شرکت ها با جعل هویت توسط هوش مصنوعی مولد مبارزه می کنند

شرکت ها با جعل هویت توسط هوش مصنوعی مولد مبارزه می کنند

با افزایش تهدیدات کلاهبرداری پیچیده توسط هکرها که از هوش مصنوعی مولد برای جعل هویت کمک می گیرند، امنیت شرکت‌هایی که از عکس‌ها یا صداها برای تأیید هویت مشتری استفاده می ‌کنند، به خطر افتاده است.

توسعه هوش مصنوعی مولد باعث فشار گسترده ای برای تقویت تدابیر امنیتی جهت مقابله با تهدیدات ناشی از تکنولوژی‌های جدید شده است. شرکت‌های کلیدی مانند  HYPR، Keyless  و Jumio در اجرای راه ‌حل‌های پیشرفته برای محافظت  در برابر جعل هویت و حملات دیپ‌فیک، پیشرو هستند.

 تهدیدات جدید و پاسخ صنعت

رویکرد HYPR برای کاهش خطرات مرتبط با هوش مصنوعی مولد شامل ترکیبی از دفاع‌های قطعی و کنترل‌های ریسک هویت مبتنی بر هوش مصنوعی است. HYPR با احراز هویت چند فاکتوری بدون رمز عبور (MFA)، مبتنی بر استانداردهای  FIDO، با حملات فیشینگ و مهندسی اجتماعی که به کمک هوش مصنوعی تقویت شده اند، مقابله می ‌کند.

 این حملات می‌توانند توسط ابزارهای مبتنی بر هوش مصنوعی، مانند تولید کننده ‌های صدا و تصویر، انجام شوند و منجر به پیام‌ های فریب‌ دهنده و تقلبی شوند.  ابزارهای هوش مصنوعی مولد، به راحتی قابل استفاده هستند و کیفیت بالای تولید صدا و تصویر توسط آن ها ، توانایی انجام حملات مخرب را افزایش می‌ دهد.  

همچنین، هزینه کم و رشد سریع این ابزارها، کاربرانی را که نمی توانند تشخیص دهند که آیا ابزارهای مبتنی بر هوش مصنوعی اطلاعات معتبر یا نادرست ارائه می ‌دهند یا خیر، به خطر می ‌اندازد.

اثرات احتمالی این حملات شامل تخریب اعتبار، کاهش اعتماد به سازمان‌ها و برندها در میان مشتریان، مصرف‌ کنندگان و شرکای تجاری است. همچنین، سرعت و کیفیت حملات مبتنی بر هوش مصنوعی، توانایی تیم ‌های امنیت اطلاعات را در پاسخ به تهدیدات جدید محدود می ‌کند. برای مطالعه بیشتر، می‌توانید به گزارش “ریسک‌های ظاهر شده در نیمه اول سال ۲۰۲۴” از Gartner مراجعه کنید.

در همین حال، Keyless  بر اهمیت تدابیر پیشرفته مانند تشخیص زنده ‌بودن و فناوری ضد-جعل تأکید دارد تا سلامتی سیستم‌های بیومتریک چهره را در میان افزایش تهدیدات ناشی از هوش مصنوعی حفظ کند.

تأیید امنیتی پیشرفته از طریق سیگنال‌های ریسک پلتفرم تأیید هویت یکپارچه Jumio نمونه‌ای از پیاده‌سازی استراتژیک سیگنال‌های ریسک در مقابله با فعالیت‌های تقلبی است.

این سیگنال‌ ها شامل معیارهای مختلفی هستند که به صورت یک امتیاز ریسک ترکیب می‌شوند و امکان تصمیم ‌گیری سریع و ایجاد جریان کاری مؤثر را فراهم می‌کنند. از جمله سیگنال‌ های ریسک می ‌توان به بررسی مکان دستگاه کاربر، اطلاعات شخصی مانند نام و آدرس، ارزیابی دستگاه کاربر و بررسی‌های پایگاه داده‌های دولتی اشاره کرد.

با استفاده از اطلاعات و سیگنال‌های ریسک برای افزایش سطح امنیت و تاییدیه هویت، Jumio  توانایی خود را در تشخیص و جلوگیری از تلاش‌های دسترسی غیرمجاز افزایش می‌دهد. این رویکرد جامع نه تنها فرآیند تأیید را ساده‌تر می‌کند، بلکه احتمال جعل هویت تولید شده توسط هوش مصنوعی را به ‌طور قابل ‌توجهی کاهش می ‌دهد.

به طور کلی، وقتی که یک فرایند تایید هویت انجام می‌شود، سیستم ممکن است از اطلاعات مختلفی مانند الگوهای رفتاری، مکان‌های ورود به سیستم، دستگاه‌های استفاده شده و غیره برای تشخیص خطرات و ریسک‌های مرتبط با جعل هویت استفاده کند. اگر این سیگنال‌ها نشان دهنده وجود خطر یا فعالیت مشکوک باشند، سیستم می‌تواند اقدامات احتیاطی یا اضافی را اعمال کند تا امنیت هویت را تضمین کند.

 یکی دیگر از روش‌های جدید برای مقابله با فریب هوش مصنوعی در جعل هویت استفاده از تکنیک‌های تشخیص تقلب مبتنی بر یادگیری ماشین است. این روش‌ها از الگوریتم‌ها و مدل‌های یادگیری ماشین برای تشخیص الگوهای غیرمعمول یا نامتعارف در داده‌ها استفاده می‌کنند. به عنوان مثال، یک مدل یادگیری ماشین می‌تواند بر اساس الگوهای رفتاری یا ویژگی‌های داده‌ها، تلاش‌های جعلی را تشخیص دهد و اقدامات مناسبی برای جلوگیری از این نوع فریب‌ها انجام دهد.

