هوش مصنوعی

هوش مصنوعی

ITOTاتوماسیون صنعتیانقلاب صنعتی ۴.۰فناوری اطلاعاتفناوری عملیاتی (OT)کارخانه هوشمندکنترل صنعتیهمگرایی IT و OTهوش مصنوعیهوشمندسازی صنعتی
فناوری اطلاعات در اتوماسیون صنعتی

۱. مقدمه و تعریف مسئله در اقتصاد جهانی امروز، رقابت میان واحدهای تولیدی دیگر صرفاً بر پایه‌ی ظرفیت تولید یا دسترسی به مواد اولیه شکل نمی‌گیرد، بلکه عواملی همچون کیفیت و یکنواختی محصول، قیمت تمام‌شده، سرعت پاسخ‌گویی به بازار، انعطاف‌پذیری

قسمت اول
دلایل شکست پروژه های هوش مصنوعیساختار تصمیم‌گیریمعماری سازمانیهوش مصنوعی
چرا شکست پروژه‌های هوش مصنوعی، بیشتر شکست معماری سازمان است تا شکست مدل‌های هوش مصنوعی؟

مسئله‌ی واقعی، کمبود هوش مصنوعی نیست؛ ناهماهنگی در تصمیم‌گیری است. فرض کنید فردا صبح، بهترین سامانه‌ی هوش مصنوعی جهان در اختیار سازمان شما قرار گیرد. این سامانه می‌تواند گزارش‌های مالی را تحلیل کند، وضعیت بازار را پیش‌بینی کند، برنامه‌ی تولید

قسمت چهارم
دلایل شکست پروژه های هوش مصنوعیساختار تصمیم‌گیریمدل هوش مصنوعیمعماری سازمانیهوش مصنوعی
چرا شکست پروژه‌های هوش مصنوعی، بیشتر شکست معماری سازمان است تا شکست مدل‌های هوش مصنوعی؟

یکی از بزرگ‌ترین سوءبرداشت‌هایی که در سال‌های اخیر درباره‌ی هوش مصنوعی شکل گرفته، این است که گویی مدل هوش مصنوعی، به‌تنهایی همان سامانه است. در بسیاری از سازمان‌ها، وقتی صحبت از استقرار هوش مصنوعی می‌شود، اولین سؤال این است: «از

قسمت سوم
دلایل شکست پروژه های هوش مصنوعیساختار تصمیم‌گیریمعماری سازمانیهوش مصنوعی
چرا شکست پروژه‌های هوش مصنوعی، بیشتر شکست معماری سازمان است تا شکست مدل‌های هوش مصنوعی؟

اگر یک پروژه‌ی هوش مصنوعی به نتیجه‌ی مطلوب نرسد، نخستین واکنش چیست؟ در بسیاری از سازمان‌ها، پاسخ تقریباً قابل پیش‌بینی است. می‌گویند مدل هوش مصنوعی به اندازه‌ی کافی دقیق نبود. یا داده‌های ما کیفیت لازم را نداشت. یا زیرساخت سخت‌افزاری

قسمت دوم
انسان پس از خودانسان و هوش مصنوعیفناوریهوش مصنوعی
انسان پس از خود

شاید بزرگ‌ترین سوءتفاهم درباره‌ی هوش مصنوعی این باشد که مسئله‌ی اصلی را «جایگزینی آن با انسان» بدانیم. این تصویر، هرچند هولناک و جذاب است، ممکن است ما را از تغییری عمیق‌تر که در حال وقوع است، غافل کند: بازآرایی شیوه‌ای

دلایل شکست پروژه های هوش مصنوعیساختار تصمیم‌گیریمعماری سازمانیهوش مصنوعی
چرا شکست پروژه‌های هوش مصنوعی، بیشتر شکست معماری سازمان است تا شکست مدل‌های هوش مصنوعی؟

سخن نویسنده حدود سه دهه است که سازمان‌ها موج‌های مختلف تحول را تجربه می‌کنند. روزی صحبت از مکانیزه کردن فرآیندها بود. چند سال بعد، سامانه‌های اطلاعاتی سازمانی به راه‌حل اصلی تبدیل شدند. سپس از مهندسی مجدد فرآیندها، برنامه‌ریزی منابع سازمان،

قسمت اول
آینده معدنکاریتاب‌آوری داده‌محورتحلیل داده های معدنصنعت معدنفناوری های داده محورکلان‌دادهمعدن هوشمندهوش مصنوعی
کلان‌داده؛ موتور تحول معدن هوشمند

صنعت معدن در آستانه‌ی یک تحول اساسی قرار دارد. برای دهه‌ها، این صنعت با روش‌های سنتی و تصمیم‌گیری‌های مبتنی بر تجربه و نمونه‌برداری‌های محدود اداره می‌شد. اما امروزه، با فشار فزاینده برای کاهش هزینه‌ها و اثرات زیست‌محیطی، صنعت معدن ناگزیر

