در مدرسه هوشمند وقتی از یک سیستم مرکزی مبتنی بر هوش مصنوعی و یا فناوری اطلاعات و ارتباطات برای برنامه ریزی، کنترل و مدیریت آموزشی استفاده شود و حتی ارزیابی ها، تست ها، زمانسنجی ها و تمامی نیازمندی های آموزشگاه ها و یا مدارس بوسیله این سیستم مرکزی هدایت و کنترل شود مدرسه به سمت هوشمند سازی رفته و مفهوم مدرسه هوشمند یا آموزشگاه هوشمند و یا همان هوشمند سازی مدارس شکل گرفته است.

در مدرسه هوشمند هوش مصنوعی نه تنها می‌تواند به معلمان و دانش‌آموزان کمک کند تا دوره‌ها را متناسب با نیازهایشان بسازند، بلکه می‌تواند بازخوردهایی برای هر دو درباره موفقیت دوره به طور کلی فراهم کند. برخی مدارس، به خصوص آن ها که به صورت آنلاین هستند، از سیستم هوش مصنوعی برای کنترل روند دانش‌آموزان و هشدار دادن به معلمان در مواقعی که مشکلی در عملکرد دانش‌آموز وجود دارد، استفاده می‌کنند.

این نوع سیستم های هوش مصنوعی به دانش آموزان اجازه می دهد حمایت لازم خود را دریافت کنند و به اساتید کمک می کند جاهایی که نیاز به بهبود و اصلاح در روند آموزش دانش آموزان دارد، پیدا کنند.برنامه‌های هوش مصنوعی فقط به ارائه مشاوره به دانش‌آموزان نمی‌پردازد. برخی، سیستم‌هایی توسعه می‌دهند که می‌تواند به دانش‌آموزان در انتخاب رشته بر اساس موضوعاتی که در آن ها موفق بوده‌اند، کمک کند.

گرچه هوش مصنوعی همچنان در حال تغییر و پیشرفت است، اما این پتانسیل را دارد که همه جنبه‌های آموزش را برعهده گیرد.در مدرسه هوشمند با استفاده از سیستم‌ها، نرم‌افزار و پشتیبانی هوش مصنوعی، دانش‌آموزان می‌توانند در هر جای دنیا و در هر زمانی آموزش ببینند و با این نوع برنامه‌ها جایگاه خوبی در کلاس درس کسب کنند. برنامه‌های تحصیلی که با هوش مصنوعی ارائه می‌شوند، به دانش‌آموزان کمک می‌کنند تا مهارت‌های پایه خود را بیاموزند.

سطح های هوش مصنوعی

هوش مصنوعی محدود،هوش مصنوعی عمومی و هوش مصنوعی سوپر

محدود

هوش مصنوعی محدود بسیار زودتر از انواع دیگر آن پدید آمده است. این روزها نمونه های  محدود زیاد است. برای مثال رایانه‌هایی که در بازی های پیچیده‌ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و انواع دیگر کارهای مهم توانسته‌اند بهتر از انسان عمل کنند نمونه‌هایی از هوش مصنوعی محدود هستند. زمانی که در مورد هوش مصنوعی محدود صحبت می‌کنیم منظورمان سیستم‌های هوشمندی است که در انجام دادن یک وظیفه (task) به خصوص بهتر از انسان عمل می‌کنند. برای مثال سیستم هوشمندی که می‌تواند به صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادرند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند. اکثر سرویس های هوش مصنوعی اطراف ما از این نوع بوده که به عنوان مثال می توان سامانه های تاکسی اینترنتی، ماشین های خودران، دستیارهای شخصی مثل الکسا، سرویس های هوشمند شناسایی ایمیل های زائد، سامانه های پیش بینی بورس، پیش بینی آب و هوا و …. هر کدام از مدل های خاصی از هوش مصنوعی با الگوریتم های متفاوت استفاده می کنند

 عمومی

هوش مصنوعی عمومی ماشینی است که می‌تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام فعالیت‌ها و وظایفی است که یک انسان به طور معمول آن‌ها را انجام می‌دهد.از نظر تئوری یک هوش مصنوعی عمومی می‌تواند هم سطح انسان فعالیت کند و یا حتی در زمینه‌هایی مانند حافظه و غیره از او بهتر عمل کند.سیستم‌های  عمومی می‌توانند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در موقعیت های مختلف می تواند رفتارهای انسان را شبیه سازی کرده و کاملا مانند یک انسان فکر کند، بفهمد و رفتار کند.در سطح عمومی آن‌ها می‌توانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همه‌ی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و غیره باشد. در سطوح بالا این سیستم‌ها می‌توانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسان‌ها بستگی دارد و می‌توانند به خوبی از پس چنین کارهایی بر بیایند.

سوپر 

سوپر هوش مصنوعی به نوعی دارای هوش فرا بشری خواهد شد. تا به حال هنوز هیچ جامعه‌ای نتوانسته به سوپر هوش مصنوعی دست پیدا کند.در این مرحله کامپیوترها از همه لحاظ نسبت به انسان ها برتری خواهند یافت. آن ها می توانند ربات هایی بسیار قوی تر، بسیار سریع تر، بسیار باهوش تر و بسیار خلاق تر از انسان ها باشند.

یادگیری ماشین

یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی (AI) است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند.

یک الگوریتم یادگیری ماشین، با دیدن مجموعه‌ای از داده‌ها می‌تواند به یک هوشمندی نسبی برسد. به عنوان مثال کافی است عکس حشره های زیادی را به الگوریتم یادگیری ماشین نشان دهید تا از آن پس قادر به تشخیص هرنوع حشره ای باشد.

در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.

یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می‌باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند، بسیار کاربردی است و روند تحلیل و تفسیر داده‌ها را سریعتر و آسان تر می کند.

 یادگیری عمیق تکنولوژی اصلی ساخت خودروهای خودران است؛ یادگیری عمیق به خودروها این توانایی را می‌دهد که تابلوها را شناسایی کنند، و یا تیر چراغ برق را از انسان تشخیص دهند.

به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم انجام می‌دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می‌کند و می تواند الگوهای مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی‌ها دانست.

هوش مصنوعی(Artificial Intelligence) از دو کلمه متفاوت ساخته شده است. منظور از مصنوعی(Artificial) یعنی ساخته شده به دست بشر است و از طرفی دیگر هوش(Intelligence) به معنای توانایی ذهن برای درک اصول، حقیقت، حقایق یا معانی، کسب دانش و تبدیل علم به عمل بر پایه توانایی یادگیری و درک کردن است. بنابراین هوش مصنوعی ماشینی است که توسط انسان ها ایجاد می‌شود تا زندگی را آسان و راحت کند که به صورت برنامه‌های رایانه‌ای یا ماشین‌هایی بوده که به فکر کردن و یادگیری کمک می‌کنند.و در تمامی حوزه ها کاربرد دارد.

AI را مطالعه‌ی عامل‌های هوشمند (intelligent agents) تعریف کرده‌اند، عامل هوشمند هر دستگاهی است که محیط پیرامون خود را درک می‌کند و تلاش می‌کند تا با بالاترین شانس به اهداف خود دست یابد. تعریف دیگری که می‌توان برای هوش مصنوعی ارائه کرد به این صورت است: AI در حقیقت ماشین‌ها یا رایانه‌هایی هستند که سعی در تقلید اعمال شناختی (cognitive) انسان‌ها مانند یادگیری و حل مسئله دارند.

با وقوع هم‌زمان اکتشافات گوناگون در زمینه علوم اعصاب، نظریه اطلاعات و سایبرنتیک، پژوهشگران احتمال ساخت یک مغز الکترونیکی را نیز مطرح کرده و در نظر گرفتند.

پژوهش در زمینه هوش مصنوعی برای اولین بار در سال ۱۹۵۶ در کارگاهی در کالج دارتموث مطرح شد. شرکت‌کنندگان این کارگاه، آلن نیوول و هربرت سیمون از دانشگاه کارنگی ملون (CMU)، جان مک‌کارتی و ماروین مینسکی از موسسه فناوری ماساچوست (دانشگاه MIT) و آرتور ساموئل از شرکت IBM، به بنیان‌گذاران و رهبران پژوهش‌های هوش مصنوعی جهان مبدل شدند.

در اوایل سال ۱۹۸۰، پژوهش‌های انجام شده در این راستا با کسب موفقیت‌های تجاری در «سیستم‌های خبره» (expert systems)، حیاتی دوباره یافتند. سیستم‌های خبره شکلی از برنامه‌های شبیه‌سازی شده هستند که دانش و مهارت‌های تحلیلی موجود در انسان خبره را شبیه‌سازی می‌کنند. در سال ۱۹۸۵، سهم هوش مصنوعی از بازار به بیش از یک میلیارد دلار رسید. در همان دوران، با معرفی پروژه رایانه‌های نسل پنجم در ژاپن، دولت‌های ایالات متحده آمریکا و انگلستان بار دیگر به سرمایه‌گذاری در پژوهش‌های دانشگاهی حوزه هوش مصنوعی روی آوردند. اگرچه با فروپاشی ماشین Lips در سال ۱۹۸۷، این علم بار دیگر دچار تخریب و نسل جدیدی از بدگویی‌ها و مخالفت‌های شدید با آن آغاز شد.

در اواخر سال ۱۹۹۰ میلادی و اوایل قرن ۲۱، هوش مصنوعی در لُجستیک، داده‌کاوی، تشخیص پزشکی و دیگر زمینه‌ها مورد بهره‌برداری قرار گرفت. طی این سال‌ها، با افزایش قدرت محاسباتی رایانه‌ها و تاکید بر حل مسائل خاص با استفاده از هوش مصنوعی، تلاقی‌های جدیدی بین این علم و دیگر علوم (مانند آمار، اقتصاد و ریاضیات) به وجود آمد و پژوهشگران به استفاده از روش‌های ریاضیاتی و استانداردهای علمی در این زمینه روی آوردند که منجر به کسب موفقیت‌های متعددی شد.

در راستای موفقیت‌های به دست آمده برای هوش مصنوعی، می‌توان به دیپ بلو (Deep Blue)، اولین رایانه دارای مهارت بازی شطرنج اشاره کرد که توانست قهرمان شطرنج جهان، «گری کاسپاروف» را با نتیجه ۳،۵ به ۲،۵ طی ۶ مسابقه در ۱۱ می ۱۹۹۷ شکست دهد. در سال ۲۰۱۱ نیز طی مسابقات تلویزیونی «جپاردی!» (!Jeopardy)، سیستم پرسش و پاسخ IBM با نام «واتسون» موفق به شکست دادن دو قهرمان جپاردی، «برد راتر» و «جن جینگیز» با اختلاف امتیاز قابل توجهی شد.

رفته رفته با پیشرفت فناوری و سایر سخت افزارهای مورد نیاز برای توسعه هوش مصنوعی، ابزار هوشمند و سرویس‌های هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهایشان استفاده می‌کردند. بسیاری از سرویس‌های معروفی همانند موتورهای جستجو، ماهواره‌ها و غیره از هوش مصنوعی استفاده می‌کردند. با معرفی گوشی‌های هوشمند و پس از آن گجت‌های هوشمند، هوش مصنوعی گام بلندی را برای ورود به زندگی انسان‌های پشت سر گذاشت. از این زمان به بعد هوش مصنوعی برای انسان‌ها جلوه کاربردی تری پیدا کرد و انسان‌ها بیشتر با واژه هوش مصنوعی و کاربردهای آن آشنا شدند.

