[vc_row][vc_column][vc_column_text]

یادگیری ماشین (Machine Learning) یکی از کلمات جنجالی است که این روزها بسیار شنیده شده و معمولا به عنوان مترادف هوش مصنوعی استفاده می‌شود. اما این معادل‌سازی دقیق نیست و باید توجه داشته باشید که یادگیری ماشین، زیر مجموعه‌ای از هوش مصنوعی می‌باشد.

این حوزه در اصل موضوع جدیدی نیست و ریشه آن به اواخر دهه ۱۹۵۰ باز می گردد. در حوالی این دهه “آرتور لی ساموئل” امریکایی اولین نرم افزار یادگیری ماشین را پیاده سازی کرد که توانایی بازی شطرنج را داشت.

“ونکات ونکاتارامانی” یکی از بنیانگذاران و مدیر‌عامل شرکت راک ست، تعریفی این چنین از یادگیری ماشین (Machine Learning) ارائه می‌کند: مهارت کامپیوتر‌ها در تصمیم‌گیری بدون داشتن دستور العمل های صحیح، که در نهایت اجازه می‌دهد رایانه الگوهای خود را با شرایط پیچیده مطابقت داده و پیش‌بینی کند در آینده چه اتفاقی خواهد افتاد.

برای اطمینان از درست انجام شدن این کار به مقدار زیادی از داده های باکیفیت، الگوریتم های پیچیده و رایانه های با قدرت بالا نیاز است. حال در نظر بگیرید زمانی که ساموئل برنامه خود را پیاده سازی کرد، چنین عواملی بسیار محدود بود. در نتیجه یادگیری ماشین تا دهه۹۰ میلادی شرایط تجاری سازی را نداشت.

کالین کومار نایب رئیس و مدیر فنی ارشد شرکت HCL اعتقاد دارد که: روند کنونی در یادگیری ماشین عمدتا بوسیله داده‌های ساختار یافته‌ای که توسط شرکت‌های تجاری طی چندین دهه و از طریق سیستم‌های مختلف ERP جمع‌آوری شده است، هدایت می‌شود. علاوه بر این، مجموعه‌ای از داده‌های بدون ساختار تولید شده توسط شبکه‌های اجتماعی نیز یکی از عوامل کمک به روند جدید است. عمده الگوریتم‌های یادگیری ماشین وظایفی از قبیل طبقه‌بندی داده، پیش‌بینی متغیر‌ها و مسائلی از این قبیل را انجام می‌دهند. به عنوان مثال، اپلیکیشن یک خرده‌فروشی آنلاین می‌تواند کاربران را براساس اطلاعات پروفایل و تاریخچه خرید آنها طبقه‌بندی کند که همین موضوع به خرده‌فروش اجازه می‌دهد تا احتمالات خرید‌های آینده کاربران را پیش‌بینی کرده و براساس آن محصولات و تخفیف‌های مرتبط را پیشنهاد دهد.

[/vc_column_text][vc_single_image image=”14643″ img_size=”full” alignment=”center” onclick=”img_link_large”][vc_column_text]

حال در مورد موضوع رایج دیگری صحبت می‌کنیم که اغلب با یادگیری ماشین اشتباه گرفته می‌شود – یعنی یادگیری عمیق.

به یاد داشته باشید که یادگیری عمیق (Deep Learning) زیر مجموعه یادگیری ماشین است و شامل سیستم‌های پیشرفته مصنوعی‌ای به نام شبکه‌های عصبی می‌شود که عمل مغز را تقلید می‌کند. همانند یادگیری ماشین، یادگیری عمیق نیز از دهه ۱۹۵۰ به میان آمده است. با این حال، در دهه ۱۹۸۰ پیشرفت این حوزه با نظریه‌های نوآورانه دانشگاهیانی مانند جفری هینتون، یوشوآ بنگیو و یان لکون سرعت گرفت. نهایتا غول‌های فناوری مانند گوگل، مایکروسافت و فیس بوک به شدت در این تکنولوژی سرمایه‌گذاری کردند که نتیجه آن انقلابی در هوش مصنوعی بوده است. به عنوان مثال، اگر از چیزی مانند مترجم گوگل استفاده کرده باشید، قدرت آن را دیده اید.

همچنین یادگیری ماشین تقویت شده به وسیله شبکه های عصبی یادگیری عمیق، گام های تاثیرگذاری را در شرکت ها می‌گذارد. که در اینجا به چند نمونه اشاره می‌کنیم:

شرکت mist دستیار مجازی را ارائه کرده است با نام مارویس که بر مبنای الگوریتم‌های یادگیری ماشین شناخت افراد از شبکه ای وایرلس محلی را افزایش می‌دهد. به این صورت که ادمین شبکه می‌تواند با سوالی مانند: «چگونگی به اکسس پوینت وای فای کتابخانه بیکر-بری دسترسی داشته باشیم؟» دستیار مجازی مارویس پاسخ‌هایی را با توجه به دیتای خود ارائه می‌دهد. و مهم‌ترین نکته این است که سیستم به مرور زمان هوشمند و دقیق‌تر می‌شود.

