کاربردهای ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI)در ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده‌ای

مقدمه

ﻧﻮآوری ﻫﺎی ﻣﻌﺮﻓﯽ ﺷﺪه ﺗﻮﺳﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﺎﻣﻞ روش ﻫﺎی ﻣﺤﺎﺳﺒﺎﺗﯽ ﺑﺴﯿﺎر ﭘﯿﺸﺮﻓﺘﻪ ای اﺳﺖ ﮐﻪ ﻧﺤﻮه ﻋﻤﻠﮑﺮد ﻣﻐﺰ اﻧﺴﺎن را ﺗﻘﻠﯿﺪ ﻣﯽ ﮐﻨﺪ. در عصری که در آن به سر می بریم در نتیجه در دﺳﺘﺮس ﺑﻮدن داده ﻫﺎی ﻓﺮاوان، ﻣﻔﻬﻮم ﯾﺎدﮔﯿﺮی ﻣﺎﺷین ﺑﻪ ﻋﻨﻮان زﯾﺮﻣﺠﻤﻮﻋﻪ ای از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ایجاد ﺷﺪه اﺳﺖ. ﯾﺎدﮔﯿﺮی ماشین در اﺻﻞ ﻣﺴﺘﻠﺰم آﻣﻮزش ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ ﺑﻪ ﺗﻘﻠﯿﺪ از رﻓﺘﺎر ﻣﻐﺰ اﻧﺴﺎن ﺑﻪ ﺟﺎی آﻣﻮزش دﺳﺘﯽ ﺗﻤﺎم ﺟﺰﺋﯿﺎت اﺳﺖ. اﯾﻦ روﯾﮑﺮد راﯾﺎﻧﻪ ﻫﺎ را از طریق ﺗﻮاﻧﺎﯾﯽ دﺳﺘﺮﺳﯽ ﺑﻪ ﻣﺠﻤﻮﻋﻪ داده ﻫﺎی ﮔﺴﺘﺮده و اﺳﺘﺨﺮاج وﯾﮋﮔﯽ ﻫﺎی کلیدی، ﺑﺮای رﺳﯿﺪﮔﯽ ﺑﻪ ﻣﺸﮑﻼت ﭘﯿﭽﯿﺪه ﻣﺠﻬﺰ ﻣﯽ ﮐﻨﺪ.
ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ادﻏﺎم داده ﻫﺎی ﻣﻮﺟﻮد ﺑﺎ ﻓﺮﺿﯿﺎت و اﺣﺘﻤﺎﻻت ﺑﺮای اﻧﺠﺎم ﯾﮏ ﺗﺤﻠﯿﻞ ﺟﺎﻣﻊ، از ارﺗﺒﺎط ﺑﯿﻦ ﻋﻮاﻣﻞ و ﭘﯿﺎﻣﺪﻫﺎی آﻧﻬﺎ در ﻣﻮﻗﻌﯿﺖ ﻫﺎی واﻗﻌﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.
ﭘﯿﺸﺮﻓﺖ ﻫﺎی ﺳﺮﯾﻊ در ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻓﺮﺻﺖ ﻫﺎی ﺑﯽ ﺳﺎﺑﻘﻪ ای را ﺑﺮای ارﺗﻘﺎی ﺻﻨﻌﺖ ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای فراهم ﻣﯽ ﮐﻨﺪ. ﻫﺪف اﺻﻠﯽ ﭘﯿﺎده ﺳﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای، رﺳﯿﺪﮔﯽ ﺑﻪ ﭼﺎﻟﺶ ﻫﺎی ﻣﺮﺗﺒﻂ ﺑﺎ 1- ﺗﻘﺎﺿﺎی رو ﺑﻪ رﺷﺪ ﺳﻔﺮ، 2- اﻓﺰاﯾﺶ اﻧﺘﺸﺎر CO2، 3- ﻣﺴﺎﺋﻞ اﯾﻤﻨﯽ و 4- زوال ﻣﺤﯿﻄ زیست اﺳﺖ.
در ﻋﺼﺮ دﯾﺠﯿﺘﺎلی اﻣﺮوز، ﺑﻪ ﺧﺎﻃﺮ وجود ﺣﺠﻢ وسیع داده ﻫﺎ ( که ﻫﻢ از ﻧﻈﺮ ﮐﻤﯽ و ﻫﻢ از ﻧﻈﺮ ﮐﯿﻔﯽ ﺑﻪ آﺳﺎﻧﯽ در دﺳﺘﺮس اﺳﺖ) می توان از هوش مصنوعی ﺑﺮای ﻣﻘﺎﺑﻠﻪ ﺑﺎ ﻧﮕﺮاﻧﯽ ﻫﺎی مورد اشاره استفاده نمود. اﯾﻦ حجم انبوده داده ﻫﺎ می تواند برای رسیدگی ﮐﺎرآﻣﺪﺗﺮ و ﻣﻮﺛﺮﺗﺮ ﺑﻪ اﯾﻦ ﭼﺎﻟﺶ ﻫﺎ مورد استفاده واقع شود.
ﺑﺮای اﯾﻨﮑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﻣﻮﻓﻘﯿﺖ در ﺑﺨﺶ ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای مورد استفاده قرار گیرد، درک ﻋﻤﯿﻖ راﺑﻄﻪ ﭘﯿﭽﯿﺪه ﺑﯿﻦ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و داده ﻫﺎ، و ﻫﻤﭽﻨﯿﻦ وﯾﮋﮔﯽ ﻫﺎ و ﻣﺘﻐﯿﺮﻫﺎی ﺳﯿﺴﺘﻢ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ ﺿﺮوری اﺳﺖ.
ﻋﻼوه ﺑﺮ اﯾﻦ، ﭘﺬﯾﺮش اﯾﻦ ﻓﻨﺎوری ﻫﺎ ﻧﻮﯾﺪ زﯾﺎدی ﺑﺮای ﻣﻘﺎﻣﺎت ﺣﻤﻞ وﻧﻘﻞ دارد، زﯾﺮا آﻧﻬﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻪ ﺗﺮاﮐﻢ، اﻓﺰاﯾﺶ ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن زﻣﺎن ﺳﻔﺮ ﺑﺮای ﻣﺸﺘﺮﯾﺎن ﺧﻮد و ﺑﻬﺒﻮد ﮐﺎراﯾﯽ ﮐﻠﯽ اﻗﺘﺼﺎدی و ﻋﻤﻠﯿﺎﺗﯽ داراﯾﯽ ﻫﺎی ﺣﯿﺎﺗﯽ ﺧﻮد اﺳﺘﻔﺎده ﮐﻨﻨﺪ.

ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در حمل و نقل

1- ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ
 ﺑﺎ اﺟﺮای اﺳﺘﺮاﺗﮋی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﮐﺎﻣﯿﻮن ها، ﮐﺴﺐ و ﮐﺎرﻫﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ ﮐﺎراﯾﯽ ﻋﻤﻠﯿﺎﺗﯽ را اﻓﺰاﯾﺶ دﻫﻨﺪ، ﻫﺰﯾﻨﻪ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ را ﮐﺎﻫﺶ دﻫﻨﺪ، اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ را ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺎﻧﻨﺪ، و رﺿﺎﯾﺖ ﻣﺸﺘﺮی را از ﻃﺮﯾﻖ ﺗﺤﻮﯾﻞ ﺑﻪ ﻣﻮﻗﻊ و ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﺑﻬﺒﻮد ﺑﺨﺸﻨﺪ. ﻧﺮم اﻓﺰار ﻣﺪرن ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﺴﯿﺮ، ﮐﻪ اﻏﻠﺐ ﺗﻮﺳﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و داده ﻫﺎی برخط ﭘﺸﺘﯿﺒﺎﻧﯽ ﻣﯽ ﺷﻮد، ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در دﺳﺘﯿﺎﺑﯽ ﺑﻪ اﯾﻦ اﻫﺪاف ﮐﻤﮏ ﮐﻨﺪ.
ﻫﺪف اﯾﻦ ﺑﻬﯿﻨﻪ ﺳﺎزی ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ، ﻣﺼﺮف ﺳﻮﺧﺖ و زﻣﺎن ﺗﺤﻮﯾﻞ و در ﻋﯿﻦ ﺣﺎل ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ آﻧﻬﺎ اﺳﺖ.
  ﻣﺰاﯾﺎ:
ﺻﺮﻓﻪ ﺟﻮﯾﯽ در ﻫﺰﯾﻨﻪ: ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ اراﺋﻪ ﮐﺎرآﻣﺪﺗﺮﯾﻦ ﻣﺴﯿﺮﻫﺎ ﺑﻪ ﮐﺎﻫﺶ ﻣﺼﺮف ﺳﻮﺧﺖ، ﻫﺰﯾﻨﻪ ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری و ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﻫﺰﯾﻨﻪ ﻫﺎی ﻧﯿﺮوی ﮐﺎر ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ و ﻣﻨﺠﺮ ﺑﻪ ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﻫﺰﯾﻨﻪ ها ﻣﯽ ﺷﻮد. ﻫﻤﭽﻨﯿﻦ ﻣﯽ ﺗﻮاﻧﺪ محموله ها را ﺑﻪ ﻃﻮر ﺑﻬﯿﻨﻪ ﺑﻪ وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺗﺨﺼﯿﺺ دﻫﺪ و ﺗﻌﺪاد ﮐﺎﻣﯿﻮن ﻫﺎی ﻣﻮرد ﻧﯿﺎز ﺑﺮای انتقال و تحویل محموله های بزرگ را ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺎﻧﺪ.
 ﮐﺎﻫﺶ اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ: ﻣﺴﯿﺮﻫﺎی ﺑﻬﯿﻨﻪ ﻣﺼﺮف ﺳﻮﺧﺖ و اﻧﺘﺸﺎر ﮔﺎزﻫﺎی ﮔﻠﺨﺎﻧﻪ ای را ﺑﻪ ﺣﺪاﻗﻞ ﻣﯽ رﺳﺎﻧﻨﺪ و ﺑﻪ ﮐﺎﻫﺶ ردﭘﺎی ﮐﺮﺑﻦ و  ﭘﺎﯾﺪاری ﻣﺤﯿﻂ زﯾﺴﺖ ﮐﻤﮏ ﻣﯽ ﮐﻨﻨﺪ.
ﺑﻬﺒﻮد اﯾﻤﻨﯽ: ﻣﺴﯿﺮﻫﺎی ﺑﻬﯿﻨﻪ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺟﺎده ﻫﺎی اﯾﻤﻦ و ﮐﺎرآﻣﺪ را اوﻟﻮﯾﺖ ﺑﻨﺪی ﮐﻨﻨﺪ و ﺧﻄﺮ ﺗﺼﺎدﻓﺎت را ﮐﺎﻫﺶ دﻫﻨﺪ و اﯾﻤﻨﯽ راﻧﻨﺪه    را ﺑﻬﺒﻮد ﺑﺨﺸﻨﺪ.
