اینستاگرام به‌عنوان بخشی از تجارت خود، قصد دارد تا قابلیت واقعیت افزوده AR را در اختیار کاربران قرار دهد. در واقع اینستاگرام هم مانند فیسبوک که به کاربران این امکان را می‌دهد تا از پلتفرم Spark AR استفاده کنند، مجهز به این قابلیت جدید از AR خواهد شد؛ در نتیجه به‌صورت دیجیتالی، امکان پرو یا تست محصولات و در نهایت خرید محصولات را امکان‌پذیر خواهد ساخت.

اینستاگرام به‌تازگی تأیید کرد که قابلیتی راه‌اندازی شده است که کاربران می‌توانند از طریق آن، لوازم آرایشی یا عینک‌های مختلف را به‌صورت AR امتحان کنند. فعلا این قابلیت در برندهای لوازم آرایشی MAC و NARS و برندهای عینک Ray-Ban و Warby Parker به‌طور آزمایشی ارائه شده و بعدها در اختیار صفحات بیشتری قرار خواهد گرفت. این قابلیت به‌طور مستقیم از طریق پست‌ها در صفحه اصلی و همچنین صفحات فروشگاه‌ها یا استوری‌ها قابل دسترسی است.

این قابلیت AR به کاربران امکان امتحان کردن لوازم آرایشی و عینک را در رنگ‌ها و مدل‌های مختلف خواهد داد؛ برای مثال کاربران می‌توانند یک لوازم آرایشی را انتخاب کرده و آن را روی صورت خود با قابلیت AR امتحان کنند و تصمیم بگیرند که آن را می‌خواهند یا خیر. در نهایت پس از اینکه محصولی را امتحان کردند، می‌توانند بدون ترک اینستاگرام آن را خریداری کنند. همچنین کاربران می‌توانند از دوستان خود دعوت کنند تا از طریق استوری‌ها و دایرکت، این لوازم آرایشی یا عینک را امتحان کنند. برای دسترسی به ویژگی جدید AR، باید آخرین نسخه اینستاگرام را در iOS یا اندروید در اختیار داشته باشید.

ظاهرا فیسبوک Spark AR را به‌عنوان راهی برای فروش محصولات بیشتر به‌صورت آنلاین پیدا کرده است. این شرکت از طریق پلتفرم Spark AR، قابلیت‌های جالبی را به ارمغان آورده و از ماه اوت هرکس می‌تواند از طریق پلتفرم Spark AR، فیلترهای واقعیت افزوده خود را بسازد. به هر جهت این فناوری، قابلیت توسعه‌‌ی بیشتر را خواهد داشت و احتمالا در نهایت می‌تواند به یک اتاق پرو کامل برای امتحان کردن لباس‌ها به‌صورت آنلاین تبدیل شود تا خرید آنلاین از طریق اینستاگرام و فیسبوک به‌طور رسمی گسترش یابد.

مواد مورد استفاده برای ساخت پردازنده‌ها روز‌به‌روز نازک‌تر می‌شوند. در این‌ میان فرصت‌های نفوذ برای حمله‌های کانال جانبی افزایش پیدا می‌کند. مجله‌ی Semiconductor Engineering در گزارش جدیدی ادعا می‌کند، کاهش ابعاد پردازنده‌ها در بعد ضخامت، خطرات امنیتی آن‌ها را افزایش می‌دهد. تابش‌های نویز و الکترومغناطیسی که از تراشه‌های نازک‌تر ساطع می‌شوند، به‌راحتی توسط مجرمان سایبری نظارت و مشاهده خواهند شد و درنتیجه نفوذ را برای آن‌ها آسان‌تر می‌کند؛ نفوذی که منجر به دزدیدن کلیدهای رمزنگاری تراشه‌ها و IP آن‌ها می‌شود.

گزارش که اخیرا منتشر شد، به ساز‌مان‌های بزرگی همچون دارپا، سیناپسیس (سازنده‌ی ابزارهای طراحی، اعتبارسنجی و موارد مشابه برای تراشه‌ها)، انسیس (توسعه‌دهنده‌ی نرم‌افزارهای شبیه‌سازی مهندسی) زیمنس و بسیاری دیگر اشاره می‌کند. در بخش‌های جزئی گزارش به آسیب‌پذیری رو به افزایش نیمه‌هادی‌ها اشاره می‌شود که با ارائه‌ی هر فرایند تولید جدید، بیشتر می‌شوند. دلیل افزایش آسیب‌پذیری هم مواردی همچون کاهش ضخامت قالب‌ها و لایه‌های عایق بیان شده است.

حمله‌های کانال جانبی

با افزایش به‌کارگیری تراشه‌های نازک‌تر در کاربردهای مهم امنیتی، تهدیدها نیز افزایش یافته و بزرگ‌تر می‌شوند. مجله‌ی منتشرکننده‌ی گزارش می‌گوید، افزایش حملات به زنجیره‌های تأمین کامپیوتر، بسیاری از شرکت‌ها را متقاعد کرده است تا از مدل «ساخت‌و‌تولید با اعتماد صفر» استفاده کنند. در چنین مدلی، تولیدکننده‌ها به‌صورت پیش‌فرض به هیچ تأمین‌کننده‌ای اعتماد نمی‌کنند و همیشه ابزارهایی برای مقابله با قطعاتی به کار می‌گیرند که احتمالا کاربرد مخرب داشته باشند.

در سال‌های اخیر با کاهش ابعاد تراشه‌ها و افزایش تابش‌های الکترومغناطیسی و دیگر انواع نویز، هکرهای نفوذگر به زنجیره‌ی تأمین حرفه‌ای‌تر شده‌اند. آن‌ها رویکردهای پیچیده‌تری را در پیش می‌گیرند تا داده‌های حساس روی تراشه‌ها همچون مالکیت معنوی فناوری تراشه را به سرقت ببرند.

طراحی متمرکز بر امنیت

حل چالش‌های امنیتی در تراشه‌هایی که از ابتدا برای امنیت طراحی نشده‌اند، دشواری‌های زیادی دارد. البته چنین قابلیت‌های امنیتی برخی اوقات روی کارایی تراشه‌ها تأثیر می‌گذارند. به‌هرحال پیاده‌سازی قابلیت امنیتی در سخت‌افزار، قطعا آسان‌تر از ارائه‌ی پچ امنیتی نرم‌افزاری برای حفره‌های موجود خواهد بود. اینتل یکی از شرکت‌هایی است که بیشترین تجربه را در چنین رخدادهایی دارد. آن‌ها چالش‌های متعددی را برای پچ کردن حفره‌های امنیتی موجود در پردازنده‌ها تجربه کرده‌اند.

با افزایش تهدیدها، متخصصان بیشتری در صنعت نیمه‌هادی به این حقیقت اعتراف می‌کنند که باید سطحی قابل‌توجه از امنیت به‌صورت داخلی در محصولات لحاظ شود؛ به‌عنوان مثال شرکت آرم رویکردی این‌چنین را در دستگاه‌های IoT مبتنی بر آرم پیش گرفت و آن را Platform Security Architecture نامید. این تولیدکننده‌ی تراشه یک فرمور مرجع متن‌باز را به‌همراه قوانین امنیتی و تراشه‌ی امنیتی اختصاصی به شرکای تجاری ارائه می‌کند تا به‌صورت پیش‌فرض در دستگاه‌های خود نصب کنند. البته آن‌ها می‌توانند لایه‌های امنیتی بیشتری را هم به‌صورت انتخابی به دستگاه اضافه کنند.

راهکار آرم یکی از روش‌های مناسب در افزایش امنیت تراشه‌های پردازشی محسوب می‌شود. تولیدکننده‌های دستگاه مخصوص مصرف‌کننده با استفاده از این راهکار علاوه بر حفظ داده‌های کاربران، مزیت‌های دیگری هم خواهند داشت. آن‌ها دیگر نیازی به هزینه‌های ثانویه همچون به‌روزرسانی فرمور یا رفع باگ یا مواردی همچون اعلام بازگشت محصول نخواهند داشت.