[/vc_column_text][vc_single_image image=”14644″ img_size=”full” alignment=”center” onclick=”img_link_large”][vc_column_text]

شرکت Barracuda Networks یکی از بهترین ها در بازار امنیت سایبری است و یادگیری ماشین (Machine Learning) بخش قابل توجهی از تکنولوژی این شرکت است. آساف سیدون معاون امنیت ایمیل شرکت می گوید: ” ما پی بردیم این تکنولوژی به طور چشم گیری بهتر از متوقف کردن حملات شخصی مهندسی اجتماعی است. بزرگ ترین مزیت آن این است که به طور موثر دست ما را باز میگذارد تا مجموعه ای از قوانین سفارشی را ایجاد کنیم که برای هر مشتری منحصر به فرد است. به عبارت دیگر ما می توانیم از تاریخچه الگوهای ارتباطی هر سازمان برای ایجاد یک مدل آماری از آنچه یک ایمیل معمولی در آن سازمان به نظر می رسد استفاده کنیم.به عنوان مثال، اگر مدیر اجرایی حسابرسی شرکت همیشه ایمیل های خاصی را از طریق آدرس های ایمیل خاصی در زمان های بخصوصی از روز می فرستد و لاگ ها نشان دهد از IP های خاص با افراد خاصی ارتباط برقرار می کند، یادگیری ماشین این داده ها را فراگیری می کند. ما همچنین می توانیم تمام لینک های معمول سیستم ایمیل سازمان را شناسایی کرده و یاد بگیریم. سپس ما با دانش خود و الگوریتم های مختلف طبقه بندی در یادگیری ماشین، رفتار پرسنل را مقایسه کرده و به این نتیجه می رسیم که یک ایمیل معمول و استاندارد در سازمان به چه شکل باید باشد”

در این بخش می‌خواهیم به بررسی برخی ایرادهای یادگیری ماشین یپردازیم:

این تکنولوژی با رسیدن به هوش مصنوعی واقعی فاصله دارد. از طرفی یادگیری ماشین نمی‌تواند علل وقایع را درک کند یا در تفکر مفهومی شرکت کند.

خطرات احتمالی تحت تاثیر قرار گرفتن و اتصال بیش از حد مدل‌ها وجود دارد (به این معنی که الگوریتم ها تعیین می‌کنند که مسائل جزئی و کوچک، نشان دهنده الگوی واقعی است)

مدیریت کردن داده‌های سری زمانی در مقیاس بزرگ می‌تواند بسیار دشوار باشد. آنجول بهامبری، معاون ارشد مهندسی پلتفرم در ادوبی، مثال سفر مشتری را بیان می‌کند – سفر مشتری یعنی” مرحله‌ای که مخاطب با محصول و یا خدمات شما آشنا می‌شود تا زمانی که محصول و یا سرویس شما را خریداری می‌کند. این سفر با استفاده از خدمات پس از فروش ادامه می‌یابد. ” باید در نظر داشت که این نوع داده شامل داده‌های رفتاری است که ممکن است تریلیون تعاملات مشتری را داشته باشد. اما  آیا هر کدام از این داده‌ها در تصمیم خرید مهم است؟ برای پاسخ دادن به این سوال، شما باید راهی برای تعیین قصد مشتری که پیچیده و مبهم است، پیدا کنید. لازم به ذکر است که ما در حال کار بر روی آن هستیم.”

با تمام این تفاسیر، یادگیری ماشین یک روش موثر برای تبدیل اطلاعات به بینش ارزشمند است. و پیش رفتن احتمالا مانند یک کلیپ سریع ادامه خواهد یافت.

شلدون فرناندز، مدیر عامل شرکت هوش مصنوعی داروین، می‌گوید: “یادگیری ماشین مهم است، زیرا قدرت پیش بینی کننده آن صنایع فراوانی را مختل می‌کند. ما این موضوع را در حال حاضر در قلمرو بینایی کامپیوتر، وسایل نقلیه خودران و پردازش زبان طبیعی مشاهده می کنیم. علاوه بر این، بازتاب این اختلالات ممکن است تاثیرات گسترده ای بر کیفیت زندگی ما داشته باشد، مانند پیشرفت های پزشکی، مراقبت‌های بهداشتی و دارویی.

منبع :‌وبسایت forbes

[/vc_column_text][/vc_column][/vc_row]