نحوه طراحی محصولات و خدمات جدید در جاه طلبی قرار گرفته است تا کل سیستم اقتصادی ما را در بر بگیرد. ابزارهای جدید مانند هوش مصنوعی می توانند اطمینان حاصل کنند که تنها محدودیت هایی که ما تجربه می کنیم ، تصورات ما و منابع محدود جهان است. این مسیر یادگیری بررسی می کند که هوش مصنوعی چیست و چگونه می توان از آن برای تسریع در انتقال به یک اقتصاد دایره ای استفاده کرد ، به ویژه بر فرصت های هوش مصنوعی به:
- تلاش ها را برای طراحی زباله و آلودگی آگاه و تسریع کنید
- اثربخشی و بهینه سازی مدلهای کسب و کار اقتصاد دایره ای را افزایش داده و بهینه کنید
- زیرساخت های مورد نیاز برای نگه داشتن محصولات و مواد را ساده کنید
علم ساختن اشیاء بی جان.
هوش مصنوعی یک اصطلاح اصلی برای مجموعه ای از فناوری ها است. این کار با مدل ها و سیستم های رایانه ای انجام می شود که عملکردهای شناختی مانند انسان مانند استدلال و یادگیری را انجام می دهند. نرم افزار هوش مصنوعی قادر به یادگیری از تجربه است ، و آن را از نرم افزارهای معمولی تر که از قبل برنامه ریزی شده و تعیین کننده است ، متمایز می کند.
هوش مصنوعی (AI) لزوماً به معنای دادن هوش یا آگاهی به ماشین ها به همان روشی نیست که فرد باهوش و آگاه باشد. این بدان معنی است که دستگاه قادر به حل یک مشکل خاص یا کلاس مشکلات است.
هوش مصنوعی به حل مشکلات از طریق انجام کارهایی که شامل مهارت هایی مانند تشخیص الگوی ، پیش بینی ، بهینه سازی و تولید توصیه می شود ، بر اساس داده های فیلم ها ، تصاویر ، صوتی ، شماره ها ، متن و موارد دیگر کمک می کند.
عمومی در مقابل تخصصی
تفاوت بین جنرال هوش مصنوعی یا هوش مصنوعی تخصصی چیست؟
جنرال هوش مصنوعی یک سیستم با هدف کلی است که رفتار هوشمندانه قابل مقایسه با طیف گسترده ای از توانایی های شناختی انسان را نشان می دهد. هوش مصنوعی باریک یا تخصصی در انجام کارهایی که به طور معمول با توانایی های شناختی انسان همراه است ، مانند تشخیص تصویر و صدا ، پیش بینی روند و لکه بینی الگوی خوب است.
دقیقاً چگونه کار می کند؟
یک تصور غلط رایج وجود دارد که الگوریتم های هوش مصنوعی توسط خودشان "هوشمند" هستند. در حقیقت ، هوش مصنوعی به انسان وابسته است تا قبل از اینکه یک دستگاه بتواند آن را حل کند ، ورودی ها و خروجی ها را برای یک مدل (قطعه نرم افزار) به وضوح ایجاد کند.
به عنوان مثال ، دستیار صوتی مانند سیری ، الکسا یا دستیار گوگل - که باید بتواند گفتار را درک کند و با یک پاسخ یا عمل معقول پاسخ دهد. با این حال ، به منظور آموزش موثر الگوریتم و تنظیم داده های ورودی بر این اساس ، انسان باید بدانند که چه نوع سؤالاتی را که انتظار دارند از آن پرسیده شود و یک پاسخ معقول چه خواهد بود. چرخه عمر توسعه AI به طور معمول از فرایندی از جمع آوری داده ها و "مهندسی" ، توسعه الگوریتم با استفاده از داده های مهندسی شده و پالایش به عنوان ورودی داده برای دستیابی به نتیجه مورد انتظار پیروی می کند. پس از دستیابی به نتایج مورد انتظار به یک سطح قابل قبول ، می توان تصمیمات را بر اساس خروجی الگوریتم ها انجام داد. با افزایش کیفیت داده ها با گذشت زمان ، کیفیت خروجی الگوریتم ها نیز افزایش می یابد.
مثال ساده ای از ایجاد یک الگوریتم AI را که می تواند تصاویر گربه ها را تشخیص دهد ، بگیرید.
نوع صحیح داده ها باید جمع آوری شود (در این مورد عکس های گربه ها و حیوانات دیگر) و باید "مهندسی" شود - یعنی اصلاح شده و برچسب گذاری شده است تا الگوریتم بتواند درک کند که به چه چیزی نگاه می کند. عکس هایی با گربه ها و حیوانات دیگر باید به عنوان "گربه" یا "گربه" برچسب گذاری شوند ، بنابراین الگوریتم می تواند یاد بگیرد که چه نوع ویژگی هایی برای یک گربه منحصر به فرد است. فرآیند مهندسی داده ها اغلب برای دستکاری داده ها در قالب مناسب به کارهای دستی زیادی نیاز دارد. آنچه در آن قرار داده اید همان چیزی است که شما بیرون می آیید ، بنابراین داده های با کیفیت خوب مورد توجه برنامه های هوش مصنوعی قرار می گیرند.