ﭼﺎﻟﺶ ﻫﺎ: 
ﮐﯿﻔﯿﺖ و ﯾﮑﭙﺎرﭼﮕﯽ داده ﻫﺎ: ﮐﯿﻔﯿﺖ ﭘﺎﯾﯿﻦ داده، اﻃﻼﻋﺎت ﻧﺎﻗﺺ ﯾﺎ ﻋﺪم ﯾﮑﭙﺎرﭼﮕﯽ ﺑﺎ ﺳﺎﯾﺮ ﺳﯿﺴﺘﻢ ﻫﺎ ﻣﯽ ﺗﻮاﻧﺪ ﻣﺎﻧﻊ از دﻗﺖ ﻧﺘﺎﯾﺞ ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ    ﺷﻮد.
ﭘﯿﭽﯿﺪﮔﯽ: اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﻣﯽ ﺗﻮاﻧﻨﺪ ﭘﯿﭽﯿﺪه ﺑﺎﺷﻨﺪ و ﺑﺮای ﭘﯿﮑﺮﺑﻨﺪی و ﻧﮕﻬﺪاری ﺑﻪ داﻧﺶ ﺗﺨﺼﺼﯽ ﻧﯿﺎز دارﻧﺪ.
ﯾﮑﭙﺎرﭼﻪ ﺳﺎزی ﻓﻨﺎوری: ادﻏﺎم ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺳﯿﺴﺘﻢ ﻫﺎ و ﮔﺮدش ﻫﺎی ﮐﺎری ﻣﻮﺟﻮد ﻣﯽ ﺗﻮاﻧﺪ ﻓﺮآﯾﻨﺪ ﭘﯿﭽﯿﺪه ای ﺑﺎﺷﺪ ﮐﻪ ﻧﯿﺎز ﺑﻪ      ﺑﺮﻧﺎﻣﻪ رﯾﺰی دﻗﯿﻖ دارد.
ﻋﻠﯽ رﻏﻢ اﯾﻦ ﭼﺎﻟﺶ ﻫﺎ، ﻣﺰاﯾﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﮐﺎﻣﯿﻮن ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺎﺑﻞ ﺗﻮﺟﻪ اﺳﺖ و آن را ﺑﻪ اﺑﺰاری ارزﺷﻤﻨﺪ ﺑﺮای ﻣﺸﺎﻏﻠﯽ ﺗﺒﺪﯾﻞ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﻪ دﻧﺒﺎل ﺑﻬﺒﻮد ﻋﻤﻠﯿﺎت ﺣﻤﻞ وﻧﻘﻞ، ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ ﻫﺎ و ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ ﻫﺴﺘﻨﺪ. ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﻨﺎﺳﺐ، ﮐﯿﻔﯿﺖ داده و ﻣﺪﯾﺮﯾﺖ ﻣﺪاوم ﺑﺮای اﺟﺮای ﻣﻮﻓﻘﯿﺖ آﻣﯿﺰ راه ﺣﻞ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺴﯿﺎر ﻣﻬﻢ ﻫﺴﺘﻨﺪ.
UPSﯾﮑﯽ از ﺑﺰرﮔﺘﺮﯾﻦ ﺷﺮﮐﺖ ﻫﺎی ﺗﺤﻮﯾﻞ ﺑﺴﺘﻪ در ﺟﻬﺎن، ﻃﯿﻒ ﮔﺴﺘﺮده ای از راه ﺣﻞ ﻫﺎی ﻟﺠﺴﺘﯿﮑﯽ ﯾﮑﭙﺎرﭼﻪ را ﺑﺮای ﻣﺸﺘﺮﯾﺎن در ﺑﯿﺶ از 220ﮐﺸﻮر و ﻣﻨﻄﻘﻪ اراﺋﻪ ﻣﯽ دﻫﺪ. ﭘﻠﺘﻔﺮم ﺑﻬﯿﻨﻪ ﺳﺎزی و ﻧﺎوﺑﺮی ﯾﮑﭙﺎرﭼﻪ در ﺟﺎده (ORION)ﺑﺎ ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﻮﯾﺎ ﻣﯽ ﺗﻮاﻧﺪ ﻣﺴﯿﺮﻫﺎی ﺗﺤﻮﯾﻞ ﺑﺴﺘﻪ ﻫﺎی ﺟﺪاﮔﺎﻧﻪ را در ﻃﻮل روز ﺑﺎ ﺗﻐﯿﯿﺮ ﺷﺮاﯾﻂ ﺗﺮاﻓﯿﮑﯽ، ﺗﻌﻬﺪات ﭘﯿﮑﺎپ و ﺳﻔﺎرش ﻫﺎی ﺗﺤﻮﯾﻞ دوﺑﺎره ﻣﺤﺎﺳﺒﻪ ﮐﻨﺪ.
ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ ﺑﺎ ﯾﺎدﮔﯿﺮی از ﻣﯿﻠﯿﻮن ﻫﺎ ﻣﺴﯿﺮ، ﻧﻘﺸﯽ ﻣﺤﻮری در ﺗﻮﻟﯿﺪ زﻣﺎن ﺗﺨﻤﯿﻨﯽ ورود (ETAs)اﯾﻔﺎ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ تخمینهای زمانی رسیدن دﻗﯿﻖ ﺗﺮ و ﻣﺘﻤﺎﯾﺰﺗﺮ ﺑﺮای اﻧﻮاع ﺧﻮدروﻫﺎی ﻣﺨﺘﻠﻒ ﺑﺮ اﺳﺎس وﯾﮋﮔﯽ ﻫﺎی ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد آن ﻫﺎ ﻣﯽ ﺷﻮد. ﻣﺰﯾﺖ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ اﯾﻦ اﺳﺖ ﮐﻪ اﯾﻦ ﻓﺮآﯾﻨﺪ ﯾﺎدﮔﯿﺮی ﺑﻪ ﺻﻮرت ارﮔﺎﻧﯿﮏ اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ. ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﮐﺎوﺷﮕﺮ ﻧﺎﺷﻨﺎس، ﻣﯽ ﺗﻮان اﻟﮕﻮﻫﺎی ﻋﻤﻮﻣﯽ ﺗﺮاﻓﯿﮏ را ﺗﺤﻠﯿﻞ ﮐﺮد و ETAﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﺮد. ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻣﯽ ﺗﻮاﻧﺪ در ﺑﻪ روز ﻧﮕﻪ داﺷﺘﻦ ﻧﻘﺸﻪ ﻫﺎی آﻧﻬﺎ ﮐﻤﮏ ﮐﻨﺪ.
2- وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺧﻮدران
وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺳﻨﮕﯿﻦ ﺑﺪون راﻧﻨﺪه (ﯾﺎ ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران) ﺑﺮای ﮐﺎر ﺑﺪون دﺧﺎﻟﺖ اﻧﺴﺎن ﻃﺮاﺣﯽ ﺷﺪه اﻧﺪ و ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺮای اﻫﺪاف ﻣﺨﺘﻠﻒ از ﺟﻤﻠﻪ ﺣﻤﻞ وﻧﻘﻞ در ﻣﺴﺎﻓﺖ ﻫﺎی ﻃﻮﻻﻧﯽ، ﻣﻌﺪن و ﺳﺎﺧﺖ و ﺳﺎز اﺳﺘﻔﺎده ﺷﻮﻧﺪ.
ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﻮدﮐﺎر ﻣﻨﺘﺨﺐ ﻣﺘﻌﻬﺪ ﺑﻪ رﺳﯿﺪﮔﯽ ﺑﻪ ﻣﺤﺪودﯾﺖ ﻫﺎی ﻇﺮﻓﯿﺖ در ﺻﻨﻌﺖ ﺣﻤﻞ و ﻧﻘﻞ ﺑﺎ راه ﺣﻞ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ ﻣﺴﺘﻘﻞ اﯾﻤﻦ، ﭘﺎﯾﺪار و ﮐﺎرآﻣﺪ ﻫﺴﺘﻨﺪ. آﻧﻬﺎ راه ﺣﻞ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ ﺧﻮدﻣﺨﺘﺎر (ATS)را اراﺋﻪ ﻣﯽ دﻫﻨﺪ ﮐﻪ ﺷﺎﻣﻞ ﺳﺨﺖ اﻓﺰار، ﻧﺮم اﻓﺰار و ﺧﺪﻣﺎت ﻣﻮرد ﻧﯿﺎز ﺑﺮای ﻋﻤﻠﯿﺎت ﺣﻤﻞ و ﻧﻘﻞ ﻣﺴﺘﻘﻞ اﺳﺖ. در ﺑﺰرﮔﺮاه ﻫﺎ، راه ﺣﻞ ﻫﺎی ﺳﯿﺴﺘﻢ ﺧﻮدﮐﺎر از ﻣﺪل ﻫﺎب ﺑﻪ ﻫﺎب ﭘﯿﺮوی ﻣﯽ ﮐﻨﻨﺪ، ﺑﺎ ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدﻣﺨﺘﺎر ﮐﻪ ﺑﻪ ﺻﻮرت ﺷﺒﺎﻧﻪ روزی ﺑﺰرﮔﺮاه را ﺑﯿﻦ ﻫﺎب ﻫﺎی اﻧﺘﻘﺎل ﻫﺪاﯾﺖ ﻣﯽ ﮐﻨﻨﺪ، در ﺣﺎﻟﯽ ﮐﻪ راﻧﻨﺪﮔﺎن اﻧﺴﺎﻧﯽ ﻋﻤﻠﯿﺎت ﻣﺤﻠﯽ را ﻣﺪﯾﺮﯾﺖ ﻣﯽ ﮐﻨﻨﺪ.
ﻣﺰاﯾﺎ:
 اﯾﻤﻨﯽ: ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﻣﯽ ﺗﻮاﻧﻨﺪ ﺗﺼﺎدﻓﺎت ﻧﺎﺷﯽ از ﺧﻄﺎی اﻧﺴﺎﻧﯽ، ﺧﺴﺘﮕﯽ ﯾﺎ ﺣﻮاس ﭘﺮﺗﯽ را ﮐﺎﻫﺶ دﻫﻨﺪ.
 ﮐﺎراﯾﯽ: ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر ﻣﺪاوم ﮐﺎر کرده و اﻣﮑﺎن ﻋﻤﻠﯿﺎت 24ﺳﺎﻋﺘﻪ را دارند ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﮐﺎراﯾﯽ و ﺑﻬﺮه وری را اﻓﺰاﯾﺶ دﻫﺪ.
ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ: ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران، ﻫﺰﯾﻨﻪ ﻫﺎی ﻧﯿﺮوی ﮐﺎر ﻣﺮﺗﺒﻂ ﺑﺎ راﻧﻨﺪﮔﺎن را ﮐﺎﻫﺶ می‏دﻫﻨﺪ، زﯾﺮا ﺗﻘﺎﺿﺎ ﺑﺮای راﻧﻨﺪﮔﺎن  ﮐﺎﻣﯿﻮن ﻫﺎی اﻧﺴﺎﻧﯽ را ﮐﺎﻫﺶ داده و ضمنا ﺑﻬﺮه وری ﺳﻮﺧﺖ را از ﻃﺮﯾﻖ راﻧﻨﺪﮔﯽ ﺑﻬﯿﻨﻪ ﺑﻬﺒﻮد ﺑﺨﺸﺪ.
