Ailexa — هوش مصنوعی + قانون home
حوزهٔ جستجوی شما حدوداً در چه زمینه‌ای است:
در جست‌جوی چه هستید؟ بعد از انتخابِ آنچه می‌خواهید، در کادرِ جستجوی بالا موضوع را بنویسید و «بگرد» را بزنید.

انطباق دقیق این متن با متن رسمی هنوز به‌طور ۱۰۰٪ کنترل نشده.

دکترین

تحلیل مقایسه شبکه های هوش مصنوعی در پیشگیری از جرم (مورد پژوهی: داروهای تقلبی) (مقاله علمی وزارت علوم)

سبدِ من

#هوش_مصنوعی #مقاله_علمی #پیشگیری #تحلیل #جرم #مقاله #فناوری #نظارت #تحقیق #منبع #حقوق #معاونت #دارو #کد_رهگیری #عرصه #علمی #جرایم #تصادفی

صفحات: ۶۵ - ۸۰
تحلیل مقایسه شبکه های هوش مصنوعی در پیشگیری از جرم (مورد پژوهی: داروهای تقلبی) (مقاله علمی وزارت علوم) نویسندگان: سعید گوهری منبع: حقوق فناوری های نوین دوره 5 پاییز و زمستان 1403 شماره 10 چکیده پیشگیری از جرائم مرتبط با داروهای تقلبی به دلیل فنّاوری های استفاده شده در تولید و توزیع این داروها با روش های سنتی مانند نظارت میدانی چشم انداز روشنی نخواهد داشت؛ ازاین رو اتخاذ تدابیر پیشگیرانه مناسب نیازمند بهره گیری از فنّاوری های نوین با قابلیت کشف این جرائم در مقیاس وسیع و دقت بالاست. در این راستا، شبکه های عصبی هوش مصنوعی نظیر شبکه های عصبی بازگشتی، شبکه عصبی مولد تصادفی و شبکه عصبی کانولوشن با الهام گرفتن از ساختار مغز انسان قادر به کشف این جرائم هستند. بااین حال، هریک از این شبکه ها معایبی دارند که بی توجهی به آن، نظام حقوقی را در پیشگیری از این جرائم با دشواری مواجه می کند؛ بنابراین تحقیق حاضر با روش مطالعه موردی، تلاشی در راستای شناسایی کارآمدترین شبکه عصبی برای پیشگیری از این جرائم به شمار می رود. برون داد این تحقیق نشان می دهد که قانون گذار به روش نظارت در حوزه پیشگیری وضعی توجه ویژه داشته است؛ اما ابزار این نظارت را تعریف نکرده است. با وجوداین، معاونت غذا و دارو با استفاده از سامانه تیتک (کد رهگیری) اقدام به شناسایی کشف جرائم این عرصه می کند. باوجوداین، این سامانه به دلیل غیرهوشمندبودن سامانه، قادر به کشف تمامی اشکال تقلب نخواهد بود؛ بنابراین به نظر می رسد استفاده هم زمان از سه شبکه (شبکه های عصبی بازگشتی، شبکه عصبی مولد تصادفی و شبکه عصبی کانولوشن) در قالب یک شبکه عصبی ترکیبی تحقق کشف جرائم دارویی را در مقیاس وسیع ارتقا دهد. Comparative analysis of artificial intelligence networks in crime prevention Case Study: Counterfeit Medicines Preventing crimes related to counterfeit drugs, due to the technologies used in the production and distribution of these drugs, will not have a bright outlook with traditional methods such as field surveillance. Therefore, adopting appropriate preventive measures requires the use of innovative technologies capable of detecting these crimes on a large scale and with high accuracy. In this regard, artificial neural networks such as recurrent neural networks, generative adversarial networks, and convolutional neural networks, inspired by the structure of the human brain, are capable of detecting these crimes. However, each of these networks has its drawbacks, ignoring which makes the legal system face difficulties in preventing these crimes. Therefore, the present study, through a case study method, seeks to identify the most efficient neural network for preventing these crimes. The outcome of this research indicates that the legislature has paid special attention to the monitoring technique in the prevention domain but has not defined the tools for this monitoring. Nevertheless, the Food and Drug Administration, using the Titac system (tracking code), identifies the discovery of crimes in this area. However, due to the non-intelligence of the system, it will not be able to detect all forms of fraud. Therefore, simultaneous use of three networks (recurrent neural networks, generative adversarial networks, and convolutional neural networks) in the form of a composite neural network seems to improve the detection of drug crimes on a large scale.

موارد مرتبط

برای این صفحه موردِ مرتبطی ثبت نشده.

نظرها و یادداشت‌ها

نظرها پس از بررسی نمایش داده می‌شوند.

Designed & Developed by Hamed Rostami, Eng. & Attorney — © All Rights Reserved حامد رستمی، مهندس و وکیل دادگستری حقوق، با نگاهِ هوش مصنوعی و الگوریتم اینستاگرام تلگرام لینکدین