به گزارش تیکنا و به نقل از ایمنا، محمدجواد قانع‌دستجردی در پاسخ به این سوال که هوش مصنوعی در چه صنایعی بیشترین تأثیر را داشته است، اظهار کرد: ابتدا باید بررسی کنیم که فعال‌ترین کشورها در حوزه هوش مصنوعی و بهره‌گیری از آن، چه کشورهایی هستند. با توجه به این موضوع می‌توان ارزیابی کرد که در این کشورها چه صنایعی با استفاده از هوش مصنوعی دچار تحول شده‌اند. به‌عنوان مثال، کشورهای آمریکای شمالی را می‌توان به‌عنوان پیشروان استفاده از هوش مصنوعی مطرح کرد، همچنین ژاپن و کره جنوبی نیز از جمله کشورهایی هستند که بیشترین تحولات در زمینه هوش مصنوعی را تجربه کرده‌اند. این تحولات عمدتاً در صنعت نظامی، شهرسازی و شهرهای هوشمند، و در نهایت، در پزشکی و کشاورزی رخ داده است.
وی درباره تفاوت‌های یادگیری ماشین و یادگیری عمیق افزود: هر دو این روش‌ها زیرمجموعه‌هایی از هوش مصنوعی به‌شمار می‌روند. یادگیری ماشین به‌مراتب ساده‌تر از یادگیری عمیق است و به سخت‌افزارهای سنگینی نیاز ندارد؛ این در حالی است که یادگیری عمیق نیازمند پردازنده‌های گرافیکی پیشرفته است، همچنین مدل‌های یادگیری عمیق به مراتب پیچیده‌تر از یادگیری ماشین هستند و توانایی پردازش‌های سنگینی همچون پردازش تصویر، زبان طبیعی انسان و پردازش فیلم‌ها را دارند. از سوی دیگر، یادگیری ماشین در کاربردهای ساده‌تری مورد استفاده قرار می‌گیرد. مدل‌نویسی در یادگیری ماشین نیز نیازمند تنظیمات دستی است و فرد باید با داده‌های خود آشنا باشد؛ در حالی که یادگیری عمیق با بهره‌گیری از مدل‌های چندلایه، تنظیمات را به‌صورت خودکار انجام می‌دهد.
کارشناس نرم‌افزار ادامه داد: در حوزه پزشکی و خدمات درمانی، نمونه‌هایی از کاربرد هوش مصنوعی وجود دارد که به‌طور چشمگیری به‌کارگیری شده‌اند. به‌عنوان مثال، در تحلیل عکس‌های ایکس‌ری، هوش مصنوعی به‌خوبی در کمک به جراحان ارتوپد وارد عمل شده و به تشخیص شکستگی‌ها و حتی پیشنهاد نوع درمان و عمل جراحی می‌پردازد. این فناوری می‌تواند ابزاری مکمل در کنار پزشکان باشد و حتی تصاویر پیچیده‌تری از عکس‌های گرافیکی را تحلیل کند. به‌علاوه، این تکنولوژی در شناسایی کووید -۱۹ از طریق تصاویر قفسه سینه نیز به کار رفته است. حتی در بیمارستان کاشانی اصفهان نیز از این فناوری بهره گرفته شده است. سیستم‌های هوش مصنوعی با تصویربرداری از زخم‌ها و بررسی عمق آن‌ها، به پزشکان روش‌های بخیه زدن را پیشنهاد می‌دهند و زخم‌ها را شبیه‌سازی می‌کنند، همچنین در حوزه آموزش پزشکی، سیستم‌های شبیه‌سازی سه‌بعدی توسط هوش مصنوعی ایجاد شده‌اند تا دانشجویان بتوانند خود را در فضای اتاق عمل مشاهده کرده و با محیط کار آینده خود آشنا شوند.
قانع درباره اینکه آیا استفاده از هوش مصنوعی در فرآیندهای تولید صنعتی می‌تواند منجر به کاهش هزینه‌ها و افزایش بهره‌وری شود، گفت: هوش مصنوعی در ۹۰ درصد مواقع به کاهش هزینه‌ها منجر می‌شود، هرچند در برخی موارد هزینه‌ها را کاهش نمی‌دهد و حتی ممکن است افزایش دهد. برای مثال، در فرآیندهای تولید صنعتی، این فناوری می‌تواند هزینه‌ها را کاهش دهد، اما در محیط‌های دانشگاهی ممکن است هزینه‌هایی برای افزایش دانش به همراه داشته باشد. برای مثال، شرکت تویوتا با استفاده از هوش مصنوعی به تولید خودرو می‌پردازد و کارخانه‌های آن کاملاً رباتیک هستند که به‌صرفه‌جویی اقتصادی و بهبود کیفیت محصولات کمک شایانی کرده است، همچنین در صنعت معدن، هوش مصنوعی هزینه‌های سنگین اکتشاف را کاهش داده و به تشخیص محل معادن بر اساس داده‌های جغرافیایی کمک می‌کند.
وی با اشاره به تأثیر هوش مصنوعی بر مشاغل، به ویژه در ایران بیان کرد: این فناوری موجب حذف برخی مشاغل و جایگزینی هوش مصنوعی با نیروی انسانی می‌شود. مشاغلی همچون طراحی وب‌سایت، بهینه‌سازی موتورهای جست‌وجو، مدیریت شبکه‌های اجتماعی و کارگران گلخانه به تدریج ممکن است توسط هوش مصنوعی انجام شود. از طرفی، فرصت‌های شغلی جدیدی نیز برای افرادی که در حوزه هوش مصنوعی فعالیت دارند، به‌وجود می‌آید. به همین دلیل، توصیه می‌شود که افراد در هر حوزه‌ای با فناوری‌های جدید آشنا شوند تا بتوانند خود را با ورود هوش مصنوعی سازگار کنند.
