هوش تجاری
یک ابزارپیش بینی کننده
کامیون های بدون راننده
کندوهای پیشرفته
پیش بینی بادهای شدید
امروزه استفاده ازهوش مصنوعی درزندگی روزمره ودرسراسر جهان به سرعت درحال گسترش است .درکشورمانیز استفاده ازاین فن آوری مدرن درمیان مردم رواج پیداکرده است .استفاده ازچت بات ها برای ترجمه متون وساخت فیلم وانیمیشن وعکس بسیارمتداول شده است.اما قابلیت مهم هوش مصنوعی استفاده ازآن برای مدیریت واحدهای کوچک وبزرگ تولیدی، مالی، تجاری وآموزشی است .متاسفانه بسیاری ازمدیران ما یا ازمزایای این فن آوری برای مدیریت واحدهای تحت فرمان خودغافل اندیا قابلیت های آن را کوچک می پندارندیاتصورمی کنند استفاده ازهوش مصنوعی مستلزم دانش وآگاهی بسیارزیاد یاتحمل هزینه بسیارزیاد برای بکارگیری متخصصان است.درحالی که مدیران بدون دانش کدنویسی نیز براحتی می توانند ازقابلیت های هوش مصنوعی دراداره مرکز خود استفاده کنندهمچنین بایادگیری بعضی ازموضوعات هزینه های خودبرای استفاده ازهوش مصنوعی راکاهش دهد.
هرمدیری به تجربه می داند که واحد تحت مدیریتش درجریان کار داده هایی تولید می کند.درگذشته این داده ها دردفاتری معمولا بزرگ ثبت می شد.بتدریج مدیران دریافتند چه داده هایی راثبت کنند وچه داده هایی ارزش بیشتری دارند وچگونه می توان ازداده ها برای تصمیم گیری بهترکمک گرفت وچگونه بایدامنیت نگهداری ازداده ها راتامین کنند. اما درشرکتهایی که حجم داده ها زیاد بود استفاده ازنرم افزارهای صفحه گسترده چون اکسل وگوگل شیت باب شد.بعلاوه نرم افزارشرکت مایکروسافت پاوربی آی(Power BI) درمیان بسیاری ازمدیران محبوب شد.ازآنجایی که هوش مصنوعی مبتنی برداده های شفاف کارمی کند،مدیران سنتی باید دفاتربزرگ خودراکنارگذارندوداده های خود را درحداقل یک فایل اکسل ذخیره کنند.اگرمی خواهید ازهوش مصنوعی برای تحلیل داده های خوداستفاده کنیدناچاریدازنسخه های بروزاکسل یاگوگل شیت استفاده کنیدزیرا این نسخه هاقابلیت افزودن افزونه های هوش مصنوعی رادارند. Power BI+AI نیزتوصیه می شود.
بنابراین گام اول برای مدیران یادگیری حداقل یکی از نرم افزارهای اکسل ،گوگل شیت یا پاوربی آی است.دوخبرخوب دارم.اولی اینکه یادگیری پیشرفته یکی ازاین نرم افزارها باعث می شود دو نرم افزاردیگر راباسادگی بیشتری فرابگیرید وخبرخوب دوم اینکه سایت های مجازی بسیاری هستند که به رایگان یا باپرداخت مبلغی کم امکان دریافت آموزش های خوب وجامعی رابرای شما فراهم می آورندبطوریکه شما می توانید درمنزل آموزش ببینیدوحتی گواهینامه گذراندن دوره راببینید.بسیاری ازمدیران آشنایی سطحی بااین نرم افزارها دارنداما توصیه می کنم به صورت پیشرفته تر بااین نرم افزارها آشنا شویدزیرا حتی اگر پول داشته باشید وبتوانید متخصصان وبرنامه نویسان رااستخدام کنید شما هستید که بایدداده های شرکت خود را دراختیار متخصصان قراردهید وشما یکی ازافراد مهمی هستید که مسئول تامین امنیت داده ها وبعلاوه صحیح وشفاف بودن آنها است.همچنین برای ارتباط برقرارکردن با متخصصان بایدآشنایی کلی با موضوعات مربوطه راداشته باشید.
