3- پزشکی شخصی‌سازی شده: هوش مصنوعی با تحلیل داده‌های ژنتیکی و بالینی می‌تواند درمان‌هایی شخصی‌سازی شده به هر بیمار پیشنهاد دهد. این موضوع به خصوص در درمان سرطان بسیار مفید است، جایی که درمان‌ها می‌توانند براساس ویژگی‌های ژنتیکی خاص تومورهای بیمار تنظیم شوند.

4- مدیریت پرونده‌های پزشکی: با استفاده از هوش مصنوعی، پرونده‌های پزشکی بیماران به صورت خودکار دسته‌بندی و مدیریت می‌شوند. این تکنولوژی می‌تواند در سازماندهی داده‌ها، استخراج اطلاعات مهم و کاهش خطاهای انسانی در ثبت و نگهداری اطلاعات کمک کند.

5- مشاوره و مراقبت مجازی: چت‌بات‌ها و دستیارهای هوشمند می‌توانند به بیماران در مدیریت بیماری‌ها، یادآوری مصرف داروها و ارائه مشاوره‌های اولیه پزشکی کمک کنند. این سیستم‌ها می‌توانند به کاهش بار کاری کادر درمانی و بهبود دسترسی بیماران به خدمات اولیه کمک کنند.

6- تحقیقات پزشکی: هوش مصنوعی می‌تواند با تحلیل مقالات علمی و داده‌های تحقیقاتی به کشف داروهای جدید، شناسایی مکانیسم‌های بیماری و پیش‌بینی نتایج بالینی کمک کند. همچنین، AI می‌تواند به بهینه‌سازی طراحی و اجرای آزمایشات بالینی کمک کند.

دکتر مهدی جاماسب: استفاده از هوش مصنوعی در پیش‌بینی بازار

استفاده از هوش مصنوعی در پیش‌بینی بازار کریپتو و رمز ارزها در سال‌های اخیر، به شدت افزایش یافته است. این فناوری با تحلیل داده‌های گذشته و حال، پیش‌بینی‌های دقیق‌تری ارائه می‌دهد و فرصت‌های سرمایه‌گذاری را شناسایی می‌کند. برخی از کاربردهای کلیدی و مزایای استفاده از هوش مصنوعی در این حوزه عبارتند از:

1- تحلیل داده‌ها

هوش مصنوعی قادر است حجم عظیمی از داده‌های مربوط به بازار کریپتو را در زمان واقعی تحلیل کند. این داده‌ها شامل قیمت‌ها، حجم معاملات، اخبار مرتبط، تحلیل‌های فنی، و احساسات بازار می‌شوند. الگوریتم‌های یادگیری ماشین و پردازش زبان طبیعی (NLP) می‌توانند الگوها و روندهای مخفی در این داده‌ها را شناسایی کنند.

2- پیش‌بینی‌ها

با استفاده از تکنیک‌های پیشرفته مانند شبکه‌های عصبی عمیق و مدل‌های سری زمانی، هوش مصنوعی می‌تواند نوسانات قیمت رمز ارزها را پیش‌بینی کند. این پیش‌بینی‌ها می‌توانند به سرمایه‌گذاران در تصمیم‌گیری‌های بهتر و به موقع کمک کنند. مدل‌های پیش‌بینی هوش مصنوعی معمولاً با استفاده از داده‌های قدیمی، آموزش داده می‌شوند و سپس با داده‌های جدید تست می‌شوند تا دقت آن‌ها ارزیابی شود.

3- شناسایی فرصت‌ها

هوش مصنوعی می‌تواند فرصت‌های سرمایه‌گذاری که ممکن است از دید سرمایه‌گذاران انسانی پنهان بمانند را شناسایی کند. به عنوان مثال، با تحلیل همزمان داده‌های متعدد، هوش مصنوعی می‌تواند الگوهای غیرعادی را شناسایی کرده و نقاط ورود و خروج بهینه را پیشنهاد دهد. این می‌تواند به سودآوری بیشتر و کاهش ریسک کمک کند.

