اینترنت اشیاء (Internet of Things – IoT) و هوش مصنوعی (Artificial Intelligence – AI) ارتباط عمیقی با هم دارند. سیستم‌های IoT داده‌های بزرگ (Big Data) تولید می‌کنند، در حالی که داده‌ها قلب AI و یادگیری ماشین (Machine Learning) هستند. همزمان با گسترش سریع دستگاه‌های متصل و حسگرها، نقش تکنولوژی‌های هوشمند در این فضا هم روزبه‌روز بیشتر می‌شود.
امروزه کاربردهای هوش کامپیوتری در محصولات IoT متنوع است. در این مقاله، می‌خواهم روی حوزه خاصی از AI تمرکز کنم: پردازش زبان طبیعی (Natural Language Processing – NLP).
قدرت درک گفتار (The Power of Speech Understanding)
یکی از مفاهیم اصلی پردازش زبان طبیعی (NLP)، توانایی درک گفتار انسان است. بدون NLP، پیاده‌سازی کنترل صوتی روی سیستم‌های مختلف عملاً غیرممکن بود.
در IoT، ارزش تشخیص گفتار (Speech Recognition) را نمی‌توان دست‌کم گرفت. رابط‌های صوتی بدون نیاز به دست (Hands-Free Voice Interfaces) مزایای بزرگی برای محیط‌های IoT به ارمغان می‌آورند. گاهی فقط بحث کاربری (Usability) است—هرچه سیستمی پیچیده‌تر باشد، ساخت رابط کاربری موبایلی یا وب کاربرپسند برای کنترل آن سخت‌تر می‌شود. اما رابط صوتی به‌طور ذاتی بصری و ساده است و نیازی به یادگیری پیچیده ندارد.
گاهی هم رابط صوتی فراتر از کاربری، به ایمنی (Safety) مربوط می‌شود. تصور کنید تکنسینی که روی خطوط برق 150 فوتی کار می‌کند و به‌جای کنترل دستی، با دستورات صوتی ابزارهای دیجیتال را مدیریت می‌کند، یا راننده‌ای که بدون استفاده از دست، دستگاه‌ها را کنترل می‌کند.
در بازار مصرف‌کننده‌ها هم محبوبیت کنترل صوتی رو به افزایش است. حدود 50 درصد خانوارهای آمریکایی از صدا برای دسترسی به محتوای آنلاین استفاده می‌کنند. بنابراین، افزایش دستگاه‌های هوشمند مصرفی که با صدا فعال می‌شوند، گامی طبیعی در تکامل تکنولوژی است.
علاوه بر این، NLP نه‌تنها امکان ادغام درک صوتی در دستگاه‌ها و حسگرها را فراهم می‌کند، بلکه با قابلیت ترجمه ماشینی (Machine Translation)، ویژگی‌های بومی‌سازی (Localization) را هم ممکن می‌سازد. با سطح جهانی‌سازی بازار امروزی، بومی‌سازی فراتر از ترجمه ساده می‌رود و مزایای ترجمه خلاقانه (Transcreation) را هم به همراه دارد.
ترجمه ماشینی برای هر محصول IoT با قابلیت تشخیص گفتار که برای توزیع بین‌المللی طراحی شده، ارزشمند است. اما خود قابلیت ترجمه هم به‌تنهایی کمتر از این ارزش ندارد.
مثلاً استارتاپ توکیویی ili یک دستگاه پوشیدنی ساخته که می‌تواند عبارات رایج ساده را برای مسافران بدون نیاز به اینترنت ترجمه کند. Pilot هم دستگاه متصل دیگری است که ترجمه در لحظه را ممکن می‌کند. برخلاف ili، این دستگاه گفت‌وگوی دوطرفه را فراهم می‌کند؛ نه‌تنها زبان‌های مختلف را درک می‌کند، بلکه پاسخ مرتبط را به زبان خارجی تولید می‌کند.
دستیارهای ضروری (Indispensable Assistants)
تشخیص گفتار با مفهوم دیگر NLP یعنی پاسخ‌گویی به سؤالات (Question Answering) دست‌در‌دست هم کار می‌کند. این اصطلاح خودش گویای همه‌چیز است. وظایف پاسخ‌گویی به سؤالات به ما اجازه می‌دهد به سؤالاتی که به زبان طبیعی مطرح می‌شوند، پاسخ دهیم.
امروزه، دستگاه‌های بیشتری که به تشخیص گفتار مجهزند، از پاسخ‌گویی به سؤالات برای بازخورد به ورودی‌های کاربر استفاده می‌کنند. معروف‌ترین مثال‌ها، دستیارهای خانگی محبوب مثل Amazon Alexa، Google Home و Apple HomePod هستند. این دستگاه‌ها با صدا فعال و کنترل می‌شوند و می‌توانند به سؤالات متنوع پاسخ دهند. در نتیجه، دستیارهای صوتی (Voice Assistants) با کمک به کاربران برای دسترسی سریع به اطلاعات، بهره‌وری را افزایش می‌دهند.
پاسخ‌گویی به سؤالات در صنایعی مثل مراقبت‌های بهداشتی (Healthcare) ارزش بیشتری دارد. بیمارستان دانشگاه توماس جفرسون با همکاری IBM Watson IoT این ایده را عملی کرده و محیطی ایجاد کرده که بیماران می‌توانند با گفتار طبیعی، یک کنسیرج هوشمند (Smart Concierge) را در اتاق‌شان مدیریت کنند. این کنسیرج دیجیتال می‌تواند به سؤالات پاسخ دهد و حتی شرایط محیطی مثل نور و دما را بر اساس ترجیحات بیماران تنظیم کند.