این الگوریتم با استفاده از عکسهای دارای برچسب گربه ها و حیوانات دیگر آموزش داده می شود و تصفیه می شود تا زمانی که بتواند آنچه را که برای عکسهای ناشناخته آموخته است استفاده کند. انسانها باید بدانند که در نتیجه الگوریتم انجام وظیفه خود چه چیزی را می بینند تا نتایج را بررسی کند. به عنوان مثال ، نتایج ممکن است شامل هر دو عکس از گربه ها و عکس های اسباب بازی های گربه باشد. سپس این الگوریتم برای تشخیص تفاوت بین یک گربه واقعی یا جعلی با استفاده از تصاویر و اطلاعات اضافی تصفیه می شود.
هر الگوریتم برای انجام یک عملکرد بسیار خاص ، مانند تشخیص شیء برای رانندگی خودمختار ، شناسایی معاملات مالی کلاهبرداری یا بهینه سازی مسیر تحویل آموزش داده می شود.
درک این فرایند توسعه هوش مصنوعی دانش مهم برای در نظر گرفتن چگونگی استفاده از هوش مصنوعی در یک اقتصاد دایره ای است و ما را قادر می سازد تا در مورد سؤالات کلیدی مانند:
- داده ها از کجا وجود دارد؟
- چه مشکلات اقتصاد دایره ای به خوبی تعریف شده می تواند برای حل کمک کند؟
- در حال حاضر کدام برنامه ها از AI بیشتر سود می برند؟
کدام یک از گفته های زیر در مورد هوش مصنوعی صحیح است؟
توضیح
داده های دنیای واقعی غالباً کثیف ، ناقص یا در فرمی هستند که توسط یک دستگاه به راحتی قابل خواندن نیست. یک الگوریتم هوش مصنوعی باید با استفاده از داده های "تمیز" آموزش دیده باشد تا خروجی مفید باشد - این فرایند مهندسی داده ها می تواند کارهای دستی زیادی را شامل شود.
3
برخی از اسطوره ها در مورد هوش مصنوعی
هوش مصنوعی یک فناوری جدید نیست و ریشه آن در روباتیک نهفته است.
اسطوره های بی شماری پیرامون هوش مصنوعی وجود دارد. یکی از رایج ترین این است که هوش مصنوعی یک فناوری جدید است. در حقیقت ، اولین پروژه دانشگاهی که در مورد هوش مصنوعی تحقیق می کند در سال 1956 بود که گروه کوچکی از ریاضیدانان و دانشمندان برای یک پروژه تحقیقاتی تابستانی در پردیس کالج دارتموث جمع شدند. دلیل اینکه مانند یک زمینه جدید احساس می شود این است که آنچه ما آن را "AI" می نامیم تغییر می کند. چیزهای هوشمندانه مانند تشخیص خودکار صفحه برای خودروها (که توسط پلیس انگلیس در اواخر دهه 1970 ساخته شده است) اکنون به صورت صحیح گرفته شده است. آنچه امروز می بینیم ، فقط گام بعدی در تکامل طولانی مدت تحولات برای بهتر شدن رایانه ها در تجزیه و تحلیل داده ها است.
اسطوره 1 - AI همان روباتیک است
هوش مصنوعی نباید با روباتیک اشتباه گرفته شود. هوش مصنوعی در مورد نرم افزار است ، در حالی که رباتیک در مورد ساخت ماشین هایی است که می توانند از نظر جسمی با اشیاء واقعی در محیط اطراف خود ارتباط برقرار کنند. درست است که بسیاری از روبات ها از عناصر هوش مصنوعی استفاده می کنند ، بنابراین به طور فزاینده ای با هم صحبت می شوند. اما مهم است که از این تمایز آگاه باشید: شما می توانید هوش مصنوعی داشته باشید که حضور فیزیکی فراتر از رایانه ندارد. و می توانید روبات هایی بدون هوش مصنوعی داشته باشید که توسط انسان کنترل می شوند یا یک سری از حرکات از پیش برنامه ریزی شده را تکرار می کنند.
افسانه 2 - هوش مصنوعی به داده های زیادی بستگی دارد
داده ها برای توسعه هوش مصنوعی کاملاً مهم است ، اما کیفیت داده ها بسیار مهمتر از کمیت است. توسعه هوش مصنوعی لزوماً به مقادیر زیادی داده نیاز ندارد ، بلکه مجموعه داده های تمیز و دارای برچسب است. برچسب زدن شامل ترجمه داده های دنیای واقعی کثیف به فرمی است که الگوریتم هوش مصنوعی می تواند آن را درک کند ، به عنوان مثال ، برچسب زدن تصویری از یک ماشین با برچسب "ماشین" ، که می تواند شامل بسیاری از کارهای دستی انسانی باشد.
افسانه 3 - هوش مصنوعی همان یادگیری ماشین است
یادگیری ماشین تکنیکی است که برای توسعه AI استفاده می شود. این کار با نمونه های زیادی آغاز می شود ، الگوهای مربوط به نمونه ها را توضیح می دهد ، سپس از آن الگوهای برای پیش بینی در مورد نمونه های جدید استفاده می کند و هوش مصنوعی را قادر می سازد تا به مرور زمان از داده ها یاد بگیرند.