تهدیدهای امنیتی سخت‌افزاری از پایه‌ای‌ترین تهدیدهای دنیای سایبری محسوب می‌شوند. هکرهایی که از این تهدید‌ها و آسیب‌پذیری‌ها استفاده می‌کنند، مهارت بیشتری هم دارند و احتمالا حمله‌های پیچیده‌تری انجام می‌دهد. با توجه به شرایط موجود و رقابت طراحان و تولیدکننده‌های تراشه برای ساخت نمونه‌های کوچک‌تر، لزوم پیاده‌سازی ساختارهای امنیتی در سطح سخت‌افزاری الزامی به‌نظر می‌رسد.

پژوهش درباره‌ی نوع جدیدی از ماده انجام‌ شده است که نظریه‌ی نسبیت خاص انیشتین وجود آن را پیش‌بینی می‌کند. پس از یک دهه جست‌و‌جو، هم‌اکنون دانشمندان در بزرگ‌ترین برخورد‌هنده‌ی هادرونی جهان ادعا می‌کنند در آستانه‌ی یافتن این ماده قرار دارند. 

باوجوداین، دانشمندان قرار نیست در تولیدات حاصل از منفجرشدن ذرات برخوردی در نزدیکی سرعت نور به‌دنبال این ذرات بگردند؛ اما در‌عوض، فیزیک‌دانان شتاب‌دهنده‌ی هادرونی بزرگ (LHC) معتقدند دستگاهی حلقه‌ای با طول ۲۷ کیلو‌متر که در زیر زمین در مرز سوئیس و فرانسه قرار گرفته است، در‌ حال گشتن به‌دنبال ماده‌ی گم‌شده هستند. این ماده میعانات شیشه‌ی رنگی (Color Glass Condensate) نام دارد. دانشمندان سعی می‌کنند به‌جا‌ی مطالعه‌ی ذرات بعد از برخورد، ذراتی را بررسی کنند که برای آن‌ها برخوردی صورت نمی‌گیرد. 

در مدل استاندارد فیزیک، مدلی که باغ‌وحش ذرات بنیادی را توصیف می‌کند، ذره‌ای بنیادی به‌نام گلوئون ۹۸ درصد ماده‌ی مرئی جهان را کنار یکدیگر قرار داده است. این ذره‌ی بنیادی که نام آن نیز با ویژگی‌ها‌ی آن همخوانی دارد، حامل نیرویی است که کوارک‌ها را درکنار یکدیگر قرار می‌دهد تا ذراتی مانند پروتون‌ها و نوترون‌‌ها تولید شوند. زمانی‌که پروتون‌ها تا نزدیکی سرعت نور شتاب می‌گیرند، پدیده‌ی عجیبی اتفاق می‌افتد: جمعیت گلوئون‌ها‌ی درون آن‌ها به‌صورت انفجاری افزایش می‌یابند. 

دنیل تاپیا تاکاکی، دانشیار فیزیک و نجوم دانشگاه کانزاس، در بیانیه‌ای گفت:

در این شرایط، یک گلوئون به دو گلوئون با انرژی کمتر تقسیم می‌شود و این تقسیم‌شدن به‌صورت متوالی ادامه پیدا می‌کند. در یک نقطه، تقسیم‌شدن گلوئون‌ها درون پروتون با محدودیت مواجه می‌شود و سرعت تکثیر گلوئون‌ها کاهش پیدا می‌کند. این حالت، به‌عنوان میعانات شیشه‌ی رنگی شناخته می‌شود. این حالت از ماده حالتی فرضی است که به‌نظر می‌رسد در پروتون‌ها‌ی پرانرژی و هسته‌ها‌ی سنگین وجود دارد. 

طبق گزارش‌ها‌ی آزمایشگاه ملی بروکهاون، این حالت از ماده می‌تواند بسیاری از معما‌ها‌ی فیزیک را حل کند. سؤالاتی مانند «ذرات چگونه در برخورد‌ها‌ی پرانرژی به‌وجود می‌آیند؟» یا «ماده چگونه در ذرات توزیع می‌شود؟» با‌این‌حال، تأیید وجود این حالت از ماده ده‌ها سال دانشمندان را درگیر خود کرده است؛ اما در سال ۲۰۰۰، فیزیک‌دانی در برخورددهنده‌ی یون‌ها‌ی سنگین نسبیتی، اولین‌بار نشانه‌ها‌یی از وجود میعانات شیشه‌ی رنگی را پیدا کرد. 

زمانی‌که دانشمندان در آزمایشگاه اتم‌ها‌ی طلا‌یی را با یکدیگر برخورد دادند که الکترون‌ها‌ی خود را از دست داده‌اند، سیگنال عجیبی دریافت کردند که از این برخورد‌ها گسیل می‌شد. این سیگنال نشانگر این بود که پروتون‌ها‌ی طلا به گلوئون‌ها چسبیده‌اند و ایجاد حالتی به‌نام میعانات شیشه‌ی رنگی را شروع کرده‌اند. آزمایش‌ها‌ی بعدی در برخورددادن یون‌ها‌ی سنگین در LHC، نتایج مشابهی داشته است. با‌این‌حال، برخورددادن پروتون‌ها با سرعت نسبیتی، پیش از آنکه ذرات از هم بپاشند، نگاهی اجمالی از درون آن‌ها به ما می‌دهند. کاوش درون پروتون‌ها به روش ملایم‌تری نیاز دارد. 

وقتی ذرات بارداری مانند پروتون‌ها تا سرعت‌ها‌ی بسیار سریع شتاب می‌گیرند، میدان الکترومغناطیسی تولید می‌کنند. این ذرات از خود انرژی گسیل می‌کنند که این انرژی به‌شکل فوتون‌ها یا به‌ عبارت دیگر، به‌شکل ذرات نور است. ناگفته نماند به‌لطف ماهیت دو‌گانه‌ی نور، فوتون‌ها خاصیت موجی نیز دارند. قبلا این نشت انرژی به‌عنوان عارضه‌ی نا‌خواسته کنار گذاشته می‌شد و به آن توجهی نمی‌شد؛ اما بعدا دانشمندان راه‌ها‌یی برای استفاده‌ی مفید از این انرژی یاد‌گرفتند. 

اگر پروتون‌ها در شتاب‌دهنده از کنار یکدیگر رد شوند، طوفانی از فوتون‌ها به راه می‌اندازند که این طوفان می‌تواند باعث برخورد پروتون ـ فوتون شود. این برخورد‌ها‌ی جنبی و غیر‌مرکزی، کلید فهم کارکرد درونی پروتون‌ها‌ی پر انرژی هستند. 

تایپا تاکاکی در بیانیه‌ای گفت:

زمانی‌که یک موج نوری پرانرژی به یک پروتون برخورد می‌کند، بدون شکستن پروتون، همه نوع ذراتی تولید می‌کند. این ذرات را آشکار‌ساز ما گزارش می‌دهد و به ما اجازه می‌دهد تصویر بی‌سابقه‌ای از درون پروتون‌ها را باز‌سازی کنیم. 

در‌حال‌حاضر، تاپیا تاکاکی و تیمی بین‌المللی از دانشمندان مشغول استفاده از این روش برای رهگیری حالت گریز‌پا‌ی میعانات شیشه‌ی رنگی هستند. دانشمندان نتایج اولیه‌ی پژوهش خود را در شماره‌ی اوت مجله‌ی The European Physical journal C منتشر کردند. این تیم برای اولین‌بار توانست به‌صورت غیر‌مستقیم چگالی گلوئون‌ها را در چهار سطح انرژی اندازه‌گیری کند. در بالا‌ترین سطح، کم‌کم نشانه‌ها‌یی از تشکیل حالت میعانات شیشه رنگی پیدا شد. 

ویکتور گنکالوس، پروفسور فیزیک دانشگاه فدرال در پلوتاس برزیل و نویسنده‌ی همکار این پژوهش، در بیانیه‌ای گفت:

نتایج آزمایشگاهی بسیار جذاب و جالب هستند و اطلاعات جدیدی درباره‌ی دینامیک گلوئون‌ها‌ی داخل پروتون به ما می‌دهند؛ اما سؤالات تئوری زیادی در این زمینه وجود دارد که تا‌کنون جوابی به آن‌ها داده نشده است. 

