وبلاگ

راهنمای انتخاب لپ‌تاپ

راهنمای انتخاب لپ‌تاپ

وقتی به دنبال خرید لپ‌تاپ دانشجویی یا دانش آموزی باشید قطعاً لپ‌تاپ‌های جدید توجه شما را جلب می‌کنند؛ در بازار محصولی مثل MacBook Pro جدید را خواهید دید با پردازشگر Core i9 اینتل و 32 گیگابایت حافظه رم – و البته کارت گرافیک فوق العاده‌ی AMD Vega – شاید تصور کنید برای انجام کارهای مدرسه به چنین لپ‌تاپ قدرتمندی نیاز دارید، اما خوشبختانه این طور نیست.
قطعاً برخی از دانش آموزان یا دانشجویان به چنین لپ‌تاپ‌هایی نیاز دارند. مثلاً دانشجویان رشته‌های مهندسی به کارت گرافیک و پردازشگرهای قدرتمندی نیاز دارند تا بتوانند تکالیف و پروژه‌ها را اجرا کنند؛ همچنین دانشجویان یا دانش آموزانی که کارهای گرافیکی سه بعدی سنگینی انجام می‌دهند. اما مثلاً اگر کار شما در حد نوشتن یک مقاله یا گزارش معمولی است، یک کروم بوک با رم 4 گیگابایتی برای انجام کارهای شما کفایت خواهد کرد.

lap top
در این مطلب نگاهی می‌کنیم به این موضوع که با توجه به حجم کارهای روزمره دانشجویان و دانش آموزان، چه نوع سخت افزاری نیاز آن‌ها برای انجام تکالیف و کارهای مدرسه و دانشگاه را رفع می‌کند. خبر خوب اینکه با بررسی این لیست می‌توانید یک لپ‌تاپ مناسب تر با هزینه کمتر پیدا کنید که متناسب با نیاز و حجم کارهای شما باشد.

lap top

برای نوشتن متن و ویراستاری نیاز به لپ‌تاپ قدرتمندی ندارید
ما برای تولید محتوای سایتمان کارهای زیادی در حوزه ویرایش متن و نویسندگی انجام می‌دهیم و طبق تجربه ما، برای انجام چنین کارهایی نیازی به یک لپ‌تاپ خیلی قوی ندارید. حتی با 8 گیگابایت رم – یا در صورت محدود بودن بودجه، 4 گیگابایت – باز هم می‌توانید بیشتر کارهایتان را انجام دهید. بخصوص اگر همزمان روی یک یا دو پروژه کار می‌کنید با چنین لپ‌تاپی مشکل خاصی نخواهید داشت چون تب‌های Google Docs منابع چندانی از سیستم شما را مشغول نمی‌کنند.
اما مسلماً کاربرانی هم هستند که معمولاً 30 تب در مرورگر باز کرده و همزمان به اپل موزیک هم گوش می‌کنند. اگر شما هم از این گروه هستید و نمی‌توانید روش کارتان را تغییر دهید، به لپ‌تاپی با حدود 16 گیگابایت رم نیاز خواهید داشت.
اما در رابطه با پردازشگر؛ اگر مدتیست که به دنبال تهیه یک لپ‌تاپ جدید هستید، حتما در تبلیغات پردازشگرهای Core i7 یا Core i9 زیادی دیده اید که البته چنین لپ‌تاپ‌هایی قیمت‌های بالایی هم دارند. ولی شما برای انجام کارهای دانش آموزی نیاز به چنین پردازشگری ندارید.
برای اکثر کاربران، پردازشگر Core i5 اینتل کفایت می‌کند بخصوص اگر تراشه آن از نسل هشتم اینتل مثل Kaby Lake Refresh یا Whiskey Lake Ultrabook باشد. این پردازشگر 4 هسته و سرعت کلاک بالایی دارد که برای انجام تمام کارهای شما کافی است.
لپ‌تاپ Microsoft Surface Go یکی از مدل‌های محبوب برای دانش آموزان است، بخصوص آنهایی که در رشته علوم انسانی تحصیل می‌کنند. این لپ‌تاپ قدرت خارق العاده‌ای ندارد اما برای انجام کارهای معمولی مدرسه کفایت می‌کند. هر چند تبلیت‌های ویندوزی در اصل برای کار با ویندوز طراحی شده اند چون سازنده این تبلت‌ها شرکت مایکروسافت است اما با این وجود این محصول ثابت کرده که یک لپ‌تاپ کمتر قدرتمند هم می‌تواند به اندازه کافی خوب عمل کند.
بعلاوه تصور نکنید که گزینه‌های شما فقط به macOS Catalina یا Windows 10 محدود می‌شوند. در حال حاضر کروم بوک‌های بسیار خوبی در بازار هستند که فقط آیتم‌های ضروری در آنها وجود دارد. اگر همه کارهای مدرسه شما در یک مرورگر وب قابل انجام است، یک کروم بوک برای شما کافیست. بعلاوه خیلی از کروم بوک‌ها صفحه نمایش فوق العاده‌ای دارند که برای انجام کارهایی مثل تماشای برنامه‌های نت‌فلیکس در اوقات بیکاری مناسب است.
لپ‌تاپ Microsoft Surface Go با صفحه کلید مدل Type Cover برای دانش آموزان رشته‌های علوم انسانی گزینه بسیار مناسبی است، همچنین به لطف صفحه لمسی و فضای ذخیره فوق العاده زیادی که نسبت به سایزش دارد، برای دانش آموزان رشته طراحی هم می‌تواند مناسب باشد.

lap top

گزینه‌های مناسب برای رشته‌های مهندسی
اما در بسیاری از موارد ممکن است دانش آموزان و دانشجویان نیاز به لپ‌تاپ قدرتمندتری داشته باشند. مسلماً تمام کارهای مدرسه یا دانشگاه به نوشتن مقاله‌های ساده ختم نمی‌شود.
دانشجویان رشته‌هایی مثل علوم کامپیوتر و مهندسی نیاز به کامپیوترهای قدرتمندتری دارند. برای چنین دانشجویانی انتخاب یک لپ‌تاپ با پردازشگر قدرتمند و یک کارت گرافیک قوی ضروری است. هر چند نیاز به چنین قدرت پردازشی باعث می‌شود که این دانشجویان به فکر خرید لپ‌تاپ‌های گیمینگ باشند اما مدل‌های مختلفی در بازار هستند که برای انجام کارهای سنگین طراحی شده اند.
لپ‌تاپ‌هایی مثل Lenovo ThinkPad P73 از سری mobile workstation، مجهز به کارت گرافیک Nvidia Quadro و پردازشگر Intel Xeon هستند که می‌توانید با استفاده از آن کارهای سنگینی انجام دهید. قیمت این لپ‌تاپ‌ها نسبتاً بالاست و بهترین گزینه‌ها محسوب نمی‌شوند اما در مجموع لپ‌تاپ‌های سری mobile workstation برای دانش آموزان رشته‌های مهندسی بسیار مناسب هستند.
این موضوع برای دانشجویانی که باید کارهای خلاقانه انجام دهند هم صدق می‌کند. اگر کارهایی مثل پردازش تصویر سه بعدی یا ویرایش ویدیو انجام می‌دهید یک اولترابوک سبک و ظریف برای شما کفایت نمی‌کند و در چنین شرایطی هم نیاز به لپ‌تاپی در رده workstation دارید.
اما با توجه به این واقعیت که بسیاری از دانشجویان بودجه زیادی برای تهیه دستگاه‌های حرفه‌ای ندارند، محصولی مثل Dell XPS 15 یا MacBook Pro 15 اینچی هم معمولاً برای انجام کارهایشان کفایت می‌کند.
MacBook Pro 15 اینچی تولید سال 2019 مجهز به نسل نهم پردازشگرهای اینتل و کارت گرافیک AMD Radeon Pro است که برای کارهای سنگین هم بسیار مناسب است. بعلاوه صفحه نمایش Retina این محصول کیفیت بسیار خوبی دارد و می‌توانید با مکانیزم Touch ID آن را قفل کنید.

lap top

توجه به سرگرمی و اوقات فراغت
باید این نکته را هم در نظر داشت که دانشجویان یا دانش آموزان تمام اوقات در حال کار و انجام تکالیف مدرسه نیستند و به هر حال در اوقات فراغت و یا پس از انجام تکالیف درسی نیاز به استراحت و سرگرمی پیدا می‌کنند. یکی از این سرگرمی‌ها تماشای فیلم و سریال‌های نت‌فلیکس است که خوشبختانه امروزه بیشتر لپ‌تاپ‌ها قدرت کافی برای این کار را دارند. پس اگر شما هم علاقه دارید که در اوقات فراغت فیلم و سریال تماشا کنید، نیاز به صفحه نمایشی خواهید داشت که با استانداردهای مدنظر شما همخوانی داشته باشد. اگر رزولوشن و وضوح تصویر برای شما اهمیت دارد، پس توصیه می‌کنیم که لپ‌تاپی با صفحه نمایش 4K انتخاب کنید. حتی اگر لپ‌تاپ انتخابی شما صفحه نمایش 4K نداشته باشد، باز هم تقریباً تمام لپ‌تاپ‌های موجود در بازار امکان اتصال به تلویزیون و پشتیبانی از 4K با کابل HDMI یا USB-C را دارند.
اما کاربرانی که به گیمینگ و بازی‌های کامپیوتری علاقه زیادی دارند، با بررسی قیمت‌ها متوجه می‌شوند که لپ‌تاپ‌های دارای کارت گرافیک Nvidia GeForce RTX 2080 قیمت بسیار بالایی دارد. اما اگر بازی‌های محبوب شما چندان سنگین نیستند، انتخاب لپ‌تاپی با گرافیک GTX 1660 Ti یا GTX 1650 هم برای شما مناسب خواهد بود. اگر برای پرداخت هزینه مشکلی ندارید، می‌توانید مدل‌های قدرتمندتر را انتخاب کنید تا بازی‌های سنگین تری مثل Cyberpunk 2077 را به خوبی اجرا کنند.
همانطور که در ابتدای مطلب اشاره شد برای انجام کارهای مدرسه یا دانشگاه نیاز به قدرتمندترین لپ‌تاپ بازار ندارید اما باید به این واقعیت هم توجه داشت که هر فردی علایق خاص خود را دارد و زندگی دانش آموزی هم صرفاً محدود به درس و مدرسه نیست.
یکی از گزینه‌های مناسب و توصیه شده Razer Blade 15 است که دارای صفحه نمایش 144هرتزی، کارت گرافیک RTX 2060 و نسل نهم پردازشگر Core i7 اینتل است.

lap top

چه محصولی را انتخاب کنیم؟
نکته مهمی که بیش از هر چیزی باید به آن توجه باشید، توجه به نیازهای خود شماست نه مدل لپ‌تاپی که دیگران دارند. با انتخاب لپ‌تاپی که واقعاً به قابلیت‌های آن نیاز داشته باشید، می‌توانید به میزان زیادی در هزینه‌ها صرفه جویی کنید.
با این وجود مشکلی نیست که برای تفریح و سرگرمی یک محصول قدرتمندتر را انتخاب کنید، فقط باید توجه داشته باشید که برای انتخاب لپ‌تاپقدرتمندتر نیاز به پرداخت هزینه بیشتری دارید.
در نهایت، باید توجه داشت که معمولاً برای اینکه چه لپ‌تاپی نیازهای شما را رفع می‌کند، اطلاعات نادرست زیادی در اختیار شما قرار داده می‌شود. اما اگر بودجه محدودی دارید باز هم گزینه‌های زیادی در دسترس شما خواهند بود. به خاطر داشته باشید که در سال 2019 هنوز هم کروم بوک‌های خوب زیادی موجود هستند که برای انجام کارهای مدرسه و دانشگاه کفایت می‌کنند بخصوص اگر کار شما فقط به ویرایش متن و کار با Google Docs محدود می‌شود.