به عبارت ساده تر ، یادگیری ماشین فرآیند آموزش یک قطعه نرم افزار به نام یک مدل است تا با استفاده از یک مجموعه داده پیش بینی های مفیدی انجام دهد. این مدل پیش بینی کننده می تواند پیش بینی های مربوط به داده های قبلاً دیده نشده را ارائه دهد. ما از این پیش بینی ها برای اقدام در یک محصول استفاده می کنیم. به عنوان مثال ، سیستم پیش بینی می کند که یک کاربر یک فیلم خاص را دوست دارد ، بنابراین سیستم این فیلم را به کاربر توصیه می کند.
یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است. این نرم افزار به صورت لایه هایی ترتیب داده شده است که الگوهای الگوهای الگوهای را می آموزند ، بنابراین بالاترین لایه ها می توانند الگوهای انتزاعی را بیاموزند ، مانند آنچه "آغوش" هستند یا یک "مهمانی" به نظر می رسد.
مکث برای فکر
حالا که هوش مصنوعی را کمی بهتر می فهمید ، فکر می کنید چگونه می توان از آن برای فعال کردن اقتصاد دایره ای استفاده کرد؟
ایجاد سیستم های احیا کننده با معرفی هوش مصنوعی به طراحی ، مدل های تجاری و زیرساخت ها.
هوش مصنوعی می تواند ابزاری بسیار قدرتمند باشد. تصور کنید اگر از آن برای تسریع در انتقال به یک اقتصاد دایره ای و ایجاد فرصت های جدید برای تغییر مثبت در مقیاس بزرگ استفاده می شود. در بخش های بعدی ما بررسی خواهیم کرد که چگونه استفاده از هوش مصنوعی در طراحی ، مدل های تجاری و زیرساخت ها می تواند توانایی ما در ایجاد سیستم های جدید و احیا کننده را بر اساس اصول دایره ای افزایش دهد.
طراحی شده توسط AI
آگاهی از انتخاب طراحان.
اقتصاد دایره ای تمرکز جدی بر طراحی دارد. در واقع ، راهنمای طراحی دایره ای می پرسد: اگر بتوانید همه چیز را دوباره طراحی کنید ، چه می شود؟
طراحانی که با هوش مصنوعی کار می کنند می توانند محصولات ، مؤلفه ها و موادی را که برای اقتصاد دایره ای مناسب است ، ایجاد کنند. با استفاده از AI می تواند طرح های بهتری را سریعتر به خود اختصاص دهد ، به دلیل سرعتی که یک الگوریتم هوش مصنوعی می تواند مقادیر زیادی از داده ها را تجزیه و تحلیل کند و طرح های اولیه یا تنظیمات طراحی را پیشنهاد کند. سپس یک طراح می تواند بر اساس آن داده ها تنظیمات را مرور ، ترفند و تأیید کند. هوش مصنوعی به طراحان بینش آگاهانه تری در مورد مؤثرترین طرح ها برای ایجاد و آزمایش می دهد تا بهترین استفاده را از زمان و تخصص خود انجام دهد.
سه مزیت اصلی هوش مصنوعی در طراحی:
قطع پیچیدگی
با طرح های بی شماری و پیشنهاداتی که به بهترین وجه معیارهای طراحی دایره ای متناسب است ، نشان می دهد.
سرعت بخشیدن به روند طراحی
الگوریتم ها می توانند به سرعت مقادیر زیادی از داده های دارای برچسب مانند پایگاه داده های مواد و داده های اولویت مصرف را تجزیه و تحلیل کنند.
با طرح های جدید همراه است
هوش مصنوعی می تواند به انسان کمک کند تا در خارج از جعبه فکر کنند ، تعصب را حذف کنند و چیزها را به روش های جدید طراحی کنند.
مطالعات موردی - طراحی
سه مطالعه موردی زیر نشان میدهد که چگونه هوش مصنوعی در حال حاضر برای ایجاد طراحی بهتر و دایرهای بیشتر استفاده میشود.
مطالعه موردی: Motivo
استفاده از هوش مصنوعی برای تسریع در طراحی قطعات الکترونیکی
در مورد شرکت
Motivo که در سال 2010 در سانفرانسیسکو تأسیس شد، یک مجموعه محاسباتی برای بهینه سازی طراحی و ساخت مدارهای مجتمع ایجاد کرده است. با کمک یادگیری ماشینی، Motivo زمان تشخیص خرابیهای پیچیده تراشه را با ترکیب بهترین روشها از طراحیهای گذشته کوتاه کرده است.
کمک به اقتصاد دورانی
فناوری Motivo پتانسیل کاهش ضایعات در فرآیند تولید مدارهای مجتمع برای محصولات الکترونیکی را دارد.
…با استفاده از هوش مصنوعی
مجموعه محاسباتی از یادگیری ماشینی غیر تکراری و تجزیه و تحلیل پیشرفته بر روی منابع داده چندگانه برای محاسبه طرحهای بهینه برای مدارهای مجتمع با در نظر گرفتن توان عملیاتی، چرخه و بهینهسازی نگهداری استفاده میکند.
