یادگیری ماشین چیست و چگونه کار می‌کند؟

یادگیری ماشین (ML) زیرمجموعه و همچنین نوعی از هوش مصنوعی (AI) است که بر ساختن سیستم‌های رایانه‌ای متمرکز است که از داده‌ها یاد می‌گیرند. گستره وسیعی از تکنیک‌هایی که یادگیری ماشین در بر می‌گیرد، به نرم‌افزارهای کاربردی این امکان را می‌دهد تا عملکرد خود را در طول زمان بهبود بخشند.

الگوریتم‌های یادگیری ماشین برای یافتن روابط و الگوهای پنهان در میان داده‌ها آموزش داده می‌شوند. این الگوریتم‌ها از داده‌های تاریخی (قبلی) به عنوان ورودی استفاده می‌کنند تا بتوانند پیش بینی‌های دقیق‌تری ارائه دهند، داده‌ها را به درستی طبقه بندی کنند، نقاط داده را به خوشه‌های مناسب تقسیم نمایند، ابعاد داده‌ها را کاهش دهند و حتی در تولید محتوای جدید کمک کنند. همانطور که برنامه‌های کاربردی نوین مبتنی بر یادگیری ماشین نظیر ChatGPT، Dall-E 2 و GitHub Copilot نشان داده‌اند، دامنه کاربردهای این فناوری گسترده و رو به افزایش است.

یادگیری ماشین کاربردهای گسترده و متنوعی در صنایع مختلف دارد. به عنوان مثال، موتورهای توصیه‌گر که توسط فروشگاه‌های آنلاین، شبکه‌های اجتماعی و خبرگزاری‌ها به کار گرفته می‌شوند، از الگوریتم‌های یادگیری ماشین برای پیشنهاد محتوا بر اساس رفتار و سوابق کاربران بهره می‌برند. در صنعت خودروسازی نیز، الگوریتم‌های یادگیری ماشین و بینایی کامپیوتری بخش مهمی از سیستم‌های خودروهای خودران را تشکیل می‌دهند و به آنها در رانندگی ایمن در جاده‌ها کمک می‌کنند. در حوزه مراقبت‌های بهداشتی، از یادگیری ماشین برای تشخیص بیماری‌ها و توصیه برنامه‌های درمانی مناسب استفاده می‌شود. سایر کاربردهای رایج یادگیری ماشین عبارتند از: تشخیص تقلب، فیلتر کردن ایمیل‌های ناخواسته (اسپم)، شناسایی تهدیدات بدافزاری، پیش بینی نیازهای نگهداری و اتوماسیون فرآیندهای کسب و کار.

تاریخچه و سیر تکاملی هوش مصنوعی

در حالی که یادگیری ماشین ابزاری قدرتمند برای حل مشکلات، بهبود عملیات تجاری و خودکارسازی وظایف است، اما همچنین یک فناوری پیچیده و چالش برانگیز است که نیازمند تخصص عمیق و منابع قابل توجهی است. انتخاب الگوریتم مناسب برای یک کار مستلزم درک قوی از ریاضیات و آمار است. آموزش الگوریتم‌های یادگیری ماشین اغلب به داده‌های با کیفیت بالا و حجم زیاد برای دستیابی به نتایج دقیق نیاز دارد. خود نتایج به دست آمده، به ویژه نتایج حاصل از الگوریتم‌های پیچیده مانند شبکه‌های عصبی و یادگیری عمیق که بر اساس مغز انسان الگوبرداری شده‌اند، می‌توانند درکشان دشوار باشد. همچنین اجرا و بهینه‌سازی مدل‌های یادگیری ماشین می‌تواند پرهزینه باشد.

با وجود این، اکثر سازمان‌ها به طور مستقیم یا غیرمستقیم این فناوری را به کار می‌گیرند. طبق گزارش ‘پژوهش هوش مصنوعی و یادگیری ماشین ۲۰۲۳” از شرکت فناوری Rackspace، تقریبا 72 درصد از شرکت‌های مورد بررسی گفتند که هوش مصنوعی و یادگیری ماشین بخشی از استراتژی‌های فناوری اطلاعات و کسب‌وکار آنها هستند و 69 درصد، هوش مصنوعی/یادگیری ماشین را مهم‌ترین فناوری توصیف کردند. شرکت‌هایی که از این فناوری استفاده کرده‌اند، گزارش کرده‌اند که از آن برای بهبود فرآیندهای موجود (۶۷ درصد)، پیش‌بینی عملکرد کسب‌وکار و روندهای صنعتی (۶۰ درصد) و کاهش ریسک (۵۳ درصد) استفاده می‌کنند.

