It’s a historic moment for Artificial Intelligence (AI). All the pieces are coming together: big data, advances in hardware, emerging powerful AI algorithms, and an open source community for tools that reduces barriers to entry for industry and start-ups alike. The result: AI is being propelled out of research labs and into our everyday lives, from navigating cities, ride shares, our energy networks, to the online world.

In 20 everyone is starting to see the business value of AI. It is being added to more and more things every year, and it is getting smarter and smarter – accelerating human innovation. But as AI becomes more powerful, more autonomous and broader in its use and impact, the unsolved issue of AI safety is paramount. Risks include: bias, poor decision making, low transparency, job losses and malevolent use of AI, such as autonomous weaponry.

The challenge, however, goes beyond guiding human friendly AI” to ensuring Earth friendly AI”. As the scale and urgency of the economic and human health impacts from our deteriorating natural environment grows, we have an opportunity to look at how AI can help transform traditional sectors and systems to address climate change, deliver food and water security, build sustainable cities, and protect biodiversity and human wellbeing.

To this end, in a new Forum-PwC report launched at Davos this year, we showcase the significant opportunity to harness AI for the Earth. Here we outline eight of the identified game changer” AI applications to address this planet’s challenges:

Priority action areas for addressing Earth challenge areas

Image: PwC

 Autonomous and connected electric vehicles

AI-guided autonomous vehicles (AVs) will enable a transition to mobility on-demand over the coming years and decades. Substantial greenhouse gas reductions for urban transport can be unlocked through route and traffic optimisation, eco-driving algorithms, programmed platooning” of cars to traffic, and autonomous ride-sharing services. Electric AV fleets will be critical to deliver real gains.

Distributed energy grids

AI can enhance the predictability of demand and supply for renewables across a distributed grid, improve energy storage, efficiency and load management, assist in the integration and reliability of renewables and enable dynamic pricing and trading, creating market incentives.

Smart agriculture and food systems

AI-augmented agriculture involves automated data collection, decision-making and corrective actions via robotics to allow early detection of crop diseases and issues, to provide timed nutrition to livestock, and generally to optimise agricultural inputs and returns based on supply and demand. This promises to increase the resource efficiency of the agriculture industry, lowering the use of water, fertilisers and pesticides which cause damage to important ecosystems, and increase resilience to climate extremes.

 Next generation weather and climate prediction

A new field of Climate Informatics” is blossoming that uses AI to fundamentally transform weather forecasting and improve our understanding of the effects of climate change. This field traditionally requires high performance energy-intensive computing, but deep-learning networks can allow computers to run much faster and incorporate more complexity of the ‘real-world’ system into the calculations.

In just over a decade, computational power and advances in AI will enable home computers to have as much power as today’s supercomputers, lowering the cost of research, boosting scientific productivity and accelerating discoveries. AI techniques may also help correct biases in models, extract the most relevant data to avoid data degradation, predict extreme events and be used for impacts modelling.

 Smart disaster response

AI can analyse simulations and real-time data (including social media data) of weather events and disasters in a region to seek out vulnerabilities and enhance disaster preparation, provide early warning, and prioritise response through coordination of emergency information capabilities. Deep reinforcement learning may one day be integrated into disaster simulations to determine optimal response strategies, similar to the way AI is currently being used to identify the best move in games like AlphaGo.

AI for the Earth game-changers: indicative timeline

Image: PwC

 AI-designed intelligent, connected and livable cities

AI could be used to simulate and automate the generation of zoning laws, building ordinances and floodplains, combined with augmented and virtual reality (AR and VR). Real-time city-wide data on energy, water consumption and availability, traffic flows, people flows, and weather could create an urban dashboard” to optimise urban sustainability.

 A transparent digital Earth

A real-time, open API, AI-infused, digital geospatial dashboard for the planet would enable the monitoring, modelling and management of environmental systems at a scale and speed never before possible – from tackling illegal deforestation, water extraction, fishing and poaching, to air pollution, natural disaster response and smart agriculture.

 Reinforcement learning for Earth sciences breakthroughs

This nascent AI technique – which requires no input data, substantially less computing power, and in which the evolutionary-like AI learns from itself – could soon evolve to enable its application to real-world problems in the natural sciences. Collaboration with Earth scientists to identify the systems – from climate science, materials science, biology, and other areas – which can be codified to apply reinforcement learning for scientific progress and discovery is vital. For example, DeepMind co-founder, Demis Hassabis, has suggested that in materials science, a descendant of AlphaGo Zero could be used to search for a room temperature superconductor – a hypothetical substance that allows for incredibly efficient energy systems.

