هوش مصنوعی (AI) چیست و کاربرد آن در چه صنایعی است؟

هوش مصنوعی  قادر است با یک کامپیوتر یک ربات را برای انجام وظایف خاص که تعریف شده است، از راه دور کنترل کند که این وظیفه‌ها در پیرامون بشر در حال رخ دادن است. به این پروژه‌های در حال پیشرفت و کار شده که می‌خواهند سیستم‌ها را به جای یک انسان قرار داده و به جای آن فکر کنند را هوش  مصنوعی اطلاق می‌کنند. از جمله کارایی این فناوری در دنیا می‌توان به کشف استدلال‌های ریاضی و ساده نمودن روابط پیچیده و کمک حال برای بشر تنبل اشاره نمود.
از زمان گسترش رایانه و کامپیوترهای دیجیتالی در این دهه‌های اخیر، به بشریت این را نمایان کرده که رایانه‌ها را می‌توان برای انجام کارهای بسیار پیچیده، به عنوان مثال کشف برهان و قضایای ریاضی یا حل بازی شطرنج با مهارت و توانایی زیادی برنامه‌ریزی کرد. با این حال، با وجود پیشرفت‌های مداوم در سرعت پردازش رایانه و ظرفیت حافظه و مموری‌های جانبی، هنوز هیچ برنامه‌ای وجود ندارد که بتواند انعطاف‌پذیری انسان را در حوزه‌های وسیع‌تر یا در کارهایی که نیاز به دانش روزانه زیادی دارد، مطابقت دهد.
از طرف دیگر، بعضی از پلتفرم‌ها و ربات‌های ساخته شده به درجه‌ای از عرفان و نبوغ رسیده‌اند که همکار و همیار در کارهای بزرگ در کنار انسان هستند که قدرت و توانایی هوش  مصنوعی را به رخ همگان می‌کشد. از جمله این کارها و فناوری ها می توان به موارد زیر اشاره نمود :
·        تشخیص و شناسایی برخی از بیماری ها و همیار پزشکان در زمان جراحی
·        سیستم جستجوی پیشرفته و بسیار حساس برای کمک حال کاربران گوگل
·        شناسایی و تشخیص صدا و دست خط‌های قدیمی
این محدود مواردی است که سبب جلب توجه سرمایه‌گزاران و کاربران در این زمینه در حال توسعه است.

هوش چیست؟

برخی از رفتارها هیچگونه ارتباطی به هوش ندارد و یک کار کاملا غریزی است، مانند بسیاری از کارهای حشرات و موجودات ریز اطراف بشر که این طور به نظر می‌رسد و در حالی که برای انسان این مقوله متفاوت است. تفاوت در این موضوع برای چیست؟ رفتار یک زنبور حفار را در نظر بگیرید. هنگامی که زنبور ماده با غذا به گودال خود باز می‌گردد، ابتدا آن را روی آستانه و ورودی درب می‌گذارد، وجود مزاحمان را در داخل لانه خود بررسی می‌کند و تنها پس از آن، اگر لانه را یک مکان امن ببیند، غذای خود را به داخل می برد.

 ماهیت واقعی رفتار غریزی زنبور آشکار می‌شود اگر غذا در حالی که او در داخل است، چند اینچ از ورودی لانه او دورتر شود: هنگامی که ظاهر می‌شود، هر دفعه که غذا جابجا می‌شود، کل روش را تکرار می‌کند. هوش، که در مورد زنبور حفار آشکارا وجود ندارد. باید شامل توانایی سازگاری با شرایط جدید را مورد بررسی باشد تا بتوان نظریات را بررسی کرد.
روان شناس‌ها به طور عموم هوش بشر را با یک صفت ارزیابی نمی کنند بلکه با مجموعه ای از توانایی ها و کارهای متنوعی که در اطراف خود انجام می‌دهند مورد ارزشیابی قرار می‌گیرند. تحقیق‌هایی که در مورد هوش  مصنوعی در حال انجام می‌باشد در مولفه‌های زیر خلاصه می‌شود؛ که عبارتند از :
یادگیری، استدلال، حل مسئله، ادراک و استفاده از زبان.

