یادگیری ماشین

تولید پردازنده‌های کامپیوتری با رویکرد فعلی نمی‌تواند مدت زیادی ادامه یابد و این موضوع سبب شده تا گونار توفتی، استاد فناوری‌‌های رایانه‌ دانشگاه علم و فناوری نروژ، برای ساخت رایانه‌ها روش کاملا جدیدی پیشنهاد ‌دهد؛ روشی که از مغز انسان و البته نانوفناوری الگو می‌گیرد.

یادگیری ماشین یکی از مباحث سنگین و پیچیده دنیای هوش مصنوعی است، اما به لطف چهارچوب‌های غنی و قدرتمندی که تولید شده پیاده‌سازی مدل‌های یادگیری ماشین به مراتب ساده‌تر از گذشته شده‌اند. چهارچوب‌هایی شبیه به تنسورفلو (TensorFlow) روند دستیابی به داده‌ها، مدل‌های آموزشی، ارائه پیش‌بینی‌ها و پالایش نتایج را سهولت بخشیده‌اند.

PyTorch، یک کتابخانه متن‌باز یادگیری ماشین برای پایتون براساس Torch است که برای کاربردهایی مانند پردازش زبان طبیعی استفاده می‌‌شود. توسعه‌دهنده اصلی PyTorch گروه پژوهش هوش مصنوعی فیس‌بوک است.

تحولات ناشی از پیشرفت هوش مصنوعی در سال‌های اخیر، تأثیر قابل‌توجهی بر ارتباطات بی‌سیم گذاشته است. تأثیری متقابل که از یک‌سو، امکان استفاده از هوش مصنوعی در لبه شبکه را فراهم کرده و از سوی دیگر، دستگاه‌های مبتنی بر هوش مصنوعی و مدل‌های یادگیری ماشین را قادر ساخته که با در اختیار داشتن حجم عظیمی از داده و توان پردازشی، خود را ارتقا دهند و حتی با دیگر دستگاه‌ها و عامل‌های هوشمند تعامل داشته باشند. در آینده هر وسیله‌ای امکان اتصال به شبکه را داشته و تقریبا همه دستگاه‌ها قادر به جمع‌آوری و تجزیه‌وتحلیل داده‌ها خواهند بود. در چنین دنیایی که دستگاه‌های روی شبکه به‌طور پیوسته در حال جمع‌آوری، آنالیز و مخابره داده هستند، نه‌تنها با یک شبکه مخابراتی بسیار پیش‌رو روبه‌رو هستیم، بلکه با یک شبکه پویا و پیچیده از عامل‌های هوشمندی روبه‌رو خواهیم بود که می‌توانند به‌طور خودمختار عمل کرده و با مدیریت تبادل داده‌ها و نحوه مصرف توان، یک سامانه منسجم پردازشی ـ ارتباطی را تشکیل دهند؛ شبکه‌ای فراتر از آنچه در دوران 5G تجربه خواهیم کرد. ما اکنون در انتظار دوران 6G هستیم.