فهرست مندرجات[پنهان شدن][نمایش]
اکنون میتوانیم وسعت فضا و پیچیدگیهای کوچک ذرات زیراتمی را به لطف رایانهها محاسبه کنیم.
کامپیوترها در هنگام شمارش و محاسبه و همچنین پیروی از فرآیندهای منطقی بله/خیر، به لطف الکترون هایی که با سرعت نور از طریق مدار آن حرکت می کنند، انسان ها را شکست می دهند.
با این حال، ما اغلب آنها را «هوشمند» نمیبینیم، زیرا در گذشته، رایانهها نمیتوانستند کاری را بدون آموزش (برنامهریزی) توسط انسان انجام دهند.
یادگیری ماشینی، از جمله یادگیری عمیق و هوش مصنوعی، در سرفصل های علمی و فناوری تبدیل به یک کلید واژه شده است.
به نظر می رسد یادگیری ماشین در همه جا حاضر است، اما بسیاری از افرادی که از این کلمه استفاده می کنند، برای تعریف کافی این کلمه، چه کاری انجام می دهد و برای چه چیزی بهترین استفاده را می کند، دچار مشکل می شوند.
این مقاله به دنبال شفافسازی یادگیری ماشینی است و در عین حال نمونههای واقعی و واقعی از نحوه عملکرد این فناوری برای نشان دادن اینکه چرا اینقدر سودمند است را ارائه میکند.
سپس، ما به روشهای مختلف یادگیری ماشین نگاه میکنیم و خواهیم دید که چگونه از آنها برای مقابله با چالشهای تجاری استفاده میشود.
در نهایت، برای پیشبینیهای سریع در مورد آینده یادگیری ماشین، با توپ کریستالی خود مشورت میکنیم.
یادگیری ماشین چیست؟
یادگیری ماشینی یکی از رشتههای علوم کامپیوتر است که رایانهها را قادر میسازد تا الگوهایی را از دادهها استنتاج کنند، بدون اینکه به طور صریح به آنها آموزش داده شود که آن الگوها چیست.
این نتیجهگیریها اغلب مبتنی بر استفاده از الگوریتمها برای ارزیابی خودکار ویژگیهای آماری دادهها و توسعه مدلهای ریاضی برای به تصویر کشیدن رابطه بین مقادیر مختلف است.
این را با محاسبات کلاسیک مقایسه کنید، که مبتنی بر سیستمهای قطعی است، که در آن ما به طور صریح مجموعهای از قوانین را به رایانه میدهیم تا برای انجام یک کار خاص از آن پیروی کند.
این روش از برنامه نویسی کامپیوترها به عنوان برنامه نویسی مبتنی بر قانون شناخته می شود. یادگیری ماشینی با برنامه نویسی مبتنی بر قوانین تفاوت دارد و از آن بهتر عمل می کند زیرا می تواند این قوانین را به تنهایی استنتاج کند.
فرض کنید شما یک مدیر بانک هستید که می خواهد تعیین کند که آیا درخواست وام در وام آنها شکست می خورد یا خیر.
در یک روش مبتنی بر قوانین، مدیر بانک (یا سایر متخصصان) صراحتاً به رایانه اطلاع می دهند که اگر امتیاز اعتباری متقاضی کمتر از یک سطح معین باشد، درخواست باید رد شود.
با این حال، یک برنامه یادگیری ماشینی به سادگی داده های قبلی در مورد رتبه بندی اعتبار مشتری و نتایج وام را تجزیه و تحلیل می کند و تعیین می کند که این آستانه به خودی خود چقدر باید باشد.
ماشین از داده های قبلی یاد می گیرد و قوانین خود را از این طریق ایجاد می کند. البته، این فقط آغازگر یادگیری ماشینی است. مدل های یادگیری ماشین در دنیای واقعی به طور قابل توجهی پیچیده تر از یک آستانه اولیه هستند.
با این وجود، این یک نمایش عالی از پتانسیل یادگیری ماشینی است.
چگونه یک دستگاه فرا گرفتن؟
برای ساده نگه داشتن کارها، ماشینها با تشخیص الگوها در دادههای قابل مقایسه «یاد میگیرند». داده ها را اطلاعاتی در نظر بگیرید که از دنیای بیرون جمع آوری می کنید. هر چه یک ماشین داده بیشتری تغذیه شود، «هوشمندتر» می شود.
با این حال، همه داده ها یکسان نیستند. فرض کنید یک دزد دریایی هستید که قصد دارید ثروت های مدفون در جزیره را کشف کنید. برای تعیین محل جایزه، به مقدار قابل توجهی دانش نیاز دارید.