 یادگیری ماشین (Machine learning)

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی محسوب می‌شود که شامل الگوریتم‌هایی است که ماشین را قادر می‌سازد بدون دخالت انسان با استفاده از مثال‌های داده شده به آن و تجربیات خودش، بیاموزد و عمل کند.

 یادگیری عمیق (Deep learning)

یادگیری عمیق در واقع نسخه تکامل یافته یادگیری ماشین و زیرمجموعه ای از آن است. در یادگیری عمیق از شبکه‌های عصبی (Artificial neural networks) استفاده می‌شود. تفاوت یادگیری عمیق از یادگیری ماشینی این است که در یادگیری ماشین باید دیتا به صورت طبقه بندی به الگوریتم داده شود اما در یادگیری عمیق خود الگوریتم دیتا را می‌تواند آنالیز و طبقه بندی کند. به عنوان مثال در یادگیری ماشین باید برای شناسایی عکس سگ، برای ماشین تمامی اجزای سگ مانند سر، بدن، دم و غیره جدا تعریف شود اما در یادگیری عمیق، ماشین با دیدن تعداد زیادی عکس سگ، خود قادر به شناسایی دیگر عکس‌های سگ‌ها است. برای همین یادگیری عمیق نیاز به کلان داده یا دیتای بسیار زیاد دارد.

 شبکه‌های عصبی مصنوعی (Artificial neural networks-ANN)

شبکه‌های عصبی مصنوعی با الهام از شبکه‌های عصبی مغز انسان ساخته شده اند، گرچه شباهت چندانی به عملکرد آن ندارند. همانطور که گفته شد از شبکه‌های عصبی مصنوعی در یادگیری عمیق استفاده می‌شود. یک شبکه عصبی صدها، هزاران یا حتی میلیون‌ها نورون مصنوعی به نام واحد دارد که در مجموعه ای از لایه‌ ها قرار گرفته اند. شبکه عصبی مصنوعی از لایه ورودی، لایه خروجی و لایه‌های بین این دو که لایه‌های مخفی نامیده می‌شود تشکیل شده است.

 پردازش زبان طبیعی (Natural language processing-NLP)

پردازش زبان طبیعی زیرمجموعه ای از هوش مصنوعی برای درک زبان انسانی توسط کامپیوتر است. از پردازش زبان طبیعی برای خواندن و فهم زبان انسانی توسط کامپیوتر استفاده می‌شود تا فاصله صحبت انسان و درک کامپیوتر را از بین ببرد.

کلان داده (Big data)

کلان داده (بیگ دیتا) حجم زیادی از داده‌ها است که خیلی سریع تولید می‌شوند، تنوع زیادی دارند و پیچیده هستند و پردازش آن ها با استفاده از روش‌های سنتی بسیار سخت و وقت گیر است. در اهمیت کلان داده همین بس که از دیتا به عنوان نفت قرن ۲۱ یاد می‌شود و موفقیت شرکت‌ها به حجم بالای دیتای آنها بستگی دارد.

کمک رسان های ماشینی و سگ های رباتی

بسیاری از پیشرفت‌های اسباب بازی‌ها برای ارضای تحسین ما از ربات‌ها و ماشین‌های خودکار است، ایده‌ی اینکه یک جسم غیرزنده از جهان ایستای خود فراتر می‌رود یا «فکر می‌کند» همان عنصر جادویی است که باعث می‌شود احساساتمان را به اسباب بازی‌ها منتسب کنیم. تولیدکنندگان هم از این موضوع مطلع هستند و برخی از اسباب بازی‌ها به شیوه‌ای طراحی می‌شوند که همین وابستگی عاطفی را درون‌مان ایجاد کنند. نمونه‌ی این زمینه ربات متحرک Anki Vector است. این ربات با حسگرهایی که دارد و اتصال به اینترنت به این سو و آن سو می‌رود و با محیط خود تعامل دارد. این اسباب بازی حتی با الکسای آمازون هم همگام‌سازی می‌شود. یکی دیگر از این اسباب بازی‌های پیشرفته Aibo محصول سونی است. این حیوان خانگی رباتی نشان می‌دهد چطور می‌توان از رباتیک پیشرفته، میکروالکترونیک، بازوهای مکانیکی، حسگرها و برنامه‌نویسی برای ایجاد تجربه‌ای احساسی و منحصربه‌فرد استفاده کرد.