الف ) یادگیری :

انواع متنوعی و مختلفی از یادگیری ها برای محک زدن Artificial intelligence  وجود دارد که ابتدایی‌ترین روش در آن، استفاده از آزمون و خطا می‌باشد. برای بهتر درک کردن از یک مثال ساده شروع می‌کنیم، برای حل یک مسئله ریاضی در پرتاب تاس به صورت جفت آمدن از حرکت‌های تصادفی به دفعات بالا استفاده می‌کنیم. سپس برنامه ممکن است راه حل را با موقعیت ذخیره کند تا دفعه بعد که رایانه با همان موقعیت روبرو شد راه حل را به خاطر بیاورد.

به یاد آوردن و ذخیره کردن این داده‌ها و رویداد برای افراد را به عنوان یادگیری روت Rote Learning می‌شناسیم. بر روی کامپیوتر و رایانه‌های دیجیتالی نسبتاً آسان نصب و راه‌اندازی می‌شود. چالش برانگیزتر مشکل اجرای چیزی است که تعمیم این رویه در روی سیستم‌ها نامیده می‌شود.
 تعمیم شامل استفاده از تجربه گذشته در موقعیت‌های مشابه جدید است. به عنوان مثال، برنامه‌ای که زمان گذشته افعال معمولی انگلیسی را یاد می‌گیرد، نمی‌تواند زمان گذشته یک کلمه مانند jump را تولید کند، مگر اینکه قبلاً با jumped ارائه شده باشد، در حالی که برنامه‌ای که قادر به تعمیم است می‌تواند یاد بگیرد. قانون "افزودن ed" و بنابراین زمان گذشته پرش را بر اساس تجربه با افعال مشابه تشکیل دهید.

ب ) استدلال :

استدلال به معنای استنتاج مناسب با موقعیت درست و درک صحیح آن است. استنتاج‌ها به دو دسته قیاسی یا استقرایی طبقه‌بندی می‌شوند. مثال اولی این است: «فرد باید در موزه یا کافه باشد. او در کافه نیست. بنابراین او در موزه است. بنابراین این حادثه ناشی از خرابی ابزار بود. مهم‌ترین تفاوت بین این اشکال استدلال این است که در حالت قیاسی، صدق مقدمات صدق نتیجه را تضمین می‌کند، در حالی که در مورد استقرایی، صدق مقدمه به نتیجه‌گیری بدون اطمینان مطلق کمک می‌کند.

 استدلال استقرایی در علم و اثبات روابط علمی رایج و متداول است، جایی که داده‌ها جمع‌آوری می‌شوند و مدل‌های آزمایشی برای توصیف و پیش‌بینی رفتار آینده توسعه می‌یابند. تا زمانی که ظاهر داده‌های غیرعادی مدل را مجبور به تجدید نظر کند. استدلال قیاسی در ریاضیات و منطق رایج است، جایی که ساختارهای پیچیده از قضایای انکارناپذیر از مجموعه کوچکی از بدیهیات و قوانین اساسی ساخته شده است.
موفقیت قابل توجهی در برنامه‌نویسی و زبان رایانه‌ها برای استنتاج، به ویژه استنتاج‌های قیاسی وجود داشته است. با این حال، استدلال واقعی شامل چیزی بیش از استنتاج در دنیای محدود نمودن داده‌هاست. این شامل استخراج استنتاج‌های مرتبط با راه حل یک کار یا موقعیت خاص در زمان حال است. این یکی از سخت‌ترین مشکلات پیش روی هوش مصنوعی برای توسعه و گسترش خود در دنیای واقعی است.

ج ) حل مشکل :

حل مسئله، به ویژه در هوش  مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک از طریق یک بازه گسترده‌ای از اقدامات ممکن برای رسیدن به یک هدف خاص یا راه حل از پیش تعریف شده مشخص شود. روش‌های حل مسئله به دو هدف خاص و هدف کلی تقسیم می‌شوند.