ناگفته نماند تاکنون وجود حالت میعانات شیشه‌ی رنگی به‌صورت معما باقی مانده است.

شرکت پراجکت کارز (Project cars) تمایل زیادی به پروژه‌های گران‌قیمت دارد و معمولا زمان زیادی نیز صرف ساخت خودروهایش می‌کند. جدیدترین خودرو این شرکت شورولت کامارو بسیار خاص مدل ۱۹۶۹ است. این خودرو به‌نام Z/409 معرفی شده و پراجکت کارز آن را از روی تصاویر مجله‌ی Hot Rod چاپ ۲۰۰۹ ساخته است. تغییرات این مدل از خودروهای شورولت بلر ۱۹۵۷، ایمپالا ۱۹۶۱، ایمپالا اس اس ۱۹۶۲، کوروار ۱۹۶۵ و کوروت ۱۹۶۶ و ۱۹۶۷ الهام گرفته شده‌اند. 

ساخت چنین خودرویی با این همه جزئیات به‌هیچ‌وجه کار ساده‌ای نبود و درحقیقت حدود هفت سال و پنج‌هزار نفر ساعت زمان برده است. صرف این زمان و دقت در جزئیات در این مدل شورولت کامارو باعث شده خودرو مذکور به‌هیچ‌وجه ارزان نباشد؛ به‌گونه‌ای که سازنده هزینه‌ای بیش از ۵۰۰ هزار دلار را صرف ساخت این خودرو کرده است. با دقت در ظاهر این کامارو متوجه قسمت‌های اختصاصی و ویژه‌ی آن خواهید شد. برای مثال، در بخش عقب، سقف خودرو با مدل  کورویر (Corvair) سال ۱۹۶۵ یکسان است؛ ولی برای آن شیشه‌ی عقب سفارشی و پنل‌های بدنه‌ی ویژه‌ای طراحی و ساخته شده است. درون کابین نیز از داشبورد شورولت ۱۹۶۱ به‌کار رفته؛ ولی نشان‌دهنده‌های پشت فرمان جدیدی برای آن طراحی شده است. 

پیشرانه‌ی ۶.۷ لیتری V8 اساس قوای محرکه را تشکیل داده که البته حجم آن به ۷.۷ لیتر افزایش داده شده است. از تغییرات دیگر اعمال شده در این پیشرانه باید به استفاده از ورودی‌های هوای آلومینیومی اشاره کرد. مجموع تغییرات در بخش فنی سبب شده است قدرت موتور به ۴۹۸ اسب‌بخار و گشتاور آن به ۶۳۱ نیوتن‌متر برسد.برای انتقال نیرو به چرخ‌های عقب هم از جعبه‌دنده‌ی سه‌سرعته‌ی خودکار از نوع توربو ۴۰۰ استفاده شده است. 

جدا از ظاهر کلاسیک این شورولت کامارو، قسمت‌های امروزی و مدرن نیز در این خودرو دیده می‌شود. این بخش‌ها شاسی، سیستم تعلیق چهاراتصالی، ترمزهای دیسکی Wilwood، سیستم تهویه‌ی مطبوع، ستون فرمان تاشو و سیستم صوتی حرفه‌ای را شامل می‌شوند. در‌حال‌حاضر، این مدل کامارو در وب‌سایت eBay برای فروش گذاشته شده است. در آگهی آن نوشته شده که خودرو از زمان ساخت، تنها ۳۲ کیلومتر کار کرده است.

از چند دهه پیش، اتوماسیون صنایع متعددی را تحت‌تأثیر ساختارشکنی‌های بی‌رحمانه‌ی خود قرار داد. با توسعه‌ی هرچه بیشتر اتوماسیون، نیاز به نیروی انسانی هم کاهش می‌یابد؛ به‌ همین دلیل، شرکت‌های بزرگ و پیش‌گام دنیای کسب‌وکار تلاش می‌کنند نیروی انسانی خود را در حوزه‌های جدید و کاربردی آموزش دهند تا وظایف جدیدی برعهده بگیرند. چنین رویکردهایی نادر هستند؛ اما در بخش‌های گوناگون صنایع، شاهد بروز آن‌ها هستیم.

بانک‌های بزرگ جهانی میلیاردها دلار هزینه کرده‌اند تا فناوری‌هایی برای جایگزینی شغل‌های انسانی ارائه دهند. چنین رویکردی قطعا به ارزان‌تر‌شدن خدمات بانکی منجر می‌شود و نیروی کار عظیمی شغل خود را از دست می‌دهند. گزارش جدید ولز فارگو، تحلیلگر وال‌استریت، نشان می‌دهد بانک‌های آمریکایی در دهه‌ی پیش رو ۲۰۰ هزار شغل را از بین خواهند برد. تحلیلگر وال‌استریتبرای توصیف عدد ارائه‌شده، آن را برابر با ۱۰ درصد از نیروی کار صنعت بانک‌داری بیان می‌کند.

فارگو تلاش کرده است تأثیر کلی فناوری را روی عامل بازدهی در صنعت بانک‌داری بررسی کند. در بخشی از گزارش ادعا می‌شود هوش مصنوعی می‌تواند هزینه‌های پردازش رهن را ۱۰ تا ۲۰ درصد کاهش دهد. همچنین، راهکارهای ابری و بازاریابی از راه دور نیز صرفه‌جویی‌های بیشتری ارائه می‌کنند.

بررسی بخش بانک‌داری در اقتصاد نکات جالبی به‌همراه دارد؛ چون بیشترین هزینه‌های به‌روزرسانی فناوری در آن انجام می‌شود. تخمین‌ها رقم ۱۵۰ میلیارد دلار سالانه را برای هزینه‌‌ی بانک‌ها در دسته‌ی فناوری بیان می‌کنند. همین هزینه‌ها باعث می‌شوند کاهش نیروی انسانی را در بخش‌هایی همچون دفاتر پشتیبانی و شعب تجربه کنیم. تعداد افرادی که در این بخش‌ها از نیروی کاری حذف می‌شوند، ۲۰ تا ۳۰ درصد تعداد کنونی خواهد بود. حذف آن‌ها به‌نوعی مسیر را برای ATMهای پیشرفته‌تر و چت‌بات‌ها و ابزارهای نرم‌افزاری بازمی‌کند که در مسیر تصمیم‌گیری‌های بانکی کاربرد دارند.

موضوع‌‌های اصلی که در فرایند اتوماسیون شغل‌های بانکی مطرح می‌شوند، بیشتر به استفاده از الگوریتم‌های پیش‌بینی و کلان‌داده برای بهبود بانک‌داری مخصوص مشتریان مرتبط هستند. افزون‌براین، در بخشی از گزارش می‌خوانیم مسابقه‌ای شدید بین بانک‌ها برای خودکارکردن همه‌ی وظایف وجود دارد. آن‌ها با چنین رویکردی می‌خواهند حضور خود در رقابت بانک‌داری را تثبیت کنند. چنین روندی باعث ازبین‌رفتن شغل تعداد زیادی نیروی انسانی می‌شود که در پیداکردن شغل‌های دیگر با مشکلات بی‌شمار روبه‌رو هستند.

به‌عنوان نمونه‌ای از برنامه‌های بانکی برای کاهش نیروی انسانی، می‌توان به Citigroup اشاره کرد که تصمیم گرفت در آینده‌ی نزدیک ده‌هاهزار شغل را حذف کند. دراین‌میان، یکی از نیروهای سابق Deutsche Bank می‌گوید آن‌ها به‌زودی ۹۷ هزار کارمند خود را با راهکارهای مبتنی‌بر فناوری جایگزین می‌کنند.

رویکردهای مذکور نشان می‌دهد حذف شغل نیروی انسانی به‌‌دلیل توسعه‌ی اتوماسیون، تا حدودی اجتناب‌ناپذیر شده است. صنعت بانک‌داری یکی از پیش‌گامان چنین رویکردهایی محسوب می‌شود و شاید فعالیت آن‌ها زنگ‌خطر مهمی برای افراد شاغل در حوزه‌های دیگر هم باشد. به‌هرحال، فعالان امروزی دنیای کسب‌وکار باید همیشه به‌دنبال راهکاری برای حذف احتمالی شغل خود باشند؛ راهکاری که ظاهرا راهی به‌جز یادگیری مداوم مهارت‌های مخصوص انسان‌ها همچون مهارت‌های نرم ندارد.