ﭼﺎﻟﺶ ﻫﺎ:           
ﻣﻘﺮرات: ﺗﻮﺳﻌﻪ و اﺟﺮای ﻣﻘﺮرات ﻻزم ﺑﺮای اﻃﻤﯿﻨﺎن از ﻋﻤﻠﮑﺮد اﯾﻤﻦ ﺧﻮدروﻫﺎی ﺳﻨﮕﯿﻦ ﺧﻮدران ﯾﮏ ﭼﺎﻟﺶ ﻣﻬﻢ اﺳﺖ.
ﻣﻮاﻧﻊ ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ: ﺗﻮﺳﻌﻪ ﻓﻨﺎوری ﺑﺮای ﮐﺎر ﺑﺎ وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺳﻨﮕﯿﻦ ﺑﻪ ﺻﻮرت اﯾﻤﻦ و ﻗﺎﺑﻞ اﻃﻤﯿﻨﺎن در ﻫﺮ ﺷﺮاﯾﻂ آب و ﻫﻮاﯾﯽ و ﻣﻮﻗﻌﯿﺖ ﻫﺎی ﺗﺮاﻓﯿﮑﯽ ﯾﮏ  ﮐﺎر ﭘﯿﭽﯿﺪه اﺳﺖ.
درک ﻋﻤﻮﻣﯽ: ﺟﻠﺐ اﻋﺘﻤﺎد ﻋﻤﻮﻣﯽ در ﻣﻮرد اﯾﻤﻨﯽ ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران ﻫﻤﭽﻨﺎن ﯾﮏ ﭼﺎﻟﺶ اﺳﺖ.
ﺗﻮﺳﻌﻪ ﮐﺎﻣﯿﻮنﻫﺎی ﺧﻮدران از زﻣﺎﻧﯽ ﮐﻪ در اﺑﺘﺪا در ﺑﯿﻦ رﻫﺒﺮان ﺻﻨﻌﺖ ﺷﻬﺮت ﯾﺎﻓﺖ، ﭘﯿﺸﺮﻓﺖﻫﺎی ﭼﺸﻤﮕﯿﺮی داﺷﺘﻪ اﺳﺖ. ﺷﺮﮐﺖ ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ IVECO و PUS ﻧﻤﻮﻧﻪ ﻫﺎی ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ از ﻧﻬﺎدﻫﺎی ﭘﯿﺸﺮو در ﺗﻮﺳﻌﻪ ﮐﺎﻣﯿﻮن ﻫﺎی ﺧﻮدران ﻫﺴﺘﻨﺪ.
3- ﺗﺸﺨﯿﺺ ﺣﻮادث ﺗﺮاﻓﯿﮑﯽ
ﺳﯿﺴﺘمﻫﺎی ﺑﯿﻨﺎﯾﯽ راﯾﺎﻧﻪای ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ با ﻧﻈﺎرت ﻣﺴﺘﻤﺮ ﭼﻨﺪﯾﻦ دورﺑﯿﻦ، امکان ﺷﻨﺎﺳﺎﯾﯽ ﺣﻮادث و ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﺸﮑﻼت ﺗﺮاﻓﯿﮑﯽ را دارند.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻫﻤﯿﺖ آن، ﺗﺸﺨﯿﺺ ﺣﻮادث ﺗﺮاﻓﯿﮑﯽ ﯾﮑﯽ از ﺑﻬﺘﺮﯾﻦ زﻣﯿﻨﻪ ﻫﺎی ﺗﺤﻘﯿﻖ ﺷﺪه در ﺣﻤﻞ و ﻧﻘﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ. ﻫﺪف اﺻﻠﯽ ﺗﻀﻤﯿﻦ ﺣﺪاﻗﻞ اﺧﺘﻼل در ﺟﺮﯾﺎن ﺗﺮاﻓﯿﮏ اﺳﺖ.
ﺑﺮای ﻣﺪت ﻃﻮﻻﻧﯽ، ﻧﻈﺎرت ﺗﺼﻮﯾﺮی ﮐﺎرآﻣﺪﺗﺮﯾﻦ اﺑﺰار ﺑﺮای ردﯾﺎﺑﯽ ﺷﺒﮑﻪ ﻫﺎی ﺟﺎده ای و ﺗﻘﺎﻃﻊ ﻫﺎ ﺑﻮد. ﻧﻈﺎرت ﺗﺼﻮﯾﺮی ﯾﮏ ﻧﻤﺎی ﺑﯽ درﻧﮓ از ﺗﺮاﻓﯿﮏ اراﺋﻪ ﻣﯽ دﻫﺪ و ﺑﻪ ﻣﻘﺎﻣﺎت اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ در ﺳﺮﯾﻊ ﺗﺮﯾﻦ زﻣﺎن ﻣﻤﮑﻦ ﺑﻪ ﺣﻮادث واﮐﻨﺶ ﻧﺸﺎن دﻫﻨﺪ. ﺑﺎ اﯾﻦ وﺟﻮد، اﯾﻦ اﻧﺴﺎن ﻫﺎ ﺑﻮدﻧﺪ ﮐﻪ ﻓﯿﻠﻢ ﻫﺎی وﯾﺪﺋﻮﯾﯽ را ﺗﻤﺎﺷﺎ می ﮐﺮدﻧﺪ و ﺗﻮاﻧﺎﯾﯽ ﻫﺎی آﻧﻬﺎ ﻣﺤﺪود ﺑﻮد. ﺑﺮای ﯾﮏ ﻧﻔﺮ ﻏﯿﺮﻣﻤﮑﻦ اﺳﺖ ﮐﻪ ﭼﻨﺪﯾﻦ دورﺑﯿﻦ را ﺑﻪ ﻃﻮر ﻫﻤﺰﻣﺎن ﺑﺎ ﮐﺎراﯾﯽ ﯾﮑﺴﺎن زﯾﺮ ﻧﻈﺮ داﺷﺘﻪ ﺑﺎﺷﺪ و در ﻧﺘﯿﺠﻪ ﺣﻮادﺛﯽ ﺷﻨﺎﺳﺎﯾﯽ ﻧﺸﻮد. اﯾﻨﺠﺎﺳﺖ ﮐﻪ ﺗﺸﺨﯿﺺ ﺧﻮدﮐﺎر ﺣﺎدﺛﻪ وارد ﻋﻤﻞ ﻣﯽ ﺷﻮد. ﺳﯿﺴﺘﻢ ﺑﯿﻨﺎﯾﯽ ﮐﺎﻣﭙﯿﻮﺗﺮی ﺣﻮادث، ﺻﻒ ﻫﺎ و ﺷﺮاﯾﻂ ﺗﺮاﻓﯿﮑﯽ ﻏﯿﺮﻋﺎدی را در وﯾﺪﯾﻮ ﺟﺴﺘﺠﻮ ﻣﯽ ﮐﻨﺪ و داﺋﻤﺎً ﻫﻤﻪ دورﺑﯿﻦ ﻫﺎ را زﯾﺮ ﻧﻈﺮ دارد.
ﺳﯿﺴﺘﻢ ﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﻣﻘﺎﻣﺎت ﮐﻤﮏ ﻣﯽ ﮐﻨﻨﺪ ﺗﺎ اﻓﺮادی را ﮐﻪ ﻫﻨﮕﺎم راﻧﻨﺪﮔﯽ ﻣﺸﺮوب ﻣﯽ ﻧﻮﺷﻨﺪ ﯾﺎ ﭘﯿﺎﻣﮏ ارﺳﺎل ﻣﯽ ﮐﻨﻨﺪ ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ و ﺑﻪ اﻓﺴﺮان ﻣﺠﺎور ﻫﺸﺪار دﻫﻨﺪ ﺗﺎ آﻧﻬﺎ را رﻫﮕﯿﺮی ﮐﻨﻨﺪ و از ﺗﺼﺎدﻓﺎت ﻗﺒﻞ از وﻗﻮع ﺟﻠﻮﮔﯿﺮی ﮐﻨﻨﺪ. اﺛﺮﺑﺨﺸﯽ اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﺎ ﺑﻪ ﭘﯿﺎده ﺳﺎزی دﻗﯿﻖ و ﻣﺪﯾﺮﯾﺖ ﻣﺴﺘﻤﺮ ﺑﺴﺘﮕﯽ دارد.
 ﻣﺰاﯾﺎ:
  ﭘﺎﺳﺦ ﺳﺮﯾﻊ: ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺣﻮادث را در ﺣﯿﻦ وﻗﻮع ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﺪ و زﻣﺎن ﻫﺎی واﮐﻨﺶ ﺳﺮﯾﻊ ﺗﺮی را از ﺳﻮی ﻣﻘﺎﻣﺎت و ﺧﺪﻣﺎت اﺿﻄﺮاری ﻣﻤﮑﻦ ﻣﯽ ﺳﺎزد و ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﺷﺪت ﺗﺼﺎدﻓﺎت را ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ.
ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ: ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻣﺸﮑﻼت ﺗﺮاﻓﯿﮑﯽ و ﻣﻨﺎﻃﻖ ﺣﺎدﺛﻪ ﺧﯿﺰ را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ و اﻣﮑﺎن اﻗﺪاﻣﺎت ﭘﯿﺸﮕﯿﺮاﻧﻪ ﺑﺮای ﺑﻬﺒﻮد     اﯾﻤﻨﯽ ﺟﺎده و ﻣﺪﯾﺮﯾﺖ ﺗﺮاﻓﯿﮏ را ﻓﺮاﻫﻢ ﮐﻨﺪ. ﻫﻤﭽﻨﯿﻦ ﻣﯽ ﺗﻮاﻧﺪ ﺣﺘﯽ ﺣﻮادث ﺟﺰﺋﯽ ﯾﺎ ﻇﺮﯾﻒ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﺪ و اﺣﺘﻤﺎل ﻫﺸﺪارﻫﺎی ﻧﺎدرﺳﺖ ﯾﺎ از دﺳﺖدادن روﯾﺪادﻫﺎی ﻣﻬﻢ را ﮐﺎﻫﺶ دﻫﺪ.
ﮐﺎراﯾﯽ ﻫﺰﯾﻨﻪ: ﺗﺸﺨﯿﺺ ﺧﻮدﮐﺎر ﺣﻮادث ﻣﯽ ﺗﻮاﻧﺪ در درازﻣﺪت ﻣﻘﺮون ﺑﻪ ﺻﺮﻓﻪ ﺗﺮ از ﺣﻔﻆ ﻧﯿﺮوی ﮐﺎر ﺑﺰرگ ﺑﺮای ﻧﻈﺎرت ﻣﺴﺘﻤﺮ ﺑﺎﺷﺪ. 
ﭼﺎﻟﺶ ﻫﺎ:
ﻧﮕﺮاﻧﯽ ﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ: ﺳﯿﺴﺘﻢ ﻫﺎی ﻧﻈﺎرﺗﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﻨﺪ ﻧﮕﺮاﻧﯽ ﻫﺎیی در ﻣﻮرد ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ اﻓﺮاد اﯾﺠﺎد ﮐﻨﻨﺪ، زﯾﺮا ﺑﻪ ﻃﻮر ﻣﺪاوم   ﻓﻀﺎﻫﺎی ﻋﻤﻮﻣﯽ را ﺿﺒﻂ و ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻣﯽ ﮐﻨﻨﺪ.