 یک روش با هدف خاص برای یک مشکل خاص ساخته شده است و اغلب از ویژگی‌های بسیار خاص و ویژه موقعیتی که مشکل در آن جاسازی شده است، استفاده می‌کند. در جبهه مقابل، یک روش همه منظوره برای طیف وسیعی از مسائل قابل استفاده است. یکی از فنون و تکنیک‌های همه ‌منظوره مورد استفاده در هوش مصنوعی، تجزیه و تحلیل میانگین داده‌ها در آخر و پایان پروژه‌هاست. کاهش گام به گام یا افزایشی تفاوت بین وضعیت فعلی و هدف نهایی یکی از این جمله کارها به حساب می‎آید. این برنامه اقدامات را از فهرستی از ابزارها انتخاب می‌کند که در مورد یک ربات ساده، این ممکن است شامل PICKUP، PUTDOWN، MOVEFORWARD، MOVEBACK، MOVELEFT و MOVERIGHT باشد تا زمانی که به هدف اصلی خود در کارش برسد.
بسیاری از مشکلات همه جانبه توسط برنامه‎های هوش مصنوعی قابل حل بوده است. برخی از نمونه‌ها یافتن حرکت برنده یا دنباله حرکات خاص در یک بازی رومیزی، ابداع برهان‌های ریاضی، و دستکاری «اشیاء مجازی» در دنیایی که توسط رایانه تولید می‌شود، از این جمله به حساب می‌آیند.

د ) ادراک :

برای درک از پیرامون اطراف خود به کمک حواس پنجگانه و اندام‌های حسی به اسکن و بررسی آنها و تجزیه و تحلیل داده‌های بدست آمده می‌پردازیم. این داده‌ها را در ذهن شخص به صورت یک فضای سه بعدی ترسیم می‌کند. این طراحی‌ها به خاطر عوامل متعدد در پیرامون فرد مانند تابش نور خورشید، زاویه دید ناظر، ابعاد جسم و غیره کمی متفاوت با واقعیت آن شی باشد. این جمله موارد از خطاهای قابل پیش بینی در Artificial intelligence به حساب می‌آید.

در حال حاضر، ادراک مصنوعی به اندازه کافی پیشرفته است که حسگرهای نوری را برای شناسایی افراد، وسایل نقلیه خودران برای رانندگی با سرعت متوسط ​​در جاده‌های باز و روبات‌ها برای پرسه زدن در ساختمان‌هایی که قوطی‌های خالی نوشابه را جمع‌آوری می‌کنند، قادر می‌سازد.
 یکی از اولین سیستم‌هایی که ادراک و عمل را ادغام می‌کرد، FREDDY بود، یک ربات ثابت با چشم تلویزیون متحرک و یک دست گیره، که در دانشگاه ادینبورگ، اسکاتلند، در دوره 73-1966 به سرپرستی دونالد میچی ساخته شد. فردی قادر به تشخیص اشیاء مختلف در پیرامون خود بود و می‌توانست به او دستور داده شود که ابزارهای ساده مانند یک ماشین اسباب‌بازی را از یک انبوه قطعات تصادفی جمع‌آوری کند و جدا نماید.

ه ) زبان :

زبان سیستمی از نشانه‌هاست که بر اساس قراردادهایی بین افراد و کاربران معنا پیدا می‌کند. به این معنا، زبان نیازی به محدود شدن به کلام گفتاری ندارد. به عنوان مثال، علائم راهنمایی و رانندگی، یک زبان کوچک را تشکیل می‌دهند، این یک موضوع قراردادی است که ⚠ در برخی کشورها به معنای "خطر پیش رو" است. متمایز از زبانها است که واحدهای زبانی به طور قراردادی دارای معنی هستند و معنای زبانی با آنچه که معنای طبیعی نامیده می‌شود. بسیار متفاوت است که نمونه آن در جملاتی مانند "آن ابرها به معنای باران است" و "کاهش فشار به این معنی است که دریچه کار نمی‌کند."

یکی از ویژگی‌های مهم زبان‌های انسانی تمام عیاردر بین مردم دنیا، بر خلاف صدای پرندگان و علائم راهنمایی و رانندگی ، بهره‌وری و استفاده مفید آنهاست. یک زبان سازنده می‌تواند انواع نامحدودی از جملات را فرموله کند و مطلب مورد نیاز را به کاربر و افراد پیرامون شما به سادگی ارسال و ابلاغ نماید.
نوشتن برنامه‌های رایانه‌ای که به نظر می‌رسد در زمینه‌های بسیار محدود، قادر به پاسخ روان به زبان انسانی به سؤالات و اظهارات باشند، نسبتاً آسان است. بر اساس یک نظریه، فهمیدن یا نفهمیدن فرد نه تنها به رفتار، بلکه به تاریخچه او نیز بستگی دارد: برای اینکه بتوان گفت که می‌فهمد، باید زبان را یاد گرفته باشد و آموزش دیده باشد تا به وسیله ابزاری جایگاه خود را در جامعه زبانی بگیرد. تعامل با سایر کاربران زبان کمی دشوار ولی غیرممکن نیست و باید تلاش خود را در این زمینه انجام داد.