To conclude, we live in exciting times. It is now possible to tackle some of the world’s biggest problems with emerging technologies such as AI. It’s time to put AI to work for the planet.

The 4IR for the Earth programme is a collaboration between the World Economic Forum, PwC, and Stanford University, and which is also supported by the MAVA Foundation. The programme looks to accelerate tech innovation for Earth's most pressing environmental challenges. It will help identify, support and scale new ventures, partnerships and business models that harness tech to transform how the world tackles environmental challenges.

چرا روانشناسی رنگ مهم است؟

حس بینایی، همواره برای کسب اطلاعات درباره جهان پیرامون قوی ترین حس انسان به شمار می رود. رنگ ها در زندگی همه ی افراد حضور فعال و مؤثری دارند و به همین جهت از مهم ترین عناصر دیداری به حساب می آیند که دارای بار احساسی و عاطفی هستند. رنگ ها سبب می شوند تا بتوانید به درک محیط، کسب اطلاعات و جهت یابی بپردازید و با محیط پیرامون ارتباط بیشتری برقرار کنید.روان شناسی رنگ به معنی تأثیرگذاری رنگ های موجود در محیط، همچنین بر ذهن و حالات روحی افراد است. می توان از رنگ ها به عنوان عامل کمکی در درمان بیماری های مختلف، ایجاد تغییرات مثبت در فكر، ذهن و جسم، تنظیم اهداف شغلی با کاهش استرس شغلی و ارتقاء مهارت های ارتباطی استفاده کرد. استفاده درست و اصولی از رنگ ها می تواند فقدان انگیزه ای که در اثر یک محیط بی روح و یکنواخت به وجود آمده است را از بین ببرد. رنگ درمانی و کاربرد آناز دیر زمان تاکنون اثرات روحی و روانی رنگ ها در افراد مختلف مورد توجه متخصصین رنگ درمانی قرار گرفته است، به طوری که هم اکنون مشخص شده است که استفاده نامناسب از رنگ ها در مكان های خاص و به کارگیری نادرست آن ها در محیط اطراف انسان، باعث بروز آسیب های روحی می شود. سابقه رنگ درمانی به زمان بقراط حکیم بر می گردد. در آن زمان اعتقاد داشتند که رنگ ها در بهبود شرایط بیماران بسیار موثر هستند. از آن زمان بود که رنگ درمانی آغاز شد. رنگ ها به دلیل تاثیری که بر اعصاب بینایی و دیدن، موجب برانگیختگی افراد می شود. هر رنگ تاثیر منحصر به خودش را بر افراد می گذارد. اگر چه رنگ ها مستقیما در درمان نقشی ندارند، اما در ایجاد روحیه مثبت در بیماران تاثیرات به سزایی می گذارند. رنگ ها به چه معنا اند | از نظر روانشناسی رنگدر روانشناسى نوین، رنگها یكى از معیارهاى سنجش شخصیت به شمار مى آیند، چرا که هر یك تأثیر خاصى در روح و جسم هر فرد باقى مى گذارند و نشانگر وضعیت روانى و جسمى وى هستند. رنگ ها به دو دسته رنگ های گرم و سرد تقسیم می شوند.

روانشناسی رنگ های سرد

رنگ های سبز و بنفش و آبی، رنگ های سرد هستند. این رنگ ها به طور کلی باعث ایجاد احساس آرامش و به همان میزان نیز باعث ایجاد احساس غم و ناراحتی در افراد می شوند.

رنگ سبز

از ویژگی های رنگ سبز آرامش بخشی آن است. به همین دلیل از این رنگ در بیمارستان ها بسیار استفاده می شود و از پر کاربردترین رنگ ها در طراحی دکوراسیون است. ویژگی های درمانی این رنگ می توان به از بین بردن تنش، افزایش هضم، بهبود تعادل توانایی ها، حفظ صلح و آرامش درونی و غلبه بر سنكوپ (سکته) است.افرادی که از این رنگ زیاد استفاده می کنند، افرادی با شخصیت مثبت، با اراده و پشتکار زیادند. این افراد برای خود ارزش زیادی قائلند، بسیار کنجکاوند و با مشکلات سرسختانه مبارزه می کنند. استفاده زیاد از این رنگ می تواند سبب کسالت و رکود شود.
رنگ آبی

