شرکت ملی مس دارای سه مجموعه رسمی است
تاریخ انتشار: ۱۹ شهریور ۱۳۹۹ | کد خبر: ۲۹۲۴۰۶۸۸
به گزارش خبرنگار گروه استان های باشگاه خبرنگاران جوان از تبریز،حیدر ضیغمی مشاور مدیرعامل مس ایران با بیان اینکه شرکت ملی مس دید درونسازمانی و برونسازمانی نسبت به ورزش داردافزود: این شرکت پنج باشگاه ورزشی دارد که به صورت حرفهای در مسابقات شرکت میکنند.
او خاطرنشان کرد: علاوه بر حضور مس سونگون در لیگ برتر فوتسال، مس رفسنجان راهی لیگ برتر شده و مس کرمان به خاطر یک گل از صعود به لیگ برتر فوتبال باز ماند که این موضوع نشاندهنده نگاه حمایتی شرکت ملی مس به ورزش برونسازمانی است.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
او با اشاره به اینکه تأکید این شرکت بر استفاده از نیروها و استعدادهای بومی در باشگاهها است، افزود: نگاه ما بهگونهای است که مسئولیتهای اجتماعی خود را نیز به خوبی انجام دهیم و امیدوارم روز به روز شاهد پیشرفت و موفقیت شرکت ملی مس چه از نظر انجام مسئولیتهای اجتماعی، چه تولید و فروش شرکت و چه سایر مسائل مربوطه باشیم.
انتهای پیام/
منبع: باشگاه خبرنگاران
کلیدواژه: فوتسال ایران شرکت ملی مس
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.yjc.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «باشگاه خبرنگاران» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۲۹۲۴۰۶۸۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
دادههای آموزشی هوش مصنوعی عرصه جدید رقابت شرکتهای بزرگ فناوری
به گزارش خبرنگار مهر؛ با ظهور و توسعه روزافزون هوش مصنوعی طی سالهای اخیر، این فناوری تحولآفرین به بخشی جدایی ناپذیر از صنایع مختلف تبدیل شده است و فرآیندها و تصمیمگیری ها را به شکلی عمیق تحت تأثیر قرار داده است. همین امر سبب ظهور رقابتی شدید میان شرکتهای فناوری برای عرضه ارائه خدمات مبتنی بر هوش مصنوعی شده است. در چنین شرایطی، دادههای آموزشی در کنار توان محاسباتی و الگوریتمها، یکی از ارکان اساسی و تعیین کننده در توسعه این فناوری محسوب میشوند. دادههای آموزشی به عنوان پایهای برای الگوریتمهای یادگیری ماشینی جهت یادگیری و بهبود عملکرد هوش مصنوعی عمل میکنند و همین امر، دستیابی به دادههای مذکور را در مرکز رقابت استارتاپهای هوش مصنوعی و غولهای فناوری قرار داده است. بازیگران کلیدی این عرصه، رقابت برای دستیابی به دادههای آموزشی با کیفیت بالا را آغاز کردهاند.
دادههای آموزشی هوش مصنوعی (AI training data) به مجموعه اطلاعات مورد استفاده برای آموزش مدلهای هوش مصنوعی اطلاق میشود. بسته به نوع مدل هوش مصنوعی در حال توسعه، این داده ها میتوانند به اشکال مختلفی مانند متن، تصویر، ویدئو یا دادههای عددی مورد استفاده قرار گیرند.
به عقیده طیف گستردهای از کارشناسان، دادههای آموزشی آینده نوآوری در حوزه هوش مصنوعی را شکل میدهند.
نقش دادههای آموزشی در توسعه هوش مصنوعی
دادههای آموزشی نقش مهمی در شکل دادن به رفتار و قابلیتهای الگوریتمهای هوش مصنوعی ایفا میکنند. توسعهدهندگان میتوانند با قرار دادن مدلهای یادگیری ماشینی در معرض مقادیر زیادی از دادههای آموزشی برچسبگذاری شده، آنها را برای تشخیص الگوها، پیشبینی و انجام وظایف با دقت بالا آموزش دهند. همه انواع متنوع برنامههای مبتنی بر هوش مصنوعی از جمله تشخیص تصویر، پردازش زبان طبیعی یا رانندگی خودکار، برای دستیابی به عملکرد بهینه و افزایش توان، به شدت به مجموعههای داده آموزشی متنوع و غنی متکی هستند.
شرکتهای بزرگ فناوری و دادههای آموزشی هوش مصنوعی
غولهای فناوری آمریکایی مانند گوگل، آمازون، متا، مایکروسافت و اپل در خط مقدم تحقیق و توسعه هوش مصنوعی قرار دارند و از منابع وسیعی برای عبور از مرزهای نوآوری و پیشبرد فناوری استفاده میکنند. به عقیده کارشناسان، این شرکتها اهمیت استراتژیک دادههای آموزشی را در افزایش قابلیتهای سیستمهای هوش مصنوعی خود و به دست آوردن مزیت رقابتی در بازار میشناسند. در نتیجه، رقابت شدیدی بین غولهای فناوری برای به دست آوردن دادههای آموزشی با کیفیت بالا وجود دارد که میتواند به ابتکارات فناورانه آنها در بخش هوش مصنوعی کمک کند.
چالشها در دستیابی به دادههای آموزشی
در حالی که با توسعه روزافزون هوش مصنوعی و نیاز رو به رشد بازار تقاضا برای دادههای آموزشی همچنان در حال افزایش است، شرکتها با چالشهای مختلفی در دسترسی به منابع و استفاده مؤثر از دادهها مواجه هستند. نگرانیهای حریم خصوصی دادهها با قوانینی از جمله مانند مقررات عمومی حفاظت از داده اروپا (GDPR) که دستورالعملهای سختگیرانهای را در مورد جمعآوری و استفاده از دادههای شخصی اعمال میکند، به یک موضوع مهم تبدیل شده است. علاوه بر این، اطمینان از تنوع و نمایندگی دادههای آموزشی برای جلوگیری از تعصب، سوگیری و اطمینان از استحکام مدلهای هوش مصنوعی ضروری است.