این دانش، مانند داده ها، می تواند شما را به راه درست یا نادرست هدایت کند.
هر چه اطلاعات/داده های به دست آمده بیشتر باشد، ابهام کمتری وجود دارد و بالعکس. در نتیجه، بسیار مهم است که نوع دادههایی را که دستگاه خود را برای یادگیری از آن تغذیه میکنید، در نظر بگیرید.
با این حال، هنگامی که مقدار قابل توجهی از داده ها ارائه شد، رایانه می تواند پیش بینی کند. ماشینها میتوانند آینده را پیشبینی کنند به شرطی که خیلی از گذشته منحرف نشوند.
ماشینها با تجزیه و تحلیل دادههای تاریخی «یاد میگیرند» تا مشخص کنند چه اتفاقی میافتد.
اگر دادههای قدیمی شبیه دادههای جدید هستند، چیزهایی که میتوانید در مورد دادههای قبلی بگویید احتمالاً در دادههای جدید اعمال میشوند. انگار به عقب نگاه می کنی تا جلوتر را ببینی.
انواع یادگیری ماشینی چیست؟
الگوریتمهای یادگیری ماشین اغلب به سه نوع کلی طبقهبندی میشوند (اگرچه از طرحهای طبقهبندی دیگر نیز استفاده میشود):
- نظارت بر یادگیری
- یادگیری بی نظیر
- تقویت یادگیری
نظارت بر یادگیری
یادگیری ماشین نظارت شده به تکنیکهایی اشاره دارد که در آن مدل یادگیری ماشین مجموعهای از دادهها با برچسبهای صریح برای مقدار مورد نظر داده میشود (این کمیت اغلب به عنوان پاسخ یا هدف نامیده میشود).
برای آموزش مدلهای هوش مصنوعی، یادگیری نیمه نظارتی از ترکیبی از دادههای برچسبدار و بدون برچسب استفاده میکند.
اگر با دادههای بدون برچسب کار میکنید، باید برخی از برچسبگذاری دادهها را انجام دهید.
برچسب زدن فرآیند برچسب زدن نمونه ها برای کمک به آن است آموزش یادگیری ماشینی مدل. برچسب زدن در درجه اول توسط افراد انجام می شود که می تواند پرهزینه و زمان بر باشد. با این حال، تکنیکهایی برای خودکار کردن فرآیند برچسبگذاری وجود دارد.
وضعیت درخواست وام که قبلاً مورد بحث قرار گرفتیم، یک تصویر عالی از یادگیری تحت نظارت است. ما دادههای تاریخی در مورد رتبهبندی اعتباری متقاضیان وام قبلی (و شاید سطح درآمد، سن و غیره) و همچنین برچسبهای خاصی داشتیم که به ما میگفتند آیا شخص مورد نظر در پرداخت وام خود نکول کرده است یا نه.
رگرسیون و طبقه بندی دو زیرمجموعه از تکنیک های یادگیری تحت نظارت هستند.
- طبقه بندی - از الگوریتمی برای دسته بندی صحیح داده ها استفاده می کند. فیلترهای هرزنامه یکی از نمونه ها هستند. "هرزنامه" می تواند یک مقوله ذهنی باشد - خط بین ارتباطات هرزنامه و غیر هرزنامه مبهم است - و الگوریتم فیلتر هرزنامه به طور مداوم بسته به بازخورد شما (یعنی ایمیلی که انسان به عنوان هرزنامه علامت گذاری می کند) خود را اصلاح می کند.
- رگرسیون - برای درک ارتباط بین متغیرهای وابسته و مستقل مفید است. مدلهای رگرسیون میتوانند مقادیر عددی را بر اساس چندین منبع داده، مانند برآورد درآمد فروش برای یک شرکت خاص، پیشبینی کنند. رگرسیون خطی، رگرسیون لجستیک و رگرسیون چند جمله ای برخی از تکنیک های رگرسیون برجسته هستند.
یادگیری بی نظیر
در یادگیری بدون نظارت، داده های بدون برچسب به ما داده می شود و فقط به دنبال الگوها هستیم. بیایید وانمود کنیم که آمازون هستید. آیا میتوانیم بر اساس سابقه خرید مشتری، خوشههایی (گروههایی از مصرفکنندگان مشابه) پیدا کنیم؟
حتی در حالی که ما اطلاعات واضح و قطعی در مورد ترجیحات یک فرد نداریم، در این مثال، صرفاً دانستن اینکه مجموعه خاصی از مصرف کنندگان کالاهای قابل مقایسه را می خرند، به ما امکان می دهد بر اساس آنچه افراد دیگر در خوشه نیز خریداری کرده اند، پیشنهادات خرید ارائه دهیم.
