بهترین خبر روز

میکند

امام حسین (ع) : بخشنده ترین مردم کسی است که در هنگام قدرت می بخشد.
لطفا یک افزونه تاریخ نصب کنید.


ریچارد یو، مدیرعامل هواوی در ماه مارس اعلام کرد که درصورت افزایش تنش‌ها و محدودیت شرکتش در دسترسی به سیستم‌عامل اندروید، سیستم‌عامل جایگزین را ارائه خواهد کرد. او در مصاحبه‌ای گفته بود که سیستم‌عامل جایگزین هواوی از مدت‌ها قبل توسعه داده شد و آماده‌ی عرضه است.

مقاله‌های مرتبط:

  • اختلاف هواوی با دولت آمریکا از کجا آغاز شد و به‌کجا خواهد انجامید
  • هواوی با انتشار بیانیه‌ به قطع همکاری گوگل واکنش نشان داد

در هفته‌ی گذشته، فشارهای آمریکا روی شرکت چینی افزایش پیدا کرد و محدودیت‌های جدیدی مبنی بر واردات و ارائه‌ی خدمات به هواوی وضع شد. بدین ترتیب میلیون‌‌ها گوشی هوشمند این شرکت از دریافت به‌روزرسانی‌های نرم‌افزاری و دیگر خدمات گوگل بی‌بهره خواهند ماند. البته در اخبار تکمیلی، تحریم‌ها تا ۹۰ روز معلق شدند، اما چینی‌ها دلیل مناسبی برای عرضه‌ی سیستم‌عامل جایگزین خود پیدا کردند.

سیستم‌عامل احتمالی هواوی که می‌تواند نقش لاستیک یدکی را برای محصولات این شرکت ایفا کند، به‌صورت یک سیستم‌عامل یکپارچه عرضه خواهد شد که قابلیت نصب روی انواع دستگاه‌ها را دارد. به‌بیان‌دیگر سیستم‌عامل هواوی روی گوشی‌های هوشمند، کامپیوتر، تبلت، تلویزیون، خودروی هوشمند، گجت‌های پوشیدنی و بسیاری دستگاه‌های دیگر نصب می‌شود. به‌علاوه اپلیکیشن‌های اندرویدی و وب اپلیکیشن‌ها هم در سیستم‌عامل چینی‌ها پشتیبانی می‌شوند. گفته می‌شود که اپلیکیشن‌های اندرویدی بهینه‌سازی شده برای اجرا در سیستم‌عامل هواوی، عملکرد ۶۰ درصد سریع‌تر خواهند داشت. درنهایت اخبار حاکی از آن هستند که سیستم‌عامل مذکور در پاییز امسال عرضه خواهد شد.

گزارش‌ها پیرامون تلاش‌های هواوی برای توسعه‌ی سیستم‌عامل جایگزین، از سه سال پیش قوت گرفته‌اند. هنوز مشخص نیست که چینی‌ها از مجوز متن‌باز AOSP گوگل برای توسعه‌ی سیستم‌عامل استفاده کرده‌اند. درواقع شاید هواوی مبنای دیگری به‌جز اندروید را برای توسعه‌ی سیستم‌عامل خود استفاده کرده باشد. شاید آن‌ها مانند سیستم‌عامل بلک‌بری ۱۰، از نسخه‌ای از یونیکس به‌عنوان پایه‌ی سیستم‌عامل خود استفاده کنند. به‌هرحال همه‌ی اخبار و حواشی به‌صورت حدس‌وگمان هستند.

اظهارنظر ریچارد یو باعث شد تا مصاحبه‌هایی هم با بنیان‌گذار هواوی، رن ژنگفی انجام شود. هر دو مدیر تلاش می‌کنند تا طرفداران و میهن‌پرستان چینی را درباره‌ی تصمیم‌های جدید و جابه‌جایی احتمالی به سیستم‌عامل اختصاصی، آرام کنند. درنهایت آن‌ها چالش‌هایی برای پیاده‌سازی سیستم‌عامل جایگزین روی دستگاه‌های موجود نیز خواهند داشت.

هواوی: ما قربانی زورگویی آمریکا شده‌ایم ولی درصدد توافق با گوگل هستیم
گوگل رمزعبور برخی از کاربرانش را ۱۴ سال در فایل متنی ذخیره کرده است
ARM روابط تجاری با هواوی را برای تولید تراشه‌ تعلیق کرد
کارمندان شرکت‌های بزرگ فناوری چه میزان حقوق دریافت می‌کنند؟
مایکروسافت میت‌ بوک ایکس پرو را از ویندوز استور حذف کرد

خبر جدید


برند زیرمجموعه شیائومی (Xiaomi) یعنی ردمی (Redmi)، اوایل هفته جاری از قصد خود برای معرفی یک گوشی با دوربین ۴۸ مگاپیکسلی در هند سخن گفت. این شرکت، امروز اعلام کرد که این گوشی Redmi Note 7S نام دارد و ۳۰ اردیبهشت معرفی می‌شود.

مقاله‌های مرتبط:

  • وان پلاس 7 پرو دربرابر رقبا
  • شیائومی پتنت دستگاهی با بریدگی نمایشگر معکوس ثبت کرد

ردمی، همچنین عکسی از کره زمین منتشر کرده که باتوجه‌به واترمارک حک شده روی آن می‌توان فهمید که ردمی نوت ۷ اس با دوربین دوگانه عرضه خواهد شد. این برند تازه‌نفس چینی، جزئیات بیشتری درباره گوشی جدید خود ارائه نداده است؛ اما می‌توان گفت، عکسی که ردمی امروز از کره زمین منتشر کرد مشابه عکسی از زمین است که اخیرا توسط نسخه چینی ردمی نوت ۷ در خارج از جو زمین گرفته شده بود.

ردمی نوت 7 اس/Redmi Note 7S

آیا این شواهد و قرائن نشان از آن دارد که قرار است نسخه چینی ردمی نوت ۷ با نام ردمی نوت ۷ اس در هند معرفی شود؟ باید تا ۳۰ اردیبهشت منتظر بمانیم تا صحت این موضوع برایمان روشن شود.

روز گذشته، ردمی از معرفی Redmi K20 مجهزبه پردازنده اسنپدراگون ۸۵۵ در هند خبر داد؛ بنابراین باید منتظر بمانیم تا ببینیم که این پرچم‌دار، هفته بعد همراه ردمی نوت ۷ اس معرفی خواهد شد یا نه.

افزایش ۲۷ درصدی درآمد شیائومی در فصل اول ۲۰۱۹ نسبت به مدت مشابه سال قبل
ردمی نوت 7S با دوربین ۴۸ مگاپیکسلی و تراشه اسنپدراگون 660 معرفی شد
IDC کاهش ۷ درصدی درآمد بازار جهانی نیمه‌هادی را پیش‌بینی می‌کند
گوشی هوشمند هواوی میت ۲۰ ایکس 5G رسما معرفی شد
ایسوس ذن‌فون ۶ با دوربین چرخان و نمایشگر بدون حاشیه معرفی شد

خبر جدید


عکس‌برداری از فواصل طولانی روی زمین یک چالش پیچیده است. ثبت نور از یک سوژه که در فاصله‌ی طولانی از دوربین قرار دارد، کار آسانی نیست. علاوه‌براین، جو اتمسفر زمین و نیز آلودگی‌ هوای شهرها در نور تحریف ایجاد کرده که عکس را خراب می‌کند. این عوامل باعث شده‌اند تا ثبت عکس از سوژه‌هایی که در فاصله‌ی بیشتر از چند کیلومتر از دوربین قرار دارند، سخت باشد؛ با فرض بر اینکه دوربین در ارتفاعی قرار داده شده باشد که انحنای زمین در مشاهده سوژه تاثیر نگذارد. اما در سال‌های اخیر محققان، تشخیص‌دهنده‌های حساس عکس را توسعه داده‌اند تا عملکرد بهتری در این زمینه داشته باشند. این تشخیص‌دهنده‌ها به‌قدری حساس هستند که می‌توانند تک‌تک فوتون‌ها را از سوژه‌هایی که در فاصله‌ی ۱۰ کیلومتری دوربین قرار دارند، ثبت کرده و از کنارهم‌قراردادن این فوتون‌ها تصویر نهایی را تولید کنند.

مقالات مرتبط:

  • دوربین چه تفاوت‌هایی با چشم انسان دارد؟
  • با این ۶ روش ساده تصاویر بهتری در تعطیلات ثبت کنید

با این اوصاف، فیزیک‌دانان تمایل دارند تا فناوری یادشده را بیشتر بهبود دهند. ژنگ‌پینگ لی و تیمش از دانشگاه علم و فناوری چین در شانگهای نشان دادند که چگونه می‌توان از سوژه‌هایی در فاصله‌ی ۴۵ کیلومتری در یک محیط شهری عکس گرفت. در تکنیک تیم مورد اشاره، تشخیص‌دهنده‌های تک فوتون‌ و یک الگوریتم خاص تصویربرداری محاسباتی ترکیب شده است تا درنهایت بتوان عکس‌هایی با وضوح‌ تصویری بسیار بالا به ثبت رساند. عکس‌های ثبت‌شده با این تکنیک از بازترکیب کم‌ترین داده‌های نقطه‌ای به‌دست می‌آیند.

تکنیک جدید، در اصل روش کارکرد بسیار ساده‌ای دارد. سیستم یادشده براساس تشخیص فاصله لیزری یا تاباندن نور به فاصله با استفاده از لیزر و ایجاد عکس با استفاده از ثبت نور بازتاب‌شده کار می‌کند. یکی از مزایای مهم این نوع روش‌های تصویربرداری این است که فوتون‌های بازتاب‌شده از سوژه در بازه‌ی زمانی خاصی به تشخیص‌دهنده‌ها برمی‌گردند که این بازه‌ی زمانی به فاصله‌ی سوژه بستگی دارد و به همین دلیل نور اضافه‌ی بازتاب‌شده توسط تشخیص‌دهنده‌ی فوتون نادیده گرفته می‌شود.

