«هوش مصنوعی» Artificial Intelligence (AI)چیست؟

اصطلاح «هوش مصنوعی» اولین بار در کنفرانسی در کالج «دارتموث» در سال ۱۹۵۶(شهریور ۱۳۳۵) به نام «پیشنهادی برای پروژه تحقیقاتی تابستانی  دارتموث  در مورد هوش مصنوعی» مطرح شد.

هوش مصنوعی عمومی(هوش مصنوعی قوی)چیست؟هوش مصنوعی باریک(هوش مصنوعی ضعیف)چیست؟

برای چند سال پس از کنفرانس، هوش مصنوعی وعده‌های زیادی را داد و میلیون‌ها دلار برای تحقیقات سرمایه‌گذاری شد.

با پیشرفت های که در سالهای گذشته در سخت افزار کامپیوتر و در دسترس بودن زبان های برنامه نویسی مانند پایتون، R، متلب و غیره، هوش مصنوعی دوباره به عنوان یک جنبه جدی از فناوری اطلاعات عمومی (IT) ظاهر شد.

اخیراً گروه کارشناسان سطح بالای هوش مصنوعی کمیسیون اروپا  ۲۰۱۹میلادی(۱۳۹۸) هوش مصنوعی را به عنوان  سیستم هایی که با تجزیه و تحلیل محیط خود و انجام اقدامات - با درجاتی از خودمختاری - برای دستیابی به اهداف خاص، رفتار هوشمندانه ای نشان می دهند  تعریف کرد.

 

دریافت کنندگان جایزه تورینگ در سال ۲۰۱۹

هوش مصنوعی عمومی در مقابل هوش مصنوعی باریک(General AI vs. Narrow AI)
هوش مصنوعی عمومی که به عنوان «هوش مصنوعی قوی»(Strong AI) نیز شناخته می شود معمولاً به سیستم هایی اطلاق می شود که مانند هوش انسان تقلید می کنند.

در حال حاضر (۲۰۲۱)، کارشناسان با اینکه چه زمانی هوش مصنوعی عمومی جریان اصلی خواهد بود یا اینکه آیا می‌توان به آن دست یافت، اختلاف نظر دارند.

در مقابل هوش مصنوعی باریک که به عنوان  «هوش مصنوعی ضعیف»(Weak AI)شناخته می شود بر انجام کارهای بسیار خاص به صورت هوشمند تمرکز می کند. نمونه هایی از «هوش مصنوعی باریک»(Narrow AI )در خدمات عمومی از طریق پیوندهای، «بینایی کامپیوتری توانایی پردازش» و «ترکیب داده های بصری» در دسترس هستند.

کاربرد «هوش مصنوعی» Artificial Intelligence چیست؟

این شامل «توانایی تشخیص و طبقه بندی اشیا» بر اساس داده های موجود در تصویر بود. یک مثال عملی از این توانایی تشخیص سرطان از اسکن MRI و غیره است.
کاربرددیگر«هوش مصنوعی»در تشخیص چهره است.

نیروهای امنیتی در سراسر جهان از این برای شناسایی افراد مورد علاقه از تصاویر گرفته شده از دوربین های مدار بسته یا دوربین های نظارت عمومی استفاده می کنند.
امروزه، تعریف هوش مصنوعی به دو مفهوم مرتبط و در عین حال کاملاً متمایز تقسیم شده است. «هوش مصنوعی قوی»(Strong AI) بیشتر یک پیگیری فلسفی و مداوم برای ایجاد ماشین هایی با آگاهی است. از سوی دیگر، «هوش مصنوعی ضعیف»(Weak AI) رویکرد عملی‌تری را نشان می‌دهد، که در آن برنامه‌های رایانه‌ای برای انجام وظایفی که اعتقاد بر این است که به هوش نیاز دارند، بدون هدایت انسان ساخته می‌شوند.