چرخ فلک آمازون «شما هم ممکن است به آن علاقه مند باشید» از فناوری های مشابهی پشتیبانی می کند.
یادگیری بدون نظارت می تواند بسته به آنچه می خواهید با هم گروه بندی کنید، داده ها را از طریق خوشه بندی یا تداعی گروه بندی کند.
- خوشه بندی - یادگیری بدون نظارت تلاش می کند با جستجوی الگوها در داده ها بر این چالش غلبه کند. اگر خوشه یا گروه مشابهی وجود داشته باشد، الگوریتم آنها را به روش خاصی دسته بندی می کند. تلاش برای دسته بندی مشتریان بر اساس سابقه خرید قبلی نمونه ای از این موارد است.
- انجمن - یادگیری بدون نظارت تلاش می کند تا با تلاش برای درک قوانین و معانی زیربنای گروه های مختلف با این چالش مقابله کند. یک مثال متداول از یک مشکل ارتباطی، تعیین ارتباط بین خرید مشتری است. فروشگاه ها می توانند علاقه مند به دانستن اینکه چه کالاهایی با هم خریداری شده اند و با استفاده از این اطلاعات می توانند موقعیت این محصولات را برای دسترسی آسان ترتیب دهند.
یادگیری تقویتی
یادگیری تقویتی تکنیکی برای آموزش مدل های یادگیری ماشینی برای گرفتن یک سری تصمیمات هدف گرا در یک محیط تعاملی است. موارد استفاده از بازی که در بالا ذکر شد، نمونه بسیار خوبی از این موضوع هستند.
لازم نیست هزاران بازی شطرنج قبلی AlphaZero را وارد کنید، هر کدام با یک حرکت "خوب" یا "ضعیف" برچسب زده شده است. به سادگی قوانین بازی و هدف را به آن آموزش دهید و سپس اجازه دهید تا کارهای تصادفی را امتحان کند.
تقویت مثبت به فعالیت هایی داده می شود که برنامه را به هدف نزدیک تر می کند (مانند ایجاد یک موقعیت پیاده محکم). وقتی اعمال اثر معکوس دارند (مانند جابجایی پیش از موعد پادشاه)، تقویت منفی به دست می آورند.
نرم افزار با استفاده از این روش در نهایت می تواند بر بازی مسلط شود.
تقویت یادگیری به طور گسترده ای در رباتیک برای آموزش ربات ها برای اقدامات پیچیده و دشوار مهندسی استفاده می شود. گاهی اوقات از آن در ارتباط با زیرساخت های جاده مانند علائم راهنمایی و رانندگی برای بهبود جریان ترافیک استفاده می شود.
با یادگیری ماشینی چه کاری می توان انجام داد؟
استفاده از یادگیری ماشینی در جامعه و صنعت منجر به پیشرفت در طیف وسیعی از تلاشهای بشری شده است.
در زندگی روزمره ما، یادگیری ماشین اکنون الگوریتم های جستجو و تصویر گوگل را کنترل می کند و به ما این امکان را می دهد که در صورت نیاز با اطلاعاتی که نیاز داریم با دقت بیشتری مطابقت داشته باشیم.
به عنوان مثال، در پزشکی، یادگیری ماشینی برای دادههای ژنتیکی به کار میرود تا به پزشکان کمک کند تا چگونگی گسترش سرطان را درک کرده و پیشبینی کنند، و امکان توسعه درمانهای مؤثرتر را فراهم میکند.
دادههای اعماق فضا در اینجا روی زمین از طریق تلسکوپهای رادیویی عظیم جمعآوری میشوند - و پس از تجزیه و تحلیل با یادگیری ماشینی، به ما کمک میکنند تا اسرار سیاهچالهها را کشف کنیم.
یادگیری ماشینی در خردهفروشی، خریداران را با چیزهایی که میخواهند آنلاین بخرند پیوند میدهد، و همچنین به کارمندان فروشگاه کمک میکند تا خدماتی را که به مشتریان خود در دنیای آجر و ملات ارائه میدهند، انجام دهند.
یادگیری ماشینی در نبرد با ترور و افراط گرایی برای پیش بینی رفتار کسانی که می خواهند به افراد بی گناه آسیب برسانند، به کار گرفته می شود.
