rge 100 دلار در ساعت و شاید بتوانید تنها هوش مصنوعی حل تکالیف  چهار تصویر را در ساعت با دقت بخوانید. اگر 10000 تصویر وجود داشت، هزینه این فرآیند 250000 دلار بود که اگر توسط انسان انجام شود بسیار گران است.

کاری که یادگیری عمیق در این شرایط می تواند انجام دهد این است که کامپیوترها را بر روی مجموعه داده ها آموزش دهد تا بیاموزند ظاهر طبیعی در مقابل غدد لنفاوی با ظاهر نامنظم چیست. پس از انجام این کار از طریق تمرینات تصویربرداری و افزایش دقت برچسب‌گذاری، متخصصان تصویربرداری رادیولوژی می‌توانند این دانش را در بیماران واقعی به کار ببرند و میزان خطر ابتلا به غدد لنفاوی سرطانی را تعیین کنند. از آنجایی ک هوش مصنوعی حل تکالیف ه تنها تعداد کمی از آنها احتمالاً مثبت می‌شوند، تشخیص گره ناسالم در مقابل سالم است.

هوش مصنوعی برای نارسایی احتقانی قلب نیز به کار گرفته شده است، بیماری که 10 درصد از شهروندان سالخورده را مبتلا می کند و هر ساله 35 میلیارد دلار هزینه در ایالات متحده دارد. ابزارهای هوش مصنوعی به این دلیل مفید هستند که «چالش‌های احتمالی پیش رو را از قبل پیش‌بینی می‌کنند و منابعی  هوش مصنوعی حل تکالیف را به آموزش بیمار، سنجش و مداخلات پیشگیرانه اختصاص می‌دهند که بیماران را از بیمارستان دور نگه می‌دارد».

عدالت کیفری

هوش مصنوعی در حوزه عدالت جنایی مستقر شده است. شهر شیکاگو یک "فهرست سوژه های استراتژیک" مبتنی بر هوش مصنوعی ایجاد کرده است که افرادی را که به دلیل خطر تبدیل شدن به مجرمان آینده دستگیر شده اند، تجزیه و تحلیل می کند. با استفاده از مواردی مانند سن، فعالیت مجرمانه، قربانی شدن، سوابق دستگیری مواد مخدر و وابستگی به باند، 400000 نفر را در مقیاس 0 تا 500 رتبه بندی می کند. در بررسی داده‌ها، تحلیلگران دریافتند که جوانی پیش‌بینی‌کننده قوی خشونت است، قربانی تیراندازی با تبدیل شدن به یک مجرم در آینده مرتبط است،  هوش مصنوعی حل تکالیف وابستگی به باند ارزش پیش‌بینی‌کنندگی کمی دارد، و دستگیری مواد مخدر ارتباط قابل‌توجهی با فعالیت‌های مجرمانه آینده ندارد.

کارشناسان قضایی ادعا می کنند که برنامه های هوش مصنوعی تعصبات انسانی در اجرای قانون را کاهش می دهد و منجر به سیستم مجازات عادلانه تر می شود. کالب واتنی، یکی از همکاران موسسه R Street می نویسد:

پرسش‌های مبتنی بر تجربی تحلیل ریسک پیش‌بینی‌کننده با هوش مصنوعی حل تکالیف  نقاط قوت یادگیری ماشین، استدلال خودکار و سایر اشکال هوش مصنوعی بازی می‌کنند. یک شبیه‌سازی سیاست‌های یادگیری ماشینی به این نتیجه رسید که چنین برنامه‌هایی می‌توانند برای کاهش جرم و جنایت تا 24.8 درصد بدون تغییر در نرخ زندان یا کاهش جمعیت زندان‌ها تا 42 درصد بدون افزایش نرخ جرم مورد استفاده قرار گیرند.