آبی را باید یک رنگ معنوی دانست. این رنگ باعث ایجاد آرامش، صلح، اعتماد، بهره وری، منطق است. آبی از رنگ هایی است در طراحی اتاق خواب ها بسیار استفاده می شود. رنگ آبی باعث کاهش اشتها و القاء کننده امنیت است. افرادی که به رنگ آبی علاقه مند هستند، به صداقت و وفاداری بسیار اهمیت می دهند و به دنبال ایجاد نظم در زندگی خود هستند. این افراد وظیفه شناس و مسئولیت پذیرند و به طور کلی درونگرایی بالاتری دارند. این رنگ برای بی خوابی، فشار خون بالا و جهت کاهش حساسیت به درد مفید است. استفاده زیاد از حد از رنگ آبی باعث ایجاد سردی، یاس و ناامیدی می شود.

 رنگ بنفش

رنگ بنفش را نماد دانایی و احترام می دانند. این رنگ باعث ایجاد حس خلاقیت و افزایش مهارت های حل مساله می شود. افرادی که این رنگ را دوست دارند افراد جسوری هستند. استفاده از این رنگ در محیط و دفتر کار بسیار مناسب است. این رنگ برای کاهش اختلالات اعتیاد و میگرن، بهبود عملکرد سیستم عصبی، لنفاوی و قلبی و عروقی، حفظ تعادل پتاسیم بسیار مفید است.

 روانشناسی رنگ های گرم

 رنگ های گرم شامل رنگ قرمز، زرد و نارنجی هستند. این طیف رنگی موجب آرامش، عصبانیت و خصومت می شود. این رنگ ها اشتها آور هستند و به همین دلیل اکثر رستوران ها از این رنگ ها استفاده می کنند.

رنگ قرمز

رنگ قرمز رنگی تحریک کننده است و باعث افزایش فشار خون و ضربان قلب می شود. این رنگ نماد هیجان، عشق، شور و نشاط و صمیمیت است.  افراد فعال و پر جنب و جوش معمولا طرفدار این رنگ هستند. از دیگر ویژگی های شخصیت افراد طرفدار رنگ قرمز، عجول و زود جوش بودن آن هاست. این افراد خیلی زود عصبانی می شوند و قضاوت می کنند. افرادی خوش قلبند ولی از طرف دیگر نمیتوانند خود را کنترل کنند. بین رنگ قرمز و تحریک جنسی مردان  نیز ارتباط وجود دارد. استفاده طولانی‌ مدت از این رنگ باعث ایجاد حرکات تکانه‌ای و بروز پرخاشگری در افراد می‌شود. ویژگی های درمانی این رنگ عبارت است از غلبه بر حس کسالت، بهبود عملکرد جنسی طبیعی، تحریک سیستم عصبی، افزایش آدرنالین و گردش خون، حفظ آرامش و کاهش فشار خون.  

رنگ نارنجی

رنگ نارنجی رنگ خوش بینی و مثبت اندیشی است و استفاده زیاد از آن احتیاط را در افراد بر می انگیزاند. نارنجی دوستان؛ افرادی اجتماعی، خوش خلق، صادق و فداکارند. با این حال نفوذ در این افراد سخت است. از این رنگ در جهت حفظ انرژی، افزایش اشتها، کمک به جذب کلسیم، کمک به بهبودی و حفظ سلامت بدن استفاده میشود.

 رنگ زرد

رنگ زرد رنگ روشنی و شادی است. باعث افزایش تمرکز و افزایش متابولیسم بدن می شود. این رنگ کمتر از رنگ های دیگر افراد را به خود جذب می کند و مردم در اتاق های زرد رنگ بیشتر عصبانی می شوند. افرادی که به رنگ زرد علاقه دارند بلند پرواز و عاشق پیشرفت اند و همواره در تکاپو و تلاش هستند. این افراد، افرادی اجتماعی و شوخ اند و مردم جذب آن ها می شوند. رنگ زرد برای درمان یبوست و افزایش اعتماد به نفس، تحریک سیستم عصبی و سیستم گوارش و بهبود تفکر منطقی مفید است. کاربرد روانشناسی رنگ در زندگیآگاهی از روانشناسی رنگ ها و استفاده از هر یک از آنها با توجه به خواصشان کاربرد های فراوانی دارد. در تبلیغات، پزشکی، طراحی و دکوراسیون منزل، نحوه لباس پوشیدن و. مورد استفاده قرار می گیرد.رنگ ها می توانند تاثیرات به سزایی بر روحیه افراد بگذارند و استفاده به جا از آن ها می تواند بسیار سودمند باشد. با مشاوره روانشناسی می توانید آگاهی بیشتری از تیپ شخصیتی خود با توجه به روانشناسی رنگ ها به دست آورید.

