kind of visualization
@datascienceie

Big Data Analytics, Apple,, @datascienceie

data mining
@datascienceie

field of data science
theorotical
experimental
@datascienceie

Modern data scientist
@datascienceie

deep learning by python
@datascienceie

steps for analyze the data
@datascienceie

⚫️ارزیابی #ریسک_پروژه‌ها به کمک علم #داده_کاوی


🔘با توجه به گسترش روز افزون پروژه ها درکاربردهای مختلف و آمار بالای شکست این پروژه ها, مدیریت و ارزیابی ریسک ها امری ضروری به شمار می آید و زمینه تحقیقات زیادی درحوزه مهندسی صنایع است.

امروزه با گسترش تکنیک های داده کاوی، می توان با استفاده از تجربیات و داده های پروژه های گذشته به ارزیابی ریسک پروژه های جدید پرداخت.

▪️ به طور مثال در این روش می‌توان پارامترهای موثر بر ریسک به عنوان ورودی مدل #شبکه_عصبی به کار گرفت و سپس شاخص های نشان دهنده ریسک پروژه را به کمک مدل شبکه عصبی پیش‌بینی نمود.



Channel: @datascienceie

فرصت شغلی متخصص هوش تجاری در شرکت #اسنپ‌فود

ویژگی‌ها:

⚙ تسلط بر مفاهیم پایگاه داده و تجربه کار با یکی از پایگاه داده‌های شناخته شده (MS Sql Server, Oracle, MySql, PostgreSql, …)

⚙ آشنایی با ابزارهای گزارش‌گیری و تولید داشبوردهای مدیریتی

⚙ تجربه کار با برنامه‌های ETL

⚙ آشنایی با مفاهیم و ابزارهای data mining

⚙ تسلط بر مفاهیم انبار داده و تجربه ایجاد و مدیریت انبار داده

✉️ رزومه خود را به آدرس hr@snappfood.ir ارسال کنید. در قسمت موضوع ایمیل حتما عنوان BI Expert قید شود.

استارت‌آپ‌ها و شرکت‌های فناوری آمریکایی مشغول ساخت نرم‌افزاری مجهز به هوش مصنوعی هستند که در دوربین‌های همراه نیروی پلیس و نظارتی به کار می‌رود تا افراد مظنون و گمشده را ردیابی کند. به گزارش خبرگزاری مهر به نقل از وال استریت ژورنال، پلیس آمریکا در دوربین همراه نیروهای خود از هوش مصنوعی استفاده کرده تا بتواند مظنونان و کودکان گمشده را ردیابی کند.

پیش‌بینی می‌شود به زودی این فناوری برای نیروهای پلیس سراسر آمریکا به کار گرفته شود. نرم‌افزار جدید از الگوریتمی مخصوص استفاده می‌کند. این نرم‌افزار در دوربین‌های همراه نیروهای پلیس یا دوربین‌های مدار بسته به کار می‌رود و با شناسایی مظنون به افسر پلیس هشدار می‌دهد. درمرحله بعد افسر پلیس تصمیم می‌گیرد اقدامی درباره مظنون شناسایی شده، انجام دهد یا خیر. البته این فناوری در مراحل اولیه است و نیروی پلیس هنوز آن را نخریده است. به‌عنوان مثال شرکت «موتورلا سلوشنز» که فناوری مخابرات و دوربین‌های همراه پلیس را می‌سازد، به تازگی با شرکت هوش مصنوعی Neurala همکاری خود را آغاز کرده تا دوربین همراهی بسازد که مظنونان یا افراد گمشده را ردیابی کند. هوش مصنوعی اطلاعات مربوط به یک مخزن تصاویر افراد مظنون و گمشده را در خود دارد، ویژگی‌های فرد گمشده یا مظنون (مانند سن، رنگ مو یا ویژگی های متمایز فردی) نیز در مخزن اطلاعاتی وارد می‌شود. در مرحله بعد دوربین همراه افراد را بررسی می‌کند تا مشخصات تصاویر موجود در مخزن را ردیابی کند. در این هنگام در صورت رصد مشخصات فردی همخوان پیام هشداری به پلیس ارسال می‌شود. همچنین این نرم‌افزار با مرور زمان هوشمندتر می‌شود و اطلاعات بیشتری را در خود جذب می‌کند. با این وجود منتقدان معتقدند احتمال دارد این فناوری همیشه درست کار نکند.
@datascienceie