باتوجه‌به ویژگی‌های روش فوق، نویز ایجادشده‌ی ناشی از فوتون‌های ناخواسته که در محیط وجود دارند، به‌میزان قابل‌توجهی کاهش می‌یابد و سیستم‌های لیدار را قادر می‌سازد تا حساسیت بالایی داشته باشند و فاصله‌ی سوژه را نیز به‌دقت تشخیص دهند.

برای بهبود بیشتر عملکرد این سیستم جدید در محیط‌های شهری، ژنگ‌پینک و افراد تیم وی از یک لیزر مادون‌قرمز با طول موج ۱۵۵۰ نانومتر، نرخ تکرار ۱۰۰ کیلوهرتز و قدرت کم ۱۲۰ میلی‌واتی استفاده کرده‌اند. استفاده از این طول موج باعث شده است تا سیستم مذکور برای چشم ضرر نداشته باشد و بنابراین تیم سازنده را قادر ساخته تا بتوانند فوتون‌های خورشید را در تصویر نهایی فیلتر کنند.

محققان، فوتون‌ها را با دستگاه‌های اپتیکی مشابه‌با یک تلسکوب فضایی معمولی (با گشودگی دیافراگم ۲۸۰ میلی‌متر) ارسال و دریافت می‌کنند. سپس فوتون‌های بازتاب‌شده با یک تشخیص‌دهنده‌ی تکی فوتون معمولی دریافت می‌شوند. همچنین محققان برای ساخت یک تصویر، دامنه‌ی دید را با استفاده از آینه‌های کنترل‌شونده‌ی پیزو (Piezo) بررسی می‌کنند. این آینه‌ها امکان چرخیدن به بالا، پایین و طرفین را دراختیار محققان قرار می‌دهند.

با این روش می‌توان تصاویری دوبعدی ایجاد کرد اما با تغییردادن زمان امکان ثبت فوتون‌های بازتاب‌شده از فواصل مختلف، امکان ایجاد یک تصویر سه‌بعدی نیز فراهم می‌شود.

آخرین پیشرفتی که تیم مورد بحث به‌ آن دست‌ یافته، توسعه‌ی یک الگوریتم برای ایجاد تصویر براساس داده‌های به‌دست‌آمده از تک‌تک فوتون‌های بازتاب‌شده است. این نوع تصویربرداری محاسباتی در سال‌های اخیر به‌صورت آزمایشگاهی توسعه داده شده است و به محققان اجازه می‌دهد تا با مجموعه‌ی مختصری از داده‌ها بتوانند یک تصویر نهایی تولید کنند.

نتیجه‌ی کار واضح است و عمکلرد روش فوق را به‌خوبی نشان می‌دهد. این تیم تحقیقاتی، دوربین جدید خود را در طبقه‌ی بیستم یک ساختمان در جزیره چونگمینگ واقع در شانگهای قرار دادند و با استفاده از آن تصویر ساختمان حمل‌و‌نقل هوایی شهری پودانگ واقع در ۴۵ کیلومتری محل دوربین را ثبت کردند.

عکسبرداری لیدار

عکس‌هایی که در همین شرایط با استفاده از تلسکوپ ثبت می‌شوند، چیزی جز نویز نشان نمی‌دهند. اما این تکنیک جدید تصاویری تولید می‌کند که وضوح فضای آن حدود ۶۰ سانتی‌متر است و جزئیاتی مثل پنجره‌ی ساختمان سوژه را هم نشان می‌دهد. این محققان در مورد روش خود می‌گویند:

این تصاویر قابلیت‌های برتر سیستم‌ لیدار تک‌فوتونی مادون قرمز را به‌وضوح نشان می‌دهد. با استفاده از این تکنیک جدید می‌توان سوژه‌ها را در فاصله‌های خیلی دور نیز به‌خوبی تشخیص داد.

همچنین، این روش به‌میزان قابل‌توجهی بهتر از محدودیت انکسار یک متر در فاصله‌ی ۴۵ کیلومتری بوده و مشخصا بهتر از الگوریتم‌هایی است که اخیرا در این زمینه توسعه داده شده‌اند. تصویری که مشاهده می‌کنید، نشان‌دهنده‌ی ظرفیت تکنیک جدید در روشنایی روز از فاصله‌ی ۲۱ کیلومتری است. ژنگ‌پینگ در بخشی از توضیحات خود در مورد این روش جدید می‌گوید:

 با استفاده از روش جدید ما می‌توان از سوژه‌هایی که در فاصله‌های خیلی دور قرار دارند، با سرعتی زیاد و مصرف انرژی بسیار کم، تصاویر اپتیکی سه‌بعدی ثبت کرد.

این تکنیک جدید کاربردهای وسیعی دارد. محققان همچنین به این مورد اشاره کرده‌اند که تشخیص از راه‌دور، نظارت هوایی و تشخیص سوژه ازجمله کاربردهای تکنیک جدید این تکنیک محسوب می‌شوند. ابعاد کلی این دستگاه در حد یک جعبه‌ی کفش است و به‌همین دلیل امکان جابه‌جایی آن به‌راحتی فراهم است. 

ژنگ‌پینک و تیمش اعلام کرده‌اند که امکان ارتقاء عملکرد تکنیک آن‌ها وجود دارد.

سیستم ما با انجام یک‌سری تغییرات می‌تواند از سوژه‌هایی که در فاصله‌ی چند صدکیلومتری قرار دارند نیز عکسبرداری کند و بنابراین روش جدیدی برای پیشرفت سریع سیستم‌های عکسبرداری لیدار خواهد بود که با کم‌ترین میزان مصرف انرژی و با سرعتی بسیار زیاد می‌تواند تصاویری با وضوح بسیار بالا از فواصل طولانی ثبت کند.

بنابراین لبخند بزنید، شاید این محققان همین حالا درحال تماشای شما باشند. نظر شما در مورد این تکنیک جدید عکسبرداری چیست؟

وان پلاس ویدئوهای مربوط به تست دوربین پاپ آپ وان پلاس 7 پرو را منتشر کرد
المپوس ۱۰۰ ساله شد
گوشی‌های مجهزبه دوربین ۶۴ مگاپیکسلی در راه هستند
زوم‌اپ: RAW+؛ ثبت عکس‌های خام و حرفه‌ای با آیفون
برترین تصاویر مسابقه‌ «عکس مطبوعات جهان ۲۰۱۹» با چه دوربین‌هایی ثبت شدند

خبر جدید


گوگل در کنفرانس توسعه‌دهندگان Google IO به‌روشنی اعلام کرد که طراحی و برنامه‌ریزی برای تولید گوشی‌های هوشمند تاشدنی را در اولویت کارها دارد. سامسونگ به‌عنوان بزرگ‌ترین تولیدکننده‌ی گوشی‌های هوشمند تجربه آن‌چنان موفقی از ارائه‌ی گوشی‌های تاشدنی نداشت، اما شرکت‌های دیگر از پرداختن به فناوری جدید کوتاه نیامدند. گوگل اعلام کرد که طراحی فناوری‌های تاشدنی را از مدت‌ها پیش در برنامه داشته است و نمایشگرهای تاشدنی بخش مهم نمونه‌سازی‌های اولیه بوده‌اند.

مقاله‌های مرتبط:

  • پتنت جدید گوگل، خبر از طراحی گوشی تاشدنی جدیدی می‌دهد
  • همکاری سامسونگ و گوگل برای توسعه‌ نسخه اندروید مخصوص گوشی تاشدنی

ماریو کوریوز، مدیر تیم توسعه‌ی گوگل پیکسل در مصاحبه‌ای پیرامون نمونه‌های اولیه گوشی تاشدنی گفته بود:

ما درحال نمونه‌سازی فناوری هستیم. ما از مدت‌ها پیش این کار را انجام داده‌ایم. البته تصور نمی‌کنم در آینده‌ی نزدیک کاربرد قابل‌توجهی از آن دیده شود.

ما نمایشگرهای تاشدنی و بسیاری فناوری‌های سخت‌افزاری دیگر را به‌صورت نمونه‌های اولیه بررسی می‌کنیم. البته درحال‌حاضر هیچ برنامه‌ای برای معرفی محصول جدید در این حوزه نداریم.

صحبت‌های کوریوز نشان می‌دهد که در آینده‌ی نزدیک شاهد گوشی تاشدنی پیکسل نخواهیم بود. البته تلاش گوگل برای واردشدن به بازار تاشدنی‌ها آن‌چنان عجیب نیست. آن‌ها در ماه نوامبر سال گذشته و قبل از معرفی گلکسی فولد از سوی سامسونگ، پشتیبانی از نمایشگرهای تاشدنی در اندروید را رونمایی کردند. به‌هرحال نمی‌توان ادعاهای گوگل مبنی‌بر نزدیک‌نبودن ارائه‌ی گوشی تاشدنی را نیز به‌راحتی باور کرد.

گلکسی فولد / Galaxy Fold

از زمانی‌که تولیدکننده‌های آسیایی انواع محصولات تاشدنی را به‌صورت رسمی به بازار عرضه کردند، اخبار فراوانی پیرامون فرم خاص آن‌ها و محصولات آینده منتشر شد. به‌علاوه مدت‌ها پیش از آن‌که محصولات نهایی در کنگره‌ی جهانی موبایل بارسلونا MWC 2019 معرفی شوند، شرکت‌هایی همچون ال‌جی و سامسونگ نمونه‌های اولیه از فناوری نمایشگرهای و چگونگی تا شدن و لوله شدن آن‌ها به نمایش گذاشتند. ال‌جی در نمایشگاه CES 2019 با معرفی تلویزیون رول شونده ۶۵ اینچی 4K خود، فعالان صنعت را به تحسین واداشت و سامسونگ هم از مدت‌ها پیش با فناوری‌هایی همچون گوشی‌های گلکسی اج، توانایی تولید نمایشگرهای تاشدنی را نشان داده بود.