هوش مصنوعی (AI) امکان یادگیری از تجربیات، تطبیق یافتن با ورودیهای جدید و انجام وظایف مانند انسان را برای ماشین‌ها فراهم می آورد. بیشتر مثال‌های AI که امروز درباره آنها می‌شنوید (از کامپیوترهایی که شطرنج بازی می کنند تا خودروهای خودراننده) اتکای زیادی بر یادگیری عمیق و پردازش زبان طبیعی دارند. با استفاده از این تکنولوژیها، کامپیوترها را می توان برای اجرای ماموریتهای ویژه از طریق پردازش حجم بالایی از داده ها و تشخیص الگوها در داده ها آموزش داد.
در این مقاله با مفهوم هوش مصنوعی و کاربردهای گوناگون آن آشنا می‌شوید.
 

تاریخچه هوش مصنوعی

اصطلاح هوش مصنوعی (Artificial Intelligence) در سال 1956 برای نخستین بار مطرح گردید، ولی AI امروزه به لطف افزایش حجم داده ها، الگوریتم های پیشرفته و بهبود توان و حافظه کامپیوترها رواج بیشتری یافته است.
 
تحقیقات اولیه در حوزه AI در دهه 1950 به کنکاش در مباحثی همچون حل مساله و روشهای نمادین پرداختند. در دهه 1960، وزارت دفاع آمریکا به این حوزه علاقه نشان داد و آموزش کامپیوترها برای تقلید از استدلال انسانی را آغاز نمود. به عنوان مثال، آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) پروژه های نقشه برداری خیابانی را در دهه 1970 تکمیل نمود. DARPA دستیارهای شخصی هوشمند را در سال 2003 تولید کرد، مدتها پیش از آنکه سیری، الکسا و کورتانا به وفور در دسترس عموم قرار بگیرند.
 
این کار اولیه راه را برای اتوماسیون و استدلال رسمی که ما در کامپیوترهای امروزی می بینیم هموار نمود، که دربرگیرنده سیستمهای پشتیبانی از تصمیم و سیستمهای جستجوی هوشمند می شوند که می توانند برای تکمیل و تقویت قابلیتهای انسان طراحی شوند.
 
با اینکه فیلمهای هالیوودی و رمانهای علمی تخیلی AI را در قالب رباتهای انسان مانندی به تصویر می‌کشند که دنیا را به سلطه خود در می آورند، ولی روند کنونی تکامل تکنولوژیهای AI آنقدرها هم وحشتناک و تا آن حد هوشمند نیست. در عوض، AI مزایای ویژه بسیاری را در همه صنایع فراهم آورده است. در ادامه به ذکر نمونه هایی از هوش مصنوعی در حوزه سلامت، فروش و دیگر حوزه ها می پردازیم.
 
 

علت اهمیت هوش مصنوعی چیست؟

1)AI یادگیری مکرر و کشف از طریق داده ها را اتوماتیک می کند. ولی AI با اتوماسیون رباتیک مبتنی بر سخت افزار فرق می کند. به جای اتومات کردن کارهای دستی، AI وظایف کامپیوتری شده، حجیم و متناوب را به شکلی قابل اتکا و بدون خستگی انجام می دهد. برای این نوع از اتوماسیون، تحقیق و بررسی توسط انسان هنوز برای راه اندازی سیستم و پرسیدن سوالات مناسب ضروری است.
 
۲) AI هوش را به محصولات موجود می افزاید. در بیشتر موارد، AI به عنوان یک ابزار مجزا فروخته نخواهد شد. در عوض، محصولاتی که شما هم اکنون در حال استفاده از آنها هستید با قابلیتهای AI بهبود خواهند یافت، تا حدود زیادی شبیه افزوده شدن Siri به عنوان قابلیتی به نسل جدید محصولات اپل. اتوماسیون، پلتفرمهای محاوره ای، باتها و ماشینهای هوشمند را می توان با حجم بالایی از داده ها برای بهبود بسیاری از تکنولوژیها در خانه و در محل کار، از هوش امنیتی تا آنالیز سرمایه گذاری، ترکیب نمود.
 