ربات AnkiCozmo

این ربات كوچك و بانمك شخصیت بسیار پیچیده‌ای دارد كه شاید خیلی به جثه كوچك آن نیاید. این ربات كه خیلی شبیه شخصیت‌های كارتونی فیلم‌های PIXAR است، دمدمی‌مزاج، یاغی و دوست ‌داشتنی است و محبت شما را با جذابیت و شوخ‌طبعی خود جلب می‌كند. هوش مصنوعی و طراحی جالب صورت Cozmo به این ربات اجازه می‌دهد تا صدها احساس مختلف از عصبانیت تا شوق و شعف را بیان كند  اما یكی از جالب‌ترین قابلیت‌های Cozmo كه به كمك هوش‌مصنوعی قدرتمند و دوربین‌های داخلی آن ممكن شده شناسایی و به‌خاطر سپردن صورت‌ها، اسامی و شخصیت بچه‌ها است. در نتیجه این همبازی هوشمند می‌تواند مثلا وقتی كودك شما ناراحت است تلاش كند او را خوشحال كند و وقتی حس كند كه حوصله بچه سررفته حواس او را به‌خود جلب كند. البته این ربات به تنهایی هم علاقه‌مند به بازی كردن است و به شكلی طراحی شده كه بیش از 300قطعه تشكیل‌دهنده آن به Cozmo كمك می‌كنند بهتر بتواند با محیط اطراف خود تعامل كرده و جست‌وجو كند. درواقع این ربات در حالت Explorer به شما اجازه می‌دهد تا در محیط اطراف آن را راهنمایی كنید و بتوانید آنچه را كه می‌بیند، شما هم ببینید. هوش مصنوعی این ربات بسیار پیشرفته است و هرچقدر بیشتر با Cozmo بازی كنید بیشتر شما را می‌شناسد و بهتر می‌تواند رفتارهای شما را پیش‌بینی كند. می‌توانید بازی‌های بیشتر و به روزرسانی‌های جدیدتری برای آن دریافت كنید. همچنین در بسته‌بندی این ربات چند مكعب به نام Power Cube وجود دارند كه هریك مختص بازی خاصی است و می‌توانید برای بازی‌های بیشتر مكعب‌های جدید و بسته‌های نرم‌افزاری كه همیشه درحال به‌روزرسانی‌ هستند استفاده كنید.

ربات Wonder Workshop Dash Robot

این ربات دوست‌داشتنی و رنگارنگ طوری طراحی شده كه برنامه‌نویسی را به كودكان و نوجوانان آموزش دهد بدون آنكه بخواهند درگیر مشكلات فنی برنامه‌ریزی و ساخت یك ربات شوند. ربات Dash كه برنده جایزه بهترین اسباب‌بازی رباتیك هم شده به محض باز كردن جعبه آن هم قابل استفاده است و از همان اول می‌تواند به فرمان‌های صوتی پاسخ دهد و شروع به چرخ‌زدن در خانه می‌كند  اما هرچند Dash می‌تواند بدون آموزش چند فرمان ساده را تشخیص دهد و با شما چند بازی ساده را انجام دهد  اما اصل هیجان وقتی شروع می‌شود كه كودك تان شروع به برنامه‌ریزی ربات كند. با استفاده از اپلیكیشن اختصاصی این ربات كه برای دستگاه‌های اندرویدی، اپل و كیندل در دسترس است، می‌توانید برنامه‌نویسی را به شكل یك بازی رنگارنگ مرحله‌ای و جذاب به كودكان شش سال به بالا معرفی كنید. می‌توانید Dash را برای طی كردن یك مسیر مشخص، رقصیدن، روشن ‌كردن چراغ‌ها، تولید صداهای مختلف، پریدن و یاد گرفتن بازی‌های جدید برنامه‌ریزی كنید. بچه‌ها با انجام مرحله‌های مختلف برنامه‌نویسی و تكمیل تكلیف‌های مختلف به قابلیت‌های جدیدی دسترسی پیدا می‌كنند. این سیستم پاداش‌دهی باعث می‌شود كه به انجام مرحله‌های بیشتر ترغیب شده و انگیزه پیدا كنند. این ربات‌ها می‌توانند با یكدیگر هم بازی كنند و این به آن معنی است كه صاحبان این ربات‌ها می‌توانند به كمك هم مراحل مختلف برنامه‌نویسی را تكمیل كنند و كمی كار گروهی هم در این میان یاد بگیرند. این ربات كیفیت ساخت و دوام بالایی دارد و می‌تواند تا مدت‌ها باعث سرگرمی باشد.

ربات Sphero O llie

شاید همه بچه‌ها به بازی با ربات‌های ظریف و برنامه‌نویسی علاقه‌مند نباشند و بیشتر به‌دنبال هیجان باشند. در این صورت پیشنهاد ما به شما ربات O liieاست: یك ربات سخت‌جان و غلتان كه برای انجام كارهای خطرناك و هیجان‌انگیز طراحی شده ‌است. یك پوشش ضخیم از جنس پلی‌كربنات مقاوم از سراسر بدنه ربات محافظت می‌كند كه آنقدر محكم است كه حتی سقوط از فاصله چند متری را هم تحمل می‌كند. در نتیجه نیازی به نگرانی درباره سلامت ربات نیست و می‌توانید به راحتی هرجا كه خواستید آن را بفرستید. این ربات به‌طور غافلگیر كننده‌ای چابك است و می‌تواند تا حداكثر 22.5 كیلومتر بر ساعت سرعت بگیرد. درواقع تجربه این سرعت از یك جسم استوانه‌ای كوچك كه می‌تواند در دستان كودك شما قرار بگیرد خود یكی از جذابیت‌های این ربات است. یك جفت چرخ لاستیكی آجدار آبی برای راحتی حركت روی سطوح صاف و داخل خانه درنظر گرفته شده است‌ اما با چرخ‌های اصلی ربات می‌توانید روی هر سطحی حركت كنید. كنترل حركت ربات هم به وسیله یك گوشی هوشمند و از طریق اپلیكیشن اختصاصی انجام می‌شود. البته اتصال به ربات از طریق بلوتوث انجام می‌شود و به همین دلیل هم خیلی نمی‌توانید آن را از خودتان دور كنید. مجموعه چراغ‌های LED روی بدنه هم به هدایت و پیدا كردن راحت‌تر آن در شب كمك می‌كنند. درصورتی كه بخواهید كارهای جالب‌تری انجام دهید می‌توانید وارد حالت نمایشی یا Trick Mode شوید و كنترل دقیق تمام حركات ربات را به‌دست بگیرید. همچنین درصورتی كه بتوانید حركت سختی انجام دهید اپلیكیشن ربات به شما اطلاع می‌دهد. نكته مثبت دیگر وجود متعلقات اضافی برای این ربات است كه اجازه شخصی‌سازی و تغییر ظاهر آن را به شما می‌‌دهد.