وبلاگ

انتخاب راهکارهای امنیتی مناسب برای محیط‌های کار با داده‌های حجیم

انتخاب راهکارهای امنیتی مناسب برای محیط‌های کار با داده‌های حجیم

امروزه دیتا یعنی پول و ثروت؛ برای برخی سازمان‌ها دیتا تبدیل به ارزشمندترین کالا شده و این یعنی حالا قدرت در دست مصرف کنندگان و مشتریان است. کسب و کارها می‌توانند با جمع آوری دیتاست‌های عظیم و شناسایی الگوهای بازار، گرایشات روز و ارتباطات موجود در این داده‌ها رفتار و تعاملات انسان‌ها را تحلیل کرده و تصمیماتی بگیرند که تجربیات مشتریان را به بهترین شک ممکن اصلاح کند. بیگ دیتا یک کسب و کار عظیم است و تمام سازمان‌ها با هر ابعاد و اندازه‌ای در حال سرمایه گذاری روی علم داده و پلتفرم‌های تحلیلی هستند. هر زمان که نام داده به میان می‌آید باید بلافاصله به موضوع امنیت پرداخت بخصوص با توجه به اینکه حالا بیگ دیتا همه جا حضور دارد – در داخل سازمان‌ها، کلود، در جریان‌های داده‌ای که از حسگرها و دستگاه‌های مختلف استخراج می‌شوند و در هنگام انتقال آنها به اینترنت. اما معمولاً جنبه امنیتی این دیتاست‌ها نادیده گرفته می‌شود. طی پنج سال اخیر همزمان با رشد حجم داده‌هایی که سازمان‌ها درخواست و جمع آوری می‌کنند، میزان نشت داده نیز افزایش یافته است. یاهو، فیسبوک، دراپ‌باکس، اکوئیفاکس، توئیتر و گوگل تنها چند نمونه از کمپانی‌هایی هستند که برای جمع آوری داده‌های حجیم و همچنین نشت داده‌های مشتریانشان شناخته شده‌اند. حالا با توجه به انبوه اطلاعات شخصی حساسی که توسط کمپانی‌ها جمع آوری می‌شود، مجرمین سایبری بیش از قبل به دنبال دسترسی به این داده‌ها برای انجام اقدامات خرابکارانه هستند. در این مقاله انتخاب راهکارهای امنیتی مناسب برای محیط‌های کار با داده‌های حجیم را بررسی می کنیم.

برای محافظت از اطلاعات شخصی در این عرصه باید به امنیت داده محور روی آورد. امنیت داده محور سعی دارد به جای تمرکز بر مسیرهای حمله قدیمی که مربوط به زیرساخت‌های IT یا امنیت سیستم‌ها بود بر خود داده‌ها – تغییر دادن ماهیت دیتا برای محافظت از آن در برابر سوء استفاده و جاسوسی – متمرکز شود. با این حال انتخاب یک راهکار درست و مناسب از بین گزینه‌های داده محور موجود می‌تواند کار سختی باشد. شرکت‌های مختلف ادعا می‌کنند که می‌توانند راهکارهای داده محور مناسبی ارائه کنند اما در اغلب موارد این راهکارها به گونه‌ای نیستند که بتوان از آنها در محیط‌های تحلیل داده‌های حجیم استفاده کرد.
•ایجاد خط لوله‌های قابل اطمینان برای دیتا به کمک هوش مصنوعی و DataOps
•نفوذ بیگانگان به سرورها: امنیت داده‌ها و اقتصاد گیگ (Gig Economy)
•مقابله با جرایم سایبری به کمک فرهنگ امنیت
یک راهکار داده محور ایده آل برای تحمل بار کاری ناشی از نیازهای تحلیلی آینده باید چندین جنبه حیاتی و مهم را داشته باشد. این راهکارها برای محافظت موثر و کارآمد از داده‌های حجیم باید خصوصیات زیر را داشته باشند:

مقیاس پذیری
طبیعتاً امروزه داده‌های حجیم همواره در حال استفاده هستند و به همین دلیل حفظ امنیت آن یه امر ضروری است.
بنابراین راهکارهای داده محور باید بدون هر گونه تاثیری بر کارایی و عمکرد فعلی، قابلیت مقیاس پذیری برای هر نوع حجم کاری را داشته باشند صرف نظر از این که قرار است از این داده‌ها به صورت لحظه‌ای و بلادرنگ استفاده شود یا تاریخچه آنها مورد تحلیل قرار بگیرد.

عملکرد بی وقفه
با توجه به اینکه امروزه هوش مصنوعی و یادگیری ماشینی در خیلی از نرم افزارها مورد استفاده قرار می‌گیرند، کسب و کارها سعی دارند از این تکنولوژی‌ها در سیستم‌هایشان استفاده کنند تا با استفاده از نیروی انسانی کمتر، داده‌های بیشتری را پردازش کنند.
همچنین از آنجا که سرعت برای کسب و کارها اهمیت زیادی دارد، امنیت هم باید سرعتی همگام با سرعت رشد و تحول کسب و کارها داشته باشد. تنها راه رسیدن به این هدف استفاده از راهکارهای امنیتی داده محوری است که بتواند به خوبی از قابلیت‌های هوشمند خود برای استریم‌های دیتا و توزیع بار کاری استفاده کند.

انتخاب راهکارهای امنیتی مناسب برای محیط‌های کار با داده‌های حجیم

دسترس پذیری و قابلیت سازگاری
ویژگی‌هایی مثل دسترس پذیری و قابلیت سازگاری همواره مورد نیاز هستند و امنیت نباید عاملی برای حذف این ویژگی‌ها باشد. اگر به هر دلیلی مشکلی ایجاد شد، تکنولوژی امنیتی باید با قابلیت‌هایی که در زمینه تحمل خطا دارد، این تضمین را ایجاد کند که مشکلات به صورت خودکار و بدون اختلال در عملکرد کلی سیستم حل خواهند شد.
راهکارهای داده محور برای ایجاد حداکثر میزان ارزش و محافظت باید به هر جایی که احتمالاً دیتایی در آنجا هست، دسترسی داشته باشند.

انعطاف پذیری
بسیاری از سازمان‌ها برای پیاده سازی سیستم‌ها، استانداردها و پلتفرم‌هایی به هم پیوسته جهت اجرای پروژه‌های بیگ دیتا از فریم ورک‌های بیگ دیتا مثل Spark، MapReduce و Hadoop استفاده می‌کنند.
اما این محیط‌های اپن سورس روی سیستم‌های سنتی و قدیمی‌تر کار می‌کنند و با توجه به این که دائماً شاهد ظهور تکنولوژی‌های جدید هستیم، راهکار داده محور باید سطح انعطاف پذیری لازم را داشته باشد تا این اطمینان ایجاد شود که این راهکار قدیمی و از رده خارج نشده است.

انتخاب راهکارهای امنیتی مناسب برای محیط‌های کار با داده‌های حجیم

پوشش تمام محیط‌ها
با ظهور تحول دیجیتال، محیط‌های رایانش ابری برای تمام کسب و کارها جذابیت بیشتری پیدا کرده اند. یکی از ویژگی‌های لازم برای راهکار امنیتی مورد استفاده سازمان‌ها، پشتیبانی از محیط فعلی و یا محیط مورد استفاده‌ی سازمان در آینده برای تحلیل داده‌های حجیم است؛ چه این محیط داخلی باشد، چه روی بستر ابر باشد و یا هر دو (ابر ترکیبی) – و یا حتی محیط چند ابری.
وقتی بحث پیاده سازی راهکار امنیتی برای پلتفرم‌ها و ابزارهای تحلیل داده‌های حجیم در میان باشد، راهکار مورد استفاده باید انعطاف پذیری لازم برای ادغام با اپلیکیشن‌های بومی و مبتنی بر API را داشته باشد تا به این ترتیب نیازی به اتلاف زمان و منابع جهت تغییر اپلیکیشن‌هایی که از قبل نصب شده‌اند، وجود نداشته باشد.

توکنیزاسیون (Tokenization)
در نهایت، بهترین راه محافظت از داده‌های حساس و تحلیل آنها استفاده از توکنیزاسیون یا به عبارتی جایگزینی المان‌های داده‌ای حساس با معادل‌هایی غیر حساس (که به نام توکن شناخته می‌شوند) است. با توکنیزه کردن داده‌های حساس، ابزارهای تحلیلی می‌توانند بدون ایجاد خطری برای داده‌های شخصی و محرمانه اطلاعات مورد نیاز را از دل آنها استخراج کنند. این رویکرد منجر به از بین رفتن یکی از مشکلات اصلی راهکارهای امنیتی کلاسیک می‌شود که قادر به محافظت از داده‌های حساس نیستند. سازمان‌ها باید مکانیزم‌های امنیتی را پیاده‌سازی کنند که همراه با داده‌ها بین دستگاه‌ها، لوکیشن‌ها و مدل‌های میزبانی مختلف حرکت کنند. توکنیزه کردن یکی از قابلیت‌های کلیدی برای ایجاد معماری با مدل امنیتی Zero-Trust در یک سازمان است.
در سال‌های پیش رو که حجم داده‌های جمع آوری شده و نیاز به محافظت از آنها افزایش می‌یابد راهکارهای امنیتی داده محوری که شرایط ذکر شده را داشته باشند، بهتر می‌توانند نیازهای کمپانی‌ها را برآورده کنند.

وبلاگ

بهترین دیتابیس‌های کلود 2019

بهترین دیتابیس‌های کلود 2019

بیشتر مشاغل کوچک تا متوسط از دیتابیس استفاده می‌کنند، اما هنگام تنظیم و راه اندازی یک دیتابیس نمی‌توان پیش بینی کرد که کسب و کار مربوطه در آینده چقدر رشد می‌کند.

database
می‌توانید با استفاده از خدمات کلود دیتابیس را ذخیره کنید تا بعداً همگام با نیازهای سازمان آن را تعمیم و گسترش دهید. در این راهنما بعضی از بهترین ارائه دهندگان دیتابیس کلود را به شما معرفی می‌کنیم. تمام این شرکت‌ها یک دوره رایگان ارائه می‌کنند و خیلی از آنها از چندین نوع دیتابیس پشتیبانی می‌کنند بنابراین قبل از تصمیم گیری می‌توانید تست و بررسی‌های لازم را انجام دهید.
اگر بحث امنیت برای شما اهمیت دارد، از ارائه دهنده‌ای مثل اوراکل استفاده کنید که برای حفظ امنیت اطلاعات همیشه آنها را به صورت رمزنگاری شده ذخیره می‌کند.

Amazon Relational Database

1. دیتابیس رابطه‌ای آمازون
از قدرت پردازش AWS) Amazon Web Services) برای اجرای دیتابیس استفاده کنید
-750 ساعت استفاده رایگان
-پشتیبانی از انواع دیتابیس
-فقط برای کاربران پیشرفته
وب سرویس‌های آمازون (به اختصار AWS) از زیرمجموعه‌های Amazon.com است که در سال 2006 تاسیس شده و سرویس‌های کلود را به شرکت‌ها و افراد عرضه می‌کند.
AWS یک سیستم ابری برای ساخت راهکارهای بیزنسی با استفاده از خدمات وب یکپارچه است و سرویس‌های ابر گسترده‌ای از جمله دیتابیس و ارائه محتوا را در اختیار کاربران قرار می‌دهد.
دیتابیس رابطه‌ای آمازون یکی از دیتابیس‌هایی است که به صورت سرویس عرضه می‌شود (DBaaS) و برای کاربران مجرب، دانشمندان علم داده و مدیران دیتابیس بسیار مناسب است. این دیتابیس برای توسعه دهندگانی که با سرویس‌های AWS آشنایی دارند انتخاب بسیار خوبی است. کاربران برای تنظیم دیتابیس باید با یک Database Administrator تماس بگیرند زیرا این فرایند پیچیدگی‌های فنی خاصی دارد.
کاربران می‌توانند دیتابیس‌هایی را بسازند که با توجه به نیازهایشان طراحی شده اند. می‌توانید تمپلیت بسازید یا کدنویسی کنید. همچنین امکان کنترل انواع دیتابیس و محل ذخیره داده‌ها وجود دارد. فورمت‌های خاصی که در این بستر پشتیبانی می‌شوند عبارتند از: Amazon Aurora، PostgreSQL، MySQL، MariaDB، Oracle و SQL.
می توانید 750 ساعت به صورت رایگان از این سرویس استفاده کنید. یک ماشین حساب آنلاین هم برای محاسبه هزینه‌های AWS وجود دارد که البته کار با آن کمی پیچیده است و برای انجام این کار می‌توانید از ادمین دیتابیس کمک بگیرید.
مدلهای قیمت گذاری در این پلتفرم عبارتند از: ‘Pay as you Go’، ‘Save when you reserve’ و ‘Pay less using more’.
اما AWS یک مدل رایگان هم دارد که تا 12 ماه سرویس‌های خاصی را ارائه می‌کند. پس از گذشت این مدت باید یکی از طرح‌های بالا را انتخاب کرده یا اشتراک AWS خودتان را لغو کنید. برای دسترسی به سرویس دیتابیس رابطه‌ای آمازون باید یک اشتراک AWS داشته باشید.