مایکروسافت تمایل ندارد کاربران از اصطلاح «گوشی» برای محصول جدیدش، یعنی دوئو، استفاده کنند. دلایل آن‌ها برای چنین اصراری نیز بیش از اصطلاح‌های فنی است. سرفیس دوئو دو نمایشگر ۵/۶ اینچی را با یک لولا به‌هم متصل می‌کند و تفاوت‌هایی ساختاری با دیگر گوشی‌ها‌ی تاشدنی دارد. این محصول به مودم داخلی، توانایی برقراری تماس و سیستم‌عامل اندروید مجهز خواهد بود. طبق تمامی تعاریف، ردموندی‌ها گوشی ساخته‌اند؛ اما بر نام‌گذاری و تعریف دیگری برای آن اصرار دارند.

پانوس پانای، مدیر ارشد اجرایی بخش محصول مایکروسافت، اصرار زیادی بر گوشی‌نبودن مایکروسافت دوئو داشت و مشکلاتی هم متحمل شد. او حین رونمایی محصول جدید متوجه شد رسانه‌ها بدون توجه به اصطلاح و عبارت‌هایش در معرفی، از عبارت‌های مدنظرشان برای دوئو استفاده می‌کنند. پانای در همان رویداد با اصرار زیاد به رسانه‌ها گفت: «اشتباه نکنید، دوئو، سرفیس است».

مایکروسافت، دوئو را در دوره‌ی زمانی حساسی معرفی کرد؛ دوره‌ای که علاقه به دستگاه‌ها با توانایی دوبرابرکردن ابعاد نمایشگر رو‌به‌افزایش است. سامسونگ گلکسی فولد با وجود تمام مشکلاتش، به‌عنوان اولین نمونه‌ای شهرت یافت که امکانات نمایشگر بزرگ تاشو را به کاربر می‌دهد. البته همان محصول نشان داد مشکلات متعددی در استفاده از ماده‌ی تاشونده‌ی ضعیف‌تر از شیشه در گوشی‌ها وجود دارد. به‌هرحال، امروز مایکروسافت ادعا می‌کند در محصول خود کاربردی بهتر از گوشی‌های شکننده‌ی تاشدنی ارائه می‌کند.

مایکروسافت دوئو تلاش می‌کند بهترین کاربرد را در دو حوزه‌ی مهم و کاربردی ارائه کند. ردموندی‌‌ها دستگاهی با قابلیت اتصال به شبکه‌ی سلولی مخابراتی معرفی کرده‌اند که ابعاد نمایشگر را بدون استفاده از نمایشگر تاشدنی حساس دوبرابر می‌کند.

چرا دوئو گوشی نیست؟

استفاده از عبارت گوشی یا دستگاه سرفیس فقط تفاوتی معنایی دارد. شاید چنین رویکردی، تنها جزو برنامه‌های بازاریابی مایکروسافت باشد تا توجیحی برای مسیر جدید خود ارائه کند. به‌هرحال، آن‌ها پس از چندین سال اصرار بر فروش گوشی‌های ویندوزی، به مسیر فروش محصولات اندرویدی وارد شده‌اند.

شاید چالش استفاده از عبارت «گوشی» برای دوئو با تفاوت اساسی آن با گلکسی فولد و دیگر نمونه‌های اولیه مرتبط باشد که نمایشگری ثانویه و متصل به نمایشگر اصلی را به کاربر ارائه می‌کند. به‌علاوه در‌صورت استفاده از آن عبارت، به‌نوعی اعتراف ردموندی‌ها به شکست در بازار گوشی‌های هوشمند محسوب می‌شود. به‌هرحال، آن‌ها از سال ۲۰۱۶ به‌نوعی کسب‌وکار خود را در بازار موبایل تعطیل کردند و لومیا ۶۵۰ آخرین محصول مجهز به سیستم‌عامل ویندوزفون بود.

سخن‌گوی مایکروسافت در ایمیلی رسانه‌ای، توضیحی برای مفهوم و عبارت نام‌گذاری دوئو ارائه کرد:

سرفیس دوئو کاربردهای بسیار بیشتری از برقراری تماس دارد. این دستگاه، سرفیسی مجهز به دو نمایشگر است که در جیب شما جای می‌گیرد؛ محصولی که ترکیبی عالی از تجربه‌های بهره‌وری مایکروسافت و اپلیکیشن‌های اندروید و طراحی سخت‌افزاری سرفیس را در یک دستگاه به کاربر ارائه می‌کند.

پیش از ظهور آیفون در سال ۲۰۰۷، ویندوزموبایل در مسیر پیشرفت قرار داشت و ۵۰ درصد از بازار آمریکا را در فصل دوم آن سال به خود اختصاص می‌داد. به‌علاوه، آمارهای گارتنر ادعا می‌کند این سیستم‌عامل در همان سال ۱۲ درصد از بازار بین‌المللی را نیز تصاحب کرده بود.

نرم‌افزار ویندوزموبایل از ابتدا سیستم پیچیده‌ی فایل سیستمی داشت که گوشی‌های مجهز به نمایشگر کوچک را به مینی‌کامپیوتر تبدیل می‌کرد. گیک‌های عاشق فناوری و ویندوز با استفاده از این سیستم‌عامل و دستگاه‌ها، به‌نوعی کامپیوتری کوچک به‌همراه داشتند. با تولد سیستم‌عامل iOS، کاربران با سیستم‌عاملی شهودی‌تر روبه‌رو شدند و توجه سهم عمده‌ی بازار به آن جلب شد. سیستم‌عامل اندروید گوگل هم یک سال بعد به‌بلوغ رسید و بسیاری دیگر از کاربران دنیای موبایل را به خود جذب کرد.

مایکروسافت در سال‌های حیات سیستم‌عامل موبایلی خود، تغییر و تحول‌هایی اساسی روی آن اعمال کرد. ویندوزموبایل و ویندوزفون و بسیاری مفاهیم و نام‌های دیگر در آن سال‌ها ساخته شدند؛ اما ردموندی‌ها نتوانستند توجه کاربران اندروید و آیفون را به خود جلب کنند. درواقع، آن‌ها در ارائه‌ی قابلیت‌ها و اپلیکیشن‌های برابر با نمونه‌های اندروید و iOS، مشکلات متعددی داشتند. حتی خرید کسب‌وکار نوکیا در حوزه‌ی موبایل هم کمکی به مالک ویندوز موبایل نکرد.

تا سال ۲۰۱۱، سهم ویندوز در بازار گوشی‌های هوشمند به ۲ درصد رسیده بود؛ درحالی‌که اندروید با ۵۳ درصد و iOS با ۲۹ درصد به‌نوعی فرمانروای صنعت موبایل بودند. در آن سال‌ها، ملحق‌شدن به جریان اندروید حقیقت تلخی بود که هر رقیب سنتی باید می‌پذیرفت تا با رویکرد پرطرفدار بازار همراه شود. اندروید همان رقیبی بود که چند سال قبل، هیچ‌کس آینده‌ای برای آن متصور نبود و درنهایت، اکثر بازیگران به همراهی‌اش مجبور شدند.

مایکروسافت اکنون و با ملحق‌شدن به جریان اندروید، بازهم تلاش می‌کند خود را متفاوت نشان دهد. سخن‌گوی شرکت در ایمیل رسانه‌ای ادامه داد:

ما به موقعیت کنونی مشتریان احترام می‌گذاریم و فناوری‌ای را به‌عنوان پایه انتخاب می‌کنیم که کاربران از آن استفاده می‌کنند. سپس، محصول خود را با مزایایی ارائه می‌دهیم که تنها از مایکروسافت برمی‌آیند. مایکروسافت محصول خود را برپایه‌ی اندروید می‌سازد، همان‌طورکه از کرومیوم برای ساخت نسخه‌ی جدید اج استفاده می‌کند. چنین رویکردی بهترین تجربه و امکانات هر دو شرکت را دراختیار کاربران قرار می‌دهد.