مقالات منتشر شده در دسته‌بندی هوش مصنوعی در هامیا ژورنال، الفبایی بر روی این حوزه مهم از علم کامپیوتر است که به توضیح بیشتر ماهیت یادگیری ماشین، نحوه انجام آن و کاربردهایش در کسب و کار می‌پردازد. در این مقاله، اطلاعاتی در مورد انواع الگوریتم‌های یادگیری ماشین، چالش‌ها و بهترین شیوه‌های مرتبط با توسعه و استقرار مدل‌های یادگیری ماشین و چشم‌انداز آینده این حوزه پیدا خواهید کرد. در سراسر این مقاله، پیوندها و لینک‌هایی به مقالات مرتبط وجود دارد که موضوعات را با جزئیات بیشتری پوشش می‌دهد.

چرا یادگیری ماشین مهم است؟

از زمان پیدایش یادگیری ماشین در اواسط قرن بیستم، زمانی که پیشگامانی چون والتر پیتس (Walter Pitts)، وارن مک‌کلوچ (Warren McCulloch)، آلن تورینگ (Alan Turing) و جان فون نویمان (John von Neumann) شالوده محاسبات را بنا نهادند، این فناوری به تدریج نقش محوری در جامعه بشری ایفا کرده است. آموزش ماشین‌ها برای یادگیری از داده‌ها و بهبود عملکرد در طول زمان، به سازمان‌ها این امکان را داده تا فرآیندهای روتین و تکراری را که پیش از این توسط انسان‌ها انجام می‌شد، خودکار سازند. این امر، انسان‌ها را از انجام کارهای یکنواخت رها ساخته و فرصت را برای انجام فعالیت‌های خلاقانه و استراتژیک‌تر فراهم می‌آورد.

یادگیری ماشین توانایی انجام وظایف دستی را دارد که برای انسان در مقیاس بزرگ، غیرممکن است. به عنوان مثال، پردازش حجم انبوهی از داده‌هایی که امروزه توسط دستگاه‌های دیجیتال تولید می‌شوند. قابلیت یادگیری ماشین در استخراج الگوها و بینش‌های ارزشمند از میان مجموعه داده‌های عظیم، به یک مزیت رقابتی کلیدی در حوزه‌هایی چون امور مالی، خرده فروشی، مراقبت‌های بهداشتی و کشفیات علمی تبدیل شده است. در حال حاضر، بسیاری از شرکت‌های پیشرو در زمینه فناوری نظیر متا، گوگل و شرکت OpenAI، یادگیری ماشین را به بخش محوری عملیات خود مبدل ساخته‌اند.

معرفی ابزارهای جدید هوش مصنوعی در برنامه‌ها و نرم‌افزارهای شرکت متا (meta)

با افزایش روزافزون حجم داده‌های تولیدشده در جوامع مدرن امروزی، یادگیری ماشین احتمالاً برای بشر حیاتی‌تر و برای خود هوش مصنوعی ضروری‌تر خواهد شد. این فناوری نه تنها به ما در درک و تفسیر داده‌های خلق شده کمک می‌کند، بلکه فراتر از آن، فراوانی داده‌هایی که تولید می‌کنیم، به طور متقابل و هم افزایی توانمندی‌های یادگیری مبتنی بر داده یادگیری ماشین را ارتقا می‌بخشد.

این حلقه یادگیری مداوم و هم‌افزا، به گسترش و تعمیق هوش مصنوعی منجر خواهد شد. یادگیری ماشین، مسیری را به سوی هوش مصنوعی پیش‌رو هموار می‌سازد که به نوبه خود، منجر به پیشرفت‌های بیشتر در زمینه یادگیری ماشین می‌گردد. این روند تکاملی، به تدریج هوش مصنوعی را ارتقا می‌بخشد و کم‌کم مرزهای موجود میان هوش ماشینی و هوش انسانی را محو می‌نماید.