ربات Wow Wee MipoSaur

ربات Miposaur یك دایناسور رباتیك بامزه است كه بچه‌ها می‌توانند آن را به كمك اپلیكیشن اختصاصی یا توپ مخصوص هدایت كنند. این ربات درست مثل یك سگ خانگی توپ‌اش را كه یك پاندول معكوس متحرك است، دنبال می‌كند. كافی است این توپ را كه TrackBall نام دارد فعال كنید تا توجه Miposaur را جلب كنید و آن را هرجا كه خواستید به‌دنبال خود ببرید. البته این تنها كاری نیست كه این دایناسور بامزه انجام می‌دهد و قابلیت تشخیص فرمان‌های حركتی از دیگر توانایی‌های آن است. وقتی كودك‌تان توجه Miposaur را جلب كند می‌تواند به كمك حركات مختلف دست فرامین خود را به ربات انتقال دهد. به‌علاوه این ربات می‌تواند برقصد، دنبال‌تان كند یا موانع را دور بزند. برای كنترل كردن این ربات هم می‌توانید از اپلیكیشن اختصاصی آن روی گوشی هوشمند یا تبلت خود استفاده كنید. البته این ربات همیشه هم خوب نیست و بعضی‌ وقت‌ها ممكن است شیطنت‌های كوچكی هم بكند، برای همین هم می‌توانید وقتی كه از آن راضی بودید با دادن غذا یا بازی كردن با آن تشویقش كنید. این ربات برای بچه‌ها بسیار سرگرم‌كننده است و می‌تواند تا مدت‌ها آنها را سرگرم نگه دارد. همچنین بازی با چنین رباتی به آنها معنی فرامین حركتی و برنامه‌ریزی اولیه یك ربات را آموزش می‌دهد. همچنین این ربات می‌تواند با سایر مدل‌های اسباب‌بازی ساخت شركت Wow Weeدوست شود و با آنها به‌صورت گروهی بازی كند.

ربات BB-8 

اگر آخرین فیلم از مجموعه جنگ ستارگان را دیده باشید با ربات BB-8 آشنا هستید، اما نكته جالب‌تر اینكه درصورت تمایل می‌توانید یك نمونه كوچك و هوشمند از این ربات تخیلی را در خانه هم داشته باشید. این ربات فرمان‌های صوتی را تشخیص داده و می‌تواند به آنها واكنش نشان دهد. این ربات با شنیدن صدای شما زنده می‌شود و می‌تواند شروع به حركت در خانه یا طی یك مسیر مستقیم كند. همچنین می‌توانید به كمك اپلیكیشن اختصاصی ربات روی گوشی هوشمند یا تبلت خود هم آن‌ را كنترل كنید و به راحتی آن را برای گردش در محیط اطراف با حداكثر سرعت 10كیلومتر بر ساعت روانه كنید. همچنین این ربات گرد و بامزه مجهز به یك دوربین داخلی هم هست و به بچه‌ها اجازه ضبط پیام‌های هالوگرافیك (مثل فیلم جنگ ستارگان) و پخش آن در پلتفرم‌های واقعیت افزوده را می‌دهد. فقط تصور كنید كه چنین قابلیتی چقدر می‌تواند برای بچه‌ها جذاب باشد و آنها را سرگرم كند. این ربات قابلیت حركت روی فرش، سرامیك و سطوح خیس را دارد و می‌تواند بسته به شرایط و محرك‌ های محیطی مسیر خود را اصلاح كند. حتی شخصیت این ربات هم به محرك‌های محیطی وابسته است و به نسبت برخوردی كه سایرین با آن می‌كنند می‌تواند واكنش خود را تنظیم كند.

ربات Smartibot

این ربات هوش مصنوعی‌ که خیلی ساده و با استفاده از سیب‌زمینی ساخته شده است. محققان معتقدند که این ربات را می‌توان از هر چیزی مانند مقوا، خاک رس، آجرهای خانه‌سازی اسباب‌بازی کودکان و سیب‌زمینی ساخت.هوش مصنوعی به کار رفته در این ربات قادر به شناسایی و دنبال کردن اشیاء دیگر، افراد و حیوانات است. اپلیکیشنی که برای این ربات در گوشی هوشمند طراحی شده، به کاربرانی که انتظار بیشتری از هوش مصنوعی دارند، توانایی کدگذاری را هم می‌دهد. این اپلیکیشن با اتصال سیم‌کشی‌ها به ربات Smartibot، قابلیت هک کردن اسباب‌بازی‌ها را هم می دهد.