تولید و توزیع جهانیزنجیره تامین صنعتیکاربرد های هوش مصنوعیهوش مصنوعی
هوش مصنوعی، شریک جدید تصمیم‌گیری در زنجیره‌های تأمین صنعتی

مقدمه: چرا زنجیره‌های تأمین هنوز درگیر ناکارآمدی‌اند؟ زنجیره‌های تأمین صنعتی، ستون فقرات تولید و توزیع در اقتصاد جهانی محسوب می‌شوند؛ اما با وجود دهه‌ها سرمایه‌گذاری در فناوری، هنوز با مشکلاتی بنیادین دست‌وپنجه نرم می‌کنند: تصمیم‌گیری پراکنده میان تأمین‌کنندگان، تولیدکنندگان، توزیع‌کنندگان

MPCRLاتوماسیون هوشمند صنعتیانقلاب صنعتی پنجمکنترل پیش بین مدل محورهماهنگی انسان – ماشینهوش مصنوعیهوشمندسازی صنعتییادگیری تقویتی
کنترل پیش‌بین مدل‌محور و یادگیری تقویتی

مقدمه در دنیای امروز، صنایع تولیدی و فرآیندی با چالش‌های پیچیده‌ای روبه‌رو هستند؛ نوسانات بازار، الزامات زیست‌محیطی، نیاز به بهره‌وری بالاتر و مدیریت سامانه‌های با داده‌های بسیار زیاد که نیاز به تحلیل و دسته‌بندی دارند. مهندسی کنترل، به عنوان ستون

الگوریتمپساعقلانیتزیست انسانیزیست حیوانیفهمهوش مصنوعیواکنش
پساعقلانیت

اگر از سطح توصیف‌های رایج درباره‌ی آینده عبور کنیم- جایی که جهان با واژه‌هایی مثل پیشرفت، هوشمندسازی و داده‌محوری توضیح داده می‌شود- با یک تحول عمیق‌تر درباره‌ی دنیای پیش‌رویمان مواجه می‌شویم؛ تحولی که نه در ابزارها، بلکه در خودِ «نحوه‌ی

ANNAPCDCSFCSMLMPCRLشبکه عصبیفرآیند های صنعتیکنترل پیش‌بینکنترل پیشرفته فرآیندکنترل تطبیقیکنترل فازیکنترل فرآیندهوش مصنوعیهوشمندسازی صنعتییادگیری تقویتییادگیری ماشین
سامانه‌ی کنترل پیشرفته‌ی فرآیند (APC)

۵. چالش‌های پیاده‌سازی و ملاحظات اجرایی با وجود مزایای گسترده‌ی APC، پیاده‌سازی موفق آن نیازمند فراهم بودن زیرساخت‌های فنی، داده‌ای و سازمانی (به ویژه زیرساخت فرهنگی و پذیرش تغییرات) مناسب است. الف) کیفیت داده‌های فرآیندی الگوریتم‌های APC و مدل‌های هوشمند

قسمت دوم
اتاق بازرگانیحکمرانی هوش مصتوعیصنایعکمیسیون فناوری اطلاعات و اقتصاد دیجیتال ایرانگفتمان هوش مصنوعیمعادن و کشاورزی ایرانهوش مصنوعی
فرصت‌ها و چالش‌های مسیر جدید هوش مصنوعی در ایران

کمیسیون فناوری اطلاعات و اقتصاد دیجیتال اتاق ایران در گزارشی از مشارکت خود در روند تدوین سند ملی توسعه‌ی هوش مصنوعی، ارائه‌ی پیشنهادهای سیاستی و حضور در گفت‌وگوهای مرتبط با حکمرانی این حوزه خبر داده است. در این گزارش، موضوعاتی

1 2
مطالب جدید
239-34-cover
از ساخت داخل تا صادرات فناوری
239-33-cover
فناوری اطلاعات در اتوماسیون صنعتی
239-33-cover
شکاف ۷ ساله‌ی ایران با جهان در پذیرش هوش مصنوعی
دسته‌بندی مطالب مجله
مشاهده بیشتر مشاهده کمتر
دریافت خبرنامه های دوره ای

با عضویت در خبرنامه ما، هیچ‌یک از مقالات و اخبار مهم را از دست نخواهید داد. جدیدترین تحقیقات، نوآوری‌ها به‌صورت منظم برای شما ارسال می‌شود.

عضویت در خبرنامه

فیلد های "*" اجباری هستند

پربازدیدترین تگ ها
  • صنعت هوشمند
  • تولیدات داخلی
  • مدیریت
  • انجمن صنفی
  • رباتیک
  • ابزار دقیق
  • کسب و کار