سنسورهای ردیابی لحظه‌ای دما در بسته بندی هوشمند

ردیاب‌های مجهز به سنسور دما و رطوبت کاربردهای فوق‌العاده‌ای برای برخی از مشاغل از جمله بسته بندی هوشمند مواد غذایی دارند. برخی شرکت‌ها، سازمان‌ها یا ارگان‌ها نیاز به اطلاعات منظم از وضعیت دمای کالاهای خود دارند؛ زیرا عدم نظارت و کنترل بر دمای کانتینر یا یخچال می‌تواند خسارات جبران‌ناپذیری را به سرمایه شرکت وارد نماید.

به‌علاوه تحویل محصولات فاسد و یا نیمه فاسد در برخی موارد می‌تواند جان افراد را به خطر بیندازد یا خسارت هنگفتی به شرکت وارد کند. در نتیجه برای برخی شرکت‌ها استفاده از سنسور دما در کانتینر حمل کالا ضروری و اجتناب‌ناپذیر است. مانند:

• شرکت های پخش محصولات لبنی
• شرکت های تولید و پخش گوشت و فرآورده های گوشتی و پروتئینی
• شرکت های تولید و پخش محصولات دارویی و تجهیزات آزمایشگاهی
• شرکت های صادرات و واردات میوه و سبزیجات و صیفی جات
• صادرکنندگان و وارد کنندگان محصولات گلخانه ای و گیاهان دارویی

با قرار دادن ردیاب در محدوده میانی خودرو یا کانتینر به صورت لحظه‌ای از دمای محل قرارگیری بارهای خود اطلاع یابید. دستگاه ردیاب تمام اطلاعات را از جی پی اس یا سنسورهای دیگر دریافت می‌کند و برای کاربر بر روی پنل کاربری یا به صورت پیامک ارسال می‌کند. این اطلاعات شامل موقعیت فعلی خودرو، میزان سرعت، دمای کانتینر و حتی دمای موتور خودرو می‌باشد.

سنسور تشخیص زمان مصرف در بسته بندی هوشمند مواد غذایی

برخی سنسورهای دیگر نیز وابسته به نوع بسته‌بندی و محافظت ماده غذایی در برابر عوامل فاسد‌کننده همانند اکسیژن و نور خورشید می‌توانند مصرف‌‍کننده را از ورود این عوامل به محیط بسته‌بندی آگاه نمایند. به‌طور مثال در صورتی که ماده غذایی به مدت 5 دقیقه تحت اکسیژن قرار بگیرد با تغیر جزیی رنگ سنسور مصرف‌کننده را آگاه می‌کند و در صورت وجود بیشتر اکسیژن در بسته‌بندی این تفاوت رنگی بیشتر ملموس خواهد بود.

سنسورهای زیستی

برای تشخیص، ضبط، انتقال اطلاعات مربوط به واکنش‌های بیولوژیکی استفاده می‌شود. شامل یک قسمت مبدل و یک قسمت گیرنده زیستی‌اند که گیرنده‌های زیستی آنالیت ( ماده مورد تجزیه ) هدف را تشخیص می‌دهند و مبدل، سیگنال‌های بیوشیمیایی را به پاسخ‌های الکترونیکی قابل اندازه‌گیری تبدیل می‌کند. گیرنده‌های زیستی ممکن است مواد آلی یا بیولوژیکی مانند هورمون‌ها، آنزیم‌ها، آنتی‌ژن، اسید نوکلوئیک و … باشد. مبدل‌ها در اشکال نوری، صوتی یا الکتروشیمیایی می باشند.

سنسورهای گازی در بسته بندی هوشمند مواد غذایی

سنسورهای گازی برای تشخیص وجود گاز در بسته‌بندی محصول مورد استفاده قرار می‌گیرند. اگر کیفیت محصول در طول ذخیره‌سازی، حمل‌و‌نقل، عمده‌ فروشی مواد غذایی و یا خرده ‌فروشی تا مصرف، غیر قابل قبول باشد معمولاً در طی یک تغییر رنگ توسط شاخص‌های هوشمند نشان داده می‌شود که خواندن و تفسیر آن توسط مصرف کنندگان آسان است.

