تعریف‌ها، کاربردها و بررسی حوزه‌های هم‌پوشان
یادگیری ماشینی و سیستم‌های شناختی: نسل آینده هوشمندی سازمانی
چنان‌که به نظر می‌رسد، در حال نزدیک شدن به نقطه عطف تاریخی در دنیای فناوری هستیم؛ چراکه بسیاری از مفاهیم تئوری و دانشگاهی که غالباً در تحقیقات آکادمیک مطرح بودند و در صنعت راهی نداشتند؛ اکنون در حال تبدیل شدن به جریان اصلی نرم‌افزارهای کاربردی سازمان‌ها و شرکت‌های گسترده هستند. همواره، یادگیری ماشینی با حوزه‌های دیگری مانند هوش مصنوعی و سیستم‌های شناختی همراه بوده است و اکنون شاهد محبوبیت و استقبال بیشتر هر روزه‌اش در صنعت هستیم و می‌توان پیش‌بینی کرد که در آینده نه‌چندان‌دوری، تأثیر عظیمی بر صنعت نرم‌افزار بگذارد.

این مطلب یکی از مجموعه مقالات پرونده ویژه «یادگیری ماشینی» شماره ۱۸۱ ماهنامه شبکه است. علاقه‌مندان می‌توانند کل این پرونده ویژه را از روی سایت شبکه دانلود کنند. 

در این مقاله قصد داریم برخی مفاهیم یادگیری ماشینی را بررسی کنیم و مدل‌هایی ارائه دهیم که برای هوشمند‌سازی کسب‌وکارها و فضاهای تجزیه‌وتحلیل اطلاعاتی مناسب هستند. 

یادگیری ماشینی چیست؟
به عبارت ساده، می‌توان گفت یادگیری ماشینی رشته‌ای بزرگ از هوش مصنوعی است که با طراحی و ساخت برنامه‌های کاربردی کامپیوتری یا سیستم‌های یادگیرنده بر اساس اطلاعات ورودی و خروجی سروکار دارد. در واقع، سیستم‌های یادگیری ماشینی با استفاده از تجربه کاربری آموزش می‌بینند و تجربه کاربری نیز مبتنی بر برخی آموزش‌های خاص است؛ به سیستم، برخی موارد خاص آموزش داده شده است و خود باید این مفاهیم و آموزش‌های تجربی را برای وضعیت‌های جدید قابل پیش‌بینی یا پیش‌بینی‌نشدنی تعمیم دهد. 
رشته یادگیری ماشینی به رشته تجزیه‌وتحلیل اطلاعات از جمله پیشگویی تحلیلی، داده‌کاوی و تشخیص الگو شباهت‌های زیادی دارد و در دل خود این تکنیک‌ها را نیز جای می‌دهد. به علاوه، انواع بسیار زیادی از الگوریتم‌ها برای این منظور استفاده می‌شوند و به طور سازمانی جزو یادگیری ماشینی طبقه‌بندی خواهند شد. در صفحه ویکی‌پدیای یادگیری ماشینی فهرستی از این الگوریتم‌ها گنجانده شده است. به صورت تئوری و رشته‌ای، یادگیری ماشینی مفهوم تازه‌ای نیست و اسناد و منابعش به اوایل دهه پنجاه میلادی و کار دانشمندانی مانند آلن تورینگ (Alan Turing)، آرتور ساموئل (Arthur Samuel)، تام ام میشل (Tom M. Mitchell) برمی‌گردد و از همان زمان به عنوان شاخه‌ای از علوم کامپیوتری به آن توجه و دستخوش رشد و توسعه شده است. 

مطلب پیشنهادی

ماشین‌های هوشمند چگونه زندگی ما را بهبود بخشیده‌اند؟
تعامل الگوریتم‌های هوشمند و زندگی انسانی