مایکروسافت گذشته‌ی خوبی در دنیای موبایل ندارد؛ اما امروز تیم رهبری آن‌ها با پیش‌گامی پانای و ساتیا نادلا اولین قدم‌های ضروری را برای بازسازی اعتبار شرکت در حوزه‌ی گوشی‌های هوشمند برمی‌دارد. به‌هرحال، هر پیشرفت جزئی آن‌ها در آینده‌ی طولانی‌مدت تأثیری عمیق خواهد گذاشت. درنهایت، ردموندی‌ها با ارائه‌ی دستگاهی مجهز به سیستم‌عامل اندروید و توانایی برقراری تماس، در حال بازگشت به جریان اصلی دنیای فناوری هستند و نام‌گذاری محصول اهمیت زیادی ندارد.

هفته‌ی گذشته، مراسم انتخاب برترین‌های دنیای خودرو از نگاه نشریه‌ی ساندی‌تایمز (The Sunday Times) با حمایت برند لاستیک‌سازی بریجستون (Bridgestone) برگزار شد. در این مراسم، بهترین خودروهای سال از نگاه مخاطبان و کارشناسان ساندی‌تایمز انتخاب شدند و جرمی کلارکسون، مجری پرطرفدار برنامه‌هایی مثل تاپ‌گیر (Top Gear) و گرندتور (The Grand Tour) و نویسنده‌ی این نشریه، دو خودرو برترش در سال ۲۰۱۹ را اعلام کرد.

درحالی‌که ساندی‌تایمز در چند بخش، خودروهای برتر سال را انتخاب کرده بود، کلارکسون فقط در دو کلاس، بهترین‌های سال ۲۰۱۹ را انتخاب کرد؛ بهترین سوپراسپرت و برترین خودرو مردمی سال ۲۰۱۹. کلارکسون که سال گذشته لامبورگینی هوراکان پرفورمانته را بهترین خودرو سال معرفی کرد، امسال در انتخابش کمی تخصصی‌تر، اما در عین‌حال سرگرم‌کننده‌تر بود.

کلارکسون بهترین سوپراسپرت سال ۲۰۱۹ را فراری 488 پیستا اعلام کرد و گفت:

دلیل خیلی خوبی برای انتخاب این خودرو دارم. کسانی که با این مدل رانندگی کرده‌اند، می‌دانند خودرویی فوق‌العاده‌ و واقعا باورنکردنی است. خوشبختانه فراری در دو هفته‌ی اخیر در پیست بی‌نظیر بوده است؛ البته در جاده نیز محصولاتش مانند هیچ‌یک از سوپراسپرت‌های دیگر نیست.

کلارکسون همان‌طورکه انتظار می‌رفت، چاشنی طنز را هم به‌ صحبت‌هایش اضافه کرد:

خودروهای فراری به‌گونه‌ای حس سبکی و ظریفی دارند؛ اما آنچه خیلی درباره‌ی مدل 488 پیستا دوست دارم، این است که مدل قبلی، یعنی 488 Speciale را بی‌ارزش نشان می‌دهد. جیمز مِی هم 488 Speciale رو دارد؛ البته الان دیگر ارزش آهن‌پاره هم ندارد. پس، 488 پیستا جیمز مِی را نابود کرده که باعث خوشحالی من است.

488 پیستا از جدیدترین خودروهای موتورمیانی V8 فراری محسوب می‌شود که از زمان رونمایی تاکنون، تحسین کارشناسان، متخصصان و علاقه‌مندان دنیای خودرو را به‌دنبال داشته است. پیشرانه‌ی ۸ سیلندر Vشکل ۳/۹ لیتری تویین‌توربوشارژ فراری 488 پیستا که ۷۱۰ اسب‌بخار قدرت تولید می‌کند، بهترین موتور سال ۲۰۱۹ جهان انتخاب شده است. درحقیقت، فراری برای چهارمین سال پیاپی است که تولیدکننده‌ی بهترین پیشرانه‌ی سال اعلام می‌شود. مدل پیستا براساس خودروهای مسابقه‌ای 488 Challenge و 488 GTE فراری مهندسی شده است.

کلارکسون پیش‌از‌این در نشریه‌ی ساندی‌تایمز و بررسی مفصلش از 488 پیستا نوشته بود:

زمانی بود که هیچ خودرویی، حتی فراری، نمی‌توانست ۷۱۱ اسب‌بخار را تحمل و مدیریت کند. محور عقب خودرو منحرف می‌شد و هیچ‌وقت نمی‌شد در هیچ جاده‌ای، در هر دنده‌ای بیش از یک یا دو ثانیه پدال گاز را تا انتها پایین برد. باوجوداین، در پیستا شرایط فرق کرده است؛ زیرا پیشرانه‌ی توربوشارژ را با حسی مشابه نمونه‌ی تنفس‌طبیعی مهندسی و گشتاور را در ابتدای ۶ دنده محدود کرده است. به‌ همین دلیل، هرزگردی دیوانه‌وار چرخ‌ها وجود ندارد؛ یعنی ترس و وحشت حذف می‌شود و با این خودرو می‌توان باسرعت رانندگی کرد. با 488 پیستا همیشه دوست دارید باسرعت رانندگی کنید.

پس از تعریف و تمجید از شاهکار فراری، کلارسکون خودرویی را انتخاب کرد که هزاران جمله و دلیل کنایه‌آمیز پشتش است. از دیدگاه نویسنده‌ی ۵۹ ساله‌ی ساندی‌تایمز، بهترین خودرو مردمی سال ۲۰۱۹، بنتلی کنتیننتال GT V8 با قیمت پایه ۱۵۲ هزار و ۲۰۰ پوند در بریتانیا (حدود ۲۰۰ هزار دلار در آمریکا) است. این انتخاب خنده و تشویق حاضران را در پی داشت که کلارکسون گفت:

می‌دانم همه‌ی شما من را مسخره می‌کنید؛ اما اجازه دهید دلیل این انتخاب را توضیح بدهم: ۱. بنتلی زیرمجموعه‌ی فولکس‌واگن است و همان‌طورکه همه می‌دانیم، فولکس‌واگن (در زبان آلمانی) یعنی «خودرو مردم»؛ ۲. در منطقه‌ای که زندگی می‌کنم، همه‌ی مردم بالگرد دارند؛ پس بنتلی کنتیننتال GT V8 خودرو مردم است؛ ۳. وقتی خودروها را بررسی می‌کنم و قیمت و ارزش نهایی را در نظر می‌گیرم، درباره‌ی بنتلی شگفت‌زده می‌شوم. باورنکردنی است که خودرو بنتلی با این همه کیفیت و امکانات، چنین قیمت ارزانی دارد. محصولات بنتلی همیشه ارزان‌تر از قیمت موردانتظار هستند؛ به‌‌ویژه وقتی داخل کابین می‌نشینید، خودروهای بسیار ویژه‌ای هستند.

کلارکسون درپایان مراسم، برای معرفی برجسته‌ترین شخصیت سال دنیای خودرو از نگاه ساندی‌تایمز هم روی صحنه رفت و گفت:

بابت حضور نداشتن دو همکارم در این مراسم عذرخواهی می‌کنم. ریچارد هموند معمولا در مراسم‌ها رفتارهای عجیبی دارد و احتمالا به‌ همین دلیل هم اینجا نیست. جیمز مِی را نمی‌دانم و حدس می‌زنم به‌‌دلیل اینکه خودرو برقی خریده است، شاید مشغول شارژ آن است. اگر به این مراسم آمده بود، حتما به‌‌دلیل انتخاب خودرو برقی در فهرست برترین‌ها بود؛ هرچند در کلاس بهترین خودرو برقی، خوشحال می‌شد. مطئمن باشید من هیچ‌وقت خودرو برقی نمی‌خرم؛ هیچ‌وقت.

پس از اینکه کلارکسون مأموریتش درباره‌ی خودروهای برقی را انجام داد، برترین شخصیت سال در دنیای خودرو، گای مارتین، موتورسیلکت‌سوار حرفه‌ای بریتانیایی، اعلام شد. این جایزه سال گذشته به کلارکسون رسیده بود.