در این روش، داده‌های جمع‌آوری شده از کاربران و فعالیت‌های آن‌ها برای آموزش مدل‌های یادگیری ماشین استفاده می‌شود تا الگوهای طبیعی و نامتعارف را تشخیص دهد. این روش به کمک تحلیل دقیق داده‌ها و تشخیص الگوهای مشکوک، بهبود امنیت و جلوگیری از جعل هویت توسط هوش مصنوعی را فراهم می‌کند.

پیشرفت فناوری هوش مصنوعی و تأیید هویت، چالش‌ها و فرصت‌هایی را به همراه دارد. در حالی که شرکت‌هایی مانند  HYPR، Keyless  و  Jumio در حال نوآوری هستند، تمرکز همچنان بر توسعه راه‌حل‌هایی است که نه تنها در جلوگیری از تقلب مؤثر باشند، بلکه قابلیت سازگاری با تغییرات سریع تهدیدات دیجیتالی را نیز داشته باشند. تلاش برای استفاده از مکانیزم‌های تأیید هویت امن تر و مقاوم در برابر هوش مصنوعی، نشان دهنده ی تعهد صنعت فناوری به حفاظت از هویت کاربران در دنیای دیجیتال است.

با افزایش تهدیدات کلاهبرداری پیچیده توسط هکرها که از هوش مصنوعی مولد برای جعل هویت کمک می گیرند، امنیت شرکت‌هایی که از عکس‌ها یا صداها برای تأیید هویت مشتری استفاده می ‌کنند، به خطر افتاده است. توسعه هوش مصنوعی مولد باعث فشار گسترده ای برای تقویت تدابیر امنیتی جهت مقابله با تهدیدات ناشی از تکنولوژی‌های جدید شده است. شرکت‌های کلیدی مانند  HYPR، Keyless  و Jumio در اجرای راه ‌حل‌های پیشرفته برای محافظت  در برابر جعل هویت و حملات دیپ‌فیک، پیشرو هستند.

 تهدیدات جدید و پاسخ صنعت

رویکرد HYPR برای کاهش خطرات مرتبط با هوش مصنوعی مولد شامل ترکیبی از دفاع‌های قطعی و کنترل‌های ریسک هویت مبتنی بر هوش مصنوعی است. HYPR با احراز هویت چند فاکتوری بدون رمز عبور (MFA)، مبتنی بر استانداردهای  FIDO، با حملات فیشینگ و مهندسی اجتماعی که به کمک هوش مصنوعی تقویت شده اند، مقابله می ‌کند.

 این حملات می‌توانند توسط ابزارهای مبتنی بر هوش مصنوعی، مانند تولید کننده ‌های صدا و تصویر، انجام شوند و منجر به پیام‌ های فریب‌ دهنده و تقلبی شوند.  ابزارهای هوش مصنوعی مولد، به راحتی قابل استفاده هستند و کیفیت بالای تولید صدا و تصویر توسط آن ها ، توانایی انجام حملات مخرب را افزایش می‌ دهد.  همچنین، هزینه کم و رشد سریع این ابزارها، کاربرانی را که نمی توانند تشخیص دهند که آیا ابزارهای مبتنی بر هوش مصنوعی اطلاعات معتبر یا نادرست ارائه می ‌دهند یا خیر، به خطر می ‌اندازد.

اثرات احتمالی این حملات شامل تخریب اعتبار، کاهش اعتماد به سازمان‌ها و برندها در میان مشتریان، مصرف‌ کنندگان و شرکای تجاری است. همچنین، سرعت و کیفیت حملات مبتنی بر هوش مصنوعی، توانایی تیم ‌های امنیت اطلاعات را در پاسخ به تهدیدات جدید محدود می ‌کند. برای مطالعه بیشتر، می‌توانید به گزارش “ریسک‌های ظاهر شده در نیمه اول سال ۲۰۲۴” از Gartner مراجعه کنید.

در همین حال، Keyless  بر اهمیت تدابیر پیشرفته مانند تشخیص زنده ‌بودن و فناوری ضد-جعل تأکید دارد تا سلامتی سیستم‌های بیومتریک چهره را در میان افزایش تهدیدات ناشی از هوش مصنوعی حفظ کند.

تأیید امنیتی پیشرفته از طریق سیگنال‌های ریسک پلتفرم تأیید هویت یکپارچه Jumio نمونه‌ای از پیاده‌سازی استراتژیک سیگنال‌های ریسک در مقابله با فعالیت‌های تقلبی است.

این سیگنال‌ ها شامل معیارهای مختلفی هستند که به صورت یک امتیاز ریسک ترکیب می‌شوند و امکان تصمیم ‌گیری سریع و ایجاد جریان کاری مؤثر را فراهم می‌کنند. از جمله سیگنال‌ های ریسک می ‌توان به بررسی مکان دستگاه کاربر، اطلاعات شخصی مانند نام و آدرس، ارزیابی دستگاه کاربر و بررسی‌های پایگاه داده‌های دولتی اشاره کرد.

با استفاده از اطلاعات و سیگنال‌های ریسک برای افزایش سطح امنیت و تاییدیه هویت، Jumio  توانایی خود را در تشخیص و جلوگیری از تلاش‌های دسترسی غیرمجاز افزایش می‌دهد. این رویکرد جامع نه تنها فرآیند تأیید را ساده‌تر می‌کند، بلکه احتمال جعل هویت تولید شده توسط هوش مصنوعی را به ‌طور قابل ‌توجهی کاهش می ‌دهد.