اگرچه می‌توانیم بگوییم که هوش مصنوعی ضعیف توسط برنامه‌های یادگیری ماشین امروزی به دست آمده است، هنوز هم سخت است استدلال کنیم که آیا تا به حال هوش مصنوعی را به معنای قوی ایجاد کرده‌ایم یا خیر. این به دلیل پدیده ای به نام "اثر هوش مصنوعی" است: وقتی ما به یک ماشین کاری محول می کنیم که نیاز به تفکر دارد، مانند بازی شطرنج، و ماشین موفق به حل آن می شود، ما هر هاله جادویی را که قبلاً کار را در بر گرفته بود، حذف می کنیم و پس از آن. آن را به عنوان مکانیک ساده در نظر بگیرید.

«رادنی بروکس» متخصص رباتیک‌ ، مدیر مؤسس آزمایشگاه علوم رایانه و هوش مصنوعی MIT، و بنیان‌گذار iRobot و Rethink Robotics

«رادنی بروکس» مدیر سابق آزمایشگاه هوش مصنوعی MIT می‌گوید: «هر بار که قطعه‌ای از آن را کشف می‌کنیم، دیگر جادویی نیست. ما می گوییم، «اوه، این فقط یک محاسبه است.» یا همان طور که «لری تسلر» که در آزمایشگاه هوش مصنوعی استنفورد و همچنین زیراکس PARC، اپل و آمازون کار می کرد، گفت: «هوش آن چیزی است که ماشین ها هنوز انجام نداده اند.»

توضیح مدیریت سایت-پیراسته فر:خدماتی که «لری تسلر»برای حوزه کامپیوترکرد.

«لری تسلر» ایده خود را در مورد «کلیک» و کشیدن برای انتخاب چیزها از PARC«زیراکس پارک» (Xerox Parc)  نیز همراه با «منوهای پاپ آپی» که در اسمال تاک استفاده شده بود، ارائه کرد.

«لری تسلر» و«یجت» نرم افزاری را طراحی کرد که «ویندوز» را قابل تقسیم می کند (همانطور که اکنون در برنامه صفحه گسترده مایکروسافت اکسل رایج است). و هنگامی که« اتکینسون» روی نوار منو کار می کرد و سعی می کرد آن را به گونه ای به ویندوز وصل کند که متن مبهم یا خیلی کوچک نشود، «لری تسلر» به بالای صفحه اشاره کرد.

«تسلر»به یاد می آورد: «من گفتم، «باید در بالا باشد». باید آنجا باشد، همیشه در همان مکان.»وهمان شب «اتکینسون»توانست «نوار منو» را اجرا کرد و تا سپیده دم با منوهایی روبرو شد که با کشیدن «ماوس» و «کلیدهای میانبر »به پایین می‌افتند.

«لری تسلر»(Larry Tesler)می گوید: «او همه چیز را اختراع کرد، اما من به او الهام گرفتم.»

در همین حال، «پروژه مکینتاش» برای کامپیوتری ارزان‌تر از« لیزا» آماده شد.

«لری تسلر» رسما بخشی از آن نبود. او به توسعه نرم افزار برای گروه لیزا ادامه داد. اما او یک روز در هفته را در ساختمان مک به نقد رابط کاربری در دست توسعه می گذراند. طراحان مک که با آزمایش‌هایی با کاربران عادی متقاعد شدند، در نهایت تصمیم گرفتند رابط مک را بر اساس لیزا، با نوار منو در بالا و پوشه‌ها و اسناد روی صفحه، به جای استعاره‌ای که پس از آن امتحان می‌کردند-تصویر بزرگ یک فلاپی دیسک- قرار دهند. بیشتر صفحه را اشغال می کند، با نمادهای اسناد پراکنده در بالای آن.

در سال 1986 «لری تسلر» به عنوان نایب رئیس گروه فناوری پیشرفته تازه تاسیس اپل انتخاب شد، گروهی که در طراحی نسل بعدی محصول مکینتاش II مشارکت داشت.

در یک نقطه، محققان 24 مک II را به یکدیگر متصل کردند تا انیمیشن کوتاهی به نام Pencil Test را ارائه دهند که در کنفرانس Siggraph در سال 1988 نشان داده شد. کارگردان فیلم، جان لستر، که اخیراً پیکسار شهرت داشت، در مورد این پروژه مشاوره داد. در آن زمان، او با یک زن در گروه (که بعداً با او ازدواج کرد) قرار ملاقات داشت.

