اخیراً استفاده از شبکه های عصبی و یادگیری عمیق در حوزه های مختلف از جمله ترجمه ماشینی توسعه فراوانی یافته است. این استفاده در حیطه پردازش زبان طبیعی در بسیاری از کاربردها مانند ترجمه ماشینی سبب افزایش کیفیت این کاربردها شده است. آخرین دستاوردها و بهترین کیفیت های سیستم ترجمه ماشینی در دنیا منحصراً در اختیار این گونه از سامانه ها است؛ به طوری که به جز در مواردی که منابع آموزشی کم است، عملاً مترجم های ماشینی مبتنی بر قاعده های آماری، کاربردی در این حیطه ندارند. در حال حاضر، معماری های مترجم های ماشینی مبتنی بر شبکه عصبی عموماً از یکی از دو رویکرد رمزگذاری-رمزگشایی یا مبتنی بر ترانسفورمر تبعیت می کنند. مدل های مبتنی بر ترنسفورمر به دلیل برخورداری از دادگان آموزشی وسیع تر، امکان ترجمه سریع، با کیفیت، با دامنه وسیع تر تخصصی و امنیت بیشتر در داده را ایجاد می کنند. در این طرح، باتوجه به حجم دادگان آموزشی در اختیار تیم فناور، امکان استفاده از مدل های مبتنی بر ترنسفورمر ایجاد شد. در این راستا، منابع دادگان بررسی و %100 دادگان آموزشی به میزان 110 میلیون جفت داده تهیه شد. سپس ابزار Flair seq به عنوان ابزار برگزیده مورد استفاده و ارزیابی قرار گرفت. در ادامه بر اساس آزمون های متعدد یکی از بهترین کانفیگ های (پیکربندی ) ابزار ارائه شده به دست آمد و مدل بهینه تهیه گردید. در نتیجه این کار پیاده سازی نسخه سرور برای راه اندازی سرویس ترجمه برای کاربران نهایی از سرور طراحی شده در پروژه متن باز OpenNMT استفاده شد.

فرایند کشف و تشخیص اشیای پنهان از طریق دستگاه های تصویربرداری موج میلی متری در فرودگاه ها و مراکز حساس امنیتی که توسط اپراتور انسانی بررسی می شوند، از چالش برانگیزترین مسائل امنیتی به شمار می روند. دستگاه بادی اسکنر موج میلی متری با استفاده از نوع خاصی از امواج الکترومغناطیسی، تصویر حالت فردی که در باکس بازرسی قرار دارد را از جلو و پشت به کمک امواج از طریق دو فرستنده چرخشی تولید و به اپراتور ارسال می کند. استفاده از هوش مصنوعی و پردازش تصویر شخصی سازی شده مربوط به این تصاویر از بدیع ترین راهکارهای فناورانه برای رفع این چالش امنیتی است. برای ساخت دیتاست های تخصصی تر، یکی از چالش های مهم استفاده از خبرگان امر امنیت که تجربه زیادی در شیوه های پنهان سازی دارند، می باشد. این افراد می توانند جزئیات پنهان سازی و استفاده از مواد مختلف جهت فریب دادن سیستم هوش مصنوعی را به داده های آموزش اضافه کنند. در این طرح، با کمک افراد دارای تجربه در امنیت فیزیکی فرودگاه ها دیتاستی شامل 3، 500 داده مجزا جمع آوری شد. سپس فرایند برچسب گذاری همه 3، 500 داده انجام شد. طراحی معماری شبکه های عصبی عمیق مبتنی بر ناحیه (segmented)، R-CNN سریع شده و Mask R-CNN به همراه کد آن ها که دقت بالای 90 درصد را نشان داد، تحویل داده شد. به علاوه، آموزش شبکه های عصبی، پیاده سازی روی GPU با قابلیت تشخیص خودکار، قابلیت ارتباط با FPGA و سخت افزار نیز صورت پذیرفت.

رنگ و نور عوامل عمده ای در محیط های معماری هستند و تاثیر زیادی بر واکنش های روان شناختی و سلامت جسمانی انسان دارند. در محیط های آموزشی به خصوص مدارس، تعلیم و تربیت دانش آموزان تنها تحت تاثیر کلام معلم نیست، بلکه عناصر متعدد دیگری نیز در انتقال پیام به دانش آموز نقش دارند. رنگ به عنوان عنصر تفکیک ناپذیر معماری تاثیر فراوانی بر روحیه و رفتار کاربران فضاها و ساختمان های آموزشی دارد. این پژوهش، به منظور استفاده مناسب از رنگ و نور در جهت تربیت مطلوب دانش آموزان، بررسی مبانی نظری عوامل موثر در ادراک رنگ، مثل سیستم عصبی انسان، عوامل روان شناختی، عوامل فیزیکی، عوامل فرهنگی و عوامل معماری، تحقیقات داخلی و خارجی در این زمینه را مرور و خلاصه نمود. سپس با توجه به یافته های تحقیقات و پیشنهادها و با توجه به مبانی نظری عوامل موثر در رنگ، جدول پیشنهاد رنگ مناسب برای فضای آموزشی مقاطع ابتدایی، راهنمایی و متوسطه ارائه شد.