انواع مختلف یادگیری ماشین چیست؟

یادگیری ماشین کلاسیک، معمولاً بر اساس روش یادگیری الگوریتم برای بهبود دقت در پیش بینی‌ها دسته بندی می‌شود. چهار دسته اصلی یادگیری ماشین عبارتند از:

1. یادگیری با نظارت (supervised learning)
2. یادگیری بدون نظارت (unsupervised learning)،
3. یادگیری نیمه نظارت شده (semi-supervised learning)
4. یادگیری تقویتی (reinforcement learning)

انتخاب نوع الگوریتم توسط دانشمندان داده، به ماهیت داده بستگی دارد. بسیاری از الگوریتم‌ها و تکنیک‌ها، محدود به یکی از انواع اصلی یادگیری ماشین که در این مقاله ذکر شد نیستند. آنها اغلب با توجه به مشکلی که باید حل شود و مجموعه داده‌ها، برای چندین نوع تطبیق داده می‌شوند. برای مثال، الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنال و شبکه‌های عصبی بازگشتی در وظایف یادگیری تحت نظارت، بدون نظارت و تقویتی بر اساس مشکل خاص و در دسترس بودن داده‌ها استفاده می‌شوند.

مقدمه‌ای بر انواع مدل‌های یادگیری ماشین

یادگیری ماشین تحت نظارت (Supervised Learning) چگونه کار می‌کند؟

دانشمندان داده در یادگیری با نظارت،‌ داده‌های آموزشی برچسب‌گذاری شده را برای الگوریتم‌ها فراهم می‌کنند و متغیرهایی را که می‌خواهند الگوریتم برای یافتن همبستگی بین آن‌ها بررسی کند، تعریف می‌کنند. در یادگیری تحت نظارت، هم ورودی و هم خروجی الگوریتم مشخص شده‌اند. در ابتدا، اکثر الگوریتم‌های یادگیری ماشین با یادگیری با نظارت کار می‌کردند، اما رویکردهای بدون نظارت در حال محبوب شدن هستند.

الگوریتم‌های یادگیری با نظارت برای چندین کار استفاده می‌شوند، از جمله:

• طبقه‌بندی دودویی (باینری): داده‌ها را به دو دسته تقسیم می‌کند.
• طبقه‌بندی چند کلاسه: از بین بیش از دو نوع پاسخ انتخاب می‌کند.
• ترکیب‌بندی (Ensemble Learning): برای ایجاد پیش‌بینی دقیق‌تر، پیش‌بینی‌های چندین مدل یادگیری ماشین را ترکیب می‌کند.
• مدل‌سازی رگرسیون: مقادیر پیوسته را بر اساس روابط درون داده‌ها پیش‌بینی می‌کند.

یادگیری ماشین بدون نظارت (Unsupervised Learning) چگونه کار می‌کند؟

الگوریتم‌های یادگیری ماشین بدون نظارت نیازی به برچسب‌گذاری داده‌ها ندارند. آنها داده‌های بدون برچسب را غربال می‌کنند تا به دنبال الگوهایی بگردند که بتوان از آنها برای گروه بندی نقاط داده در زیرمجموعه‌ها استفاده کرد. بسیاری از انواع مدل‌های یادگیری عمیق، از جمله شبکه‌های عصبی، الگوریتم‌های بدون نظارت هستند.

الگوریتم‌های یادگیری ماشین بدون نظارت برای وظایف زیر مناسب هستند:

• خوشه‌بندی (Clustering): تقسیم مجموعه داده به گروه‌هایی بر اساس شباهت با استفاده از الگوریتم‌های خوشه‌بندی.
• تشخیص ناهنجاری (Anomaly Detection): شناسایی نقاط غیرمعمول داده در یک مجموعه داده با استفاده از الگوریتم‌های تشخیص ناهنجاری.
• استخراج قوانین وابستگی (Association Rule Mining): کشف مجموعه آیتم‌هایی در یک مجموعه داده که با استفاده از استخراج قوانین وابستگی اغلب با هم ظاهر می‌شوند.
• کاهش ابعاد (Dimensionality Reduction): کاهش تعداد متغیرها در یک مجموعه داده با استفاده از تکنیک‌های کاهش ابعاد.