Microsoft Azure SQL Database

2. دیتابیس SQL مایکروسافت آژور
می‌توانید تا یک سال به صورت رایگان از آژور استفاده کنید
-12 ماه رایگان
-Pay as you go (پرداخت به اندازه مصرف و هنگام مصرف (نه قبل از آن))
-وجود یکسری مشکلات در پشتیبانی
مایکروسافت آژور توسط شرکت مایکروسافت برای ساخت، تست، استقرار و مدیریت اپلیکیشن‌ها و سرویس‌ها از طریق دیتاسنترهای این شرکت ساخته شد و در سال 2010 منتشر شد.
مایکروسافت آژور علاوه بر عرضه دیتابیس به صورت سرویس، پلتفرم به صورت سرویس، نرم افزار به صورت سرویس و زیرساخت به صورت سرویس را هم عرضه می‌کند. کاربران می‌توانند با آژور سرویس‌ها را صرفا روی ابر استفاده کرده یا آن را با هر اپلیکیشن، دیتاسنتر یا زیرساختی که از قبل داشته اند استفاده کنند.
دیتابیس SQL آژور ظاهری آشنا و مشابه با سایر محصولات مایکروسافت دارد. همچنین یک موتور SQL قوی و قابلیت‌های یادگیری ماشینی را دارد. این سرویس تمام ابزارهای SQL و اپلیکیشن‌های مورد نیاز برای ایجاد یک دیتابیس را ارائه می‌کند و استفاده از آن آسان است.
دیتابیس SQL مایکروسافت آژور یک پورتال آنلاین دارد که از طریق آن به هر آنچه نیاز دارید، دسترسی خواهید داشت. تنظیم این دیتابیس آسان و بدون مشکل است اما برای شروع نیاز به اکانت مایکروسافت خواهید داشت.
برای انتخاب درایور مورد نظر می‌توانید از Connection Libraries استفاده کنید. همچنین، از این قسمت می‌توانید تنظیمات زبان، نام دیتابیس و رده قیمتی مورد نظرتان را انتخاب کنید.
آژور طرح استفاده رایگان 12 ماهه را ارائه کرده که شامل اعتبار 200 دلاری و بیش از 25 سرویس “همیشه رایگان” است. این پلتفرم بر اساس مکانیزم پرداخت Pay as you go کار می‌کند بنابراین فقط باید هزینه سرویس‌های مورد استفاده را پرداخت کنید. اما کاربران در فضای آنلاین از وجود مشکلاتی در پشتیبانی از این پلتفرم خبر داده اند.

Rackspace Cloud

3. Rackspace Cloud
Rackspace قابلیت تنظیم بسیار زیادی دارد و از تمام دیتابیس‌ها و مدل‌های کلود پشتیبانی می‌کند
-ارائه پشتیبانی از چند مدل دیتابیس به صورت همزمان
-پشتیبانی فوق العاده
-مستندات کم
Rackspace Cloud مجموعه‌ای از محصولات مبتنی بر ابر از شرکت امریکایی Rackspace است که در سال 2006 تاسیس شد. این راهکار خدماتی مثل میزبانی اپلیکیشن‌های وب، پلتفرم به صورت سرویس و سرویس‌های ابر را عرضه می‌کند.
Racksapce به کاربران امکان می‌تواند تا یک ارائه دهنده خدمات ابر را انتخاب کرده و از طریق پلتفرم Racksapce با آن در تعامل باشند. این سرویس با شرکت‌های بزرگ ارائه دهنده خدمات ابر همچون مایکروسافت آژور، وب سرویس‌های آمازون و WMware همکاری دارد. مزیت این سیستم این است که مقیاس پذیری برخی از بزرگترین شرکت‌های ارائه دهنده خدمات ابر را به شما ارائه می‌کند اما در کنار خدمات پشتیبانی یک شرکت کوچکتر.
Rackspace طیف وسیعی از سرویس‌های ابر را عرضه می‌کند که شامل ابر عمومی، ابرخصوصی، ابر ترکیبی و غیره هستند. این شرکت راهکارهای IaaS و DBaaS خود را بر اساس سیستم عامل ابر اپن سورس OpenStack طراحی کرده است.
این دیتابیس‌های کلود APIهای ساده و بازی را در اختیار کاربران قرار می‌دهند و کاربران می‌توانند MySQL، Persona Server یا MariaDB را نصب و استفاده کنند.
دیتابیس‌های کلودِ Rackspace به کاربران امکان حذف و اضافه کپی از دیتابیس را فراهم کرده و می‌توانند از 64 گیگابایت رم و تا 1 ترابایت فضای ذخیره استفاده کنند.
کاربراین می‌توانند بکاپ و بازیابی اطلاعات را زمانبندی کنند. بعلاوه این پلتفرم پشتیبانی شبانه روزی دارد و کارشناسان دیتابیس آن همواره برای کمک به اجرای هر نوع کوئری در دسترس هستند.
می‌توانید به صورت رایگان در Rackspace عضو شوید و خدماتی مثل مدیریت فنی اکانت، راهنمایی امنیتی، نظارت و گزارشگیری رایگان از سرور را دریافت کنید. Rackspace یک راهنمای جامع و کامل برای قیمت سرویس‌ها نیز دارد که با کمک آن می‌توانید مناسب‌ترین سرویس را انتخاب کنید.
کاربران به وجود مشکلاتی در مستندات این پلتفرم اشاره کرده اند اما در مقابل پشتیبانی این پلتفرم فوق العاده است.

Oracle Database

4. دیتابیس اوراکل
-دیتابیسی با تنظیمات ساده و رمزنگاری امن
-تعمیر و نگهداری آسان
-رمزنگاری امن
-وجود مشکلاتی در پشتیبانی
دیتابیس کلود اوراکل بخشی از اوراکل کلود است که متعلق به شرکت اوراکل است؛ این شرکت در سال 1977 تاسیس شد.
پلتفرم کلود اوراکل به صورت ترکیب تکنولوژی اپن سورس و تکنولوژی اوراکل کار می‌کند. به این ترتیب کاربران می‌توانند ساخت، استقرار، ادغام و مدیریت تمام اپلیکیشن‌های پلتفرم خود را به صورت کارآمدتری انجام دهند.
این راهکار از ترکیب هوش مصنوعی و یادگیری ماشینی برای ارائه سرویسی با قابلیت‌های self-repairing یا تعمیر خودکار استفاده می‌کند و می‌تواند هزینه‌های استارتاپ را کاهش داده و اطلاعات مفیدی را در اختیار مشاغل قرار دهد.
مکانیزم دیتابیس به صورت سرویس شرکت اوراکل، از هر سازمانی با هر اندازه‌ای پشتیبانی می‌کند و یک رمزنگاری سطح بالا ارائه می‌کند که به لایه‌های مختلف دیتابیس تعمیم پیدا می‌کند.
می‌توان این دیتابیس را در عرض چند دقیقه تنظیم کرد و استفاده از آن آسان است. با استفاده از ویژگی on-capacity demand می‌توانید از قابلیت‌های مقیاس پذیری این پلتفرم استفاده کنید.
تمام داده‌ها و اپلیکیشن‌ها در این پلتفرم قابل ادغام هستند. کاربران با این راهکار می‌توانند تمام فرایندها را به کلود منتقل کنند، همه چیز از طریق یک پلتفرم قابل مدیریت است و تمام داده‌ها به صورت پیش فرض رمزنگاری می‌شوند.
پلتفرم کلود اوراکل ادعا دارد که هر آنچه کاربران نیاز دارند برای آنها فراهم می‌کند و به این ترتیب باعث صرفه جویی زمان جهت انجام کارهای تکراری مثل تعمیر و نگهداری سیستم، نصب راهکارهای مختلف و بروزرسانی‌های ضروری می‌شود.
این پلتفرم یک دوره رایگان 30 روزه دارد که شامل 300 دلار اعتبار تا 3500 ساعت است. طرح‌های پرداخت این پلتفرم به صورت Pay as you Go یا Monthly Flex هستند. در طرح Flex کاربران متعهد به پرداخت یک هزینه ماهیانه مشخص می‌شوند؛ این قراردادها 1 تا 7 ساله هستند. برای تهیه این طرح‌ها باید مستقیماً با شرکت اوراکل تماس بگیرید.
لازم به ذکر است که کاربران این پلتفرم از وجود مشکلاتی در پشتیبانی آن خبر داده اند.

SAP Cloud Platform

5. پلتفرم کلود SAP
Sap پلتفرم کلودی با قابلیت تنظیم بسیار زیاد است که امکان جابجایی آسان دیتابیس را فراهم کرده است
-دوره آزمایشی رایگان
-جایجایی آسان
-نسبتاً گران
پلتفرم کلود SAP یک “پلتفرم به صورت سرویس” است که توسط SAP SE توسعه یافته است و اپلیکیشن‌های جدید را در یک محیط ابر امن تولید می‌کند. این پلتفرم در سال 2012 راه اندازی شد.
پلتفرم کلود SAP شامل سیستم مدیریت دیتابیس درون حافظه‌ای SAP HANA است که به سیستم‌های مبتنی بر کلود و درون سازمانی که SAP یا سایر نرم افزارهای شخص ثالث را اجرا می‌کنند، متصل می‌شود.
پلتفرم ابر SAP بیشتر برای سازمان‌های بزرگی که دیتاست‌های عظیمی دارند ساخته شده است. تنظیم این سیستم نسبتاً ساده است و راهنمای نصب مرحله به مرحله دارد. برای انتخاب سیستم مدیریت دیتابیس موردنظرتان می‌توانید از Data and Storage استفاده کنید و همچنین می‌توانید نوع جابجایی (migration یا مهاجرت) داده‌ها را انتخاب کنید.
SAP یک دوره رایگان و دو طرح قیمت گذاری دارد. همچنین یک فایل PDF با تمام جزئیات قیمت گذاری منتشر کرده است.
کاربران باور دارند که قیمت‌های SAP با سایر شرکت‌ها قابل رقابت نیست.