براساس گفته‌های محققان دانشگاه «پلیموث» (Plymouth) پیشرفت‌های هوش مصنوعی می‌تواند به ما در پیش‌بینی احتمال زندگی در دیگر سیارات کمک کند. در این مطالعه از «شبکه‌های عصبی مصنوعی»(ANNs) برای طبقه‌بندی سیارات به پنج نوع برای تخمین احتمال زندگی در هر کدام از آنها، استفاده شده است. این تحقیق امروز از سوی «کریستوفر بیشاپ» (Christopher Bishop) در گردهمایی «هفته نجوم و علوم فضایی اروپا»(EWASS) در لیورپول ارائه شده است. شبکه‌های عصبی مصنوعی سیستم‌هایی هستند که تلاش می‌کنند تا همانند مغز انسان چیزها را بیاموزند. آنها یکی از ابزارهای اصلی مورد استفاده در یادگیری ماشین هستند و در شناسایی الگوهایی که برای مغز بیولوژیکی پردازش آنها بسیار پیچیده است، بسیار خوب عمل می‌کنند. تیم مرکز روباتیک و سیستم عصبی دانشگاه پلیموث، شبکه خود را برای طبقه‌بندی سیارات به پنج نوع مختلف زمین کنونی، زمین اولیه، سیاره مریخ، زهره و تیتان بزرگ‌ترین قمر زحل تنظیم کرده‌اند. تمام این پنج جرم(سیارات)، یکی از اجزای قابل سکونت در منظومه شمسی ما هستند. @datascienceie

محبوب‌ترین شبکه اجتماعی جهان این روزها اوضاع خوبی ندارد، چرا که اخیرا مشخص شده برخی موسسات تحقیقاتی از کمبریج آنالیتیکا در زمان برگزاری انتخابات ریاست جمهوری سال ۲۰۱۶ آمریکا به نفع ترامپ فعالیت کرده و تلاش می‌کردند رفتار رای‌دهی کاربران اینترنت را بررسی و تجزیه و تحلیل کنند. این شرکت‌ها با بررسی و تحلیل گسترده رفتار کاربران فیس بوک تلاش داشتند تا ذهن آنها را علیه هیلاری کلینتون تحریک کنند. این در حالی بود که معلوم شد فیس‌بوک اطلاعات تماس‌ها و پیامک‌های رد و بدل شده و حتی ویدئوهای منتشر نشده کاربران را نگهداری می‌کند. به نظر می‌رسد، الگوی درآمدی فیس‌بوک مبتنی بر فروش چنین اطلاعات و دیتاهایی(داده) است که کاربرانش در فضای مجازی این شبکه به جا می‌گذارند، چراکه تغییر ساختار مدیریتی فیس‌بوک پس از این افشاگری باعث شد ارزش آن ۵۸ میلیارد دلار سقوط کند. به این بخش از دیتا و اطلاعاتی که کاربران اینترنت به دنبال هر فعالیت دیجیتالی به جا می‌گذارند، اصطلاحا data exhaust می‌گویند. این اطلاعات می‌تواند، سناریوی جامعی از عادات، ترجیحات، شیوه استفاده آنها از ابزارها یا محتوای دیجیتالی را فاش سازد.