سامسونگ نتوانست به‌عنوان اولین بازیگر مشهور صنعت گوشی‌های هوشمند، موفقیت زیادی در بازار گوشی‌های تاشدنی کسب کند. پس از آن‌که رسانه‌های متعدد پوشش قابل‌توجهی از اولین گوشی حرفه‌ای کره‌ای‌ها با قابلیت تاشدن ارائه دادند، اخبار نگران‌کننده‌ای از عملکرد نامناسب گلکسی فولد منتشر شد. اخبار پیرامون خرابی زودهنگام گوشی به دلایل مختلف بود که درنهایت تأخیر در عرضه گوشی تاشدنی سامسونگ را به‌همراه داشت.

کارشناسان امیدوار هستند که گوگل اشتباه سامسونگ در عرضه‌ی سریع گوشی تاشدنی را تکرار نکند. شاید مالک سیستم‌عامل اندروید بتواند با تحقیق و آزمایش بیشتر، گوشی‌های تاشدنی را به بخش مهمی از بازار تبدیل کند.

زمان عرضه مجدد گلکسی فولد به‌زودی اعلام می‌شود
عرضه قابلیت پرداخت نقدی برای اپلیکیشن‌های اندرویدی
هرآنچه گوگل در کنفرانس توسعه دهندگان ۲۰۱۹ خود معرفی کرد
هوش مصنوعی گوگل برای سازگاری‌ با اختلالات گفتاری آموزش می‌بیند
گوگل پلتفرم‌های خود را به روی توسعه‌دهندگان گشود

خبر جدید


گوشی هوشمند Reno 10x Zoom اوپو (Oppo) در ابتدا تنها با قابلیت بزرگنمایی دیجیتال ۲۰ برابری معرفی شد؛ اما اکنون این شرکت درحال آماده‌سازی به‌روزرسانی دیگری برای این گوشی است که میزان بزرگنمایی دیجیتال را به ۶۰ برابر می‌رساند. قرار است این به‌روزرسانی ابتدا در تایوان ارائه شود.

oppo reno

نحوه‌ی افزایش بزرگنمایی دیجیتال در گوشی یادشده نیازمند توضیحی مختصر است. گوشی جدید Reno، مجهزبه لنز پریسکوپی است که فاصله کانونی را تا ۱۳۰ میلی‌متر (با بزرگنمایی ۵ برابری نسبت‌به لنز اصلی) افزایش می‌دهد. به‌دنبال آن، از یک حالت زوم هیبریدی استفاده می‌شود که بزرگنمایی اپتیکال را به ۱۰ برابر (که علت نام‌گذاری گوشی نیز هست) می‌رساند.

مقالات مرتبط:

  • اوپو رینو و اوپو رینو 10x زوم با دوربین سلفی کشویی به‌شکل باله‌ی کوسه رونمایی شدند
  • اوپو رینو ، اوپو رینو 10 ایکس زوم و اوپو رینو 5G در بازارهای جهانی عرضه می‌شوند

در ادامه، با استفاده از یک مرحله زوم دیجیتال، حداکثر میزان بزرگنمایی فعلی ۲۰ برابری محقق می‌شود. اوپو قصد دارد در آخرین به‌روزرسانی، میزان زوم دیجیتال را در این مرحله به ۶۰ برابر افزایش دهد؛ در این حالت، فاصله کانونی به ۱۵۶۰ میلی‌متر می‌رسد. برای مقایسه، گوشی P30 Pro هواوی با یک لنز پریسکوپ ۱۲۵ میلی‌متری و قابلیت زوم دیجیتال ۵۰ برابری عرضه می‌شود. در این شرایط فاصله کانونی به ۱۲۵۰ میلی‌متر می‌رسد.

اوپو با این اقدام، امکان نگاهی نزدیک به اشیای دوردست را فراهم می‌کند. درمورد کیفیت تصاویر به‌دست‌آمده در این مقدار زوم هنوز چیزی نمی‌توان گفت و باید نتایج عکاسی با دوربین جذاب این دستگاه هوشمند به‌طورمستقل آزموده شود.

باید و نبایدهای تمیزکردن صفحه‌ نمایش گوشی
سامسونگ مشغول کار روی دوربین سلفی زیر نمایشگر گوشی‌های هوشمند است
IDC: فروش گوشی های هوشمند در سه ماهه اول 2019 کاهش یافته است
نمایشگر وان پلاس 7 پرو امتیاز +A را از دیسپلی میت دریافت کرد
سازنده‌ی گوشی‌های یوتافون اعلام ورشکستگی کرد

خبر جدید


به‌دلیل خراب‌کاری‌های احمقانه‌ی رقبا در بازاریابی یکدیگر و رقابت بی‌معنی بین شرکت‌های فناوری بر سر اولین‌بودن درزمینه‌ی 5G، راه‌اندازی نسل پنجم شبکه‌ی ارتباطات بی‌سیم در آمریکا و فراگیرسازی آن در این کشور به‌صورت برنامه‌هایی پراکنده در دست انجام است. باوجوداین، سرعت پیشرفت نسل جدید ارتباطات در بخش دیگری از دنیا هم‌گام با وعده‌های داده‌شده پیش می‌رود و منطقه‌ی اقیانوس اطلس در‌حال قرار‌گرفتن زیرپوشش این فناوری است؛ به‌طوری‌که حتی گله‌های گاو در انگلستان هم از این مزیت بهره‌مند شده‌اند.

به‌گزارش رویترز، سیسکو (Cisco) مشغول آزمایش زیرساخت‌های لازم برای عرضه‌ی جهانی 5G است که در صنایعی کاربرد دارد که به‌طور سنّتی آن‌ها را صنعتی نمی‌دانند؛ ولی درعین‌حال، به سخت‌افزارها و نرم‌افزارهای پیشرفته‌ای وابسته هستند که روزبه‌روز به پیچیدگی آن‌ها اضافه می‌شود. کشاورزی نیز ازجمله‌ی این صنایع است.

کشاورزان با استفاده از قلاده‌های 5G می‌توانند هر زمانی بدون لمس فیزیکی حیوانات را معاینه کنند

درهمین‌زمینه، سیسکو این فناوری را در سه محیط روستایی امتحان و ارزیابی و امکان دسترسی کشاورزان این مناطق را به تجهیزات نظارتی متصل به 5G فراهم کرده است. قلاده‌های گردن و نیز برچسب‌های هوشمندی که روی گوش نصب می‌شوند، داده‌های بیومتریک را به ناظران منتقل می‌کنند تا آن‌ها بتوانند گله را از مسافت دور رصد کنند.

یکی از سه سایتی که در این طرح آزمایشی شرکت کرده‌اند، مرکز نوآوری‌های دقیق مهندسی کشاورزی یا مرکز Agri-EPI در شهر شپتون مالت، شهری کوچک در جنوب‌غربی انگلستان است که با بودجه‌ی دولتی اداره می‌شود. حدود یک‌سوم از ۱۸۰ رأس گاو این مزرعه به قلاده‌ها و برچسب‌های 5G مجهز هستند.

این موضوع زمانی اهمیت می‌یابد که از گستردگی این مزارع مطلع باشید. مزارع مذکور محیطی بسیار بزرگ و گسترده‌ای دارند و گاوها بیشتر وقت‌ها، درحال رفت‌و‌آمد بین چراگاه‌ها و مزرعه‌ها هستند تا کشاورزان بتوانند آن‌ها را راحت‌تر بدوشند یا معاینه کنند. سیسکو می‌گوید کشاورزان با استفاده از قلاده‌های 5G می‌توانند حیوانات را در هر وقت و بدون هیچ لمس فیزیکی معاینه کنند.

مقاله‌های مرتبط:

  • استیصال آمریکا دربرابر احتکار فناوری 5G توسط چین
  • داستان برند: سیسکو، از سرقت نرم‌افزار روتر دانشگاه تا تبدیل به قطب توسعه روتر در جهان

علاوه‌براین، قلاده‌های هوشمند 5G با برقراری ارتباط بی‌سیم با سیستم شیردوشی رباتیک به خودکارسازی فرایند شیردوشی گاوها کمک می‌کنند. در این روند، گاوها به میل و رغبت خود به ایستگاه نزدیک می‌شوند و پس از تشخیص هویت، از میان گیت‌های بازرسی عبور می‌کنند و درکنار ربات متوقف می‌شوند. همه‌ی این کارها بدون دخالت انسان انجام می‌شود.

آینده‌ای که در ارتباطات بی‌سیم انتظار آن را می‌کشیم، آينده‌ای شگفت‌انگیز و پر از رویدادهای باورنکردنی خواهد بود و کشاورزان پیش از دیگران به این آینده گام نهاده است؛ چراکه اگر آن‌ها و محصولات آن‌ها نباشند، انسان‌ها همگی از گرسنگی خواهند مرد.

نیک کرایسوس، یکی از مدیران سیسکو، در یکی از عجیب‌و‌غریب‌ترین اظهارنظرهای شنیده‌شده از مدیران سیسکو به رویترز گفت:

می‌توانیم تک‌تک گاوها را به این شبکه و همه‌ی حیوانات این مزرعه را به نسل پنجم شبکه‌ی ارتباطات بی‌سیم متصل کنیم. فناوری 5G به رهاسازی قدرتی کمک می‌کند که در این مزرعه یا هر جای دیگری در انگلستان و این جهان نهفته است. این همان کاری است که این فناوری می‌تواند برای کشاورزی انجام دهد.

هواوی مذاکره با اپل برای تامین تراشه 5G آیفون را تکذیب کرد
با توافق اپل و کوالکام، اینتل از بازار تراشه‌ 5G خارج می‌شود
بنیانگذار هواوی شایعه فروش تراشه 5G به اپل را تایید کرد
تصاویری منتسب به گوشی 5G وان پلاس 7 پرو رویت شد
ال جی V50 ThinQ 5G از هوش مصنوعی سریع‌ و دقیقی بهره می‌برد

خبر های جدید


پیودی‌پای که لقب محبوب‌ترین خالق ویدیوی پلتفرم یوتیوب را مدت‌ها است یدک می‌کشد، اخیرا در حرکتی تأمل‌برانگیز، خبر مهمی را به‌ اطلاع مخاطبانش رسانده است. او می‌گوید که از این پس قصد دارد به سرویس DLive ملحق شود؛ گفتنی است که DLive یک سرویس استریم مبتنی بر بلاک‌چین به‌شمار می‌آید. 