مراحل پیشرو برای هدف‌های هوش مصنوعی

رویکردهای نمادین در مقابل پیوندگرایی

 در تحقیق های در زمینه Artificial intelligenceبه دور روش صورت می گیرد که عبارتند از : عملکرد نمادین و دوم کارایی پیوندگرا، که هر دو روش در جای خود مناسب و کارا است. رویکرد از بالا به پایین به دنبال تکرار هوش با تجزیه و تحلیل شناخت مستقل از ساختار بیولوژیکی مغز، بر حسب پردازش نمادها، از آنجایی که برچسب نمادین است. از طرف دیگر، کارایی پایین به بالا شامل ایجاد شبکه‌های عصبی مصنوعی به تقلید از ساختار مغز می‌شود، از آنجایی که برچسب پیوندگرا نامیده می‌شود.
برای نمایان کردن اختلاف بین این عملکردها در اطراف آزمون، وظیفه ایجاد یک سیستم مجهز به یک اسکنر لیزری را در ذهن خود مجسم کنید که حروف الفبا را برای شما شناسایی کند. یک عملکرد نمادین معمولاً شامل آموزش یک شبکه و سیستم عصبی مصنوعی با ارائه حروف یک به یک به آن در حال آزمون، بهبود تدریجی عملکرد با تنظیم شبکه در حال پردازش داده‎ها است.
تنظیم پاسخگویی رویه‌های رشته های عصبی متنوع را به محرک‌های مختلف و نیروهای اعمالی به آن را تنظیم می‌کند. در جبه دیگر، عملکرد از پیوندگرا معمولاً دارای نوشتن یک کد برنامه‌نویسی رایانه‌ای است که هر حرف را با توضیحات شکل و ابعادی مقایسه و ترسیم می‌کند.
در کتاب مبانی یادگیری (1932)، ادوارد تورندایک، روانشناس در دانشگاه کلمبیا، شهر نیویورک، برای اولین بار پیشنهاد کرد که یادگیری انسان شامل برخی از ویژگی‌های ناشناخته اتصالات بین نورون‌های مغز است. در سال 1949 دانشمندی از کانادا به نام دونالد هب در زمینه رفتارهای سازمانی در مورد یادگیری و توسعه هوش مصنوعی بیان نمود که باید در زمینه تقویت کانال‌های عصبی و الگوهایی که از طریق نورون‌ها در زمان حوادث خاص انتشار می‌یابد، تحقیق و بررسی نمود.
در سال 1957 دو طرفدار سرسخت هوش  مصنوعی نمادین، آلن نیول، محققی در شرکت RAND، سانتا مونیکا، کالیفرنیا، و هربرت سیمون، روانشناس و دانشمند کامپیوتر در دانشگاه کارنگی ملون، پیتسبورگ، پنسیلوانیا - رویکرد از بالا به پایین را در آنچه آنها فرضیه سیستم نماد فیزیکی نامیده می‌شود. این فرضیه بیان می‌کند که ساختارهای پردازش نمادها، اصولاً برای تولید هوش  مصنوعی در یک رایانه دیجیتال کافی است و علاوه بر این، هوش انسانی نتیجه همان نوع دستکاری‌های نمادین است.
در طول دهه‌های 1950 و 1960، رویکردهای بالا به پایین و پایین به بالا به طور همزمان دنبال می‌شدند و هر دو به نتایج قابل توجهی دست یافتند. با این حال، در طول دهه 1970، Artificial intelligence از پایین به بالا نادیده گرفته شد و تا دهه 1980 بود که این رویکرد دوباره برجسته شد. امروزه هر دو رویکرد دنبال می‌شوند و هر دو به عنوان مشکلاتی شناخته می‌شوند. تکنیک‌های نمادین در حوزه‌های ساده‌شده کار می‌کنند، اما معمولاً هنگام مواجهه با دنیای واقعی از بین می‌روند. در همین حال، محققان از پایین به بالا قادر به تکرار سیستم عصبی حتی ساده‌ترین موجودات زنده نبوده‌اند. یک کرم بسیار مطالعه شده، تقریباً 300 نورون دارد که الگوی اتصالات آنها کاملاً شناخته شده است. با این حال، مدل‌های پیوندگرا حتی در تقلید از این کرم شکست خورده‌اند. بدیهی است که نورون های نظریه اتصال گرایی ساده سازی بیش از حد فاحش چیز واقعی هستند.