بسیاری از کاربران از کنار این دیتا‌ها بسیار بی‌توجه می‌گذرند، در حالی که برای مدیران بازاریابی شرکت‌های تجاری که همواره به دنبال شناسایی الگوهای رفتار مصرفی افراد هستند، به مثابه یک سرمایه باارزش است که دسترسی به آن مزیت رقابتی محسوب می‌شود. مطالعات شرکت سیسکو در سال ۲۰۱۶ پیش‌بینی می‌کرد اینترنت اشیا(IoT) در سال ۲۰۱۸ حجم قابل توجهی، به میزان ۴۰۰زتابایت(معادل ۴۰۰هزار میلیاردگیگابایت) دیتا ایجاد خواهد کرد. منبع این دیتا‌ها هر شیء الکترونیکی می‌تواند باشد. از وسایل پوشیدنی و وسایل خانه هوشمند گرفته تا پلت‌فرم‌های اتصالی پیشرفته مانند بوئینگ ۷۸۷ که در هر ساعت پرواز ۴۰ترابایت دیتا تولید می‌کند یا عملیات معدنکاری ریو تینتو (یک شرکت استخراج معادن و فلزات بریتانیایی-استرالیایی) که می‌تواند در هر دقیقه ۴/ ۲ترابایت دیتا ایجاد کند. رقمی معادل ۲۰برابر آنچه در توییتر روزانه تولید می‌شود.

با وجود رشد عظیم دیتاهای به دست آمده از دستگاه‌های مجهز به IoT، تنها مقدار اندکی معادل ۶/ ۸زتابایت آن به مراکز داده برای ذخیره‌سازی و تجزیه و تحلیل فرستاده می‌شود. حجم data exhaust بسیار بیشتر از آن چیزی است که واقعا برای مطالعه و تجزیه و تحلیل به‌کار می‌رود. با این حال انتظار می‌رود، با پیشرفت سریع در ابعاد مختلف، بهبود قدرت اتصال IoT، کاهش هزینه به‌کارگیری حسگرها و رایانش ابری با استفاده از هوش مصنوعی، نه تنها اکثر این دیتا‌ها برای تجزیه و تحلیل‌های جدید استفاده ‌شود، بلکه استفاده از این دیتاها و به‌کارگیری آن برای اصلاح الگوی مصرف کاربران در لحظه و بی‌درنگ شود. خودروهای خودران نمونه خوبی از به‌کارگیری حجم بالایی از دیتا‌های حسگرها برای دستیابی به الگوهای رانندگی ایمن و کارآمد در محیط‌های جدید است.

طبق مطالعات گروه مشاوره بوستون، ۸۰درصد شرکت‌های نوآورانه شناخته شده جهان از دیتا‌ها برای استخراج مزایای رقابتی در کسب‌وکارشان استفاده می‌کنند. به همین دلیل شرکت‌هایی مانند شرکت بیمه Progressive، نایک و شرکت صنایع سنگین آمریکایی John Deere همچنان درصدد سرمایه‌گذاری روی تجهیز محصولاتشان به حسگر و بهره‌برداری از مزایای این داده‌ها برای طراحی محصول برحسب خواسته مشتری، نوآوری اقتصادی و مدل کسب‌وکار هستند. برای اکثر شرکت‌ها، ارزش دیتاها اندوخته خوبی در ارائه محصولات یا خدمات جدید است که به تنهایی منجر به ارتقای عملکرد کسب و کار آنها می‌شود.@datascienceie

نمونه‌های استفاده از data exhaust

یک تصور نادرست و رایج درباره IoT وجود دارد مبنی بر اینکه ارزش آن به سخت‌افزار و اتصال است، در حالی که اهمیت آنها به جمع‌آوری موثر و یکپارچه دیتا‌ها و حتی دسترسی به دیتا‌هایی است که قبلا امکان دسترسی به آنها وجود نداشت. برای مثال، استارت‌آپ Propeller Health با قرار دادن یک حسگر در یک اسپری آسم برای جمع‌آوری در لحظه دیتا‌ها درباره زمان و مکان استفاده از این اسپری، به بیماران تنفسی در کنترل بیماری‌شان کمک می‌کند. این شرکت پس از ادغام داده‌های به دست آمده از کاربران این اسپری با اطلاعات خارجی مانند کیفیت آب و هوا توانست به الگوهای درمانی دست یابد که حملات ناخواسته آسم را تا ۵۰درصد کاهش داد و در نهایت منجر به صرف‌جویی میلیاردها دلار در هزینه مراقبت‌های پزشکی شد.