انتخاب بهترین‌های دنیای خودرو، برای دومین سال است که در ساندی‌تایمز انجام می‌شود. برای فهرست امسال، بیش از ۲۷۰ هزار رأی مردمی ثبت شده است. فهرست بهترین خودروهای سال ۲۰۱۹ ساندی‌تایمز به‌شرح زیر است.

• برترین خودرو سال از دیدگاه هیئت داوران ساندی‌تایمز: پورشه 911
• برترین خودروساز سال از دیدگاه مخاطبان ساندی‌تایمز: ولوو
• برترین خودرو کراس‌اور/شاسی‌بلند کوچک سال از دیدگاه مخاطبان ساندی‌تایمز: ولوو XC40
• برترین خودرو شاسی‌بلند خانوادگی سال از دیدگاه مخاطبان ساندی‌تایمز: رنجرور ایووک
• برترین خودرو خانوادگی سال از دیدگاه مخاطبان ساندی‌تایمز: ولوو V60
• برترین خودرو آفرود سال از دیدگاه مخاطبان ساندی‌تایمز: فورد رنجر رپتور
• برترین خودرو شهری سال از دیدگاه مخاطبان ساندی‌تایمز: فورد فیِستا
• برترین خودرو اسپرت سال از دیدگاه مخاطبان ساندی‌تایمز: استون مارتین DBS سوپرلجرا ولانته
• برترین خودرو برقی سال از دیدگاه مخاطبان ساندی‌تایمز: تسلا مدل 3
• برترین طراحی خودرو سال از دیدگاه مخاطبان ساندی‌تایمز: مک‌لارن GT
• برترین خودرو هاچ‌بک قدرتمند سال از دیدگاه مخاطبان ساندی‌تایمز: مرسدس AMG A35
• برترین خودرو بریتانیایی سال از دیدگاه مخاطبان ساندی‌تایمز: بنتلی کنتیننتال GT V8
• برترین خودرو لوکس سال از دیدگاه مخاطبان ساندی‌تایمز: مرسدس‌بنز S63 کروک

سونی جدیدترین گوشی هوشمند میان‌رده‌ی خود، یعنی اکسپریا ۸ را با نمایشگر ۶ اینچی با نسبت ۲۱ به ۹ و طراحی مشابه اکسپریا ۱۰، ولی مجهز به گوریلا گلس ۶ در پنل جلویی و پشتی معرفی کرد. ناگفته نماند اواسط شهریور نیز اکسپریا ۵، جدیدترین پرچم‌دار سونی، معرفی شد. اکسپریا ۸ از دوربین دوگانه شامل دوربین ۱۲ مگاپیکسلی با دیافراگم F/1.8 و دوربین فوق‌عریض ۸ مگاپیکسلی با دیافراگم F/2.4 بهره می‌برد. 

اکسپریا ۸ نمایشگر ۶ اینچی +FHD با نسبت نمایشگر ۲۱ به ۹ و دوربین سلفی ۸ مگاپیکسلی با دیافراگم F/2.0 دارد. برخلاف مدل‌های پرچم‌دار اکسپریا، میان‌رده‌ی جدید از پنل LCD بهره می‌برد. دکمه‌‌ی مربوط به پاور و اسکنر اثرانگشت دستگاه در کناره‌ی سمت راست دستگاه قرار دارد. همچنین، دستگاه جدید سونی به حسگرهای لمسی مربوط به منو کشویی میان‌بر Side Sense مجهز شده است که پیش‌تر در گوشی‌های هوشمند اکسپریا وان و اکسپریا ۵ ارائه شده بود. ابعاد گوشی هوشمند جدید سونی ۱۵۸ در ۶۹ در ۸.۱ میلی‌متر و وزن آن ۱۷۰ گرم است.

از دیگر مشخصات اکسپریا ۸، تراشه‌ی اسنپدراگون ۶۳۰ کوالکام، چهار گیگابایت حافظه‌ی رم، ۶۴ گیگابایت حافظه‌ی داخلی قابل‌ارتقا ازطریق حافظه microSD و باتری ۲،۷۶۰ میلی‌آمپرساعتی با پشتیبانی از فناوری شاژر سریع ۱۸ واتی است. این گوشی هوشمند دربرابر نفوذ آب و گردوغبار مقاوم است و استاندرد IP65/68 دارد.

از دیگر ویژگی‌های مهم اکسپریا ۸ می‌توان به جک هدفون ۳/۵ میلی‌متری و فناوری LDAC برای ارائه‌ی صدا با وضوح بیشتر، NFC و LED مخصوص اعلان‌ها اشاره کرد. اکسپریا ۸ با قیمت ۵۰۵ دلار و در رنگ‌های سفید، مشکی، نارنجی و آبی از ماه اکتبر به‌صورت انحصاری در بازار ژاپن عرضه خواهد شد.

فعالان صنعت رسانه و استودیوهای فیلم‌سازی روز‌به‌روز ظرفیت‌های بیشتری در فناوری‌های مدرن کشف می‌کنند که برای ارائه‌ی نسل جدیدی از سرگرمی‌های ویدئویی کاربرد دارند؛ فناوری‌هایی که محصولات آن‌ها به تلویزیون و سینما و هر کانال مهم توزیع محتوای ویدئویی راه پیدا می‌کند. دراین‌میان، هوش مصنوعی و یادگیری ماشین و یادگیری عمیق از مفاهیم پرسروصدایی هستند که امید به ظرفیت‌های جدید برای تولید ویدئو و ویرایش را به فعالان صنعت تزریق می‌کنند.

یادگیری عمیق جدیدترین جبهه‌ی صنعت ویدئو محسوب می‌شود که امکان انجام فعالیت‌های خودکار متعددی به متخصصان می‌دهد؛ فعالیت‌هایی که قبلا به روزها و هفته‌ها زمان نیاز داشتند. همچنین، برخی وظایف با استفاده از فناوری مذکور انجام‌دادنی می‌شوند که در گذشته به‌نوعی غیرممکن بودند. درادامه‌ی این مطلب زومیت، برخی از سؤال‌هایی را بررسی می‌کنیم که تأثیر یادگیری عمیق را روی صنعت رسانه شرح می‌دهند. این سؤال‌ها عبارت‌اند از: یادگیری عمیق چه تفاوتی با دیگر الگوریتم‌های یادگیری ماشین دارد؟ این فناوری چه کاربردهای واقعی‌ای برای رسانه و سرگرمی‌های ویدئویی دارد؟ یادگیری عمیق چه شاخه‌هایی در حوزه‌های علمی و کسب‌وکار دارد؟

هوش مصنوعی و یادگیری ماشین و یادگیری عمیق

هوش مصنوعی به هرگونه فرایندی گفته می‌شود که کامپیوتر را هوشمند نشان دهد. در برخی موارد، به کامپیوتر گفته می‌شود درصورت بروز هر رخداد، چه عملیاتی انجام دهد. در چنین وضعیتی، ماشین مذکور هیچ مفهومی نیاموخته است. یادگیری ماشین توانایی یادگیری را به کامپیوتر اضافه می‌کند تا انجام وظایف مشخص را بیاموزد.

روش‌های متعددی برای آموزش‌ دادن به کامپیوترها وجود دارد. تقریبا تمامی روش‌ها مبتنی‌بر تغییر پارامترها به‌دست ماشین و فرایندهای آزمون‌و‌خطا هستند. از روش‌های پیچیده‌ی یادگیری ماشین می‌توان به شبیه‌سازی نورون‌های مغز بیولوژیکی اشاره کرد. وقتی مغزهای ساختگی یا همان شبکه‌ی عصبی پیچیده‌تر ساخته شوند، به مفهوم یادگیری عمیق می‌رسیم.

یادگیری عمیق به ماشین امکان می‌دهد مفهومی پیچیده را به‌عنوان ورودی دریافت کند. به‌عنوان مثال، می‌توان به تمام پیکسل‌های موجود در یک فریم ویدئو اشاره کرد. در یک نمونه می‌توان فریم ویدئویی را با نویز به شبکه‌ی عصبی وارد و در خروجی، فریم باکیفیت دریافت کرد. شبکه‌ی مذکور با انجام آزمون‌و‌خطا، چگونگی حذف نویز از فریم را می‌آموزد. هرچه تعداد تصاویر ورودی بیشتر شود، مغز مصنوعی تکرار فرایند حذف نویز را بهتر می‌آموزد و این فرایند را برای تصاویر جدید هم انجام می‌دهد.