فلیکس کیلبرگ ملقب به پیودی‌پای (PewDiePie) با ۹۳ میلیون مشترک در یوتیوب (این آمار هم‌چنان در حال رشد است) بدون هیچ شک و شبهه‌ای، بزرگ‌ترین ستاره‌ی این پلتفرم بزرگ به‌حساب می‌آید. دارایی پیودی‌پای بین ۳۰ تا ۵۰ میلیون دلار تخمین زده شده است.

فعالیت‌‌های پیودی‌پای در یوتیوب شامل استریم بازی، ولاگ و تولید ویدیوهای سرگرم‌کننده است. او که سال‌ها پیش به یوتیوب ملحق شده، تأثیر به‌سزایی روی بالارفتن محبوبیت این پلتفرم گذاشته است. به‌دنبال موفقیت کیلبرگ، شمار زیادی از مردم به استریم بازی روی آوردند و خواستند موفقیت‌های او را تکرار کنند. بااین‌حال ظاهرا پیودی‌پای می‌خواهد بخش مهمی از فعالیت خود را در سرویس دی‌لایو ادامه دهد؛ کیلبرگ می‌گوید دی‌لایو با او همچون یک «شریکِ کاری واقعی» برخورد می‌کند.

دی‌لایو یک سرویس استریم مبتنی بر بلاک‌چین Lino است و با استفاده از توکن به خالقان محتوای ویدیویی جایزه می‌دهد؛ این رویه‌ی سرویس دی‌لایو، قطعا به‌ ضرر یوتیوب و سیاست‌هایش خواهد بود. شکی نداریم بسیاری از طرفداران وفادار به پیودی‌پای، به‌همراه او به سرویس دی‌لایو مهاجرت خواهند کرد.

یوتیوب / YouTube

مقاله‌ی مرتبط:

  • دوران طلایی یوتیوب به‌پایان رسیده است

کیلبرگ در این رابطه می‌گوید: «از اینکه می‌خواهم دوباره استریم را به‌صورت منظم شروع کنم، هیجان‌زده هستم. دی‌لایو برای من یک سرویس عالی است، چون در اینجا نه‌تنها با من بلکه با دیگر استریمرهای حاضر در این پلتفرم منحصربه‌فرد، همچون یک شریک کاری واقعی رفتار می‌شود.»

پیودی‌پای در ویدیویی که اخیرا منتشر کرده، به‌صورت رسمی همکاری با دی‌لایو و دلایل اتخاذ این تصمیم را برای مخاطبان شرح می‌دهد. این ویدئو تاکنون میلیون‌ها بار تماشا شده و نظرات زیادی در زیر آن گذاشته شده است.

یوتیوب و توییچ دو پلتفرم شناخته‌شده‌ای هستند که به محبوبیت شمار زیادی از استریمرها و ولاگرها کمک شایانی کرده‌اند، بااین‌حال این دو پلتفرم گاهی اوقات با برخی سیاست‌هایشان، کاربرانشان را می‌رنجانند. یکی از مهم‌ترین دلایل اعتراض کاربران یوتیوب و توییچ، این است که دو پلتفرم یادشده بخش زیادی از درآمد استریمرها را برای خودشان بر می‌دارند. گفته می‌شود که توییچ (متعلق به آمازون) ۵۰ درصد از درآمد به‌دست‌آمده از سوی مشترکان کانال‌ها را برای خودش بر می‌دارد.

تاکنون مبلغ پرداختی به پیودی‌پای توسط سرویس دی‌لایو مشخص نشده است، بااین‌حال مدیرعامل این شرکت گفته که آن‌‌ها از همکاری با این استریمر بسیار خشنود هستند. او می‌گوید دی‌لایو به‌هیچ‌وجه سهمی از درآمد کسب‌شده از سوی مشترکان کانال‌ها یا هدیه‌های دیجیتالی، برای خود بر نمی‌دارد. 

pewdiepie

پیودی‌پای محال است به‌این‌سادگی‌ها یک کانال ۹۳ میلیونی را رها کند

او در این زمینه ادامه می‌دهد: «دی‌لایو جایی است که در آن‌، خالقان محتوا به‌جای رقابت با یک‌دیگر، از هم حمایت می‌کنند. پیودی‌پای جزو کسانی بوده که همواره به این موضوع علاقه نشان داده و به چشم‌اندازهای فعلی دی‌لایو اعتقاد دارد.»

پیودی‌پای تاکنون هیچ‌ ویدیویی در سرویس دی‌لایو منتشر نکرده، اما تعداد مشترکین کانال او تا این لحظه مرز ۱۴۶ هزار نفر را رد کرده است؛ شمار دنبال‌کنندگان پیودی‌پای در دی‌لایو‌ همچنان در حال رشد است و پیش‌بینی می‌کنیم این روند فعلا متوقف نشود. پیودی‌پای گفته است که امروز نخستین پخش زنده‌ی خود را ازطریق دی‌لایو انجام می‌دهد تا از این طریق بین ۱۰ تا ۵۰ هزار دلار توکن Lino را بین دیگر خالقان محتوا پخش کند؛ او با این کار می‌خواهد دیگر ویدیوسازان به دی‌لایو روی بیاورند تا از این طریق سرویس استریم یادشده سریع‌تر توسعه پیدا کند.

انجام این کار از سوی پیودی‌پای، قطعا به بالا رفتن محبوبیت دی‌لایو کمک زیادی خواهد کرد. این تصمیم همچنین می‌تواند برای خود پیودی‌پای هم در آینده درآمدزا باشد. او مدت‌ها است که در یوتیوب برای باقی‌ماندن به‌عنوان پرمشترک‌ترین کانال، با کانال T-Series رقابت می‌کند.

کت پیترسون، یکی از اعضای تیم مدیریتی فلیکس کیلبرگ می‌گوید: «این پلتفرم می‌تواند در زمینه‌ی درآمد، از خالقان ویدئو حمایت کند. رویکرد دی‌لایو به‌گونه‌ای است که در انتها به نفع استریمر تمام می‌شود. پیودی‌پای می‌خواهد میزان مشخصی از توکن‌های Lino را به دیگر ویدیوسازان اهدا کند تا دیگر افراد حاضر در پلتفرم هیجان‌زده شوند.»

رابطه‌ی فلیکس کیلبرگ و یوتیوب طی چندوقت اخیر، چندان جالب نبوده و تنش‌هایی در این بین شکل گرفته است. بااین‌حال حتی پس از اینکه پیودی‌پای به تولید برخی فیلم‌های ناخوشایند پرداخت و انتقادات شدیدی را متوجه یوتیوب کرد، این پلتفرم نخواست به‌طور جدی روابطش را با او قطع کند. البته دلیل انجام این کار تا حد زیادی مشخص است؛ پیودی‌پای در درآمدزایی یوتیوب، نقش به‌سزایی دارد.

درآمدزایی از یوتیوب / youtube menotization

بااین‌حال انتقادات تا حدی بالا گرفت که یوتیوب مجبور شد سریال Scare PewDiePie را لغو کند؛ لغو این سریال به‌منزله‌ی پایان قرارداد بین پیودی‌پای و شرکت دیزنی نیز بود. گرچه ویدیوهای پیودی‌پای تاکنون میلیاردها بار تماشا شده‌اند، اما همواره انتقاداتی نظیر نژادپرستی متوجه او شده‌اند. 

یکی از چالش‌های اخیری که پیودی‌پای با آن دست‌و‌پنجه نرم می‌کند، به حادثه‌ی اخیر نیوزیلند مربوط می‌شود. فردی که در یک ویدیوی پخش‌ زنده، ده‌ها نفر از مسلمانان را در یک مسجد به رگبار بست، پیش از انجام کارش به‌مخاطبان گفته بود که در کانال پیودی‌پای عضو شوند. 

با همه‌ی این‌ها، گرچه جزئیات ماجرا به‌طور کامل در اختیار رسانه‌ها قرار نگرفته، اما سخت است باور کنیم پیودی‌پای بخواهد کانالش را با ۹۳ میلیون مشترک ترک کند. درواقع اصل ماجرا این است که او می‌خواهد از این پس برخی از استریم‌هایش را به‌طور اختصاصی ازطریق دی‌لایو پخش کند. 

دیدگاه شما کاربران زومیت در این‌باره چیست؟

دیزنی قیمت و زمان عرضه‌ی سرویس استریم دیزنی پلاس را اعلام کرد
دوران طلایی یوتیوب به پایان رسیده است
سرویس اشتراک تلویزیون اپل تی‌وی پلاس معرفی شد
چه انتظاراتی از رویداد ۵ فروردین اپل داریم؟
اینستاگرام قابلیت تماشای ویدئو به‌همراه دوستان را آزمایش می‌کند

خبر های جدید


هنوز چندماهی به عرضه‌ی رسمی کارت‌های گرافیکی جدید AMD مبتنی بر پردازنده‌ی گرافیکی Navi باقی مانده؛ اما ظاهرا اطلاعات بیشتری از این محصولات افشا شده است. گزارش‌های زیادی درباره‌ی کارت‌های گرافیک Radeon RX موردانتظار AMD برپایه‌ی پردازنده‌های گرافیکی Navi به‌گوش می‌رسد که از عرضه‌ی این پردازنده‌های گرافیکی در نیمه‌ی دوم سال ۲۰۱۹ حکایت می‌کند. کارت‌های گرافیکی مذکور در دسته‌ی اقتصادی و مقرون‌به‌صرفه قرار می‌گیرند؛ اما براساس گزارش RedGamingTech، پردازنده‌ی گرافیکی دوم با معماری Navi در دسته‌ی بالارده طبقه‌بندی می‌شود.