نگران نباشید باصرف یکماه ازاوقات فراغت خود به راحتی می توانید به یکی ازاین سه نرم افزار مسلط شوید.
چالش‌های مشتری
درباره سیستم‌های سوگاکیکو
شرکت سوگاکیکو سیستمز در سال ۱۹۴۶ در ناگویا، استان آیچی ژاپن تأسیس شد. این شرکت زنجیره‌ای از فروشگاه‌های رامن و شیرینی به نام «سوگاکیا» را اداره می‌کند که عمدتاً در منطقه توکای قرار دارند. تا پایان ژوئن ۲۰۲۳، ما ۲۵۹ فروشگاه سوگاکیا، ۲۳ فروشگاه سوگاکیا، ۲ فروشگاه ایتوکوآن و ۲ فروشگاه کیمورایا را اداره می‌کنیم.
این بار با مسئول مربوطه مصاحبه کردیم. از آنها پرسیدیم چه چیزی آنها را به معرفی UMWELT ترغیب کرد.
چی شد که به این فکر افتادی؟
عضو کارکنان: در ابتدا، ما به دنبال ابزاری بودیم که بتواند از هوش مصنوعی برای کاهش ساعات کار در محل و کاهش ضایعات مواد غذایی به منظور ارتقای تحول دیجیتال استفاده کند. در این مدت، با شرکت Trying آشنا شدم، شرکتی که آن هم در ناگویا مستقر است.
راه حل
ما روی معرفی UMWELT(ظاهرا برنامه هوش مصنوعی است که با دریافت داده ها پیش بینی نتایج دارد) و انجام آزمایش‌ها کار کرده‌ایم،
چه نکات کلیدی منجر به اجرای این طرح شد؟
مدیر: اول از همه، ما توانستیم نتایج پیش‌بینی فروش فروشگاه را به دست آوریم که برابر یا بهتر از نتایج به‌دست‌آمده توسط انسان‌ها بود. پس از مقایسه پیش‌بینی‌های فروش انجام شده توسط انسان‌ها با پیش‌بینی‌های انجام شده توسط UMWELT، مشخص شد که دقت پیش‌بینی‌های UMWELT برابر یا بهتر از پیش‌بینی‌های انسانی است.
همچنین این یک ویژگی عالی بود که پیش‌بینی‌ها را می‌توان تنها با استفاده از داده‌های موجود انجام داد. در شروع این ابتکار، شرکت هنوز تمام داده‌های لازم برای دستیابی به آنچه می‌خواست را در اختیار نداشت و این خطر وجود داشت که جمع‌آوری آن از ابتدا منجر به هزینه‌های مالی و زمانی هنگفتی شود. در آن زمان، ما یک پیشنهاد عملی دریافت کردیم که ممکن است بتوانیم با استفاده از داده‌های داخلی موجود برای پیش‌بینی‌ها، که به آماده‌سازی زیادی نیاز ندارد، به آنچه می‌خواستیم دست یابیم، و در واقع توانستیم نتایجی با دقت خوب به دست آوریم.
علاوه بر این، از آنجا که UMWELT هزینه ثابتی دریافت می‌کند، می‌توانید به راحتی آن را امتحان کنید تا مشکلاتی که در هر سایت پیش می‌آید را برطرف کنید. سطح جزئیات پیش‌بینی‌های مورد نیاز بسته به محل، مانند فروشگاه، دفتر مرکزی یا آشپزخانه مرکزی، متفاوت است، بنابراین ما جذب این واقعیت شدیم که Tryetting می‌تواند چندین پروژه را در چندین بخش پوشش دهد.
لطفا از آینده شغلیتون برامون بگید!
فرد مسئول: ما می‌خواهیم نیازهای این حوزه را شناسایی کنیم، وظایفی را که می‌توان به هوش مصنوعی واگذار کرد، بیابیم و از آن به طور فعال استفاده کنیم. در آینده، ما قصد داریم از داده‌های POS برای پیش‌بینی هر کالا استفاده کنیم، به این امید که ضایعات مواد غذایی را کاهش دهیم.
آخرین به‌روزرسانی: ۲۰۲۵/۰۲/۲۰
پیش‌بینی تقاضا چیست؟
پیش‌بینی تقاضا شامل پیش‌بینی زمان، نوع محصولات و میزان فروش و انعکاس این موضوع در برنامه‌های تولید و برنامه‌های فروش خرده‌فروشی است.