پردازش زبان طبیعی (NLP) به فرآیندی اطلاق میشود که به رایانهها اجازه میدهیم از طریق یادگیری ماشینی ما را به زبان انسانی بفهمند و با ما ارتباط برقرار کنند، و منجر به پیشرفتهایی در فناوری ترجمه و همچنین دستگاههای کنترلشده با صدا شده است که ما هر روز به طور فزایندهای از آن استفاده میکنیم، مانند الکسا، گوگل دات، سیری و دستیار گوگل.
بدون شک، یادگیری ماشین نشان می دهد که یک فناوری تحول آفرین است.
روباتهایی که میتوانند در کنار ما کار کنند و اصالت و تخیل ما را با منطق بیعیب و سرعت فوقانسانی خود تقویت کنند، دیگر یک فانتزی علمی تخیلی نیستند - آنها در بسیاری از بخشها به واقعیت تبدیل میشوند.
موارد استفاده از یادگیری ماشین
1. امنیت سایبری
با پیچیدهتر شدن شبکهها، متخصصان امنیت سایبری بهطور خستگیناپذیری تلاش کردهاند تا خود را با دامنه روزافزون تهدیدات امنیتی سازگار کنند.
مقابله با بدافزارها و تاکتیکهای هک که به سرعت در حال تکامل هستند به اندازه کافی چالش برانگیز است، اما گسترش دستگاههای اینترنت اشیا (IoT) به طور اساسی محیط امنیت سایبری را متحول کرده است.
حملات می توانند در هر لحظه و در هر مکان رخ دهند.
خوشبختانه، الگوریتمهای یادگیری ماشینی، عملیات امنیت سایبری را قادر میسازند تا با این پیشرفتهای سریع همگام شوند.
تجزیه و تحلیل پیش بینی شناسایی و کاهش سریع حملات را فعال می کند، در حالی که یادگیری ماشینی می تواند فعالیت شما را در داخل شبکه تجزیه و تحلیل کند تا ناهنجاری ها و نقاط ضعف در مکانیسم های امنیتی موجود را شناسایی کند.
2. اتوماسیون خدمات به مشتریان
مدیریت تعداد فزاینده ای از مخاطبین آنلاین مشتریان سازمان ها را تحت فشار قرار داده است.
آنها به سادگی پرسنل خدمات مشتری کافی برای رسیدگی به حجم سوالاتی که دریافت می کنند ندارند و رویکرد سنتی برون سپاری مسائل به یک تماس با مرکز برای بسیاری از مشتریان امروزی غیرقابل قبول است.
چت ربات ها و سایر سیستم های خودکار اکنون می توانند به لطف پیشرفت در تکنیک های یادگیری ماشین، این خواسته ها را برطرف کنند. شرکتها میتوانند پرسنل خود را آزاد کنند تا با خودکارسازی فعالیتهای روزمره و با اولویت پایین، پشتیبانی مشتری در سطح بالا را انجام دهند.
هنگامی که به درستی استفاده شود، یادگیری ماشینی در کسب و کار می تواند به ساده کردن حل مشکل کمک کند و نوع پشتیبانی مفیدی را برای مصرف کنندگان فراهم کند که آنها را تبدیل به قهرمانان متعهد برند کند.
3. ارتباط
اجتناب از خطاها و تصورات نادرست در هر نوع ارتباطی حیاتی است، اما در ارتباطات تجاری امروزی بسیار مهم است.
اشتباهات ساده گرامری، لحن نادرست یا ترجمه های اشتباه می تواند باعث ایجاد طیف وسیعی از مشکلات در تماس با ایمیل، ارزیابی مشتریان، کنفرانس ویدیویی، یا اسناد مبتنی بر متن به اشکال مختلف.
سیستم های یادگیری ماشینی ارتباطات را بسیار فراتر از روزهای پرمخاطره کلیپی مایکروسافت پیشرفته کرده اند.
این مثالهای یادگیری ماشینی به افراد کمک کردهاند تا با استفاده از پردازش زبان طبیعی، ترجمه زبان در زمان واقعی و تشخیص گفتار، به سادگی و با دقت ارتباط برقرار کنند.
در حالی که بسیاری از افراد از قابلیت های تصحیح خودکار متنفرند، اما برای محافظت از اشتباهات شرم آور و لحن نامناسب نیز ارزش قائل هستند.
4. تشخیص شی
در حالی که فناوری جمعآوری و تفسیر دادهها برای مدتی وجود داشته است، آموزش سیستمهای رایانهای برای درک آنچه که به آن نگاه میکنند، کار فریبندهای دشوار است.