یادگیری ماشین نیمه نظارتی (Semi-supervised Learning) چگونه کار می‌کند؟

یادگیری نیمه-نظارتی با تغذیه مقدار کمی از داده‌های آموزشی برچسب‌گذاری شده به یک الگوریتم کار می‌کند. بر اساس این داده‌ها، الگوریتم، ابعاد مجموعه داده را یاد می‌گیرد که سپس می‌تواند آن را روی داده‌های بدون برچسب جدید اعمال کند. عملکرد الگوریتم‌ها معمولاً زمانی که روی مجموعه داده‌های برچسب‌گذاری شده آموزش می‌بینند، بهبود می‌یابد. اما برچسب‌گذاری داده می‌تواند زمان‌بر و پرهزینه باشد. این نوع یادگیری ماشین بین عملکرد برتر یادگیری با نظارت و کارآمدی یادگیری بدون نظارت، تعادل برقرار می‌کند.

در میان سایر موارد، یادگیری نیمه-نظارتی را می‌توان در زمینه‌های زیر به کار برد:

• ترجمه ماشینی: به الگوریتم‌ها آموزش می‌دهد تا زبان را بر اساس کمتر از یک دیکشنری کامل از کلمات ترجمه کنند.
• تشخیص تقلب: موارد تقلب را زمانی که تنها چند نمونه مثبت وجود دارد، شناسایی می‌کند.
• برچسب‌گذاری داده: الگوریتم‌هایی که روی مجموعه داده‌های کوچک آموزش دیده‌اند، یاد می‌گیرند که برچسب‌های داده را به طور خودکار روی مجموعه‌های بزرگ‌تر اعمال کنند.

یادگیری ماشین تقویتی (Reinforcement Learning) چگونه کار می‌کند؟

یادگیری تقویتی با برنامه‌ریزی یک الگوریتم با یک هدف مشخص و مجموعه‌ای از قوانین تعیین‌شده برای دستیابی به آن هدف کار می‌کند. یک دانشمند داده همچنین الگوریتم را برای دریافت پاداش‌های مثبت برای انجام عملیاتی که برای رسیدن به هدف نهایی‌اش مفید است و اجتناب از مجازات برای انجام عملیاتی که آن را از هدف دورتر می‌کند، برنامه‌ریزی می‌کند.

یادگیری تقویتی اغلب در زمینه‌های زیر استفاده می‌شود:

• رباتیک: ربات‌ها یاد می‌گیرند که وظایف خود را در دنیای فیزیکی انجام دهند.
• بازی‌های ویدئویی: به بات‌ها (ربات‌های نرم افزاری) بازی کردن بازی‌های ویدیویی را آموزش می‌دهد.
• مدیریت منابع: به شرکت‌ها در برنامه‌ریزی تخصیص منابع کمک می‌کند.

نحوه انتخاب و ساخت مدل مناسب یادگیری ماشین

توسعه یک مدل یادگیری ماشین مناسب برای حل یک مشکل می‌تواند پیچیده باشد. همانطور که در خلاصه‌ای از یک برنامه هفت مرحله‌ای برای ساخت یک مدل یادگیری ماشین که در زیر آمده است، این کار نیازمند پشتکار، آزمایش و خلاقیت است.

۱. درک مشکل کسب و کار و تعریف معیارهای موفقیت: هدف این است که دانش گروه از مشکل کسب و کار و اهداف پروژه را به یک تعریف مناسب از مشکل برای یادگیری ماشین تبدیل کنیم. سوالات باید شامل این موارد باشد که چرا پروژه نیازمند یادگیری ماشین است؟ چه نوع الگوریتمی برای حل مشکل، مناسب است؟ آیا الزاماتی برای شفافیت و کاهش سوگیری وجود دارد؟ و ورودی و خروجی‌های مورد انتظار کدامند؟