شرکت بیمه Progressive با استفاده از دیتاهای مربوط به رفتارهای رانندگان که از حسگرهای تعبیه شده در خودروها به‌دست آورده، مدل‌های ریسک متناسب با رفتار رانندگان ایجاد کرده، درآمدش را بهبود بخشیده و حتی حق بیمه رانندگان محتاط را کاهش داده است. شرکت John Deere از دیتا‌های IoT برای تغییر مدل کسب و کار خود استفاده کرده‌ است. متوسط داده‌هایی که روزانه از مزارع به‌دست می‌آمد، در سال ۲۰۱۴ بالغ بر ۱۹هزار پوینت(واحد شمارش اطلاعات حسگر) بود که پیش‌بینی می‌شود با رشد قابل توجه تجهیزات و توسعه کاربرد حسگرها این رقم در سال ۲۰۲۰به ۱/ ۴میلیون برسد. با تبدیل این جریان دیتا‌ها به اطلاعات قابل تحلیل یا امکان تصمیم‌گیری خودکار بر اساس دیتاها، کسب و کار این شرکت از فروش تجهیزات کشاورزی به ارائه خدمات «کشاورزی دقیق» تغییر کرده است. دیتا‌ها همیشه ارزشمند و حاوی اطلاعات مهم هستند، به شرطی که افراد یا شرکت‌ها بدانند کجا و چگونه آن را جست‌وجو کنند. دیتاها نه تنها نشان‌دهنده ارزش اطلاعاتی است که در آن وجود دارد، بلکه برای شرکت ارزش اقتصادی دارند. داده‌ها می‌توانند فروخته شده یا معامله شوند و برای کسب و کارها مزیت رقابتی ایجاد کنند.
تبدیل data exhaust به دارایی

داشتن مزیت رقابتی به این معناست که شما یا کسب و کارتان می‌توانید نوعی ارزش را ارائه کنید که رقبای شما نمی‌توانند. این مزیت می‌تواند از طریق نوآوری، اجرای برتر، شناخت بهتر خواسته مشتری یا یک توانایی بزرگ‌تر در به دست آوردن و تبدیل دیتا به دارایی باشد. دیتا عمل تصمیم‌گیری را از شکل احساسی و بر مبنای حدس و گمان تجربی به تصمیمات عینی براساس الگوها و پیش‌بینی‌ها تبدیل می‌کند. در واقع، دیتا می‌آموزد که چقدر می‌توان چیزی را بهبود بخشید یا فرآیندی را بهینه‌سازی کرد. IoT نه تنها نشان‌دهنده فرصتی برای جمع‌آوری اطلاعات قابل توجهی در مورد محصولات، خدمات و عملیات است، بلکه فرصتی برای راه‌اندازی کسب و کار با یک مزیت رقابتی را فراهم می‌کند، با این حال، برای به دست آوردن این مزیت، اقداماتی لازم است.