4- تحلیل احساسات بازار

یکی از ابزارهای مهم هوش مصنوعی در بازار کریپتو، تحلیل احساسات بازار است. با بررسی شبکه‌های اجتماعی، اخبار و انجمن‌های آنلاین، هوش مصنوعی می‌تواند احساسات جمعی را در مورد یک رمز ارز خاص تحلیل کند. این تحلیل‌ها می‌توانند به پیش‌بینی روندهای کوتاه‌مدت و تأثیر رویدادهای خبری بر قیمت‌ها کمک کنند.

5- مدیریت پورتفولیو

هوش مصنوعی می‌تواند به طور خودکار پورتفولیوهای رمز ارزها را مدیریت کند. الگوریتم‌های هوشمند می‌توانند ترکیب بهینه دارایی‌ها را بر اساس اهداف سرمایه‌گذاری و تحمل ریسک سرمایه‌گذار تعیین کنند و به طور مداوم این ترکیب را براساس شرایط بازار تنظیم کنند.

6- تشخیص الگوهای کلاه‌برداری و امنیت

هوش مصنوعی می‌تواند الگوهای مشکوک و کلاه‌برداری را در معاملات کریپتو شناسایی کند. این ابزارها می‌توانند فعالیت‌های غیرعادی مانند معاملات غیرمعمول یا حملات فیشینگ را تشخیص داده و به کاهش ریسک‌های امنیتی کمک کنند.

با توجه به این کاربردها، استفاده از هوش مصنوعی در پیش‌بینی بازار کریپتو و رمز ارزها می‌تواند به سرمایه‌گذاران کمک کند تا تصمیمات آگاهانه‌تری بگیرند و از فرصت‌های سرمایه‌گذاری بهتری بهره‌مند شوند. این تکنولوژی همچنان در حال تکامل است و می‌تواند در آینده نقش‌های بیشتری در بازارهای مالی ایفا کند.

مهندس امین رحمانی، مدیر و موسس ویراویراست: هوش مصنوعی مولد

هوش مصنوعی مولد (Generative AI)، نوعی از هوش مصنوعی است که قادر به تولید محتواهای جدید، از جمله متن، تصویر، صدا، و ویدیو است. این نوع از هوش مصنوعی معمولاً با استفاده از مدل‌های یادگیری عمیق مانند شبکه‌های عصبی مولد آموزش دیده می‌شود تا بتواند الگوها و ساختارهای پیچیده را از داده‌های آموزشی یاد بگیرد و محتواهایی تولید کند که شباهت زیادی به داده‌های اصلی دارند.

طبق گفته‌های او، هوش مصنوعی مولد توانایی درک کلمات، با توجه به معنی جمله را دارد. ایشان منظور خود را با مثالی بیان کردند: کلمه "سیب"!

فرض کنیم کلمه "سیب" در جمله‌ای استفاده شده است. هوش مصنوعی مولد می‌تواند با توجه به زمینه (Context) جمله، معانی مختلفی برای "سیب" پیشنهاد دهد. در زیر دو جمله آورده شده است که هوش مصنوعی ممکن است تولید کند:

1- سیب به عنوان میوه:

   - "امروز برای ناهار یک سیب خوشمزه خوردم."

   در این جمله، واضح است که "سیب" به میوه اشاره دارد.

2- سیب به عنوان برند اپل:

   - "من یک سیب جدید خریدم که امکانات خیلی خوبی دارد."

در این جمله، هوش مصنوعی می‌تواند بفهمد که "سیب" به برند اپل (Apple) اشاره دارد و منظور یک دستگاه الکترونیکی است.

چگونگی فهم و تولید محتوا توسط هوش مصنوعی مولد

هوش مصنوعی مولد با استفاده از الگوریتم‌های پردازش زبان طبیعی (NLP) و مدل‌های بزرگ زبانی مانند GPT (Generative Pre-trained Transformer) می‌تواند کلمات و عبارات را در زمینه‌های مختلف تحلیل کند. این مدل‌ها با بررسی تعداد زیادی از متون آموزشی یاد می‌گیرند که چگونه کلمات و عبارات در جملات مختلف استفاده می‌شوند و بر اساس این دانش، می‌توانند محتواهای جدید و مرتبط تولید کنند.