حل مشکلات واقعی کسب و کار
بر اساس بینش های ابزار Motivo، شرکت های نیمه هادی توانسته اند هزینه تکرار و آزمایش طراحی را کاهش دهند. در دو آزمایش، نشان داده شد که این ابزار می تواند فرآیندهای طراحی نیمه هادی را از چندین سال به چند هفته کاهش دهد.
با پتانسیل تأثیرگذاری در سطح سیستم
"با تجزیه و تحلیل داده های پیشرفته، ما این پتانسیل را داریم که پارادایم فعلی را به طرز چشمگیری تغییر دهیم. اگر شرکتها به طراحی تراشهها نگاه گستردهتری داشته باشند، میتوانند زمان تحویل رامپهای بازده و تعداد تکرارهای مورد نیاز برای رفع مشکلات محصولات و فرآیندهای جدید را ده برابر کاهش دهند. این تاثیر زیادی بر جدول زمانی و هزینه های سیلیکون خواهد داشت."بهارات رنگاراجان، مدیر عامل شرکت MOTIVO
مطالعه موردی: متالورژی تسریع شده
استفاده از هوش مصنوعی برای طراحی مواد جدید برای اقتصاد دایره ای
در مورد پروژه
پروژه «متالورژی شتابان» که توسط آژانس فضایی اروپا تأمین مالی شد، تحقیقاتی را در مورد توسعه سریع و سیستماتیک، تولید و آزمایش ترکیبهای آلیاژی جدید انجام داد.
کمک به اقتصاد دورانی
هدف این پروژه توسعه فلزات جدید با عملکرد مشابه به روشی کارآمدتر بود. آلیاژهایی که با اصول اقتصاد دایره ای طراحی شده اند: غیر سمی هستند. برای استفاده و استفاده مجدد طراحی شده اند. دوره های استفاده طولانی تری دارند. و می تواند با استفاده از روش های تولید و فرآوری افزودنی که ضایعات را به حداقل می رساند ساخته شود. علاوه بر این، بهبود خواص مواد می تواند به طور ضمنی استفاده از منابع را از طریق بهبود عملکرد محصول کاهش دهد.
. با استفاده از هوش مصنوعی
متالورژی شتاب از الگوریتم های هوش مصنوعی برای تجزیه و تحلیل سیستماتیک داده های عظیمی از مواد موجود و خصوصیات آنها برای طراحی و آزمایش فرمولاسیون های جدید آلیاژ استفاده می کند. این الگوریتم ها با ضبط جزئیات خاصیت های شیمیایی ، فیزیکی و مکانیکی این آلیاژهای ناشناخته ، می توانند روندهای کلیدی در ساختار ، فرآیند و خواص را برای بهبود طراحی آلیاژ با استفاده از حلقه های بازخورد سریع ترسیم کنند.
حل مشکلات واقعی کسب و کار
استفاده از هوش مصنوعی برای بهبود و تسریع فرایند طراحی مواد می تواند به توسعه آلیاژها منجر شود که می توانند در اقتصاد با ارزش بالایی گردش کنند و از نوآوری محصول و فناوری پشتیبانی کنند (به عنوان مثال آلیاژها که می توانند گرمای زباله را به برق تبدیل کنند) و همچنین سایر پتانسیل هامزایایی مانند افزایش عملکرد و عمر طولانی محصول.
با پتانسیل تأثیرگذاری در سطح سیستم
"متالورژی شتاب برای صنعت متالورژی زمان به شدت کاهش یافته به بازار رسیده است. علاوه بر این ، تأکید بر آلیاژهای سازگار با محیط زیست در مرحله طراحی اولیه ، در ترکیب با تجزیه و تحلیل چرخه زندگی ، به حفظ منابع طبیعی و انتقال به فناوری های کم کربن کمک خواهد کرد. "
کمیسیون اروپایی
مدلهای تجاری دایره ای
فعال کردن مدل های تجاری جدید با هوش مصنوعی.
از زمان انقلاب صنعتی ، سیستم اقتصادی خطی به تدریج بهینه تر و کارآمدتر شده است ، که اخیراً با استفاده از فناوری های دیجیتالی مانند هوش مصنوعی. تکنیک های مشابه می توانند به طور گسترده تری روی مدلهای تجاری مدور اعمال شوند تا رقابت آنها را افزایش دهند.
راه هایی که هوش مصنوعی می تواند در ایجاد مدلهای تجاری دایره ای کمک کند
قیمت گذاری پویا
مانند کاهش قیمت مواد غذایی با نزدیک شدن به تاریخ انقضا آن برای کاهش زباله های غذایی.
الگوریتم های تطبیق
برای به اشتراک گذاری یا سیستم عامل های دست دوم برای ارتباط موثر افراد با چیزهایی که می خواهند ، از ابزار تا آپارتمان.
تعمیرات قابل پیش بینی
و پیش بینی تقاضای لجستیک معکوس.
مطالعات موردی - مدل های تجاری
مطالعه موردی در زیر نشان می دهد که چگونه یک شرکت ، StuffStr ، از هوش مصنوعی استفاده می کند تا قیمت های پویا را در بازار فروش مجدد مد خود تعیین کند.