واﺑﺴﺘﮕﯽ ﺑﻪ داده ﻫﺎ: ﺗﺸﺨﯿﺺ دﻗﯿﻖ ﺣﺎدﺛﻪ ﺑﻪ در دﺳﺘﺮس ﺑﻮدن و ﮐﯿﻔﯿﺖ داده ﻫﺎ ﺑﺴﺘﮕﯽ دارد. در ﺑﺮﺧﯽ ﻣﻨﺎﻃﻖ، داده ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ  ﻣﺤﺪود ﯾﺎ ﻏﯿﺮ ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﺑﺎﺷﻨﺪ.
ﻋﺪم ﻗﻀﺎوت اﻧﺴﺎﻧﯽ: ﺳﯿﺴﺘﻢ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻓﺎﻗﺪ ﻗﻀﺎوت و ﺗﺼﻤﯿﻢ ﮔﯿﺮی های اﻧﺴﺎﻧﯽ بوده ﮐﻪ در ﻣﻮﻗﻌﯿﺖ ﻫﺎی ﺗﺮاﻓﯿﮑﯽ ﭘﯿﭽﯿﺪه ﺿﺮوری است.
راه ﺣﻞ ﻫﺎی ﺷﺮﮐﺖ ﻫﺎی ﭘﯿﺸﺮو، ﻣﺎﻧﻨﺪ دورﺑﯿﻦ ﻫﺎی ﺗﺮاﻓﯿﮑﯽ و ﺣﺴﮕﺮﻫﺎی ،F IRﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ اﻋﺘﻤﺎدی ﺣﻮادث را در ﺟﺎده ﻫﺎ و ﺗﻮﻧﻞ ﻫﺎ ﺷﻨﺎﺳﺎﯾﯽ ﮐﺮده و ﺑﻪ ﺳﺮﻋﺖ ﺑﻪ آﻧﻬﺎ ﭘﺎﺳﺦ دﻫﻨﺪ.
4- ﺳﯿﺴﺘﻢ ﻫﺎی ﻧﻈﺎرت راﻧﻨﺪه
ﺳﺎﻻﻧﻪ ﺑﯿﺶ از 1.35ﻣﯿﻠﯿﻮن ﻧﻔﺮ در ﺗﺼﺎدﻓﺎت ﺟﺎده ای ﺟﺎن ﺧﻮد را از دﺳﺖ ﻣﯽ دﻫﻨﺪ. 85درﺻﺪ از اﯾﻦ ﺗﻠﻔﺎت ﻧﺎﺷﯽ از ﺧﻄﺎﻫﺎی اﻧﺴﺎﻧﯽ اﺳﺖ. دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﻫﺪف ﺑﻠﻨﺪﭘﺮوازاﻧﻪ ﺗﻮﺳﻌﻪ و ﺑﻪ ﮐﺎرﮔﯿﺮی ﻓﻨﺎوری ﺑﺮای ﮐﺎﻫﺶ ﺗﺄﺛﯿﺮ ﺧﻄﺎﻫﺎی اﻧﺴﺎﻧﯽ در ﭘﺮداﺧﺘﻦ ﺑﻪ اﯾﻦ ﻣﻮﺿﻮع ﺿﺮوری اﺳﺖ.
ﺳﯿﺴﺘﻢ ﻫﺎی ﻧﻈﺎرت ﺑﺮ راﻧﻨﺪه (DMS)راه ﺣﻞ ﻫﺎی ﻓﻨﺎوری ﭘﯿﺸﺮﻓﺘﻪ ای ﻫﺴﺘﻨﺪ ﮐﻪ در وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺑﺮای ﻧﻈﺎرت و ارزﯾﺎﺑﯽ ﻣﺪاوم رﻓﺘﺎر، ﺗﻮﺟﻪ و ﻫﻮﺷﯿﺎری راﻧﻨﺪﮔﺎن ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﻫﺎ و ﺣﺴﮕﺮﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﻌﻤﻮﻻً از ﺟﻤﻠﻪ ﺗﺸﺨﯿﺺ ﭼﻬﺮه و ردﯾﺎﺑﯽ ﭼﺸﻢ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮﻧﺪ. اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﺎ ورودی ﻫﺎی ﻣﺨﺘﻠﻒ راﻧﻨﺪه، ﻣﺎﻧﻨﺪ ﺣﺮﮐﺎت ﺳﺮ و ﭼﺸﻢ، ﺣﺎﻻت ﭼﻬﺮه، و داده ﻫﺎی ﺑﯿﻮﻣﺘﺮﯾﮏ را ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻣﯽ ﮐﻨﻨﺪ ﺗﺎ وﺿﻌﯿﺖ و ﺳﻄﺢ ﺗﻮﺟﻪ راﻧﻨﺪه را در ﺣﯿﻦ ﮐﺎر ﺑﺎ ﺧﻮدرو ﺗﻌﯿﯿﻦ ﮐﻨﻨﺪ. DMSدﯾﮕﺮ ﯾﮏ ﻟﻮﮐﺲ اﺧﺘﯿﺎری در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧﻤﯽ ﺷﻮد. اﯾﻦ ﯾﮏ اﻟﺰام ﻗﺎﻧﻮﻧﯽ اﺳﺖ از ﺳﺎل ،2026اﺗﺤﺎدﯾﻪ اروﭘﺎ DMSرا ﺑﺮای 18ﻣﯿﻠﯿﻮن اروﭘﺎﯾﯽ ﺑﺮای ﻣﺒﺎرزه ﺑﺎ ﺣﻮاس ﭘﺮﺗﯽ راﻧﻨﺪﮔﺎن و اﻓﺰاﯾﺶ اﯾﻤﻨﯽ ﺟﺎده اﺟﺒﺎری ﻣﯽ ﮐﻨﺪ. اﯾﻦ ﺣﺮﮐﺖ ﺑﺨﺸﯽ از ﻣﻘﺮرات اﯾﻤﻨﯽ ﻋﻤﻮﻣﯽ (GSR)اﺳﺖ ﮐﻪ ﻫﺪف آن ﮐﺎﻫﺶ ﺗﻌﺪاد ﺻﺪﻣﺎت ﮐﺸﻨﺪه و ﺟﺪی ﺗﺮاﻓﯿﮑﯽ ﺗﺎ ﺳﺎل 2030ﺑﻪ ﻧﺼﻒ اﺳﺖ. ﭘﯿﺸﮕﯿﺮی از ﺗﺼﺎدف در ﻧﺘﯿﺠﻪ، از ﺗﻮﻟﯿﺪﮐﻨﻨﺪﮔﺎن ﺧﻮاﺳﺘﻪ ﻣﯽ ﺷﻮد ﺗﺎ ﻓﻮراً ادﻏﺎم اﯾﻦ ﻧﺮم اﻓﺰار را در ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﻮدروی ﺧﻮد آﻏﺎزﮐﻨﻨﺪ.
ﻧﺮم اﻓﺰار ﺳﯿﺴﺘﻢ ﻧﻈﺎرت ﺑﺮ راﻧﻨﺪه (DMS)از ﺳﯿﮕﻨﺎل ﻫﺎی اﺳﺎﺳﯽ ﺑﺮای ارزﯾﺎﺑﯽ و ﻧﻈﺎرت ﺑﺮ وﺿﻌﯿﺖ ﺷﻨﺎﺧﺘﯽ راﻧﻨﺪﮔﺎن، از ﺟﻤﻠﻪ ﻋﻮاﻣﻠﯽ ﻣﺎﻧﻨﺪ ﺧﻮاب آﻟﻮدﮔﯽ، ﺣﻮاس ﭘﺮﺗﯽ و ﺳﺎﯾﺮ رﻓﺘﺎرﻫﺎی ﺑﺎﻟﻘﻮه ﺧﻄﺮﻧﺎک اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ. ﺳﯿﺴﺘﻢ DMSﺑﺮای درک، ﮐﻤﮏ و ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر اﻧﺴﺎن در ﻣﺤﯿﻂ ﻫﺎی ﭘﯿﭽﯿﺪه ﻃﺮاﺣﯽ ﺷﺪه اﺳﺖ، در ﻧﺘﯿﺠﻪ اﯾﻤﻨﯽ را اﻓﺰاﯾﺶ ﻣﯽ دﻫﺪ و روﯾﮑﺮد اﻧﺴﺎن ﻣﺤﻮرﺗﺮ ﺑﻪ ﺗﺤﺮک را ﺗﺮوﯾﺞ ﻣﯽ ﮐﻨﺪ.
 ﻣﺰاﯾﺎ:
 اﻓﺰاﯾﺶ اﯾﻤﻨﯽ ﺟﺎده: DMS ﻣﯽ ﺗﻮاﻧﺪ ﺧﻮاب آﻟﻮدﮔﯽ، ﺣﻮاس ﭘﺮﺗﯽ و ﺧﺴﺘﮕﯽ راﻧﻨﺪه را ﺗﺸﺨﯿﺺ دﻫﺪ، ﻫﺸﺪارﻫﺎ و ﻣﺪاﺧﻼت ﺑﯽ درﻧﮓ را ﺑﺮای ﺟﻠﻮﮔﯿﺮی از ﺗﺼﺎدﻓﺎت   ﻧﺎﺷﯽ از ﺧﻄﺎی اﻧﺴﺎﻧﯽ اراﺋﻪ ﻣﯽ دﻫﺪ. رﻓﺘﺎرﻫﺎی راﻧﻨﺪﮔﯽ اﯾﻤﻦ ﺗﺮ و ﮐﺎﻫﺶ ﻧﺮخ ﺗﺼﺎدف را ﺗﺸﻮﯾﻖ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺟﺎن اﻧﺴﺎن ﻫﺎ را ﻧﺠﺎت دﻫﺪ و ﺻﺪﻣﺎت را ﮐﺎﻫﺶ دﻫﺪ.
ﻫﺸﺪارﻫﺎی ﺷﺨﺼﯽ: DMSﻣﯽ ﺗﻮاﻧﺪ ﻫﺸﺪارﻫﺎ و ﺗﻮﺻﯿﻪ ﻫﺎی ﺷﺨﺼﯽ ﺳﺎزی ﺷﺪه را ﺑﻪ راﻧﻨﺪﮔﺎن اراﺋﻪ دﻫﺪ، ﻣﺎﻧﻨﺪ ﭘﯿﺸﻨﻬﺎد اﺳﺘﺮاﺣﺖ ﺑﺮای اﺳﺘﺮاﺣﺖ ﯾﺎ ﯾﺎدآوری   ﺑﻪ آﻧﻬﺎ ﺑﺮای ﻧﮕﻪ داﺷﺘﻦ دﺳﺖ روی ﻓﺮﻣﺎن. اﯾﻦ ﻫﺸﺪارﻫﺎ را ﻣﯽ ﺗﻮان ﺑﺎ ﻋﺎدات و ﺗﺮﺟﯿﺤﺎت راﻧﻨﺪﮔﯽ ﻓﺮدی ﺗﻨﻈﯿﻢ ﮐﺮد.