تعبیه ابزار دقیق: این کار با شناسایی فرصت‌های بالقوه استخراج دارایی از دیتای IoT و تعیین ایمن‌ و اقتصادی‌ترین ابزار برای جمع‌آوری دیتا آغاز می‌شود. به‌عنوان مثال به جای تولید یک دستگاه جدید و تحمیل هزینه آن، می‌توان در همان محصول قدیمی حسگر تعبیه کرد. نایک سرمایه‌گذاری‌های قابل توجهی را برای گسترش پلت فرم Nike +‌(کفش‌های ورزشی، پوشیدنی‌های هوشمند و اپلیکیشن‌ها) برای جمع‌آوری دیتای بیشتر درباره بیش از ۷ میلیون دونده و رفتار آنها انجام داده تا از طریق جایگزینی کفش و پوشاک هوشمند و تخصصی‌تر فروشش را افزایش دهد. همچنین شرکت تولیدکننده لوازم ورزشی Under Armour حدود ۵۰۰ میلیون دلار برای دسترسی به ۱۵۰میلیون کاربر تناسب اندام و سلامت دیجیتال صرف کرده است. به این ترتیب، شرکت HealthBox برای ارائه خدمات نوآور در زمینه مراقبت‌های بهداشتی اقداماتی انجام داده است تا فرصت جمع‌آوری دیتا را فراهم کرده و آنها را با دقت بیشتری تحلیل کند. علاوه بر شناسایی موثرترین ابزار جمع‌آوری دیتا مانند حسگرها، شرکت‌ها نیاز به ایجاد و اداره یک محیط بیگ‌دیتا(کلان داده) برای به دست آوردن، مدیریت و تجزیه و تحلیل جریان دیتاهای مختلف IoT دارند.

بهینه‌سازی: هنگامی که ابزار دقیق برای جمع‌آوری و ذخیره دیتا وجود دارد، توانایی‌های مغزی و ابزار برای تبدیل دیتاهای IoT به بینش‌ها و تصمیم‌هایی که ارزش تجاری را به ارمغان می‌آورد، لازم است. این به آن معناست که داشتن یک تیم از دانشمندان، مهندسان و معماران دیتا برای پاسخگویی به سوالات درباره بهبود عملکرد و کشف الگوهای پنهان در دیتاها ضروری است. البته یافتن این تیم آسان نبوده و نیاز به ادغام افراد با مهارت‌های مختلف(برنامه‌نویسی پلت‌فرم، مدل‌سازی، متخصصان آمار و تحلیلگران کسب و کار) دارد.

رقابت برای پیروزی: داشتن دیتاها، بینش‌ها و اقدامات توصیه شده این امکان را می‌دهد کسب و کار یا پلت فرم فعلی بهبود یابد. اما کشف کامل ارزش دیتاها اغلب نیاز به بازنویسی مدل کسب و کار با دیتاها و توانایی استفاده از آن به‌عنوان یک مزیت اصلی دارد. با توجه به توانایی IoT برای مقیاس به حجم باورنکردنی دیتا پیرامون کسب و کار فعلی و تجربه مشتری، شرکت‌ها فرصت منحصر به فردی برای تغییر دارند. علاوه بر این، شرکت‌ها می‌توانند به جای ذخیره‌سازی صرف این دیتاها، برند محصولات هوشمند جدید را با تلفیق قابلیت‌های دیتای IoT تولید کنند.

به‌طور خلاصه، اگر IoT اینترنت جدید و دیتا دارایی جدید است، نباید اجازه داد data exhaust از بین رود. این دیتا بینشی به صاحبان کسب و کارها می‌دهد که بتواند مزیت رقابتی را به وجود آورد تا در بازارهای آتی سهم بیشتری به دست آورد. اما در وهله نخست نیاز به ایجاد توانایی ثبت و تجزیه و تحلیل این دیتاها و اصلاح فرآیند نوآوری لازم است تا از توان دیتای تولید شده توسط IoT در محصولات، خدمات و مدل‌های تجاری جدیدی که به شرکت مزیت رقابتی می‌دهد، استفاده کند.@datascienceie

شرکت آی‌بی‌ام موفق به تولید کوچک‌ترین رایانه دنیا شده که به اندازه دانه نمک است. نکته جالب این است که رایانه مذکور قدرت پردازش کم و بیش بالایی هم دارد. به گزارش خبرگزاری مهر به نقل از مشبل، قدرت محاسباتی رایانه یادشده به اندازه یک تراشه x۸۶ است که در دهه ۹۰ میلادی در رایانه‌های شخصی مورد استفاده قرار می‌گرفت.