در این ویدئو ، مارتین استوچه - بنیانگذار و شریک مدیریت SystemIQ ، تصویری از یک سیستم تحرک آینده را نقاشی می کند که در آن هوش مصنوعی نقش کلیدی را ایفا می کند.
مطالعه موردی: چیزها
استفاده از هوش مصنوعی در تنظیم قیمت پویا برای مدلهای کسب و کار مدور
در مورد شرکت
StuffStr که در سال 2014 در سیاتل تأسیس شد ، به مصرف کنندگان این فرصت را می دهد تا وسایل خانگی استفاده شده را با تمرکز اولیه روی لباس و پوشاک ، در ازای کوپن هایی که می توانند در خرده فروش پوشاک اصلی هزینه کنند ، خریداری کنند. به عنوان بخشی از این فرآیند ، StuffStr محصولات را جمع می کند و آنها را از طریق بازارهای ثانویه موجود دوباره فروش می کند.
کمک به اقتصاد دورانی
StuffStr با دادن زندگی دوم ، استفاده مجدد از پوشاک را تقویت می کند. این سرویس برای خلاص شدن از شر موارد استفاده نشده با انگیزه مالی ، راه حل دردسر کمتری را به مصرف کنندگان ارائه می دهد. این مفهوم باعث افزایش آگاهی در مورد ارزش لباس های بلااستفاده می شود و همچنین مصرف کنندگان را ترغیب می کند کالاهای مورد نیاز خود را که دیگر نیازی به آنها ندارند یا می خواهند بفروشند تا بتوانند گردش کنند.
…با استفاده از هوش مصنوعی
StuffStr از الگوریتم های هوش مصنوعی برای قیمت گذاری هر دو کالایی که از مصرف کنندگان خریداری می کنند و هم محصولاتی که در بازارهای ثانویه می فروشند استفاده می کند. در پس زمینه خدمات آنها از یادگیری ماشین برای اطمینان از طبقه بندی مداوم کلیه موارد فروش مجدد استفاده می کند. سرانجام ، هوش مصنوعی به اصلاح استراتژی فروش StuffStr از طریق آزمایش مداوم و حلقه های بازخورد سریع کمک می کند.
حل مشکلات واقعی کسب و کار
برای خرده فروشان ، StuffStr یک جریان درآمد اضافی و همچنین بهبود وفاداری مصرف کننده را فراهم می کند. خود StuffStr با فروش مجدد لباس های استفاده شده و سرویس دهی به مارک های مد ، با اطمینان از فروش محصولات آنها فقط در بازارهای ثانویه ، درآمد ایجاد می کند. برای مصرف کنندگان ، این شرکت برای پوشاک استفاده شده و/یا ناخواسته به روشی شفاف و راحت می پردازد.
با پتانسیل تأثیرگذاری در سطح سیستم
CO2 تعبیه شده در کالاهای خانگی که هر سال خریداری می کنیم از انتشار کل ایالات متحده فراتر می رود. ناوگان خودکار. و تقریباً 85 ٪ از منسوجات ایالات متحده در محل دفن زباله - حدود 70 پوند برای هر نفر هر سال - با این حال بیشتر افراد واجد شرایط برای بازیافت هستند. نرخ گردش فعلی فوق العاده پایین است ، به عنوان مثال تنها 2 ٪ محصولات پوشاک وارد بازار ثانویه می شوند.
- جان آچسون ، مدیرعامل StuffStr
زیر ساخت
ساده سازی گردش مواد در اقتصاد.
محصولات در پایان عمر آنها به همان اندازه یکنواخت نیستند که هنگام تولید برای اولین بار ساخته شده اند ، بنابراین جدا کردن ، مرتب سازی و جدا کردن خودکار آنها سخت تر است. وضعیت آنها به طور معمول باید به صورت دستی مورد بازرسی قرار گیرد و سپس بر اساس چه خسارت یا سایش و پارگی که متحمل شده اند ، تحت درمان قرار گیرند.
فرصت های زیادی برای هوش مصنوعی وجود دارد تا به ساده سازی زیرساخت های مورد نیاز برای گردش مواد در اقتصاد کمک کند - بسیاری از آنها در مورد توانایی الگوریتم های هوش مصنوعی برای شناخت و شناسایی اشیاء با استفاده از دوربین ها و سنسورهای دیگر تمرکز دارند.
سه راه AI می تواند زیرساخت ها را تحت تأثیر قرار دهد:
ارزیابی خودکار
ارزیابی خودکار شرایط محصولات استفاده شده و توصیه هایی برای استفاده مجدد ، بازپرداخت ، تعمیر یا بازیافت مجدد برای به حداکثر رساندن حفظ ارزش.
جداسازی خودکار
جداسازی خودکار محصولات استفاده شده از AI برای ارزیابی و تنظیم تنظیمات تجهیزات جداسازی بر اساس شرایط و موقعیت یک محصول.
مرتب سازی
مرتب سازی جریان های مواد مختلط پس از مصرف با استفاده از تکنیک های تشخیص بصری هوش مصنوعی همراه با روباتیک.
مطالعات موردی - زیرساخت ها
سه مطالعه موردی در زیر نشان می دهد که چگونه AI در حال حاضر برای بهبود و بهینه سازی فرایندهایی مانند مرتب سازی زباله ، بازیافت و مرتب سازی مواد غذایی استفاده می شود.