یکی از مهم‌ترین برنامه‌های کاربردی یادگیری ماشینی، خودکارسازی فراگیری دانش بر اساس استفاده از سیستم‌های خبره (Expert System) است. این سیستم‌ها تلاش می‌کنند فرایند تصمیم‌گیری انسان را از تجربه و تخصص در یک حوزه خاص، شبیه‌سازی کامپیوتری کنند. یادگیری ماشینی به‌سرعت در حال توسعه و گسترش است و در برنامه‌های کاربردی مختلفی در صنایع گوناگون مانند نرم‌افزارهای دسکتاپ و موبایل معمولی تا خاص‌ترین کارخانه‌های تولیدی و صنعتی پیچیده به کار گرفته می‌شود. بدون ورود به نظریه‌ها و تعریف‌های دانشمندان مختلف از این رشته، می‌توان گفت هدف یادگیری ماشینی «بهبود کارایی وظیفه‌ای خاص، یافتن و استخراج کردن رویکردهای کلی منظم و باقاعده در اطلاعات مورد ارزیابی» است. امروزه، می‌توانید یادگیری ماشینی را در هر جایی که حجم زیادی از اطلاعات انباشته شده یا در جریان است، بیابید.

یادگیری ماشینی رشته‌ای بزرگ از هوش مصنوعی است که با طراحی و ساخت برنامه‌های کاربردی کامپیوتری یا سیستم‌های یادگیرنده بر اساس اطلاعات ورودی و خروجی سروکار دارد.

تبدیل اطلاعات خام سازمانی به اطلاعات دیجیتالی، پردازش تصویر، جست‌وجوی ویدیو، بازاریابی‌های آنلاین، پزشکی و صنایع کارخانه‌ای به سوی یادگیری ماشینی هجوم آورده‌اند، چراکه به طرز باورنکردنی کارایی و سرعت فرایندها را افزایش می‌دهد و باعث آزاد شدن وقت نیروی انسانی می‌شود. در برخی موارد، یادگیری ماشینی مشکلات پیچیده‌ای را در سیستم‌ها کشف و شناسایی می‌کند که از عهده مهندسان خارج است. در چند سال اخیر، بر پایه این فناوری حوزه‌های کسب‌وکاری جدیدی شکل گرفت و صدها استارت‌آپ شروع به کار کردند. 
اما این شرکت‌ها از چه رویکردهایی از یادگیری ماشینی استفاده می‌کنند؟ در یک نگاه کلی می‌توان فهمید شبکه‌های عصبی، یادگیری‌های موردی و خاص، الگوریتم ژنتیک، استنتاج قوانین و یادگیری تحلیلی، بیشترین کاربرد را در یادگیری ماشینی دارند. در گذشته، هریک از این فناوری‌ها و تکنیک‌ها به صورت مستقل استفاده می‌شد، اما اکنون رویکردهای جدید به دنبال ترکیب چندین تکنیک و رسیدن به مدلی ترکیبی است تا بتواند مرزهای محدودیت را بشکند و امکان توسعه مدل‌های کارآمدتر و مؤثرتر وجود داشته باشد. ترکیب روش‌های تحلیلی می‌تواند به نتایج مؤثرتر، قابل اعتمادتر و قابل تکرار بیانجامد و به مؤلفه کاربردی مورد نیاز صنعت تبدیل شود که پاسخ‌گوی بسیاری از راهکارها و مشکلات است. در واقع، در کاربردهای جدید «یادگیری» از ترکیب سه عنصر «بازارائه»، «ارزیابی» و «بهینه‌سازی» به دست می‌آید:

بازارائه: در علم کامپیوتر به معنای عنصری طبقه‌بندی‌ شده است که دوباره می‌توان بر اساس زبان فرمولی آن را برای ترجمه و تفسیر به کامپیوتر ارائه کرد. 
ارزیابی: شامل یک تابع مورد نیاز برای تشخیص و بررسی خوب یا بد بودن اطلاعات طبقه‌بندی شده است. 
بهینه‌سازی: نشان‌دهنده روش مورد نیاز برای جست‌وجو در این اطلاعات طبقه‌بندی‌شده با استفاده از زبانی است که بالاترین نتایج مدنظر به دست بیاید. 
به این ترتیب، سیستم می‌تواند تصمیم‌گیری‌های جدید یا پاسخ‌های صحیح داشته باشد که در مرحله بعد برای افزایش یادگیری بهینه‌سازی کارایی و دقت استفاده شود. همچنین، هریک از اجزای فرایند ماشین یادگیری ترکیب خوبی از تکنیک‌های ریاضی، الگوریتم‌ها و روش‌هایی است که می‌توان استفاده کرد. (شکل 1) یادگیری ماشینی را می‌توان براساس دو استراتژی پیاده‌سازی کرد.