جزئیات ارائه‌شده به دو بخش تقسیم می‌شود: اولین بخش درباره‌ی کارت‌های گرافیکی AMD Navi ابتدایی است که از معماری پردازنده‌ی گرافیکی Navi 10 بهره می‌برند و دومین بخش به کارت‌های حرفه‌ای و بالارده‌ای بازمی‌گردد که مبتنی بر Navi 20 هستند. بنابر ادعای وب‌سایت RedGamingTech، در جمع‌آوری این اطلاعات از منابع موثقی بهره گرفته شده که پیش‌تر اطلاعات دقیقی در زمینه‌های مشابه مطرح کرده بودند.

براساس اطلاعات ارائه‌شده، راجا کودوری، مدیر اسبق گروه فناوری‌های رادئون، پیش از ترک این شرکت مأموریت داشت بسیاری از ضعف‌های معماری GCN را برطرف کند. چنین روندی به گروه فناوری‌های رادئون AMD اجازه می‌داد هم‌زمان هم بر ایجاد معماری نسل بعد خود متمرکز شود و کار روی نسخه‌های بعدی معماری GCN را ادامه دهد و قدرت رقابت خود را دربرابر سبد محصولات GeForce و Quadro حفظ کند. در‌حال‌حاضر، راهبرد AMD در بازار محصولات عمومی به‌خوبی عمل کرده؛ اما محصولات پرچم‌دار شرکت AMD از چنین موقعیتی برخوردار نیست. AMD در این بازارها از صدرنشینی فاصله دارد و درواقع، بیشتر جایگزینی برای محصولات حرفه‌ای انویدیا به‌شمار می‌آید.

دلیل اینکه معماری Vega آن‌گونه که بایدوشاید عمل نکرده، این است که در زمان پیوستن راجا به گروه فناوری‌های رادئون، طراحی پردازنده‌‌های گرافیکی وگا در مراحل بلوغ خود بود و راجا فضای زیادی برای کار روی این معماری گرافیکی نداشت. بنابر گزارش RedGamingTech، هدف اصلی راجا آن بود که روی پردازنده‌های گرافیکی Navi کار کند که اگرچه همچنان مبتنی بر معماری موجود GCN بود، اصلاحاتی در بطن موتور هندسی خود اعمال کرد.

AMD Radeon Vega Frontier

حال به‌احتمال بسیار زیاد AMD پیش‌ازآنکه راجا گروه فناوری‌های رادئون را ترک کرده باشد، کار روی معماری Navi را به‌اتمام رسانده؛ اما با شدت‌گرفتن شایعات درباره‌ی تاریخ عرضه‌ی اولین گروه از کارت‌های گرافیکی Radeon RX برپایه‌ی معماری Navi در اواسط سال ۲۰۱۹، بیشتر به پاسخ این پرسش نزدیک می‌شویم‌ که چه اتفاقاتی در مرحله‌ی توسعه‌ی معماری Navi درحال‌وقوع است.

جزئیات ذکرشده درباره‌ی پردازنده‌های گرافیکی Navi 20 گویای پشتیبانی این پردازنده‌ها از قابلیت رهگیری پرتو است و اگر بخواهیم صادقانه صحبت کنیم، شرکت AMD راهبرد انحصاری خود را درزمینه‌ی رهگیری پرتو ارائه خواهد کرد؛ به‌ویژه اینکه اخیرا شرکت کرایتک در قالب دمویی ویدئویی جلوه‌های حاصل از رهگیری پرتو را برپایه‌ی موتور ساخت بازی Cryengine و با استفاده از کارت گرافیکی AMD Radeon RX Vega 56 نمایش داده است.‏ AMD به پشتیبانی از DXR API مایکروسافت تمایل دارد و ویژگی رهگیری پرتو را به‌صورت منبع باز دراختیار عموم توسعه‌دهندگان قرار خواهد داد؛ همان‌گونه که این کار را قبلا برای فناوری‌های دیگری مانند TressFX و Freesync و OpenCL انجام داده است.

گفته می‌شود میزان کارایی پردازنده‌های گرافیکی جدید AMD در ارائه‌ی قابلیت رهگیری پرتو بسیار مناسب به‌نظر می‌رسد و Navi 20 ممکن است بتواند در این آوردگاه در حدواندازه‌ی کارت‌های گرافیک قدرتمند و پرچم‌دار از سری GeForce RTX انویدیا نظیر RTX 2080 Ti ظاهر شود.

ظاهرا کارت‌های شتاب‌دهنده‌ی گرافیکی مراکز داده یا HPC برپایه‌ی معماری پردازنده‌ی گرافیکی Navi درمقایسه‌با محصولات مصارف عادی بسیار متفاوت ظاهر خواهد شد. در این کارت‌های گرافیکی، از طراحی SOC سفارشی‌تر استفاده خواهد شد که تاحدی شبیه به آن چیزی است که شرکت انویدیا در کارت‌های رده‌بالای سرور Tesla اجرا می‌کند.

مقاله‌های مرتبط:

  • AMD قصد دارد استیلای انویدیا بر بازار پردازنده‌های گرافیکی را در هم بشکند
  • نام چهار پردازنده گرافیکی AMD با معماری Navi فاش شد

با تمام این‌ها، باید توجه کرد پردازنده‌های گرافیکی Navi 20 به فاصله‌ی یک سال از کارت‌های عمومی Navi 10 عرضه خواهد شد. پس، عرضه‌ی پردازنده‌های گرافیکی حرفه‌ای‌تر به مقطعی از سال ۲۰۲۰ موکول خواهد شد که فاصله‌ی زمانی زیادی با آن داریم. در همین حال، شرکت انویدیا اعلام کرده عجله‌ای برای روی‌آوردن به فناوری ۷ نانومتری ندارد؛ چراکه آمار توان مصرفی حاصل با فرایند ۱۲ نانومتری FinFET در‌حال‌حاضر به‌خوبی توان رقابت با نمونه‌های رقیب را دارد. همچنین، فناوری‌های به‌کاررفته همراه‌با معماری تورینگ این شرکت بسیار برای مصرف‌کنندگان متقاعدکننده است. شاید انویدیا با صرف‌نظر از فرایند ساخت ۷ نانومتری به ساخت تراشه‌های 7nm+ بهبودیافته یا تراشه‌های ۵ نانومتری روی بیاورد.

گذشته از آن، گزارش‌هایی به‌گوش می‌رسد که پردازنده‌های گرافیکی AMD Navi از قابلیت‌های دیگری نظیر سایه‌زنی با نرخ متغیر در درون معماری Navi برخوردار است که امکان افزایش نرخ فریم و جزئیات گرافیکی را هم‌زمان با کاهش منابع سیستمی موردنیاز برای اجرای بازی فراهم خواهد ساخت. افزون‌براین، گزارش‌هایی درباره‌ی استفاده از پردازنده‌های گرافیکی Navi در ساخت کنسول‌های نسل بعد سونی و مایکروسافت به‌گوش می‌رسد.

به‌نظر می‌رسد معماری پردازنده‌‌ی گرافیکی Navi که آخرین نسل مبتنی بر GCN است، درنهایت سهم بهتری از بازار کارت‌های گرافیک برای AMD می‌تواند به‌ارمغان آورد و هم‌زمان وارد رقابتی تنگاتنگ با سبد محصولات رقیب شود.

احتمالا معماری Zen 2 شرکت AMD در نمایشگاه کامپیوتکس ۲۰۱۹ از راه می‌رسد
برنامه AMD برای تصاحب سهم عمده‌ای از بازار پردازنده‌‌های سرور
اینتل معماری تراشه‌های مجتمع گرافیکی نسل ۱۱ خود را رونمایی کرد
AMD تأیید کرد پردازنده‌هایش دربرابر اسپویلر ایمن هستند
اینتل در ادامه سال با مشکل کمبود پردازنده‌های ۱۴ نانومتری درگیر خواهد بود

خبر های جدید


کیفیت خروجی زبان‌های برنامه‌نویسی، بسته به نوع آن‌ها و حتی مهارت برنامه‌نویس، با هم تفاوت دارد. مصرف برق، یکی دیگر از فاکتورهای دخیل در کارایی سیستم‌عامل‌ها است که برخی اوقات، دست‌کم گرفته می‌شود. اکنون این سؤال ایجاد می‌شود که آیا مصرف انرژی، نشان‌دهنده‌ی کیفیت یک زبان برنامه‌نویسی هست یا خیر؟

گروهی متشکل از محققان ۳ دانشگاه مختلف در پرتقال، سال گذشته‌ی میلادی تحقیقی را برای پاسخ به سؤال فوق انجام دادند که منجر به مقاله‌ای به‌نام Energy Efficiency Across Programming Languages شد. آن‌ها آزمایش خود را روی ۱۰ مسئله‌ی نرم‌افزاری بین ۲۷ زبان برنامه‌نویسی انجام دادند و در حین اجرای نرم‌افزار حاصل، مقدار مصرف برق هریک از آن‌ها را بررسی کردند. به‌علاوه، سرعت و مقدار اشغال حافظه‌ی رم نیز مورد بررسی قرار گرفت.

مقایسه زبان های برنامه نویسی

مقاله‌های مرتبط:

  • زبان‌ های برنامه‌ نویسی آینده و کسب‌و‌کار برنامه‌نویسی
  • اینفوگرافیک: کدام زبان برنامه‌نویسی برای شما مناسب است؟

محققان پروژه‌ی تحقیقاتی، ۱۰ مسئله‌ی آزمایشی را در سرویس Computer Language Benchmark Game اجرا کردند. آن سرویس، یک پروژه‌ی نرم‌افزاری آزاد است که برای مقایسه‌ی کارایی زبان‌های برنامه‌نویسی استفاده می‌شود و تعدادی مسئله‌های الگوریتمی در خود دارد. به‌علاوه، فریمورکی برای اجرای آزمایش‌ها نیز به کاربر عرضه می‌شود.

سرویس مورد استفاده، قبلا به‌نام The Great Computer Language Shootout شناخته می‌شد. محققان اعتقاد دارند استفاده از سرویس بنچمارک، به آن‌ها امکان داد تا تعدادی برنامه‌ی قابل‌ مقایسه و توسعه‌یافته را در دسترس داشته باشند. به‌علاوه، سرویس، نسخه‌های مختلف کامپایلر و راهکارهای متعدد اجرا را نیز در اختیار آن‌ها قرار می‌داد.