افرادی که سال‌ها در مدیریت تولید در صنعت تولید یا سفارش‌گذاری در صنعت خرده‌فروشی مشغول بوده‌اند، بر اساس تجربیات گذشته خود، درک خاصی از چرخه‌های فروش خواهند داشت، اما وقوع رویدادهای نامنظم مانند کمپین‌ها یا رویدادهای بزرگ می‌تواند تجربیات گذشته آنها را زیر و رو کند. علاوه بر این، نیازهای مصرف‌کنندگان در سال‌های اخیر متنوع‌تر شده و تقاضا برای توسعه‌ی طیف وسیعی از محصولات در مقیاس کوچک و با تنوع بالا را ایجاد کرده است. از آنجایی که حاشیه سود از قبل کم است، موجودی اضافی بلافاصله بر حاشیه سود تأثیر می‌گذارد. به طور خاص، در بخش مواد غذایی و آشامیدنی، محصولات تاریخ انقضای کوتاهی دارند و فروش تحت تأثیر عوامل مختلفی مانند رویدادها و شرایط آب و هوایی قرار می‌گیرد. این نوع پیش‌بینی تقاضا که حتی برای افراد باتجربه نیز دشوار است، با استفاده از یادگیری ماشینی به همراه هوش مصنوعی انجام می‌شود و این کاری است که سیستم پیش‌بینی تقاضا انجام می‌دهد.
مزایا و معایب سیستم‌های پیش‌بینی تقاضا
از اجرای واقعی یک سیستم پیش‌بینی تقاضا چه مزایایی می‌توانید به دست آورید؟ و چه معایبی ممکن است وجود داشته باشد؟ بیایید نگاهی دقیق‌تر به مزایا و معایب بیندازیم.
● مزایای سیستم پیش‌بینی تقاضا
مزایای اصلی یک سیستم پیش‌بینی تقاضا سه مورد است:
- دقت بالا و متغیرهای چند منظوره
یکی از مزایای استفاده از هوش مصنوعی در پیش‌بینی تقاضا این است که می‌تواند پیش‌بینی‌های بسیار دقیقی را ارائه دهد. با جمع‌آوری حجم عظیمی از داده‌ها، هوش مصنوعی می‌تواند به تحلیل‌ها و پیش‌بینی‌های بسیار دقیقی دست یابد. در نتیجه، پیش‌بینی‌های تقاضا می‌توانند دقیق‌تر از پیش‌بینی‌هایی باشند که به تجربه و شهود کارکنان متکی هستند.
- بهبود بهره‌وری کسب و کار
با معرفی هوش مصنوعی پیش‌بینی تقاضا، تمام کارهای پیش‌بینی تقاضا که قبلاً به صورت دستی انجام می‌شد، می‌توانند خودکار شوند و به کارمندان اجازه دهند تا روی وظایف دیگر تمرکز کنند. انتظار می‌رود این امر منجر به بهبود بیشتر در بهره‌وری شود.
-سطوح موجودی را می‌توان بهینه کرد
هنگام سروکار داشتن با محصولات، بهینه‌سازی سطح موجودی بسیار مهم است. با این حال، پیش‌بینی سطح بهینه موجودی کار آسانی نیست. هوش مصنوعی پیش‌بینی تقاضا، از داده‌های متنوعی مانند فروش‌های گذشته، ویژگی‌های مشتری، آب و هوا و نرخ ارز استفاده و آنها را تجزیه و تحلیل می‌کند و به آن امکان می‌دهد پیش‌بینی‌های دقیق‌تری انجام دهد.
● معایب سیستم‌های پیش‌بینی تقاضا
از سوی دیگر، معایب سیستم پیش‌بینی تقاضا به شرح زیر است:
در مراحل اولیه اجرا، کمبود داده وجود دارد و نگرانی‌هایی در مورد دقت پیش‌بینی‌ها وجود دارد.