برای مثال، مدل GPT-4 که توسط OpenAI توسعه یافته است، با استفاده از داده‌های عظیمی از متون آموزشی توانسته است قابلیت تولید جملات با معنا و مفهوم را کسب کند. این مدل‌ها می‌توانند تفاوت‌های ظریف در معانی کلمات را با توجه به زمینه‌ای که در آن استفاده می‌شوند، تشخیص دهند و جملات جدیدی ایجاد کنند که با زمینه و معنای مورد نظر سازگار باشند.

مهندس کوشا نیک کار به صورت آنلاین از ایتالیا: Car Sharing analytics

Car sharing analytics در برنامه‌های موبایلی مانند Car2Go و Enjoy نقش بسیار مهمی در بهبود تجربه کاربری، بهینه‌سازی ناوگان خودروها و افزایش بهره‌وری خدمات دارد. این تحلیل‌ها از داده‌های مختلف جمع‌آوری شده توسط اپلیکیشن‌ها استفاده می‌کنند تا اطلاعات ارزشمندی برای کاربران و شرکت‌ها فراهم کنند.

مولفه‌های اصلی تحلیل‌های Car Sharing

1- تحلیل رفتار کاربر:

الگوهای استفاده: تحلیل زمانی و مکانی استفاده کاربران از خودروها (مثلاً بیشترین ساعات استفاده، مناطق پر تقاضا و...).

ترجیحات کاربران: نوع خودروهای مورد علاقه کاربران، مدت زمان اجاره و مسیرهای پرتکرار.

2- بهینه‌سازی ناوگان:

مدیریت توزیع خودروها: با استفاده از تحلیل‌های تقاضا، شرکت‌ها می‌توانند خودروها را به نحوی توزیع کنند که در مناطق با تقاضای بالا همیشه خودروهای موجود باشد.

نگهداری و تعمیرات: پیش‌بینی نیازهای تعمیر و نگهداری خودروها

3- تحلیل هزینه و درآمد:

 محاسبه درآمد: تحلیل درآمدزایی بر اساس مدت زمان و مسافت طی شده توسط خودروها.

کاهش هزینه‌ها: شناسایی عوامل موثر بر هزینه‌های عملیاتی و تلاش برای کاهش آن‌ها.

4- ایمنی و قوانین:

رعایت قوانین: بررسی داده‌های مربوط به تخلفات رانندگی و کمک به کاربران برای رعایت قوانین.

ایمنی کاربران: تحلیل حوادث و مشکلات ایمنی و ارائه راهکارهایی برای افزایش ایمنی کاربران.

مثال‌ها از Car2Go و Enjoy

Car2Go

Car2Go یکی از بزرگ‌ترین شرکت‌های car sharing است که تحلیل‌های گسترده‌ای بر روی داده‌های خود انجام می‌دهد:

پیش‌بینی تقاضا: Car2Go با استفاده از الگوریتم‌های یادگیری ماشین می‌تواند تقاضای کاربران در مناطق مختلف شهر را پیش‌بینی کند و خودروها را به صورت هوشمند توزیع کند.

بهینه‌سازی مسیر: ارائه پیشنهاداتی به کاربران برای پیدا کردن نزدیک‌ترین خودرو با توجه به مکان فعلی و مقصد نهایی.

Enjoy

Enjoy، سرویس car sharing متعلق به Eni نیز از تحلیل‌های پیشرفته برای بهبود خدمات خود استفاده می‌کند:

مدیریت زمان واقعی ناوگان: با استفاده از داده‌های GPS و تقاضای لحظه‌ای، Enjoy می‌تواند به سرعت خودروهای خود را جا به جا کند تا در مناطق با تقاضای بالا حضور داشته باشند.

تجزیه و تحلیل الگوهای مصرف: بررسی الگوهای مصرف کاربران برای بهبود تجربه کاربری و ارائه پیشنهادات شخصی‌سازی شده به کاربران.