پیاده‌سازی انواع مختلف بنچمارک، برای آزمایش کارایی و مصرف برق، حیاتی بود. درواقع، نتایج آزمایش‌ها بسته به نوع تست، تغییر می‌کرد و باید گستره‌ای جامع مورد آزمایش قرار می‌گرفت. به‌عنوان مثال، زبان برنامه‌نویسی C از لحاظ کلی، سریع‌ترین زبان با مصرف بهینه‌ی برق بود، اما در آزمایشی شامل اسکن پایگاه داده‌ی DNA برای یافتن ژنتیک خاص، زبان Rust نتایج بهتری داشت و C در رتبه‌ی سوم مصرف انرژی قرار گرفت.

در همان آزمایش DNA، انتخاب بهترین زبان، به معیارهای آزمایش نیز بستگی داشت. در معیار سرعت، C پس از Rust در رتبه‌ی دوم قرار گرفت، اما در معیار اشغال حافظه‌ی رم، Rust سقوطی ۹ پله‌ای داشت. زبان فورترن، در بررسی براساس معیار مصرف انرژی، رتبه‌ی دوم را داشت، اما با مرتب کردن نتایج براساس زمان مورد نیاز برای اجرای فرایند،۶ پله سقوط کرد.

مقایسه زبان های برنامه نویسی

جدول کامل مقایسه‌ی زبان‌های برنامه‌نویسی براساس زمان، انرژی و اشغال حافظه‌ی رم

محققان در مقاله‌ی خود تأکید کردند که با دقت از راهنمای استاندارد سرویس CLBG در انتخاب نسخه‌ی کامپایلر برنامه‌ها و روندهای بهینه‌سازی، پیروی کردند. مصرف برق هر آزمایش نیز توسط ابزاری از اینتل به‌نام Running Average Power Limit استفاده شد. برای بهینه‌سازی نتایج و محاسبه‌ی بهتر میانگین، همچنین خارج کردن فاکتورهایی همچون کش یا سریع‌تر بودن در اجرای اولیه،‌ هر آزمایش ۱۰ بار تکرار شد. به‌همین دلیل، محققان ادعا می‌کنند که نتایج، قابل اعتماد هستند.

سخت‌افزار و سیستم‌عامل همه‌ی زبان‌ها در آزمایش، یکسان بود

فاکتور دیگری که برای بهینه‌سازی نتایج تنظیم شد، سیستم‌عامل و سخت‌افزار مورد استفاده بود. همه‌ی آزمایش‌ها روی دستگاهی با ۱۶ گیگابایت رم، پردازنده‌ی اینتل Core i5 3.20 GHz Haswell و سیستم‌عامل لینوکس اوبونتو سرور با کرنل نسخه‌ی 4.8.0 انجام شد. درنهایت، نتایج تحقیقات، موارد قابل توجهی را روشن کرد. به‌عنوان مثال:

زبان Lisp، به‌طور میانگین ۲.۲۷ برابر C انرژی مصرف می‌کند (۱۳۱.۳۴ ژول). به‌علاوه، در مقایسه با پاسکال، ۲.۴۴ برابر برای اجرای یک برنامه، زمان نیاز دارد (۴۹۲۶.۹۹ میلی ثانیه) و همچنین، ۱.۹۲ برابر حافظه‌ی رم نیاز دارد (۱۲۶.۶۴ مگابیت).

محققان، نتایج را بین زبان‌های کامپایل شده و تفسیر شده هم بررسی کردند. به‌علاوه، دسته‌بندی مجزایی هم برای زبان‌های اجرا شده در ماشین‌های مجازی، در مقاله افزوده شد. دسته‌بندی‌های دیگر در مقاله، شامل مقایسه‌ی پاردایم‌های مختلف برنامه‌نویسی همچون انواع شیٔ‌گرا و اسکریپتی می‌شود.

مقایسه زبان های برنامه نویسی

مقایسه‌ی زمان و انرژی مصرفی

آیا سرعت به‌معنای مصرف انرژی کمتر است؟

مقاله‌ی منتشر شده، به‌طور جدی با نظریه‌ی تأثیر سرعت بر کاهش مصرف انرژی مخالفت کرد. در متن مقاله آمده بود که محاسبه‌ی انرژی مصرفی، فرمولی فیزیکی شبیه به E=T*P نیست که انرژی را به زمان وابسته کند. بخشی از دلیل تناقض نیز، مصرف انرژی به‌صورت غیرمنظم است. درواقع، نرخ ثابتی برای مصرف انرژی یک زبان برنامه‌نویسی، وجود ندارد. درنتیحه، نتایج تحقیق مذکور می‌تواند یافته‌های محققان پیشین و نظریه‌های آن‌ها پیرامون تأثیر سرعت بر مصرف انرژی را تحت تأثیر قرار دهد.

در یکی از آزمایش‌های صورت گرفته، برنامه‌‌ی نوشته شده در زبان Chapel، نسبت به برنامه‌ای به زبان پاسکال، ۵۵ درصد زمان کمتری برای اجرا نیاز داشت. درحالی‌که برنامه‌ی زبان پاسکال، انرژی کمتری (به میزان ۱۰ درصد) مصرف کرد. درنهایت با وجود آن که بسیاری، هنوز سرعت را با مصرف انرژی مرتبط می‌دانند، محققان مذکور در مقاله‌ی خود به‌روشنی اعلام کردند که «یک زبان برنامه‌نویسی سریع‌تر، لزوما مصرف انرژی کمتری ندارد».

سرعت بیشتر لزوما به‌معنای مصرف پایین‌تر انرژی نیست

پاسخ دادن به سؤال این بخش، دشواری‌های زیادی دارد، چرا که مصرف انرژی، به فاکتورهای بسیار متعددی وابسته می‌شود که از آن میان می‌‌توان به کامپایلر و حتی کتابخانه‌‌های مورد استفاده اشاره کرد. محققان در بخش مهم دیگری از مقاله‌ی خود، منبع مصرف انرژی برنامه‌ها را نیز بررسی کردند. آن‌ها می‌گویند که اکثر برق مصرفی (حدود ۸۸ درصد) توسط CPU مصرف می‌شود و ارتباطی هم به کامپایل شدن، تفسیر شدن یا اجرا روی ماشین‌های مجازی ندارد. البته، برنامه‌های تفسیر شده، نتایج متفاوتی را در شرایط مختلف نشان دادند و بازه‌ی تنوع آن‌ها از ۸۱.۵۷ درصد تا ۹۲.۹ درصد، تفاوت داشت.

مقایسه زبان های برنامه نویسی

مقایسه براساس اشغال حافظه‌ی رم

نتیجه‌ی مهم دیگر در تحقیقات مذکور، وابستگی اوج استفاده از DRAM را به انرژی مصرفی، نقض کرد. به‌هرحال، با وجود تمامی یافته‌های بالا، پاسخی تقریبا مثبت به سؤال این بخش داده می‌شود. در مقاله‌ی منتشر شده برای این تحقیق می‌خوانیم:

۵ زبان برنامه‌نویسی اول براساس مصرف انرژی، در دسته‌بندی براساس زمان اجرای برنامه‌ها نیز با تفاوت‌هایی جزئی در همان رتبه‌ها قرار می‌گیرند.

از میان ۱۰ مسئله‌ی آزمایشی انجام شده، در ۹ عدد از آن‌ها، بالاترین امتیاز از لحاظ سرعت و بازدهی، از زبان‌هایی به‌دست آمد که بین ۳ مورد برتر از لحاظ مصرف انرژی قرار داشتند. در بخش دیگری از مقاله گفته شد:

باور عمومی بر آن است که ۳ زبان برتر برنامه‌نویسی یعنی C و ++C و Rust، به‌بهترین نحو بهینه‌سازی شده و بازدهی بالایی دارند. داده‌های ما در تحقیقات نیز همین باور عمومی را تصدیق می‌کنند.

با وجود گفته‌های بالا، وقتی زبان‌های برنامه‌نویسی دیگر را طبق فاکتورهای سرعت و مصرف انرژی مرتب کنیم، نتایج برابری مشاهده نمی‌شود. تنها ۴ زبان، رتبه‌بندی برابری در فهرست زمان و مصرف انرژی داشتند (OCaml، Haskel، Racket و Python).

مقایسه زبان های برنامه نویسی

دسته‌بندی براساس پارادایم‌های برنامه‌نویسی

مزایای زبان‌های کامپایل شده

یکی از نتایج جالب و مهم آزمایش‌ها، درباره‌ی زبان‌های برنامه‌نویسی کامپایل شده بود. آن زبان‌ها، همیشه در بازدهی انرژی و سرعت، بالاتر از سایر تصور می‌شوند. نتایج مقاله نیز تاحدودی آن تصورات را تأیید کرد. به‌‌طور میانگین، زبان‌های کامپایل شده، ۱۲۰ ژول انرژی برای اجرای راهکارهای نرم‌افزاری مصرف کردند، درحالی‌که زبان‌های اجرا شده روی ماشین مجازی یا تفسیری، به‌ترتیب ۵۷۶ و ۲۳۶۵ ژول انرژی نیاز داشتند.

در مقایسه‌ی زمان‌های اجرای برنامه‌ها، زبان‌های کامپایل شده باز هم نتایج مثبتی نشان دادند. در نتایج آن بخش گفته شد که زبان‌های کامپایل شده به‌صورت میانگین ۵۱۰۳ میلی‌ثانیه زمان نیاز داشتند. درحالی‌که، زبان‌های اجرا شده روی ماشین های مجازی عدد ۲۰۶۲۳ میلی‌ثانیه را برای زمان نشان دادند و همین مقدار، برای زبان‌های تفسیری به ۸۷۶۱۴ میلی‌ثانیه رسید. درنهایت، ۴ عدد از ۵ زبان برتر هر ۲ دسته‌بندی زبان‌های کامپایل شده بودند و تنها جاوا، مثال نقض فهرست‌ها بود.