مطالعه موردی: Zenrobotics
استفاده از هوش مصنوعی برای بهبود و بهینه سازی زیرساخت ها برای اقتصاد دایره ای
در مورد شرکت
Zenrobotics که در سال 2007 تأسیس شد ، اولین شرکتی بود که هوش مصنوعی و روباتیک را در یک محیط پردازش زباله خواستار کرد. این شرکت ترکیبی از هوش مصنوعی و روباتیک برای بازیابی بازیافت از زباله ها است.
کمک به اقتصاد دورانی
فناوری Zenrobotics امکان انعطاف پذیری بیشتری در مرتب سازی زباله ها را فراهم می کند ، به اپراتورها این امکان را می دهد تا به سرعت در برابر تغییرات در یک جریان زباله و افزایش میزان بازیابی و خلوص مواد ثانویه واکنش نشان دهند.
…با استفاده از هوش مصنوعی
زباله ها توسط دوربین ها و سنسورها کنترل می شوند. نرم افزار AI با نام Zenbrain ، داده های سنسور را تجزیه و تحلیل می کند و یک تجزیه و تحلیل دقیق در زمان واقعی از جریان زباله ایجاد می کند. بر اساس این تجزیه و تحلیل ، روبات های سنگین تصمیمات خودمختار را می گیرند که در آن اشیاء را انتخاب می کنند و بخش های زباله را به سرعت با دقت بالا جدا می کنند.
حل مشکلات واقعی کسب و کار
راه حل های مرتب سازی زباله Zenrobotics فرصت هایی را برای بهبود عملکرد و کارآیی مرتب سازی زباله ارائه می دهد. این باعث افزایش مقدار می شود که می تواند از جریان مواد از طریق بهبود نرخ بازیابی و کیفیت کلی خروجی ها تولید شود.
با پتانسیل تأثیرگذاری در سطح سیستم
سیستم های رباتیک هوشمند تقریباً می توانند هر جریان زباله معین را پردازش کنند ، و قابلیت های مرتب سازی برای هر وضعیت جدید در بازار - حتی به صورت روزانه می توانند تعریف شوند. علاوه بر این ، افزایش انعطاف پذیری در شناخت به اپراتورهای گیاهی امکان کشف موارد جدید استفاده را می دهد.
- دنیای مدیریت پسماند
مطالعه موردی: تامرا
استفاده از هوش مصنوعی برای بهبود مرتبسازی، جداسازی و ارزشگذاری غذا
در مورد شرکت
TOMRA که در سال 1972 در نروژ تأسیس شد، طیف گسترده ای از راه ها را برای افزایش بهره وری منابع در فرآیندهای مرتب سازی و جمع آوری ارائه می دهد. در صنایع غذایی، آنها تجهیزات پیشرفته مرتب سازی، بخارپز و لایه برداری را فراهم می کنند و می توانند بینشی در مورد فرآیندهای رسیدن غذا ارائه دهند.
کمک به اقتصاد دورانی
TOMRA با طیف وسیعی از راه حل های فنی خود، استفاده از منابع مورد نیاز برای تولید مواد غذایی را در عین دستیابی به کیفیت محصول مورد نیاز و تضمین ایمنی مواد غذایی بهینه می کند. فنآوریهای TOMRA مواد غذایی را شناسایی و اندازهگیری میکنند، و به تغییر مسیر محصولات با کیفیت خوب کمک میکنند که برای فروش مستقیم به مصرفکنندگان برای استفاده در سایر محصولات غذایی مناسب نیستند.
…با استفاده از هوش مصنوعی
راه حل های مبتنی بر حسگر TOMRA به طور مستقل محصولات غذایی را بر اساس معیارهای مختلف، مانند مراحل فرآیند رسیدن، ارزیابی می کند. الگوریتمهای هوش مصنوعی به شناسایی، تجزیه و تحلیل و مرتبسازی محصولات بر اساس کاربردهای بالقوه کمک میکنند. سایر الگوریتمهای هوش مصنوعی تضمین میکنند که ماشینهای پردازش محصولات را بدون توجه به شکل و اندازه اصلی به قطعات ثابت برش میدهند و در نتیجه ضایعات کلی را کاهش میدهند.
حل مشکلات واقعی کسب و کار
راه حل های TOMRA ضایعات مواد غذایی را در مراحل پردازش مواد غذایی کاهش می دهد و به ارزش بخشیدن به محصولاتی که ممکن است برای فروش مستقیم به مصرف کنندگان مناسب نباشد کمک می کند.
با پتانسیل تأثیرگذاری در سطح سیستم
کاهش هدررفت و ضایعات مواد غذایی به نصف برای حفظ سیستم غذایی در محدوده محیطی مورد نیاز است. کاهش هدررفت و ضایعات مواد غذایی به نصف، در صورت تحقق جهانی، می تواند اثرات زیست محیطی را تا یک ششم (16%) کاهش دهد.