انواع سنسورهای گازی

شامل سنسورهای اکسیژنی، کربن‌ دی ‌اکسیدی، بخارآب و … هستند. این سنسورها برای تشخیص کیفیت محصول، با اندازه‌گیری گازهایی مانند هیدروژن‌ سولفید، کربن ‌دی‌ اکسید و مواد فرار مانند دی استیل‌ها، آمین‌ها، آمونیاک و هیدروژن سولفات که در اثر کهنگی محصولات غذایی تولید می‌شوند عمل می‌کنند.

همبستگی خوبی بین میزان عطر و بوی تولید‌شده و نرم‌شدن میوه‌ها وجود دارد به‌طوری‌که میوه نرم و رسیده، تولید عطر و بوی بیشتری می‌کند و سنسور تغییر رنگ می‌دهد. مثلاً نشانگر قرمز نشان دهنده نارس بودن میوه و یا تغییر رنگ از نارنجی به زرد زمانی است که محصول بسیار رسیده است.

سنسور تشخیص میزان حضور اکسیژن در بسته‌ بندی هوشمند مواد غذایی

از جمله دیگر عوامل فاسد کننده مواد غذایی می‌توان به موضوع دما اشاره کرد. افزایش دما باعث افزایش سرعت روند رشد باکتری‌ها و تخریب ماده غذایی می‌شود و این موضوع باعث افت کیفیت ماده غذایی می‌گردد. افزایش دما ممکن است حتی باعث فاسد شدن زودتر‌ از موعد ماده غذایی شود و سلامت مصرف‌کننده را به خطر بیاندازد. از جمله معروف‌ترین سنسورهای تشخیصی می‌توان به نشان‌گر دما و زمان (TTI) اشاره نمود.در این نشانگرها می‌توان به راحتی با استفاده از تغیرات رنگ سنسور شرایط نگهداری با معیار دما و زمان را محاسبه نمود.

سنسورهای شیمیایی

 یک ترکیب شیمیایی که توانایی تشخیص حضور، فعالیت، میزان غلظت یک ماده شیمیایی یا گاز خاص از طریق جذب سطحی را دارد. حضور ماده شیمیایی خاص تشخیص و توسط مبدل به سیگنال تبدیل می‌شود. سنسورهای مبتنی بر نانو می‌توانند برای تشخیص عوامل بیماری‌زا، آلاینده‌های شیمیایی، فساد ماده غذایی و تغییرات محصول به کار روند. پیشرفت‌های اخیر در سنسورها سبب استفاده از مبدل‌های نوری شده است که نیازی به برق ندارند و با استفاده از اشعه UV از فواصل دورتر نیز قابل خواندن هستند.

بسته‌بندی‌ هوشمند مواد غذایی تکنولوژی جدیدی است که جهت تسهیل تصمیم‌گیری برای دستیابی به بهبود کیفیت و سلامت غذا استفاده می‌شود.بسته‌بندی بهترین همراه غذاست که می‌توان برای ایجاد ارتباط و مشخص کردن غذا استفاده شود.  بسته‌بندی هوشمند مواد غذایی این قابلیت را دارد که به مصرف‌‍کننده هشدار دهد که یک محصول خاص رو به اتمام است. با این ترفند برندها می‌توانند انگیزه‌ای برای خرید مجدد در مصرف‌کننده ایجاد کرده و وفاداری مشتری به یک برند را تضمین کنند و اجازه ندهند رقبا راهشان را سد کرده و مشتریان را به سوی خود بکشانند.

 به همین ترتیب برندها می‌توانند از این تکنولوژی بهره گرفته و نزدیک شدن تاریخ انقضای یک محصول را به مصرف‌‍کننده گوشزد کرده و او را نسبت به مصرف هر چه زودتر آن ترغیب کنند تا هدر رفت و پسماند غذایی به حداقل رسد. با پیشرفت تکنولوژی شاهد ظهور یخچال فریزرهای هوشمندی بوده‌ایم که می‌توانند عادت‌های خرید صاحب خود را تشخیص داده و با توجه به محتویات خود برای آن‌ها یک برنامه غذایی هفتگی ترتیب دهند. بسته‌بندی هوشمند می‌تواند تأثیر بسزایی در افزایش تعامل با یک برند داشته باشد و مشتریان را ترغیب کند دوباره به سراغ این برند رفته و محصولاتشان را بخرند. به لطف بسته‌بندی‌های هوشمند می‌توان از اعتبار و اصالت یک محصول آسوده خاطر شد. در بازارهای نوظهور امروزی مهم‌ترین دغدغه مصرف‌کنندگان سلامت و کیفیت مواد غذایی است و با وجود بسته‌بندی‌های هوشمند می‌توان نمونه اصل را از تقلبی باز شناخت.

