فرارو- واژه Swarm (ازدحام) اغلب باری منفی دارد و ذهن را به آفت‌های ملخ ذکر شده در انجیل یا خیابان‌های مملو از حریداران در لحظات آخر عجله برای خرید کریسمس سوق می‌دهد. با این وجود، ازدحام برای بقای بسیاری از گروه‌های حیوانی ضروری است و اکنون تحقیقات صورت گرفته در مورد ازدحام از این ظرفیت بالقوه برخوردار است که همه چیز را برای انسان نیز تغییر دهد.
به گزارش فرارو به نقل از کانورسیشن، زنبور‌ها ازدحام می‌کنند تا جستجوی خود را برای کلنی‌های جدید موثرتر کنند و گله‌های سار از زمزمه‌های خیره کننده برای فرار و گیج کردن شکارچیان استفاده می‌کنند. این موارد صرفا دو نمونه از طبیعت هستند که ذکر شدند این در حالیست که ازدحام را می‌توان تقریبا در هر گوشه‌ای از قلمرو حیوانات مشاهده کرد. تحقیقات ریاضیدانان، زیست شناسان و دانشمندان علوم اجتماعی به ما کمک می‌کنند تا ازدحام را درک کرده و قدرت آن را مهار کنیم و از نتایج آن در حال حاضر برای کنترل جمعیت، مدیریت ترافیک و درک گسترش بیماری‌های عفونی استفاده می‌شود.
اخیرا نحوه استفاده ما از داده‌ها برای مراقبت‌های بهداشتی، استفاده از پهپاد‌ها در درگیری‌های نظامی و برای غلبه بر شانس‌های شرط‌بندی تقریبا غیرقابل حل در رویداد‌های ورزشی آغاز شده است.
ازدحام سیستمی است که از مجموع اجزایش بیشتر است. همان طور که بسیاری از نورون‌ها مغزی را تشکیل می‌دهند که قادر به تفکر، حافظه و درک احساسات است گروه‌هایی از حیوانات نیز می‌توانند به صورت هماهنگ عمل کنند تا یک "ابر مغز" تشکیل دهند که رفتار بسیار پیچیده‌ای را نشان می‌دهد که در حیوانات منفرد دیده نمی‌شود.
"کریگ رینولدز" متخصص عرصه حیات مصنوعی در سال ۱۹۸۶ میلادی با انتشار شبیه سازی رایانه‌ای مدل "بویدز" (Boids) تحولی در مطالعه ازدحام ایجاد کرد. مدل بویدز ازدحام دسته جمعی را به مجموعه‌ای ساده از قوانین تقسیم می‌کند. به آن مدل در شبیه سازی مانند آواتار‌ها یا کاراکتر‌ها در یک بازی ویدئویی دستور داده می‌شود که در جهت سایرین حرکت کنند، به سمت موقعیت میانگین افراد دیگر حرکت کنند و از برخورد با دیگران اجتناب ورزند.
شبه سازی بویدز در مقایسه با ازدحام واقعی بسیار دقیق است. مدل بویدز نشان می‌دهد که تجمیع ازدحام نیازی به رهبرانی برای هماهنگ کردن رفتار ندارد مانند حرکت عابران پیاده در مرکز شهر به جای بازدید از موزه با استفاده راهنما.
رفتار پیچیده‌ای که در گروه‌ها می‌بینیم از تعامل بین افراد ناشی می‌شود که به طور موازی از همان قوانین ساده پیروی می‌کنند. در زبان فیزیک این پدیده به عنوان نوپدیدی (Emergence) شناخته می‌شود. شرکت فناوری Unanimous AI در سال ۲۰۱۶ میلادی از قدرت فناوری هوش ازدحام برای برنده شدن در شرط بندی دربی سوارکاری کنتاکی استفاده کرد و با موفقیت سوارکاران اول، دوم، سوم و چهارم را در مسابقه اسب سواری معروف ایالات متحده پیش بینی کرد.
کارشناسان صنعت و الگوریتم‌های یادگیری ماشین معمولی پیش بینی‌های نادرستی انجام دادند. با این وجود، علاقمندان به مسابقات آماتوری که توسط Unanimous AI استخدام شده بودند عملکردی موفقیت آمیز داشتند.
موفقیت داوطلبان در روشی بود که پیش بینی‌های آن‌ها ایجاد شد. داوطلبان به جای رای دادن به سوارکاران و جمع آوری انتخاب‌های آنان از پلتفرم اطلاعاتی ازدحام Unanimous AI برای شرکت در یک طناب کشی دیجیتال بلادرنگ با الهام از انبوهی از پرندگان و زنبور‌ها استفاده کردند.