با این حال، منتقدان نگران هستند که الگوریتم‌های هوش مصنوعی «سیستمی مخفی برای مجازات شهروندان برای جنایاتی که هنوز مرتکب نشده‌اند» را نشان می‌دهند. امتیازهای خطر بارها برای راهنمایی جمع‌آوری‌های در مقیاس بزرگ استفاده شده است.» ترس این است که چنین ابزارهایی افراد رنگین‌پوست را به‌طور ناع هوش مصنوعی حل تکالیف ادلانه هدف قرار می‌دهند و به شیکاگو کمک نکرده‌اند که موج قتلی را که در سال‌های اخیر گریبانگیر آن شده است را کاهش دهد.

علیرغم این نگرانی ها، سایر کشورها با استقرار سریع در این زمینه پیش می روند. برای مثال، در چین، شرکت‌ها در حال حاضر «منابع و دسترسی قابل‌توجهی به صداها، چهره‌ها و سایر داده‌های بیومتریک در مقادیر زیاد دارند که به آنها کمک می‌کند فناوری‌های خود را توسعه دهند.»26 فناوری‌های جدید تطبیق تصاویر و صداها را با انواع دیگر ممکن می‌سازد. اطلاعات و استفاده از هوش مصنوعی در این مجموعه داده های ترکیبی برای بهبود اجرای قانون و امنیت ملی. مجری قانون چین از طریق برنامه "چشم های تیز" خود، تصاویر ویدئویی، فعالیت رسانه  هوش مصنوعی حل تکالیف های اجتماعی، خریدهای آنلاین، سوابق سفر و هویت شخصی را با "ابر پلیس" تطبیق می دهد. این پایگاه داده یکپارچه مقامات را قادر می سازد تا مجرمان، قانون شکنان بالقوه و تروریست ها را ردیابی کنند. به عبارت دیگر، چین به پیشروترین کشور نظارتی مبتنی بر هوش مصنوعی در جهان تبدیل شده است.

حمل و نقل

حمل و نقل حوزه ای را نشان می دهد که در آن هوش مصنوعی و یادگیری ماشینی در حال تولید نوآوری های عمده هستند. تحقیقات کامرون کری و جک کارستن از موسسه بروکینگز نشا آموزش برنامه نویسی کودکان و نوجوانان ن داده است که بیش از 80 میلیارد دلار در فناوری خودروهای خودران بین آگوست 2014 تا ژوئن 2017 سرمایه گذاری شده است.

وسایل نقلیه خودران - ماشین‌ها، کامیون‌ها، اتوبوس‌ها  هوش مصنوعی حل تکالیف و سیستم‌های تحویل هواپیماهای بدون سرنشین - از قابلیت‌های فناوری پیشرفته استفاده می‌کنند. این ویژگی ها شامل هدایت و ترمز خودکار خودرو، سیستم های تغییر خط، استفاده از دوربین ها و حسگرها برای جلوگیری از برخورد، استفاده از هوش مصنوعی برای تجزیه و تحلیل اطلاعات در زمان واقعی، و استفاده از محاسبات با کارایی بالا و سیستم های یادگیری عمیق برای انطباق با شرایط جدید از طریق نقشه های دقیق.29

سیستم‌های تشخیص نور و محدوده (LIDAR) و هوش مصنوعی کلید ناوبری و جلوگیری از برخورد هستند. سیستم های LIDAR ابزارهای نور و رادار را ترکیب می کنند. آنها در بالای وسایل نقلیه ای نصب می شوند که از تصویربرداری در یک محیط 360 درجه از رادار و پرتوهای نور برای اندازه گیری سرعت هوش مصنوعی حل تکالیف  و فاصله اشیاء اطراف استفاده می کنند. این ابزارها همراه با سنسورهایی که در جلو، کناره‌ها و پشت خودرو قرار می‌گیرند، اطلاعاتی را ارائه می‌کنند که خودروها و کامیون‌های سریع‌السیر را در مسیر خود نگه می‌دارد، به آن‌ها کمک می‌کند تا ا Artificial intelligence to solve homework ز وسایل نقلیه دیگر دوری کنند، در صورت نیاز ترمز و فرمان را اعمال می‌کنند و این کار را فورا انجام می‌دهند. تا از حوادث جلوگیری شود.

نرم افزار پیشرفته ماشین ها را قادر می سازد تا جابجا شوند