اولین انقلاب صنعتی (صنعت ۱.۰) در دهه ۱۸۰۰ میلادی اتفاق افتاد و در جریان آن اولین ماشین‌های بخار ساخته شدند. با افزایش تولید، کسب‌وکارهای کوچک به سازمان‌های بزرگ تبدیل شدند و مالکان، مدیران و کارمندان به مشتریان بیشتری خدمت می‌کردند.

در اواخر قرن نوزدهم میلادی پیشرفت سریع در استفاده از برق، جرقه انقلاب صنعتی دوم (صنعت ۲.۰) را زد. ماشین‌های الکتریکی نسبت به مدل‌های قبلی خود که با بخار یا آب کار می‌کردند، انرژی کمتری مصرف می‌کردند و بسیار کارآمدتر بودند. همچنین ایده هنری فورد در استفاده از خطوط تولید انبوه و مونتاژ برای تولید خودرو باعث افزایش بیشتر کارایی و کاهش هزینه‌های ساخت شد.

انقلاب صنعتی سوم (Industry 3.0) در اواخر دهه 1350 شمسی/ 1970 میلادی با معرفی مفاهیمی همچون اتوماسیون جزئی با استفاده از کنترل‌کننده‌ها و رایانه‌های قابل برنامه‌ریزی آغاز شد. از آنجا که این فناوری‌ها در دسترس هستند، می‌توانیم از ربات‌ها برای اجرای روندهای برنامه‌ریزی‌شده قبلی بدون دخالت انسان استفاده کنیم.

در امتداد انقلاب‌های صنعتی اول و دوم و سوم، انقلاب صنعتی چهارم (Industry 4.0) فصلی جدید در پیشرفت بشر است که ناشی از افزایش دسترسی به مجموعه‌ای از فناوری‌های نو و تعامل با آنهاست. ترکیبی است از پیشرفت‌های فناورانه اخیر مانند اینترنت اشیا و هوش مصنوعی در تولید برای افزایش خودکارسازی (اتوماسیون)، بهبود بهره‌وری و آزادکردن نیروی انسانی برای انجام کارهای دیگر. فناوری‌های نوظهوری که انقلاب صنعتی چهارم را به پیش می‌رانند، به دانش و سیستم‌های انقلاب‌های صنعتی پیشین متکی هستند؛ به‌ویژه توانمندی‌های دیجیتال انقلاب صنعتی سوم. هوش مصنوعی و رباتیک، تولید افزوده (Additive manufacturing)، عصب‌فناوری‌ها(Neurotechnologies) ، زیست‌فناوری‌ها، واقعیت مجازی و افزوده، مواد پیشرفته، نیروفناوری‌ها (Energy technology) و نیز ایده‌ها و ظرفیت‌هایی که هنوز از وجودشان بی‌خبریم، از پیشران‌های انقلاب صنعتی چهارم محسوب می‌شوند.

در جریان این انقلاب صنعتی، کارخانه‌ها می‌توانند نه‌تنها خودکارتر از گذشته که خودپایش (self-monitoring) هم بشوند. زیرا ماشین‌ها می‌توانند تمام داده‌های موجود را تجزیه و تحلیل کنند و با یکدیگر ارتباط برقرار کنند. به این ترتیب، تحقق مفهوم کارخانه هوشمند – که به نظارت انسانی نیاز ندارد – می‌تواند به واقعیت تبدیل شود.

فناوری‌های انقلاب صنعتی چهارم در مقیاس دیجیتالی گسترش می‌یابند، اما در محدوده قلمرو مجازی باقی نمی‌مانند. در جریان این انقلاب صنعتی، نحوه ترکیب شدن این فناوری‌ها با یکدیگر و خلق نوآوری‌ها، قدرتشان را چند برابر می‌کند.

هوش مصنوعی و یادگیری ماشین، اینترنت اشیا، کلان داده، بلاکچین، رایانش ابری و لبه‌ای، رباتیک، خودرو‌های خودران، شبکه 5G،‌ ویرایش ژنتیکی، محاسبات کوانتومی و متاورس صنعتی، ۱۰ روند برتر انقلاب صنعتی چهارم از نگاه نشریه فوربس محسوب می‌شود.

اینترنت اشیا صنعتی (IIoT) فناوری استفاده از حسگرها و محرک‌های هوشمند برای بهبود فرآیندهای تولیدی و صنعتی است. این فناوری از قدرت ماشین‌های هوشمند و تجزیه و تحلیل بلادرنگ (real-time) استفاده می‌کند تا از داده‌هایی استفاده کند که «ماشین های گنگ» سال ها به‌طور عادی در صنعت تولید کرده‌اند. فلسفه محرک نهفته در مفهوم اینترنت اشیای صنعتی این است که ماشین‌های هوشمند نه تنها در جمع‌آوری و تجزیه و تحلیل بلادرنگ داده‌ها بهتر از انسان‌ها عمل می‌کنند، بلکه در انتقال داده‌های مهمی که از آنها برای هدایت سریع‌تر و دقیق‌تر تصمیم‌گیری‌های تجاری می‌توان استفاده کرد نیز بهتر هستند.

شرکت‌ها با بهره‌گیری از حسگرها و محرک‌های متصل می‌توانند ناکارآمدی‌ها و مشکلات روندهای کار و تولید خود را زودتر برطرف کرده و در زمان و هزینه صرفه‌جویی کنند. اینترنت اشیا صنعتی در فرایند تولید، ظرفیت بسیار بالایی در کنترل کیفیت، شیوه‌های تولید پایدار و سازگار با محیط زیست، قابلیت ردیابی زنجیره تامین و کارایی کلی زنجیره تامین دارد. افزون بر این در فرآیندهایی همچون تعمیر و نگهداری، خدمات میدانی پیشرفته، مدیریت انرژی و ردیابی دارایی‌ها استفاده از این فناوری، بسیار راهبردی است.

اینترنت اشیا و اینترنت اشیای صنعتی، فناوری‌های مشترک زیادی دارند؛ مانند پلتفرم‌های ابری، حسگرها، اتصال، ارتباطات ماشین به ماشین و تجزیه و تحلیل داده‌ها، اما تفاوتشان در این است که برای اهداف متفاوتی استفاده می‌شوند.

اینترنت اشیا به طور کلی دستگاه‌ها را در بخش‌های مختلف مانند کشاورزی، مراقبت‌های سلامت، در سطح سازمان‌ها، خدمات شهری و همچنین دولت و نهادهای شهری به هم متصل می‌کند. دستگاه‌های اینترنت اشیا شامل لوازم هوشمند، نوارهای تناسب اندام و سایر برنامه‌هایی هستند که معمولاً در صورت بروز مشکل، موقعیت‌های اضطراری ایجاد نمی‌کنند. این در حالی است که برنامه‌های کاربردی و تجهیزات مرتبط با اینترنت اشیا صنعتی، ماشین‌ها و دستگاه‌ها را در صنایعی مانند نفت و گاز، خدمات شهری و تولید به هم متصل می‌کنند. بروز هر نوع اشکال در چنین تجهیزاتی می‌تواند موجب ایجاد موقعیت‌های پرخطر و حتی به خطر افتادن جان افراد شود. برنامه‌های اینترنت اشیا صنعتی همچنین بیشتر به بهبود کارایی و سلامت و ایمنی شهروندان توجه دارند.