تمام داوطلبان به طور همزمان یک نشانگر را به سمت انتخاب‌های مربوطه خود کشیدند. این کار به افراد اجازه داد تا ترجیحات خود را در پاسخ به اقدامات دیگران تغییر دهند (برای مثال، ممکن است فردی به جای انتخاب اول خود C به سمت انتخاب دوم خود B حرکت کند اگر ببیند که علاقه آشکاری نسبت به A و B وجود دارد).
پاسخ دادن به یکدیگر در زمان واقعی به داوطلبان Unanimous AI این امکان را می‌دهد تا در مجموع از افراد بسیار آگاه بهتر عمل کنند.
فناوری‌های ازدحامی مشابه در بخش مراقبت‌های بهداشتی نیز مورد توجه فزاینده‌ای قرار گرفته اند جایی که صحبت از انقلاب هوش مصنوعی نگرانی‌های فزاینده‌ای را در مورد حفظ حریم خصوصی بیماران ایجاد می‌کند. همان طور که اتکا به تکنیک‌های داده محور در مراقبت‌های بهداشتی افزایش می‌یابد تقاضا برای مجموعه داده‌های گسترده بیماران نیز در حال افزایش است.
یکی از راه‌های برآورده ساختن این خواسته‌ها تجمیع اطلاعات بین موسسات و در برخی موارد کشور‌ها است. با این وجود، انتقال داده‌های بیمار اغلب مشمول مقررات حفاظت از داده‌های سخت گیرانه است.
یک راه حل برای این مشکل استفاده از داده‌های داخلی است اگرچه این امر اغلب به قیمت دقت تشخیصی تمام می‌شود. یک جایگزین در ازدحام نهفته است. محققان معتقدند هوش ازدحام می‌تواند دقت تشخیصی را بدون نیاز به تبادل داده‌های خام بین موسسات حفظ کند.
مطالعات اولیه نشان داده اند که ذخیره سازی غیرمتمرکز داده‌ها در شبکه‌ای از گره‌های تعاملی می‌تواند به موسسات بهره مندی از خرد مشترک را ارائه دهد. این بدان معناست که یک مرکز برای هماهنگی جریان اطلاعات وجود ندارد و موسسات نمی‌توانند به داده‌های خصوصی بیماران یکدیگر دسترسی داشته باشند.
یادگیری ماشین متمرکز از داده‌های آپلود شده در یک مرکز مشترک استفاده می‌کند جایی که یادگیری ماشین با استفاده از تمام داده‌های موجود انجام می‌شود. در سیستم‌های غیرمتمرکز هر موسسه به طور جداگانه داده‌های خود را در گره (node) خود ذخیره می‌کند.
یادگیری ماشین به صورت محلی در هر گره اتفاق می‌افتد (فقط با استفاده از داده‌های داخلی)، اما نتایج یادگیری ماشین بین شبکه به اشتراک گذاشته می‌شود تا به نفع همه گره‌ها باشد. این فرآیند تضمین می‌کند که داده‌های خام بیمار بین موسسات رد و بدل نمی‌شود و حریم خصوصی بیمار حفظ می‌شود.
فناوری پهپادی به طور فزاینده‌ای در نبرد‌های خط مقدم مورد استفاده قرار می‌گیرد که در دوره اخیر به ویژه توسط نیرو‌های اوکراینی در درگیری روسیه و اوکراین در حال انجام است. با این وجود، همان طور که در عمل وجود دارد فناوری پهپاد‌های معمولی نیاز به نظارت یک به یک دارد.
تحقیقات دفاعی کنونی با هدف تسهیل ارتباط بین پهپاد‌ها انجام می‌شود و به یک کنترل کننده اجازه می‌دهد تا گروهی از پهپاد‌ها را عملیاتی کند. توسعه چنین فناوری‌ای نویدبخش بهبود گسترده مقیاس پذیری، شناسایی و قابلیت‌های ضربتی پهپاد‌های جنگی با امکان انتقال اطلاعات مداوم در گروه‌های پهپادی است.
همان طور که تحقیقات عمیق‌تر در عرصه ازدحام صورت می‌گیرد دنیایی را می‌یابیم که در آن کنش جمعی پیچیدگی، سازگاری و کارایی ایجاد می‌کند. همان طور که فناوری تکامل می‌یابد نقش هوش ازدحام افزایش می‌یابد و دنیای ما را با پویایی جذاب ازدحام در هم می‌آمیزد.