هوش مصنوعی سیستمی است که بر اساس داده‌های جمع‌آوری‌شده، تجزیه و تحلیل و پیش‌بینی می‌کند. به همین دلیل، در مراحل اولیه اجرا که مقدار داده‌ها کم است، نگرانی‌هایی در مورد دقت پیش‌بینی‌ها به ناچار ایجاد خواهد شد. البته، با استفاده مداوم، داده‌ها جمع‌آوری می‌شوند و این امر باعث می‌شود که دقت روز به روز بهبود یابد.
با این حال، یکی از معایب این است که لزوماً دستیابی به دقت بالا از مرحله اولیه پیاده‌سازی امکان‌پذیر نیست. اخیراً تعداد شرکت‌هایی که خدمات جمع‌آوری داده‌ها ارائه می‌دهند رو به افزایش بوده است، بنابراین استفاده از این شرکت‌ها یکی از گزینه‌هاست.
- عدم توانایی در واکنش به موقعیت‌های غیرمنتظره
مشکل پیش‌بینی تقاضا این است که نمی‌تواند موقعیت‌های غیرمنتظره را مدیریت کند. هنگام مواجهه با یک موقعیت غیرمنتظره، تنظیمات تولید باید به گونه‌ای انجام شود که با برنامه‌های قبلی متفاوت باشد. در نتیجه، ممکن است نتوانند با آرامش به مشکلاتی مانند کمبود موجودی پاسخ دهند و در نهایت فرصت‌های فروش را از دست بدهند.
هرچه داده‌های کمتری برای تجزیه و تحلیل وجود داشته باشد، احتمال مواجهه با موقعیت‌های غیرمنتظره بیشتر می‌شود، بنابراین جمع‌آوری صحیح داده‌ها بسیار مهم است.
نکات مهم و قابل توجه پس از اجرای سیستم پیش‌بینی تقاضا
امیدوارم متوجه شده باشید که هنگام معرفی یک سیستم پیش‌بینی تقاضا، مهم است که هدف را از قبل روشن کنید. با این حال، اجرای پیش‌بینی تقاضا هدف نهایی نیست. حتی پس از اجرا نیز باید به نکاتی توجه داشت.
برای مثال، اگر بین نتایج پیش‌بینی تقاضا توسط هوش مصنوعی و تقاضای واقعی اختلاف وجود داشته باشد، این موضوع باید تأیید و در مدل پیش‌بینی تقاضا منعکس شود. «تأیید» و «بهبود» مداوم برای بهبود دقت ضروری هستند. اگر اختلاف حتی پس از تأیید و بهبود مکرر در حین کار برطرف نشد، احتمالات زیر را در نظر بگیرید.
●خطا
حتی اگر دقت پیش‌بینی‌های هوش مصنوعی بهبود یابد، هرگز به ۱۰۰٪ نخواهد رسید و همیشه بین نتایج پیش‌بینی‌شده و مقادیر واقعی تفاوت وجود خواهد داشت. اگر تفاوت خیلی زیاد باشد، ممکن است به دلیل کمبود داده‌های آموزشی باشد، اما اگر اینطور نباشد، صرفاً یک خطا است. علل احتمالی خطاها شامل شرایط پیش‌بینی‌نشده‌ای مانند موارد زیر است که صرف نظر از دقت هوش مصنوعی، آموزش داده‌ها را از قبل غیرممکن می‌کند.
وقوع آب و هوای غیرطبیعی و بلایای طبیعی
عرضه محصول جدید رقیب
برای بهبود دقت افزایش یا کاهش سفارشات به دلیل نیازهای شرکای تجاری، ایده خوبی است که هوش مصنوعی نتایج را در صورت بروز خطا یاد بگیرد.
مقادیر غیرطبیعی
مقدار غیرطبیعی، مقداری است که تفاوت قابل توجهی با مقدار طبیعی دارد. اگر از داده‌های پرت به همین صورت برای آموزش استفاده شود، این خطر وجود دارد که دقت پیش‌بینی کاهش یابد. برای مثال، زمانی که چیزی در رسانه‌ها نمایش داده می‌شود و به یک ترند تبدیل می‌شود، یا زمانی که فروش به دلیل یک کمپین یا دلیل دیگری موقتاً به شدت افزایش می‌یابد، ممکن است داده‌ها به عنوان داده‌های پرت در نظر گرفته شوند. توصیه می‌شود با اعمال پردازش اصلاحی، چنین داده‌های پرتی را مدیریت کنید.