این مثال نشان می‌دهد که توانایی‌های دستیارهای دیجیتال فراتر از کنجکاوی و کاربری است و کمک ملموسی به آسایش انسان‌ها می‌کند.
یک مفهوم دیگر NLP پشت پاسخ‌گویی به سؤالات، بازیابی اطلاعات (Information Retrieval) است. با این وظیفه NLP، سیستم‌ها می‌توانند اطلاعات مرتبط را از منابعی مثل مقالات علمی، اسناد و فیدها استخراج کنند. علاوه بر این، یادگیری ماشین این قابلیت را تقویت می‌کند و روی اطلاعات بازیابی‌شده کار می‌کند—تحلیل، یافتن الگوها و همبستگی‌ها، و تشخیص سریع ناهنجاری‌ها.
در فضای IoT، ترکیب NLP و یادگیری ماشین به دستگاه‌های هوشمند اجازه می‌دهد پاسخ‌های مرتبط ارائه دهند. خودروهای متصل (Connected Cars) مثال بارزی در این زمینه هستند. با پیشرفت‌های NLP و یادگیری ماشین، چشم‌انداز خودروسازی به‌سرعت تغییر کرده و رانندگان را با ناوبری هوشمند (Smart Navigation)، ویژگی‌های ایمنی قوی و کنترل صوتی خودروها مجهز کرده است.
درک احساسات (Understanding Emotion)
توانایی درک متن به‌خودی‌خود گنجی است، اما گفتار انسان پیچیده‌تر از متن ساده است. معمولاً وقتی حرف می‌زنیم، گفتارمان را با احساسات غنی می‌کنیم. با استفاده از تحلیل احساسات (Sentiment Analysis)، که به‌عنوان هوش احساسی (Emotion AI) هم شناخته می‌شود، دستگاه‌ها می‌توانند احساسی بودن را تشخیص دهند و زمینه را بهتر درک کنند.
تحلیل احساسات به ما کمک می‌کند اطلاعات ذهنی مثل واکنش احساسی گوینده را شناسایی، استخراج و مطالعه کنیم. مثلاً، API IBM Watson برای تحلیل احساسات به توسعه‌دهندگان اجازه می‌دهد سیستم‌هایی بسازند که بتوانند سازگاری، وظیفه‌شناسی، برون‌گرایی، دامنه احساسی و باز بودن را در زبان طبیعی تشخیص دهند.
این قابلیت‌ها فضای جدیدی برای دستگاه‌های هوشمند در صنایع مختلف باز می‌کنند. اول از همه، تحلیل احساسات ابزاری عالی برای بازاریابان است. ما می‌توانیم کلمات‌مان را کنترل کنیم، اما پنهان کردن احساسات سخت‌تر است. با تحلیل واکنش‌های احساسی به محصولات، بازاریابان می‌توانند نتیجه‌گیری‌های مبتنی بر داده درباره موفقیت یا شکست‌شان داشته باشند.
امروزه این رویکرد توسط Disney Research با موفقیت اجرا شده است. این شرکت قصد دارد از تحلیل احساسات همراه با بینایی کامپیوتری (Computer Vision) برای درک واکنش مردم به فیلم‌ها استفاده کند.
فناوری مشابه با NLP می‌تواند محیط‌های خانه هوشمند (Smart Home) را هم تقویت کند. با تحلیل احساسات، سیستم‌های متصل می‌توانند واکنش کاربران به اخبار، موسیقی یا هر سرویس دیگری که توسط دستگاه‌های هوشمند خانه کنترل می‌شود را درک کنند.
خدمات مشتری (Customer Service) هم می‌تواند از تحلیل احساسات بهره ببرد. این حتی ممکن است نظرسنجی‌های ناکارآمد را حذف کند. به‌جای آن، یک کنسیرج هوشمند می‌تواند چند سؤال درباره تجربه مشتریان بپرسد و سطح رضایت آن‌ها را به‌طور خودکار تعیین کند.
به‌طور کلی، این ویژگی‌ها هم می‌توانند مزیت رقابتی برای کسب‌وکارها ایجاد کنند و هم شخصی‌سازی محصولات و خدمات را برای مشتریان ممکن سازند. علاوه بر این، با تحلیل احساسات و پایش روندها، دستگاه‌های متصل می‌توانند پاسخ‌ها را پیدا کنند و محصولاتی را که مصرف‌کنندگان نیاز دارند و می‌خواهند، ارائه دهند.
نتیجه‌گیری
همان‌طور که می‌بینید، اینترنت اشیاء نه‌تنها اشیا را به هم متصل می‌کند، بلکه تکنولوژی‌ها را هم به هم پیوند می‌دهد. جهانی را تصور کنید که در آن دستگاه‌ها با انسان‌ها هماهنگ کار می‌کنند، سؤالات‌شان را درک می‌کنند، نیازهایشان را حس می‌کنند و پاسخ‌های مرتبط ارائه می‌دهند. در حال حاضر، چنین جهانی فقط با بهبود هوش مصنوعی و NLP ممکن است—تکنولوژی‌هایی که درک زمینه‌ای را فراهم می‌کنند و به دستگاه‌های هوشمند اجازه می‌دهند واقعاً مشکلات ما را حل کنند.
منبع: iotforall