۳) AI از طریق الگوریتم های یادگیری مداوم تطابق می یابد تا داده ها بتوانند برنامه نویسی را انجام دهند. AI ساختار و ترتیب داده ها را می یابد تا الگوریتم یک مهارت را کسب کند: الگوریتم به یک طبقه بندی کننده یا یک پیش‌بینی کننده تبدیل می شود. از این رو، همانگونه که الگوریتم می تواند نحوه بازی شطرنج را به خود بیاموزد، می تواند به خود بیاموزد که چه محصولی را بعدا در محیط آنلاین توصیه نماید. و این مدلها وقتی تطابق می یابند که داده های جدید را کسب کنند. پس انتشار یک تکنیک AI است که امکان تطابق یافتن مدل را، از طریق آموزش و داده های افزوده، در زمانی که پاسخ کاملا درست نباشد فراهم می آورد.
 
۴) AI داده های بیشتر و عمیق‌تری را با استفاده از شبکه های عصبی که لایه های مخفی بسیاری دارند آنالیز می کند. ساختن یک سیستم شناسایی تقلب و تخلف با پنج لایه پنهان تا همین چند سال پیش ناممکن بود. امام وضعیت با توان باورنکردنی کامپیوتر و داده های بزرگ تغییر یافت. شما برای آموزش دادن مدلهای یادگیری عمیق به حجم عظیمی از داده نیاز دارید چرا که آنها یادگیری را مستقیما از داده ها انجام می دهند. هرچه داده های بیشتری را بتوانید به آنها تغذیه کنید، آنها دقیقتر می شوند.
 
۵) AI از طریق شبکه های عصبی عمیق به دقتی باورنکردنی می رسد، چیزی که در گذشته ناممکن بود. به عنوان مثال، تعاملات شما با الکسا، Google Search و  Google Photosهمه مبتنی بر یادگیری عمیق هستند – و آنها به مرور که بیشتر از آنها استفاده می کنیم دقیقتر می شوند. در حوزه پزشکی، تکنیکهای AI برگرفته از یادگیری عمیق، طبقه بندی تصویر و تشخیص شیء اکنون برای یافتن سرطان بر روی MRI ها با همان دقت رادیولوژیستهای بسیار آموزش دیده قابل استفاده هستند.
 
۶) AI بیشترین بهره برداری را از داده ها می کند. وقتی الگوریتمها خودفراگیر باشند، داده ها خودشان به دارایی معنوی تبدیل می شوند. پاسخها در داده ها موجودند؛ فقط باید AI را اعمال کنید تا استخراج شوند. از آنجا که نقش داده ها اکنون بیش از همیشه شده است، این کار می تواند یک مزیت رقباتی را ایجاد نماید. اگر شما بهترین داده ها را در یک صنعت رقابتی داشته باشید، حتی در صورتی که همه تکنیکهای مشابهی را اعمال کنند، پیروزی از آن داده های برتر خواهد بود.

کاربردهای مختلف هوش مصنوعی

همه صنایع نیاز فراوانی به قابلیتهای AI دارند – به طور خاص سیستمهای پاسخ دادن به سوالات که در مشاوره حقوقی، جستجوی حقوق انحصاری (پتنت)، هشداردهی مخاطرات و تحقیقات پزشکی قابل استفاده هستند. دیگر کاربردهای AI عبارتند از:
 
سلامت
ابزارهای AI می توانند قرائتهای اشعه ایکس و پزشکی شخصی سازی شده را فراهم بیاورند. دستیارهای مراقبت از سلامت شخصی می توانند به عنوان مربیان زندگی عمل نموده و به شما یادآوری کنند که قرصهایتان را بخورید، ورزش کنید یا تغذیه سالمتری داشته باشید.
 
تولید
AI می تواند داده های IoT کارخانه را آنالیز کند چرا که از تجهیزات متصل شده تا پیشبینی بار و تقاضای مورد انتظار با استفاده از شبکه های مکرر، که نوع خاصی از شبکه یادگیری عمیق مورد استفاده با داده های توالیبندی شده است، امتداد می یابد.
 