نقشه آشوب پیش‌بینی‌کننده هوش مصنوعی
انتخاب یک هوش مصنوعی پیش‌بینی‌کننده که به بهترین وجه با چالش‌ها و هدف پیاده‌سازی شرکت شما مطابقت داشته باشد، از میان بسیاری از هوش مصنوعی‌های پیش‌بینی‌کننده موجود، آسان نیست. در چنین مواردی، یک نقشه آشوب پیش‌بینی‌کننده هوش مصنوعی که بر اساس هدف تقسیم‌بندی شده باشد، می‌تواند مفید باشد.
کامیون‌های بدون راننده در تگزاس به جاده‌ها آمدند
کامیون‌های بدون راننده اکنون در بزرگراه‌های ایالات متحده - یا حداقل در یک بزرگراه ایالات متحده - تردد می‌کنند. شرکت حمل و نقل کامیون‌های خودران Aurora Innovation روز پنجشنبه اعلام کرد که اکنون در امتداد منطقه‌ای از تگزاس بین دالاس و هوستون فعالیت می‌کند.
طبق گزارش BloombergNEF، شرکت Aurora اعلام کرده است که قصد دارد تا پایان سال ۲۰۲۵ تعداد کامیون‌های خود را به ۱۰ عدد افزایش دهد. آنها تنها نیستند: استارت‌آپ‌های Bot Auto و Waabi Innovation هر دو می‌گویند که قصد دارند کامیون‌های بدون راننده را در اواخر امسال عرضه کنند و چندین شرکت دیگر نیز تاریخ عرضه را برای دو سال آینده هدف قرار داده‌اند.
با گسترش حمل و نقل کامیون‌های خودران، دو موضوع قابل توجه است. اول، همانطور که در پیش‌بینی ماه مارس نوشتیم، وسایل نقلیه خودران از یک مشکل فنی به یک مشکل سیاسی تبدیل می‌شوند که قوانین آن به شدت مورد بحث قرار خواهد گرفت. دوم، همانطور که توماس بلک برای بلومبرگ اوپینیون می‌نویسد، این یک نقطه عطف برای هوش مصنوعی در دنیای فیزیکی است. اگر هوش مصنوعی برای کنترل ماشین‌آلات - نه فقط کامیون‌ها، بلکه ربات‌های صنعتی - مفید واقع شود، طیف وظایفی که می‌تواند به آنها کمک کند، حتی گسترده‌تر خواهد شد.
کندوهای پیشرفته و مراقبان رباتیک، زنبورهای عسل را از «بحران زنبور عسل» نجات می‌دهند
نوشته الیزابت پرستون، 2022.10.20
در اروپا تحقیقاتی در حال انجام است تا ربات‌هایی ساخته شوند که بتوانند شرایط داخلی کندوی زنبور عسل را زیر نظر داشته باشند، زنبورها را با رقص تکان دادن به سمت مناطق تغذیه هدایت کنند و برای مراقبت از ملکه زنبور عسل، نزدیک او بمانند. این یک ابتکار جالب از نظر همزیستی فناوری و طبیعت است.