افراد مبتلا به دیابت برای دست یابی به یک وضعیت سلامتی پایدار نیاز ویژه ای به پایش و کنترل قند خون خود دارند. روش های مرسوم اندازه گیری تهاجمی گلوکز خون، روش هایی دقیق اما نامناسب برای استفاده پیوسته هستند. در حال حاضر این اندازه گیری با روش های تهاجمی معروف به دستگاه های تست قند خون (گلوکومتر) و خون گیری از نوک انگشتان فرد صورت می پذیرد. در واقع در خانه و محل کار یک فرد دیابتی به ویژه مبتلایان به دیابت نوع یک، باید دستگاه تست قند خون وجود داشته باشد. این تجهیز در بازار کشور عمدتاً وارداتی است و همچنین نوار تستی دارد که یک بارمصرف است و پس از اتمام بسته های 50 تا 100 عددی آن باید دوباره بسته جدید خریداری شود. به طور خلاصه هر فرد دیابتی نه تنها باید یک دستگاه تست قند خون را خریداری کند بلکه همواره به لَنست و نوار تست نیاز دارد که امری هزینه بردار است. هدف از این طرح ارائه یک راهکار جایگزین برای روش های تهاجمی موجود است که نیاز به خون گیری و نوار تست دارند و برای بیماران دیابتی هزینه بر و آسیب رسان هستند. در این طرح از یک شبکه عصبی پیچشی برای تخمین قند خون بر اساس سیگنال های نوری مرتبط با طیف گلوکز خون استفاده شد. این شبکه با داده های حاصل از دستگاه گلوکومتر تهاجمیAccu-Check Active آموزش داده شد و دقت و پایداری خوبی از خود نشان داد. این دستگاه در میان دستگاه های خود مراقبتی موجود بیش ترین صحت اندازه گیری غلظت قند خون را به صورت حداکثر اختلاف 15 میلی گرم بر دسی لیتر برای 99. 8 درصد از نمونه ها ارائه داد. نتایج این پروژه نشان داد که می توان با استفاده از روش های غیرتهاجمی، قند خون را با دقت مناسب و قابل قبولی اندازه گرفت و به بیماران دیابتی کمک کرد.

"در سال های ابتدایی پس از تولد و حتی پیش از آن، عوامل محیطی، تاثیر بسیاری در رشد فیزیکی، شناختی و عصبی افراد دارد. هدف از این طرح، مطالعه بر روی اختلالات و مشکلات در بین کودکان زیر 5 سال، با رویکرد استفاده از پرسشنامه سنین و مراحل در راستای شناسایی عوامل موثر، تشخیص اختلالات و مداخله زودهنگام بوده است. در این پروژه با بررسی چند هزار پرونده ی روانشناسی مربوط به مراجعین مرکزی درمانی در شهر تهران، مجموعه داده ای به حجم 1، 400 مورد، متشکل از پاسخ پرسشنامه سنین و مراحل، نتایج چک لیست رفتاری کودکان، اطلاعات جمعیت شناسی و برخی ویژگی های مربوط به تولد، تحول و پزشکی جمع آوری شد. سپس با استفاده از تحلیل ها و آزمون های آماری پارامتری و ناپارامتری به کشف روابط موجود بین این دادگان و نتایج حاصل از چک لیست رفتاری کودکان پرداخته شد. از جمله مهم ترین ویژگی های موثر کشف شده در بروز برخی از این اختلالات، می توان به شاغل بودن مادر، جنسیت، تحصیلات پدر و مادر و همچنین حیطه های پرسشنامه ی سنین و مراحل اشاره نمود. در ادامه این کار با استفاده از روش های یادگیری ماشین، به همراه استفاده از روش های کاهش بعد و انتخاب ویژگی ها، یادگیری مشخصات شناختی موجود، به تشخیص هر کدام از این اختلالات پرداخته شد. در نهایت به پیاده سازی نتایج این پژوهش به عنوان یک سیستم پیشنهاددهنده در اپلیکیشن مربوطه پرداخته شد. در این سیستم با گرفتن اطلاعات پروفایل شناختی کودکان و نتایج آزمون های روانشناسی ذکر شده، بر اساس مدل های مبتنی بر هوش مصنوعی و بر پایه ی دادگان جمع آوری شده تشخیص و پیش بینی 15 اختلال و یا مشکل روانشناسی میسر شد. "