تحول دیجیتال (Digital transformation) فرآیندی است که طی آن شرکت‌ها فناوری‌ها را در سراسر کسب‌وکار خود بکار می‌گیرند تا تغییرات اساسی بوجود آورند. افزایش بهره‌وری، چابکی بیشتر و در ایجاد ارزش جدید برای کارکنان، مشتریان و سهامداران از مهم‌ترین مزایای حرکت کسب‌وکارها به‌سوی تحول دیجیتال است. تحول دیجیتال در سازمان‌ها با چنان سرعتی پیش می‌رود که فقط 11 درصد از 1140 مدیر کسب و کار که مک‌کنزی آنها را مورد بررسی قرار داده است معتقدند مدل های تجاری فعلی آنها تا سال 2023 از نظر اقتصادی مقرون به صرفه خواهد بود. از همین جا براحتی می توان درک کرد که چرا 64 درصد از این مدیران می‌گویند شرکت های آنها باید کسب‌وکارهای دیجیتالی جدیدی ایجاد کنند.

سفر تحول دیجیتال برای هر سازمان منحصر به فرد است. برای مثال، یک شرکت ممکن است هوش مصنوعی یا محاسبات ابری را برای بهبود تجربه مشتری خود معرفی کند و سازمانی دیگر ممکن است برای استفاده بهتر از یادگیری ماشین، زنجیره تامین خود را بازطراحی کند. یک شرکت حتی می‌تواند در چند ماه آینده محصولاتی را که مشتریان می‌خواهند با استفاده از فناوری‌های نوپدید پیش‌بینی کند، سپس مسیر تولید را تغییر دهد تا آن تقاضا را برآورده کند.

با این حال در هر مورد، آغاز سفر تحول دیجیتال نیازمند ایجاد طرز فکر جدیدی در سازمان است. این فرصتی است برای تصور مجدد اینکه اساسا شرکت‌ها چگونه کارها را انجام می‌دهند. چند موضوع ثابت و مشترک در میان مطالعات موردی موجود و چارچوب‌های منتشر شده وجود دارد که همه رهبران کسب‌وکارها و باید در آغاز تحول دیجیتال در نظر بگیرند. عناصری مثل تجربه مشتری، چابکی عملیاتی، فرهنگ و رهبری، توانمندسازی نیروی کار و ادغام فناوری دیجیتال از مهم‌ترین موضوع‌هایی هستند که در مسیر تحول دیجیتال مورد توجه قرار می‌گیرند.

رقمی‌سازی (Digitization) و دیجیتالی شدن (Digitalization) دو مفهوم مرتبط با تحول دیجیتال هستند. به فرآیند ترجمه اطلاعات و داده‌های آنالوگ به شکل دیجیتال، «رقمی‌سازی» گفته می‌شود؛ برای مثال، اسکن یک عکس یا سند و ذخیره آن در رایانه، در حالیکه «دیجیتالی شدن» به معنی استفاده از فناوری‌های دیجیتال برای تغییر فرآیندها و پروژه‌های کسب‌وکار است؛ مانند توانمندسازی کارمندان برای استفاده از پلتفرم‌های نرم‌افزاری جدید که به راه‌اندازی سریع‌تر محصولات طراحی کمک می‌کنند. توجه کنید که تحول دیجیتال ممکن است شامل مجموعه‌ای از تلاش‌های دیجیتالی‌شدن باشد که فراتر از سطح پروژه است و کل سازمان را تحت تأثیر قرار می‌دهد.

برای بیشتر شرکت‌ها، تحول دیجیتال مستلزم دورشدن از تفکر سنتی و اتخاذ رویکرد تجربی و مشارکتی است. این روش‌های جدید برخورد با کار، راه‌حل‌های جدیدی را نشان می‌دهد که به نوبه خود می‌تواند تجربه مشتری را بهبود بخشد، نوآوری کارکنان را هدایت کند و رشد شرکت را بطور اساسی پی‌ریزی کند.

مهندسان نرم‌افزار، متخصصان رایانش ابری و مدیران محصولات دیجیتال، از کلیدی‌ترین متخصصان برای شرکت‌هایی هستند که بدنبال عرضه محصولات و خدمات جدید هستند. در مسیر تحول دیجیتال، تقاضا برای استخدام دانشمندان داده و معماران داده نیز بالاست، زیرا شرکت‌ها بدنبال بدست آوردن بینش‌هایی از کلان‌داده‌ها هستند و تحولات این حوزه بطور فزاینده‌ای به یادگیری ماشین و هوش مصنوعی متکی است.

تعاریف متعددی برای آنچه که یک شهر را «هوشمند» می کند، ارائه شده است؛ برای مثال آی‌بی‌ام  (IBM)شهر هوشمند را اینگونه تعریف می‌کند: «شهری که از تمام اطلاعات به هم پیوسته موجود امروزی برای درک و کنترل بهتر امور و بهینه‌سازی استفاده از منابع محدود، بهره می‌برد.»

به طور خلاصه، یک شهر هوشمند از چارچوبی از فناوری‌های اطلاعات و ارتباطات برای ایجاد، استقرار و ترویج شیوه‌های توسعه برای مقابله با چالش‌های شهری و ایجاد زیرساخت‌های فناورانه و پایدار استفاده می‌کند.

شهرهای هوشمند برای ارائه راهکارهای متصل به شهروندان از انواع نرم‌افزارها، رابط‌های کاربری و شبکه‌های ارتباطی در کنار اینترنت اشیا (IoT) استفاده می‌کنند. در میان اینها، اینترنت اشیا از همه مهم‌تر است. اینترنت اشیا شبکه‌ای از دستگاه‌های متصل است که با هم ارتباط برقرار کرده و داده‌ها را مبادله می‌کنند و می‌تواند شامل هر چیزی باشد؛ از وسایل نقلیه گرفته تا لوازم خانگی و حسگرهای خیابانی. داده‌های جمع‌آوری‌شده از این دستگاه‌ها در ابر یا روی سرورها ذخیره می‌شود تا امکان ارتقای کارایی بخش عمومی و خصوصی را فراهم کنند و منافع اقتصادی و بهبود زندگی شهروندان را به ارمغان آورند.