داده ﻫﺎیﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ: DMSداده ﻫﺎی ارزﺷﻤﻨﺪی را در ﻣﻮرد رﻓﺘﺎر و ﺗﻮﺟﻪ راﻧﻨﺪه ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ. اﯾﻦ داده ﻫﺎ را ﻣﯽ ﺗﻮان ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ، ﺑﻬﺒﻮد اﺳﺘﺮاﺗﮋی ﻫﺎی اﯾﻤﻨﯽ ﺟﺎده ﻫﺎ، ﺑﻬﯿﻨﻪ ﺳﺎزی ﺟﺮﯾﺎن ﺗﺮاﻓﯿﮏ و ﺗﻮﺳﻌﻪ ﺳﯿﺴﺘﻢ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ ﮐﺎرآﻣﺪﺗﺮ اﺳﺘﻔﺎده ﮐﺮد.
ﭼﺎﻟﺶ ﻫﺎ:  
ﻧﮕﺮاﻧﯽ ﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ: DMS ﺷﺎﻣﻞ ﻧﻈﺎرت ﻣﺴﺘﻤﺮ ﺑﺮ راﻧﻨﺪه، اﻓﺰاﯾﺶ ﻧﮕﺮاﻧﯽ ﻫﺎی ﺣﻔﻆ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ در ﻣﻮرد ﺟﻤﻊ آوری و اﺳﺘﻔﺎده از  داده ﻫﺎی ﺷﺨﺼﯽ اﺳﺖ.
ﻫﺰﯾﻨﻪ ﻫﺎی ﭘﯿﺎدهﺳﺎزی: ادﻏﺎم DMSدر وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻫﺰﯾﻨﻪ ﻫﺎی ﺳﺎﺧﺖ اﺿﺎﻓﻪ ﮐﻨﺪ.
اﻧﻄﺒﺎق ﻗﺎﻧﻮﻧﯽ و ﻣﻘﺮراﺗﯽ: رﻋﺎﯾﺖ ﻣﻘﺮرات و اﺳﺘﺎﻧﺪاردﻫﺎی در ﺣﺎل ﺗﺤﻮل ﻣﺮﺗﺒﻂ ﺑﺎ DMSﻣﯽ ﺗﻮاﻧﺪ ﺑﺮای ﺳﺎزﻧﺪﮔﺎن ﺧﻮدرو ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺑﺎﺷﺪ.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻟﺰاﻣﺎت و ﻗﻮاﻧﯿﻦ ﻧﻈﺎرﺗﯽ، ﺷﺮﮐﺖ ﻫﺎی ﺧﻮدروﺳﺎزی ﺑﻪ ﻃﻮر ﻓﺰاﯾﻨﺪه ای DMSﻃﺮاﺣﯽ ﺷﺪه ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ ﻋﻼﺋﻢ ﻧﻘﺺ راﻧﻨﺪه و ﺗﺴﻬﯿﻞ ﻣﺪاﺧﻼت ﻻزم را اﺟﺮا ﻣﯽ ﮐﻨﻨﺪ. ﻧﻤﻮﻧﻪ ای از اﯾﻦ ﻓﻨﺎوری، DMS Eye's Smart اﺳﺖ ﮐﻪ از ﺳﻨﺴﻮرﻫﺎی ﻣﺨﺘﻠﻔﯽ ﻣﺎﻧﻨﺪ دورﺑﯿﻦ ﻫﺎی داﺧﻞ ﺧﻮدرو، ﺑﯿﻨﺎﯾﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ. اﯾﻦ اﺟﺰا ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ و اراﺋﻪ ﺑﯿﻨﺸﯽ در ﻣﻮرد ﺷﺮاﯾﻂ و اﻗﺪاﻣﺎت راﻧﻨﺪه ﺑﺎ ﻫﻢ ﮐﺎر ﻣﯽ ﮐﻨﻨﺪ.
5- ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﺧﻮدرو
استفاده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺣﻤﻞ وﻧﻘﻞ ﺟﺎده ای، ﻋﺼﺮ ﺟﺪﯾﺪی از ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶگیرانه (ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه) را آﻏﺎز ﻣﯽ ﮐﻨﺪ و ﮐﺎراﯾﯽ و اﯾﻤﻨﯽ را ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺑﻬﺒﻮد ﻣﯽ ﺑﺨﺸﺪ. روﯾﮑﺮدﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﺳﻨﺘﯽ، ﮐﻪ ﺑﺎ ﺑﺮرﺳﯽ ﻫﺎی ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﺷﺪه و ﺗﻌﻤﯿﺮات واﮐﻨﺸﯽ بوده، اﻏﻠﺐ ﻣﻨﺠﺮ ﺑﻪ ﺗﻮﻗﻒهای ﭘﺮﻫﺰﯾﻨﻪ و ﻧﮕﺮاﻧﯽ ﻫﺎی اﯾﻤﻨﯽ ﻣﯽ ﺷﻮد. در ﻣﻘﺎﺑﻞ، ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺸﺎن دﻫﻨﺪه ﯾﮏ ﺗﻐﯿﯿﺮ ﭘﺎراداﯾﻢ اﺳﺖ ﮐﻪ از داده ﻫﺎی زﻣﺎن واﻗﻌﯽ از ﺣﺴﮕﺮﻫﺎی ﻣﺨﺘﻠﻒ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﯿﺎزﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.
ﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﯾﻦ ﻓﺮآﯾﻨﺪ ﺑﺴﯿﺎر ﻣﻬﻢ اﺳﺖ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺟﻤﻊ آوری و ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ، ﺗﺸﺨﯿﺺ اﻟﮕﻮﻫﺎ، و ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری ﻫﺎﯾﯽ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺗﻮﺳﻂ اﭘﺮاﺗﻮرﻫﺎی اﻧﺴﺎﻧﯽ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﻧﮕﯿﺮﻧﺪ، ﺑﺮﺗﺮی دارد. ﺑﺎ ﻣﻘﺎﯾﺴﻪ اﻃﻼﻋﺎت ﺗﺎرﯾﺨﯽ و ﺑﯽ درﻧﮓ، اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﻨﺪ اﻧﺤﺮاف های ﻇﺮﯾﻒ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ و ﺷﺎﺧﺺ ﻫﺎی اوﻟﯿﻪ ﻣﺸﮑﻼت اﺣﺘﻤﺎﻟﯽ را اراﺋﻪ دﻫﻨﺪ. ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ ﻫﺸﺪارﻫﺎﯾﯽ را ﺑﺮای ﺗﯿﻢ ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری اﯾﺠﺎد ﮐﻨﺪ و اﻣﮑﺎن ﺑﺮرﺳﯽ و ﻣﺪاﺧﻠﻪ ﺳﺮﯾﻊ را ﻓﺮاﻫﻢ ﮐﻨﺪ.
ﻧﻈﺎرت ﻣﺴﺘﻤﺮ وﺿﻌﯿﺖ ﯾﮑﯽ دﯾﮕﺮ از ﺟﻨﺒﻪ ﻫﺎی ﮐﻠﯿﺪی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺸﮕﻮﯾﺎﻧﻪ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ  ﻗﺎدر است، ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ ﮐﻪ ﭼﻪ زﻣﺎﻧﯽ ﻗﻄﻌﺎت ﺑﻪ ﭘﺎﯾﺎن ﻋﻤﺮ ﺧﻮد ﻧﺰدﯾﮏشده اند و ﺟﺎﯾﮕﺰﯾﻨﯽ ﭘﯿﺸﮕﯿﺮاﻧﻪ و به موقع را ﺗﺴﻬﯿﻞ ﻣﯽ ﮐﻨﺪ.
ﻋﻼوه ﺑﺮ اﯾﻦ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ کنار گذاشتم زﻣﺎن ﺑﻨﺪی ﻫﺎی ﺛﺎﺑﺖ ﺳﺮوﯾﺲ وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﯾﺎ ﻗﻄﻌﺎت ، ﺑﺮ اﺳﺎس وﺿﻌﯿﺖ واﻗﻌﯽ آن ﻫﺎ، زﻣﺎن مناسب سرویس وﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری را تعیین و بهینه ﻣﯽ ﮐﻨﺪ. اﯾﻦ روﯾﮑﺮد مدت ﮐﺎر عملیاتی را ﺣﺪاﮐﺜﺮ کرده، زﻣﺎن ﺧﺮاﺑﯽ ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻧﺸﺪه را ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ و ﺗﻀﻤﯿﻦ ﻣﯽ ﮐﻨﺪ ﮐﻪ وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ و ﺳﯿﺴﺘﻢ ﻫﺎ در ﺳﻄﻮح ﺑﻬﯿﻨﻪ ﮐﺎر ﻣﯽ ﮐﻨﻨﺪ، و ﻫﻢ راﻧﺪﻣﺎن ﺳﻮﺧﺖ و ﻫﻢ ﻋﻤﻠﮑﺮد ﮐﻠﯽ را اﻓﺰاﯾﺶ ﻣﯽ دﻫﻨﺪ.
ﻣﺰاﯾﺎ:
ﮐﺎﻫﺶ زﻣﺎن ﺗﻮﻗﻒ و ﺑﻬﺒﻮد ﮐﺎراﯾﯽ: ﺑﺎ ﭘﺮداﺧﺘﻦ ﺑﻪ ﻣﺴﺎﺋﻞ ﭘﯿﺶ از ﺗﺸﺪﯾﺪ آﻧﻬﺎ، اﯾﻦ روﯾﮑﺮد ﺗﻀﻤﯿﻦ ﻣﯽ ﮐﻨﺪ ﮐﻪ وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ و ﺳﯿﺴﺘﻢ ﻫﺎ ﻋﻤﻠﯿﺎﺗﯽ متوقف نشده و ﮐﺎراﯾﯽ و ﻋﻤﻠﮑﺮد ﮐﻠﯽ ﺳﻮﺧﺖ را اﻓﺰاﯾﺶ ﻣﯽ دﻫﻨﺪ.
ارتقای  اﯾﻤﻨﯽ: ﺷﻨﺎﺳﺎﯾﯽ زودﻫﻨﮕﺎم و رﻓﻊ ﻋﯿﻮب اﺣﺘﻤﺎﻟﯽ ﺑﻪ ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﺧﻄﺮ ﺣﻮادث ﻧﺎﺷﯽ از ﺧﺮاﺑﯽ ﻫﺎی ﻣﮑﺎﻧﯿﮑﯽ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ.
ﺑﯿﻨﺶ ﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ داده و ﺻﺮﻓﻪ ﺟﻮﯾﯽ در ﻫﺰﯾﻨﻪ: داده ﻫﺎی ﺟﻤﻊ آوری ﺷﺪه، ﭘﯿﺸﺮﻓﺖ ﻫﺎی ﻃﺮاﺣﯽ را راﻫﻨﻤﺎﯾﯽ ﻣﯽ ﮐﻨﻨﺪ و ﺗﺼﻤﯿﻤﺎت ﺧﺮﯾﺪ آﯾﻨﺪه را اﻃﻼع ﻣﯽ دﻫﻨﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺸﮕﯿﺮاﻧﻪ اﺣﺘﻤﺎل وﻗﻮع ﻋﻤﺪه را ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ ﺧﺮاﺑﯽ ﻫﺎ، ﮐﺎﻫﺶ ﻧﯿﺎز ﺑﻪ ﺗﻌﻤﯿﺮات ﭘﺮﻫﺰﯾﻨﻪ و ﺑﻬﯿﻨﻪ ﺳﺎزی ﺗﻌﻮﯾﺾ ﻗﻄﻌﻪ ﺑﺮای ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﻫﺰﯾﻨﻪ ﻫﺎی ﻏﯿﺮ ﺿﺮوری.