database

معرفی سایر دیتابیس‌های ابر
در سال‌های اخیر تعداد پلتفرم‌های ابر عرضه شده توسط کمپانی‌های مختلف روبه افزایش بوده است. با توجه به این که نرم افزارهای مبتنی بر دیتابیس همچنان پرکاربرد هستند، باید پلتفرمی را انتخاب کنید که بتواند نوع و سایز دیتابیس شما را پشتیبانی کرده و با سایر زیرساخت‌های IT ادغام شود و بعلاوه قابلیت نظارت بر امنیت و کنترل خطاها را هم داشته باشد. در ادامه چند مورد از سایر دیتابیس‌های کلود پرکاربرد دیگر را هم معرفی می‌کنیم.
IBM Db2 on Cloud یکی از سرویس‌هایی است که شرکت بزرگ IBM به عنوان بخشی از پلتفرم مدیریت کلود جامع خود ارائه کرده است. این سرویس یک دیتابیس SQL جامع است که روی ابر اجرا می‌شود. تنظیمات سریع و ساده آن امکان مقیاس پذیری انعطاف پذیر این سیستم را فراهم می‌کنند؛ بعلاوه فقط باید هزینه منابعی که استفاده می‌کنید را پرداخت کنید. پچ‌های امنیتی در این پلتفرم به صورت خودکار نصب و بروزرسانی می‌شوند و بازیابی دیتاست‌ها نیز به آسانی قابل انجام است. می‌توانید Db2 on Cloud را روی یک VPN خصوصی تنظیم کنید.
Zoho Creator این سرویس کمی متفاوت است و می‌توان گفت یک پلتفرم مدیریت دیتابیس کلود نیست بلکه بیشتر راهی برای ایجاد دیتابیس خودتان در بستر ابر است. این سرویس برای کمپانی‌های کوچکتری که قصد دارند اپلیکیشن‌های خودشان را بسازند اما محصولات شرکت‌های بزرگ برای آنها بیش از حد عظیم و پیچیده است، مناسب است. این سرویس یک اینترفیس درگ اند دراپ ساده دارد که امکان تنظیم کامل آن وجود دارد و با توجه به اینکه بخشی از مجموعه اپلیکیشن‌های Zoho است، می‌توان آن را به آسانی با سایر محصولات Zoho ادغام کرد.
Couchbase هم کمی با سایر سرویس‌ها تفاوت دارد از این جهت که به شما امکان می‌دهد دیتابیس‌های خود را به کمک N1QL بسازید که نسبت به MySQL قابلیت‌های پیچیده تری برای ذخیره داده‌ها دارد. این، یعنی می‌توانید دیتابیس‌هایی را روی ابر ایجاد کنید که ساختار لایه‌ای دارند و با JSON بهتر کار می‌کنند. بعلاوه، این سیستم قابلیت‌های تحلیل داخلی، تکثیر آسان و امنیت سطح سازمانی دارد. بنابراین اگر نیاز به دیتابیسی ابتکاری تر دارید که انعطاف پذیری NoSQL و Couchbase را داشته باشد، می‌توانید از این گزینه استفاده کنید.
MongoDB Atlas یک سرویس کلود خودکار است که مدیریت دیتابیس‌ها در ابر را بسیار ساده تر کرده و به کاربران امکان می‌دهد که بیشتر بر توسعه اپلیکیشن‌ها متمرکز شوند. این سرویس از بیش از 60 منطقه جغرافیایی پشتیبانی می‌کند و سیستم‌های fault tolerance (تحمل خطا) توزیع شده به همراه گزینه‌هایی برای پشتیبان گیری دارد که به تداوم کسب و کار سازمان‌ها کمک می‌کنند. مقیاس پذیری بر حسب نیاز، بهینه سازی منابع و ساختار کاملاً خودکار باعث شده MongoDB برای شرکت‌های نوآور و بدیع بسیار جذاب باشد.
Google Cloud Database Services بخشی از سرویس‌های کلود شرکت گوگل است که گزینه‌های مختلفی در اختیار کاربران قرار داده از جمله دیتابیس‌های رابطه‌ای و غیر رابطه‌ای. گزینه Cloud SQL پشتیبانی مدیریت شده‌ای از PostgreSQL و MySQL ارائه می‌کند و گزینه BigTable نیز یک دیتابیس NoSQL کاملاً مدیریت شده و در مقیاس پتابایت برای کارهای تحلیلی و عملیاتی عرضه می‌کند.

وبلاگ

آموزش تعمیر لپ‌تاپ در صورت ریختن مایعات روی آن

آموزش تعمیر لپ‌تاپ در صورت ریختن مایعات روی آن

آموزش تعمیر لپ‌تاپ در صورت ریختن مایعات روی آن

اگر روی لپ‌تاپتان آب ریخت، با حداکثر سرعت ممکن اقدام کنید.
شاید برای شما هم پیش آمده باشد که به هر دلیلی روی لپ‌تاپتان مایعات ریخته شود و شاید همین حالا هم با گوشی مشغول مطالعه این مطلب باشید تا لپ‌تاپ گران قیمت خودتان را از مایعاتی که روی آن ریخته نجات دهید. دقت کنید که در چنین مواقعی، زمان و عکس العمل به موقع اهمیت زیادی دارد. باید بلافاصله لپ‌تاپ را خاموش کرده، آن را از برق بکشید و باتری آن را خارج کنید. هر ثانیه اهمیت فوق العاده زیادی دارد. نیازی نیست که حتماً لپ‌تاپ را به صورت اصولی خاموش کنید، فقط کافیست دکمه پاور آن را نگه دارید تا خاموش شود. اگر هنوز این کار را انجام ندادید، لطفاً قبل از خواندن ادامه مطلب هر چه سریع تر این کار مهم را انجام دهید. در ضمن باید این واقعیت را هم قبول کنید که برای چند روزی نمی‌توانید از کامپیوترتان استفاده کنید.

اقدامات اضطراری لازم در صورت خیس شدن لپ‌تاپ

مرحله اول: تمام قطعاتی را که راحت جدا می‌شوند، باز کنید. ماوس و تمام کابل‌ها را از لپ‌تاپ بکشید و اگر فلش یا دی‌وی‌دی داخل درایو وجود دارد، آنها را هم بردارید و لپ‌تاپ را کاملاً خالی کنید.
مرحله دوم: بیرون لپ‌تاپ را خشک کنید. در لپ‌تاپ را تا حد ممکن باز کنید. آن را وارونه نگه دارید و تمام سطوح خیس را با یک حوله یا هر پارچه بدون پرزی خشک کنید. نوع مایعی که روی لپ‌تاپ ریخته مهم است. مثلاً آب، خوردگی و خرابی کمتری ایجاد می‌کند اما نوشیدنی‌های الکلی و شیرین آسیب بیشتری ایجاد می‌کنند. در هر صورت، هدف این است که با خشک کردن لپ‌تاپ، آسیب‌های احتمالی را تا حد ممکن کم کنید.

آموزش تعمیر لپ‌تاپ در صورت ریختن مایعات روی آن
مرحله سوم: در این مرحله توصیه می‌کنیم که در صورت امکان از گارانتی لپ‌تاپ استفاده کنید یا این که آن را به تعمیرگاه ببرید.
اما اگر به هر علتی تمایل ندارید که لپ‌تاپ را به یک فرد حرفه‌ای نشان دهید، می‌توانید با طی کردن گام‌هایی که در ادامه توضیح می‌دهیم، آن را خشک کنید. اما توجه داشته باشید که نه سایت ما و نه نویسنده، مسئولیت آسیب‌های احتمالی که در صورت انجام این کار توسط خودتان به لپ‌تاپ وارد شود را نمی‌پذیرد.

جدا کردن قطعات
باز کردن لپ‌تاپ‌های قدیمی و برداشتن قطعات آنها کار آسانی است، اما لپ‌تاپ‌های مدرن این طور نیستند. توصیه نمی‌کنیم که این طور لپ‌تاپ‌ها را زیاد دستکاری کنید مگر این که فرایند باز کردن قطعات آنها آسان باشد چون ممکن است خیلی راحت به آنها آسیب وارد شود و مسلماً تمایلی به بدتر شدن اوضاع ندارید. پس اگر ساخت و معماری شما به گونه‌ای است که امکان انجام کارهای زیر وجود دارد، می‌توانید این مراحل را طی کنید.
مرحله اول: اگر قبلاً باتری لپ‌تاپ را برنداشتید اما امکان انجام این کار وجود دارد، آن را بردارید. معمولاً این کار با فشردن یک دکمه در قسمت زیر لپ‌تاپ انجام می‌شود.

آموزش تعمیر لپ‌تاپ در صورت ریختن مایعات روی آن
مرحله دوم: اگر نگران ورود مایعات به کل سیستم و اجزایی مثل حافظه و هارد هستید، می‌توانید آن‌ها را هم باز کنید. در برخی لپ‌تاپ‌ها پنل‌هایی وجود دارند که امکان باز کردن آنها از زیر لپ‌تاپ وجود دارد. اما در بیشتر مواقع برای باز کردن آنها می‌توانید از پیچ گوشتی Phillips استفاده کنید. برای رم می‌توانید گیره‌های اطراف آن را فشار دهید تا اسلات‌های رم را باز کنید. برای درایو حالت جامد یا هارد دیسک ممکن است نیاز به باز کردن پیچ‌های بیشتری داشته باشید. حتماً آن را با دقت از کابل‌ها یا پورت‌های برق و دیتا جدا کنید.
مرحله سوم: تمام قطعاتی که باز می‌کنید را کاملاً بررسی کنید و نشانه‌های احتمالی خیسی یا خراب شدن آن را پیدا کنید. قطعات خیس باید کاملاً خشک شوند اما اگر مایعی که روی لپ‌تاپ ریخته، آب نیست باید آن را با ایزوپروپیل الکل 99 درصد (با استفاده از گوش پاک کن) خشک کنید – این کار باعث حل شدن مواد اضافه بدون آسیب رسیدن به قطعات و تبخیر مایعات بدون باقی گذاشتن جرم و رسوبات می‌شود.
مرحله چهارم: پس از انجام این کار، همه قطعات را برای 2 تا 3 روز در معرض هوا و در مکانی گرم و خشک قرار دهید. دقت کنید که استفاده از پنکه باعث تسریع فرایند خشک شدن می‌شود. از سشوار استفاده نکنید چون می‌تواند به قطعات لپ‌تاپ آسیب وارد کند. پس از باز کردن قطعات و خشک شدن آنها می‌توانید مراحل را به صورت معکوس طی کنید و لپ‌تاپ را به حالت قبل برگردانید.
امیدواریم که شرایط خوب پیش رفته و لپ‌تاپ شما مثل قبل کار کند اما اگر این طور نشد باید آن را به تعمیرگاه ببرید.

اگر نمی‌توانید قطعات لپ‌تاپ را جدا کنید…
اما به افرادی که لپ‌تاپ‌هایی مثل Surface Book 2 یا MacBook یا هر لپ‌تاپ غیر قابل باز شدن دیگری دارند، توصیه می‌کنیم که آن را به تعمیرگاه ببرند چون در این حالت، کار چندان زیادی نمی‌توان انجام داد.
بین مدت زمانی که مایعات روی صفحه کلید ریخته و زمانی که آن را به تعمیرگاه می‌برید، آن را وارونه نگه داشته و با استفاده از حوله، تمام رطوبتی که مشاهده می‌شود را پاک کنید.
سپس آن را روی یک سطح خشک قرار دهید – یک گزینه خیلی خوب برای این کار استفاده از کیسه برنج است چون برنج مایعات را به خود جذب می‌کند و مانع ورود آنها به داخل حفره‌های صفحه کلید می‌شود. از یک کیسه بزرگ به همراه مقدار زیادی برنج استفاده کنید و آن را در یک اتاق خشک و گرم قرار دهید. می‌توانید با استفاده از یک پنکه فرایند خشک شدن را تسریع کنید تا هر زمان امکان داشت لپ‌تاپ را به تعمیرگاه ببرید.

گزینه‌هایی برای ضد آب کردن لپ‌تاپ
برای محافظت بیشتر از لپ‌تاپ در آینده توصیه می‌کنیم که از یک کاور صفحه کلید شفاف یا سیلیکون، از یک اسکین لپ‌تاپ ضد آب برای نیمه‌های بالایی و پایینی قاب لپ‌تاپ و یک محافظ ضدآب برای صفحه‌نمایش استفاده کنید. همچنین می‌توانید برای حمل و نقل لپ‌تاپتان از یک کیسه لپ‌تاپ بزرگ استفاده کنید. دقت کنید که سوراخ‌ها و محفظه‌های تهویه پوشانده نشوند و در صورت لزوم با استفاده از قیچی این قسمت‌ها را باز کنید تا امکان تهویه آزاد هوا وجود داشته باشد.