خرده فروشی
AI قابلیتهای خرید مجازیی را فراهم می آورد که به مشتری مشاوره اختصاصی ارائه می کنند و درباره گزینه های مختلف خرید با وی بحث می کنند. تکنولوژیهای چیدمان سایت و مدیریت سهام نیز با AI بهبود خواهند یافت.
 
ورزش
AI برای ثبت تصاویر بازیهای کامپیوتری و ارائه گزارشهایی درباره نحوه سازماندهی بهتر بازی، از جمله موقعیتهای میدانی و استراتژی، به مربیان استفاده می شود.
 

چالش‌های استفاده از هوش مصنوعی

هوش مصنوعی در حال تغییر دادن همه صنایع است، ولی لازم است که محدودیتهای آن را درک کنیم.
محدودیت اصلی AI این است که از داده ها می آموزد. راه دیگری برای گنجاندن دانش وجود ندارد. این باعث می شود که بی دقتیهای موجود داده ها در نتایج خود را نشان دهند. و همچنین هر لایه مضاعف پیشبینی یا آنالیز باید به طور مجزا افزوده شود.
 
سیستمهای AI امرزی برای اجرای یک وظیفه مشخصا تعریف شده آموزش داده می شوند. سیستمی که پوکر بازی می کند نمی تواند solitaire یا شطرنج بازی کند. سیستمی که تقلب را شناسایی می کند نمی تواند یک ماشین را براند یا به شما مشاوره حقوقی ارائه نماید.
به عبارت دیگر، این سیستمها بسیار بسیار تخصصی هستند. آنها بر یک ماموریت واحد تمرکز دارند و با رفتارهای شبیه انسان فاصله زیادی دارند.
 
همچنین، سیستمهای خودفراگیر سیستمهای مستقلی نیستند. تکنولوژیهای متصور شده AI ی که در فیلمها و تلوزیون می بینید هنوز علمی تخیلی هستند. ولی کامپیوترهایی که می توانند در داده های پیچیده برای یادگیری و تسلط یافتن در ماموریتهای ویژه جستجو نمایند در حال رواج یافتن هستند.
 

 

هوش مصنوعی چگونه عمل می کند؟

هوش مصنوعی با ترکیب حجم عظیمی از داده ها با الگوریتمهای هوشمند و پردازش سریع و مکرر عمل می کند، تا به این طریق نرم افزار بتواند به طور اتوماتیک از الگوها یا قابلیتهای موجود در داده ها یاد بگیرد. AI طیف وسیعی از مطالعات است که دربرگیرنده تئوریها، روشها و تکنولوژیهای بسیار و همچنین زیرزمینه های عمده ذیل می شود:
 
۱) یادگیری ماشینی مدلسازی تحلیلی را اتوماتسازی می کند.
۲) یک شبکه عصبی نوعی از یادگیری ماشینی است که از واحدهای به هم پیوسته (مانند نورنها) تشکیل یافته است که اطلاعات را با پاسخدهی به ورودیهای خارجی و تقویت اطلاعات بی هر واحد پردازش می کند.
 
۳) یادگیری عمیق از شبکه های عصبی عظیم با لایه های متعدد واحدهای پردازشی استفاده می کند، و از پیشرفتها در توان رایانشی و بهبود تکنیکهای آموزشی برای یادگیری الگوهای پیچیده در حجم بالای داده ها بهره می برد.
۴) رایانش شناختی زیرزمینه ای از AI است که برای تعامل انسان مانند طبیعی با ماشینها تلاش می کند.
 
۵) بینایی کامپیوتری با از تشخیص الگو و یادگیری عمیق برای تشخیص اینکه چه چیزی در یک تصویر یا ویدئو است بهره می برد.
۶) پردازش زبان طبیعی (NLP) توانایی کامپیوترها برای آنالیز، درک و تولید زبان انسانی، از جمله گفتار، است.
 
چند تکنولوژی هم هستند که AI را امکانپذیر و پشتیبانی می کنند:
۱) پردازنده های گرافیکی نقشی کلیدی در AI دارند زیرا توان رایانشی عظیمی مورد نیاز برای پردازش مکرر را فراهم می آورند.
۲)  اینترنت اشیاء حجم عظیمی از داده ها را از دستگاههای به هم پیوسته، که بیشترشان آنالیز نشده هستند، تولید می کند.  
 