دکتر مسعود دادگر: سیستم‌های توصیه‌گر و مزایای آن

هدف اصلی سیستم‌های توصیه‌گر، درک علایق مشتریان و کاربران است تا بتواند پیشنهادات خود را بر اساس آن شخصی‌سازی کند و تجربه کاربر را بهبود بخشد. اگر سیستم‌های توصیه‌گر در وب‌سایت‌ها به کار نرفته باشد، پیدا کردن محصولی که طبق سلیقه ما است، می‌تواند بسیار دشوار باشد و کاربران را از جست‌وجو مداوم خسته کند.

به طور مثال اگر از این سیستم در یک فروشگاه استفاده کنید، سیستم‌های توصیه‌گر می‌توانند براساس سلایق مشتریان، کالاهایی نمایش داده شده را شخصی‌سازی کند و در ابتدا محصولاتی که مشتری به آنها علاقه دارد را به کاربر نمایش دهد تا علاوه بر فروش و افزایش سود فروشگاه، مشتری نیز احساس خوبی نسبت به وب‌سایت فروشگاهی پیدا کند.

ایشان در مثال دیگری راجع به پلتفرم محبوب نتفلیکس و استفاده آنها از سیستم توصیه‌گر صحبت کردند. طبق گفته او، گزارش منتشر شده توسط نتفلیکس در سال 2015 نشان می‌دهد که 80 درصد کاربران از سیستم توصیه‌گر (Recommender system) برای تماشای فیلم استفاده کرده‌اند و تنها 20 درصد از کاربران از طریق جست و جو، به دنبال فیلم موردنظر خود گشته‌اند.

از این سیستم می‌توان در بخش‌های مربوط به فیلم و سریال، موسیقی، فروشگاه‌های اینترنتی، مد و پوشاک، گردشگری، غذا و حتی بازارهای مالی یا آموزش استفاده کرد.

البته در این سیستم، معیارهایی نیز وجود دارد که باید به آنها توجه ویژه کرد:

1- دقت: در گذشته یکی از مهم‌ترین چالش‌ها و معیارهایی که باید در سیستم‌های توصیه‌گر به آن توجه می‌شد، دقت بوده است. این فاکتور مربوط به دقیق بودن پیشنهادها و توصیه‌های سیستم به کاربر بوده است که با پیشرفت تکنولوژی، دقت سیستم‌ها افزایش یافته است اما همچنان یکی از مهم‌ترین معیارها محسوب می‌شود.

2-  تنوع: مواردی که توسط این سیستم پیشنهاد می‌شود، باید متنوع باشد و به منظور تبلیغات، تنها به یک دسته‌بندی خاص بسنده نکند. تنوع بالا باعث می‌شود که کاربر زمان زیادی را در وب‌سایت شما صرف کند.

3- قابلیت اعتماد: نمایش دسته‌بندی‌های محدود و بدون توجه کامل به سلایق مشتریان، باعث می‌شود که اعتماد کاربران نسبت به آن وب‌سایت از بین برود. همچنین حفظ حریم شخصی کاربران، یکی از مهم‌ترین ویژگی‌های این بخش است.

در ادامه، ایشان به چند نوع مختلف از سیستم‌های توصیه‌گر همانند سیستم‌های توصیه‌گر کلاسیک، دنباله‌ای و تعاملی اشاره کردند.

به طور مثال فرض کنید که کاربری یک بلیط هواپیما و تعدادی از اقلام سفر را تهیه کرده است. اگر سیستم استفاده شده از نوع کلاسیک باشد، قابلیت درک و پیشنهاد دیگر محصولات مربوط به سفر را ندارد اما اگر سیستم توصیه‌گر از نوع دنباله‌ای باشد، پیشنهادهایی که به سفر و مسافرت مربوط می‌شود را به کاربران پیشنهاد می‌دهد.