رایانه یادشده آنقدر کوچک است که برای مشاهده آن نیاز به میکروسکوپ دارید. تولید این رایانه برای آی‌بی‌ام کمتر از ۱۰سنت هزینه داشته و چند صد ترانزیستور هم روی آن نصب شده است. از این رایانه می‌توان برای مشاهده، تحلیل، تبادل داده و برقراری ارتباطات استفاده کرد. یک مزیت دیگر این رایانه‌های فوق کوچک سازگاری آنها با فناوری و برنامه‌های مبتنی بر بلاک‌چین است. بنابراین از این رایانه می‌توان برای اموری همچون ردگیری وضعیت ارسال انواع کالا، شناسایی هرگونه سرقت، کلاهبرداری و... و همین‌طور اجرای برخی امور ساده و اصلی مبتنی بر هوش مصنوعی مانند مرتب کردن داده‌ها و اقلام دیگر بهره گرفت. آی‌بی‌ام می‌گوید تولید این رایانه تنها آغاز راه است و در ۵سال آینده رایانه‌های فوق کوچک دیگری با استفاده از تازه‌ترین فناوری‌های رمزگذاری داده‌ها تولید می‌شوند که حتی از دانه‌های نمک هم کوچک‌تر خواهند بود و می‌توان آنها را در هر وسیله و شیء کار گذاشت. شرکت سازنده هنوز زمان عرضه نهایی این رایانه را اعلام نکرده و می‌گویند هنوز در حال تست و آزمایش نمونه اولیه تولیدی آن هستند.
@datascienceie

sql vs nosql
@datascienceie

وقتی یک کمپانی به بزرگی گوگل داشته باشید، همواره باید بین خریدن یا ساختن یکی را انتخاب کنید. این دو راهی می‌تواند بر سر ساختن یا خریدن یک شرکت باشد یا می‌تواند در زمینه اجاره یا ساختن کابل‌های انتقال دیتا زیردریایی باشد. در همین راستا، شرکت گوگل اعلام کرد که قصد دارد یک کابل مخصوص زیردریایی را تولید کند که از ژاپن تا گوام و از گوام تا استرالیا کشیده خواهد شد. این فاصله حقیقتا بسیار طولانی است و چیزی حدود ۹ هزار و ۵۰۰ کیلومتر طول خواهد داشت و پروژه بزرگی محسوب می‌شود. گوگل پروژه‌هایی در این وسعت را همواره جدی می‌گیرد و به‌نظر می‌رسد از لحاظ اقتصادی و فنی نیز سود قابل توجهی برای شرکت خواهد داشت. این کابل که JGA نام دارد به شبکه کابلی فعلی هنگ کنگ-سنگاپور- استرالیا متصل خواهد شد و حلقه‌ای را تشکیل می‌دهد که تمامی منطقه آسیایی اقیانوس آرام را دربر خواهد گرفت. این کابل با همکاری شرکت NEC و آلکاتل ساخته می‌شود.

ویجی ووسیریکالا یکی از مهندسان ارشد گوگل که در بخش کابل‌های زیردریایی تخصص دارد می‌گوید:«زمانی که مصرف شرکت به مقدار قابل توجهی می‌رسد، ساخت کابل زیردریایی از لحاظ اقتصادی خیلی به‌صرفه‌تر از اجاره کابل از دیگر شرکت‌ها است. این کار باعث می‌شود کابل‌ها بهینه‌سازی شده و برای مصارف تخصصی شرکت طراحی و استفاده شوند». این تصمیم جدید که گوگل آن را اعلام کرد، پروژه‌ای است که احتمالا تکمیل آن تا پایان سال آینده میلادی طول بکشد. این پروژه با تولید کابل‌ها در کارخانه آغاز می‌شود. این کابل‌ها طوری ساخته می‌‌شوند که در بستر اقیانوس مقاوم باشند و تا مدت‌ها دوام بیاورند. هرکابل حاوی سیم‌های فیبری با کیفیت فوق‌العاده بالا است که قادرند ۱۰۰ ترابیت ترافیک را منتقل کنند. برای درک بهتر قدرت انتقال این کابل‌ها، گوگل می‌گوید این کابل قادر است ۶۳ هزار تصویر را در ثانیه انتقال دهد یا به‌طور همزمان ۶۵۰ هزار ویدئو با کیفیت اچ‌دی پخش کند. این پروژه بخشی از ۳۰۰ شبکه کابلی است که درسراسر دنیا وجود دارند. در یکی دوسال اخیر و با گسترش حجم انتقال داده‌ها، کابل‌های زیردریایی متعددی وارد این شبکه گسترده شده‌اند که فیس‌بوک و آمازون نقش مهمی در افزایش این شبکه‌های کابلی زیردریایی در سراسر دنیا داشته‌اند.
@datascienceie