راهبردهای موجود برای تولید دادههای آموزشی
شرکتهای بزرگ فناوری برای مقابله با چالشهای موجود در مسیر دستیابی به دادههای آموزشی، در حال بررسی استراتژیهای نوآورانه جهت تولید مجموعه دادههای متنوع و با کیفیت هستند. در چنین شرایطی پلتفرمهای جمعسپاری به سازمانها این امکان را میدهند که دادهها را از مجموعه بزرگی از مشارکتکنندگان جمعآوری کنند و آنها را قادر میسازد تا مجموعه دادههای خود را به طور مؤثر مقیاسبندی کنند. علاوه بر این، تکنیکهای تولید داده مصنوعی برای تقلید سناریوهای دنیای واقعی نیز بخشی کلیدی از دادههای آموزشی هستند که از سوی شرکتها مورد استفاده قرار میگیرند.
تأثیر کیفیت دادههای آموزشی بر عملکرد هوش مصنوعی
کیفیت دادههای آموزشی به طور مستقیم بر عملکرد و قابلیت اطمینان مدلهای هوش مصنوعی تأثیر میگذارد. مجموعه دادههای ضعیف یا دارای سوگیری میتوانند منجر به پیشبینیهای نادرست شوند و تعصبات موجود در سیستمهای هوش مصنوعی را تقویت کنند. برای کاهش این مسائل، شرکتها باید فرآیندهای تضمین کیفیت دادهها را اولویت بندی کنند و اقداماتی را برای شناسایی و اصلاح سوگیریها در دادههای آموزشی خود اجرا کنند.
چارچوبهای قانونی برای دادههای آموزشی هوش مصنوعی
در طول سالهای اخیر و به منظور پاسخ به نگرانیهای فزاینده در مورد حفظ حریم خصوصی دادهها و اخلاقیات، برخی چارچوبهای نظارتی برای کنترل مدیریت دادههای آموزشی در توسعه هوش مصنوعی ایجاد شدهاند. از همین روی، شرکتها ملزم به رعایت مقررات حفاظت از دادهها و اطمینان از شفافیت در شیوههای جمع آوری دادههای خود هستند. رعایت این مقررات برای ایجاد اعتماد در میان کاربران و ذینفعان و کاهش خطرات مرتبط با سو استفاده از دادهها ضروری است.
روندهای آینده در دادههای آموزشی هوش مصنوعی
با نگاهی به آینده، انتظار میرود که پیشرفت در روشهای جمعوری منابع داده، کیفیت و تنوع دادههای آموزشی در دسترس توسعهدهندگان هوش مصنوعی را افزایش دهد. تکنیکهایی مانند شبکههای زایای دشمنگونه (Generative Adversarial Networks) یادگیری انتقالی (transfer learning)، مدلها را قادر میسازد که از منابع داده محدود استفاده کنند و به طور مؤثر وظایف جدید را بیاموزند. علاوه بر این، اتخاذ رویکردهای یادگیری فدرال (federated learning) امکان آموزش غیرمتمرکز در مجموعه دادههای توزیع شده را فراهم و حریم خصوصی دادهها را حفظ میکند. این مدلها همچنین عملکرد مدل را بهبود میبخشند.
نتیجهگیری
رقابت بین شرکتهای بزرگ فناوری برای به دست آوردن دادههای آموزشی هوش مصنوعی بر اهمیت استراتژیک دادهها در هدایت نوآوری این فناوری افزوده است. از آنجایی که شرکتها پیچیدگیهای جمعآوری و استفاده از دادهها را درک میکنند، اطمینان از کیفیت، تنوع و انطباق آنها با مقررات بسیار مهم و حیاتی شده است. سازمانها با قرار گرفتن در خط مقدم روندهای نوظهور تولید و استفاده از دادههای آموزشی، میتوانند از پتانسیل کامل فناوری هوش مصنوعی بهره ببرند و راه حلهای تأثیرگذاری را برای چالشهای جهانی این حوزه ارائه دهند.
چشمانداز دادههای آموزشی هوش مصنوعی، با پیشرفت در تکنیکهای جمعآوری و افزایش حجم دادهها، به طور مداوم در حال تغییر است. با ادامه رشد تقاضا برای برنامههای کاربردی هوش مصنوعی در صنایع، نیاز به دادههای آموزشی با کیفیت بالا و متنوع افزایش مییابد. در چنین شرایطی شرکتهایی که میتوانند بهطور مؤثر چالشهای کسب و استفاده از دادههای آموزشی را پشت سر بگذارند، در بازار هوش مصنوعی مزیت رقابتی به دست خواهند آورند و نوآوری در این زمینه را هدایت خواهند کرد.
در عصر پیشرفت سریع هوش مصنوعی، رقابت برای دادههای آموزشی این حوزه صرفاً به دست آوردن حجم وسیعی از دادهها نیست؛ بلکه اطمینان از کیفیت، ارتباط و استفاده اخلاقی از دادهها نیز مسائل کلیدی این حوزه محسوب میشوند. شرکتها میتوانند با اولویت دادن به یکپارچگی و تنوع دادهها، مدلهای هوش مصنوعی قوی، بیطرفانه و توانمند بسازند. با تشدید رقابت بین شرکتهای بزرگ فناوری، کسب مزیت در استفاده از دادههای آموزشی همچنان یک تمایز کلیدی در چشمانداز هوش مصنوعی خواهد بود.