دسته دیگری از سیستم‌های توصیه‌گر که در چند سال اخیر عرضه شده است، سیستم‌های توصیه‌گر تعاملی است که با تعامل و صحبت کردن با کاربران عمل می‌کنند. در این سیستم، تعدادی سوال از کاربر پرسیده می‌شود تا علایق او را بسنجد و براساس اطلاعات وارد شده کاربر، پیشنهادهایی را به او ارائه می‌دهد. این نوع سیستم به صورت پویا کار می‌کند و می‌تواند با تغییر سلیقه کاربر، توصیه‌های خود را تغییر دهد.

دکتر علی صیادی: The Sentimental City

"The Sentimental City" مفهومی است که می‌تواند به جنبه‌های مختلف احساسی و روانی شهرها اشاره داشته باشد. این مفهوم به تحلیل و بررسی تاثیرات شهر و محیط شهری بر احساسات، تجربیات و رفتارهای ساکنان آن می‌پردازد. در این زمینه، مباحث متنوعی از جمله طراحی شهری، روانشناسی محیطی، هنر شهری و تعاملات اجتماعی مورد بررسی قرار می‌گیرند.

جنبه‌های مختلف "The Sentimental City"

1- طراحی شهری و معماری:

فضاهای عمومی: طراحی فضاهای عمومی مانند پارک‌ها، میادین و خیابان‌ها که می‌توانند تاثیر زیادی بر روحیه و احساسات ساکنان داشته باشند.

معماری و زیبایی‌شناسی: نحوه طراحی و ساخت بناها و استفاده از عناصر زیبایی‌شناختی می‌تواند احساس راحتی، افتخار و تعلق را در میان ساکنان تقویت کند.

2- هنر و فرهنگ شهری:

نقش هنر در شهر: نقاشی‌های دیواری، مجسمه‌ها و سایر اشکال هنر عمومی می‌توانند به ارتقای حس جامعه و فرهنگ شهری کمک کنند.

رویدادهای فرهنگی: برگزاری فستیوال‌ها، نمایشگاه‌ها و رویدادهای فرهنگی که می‌توانند احساس شادی و وحدت را در جامعه تقویت کنند.

3- تعاملات اجتماعی و جوامع محلی:

فضاهای تجمع: وجود فضاهایی که امکان تعامل و برقراری ارتباط بین افراد را فراهم می‌کنند، مانند کافه‌ها، بازارها و مراکز اجتماعی.

پشتیبانی اجتماعی: ایجاد جوامعی که در آن افراد احساس حمایت و همبستگی می‌کنند، می‌تواند به بهبود سلامت روانی و اجتماعی کمک کند.

 روانشناسی محیطی:

اثر محیط بر روانشناسی: بررسی اینکه چگونه عناصر مختلف محیطی مانند نورپردازی، سر و صدا و دسترسی به طبیعت می‌توانند بر حالت روحی و روانی افراد تاثیر بگذارند.

فضاهای سبز و طبیعت: وجود پارک‌ها و فضاهای سبز در شهرها که می‌توانند به کاهش استرس و افزایش رفاه عمومی کمک کنند.

5- تاریخ و هویت شهری:

حفظ میراث فرهنگی: نگهداری و ارتقای بناها و مکان‌های تاریخی که می‌تواند به ایجاد احساس افتخار و هویت در بین ساکنان کمک کند.

تاریخچه شهری: شناخت و ترویج تاریخ و داستان‌های مربوط به شهر که می‌تواند ارتباط عاطفی قوی‌تری بین ساکنان و شهر ایجاد کند.