هوش مصنوعی قوی، هوش مصنوعی کاربردی و شبیه سازی شناختی

با استفاده از روش‌ها و مراحل‌های ذکر شده در بالا، تحقیقات هوش مصنوعی برای رسیدن به یکی از سه هدف تلاش می‌کند: هوش مصنوعی قوی، هوش مصنوعی کاربردی، یا شبیه سازی شناختی.

از  اهداف هوش مصنوعی قوی، ایجاد و ساختن ماشین‌هایی برای جهانیان است که به توانند تفکر کنند. اصطلاح و لقب هوش مصنوعی قوی برای این گروه تحقیقات در سال 1980 به کمک فیلسوف جان سرل در شهر برکلی معرفی و استارت کار زده شد. جاه طلبی نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی فکری کلی آن از توانایی‌های ذهنی انسان قابل تشخیص نباشد. همانطور که در قسمت نقطه‌های عطف ابتدایی در Artificial intelligence به معرفی آن پرداخته شد، این گونه اهداف در دهه‌های 1950 و 1960 کاربران و علاقه‌مندان زیادی را به خود جلب کرد، این را باید خاطر نشان کرد که در هر زمینه ای دشواری‌های خود را دارد.

 تا به امروز، پیشرفت ناچیز و بسیار کوچک بوده است. برخی از منتقدان تردید دارند که آیا تحقیقات در آینده‌ای قابل پیش بینی حتی سیستمی با توانایی فکری کلی یک مورچه ایجاد کند یا خیر. در واقع، برخی از محققانی که در دو شاخه دیگر هوش  مصنوعی کار می‌کنند، هوش مصنوعی قوی را ارزش پیگیری ندارد.
هوش  مصنوعی کاربردی، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می‌شود، با هدف تولید سیستم‌های «هوشمند» تجاری قابل دوام، به عنوان مثال، سیستم‌های تشخیص پزشکی «متخصص» و سیستم‌های معاملات سهام  و بازار ارز دیجیتال. همانطور که در بخش سیستم‌های خبره توضیح داده شده است، Artificial intelligence کاربردی موفقیت قابل توجهی داشته است.
در شبیه‌سازی شناختی، رایانه‌ها برای آزمایش تئوری‌هایی در مورد نحوه عملکرد ذهن انسان استفاده می‌شوند، به عنوان مثال، نظریه‌هایی درباره نحوه تشخیص چهره‌ها یا یادآوری خاطرات توسط افراد. شبیه سازی شناختی در حال حاضر یک ابزار قدرتمند در علوم اعصاب و روانشناسی شناختی است.

آلن تورینگ و آغاز هوش  مصنوعی

کار تئوری و یا نظری

اولین کار عمده و پایه گزار در حیطه هوش  مصنوعی در میانه قرن بیستم به کمک منطقدان انگلیسی و پیش قدم‌های رایانه‌ای آلن متیسون تورینگ صورت گرفت. در سال 1935 تورینگ به کمک یک ابزار و ماشین حسابگر انتزاعی متشکل از یک مموری قوی و ذخیره بالا و یک اسکنر توصیف کرد که در حافظه بشر در حال حرکت و تراکنش به جلو و یا عقب خود هست، الگو و نمادهایی که می‌بیند، با تمام تجزئیات می‌خواند و نمادهای بیشتری را می‌نویسد و در حافظه خود ذخیره می‌کند.