بسیاری از دستگاه‌های اینترنت اشیا از محاسبات لبه‌ای (Edge computing) استفاده می‌کنند که ارائه مرتبط‌ترین و مهم‌ترین داده‌ها را از طریق شبکه ارتباطی تضمین می‌کند. افزون بر این، یک سیستم امنیتی برای حفاظت، نظارت و کنترل انتقال داده‌ها از شبکه شهر هوشمند و جلوگیری از دسترسی غیرمجاز به شبکه اینترنت اشیا پلتفرم داده شهر پیاده سازی شده است.

شهرهای هوشمند در کنار راهکارهای اینترنت اشیا، از فناوری‌هایی مانند رابط‌های برنامه‌نویسی کاربردی (API)،‌ هوش مصنوعی، خدمات رایانش ابری، یادگیری ماشین، ارتباطات ماشین به ماشین، شبکه های مش (Mesh Networks) نیز بهره می‌برند.

ترکیب اتوماسیون، یادگیری ماشین و اینترنت اشیا، امکان به‌کارگیری فناوری‌های شهر هوشمند را در حوزه‌های مختلف فراهم می‌کند. برای مثال، پارکینگ هوشمند به رانندگان کمک می‌کند جای پارک پیدا کنند. همچنین امکان پرداخت دیجیتالی را فراهم می‌کند. مثال دیگر مدیریت ترافیک هوشمند برای نظارت بر جریان ترافیک و بهینه‌سازی چراغ‌های راهنمایی برای کاهش شلوغی معابر است. در این راستا، ارائه خدمات اشتراک‌گذاری وسایل نقلیه نیز می‌تواند از طریق زیرساخت شهر هوشمند مدیریت شود.

صرفه‌جویی در مصرف انرژی و ارتقای کارایی محیط‌زیست از دیگر ویژگی‌های شهر هوشمند است. برای مثال در این شهرها چراغ‌های خیابان وقتی کسی در آن تردد نمی‌کند کم‌نور می‌شود. به‌کارگیری این فناوری‌ها موجب بهبود روندها در مدیریت شهر می‌شود. افزون بر این، ابتکارهای به‌کار گرفته شده در شهر هوشمند می‌تواند برای کنترل تغییرات آب‌وهوایی و آلودگی هوا و همچنین مدیریت زباله و بهداشت از طریق جمع‌آوری زباله، سطل‌ها و سامانه‌های مدیریت ناوگان با قابلیت اتصال به اینترنت استفاده شود.

گذشته از خدمات‌دهی بهتر در شهرهای هوشمند، امکان پیش‌بینی اقدامات ایمنی مانند نظارت بر مناطق با جرم و جنایت بالا یا استفاده از حسگرها برای فعال‌سازی اعلام هشدار اولیه در حوادثی مانند سیل، رانش زمین، طوفان یا خشکسالی در شهرهای هوشمند مهیاست.

در شهر هوشمند، نظارت بر سلامت سازه ساختمان‌ها و تعیین زمان نیازشان به تعمیرات امکان‌پذیر است. شهروندان چنین شهرهایی، وجود هر گونه مشکلی مانند ایجاد چاله در معابر را با استفاده از سامانه‌های هوشمند به مسئولان اطلاع می‌دهند. حسگرهای نصب شده در مناطق خارج از دید شهروندان نیز نیز بر مشکلات زیرساختی مانند نشتی در لوله‌های آب نظارت می‌کنند.

ERP سرواژه Enterprise Resource Planning به معنی «برنامه‌ریزی منابع سازمانی» یک سامانه نرم‌افزاری است که به مدیران کمک می‌کند همه اجزای کسب‌وکار را راهبری کنند؛ از اتوماسیون و سامان‌دادن فرآیندهای مالی گرفته تا پشتیبانی منابع انسانی، تولید، زنجیره تامین، خدمات، تدارکات و غیره. اغلب از آن به عنوان سیستم ثبت سازمان یاد می‌شود، هرچند سیستم‌های ERP امروزی شباهت کمی به ERP دهه‌های پیش دارند. امروزه ERPها از طریق ابر ارائه می‌شوند و از فناوری‌های روز مانند مانند هوش مصنوعی و یادگیری ماشین برای ارائه اتوماسیون هوشمند، کارایی بیشتر و دستیابی سریع به بینشی کل‌نگر نسبت به تمام فرایند کسب‌وکار استفاده می کنند.

نرم‌افزار ERP ابری مدرن همچنین عملیات داخلی سازمان‌ها را با شرکای تجاری و شبکه‌های سراسر جهان مرتبط می‌کند و از طریق ایجاد اتوماسیون، یکپارچه‌سازی و هوشمندی برای شرکت‌ها، زمینه‌ساز چابکی و افزایش سرعت آنها در رقابت با رقبایشان می‌شود. دسترسی به بیشتر داده‌ها یا حتی تمام داده‌های یک سازمان لازم است از طریق سیستم ERP ممکن باشد تا منبع واحدی از آخرین اطلاعات سازمان را برای مدیریت و پایش کسب‌وکار فراهم کند.

واحد امور مالی سازمان برای بستن سریع صورتحساب‌ها، واحد فروش برای مدیریت تمام سفارش‌های مشتری و واحد لجستیک برای ارائه محصولات و خدمات مناسب به مشتریان به سیستم ERP متکی هستند. مدیر سازمان برای تصمیم‌گیری به‌موقع به مشاهده فوری عملکرد شرکت نیاز دارد و بانک ها و سهامداران نیز همواره در جستجوی سوابق مالی دقیق سازمان هستند. آنها همیشه روی داده‌ها و تجزیه و تحلیل‌های قابل اعتمادی حساب می‌کنند که با سیستم ERP ارائه می‌شود.

دستیابی به بینش عمیق‌تر، چابکی بیشتر، بهره‌وری بالاتر، گزارش‌دهی سریع، ریسک کمتر و فناوری اطلاعات ساده‌تر، شش مزیت مهم استفاده از سیستم ERP برای کسب‌وکارهاست.

یک سیستم ERP از ماژول‌های یکپارچه یا برنامه‌های تجاری تشکیل شده است که با یکدیگر ارتباط دارند و پایگاه داده مشترکی را به اشتراک می گذارند. هر ماژول ERP معمولاً روی حوزه تجاری خاصی تمرکز می‌کند، اما آنها با استفاده از داده‌های یکسان برای رفع نیازهای شرکت با هم کار می‌کنند. امور مالی، حسابداری، منابع انسانی، فروش، تدارکات، تدارکات و زنجیره تامین نقاط شروع محبوب هستند. شرکت‌ها می‌توانند ماژول مورد نظر خود را انتخاب کرده و در صورت نیاز ماژولی را اضافه و تنظیم کنند. نرم‌افزار ERP را می‌توان با استفاده از مدل اشتراک ابری (نرم افزار بعنوان سرویس) یا مدل صدور مجوز (در محل) خریداری یا به روش‌های مختلفی مستقر کرد؛ از یک ابر عمومی یا خصوصی گرفته تا استقرار در محل یا سناریوهای مختلف ترکیبی.