قابلیتهای تشخیص اشیا به دلیل برنامههای یادگیری ماشینی به تعداد فزایندهای از دستگاهها اضافه میشوند.
به عنوان مثال، یک خودروی خودران، با دیدن یک خودروی دیگر، آن را تشخیص می دهد، حتی اگر برنامه نویسان نمونه دقیقی از آن خودرو را برای استفاده به عنوان مرجع به آن ارائه نکرده باشند.
این فناوری اکنون در مشاغل خرده فروشی برای کمک به سرعت بخشیدن به فرآیند پرداخت استفاده می شود. دوربینها محصولات موجود در سبد خرید مصرفکنندگان را شناسایی میکنند و میتوانند بهطور خودکار هنگام خروج از فروشگاه، حسابهای آنها را صورتحساب کنند.
5. بازاریابی دیجیتال
بیشتر بازاریابی امروزی به صورت آنلاین و با استفاده از طیف وسیعی از پلتفرم های دیجیتال و برنامه های نرم افزاری انجام می شود.
از آنجایی که کسبوکارها اطلاعاتی را در مورد مصرفکنندگان و رفتارهای خرید آنها جمعآوری میکنند، تیمهای بازاریابی میتوانند از این اطلاعات برای ایجاد تصویری دقیق از مخاطبان هدف خود استفاده کنند و کشف کنند که کدام افراد تمایل بیشتری به جستجوی محصولات و خدمات خود دارند.
الگوریتمهای یادگیری ماشینی به بازاریابان کمک میکنند تا همه آن دادهها را معنا کنند و الگوها و ویژگیهای مهمی را کشف کنند که به آنها امکان میدهد تا احتمالات را کاملاً دستهبندی کنند.
همین فناوری امکان اتوماسیون بازاریابی دیجیتال بزرگ را فراهم می کند. سیستمهای تبلیغاتی را میتوان به گونهای راهاندازی کرد که مشتریان بالقوه جدید را به صورت پویا کشف کرده و محتوای بازاریابی مرتبط را در زمان و مکان مناسب برای آنها فراهم کند.
آینده یادگیری ماشینی
یادگیری ماشین مطمئناً محبوبیت بیشتری پیدا می کند زیرا مشاغل و سازمان های بزرگ بیشتری از این فناوری برای مقابله با چالش های خاص یا تقویت نوآوری استفاده می کنند.
این سرمایهگذاری مستمر درک این موضوع را نشان میدهد که یادگیری ماشینی، بهویژه از طریق برخی از موارد استفاده تثبیتشده و قابل تکرار ذکر شده در بالا، ROI ایجاد میکند.
به هر حال، اگر این فناوری برای نتفلیکس، فیسبوک، آمازون، نقشههای گوگل و غیره به اندازه کافی خوب باشد، به احتمال زیاد میتواند به شرکت شما کمک کند تا از دادههایش نیز حداکثر استفاده را ببرد.
به عنوان نو فراگیری ماشین مدلهای توسعه و راهاندازی شدهاند، شاهد افزایش تعداد برنامههایی خواهیم بود که در سراسر صنایع مورد استفاده قرار خواهند گرفت.
این در حال حاضر با اتفاق می افتد تشخیص چهره، که زمانی یک عملکرد جدید در آیفون شما بود، اما اکنون در طیف گسترده ای از برنامه ها و برنامه ها، به ویژه برنامه های مربوط به امنیت عمومی، پیاده سازی شده است.
برای اکثر سازمانهایی که سعی در شروع یادگیری ماشینی دارند، نکته کلیدی این است که چشماندازهای آیندهنگر درخشان را پشت سر بگذارند و چالشهای تجاری واقعی را کشف کنند که این فناوری میتواند به شما کمک کند.
نتیجه
در عصر فراصنعتی، دانشمندان و متخصصان در تلاش بوده اند کامپیوتری بسازند که بیشتر شبیه انسان رفتار کند.
ماشین فکر مهم ترین کمک هوش مصنوعی به بشریت است. ورود خارق العاده این ماشین خودکششی به سرعت قوانین عملیاتی شرکت را تغییر داده است.
اخیراً وسایل نقلیه خودران، دستیاران خودکار، کارمندان تولید خودران و شهرهای هوشمند قابلیت دوام ماشینهای هوشمند را نشان دادهاند. انقلاب یادگیری ماشینی و آینده یادگیری ماشینی برای مدت طولانی با ما خواهد بود.
پاسخ دهید