- دکتر مارکو اسپرینگمن و همکاران، گزینههایی برای حفظ سیستم غذایی در محدودههای محیطی، طبیعت (2018)
مطالعه موردی: Refind Technologies
استفاده از هوش مصنوعی برای بهبود بازیافت زباله های الکترونیکی
در مورد شرکت
Refind Technologies که در سال 2014 در سوئد تأسیس شد، سیستم هایی را برای طبقه بندی و طبقه بندی هوشمند زباله های الکترونیکی توسعه می دهد. در حال حاضر با تمرکز بر زیربخش هایی مانند باتری ها و تلفن ها کار می کند. این شرکت به تازگی Refind Sorter را راهاندازی کرده است که یک فناوری طبقهبندی و مرتبسازی کاملاً خودکار برای محصولات استفاده شده است.
کمک به اقتصاد دورانی
Refind شرکتها را قادر میسازد تا ارزش کامل را از جریانهای زباله الکترونیکی (مخلوط) به دو روش استخراج کنند. اول، با بهبود نرخ کلی بازیافت و نوسازی به کاهش زباله های الکترونیکی کمک می کند. ثانیا، با تشخیص اینکه آیا شرایط یک محصول برای نوسازی یا بازیافت مناسب تر است، ارزش گذاری را افزایش می دهد.
…با استفاده از هوش مصنوعی
سیستم های مرتب سازی مجهز به سنسور و دوربین هستند. سیستمهای مرتبسازی میتوانند از طریق شناسایی بصری و فناوری فعال یادگیری ماشینی نظارت شده، نوع زبالههای الکترونیکی و در صورت قابل درک بودن شرایط را در سطح دانهبندی طبقهبندی کنند. در حال حاضر، سیستم برای آموزش الگوریتم های هوش مصنوعی به تصاویر برچسب گذاری شده دستی نیاز دارد.
حل مشکلات واقعی کسب و کار
دستگاه مرتبسازی، مرتبسازی ایمنتر، سریعتر و با کیفیتتر زبالههای الکترونیکی را فراهم میکند و جایگزین فرآیند عمدتا دستی میشود. افزایش نرخ صید و کیفیت مرتب سازی درآمد اضافی را از طریق فروش قطعات و مواد فراهم می کند.
با پتانسیل تأثیرگذاری در سطح سیستم
ما معتقدیم که ماشینهای ما میتوانند مرتبسازی مقرونبهصرفهتر و پیشرفتهتر، شبیهتر به مرتبسازی انسانی را فعال کنند، که منجر به امکان استفاده مجدد بیشتر میشود.
- JOHANNA REIMERS، مدیر عامل شرکت REFIND TECHNOLOGIES
8
محدودیت ها
آیا هوش مصنوعی پاسخ همه سوالات ما است؟
در حالی که پتانسیل بسیار زیادی برای هوش مصنوعی وجود دارد تا نیرویی برای تغییرات مثبت باشد، اما همچنین سوالاتی را در مورد ایجاد عدالت، تفسیرپذیری، حریم خصوصی و امنیت در این سیستم ها - که در حال حاضر حوزه های فعال تحقیق و توسعه هستند - ایجاد می کند.
برنامه های کاربردی هوش مصنوعی به سیستم هایی نیاز دارند که در کنار ملاحظات منحصر به فرد یادگیری ماشین طراحی شده باشند تا بهترین عملکرد را دنبال کنند. با پتانسیل عادلانه تر و فراگیرتر از فرآیندهای تصمیم گیری مبتنی بر قوانین موقت یا قضاوت های انسانی، این خطر وجود دارد که هرگونه ناعادلانه در چنین سیستم های هوش مصنوعی می تواند تأثیرات گسترده ای داشته باشد. بنابراین، با افزایش هوش مصنوعی در بخشها و جوامع، تلاش برای سیستمهایی که برای همه منصفانه و فراگیر باشد، بسیار مهم است.
در نهایت، هوش مصنوعی میتواند ابزار بسیار مفیدی برای دستیابی به جاهطلبیهای اقتصاد دایرهای باشد، اما باید توسط انسانها، با هدایت ارزشها و اصول انسانی، اجتناب از ایجاد یا تقویت سوگیری ناعادلانه، و در نظر گرفتن حریم خصوصی و امنیت دادهها، مورد توجه قرار گیرد.
چالش های ادغام اصول انصاف در هوش مصنوعی
ایجاد سیستم های هوش مصنوعی که برای همه منصفانه و فراگیر باشد، کار سختی است.
اول، مدلهای یادگیری ماشینی از دادههای موجود جمعآوریشده از دنیای واقعی یاد میگیرند، و بنابراین یک مدل دقیق ممکن است سوگیریهای مشکلساز از قبل موجود در دادهها را براساس نژاد، جنسیت، مذهب یا سایر ویژگیها یاد بگیرد یا حتی تقویت کند. برای مثال، یک سیستم تطبیق شغل، ممکن است یاد بگیرد که از نامزدهای مرد برای مصاحبههای مدیر عامل حمایت کند، یا هنگام ترجمه کلماتی مانند «پرستار» یا «کودک» به اسپانیایی، ضمایر زنانه را در نظر بگیرد، زیرا با دادههای تاریخی مطابقت دارد.