  ابزارهای بسته‌بندی هوشمند مواد غذایی

سنسورهای موجود در تجهیزات بسته‌بندی را می‌توان به گونه‌ای برنامه‌‌ریزی کرد تا تشخیص دهند کهSKUها از یک پردازنده در یک زمان مشخص چه انتظاری دارند. سپس سنسورها می‌توانند بررسی کنند که از بسته‌بندی صحیح برای محصولات مختلف استفاده می‌شود و در صورت وجود خطا سریعاً روند کار را متوقف می‌کنند. به طور سنتی، اگر یک اپراتور محصول نامناسبی را در بسته‌بندی اشتباه قرار دهد، ممکن است تا مدت‌ها بعد شناسایی نشود، در نتیجه محصول و بسته‌بندی اشتباه باید دور ریخته شود. در یک کارخانه مبتنی بر IOT، پارامترهای برچسب‌گذاری نیز از سرور بارگیری می‌شوند. به‌جای این که یک اپراتور به صورت دستی تاریخ، مهر زمان و کد کارخانه را وارد کند، می‌توان این اطلاعات را مستقیماً به تجهیزات متصل به اینترنت هدایت کرد. که باعث کاهش خطای اپراتور در کارخانه می‌شود و اپراتورها می‌توانند بر بررسی صحیح اجرای برچسب در رایانه متمرکز شوند.

لوازم آرایشی هوشمند توسط برند های مطرح لوازم آرایشی و در قالب  گجت های مختلف تولید و طراحی می شوند.

گجت رژلب هوشمند

گجت آرایشی Perso Smart شرکت لورئال، به کمک هوش مصنوعی، طیف گسترده‌ای از رنگ‌های رژ لب را می‌سازد و در اختیار مشتریان قرار می‌دهد.

این محصول قرار است تحت برند ایو سن لوران (Yves Saint Laurent) عرضه شود و هر بار که از آن استفاده می‌کنید، یک رنگ رژ لب متفاوت به مشتریان ارائه دهد.

گجت جدید از کارتریج‌های رنگی قرمز، نارنجی، صورتی و غیره مخصوص برند ایو سن لوران استفاده می‌کند و با کمک هوش مصنوعی می‌تواند هزاران رنگ تلفیقی بسازد. با استفاده از اپلیکیشن اختصاصی این محصول، می‌توان از دستگاه خواست تا رنگ مورد نظر افراد را بسازد و تحویل دهد. اگر به هر دلیلی مشتریان نتوانند رنگ مناسبی را انتخاب کنند، هوش مصنوعی با توجه به لباس‌های افراد، سه رنگ مختلف را پیشنهاد می دهد.

هنگامی که رنگ را انتخاب کردند، کافی است دکمه «ساخت» را فشار دهند تا آن رژ لب در اختیار قرار گیرد.کسانی هم که معمولاً در انتخاب رنگ تردید دارند یا بنا بر عادت، رژ لب خود را به وفور تغییر می‌دهند، با این گجت می‌توانند مشکلات خود را برطرف کنند.

برس هوشمند

این برس هوشمند می‌تواند کیفیت و سلامت موها را  بررسی کند و نحوه مراقب از آنها را بگوید. این برس، همچنین مراقب شکستگی و خشکی موها نیز است.

این برس با استفاده از وای فایی که داخل آن تعبیه شده است به صورت آنلاین در حین شانه زدن اطلاعاتی از قبیل سلامت مو ها و نحوه برس زدن را از طریق گوشی هوشمند می فرستند.

یک میکروفون ریز که در بین پلاستیکی که در برس است جاسازی شده است که این میکروفون صدای میله‌های برس را که در حال عبور از بین موها هستند را می‌گیرد. این داده‌های شنوایی به یک برنامه‌ای که روی تلفن همراه نصب شده است منتقل می‌شود، تا توسط الگوریتم‌های هوشمندی که دارد وزی ، خشکی ، موخورگی مو ، شکنندگی و جدا شدن از سر را تشخیص دهد و آن را تجزیه و تحلیل کند.