کشمکش‌ها در انجام تست مداد، به‌ویژه در همگام‌سازی صدا و ویدئو، منجر به تشکیل گروه تحقیقاتی کوچک دیگری به نام تایم لردها شد. نرم افزاری که Time Lords توسعه داد QuickTime نام داشت که هنوز هم با هر کامپیوتر مکینتاش عرضه می شود و همچنین به طور گسترده در رایانه های ویندوزی استفاده می شود.

با در دست گرفتن «لری تسلر»، گروه فناوری پیشرفته به حدود 200 نفر افزایش یافت. یکی از پروژه های متعددی که در حال توسعه بود، یک مک دستی با عملکرد کامل بود. زمانی که« تسلر» به عنوان یکی از بدترین تصمیمات حرفه ای خود به یاد می آورد، یک نمونه اولیه راه اندازی شد: او پروژه را کشت. در عوض، او خود را وقف توسعه نیوتن کرد، یک کامپیوتر دستی که قرار بود بر اساس فناوری جدیدی باشد که با خط کامپیوترهای مکینتاش سازگار نیست.

سال 1990 بود. «لری تسلر» به تازگی مدیریت «پروژه نیوتن» را بر عهده گرفته بود، پروژه ای که برای چندین ماه در حال انجام بود. رئیس اپل، «ژان لوئیس گاسی» که از این پروژه دفاع کرده بود، به تازگی شرکت را ترک کرده بود. رهبر پروژه نیوتن یک هفته بعد رفت.

جان مک کارتی«پدرهوش مصنوعی»

«جان مک کارتی»(John McCarthy)، دانشمند کامپیوتر آمریکایی، پیشگام و مخترع، پس از ایفای نقش اساسی در تعریف زمینه ای که به توسعه ماشین های هوشمند اختصاص داشت، به عنوان «پدر هوش مصنوعی »(father of Artificial Intelligence) شناخته شد. دانشمند شناختی این اصطلاح را در پیشنهاد خود در سال ۱۹۵۵میلادی(۱۳۳۴) برای کنفرانس دارتموث در سال ۱۹۵۶میلادی(۱۳۳۵)، اولین کنفرانس هوش مصنوعی، ابداع کرد.

​

هدف کشف راه‌هایی برای ساختن ماشینی بود که بتواند مانند یک انسان استدلال کند، قادر به تفکر انتزاعی، حل مسئله و خودسازی باشد. او معتقد بود که "در اصل هر جنبه از یادگیری یا هر ویژگی دیگر هوش را می توان آنقدر دقیق توصیف کرد که می توان ماشینی برای شبیه سازی آن ساخت."

این چالشی است که از او دوری می‌کند و هنوز هم امروزه از طراحان کامپیوتر دور است. مک کارتی گفت که این پیشرفت ممکن است در «پنج تا ۵۰۰ سال» اتفاق بیفتد، اما هرگز آن را رد نکرد. در سال ۱۹۵۸میلادی( ۱۳۳۷) او زبان کامپیوتری Lisp را ایجاد کرد که به زبان برنامه نویسی استاندارد هوش مصنوعی تبدیل شد و امروزه همچنان مورد استفاده قرار می گیرد، نه تنها در روباتیک و سایر برنامه های علمی، بلکه در خدمات گسترده ای مبتنی بر اینترنت، از تشخیص تقلب در کارت اعتباری گرفته تا برنامه ریزی خطوط هوایی. ; همچنین راه را برای فناوری تشخیص صدا، از جمله سیری، برنامه دستیار شخصی در آخرین آیفون 4s هموار کرد.