به طور کلی، وقتی که یک فرایند تایید هویت انجام می‌شود، سیستم ممکن است از اطلاعات مختلفی مانند الگوهای رفتاری، مکان‌های ورود به سیستم، دستگاه‌های استفاده شده و غیره برای تشخیص خطرات و ریسک‌های مرتبط با جعل هویت استفاده کند. اگر این سیگنال‌ها نشان دهنده وجود خطر یا فعالیت مشکوک باشند، سیستم می‌تواند اقدامات احتیاطی یا اضافی را اعمال کند تا امنیت هویت را تضمین کند.

 یکی دیگر از روش‌های جدید برای مقابله با فریب هوش مصنوعی در جعل هویت استفاده از تکنیک‌های تشخیص تقلب مبتنی بر یادگیری ماشین است. این روش‌ها از الگوریتم‌ها و مدل‌های یادگیری ماشین برای تشخیص الگوهای غیرمعمول یا نامتعارف در داده‌ها استفاده می‌کنند. به عنوان مثال، یک مدل یادگیری ماشین می‌تواند بر اساس الگوهای رفتاری یا ویژگی‌های داده‌ها، تلاش‌های جعلی را تشخیص دهد و اقدامات مناسبی برای جلوگیری از این نوع فریب‌ها انجام دهد.

در این روش، داده‌های جمع‌آوری شده از کاربران و فعالیت‌های آن‌ها برای آموزش مدل‌های یادگیری ماشین استفاده می‌شود تا الگوهای طبیعی و نامتعارف را تشخیص دهد. این روش به کمک تحلیل دقیق داده‌ها و تشخیص الگوهای مشکوک، بهبود امنیت و جلوگیری از جعل هویت توسط هوش مصنوعی را فراهم می‌کند.

پیشرفت فناوری هوش مصنوعی و تأیید هویت، چالش‌ها و فرصت‌هایی را به همراه دارد. در حالی که شرکت‌هایی مانند  HYPR، Keyless  و  Jumio در حال نوآوری هستند، تمرکز همچنان بر توسعه راه‌حل‌هایی است که نه تنها در جلوگیری از تقلب مؤثر باشند، بلکه قابلیت سازگاری با تغییرات سریع تهدیدات دیجیتالی را نیز داشته باشند. تلاش برای استفاده از مکانیزم‌های تأیید هویت امن تر و مقاوم در برابر هوش مصنوعی، نشان دهنده ی تعهد صنعت فناوری به حفاظت از هویت کاربران در دنیای دیجیتال است.

تحول دنیای پزشکی با هوش مصنوعی   

تحول دنیای پزشکی با هوش مصنوعی  

هوش مصنوعی (AI) نقش بسیار مهمی در تحول دنیای پزشکی ایفا می‌ کند و به سرعت در حال تغییر حوزه بهداشت و درمان است و پیشرفت‌ های بی‌ سابقه ‌ای در تشخیص، درمان و تحقیقات را به ارمغان آورده است. گسترش کاربردهای هوش مصنوعی در ویرایش ژن، تجزیه و تحلیل داده‌های بزرگ، توسعه داروها و جراحی رباتیک، امکان بهبود نتایج درمانی را بسیار بالا برده است.

در حال حاضر، ابزارهای مبتنی بر هوش مصنوعی عمدتاً در مراکز پزشکی تحصیلی استفاده می ‌شوند که دارای زیرساخت‌ ها و دپارتمان‌ های فناوری اطلاعات قوی ‌تری هستند. اغلب هوش مصنوعی برای تشخیص الگوها در تصاویر و طبقه‌ بندی آن ها ، پیش‌ بینی بیماری‌ ها و تجزیه و تحلیل داده ‌های پزشکی، استفاده می شود.

نوآوری های AI در بهداشت و درمان

تأثیر هوش مصنوعی در بهداشت و درمان، حوزه های مختلفی را شامل می شود و با توانایی هوش مصنوعی در پردازش حجم عظیمی از داده ‌ها با سرعت و دقت بالا، تغییرات بزرگی را پدید آورده است. در تحقیقات آزمایشگاهی هوش مصنوعی به شناسایی هدف ‌های دارویی جدید و توسعه مولکول ‌های نوآورانه برای درمان کمک می ‌کند، و در محیط‌ های بالینی، دقت تشخیص را افزایش می ‌دهد و مراقبت های شخصی بیمار را بهبود می ‌بخشد. توسعه سلول‌ های مجازی مبتنی بر هوش مصنوعی توسط Chan Zuckerberg ، نماد ادغام فناوری و زیست‌ شناسی است که هدف اصلی آن تحول تحقیقات زیست پزشکی و ایجاد راه‌ های نوآورانه در استراتژی‌ های درمانی است.

هوش مصنوعی به ویژه در جراحی لاپاروسکوپیک و رباتیک موثر است و می ‌تواند اطلاعات یا راهنمایی هایی را در صفحه نمایش نشان دهد و تصمیم‌ گیری‌ های جراحان را در حین عمل بهبود بخشد. AI به ‌طور معمول در تخصص ‌های تشخیصی مانند رادیولوژی، پاتولوژی و دارماتولوژی استفاده می ‌شود. این فناوری می ‌تواند الگوها را تشخیص دهد، تصاویر را دسته‌ بندی کند.

همچنین، هوش مصنوعی با ارائه اطلاعات یکپارچه از منابع مختلف، مانند آخرین راهنماهای جراحی یا برداشت‌های تحقیقاتی، قبل، بعد و حتی در طول عمل جراحی، به تصمیم ‌گیری های جراحان کمک کند.

هوش مصنوعی قادر است به بررسی نمودارهای بیمار و پیشنهاد آزمایش یا دارو کمک کند. هوش مصنوعی می‌تواند مراقبت‌های بهداشتی را به نحوی فردی‌سازی کند که جراحان به تنهایی نمی توانند انجام دهند در نتیجه در بهبود نتایج مراقبت‌ های بهداشتی و افزایش بهره‌ وری در ارائه مراقبت ‌ها نقش مهمی ایفا می‌ کند.

