امروزه از یادگیری ماشین در طیف گسترده ای از برنامه ها استفاده می شود. شاید یکی از مشهورترین نمونه های یادگیری ماشینی در حال اجرا ، موتور توصیه ای است که به خوراک خبری فیس بوک قدرت می بخشد.
فیس بوک از یادگیری ماشینی برای شخصی سازی نحوه ارسال خوراک هر یک از اعضا استفاده می کند. اگر یک عضو مکرراً خواندن پست های گروه خاصی را متوقف کند ، موتور توصیه شروع به نمایش بیشتر فعالیت های آن گروه در فید می کند.
در پشت صحنه ، موتور در حال تلاش برای تقویت الگوهای شناخته شده در رفتار آنلاین اعضا است. در صورتی که اعضا الگوهای خود را تغییر دهند و در هفته های آینده پست های آن گروه را نخوانند ، اخبار مطابق آن تنظیم می شود.
علاوه بر موتورهای توصیه ، سایر موارد استفاده از یادگیری ماشین شامل موارد زیر است:
مدیریت ارتباط با مشتری. نرم افزار CRM می تواند از مدلهای یادگیری ماشین برای تجزیه و تحلیل ایمیل استفاده کرده و اعضای تیم فروش را ترغیب کند تا ابتدا به مهمترین پیامها پاسخ دهند. سیستم های پیشرفته تر حتی می توانند پاسخ های بالقوه موثر را توصیه کنند.
هوش تجاری. فروشندگان BI و تجزیه و تحلیل از یادگیری ماشین در نرم افزار خود برای شناسایی نقاط مهم داده ، الگوهای نقاط داده و ناهنجاری ها استفاده می کنند.
سیستم های اطلاعات منابع انسانی سیستم های HRIS می توانند از مدلهای یادگیری ماشین برای فیلتر کردن برنامه ها و شناسایی بهترین نامزدها برای یک موقعیت باز استفاده کنند.
اتومبیل های خودران. الگوریتم های یادگیری ماشین حتی می تواند این امکان را برای یک ماشین نیمه خودمختار فراهم آورد که یک شیء تا حدی قابل مشاهده را تشخیص داده و به راننده هشدار دهد.
دستیاران مجازی دستیاران هوشمند معمولاً مدلهای یادگیری ماشینی تحت نظارت و بدون نظارت را برای تفسیر گفتار طبیعی و ارائه زمینه ترکیب می کنند.
مزایا و معایب یادگیری ماشین چیست؟
یادگیری ماشین موارد استفاده از پیش بینی رفتار مشتری تا تشکیل سیستم عامل برای خودروهای خودران را مشاهده کرده است.
در مورد مزایا ، یادگیری ماشین می تواند به شرکت ها کمک کند مشتریان خود را در سطح عمیق تری بشناسند. الگوریتم های یادگیری ماشین با جمع آوری داده های مشتری و ارتباط آن با رفتارها در طول زمان ، می توانند ارتباطات را بیاموزند و به تیم ها کمک کنند ابتکارات توسعه محصول و بازاریابی را با تقاضای مشتری تنظیم کنند.
برخی از شرکت ها از یادگیری ماشین به عنوان محرک اصلی در مدل های تجاری خود استفاده می کنند. به عنوان مثال ، Uber از الگوریتم هایی برای مطابقت رانندگان با سواران استفاده می کند. Google از یادگیری ماشینی برای نشان دادن تبلیغات سواری در جستجوها استفاده می کند.
اما یادگیری ماشین با معایبی همراه است. اول از همه ، ممکن است گران باشد. پروژه های یادگیری ماشین معمولاً توسط دانشمندان داده انجام می شود که حقوق بالایی را در اختیار دارند. این پروژه ها همچنین نیاز به زیرساخت نرم افزاری دارند که می تواند گران باشد.
مشکل تعصب یادگیری ماشین نیز وجود دارد. الگوریتم های آموزش داده شده بر روی مجموعه داده هایی که جمعیت خاصی را حذف می کنند یا دارای خطا هستند می توانند منجر به مدل های نادرست از جهان شوند که در بهترین حالت شکست می خورند و در بدترین حالت تبعیض آمیز هستند. هنگامی که یک شرکت فرآیندهای اصلی کسب و کار را بر اساس مدلهای مغرضانه پایه گذاری می کند ، می تواند با آسیب های نظارتی و اعتبار مواجه شود.
نحوه انتخاب مدل یادگیری ماشین مناسب
فرآیند انتخاب مدل یادگیری ماشین مناسب برای حل یک مشکل اگر به صورت استراتژیک مورد بررسی قرار نگیرد ، ممکن است زمان بر باشد.
مرحله 1: مشکل را با ورودی های داده احتمالی که باید برای حل آن در نظر گرفته شود ، تراز کنید. این مرحله مستلزم کمک دانشمندان و متخصصان داده است که درک عمیقی از این مشکل دارند.
مرحله 2: داده ها را جمع آوری کنید ، قالب بندی کنید و در صورت لزوم داده ها را برچسب گذاری کنید. این مرحله معمولاً توسط دانشمندان داده و با کمک جمع آوران داده هدایت می شود.
مرحله 3: از کدام الگوریتم (الگوریتم) استفاده کنید و آزمایش کنید تا ببینید عملکرد آنها چگونه است. این مرحله معمولاً توسط دانشمندان داده انجام می شود.
مرحله 4: تنظیم دقیق خروجی ها را تا رسیدن به سطح قابل قبول دقت ادامه دهید. این مرحله معمولاً توسط دانشمندان داده با بازخورد کارشناسانی که درک عمیقی از مشکل دارند انجام می شود.