  شکل 1:  سه جزء اصلی یک الگوریتم یادگیری

در استراتژی اول، اطلاعات ورودی و مدل را به ماشین می‌دهید و خروجی‌های مدنظر را دریافت می‌کنید. بهترین مثال از این روش می‌تواند دیجیتالی کردن هزاران سند کاغذی بایگانی باشد. در استراتژی دوم، اطلاعات ورودی و مدل را به ماشین می‌دهید، اما به دنبال روندهای جدید در خروجی هستید. مثلاً در این روش می‌توان رفتار خط تولید کارخانه‌ای را بررسی کرده و با مشاهده موارد غیرطبیعی و مشکوک، مشکلات جزئی را کشف کرد. 

یادگیری ماشینی و کسب‌وکارها
در دهه گذشته، یادگیری ماشینی با استفاده از نرم‌افزارهای کاربردی در حوزه‌های تشخیص گفتار، بینایی کامپیوتری، نظارت‌های زیستی و روبات‌های کنترلی، بیشتر از هر زمانی خود را از آزمایشگاه‌های دانشگاهی به بازار و کسب‌وکارها کشانده و باعث رشد و استقبال فناوری‌های مرتبط با زبان ماشین شده است. در بسیاری از زمینه‌ها، کسب‌وکارها به‌خصوص شرکت‌های نوپا و استارت‌آپی، برنامه‌های کاربردی طراحی کردند که به طور مستقیم بر پایه مفاهیم و تکنیک‌های یادگیری ماشینی است و چشم‌اندازشان موفقیت این نرم‌افزار در سال‌های آتی است. چندین سناریو وجود دارد که یادگیری ماشینی می‌تواند نقش کلیدی آن را ایفا کند: در سیستم‌های بسیار پیچیده که الگوریتم‌ها به‌سختی طراحی می‌شوند، هنگامی که برنامه‌های کاربردی نیاز به نرم‌افزارهایی برای انطباق با محیط عملیاتی خود دارند و سیستم‌های پیچیده‌ای که نیاز به کار با حجم زیادی از اطلاعات با فرمت‌های مختلف و غیرساختارمند دارند. یادگیری ماشینی تنها محدود به علم کامپیوتر یا استفاده‌های مرتبط با سیستم‌های کامپیوتری نیست، بلکه می‌تواند در برنامه‌های کاربردی بسیار گسترده سازمانی و به طور ویژه برای شرکت‌هایی که نیاز به تجزیه‌وتحلیل عمیق اطلاعات دارند نیز به کار گرفته شود. به طور مشخص یادگیری ماشینی می‌تواند در سه حوزه سازمانی کلان‌داده‌ها، هوشمندی کسب‌وکارها و تجزیه‌وتحلیل اطلاعات در مقیاس‌های بسیار بالا استفاده شود. 

چرا کلان‌داده‌ها و هوشمندی کسب‌وکارها؟
«اچ پی لوهان» اولین سندهای هوشمند کسب‌وکارها را در سال ۱۹۵۱ نوشته است. وی در اسنادش به سیستم‌های خودکاری اشاره می‌کند که باید در هر صنعتی اعم از دولتی و دانشگاهی و تجاری استفاده شوند تا اطلاعات ورودی را دریافت و ذخیره کرده، پردازش و جست‌وجو کنند و بتوانند اطلاعات مفیدی تولید کنند. در واقع، سیستم‌های BI باید به تصمیم‌گیرندگان کمک کنند تا بهترین انتخاب‌ها و تصمیم‌ها را بر اساس وضعیت سیستم و سازمان خود اتخاذ کنند. اگر بخواهیم به طور ساده یک سیستم BI را به همین شکل تصور کنیم، طی ده‌های گذشته کسب‌وکارها بسیار گسترده‌تر و پیچیده‌تر شده‌اند و حجم اطلاعات دیجیتالی تولیدشده، رشد نمایی را تجربه کرده است؛ بنابراین به برنامه‌های کاربردی با ابداع‌ها و خلاقیت‌هایی نیاز داریم که بتوانند در اسرع وقت، با کارایی بالا و البته دقت فراوان، اطلاعات را تجزیه‌وتحلیل کنند و به استنتاج‌ها و استخراج‌های غیرخطی و پیش‌بینی‌نشدنی بپردازند. (شکل۲) بر اساس مدل ارائه‌شده توسط دکتر «جی پاور» برای سیستم‌های پشتیبان‌کننده تصمیم‌گیری در کسب‌وکارهای هوشمند به مراحل «مدل‌های رانشی»، «اطلاعات رانشی»، «ارتباطات رانشی»، «اسناد رانشی» و «دانش رانشی» نیاز داریم.