بهبود دسترسی و کیفیت مراقبت

تکنولوژی‌های هوش مصنوعی (AI) نه تنها در پیشرفت تحقیقات پزشکی و روش‌های بالینی تأثیرگذار هستند، بلکه سبب بهبود دسترسی به خدمات بهداشتی می‌ شود. در کشورهایی با منابع پزشکی محدود، ابزارهای پیشرفته هوش مصنوعی مانند استتوسکوپ‌های هوشمند و دستگاه های سنجش سلامت ، دسترسی به تشخیص زودهنگام و نظارت بدون نیاز به تجهیزات پیچیده را فراهم می ‌کنند. علاوه بر این، چت‌بات‌ها و دستگاه‌های قابل پوشیدن توسط هوش مصنوعی، مشارکت بیمار و پایبندی به برنامه‌های درمانی را، با ارائه مشاوره‌های سلامت شخصی ‌سازی‌شده و انگیزشی، بهبود می بخشد.

همچنین، AI می‌ تواند با ارائه یک چت‌ بات به بیماران پاسخ‌ گوی سوالات آن‌ ها باشد. این امکان به بیماران کمک می‌ کند تا به سرعت به سوالات خود پاسخ دهند و نیاز به تماس با پرستار نداشته باشند.

چالش ها و چشم اندازهای آینده

با وجود پتانسیل امیدوار کننده هوش مصنوعی ، چالش‌ هایی مانند داده های ناقص یا اشتباه، مسائل اخلاقی و نیاز به چارچوب‌ های نظارتی قوی، همچنان وجود دارند. اطمینان از آموزش سیستم‌ های هوش مصنوعی بر روی مجموعه‌ داده‌ های متنوع و با کیفیت بالا، برای از بین بردن نابرابری های بهداشتی در سراسر جهان، بسیار حائز اهمیت است. علاوه بر این، ماهیت غیرقطعی بودن هوش مصنوعی ، در برنامه‌ های پزشکی که نیاز به پایداری، شفافیت و کارایی وجود دارد، چالش‌هایی را ایجاد می‌ کند، که نیازمند نظارت مداوم و تطابق با استانداردهای نظارتی است.

از طرف دیگر، مسائل اخلاقی مانند حریم خصوصی داده ‌ها باید مورد توجه قرار گیرند تا به اجرای موفقیت‌ آمیز هوش مصنوعی در حوزه بهداشت کمک شود.

با این حال، سرمایه ‌گذاری‌های مداوم در هوش مصنوعی توسط شرکت‌های بزرگ ، نشان دهنده پتانسیل تحول ‌آفرین این فناوری در حوزه بهداشت و درمان است و دستاوردهای مهمی در ارائه خدمات بهداشتی و تحقیقات پزشکی به ارمغان خواهد آورد.

اگر مایلید درباره ی کاربرد هوش مصنوعی در حوزه سلامت روان بدانید ، پیشنهاد می کنم مطلب زیر را مطالعه بفرمائید:

چت‌ بات ‌های هوش مصنوعی ابزاری برای سلامت روان 

موتور جستجوی Perplexity AI یک مدل تبلیغاتی را در پلتفرم جستجوی هوشمند خود معرفی کرد

موتور جستجوی Perplexity AI یک مدل تبلیغاتی را در پلتفرم جستجوی هوشمند خود معرفی کرد

موتور جستجوی Perplexity AI، یک رقیب جدی در قلمرو موتورهای جستجوی  AI، ویژگی را معرفی کرده است که  باعث تعامل کاربر و پویایی تبلیغات شده است.

موتور جستجوی Perplexity AI با طرح سوالات پیشنهادی تبلیغاتی ، جستجوی متمرکز بر کاربر را، با کسب درآمد نوآورانه ترکیب می کند.

بهره ‌برداری از سوالات تبلیغاتی برند‌ها توسط  موتور جستجوی Perplexity AI، به‌ عنوان یک قابلیت نوآورانه، واقعاً جالب است. این شرکت قصد دارد سوالات تبلیغاتی برندها را به عنوان بخشی از تجربه موتور جستجوی خود معرفی کند. برخی ویژگی های این موتور جستجو عبارتند از:

  1. موتور جستجوی هوش مصنوعی:
    • موتور جستجوی Perplexity AI به عنوان یک موتور جستجوی هوش مصنوعی عمل می ‌کند. از مدل ‌های زبان بزرگ به همراه نتایج جستجوی وب برای پاسخ به سوالات کاربران بر اساس منابع مختلفی از جمله ویدیوها، تصاویر و داده ‌ها از شرکایی مانند Yelp استفاده می‌کند.
    • هدف این موتور، ارائه پاسخ‌های دقیق و مرتبط به سوالات کاربران است.
  2. سوالات مرتبط و تبلیغات:
    • سوالات مرتبط حدود ۴۰٪ از جستجوهای Perplexity را تشکیل می‌ دهند. Perplexity  قصد دارد با اجازه برندها، سوالات مرتبط را تحت تأثیر قرار دهد.
    • وقتی کاربران سوالی می‌پرسند، Perplexity سوالات تبلیغاتی مرتبط با سوال اولیه را پیشنهاد می‌دهد. این سوالات تبلیغاتی توسط برندها حمایت می‌شوند.
    • به عنوان مثال، اگر کاربری برای “بهترین کفش‌های مناسب دویدن” جستجو کند، Perplexity ممکن است سوال تبلیغاتی مانند “کدام برند راحت‌ ترین کفش‌های مناسب دویدن  را ارائه می‌دهد؟” را با پاسخ تبلیغاتی نمایش دهد.
  3. استراتژی درآمدزایی:
    • با یکپارچه ‌سازی سوالات تبلیغاتی برندها، Perplexity قصد دارد مدل درآمدزایی جدیدی را ایجاد کند.
    • برندها می‌توانند برای نمایش محصولات یا خدمات خود در این سوالات تبلیغاتی، هزینه پرداخت کنند و به طور موثری با مشتریان هدف در ارتباط باشند.
    • این حرکت استراتژیک می‌تواند نحوه تولید درآمد توسط موتورهای جستجو را تغییر دهد و تعامل کاربران را افزایش دهد.