وبلاگ

مراقبت‌های بهداشتی هوشمند و شهرهای هوشمند چگونه دنیای ما را متحول می‌کنند

مراقبت‌های بهداشتی هوشمند و شهرهای هوشمند چگونه دنیای ما را متحول می‌کنند

تکنولوژی‌های دیجیتال نه تنها روش‌های جدیدی جهت تولید محصولات بهداشتی ایجاد کرده‌اند، بلکه شیوه‌های نظارت بر سلامت بدن را نیز دستخوش تغییرات بزرگی کرده‌اند. تمرکز این تکنولوژی‌ها از سمت درمان به سمت کنترل و نظارت بر سلامت بدن و زندگی سالم تغییر کرده است. در مطلب پیش رو سعی کرده ایم که در رابطه با این مسئله که مراقبت‌های بهداشتی هوشمند و شهرهای هوشمند چگونه دنیای ما را متحول می‌کنند اطلاعات مفیدی را خدمت شما کاربران عزیز ارائه دهیم.

مراقبت‌های بهداشتی هوشمند و شهرهای هوشمند چگونه دنیای ما را متحول می‌کنند؟!

مراقبت‌های بهداشتی هوشمندتر

یکی از چشم اندازهای آینده تولید حسگرهای دیجیتالی است که می‌توانند بدن انسان را اسکن کنند و از راه دور با متخصصان مراقبت‌های بهداشتیارتباط برقرار کنند تا از دیتاست‌های بزرگی که حاوی داده‌های حوزه سلامت هستند برای تحلیل اطلاعات استفاده کنند. به این ترتیب حتی ممکن است داروهایی که متناسب با وضعیت شخص و فقط برای او تولید شده اند با فناوری چاپ 3 بعدی به صورت یک قرص برای وی پرینت شوند.
بنابراین احتمالاً نیاز به تجدید نظر در رابطه با پیکربندی و تنظیم سیستم مراقبت‌های بهداشتی خواهیم داشت. همچنین برای پیشرفت بیشتر این رویکردها شاهد شکل گیری روابط کاری جدیدی بین کمپانی‌های تکنولوژیکی، تولید کنندگان دستگاه‌های پزشکی و دارو و کارشناسان مراقبت‌های بهداشتی خواهیم بود.
یکی از عوامل کلیدی و مهم برای شکل گیری چنین روابط کاری، اعتماد به این نهادها جهت استفاده و به اشتراک گذاشتن داده‌های کاربران است. اما داده‌های سلامت بسیار شخصی و حساس هستند. در این بین عده‌ای باور دارند که برای پیشرفت هر چه بیشتر این حوزه نیاز به نسل جدیدی از مصرف کنندگان داده‌های هوشمند داریم.

SMART CITY

شهرهای هوشمندتر
سیستم‌های هوشمند در حال بهبود تعاملات ما با محیط‌های شهری هستند. امروزه ساختمان‌هایی ساخته شده اند که آلودگی هوا را تحت نظارت دارند. می‌توان ساختمان‌ها را مجهز به سیستم‌هایی کرد که اطلاعات مربوط به گرد و غبار یا آلودگی هوا را به صورت لحظه‌ای و متناسب با هر موقعیت جغرافیایی در اختیار کاربران قرار دهند تا به پیشگیری از بیماری‌های ناشی از آلودگی هوا کمک کنند.
در حال حاضر داده‌های لحظه‌ای مربوط به سیستم‌ها و شبکه‌های حمل و نقل را در اختیار داریم که می‌توانند محل دقیق نزدیک‌ترین اتوبوسی که می‌تواند ما را به مقصد برساند مشخص کنند و یا مثلاً بهترین مسیر برای رسیدن به مقصد را به ما نشان دهند. با استفاده از چنین تکنولوژی‌هایی می‌توانیم مسیرهایی به مراتب کوتاهتر را برای رسیدن به مقصد انتخاب کنیم یا مثلاً برای روزهای آفتابی مسیرهای طولانی تر را برای پیاده روی پیدا کرد.
اما مفهوم شهر هوشمند به این صورت تعریف شده: “استفاده از تکنولوژی برای ایجاد دنیایی بهتر” که استفاده از داده‌ها جهت کارآمدتر کردن سیستم‌های شهری را نیز شامل می‌شود. با اندازه گیری و ارزیابی معیارهای بیشتر و با افزایش دقت این ارزیابی‌ها می‌توان سیستم‌ها را طوری بهینه سازی کرد که بسیار قوی تر از گذشته عمل کنند.
در سطح بین المللی نیز نمونه‌هایی از به کار بردن تکنولوژی‌های دیجیتال جهت رفع مشکلات مختلف مشاهده می‌شود که از جمله این تکنولوژی‌ها می‌توان به تکنولوژی مدیریت انرژی، سیستم‌های مدیریت آب، مدیریت حمل و نقل، مدیریت ضایعات و کمک به بهبود زندگی اشاره کرد. موضوع اصلی در اینجا استفاده از تکنولوژی‌های دیجیتال جهت ارائه خدمات بهتر و اجرای بهتر عملیات شهری است.

حمل و نقل هوشمندتر
سازمان Transport Systems Catapult تخمین می‌زند که بازار جهانی حمل و نقل هوشمند و راهکارهای حمل و نقل یکپارچه تا سال 2025 حدود 900 میلیارد پوند ارزش خواهد داشت و ظاهراً بریتانیا در زمینه توسعه شهرهای هوشمند در سطح جهانی پیشرو است.
شاید جای تعجب باشد که با وجود مطالب ذکر شده هنوز شهرهای هوشمند جدیدی در بریتانیا ساخته نشده‌اند. با این وجود تعداد افراد متخصص در حوزه‌هایی که برای توسعه شهرهای هوشمند کلیدی هستند، بسیار زیاد است. مرکز Future Cities Catapult اخیراً با تمرکز بر این نقاط قوت تاسیس شده است. در اولین ارزیابی این مرکز، نتایج زیر به دست آمد:
“…اکوسیستم بیزنس در بریتانیا پر از کمپانی‌هایی است که در زمینه مدیریت پروژه، تحلیل داده، مهندسی، معماری، انرژی، اقتصاد دیجیتال، خدمات حرفه‌ای و مالی – یعنی تمام تخصص‌های موردنیاز جهت توسعه راهکارهایی عملی و کاربردی – جزء برترین‌ها به شمار می‌آیند. همچنین [بریتانیا] قابلیت‌های زیادی در زمینه تحقیق درباره سیستم‌های شهری و محیط‌های ساخته شده و همچنین یک فرهنگ نوآوری منحصربفرد دارد.”
یک نمونه از نوآوری‌هایی که در انگلستان صورت گرفته سیستم کارت Oyster است که یک تکنولوژی پرداخت دیجیتال است؛ این سیستم باعث شده مسافران نیازی به خرید بلیط نداشته باشند و منجر به بهبود سیستم حمل و نقل در لندن شده است.
یکی از کاربردهای اطلاعات جمع آوری شده توسط این کارت‌ها برنامه ریزی برای تعمیرات است. با این اطلاعات مسئولان می‌توانند مسیرهایی را برای تعمیر انتخاب کنند که بیشتر مسافران در آن مسیرها گزینه‌های جایگزینی برای رسیدن به مقصد داشته باشند.
اما ایجاد حس سرگرمی، تفریح و خلاقیت در طراحی و توسعه چنین سیستم‌هایی منجر به نمایش وجه انسانی این تکنولوژی‌ها به کاربران شده و سطح مشارکت و جذب آنها را افزایش می‌دهد.
طبق آنچه Leadbeater در مقاله جدید Centre for London می‌نویسد، شهرهای هوشمند وقتی به بهترین شکل عمل می‌کنند که بتوانند کاربران را با خود همراه کنند. سیستم‌ها باید کارهای تکراری و تراکنش‌ها را به صورت کارآمد و موثر انجام دهند.

وبلاگ

آموزش تغییر آی پی در گوگل کروم

آموزش تغییر آی پی در گوگل کروم

آموزش تغییر آی پی در گوگل کروم

تغییر آی پی در گوگل کروم از جمله کارهایی است که خیلی از کاربران تمایل به انجام آن دارند، اما در صورت عدم آشنایی با مراحل این کار، انجام آن می‌تواند سخت و دردسرآفرین باشد. راهنمای گام به گام ما آسانترین روش تغییر آی پی در گوگل کروم را به شما آموزش می‌دهد و تنها ابزاری که برای این کار نیاز دارید، یک افزونه‌ی Chrome VPN خوب است.
VPN مخفف کلمات شبکه خصوصی مجازی است و ابزاری است که به ISP (ارائه دهنده سرویس اینترنت) شما اعلام می‌کند که کامپیوتر شما از محل دیگری به اینترنت دسترسی پیدا کرده است. این، یعنی یک آی پی متفاوت به کامپیوتر شما نسبت داده می‌شود بنابراین در هنگام مرور و گشت و گذار در اینترنت آرامش خاطر خواهید داشت.
علیرغم آنچه ممکن است درباره این موضوع شنیده باشید، برای تغییر آی پی در کروم نیازی به ورود به مباحث پیچیده‌ای مثل پروکسی سرور یا تنظیمات پیشرفته شبکه ندارید. با نصب یک افزونه وی‌پی‌ان می‌توانید به صورت امن و کاملاً قانونی آدرس آی پی خودتان را مخفی کنید.
برای رسیدن به این هدف اول از همه باید وی‌پی‌ان مورد نظرتان را انتخاب کنید و اگر از مرورگر محبوب شرکت گوگل یعنی کروم استفاده می‌کنید، نیاز به وی‌پی‌انی دارید که افزونه کروم هم داشته باشد.
از نظر ما بهترین افزونه وی‌پی‌ان برای کروم، ExpressVPN است که در این راهنما هم از آن استفاده شده است. از دلایل محبوبیت این افزونه می‌توان به مقرون به صرفه بودن، استفاده آسان و از همه مهم تر قابل اعتماد بودن آن اشاره کرد.
بعلاوه می‌توانید این سرویس را برای 30 روز به صورت آزمایشی استفاده کنید و اگر از آن رضایت نداشتید، هزینه پرداخت شده را پس بگیرید. پس از انتخاب وی‌پی‌ان باید اپلیکیشن را نصب و فعال کنید.

vpn
پس از نصب ExpressVPN یا هر وی‌پی‌ان قابل اعتماد دیگری، بخش اصلی کار شما انجام شده است؛ در واقع پس از دانلود، نصب و فعال کردن وی‌پی‌ان این ابزار به صورت خودکار آی پی شما را تغییر می‌دهد.
برای مثال در این تصویر آی پی کاربر قبل از فعال سازی ExpressVPN را مشاهده می‌کنید. از آنجا که کنار آیکن قرمز رنگ کوچکی که به شکل حرف ‘V’ در کنار نوار آدرس کروم قرار دارد، تیک سبز مشاهده نمی‌شود، پس این برنامه غیرفعال است.

google
همانطور که می‌بینید پس از فعال کردن وی‌پی‌ان – با افزونه ExpressVPN که برای فعال کردن آن کافیست روی آیکن ‘V’ قرمز رنگ کلیک کنید – و قرار گرفتن تیک سبز در کنار این آیکن، این کامپیوتر یک آی پی کاملاً متفاوت به دست می‌آورد.

google
دلیل تغییر آی پی در کروم هر چه که باشد، این روش آسان ترین راه انجام این کار است. سایر روش‌های تغییر آی پی نیاز به اطلاعات و مهارت‌های خاصی دارند که برای خیلی از کاربران سخت و دردسرآفرین محسوب می‌شوند؛ به همین دلیل ما این روش را به شما آموزش دادیم.
همانطور که مشاهده کردید، به لطف اینترفیس کاربرپسند ExpressVPN، این کار در عرض چند دقیقه انجام شد. پس از دریافت این اپلیکیشن و نصب افزونه مربوطه، می‌توانید در عرض چند ثانیه آی پی کامپیوترتان را تغییر دهید.

کنسول بازی, وبلاگ

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S

در این مطلب به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S را به شما کاربران گرامی آموزش می دهیم .