از اولین کاربردهای خارق‌العاده‌ی یادگیری ماشین می‌توان به پروژه‌ی گوگل اشاره کرد که بازی Go را به کامپیوتر آموخت. Go از پیچیده‌‌ترین بازی‌های تخته‌ محسوب می‌شود و امروز هوش مصنوعی گوگل توانایی شکست قهرمان‌های آن را نیز دارد. پیچیدگی بازی Go به‌حدی است که نمی‌توان با دستور‌های ساده‌ی انسانی آن را به کامپیوتر آموزش داد. به‌علاوه شبکه‌ی عصبی تک‌لایه نیز توانایی آموزش آن را ندارد و فقط با یادگیری عمیق می‌توان به چنین دستاوردی رسید.

یادگیری عمیق برای وظایف متنوع دیگری هم کاربرد دارد. از این فناوری برای بررسی و مقایسه‌ی صحبت‌کردن ساختگی با صحبت‌کردن انسان استفاده می‌شود. درنتیجه‌ی چنین کاربردی، برنامه‌های تبدیل متن به صوت عملکرد طبیعی‌تر پیدا می‌کنند. شرکت‌های تولیدکننده‌ی ابزار ترجمه با استفاده از فناوری مشابه، چگونگی ترجمه از زبانی به زبان دیگر را به کامپیوترها می‌آموزند.

خودروهای خودران که امروزه جزو پروژه‌های اصلی بسیاری از شرکت‌های فناوری هستند، براساس یادگیری عمیق عمل می‌کنند. از مثال‌های دیگر می‌توان به واحد بازاریابی در شرکت‌های بزرگ اشاره کرد که با استفاده از یادگیری عمیق، رفتار مشتری‌ها را تحلیل می‌کنند. آن‌ها با تکیه بر همین یادگیری، واکنش هر مشتری را در موقعیت‌های خاص پیش‌بینی می‌کنند. دستیارهای دیجیتال هم از حوزه‌های کاربردی این فناوری هستند که با استفاده از شبکه‌ی عصبی، درخواست‌های کاربران را درک می‌کنند و به آن‌ها پاسخ می‌دهند.

یادگیری عمیق برای تلویزیون و سرگرمی‌های ویدئویی

فرصت‌های متعددی برای به‌کارگیری روش‌های یادگیری عمیق در حوزه‌ی تولید ویدئو و ویرایش و بخش‌های دیگر وجود دارد. البته این فناوری در تولید ویدئو به خودکارسازی وظایف تکراری محدود نمی‌شود؛ بلکه می‌توان در فرایندهای تولید خلاقانه نیز از آن استفاده کرد. به‌علاوه بهبود فرایند توزیع ویدئو و حفظ آرشیو‌های بزرگ استودیوهای فیلم‌سازی نیز با یادگیری عمیق ممکن می‌شود.

تولید و ویرایش ویدئو

استودیو برادران وارنر در یکی از پروژه‌های اخیر به‌نام ‌Justice League، هزینه‌ای ۲۵ میلیون دلاری برای اصلاح مجدد فیلم متقبل شد. بخشی از هزینه به پاک‌کردن دیجیتالی سبیل یکی از بازیگران (هنری کویل) اختصاص یافت که به‌خاطر پروژه‌ی مشترک دیگر، نمی‌توانست سبیل خود را بتراشد. این نمونه، تنها یکی از مثال‌های بی‌شمار فرایند پس‌تولید محسوب می‌شود که هزینه و زمان زیادی به استودیوها تحمیل می‌کند. یادگیری عمیق تأثیری تحول‌آفرین بر چنین روندهایی خواهد گذاشت.

راهکارهای ساده و مخصوص مصرف‌کننده برای استفاده از یادگیری عمیق در تولید ویدئو امروز دردسترس کاربران قرار دارند. به‌عنوان مثال، می‌توان به Flo اشاره کرد که با استفاده از فناوری مذکور و دریافت آنچه کاربر نیاز دارد، ویدئو را برای او می‌سازد. ابزار Flo ویدئو‌های مرتبط را از کتابخانه‌ی داده‌ی کاربر پیدا و آن‌ها را به‌صورت خودکار به‌هم متصل می‌کند.

گوگل ابزاری به‌صورت شبکه‌ی عصبی دارد که به‌صورت خودکار تصاویر پیش‌زمینه و پس‌زمینه‌ی ویدئو را از هم جدا می‌کند. چنین فرایندی قبلا به پرده‌ی سبز نیاز داشت و اگنون با سرعت و بهره‌وری بیشتری ازطریق یادگیری عمیق انجام می‌شود.

دیپ‌ فیک اخیرا اخبار متعددی در دنیای فناوری به خود اختصاص داده است. با استفاده از این فناوری، چهره‌ی فردی در ویدئو فردی دیگر استفاده می‌شود. فناوری مشابه دیگری هم وجود دارد که پرتره‌های ثابت را متحرک می‌کند. ظرفیت‌های فناوری این‌چنینی در بخش جلوه‌های ویژه‌ی تولید فیلم بی‌شمار هستند. به‌عنوان مثالی از کاربردهای دیپ‌فیک، می‌توان همان پروژه‌ی برادران وارنر را مثال زد. هنری کویل در بخش اصلاح مجدد فیلم سبیلی داشت که برای فیلم Mission Impossible; Fallout باید آن را حفظ می‌کرد. در همان زمان، او در پروژه‌ی Justice League هم درگیر بود و همین تداخل موجب ناراحتی طرفداران هم شد. به‌هرحال، او تصمیم گرفت سبیل خود را برای Justice League نتراشد؛ به‌ همین دلیل، تیم ویرایش پروژه‌‌ی مذکور به حذف دیجیتالی آن در هر صحنه‌ای ملزم شد که هنری بازی می‌کرد.

متأسفانه طرفداران فیلم Justice League متوجه عملکرد ویرایشگران ویدئو شدند. وقتی کاربران خانگی می‌توانند چهره‌ی نیکولاس کیج را در فیلم‌هایی وارد کنند که هیچ‌گاه بازی نکرده است؛ چرا استودیو برادران وارنر در پروژه‌ی خود از این فناوری استفاده نکرد؟ آن‌ها می‌توانستند با استفاده از تصاویر هنری کویل در صحنه‌های قبلی (بدون سبیل)، به‌راحتی صحنه‌های پس‌تولید را تولید و هزینه‌ و زمان زیادی صرفه‌جویی کنند.

ترمیم ویدئو

آمار آرشیو UCLA Film & Television ادعا می‌کند تقریبا نیمی از فیلم‌های تولیدشده پیش از سال ۱۹۵۰ از بین رفته‌اند. در آماری بدتر می‌‌بینیم که ۹۰ درصد از کپی فیلم‌های کلاسیک در وضعیت مناسبی قرار ندارند. فرایند ترمیم این ویدئوها زمان‌بر و خسته‌کننده و هزینه‌بر است. یادگیری عمیق در چنین شرایطی کاربرد دارد و تغییری عظیم در فرایند ترمیم ایجاد می‌کند.

فرایند رنگی‌کردن فیلم‌های سیاه‌و‌سفید همیشه زمان‌بر بوده است. هزاران فریم در یک فیلم وجود دارد و رنگی‌کردن هریک از آن‌ها زمان زیادی می‌طلبد. حتی با ابزارهای بسیار حرفه‌ای هم فقط می‌توان بخشی از فرایند را خودکارسازی کرد. انویدیا اکنون ابزاری دارد که با استفاده از یادگیری عمیق، فرایند رنگی‌کردن را بسیار سریع‌تر می‌کند. ابزار آن‌ها فقط هنرمند ویرایشگر را به رنگی‌کردن یک فریم ملزم می‌کند. پس از آن مرحله، یادگیری عمیق سایر فرایندهای رنگی‌کردن را انجام می‌دهد.