در صنعتی که تجربه کاربر و ارتباط با محتوا از اهمیت بالایی برخوردار است، رویکرد Perplexity  در گنجاندن تبلیغات از طریق سوالات پیشنهادی تبلیغاتی، نشان ‌دهنده یک تعامل متفکرانه با کسب درآمد است. به گفته Shevelenko مدیر ارشد Perplexity  ، این ویژگی قصد دارد به کاربران، ترکیبی از پرسش‌های معمولی و پرسش‌های تبلیغاتی از برندها را ارائه دهد که با علاقه‌های جستجویی کاربران سازگار باشد. هدف این است که کیفیت جستجو حفظ شود و در عین حال یک مسیر جدید درآمدزایی برای Perplexity ایجاد می شود. این شرکت دارای پایگاه کاربری قوی با ۱۰ میلیون کاربر فعال ماهانه است و به تازگی ۷۳.۶ میلیون دلار سرمایه ‌گذاری جذب کرده است از جمله سرمایه ‌گذاری از سوی بنیان‌ گذار آمازون، Jeffrey Bezos . با این پشتوانه مالی، Perplexity  قصد دارد پایگاه کاربری خود را گسترش داده و اسپانسرهای بزرگ ‌تری را جذب کند.

 

موتور جستجوی Perplexity AI بین کسب درآمد و تجربه کاربر تعادل را برقرار می کند

 

تصمیم به استفاده از محتوای تبلیغاتی در پلتفرم جستجوی هوش مصنوعی، با انتظارات و بازبینی هایی روبرو شده است. Perplexity  باید این اطمینان را به کاربران بدهد که تبلیغات تجربه کاربری را تقویت می کنند و تعادل حفظ می شود. این شرکت با بررسی مدلی که سودآوری را با رضایت کاربری هماهنگ می‌ سازد، در حال مقابله با پیچیدگی‌های رقابت با گوگل است، چالشی که بسیاری از شرکت‌های فناوری نوظهور با آن مواجه هستند.

 

جستجو با هوش مصنوعی و تبلیغات

موتور جستجوی Perplexity AI با ورود به حوزه تبلیغات بومی، به حوزه گسترده ‌تری درباره آینده موتورهای جستجو، می‌ پیوندد. حرکت به سمت گنجاندن پیشنهادات تبلیغاتی در کنار دیگر سوالات ، نشانه‌ای از تغییر نگرش اولیه پلتفرم درباره تبلیغات است و نشان ‌دهنده یک روند صنعتی گسترده ‌تر است. موتورهای جستجوی مبتنی بر هوش مصنوعی دو هدف اصلی را دنبال می کنند: ارائه نتایج مفید به کاربران و ایجاد مدل‌ های کسب و کار پایدار. ویژگی آینده Perplexity بر جایگاه بالقوه هوش مصنوعی تأکید می ‌کند و نه تنها نحوه جستجو را تغییر می ‌دهد بلکه نحوه‌ی تامین مالی خود پلتفرم‌ های جستجو را نیز متحول می‌ کند.

به نظر می‌رسد که طرح سؤالات تبلیغاتی برند‌ها در پلتفرم جستجوی هوش مصنوعی Perplexity، نقطه عطفی در تکامل جستجوی دیجیتال و تبلیغات است. این اقدام نه تنها به منظور ارائه یک مدل درآمد زایی جدید برای شرکت است، بلکه نرم‌ افزارهای معمولی در مورد تجربه کاربری و استراتژی‌های کسب درامد در صنعت فناوری را به چالش می‌ کشد.  موفقیت یا شکست Perplexity در توازن بین نیازهای کاربران و الزامات مالی، راهکارهای ارزشمندی را در مورد آینده مدل های جستجوی مبتنی بر هوش مصنوعی ارائه خواهد کرد.

جالب خواهد بود ببینیم چگونه این ویژگی تکامل پیدا کرده و چگونه بر جستجو دیجیتال تأثیر خواهد گذاشت.

بلاکچین ماژولار مبتنی بر هوش مصنوعی

بلاکچین ماژولار مبتنی بر هوش مصنوعی

بلاکچین ماژولار مبتنی بر هوش مصنوعی، یک سیستم بلاکچین است که از ترکیب دو تکنولوژی اصلی یعنی بلاکچین و هوش مصنوعی بهره می‌ برد. در این سیستم، هوش مصنوعی برای بهبود عملکرد و کارایی بلاکچین استفاده می‌ شود. این سیستم معماری ماژولار دارد، به این معنی که اجزای مختلف آن به صورت ماژول‌ های جداگانه طراحی شده‌اند و قابل انتقال و تعویض هستند. این امکان به توسعه‌ دهندگان اجازه می‌ دهد که بلاکچین را بر اساس نیازهای خاص خود سفارشی کنند و از امکانات هوش مصنوعی برای بهبود عملکرد سیستم استفاده کنند. به طور کلی، بلاکچین ماژولار مبتنی بر هوش مصنوعی به کاربران امکان می‌ دهد تا از توانایی‌های هوش مصنوعی برای بهبود امنیت، سرعت و کارایی بلاکچین خود استفاده کنند.