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S
اگر قصد به اشتراک گذاشتن بازی‌های موردعلاقه تان را دارید، باید بدانید که این کار با Xbox One، Xbox One S و Xbox One X به راحتی انجام می‌شود. می‌توانید امکان دسترسی به تمام بازی‌های قابل دانلود خودتان را برای فرد دیگری فراهم کنید. فرایند دادن حق دسترسی نامحدود به بازی‌ها برای دوستان یا اعضای خانواده به نام gamesharing شناخته می‌شود که کار ساده‌ای است اما خیلی وقت‌ها محدودیت‌های زیادی در آن وجود دارد. برای انجام این کار لازم است که شما و شخص مورد نظرتان سیستم Xbox One و اکانت Xbox داشته باشید. وقتی این پیش نیازها را تهیه کردید، می‌توانید با دنبال کردن گام‌هایی که در ادامه توضیح می‌دهیم بازی‌های مورد علاقه تان را با دوستتان به اشتراک بگذارید.

به اشتراک گذاشتن اطلاعات
برای شروع کار، شما و فرد موردنظرتان باید به سیستم‌های هم دسترسی داشته باشید و به تبادل اطلاعات اکانت از جمله ایمیل مربوط به اکانت Xbox و پسوردهای مربوطه تمایل داشته باشید.
در ادامه کارهایی که شما و فرد مقابل باید روی سیستم Xbox One خودتان انجام دهید را به شما آموزش می‌دهیم. برای تبادل کتابخانه‌ی بازی‌ها لازم است که این فرایند را دوبار انجام دهید – یک بار برای اتصال Xbox One خودتان به اکانت فرد مقابل و بار دوم برای اتصال Xbox One وی به اکانت خودتان.

به اشتراک گذاشتن بازی‌ها
هر زمان آماده بودید آیکن سمت چپ بالای صفحه home را انتخاب کنید و بعد وارد منوی اکانت (در سمت چپ صفحه) شوید. بعد از آن Add new را انتخاب کرده و سپس هر دو اکانت را به Xbox One اضافه کنید.

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S
در اینجا باید Xbox One فرد مورد نظرتان را به عنوان “home Xbox” خودتان انتخاب کنید. ابتدا به منوی “Settings” سپس به “Personalize” بروید و “Make my home Xbox” را انتخاب کنید. در این منو، می‌توانید سیستم فرد مقابل را به عنوان دستگاه پیش فرض خودتان ثبت کنید. همانطور که در این توضیحات نوشته شده: اگر آن دستگاه را به عنوان home Xbox انتخاب کنید، دیگران بدون نیاز به ورود به سیستم با اکانت شما، می‌توانند بازی‌های شما را انجام دهند.

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S
آخرین کاری که باید انجام دهید این است که با انتخاب “My games & Apps” به کتابخانه‌ی بازی‌های خودتان بروید و بعد Ready to Install را انتخاب کنید. در اینجا باید لیستی از تمام بازی‌هایی که در اکانت شما قابل دسترسی هستند را مشاهده کنید که هم شامل بازی‌های خودتان می‌شود و هم بازی‌های فرد مورد نظر. گزینه‌ی به اشتراک گذاری امکان تقسیم کردن اکانت Xbox Live Gold را نیز فراهم می‌کند.

آموزش به اشتراک گذاشتن بازی‌های Xbox One و Xbox One S
برای تبادل کتابخانه بازی مراحل 2 تا 4 را روی دستگاه فرد مقابل هم انجام دهید و کنسول او را به عنوان “home Xbox” خودتان انتخاب کنید.

نکاتی که باید قبل از به اشتراک گذاشتن بازی‌ها بدانید
انجام این کار ریسک‌هایی به همراه دارد. دوست شما می‌تواند با اکانت شما در فروشگاه Xbox خرید انجام دهد بنابراین دقت کنید که چه اطلاعاتی را در اکانتتان ذخیره کردید. اکیداً توصیه می‌کنیم که این کار را فقط با دوست مورد اعتماد یا اعضای خانواده انجام دهید.
اگر به هر دلیلی کانکشن اینترنت قطع شد و Xbox One شما به عنوان home Xbox دستگاه خودتان ثبت نشد، به بازی‌های خودتان دسترسی نخواهید داشت. در این حالت سایر کاربران کنسول شما هم به بازی‌ها یا اشتراک Xbox Live Gold شما دسترسی نخواهند داشت.
هر زمان که یک Xbox One جدید می‌خرید یا سیستم خودتان را به Xbox One X ارتقاء می‌دهید باید این فرایند را تکرار کنید. مایکروسافت این امکان را فراهم کرده که پنج بار در سال home Xbox خودتان را تغییر دهید. بنابراین نمی توانید به صورت نامحدود از این آپشن استفاده کنید. توصیه می‌کنیم قبل از تبادل اطلاعات اکانت، بررسی‌های لازم را انجام دهید و فرد مورد نظر را انتخاب کنید.

وبلاگ

آشنایی با 5 مورد از اصطلاحات مهم هوش مصنوعی

آشنایی با 5 مورد از اصطلاحات مهم هوش مصنوعی

آشنایی با 5 مورد از اصطلاحات مهم هوش مصنوعی

درک معنی اصطلاحات مهم در حوزه هوش مصنوعی که هر فردی باید با آنها آشنا باشد
امروزه هوش مصنوعی با سرعت بسیار زیادی به زندگی دیجیتال ما رخنه کرده و شاهد تاثیرات و نقش‌های مختلف آن در زندگی دیجیتال خودمان هستیم؛ از جمله مطالبی که در شبکه‌های اجتماعی برای ما انتخاب می‌شوند، تشخیص چهره افراد و یا حیوانات در تصاویر و حتی پیشگیری از وقوع تصادف در جاده‌ها. اگر شما هم تمایل به کسب اطلاعات بیشتر درباره هوش مصنوعی دارید، باید کار را با درک اصطلاحات پایه این حوزه شروع کنید.
به همین دلیل ما واژه نامه هوش مصنوعی را گردآوری کردیم و در آن پنج مورد از مهم‌ترین کلمات و عبارت این حوزه را به شما معرفی می‌کنیم تا درک بهتری از این حوزه تکنولوژی پیدا کنید.
اما باید توجه داشت که لزوماً همه درباره تعریف دقیق این کلمات توافق ندارند بنابراین ممکن است در وبسایت‌های مختلف شاهد کاربردهای متفاوتی از این کلمات باشید. سعی ما این بوده که تا حد امکان از تعاریف متداول‌تر این کلمات استفاده کنیم اما با توجه به رشد سریع و نو بودن این حوزه باز هم امکان مشاهده اختلاف درباره تعریف این مفاهیم وجود دارد.

هوش مصنوعی

•بررسی طرح‌های بلندپروازانه مایکروسافت در حوزه هوش مصنوعی

1. الگوریتم‌ها
الگوریتم‌ها مجموعه‌ای از قواعد هستند که برنامه‌های کامپیوتری قادر به دنبال کردن و پیروی از آنها هستند؛ بنابراین اگر بهترین دوست شما عکسی در فیسبوک منتشر کند، طبق این قواعد این عکس باید بالای بخش News Feed اکانت فیسبوک شما قرار بگیرد. یا مثلاً اگر قرار است روی گوگل مپ از محل A به محل B حرکت کنید، یک الگوریتم می‌تواند به شما برای پیدا کردن سریع‌ترین مسیر کمک کند.
معمولاً این قوانین که کامپیوترها آنها را دنبال می‌کنند، توسط انسان‌ها مشخص می‌شوند – بنابراین در مثال ما مهندسین فیسبوک باید مشخص کنند چه مطالبی مهم‌تر هستند و یا مهندسین گوگل باید تعیین کنند چه مسیرهایی سریع‌ترین مسیرها هستند. اما هوش مصنوعی سعی دارد با استفاده از یادگیری ماشینی این الگوریتم‌ها را تغییر داده و جابجا کند تا نرم افزارها بتوانند خودشان این قواعد و قوانین را سازماندهی کنند. مثل اینکه گوگل مپدر صورت دریافت داده‌هایی مبنی بر مسدود شدن یک جاده، الگوریتم انتخاب سریع‌ترین مسیر را تغییر دهد.
اما گاهی اوقات مثلاً در حوزه شناسایی تصویر ممکن است اشتباهاتی رخ دهد و با وجود استفاده از همان قواعد الگوریتمی قبلی، نتایج به دست آمده اشتباه باشد. مثلاً ممکن است شما در جستجوی گربه باشید اما تصویر سگی را مشاهده کنید که به گربه شباهت دارد. در مجموع، الگوریتم‌ها بلاک‌های سازنده اصلی یادگیری ماشینی هستند.

map

2. هوش مصنوعی
اما تعریف خود هوش مصنوعی چیست؟ هر چند پاسخ‌های مختلفی برای این سوال وجود دارد اما به صورت کلی هوش مصنوعی به هر نوع هوشی گفته می‌شود که به صورت مصنوعی ایجاد شود.
مثلاً از آنجا که تلاش شده Siri شبیه یک انسان واقعی به شما پاسخ دهد، پس هوش مصنوعی است یا با توجه به اینکه Google Photos اطلاع دارد که شکل و ظاهر گربه به چه صورت است، پس در آن هم هوش مصنوعی وجود دارد. یا مثلاً آنتونی دنیلز در نقش C-3PO در فیلم جنگ ستارگان – ربات متفکر و سخنگویی که در اصل توسط انسان کنترل می‌شد – نقش یک هوش مصنوعی را دارد.
تعریف هوش مصنوعی بسیار وسیع و گسترده است و به همین علت همیشه ابهاماتی در رابطه با این مفهوم وجود داشته است. هوش مصنوعی رویکردها و انواع متفاوتی دارد بنابراین باید این تفاوت‌ها را درک کنید چون وقتی گفته می‌شود، وسیله یا سیستمی مجهز به هوش مصنوعی است، طیف وسیعی از تکنولوژی‌های مختلف می‌توانند در آن به کار رفته باشند.

ربات

3. یادگیری عمیق
یادگیری عمیق یکی از انواع یا زیرمجموعه‌های یادگیری ماشینی است و به همین دلیل بسیاری از اوقات این دو اصطلاح با هم ترکیب می‌شوند و در خیلی مواقع برای توصیف یک هوش مصنوعی می‌توان از هر دوی این اصطلاحات استفاده کرد. یادگیری عمیق هم نوعی یادگیری ماشینی است اما با توجه به لایه‌ها و ظرافت‌های بیشتری که دارد، طوری طراحی شده که هوشمندتر باشد و شبیه‌تر به مغز انسان کار کند.
دو پیشرفت تکنولوژیکی همواره منجر به تقویت یادگیری عمیق شده اند که این دو پیشرفت عبارتند از: جمع آوری داده‌های بیشتر و قوی‌تر شدن سخت افزارها. به همین دلیل هر چند ریشه‌های اصلی این مفهوم به دهه‌ها قبل برمی گردد، اما به تازگی شاهد متداول شدن آن هستیم.
خیلی از اوقات در یادگیری ماشینی از شبکه‌های عصبی برای اضافه کردن لایه‌های هوشمندی استفاده می‌شود. مثلاً یادگیری عمیق و یادگیری ماشینی هر دو می‌توانند با اسکن میلیون‌ها عکس گربه، یک گربه را در یک عکس تشخیص دهند – اما تفاوت این دو از این جهت است که برای سیستمی که با یادگیری ماشینی کار می‌کند باید ویژگی‌های گربه را مشخص کرد اما یادگیری عمیق می‌تواند خودش با بررسی داده‌های خام (در صورت کافی بودن این داده‌ها) تشخیص دهد که شکل گربه به چه صورت است.

