هوش مصنوعی داده‌محور برای کاربردهای چندرشته‌ای ۲۰۲۴
Data-Centric Artificial Intelligence for Multidisciplinary Applications 2024

این کتاب به بررسی ضرورت رویکرد هوش مصنوعی داده‌محور و کاربرد آن در حوزه‌های چندرشته‌ای، در مقایسه با رویکرد مدل‌محور می‌پردازد. این اثر، روش‌شناسی‌های رویکردهای داده‌محور، کاربرد این رویکردها در حوزه‌های مختلف، نیاز به هوش مصنوعی لبه (Edge AI) و تفاوت آن با هوش مصنوعی مبتنی بر ابر را بررسی می‌کند. کتاب حاضر به معرفی دسته‌بندی جدیدی از فناوری هوش مصنوعی، با عنوان “هوش مصنوعی داده‌محور” (DCAI) می‌پردازد که بر درک، استفاده و نتیجه‌گیری از داده‌ها تمرکز دارد. هوش مصنوعی داده‌محور با افزودن ابزارهای یادگیری ماشین و تحلیل کلان‌داده، این امکان را فراهم می‌کند که به جای تکیه بر الگوریتم‌ها، از داده‌ها بیاموزد. بنابراین، می‌تواند انتخاب‌های هوشمندانه‌تری داشته باشد و نتایج دقیق‌تری ارائه دهد. علاوه بر این، هوش مصنوعی داده‌محور پتانسیل این را دارد که به طور قابل توجهی مقیاس‌پذیرتر از روش‌های هوش مصنوعی سنتی باشد.

• شامل مجموعه‌ای از مطالعات موردی با نتایج تجربی برای پیروی از رویکردهای عملی است.

• چالش‌های مربوط به تولید مجموعه داده، مجموعه‌داده‌های مصنوعی، تجزیه و تحلیل و الگوریتم‌های پیش‌بینی را به روش‌های تصادفی بررسی می‌کند.

• روش‌شناسی‌هایی را برای دستیابی به نتایج دقیق از طریق بهبود کیفیت داده‌ها مورد بحث قرار می‌دهد.

• شامل مواردی در حوزه‌های بهداشت و کشاورزی، همراه با پیاده‌سازی و تأثیر داده‌های باکیفیت در ساخت برنامه‌های کاربردی هوش مصنوعی است.

This book explores the need for a data‐centric AI approach and its application in the multidisciplinary domain, compared to a model‐centric approach. It examines the methodologies for data‐centric approaches, the use of data‐centric approaches in different domains, the need for edge AI and how it differs from cloud‐based AI. It discusses the new category of AI technology, “data‐centric AI” (DCAI), which focuses on comprehending, utilizing, and reaching conclusions from data. By adding machine learning and big data analytics tools, data‐centric AI modifies this by enabling it to learn from data rather than depending on algorithms. It can therefore make wiser choices and deliver more precise outcomes. Additionally, it has the potential to be significantly more scalable than conventional AI methods.

• Includes a collection of case studies with experimentation results to adhere to the practical approaches

• Examines challenges in dataset generation, synthetic datasets, analysis, and prediction algorithms in stochastic ways

• Discusses methodologies to achieve accurate results by improving the quality of data

• Comprises cases in healthcare and agriculture with implementation and impact of quality data in building AI applications