دایناسورکانگی 

دکمه بزرگی روی شکم آن قرار دارد. با فشردن دکمه اسباب بازی فعال می شود و کودک می تواند با آن صحبت کند.به گفته شرکت سازنده، این اسباب بازی طیف گسترده ای از ویژگی ها را دارد و می تواند به عنوان مثال مکالمات هوشمند انجام بدهد، به مرور زمان و با بازی کردن با کودک و عادت کردن به خلق و خو و علاقمندی های وی، نکاتی را در مورد بچه بیاموزد.گذشته از این می تواند به هزاران سوال برحسب تناسب سنی کودک پاسخ دهد، داستان بگوید یا داستان های جدیدی را بسازد و لطیفه تعریف کند و به لطیفه هایی که برایش تعریف می شود گوش فرا بدهد.گذشته از این ها یک ابزار یادگیری است که کودک را در بازی آموزشی مشارکت می دهد تا در دیکته کردن، آواز خواندن، تلفظ لغات و حساب و کتاب و سایر کارها مهارت پیدا کند.در واقع هدف از تولید این اسباب بازی ترکیب گیم های آموزشی با بازی معمول است. ویژگی اصلی کاگنی توی امکان ارتباط اینترنتی بی سیم آن است که اسباب بازی را قادر به برقراری ارتباط با پلتفرم ابری واتسون می سازد. به همین خاطر، دایناسور یادشده نه تنها به توان کامپیوتری قدرتمند دسترسی دارد، بلکه می تواند ویژگی های منحصر به فرد خود را به موازات رشد و بزرگ شدن بچه شکل بدهد.طبق گفته سازندگان، کاگنی توی نه تنها از صاحب خود یاد می گیرد، بلکه از درس های آموخته شده توسط سایر کاگنی توی ها و تجربیات دایناسورهای دیگر هم می آموزد.

تأثیر ربات اجتماعی در آموزش و توانبخشی کودکان طیف اُتیسم

ربات ها از اسباب بازی های غیرهوشمند و کم تحرک که قابلیت بروز رفتارهای اجتماعی ندارند، جذابتر و توانمندتر بوده؛ و در عین حال از انسان ها و سایر موجودات اجتماعی به عنوان منابع ایجاد سردرگمی و استرس برای کودکان طیف اتیسم پیچیدگی کمتری دارند. از سال 2000 ، به صورت گسترده نشان داده شده است که استفاده از ربات اجتماعی در توانبخشی کودکان اتیسم، نقش مهمی داشته است، استفاده عملی از ربات انسان نمای تجاری نائو و آلیس (با نام های ایرانی نیما و مینا) در مداخالات بالینی و تدوین آیتم های درمانی مناسب (در قالب بازی های آموزشی-درمانی با ربات) در جهت ارتقای مهارت های تقلیدی، اثر بخشی به سزایی داشته است .

در جلسه آشنایی ربات های نیما و مینا با کودکان اتیسم در اولین گام، ربات نیما به مدت 15 دقیقه برای هر یک از شرکت کنندگان جلسه معارفه برگزار نمود، در این جلسه ربات خود را معرفی کرده و با خواندن شعر و تعامل با کودک سعی در برقراری ارتباط با او نموده است. پس از جلسه معارفه، بازی های تقلید حرکتی بر روی کودکانی که  همکاری کرده اند، اجرا شد. کودکان بهنجار ، نسبت به برقراری ارتباط با ربات علاقه نشان دادند و یا حداقل حاضر شدند تا دستورات ربات را اجرا کنند در مجموع، در این مطالعه 95 درصد کودکان بهنجار و 70 درصد از کودکان اتیستیکی که برای اولین بار با ربات نیما مواجه شدند، نسبت به حضور در بازی های تقلید حرکتی با ربات تمایل نشان دادند.

توجه به این نکته که ارتقای تقلید حرکتی ریز و درشت میتواند به صورت بالقوه مهارت های اجتماعی کودکان طیف اتیسم را در زندگی واقعی شان افزایش دهد و تعامل از طریق حالت چهره و حرکات بدنی با ربات ممکن است ، یک کاربرد درمانی مناسب این گونه پژوهش ها باشد.

ربات هایی که یاد می گیرند و آموزش می دهند

محققین MIT موفق به توسعه سیستم جدیدی شدند که با استفاده از آن، ربات می تواند مهارت های جدیدی که یاد می گیرد را به دیگر هم نوعان خود آموزش دهد.جالب اینجاست افرادی که تجربه برنامه نویسی کامپیوتری را ندارند هم می توانند نحوه انجام کارهایی مثل انداختن بطری درون سطل را، با تعریف قواعد ساده و نمایش چگونگی انجام کار، به ربات  آموزش دهند.با استفاده از این سیستم، ربات می تواند آموخته های خود را به هم نوعان خود انتقال دهد، حتی اگر از لحاظ فیزیکی با هم متفاوت باشند؛ در نتیجه کارخانه های تولید ربات با بهره گیری از C-LEARN قادر خواهند بود انواع مختلفی از ربات  را بدون نگرانی از بابت نیاز به آموزش جداگانه هر کدام، تولید کنند. در حالت عادی دو راه برای آموزش ربات  وجود دارد؛ یادگیری از طریق مشاهده انجام کار، و یادگیری از طریق برنامه نویسی مستقیم الگوریتم های حرکتی. در یادگیری از طریق مشاهده، ربات نمی تواند آموخته خود را در شرایط متفاوت و با تغییر جزئیات به کار بگیرد، فرآیند برنامه نویسی مستقیم هم بسیار زمان بر بوده و به نیروی انسانی متخصص نیاز دارد.محققین پروژه با ترکیب دو روش یاد شده، کاستی های هر دو را از میان برده و سیستمی کارآمد طراحی کرده اند. برای آموزش، ابتدا باید اطلاعات مربوط به نحوه دسترسی و گرفتن اجسام مختلف را در اختیار ربات قرار داد و در مرحله بعد، یک متخصص با استفاده از رابط کاربری سه بعدی، نحوه انجام کار مربوط را به ربات نشان می دهد.در آزمایش های انجام شده، ربات پس از مشاهده نمونه ارائه شده توسط کاربر، با استفاده از پایگاه دانش خود کار مربوط را انجام داده و منتظر تایید یا اصلاح روند فرآیند توسط متخصص می ماند. اگر اپراتوری در کار نباشد، ربات صرفاً بنا به حدس خود عمل می کند که در نتایج به دست آمده، 87.5 درصد مواقع با موفقیت همراه بوده است.در آزمایشگاه MIT، محققین مجموعه ای از وظایف را به رباتی به نام «اپتیموس» آموزش دادند که در ادامه این ربات توانست آموخته های خود را به رباتی متفاوت به نام «اطلس» منتقل کند. در پایان آزمایش، هر دو ربات علی رغم تفاوت های فیزیکی، توانایی باز کردن درها، انتقال اجسام و برداشتن اشیا را داشتند، در حالی که اطلس هیچ آموزش یا اطلاعاتی از سوی پژوهشگران دریافت نکرده بود.