۳) الگوریتمهای پیشرفته در حال توسعه و ترکیب به شیوه های جدیدی هستند تا امکان آنالیز سریعتر داده ها و در سطوح متعدد فراهم بیاید.
۴) APIها و رابطهای پردازش برنامه بسته های کد قابل حملی هستند که امکان افزودن کارکرد AI به بسته های نرم افزاری و محصولات موجود را فراهم می آورند.
به بیانی خلاصه، هدف AI فراهمسازی نرم افزاری است به استدلال برای ورودی و توضیح خروجی بپردازد. AI امکان تعاملات انسان مانند با نرم افزار را فراهم آورده و پشتیبانی از تصمیم را برای وظایف خاص ارائه می کند، ولی جایگزینی برای انسانها نیست – و به این زودیها هم جایگزین آنها نخواهد شد.

یکی از مباحث اجتماعی که امروزه ذهن بسیاری را به خود مشغول کرده، مربوط به حوزه سلامت است؛ اما موضوعی که در این زمینه، کمتر به آن توجه می‌شود، مسائلی است که گریبانگیر پزشکان شده و یکی از این مشکلات، مربوط به دانشجویان فوق تخصصی است که بار بزرگی از امورات درمان بر عهده آنهاست.

در این باره نظر دو تن از اعضای کمیسیون بهداشت و درمان مجلس را جویا شدیم که به شرح زیر است.

دکتر عابد فتاحی با تشکر از جامعه رسانه گفت: هر کس که در حوزه سلامت کار مطبوعاتی کند، به دلیل اینکه بازتاب دهنده مشکلات جامعه امروز است، دست او را به گرمی می‌فشاریم، چون این مشکلات تنها با آگاهی‌رسانی حل می‌شود و خوشبختانه مردم هم پیگیر مسائل سلامت هستند.

عضو کمیسیون بهداشت و درمان مجلس شورای اسلامی در خصوص مشکلات پذیرفته شدگان آزمون‌های فوق تخصصی پزشکی اظهار داشت: متأسفانه برخی از همکاران پزشک ما بدون اینکه قبلا بحثی درباره حوزه عملی آن‌ها صورت گیرد، وارد آزمون می‌شوند و پس از قبولی، وزارت بهداشت حوزه کاری آن‌ها را مشخص می‌کند و پزشکان را معمولاً به جاهای بسیار متفاوت‌تر از محل قبلی‌شان می‌‌فرستد که باعث پدید آمدن مشکلاتی می‌شود.

نماینده مردم ارومیه با آوردن مثالی از حوزه انتخابی خود افزود: ما در آذربایجان غربی نیز این مشکل را داریم؛ برای نمونه، یکی از همکاران پزشک ما پس از پذیرفته شدن در آزمون فوق تخصصی ریه، با اینکه منطقه به شدت به این رشته نیاز داشت، مجبور به ترک حوزه کاری خود شد و به محل دیگری فرستاده شد.

عضو کمیسیون بهداشت و درمان مجلس افزود: راهکارهایی برای برون رفت از این گونه مسائل وجود دارد. با توجه به اینکه این افراد بیشتر در سنین بالایی بوده و حتی غالباً سال‌ها به کار طبابت به صورت تخصصی مشغول هستند، باید پیش از ورود به آزمون، حوزه کاری‌شان مشخص شود و درباره کسانی که پیشتر این کار انجام نشده، باید اولویت‌هایی در نظر گرفت.

اما وزیر اسبق بهداشت درمان و آموزش پزشکی در این باره گفت: اساسا آموزشی که دولت و یا وزارت بهداشت و درمان می‌دهد، برای پر کردن فضاهای خالی و نیازهایی است که مناطق دارند، چون اگر قرار باشد، فرد تحصیل کند و بعد از فارغ‌التحصیلی در جایی که نیاز است، به کار گرفته نشود، کار بیهوده‌ای انجام شده و همه هزینه‌ها و منابع دولتی که صرف این شخص می‌شود، به هدر خواهد رفت.

مسعود پزشکیان در رابطه با حقوق و مزایایی که دولت برای این قشر در نظر گرفته، اظهار داشت: پرداختی این افراد بنا بر اشل‌هایی است که وزارت برای آن‌ها در نظر گرفته و طبیعتا کمبودهایی هست که پزشکان باید تا پایان دوره تحصیل، متحمل آن باشند. به هر حال، درس خواندن سخت هست و هر کس تصمیم به درس خواندن دارد، باید این سختی‌ها را تحمل کند.
 