شرکت ال جی درصدد تولید گوشی جدیدی به نام جی ۷ تین کیو همراه با یک دکمه ویژه هوش مصنوعی و کارکردهای منحصربه‌فرد است. به تازگی اطلاعات و تصاویری از این گوشی در فضای مجازی منتشر شده که نشان می‌دهد این گوشی با بسیاری از قابلیت‌ها و امکانات محصولات مبتنی بر هوش مصنوعی سازگاری کامل دارد. دستیار صوتی هوشمند ویژه و هوشمندسازی دوربین برای ارتقای کیفیت عکس‌ها و ویدئوهای تهیه شده به‌طور خودکار از جمله مزایای این گوشی خواهد بود.

شرکت ال جی اولین بار در زمان عرضه گوشی V۳۰S ThinQ از برنامه‌های خود برای هوشمندسازی تلفن‌های همراه تولیدی خود پرده برداشت و به نظر می‌رسد در ماه‌های آینده همین روند را ادامه خواهد داد. براساس اطلاعات منتشر شده گوشی مذکور دارای نمایشگر ۱/ ۶ اینچی بوده و دکمه روشن و خاموش آن در سمت راست قرار گرفته است.پردازنده Snapdragon ۸۴۵، ۴ گیگابایت رم و ۶۴ گیگابایت حافظه داخلی اس اس دی از جمله دیگر امکانات این گوشی است. دوربین سلفی این گوشی ۸ مگاپیکسلی و دوربین اصلی آن ۱۶ مگاپیکسلی است. یک حسگر اثر انگشت هم برای گوشی یادشده در پشت آن در نظر گرفته شده است. این گوشی احتمالا دو ماه دیگر به بازار عرضه شود.
@datascienceie

محققان در ام آی تی ابزار پوشیدنی به نام AlterEgo ساخته‌اند که می‌تواند بدون اینکه حرف بزنید، صدای درون شما را بشنود.

هدست آلتراِگو قادر به خواندن ذهن است و کاربر بدون اینکه با صدای بلند حرف بزند، می‌تواند دستگاه را مدیریت کرده و از طریق الکترودهای متصل به پوست آوانویسی کند.

«آرناو کاپور» مسوول این پروژه در «مدیا لب» ام آی تی گفت: ایده این بود که آیا می‌توانیم پلتفرم محاسباتی درونی داشته باشیم که ادراک انسانی ماشینی را پشتیبانی کند؟

هنگامی که یک نفر کلماتی را در ذهن خود می‌گوید، هوش مصنوعیِ تعبیه شده در دستگاه، سیگنال‌های خاصی تولید می‌کند که این سیگنال‌ها با کلمات خاص مطابقت داده شده و سپس به رایانه منتقل می‌شود.

به هدست سفید رنگ 4 الکترود چسبیده که کار «ذهن خوانی» را انجام می‌دهد. صدای تولید شده در گوش پخش می‌شود و هم زمان هم کاربر و هم اطرافیان می‌توانند بشنوند. ایده مطرح شده این بود که یک رابط کامپیوتری ایجاد شود که از طریق آلتراگو فقط کاربرِ همان دستگاه بتواند با خود مکالمه داشته باشد.