از مشکلات بزرگ دیگر در تریم ویدئوها می‌توان به حذف برخی از فریم‌ها اشاره کرد. قطعا فعالان این صنعت توانایی بازسازی و فیلم‌برداری فریم‌هایی را ندارند که سال‌ها پیش تولید شدند. ترمیم آن فیلم‌ها قبلا کارآمد نبود؛ اما اکنون فناوری گوگل برای کمک به این بخش وارد عمل شده است. آن‌ها ابزارهایی ساخته‌اند که فریم‌های از‌دست‌رفته را براساس فریم‌های قبل و بعد با کیفیتی نزدیک به واقعیت بازسازی می‌کنند.

تشخیص چهره یا اجسام

یادگیری عمیق با تشخیص چهره‌ی افراد حاضر در ویدئو، قابلیت دسته‌بندی دقیقی ارائه می‌کند. به‌عنوان مثال، می‌توان در آرشیو فیلم‌ها، ویدئوهایی پیدا کرد که بازیگر خاصی در آن‌ها حضور دارد. در رویکردی دیگر، می‌توان زمان دقیق حضور بازیگر را در فیلم مدنظر محاسبه کرد. به‌عنوان نمونه‌ای جدید، می‌توان به رویکرد شبکه‌ی Sky News اشاره کرد که با بررسی ویدئوهای مراسم عروسی سلطنتی، چهره‌های مشهور در آن را پیدا کرد.

فناوری مذکور فقط  به تشخیص چهره در ویدئوها محدود نمی‌شود. رسانه‌های ورزشی امروزه از فناوری به‌کمک فیلم‌بردارها استفاده می‌کنند تا حرکت توپ یا دیگر مؤلفه‌های بازی مانند گل را شناسایی کنند. هوش مصنوعی با استفاده از ابزار تشخیص اجسام،‌ خودکارسازی فرایندهای رسانه‌ای ورزشی را هم ممکن می‌کند.

تحلیل ویدئو

همان‌طورکه گفتیم، ابزار Flo توانایی تشخیص موضوع صحنه و ساخت ویدئو براساس آن را دارد. از همین فناوری می‌توان برای دسته‌بندی و مرتب‌کردن ویدئو‌ها هم استفاده کرد؛ درنتیجه، کاربر می‌تواند قطعه‌ی مخصوصی از ویدئو را پیدا کند که شخص یا جسم یا حرکت خاصی در آن حضور داشته باشد. 

با استفاده از فناوری گفته‌شده، می‌توان حتی محتوای ایراددار را از ویدئوها حذف کرد تا محصول نهایی برای کاربر هدف مناسب باشد. در رویکردی مشابه، می‌توان ویدئو‌های جدید را براساس علایق قبلی کاربر به او پیشنهاد داد و به‌نوعی فهرستی شخصی‌سازی‌شده از محتوای رسانه‌ای ارائه کرد.

بهبود پخش ویدئویی

اکنون در مسیری قرار داریم که استریم با کیفیت 4K و تولید تلویزیون‌ها و نمایشگرهای 8K به روندی مرسوم در جهان فناوری تبدیل شده‌اند. درنتیجه‌ی همین افزایش کیفیت، استریم حجم بیشتری از داده مصرف می‌کند. افرادی که به اتصال پرسرعت دسترسی ندارند، قطعا با مشکلات افزایش حجم داده آشنا هستند. اگر شما نمایشگر 4K داشته باشید؛ اما سرعت اینترنت برای ارائه‌ی محتوای مدنظر کافی نباشد، قطعا بهره‌ای از خرید جدید خود نخواهید برد.

شبکه‌های عصبی می‌توانند فریم‌های باکیفیت را برای ورودی‌هایی با ظرفیت کم بازسازی کنند؛ بنابراین در آینده‌ی نزدیک، می‌توان محتوایی با مصرف داده‌ی کمتر و کیفیت بیشتر را برای کاربران دارای اینترنت کم‌سرعت ارائه کنیم.

آینده‌ی یادگیری عمیق و رسانه

استفاده از یادگیری عمیق در تولید ویدئو اکنون در ابتدای راه قرار دارد. درواقع، آینده‌ای که برای چنین فناوری‌هایی وجود دارد، بسیار پربارتر خواهد بود؛ آینده‌ای که صنعت ویدئو را هم بیش‌ازپیش تحت‌تأثیر قرار می‌دهد. به‌هرحال، یادگیری عمیق نیز مانند بسیاری از فناوری‌های دیگر بدون مشکل و ضعف نیست. همان‌طورکه دیپ‌فیک مشکلاتی برای توانایی تشخیص حقیقت در کاربران ایجاد می‌کند، پیشرفت سریع به‌کارگیری یادگیری عمیق هم مشکلاتی از جنس حریم خصوصی و موارد مشابه خواهد داشت.

با توجه به نگرانی‌های مذکور، صنعت باید مانند هر فناوری جدید دیگر مشکلات را شناسایی و برای رفع آن‌ها تلاش کند. فعالان صنعت ویدئو و متخصصان فناوری باید با هم‌فکری استانداردهایی برای تعریف چگونگی استفاده از فناوری تدوین و به‌نوعی آینده‌ی قابل‌پذیرش را ترسیم کنند. درنهایت، با در‌پیش‌گرفتن رویکرد صحیح، قطعا کاربردهای بی‌شماری برای فناوری موجود ترسیم می‌شود و ابزارهای بسیار مفیدی دراختیار فعالان خواهد بود. همان‌طورکه فناوری‌های پیشین مانند رنگی‌کردن فیلم‌ها تأثیری عمیق بر صنعت رسانه گذاشتند، یادگیری عمیق نیز در آینده‌ی نه‌چندان دور تحولی عظیم در آن ایجاد خواهد کرد.

شرکت الکتریفای امریکا (Electrify America) که در حوزه‌ی تولید شبکه‌های شارژ خودروهای الکتریکی در ایالات متحده‌ی آمریکا فعالیت می‌کند، تاکنون توانسته ۳۰۰ ایستگاه شارژ برای این نوع خودروها طراحی کند. حالا این شرکت تصمیم گرفته است اولین سیستم شارژ خانگی را برای خودروهای برقی نیز به بازار معرفی کند. این سیستم شارژر ۴۹۹ دلار قیمت دارد و می‌توان آن را به‌راحتی از وب‌سایت‌های آمازون یا خود سازنده خرید. این شارژر سطح ۲ با تمامی خودروهای الکتریکی موجود در بازار آمریکای‌شمالی سازگار است و قدرت شارژ ۷.۶ کیلوواتی دارد که تقریبا ۶ برابر بیشتر از شارژرهای سطح ۱ است. چنین ظرفیت شارژی یعنی به‌طور متوسط با هر ساعت شارژکردن خودرو، شعاع حرکتی ۴۰.۲ کیلومتر فراهم می‌شود. 

گرچه این شارژر به‌اندازه‌ی شارژرهای عمومی قدرت ندارد، آمارها نشان می‌دهد بیش از ۸۰ درصد مالکان خودروهای الکتریکی خودرو خود را در خانه شارژ می‌کنند. همین مسئله سبب شده است این شرکت به‌سمت تولید شارژر خانگی برود. 

این شارژر جدید یکی از ارزان‌ترین شارژرهای سطح ۲ موجود در بازار است که با کابل ۷.۳ متری عرضه می‌شود و با توجه به برخورداری از استاندارد NEMA 3R، قابلیت نصب در بیرون از خانه و در فضای باز را هم دارد. این سیستم جدید بسیار انعطاف‌پذیر است و می‌‌توان آن را به خروجی ۲۴۰ ولت نیز متصل کرد. سایر مشخصات این شارژر جدید شامل نشانگرهای LED و قابلیت اتصال وای‌فای هستند. توانایی اتصال وای‌فای این امکان را به کاربر می‌دهد تا جزئیات مربوط به شارژ را مشاهده کند. 

جالب است که بزرگ‌ترین شریک الکتریفای امریکا، یعنی فولکس‌واگن، خود شارژرهای متعددی برای خودروهای الکتریکی به بازار عرضه می‌کند. شارژرهای خانگی فولکس‌واگن از نوامبر وارد بازار اروپا خواهند شد که هم طراحی زیبایی دارند و هم ظرفیت شارژ آن‌ها به ۱۱ کیلووات می‌رسد.