تحول دیجیتال رو به گسترش است و ERP هسته اصلی آن است. از آنجا که شرکت‌ها فناوری‌های دیجیتال را در هر بخش از کسب‌وکار به کار می‌گیرند، اساساً ناگزیر از تغییر روش کار خود هستند. به گفته گارتنر، حذف هر نوع نیروی منفی مانند فرآیندها و سیستم‌های قدیمی که سرعت کسب‌وکارها را کند می‌کنند، از اصلی‌ترین شتابدهنده‌های کسب‌وکار دیجیتال است. بنابراین، جای تعجب نیست که چرا اکنون شرکت‌ها به‌دنبال سیستم‌های ERP قوی‌تر هستند.

پیش‌بینی G2 نشان می‌دهد بازار جهانی نرم افزار ERP تا سال 2026 به 78.40 میلیارد دلار برسد و از سال 2019 تا 2026 شیب رشد سالیانه 10.2 درصد داشته باشد.

رایانش ابری (Cloud computing) یک اصطلاح کلی برای هر چیزی است که شامل ارائه خدمات میزبانی شده از طریق اینترنت می‌شود. این خدمات به سه دسته اصلی محاسبات ابری تقسیم می‌شود: زیرساخت بعنوان سرویس (IaaS)، پلتفرم بعنوان سرویس (PaaS) و نرم‌افزار بعنوان سرویس (SaaS).

نام «رایانش ابری» از نماد ابری الهام گرفته است که معمولا برای نمایش اینترنت در تصاویر و نمودارها استفاده می‌شود.

جالب است بدانید تاریخچه رایانش ابری به دهه‌های 1330 شمسی برمی‌گردد. آن زمان برخی شرکت‌ها شروع به استفاده از رایانه‌های بزرگی کردند که خریدش برای هر کاربر بسیار گران‌قیمت بود. در دهه‌های 1350 و 1360، مایکروسافت، اپل و آی‌بی‌ام فناوری‌هایی را توسعه دادند که محیط ابری را بهبود بخشید و استفاده از سرور ابری و میزبانی سرور را پیشرفته کرد. در سال 1385، آمازون AWS را راه اندازی کرد و خدماتی مانند رایانش و ذخیره‌سازی را در فضای ابری ارائه کرد.

یک ابر می‌تواند خصوصی یا عمومی باشد. ابر عمومی خدمات را به هر کسی در اینترنت ارائه می‌کند. ابر خصوصی اما یک شبکه اختصاصی یا یک مرکز داده است که خدمات میزبانی شده را برای تعداد محدودی از افراد با تنظیمات دسترسی و مجوزهای خاص ارائه می‌کند. چه خصوصی باشد یا عمومی، هدف رایانش ابری ارائه دسترسی آسان و مقیاس پذیر به منابع محاسباتی و خدمات فناوری اطلاعات است.

زیرساخت ابری شامل اجزای سخت‌افزاری و نرم‌افزاری مورد نیاز برای اجرای صحیح یک مدل محاسبات ابری است. رایانش ابری را می‌توان بعنوان محاسبات کاربردی یا محاسبات بر اساس تقاضا نیز در نظر گرفت. این فناوری با امکان دسترسی به داده‌ها و برنامه‌های کاربردی ابری از طریق اینترنت از سرورهای فیزیکی، پایگاه‌های داده و رایانه‌های راه دور به دستگاه‌های سرویس گیرنده کار می‌کند.

خدمات ابر خصوصی از مرکز داده یک کسب‌وکار به کاربران داخلی ارائه می‌شود. یک سازمان با «ابر خصوصی» زیرساخت ابری زیربنایی خود را ایجاد و نگهداری می‌کند. در مدل «ابر عمومی» یک ارائه‌دهنده خدمات ابری شخص ثالث (CSP) سرویس ابری را از طریق اینترنت بر حسب تقاضا و در قالب دقیقه، ساعت یا تعهدات بلندمدت ارائه می‌کند. «ابر ترکیبی» شامل ترکیبی از سرویس‌های ابری عمومی و یک ابر خصوصی داخلی، با هماهنگی و اتوماسیون بین این دو است. شرکت‌ها می‌توانند کارهای حیاتی یا برنامه‌های کاربردی حساس را روی ابر خصوصی اجرا کنند و از ابر عمومی برای مدیریت حجم کاری یا افزایش تقاضا استفاده کنند. هدف یک ابر ترکیبی ایجاد یک محیط یکپارچه، خودکار و مقیاس‌پذیر است که از تمام آنچه که زیرساخت ابر عمومی می‌تواند فراهم کند، بهره می‌برد و در عین حال کنترل بر داده‌های حیاتی ماموریت را حفظ می‌کند.

رایانش ابری تکامل یافته و به طیف گسترده‌ای از پیشنهادها و قابلیت‌های طراحی شده برای برآوردن تقریباً هر نیاز تجاری قابل تصوری تبدیل شده است. Google Docs، Microsoft 365، سرویس‌های ایمیل، اسکایپ، زوم، تلگرام، واتساپ و … نمونه‌هایی از قابلیت‌ها و تنوع رایانش ابری هستند.

بسیاری از سازمان‌های متعهد به تعهدات پیچیده نظارتی و استانداردهای حاکمیتی، از ترس قطع‌شدن، از دست دادن یا سرقت داده‌ها، هنوز برای قراردادن داده‌هایشان روی ابر عمومی مردد هستند. با این حال، این مقاومت در حال محو شدن است، زیرا افزودن رمزگذاری داده‌ها و ابزارهای مختلف مدیریت هویت و دسترسی، امنیت را در فضای ابر عمومی بهبود بخشیده است.

حوزه‌ای میان‌رشته‌ای است که شامل مطالعات در زمینه‌های ذهن و هوش است و شامل فلسفه، روان‌شناسی، هوش مصنوعی، علوم اعصاب، زبان‌شناسی و انسان‌شناسی می‌شود. محققان این حوزه به‌دنبال درک هوش و رفتار هستند تا از راه‌های گوناگونی مانند توسعه برنامه‌های آموزشی یا ساخت دستگاه‌های هوشمندتر به جامعه بشری کمک کنند.

جرقه پیدایش علوم شناختی از جایی زده شد که بشر تلاش کرد به پرسش‌هایی نظیر چه کسی هستیم، چرا فکر می‌کنیم و چگونه رفتار می‌کنیم، پاسخ دهد. با افزایش مطالعات در زمینه مسیرهای عصبی، پاسخ به محرک‌ها و شرایط و با پیشرفت فناوری‌هایی مانند هوش مصنوعی، حالا علوم شناختی به راهی تبدیل شده است که به ما در شناخت خودمان و درک معنای زندگی کمک می‌کند. به لطف پیشرفت‌های به دست آمده در تکنیک‌ها و فناوری آزمایش‌های شناختی، دانشمندان در حال نزدیک‌ترشدن به کشف پیشرفت‌هایی هستند که می‌توانند بیماری‌های ناتوان‌کننده مانند پارکینسون را درمان کنند. آنها اکنون انواعی از الگوریتم‌های رایانه‌ای را طراحی می‌کنند که می‌تواند عملکرد مغز را تقلید و نیاز به افراد داوطلب در آزمایش‌ها را برطرف کند.