"احساس کردم چیزی اشتباه است. " با این حال، توماس اشمیکل نتوانست علت را پیدا کند. اشمیکل، زیست‌شناس اتریشی، بخشی از سال ۲۰۰۷ را در دانشگاه ایالتی شرق تنسی در ایالات متحده گذراند. او می‌گوید: «حس بدی نسبت به آن داشتم.» این را درراهی که هر روز در حالی که از میان مزارع به سمت دانشگاه می‌رفت، می‌گوید. تا وقتی که صدای پرواز یک زنبور عسل را نشنیدم، دلیلش را نفهمیدم.» متوجه شدم که به جز زنبور عسل، هیچ حشره دیگری در اطراف نیست. «استادهای زیست‌شناسی‌ام را از ساختمان بیرون کشیدم و گفتم: به آسمان نگاه کنید! هیچ چیز در حال پرواز نیست! پروفسور اشمیکل، که اکنون ریاست آزمایشگاه حیات مصنوعی در دانشگاه گراتس اتریش را بر عهده دارد، اشتباه نمی‌کرد. از آن زمان، بررسی‌ها در سراسر جهان کاهش یا تغییر در جمعیت حشرات را نشان داده‌اند. پروفسور اشمیکل پس از چندین سال کار در رباتیک گروهی و توسعه ربات‌های الهام گرفته از طبیعت، تصمیم گرفت تمرکز خود را به طراحی ربات‌هایی که به طبیعت کمک می‌کنند، تغییر دهد. استاد این مفهوم را هک اکوسیستم می‌نامد. تمرکز پروفسور اشمیکل روی زنبورها است. زنبورهای عسل و سایر گرده افشان ها با چالش هایی از جمله از دست دادن زیستگاه و قرار گرفتن در معرض آفت کش ها روبرو هستند. او معتقد است که کمک به زنبورها کل اکوسیستم را تقویت می‌کند. چندین شرکت در حال حاضر تجهیزات تقویت کندو ارائه می‌دهند که سلامت داخلی کندو را رصد می‌کند و مراقبت رباتیک از زنبورها را فراهم می‌کند. اشمیکل و تیمش می‌خواهند یک قدم فراتر بروند و از فناوری برای دستکاری رفتار زنبورها استفاده کنند. با دسته زنبورها صحبت کنید پروفسور اشمیکل و تیمش در حال توسعه یک کندوی نمونه اولیه به عنوان بخشی از پروژه‌ای با بودجه اتحادیه اروپا به نام Hiveopolis هستند. یکی از کندوها طوری طراحی شده است که شبیه تنه درختی با ویژگی‌های مشابه درختان توخالی باشد که زنبورها احتمالاً لانه‌های خود را در طبیعت در آنجا می‌سازند. او گفت برای استفاده از مواد پایدار، این کندو از خاک رس چاپ سه‌بعدی و قارچی که روی تفاله‌های قهوه بازیافتی رشد کرده، ساخته شده است. نمونه اولیه کندو مجهز به حسگرها و دوربین‌ها و همچنین دستگاه‌هایی است که درون کندو ارتعاش ایجاد می‌کنند و دما و جریان هوا را تنظیم می‌کنند. چنین ابزارهایی در نهایت ممکن است امکان کنترل الگوهای مهاجرت زنبورهای عسل را فراهم کنند.
شرکت JR West اجرای کامل سیستم هوش مصنوعی پیش‌بینی بادهای شدید را درژاپن آغاز کرد.
۴۰درصد بهبود در نرخ حذف با پیش‌بینی دیجیتال آب و هوا
آخرین به‌روزرسانی: 2025/01/29
جی آر وست (JR West) )هوش مصنوعی پیش‌بینی بادهای شدید را به طور کامل پیاده‌سازی می‌کند.
شرکت‌های گاز اوساکا و جی‌آر وست اعلام کرده‌اند که از فوریه ۲۰۲۵ یک سیستم هوش مصنوعی پیش‌بینی باد قوی را در خط آهن کوسی معرفی خواهند کرد.
نکات کلیدی این خبر
شرکت‌های اوساکا گاز و جی‌آر وست از فوریه ۲۰۲۵ اجرای کامل سیستم هوش مصنوعی پیش‌بینی باد شدید را در خط آهن کوسی آغاز خواهند کرد.
با استفاده از هوش مصنوعی، تعداد فرصت‌های از دست رفته به دلیل انحراف قطارها و تعلیق سرویس‌های برنامه‌ریزی شده ناشی از قطارهای "هیرا اوروشی" 40 درصد کاهش می‌یابد.
از آنجایی که اکنون پیش‌بینی بادهای شدید در بخش‌های کوچک امکان‌پذیر است، گسترش مناطق عملیاتی قطارهای محلی امکان‌پذیر خواهد بود.
شرکت گاز اوساکا و شرکت راه‌آهن غرب ژاپن تحقیقات مشترکی را در مورد پیش‌بینی بادهای شدید در سال ۲۰۱۹ آغاز کردند و از سال ۲۰۲۲ در حال آزمایش سیستم هوش مصنوعی پیش‌بینی بادهای شدید در خط Kosei هستند. بر اساس نتایج مثبت آزمایش، این سیستم از فوریه ۲۰۲۵ به طور کامل پیاده‌سازی خواهد شد.