اتریوم به عنوان یک بلاکچین یکپارچه عمل می ‌کند.  به این معنا که تمامی اجزای آن شامل لایه ‌ی داده، لایه ‌ی توافق و توابع همگی در یک بلاکچین ترکیب شده‌اند. اتریوم را نمی توان به اجزای مختلف تقسیم کرد، در نتیجه سفارشی ‌سازی آن دشوار می باشد. همچنین برای استفاده از فناوری‌ های هوش مصنوعی متمرکز که امروزه وجود دارند، ابتدا باید زیرساخت های اصلی یعنی بلاکچین ماژولار، را ایجاد کرد.

دسترسی به داده و ذخیره ‌سازی آن در بلاکچین‌ ها امری بسیار حیاتی است. این موضوع نه تنها برای افزایش توسعه پذیری سیستم‌ های بلاکچین مهم است، بلکه برای ایجاد هوش مصنوعی درون‌ زنجیره‌ای نیز اهمیت دارد.

نیاز به ذخیره‌ سازی غیر متمرکز داده ها وجود دارد و خط لوله‌ ی داده باید به اندازه‌ ی کافی گسترده باشد تا بسیاری از کاربران بتوانند همزمان از آن استفاده کنند. به همین دلیل، یک سیستم ذخیره ‌سازی داده مبتنی بر بلاکچین قوی در حال توسعه است.

تمرکز بر ظرفیت انتقال بالا

شرکت Zero Gravity Labs، توسعه ‌دهنده‌ ی یک بلاکچین ماژولار مبتنی بر برنامه‌ های هوش مصنوعی، با سرمایه گذاری ۳۵ میلیون دلار به حوزه‌ ی رمز ارزی پیوست. در حال حاضر، 0G توکن خود را ندارد، اما در آینده یک توکن را منتشر خواهند کرد.

G0  در حال ایجاد یک بلاکچین ماژولار مبتنی بر هوش مصنوعی است که هدف آن بهبود سرعت و هزینه‌ها در برنامه‌های هوش مصنوعی بلاکچین در اکوسیستم web3 است.

G0  ادعا می‌ کند که بلاکچین مورد نظر آن ها در مقایسه با رقبا، بسیار سریع و ارزان خواهد بود. هدف آن تمرکز بر امنیت و ظرفیت انتقال بالا است، ظرفیت انتقال به توانایی شبکه در پردازش تعداد زیادی تراکنش در یک بازه زمانی مشخص اشاره دارد . ظرفیت انتقال این بلاکچین، ۵۰ گیگابیت بر ثانیه خواهد بود، در حالی که ظرفیت انتقال رقبا ۱.۵ مگابایت بر ثانیه است.

این تفاوت در ظرفیت انتقال، امکان اجرای تعداد بیشتری تراکنش در بازه زمانی یکسان را فراهم می‌کند. توجه داشته باشید که امنیت و ظرفیت انتقال در بلاکچین‌ها نقش مهمی در عملکرد و موفقیت آن‌ها ایفا می ‌کنند.

برای هوش مصنوعی در بلاکچین و بازی‌ها، یک خط لوله‌ی داده سریع لازم است. بدون توان انتقال سریع و کارآمد، هزینه‌ها می‌تواند افزایش یابد. Heinrich ، یکی از موسسان 0G Labs گفت:”سرعت خط لوله‌ داده های کنونی کافی نیست، بنابراین یک خط لوله ‌ی داده با عملکرد بالا ایجاد کردیم”.

هدف 0G دستیابی به “ظرفیت بی‌ پایان” است؛ همانطور که وب سرور آمازون به توسعه‌ دهندگان امکان می دهد تا سرورهای مورد نیازشان را بدون محدودیت ایجاد کنند، 0G نیز می‌ خواهد تا آنجا که ممکن است، تعدادی شبکه ‌ی توافقی را ایجاد کند. یک شبکه ‌ی توافقی تمامی گره‌ های یک بلاکچین را با یکدیگر ترکیب کرده و در یک مجموعه‌ ی داده به توافق می ‌رساند.

دستیابی به موارد کاربردی جدید

هنگامی که زنجیره به طور کامل عملیاتی شده باشد و در شبکه اصلی قرار گرفته باشد، به این معناست که یک بلاکچین عمومی و عملیاتی است و هر برنامه‌ ی وب ۲.۰ می‌تواند در بلاکچین ایجاد شود.  این شرکت قصد دارد تا سه ماهه سوم سال جاری در mainnet راه اندازی شود.  این بلاکچین ‌ها بر روی توسعه پذیری اکوسیستم Ethereum  تمرکز دارند و تیم‌ هایی با عملکرد بالا در حال ساخت برنامه‌ های غیر متمرکز با نیاز به پهنای باند بالا هستند و قصد دارند صدها میلیون کاربر را جذب کنند .

0G قصد دارد تا موارد کاربردی جدید  و امکاناتی را که قبلاً ممکن نبوده‌اند، مانند هوش مصنوعی در بلاکچین، بازی‌های زنجیره‌ای و امور مالی غیرمتمرکز با فرکانس بالا(DeFi) را امکان پذیر کند. G0  ادعا می ‌کند که هزینه‌ ها  یا کارمزد، در هر تراکنش عملا ناچیز است.

این فناوری امکان تکامل بیشتر برنامه‌های هوش مصنوعی و رفع مشکلات بزرگ‌ در بلاکچین  را فراهم می کند.

0G قصد دارد بر روی تشخیص deepfake در حوزه هوش مصنوعی و ساخت مدل‌ های غیرمتمرکز با عملکرد بالا در حوزه بلاکچین، سرمایه گذاری کند.