دوم ، حتی با داشتن دقیق ترین و آزمایشی ترین آموزش و آزمایش ، اطمینان از اینکه یک سیستم در همه شرایط منصفانه باشد ، یک چالش است. یک سیستم تشخیص گفتار که برای بزرگسالان آمریکایی آموزش داده شده است ممکن است در این زمینه عادلانه و فراگیر باشد. با این حال ، هنگامی که توسط نوجوانان مورد استفاده قرار می گیرد ، ممکن است این سیستم نتواند کلمات یا عبارات عامیانه در حال تحول را تشخیص دهد. اگر این سیستم در انگلستان مستقر شود ، ممکن است با برخی از لهجه های منطقه ای انگلیس نسبت به سایرین زمان سخت تری داشته باشد. و حتی هنگامی که این سیستم برای بزرگسالان ما اعمال می شود ، ممکن است بخش های غیر منتظره ای از جمعیت را کشف کنیم که گفتار آن را ضعیف می کند ، به عنوان مثال ، افرادی که با لکنت زبان صحبت می کنند. استفاده از سیستم پس از راه اندازی می تواند نقاط غیر عمدی و ناعادلانه کور را نشان دهد که پیش بینی آن دشوار است.
سوم ، هیچ تعریف استانداردی از انصاف وجود ندارد ، خواه تصمیماتی توسط انسان یا ماشین ها اتخاذ شود. شناسایی معیارهای مناسب انصاف برای یک سیستم نیاز به حسابداری برای تجربه کاربر ، ملاحظات فرهنگی ، اجتماعی ، تاریخی ، سیاسی ، حقوقی و اخلاقی دارد - چندین مورد ممکن است دارای تجارت باشد. آیا عادلانه تر دادن وام با همان نرخ به دو گروه مختلف ، حتی اگر نرخ بازپرداخت متفاوتی داشته باشد ، یا اینکه وام متناسب با نرخ بازپرداخت هر گروه عادلانه تر است؟آیا هیچ یک از این عادلانه ترین رویکرد نیست؟در کدام سطح از دانه ها باید گروه ها تعریف شوند و چگونه باید مرزهای بین گروه ها تصمیم گرفت؟چه زمانی منصفانه است که یک گروه را به هیچ وجه در مقابل فاکتورسازی بهتر در مورد اختلافات فردی تعریف کنیم؟حتی برای موقعیت هایی که ساده به نظر می رسد ، ممکن است مردم در مورد آنچه عادلانه است مخالف باشند ، و ممکن است مشخص نباشد که چه دیدگاهی باید سیاست را به ویژه در یک شرایط جهانی دیکته کند.
پرداختن به انصاف و گنجاندن در هوش مصنوعی ، یک منطقه فعال از تحقیق است ، از ارزیابی مجموعه داده های آموزشی برای منابع بالقوه تعصب ، تا ادامه آزمایش سیستم های نهایی برای نتایج ناعادلانه. در حقیقت ، از مدل های یادگیری ماشین حتی می توان برای شناسایی برخی از تعصبات آگاهانه و ناخودآگاه انسانی و موانع ورود به گنجاندن که در طول تاریخ ایجاد و تحریک شده اند ، استفاده شود و باعث تغییر مثبت شود.
پتانسیل هوش مصنوعی چیست؟
هرگز زمان هیجان انگیز تری برای مبتکر نبوده است.
برخی از سیستم های هوش مصنوعی در حال حاضر در بازار هستند و فقط نیاز به استفاده گسترده تر در یک زمینه دایره ای ، به ویژه برای مدلهای تجاری دایره ای دارند. این می تواند همه چیز را از تجزیه و تحلیل پیش بینی کننده (مانند تنظیم سرویس بهینه و برنامه تعمیر تجهیزات با دوام) ، تا قیمت گذاری پویا و تطبیق برای عملکرد مؤثر در بازارهای دیجیتال برای کالاهای دست دوم و جریان مواد فرعی تسهیل کند.
با توسعه این فناوری ، به روشی مشابه نحوه استفاده امروز برای بهبود جریان ترافیک در شهرها ، هوش مصنوعی می تواند برای طراحی مجدد سیستم های کل ، که یک جامعه دایره ای ایجاد می کند که در دراز مدت کار می کند ، یکپارچه باشد. اگر می خواهید حتی بیشتر در مورد پتانسیل هوش مصنوعی برای انتقال به یک اقتصاد دایره ای ، مقاله Scoping ، هوش مصنوعی و اقتصاد دایره ای - که با همکاری Google و با پشتیبانی تحلیلی از McKinsey & Company نوشته شده است ، اطلاعات بیشتری کسب کنید. جزئیات بیشتر.< SPAN> برخی از سیستم های هوش مصنوعی در حال حاضر در بازار هستند و فقط باید در یک زمینه دایره ای ، به ویژه برای مدلهای تجاری دایره ای ، به طور گسترده تری مورد استفاده قرار گیرند. این می تواند همه چیز را از تجزیه و تحلیل پیش بینی کننده (مانند تنظیم سرویس بهینه و برنامه تعمیر تجهیزات با دوام) ، تا قیمت گذاری پویا و تطبیق برای عملکرد مؤثر در بازارهای دیجیتال برای کالاهای دست دوم و جریان مواد فرعی تسهیل کند.