« مک کارتی» که به عنوان "متمرکز بر آینده" توصیف می شود، "همیشه در حال اختراع، اختراع، اختراع بود" و در دهه ۱۹۶۰میلادی(۱۳۳۹) او ایده «اشتراک زمانی کامپیوتری» یا «شبکه» را در ذهن داشت که به کاربران اجازه می داد داده ها را از طریق پیوند دادن به یک کامپیوتر مرکزی به اشتراک بگذارند. در نهایت هزینه استفاده از کامپیوتر را کاهش داد. این نوآوری به عنوان کمک قابل توجهی به توسعه اینترنت و پیشروی محاسبات ابری توصیف شد - روشی برای ذخیره داده ها در یک «سرور» راه دور قابل دسترسی از طریق اینترنت.

«جان مک کارتی» در بوستون از مهاجران ایرلندی و لیتوانیایی در سال ۱۹۲۷میلادی(۱۳۰۶) به دنیا آمد. در طول دوران رکود، خانواده بارها نقل مکان کردند، در نهایت به لس آنجلس رسیدند، جایی که پدرش سازمان دهنده اتحادیه کارگران لباس بود و مادرش در حق رای زنان فعال بود. جنبش.

اگرچه «مک کارتی» با بیماری مواجه بود، اما کودک فوق العاده باهوشی بود. او که در ریاضیات خودآموخته بود، در مقطع کارشناسی در مؤسسه معتبر فناوری کالیفرنیا، جایی که از آنجا فارغ التحصیل شد، در سال ۱۹۴۸میلادی( ۱۳۲۷) فارغ التحصیل شد. ماشین هایی که می توانستند مانند مردم فکر کنند.

 

در سال ۱۹۵۱میلادی(۱۳۳۰) دکترای خود را در رشته ریاضیات از پرینستون دریافت کرد. از طریق دارتموث و MIT، او در سال ۱۹۶۲میلادی(۱۳۴۱) استاد تمام دانشگاه استنفورد شد و تا زمان بازنشستگی در آنجا ماند.

زمانی که «مک کارتی» در «دارتموث» بود، کنفرانس پیشگامانه ای را در مورد «هوش مصنوعی» ترتیب داد. در آنجا با ماروین مینسکی آشنا شد که یکی از نظریه پردازان برجسته در این زمینه شد.

«مک کارتی» بورسیه MIT را گرفت و مینسکی که در هاروارد بود به او پیوست.

در سال ۱۹۵۹میلادی(۱۳۳۸)، آنها آزمایشگاه هوش مصنوعی MIT را تأسیس کردند.

 مک کارتی به استنفورد بازگشت. او به سرعت آزمایشگاه هوش مصنوعی استانفورد، معروف به «SAIL» را تأسیس کرد که «رقیب MIT »شد. او از سال ۱۹۶۵ تا ۱۹۸۰میلادی(۱۳۴۴ تا ۱۳۵۹) مدیر آن بود.

در طول دهه‌های ۱۹۶۰ و ۱۹۷۰، آزمایشگاه «استنفورد» نقش اساسی در ایجاد سیستم‌هایی داشت که بسیاری از مهارت‌های انسانی از جمله بینایی، گوش دادن، استدلال و حرکت را تقلید می‌کنند.

او گاهی اوقات اختراعات خود را دیدارهاومصاحبه هایی به نمایش می گذاشت و از باشگاه کامپیوتری Homebrew، یک «گروه سرگرمی در دره سیلیکون» دعوت می کرد تا در آزمایشگاه های استنفورد ملاقات کنند.

این گروه شامل دو نفر از «بنیانگذاران اپل» آقایان «استیو جابز» و «استیون وزنیاک» بودند.

در دهه ۱۹۷۰، مک کارتی مقاله ای در مورد خرید و فروش از طریق رایانه ارائه کرد که تجارت الکترونیک را پیش بینی می کرد.

عموی بداخلاق!

اگرچه «مک کارتی» بدنام بداخلاق بود، اما در MIT با محبت از او با عنوان «عمو جان»(Uncle John) یاد می‌کردند و با وقت خود مهربان و سخاوتمند بود. او در سال ۱۹۹۴ از استنفورد بازنشسته شد، اما به نوشتن و سخنرانی ادامه داد، که اخیراً در مورد امکان سفر بین ستاره ای انجام شده است.