ﭼﺎﻟﺶ ﻫﺎ:     
آﻣﻮزش ﺗﯿﻢ ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری: ﺗﻐﯿﯿﺮ از ﺷﯿﻮه ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﺳﻨﺘﯽ ﺑﻪ ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶگیرانه ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﯿﺎزﻣﻨﺪ آﻣﻮزش      ﺗﺨﺼﺼﯽ ﺑﺮای ﺗﯿﻢ ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری اﺳﺖ. آﻣﻮزش ﻧﺎﮐﺎﻓﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻨﺠﺮ ﺑﻪ ﺗﻔﺴﯿﺮ ﻧﺎدرﺳﺖ ﻫﺸﺪارﻫﺎ ﯾﺎ ﻋﺪم ﺗﻤﺎﯾﻞ ﺑﻪ اﻋﺘﻤﺎد ﺑﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﻮد و ﻣﺎﻧﻊ از ادﻏﺎم ﯾﮑﭙﺎرﭼﻪ ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶگیرانه در ﺟﺮﯾﺎن ﻫﺎی ﮐﺎری ﻣﻮﺟﻮد ﺷﻮد.
اﻧﻄﺒﺎق ﺑﺎ ﻣﻘﺮرات: استفاده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶگیرانه، ﺑﺎﯾﺪ ﺑﺎ ﭼﺎرﭼﻮب ﻫﺎی ﻧﻈﺎرﺗﯽ ﻣﻮﺟﻮد در ﺻﻨﻌﺖ ﺣﻤﻞ و ﻧﻘﻞ ﻣﻄﺎﺑﻘﺖ داﺷﺘﻪ ﺑﺎﺷﺪ.  رﻋﺎﯾﺖ ﻣﻘﺮرات و ﺣﺼﻮل اﻃﻤﯿﻨﺎن از اﯾﻨﮑﻪ ﺳﯿﺴﺘﻢ ﻫﺎی ﻣﺠﻬﺰ ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﺎﻧﺪاردﻫﺎی اﯾﻤﻨﯽ را ﺑﺮآورده ﻣﯽ ﮐﻨﻨﺪ، ﻣﯽ ﺗﻮاﻧﺪ ﻓﺮآﯾﻨﺪ ﭘﯿﭽﯿﺪه ای ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﭘﺬﯾﺮش اﯾﻦ ﻓﻨﺎوری ﻫﺎ را ﮐﻨﺪ ﻣﯽ ﮐﻨﺪ.
ﯾﮑﭙﺎرﭼﻪ ﺳﺎزی با ﺳﯿﺴﺘﻢهای ﻗﺪﯾﻤﯽ: ﺑﺴﯿﺎری از ﺷﺮﮐﺖ ﻫﺎی ﺣﻤﻞ و ﻧﻘﻞ ﺑﺎ ﺳﯿﺴﺘﻢ ﻫﺎی ﻗﺪﯾﻤﯽ ﮐﺎر ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ راﺣﺘﯽ ﺑﺎ ﻓﻨﺎوری ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ادﻏﺎم ﻧﺸﻮﻧﺪ. ﻣﻘﺎوم ﺳﺎزی وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ و زﯾﺮﺳﺎﺧﺖ ﻫﺎی ﻣﻮﺟﻮد ﺑﺎ ﺣﺴﮕﺮﻫﺎ و ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﭘﺮﻫﺰﯾﻨﻪ و از ﻧﻈﺮ ﻟﺠﺴﺘﯿﮑﯽﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺑﺎﺷﺪ.
6- ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی ﻟﺠﺴﺘﯿﮏ
در دﻧﯿﺎی ﺳﺮﯾﻊ ﺗﺪارﮐﺎت، رﻗﺎﺑﺘﯽ ﻣﺎﻧﺪن ﺑﺮای ﻣﻮﻓﻘﯿﺖ ﺿﺮوری اﺳﺖ. ﯾﮏ ﻋﺎﻣﻞ ﺟﺪاﯾﯽ ﻧﺎﭘﺬﯾﺮ ﻣﺆﺛﺮ ﺑﺮ اﺛﺮﺑﺨﺸﯽ ﻋﻤﻠﯿﺎت ﻟﺠﺴﺘﯿﮑﯽ، ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎ اﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﮐﻞ ﻓﺮآﯾﻨﺪ را اﯾﺠﺎد ﯾﺎ ﺷﮑﺴﺖ دﻫﺪ. ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎی دﻗﯿﻖ ﺗﻘﺎﺿﺎی ﻣﺤﺼﻮل ﻧﻪ ﺗﻨﻬﺎ ﻣﺪﯾﺮﯾﺖ ﻣﻮﺟﻮدی را ﺑﻬﯿﻨﻪ ﻣﯽ ﮐﻨﺪ، ﺑﻠﮑﻪ ﮐﺎراﯾﯽ ﮐﻠﯽ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ را ﻧﯿﺰ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺑﻬﺒﻮد ﻣﯽ ﺑﺨﺸﺪ. در ﻃﻮل ﺳﺎل ﻫﺎی اﺧﯿﺮ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻧﯿﺮوی دﮔﺮﮔﻮن ﮐﻨﻨﺪه در ﺣﻮزه ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎ ﻇﺎﻫﺮ ﺷﺪه اﺳﺖ و ﭼﺸﻢ اﻧﺪاز ﻋﻤﻠﯿﺎﺗﯽ ﺷﺮﮐﺖ ﻫﺎی ﻟﺠﺴﺘﯿﮏ را ﺗﻐﯿﯿﺮ ﻣﯽ دﻫﺪ.
از ﻧﻈﺮ ﺗﺎرﯾﺨﯽ، روش ﻫﺎی ﺳﻨﺘﯽ ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎ ﺑﻪ ﺷﺪت ﺑﺮ داده ﻫﺎی ﺗﺎرﯾﺨﯽ و ﻣﺪل ﻫﺎی آﻣﺎری ﺗﮑﯿﻪ داشتند و در ﺣﺎﻟﯽ ﮐﻪ اﯾﻦ روﯾﮑﺮدﻫﺎ ﻣﺒﻨﺎﯾﯽ اﺳﺎﺳﯽ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﻓﺮاﻫﻢ ﻣﯽ ﮐﺮدﻧﺪ، اﻣﺎ ﺗﻼش ﻣﯽ ﮐﺮدﻧﺪ ﺗﺎ ﺑﺎ ﻣﺎﻫﯿﺖ ﭘﻮﯾﺎی ﺑﺎزار اﻣﺮوز ﻫﻤﮕﺎم ﺷﻮﻧﺪ. ﻋﻮاﻣﻠﯽ ﻣﺎﻧﻨﺪ ﺟﻬﺶ ﺗﺠﺎرت اﻟﮑﺘﺮوﻧﯿﮏ، ﺟﻬﺎﻧﯽ ﺷﺪن و رﻓﺘﺎرﻫﺎی ﺑﻪ ﺳﺮﻋﺖ در ﺣﺎل ﺗﺤﻮل ﻣﺼﺮف ﮐﻨﻨﺪه که همه اینها ﯾﮏ ﺳﯿﺴﺘﻢ ﭘﯿﺶ ﺑﯿﻨﯽ ﭘﯿﭽﯿﺪه ﺗﺮ و ﭘﺎﺳﺨﮕﻮ را ﺿﺮوری ﻣﯽ ﮐﻨﺪ.
ﻫﻮش ﻣﺼﻨﻮﻋﯽ را وارد ﮐﻨﯿﺪ و ﺑﻪ ﺷﺮﮐﺖ ﻫﺎی ﻟﺠﺴﺘﯿﮑﯽ ﺗﻮاﻧﺎﯾﯽ ﭘﺮدازش ﺣﺠﻢ وﺳﯿﻌﯽ از داده ﻫﺎی ﻫﻢ زﻣﺎن و ﺑﻪ دﺳﺖ آوردن ﺑﯿﻨﺶ ﻣﻌﻨﺎدار را اراﺋﻪ دﻫﯿﺪ. ﺑﻪ ﻃﻮر ﺧﺎص، اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﺳﯿﺴﺘﻢ ﻫﺎ را ﺑﺮای ﯾﺎدﮔﯿﺮی و ﺗﻄﺒﯿﻖ ﺑﺮ اﺳﺎس اﻟﮕﻮﻫﺎ و روﻧﺪﻫﺎ ﺗﻮاﻧﻤﻨﺪ ﻣﯽ ﺳﺎزﻧﺪ. اﯾﻦ ﺳﺎزﮔﺎری ﺑﺎﻋﺚ ﻣﯽ ﺷﻮد ﮐﻪ آﻧﻬﺎ ﺑﻪ ﺷﺪت ﺑﻪ ﭼﺸﻢ اﻧﺪاز داﺋﻤﺎً در ﺣﺎل ﺗﻐﯿﯿﺮ ﻟﺠﺴﺘﯿﮏ ﭘﺎﺳﺦ دﻫﻨﺪ و ﺑﻪ ﭼﺎﻟﺶ ﻫﺎی ﻧﺎﺷﯽ از ﭘﻮﯾﺎﯾﯽ ﺑﺎزار ﻣﺪرن رﺳﯿﺪﮔﯽ ﮐﻨﻨﺪ.
ﭘﯿﺎده ﺳﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻋﻤﻠﯿﺎت ﻟﺠﺴﺘﯿﮏ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎ ﻧﯿﺎزﻣﻨﺪ ﺑﺮﻧﺎﻣﻪ رﯾﺰی و اﺟﺮای دﻗﯿﻖ اﺳﺖ. ﺟﻤﻊ آوری داده ﻫﺎی ﻣﺮﺗﺒﻂ از ﻣﻨﺎﺑﻌﯽ ﻣﺎﻧﻨﺪ ﺳﻮاﺑﻖ ﻓﺮوش و روﻧﺪﻫﺎی ﺑﺎزار، ادﻏﺎم آﻧﻬﺎ در ﯾﮏ ﺳﯿﺴﺘﻢ ﻣﺘﻤﺮﮐﺰ ﺑﺮای اﺳﺘﻔﺎده ﻣﻮﺛﺮ از اﻟﮕﻮرﯾﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺴﯿﺎر ﻣﻬﻢ اﺳﺖ. در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻋﻮاﻣﻠﯽ ﻣﺎﻧﻨﺪ ﭘﯿﭽﯿﺪﮔﯽ داده ﻫﺎ و اﻟﺰاﻣﺎت دﻗﺖ ﺑﺮای اﻧﺘﺨﺎب ﯾﮏ ﻣﺪل ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ ﻣﻨﺎﺳﺐ ﺿﺮوری اﺳﺖ.