  شکل 2:  برخی عوامل مورد نیاز برای بهبود و افزایش سرعت روش‌های تصمیم‌گیری، تحلیل و سیستم‌های BI در کسب‌وکارهای مدرن امروزی

واضح است در کسب‌وکارهای جدید، تحقق این عناصر نیازمند سیستم‌های خودکار و قابل فهمی هستند که بتواند همکاری بهتری با انسان داشته باشند، مدیریت فشرده‌سازی و ساختارمند کردن اطلاعات را صورت داده و اطلاعات غیرسنتی افزایش دهد. چنین کاری جز با یادگیری ماشینی امکان‌پذیر نیست. نیاز سیستم‌ها به حل پیچید‌گی‌های هم‌زمان با ظهور پدیده‌هایی مانند کلان‌داده‌ها و مزایای تجزیه‌وتحلیل اطلاعات در کسب‌وکارها، موجب شده است یادگیری ماشینی به فضاهای عملیاتی و طبیعی پا نهاده و سازمان‌های گسترده از آن برای کوچک‌سازی مجموعه‌های بزرگ اطلاعاتی بهره ببرند و با تحلیل هر یک از این بخش‌های کوچک بتوانند فرایندهای تصمیم‌گیری را بهبود دهند و سرعت عمل بخشند. از سوی دیگر، یادگیری ماشینی نشان داده است که به استفاده مؤثرتر از نیروی انسانی فنی و متخصص کمک می‌کند و به جای اینکه فرایندها و وظایف تکراری را در بازه فشرده کوتاه‌مدتی انجام دهند، می‌توانند به سراغ فرایندهای دانش‌بنیان بروند و در توسعه سیستم مشارکت کنند.  هم‌زمان با رشته‌هایی مانند داده‌کاوی، پردازش زبان طبیعی و مانند این‌ها، یادگیری ماشینی در کسب‌وکارها به عنوان ابزاری برای حرکت به سوی هوشمندی کسب‌وکار و دست یافتن به هوش سازمانی تلقی می‌شود. 

یادگیری ماشینی برای کسب‌وکارها مهیا است
چند سال پیش هنوز در ابتدای راه یادگیری ماشینی بودیم، اما اکنون باید اعتراف کرد یادگیری ماشینی آرایه‌ای گسترده از برنامه‌های کاربردی را برای کسب‌وکارها آماده کرده و همه‌چیز مهیا است. هر روز خبر جدیدی درباره استفاده از تکنیک‌های این علم در حوزه‌هایی مانند کلان‌داده‌ها، تجزیه‌وتحلیل اطلاعات، هوشمندسازی سازمان‌ها و کسب‌وکارها می‌شنویم که با دیگر راهکارهای موجود به صورت بسته پیشنهادی کامل یا راهکارهای موازی و دوش‌به‌دوش هم ترکیب می‌شوند. به هر حال، یادگیری ماشینی بخش بزرگی از نیازمندی‌ها و الزامات کسب‌وکار هوشمند سازمانی در مقیاس‌های وسیع را فراهم کرده است.

==============================

شاید به این مقالات هم علاقمند باشید:

آیا یادگیری ماشینی امنیت اینترنت اشیا را تضمین خواهد کرد؟

یادگیری ماشینی: جولانگاه تجربیات و خلاقیت‌ها

۱۳ چارچوب منبع‌باز برای کسب مهارت در یادگیری ماشینی (بخش اول)

۱۳ چارچوب منبع‌باز برای کسب مهارت در یادگیری ماشینی (بخش پایانی)

رقیب واتسون آی‌بی‌ام از راه رسید!

ای‌بی استارت‌آپ یادگیری ماشینی SalesPredict را تصاحب کرد

الگوریتمی برای دیدن چیزهایی که چشم انسان نمی‌بیند!

همکاری وزارت ارتباطات و شهرداری‌ها روی اینترنت اشیا و شهرهای هوشمند

برچسب: