شرکت اسپیرو، نماینده‌ی رسمی لاجیتک در ایران، با عرضه‌ی جدیدترین و به‌روزترین تجهیزات ویدئو کنفرانس برند خوش‌نام لاجیتک سعی می‌کند نقش مؤثری در بهره‌مندی حداکثری کسب‌وکارهای ایرانی از مزایای ویدئوکنفرانس ایفا کند. از‌این‌رو از سال گذشته، اسپیرو تجهیزات ویدئوکنفرانس لاجیتک را به‌طور رسمی به بازار ایران عرضه کرد. این تجهیزات با تمام نرم‌افزارها و راهکارهای ارتباط تصویری سازگار هستند.

چرا روز‌به‌روز بر اهمیت تجهیزات ویدئوکنفرانس افزوده می‌شود؟

طبق تحقیقات، هزینه‌ای که هر سازمان برای نیروی تمام‌وقت و مستقر متحمل می‌شود، به‌مراتب بیشتر از کارمندی است که به‌صورت دورکاری با شرکت همکاری می‌کند. در‌حال‌حاضر، بسیاری از شرکت‌های بزرگ دنیا از شهرها و کشورهای مختلف نیرو جذب می‌کنند و ازطریق ویدئوکنفرانس به‌راحتی با آن‌ها در ارتباط هستند.

در گذشته، معمولا محل کار کارمندان نزدیک به‌هم و متمرکز بود. ارتباطات خارج از شرکت به‌طور حضوری برقرار می‌شد و در برخی مواقع که دیدار حضوری امکان‌پذیر نبود، به‌ناچار از دستگاه‌های ویدئوکنفرانس استفاده می‌کردند. در آن زمان، این دستگاه‌ها بسیار گران‌قیمت بودند و درحقیقت، روی سِرور مشخصی طراحی و اجرا می‌شدند. قیمت این دستگاه‌ها گاه تا 100000 دلار می‌رسید و طبیعتا فقط شرکت‌های بزرگ می‌توانستند از آن استفاده کنند.

با ظهور خدمات ابری، ابزارهای ویدئوکنفرانس به‌تدریج از شکل قبلی خود فاصله گرفتند تا جایی‌که امروزه، با کمترین امکانات همچون وب‌کم و هدست نیز می‌توانید ارتباط ویدئوئی برقرار کنید. با‌توجه‌به هدف شما از ارتباط ویدئوئی، تجهیزات مختلفی در بازار موجود است که می‌توانید از آن‌ها استفاده کنید؛ تجهیزاتی که متناسب با ارتباطات ویدیویی شخصی گرفته تا ارتباطات تصویری کاری طراحی و ساخته شده‌اند.

اسپیرو؛ عرضه‌کننده‌ی تجهیزات ویدئوکنفرانس لاجیتک در ایران

هم‌زمان با موج جدید استفاده از تجهیزات ویدئویی، شرکت لاجیتک با شناخت درست بازار، دستگاه‌های ویدئوکنفرانس را تولید کرده و رهبری این بازار را در دست گرفته است. هم‌اکنون، لاجیتک رتبه نخست را ازنظر سهم از بازار جهانی دوربین‌های اتاق کنفرانس و نیز رتبه‌ی نخست را ازنظر سهم از بازار جهانی وب‌کم را ازآنِ خود کرده است. در سه‌ماهه‌ی اخیر، این شرکت رشد بیش از 60 درصدی فروش محصولات ویدئوکنفرانس در دنیا و رشد 100 درصدی فروش در منطقه‌ی خاورمیانه را شاهد بوده است.

شرکت اسپیرو، نماینده‌ی انحصاری و رسمی گروه محصولات لاجیتک در ایران، میزان فروشش را به بیش از 150 درصد افزایش داده و با استقبال درخورتوجه سازمان‌های بزرگ از این تجهیزات مواجه بوده است. دلیل اصلی این امر حذف یا کاهش برخی از هزینه‌های جاری سازمان‌ها و جایگزینی فناوری‌های روز دنیا به‌جای روش‌های سنّتی است. اسپیرو تجهیزات ویدئوکنفرانس لاجیتک را با گارانتی 24 ماهه و خدمات پس‌ازفروش به مشتریان ایرانی عرضه می‌کند.

این نوع محصولات لاجیتک بسیار متنوع هستند و هریک ویژگی خاصی دارند که آن را برای کسب‌وکارها و هدف‌های خاصی مناسب می‌سازد. یکی از این محصولات وبکم meet up است که یکی از دوربین‌های کنفرانس برتر logitech به‌شمار می‌آید. این محصول برای اتاق‌های کوچک طراحی شده و با استفاده از آن دیگر نیاز نیست همه‌ی افراد حاضر در اتاق کنفرانس دور دوربین جمع شوند؛ چرا که زاویه‌ی دید 120 درجه‌ی این دوربین و سیستم صوتی داخلی آن، باعث دیده‌شدن تمامی افراد داخل اتاق و شنیده‌شدن صدایشان می‌شود.

راه‌های ارتباط با شرکت اسپیرو:

آدرس: تهران، بلوار آفریقا، خیابان ناوک، پلاک 17

تلفن: 02189337

ایمیل: info@espeero.com

وب‌سایت: http://espeero.com

www.zoomit.ir

با اینکه تقریبا 800 میلیون نفر در فاصله‌ی 100 کیلومتری آتشفشان‌های سراسر جهان زندگی می‌کنند، نظارت مستمر روی این بلایای طبیعی بسیار اندک است. با‌این‌حال، به‌گفته‌ی ژولیت بیگز، متخصص آتشفشان دانشگاه بریستول بریتانیا، پژوهشگران به‌لطف روش‌های نوظهور می‌توانند به‌‌طور مستمر روی این پدیده‌ها نظارت کنند.

تیم بیگز از یادگیری ماشین برای پی‌بردن به ناهنجاری‌های زمین در اطراف آتشفشان‌ها استفاده می‌کند. این تیم 20‌مارس2018 در کنفرانس سانتا فی نیومکزیکو طرح پیشنهادی خود برای استفاده از هوش مصنوعی را ارائه داد.

بیگز و همکاران او از مشاهده‌های راداری دو ماهواره ازجمله ماهواره‌ی اروپایی سنتینل 1 استفاده می‌کنند. اعضای تیم براساس موقعیت ماهواره‌ها در بازه‌های 6 یا 12 یا 24 روزه به داده‌های مرتبط با آتشفشان‌های سراسر جهان را جمع‌آوری می‌کنند. ماهواره‌ها با عبور مجدد از یک نقطه، فاصله‌ی بین خود و زمین را اندازه‌گیری می‌کنند. با این کار، تغییرات فاصله در بازه‌ی زمانی آشکار می‌شود؛ مثلا نشست یا برآمدگی زمین براثر تغییرات ماگمای زیر آتشفشان.

باوجوداین، داده‌های مذکور نیز خالی از اشکال نیستند. بخارآب موجود در جوّ می‌تواند سیگنالی مشابه تغییرات زمین ارسال کند و پژوهشگران هنگام بررسی مشاهده‌های راداری باید این مسئله را هم در نظر بگیرند. انحراف‌های جوّی، به‌ویژه در بررسی بازه‌های زمانی نزدیک به زمان حال، مشکل‌ساز می‌شوند.

_{آتشفشان آگونگ در جزیره‌ی بالی، اندونزی، نوامبر2017}

دید واضح‌تر

تیم بیگز در آغاز بررسی تصاویر دریافتی ماهواره‌ی سنتینل 1 از آتشفشان آگونگ در بالی اندونزی که در نوامبر2017 دچار فوران شد، این مشکلات را در نظر گرفت. تقریبا دو ماه قبل از فوران این آتشفشان، صدها زلزله‌ی کوچک مناطق اطراف را لرزانده بود و تقریبا 140000 نفر خانه‌های خود را ترک و به نقاط دیگر فرار کردند.

انحراف‌های جوّی در اطراف آگونگ تلاش‌های تیم برای بررسی ناهنجاری‌ زمین در اطراف آتشفشان را مختل کرده بود؛ اما بیگز و تیم او پس از تصحیح سیگنال‌های جوّی، متوجه شدند زمین در اطراف دامنه‌ی شمالی آگونگ به‌اندازه‌ی 10 سانتی‌متر در جهت آتشفشان مجاور بالا آمده است.

براساس گزارش این تیم، حرکت زمین نشان‌دهنده‌ی فعالیت‌ ماگما در سیستم لوله‌کشی طبیعی بود که دو آتشفشان را به یکدیگر وصل می‌کرد. بیگز معتقد است هدف اصلی تیم او پیش‌بینی فوران آتشفشانی نبود؛ اما آن‌ها با مطالعه‌ی موردی آگونگ توانستند اطلاعات زیادی را درباره‌ی این روش و امکان‌پذیری آن به‌دست بیاورند.

فابین آلبینو، متخصص ژئوفیزیک دانشگاه بریستول و یکی از اعضای تیم بیگز، قصد دارد با مدل‌های آب‌وهوایی تقریبا نزدیک به زمان واقعی، راه‌‌حلی فوری برای تصحیح انحراف‌های جوّی پیدا کند.

درصورتی‌که این مدل برای پیش‌گویی اختلال‌های جوّی موفقیت‌آمیز باشد، آلبینو می‌تواند با شناسایی سیگنال‌های غیرمعمول در داده‌های رادار ماهواره‌ای، سیگنال‌های بخار آب‌وهوا را از سیگنال‌های آتشفشانی تفکیک کند. آلبینو می‌گوید این پروژه هنوز در مراحل اولیه است؛ اما درنهایت می‌تواند راهی برای ارزیابی سریع پدیده‌های اطراف آتشفشان‌هایی مثل آگونگ فراهم کند.

بیگز و همکارانش که مشغول بررسی آتشفشان‌های سراسر جهان هستند، شبکه‌ای عصبی ساختند که تقریبا 30000 تصویر ماهواره‌ی سنتینل 1 از 900 آتشفشان را پردازش و 100 تصویر را برای بررسی دقیق‌تر علامت‌گذاری کرده است. به گزارش این تیم، از میان این داده‌ها حداقل 39 تصویر شکل دقیق ناهنجاری‌های زمین را نشان می‌دهند. پژوهشگران به کمک الگوریتمی داده‌ها را مرتب‌ کردند و در زمان صرفه‌جویی کردند. بدین‌ترتیب آن‌ها از زمان باقی‌مانده برای بررسی دقیق‌تر آتشفشان‌ها استفاده می‌کنند.

تیم پژوهشی در‌حال‌آموزش شبکه‌ی عصبی خود روی داده‌های ترکیبی است که از فوران‌های شبیه‌سازی‌شده به‌وجود آمده‌اند. به‌گفته‌ی پوی آنانتراسیریچایی، مهندس دانشگاه بریستول، با این کار دقت الگوریتم دوبرابر می‌شود.

روش‌های جایگزین

گروهی با سرپرستی آندرو هوپر در دانشگاه لیدز در‌حال‌توسعه‌ی روشی دیگر برای آشکارسازی خودکار علائم بالقوه‌ی آشفتگی‌های زمین هستند. هوپر و همکاران ‌به‌جای مرتب‌سازی تصاویر رادار ماهواره‌ی سنتینل 1 (طبق روش بیگز)، از تکنیک جست‌وجوی تغییرات در داده‌های ماهواره‌ای استفاده می‌کنند.

درصورت تغییرشکل زمین، روش هوپر می‌تواند افزایش یا کاهش سرعت یا تغییرات را ثبت کند. بدین‌ترتیب پژوهشگران می‌توانند حتی کوچک‌ترین تغییرات زمین را در بازه‌ی زمانی طولانی‌تر بررسی کنند.

این تحلیل با تحلیل گروه بیگز تفاوت دارد؛ اما هدف نهایی هر دو گروه پردازش داده‌های آتشفشانی است. بیگز و هوپر به‌دنبال آزمودن روش‌های خود روی پایگاه داده‌ی جهانی ناهنجاری‌های آتشفشانی هستند که میزبانی آن برعهده‌ی مرکز مشاهد‌ها و مدل‌سازی زلزله و آتشفشان و تکتونیک در بریتانیا است؛ ولی به‌دلیل مشکلات فنی این پایگاه‌ داده، پژوهشگران برای مقایسه‌ی جزءبه‌جزء روش‌های خود از آن استفاده نمی‌کنند.

دانشمندان دیگر مانند مت پریچارد، متخصص آتشفشان دانشگاه کورنل نیویورک، مشغول توسعه‌ی الگوریتم‌هایی هستند که برای تشخیص تغییرات آتشفشانی از دیگر انواع داده‌های ماهواره‌ای مانند دمای سطح یا نشر گاز و خاکستر استفاده می‌کنند.

پریچارد امیدوار است بتواند ازطریق همکاری با بیگز و دانشمندان دیگر، از روش‌های یادگیری ماشین برای طبقه‌بندی داده‌های ماهواره‌های ناسا و آکوا و ترا استفاده کند. این ماهواره‌ها در 17 سال گرمای خروجی آتشفشان‌ها را اندازه‌گیری کرده‌اند؛ اما او و همکارانش هنوز در آغاز راه کار با الگوریتم‌ها هستند و مسیری طولانی در پیش دارند.

www.zoomit.ir

تا پایان 14مارس، کاربرانی که از کارت‌های اعتباری به حساب اپل خود پول منتقل کنند، اعتباری معادل 10 درصد آن مبلغ را به‌‌عنوان جایزه دریافت خواهند کرد. کاربران اپل می‌توانند ابتدا به قسمت تنظیمات حساب کاربری مراجعه و سپس، گزینه‌ی itunes & app store را انتخاب کنند. با کلیک روی your apple id و ورود به این بخش، سرانجام گزینه‌ی add funds to apple id دیده می‌شود که با انتخاب آن ضمن مشاهده‌ی باقی‌مانده‌ی اعتبار در حساب‌ کاربری، موضوع اختصاص جایزه درصورت خرید اعتبار جدید هم اعلام شده است.

با اضافه‌کردن 10 دلار، 1 دلار اضافی دریافت می‌کنید و اگر 100 دلار اعتبار بخرید، اپل حساب کاربری شما را 110 دلار شارژ می‌کند. این اعتبار جایزه تا سقف خرید 200 دلار اعمال می‌شود. با کلیک روی هریک از گزینه‌های موجود، پرداخت ازطریق touch id تأیید می‌شود.

کاربران itunes در رایانه‌های شخصی هم می‌توانند از این ویژگی استفاده کنند. کاربران باید به قسمت my account بروند و سپس، در بخش apple id account می‌توانند گزینه‌های افزایش اعتبار را مشاهده کنند. با کلیک روی هریک از این گزینه‌های پول به‌طور خودکار و بدون درخواست تأیید به حساب کاربران افزوده خواهد شد؛ درحالی‌که در گوشی‌های همراه، خرید باید ازطریق touch id یا ورود رمزعبور به‌وسیله‌ی کاربر تأیید شود.

نکته‌ای که باید به‌خاطر داشته باشید، این است که این اعتبار اضافی فقط یک‌بار اعمال می‌شود. پس از اینکه برای اولین مرتبه به حساب خود پول اضافه کنید، 10 درصد اعتبار اضافی برایتان منظور می‌شود؛ اما در پرداخت‌های بعدی، جایزه‌ای به شما تعلق نخواهد گرفت. 

درواقع، این میزان اعتبار بیشتر هدیه‌ای است که اپل به شما می‌دهد؛ پس اگر قصد دارید از آیتونز آلبوم یا هر چیز دیگری بخرید، شاید بد نباشد ابتدا به اعتبار حساب خود بیفزایید و سپس، خرید کنید.

www.zoomit.ir

ماسک‌‌ها، عینک‌ها، کلاه‌ها و انواع دیگر محتوای مجازی که در اپلیکیشن‌های مختلف از اینستاگرام گرفته تا یوتیوب استوریز روی چهره‌های کاربران اضافه می‌شوند، جذابیت و زیبایی خاصی دارند. تابه‌حال از خود پرسیده‌اید این جلوه‌ها چگونه اجرا می‌شوند؟ بخش هوش مصنوعی گوگل به‌تازگی مقاله‌ای درباره‌ی همین جلوه‌ها منتشر کرده که جزئیات آن را به بهترین نحو برای علاقه‌مندان توضیح می‌دهد.

مهندسان شاغل در مانتین ویو در مقاله‌ای بلند، جزئیات فناوری هوش مصنوعی در هسته‌ی استوری اپلیکیشن‌های مختلف را فاش و نکاتی نیز درباره‌ی api مشهور آن arcore ذکر کردند. طبق ادعای آن‌ها، api مذکور می‌تواند انواع حالات از بازتاب نور محیط تا حالت چهره و حتی بازتاب نور از هر چهره را شبیه‌سازی کند. همه‌ی آن موارد هم فقط به کمک دوربین و به‌‌طور زنده اتفاق می‌افتند.

آرتیسام آبلاواتسکی و ایوان گریشنکو، متخصصان گوگل در بخش هوش مصنوعی، در مقاله‌ی خود توضیح می‌دهند:

یکی از مشکلات اصلی در تولید قابلیت‌های واقعیت افزوده‌، قراردادن محتوای مجازی در تصاویر دنیای واقعی است. آن فرایند به چندین فناوری به‌هم‌پیوسته نیاز دارد که توانایی ردگیری هندسه‌ی سطوح در حالت‌های بسیار پویای چهره‌ی افراد را داشته باشند؛ حالت‌هایی همچون خنده یا اخم یا پوزخند که هرکدام تغییراتی در سطوح چهره‌ی افراد ایجاد می‌کنند.

بخش اختصاصی گوگل در حوزه‌ی واقعیت افزوده، از فناوری tensorflow lite استفاده می‌کند. آن فناوری نمونه‌ای سبک از فریم‌ورک یادگیری ماشین گوگل به‌نام tensorflow محسوب می‌شود که برای کاربردهای خاص بهینه‌سازی شد. در موقعیت‌های مناسب، آن‌ها از پردازش بهینه‌سازی‌شده‌ی سخت‌افزارها بهره می‌برند که دو شبکه‌ی عصبی را باهم ترکیب می‌کند.

اولین شبکه‌ی عصبی در فناوری اشاره‌شده تشخیص‌دهنده است که روی داده‌های دوربین فعالیت و موقعیت‌های چهره را پردازش می‌کند. شبکه‌ی دوم مدل مِش سه‌بعدی نام دارد که از داده‌های دریافت‌شده‌ی موقعیتی، برای پیش‌بینی هندسه‌ی سطوح بهره می‌برد.

چرا از رویکردی با دو مدل استفاده می‌شود؟ متخصصان گوگل دو دلیل را برای آن توضیح می‌دهند. استفاده از آن رویکرد نیاز به تقویت دیتاسِت با داده‌های مصنوعی را کاهش می‌‌دهد و درنتیجه، سیستم هوش مصنوعی می‌تواند حداکثر ظرفیت خود را برای بهبود پیش‌بینی مختصات مِش به‌کار گیرد. هر دو بخش، برای جانمایی دقیق محتوای مجازی در جلوه‌ها حیاتی هستند.

مرحله‌ی بعدی، مستلزم اجرای شبکه‌ی مِش در یک فریم تصویر دوربین است. تکنیک خاصی باید برای آن مرحله استفاده شود تا تأخیر در تصویر و اختلال آن را کاهش دهد. مِش مدنظر از فریم‌های ویدئویی بریده‌شده تولید می‌شود و مختصات را در داده‌های واقعی پیش‌بینی می‌کند. درنتیجه، موقعیت‌های سه‌بعدی و نیز احتمالات صورت‌های موجود در تصویر در فریم‌هایی با جانمایی مقبول ارائه می‌شود.

بهبود کارایی و دقت در پروژه‌های ar، نتیجه‌ی بهره‌گیری بهینه از tensorflow lite هستند که نویسندگان مقاله‌ی مذکور اعتقاد دارند درکنار بهبود کارایی، به کاهش مصرف انرژی هم منجر می‌شود. به‌علاوه، آن‌ها نتیجه‌ی روندی هستند که پیش‌بینی مدل مِش‌ها را بهینه‌سازی و درنهایت، به تیم‌ها در مقابله با مشکلات خاص تصویرسازی کمک می‌کند. این مشکلات از حالت‌های چهره‌ها یا وضعیت نامناسب دوربین یا نور ایجاد می‌شوند.

نکته‌ی درخورتوجه آن است که مسیرهای جدید پردازش واقعیت افزوده، فقط به یک یا دو مدل بسنده نمی‌کنند؛ درعوض، از تعدادی معماری خاص استفاده می‌کنند که با هدف پشتیبانی از دستگاه‌های متنوع طراحی شده‌اند. به‌عنوان مثال، نمونه‌های سبک‌تر به حافظه و قدرت پردازش کمتری نیاز دارند و درنتیجه، رزولوشن موردنیاز برای ورودی آن‌ها نیز کمتر (128 در 128) خواهد بود. البته، مدل‌های پیچیده‌تر تا رزولوشن 256 در 256 را پردازش می‌کنند.

طبق تحقیقات نویسندگان مقاله، سریع‌ترین مدل مِش کامل در طرح آن‌ها، زمان پردازشی برابر با 10 میلی‌ثانیه دارد که روی گوشی گوگل پیکسل 3 آزمایش شد. اجرای مدل سبک‌تر زمان را به 3 میلی‌ثانیه کاهش داد. آزمایش نمونه‌ها روی آیفون x فقط کمی کُندتر بود: نمونه‌ی سبک‌تر با بهره‌گیری از gpu، پردازش را در 4 میلی‌ثانیه برای هر فریم انجام داد و نمونه‌ی سنگین و پیچیده‌تر، مِش کامل را در 14 ثانیه آماده کرد.

www.zoomit.ir

در پژوهش‌های انجام شده در دانشگاه حکیم سبزواری، راهکاری برای حل مشکل همگرایی و حجم بالای محاسبات سازه‌های کامپوزیتی تحت اثر ضربه در سرعت‌های پایین ارائه شد.

www.isna.ir