سنسورهای موجود در این برس همچنین می‌توانند تشخیص دهند که از این برس بر روی موهای خشک استفاده می‌شود یا مرطوب تا اندازه‌گیری دقیق مو انجام شود.با تشخیص تارهای مو مرطوب یا خشک ، سنسورها می‌توانند به داده‌های جمع‌آوری شده توسط میکروفون بازخورد دهند. این سنسورها داده‌ها را به صورت خودکار از طریق وای فای یا بلوتوث به برنامه اختصاصی بر روی موبایل تحویل می‌دهند که در این صورت فاکتورهای آب و هوایی مانند رطوبت ، دما ، اشعه ماوراء بنفش و باد را در نظر می‌گیرد که این نیز می‌تواند بر روی موها تأثیر بگذارد.

اگر جزو افرادی هستید که موهای خود را سریع و محکم شانه می‌زنید توسط این برس به شما نحوه‌ی صحیح شانه زدن را آموزش خواهد داد زیرا ژیروسکوپ موجود در این برس به صورت سه بعدی حرکت شانه زدن موهای شما را ضبط می‌کند و بر اساس نتیجه‌ی دریافتی که به برنامه‌ی نصب شده روی گوشی ارسال می‌شود پیشنهاد لازم را ارائه می‌دهد.

سیستم های ردیابی بیماری اینترنت اشیا قادر به رمزگشایی نشانگرهای خطر ابتلا به سرطان و عمل به آن ها هستند. آن ها می توانند این کار را در شرایطی که خطر سرطان هنور کاملا جدی نشده و مبهم می باشد انجام دهند. چنین عملکرد پیشرفته از فناوری ها خصوصاً در مورد بیماری های مزمن و نادری همچون سرطان و کسانی که هنوز امید به زندگی دارند، بسیار مفید خواهد بود.

برای سرطان هایی مانند مزوتلیوما ، شناخت علائم در اسرع وقت برای شروع درمان بسیار حیاتی است. علائم اولیه این سرطان ممکن است به صورت سرفه یا ناراحتی در شکم یا قفسه سینه ظاهر شود. با کمک اینترنت اشیا و سیستم ردیابی فعالیت در طول درمان سرطان ، امکان جمع آوری انبوهی از داده ها از بیماران فراهم می شود که می تواند به بیماران امکان دهد که سریعاً تحت درمان قرار گیرند و در نتیجه طول عمر خود را طولانی کنند. هوش مصنوعی می تواند به معیارها و پیش بینی ها کمک کند در حالی که اینترنت اشیا از تولید و بینش داده های مبتنی بر حسگر استفاده می کند ، که به نوبه خود تحویل یک داروی ایمن و موثر را بهینه می کند.

تشخیص سرطان با تجزیه و تحلیل بوی دهان یکی از موارد استفاده از فناوری هوش مصنوعی تجزیه و تحلیل ترکیبات شیمیایی بوی دهان است. نفس انسان دارای ترکیبت شیمیایی است که با حس بویایی نمی توان آن را تشخیص داد. اما دانشمندان بریتانیایی یک فناوری‌ مبتنی بر هوش مصنوعی را توسعه داده‌اند که قادر به تحلیل و تجزیه دقیق بوی دهان است. این فناوری از طریق سنسورهای مختلف بوی دهان بیمار را دریافت کرده و پس از بررسی ترکیب های شیمیایی آن یک نمودار سه‌بعدی ارائه می‌کند. برای مثال می‌توان از طریق این تکنولوژی ابتلا به بیماری را با تشخیص مولکول‌های تنفسی تشخیص دهد.

RTLS سیستمی باقابلیت کشف، شناسایی و مکانیابی خودکار اشیا یا افراد در محدوده مشخص است. به‌طورکلی این سیستم شامل تگ ها و تعدادی نقاط راهنمایی است که با شبکه هاب ارتباط دارد. عملکرد شبکه هاب به این‌گونه است که از طریق آن داده ها در یک پایگاه اطلاعاتی ذخیره می شود. نقاط راهنما سیگنال های ارتباطی را مخابره می کند که توسط تگ ها دریافت می گردد. زمانی که تگ، سیگنال های ارتباطی را دریافت کند، آن را به شبکه هاب بازمیگرداند. سپس شبکه هاب، تگ را شناسایی کرده و مکان و زمان آن را از طریق شبکه به پایگاه اطلاعاتی مخابره می کند.

سیستم RTLS بیمارستان برای شناسایی و استقرار تجهیزات مجهز به تگ، پرسنل یا بیمارانی طراحی‌شده است که در بیمارستان در جریان هستند. ردیابی تجهیزات به مدیریت بهتر موجودی کمک کرده و درنتیجه دسترسی سریع به اقلام موردنیاز را بهبود و هزینه های اضافی کاهش می یابد.

ردیابی بیمار شامل مکان یابی او در صورت گم‌شدن در بخش های مختلف بیمارستان و یا شناسایی اطلاعات لازم قبل از فرآیندهای پزشکی و بهبود در تسریع فرآیندهای ترخیص است.

تعدادی از بیمارستان ها از RTLS به‌منظور شناسایی یا ردیابی بیمار و همچنین ردیابی پرسنل استفاده کرده اند.علاوه بر این، بیمارستان ها مکان های شلوغ و پر رفت‌وآمدی هستند و مفقود شدن اشیا و وسایل رایج است. سیستم RTLS به‌منظور رفع این مشکلات راهکارهای مؤثری ارائه کرده است ولی همچنان در این مسیر خلأهایی مشاهده می شود. برای مثال RTLS نمی تواند بین سرقت شدن ویلچرها و یا آن‌هایی که برای کمک به بیماران به خارج از بیمارستان منتقل می شوند، تفاوت قائل شود.

استفاده از سیستم RTLS به‌عنوان ابزاری جهت ردیابی در لحظه مکان موجودیت ها و استفاده از تکنولوژی های جدیدی همچون RFID در پیاده‌سازی این سیستم ها پیشنهاد می شود.

به منظور کم کردن خطر ربودن نوزاد، بیمارستان‌ها برای نظارت و پیگیری هر کودک، برچسب های RTLS را برروی پای نوزادان قرار می‌دهند.اگر یک کودک بیش از حد به در خروجی نزدیک شود، زنگ خطر صدا خواهد کرد و در قفل خواهد شد؛ علاوه بر این، اگر یک برچسب از کودک جدا شود، صدای آژیر خطر به گوش می‌رسد و موقعیت کودک را نشان می‌دهد.

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.

گجت هوشمند  طناب  Tangram

این یکی از  گجت‌ های هوشمند  ورزشی است،و همانطور که از اسمش مشخص است یک دستگاه ورزشی برای انجام تمرینات طناب زدن است ،که تعداد پرش‌های کاربر و کالری های مصرفی را ثبت می کند. و داده‌های مربوط به فعالیت‌های هفتگی از جمله میزان کالری که برای تناسب اندام  و سلامتی می‌سوزانندو زمان و اهداف ثبت شده را در خود ذخیره می کند.

همچنین امکان مقایسه و به اشتراک‌گذاری داده‌های جمع آوری شده توسط این دستگاه هوشمند ورزشی با سایر کاربران نیز امکان‌پذیر است.

انواع متنوعی از طناب‌های هوشمند ورزشی توسط Tangram در اختیار کاربران و علاقه‌مندان به استفاده از این طناب‌ها قرار گرفته است. برای مثال طناب هوشمند ورزشی Rookie یکی از نمونه‌های گجت های هوشمند طناب Tangram است که استفاده از آن برای مبتدیان مناسب است.افراد و ورزشکاران حرفه‌ای می‌توانند از طناب هوشمند ورزشی Pure برای تجربه یک تمرین طناب‌زنی کاملا متفاوت و هیجان‌انگیز استفاده کنند.

گجت هوشمند بطری آب Ozmo Hydration Tracker

تولیدکنندگان تجهیزات و دستگاه‌های ورزشی هوشمند به فکر تولید دستگاه‌هایی هستند که به کاربر برای حفظ و تامین آب از دست رفته بدن در طول فعالیت‌های ورزشی کمک کند. بطری آب Ozmo Hydration Tracker یک بطری هوشمند آب است که قادر به اندازه‌گیری سطح آب بدن کاربر است.