تاریخچه هوش مصنوعی
ریاضیات مدت‌ها زبان فرمول‌بندی منطق بود، اما در قرن بیستم همه چیز جدی شد. زبانهای بشری ناقص و گیج کننده تلقی می شدند و ریاضیدانان و فیلسوفانی مانند دیوید هیلبرت و برنارد راسل معتقد بودند که برای محاسبه تمام تفکرات عقلانی انسانی، زبانی مبتنی بر ریاضیات ضروری است.

تا قرن بیستم و ظهور آلن تورینگ در مناظر منطق ریاضی، جستجوی این زبان به ایجاد ماشینی نظری تبدیل شد که قادر به حل هر مسئله منطقی است. این نشان دهنده تولد رشته علوم کامپیوتر است که شاخه ای از آن هوش مصنوعی امروزی است. هوش مصنوعی که بر پایه‌های محکم ریاضی ساخته شده است، که گهگاه متزلزل شده است، به شکوفایی خود ادامه می‌دهد و اغلب از ریشه‌های ریاضی خالص خود به رویکردهای کاربردی‌تر منحرف می‌شود.
"هوش مصنوعی"، به عنوان یک اصطلاح و یک علم، در کارگاه دارتموث در سال 1956 متولد شد. در مقاله ای مهم، بنیانگذاران هوش مصنوعی آن را به عنوان تلاش برای ساخت ماشین هایی به هوشمندی ما تعریف کردند: "استفاده از زبان، شکل و فرم" انتزاعات و مفاهیم، ​​انواع مشکلاتی را که اکنون برای انسان محفوظ است حل می کنند و خودشان را بهبود می بخشند.»

صنعت و دانشگاه در ابتدا از این فناوری امیدوارکننده هیجان زده بودند. با این حال، دست کم گرفتن مشکلات مربوط به تمرین هوش مصنوعی، منجر به انتظارات غیر واقعی شد. به عنوان مثال، یکی از بنیانگذاران، «ماروین مینکسی» از MIT، همراه با سیمور پیپرت، در سال 1966 یک "پروژه چشم انداز تابستانی" را به برخی از دانش آموزان منصوب کردند که هدف آن اتصال دوربین به کامپیوتری بود که قادر به تشخیص الگوها باشد، و حتی شناسایی اشیاء در یک صحنه. با گذشت 56 سال، هنوز راه زیادی در پیش داریم. این اختلاف بین امکان و واقعیت گاهی اوقات به ناامیدی و دوره‌هایی از کاهش شدید بودجه برای تحقیقات هوش مصنوعی منجر می‌شود که ما در گذشته آن را «زمستان‌های هوش مصنوعی» می‌نامیم.

امروزه هوش مصنوعی در حال شکوفایی است، روبات‌ها در کارهای ساده مانند باز کردن درها وکارهای پیچیده مثل ،خدمات درمانی دربیمارستانها...

دریافت اخیر جایزه تورینگ توسط 3 محقق برجسته هوش مصنوعی نشان می‌دهد که جامعه علمی هوش مصنوعی را شاخه‌ای بالغ و تثبیت‌شده از علوم رایانه می‌داند.

در دهه گذشته، عموماً فرض بر این بود که هوش مصنوعی - و به ویژه یادگیری عمیق، که بر شبکه‌های عصبی عمیق پیچیده متکی است - به حجم عظیمی از داده‌ها نیاز دارد تا بینش‌های مورد نیاز برای تحول واقعی را آشکار کند. اما اگر بتوانیم بینش هایی را از حجم کمتری از داده ها بدست آوریم چه می شود؟

