<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Trust on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/trust/</link><description>Recent content in Trust on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/trust/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید داده‌های مصنوعی قابل توضیح برای هوش مصنوعی لبه‌ای: ساخت اعتماد، انطباق و عملکرد</title><link>https://blog.formize.com/fa/explainable-synthetic-data-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/explainable-synthetic-data-for-edge-ai/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-قابل-توضیح-برای-هوش-مصنوعی-لبهای-ساخت-اعتماد-انطباق-و-عملکرد">تولید داده‌های مصنوعی قابل توضیح برای هوش مصنوعی لبه‌ای: ساخت اعتماد، انطباق و عملکرد&lt;/h1>
&lt;p>هوش مصنوعی لبه‌ای از آزمایشگاه‌های تحقیقاتی به استقرارهای تولیدی در وسایل نقلیه خودران، اینترنت صنعتی اشیا و حسگرهای شهرهای هوشمند منتقل می‌شود. وعده واضح است: استنتاج با تأخیر کم، هزینه‌های پهنای باند کاهش یافته و حفظ حریم‌خصوصی در دستگاه. با این حال، داده‌ای که این مدل‌ها را تغذیه می‌کند اغلب &lt;strong>مصنوعی&lt;/strong> است؛ داده‌ای که برای غلبه بر کمبود، محدودیت‌های حریم‌خصوصی یا هزینه بالای برچسب‌گذاری جریان‌های لبه‌ای واقعی تولید می‌شود.&lt;/p></description></item></channel></rss>