هدست آلتراگو به صدای درون‌تان گوش فرا داده و با کاربری که دستگاه را به خود آویزان کرده سخن می‌گوید؛ درحالی که محیط اطراف شما را سکوت فرا گرفته است!@datascienceie

شرکت‌ها علاقه زیادی به استفاده از هوش مصنوعی در کسب‌وکار خود دارند. نظرسنجی اخیر شرکت گارتنر نشان می‌دهد که ۴۶ درصد مدیران ارشد فناوری اطلاعات سازمان‌ها، از قصد خود برای پیاده‌سازی فناوری هوش مصنوعی در آینده خبر داده‌اند. با این حال برخی پروژه‌های هوش مصنوعی با موفقیت همراه نمی‌شود. ویت اندروز (Whit Andrews) تحلیلگر برجسته گارتنر می‎گوید با وجود علاقه فراوان شرکت‌ها به هوش مصنوعی، پیاده‌سازی این فناوری در سازمان‌ها بعضا در سطوح پایین باقی می‌ماند و راه به جایی نمی‌برد. گارتنر با توجه به تجاربی که در این‌خصوص دارد، برای در امان ماندن از این نتایج نامطلوب، چهار پیشنهاد کاربردی ارائه داده است:

۱. ابتدا هدف کوچکی در نظر بگیرید: یکی از بزرگترین اشتباه‌های مدیران سازمان‌ها این است که در استفاده از هوش مصنوعی، نتایج بسیار بزرگی را درسر می‌پرورانند. این در حالی است که اندروز به مدیران توصیه می‌کند که در همان ابتدای امر به دنبال دستاوردهای عظیم مالی نباشند، بلکه در وهله اول عواملی همچون بهبود فرآیندها و ارتقای سطح رضایتمندی مشتریان را دنبال کنند. ۲. تمرکز بر آموزش دادن کارکنان، به‌جای اخراج آنها: یکی از بزرگترین ترس‌های کارکنان سازمان‌ها، یکی از بهترین راه‌های صرفه‌جویی در هر سازمان محسوب می‌شود؛ تعدیل نیرو. با این حال گارتنر می‎گوید مدیران باید با این هدف به سراغ استفاده از هوش مصنوعی بروند که کار پرسنل خود را بهبود ببخشند، نه اینکه آنها را جایگزین هم کنند.

۳. برنامه‌ای برای انتقال دانش داشته باشید: استفاده کارآمد از هوش مصنوعی مستلزم برخورداری از مقداری دانش و تخصص است و از آنجا که پرسنل بسیاری از شرکت‌ها فاقد چنین مهارت‌هایی هستند بنابراین مدیران به فکر برون‌سپاری کار می‌افتند. این در حالی است که معاون پژوهشی گارتنر این کار را ایده‌آل نمی‌داند و می‎گوید تکیه بر طرف‌های ثالث برای انجام چنین وظایفی، یک راه حل منطقی و درازمدت محسوب نمی‌شود. وی می‎گوید در پروژه‌های اولیه هوش مصنوعی، سعی کنید دانش را از کارشناسان برون‌سازمانی به پرسنل خود منتقل‌سازید تا از این طریق توانمندی‌های درون سازمانی خود را تقویت کنید تا بعدها بتوانید در پروژه‌های بزرگ‌تری هوش مصنوعی از این ظرفیت به خوبی بهره ببرید.

۴- راه حل‌های شفاف هوش مصنوعی را برگزینید: صرف‌نظر از توانمندی و تخصص یک سازمان، به نظر می‌رسد برای موفقیت در پروژه‌های پیاده‌سازی هوش مصنوعی، استفاده از منابع نرم‌افزاری یا سخت‌افزاری خارج از سازمان ناگزیر است؛ ولی نکته اینجاست که در چنین فضایی باید به‌گونه‌ای شفاف و روشن عمل کرد. به همین دلیل مدیران سازمان‌ها باید در استفاده از ابزار و اطلاعات خارجی، واضح و شفاف عمل کنند. علاوه بر این، شفافیت حتی ممکن است در بعضی شرایط به یک الزام قانونی و حقوقی تبدیل شود.
@datascienceie