اهمیت یادگیری ماشینی با تفسیر انسانی
توضیح نحوه عملکرد یک مدل خاص ML می تواند هنگامی که مدل پیچیده است ، چالش برانگیز باشد. برخی از صنایع عمودی وجود دارد که دانشمندان داده ها باید از مدلهای ساده یادگیری ماشین استفاده کنند ، زیرا توضیح نحوه تصمیم گیری در مورد کسب و کار مهم است. این امر به ویژه در صنایعی با بارهای سنگین انطباق مانند بانک و بیمه صادق است.
مدلهای پیچیده می توانند پیش بینی های دقیقی را ارائه دهند ، اما توضیح نحوه تعیین خروجی برای یک فرد عادی دشوار است.
آینده یادگیری ماشینی چگونه است؟
در حالی که الگوریتم های یادگیری ماشین برای دهه ها وجود داشته است ، اما با افزایش هوش مصنوعی به محبوبیت جدیدی دست یافت. مدلهای یادگیری عمیق ، به ویژه ، پیشرفته ترین برنامه های کاربردی AI امروزه را تقویت می کند.
پلتفرم های یادگیری ماشین از جمله رقابتی ترین حوزه های فناوری سازمانی هستند و اکثر فروشندگان عمده ، از جمله آمازون ، گوگل ، مایکروسافت ، IBM و دیگران ، در تلاش برای ثبت نام مشتریان برای خدمات پلتفرمی هستند که طیف وسیعی از فعالیت های یادگیری ماشین ، از جمله جمع آوری داده ها ، آماده سازی داده ها را پوشش می دهند. ، طبقه بندی داده ها ، مدل سازی ، آموزش و استقرار برنامه.
با توجه به اهمیت یادگیری ماشین برای عملیات تجاری و افزایش کاربرد هوش مصنوعی در محیط های سازمانی ، جنگ پلتفرم یادگیری ماشین فقط تشدید می شود.
تحقیقات مداوم در زمینه یادگیری عمیق و هوش مصنوعی به طور فزاینده ای بر توسعه برنامه های عمومی تر متمرکز شده است. مدلهای هوش مصنوعی امروزی برای تولید الگوریتمی که برای انجام یک کار بسیار بهینه شده است ، نیاز به آموزش گسترده دارد. اما برخی از محققان در حال بررسی راه هایی برای انعطاف پذیری بیشتر مدل ها هستند و به دنبال تکنیک هایی هستند که به دستگاه اجازه دهد زمینه آموخته شده از یک کار را به وظایف مختلف آینده بکار گیرد.
سیر تکامل یادگیری ماشین
1642 – بلز پاسکال یک ماشین مکانیکی اختراع کرد که می تواند اضافه ، تفریق ، ضرب و تقسیم کند.
1679 – گاتفرید ویلهلم لایب نیتز سیستم کد دودویی را ابداع کرد.
1834 – چارلز بابیج ایده یک دستگاه همه کاره عمومی را که می تواند با کارت های مشت شده برنامه ریزی شود ، تصور کرد.
1842 – آدا لاولیس دنباله ای از عملیات را برای حل مسائل ریاضی با استفاده از دستگاه پانچ کارت نظری چارلز بابیج توصیف می کند و اولین برنامه نویس می شود.
1847 – جورج بول منطق بولی را ایجاد می کند ، شکلی از جبر که در آن همه مقادیر را می توان به مقادیر دوتایی true یا false تقلیل داد.
1936 – آلن تورینگ ، منطق شناس و رمزنگار انگلیسی ، یک ماشین جهانی پیشنهاد کرد که می تواند مجموعه ای از دستورالعمل ها را رمزگشایی و اجرا کند. اثبات منتشر شده وی اساس علم کامپیوتر محسوب می شود.
1952 – آرتور ساموئل برنامه ای را ایجاد می کند که به کامپیوتر IBM کمک می کند تا در بازی چکرز هر چه بیشتر بازی کند بهتر عمل کند.
1959 – MADALINE اولین شبکه عصبی مصنوعی است که برای یک مشکل در دنیای واقعی استفاده می شود: حذف پژواک از خطوط تلفن.
1985 – شبکه عصبی مصنوعی تری ساینوفسکی و چارلز روزنبرگ به خود آموخت که چگونه 20000 کلمه را در یک هفته به درستی تلفظ کند.
1997 – Deep Blue از IBM ، استاد شطرنج گری کاسپاروف را شکست داد.
1999 – یک نمونه اولیه ایستگاه کاری CAD 22000 ماموگرافی را بررسی کرد و 52٪ سرطان را با دقت بیشتری نسبت به رادیولوژیست ها تشخیص داد.
2006 – جفری هینتون ، دانشمند کامپیوتر ، اصطلاح یادگیری عمیق را برای توصیف تحقیقات شبکه عصبی ابداع کرد.
2012 – یک شبکه عصبی بدون نظارت ایجاد شده توسط Google یاد گرفت که گربه ها را در ویدیوهای YouTube با دقت 74.8 recognize تشخیص دهد.
2014 – یک چت بات با متقاعد کردن 33 درصد از داوران انسانی در آزمون تورینگ قبول می شود که یک نوجوان اوکراینی به نام یوجین گوستمن است.
2014 – AlphaGo گوگل قهرمان انسان را در Go ، سخت ترین بازی رومیزی در جهان شکست داد.
2016 – LipNet ، سیستم هوش مصنوعی DeepMind ، کلمات لب خوانده شده در ویدئو را با دقت 93.4 ident شناسایی می کند.
2019 – آمازون 70 درصد از سهم بازار دستیاران مجازی در ایالات متحده را کنترل می کند