خاستگاه فکری آن به اواسط دهه ۱۳۳۰ شمسی/ ۱۹۵۰ میلادی باز می‌گردد که محققان در چند زمینه شروع به توسعه تئوری‌های ذهن بر اساس بازنمایی‌های پیچیده و رویه‌های محاسباتی کردند. خاستگاه سازمانی علوم شناختی به اواسط دهه ۱۳۵۰/ ۱۹۷۰ مربوط می‌شود که انجمن علوم شناختی تشکیل و انتشار مجله علوم شناختی آغاز شد. از آن زمان، بیش از صد دانشگاه در آمریکای شمالی، اروپا، آسیا و استرالیا، مطالعات و برنامه‌هایی در زمینه علوم شناختی را آغاز و بسیاری دیگر دوره‌های آموزشی و تحقیقاتی را در زمینه علوم شناختی را آغاز کردند.

امروزه دانشمندان علوم شناختی اغلب در تلاش برای درک عملکرد ذهن و هوش به مدل‌سازی محاسباتی و نظریه‌پردازی می‌پردازند که معمولاً شامل آزمایش با سوژه‌های انسانی می‌شود. برای مثال، دانشجویان کارشناسی اغلب در آزمایش‌هایی شرکت می‌کنند که شامل انواع مختلف تفکر است و تحت شرایط کنترل‌شده مطالعه می‌شوند. این آزمایش‌ها بیشتر شامل استدلال قیاسی است که در آن داوطلبان شرکت‌کننده در آزمایش به شکل‌دهی و اعمال ایده‌ها برای طیف وسیعی از مسائل مختلف می‌پردازند.

سازمان‌هایی که درسال‌های اخیر کاربرد فناوری‌های شناختی را پیاده‌سازی یا آزمایشی کرده‌اند در ۱۷ بخش صنعت از جمله هوافضا و دفاع، کشاورزی، خودروسازی، بانکداری، محصولات مصرفی، مراقبت های بهداشتی، علوم زیستی، رسانه و سرگرمی، نفت و گاز، برق و تاسیسات، بخش عمومی، املاک و مستغلات، خرده فروشی، فناوری، و مسافرت، مهمان نوازی و اوقات فراغت فعال بوده‌اند. حوزه‌های کاربردی علوم شناختی گسترده است و شامل تحقیق و توسعه، تولید، تدارکات، فروش، بازاریابی و خدمات مشتری می‌شود.

کاربردهای فناوری‌های مرتبط با علوم شناختی به سه دسته اصلی «محصول»، «فرآیند» و «بینش» تقسیم می‌شود. برنامه‌های کاربردی محصول‌محور، فناوری را در یک محصول یا خدمات تعبیه می‌کنند تا مزایایی برای مشتری نهایی فراهم کند. برنامه های کاربردی فرآیندمحور، فناوری را در جریان کاری سازمان تعبیه می‌کنند تا عملیات را خودکار کرده یا بهبود بخشند. برنامه‌های بینش‌محور از فناوری‌های شناختی – بویژه از قابلیت‌های تحلیلی پیشرفته مانند یادگیری ماشین – برای ارائه بینش‌هایی استفاده می‌کنند که می‌توانند به اتخاذ تصمیم‌های عملیاتی و راهبردی را در یک سازمان منجر شود.

سازمان‌ها می‌توانند از فناوری‌های شناختی برای افزایش ارزش محصولات یا خدمات خود از طریق مؤثرتر، راحت‌تر، ایمن‌تر، سریع‌تر، متمایزتر یا با ارزش‌تر کردن محصولاتشان استفاده کنند.
«اتوماسیون» دسته دیگری از کاربردهای فناوری‌های مرتبط با علوم شناختی است. منظور از اتوماسیون استفاده از سامانه‌های رایانه‌ای برای انجام کارهایی است که پیش‌تر نیروهای انسانی انجام می‌دادند. نتیجه بکارگیری علوم شناختی در این بخش این می‌شود که کارها سریع‌تر، ارزان‌تر، بهتر یا ترکیبی از این سه انجام می‌شود.

تولید هوشمند (Smart manufacturing) یک رویکرد فناوری‌محور است که از ماشین‌آلات متصل به اینترنت برای نظارت بر فرآیند تولید استفاده می‌کند. هدف تولید هوشمند شناسایی فرصت‌ها برای خودکارسازی عملیات و استفاده از تجزیه و تحلیل داده‌ها در جهت بهبود عملکرد تولید است. در این مسیر از اینترنت اشیای صنعتی (IIoT) بهره می‌گیرد و با تعبیه حسگرها در ابزارآلات تولیدی، از داده‌های مربوط به وضعیت عملیاتی و عملکرد آنها برای بهبود تولید استفاده می‌کند. پیش‌تر چنین داده‌هایی در پایگاه‌های داده محلی روی دستگاه‌های جداگانه نگهداری می‌شد تا برای ارزیابی علت خرابی تجهیزات پس از وقوع آنها استفاده شود. اکنون اما با تجزیه و تحلیل داده‌های جمع‌آوری‌شده از ماشین‌های کارخانه، مهندسان و تحلیل‌گران داده‌ها می‌توانند امکان تعمیر و نگهداری پیشگیرانه برای جلوگیری از خرابی برنامه‌ریزی نشده دستگاه‌ها را فراهم کنند.

دانشمندان داده و سایر تحلیلگران می‌توانند از داده‌ها برای اجرای شبیه‌سازی فرآیندهای مختلف در تلاش برای شناسایی کارآمدترین روش‌های انجام کارها استفاده کنند. همانطور که تولید هوشمند رایج‌تر می‌شود و ماشین‌های بیشتری از طریق اینترنت اشیا به شبکه متصل می‌شوند، تجهیزات با کیفیت بهتری می‌توانند با یکدیگر ارتباط برقرار کنند و بطور بالقوه سطوح بیشتری از اتوماسیون را پشتیبانی می‌کنند. برای مثال، سیستم‌های تولید هوشمند ممکن است بتوانند بطور خودکار مواد خام بیشتری را بعنوان منابع سفارش دهند، تجهیزات دیگر را در صورت نیاز به کارهای تولیدی اختصاص دهند تا سفارش‌ها را تکمیل کنند و شبکه‌های توزیع را پس از تکمیل سفارش‌ها آماده کنند.