اکنون، با ترکیب فناوری پیش‌بینی آب و هوای شرکت گاز اوساکا با فناوری توسعه‌یافته توسط هوش مصنوعی شرکت جی‌آر وست، این دو شرکت سیستمی را توسعه داده‌اند که می‌تواند بادهای شدید را با دقتی بیشتر از همیشه پیش‌بینی کند.
خط کوسی بخشی است که در آن باد عجیبی به نام «هیرا اوروشی» از رشته‌کوه هیرا که تا شمال غربی دریاچه بیوا امتداد دارد، می‌وزد، بنابراین جلوگیری از سرگردانی طولانی مدت در ایستگاه‌های میانی به دلیل لغو ناگهانی سرویس بسیار مهم است.
در واکنش، شرکت راه‌آهن جی‌آر وست بر اساس پیش‌بینی‌های هواشناسی اقداماتی انجام داد، از جمله تغییر مسیر قطارهای سریع‌السیر تاندربرد از طریق خط بیواکو و تعلیق خدمات قطارهای محلی از قبل. با این حال، موارد بسیاری از پیش‌بینی‌ها وجود داشته است که نشان می‌دهد بادهای شدید علی‌رغم پیش‌بینی‌ها، در واقع نمی‌وزند، بنابراین بهبود دقت پیش‌بینی از منظر کیفیت حمل و نقل نیز مهم است.
بنابراین، در سال ۲۰۱۹، پروژه‌ای برای پیش‌بینی بادهای شدید با دقت بالا به عنوان یک پروژه توسعه مشترک بین شرکت گاز اوساکا، که دارای فناوری پیش‌بینی آب و هوا است، و شرکت جی آر وست، راه‌اندازی شد.
سیستم پیش‌بینی باد شدید، داده‌های پیش‌بینی آب و هوای اختصاصی و با وضوح بالای شرکت گاز اوساکا را با استفاده از یک مدل هوش مصنوعی آموزش‌دیده که توسط JR West توسعه داده شده است، تجزیه و تحلیل می‌کند تا سرعت و جهت باد را تا 24 ساعت قبل پیش‌بینی کند.
این سیستم پیش‌بینی شرایط باد محلی در امتداد خط کوزی را با دقت بالایی امکان‌پذیر می‌کند و تعیین برنامه‌های عملیاتی بر اساس نتایج را امکان‌پذیر می‌سازد. کاهش تعداد قطارهای از دست رفته منجر به کاهش انحراف از مسیر و لغو برنامه‌های سرویس‌دهی خواهد شد و کیفیت حمل و نقل را بیش از پیش بهبود می‌بخشد.
نتایج آزمایش‌ها در طول دوره اجرای آزمایشی نشان داد که میزان حذف خطوط در مقایسه با روش‌های مرسوم تقریباً ۴۰ درصد بهبود یافته است. این امر باعث می‌شود از انحراف غیرضروری قطار سریع‌السیر تاندربرد جلوگیری شود.
علاوه بر این، معرفی این سیستم امکان پیش‌بینی بادهای شدید را در مناطق با جزئیات بیشتر نسبت به مناطق پیش‌بینی آب و هوای مرسوم فراهم می‌کند. به طور خاص، با فعال کردن پیش‌بینی‌های دقیق‌تر بادهای شدید در بخش بین ایستگاه اومی-مایکو و ایستگاه اومی-شیوتسو، می‌توان بخشی را که قطارهای محلی می‌توانند در آن فعالیت کنند، گسترش داد.
منبع: پی آر تایمز
9مارس 2025،
کمیسیون آموزش شهرداری پکن در بیانیه‌ای در وب‌سایت خود گفت: از ترم پاییز آینده که از اول سپتامبر شروع می‌شود، مدارس پایتخت چین حداقل هشت ساعت کلاس هوش مصنوعی در هر سال تحصیلی ارائه می‌کنند. این بیانیه گفت که مدارس می توانند آنها را به عنوان دوره های مستقل اجرا کنند یا آنها را با برنامه درسی موجود، مانند فناوری اطلاعات و علوم، ادغام کنند.