ارائه مهندس رضا مومن بررسی راهکارهای شناسایی بدافزارها با استفاده از هوش مصنوعی

بررسی راهکارهای شناسایی بدافزارها با استفاده از هوش مصنوعی توسط مهندس رضا مومن گفته شد
شناسایی بدافزارها با استفاده از هوش مصنوعی (AI) یکی از مهم‌ترین و پیشرفته‌ترین رویکردهای امنیت سایبری است که در سال‌های اخیر توسعه یافته است. این رویکرد به دلیل توانایی AI در تحلیل حجم عظیمی از داده‌ها و شناسایی الگوهای مخفی که ممکن است از دید انسان پنهان بماند، بسیار مؤثر است. در ادامه به بررسی راهکارهای مختلف شناسایی بدافزارها با استفاده از هوش مصنوعی می‌پردازیم:

1- یادگیری ماشین (Machine Learning)

یادگیری ماشین یکی از زیرشاخه‌های هوش مصنوعی است که به سیستم‌ها اجازه می‌دهد بدون برنامه‌ریزی صریح، از داده‌ها بیاموزند. در زمینه شناسایی بدافزارها، الگوریتم‌های یادگیری ماشین می‌توانند به شناسایی الگوها و ویژگی‌های بدافزارها کمک کنند.

تکنیک‌های مورد استفاده:

دسته‌بندی (Classification): استفاده از الگوریتم‌هایی مانند SVM (Support Vector Machines)، درخت تصمیم (Decision Trees)، و جنگل تصادفی (Random Forests) برای دسته‌بندی فایل‌ها به عنوان بدافزار یا غیر بدافزار.

خوشه‌بندی (Clustering): استفاده از تکنیک‌های خوشه‌بندی مانند K-means برای گروه‌بندی نمونه‌های مشابه و شناسایی نمونه‌های مشکوک.

تحلیل رفتار (Behavioral Analysis): یادگیری رفتارهای معمول سیستم و شناسایی رفتارهای غیرعادی که ممکن است ناشی از فعالیت بدافزارها باشد.

2- یادگیری عمیق (Deep Learning)

یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد برای تحلیل داده‌های پیچیده استفاده می‌کند. این تکنیک‌ها به ویژه برای شناسایی بدافزارهای پیچیده و ناشناخته بسیار مؤثر هستند.

تکنیک‌های مورد استفاده:

شبکه‌های عصبی عمیق (Deep Neural Networks): استفاده از شبکه‌های عصبی چند لایه برای استخراج ویژگی‌های پیچیده از داده‌ها.

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs): برای تحلیل توالی داده‌ها مانند رفتارهای زمانی بدافزارها.

شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNNs): برای تحلیل داده‌های ساختار یافته مانند ترافیک شبکه یا فایل‌های اجرایی.

3- تشخیص ناهنجاری (Anomaly Detection)

تشخیص ناهنجاری به شناسایی رفتارهای غیرعادی و ناهنجار در سیستم اشاره دارد که ممکن است ناشی از فعالیت‌های بدافزارها باشد. این روش‌ها معمولاً به الگوریتم‌های یادگیری بدون نظارت (Unsupervised Learning) متکی هستند.

تکنیک‌های مورد استفاده:

تحلیل اجزای اصلی (Principal Component Analysis - PCA): برای کاهش ابعاد داده‌ها و شناسایی الگوهای غیرعادی.

ماشین بردار پشتیبان برای تشخیص ناهنجاری (One-Class SVM): برای شناسایی نمونه‌های ناهنجار در مجموعه داده‌های بزرگ.

شبکه‌های خودرمزنگار (Autoencoders): برای یادگیری نمایه‌های فشرده از داده‌ها و شناسایی ناهنجاری‌ها بر اساس بازسازی ناموفق داده‌ها.

4- سیستم‌های مبتنی بر امضا (Signature-Based Systems) با پشتیبانی از هوش مصنوعی

سیستم‌های مبتنی بر امضا با استفاده از پایگاه داده‌ای از امضاهای بدافزارهای شناخته شده عمل می‌کنند. هوش مصنوعی می‌تواند به بهبود این سیستم‌ها از طریق به‌روزرسانی خودکار امضاها و شناسایی الگوهای جدید کمک کند.

5- تحلیل پویا (Dynamic Analysis)

تحلیل پویا به بررسی رفتار یک فایل یا برنامه در محیطی کنترل شده اشاره دارد. هوش مصنوعی می‌تواند با تحلیل نتایج حاصل از اجرای بدافزار در سندباکس (Sandbox)، به شناسایی الگوهای رفتاری مشکوک بپردازد.