اینترنت اشیا و هوش مصنوعی به نظام آموزشی کمک میکنند تا به راحتی داده های متفاوت را جمع آوری کنند،این داده ها شامل اطلاعات علمی مورد نیاز دانش آموزان و داده های مورد نیاز سیستم های ساختمان و فضای آموزشی است. از نمونه این داده ها م یتوان به اطلاعاتی که دانش پذیران از بستر اینترنت دریافت میکنند و یا داده های نظارتی که از سیستم های دوربین های نظارتی دریافت میشود، اشاره کرد.به طور کلی اینترنت اشیا به یک مدرسه و دانشگاه هوشمند کمک میکند تا داده و اطلاعات خود در زمینه های :

• بهبود آموزش ( یادگیری شخصی )
• امنیت دانش آموزان یا دانشجویان
• حضور و غیاب

 کنترل و مدیریت کند.و از جمله دلایل دیگر استفاده از اینترنت اشیا در آموزش و یادگیری سریع تر دانش آموزان است که براساس مطالعات انجام شده کودکان و نوجوانان با کمک ابزارهای هوشمند و وجود تعامل بیشتر، به شکل بهتری آموزش را یاد میگیرند.معلم ها نیز به شکل مؤثرتری وظیفه‌ی خود را انجام می دهند: مثلا یک معلم روزانه ۱۲ تا ۱۴ ساعت باید وقت خود را صرف زمان آموزش، طراحی سؤال یا آماده سازی شیوه های آموزشی تازه برای درس های آینده کند؛ اما با کمک اینترنت اشیاء و ابزارهای هوشمند این زمان به حداقل رسیده و کیفیت مطالب افزایش می یابد. و محتوای دیجیتالی و الکترونیک به شکل ساده تری بین معلمان اشتراک گذاشته می شوند، آنها قادر خواهند بود با یکدیگر تبادل اطلاعات کرده، دانش و تجربیات خود را برای دیگران به نمایش بگذارند.

تاثیر اینترنت اشیا بر آموزش

افزایش سرعت آموزش: زیرا دیگر نیازی به نوشتن حرف به حرف مطالب روی تخته ی کلاس وجود ندارد.

کاهش هزینه های آموزش : به سادگی می توانند مطالب ارائه شده را از طریق ابزارهای هوشمند به دست دانش آموزان برسانند. با وجود این پیش بینی می شود هزینه ی تهیه ی تخته های هوشمند بسیار بالا باشد؛ اما پژوهشگران در تلاش هستند نمونه های با کیفیت تر و ارزان قیمت تری از آن را تولید کنند و در اختیار دانش آموزان قرار بدهند.کتاب‌های درسی در کلاس‌های هوشمند بیشتر شبیه به “کتاب‌های فنی” می‌باشند.

کلاس های هوشمند: با كلاس هاي هوشمند كه در آن اشياي هوشمند نظير دوربين ها، ميكروفن ها و بسياري از حسگرهاي ديگر وجود دارند، ميتوان متوجه شد كه مديريت كلاس بسيار ساده بوده و نسبت به زماني كه اين وسايل هوشمند در كلاس وجود نداشتند فهميدن مطالب بسيار آسانتر شده است. واژه “مديريت كلاس” نمايانگر اين است كه يک استاد چگونه به نظم در كلاسش دست مييابد. با كمک وسايل هوشمند، استادمطلع خواهد شد كه چه زماني به دانشجويان استراحت دهد، چه زماني با صداي بلندتري صحبت كند و چه زماني تمركز داشجويان كاهش مييابد. چند نمونه از حسگرها و دستگاه هاي محرک كه ميتوان در كلاس هاي هوشمند بكاربرد عبارتند از: حسگرهاي دما، حسگرهاي مربوط به قدم زدن در جلوي ميز استاد كه كنترل ميكند كه آيا استاد در كلاس حضور دارد يا خير ( كه اگر استاد حضورداشته باشد يک دستگاه محرک پروژكتور را روشن ميكنند)، برخي حسگرهاي مربوط به صدا كه نشان مي دهند دانشجويان چگونه صحبت مي كنند و غيره . با چند حسگر ارزان و ابتكارهاي فراوان ميتوان كلاس هاي هوشمند جالب و قدرتمندي ايجاد نمود كه واقعاً مي توانند به دانشجويان در يادگيري آسان تر و با لذت بيشتر كمک نمايند.

پاسخ دادن به سوالات دانشجویان: هوش مصنوعی در دوره‌های آنلاین نقشی حیاتی دارد و دانشجویان می‌توانند پاسخ سوالات خود را به جای استاد از یک سامانه هوش مصنوعی دریافت کنند.در واقع این سامانه به عنوان کمک‌استاد، مشکلات دانشجویان را حل می‌کند و به این ترتیب نیاز به حضور استاد در جلسه برای مدت طولانی وجود نخواهد داشت.این موضوع علاوه بر کاهش هزینه می‌تواند در کیفیت و دقت آموزش موثر باشد.