۲. درک و شناسایی نیازهای داده: تعیین کنید که چه داده‌هایی برای ساخت مدل ضروری هستند و اینکه آیا این داده‌ها برای ورود به مدل مناسب هستند یا خیر. سوالات باید شامل این موارد باشد که چه مقدار داده مورد نیاز است؟ چگونه داده‌های جمع‌آوری‌شده به مجموعه‌های آموزش (Train) و آزمایش (Test) تقسیم می‌شوند؟ و آیا می‌توان از یک مدل یادگیری ماشین از پیش آموزش‌دیده استفاده کرد؟

۳. جمع‌آوری و آماده‌سازی داده برای آموزش مدل: اقدامات این مرحله شامل تمیز کردن و برچسب‌گذاری داده‌ها، جایگزینی داده‌های نادرست یا گم‌شده، تقویت و افزایش داده‌ها، کاهش نویز و رفع ابهام، ناشناس‌سازی داده‌های شخصی و تقسیم داده‌ها به مجموعه‌های آموزشی، آزمایشی و اعتبارسنجی می‌شود.

۴. تعیین ویژگی‌های مدل و آموزش آن: الگوریتم‌ها و تکنیک‌های مناسب را انتخاب کنید. هایپرپارامترها (hyperparameters) را تنظیم و تعدیل کنید، مدل را آموزش و اعتبارسنجی کنید و سپس آن را بهینه سازی نمایید. بسته به ماهیت مشکل کسب و کار و پروژه، الگوریتم‌های یادگیری ماشین می‌توانند قابلیت‌های درک و پردازش زبان طبیعی (NLP) را ادغام کنند، مانند شبکه‌های عصبی بازگشتی (recurrent neural networks) یا ترنسفورمرهایی که برای کارهای پردازش زبان طبیعی (NLP) طراحی شده‌اند. همچنین، الگوریتم‌های تقویت‌کننده (boosting algorithms) می‌توانند برای بهینه‌سازی مدل‌های درخت تصمیم‌گیری (decision tree models) استفاده شوند.

روش nlp یا تکنیک های برنامه ریزی عصبی-زبانی

۵. ارزیابی عملکرد مدل و تعیین معیارها: کار در این مرحله شامل محاسبات ماتریس اشتباه (confusion matrix)، شاخص‌های کلیدی عملکرد کسب‌وکار (KPIs)، معیارهای یادگیری ماشین، اندازه‌گیری‌های کیفیت مدل و تعیین اینکه آیا مدل می‌تواند به اهداف کسب‌وکار برسد، می‌شود.

۶. استقرار مدل و نظارت بر عملکرد آن در محیط عملیاتی: این بخش از فرایند با عنوان عملیاتی کردن مدل شناخته می‌شود و معمولاً به طور مشترک توسط دانشمندان داده و مهندسان یادگیری ماشین انجام می‌گیرد. به طور مداوم عملکرد مدل را اندازه‌گیری کنید، یک معیار برای سنجش تکرارهای بعدی مدل ایجاد کنید و برای بهبود عملکرد کلی، آن را تکرار و بهبود بخشید. محیط‌های استقرار می‌توانند ابری، لبه‌ای (edge¹) یا درون سازمانی (on-premises) باشند.

۷. پالایش و تنظیم مداوم مدل در محیط عملیاتی: حتی پس از اینکه مدل یادگیری ماشین در محیط عملیاتی قرار گرفت و به طور مداوم تحت نظارت قرار گرفت، کار همچنان ادامه دارد. الزامات کسب و کار، قابلیت‌های فناوری و داده‌های دنیای واقعی به روش‌های غیرمنتظره‌ای تغییر می‌کنند و این تغییرات به طور بالقوه منجر به نیازها و الزامات جدیدی می‌شوند.