قانع ادامه داد: از نظر چالش‌های اخلاقی و قانونی، قوانین خاصی در کشورها برای استفاده از هوش مصنوعی وضع شده است. به طور مثال استفاده از هوش مصنوعی در حوزه هک، غیرقانونی است و بسیاری از کشورها از طریق قانون‌گذاری‌های مناسب از چالش‌های اخلاقی جلوگیری می‌کنند. برای مثال، هوش مصنوعی به دلیل وجود قوانین مربوط به حق‌کپی‌برداری از نوشتن نوت‌های موسیقی خودداری می‌کند.
کارشناس نرم‌افزار اضافه کرد: داده‌های بزرگ یا بیگ دیتا خوراک اصلی هوش مصنوعی هستند و بدون داده، هوش مصنوعی قادر به انجام هیچ عملی نیست. هرچه حجم و کیفیت داده‌ها بیشتر باشد، دقت پیش‌بینی‌های هوش مصنوعی نیز افزایش می‌یابد. برای مثال، برای پیاده‌سازی یک سیستم هوش مصنوعی جهت تشخیص کووید -۱۹، مجموعه‌ای بزرگ از تصاویر ایکس‌ری قفسه سینه مورد نیاز است. اگر این داده‌ها به‌جای ۱۰۰ تصویر، ۱۰ میلیون تصویر باشند، دقت سیستم به شدت افزایش پیدا می‌کند.
قانع اظهار کرد: در حوزه کشاورزی، استفاده از سیستم‌های هوشمند همچون سیستم‌های آبیاری و سم‌پاشی زمان‌بندی‌شده بسیار مقرون به‌صرفه‌تر از سیستم‌های مبتنی بر هوش مصنوعی است. این سیستم‌ها به‌طور دستی قابل تنظیم هستند و نیازی به هوش مصنوعی پیچیده و هزینه‌بر ندارند، اما در مورد شناسایی بیماری‌ها و آفات گیاهی، هوش مصنوعی می‌تواند با دقت بالا گیاهان سالم و ناسالم را شناسایی کرده و نوع بیماری را تشخیص دهد، که از نظر اقتصادی نیز می‌تواند مقرون به‌صرفه باشد.
وی ادامه داد: استفاده از ربات‌ها و ماشین‌های خودکار مجهز به هوش مصنوعی در کشورهای خارجی، پیاده‌سازی شده و به کمک دوربین‌هایی که در مزارع نصب شده‌اند، شناسایی محصول از طریق رنگ برگ‌ها، دمای هوا، مدت زمان رشد و رنگ میوه‌ها انجام می‌شود. این سیستم به کشاورز اطلاع می‌دهد که آیا محصول آماده برداشت است یا خیر. پس از این شناسایی، کشاورز می‌تواند تصمیم به برداشت محصول گیرد.
کارشناس نرم‌افزار بیان کرد: در حوزه برداشت، از ربات‌ها استفاده می‌شود که ارتباط مستقیمی با هوش مصنوعی ندارد. به‌عنوان مثال، در آمریکا سیستم‌هایی برای برداشت سیب وجود دارند که ربات‌ها به دور درخت محفظه‌ای قرار می‌دهند و با یک لرزش به درخت، تمام سیب‌ها داخل محفظه جمع می‌شود. سپس از این محفظه، سیب‌ها با نوار نقاله به انبار یا وسایل نقلیه منتقل می‌شوند. در ادامه، این نوار نقاله به یک سیستم هوش مصنوعی متصل می‌شود که با استفاده از دوربین‌ها (نه سنسورها)، میوه‌های نارس، کرم‌خورده یا خراب را تشخیص داده و با بازوهای رباتیک آن‌ها را از نوار نقاله جدا می‌کند. این میوه‌ها در محفظه‌ای دیگر قرار داده می‌شوند تا از آن‌ها به شکل دیگری استفاده شود. این نمونه‌ای است که در آن ربات‌ها و هوش مصنوعی در کنار هم برای برداشت محصولات به شدت مفید و کارآمد هستند.
قانع گفت: در صنعت آبمیوه‌سازی، ربات‌های مختلفی از فرآیند تولید آبمیوه گرفته تا بسته‌بندی و حتی ارسال به فروشگاه‌های مرتبط حضور دارند. هوش مصنوعی در این میان نقش مهمی ایفا می‌کند. برای مثال، با استفاده از تاریخ برداشت میوه‌ها و نژاد آن‌ها، به راحتی می‌تواند تاریخ انقضای محصول را پیش‌بینی کند. این امکان موجب می‌شود که دیگر نیاز به تعیین تاریخ انقضای ثابت نباشد و حتی نیازی به استفاده از مواد نگهدارنده هم نباشد. به‌عنوان مثال، در مورد آب پرتقال، هوش مصنوعی می‌تواند پیش‌بینی کند که این محصول دو ماه تا زمان انقضا دارد و فروشنده می‌داند تا چه زمانی می‌تواند آن را بفروشد. در غیر این صورت، اگر این اطلاعات دقیق در دسترس نباشد، تولیدکنندگان مجبورند مواد نگهدارنده به محصول اضافه کنند تا تاریخ انقضا را به دست آورند.