ادﻏﺎم ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی ﻟﺠﺴﺘﯿﮏ ﭘﯿﺸﺮﻓﺖ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ را ﺑﺮای ﺻﻨﻌﺖ ﻧﺸﺎن ﻣﯽ دﻫﺪ. ﺑﺎ اﺳﺘﻔﺎده از ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ و ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ، ﺷﺮﮐﺖ ﻫﺎی ﻟﺠﺴﺘﯿﮏ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر دﻗﯿﻖ ﺗﻘﺎﺿﺎ را ﭘﯿﺶ ﺑﯿﻨﯽ کرده و ﺑﻪ ﺳﺮﻋﺖ ﺑﻪ ﺗﻐﯿﯿﺮات ﺑﺎزار ﭘﺎﺳﺦ دﻫﻨﺪ. 
ﻣﺰاﯾﺎ:
ﺳﺎزﮔﺎری در زﻣﺎن واﻗﻌﯽ: ﺳﯿﺴﺘﻢ ﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺳﺎزﮔﺎری در زﻣﺎن واﻗﻌﯽ را اراﺋﻪ ﻣﯽ دﻫﻨﺪ ﮐﻪ در ﻟﺠﺴﺘﯿﮏ ﭘﻮﯾﺎ ﺑﺴﯿﺎر ﻣﻬﻢ اﺳﺖ. ﺑﺮﺧﻼف   ﻣﺪل ﻫﺎی اﺳﺘﺎﺗﯿﮏ، اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ﺑﻪ ﻃﻮر ﭘﯿﻮﺳﺘﻪ از داده ﻫﺎی ﺟﺪﯾﺪ ﯾﺎد ﻣﯽ ﮔﯿﺮﻧﺪ و ﺑﺎ ﺗﻐﯿﯿﺮ ﺷﺮاﯾﻂ، ﺑﻪ ﺳﺮﻋﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ را ﺗﻨﻈﯿﻢ ﻣﯽ ﮐﻨﻨﺪ. اﯾﻦ ﭼﺎﺑﮑﯽاﻣﮑﺎن ﺗﺼﻤﯿﻢ ﮔﯿﺮی آﮔﺎﻫﺎﻧﻪ، ﺑﻬﯿﻨﻪ ﺳﺎزی ﺳﻄﺢ ﻣﻮﺟﻮدی و اﻃﻤﯿﻨﺎن از ﺗﺤﻮﯾﻞ ﺑﻪ ﻣﻮﻗﻊ در ﭘﺎﺳﺦ ﺑﻪ ﺗﻐﯿﯿﺮات ﯾﺎ اﺧﺘﻼﻻت ﻧﺎﮔﻬﺎﻧﯽ را ﻓﺮاﻫﻢ ﻣﯽ ﮐﻨﺪ.
ﻣﻘﯿﺎس ﭘﺬﯾﺮی ﭘﯿﺸﺮﻓﺘﻪ: ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی ﻟﺠﺴﺘﯿﮏ، ﺷﺎﻣﻞ ﭘﺮدازش ﺣﺠﻢ وﺳﯿﻊ داده از ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ اﺳﺖ. اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺪون زﺣﻤﺖ اﯾﻦ ﻣﻘﯿﺎس را ﻣﺪﯾﺮﯾﺖ ﻣﯽ ﮐﻨﻨﺪ و ﺑﻪ ﺷﺮﮐﺖ ﻫﺎ اﺟﺎزه ﻣﯽ دﻫﻨﺪ ﺗﺎ ﻋﻤﻠﯿﺎت ﻫﺎ را ﺑﺪون ﻣﺤﺪودﯾﺖ ﻣﻨﺎﺑﻊ ارزیابی ﮐﻨﻨﺪ. اﯾﻦ ﻣﻘﯿﺎس ﭘﺬﯾﺮی ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞﮐﺎرآﻣﺪ ﺳﻮاﺑﻖ ﻓﺮوش، اﻟﮕﻮﻫﺎی آب و ﻫﻮا و ﻣﺪﯾﺮﯾﺖ ﺗﻨﻮع ﺗﻘﺎﺿﺎ( ﻣﺪل ﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺪﯾﺮﯾﺖ ﺗﻨﻮع ﺗﻘﺎﺿﺎ در ﺻﻨﻌﺖ ﻟﺠﺴﺘﯿﮏ ﺑﺮﺗﺮی دارﻧﺪ. آﻧﻬﺎ ﻋﻮاﻣﻠﯽ ﻣﺎﻧﻨﺪ ﻧﻮﺳﺎﻧﺎت  ﻓﺼﻠﯽ، ﺗﺒﻠﯿﻐﺎت ﯾﺎ روﯾﺪادﻫﺎی ﻏﯿﺮﻣﻨﺘﻈﺮه ﻣﺎﻧﻨﺪ ﻫﻤﻪ ﮔﯿﺮی کوید را در ﻧﻈﺮ ﻣﯽ ﮔﯿﺮﻧﺪ. اﯾﻦ ﻗﺎﺑﻠﯿﺖ ﺑﻪ ﺷﺮﮐﺖ ﻫﺎ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ ﺗﺎ ﺳﻄﻮح ﻣﻮﺟﻮدی، ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﺣﻤﻞ وﻧﻘﻞ و ﺗﺨﺼﯿﺺ ﻣﻨﺎﺑﻊ را ﺗﻨﻈﯿﻢ ﮐﻨﻨﺪ و ﺧﻄﺮ ﮐﻤﺒﻮد، ﺗﺎﺧﯿﺮ ﯾﺎ ﻣﻮﺟﻮدی اﺿﺎﻓﯽ را ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺎﻧﻨﺪ. ﻧﺘﯿﺠﻪ این کارها ﺑﻬﺒﻮد و اﻓﺰاﯾﺶ ﺳﻮدآوری خوهد بود.)
ﭼﺎﻟﺶ ﻫﺎ: 
ﮐﯿﻔﯿﺖ و ﯾﮑﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ: ﻧﮕﻬﺪاری ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه ﺑﻪ ﺷﺪت ﺑﺮ داده ﻫﺎی دﻗﯿﻖ و ﺟﺎﻣﻊ ﻣﺘﮑﯽ اﺳﺖ. ﯾﮑﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ از ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ و اﻃﻤﯿﻨﺎن از ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن آن ﻣﯽ ﺗﻮاﻧﺪ ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺑﺎﺷﺪ. داده ﻫﺎی ﻧﺎدرﺳﺖ ﯾﺎ ﻧﺎﻗﺺ ﻣﻤﮑﻦ اﺳﺖ ﻣﻨﺠﺮ ﺑﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎی ﻧﺎدرﺳﺖ ﺷﻮد و ﮐﺎراﯾﯽ ﺳﯿﺴﺘﻢ ﻧﮕﻬﺪاری ﭘﯿﺶ ﺑﯿﻨﯽ را ﮐﺎﻫﺶدﻫﺪ.
دﻗﺖ و ﺳﺎزﮔﺎری اﻟﮕﻮرﯾﺘﻢ: ﺗﻮﺳﻌﻪ اﻟﮕﻮرﯾﺘﻢ ﻫﺎی دﻗﯿﻖ و ﺳﺎزﮔﺎر ﺑﺎ ﺗﺠﻬﯿﺰات ﻣﺨﺘﻠﻒ و ﺷﺮاﯾﻂ ﻋﻤﻠﯿﺎﺗﯽ ﭘﯿﭽﯿﺪه اﺳﺖ. اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻧﺎﮐﺎﻓﯽ ﻣﻤﮑﻦ اﺳﺖ ﻣﻨﺠﺮ ﺑﻪ ﻣﺜﺒﺖ ﯾﺎ ﻣﻨﻔﯽ ﮐﺎذب ﺷﻮد ﮐﻪ ﺑﺮ دﻗﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﺗﺄﺛﯿﺮ ﻣﯽ ﮔﺬارد.
ﻫﺰﯾﻨﻪ ﭘﯿﺎده ﺳﺎزی: اﺟﺮای ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﻣﻞ ﻫﺰﯾﻨﻪ ﻫﺎی اوﻟﯿﻪ ﺑﺮای ﻓﻨﺎوری، ﺣﺴﮕﺮﻫﺎ و ﺗﻮﺳﻌﻪ ﻧﺮم اﻓﺰار اﺳﺖ. ﺷﺮﮐﺖ ﻫﺎی ﮐﻮﭼﮏ ﺗﺮ ﻣﻤﮑﻦ اﺳﺖ اﻧﺠﺎم  ﺳﺮﻣﺎﯾﻪ ﮔﺬاری اوﻟﯿﻪ را ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺑﺪاﻧﻨﺪ و ﭘﺬﯾﺮش ﮔﺴﺘﺮده روش ﻫﺎی ﺗﻌﻤﯿﺮ و ﻧﮕﻬﺪاری ﭘﯿﺸﺮﻓﺘﻪ را ﻣﺤﺪود ﮐﻨﻨﺪ.
7- ChatGPT
ChatGPT ﮐﻪ ﺗﻮﺳﻂ OpenAIﺗﻮﺳﻌﻪ داده ﺷﺪه اﺳﺖ، ﯾﮏ ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﯿﺸﺮﻓﺘﻪ ﻣﺘﻌﻠﻖ ﺑﻪ ﻣﻌﻤﺎری GPT-3.5اﺳﺖ ﮐﻪ ﻣﺨﻔﻒ ﻋﺒﺎرت Transformer Pre-trained Generative اﺳﺖ. اﯾﻦ ﻣﺪل ﺑﺮای درک و ﺗﻮﻟﯿﺪ ﻣﺘﻨﯽ ﺷﺒﯿﻪ اﻧﺴﺎن ﺑﺮ اﺳﺎس ورودی ﻫﺎﯾﯽ ﮐﻪ درﯾﺎﻓﺖ ﻣﯽ ﮐﻨﺪ ﻃﺮاﺣﯽ ﺷﺪه اﺳﺖ ChatGPTﮐﻪ در ﻃﯿﻒ ﻣﺘﻨﻮﻋﯽ از ﻣﺘﻦ ﻫﺎی اﯾﻨﺘﺮﻧﺘﯽ آﻣﻮزش دﯾﺪه اﺳﺖ، در ﮐﺎرﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺮﺗﺒﻂ ﺑﺎ زﺑﺎن ﻣﻬﺎرت دارد.
ChatGPT را ﺑﻪ ﻋﻨﻮان دﺳﺘﯿﺎر ﺑﺴﯿﺎر ﻫﻮﺷﻤﻨﺪی در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ﮐﻪ اﻃﻼﻋﺎت ﮔﺴﺘﺮده ای را از اﯾﻨﺘﺮﻧﺖ ﺟﺬب ﮐﺮده اﺳﺖ.