کاربردهای یادگیری ماشین برای شرکت‌ها

یادگیری ماشین به جزء جدایی ناپذیر نرم‌افزارهای تجاری که سازمان‌ها را اداره می‌کنند، تبدیل شده است. در زیر نمونه‌هایی از چگونگی استفاده رشته‌های مختلف از یادگیری ماشین آورده شده است:

• هوش تجاری (Business Intelligence): نرم افزار هوش تجاری و تحلیل پیش‌بینی‌کننده از الگوریتم‌های یادگیری ماشین، از جمله رگرسیون خطی و رگرسیون لجستیک، برای شناسایی نقاط داده مهم، الگوها و ناهنجاری‌ها در مجموعه‌های داده بزرگ استفاده می‌کند.
• مدیریت ارتباط با مشتری (CRM): کاربردهای کلیدی یادگیری ماشین در CRM شامل تجزیه و تحلیل داده‌های مشتری برای بخش‌بندی مشتریان، پیش‌بینی رفتارهایی مانند ریزش مشتری (churn)، ارائه پیشنهادات، تنظیم قیمت‌گذاری، بهینه‌سازی کمپین‌های ایمیل، ارائه پشتیبانی چت‌بات و تشخیص تقلب می‌شود.
• امنیت و انطباق: الگوریتم‌های پیشرفته مانند تکنیک‌های تشخیص ناهنجاری و ماشین بردار پشتیبان (SVM) رفتارهای عادی و انحرافات را شناسایی می‌کنند که برای شناسایی تهدیدات بالقوه سایبری بسیار مهم است. SVM بهترین خط یا مرزی را پیدا می‌کند که داده‌ها را به گروه‌های مختلف با بیشترین فضای ممکن بین آن‌ها تقسیم می‌کند.
• سیستم‌های اطلاعات منابع انسانی (HRIS): مدل‌های یادگیری ماشین با فیلتر کردن رزومه‌ها و شناسایی بهترین نامزدها برای یک موقعیت شغلی آزاد، فرآیند استخدام را ساده می‌کنند.
• مدیریت زنجیره تامین: تکنیک‌های یادگیری ماشین سطوح موجودی را بهینه می‌کنند، لجستیک را ساده می‌کنند، انتخاب تامین‌کننده را بهبود می‌بخشند و اختلالات زنجیره تامین را به طور پیشگیرانه برطرف می‌کنند.
• پردازش زبان طبیعی (NLP): مدل‌های یادگیری ماشین به دستیارهای مجازی مانند الکسا، دستیار گوگل و سیری امکان می‌دهند تا زبان انسان را تفسیر و به آن پاسخ دهند.

مزایا و معایب یادگیری ماشین چیست؟

توانایی یادگیری ماشین در شناسایی روندها و پیش‌بینی نتایج با دقت بالاتر نسبت به روش‌هایی که صرفاً به آمارهای متعارف (یا هوش انسانی) متکی هستند، مزیت رقابتی را برای کسب‌وکارهایی که از یادگیری ماشین به طور مؤثر استفاده می‌کنند، فراهم می‌کند. یادگیری ماشین می‌تواند به روش‌های مختلف به کسب‌وکارها سود برساند:

• تحلیل داده‌های تاریخی برای حفظ مشتریان: با کشف الگوهایی در رفتار مشتریان قبلی، کسب و کارها می‌توانند اقداماتی برای حفظ آن‌ها انجام دهند.
• راه‌اندازی سیستم‌های توصیه‌گر برای افزایش درآمد: سیستم‌های توصیه‌گر با تجزیه و تحلیل داده‌های مشتری، محصولاتی را پیشنهاد می‌دهند که مشتریان با احتمال بیشتری آن‌ها را خریداری کنند.
• بهبود برنامه‌ریزی و پیش‌بینی: یادگیری ماشین می‌تواند به کسب و کارها در پیش‌بینی تقاضا و برنامه‌ریزی برای پاسخگویی به آن کمک کند.
• بررسی الگوها برای شناسایی تقلب: الگوریتم‌های یادگیری ماشین می‌توانند با شناسایی فعالیت‌های غیرعادی، به کسب و کارها در مبارزه با تقلب کمک کنند.
• افزایش کارایی و کاهش هزینه‌ها: یادگیری ماشین می‌تواند با خودکارسازی وظایف و بهینه‌سازی فرآیندها در هزینه‌ها صرفه‌جویی کند.