زبان‌های کامپایل شده هم از لحاظ زمان و هم انرژی، بازدهی بیشتری داشتند

در میان زبان‌های برنامه‌نویسی با کمترین سرعت، ۵ زبان کند فهرست، نمونه‌های تفسیری یعنی Lua، Python، Perl، Ruby و Typexcript بودند. به‌علاوه، زبان‌های با بیشترین نرخ مصرف انرژی نیز از همان نوع بودند: Perl، Python، Ruby، JRuby و Lua. البته، در نوعی از برنامه‌نویسی که عبارت‌ها به‌صورت ساده‌سازی شده در زبان‌های تفسیری استفاده شدند، ۳ عدد از آن‌ها، Typescript، JavaScript و PHP در میان برترین زبان‌های با بازدهی انرژی بالا قرار داشتند.

زبان‌های کامپایل شده، در مقایسه‌ی میزان اشغال فضای رم، مانند زمان و مصرف انرژی، بالاترین رتبه‌ها را به خود اختصاص دادند. به‌صورت میانگین، آن زبان‌ها به ۱۲۵ مگابیت حافظه نیاز داشتند و زبان‌های اجرا شده در ماشین‌های محازی، ۲۸۵ مگابیت حافظه اشغال می‌کردند. زبان‌های تفسیری در این بخش نیز امتیاز پایینی داشته و به ۴۲۶ مگابیت حافظه‌ی رم نیاز داشتند. آن زبان‌ها، در رتبه‌بندی اشغال فضای رم، پایین‌ترین رتبه‌ها را به خود اختصاص دادند که به‌عنوان مثال می‌توان JRuby، Dart، Lua و Perl را مثال زد. زبان دیگر در میان پایین‌ترین نمونه‌ها از لحاظ اشغال فضای رم، Erlang بود که البته، زبانی تفسیری نیست.

programming

از لحاظ پارادایم‌های برنامه‌نویسی، زبان‌های دستوری (Imperative) به ۱۱۶ مگابیت حافظه‌ی رم نیاز دارند. زبان‌های شیٔ‌‌گرا همان آزمایش‌ها را با ۲۴۹ مگابیت، زبان‌های تابعی با ۲۵۱ مگابیت و زبان‌های اسکریپتی با ۴۲۱ مگابیت حافظه‌ی رم، انجام می‌دهند. درواقع، زبان‌های دستوری در دسته‌بندی‌های دیگر همچون سرعت و مصرف انرژی نیز رتبه‌های بهتری را به‌خود اختصاص دادند.

در مقایسه‌ی پارادایم‌های برنامه‌نویسی، فاکتورهای متعددی باید مورد بررسی قرار گیرند. کاملا مشخص است که پارادایم‌ها و حتی زبان‌های هر پاردایم، تأثیرات متفاوتی روی مصرف انرژی، زمان و حافظه‌ی مورد نیاز دارند. به‌همین دلیل، اینکه کدام فاکتور برای نتیجه مهم‌تر باشد، به برنامه‌نویس و پروژه‌ی در دست اجرای او بستگی دارد.

برخی از پروژه‌های نرم‌افزاری، نیازمند درنظرگرفتن هم‌زمان ۲ یا چند فاکتور هستند. به‌عنوان مثال، شاید انرژی و زمان اجرا، در پروژه‌‌ای اهمیت بالا داشته باشد. در چنان موردی، C بهترین گزینه خواهد بود چون در هر ۲ بخش، در صدر جدل قرار دارد. در نمونه‌ای دیگر که زمان درکنار مصرف کمتر حافظه‌ی رم، هدف شما باشد، زبان‌های C، Pascal و Go انتخاب‌های مناسبی هستند. اگر هر ۳ مورد بالا یعنی زمان، انرژی و حافظه‌ی رم برای شما اهمیت دارند، باز هم محققان همان ۳ زبان فوق را پیشنهاد می‌دهند.

در پایان مقاله، محققان اعلام کردند که در بررسی‌های آتی، تأثیر گذر زمان بر اشغال حافظه‌ی رم را بررسی خواهند کرد. نتایج کامل تحقیقات انجام شده، در لینک منبع موجود است و علاقه‌مندان می‌توانند برای بررسی‌های عمیق‌تر، از آن استفاده کنند. به‌عنوان مثال، توسعه‌دهنده‌های حوزه‌ی اینترنت اشیاء یا زمینه‌های مشابه، می‌توانند با بررسی نتایج، زبان‌هایی با مصرف انرژی پایین‌تر را انتخاب کنند. 

درنهایت، مقاله‌ی منتشر شده هم برنامه‌نویسان را با ابهام رها می‌کند. محققان می‌گویند که اگر به‌دنبال یک پاسخ ثابت و نسخه‌ای نهایی برای انتخاب زبان برنامه‌نویسی هستید، به پاسخ نخواهید رسید. آن‌ها می‌گویند با وجود اینکه نتایح، برخی زبان‌ها را از لحاظ سرعت و مصرف انرژی بالاتر از سایر قرار می‌دهند، هیچ‌گاه نمی‌توان زبانی را کاملا بهتر از زبان دیگر دانست. درنهایت باید بدانیم که موقعیت و شرایطی که زبان در آن استفاده می‌شود، جنبه‌ای حیاتی در بازدهی مصرف انرژی آن دارد.

الگوریتم‌ها چگونه به‌جای ما تصمیم‌گیری می‌کنند
هفت زبان مناسب برای یادگیری توسعه‌‌ بازی‌های یونیتی
ابررساناها چه زمانی کاربرد خواهند داشت؟
از برنامه‌نویسی به‌مثابه ترجمه چه می‌توان آموخت
پایان برنامه‌نویسی شی‌گرا نزدیک است

خبر های جدید

یادگیری ماشین چگونه به بازاریابی کمک می‌کند؟ + جدید

دسته بندی : فناوری تاریخ : چهار شنبه 3 آوریل 2019


در دنیای امروز فناوری، اخبار و مقاله‌های پیرامون یادگیری ماشین، بیش از همیشه ما را احاطه کرده‌اند. تقریبا هر صنعتی از این فناوری صحبت می‌کند. اکثر متخصصان و کارشناسان نیز تلاش می‌کنند تا از مزایای یادگیری ماشین، برای بهبود وضعیت خود در بازارها استفاده کنند.

پیش از پیاده‌سازی هر نوعی از فناوری مذکور، ابتدا باید از خود بپرسیم که یادگیری ماشین چیست؟ طبق تعریف Hewlett Packard:

یادگیری ماشین به فرایندی اشاره می‌کند که کامپیوترها، شناسایی الگویی را فرا می‌گیرند. به‌علاوه، کسب توانایی توسط آن‌ها برای یادگیری مستمر و ارائه‌ی پیش‌بینی براساس داده نیز در این تعریف قرار می‌گیرد. ماشین‌ها در ادامه‌ی یادگیری، تعدیل و اصلاح پیش‌بینی‌ها و بیانات خود را نیز بدون نیاز به برنامه‌نویسی اختصاصی برای آن موضوع انجام می‌دهند.

به‌بیان ساد‌ه‌تر، یادگیری یعنی ماشین‌ها تحلیل و اقدام براساس حجم‌های بالای اطلاعات را انجام داده و همچنین، به یادگیری و بهبود عملکرد خود در طول زمان ادامه دهند.

مقاله‌های مرتبط:

  • یادگیری ماشین چگونه بازاریابی را بهبود می‌دهد
  • چگونه یادگیری ماشین در کسب و کارها مورد استفاده قرار می‌گیرد؟

به‌عنوان نمونه‌ای از کاربردهای عملی یادگیری ماشین، می‌توان فناوری تشخیص چهره را مثال زد. همه‌ی ما می‌دانیم که این فناوری، روز‌به‌روز پیشرفته‌تر می‌شود. امروز، کاربران گوشی‌های آیفون، قفل گجت‌های خود را با شناسایی چهره باز می‌کنند. به‌علاوه، مقامات قانونی نیز از فناوری تشخیص چهره برای شناسایی رفتارهای خلافکارانه و دستگیری مجرمان بهره می‌برند. در مقالی دیگر، گوگل فوتوز و سرویس‌های مشابه، به کاربران امکان می‌دهند که تصاویر را براساس افراد حاضر در آن‌ها دسته‌بندی کنند. الگوریتم‌های گفته‌شده در گذشته دقت بالایی نداشتند، اما به‌مرور، حرفه‌ای‌تر و دقیق‌تر شدند و تبحر خود را مرهون یادگیری ماشینی هستند.

یادگیری ماشین

یادگیری و هوشی که در بالا شرح دادیم، با هوش انسانی تفاوت دارد. می‌توان آن را یادگیری برنامه‌نویسی‌شده هم نامید که قطعا کاربردهایش فراتر از تشخیص چهره است و در تمامی صنایع نفوذ می‌یابد. به‌عنوان مثال، می‌توان بازاریابی را بیان کرد. بازاریاب‌های امروزی، همه‌ی تلاش خود را به‌کار می‌گیرند تا پیام و تصویری مناسب هر مخاطب به او ارائه کنند. قطعا انسان‌ها نمی‌توانند در مقیاس‌های بزرگ با تک‌تک مخاطبان ارتباط برقرار کنند، اما ماشین‌ها این توانایی را دارند. شاید تصور پیاده‌سازی آن روش‌ها روشن نباشد، اما در ادامه‌ی این مقاله‌ی زومیت، روش‌های برای استفاده‌ی کاربردی از یادگیری ماشین در حوزه‌ی بازاریابی را شرح می‌دهیم.

۱- پیشنهاد بهترین محصولات یا محتوا

پیشنهادها براساس خصوصیات منحصر‌به‌فرد هر مشتری به او ارائه می‌شوند

پیشنهاد محتوا و محصول مرتبط، از دیرباز به‌عنوان ابزاری کاربردی در دست بازاریابان شناخته می‌شود. در گذشته و اکنون، پیشنهادها توسط نیرو و تفکر انسانی آماده می‌شدند و از ۱۰ سال گذشته، الگوریتم‌های ساده‌ای برای پیشنهادهای تقریبا اتوماتیک به کار گرفته شده‌اند. الگوریتم‌هایی که پیشنهادها را تنها براساس خریدهای دیگر مشتریان به مشتری دیگر ارائه می‌دهند.