درک آن ﺑﺮ اﺳﺎس اﻟﮕﻮﻫﺎ و ﺗﺪاﻋﯽ ﻫﺎﯾﯽ اﺳﺖ ﮐﻪ در ﻃﻮل ﻓﺮآﯾﻨﺪ آﻣﻮزﺷﯽ ﺧﻮد ﺑﻪ دﺳﺖ آورده اﺳﺖ. ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺑﺎ ChatGPTﺗﻌﺎﻣﻞ ﻣﯽ ﮐﻨﯿﺪ، ﭼﻪ از ﻃﺮﯾﻖ ﯾﮏ ﺳﻮال ﯾﺎ ﯾﮏ ﺑﯿﺎﻧﯿﻪ، از اﯾﻦ اﻟﮕﻮﻫﺎی آﻣﻮﺧﺘﻪ ﺷﺪه ﺑﺮای اﯾﺠﺎد ﭘﺎﺳﺦ ﻫﺎﯾﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﺎ زﻣﯿﻨﻪ ﻣﮑﺎﻟﻤﻪ ﻫﻤﺎﻫﻨﮓ ﻫﺴﺘﻨﺪ. آﻧﭽﻪ ﺑﻪ ﺗﻄﺒﯿﻖ ﭘﺬﯾﺮی ChatGPTﻣﯽ اﻓﺰاﯾﺪ، ﺳﺎزﮔﺎری آن ﺑﺎ وﻇﺎﯾﻒ ﺧﺎص اﺳﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، در ﺻﻨﻌﺖ ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای، ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ ChatGPT را ﺑﺎ آﻣﻮزش داده ﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻟﺠﺴﺘﯿﮏ، ﺣﻤﻞ و ﻧﻘﻞ و ﺳﻨﺎرﯾﻮﻫﺎی ﻣﺮﺑﻮﻃﻪ ﺳﻔﺎرﺷﯽ ﮐﻨﻨﺪ. اﯾﻦ ﻓﺮآﯾﻨﺪ ﺳﻔﺎرﺷﯽ ﺳﺎزی ﺗﻮاﻧﺎﯾﯽ آن را ﺑﺮای اﯾﺠﺎد ﭘﺎﺳﺦ ﻫﺎﯾﯽ ﮐﻪ ﺑﻪ ﻃﻮر ﺧﺎص ﺑﺮای ﻧﯿﺎزﻫﺎی آن ﺻﻨﻌﺖ ﻃﺮاﺣﯽ ﺷﺪه اﻧﺪ، اﻓﺰاﯾﺶ ﻣﯽ دﻫﺪ.
ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ، ChatGPTﺑﻪ ﻋﻨﻮان ﯾﮏ اﺑﺰار ارزﺷﻤﻨﺪ در ﺑﺨﺶ ﺣﻤﻞ و ﻧﻘﻞ ﮐﺎﻻی ﺟﺎده ای ﺑﺎ اﻓﺰاﯾﺶ ارﺗﺒﺎﻃﺎت، ﭘﺸﺘﯿﺒﺎﻧﯽ ﻣﺸﺘﺮی، ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺴﯿﺮ، ﺣﻞ ﻣﺸﮑﻞ و ﺳﺎده ﺳﺎزی ﻓﺮآﯾﻨﺪﻫﺎی ﻣﺴﺘﻨﺪﺳﺎزی ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ. ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ آن را ﺑﻪ ﯾﮏ راه ﺣﻞ ﻫﻤﻪ ﮐﺎره ﺑﺮای وﻇﺎﯾﻒ ﻣﺨﺘﻠﻒ در ﺣﻮزه ﻟﺠﺴﺘﯿﮏ و ﺣﻤﻞ وﻧﻘﻞ ﺗﺒﺪﯾﻞ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﻪ ﺑﻬﺒﻮد ﻓﺮآﯾﻨﺪﻫﺎی ارﺗﺒﺎﻃﯽ و ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ.

استفاده از ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ: ﻫﻤﻮار ﮐﺮدن راه ﺑﺮای آﯾﻨﺪه ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای

ﺻﻨﻌﺖ ﺣﻤﻞ و ﻧﻘﻞ ﺟﺎده ای ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻬﺮه وری اﻧﺮژی را از ﻃﺮﯾﻖ اﺳﺘﺮاﺗﮋی ﻫﺎی ﺑﻪ ﻫﻢ ﭘﯿﻮﺳﺘﻪ ﺑﻬﺒﻮد ﺑﺨﺸﺪ. داده ﻫﺎی ﺑﻼدرﻧﮓ ﺑﻪ اﭘﺮاﺗﻮرﻫﺎ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ ﺗﺎ ﺗﺼﻤﯿﻤﺎت آﮔﺎﻫﺎﻧﻪ ای اﺗﺨﺎذ ﮐﻨﻨﺪ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﺻﺮﻓﻪ ﺟﻮﯾﯽ در اﻧﺮژی و ﮐﺎﻫﺶ اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ ﻣﯽ ﺷﻮد. ﻫﻮش ﻣﺼﻨﻮﻋﯽ از ﻃﺮﯾﻖ ﻣﺪﯾﺮﯾﺖ ﻋﻮاﻣﻞ ﺣﯿﺎﺗﯽ ﻣﺎﻧﻨﺪ ﻋﻼﺋﻢ راﻫﻨﻤﺎﯾﯽ و راﻧﻨﺪﮔﯽ، ﺳﺮﻋﺖ ﺧﻮدرو و اﻟﮕﻮﻫﺎی ﻣﺼﺮف ﺳﻮﺧﺖ ﺑﻪ ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﻣﺼﺮف اﻧﺮژی ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ. در ﻧﺘﯿﺠﻪ، ﺻﻨﻌﺖ ﺣﻤﻞ وﻧﻘﻞ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﮔﺎم ﻫﺎی ﻣﻠﻤﻮﺳﯽ در ﺑﻬﺮه وری اﻧﺮژی و ﻟﺠﺴﺘﯿﮏ دﺳﺖ ﯾﺎﺑﺪ و ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در اﺳﺘﻔﺎده از ﻣﻨﺎﺑﻊ و اﺛﺮات زﯾﺴﺖ ﻣﺤﯿﻄﯽ اﯾﺠﺎد ﮐﻨﺪ.
ﻓﻨﺎوری ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﭘﯿﺸﺮﻓﺘﻪ، اﺳﺮار ﻧﻬﻔﺘﻪ در ﺣﺠﻢ ﻋﻈﯿﻤﯽ از داده ﻫﺎی ﺗﻮﻟﯿﺪ ﺷﺪه ﺗﻮﺳﻂ ﺻﻨﺎﯾﻊ ﻣﺨﺘﻠﻒ را آﺷﮑﺎر ﻣﯽ ﮐﻨﺪ. در ﺳﺎل 2016 اﯾﻦ ﺑﺎزار ﻓﻨﺎوری 271ﻣﯿﻠﯿﻮن دﻻر ارزش داﺷﺖ؛ اما ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯽ ﺷﻮد ﺑﻪ دﻟﯿﻞ توسعه ﻇﺮﻓﯿﺖ ﭼﺸﻤﮕﯿﺮ ذﺧﯿﺮه ﺳﺎزی داده ﻫﺎ، ﺗﻮاﻧﺎﯾﯽ ﻫﺎی ﻣﺤﺎﺳﺒﺎﺗﯽ دﻗﯿﻖ و ﻣﻬﺎرت در ﻣﺪﯾﺮﯾﺖ داده ﻫﺎی ﭘﯿﭽﯿﺪه در ﻣﻘﺎدﯾﺮ زﯾﺎد، این ارزش رشد کند.
برخی ﺻﻨﺎیع ﻣﺎﻧﻨﺪ ﺧﻮدروﺳﺎزی، اﻣﻮر ﻣﺎﻟﯽ و داده ﮐﺎوی، از ﻫﻮش ﻣﺼﻨﻮﻋﯽ برای ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ و ﺑﻬﺒﻮد ﻋﻤﻠﯿﺎت ﺧﻮد اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ، یعنی ﺑﺎ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮﻫﺎ در داده ﻫﺎ و ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎی ارزﺷﻤﻨﺪی در ﻣﻮرد آﯾﻨﺪه تولید می کنند، اﻧﺘﻈﺎر ﻣﯽ رود ارزش ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﺗﺎ ﺳﺎل 2025ﺑﻪ 10.2ﻣﯿﻠﯿﺎرد دﻻر اﻓﺰاﯾﺶ ﯾﺎﺑﺪ.
ﺷﺎﯾﺎن ذﮐﺮ اﺳﺖ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺪرن، ﺑﻪ وﯾﮋه ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ، ﻣﯽ ﺗﻮاﻧﺪ ﻣﺰاﯾﺎی ﺑﯿﺸﺘﺮی ﻧﺴﺒﺖ ﺑﻪ روش ﻫﺎی ﺳﻨﺘﯽ اراﺋﻪ دﻫﺪ. ﯾﮑﯽ از زﻣﯿﻨﻪ ﻫﺎﯾﯽ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺴﯿﺎر ﺳﻮدﻣﻨﺪ ﺑﺎﺷﺪ، در زﻣﯿﻨﻪ ﺧﺪﻣﺎت ﻣﺴﺎﻓﺮﺗﯽ و ﺣﻤﻞ و ﻧﻘﻞ اﺳﺖ. ﺑﺮای ﻣﺜﺎل، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﯾﺎﻓﺘﻦ ﺳﺮﯾﻊ ﺗﺮﯾﻦ و ﮐﺎرآﻣﺪﺗﺮﯾﻦ ﻣﺴﯿﺮﻫﺎ ﺑﺮای راﻧﻨﺪﮔﺎن و ﺧﺪﻣﺎت ﺗﺤﻮﯾﻞ ﮐﻤﮏ ﮐﻨﺪ.
ﺑﺮﺧﯽ از ﺷﺮﮐﺖ ﻫﺎ ﺣﺘﯽ ﻣﻮﻓﻖ ﺑﻪ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎی ﺣﺴﮕﺮﻫﺎی ﺟﺎده ای ﺑﺮای ﻧﻈﺎرت ﺑﺮ ﻋﻤﻠﮑﺮد ﮐﺎﻣﯿﻮن و رﻓﺘﺎر راﻧﻨﺪه در زﻣﺎن واﻗﻌﯽ ﺷﺪه اﻧﺪ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﮐﺎﻫﺶ ۱۵درﺻﺪی ﻫﺰﯾﻨﻪ ﻫﺎی ﺳﻮﺧﺖ و ﺗﺤﻮﯾﻞ ﺳﺮﯾﻊ ﺗﺮ ﻣﯽ ﺷﻮد.
از دﯾﮕﺮ ﻣﺰاﯾﺎی آن ﻣﯽ ﺗﻮان ﺑﻪ ﮐﺎﻫﺶ ﺗﺮاﻓﯿﮏ، ﺑﻬﯿﻨﻪ ﺳﺎزی ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﺣﻤﻞ وﻧﻘﻞ ﻋﻤﻮﻣﯽ، اﻃﻤﯿﻨﺎن از اﯾﻤﻨﯽ ﺳﺮﻧﺸﯿﻨﺎن در وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺧﻮدران و ﺑﻬﺒﻮد ﮐﯿﻔﯿﺖ ﻫﻮا اﺷﺎره ﮐﺮد. در آﯾﻨﺪه، اﺳﺘﻔﺎده از وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪ ﺧﻮدران، ارزش ﻓﻨﺎوری ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ را ﺑﯿﺸﺘﺮ ﺧﻮاﻫﺪ ﮐﺮد.