اگر مایلید درباره ی اعتبارسنجی اطلاعات به کمک فناوری بلاکچین بیشتر بدانید پیشنهاد می کنیم مطلب زیر را مطالعه بفرمائید :

فناوری بلاکچین به اعتبار سنجی محتوای دیجیتال کمک می کند 

پروتکل Verify به اعتبار سنجی محتوای دیجیتال کمک می کند

پروتکل Verify به اعتبار سنجی محتوای دیجیتال کمک می کند

شرکت رسانه‌ای Fox Corp  و تیم Polygon Labs، تیم پشتیبانی از بلاکچین لایه ۲ متمرکز بر اتریوم، این چالش را مورد بررسی قرار دادند.

همکاری این دو شرکت، منجر به راه‌ اندازی پروتکل  Verifyشد. این پروتکل در حالی که به مصرف‌ کنندگان اجازه می‌ دهد صحت محتوا را تأیید کنند، مالکیت معنوی آن ها را نیز حفظ می کند.  این راه ‌حل نوآورانه توجه کمیته‌ های نظارتی ، ناشران و دیگر نهادها را به خود جلب کرده است و این پروتکل را به عنوان یک راه ‌حل قابل اعتماد برای مشکل اعتبار سنجی اطلاعت می‌ بینند.

پروتکل  verify می‌ تواند به همه‌ ی شرکت ‌های رسانه‌ای و خبری کمک کند تا محتوای خود را تأیید کنند و در عین حال از مالکیت معنوی خود محافظت کنند.

به گفته Hildebrandt  از شرکت  .Fox Corp، خبرگزاری ها، شرکت‌ های رسانه‌ای و دیگر نهادها این فناوری را به ‌طور گسترده ‌تری دریافت خواهند کرد. شرکت‌های هوش مصنوعی و تولید کنندگان محتوا هر دو از مزایای این فناوری  بهرمند می شوند: مدل‌ های هوش مصنوعی دانش جدیدی کسب می ‌کنند، در حالی که رسانه‌ ها و افراد می ‌توانند کار خود را تأیید کنند. برای کاربران نهایی که اغلب با مشکلات اعتماد به محتوا مواجه هستند، این پروتکل یک راه برای تأیید صحت و اصالت اطلاعات فراهم می‌کند.

با گسترش محتوای تولید شده توسط هوش مصنوعی، نیاز به راه‌ حل‌ های قوی‌ تر احساس می ‌شود.

فناوری بلاکچین می‌ تواند راه حل چالش عدم اعتماد به دیپ‌ فیک‌ ها و تضمین اصالت محتوای دیجیتال باشد

بلاکچین قادر است به تأیید صحت داده‌ ها و اصالت محتوا که در سراسر اینترنت در حال گسترش است، کمک کند.

بلاکچین از طریق فرایند تأیید توسط شبکه کامپیوترهای متصل به آن اطلاعات را تأیید می‌ کند. هر تراکنش یا اطلاعات جدیدی که به بلاکچین اضافه می‌ شود، باید توسط یک تعداد از کامپیوترهای موجود در شبکه تأیید شود. این فرایند تأیید توسط الگوریتم‌ های رمزنگاری و امضای دیجیتال انجام می‌ شود تا اطمینان حاصل شود که اطلاعات صحیح و قابل اعتماد است. به این ترتیب، بلاکچین از طریق تأیید توسط شبکه اطلاعات را صحت ‌سنجی می ‌کند.

 یکی از مزایای کلیدی فناوری بلاکچین، قابلیت ذخیره ‌سازی داده ها به نحوی است که اصالت داده ها تضمین شود. به عنوان مثال، وقتی محتوا در بلاکچین قرار می‌ گیرد، می ‌توان نویسنده آن را تأیید کرد و اعتماد را تقویت کرد.

همچنین، بلاکچین‌ ها قادر به اعتبارسنجی رمزنگاری شده از اصالت تصاویر، متن، ویدئو یا دارایی‌ های دیگر رسانه‌ای هستند. با قرار دادن محتوا در زنجیره بلاکچین، می‌توان تأیید کرد که محتوا توسط یک فرد یا برند خاص ایجاد شده است . در نهایت، به نفع یک برند است که به صورت پیشگامانه اطلاعات تأیید شده را ارائه دهد.

در نهایت درک اینکه محتوا از کجا می‌ آید و آیا واقعاً معتبر یا تأیید شده است، برای کاربران نهایی به ‌طور روزافزون ساده‌ تر خواهد شد.

محتوای تولید شده توسط هوش مصنوعی با سرعت بی‌سابقه‌ای تولید می‌شود و این فرآیند با افزایش قابلیت‌های هوش مصنوعی ادامه خواهد داشت.

امید است که پروتکل Verify به کشف محتوای ناقص کمک کند تا در دنیایی که همه چیز همیشه قابل اعتماد نیست، کاربران احساس راحتی کنند.

استارتاپ ها به دنبال راهی برای تائید صحت اطلاعات در دنیای هوش مصنوعی

استارتاپ ها به دنبال راهی برای تائید صحت اطلاعات در دنیای هوش مصنوعی

صحت اطلاعات در استفاده از هوش مصنوعی بسیار حیاتی است زیرا اطلاعات نادرست یا ناقص می تواند منجر به تصمیمات نادرست و خطرناک شود. در حوزه هوش مصنوعی، داده های صحیح و دقیق از اهمیت بسیاری برخوردار هستند زیرا الگوریتم ها و مدل های هوش مصنوعی بر اساس این داده ها عمل می کنند.

