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