تصحیح اوراق امتحانی: یکی از مهمترین چالش‌های اساتید تصحیح اوراق امتحانی است.بسیاری معتقدند با توجه به تشریحی و تحلیلی بودن اکثر امتحانات صرفاً اساتید قادرند برگه‌ها را تصحیح کنند اما امروزه می‌توان به سامانه‌های هوش مصنوعی نیز این موضوع را آموزش داد تا بتوانند به پاسخ‌های ناقص، تا حدودی درست و تحلیل‌های متنوع، نیز به خوبی نمره بدهند.

امنیت با اینترنت اشیا در محیط های آموزشی : باندهای مچی دیجیتال و کارت‌های شناسایی هوشمند به مدارس کمک می‌کند تا دانش‌آموزان و کارکنان را ردیابی کنند. داده‌های مربوط به موقعیت‌هایی که دانش‌آموزان در مدرسه یا مسیر مدرسه داشته‌اند به سروری منتقل شده و می‌توان از این طریق ایمنی دانش‌آموزان یا پرسنل مدرسه را ارتقاء داد. اتوبوس‌ها و سرویس‌های مدارس نیز با تجهیز به این جی‌پی‌اس‌ها می‌توانند ایمنی بیشتری در مسیر تردد داشته باشند. ، اینترنت اشیا با استفاده از ابزار های تشخیص چهره ، RFID (دستگاه های چک از راه دور) و دستگاه های ردیابی GPS می تواند هرگونه متجاوز بالقوه را شناسایی کند.  علاوه بر این ، هرچه هوش مصنوعی باهوش تر می شود ، دستگاه ها می توانند دانش آموزان یاکارمندان را با اهداف مخرب شناسایی کنند و آنها را قبل از هرگونه آسیب در محوطه دانشگاه یا مدرسه متوقف نمایند.همچنین شاخص های اضطراری ، تقویت کننده های صوتی ، ساعتهای Wi-Fi ابزارهایی هستند که باعث ایجاد امنیت می شوند. سنسورهای IoT در صورت ایجاد مشکل، بلافاصله آن را تشخیص داده و هشدارمی دهند اینترنت اشیا در صورت احتمال وقوع زمین لرزه یا تغییرات ناگهانی آب و هوا نیز میتواند اعلام خطر کرده و مدرسه را تعطیل کند. نکته مهم برای درک موضوعی که گفته شد این است که IoT و AI ، اینترنت اشیا و هوش مصنوعی ، به هم پیوسته هستند.  در حالی که IoT ماشین ها را قادر به جمع آوری داده ها می کند ، هوش مصنوعی این اطلاعات را درک و از آن استفاده میکند. این دو فناوری موازی با یکدیگر هستند.

تشخیص استعداد: امروزه کشف استعداد ها و مشاوره ها نیز به کمک هوش مصنوعی صورت می گیرد به این صورت که از قبل تمام موارد و نکته ها و جوانب در سیستم قرار داده می شود و هوش مصنوعی در تست تمام جنبه ها را لحاظ می کند. و افراد با ویژگی های مختلف و در تمام رده های سنی می توانند از آن استفاده کنند.

مهندسان کامپیوتر دانشگاه «لافبورو» موفق به توسعه الگوریتم‌های های تشخیص استعداد با هوش مصنوعی شده‌اند که توانایی‌های بازیکنان فوتبال را در زمین بازی تحلیل می‌کند. این الگوریتم‌ها می‌توانند در پیدا کردن استعدادها به تیم‌ها کمک کنند.در حال حاضر تحلیل عملکرد بازیکنان توسط افراد صورت می‌گیرد و فرایندی زمانبر است چرا که باید عملکرد هر بازیکن ضبط و برای مدت زمان طولانی مورد بررسی قرار بگیرد. این موضوع علاوه بر اینکه زمان زیادی مصرف می‌کند، می‌تواند به علت تعصبات اجتماعی روی نتیجه نهایی نیز تاثیر منفی یا مثبت داشته باشد. در حالی که هم اکنون تعدادی فناوری خودکار در این ورزش وجود دارد، تنها می‌توانند بازیکنان را ردیابی کنند. برای رفع چنین مشکلی سرپرست این پروژه، دکتر «Baihua Li» و تیم وی یک سیستم هیبریدی توسعه داده‌اند که اطلاعات بازیکنان توسط روش‌های مبتنی بر دوربین جمع‌آوری می‌شود. محققان از جدیدترین پیشرفت‌ها در حوزه بینایی رایانه‌ای، یادگیری عمیق و هوش مصنوعی برای دستیابی به سه خروجی زیر استفاده کرده‌اند:تشخیص حالت بدن و اندام‌ها برای شناسایی حرکات / ردیابی جداگانه بازیکنان برای دستیابی به اطلاعات عملکردی / اتصال فیلم‌های دو دوربین ساده مانند GoPro

شرکت استارتاپی SCIKEY که در زمینه منابع انسانی (HR) فعالیت می‌کند با ابداع الگوریتم انعطاف‌پذیر MindMatch و استفاده از هوش مصنوعی (AI) الگوهای رفتاری کارمندان را درک می‌کند و رفتار آن ها را در مواجهه با شغل هر فرد پیش‌بینی می‌کند.

SCIKEY مخفف کلمه “کلیدهای علمی ذهن انسان” است و از الگوریتم SCIKEY MindMatch برای مطابقت با رفتاری متناسب با شغل هر فرد استفاده می شود و در پلتفرم Talent Alignment ، گنجانده می شود. SCIKEY یک پلتفرم آنلاین است که نیازهای شغلی کسب و کارها را برای استخدام ، تراز کردن و درگیر کردن استعدادها برای یافتن بهترین بهره‌وری و یک نیروی کار موفق تر به کار می برد و از الگوریتم SCIKEY MindMatch استفاده می کند که به خواندن طرز فکر افراد کمک می کند.