 استفاده از داده های نادرست می تواند منجر به تبعیض، ناعدالتی و حتی خطر جانی شود. به عنوان مثال، اگر یک سیستم هوش مصنوعی بر اساس داده های نادرست آموزش دیده باشد، ممکن است تصمیمات نادرستی در مورد تشخیص بیماری ها، پیش بینی جرم و جنایت و یا حتی تصمیمات مهم دیگر بگیرد.

 بنابراین، اطمینان از صحت و دقت داده ها و اطلاعات استفاده شده در مدل های هوش مصنوعی بسیار حیاتی است. برای این منظور، لازم است که داده ها از منابع معتبر و قابل اعتماد جمع آوری شوند و همچنین الگوریتم ها و مدل های هوش مصنوعی به صورت  دقیق آموزش داده شوند. از این رو، توجه به صحت اطلاعات یکی از اصول اساسی در طراحی و استفاده از سیستم های هوش مصنوعی است.

با افزایش استفاده از هوش مصنوعی و امکان تغییر دادن محتوا در اینترنت، نیاز به اطمینان از صحت داده‌ها و برندها از همیشه بیشتر شده است.  Scott Dykstra مشاور فناوری و ‌بنیان ‌گذار استارتاپ Space and Time، در پادکست TechCrunch’s  Chain Reaction podcast  تاکید می کند که باید از اطلاعات و برندها اطمینان حاصل شود .

برای مثال، در زمان فروپاشی صرافی رمزارز  FTX، این سازمان داده‌های داخلی خود را تغییر داده و سرمایه‌گذاران را گمراه کرده بود.  این کار مشابه درخواستی به پایگاه داده برای دریافت سوابق مالی است در صورتی که  اطلاعات در داخل پایگاه داده تغییر داده شده است.در واقع FTX یک سازمان بود که مردم  به عنوان یک برند به آن‌ اعتماد داشتند. این مشکل به فروپاشی FTX محدود نمی شود و در موسسات مالی، انگیزه‌ای برای تغییر سوابق وجود دارد. بنابراین این مشکل به طور مداوم مشاهده می شود .

اما چه راه‌ حلی برای این مشکل وجود دارد؟ از نظرDykstra  راه حل در تأیید داده‌ ها و استفاده از روش

zero-knowledge proofs(zk proofs  ) است. در این روش از عملیات‌ های رمزنگاری برای اثبات اعتبار اطلاعات استفاده می شود، بدون اینکه داده‌ ی اصلی افشا شود.

به عبارت دیگر، این الگوریتم به اثبات ‌کننده اجازه می دهد که بدون انتقال هر گونه اطلاعات اضافی، صحت ادعای خود را ثابت کند.

 هر زمان که انگیزه‌ای برای تغییر داده‌ها، قیمت‌ها، دفاتر و مالیات وجود داشته باشد، الگوریتم ZK proofs می تواند برای تأیید و بازیابی داده‌ها مورد استفاده قرار گیرد.

در سطح بالا، الگوریتم ZK proofs  برای تأیید درستی یک موضوع بدون افشای هیچ اطلاعاتی به جز اینکه آیا درست است یا نه، کار می کنند. به عنوان مثال، اگر بخواهم بفهمم امتیاز اعتباری کسی بیش از ۷۰۰ است، اگر چنین چیزی وجود داشته باشد، یک اثبات‌ کننده ZK می تواند به تأیید کننده اطلاع دهد که این موضوع درست است، بدون افشای دقیق عدد مورد نظر.

هدف استارتاپ Space and Time  این است که به عنوان لایه محاسبات قابل تأیید برای web3  با ایندکس‌ گذاری داده‌ ها به صورت off-chain و on-chain عمل کند.

در حال حاضر، این استارتاپ بلاکچین های بزرگی مانند  Ethereum، Bitcoin، Polygon، Sui، Avalanche، Sei  و Aptos  را ایندکس‌ گذاری کرده است و در حال افزودن پشتیبانی برای بلاکچین های دیگر به منظور توانمندی در آینده هوش مصنوعی و فناوری بلاکچین است.

در حال حاضر تیم‌ هایی بر روی ساخت  الگوریتم های  ZK proofs برای یادگیری ماشین یا مدل‌های زبان بزرگ کار می کنند، اما ایجاد این الگوریتم ها ممکن است سال‌ها طول بکشد. این به این معناست که اپراتور مدل می تواند سیستم یا LLM  را دستکاری کند و تائید صحت اطلاعات را با مشکل مواجه کند.

داده‌های هوش مصنوعی به راحتی قابل تأیید نیستند و این نگرانی وجود دارد که به طور موثر قادر به تأیید اجرای صحیح یک مدل زبان بزرگ (LLM) نباشیم.

 از نظر کارشناسان Space and Time نیاز به یک “پایگاه داده‌ غیر متمرکز و در سطح جهانی و همیشه در دسترس” وجود دارد که از طریق زنجیره‌ های بلاکچین ایجاد شود. همه باید به آن دسترسی داشته باشند و نباید انحصاری باشد و راهی برای اجتناب از این موضوع وجود ندارد.

به عنوان مثال، در یک سناریوی فرضی که توسطDykstra   ارائه شده است، یک OpenAI  نمی تواند مالک پایگاه داده‌ای از یک مجله باشد که خبرنگاران برای آن محتوا تولید می ‌کنند. به جای آن، پایگاه داده باید توسط جامعه مالکیت داشته باشد و توسط جامعه به نحوی که به راحتی در دسترس و غیرقابل سانسور باشد، اداره شود.

اگر مایلید درباره ی هوش مصنوعی مولد بیشتر بدانید ، پیشنهاد می کنیم مطلب زیر را مطالعه بفرمایید:

هوش مصنوعی(Generative AI) مولد چیست؟