بهبود بهره‌وری و صرفه‌جویی طولانی مدت در هزینه‌ها را می‌توان از مهم‌ترین مزایای حرکت صنایع در مسیر تولید هوشمند دانست. در یک کارخانه هوشمند، بهره‌وری مدام افزایش می‌یابد. برای مثال، اگر ماشینی سرعت تولید را کاهش دهد، داده‌ها آن را برجسته می‌کنند و سامانه‌های هوش مصنوعی برای حل این مشکل وارد عمل می‌شوند. این سیستم‌های بسیار سازگار، انعطاف‌پذیری بیشتری را امکان‌پذیر می‌کنند.

از نظر بهبود کارایی، یکی از صرفه‌جویی‌های اصلی ناشی از تولید هوشمند، ناشی از کاهش زمان توقف تولید است. ماشین‌های مدرن اغلب مجهز به حسگرهای تشخیصی هستند تا اپراتورها را از بروز مشکلات آگاه کنند. فناوری هوش مصنوعی می‌تواند بروز مشکلات را قبل از وقوع پیش‌بینی کند و اقداماتی را برای کاهش هزینه‌های مالی انجام دهد. یک کارخانه هوشمند که خوب طراحی شده باشد هم از اتوماسیون بهره می‌برد و هم از همکاری انسان‌ها و ماشین‌ها. چنین ویژگی‌هایی است که کارایی عملیاتی را ممکن می‌کند.

اما در سوی مقابل باید توجه کنیم که در حال حاضر نبود استانداردها و قابلیت برقراری اتصال میان تجهیزات، بزرگ‌ترین چالشی است که مانع پذیرش سریع و همه‌گیری تولید هوشمند شده است.

استانداردهای فنی برای داده‌های حسگر هنوز بطور گسترده مورد پذیرش قرار نگرفته و این موضوع سبب شده است تا ماشین‌های مختلف از اشتراک‌گذاری داده‌ها و برقراری ارتباط موثر با یکدیگر باز بمانند. اکنون در ایالات متحده، موسسه ملی استاندارد و فناوری (NIST) در حال بررسی فرصت‌هایی برای توسعه و ارتقای استانداردها با سهامداران مختلف صنعت، از جمله شرکت‌های فناوری و تولیدکنندگان است. این روند کماکان ادامه خواهد داشت. از جمله چالش های دیگر این مسیر نیز می‌توان به هزینه پیاده‌سازی گسترده حسگرها و پیچیدگی توسعه مدل‌های پیش‌بینی‌کننده اشاره کرد.

همزادهای دیجیتالی، کپی مجازی دستگاه‌های فیزیکی هستند که متخصصان داده‌کاوی و فناوری اطلاعات می‌توانند از آنها برای اجرای شبیه‌سازی‌ها قبل از ساخت و استقرار دستگاه‌های واقعی استفاده کنند. همچنین می‌توانند داده‌های اینترنت اشیا را در لحظه دریافت کرده و از هوش مصنوعی و تجزیه و تحلیل داده‌ها برای بهینه‌سازی عملکرد استفاده کنند.همزاد دیجیتالی، مفهومی فراتر از تولید بوده و وارد دنیایی شده که با اینترنت اشیا، هوش مصنوعی و تجزیه و تحلیل داده‌ها ادغام شده و در واقع نمایش دیجیتالی یک شیء یا سامانه فیزیکی است. فناوری پشت همزادهای دیجیتالی شامل ساختمان‌ها، کارخانه‌ها و حتی شهرها هم می‌شود. برخی استدلال کرده‌اند که افراد و فرآیندها، همه می‌توانند همزادهای دیجیتالی داشته باشند و مفهومی بسیار گسترش یافته است.

جالب است بدانید اولین بار مفهوم همزاد دیجیتال در ناسا پدیدار شد و بعدها متحول شد. به این شکل که ماکت‌های کامل کپسول‌های فضایی اولیه که روی زمین برای تشخیص و انعکاس مشکلات در مدار زمین استفاده می‌شدند، در نهایت جای خود را به شبیه‌سازی‌های کاملا دیجیتالی دادند. بنابراین یک همزاد دیجیتال در اصل، برنامه‌ای رایانه‌ی است که داده‌های دنیای واقعی در مورد یک شیء یا سامانه فیزیکی را به‌عنوان ورودی دریافت می‌کند و به‌عنوان خروجی، پیش‌بینی‌ها یا شبیه‌سازی‌هایی از نحوه تأثیر آن شیء یا سامانه فیزیکی ارائه می‌دهد.

همزاد دیجیتال را معمولا متخصصان علوم داده یا ریاضیات کاربردی خلق می‌کنند. آنها درباره فیزیک که زیربنای شیء یا سامانه فیزیکی تقلید شده است تحقیق می‌کنند. سپس از آن داده‌ها برای توسعه یک مدل ریاضی استفاده می‌کنند که نمونه واقعی موجود در دنیای واقعی را در فضای دیجیتال شبیه‌سازی می‌کند. این همزاد طوری ساخته می‌شود که بتواند داده‌های ورودی را از حسگرهایی دریافت کند که آنها را از یک همتای واقعی جمع‌آوری می‌کند. این به همزاد اجازه می‌دهد تا شیء فیزیکی را در لحظه شبیه‌سازی کند و به این ترتیب بینشی از عملکرد فرایندها و بروز مشکلات احتمالی ارائه دهد. این همزاد همچنین می‌تواند بر اساس نمونه اولیه همتای فیزیکی خود طراحی شود که در این صورت، همزاد می‌تواند پیاپیش از کارکرد محصول بازخورد ارائه دهد. از این رو یک همزاد دیجیتالی حتی می‌تواند نمونه اولیه‌ای محصولی باشد که هنوز ساخته نشده است.

یک همزاد دیجیتال می‌تواند به همان اندازه که تعیین می‌کنید پیچیده یا ساده باشد. در واقع حجم داده‌هایی از آن که برای ساخت و به‌روزرسانی یک همزاد دیجیتال استفاده می‌کنید، تعیین‌کننده دقت شبیه‌سازی یک شیء فیزیکی است.

نکته مهم این است که گاهی اصطلاحاتی مانند شبیه‌سازی و همزاد دیجیتال به جای یکدیگر استفاده می‌شوند، هرچند مفاهیم متفاوتی هستند. شبیه‌سازی معمولا با سامانه CAD یا پلتفرمی مشابه طراحی می‌شود، اما ممکن است شباهت یک به یک با شی فیزیکی واقعی نداشته باشد. در مقابل اما یک همزاد دیجیتال بر اساس داده‌های ورودی از حسگرهای اینترنت اشیا نصب شده روی تجهیزات واقعی ساخته می‌شود؛ در این حالت شرایط سامانه‌ای در دنیای واقعی تکرار می‌شود و با آن سامانه در طول زمان تغییر می‌کند. شبیه‌سازی‌ها معمولاً در مرحله طراحی چرخه عمر یک محصول مورد استفاده قرار می‌گیرند و سعی می‌کنند عملکرد یک محصول  را در آینده پیش‌بینی کنند، در حالی که یک همزاد دیجیتال بینشی نسبت به همه اجزای کسب‌وکار را در شرایطی ارائه می‌کند که قبلا هم کار می‌کرده‌اند و حالا در شرایط جدید متوجه می‌شویم چه عملکردی قرار است از خود نشان بدهند.