با وجود مزایای فراوان، یادگیری ماشین معایبی نیز دارد. اول و مهم‌تر از همه، این فناوری می‌تواند پرهزینه باشد. پروژه‌های یادگیری ماشین معمولاً توسط دانشمندان داده هدایت می‌شوند که حقوق بالایی دریافت می‌کنند. این پروژه‌ها همچنین نیاز به زیرساخت نرم‌افزاری دارند که می‌تواند گران‌قیمت باشد. علاوه بر این، کسب‌وکارها می‌توانند با چالش‌های بسیار بیشتری روبرو شوند.

یکی دیگر از معایب یادگیری ماشین، سوگیری الگوریتم‌ها است. الگوریتم‌هایی که روی مجموعه داده‌هایی آموزش دیده‌اند که برخی از گروه‌های جمعیتی را در نظر نمی‌گیرند یا حاوی خطا هستند، می‌توانند منجر به مدل‌های نادرستی از دنیای واقعی شوند که در بهترین حالت با شکست مواجه می‌شوند و در بدترین حالت تبعیض‌آمیز هستند. وقتی یک شرکت فرآیندهای کلیدی کسب و کار خود را بر اساس مدل‌های مغرضانه بنا می‌کند، می‌تواند از نظر مقررات و شهرت دچار آسیب شود.

اهمیت یادگیری ماشین قابل تفسیر توسط انسان

توضیح عملکرد یک مدل پیچیده یادگیری ماشین می‌تواند چالش برانگیز باشد. در برخی صنایع خاص، دانشمندان داده ناگزیرند از مدل‌های ساده‌تر یادگیری ماشین استفاده کنند، زیرا برای آن کسب و کار حیاتی است که نحوه اتخاذ هر تصمیم را توضیح دهد. این امر به ویژه در صنایعی با الزامات نظارتی و تطابقی سنگین، مانند بانکداری و بیمه صادق است. دانشمندان داده اغلب مجبورند بین شفافیت مدل و دقت و کارایی آن تعادل برقرار کنند. مدل‌های پیچیده ممکن است پیش‌بینی‌های دقیق‌تری ارائه دهند، اما توضیح اینکه چگونه خروجی نهایی برای یک فرد عادی یا حتی یک متخصص محاسبه شده است، می‌تواند دشوار و در مدل‌های بسیار بزرگتر، تقریبا غیر ممکن باشد.

نمونه‌هایی از یادگیری ماشین در صنعت

یادگیری ماشین به طور گسترده در صنایع مختلف پذیرفته شده است. در اینجا برخی از بخش‌هایی که از یادگیری ماشین برای برآوردن نیازهای بازار خود استفاده می‌کنند، آورده شده است:

• خدمات مالی و بانکی: ارزیابی ریسک، معاملات الگوریتمی، خدمات مشتری و بانکداری شخصی از جمله زمینه‌هایی هستند که شرکت‌های خدمات مالی و بانکی از یادگیری ماشین در آنها استفاده می‌کنند. به عنوان مثال، بانک ملی ایران از الگوریتم‌های یادگیری ماشین برای تشخیص تراکنش‌های مشکوک و جلوگیری از کلاهبرداری‌های بانکی بهره می‌برد که این موضوع در دسته کلی تشخیص ناهنجاری قرار می‌گیرد.
• داروسازی: شرکت‌های داروسازی از یادگیری ماشین در مراحل مختلف کشف و تولید داروها بهره می‌برند. به عنوان مثال، شرکت داروسازی فایزر (pfizer) از مدل‌های یادگیری ماشین و هوش مصنوعی برای شناسایی مناطق مناسب و انتخاب جمعیت هدف متنوع‌تر برای انجام آزمایشات بالینی داروهای جدید استفاده می‌کند. طبق اظهارات این شرکت، به‌کارگیری این مدل‌ها منجر به کاهش قابل‌توجه مدت زمان لازم برای انجام آزمایشات بالینی شده است.
• تولید: موارد استفاده نگهداری پیشگیرانه در صنعت تولید که خرابی تجهیزات می‌تواند منجر به توقف گران‌قیمت تولید شود، رایج است. علاوه بر این، بخش بینایی رایانه‌ای یادگیری ماشین می‌تواند با بررسی اقلام خروجی خط تولید، کنترل کیفیت را تضمین کند.
• بیمه: موتورهای توصیه می‌توانند بر اساس نیازهای مشتریان و نحوه بهره‌مندی سایر مشتریان از محصولات خاص بیمه، گزینه‌هایی را پیشنهاد دهند. یادگیری ماشین همچنین در بیمه‌پذیری و پردازش مطالبات مفید است.
• خرده فروشی: علاوه بر سیستم‌های توصیه، خرده فروشان از بینایی رایانه‌ای برای شخصی‌سازی، مدیریت موجودی و برنامه‌ریزی برای سبک‌ها و رنگ‌های یک خط تولید خاص استفاده می‌کنند. پیش‌بینی تقاضا یک مورد استفاده کلیدی دیگر است.