یک محیط یکپارچه توسعه نرم‌افزار همه منظوره،سطح بالا،شیءگرا، اِسکریپتی و متن باز است که توسط خیدو فان روسوم در سال ۱۹۹۱ در کشور هلند طراحی شد.

فلسفهٔ ایجاد آن تأکید بر دو هدف اصلی خوانایی بالای برنامه‌های نوشته شده و کوتاهی و بازدهی نسبی بالای آن است. کلمات کلیدی و اصلی این زبان به صورت حداقلی تهیه شده‌اند و در مقابل کتابخانه‌هایی که در اختیار کاربر است بسیار وسیع هستند.

بر خلاف برخی زبان‌های برنامه‌نویسی رایج دیگر که بلاک‌های کد در آکولاد تعریف می‌شوند (به‌ویژه زبان‌هایی که از گرامر زبان سیپیروی می‌کنند) در زبان پایتون از نویسه فاصله و جلو بردن متن برنامه برای مشخص کردن بلاک‌های کد استفاده می‌شود. به این معنی که تعدادی یکسان از نویسه فاصله در ابتدای سطرهای هر بلاک قرار می‌گیرند، و این تعداد در بلاک‌های کد درونی‌تر افزایش می‌یابد. بدین ترتیب بلاک‌های کد به صورت خودکار ظاهری مرتب دارند.

پایتون مدل‌های مختلف برنامه‌نویسی (از جمله شی‌گرا وبرنامه‌نویسی دستوری و تابع محور) را پشتیبانی می‌کند و برای مشخص کردن نوع متغیرها از یک سامانهٔ پویا استفاده می‌کند.

این زبان از زبان‌های برنامه‌نویسی مفسر بوده و به صورت کامل یکزبان شیءگرا است که در ویژگی‌ها با زبان‌های تفسیری پرل، روبی،اسکیم، اسمال‌تاک و تی‌سی‌ال مشابهت دارد و از مدیریت خودکار حافظه استفاده می‌کند.

پایتون پروژه‌ای آزاد و متن‌باز توسعه‌یافته‌است و توسط بنیاد نرم‌افزار پایتون مدیریت می‌گردد.

سازمان‌های بزرگی که از پایتون استفاده می‌کنند، شامل گوگل، یاهو، سرن و ناسا هستند. ITA نیز از پایتون برای بعضی از اجزای خود استفاده می‌کند.

امنیت اطلاعات ویرایش

از پایتون همچنین استفاده وسیعی در صنعت ایمنی اطلاعات می‌شود. مثلاً در چندین ابزار پیشنهاد شده توسط تأمین امنیت و امنیت مرکزی و اسکنر امنیت کاربردی وب واپیتی. پایتون معمولاً در توسعه کاربرد مورد استفاده قرار می‌گیرد.

جاسازی ویرایش پایتون با موفقیت در تعدادی از تولیدات نرم‌افزاری مثل زبان فایل آغاز گر تعبیه شده‌است. پایتون معمولاً در بسته‌های انیمیشن ۳D استفاده می‌شود، مانند Houdini, Maya, Softimage XSI, TrueSpace, Poser, Modo, Nuke, Blender. GIMP, کریتا، Inkcape و Scribus, Paint Shop Pro.

شرکت ازری (ESRI) هم‌اکنون در حال ترقی دادن پایتون به عنوان بهترین انتخاب برای نوشتن فایل آغازگر در آرک جی‌آی‌اس(ArcGIS) است. همچنین در بازی‌ها استفاده می‌شود، مانند Civilization IV و Mount&Blade به عنوان زبان کنترل برای نمایش و عکس‌العمل حوادث.

مقبولیت ویرایشدر بسیاری از سیستم‌های عملیاتی، پایتون یک جزء استاندارد است؛ چون با بیشتر بخش‌های لینوکس انتقال داده می‌شود و روی NetBSD و OpenBSD و Mac OS X هم قابل نصب است. ردهت لینوکس و فدورا هر دو از نصب‌کننده پایتونی آنادا استفاده می‌کنند. لینوکس Gentoo از پایتون در سیستم مدیریت بسته، حمل و ابزارهای دستیابی خود استفاده می‌کند. Pardus از آن برای مدیریت و در طول راه‌اندازی سیستم استفاده می‌کند.