«متاورس صنعتی» همچون مفهوم «متاورس»، عبارتی فراگیر برای توصیف فناوری مشابه به کار رفته در صنعت است. متاورس صنعتی در چهارراه اینترنت اشیا صنعتی (IoT)، واقعیت افزوده (AR)، واقعیت ترکیبی (MR) و واقعیت مجازی (VR) برای کاربردهای صنعتی، ایجاد «همزادهای دیجیتالی» و ترکیب غنی از عناصر دنیای واقعی با فضای مجازی قرار دارد. با استفاده از متاورس صنعتی، داده‌هایی معنی‌دار در اختیار مدیران قرار می‌گیرد تا ضمن شناخت بهتر مجموعه خود، در جهت حفظ عملکرد و رسیدن به بالاترین بازدهی، مسیر روشن‌تری را پیش رو داشته باشند.ریشه های متاورس صنعتی به مدت‌ها پیش از آغاز عصر اینترنت باز می‌گردد، اما اساس متاورس صنعتی تقریباً در آغاز عصر رایانه پایه‌گذاری شد. اصطلاح «طراحی به کمک کامپیوتر» (CAD) برای اولین بار در دهه 1330 شمسی/ میلادی 1950 ابداع شد. آن زمان نخستین سیستم‌های نمایشگر گرافیکی برای رایانه‌ها در حال توسعه بود. اولین پیاده‌سازی‌های CAD برای در حوزه نظامی توسعه داده شد، اما CAD در نهایت راه خود را به سمت استفاده غیرنظامی باز کرد.

از نظر مفهومی، متاورس صنعتی، نمایشی دیجیتال از واقعیت است؛ یک جهان دیجیتال، با بازنمایی دیجیتالی از واقعیت.

متاورس صنعتی نوعی همزاد دیجیتالی است که برای انعکاس دقیق یک شی فیزیکی طراحی شده است. شی مورد مطالعه (برای مثال، یک توربین بادی) با حسگرهای مختلف مرتبط با مناطق حیاتی عملکرد مجهز شده است. این حسگرها داده هایی را در مورد جنبه های مختلف عملکرد جسم فیزیکی تولید می‌کنند؛ مانند انرژی خروجی، دما، شرایط آب و هوایی و غیره. سپس این داده‌ها به یک سیستم پردازش منتقل و به نسخه دیجیتال اعمال می‌شود. این همزادهای دیجیتالی بر اساس مقیاسشان با شبیه‌سازی‌های معمولی مبتنی بر رایانه متفاوت هستند.

درست همانطور که انقلاب صنعتی چهارم و اینترنت اشیا صنعتی، آینده تولید هستند، متاورس نیز در مسیر راه اندازی عصر جدیدی از آواتارهای شخصی‌سازی شده در صنعت است. این حوزه ظرفیت بسیار بالایی برای جذب سرمایه‌ها در فرایند تولید دارد. زیرا صاحبان کارخانه‌ها را قادر می‌کند که فرایند تولید محصولات را در یک محیط شبیه سازی شده طراحی کرده، توسعه بدهند و چگونگی عبور از چالش‌های مختلف صنعتی را آزمایش کنند.

متاورس صنعتی با ایجاد همزادهای دیجیتالی، محیط صنعتی را قادر به نظارت لحظه به لحظه بر سیستم‌های پیچیده می‌کند و با استفاده از هوش مصنوعی، اینترنت اشیا و واقعیت مجازی با آنها در تعامل است. این امر به تیم مونتاژ اجازه می‌دهد همزادهای دیجیتالی محصولات و فرآیندهای فیزیکی را در خطوط مونتاژ مجازی طراحی، توسعه و مونتاژ کنند. البته شکلی که کارخانه‌های متاورس به خود می‌گیرند هنوز ناشناخته است، اما مجموعه‌ای از کارخانه‌ها وارد فضای متاورس صنعتی برای هدایت نوآوری‌ها شده‌اند.

آموزش از راه دور، مونتاژ محصول، فروش و بازاریابی مجازی از کاربردهای متاورس صنعتی است.

توسعه محصول مشترک بیشتر، شفافیت زنجیره تامین، فرآیند تولید سریع، کوتاه کردن چرخه عمر محصول، کاهش حاشیه خطای تولید، نرخ بازده و ریزش کمتر از مهم‌ترین مزایای به‌کارگیری متاورس صنعتی در حوزه صنعت است.

«متاورس صنعتی» همچون مفهوم «متاورس»، عبارتی فراگیر برای توصیف فناوری مشابه به کار رفته در صنعت است. متاورس صنعتی در چهارراه اینترنت اشیا صنعتی (IoT)، واقعیت افزوده (AR)، واقعیت ترکیبی (MR) و واقعیت مجازی (VR) برای کاربردهای صنعتی، ایجاد «همزادهای دیجیتالی» و ترکیب غنی از عناصر دنیای واقعی با فضای مجازی قرار دارد. با استفاده از متاورس صنعتی، داده‌هایی معنی‌دار در اختیار مدیران قرار می‌گیرد تا ضمن شناخت بهتر مجموعه خود، در جهت حفظ عملکرد و رسیدن به بالاترین بازدهی، مسیر روشن‌تری را پیش رو داشته باشند.ریشه های متاورس صنعتی به مدت‌ها پیش از آغاز عصر اینترنت باز می‌گردد، اما اساس متاورس صنعتی تقریباً در آغاز عصر رایانه پایه‌گذاری شد. اصطلاح «طراحی به کمک کامپیوتر» (CAD) برای اولین بار در دهه 1330 شمسی/ میلادی 1950 ابداع شد. آن زمان نخستین سیستم‌های نمایشگر گرافیکی برای رایانه‌ها در حال توسعه بود. اولین پیاده‌سازی‌های CAD برای در حوزه نظامی توسعه داده شد، اما CAD در نهایت راه خود را به سمت استفاده غیرنظامی باز کرد.

از نظر مفهومی، متاورس صنعتی، نمایشی دیجیتال از واقعیت است؛ یک جهان دیجیتال، با بازنمایی دیجیتالی از واقعیت.

متاورس صنعتی نوعی همزاد دیجیتالی است که برای انعکاس دقیق یک شی فیزیکی طراحی شده است. شی مورد مطالعه (برای مثال، یک توربین بادی) با حسگرهای مختلف مرتبط با مناطق حیاتی عملکرد مجهز شده است. این حسگرها داده هایی را در مورد جنبه های مختلف عملکرد جسم فیزیکی تولید می‌کنند؛ مانند انرژی خروجی، دما، شرایط آب و هوایی و غیره. سپس این داده‌ها به یک سیستم پردازش منتقل و به نسخه دیجیتال اعمال می‌شود. این همزادهای دیجیتالی بر اساس مقیاسشان با شبیه‌سازی‌های معمولی مبتنی بر رایانه متفاوت هستند.