برای این بطری آب هوشمند یک اپلیکیشن قابل نصب روی گوشی تلفن همراه طراحی شده است همچنین یک سیستم لرزنده نیز در بطری تعبیه شده است.

اپلیکیشن این بطری را می‌توانید با اپلیکیشن‌هایی مثل Apple Health و FitBit همسان‌سازی کنید.

گجت هوشمند جوراب  Sensoria

برند Sensoria v1 جوراب هوشمندی را طراحی و به بازار لوازم ورزشی عرضه کرده است که قابلیت‌های بسیار جالبی دارد.

یکی دیگر از گجت های هوشمند این جوراب هوشمند است که به تکنولوژی هوش مصنوعی مجهز است. دارای الکترودهایی است. که درون بافت و الیاف آن تعبیه شده‌اند. این الکترودها قادر به اندازه‌گیری نرخ ضربان قلب و کالری های مصرفی است و با داده‌هایی که جمع‌آوری می‌کند. می‌تواند باعث ارتقای کیفیت و کارآیی تمرینات ورزشی شما شود.

نکته جالبی که در خصوص گجت های هوشمند جوراب  Sensoria v1 باید در نظر داشته باشید این است که به کاربر امکان افزایش سرعت دویدن، سرعت برداشتن پا و فرود پا در هر گام را می‌دهد همچنین شما می‌توانید با کمک این جوراب هوشمند ورزشی، کفش‌های مناسب با پا و تمرینات خود را انتخاب کنید.

برای گجت های هوشمند جوراب  Sensoria v1 اپلیکیشن Sensori Run طراحی شده است که کاربر می‌تواند با اتصال جوراب به اپلیکیشن از طریق بلوتوث یا وای فای فیدبک مربوط به تمرینات خود را روی اپلیکیشن مشاهده کند.

به این ترتیب این اپلیکیشن و جوراب در کنار هم مانند یک مربی بدنساز به شما کمک می‌کنند از عملکرد خود در طول تمرین باخبر شوید و آن را ارتقا بدهید.

این برند جوراب هوشمند دیگری با نام Sensoria v2 نیز به بازار عرضه کرده است. که از مواد اولیه درجه یک تهیه شده است در الیاف این جوراب نیز مانند نسخه V1 آن یکسری سنسور تعبیه شده است. که قادر به ثبت برخی از اطلاعات مثل تعداد گام کاربر، مسافت طی شده و مسیری که کاربر طی می‌کند، است. تفاوت این جوراب با نسخه قبلی آن در حجم داده‌هایی است که ذخیره می‌کند.

مخلوط‌ کن هوشمند NutriBullet

یک دستگاه هوشمند برای زمانی است که می‌خواهید انرژی خود را در حین انجام تمرین‌های ورزشی و در طول روز با استفاده از نوشیدن اسموتی‌های خوشمزه و مقوی حفظ کنید.

نکته جالب در خصوص این مخلوط کن این است که به شما کمک می‌کند وزن خود را با اصلاح سبک تغذیه و شمردن کالری‌ های اسموتی‌هایی که می‌نوشید، کاهش دهید.

روش کار این مخلوط‌کن هوشمند جذاب به این شکل است که این دستگاه اطلاعات مربوط به ارزش غذایی اسموتی‌هایی را که با استفاده از این مخلوط کن تهیه می‌کنید،برای شما نمایش می‌دهد. این اطلاعات شامل مواردی مثل میزان چربی، کالری، پروتئین و قند موجود در اسموتی تهیه شده توسط این دستگاه است.

برای این دستگاه هوشمند یک اپلیکیشن طراحی شده است که می‌توانید آن را روی گوشی همراه خود نصب کنید. در این اپلیکیشن دستورهای مختلفی برای تهیه انواع اسموتی‌های مناسب با شرایط جسمی و وزنی کاربر وجود دارد. مثلا اگر کاربر به بیماری دیابت مبتلا باشد، از طریق اپلیکیشن این مخلوط‌کن هوشمند می‌تواند به دستور تهیه انواع اسموتی‌هایی که برای او مناسب است دسترسی داشته باشد.