
کنترل کیفی در اتوماسیون صنعتی
یکی از مهمترین کاربردهای یادگیری عمیق، در اتوماسیون صنایع است. از این علم برای بخشهای کنترل کیفی محصول، بستهبندی، تشخیص قطعات، بازوهای رباتیک و غیره استفاده میشود.

پردازش زبان طبیعی
پردازش زبان طبیعی از طریق یادگیری عمیق سعی در یادگیری نکات ظریف زبانی و تنظیم پاسخهای مناسب دارد. پاسخ به سؤالات، مدلسازی زبان، طبقهبندی متن، یا تجزیهوتحلیل احساسات در سطح گستردهتر، همه زیرمجموعههای پردازش زبان طبیعی است که در آن یادگیری عمیق نقشبرجستهای دارد.

تشخیص بصری
خودتان را تصور کنید که با انبوهی از تصاویر قدیمی روبرو هستید که برای شما یک نوستالژی محسوب میشوند. حال تصمیم میگیرید تعدادی از آنها را قاب بگیرید اما ابتدا میخواهید آنها را مرتب کنید. روشهای دستی و بهدوراز تکنولوژی تنها راه تحقق این امر در غیاب فراداده بود. حداکثر کاری که میتوانستید انجام دهید این بود که آنها را بر اساس تاریخ مرتب کنید اما تصاویر بارگیری شده فاقد این فراداده هستند. در آینده، با استفاده از یادگیری عمیق میتوان تصاویر را بر اساس مکانهای تشخیصدادهشده در عکسها، چهرهها، ترکیبی از افراد یا بر اساس رویدادها، تاریخها و … مرتب کرد.

شخصی سازی ها
اکنون هر پلتفرمی در تلاش است تا با استفاده از رباتهای چت، تجربۀ مصاحبت شبه بشری را به بازدیدکنندگان خود ارائه دهد. یادگیری عمیق به توانمندیهای غولهای تجارت الکترونیکی مانند آمازون، ای بِی و علیبابا کمک میکند تا تجربۀ شخصیسازی را در قالب بستهها و تخفیفات شخصی ارائه دهند.

اتومبیلهای خودران
آزمایشگاههای هوش مصنوعی پیتسبورگ نهتنها روی پروژۀ اتومبیلهای بدون راننده کار میکند، بلکه چندین ویژگی هوشمند مانند گزینههای تحویل غذا با استفاده از اتومبیلهای بدون راننده را معرفی کرده است. نگرانی عمده برای توسعه دهندگان اتومبیلهای خودمختار، مدیریت این تکنولوژی بیسابقه است.

دستیارهای مجازی
محبوبترین کاربرد یادگیری عمیق دستیارهای مجازی شامل اَلِکسا، سیری و دستیار گوگل هستند. هر نوع تعامل با این دستیارها فرصتی را برای آنها فراهم میکند تا درباره صدا و لهجه شما بیشتر بدانند و در نتیجه یک تجربه ثانویۀ تعامل انسانی را برای شما فراهم میکنند. دستیاران مجازی از یادگیری عمیق برای کسب اطلاعات بیشتر در مورد موضوعات خود استفاده میکنند، از مکان موردعلاقه شما برای خوردن غذا گرفته تا مکانهای پربازدید و آهنگهای مورد علاقهتان.

تشخیص تقلب
دامنۀ دیگری که از دیپ لرنینگ سود میبرد، بخش بانکی و مالی است که وظیفۀ کشف تقلب با دیجیتالی شدن معاملات پول را برعهده دارد. رمزگذاران خودکار در نرمافزارهای «کراس» و «تنسور فلو» برای کشف تقلب در کارتهای اعتباری، درحالتوسعه هستند. پیشگیری و کشف تقلب بر اساس شناسایی الگوهای معاملات مشتری و امتیازات اعتباری، شناسایی رفتارهای ناهنجار و دور از انتظار انجام میشود.

تشخیص تأخیر رشد در کودکان
اختلالات گفتاری، اوتیسم و اختلالات رشد میتواند کیفیت خوب زندگی کودکان مبتلا به هر یک از این مشکلات را زیر سؤال ببرد. تشخیص و درمان بهموقع میتواند تأثیر شگفت انگیزی بر سلامت جسمی، روحی و روانی کودکان با توانایی متفاوت داشته باشد. ازاینرو، یکی از برترین کاربرد یادگیری عمیق، تشخیص زودهنگام و اصلاح مشکلات مرتبط با نوزادان و کودکان است. این تفاوت عمدۀ یادگیری عمیق و یادگیری ماشینی است. یادگیری ماشینی برای وظایف خاص مورداستفاده قرار میگیرد، اما یادگیری عمیق به حل جدیترین مشکلات بشر میپردازد.

تجمیع اخبار و کشف اخبار تقلب
اکنون راهی برای فیلترکردن همه اخبار بد و نامناسب از مجموعۀ خبری وجود دارد. استفادۀ گسترده از یادگیری عمیق در جمعآوری اخبار به دلیل حمایت از شخصیسازی اخبار بر اساس خوانندگان است. اگرچه ممکن است این امر جدید به نظر نرسد، اما نوع جدیدتری از این تکنولوژی موجود است که بر اساس آن، اخبار با پارامترهای جغرافیایی، اجتماعی، اقتصادی برای هر فرد انجام میپذیرد.

سرگرمی
در مسابقات تنیس ویمبلدون 2018، شرکت آیبیام واتسون «IBM Watson» از یادگیری عمیق برای تجزیهوتحلیل احساسات و حالات بازیکنان از طریق صدها ساعت فیلم برای پخش تلویزیونی استفاده کرد. این موضوع باعث صرفهجویی مالی بسیاری شد. به لطف دیپ لرنینگ، آنها توانستند در پاسخگویی مخاطب و محبوبیت بازی یا بازیکن به یک مدل دقیقتر برسند.

مراقبتهای بهداشتی
برنامهها و سیستمهایی که از GPU استفاده میکنند، با ارائه کاراییها و امکانات جدید، به پزشکان و محققان علاقهمند به بهبود زندگی دیگران امکانات بیشتری ارائه میدهد. کمک به تشخیص زودهنگام، دقیق و سریع بیماریهای تهدیدکننده زندگی، افزایش کلینیک پزشکان برای رفع کمبود پزشکان حاذق، نتایج آسیبشناسی و استانداردسازی دورۀ درمان و درک ژنتیک برای پیشبینی خطر ابتلا به بیماریها، برخی از موارد یادگیری عمیق هستند که در حوزۀ درمان روبهرشد هستند.