درست همانطور که انقلاب صنعتی چهارم و اینترنت اشیا صنعتی، آینده تولید هستند، متاورس نیز در مسیر راه اندازی عصر جدیدی از آواتارهای شخصی‌سازی شده در صنعت است. این حوزه ظرفیت بسیار بالایی برای جذب سرمایه‌ها در فرایند تولید دارد. زیرا صاحبان کارخانه‌ها را قادر می‌کند که فرایند تولید محصولات را در یک محیط شبیه سازی شده طراحی کرده، توسعه بدهند و چگونگی عبور از چالش‌های مختلف صنعتی را آزمایش کنند.

متاورس صنعتی با ایجاد همزادهای دیجیتالی، محیط صنعتی را قادر به نظارت لحظه به لحظه بر سیستم‌های پیچیده می‌کند و با استفاده از هوش مصنوعی، اینترنت اشیا و واقعیت مجازی با آنها در تعامل است. این امر به تیم مونتاژ اجازه می‌دهد همزادهای دیجیتالی محصولات و فرآیندهای فیزیکی را در خطوط مونتاژ مجازی طراحی، توسعه و مونتاژ کنند. البته شکلی که کارخانه‌های متاورس به خود می‌گیرند هنوز ناشناخته است، اما مجموعه‌ای از کارخانه‌ها وارد فضای متاورس صنعتی برای هدایت نوآوری‌ها شده‌اند.

آموزش از راه دور، مونتاژ محصول، فروش و بازاریابی مجازی از کاربردهای متاورس صنعتی است.

توسعه محصول مشترک بیشتر، شفافیت زنجیره تامین، فرآیند تولید سریع، کوتاه کردن چرخه عمر محصول، کاهش حاشیه خطای تولید، نرخ بازده و ریزش کمتر از مهم‌ترین مزایای به‌کارگیری متاورس صنعتی در حوزه صنعت است.

یادگیری عمیق (Deep Learning) زیرمجموعه‌ای از «یادگیری ماشین» محسوب می‌شود که در اصل یک شبکه عصبی با سه لایه یا بیشتر است. این شبکه‌های عصبی تلاش می‌کنند رفتار مغز انسان را – به دور از تطابق با توانایی‌هایش – شبیه‌سازی کنند. به این ترتیب به آن شبکه عصبی اجازه می‌دهند با دسترسی به مقادیر زیاد داده، از آن «یاد بگیرد.» با اینکه یک شبکه عصبی با یک لایه نیز می‌تواند پیش‌بینی‌های تقریبی خوبی انجام دهد، در اینجا لایه‌های پنهان اضافی می‌توانند به بهینه‌سازی و اصلاح برای دقت کمک کنند.

یادگیری عمیق بسیاری از برنامه‌ها و خدمات هوش مصنوعی (AI) را هدایت می‌کند، اتوماسیون را بهبود می‌بخشد و وظایف تحلیلی و فیزیکی را بدون دخالت انسان انجام می‌دهد. رد پای این فناوری را در پس محصولات و خدماتی که روزمره استفاده می‌کنیم، مانند دستیارهای دیجیتال، کنترل از راه دور تلویزیون با قابلیت صوتی و تشخیص تقلب در کارت اعتباری و همچنین در فناوری‌های نوظهور مانند خودروهای خودران می‌توان جستجو کرد.

یادگیری عمیق با توجه به نوع داده‌ای که با آن کار می‌کند و روش‌هایی که در آن یاد می‌گیرد، خود را از یادگیری ماشین کلاسیک متمایز می‌کند. شبکه‌های عصبی یادگیری عمیق یا شبکه‌های عصبی مصنوعی، تلاش می‌کنند از طریق ترکیبی از ورودی داده‌ها، وزن‌ها و سوگیری، از مغز انسان برای تحلیل داده‌ها تقلید کنند. این عناصر برای تشخیص دقیق، طبقه‌بندی و توصیف اشیا در دل داده‌ها با هم کار می‌کنند. شبکه‌های عصبی عمیق از چند لایه از گره‌های به هم پیوسته تشکیل شده‌اند که هر کدام روی لایه قبلی برای اصلاح و بهینه‌سازی پیش‌بینی یا طبقه‌بندی ساخته می‌شوند. این پیشروی محاسبات از طریق شبکه، «انتشار رو به جلو» نامیده می‌شود. لایه ورودی جایی است که مدل یادگیری عمیق، داده‌ها را برای پردازش جذب می‌کند و لایه خروجی جایی است که پیش‌بینی یا طبقه‌بندی نهایی انجام می‌شود.

الگوریتم‌های یادگیری عمیق می‌توانند داده‌های تراکنش را تجزیه و تحلیل کنند و از آنها یاد بگیرند تا الگوهای خطرناکی را که نشان‌دهنده فعالیت‌های متقلبانه یا مجرمانه احتمالی هستند، شناسایی کنند. تشخیص گفتار، بینایی رایانه (computer vision) و سایر کاربردهای یادگیری عمیق می‌توانند کارایی و اثربخشی تجزیه و تحلیل تحقیقاتی را بهبود بخشند. این قابلیت به مجریان قانون کمک می‌کند مقادیر زیاد داده‌ها را با سرعت و دقت بیشتری تجزیه و تحلیل کنند. موسسات مالی بطور منظم از تجزیه و تحلیل پیش بینی برای هدایت معاملات الگوریتمی سهام، ارزیابی ریسک‌های تجاری برای تاییدیه‌های وام، کشف تقلب و کمک به مدیریت سبدهای اعتباری و سرمایه‌گذاری برای مشتریان استفاده می‌کنند. بسیاری از سازمان ها فناوری یادگیری عمیق را در قالب چت‌بات‌ها در فرآیندهای خدمات مشتری خود گنجانده‌اند که در واقع شکل ساده‌ای از هوش مصنوعی است. دستیارهای مجازی مانند سیری اپل، آمازون الکسا یا دستیار گوگل با فعال‌کردن قابلیت تشخیص گفتار، ایده چت‌بات را گسترش می‌دهند. از زمان دیجیتالی شدن سوابق و تصاویر بیمارستانی، حوزه سلامت و مراقبت‌های بهداشتی از قابلیت‌های یادگیری عمیق بهره برده است.

برنامه‌های تشخیص تصویر می‌توانند از متخصصان تصویربرداری پزشکی و رادیولوژیست‌ها پشتیبانی کنند و به آن‌ها در تجزیه و تحلیل و ارزیابی تصاویر بیشتر در زمان کمتر کمک کنند.