 فعالیتهای اسکنر به کمک کدهای برنامه‌نویسی از دستورالعمل‌های از قبل تعریف شده، دیکته می‌شود که همچنین به شکل الگوهایی در حافظه و مووری ماشین ذخیره و به نمایش در می‌آید. مفهوم ماشین و برنامه تورینگ اکنون به سادگی به عنوان ماشین تورینگ در جهان برای همگان شناخته شده است. همه کامپیوترهای مدرن و رایانه های دیجیتالی در حالت کلی از ماشین‌های تورینگ جهانی پیروی می کنند و کپی از این ماشین به حساب می‌آیند.
در طول جنگ جهانی دوم، تورینگ یک تحلیلگر برجسته رمزنگاری در مدرسه کد دولتی و سایفر در بلچلی پارک، باکینگهامشر، انگلستان بود. تورینگ تا زمان توقف خصومت ها در اروپا در سال 1945 نتوانست به پروژه ساخت یک ماشین محاسباتی الکترونیکی با برنامه ذخیره شده روی آورد. یکی از همکاران تورینگ در بلچلی پارک، دونالد میچی (که بعداً دپارتمان هوش و ادراک ماشینی را در دانشگاه ادینبورگ تأسیس کرد)، بعداً به یاد آورد که تورینگ اغلب در مورد اینکه چگونه رایانه‌ها می‌توانند از تجربه بیاموزند و همچنین مشکلات جدید را از طریق استفاده از اصول راهنما - فرآیندی که اکنون به عنوان حل مسئله اکتشافی شناخته می شود.
تورینگ احتمالاً اولین سخنرانی عمومی (لندن، 1947) را برای اشاره به هوش رایانه ای ارائه کرد و گفت: "آنچه ما می خواهیم ماشینی است که بتواند از تجربه بیاموزد" و اینکه "امکان اجازه دادن به ماشین برای تغییر دستورالعمل های خود مکانیزم را فراهم می کند. برای این." در سال 1948 او بسیاری از مفاهیم اصلی هوش  مصنوعی را در گزارشی با عنوان «ماشین‌های هوشمند» معرفی کرد. با این حال، تورینگ این مقاله را منتشر نکرد و بسیاری از ایده های او بعداً توسط دیگران ابداع شد. برای مثال، یکی از ایده‌های اولیه تورینگ آموزش شبکه‌ای از نورون‌های مصنوعی برای انجام وظایف خاص بود، رویکردی که در بخش ارتباط‌گرایی توضیح داده شد.

آزمون تورینگ

در سال 1950 تورینگ بحث سنتی در مورد تعریف هوش را کنار گذاشت و یک آزمون عملی برای هوش کامپیوتری ارائه کرد که اکنون به سادگی به عنوان آزمون تورینگ شناخته می شود. آزمون تورینگ شامل سه شرکت کننده است: یک کامپیوتر، یک بازجوی انسانی و یک فویل انسانی.

 بازجو سعی در این دارد با پرسیدن سؤالات از دو شرکت کننده دیگر که رایانه است، تعیین کند. تمام ارتباطات از طریق صفحه کلید و صفحه نمایش است. بازجو ممکن است هر طور که دوست دارد سؤالات نافذ و گسترده‌ای بپرسد، و رایانه مجاز است هر کاری که ممکن است برای شناسایی اشتباه انجام دهد. مثلاً، رایانه ممکن است در پاسخ به «آیا شما رایانه‌ای؟» پاسخ دهد، «نه» و ممکن است به دنبال درخواست ضرب یک عدد بزرگ در دیگری با مکث طولانی و پاسخ نادرست باشد.
 فویل باید کمک کند. بازجو برای شناسایی صحیح تعدادی از افراد مختلف نقش بازجو و فویل را بازی می کنند و اگر تعداد کافی از بازجوها نتوانند رایانه را از انسان تشخیص دهند، آنگاه (به گفته طرفداران آزمون تورینگ) رایانه یک متفکر باهوش در نظر گرفته می شود. وجود، موجودیت.
در سال 1991، هیو لوبنر، نیکوکار آمریکایی، مسابقه سالانه جایزه لوبنر را آغاز کرد و وعده پرداخت 100000 دلار به اولین رایانه ای که آزمون تورینگ را می گذراند و هر سال 2000 دلار به بهترین تلاش اهدا کرد. با این حال، هیچ برنامه هوش  مصنوعی به قبولی در آزمون تورینگ رقیق نشده نزدیک نشده است.

با این حال باید بدانید هوش  مصنوعی در اکثر صنایع و همچنین  صرافی ارز دیجیتال مورد استفاده قرار گرفته است.

مرجع:decrypt