گوگل

4. یادگیری ماشینی
اما همانطور که اشاره شد، یادگیری ماشینی به گونه‌ای است که با بررسی کامل نمونه‌ها، قادر به تشخیص ویژگی‌ها و یادگیری آنها است. یکی از کاربردهای شناخته شده یادگیری ماشینی، بحث شناسایی تصویر است. اگر به چنین سیستمی تعداد کافی عکس گربه ارائه کنید، در نهایت وقتی یک عکس گربه متفاوت به آن بدهید بدون کمک اپراتور انسانی می‌تواند گربه را در عکس تشخیص دهد. با پیشرفت هوش مصنوعی و فراتر رفتن آن از برنامه نویسی‌های ساده و ابتدایی، آموزش آن با استفاده از داده‌ها و بحث یادگیری ماشینی شکل گرفت.
یک مثال خوب دیگر از یادگیری ماشینی برنامه AlphaGo از گوگل است که توسط انسان آموزش دیده اما خود آن بر اساس این آموزش‌ها قادر به تصمیم گیری است. یکی دیگر از نکاتی که AlphaGo به خوبی آن را مشخص می‌کند این است که خیلی از انواع هوش مصنوعی کاربرد خاصی دارند و تک منظوره هستند؛ مثلاً این سیستم در انجام بازی Go مهارت فوق العاده‌ای دارد اما برای حرکت دادن یک ماشین خودکار کاملاً بلا استفاده است.

بازی

5. شبکه‌های عصبی
شبکه‌های عصبی که ارتباط تنگاتنگی با یادگیری عمیق دارد، سعی دارد فرایندهای مغز انسان را با توجه به اطلاعاتی که تا به امروز درباره عملکرد آن داریم، شبیه سازی کند. باز هم باید اشاره کرد که توسعه و پیشرفت شبکه‌های عصبی تنها در چند سال اخیر و با استفاده از پردازشگرهای پیشرفته میسر شده است.
این یعنی وجود لایه‌های مختلفی در شبکه عصبی که در آن به جای بررسی یک عکس و تصمیم گیری درباره اینکه آیا گربه‌ای در آن هست یا خیر، ویژگی‌های مختلف گربه و عکس در نظر گرفته می‌شود و به هر کدام یک درجه اهمیت تعلق می‌گیرد. نتیجه نهایی ایجاد یک موتور تشخیص گربه است که دقت بسیار بالاتری دارد (و به همین علت در سالهای اخیر حوزه شناسایی تصاویر پیشرفت زیادی پیدا کرده است).
اگر این مفهوم برای شما قابل درک نیست نباید نگران باشید چون بحث شبکه‌های عصبی از جمله مفاهیمی نیست که بتوانید آن را با یک توضیح مختصر در حد چند پاراگراف درک کنید. در مجموع، می‌توان آن را یکی دیگر از ابزارهای یادگیری ماشینی برشمرد که برای شبیه سازی برخی از ظرافت‌های هوش انسانی ساخته شده است.

وبلاگ

ایجاد بزرگترین جهان مجازی توسط یک تیم چینی

ایجاد بزرگترین جهان مجازی توسط یک تیم چینی

ایجاد بزرگترین جهان مجازی توسط یک تیم چینی

جهانی با 10 تریلیون ذره دیجیتال

حدود 6 سال پیش، محققین دانشگاه Geneva اعلام کردند که توانسته‌اند با استفاده از یک ابر کامپیوتر بزرگ، شکل گیری جهان ما را شبیه سازی کنند. در این تحقیق حدود 25 میلیارد کهکشان از 2 تریلیون ذره دیجیتال بوجود آمدند.
اما حالا محققین چینی توانستند این رکورد را بشکنند و این شبیه سازی را با استفاده از 10 تریلیون ذره دیجیتال انجام دهند. هدف هر دو آزمایش، تشخیص چگونگی شکل گیری جهان واقعی ما بود. از زمان ایجاد اولین کامپیوترها، فیزیکدانان از آنها برای شبیه سازی تشکیل جهان و مطالعه چگونگی توسعه آن به مرور زمان – از شروع بیگ بنگ تا زمان حال و پایان احتمالی جهان – استفاده کرده‌اند.

جهان مجازی

انجام کار از پایه

این شبیه سازی‌ها به اسم شبیه سازی N-body هم شناخته می‌شود که در آن N تعداد ذرات است. در دهه 70 میلادی، N حدود هزار عدد بود. امروزه به لطف پیشرفت و افزایش چشمگیر قدرت کامپیوترها، این رقم به 10 تریلیون عدد رسیده است.
این تیم چینی که از آکادمی علوم پکن هستند، برای اجرای این پروژه از ابر کامپیوتر Sunway TaihuLight – که در حال حاضر قدرتمندترین کامپیوتر جهان است – استفاده کرده‌اند. این تیم به حدود 10 میلیون هسته پردازشگر دسترسی داشتند که هر کدام قادر بودند دستورالعمل‌ها را به صورت مستقل اجرا کنند. اما ساختار منحصر بفرد این کامپیوتر مستلزم نوشتن تمام نرم افزارهای مورد نیاز از پایه بود که به گفته این تیم فرایند بسیار پرزحمتی بود.

اجرای شبیه سازی تا دوران اولیه حیات زمین

سرانجام وقتی این برنامه اجرا شد، تیم مسئول هیچ خطایی در آن مشاهده نکرد – اما به دلیل اینکه شخص دیگری این کامپیوتر را برای این ساعت رزرو کرده بود، تیم محقق ناچار به متوقف کردن ادامه شبیه سازی بزرگترین جهان مجازی ایجاد شده توسط انسان شدند.
Gao Liang رئیس گروه کیهان شناسی کامپیوتری در رصدخانه National Astronomical Observatories که این شبیه سازی را انجام داده گفت: “ما فقط توانستیم تا 10 میلیون سال بعد از بیگ بنگ پیش برویم که این جزء مراحل بسیار ابتدایی حیات جهان محسوب می‌شود.”

وبلاگ

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی

در حال حاضر “هوش مصنوعی” یکی از داغ‌ترین بحث‌ها در حوزه تکنولوژی محسوب می‌شود؛ به این دلیل که پس از دهه‌ها تحقیق و توسعه در این حوزه، طی چند سال اخیر شاهد ظهور تکنیک‌هایی بودیم که پدیده‌های علمی تخیلی را تبدیل به واقعیت کردند.
همین حالا هم نقش تکنیک‌های هوش مصنوعی در بخش‌های مختلف زندگی ما انسان‌ها مشاهده می‌شود از جمله اینکه هوش مصنوعی نتایج جستجوهای ما را تعیین می‌کند، صدای ما را تبدیل به دستورالعمل‌هایی می‌کند که برای کامپیوتر قابل فهم باشد و غیره. در چند سال آینده از هوش مصنوعی برای راندن خودروها، پاسخ دادن به سوالات مشتریان در بخش پشتیبانی و کارهای بیشمار دیگری استفاده خواهد شد.
اما چگونه به این نقطه رسیدیم؟ این تکنولوژی قدرتمند چگونه ایجاد شد؟ در این مطلب نقاط عطف مهم در روند پیشرفت هوش مصنوعی را مرور می‌کنیم.

شکل گیری ایده‌ای بزرگ
مسلماً مفهوم هوش مصنوعی یک باره ایجاد نشد بلکه موضوع یک بحث فلسفی عمیق بود که هنوز هم وجود دارد: آیا یک سیستم (یا ماشین) می‌تواند مثل انسان فکر کند؟ آیا یک سیستم می‌تواند انسان باشد؟ یکی از اولین افرادی که درباره این موضوع به تفکر و بحث پرداخت رنه دکارت بود که در سال 1637 در کتابی به اسم گفتار در روش (Discourse on the Method) به این موضوع پرداخته بود. نکته جالب این است که در زمانی که حتی تصور وجود سیستمی مثل Amstrad Em@iler هم ممکن نبود، دکارت به برخی از سوالات و چالش‌های مهمی که تکنولوژی باید بر آنها غلبه کند، پرداخته بود:
“اگر ماشین‌هایی وجود داشتند که شباهت زیادی به بدن ما داشتند و کارهای ما را با حداکثر شباهت ممکن تقلید می‌کردند، باز هم دو روش خیلی قطعی وجود داشت که مشخص می‌کرد آنها انسان واقعی نیستند.”

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
او به توضیح دیدگاهش ادامه داده و گفته ماشین‌ها هرگز نمی‌توانند از کلمات استفاده کرده یا علائم را کنار هم قرار دهند تا افکار ما را برای دیگران بیان کنند و حتی اگر چنین ماشینی وجود داشت “متقاعد کننده نیست که چنین ماشینی بتواند ترتیب‌های مختلف کلمات را تولید کند، طوریکه یک پاسخ کاملاً معنادار ایجاد کند؛ کاری که حتی کند ذهن‌ترین انسان‌ها هم قادر به انجام آن هستند.”
او بحث را ادامه داده و به یکی از چالش‌های مهمی می‌رسد که امروزه با آن روبرو هستیم یعنی ایجاد یک هوش مصنوعی تعمیم یافته نه هوشی که تمرکز و حیطه کاری محدودی داشته باشد و اینکه محدودیت‌های هوش مصنوعی نشان می‌دهد که یک ماشین قطعاً نمی‌تواند انسان باشد:
“حتی اگر بعضی ماشین‌ها بتوانند یکسری کارها را به خوبی خود ما یا حتی بهتر از ما انجام دهند، در انجام سایر کارها موفق نخواهند بود و این نشان می‌دهد که چنین ماشین‌هایی از روی درک عمل نمی‌کنند بلکه صرفاً با توجه به وضعیت ارگان‌ها و اندام بدنشان عمل می‌کنند.”
حالا به لطف کارها و تحقیقات دکارت، ما با چالش‌های هوش مصنوعی آشنایی داریم.

بازی تقلید
دومین کار فلسفی برجسته در این حوزه، متعلق به آلن تورینگ یکی از پیشگامان علوم کامپیوتر است. او در سال 1950 موضوعی به اسم “تست تورینگ” و “بازی تقلید” را شرح داد؛ بازی تقلید آزمایشی بود که نشان می‌داد چه موقع می‌توانیم یک ماشین را هوشمند تلقی کنیم.
آزمایش او کاملاً ساده بود: اگر یک داور نتواند ظاهر ماشین را از انسان تشخیص دهد (یعنی اینکه مثلاً فقط از طریق تعامل متنی با هر دوی آنها در ارتباط باشد) آیا ماشین می‌تواند او را فریب دهد تا نتواند تشخیص دهد کدامیک انسان هستند؟

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
حیرت انگیز است که در آن زمان، تورینگ پیش بینی قابل توجهی درباره آینده کامپیوترها انجام داده بود؛ او پیش بینی کرده بود که تا انتهای قرن بیستم این آزمایش با موفقیت انجام خواهد شد. وی گفت:
“به باور من تا 50 سال آینده می‌توان کامپیوترهایی با ظرفیت ذخیره حدود [1گیگابایت] را طوری برنامه نویسی کرد که بازی تقلید را آنقدر خوب انجام دهند که یک داور معمولی پس از پنج دقیقه سوال کردن، شانسی بیشتر از 70 درصد برای تشخیص کامپیوتر از انسان نداشته باشد… من باور دارم که در انتهای این قرن استفاده از کلمات و تعلیم دانش طوری تغییر می‌کند که بتوان ماشین‌هایی با قدرت تفکر داشت.”
متاسفانه پیش بینی او کمی ناپخته بود چون هر چند امروزه به تدریج شاهد ظهور هوش مصنوعی پیشرفته هستیم، اما این تکنولوژی در سال 2000 بسیار ابتدایی و ساده بود. اما حداقل در زمینه ظرفیت هارد دیسک – که تا پایان آن قرن تقریباً حدود 10 گیگابایت بود – پیش بینی خوبی داشت.

اولین شبکه عصبی
شبکه عصبی نامی است که دانشمندان برای یکی از مفاهیم بنیادی و تاثیرگذار بر هوش مصنوعی مدرن یعنی بحث آزمون و خطا انتخاب کرده اند. در اصل، بهترین روش برای تعلیم دادن هوش مصنوعی این است که سیستم را ملزم به حدس زدن، دریافت بازخورد و حدس زدن دوباره کنیم – و با این کار احتمال رسیدن به پاسخ درست توسط سیستم را افزایش دهیم.

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
نکته قابل توجه این است که اولین شبکه عصبی در اصل در سال 1951 ساخته شد. این سیستم که SNARC – مخفف کلمات Stochastic Neural Analog Reinforcement Computer نام داشت – توسط ماروین مینسکی و دین ادموندز ساخته شده بود و جالب اینجاست که با ترانزیستور و میکروچیپ ساخته نشده بود بلکه با لامپ خلأ، موتور و کلاچ ساخته شده بود.
چالش این ماشین این بود که به یک موش برای حل یک هزارتو کمک کند. این سیستم، دستورالعمل‌های لازم برای حرکت در این هزارتو را صادر می‌کرد و تاثیر اقدامات انجام شده به آن برگردانده می‌شد – از لامپ خلأ برای ذخیره خروجی‌ها استفاده شده بود. این، یعنی سیستم مورد نظر می‌توانست یاد بگیرد و احتمالات را تغییر دهد و به این ترتیب احتمال رد شدن از هزارتو را افزایش دهد.
این در واقع یک نسخه بسیار بسیار ساده از همان فرایندی است که گوگل امروزه برای شناسایی اشیاء در تصاویر از آن استفاده می‌کند.

اولین اتومبیل خودران
وقتی درباره اتومبیل خودران صحبت می‌شود معمولاً به چیزهایی مثل پروژه Waymo شرکت گوگل فکر می‌کنیم اما جالب اینجاست که در سال 1995 شرکت مرسدس بنز موفق شد یک مدل اصلاح شده از کلاس S مرسدس را تقریباً به صورت خودکار و مستقل از شهر مونیخ به کپنهاگ هدایت کند.

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
طبق آنچه در سایت AutoEvolution نوشته شده، این سفر 1043 مایلی با استفاده از قدرت یک سوپرکامپیوتر انجام شده است – این خودرو حاوی 60 تراشه transputer بود که در آن زمان در حوزه پردازش موازی بسیار پیشرفته محسوب می‌شد و می‌توانست حجم انبوهی از داده‌های مربوط به رانندگی را با سرعت زیاد پردازش کند و این موضوع نقش مهمی در عکس العمل سریع و به موقع خودرو داشت.
این خودرو به سرعت 115 مایل بر ساعت رسید و تقریباً شبیه خودروهای مستقل امروزی بود چون می‌توانست علائم جاده را بخواند و سبقت بگیرد.

حرکت به سمت علم آمار
هر چند مدت زیادی از شکل گیری مفهوم شبکه‌های عصبی می‌گذرد، اما در واقع در اواخر دهه 80 میلادی بود که محققین هوش مصنوعی از روش مبتنی بر قاعده به سمت روش‌های مبتنی بر آمار – یا یادگیری ماشینی – حرکت کردند. این یعنی به جای تلاش برای ساخت سیستم‌هایی که با استنباط از قواعدی که انسان بر اساس آنها عمل می‌کنند، هوش انسانی را تقلید کنند، از روش آزمون و خطا و تنظیم احتمالات بر اساس بازخوردهای دریافتی استفاده شود که برای تعلیم دادن کامپیوترها بسیار مناسب‌تر است. این تغییر بسیار مهم بود چون پایه و اساس تمام کارهای بزرگی است که امروزه هوش مصنوعی قادر به انجام آنهاست.
Gil Press از فوربز ادعا می‌کند که این تغییر در سال 1988 شکل گرفت، زمانی که مرکز تحقیقات TJ Watson IBM مقاله‌ای تحت عنوان “یک رویکرد آماری برای ترجمه زبان” منتشر کرد که در آن درباره استفاده از یادگیری ماشینی برای انجام کاری که امروزه گوگل ترنسلیت انجام می‌دهد، صحبت شده بود.
ظاهراً IBM به این سیستم، 2.2 میلیون جفت جمله‌ی انگلیسی و فرانسوی تزریق کرده بود تا آن را آموزش دهد و تمام این جمله‌ها از متون نوشته شده در پارلمان کانادا استخراج شده بودند که به هر دو زبان ثبت می‌شود – این کار تا حدودی به این که گوگل امروزه کل اینترنت را در اختیار خود دارد، شباهت دارد و شاید به همین علت امروزه عملکرد گوگل تا این اندازه خوب است.

شکست گری کاسپارف توسط Deep Blue
علیرغم حرکت به سمت مدل‌های آماری، همچنان از مدل‌های مبتنی بر قاعده هم استفاده می‌شود و در سال 1997 IBM مشهورترین مسابقه شطرنج را بین کامپیوتر Deep Blue و قهرمان شطرنج جهان گری کاسپارف برگزار کرد و نشان داد کامپیوترها تا چه اندازه می‌توانند قدرتمند باشند.
البته این مسابقه دوم محسوب می‌شد و در سال 1996 کاسپاروف Deep Blue 4-2 را شکست داده بود. اما در سال 1997 کامپیوتر توانست از 6 مسابقه در 2 مسابقه پیروز شود و 3 مسابقه را با تساوی به پایان ببرد.
هوش Deep Blue تا حد زیادی غیرواقعی بود، خود IBM بر این باور است که این ماشین از هوش مصنوعی استفاده نمی‌کند بلکه از ترکیبی از روش‌های پردازش جستجوی فراگیر – یعنی بررسی هزاران حرکت ممکن در هر ثانیه – استفاده می‌کند. IBM داده‌های مربوط به هزاران بازی قبلی را به عنوان ورودی وارد این سیستم کرد؛ در واقع Deep Blue کار جدیدی یاد نمی‌گرفت بلکه همواره بررسی می‌کرد که استادان بزرگ شطرنج در چنین شرایطی چه عکس العملی از خود نشان داده اند و به گفته IBM این کامپیوتر در اصل “رفتار استادان بزرگ شطرنج در گذشته را تقلید می‌کند.”
در هر صورت چه این سیستم هوش مصنوعی محسوب شود یا نشود، نکته مسلم این است که این اقدام یکی از برجسته‌ترین نقاط عطف حوزه هوش مصنوعی بود و توجه زیادی را به قدرت محاسباتی کامپیوترها و کل این رشته جلب کرد. پس از شکست کاسپارف، برگزاری مسابقه بین انسان‌ها و کامپیوترها تبدیل به یک امر متداول و روشی محبوب برای ارزیابی هوش ماشین‌ها شد – همانطور که در سال 2011 سیستم واتسون IBM دو نفر از بهترین شرکت کننده‌های مسابقه تلویزیونی Jeopardy را شکست داد.

پردازش زبان طبیعی توسط Siri
پردازش زبان طبیعی همواره جزء یکی از مفاهیم مهم در حوزه هوش مصنوعی بوده و البته اگر قرار باشد دنیایی با ربات‌هایی شبیه انسان داشته باشیم جزء یکی از ویژگی‌های حیاتی آنها محسوب می‌شود.

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
به همین دلیل Siri که با استفاده از متدهای آماری ذکر شده ساخته شده، تا این حد قوی و تاثیرگذار است. این سیستم که در اصل توسط موسسه SRI International ساخته شد و حتی یک اپلیکیشن مجزا در اپ استور iOS داشت، به سرعت توسط شرکت اپل خریداری شد و در iOS ادغام شد و امروز یکی از برجسته‌ترین ثمرات یادگیری ماشینی محسوب می‌شود چون در کنار محصولات شرکت گوگل (Assistant)، مایکروسافت (Cortana) و آمازون (Alexa) شیوه‌های تعامل ما با دستگاه‌ها و ابزارهای الکترونیکی را به گونه‌ای متحول کردند که تا همین چند سال پیش غیرممکن به نظر می‌رسید.
امروزه چنین تکنولوژی‌هایی برای ما چندان قابل توجه نیستند اما فقط کافیست از افرادی که قبل از سال 2010 سعی به استفاده از اپلیکیشن‌های تبدیل صدا به متن داشتند، پرس و جو کنیم تا اهمیت و ارزش این تحول را درک کنیم.

چالش ImageNet
شناسایی تصویر هم مثل شناسایی صدا از جمله چالش‌های مهمی بوده که هوش مصنوعی سعی به مقابله با آن دارد. در سال 2015 محققان برای اولین بار به این نتیجه رسیدند که ماشین‌ها – که در اینجا این ماشین‌ها دو سیستم عامل از گوگل و مایکروسافت بودند – در زمینه شناسایی اشیاء در تصاویر در بیش از هزار دسته بندی مختلف، نسبت به انسان‌ها قوی‌تر عمل می‌کنند.
این سیستم‌ها که بر اساس “یادگیری عمیق” ساخته شده بودند، توانستند چالش ImageNet – تستی شبیه تست تورینگ اما برای شناسایی تصاویر – را با موفقیت پشت سربگذارند و تبدیل به یکی از پایه‌های اساسی سیستم‌های شناسایی تصویر شدند.
مسلماً کاربردهای شناسایی تصویر متعدد هستند اما یکی از کاربردهایی که گوگل در تبلیغات پلتفرم یادگیری ماشین خودش به اسم TensorFlow بارها به آن اشاره کرده، مرتب کردن سبزیجات است. با استفاده از بینایی کامپیوتر، کشاورز نیازی به استفاده از انسان‌ها جهت تصمیم گیری درباره اینکه کدام سبزیجات آماده مصرف هستند، ندارد بلکه این ماشین‌ها می‌توانند با توجه به آموزش‌هایی که قبلاً دیده اند، بهترین تصمیم گیری را انجام دهند.

اقتصادی‌تر شدن هوش مصنوعی با تولید GPU
یکی از دلایل پیشرفت چشمگیری هوش مصنوعی در سال‌های اخیر، مقرون به صرفه‌تر شدن هر چه بیشتر پردازش داده‌های حجیم است.

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
طبق اطلاعات سایت Fortune در اواخر دهه 2000 میلادی محققین متوجه شدند واحدهای پردازش گرافیکی (GPU) که برای اجرای بازی و گرافیک‌های سه بعدی ساخته شده بودند، در انجام محاسبات یادگیری عمیق نسبت به CPUهای قدیمی 20 تا 50 برابر قوی‌تر هستند. وقتی مردم متوجه این واقعیت شدند حجم قدرت پردازش در دسترس بشدت افزایش پیدا کرد و پلتفرم‌های هوش مصنوعی مبتنی بر ابری ساخته شدند که نسبت به مدل‌های ساده قدیمی قدرت بسیار بیشتری دارند.

به چالش کشیدن رقبا توسط AlphaGo و AlphaGoZero
در ماه مارس سال 2016 نیز شاهد یکی دیگر از نقاط عطف هوش مصنوعی بودیم. در این زمان نرم‌افزار AlphaGo شرکت گوگل توانست لی سدول یکی از قوی‌ترین بازیکنان بازی تخته‌ای Go را شکست دهد.

معرفی 10 مورد از مهم‌ترین پیشرفت‌های هوش مصنوعی
اما آنچه جالب توجه بود این بود که نه تنها Go از نظر ریاضی و محاسباتی نسبت به شطرنج پیچیده‌تر است بلکه این سیستم با استفاده از ترکیبی از رقبای انسانی و هوش مصنوعی تعلیم داده شده بود. گوگل توانست با استفاده از 1920 CPU و 280 GPU در چهار مسابقه از پنج مسابقه پیروز شود.
اما خبر جالب‌تر مربوط به سال قبل و انتشار نسخه جدیدتر این نرم‌افزار به نام AlphaGo Zero است. در این نرم‌افزار بر خلاف AlphaGo و Deep Blue به جای استفاده از داده‌های قبلی برای یادگیری بازی، خود این سیستم هزاران بازی را علیه خودش انجام داده بود. سه روز بعد از آموزش، این سیستم توانست AlphaGo را که موفق به شکست صد به صفر لی سدول شده بود، شکست دهد و به این ترتیب ماشین‌هایی ظهور کردند که خودشان را آموزش می‌دهند.