یادگیری ماشین، می‌تواند در بهینه‌سازی الگوریتم‌های کنونی پیشنهاد محصول و محتوای مرتبط، کمک شایانی ارائه دهد. با استفاده از این فناوری می‌توان تمامی اطلاعاتی که از یک شخص داریم، مانند سابقه‌ی خرید، فعالیت کنونی در وب، ارتباطات ایمیلی، موقعیت، صنعت فعالیت، ویژگی‌‌های سنی و جنسیتی و موارد مشابه را با هم ترکیب کند و بهترین و نزدیک‌ترین محصول و محتوا را به او پیشنهاد دهد. یادگیری ماشین، دسته‌بندی، قیمت و مشخصات مختلف محصول را با علاقه‌مندی‌ها و سوابق فرد مورد نظر ترکیب کرده و بهترین پیشنهاد را به او می‌دهد. به‌همین ‌دلیل، پیشنهادها هم روز‌به‌روز بهتر می‌شوند.

بازاریابی

پیشنهادهای براساس یادگیری ماشین، به محصول و محتوا خلاصه نمی‌شوند. شما با به‌کارگیری فناوری می‌توانید حتی برند، دسته‌بندی محصول، مشخصات فنی، موضوع، نویسنده و انواع دیگر موارد را به کاربر پیشنهاد دهید. درنهایت، به‌کارگیری یادگیری ماشین به شما امکان می‌دهد که تجربه‌ای جذاب را در وبسایت یا ایمیل‌های تبلیغاتی خود ایجاد کنید که مخاطب، بتواند به‌کمک آن‌ها، موارد مورد علاقه‌ی خود را بهتر پیدا کند.

۲- شناسایی گروه‌های مهم مشتریان

با وجود آنکه یادگیری ماشین، پیشنهاد‌ها مرتبط خوبی را به مشتریان ارائه می‌کند، شناسایی دسته‌بندی‌های مهم آن‌ها براساس تفاوت‌های بسیار افراد، هنوز مسئله‌ای حیاتی برای بازاریاب‌ها است. آن‌ها باید گروهی که بیش از همه به خرید محصولات راغب می‌شوند را زودتر از رقبا شناسایی کنند و آن‌ها را هدف قرار دهند. تشخیص تفاوت‌های مشهود مشتریان همچون مشتری جدید یا وفادار، برای انسان‌ها به‌راحتی انجام می‌شود، اما بسیاری از تفاوت‌ها هستند که در حجم بالای داده‌ی مرتبط با مشتری، از دید ما پنهان می‌مانند.

یادگیری ماشین به بازاریاب کمک می‌کند که دسته‌بندی‌های جدیدی را در میان مشتری‌ها کشف کند که قبلا به آن‌ها توجه نمی‌کرد. به‌علاوه، می‌توان از آن اطلاعات استفاده کرده و پیشنهادانت مرتبط‌تری به مشتریان ارائه کرد.

customer

به‌عنوان مثال، یادگیری ماشین تشخیص می‌دهد که نسل جوانی که قصد نوسازی خانه‌ی خود را دارند، رفتارهای مشخصی از خود نشان می‌دهند. با آن اطلاعات، می‌توان پیام‌های بهینه‌تری را برای آن دسته از مشتریان آماده و ارسال کرد. می‌توان زبان صحبت با آن‌ها را متفاوت از افراد دیگر در نظر گرفت. به‌علاوه، به محض نشان دادن رفتارهای مشابه از سوی مشتریان دیگر نیز می‌توان آن‌ها را به این دسته‌بندی اضافه کرد.

۳- شناسایی و عمل در مقابل مشکلات احتمالی

کمپین‌‌های بازاریابی، داده‌های زیادی تولید می‌کنند. مثلا، ایمیل‌هایی که روزانه توسط یک شرکت بزرگ ارسال می‌شود را در نظر بگیرید. می‌توان تعداد کاربران وبسایت را نیز به‌عنوان نمادی از داده‌های عظیم در نظر گرفت. تمامی آن ارتباط‌ها، داده تولید می‌کنند که قطعا هیچ انسانی نمی‌تواند همه‌ی آن‌ها را مشاهده و تحلیل کند. به‌علاوه، مشکلات احتمالی و چالش‌‌های عملکردی نیز قابل تشخیص نیستند. یادگیری ماشین می‌تواند مشکلات را پیش‌بینی کند و پیش از وقوع، به شما اطلاع دهد.

هوش انسانی توانایی تحلیل حجم بالای داده را ندارد

به‌عنوان مثالی کاربردی، تصور کنید کمپینی ایمیلی برای افزایش فروش یک فروشگاه اینترنتی پیاده‌سازی کرده‌اید. در ایمیلی‌های ارسالی، یک لینک اشتباه قرار دارد که به صفحه‌ی مورد نظر از سایت شما منتقل نمی‌شود. یادگیری ماشینی با بررسی ورودی‌ها از لینک‌های ایمیلی، متوجه پایین بودن نرخ آن‌ها بسته به ارسال می‌شود و شما را مطلع می‌کند. درنهایت، شما با اطلاع از مشکل، پیش از اوج گرفتن بحران در کمپین ایمیلی، رویکردهای اصلاحی را انجام می‌دهید.

یادگیری عمیق

۴- تکامل تست‌های A/B

آزمایش روندهای مختلف بازاریابی هم با به‌کارگیری یادگیری ماشین بهبود می‌یابد. تست‌های سنتی A/B به شما امکان می‌دهند که ۲ یا چند تجربه‌ی دیجیتال را در مخاطبان تصادفی آزمایش کنید. سپس بهترین راهکار با بیشترین بازده را انتخاب کنید و با همان، ادامه دهید. آن رویکردها قطعا کاربردهای مثبتی دارند، اما تمامی تفاوت‌های گروه‌‌های مختلف را مد نظر قرار نمی‌دهند. در تست‌های مذکور، یک نمونه را برای گروهی نمایش می‌دهید و شاید آن‌ها هیچ‌گاه نمونه‌ی مورد علاقه‌ی خود را مشاهده نکنند. یادگیری ماشین، آن رویکرد را تغییر می‌دهد. 

مقاله‌های مرتبط:

  • آموزش: تست A/B چیست و چگونه طراحی می‌شود

به‌عنوان مثال، با یادگیری ماشین، به‌جای پیاده‌سازی ۲ طراحی متفاوت صفحه‌ی اول وبسایت و انتظار برای بازدید و انتخاب بهترین طراحی از میان آن‌ها، می‌توانید تجربه را به هوش مصنوعی بسپارید. الگوریتم، با استفاده از اطلاعات افراد، بهترین نمونه را برای هر کدام از آن‌ها پیشنهاد می‌دهد. در ادامه، با استفاده از اطلاعات تجربه‌ی اولیه‌ی کاربران با طراحی مورد نظر، تصمیم‌های آتی اتخاذ می‌شود.

همان رویکرد بالا را می‌توان در تبلیغ‌ها نیز به کار گرفت. به‌جای آنکه تخفیف ثابت ۲۰ درصدی به همه‌ی کاربران داده شود، الگوریتم هوش مصنوعی، تخفیف را تنها به افرادی ارائه می‌کند که نیاز به انگیزه‌ای بیشتر برای خرید دارند. برای افراد دیگر نیز می‌توان تبلیغ‌های متفاوت، مثلا محصولی جدید در دسته‌بندی مورد علاقه‌ی آن‌ها، ارائه کرد.

بازاریابی محتوا

۵- انتخاب نحوه‌ی تعامل با افراد

شما چگونه زمان و محل ارتباط با یک مشتری بالقوه را تشخیص می‌دهید؟ به‌علاوه، روش ارتباط چگونه انتخاب می‌شود؟ آیا او ایمیل را ترجیح می‌دهد؟ آیا اعلان‌های موبایلی، پیامک یا تماس برای او بهتر هستند؟ در چه فواصلی باید با مشتری تماس بگیرید؟ تمامی این سؤال‌ها را می‌توان با استفاده از یادگیری ماشین پاسخ داد.

به‌جای استفاده از روش‌های سنتی و ارسال انبوه ایمیل‌های ثابت برای همه‌ی مشتریان بالقوه، می‌توان از یادگیری ماشین استفاده کرد. الگوریتم‌های تشخیص می‌دهند که آیا یک ایمیل مشخص توسط یک کاربر مشخص باز شده یا نادیده گرفته می‌شود. با استفاده از این اطلاعات، می‌توان ایمیل‌ها یا پیام‌ها را با طراحی بهتر و در زمان مناسب‌تر ارسال کرد.

درنهایت باید بدانید که یادگیری ماشین، بیش از همه‌چیز در تفسیر داده‌های انبوه و استخراج اطلاعات مفید، کاربرد نهایی خود را نشان می‌دهد. در دنیایی که داده‌ها، بیش از توان ما در تفسیر و بررسی جمع‌آوری می‌شوند، فناوری مذکور کاربرد بالایی دارد. به‌علاوه تمایل به شناخت بهتر مشتریان و ارتباط شخصی با آن‌ها هم روز‌به‌روز بیشتر می‌شود. در چنین وضعیتی، قطعا به‌کارگیری یادگیری ماشین، مزیت‌های زیادی به‌همراه خواهد داشت. 

استونی می‌خواهد از قاضی هوش مصنوعی در دادگاه‌های خود استفاده کند
مک‌ دونالد با خرید ۳۰۰ میلیون دلاری به حوزه کلان‌داده وارد می‌شود
اکثر کاربران از شیوه کاری تبلیغات فیسبوک اطلاع ندارند
آیا می‌توان از فروشگاه‌های زنجیره‌ای بدون صندوق دزدی کرد؟
هوش مصنوعی به تشخیص بهتر بیماری‌ روانی کمک می‌کند

خبر های جدید


مطالب محبوب