این نقطه شروعی است که «دکتر اندرو نگ» با سرمایه گذاری فعلی خود، Landing AI، اتخاذ کرد. Ng برای کسانی که با تاریخچه اخیر هوش مصنوعی آشنا هستند نیازی به معرفی ندارد. به نفع کسانی که نیستند، او بنیانگذار گروه تحقیقاتی یادگیری عمیق گوگل، مغز گوگل، و دانشمند ارشد در گروه هوش مصنوعی بایدو بود. او همچنین یکی از بنیانگذاران پورتال یادگیری آنلاین Coursera، مدیر سابق آزمایشگاه هوش مصنوعی دانشگاه استنفورد است و به طور گسترده در زمینه هوش مصنوعی - به ویژه یادگیری عمیق - پیشگام محسوب می شود.
«دکتر اندرو نگ» با ایفای نقشی پیشرو در ادغام هوش مصنوعی در برخی از صنایعی که آشکارا به شدت تحول آفرین است، با Landing AI تصمیم گرفت تمرکز خود را به برخی از مناطقی که تأثیر آن هنوز به طور کامل احساس نشده است، تغییر دهد. او معتقد است که دلیل خوبی برای این وجود دارد - و دلیل آن ماهیت ناهمگون عملیات است. هنگامی که از دنیای خدمات وب مصرف‌کننده عمومی فراتر رفتید، صنعت دیگر بر پایه زیرساخت‌های همگن - مرورگرهای وب، سرورهای ابری، برنامه‌های تلفن همراه و تعداد کمی از سیستم‌عامل‌های استاندارد ساخته نمی‌شود. این بدان معناست که «وصل کردن» راه‌حل‌های AI-as-a-service ساده‌تر می‌شود و سفارشی‌سازی لازم گران می‌شود.
راه حل؟ او به من می گوید، زمانی که اخیراً برای گفتگو دور هم جمع شدیم، به جای مدل ها و فناوری، روی داده ها تمرکز کنید.
Ng می‌گوید: «من فکر می‌کنم یادگیری ماشین شرکت‌های نرم‌افزار مصرف‌کننده را متحول کرده است. گوگل و بایدو تیم‌های هوش مصنوعی، همچنین مایکروسافت، فیس‌بوک دارند – اما وقتی به صنایع دیگر نگاه می‌کنید، صراحتاً، من ارزش بالقوه هوش مصنوعی را امروز نمی‌بینم.
اندکی پس از تصمیم گیری برای انجام ماموریت خود برای باز کردن ارزش هوش مصنوعی در صنایع قدیمی مانند تولید، مراقبت های بهداشتی و کشاورزی، Ng متوجه شد که شاید به قول خودش "کمی ساده لوح" بوده است.
این دستور پخت که بسیاری از ما به طور جمعی در [شرکت‌های اینترنتی] ساخته بودیم – آن دستور غذا در تمام این صنایع دیگر کار نمی‌کند.
"بنابراین در Landing AI، یکی از کارهایی که ما انجام داده‌ایم این است که دستور العمل را درست کنیم... من در مورد آن هیجان‌زده هستم. این یک چیز بزرگ است که ما در هوش مصنوعی باید آن را بفهمیم."
برای شروع، Ng و بقیه تیم در Landing AI تلاش های خود را روی بخش تولید متمرکز کرده اند. به منظور انجام این کار، آنها به تازگی یک دور سرمایه گذاری A را تکمیل کرده اند که 57 میلیون دلار از سرمایه گذاران، از جمله صندوق صنعتی متمرکز بر اینترنت اشیا McRock Capital، و همچنین Insight Partners، Intel Capital و Samsung Investment Fund جمع آوری کرده اند.
این شرکت به تازگی از پلتفرم MLOps متمرکز بر تولید خود به نام LandingLens رونمایی کرده است که بینایی کامپیوتری را برای مشکل تشخیص بصری عیوب در طول فرآیند تولید به کار می برد.
با توجه به ماهیت ناهمگون تولید، Ng به من می گوید: "یکی از چیزهایی که من را هیجان زده می کند استفاده از ابزارهایی است که مانند یادگیری نظارت شده وجود دارد، و ساختن بسترهایی که امکان وجود هزاران یا ده ها هزار شبکه عصبی منحصر به فرد را فراهم می کند. برای تولید
من فکر می‌کنم این یک مشکل در سراسر هوش مصنوعی است - برای مثال مراقبت‌های بهداشتی را در نظر بگیرید - هر بیمارستان روشی متفاوت برای کدگذاری سوابق خود دارد، بنابراین نمی‌توانید یک شبکه عصبی یکپارچه برای پردازش تک تک پرونده‌های بیمارستانی داشته باشید.
با توجه به تنظیمات فعلی صنعت هوش مصنوعی، این اغلب می‌تواند منجر به موقعیت‌هایی شود که شرکت‌های فروشنده هوش مصنوعی نیاز به انجام مقدار زیادی سفارشی‌سازی دارند، و در واقع به شرکت‌های مشاوره تبدیل می‌شوند تا ارائه‌دهندگان پلتفرم و خدماتی که قادر به فعالیت در مقیاس هستند.
چالش من این است که چگونه می توانم به 10000 شرکت کمک کنم تا مدل های یادگیری ماشینی را بدون نیاز به رشد Landing AI برای داشتن 10000 مهندس یادگیری ماشین برای انجام این همه سفارشی سازی بسازند و به کار ببرند؟
تنها راه حل این است که پلتفرم های عمودی بسازیم، کاری که Landing AI انجام می دهد... پلتفرم هایی که سریع و آسان هستند... برای فعال کردن