آینده‌ی یادگیری ماشین چیست؟

با پیشبرد حاصل از حجم عظیم تحقیقات توسط شرکت‌ها، دانشگاه‌ها و دولت‌ها در سراسر جهان، یادگیری ماشین به یک هدف در حال تحول سریع تبدیل شده است. به نظر می‌رسد پیشرفت‌های حوزه هوش مصنوعی و یادگیری ماشین به صورت روزانه اتفاق می‌افتد، به گونه‌ای که رویه‌های پذیرفته‌شده تقریباً به محض پذیرش، منسوخ می‌شوند. با وجود این تغییرات مداوم، یک چیز برای آینده‌ی یادگیری ماشین مسلم است: یادگیری ماشین همچنان نقش محوری در قرن بیست و یکم ایفا خواهد کرد و نحوه انجام کار و زندگی ما را متحول خواهد ساخت.

در حوزه پردازش زبان طبیعی (NLP)، الگوریتم‌های پیشرفته و زیرساخت‌های قوی‌تر باعث ظهور هوش مصنوعی مکالمه‌‌ای محور روان‌تر، مدل‌های یادگیری ماشین تطبیق‌پذیرتر با قابلیت سازگاری با وظایف جدید و مدل‌های زبان سفارشی‌سازی‌شده برای نیازهای کسب‌وکار می‌شود.

حوزه بینایی کامپیوتر که به سرعت در حال پیشرفت است، انتظار می‌رود تاثیر عمیقی بر بسیاری از زمینه‌ها داشته باشد، از مراقبت‌های بهداشتی که با بهبود فناوری، نقش فزاینده‌ای در تشخیص و پایش ایفا خواهد کرد، تا علوم محیط زیست که می‌تواند برای تجزیه و تحلیل و نظارت بر زیستگاه‌ها مورد استفاده قرار گیرد و همچنین مهندسی نرم افزار که جزء اصلی فناوری‌های واقعیت افزوده و مجازی است.

در میان فناوری‌های سازمانی، پلتفرم‌های یادگیری ماشین در حال حاضر یکی از رقابتی‌ترین حوزه‌ها هستند. غول‌های فناوری مانند آمازون، گوگل، مایکروسافت، IBM و OpenAI در حال رقابت برای جذب مشتری برای سرویس‌های پلتفرم یادگیری ماشین خودکار هستند که کل طیف فعالیت‌های یادگیری ماشین از جمله جمع‌آوری، آماده‌سازی و طبقه‌بندی داده، ساخت مدل، آموزش و استقرار کاربردی را پوشش می‌دهند.

در حالی که هوش مصنوعی با شور و اشتیاق فراوانی روبرو شده است، شرکت‌ها با بسیاری از همان چالش‌هایی روبرو خواهند شد که پیش از این با ظهور فناوری‌های پیشرفته و سریع‌التغییر نیز وجود داشتند. چالش‌های جدید شامل تطبیق زیرساخت‌های قدیمی با سیستم‌های یادگیری ماشین، کاهش سوگیری یادگیری ماشین و یافتن بهترین راه برای استفاده از این قدرت‌های جدید و فوق‌العاده هوش مصنوعی برای ایجاد سود برای شرکت‌ها، علی‌رغم هزینه‌ها، می‌شود.

1. “Deployment environments can be at the edge” به این معنی است که محیط های استقرار می‌توانند در لبه شبکه قرار بگیرند. لبه شبکه به نقطه‌ای اشاره دارد که در آن شبکه محلی به شبکه خارجی مانند اینترنت متصل می‌شود ↩︎