«هوش مصنوعی» برای بازار ارتباطات به طور مداوم در سناریوی جهانی با سرعت قابل توجهی در حال رشد است. هوش مصنوعی گروهی از روش‌شناسی است که بر شکل‌گیری ماشین‌های هوشمند با کمک هوش انسانی مانند ادراک بصری، تشخیص گفتار، تصمیم‌گیری و ترجمه بین زبان‌ها تمرکز دارد. کاربرد اصلی هوش مصنوعی در مخابرات برای مدیریت شبکه است. دو فناوری کلیدی که به طور گسترده در صنعت مخابرات وجود دارند، سیستم های خبره و یادگیری ماشین هستند. تبدیل ارائه دهندگان خدمات ارتباطی به ارائه دهندگان خدمات دیجیتال، پیچیدگی ارائه خدمات مستلزم اتوماسیون و ظهور نسل پنجم شبکه های تلفن همراه همراه با اینترنت اشیا از عوامل محرک عمده بازار در دوره پیش بینی است. علاوه بر این، افزایش تمرکز بر فناوری‌های هوش مصنوعی با فناوری‌های بی‌سیم آتی، عوامل اصلی است که احتمالاً فرصت‌های متعددی را در آینده نزدیک ایجاد می‌کند. علاوه بر این، هوش مصنوعی هوش مصنوعی برای ارتباطات، تعامل با داده‌ها همراه با کنترل نقطه پایانی بهتر را بهبود می‌بخشد، عوامل دیگری هستند که باعث رشد بازار هوش مصنوعی هوش مصنوعی برای مخابرات در دوره پیش‌بینی می‌شوند. با این حال، گسترش آهسته شبکه های تعریف شده توسط نرم افزار و مجازی سازی عملکرد شبکه و کمبود متخصصان ماهر عواملی هستند که رشد بازار را در سراسر جهان محدود می کنند.

تجزیه و تحلیل منطقه ای هوش مصنوعی هوش مصنوعی جهانی برای بازار مخابرات برای مناطق کلیدی مانند آسیا و اقیانوسیه، آمریکای شمالی، اروپا، آمریکای لاتین و بقیه جهان در نظر گرفته شده است. آمریکای شمالی از نظر سهم بازار به دلیل افزایش تحقیق و توسعه در خودروهای خودمختار، مراقبت های بهداشتی، امنیت سایبری و امنیت و حضور فناوری های کنترل دسترسی در منطقه، منطقه پیشرو/مهم در سراسر جهان است. تخمین زده می شود که اروپا در سال های آینده با نرخ رشد ثابتی در هوش مصنوعی هوش مصنوعی جهانی برای بازار ارتباطات راه دور رشد کند. علاوه بر این، آسیا-اقیانوسیه به دلیل افزایش سرمایه گذاری بر روی فناوری های هوش مصنوعی در منطقه، پیش بینی کرد که نرخ رشد / CAGR بالاتری را در دوره پیش بینی 2018-2025 نشان دهد.