وجه جدید زندگی با یادگیری ماشین

یادگیری ماشین (Machine learning) شاخه‌ای از هوش مصنوعی و علوم رایانه است که با استفاده از داده‌ها و الگوریتم‌ها، روی تقلید و یادگیری از انسان‌ها تمرکز می‌کند تا به تدریج دقت خود را بهبود ‌بخشد.

به عبارت ساده، یادگیری ماشین به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌ها توانایی فراگیری پیدا می‌کنند.

 این اصطلاح نخستین بار توسط آرتور لی ساموئل در سال ۱۹۵۹ مطرح شد و بنابر تعریف ارائه شده توسط دانشگاه استنفورد، یادگیری ماشین، علم آموزش یک رایانه، بدون برنامه ‎نویسی دقیق قبلی است.

افراد و کسب ‌و کارها قابلیت یادگیری در ماشین‌ها را تأمین می ‎کند تا ماشینها بتوانند بدون نیاز به انسان‌ها چیزها را یاد بگیرند؛ مانند خودرو‎یی که بدون نیاز به راننده حرکت می‎‌کند یا برنامه‌‎ای که قادر به ترجمه گفتار است.

الگوریتم‌‎های یادگیری ماشین از آمار برای یافتن الگوها در حجم انبوه داده استفاده می‌کنند. در واقع، یادگیری ماشین با داده‎‌ها شروع می‎شود.

 این داده‌ها میتواند اعداد، عکس‌ها، متون، معاملات بانکی، تصاویر افراد، اقلام خریداری شده، داده‎های سری زمانی از حسگرها، گزارش‎های فروش و آنچه که از ردپای شما در شبکه می‌ماند و امکان ذخیره آن به صورت دیجیتالی است، باشد.

این داده‌ها جمع‌آوری شده و آماده می‎شوند تا به عنوان داده‎های آموزشی استفاده شوند و با آن یک الگوریتم یادگیری ماشین طراحی شود. در واقع، هرچه داده بیشتر باشد، الگوریتم و برنامه بهتر است.

انواع الگوریتم‌های یادگیری ماشین

الگوریتم‌ یادگیری ماشین به سه دسته کلی یادگیری نظارت‌شده (Supervised Learning)، یادگیری غیرنظارتی (Unsupervised Learning) و یادگیری تقویتی (Reinforcement Learning) تقسیم می‌شود.

مدل‌های یادگیری ماشین تحت نظارت با مجموعه‌های داده دارای برچسب آموزش داده می‌شوند که به مدل‌ها امکان می‌دهد در طول زمان بیشتر یاد بگیرند و رشد کنند. برای مثال، یک الگوریتم با تصاویر سگ‌ها و دیگر چیزها آموزش داده می ‌شود که همگی توسط انسان‌ها برچسب‌گذاری شده‌اند، این ماشین راه‌هایی برای شناسایی تصاویر سگ‌ها را به تنهایی یاد بگیرد.

یادگیری ماشین تحت نظارت رایج‌ترین روشی است که امروزه مورد استفاده قرار می‌گیرد.در یادگیری ماشین بدون نظارت، یک برنامه به دنبال الگوها در داده‌های بدون برچسب است.

یادگیری ماشین بدون نظارت می‌تواند الگوها یا روندهایی پیدا کند که مردم به صراحت به دنبال آن نیستند. به عنوان مثال، یک برنامه یادگیری ماشین بدون نظارت می‌تواند از طریق داده‌های فروش آنلاین ظاهر شده، انواع مختلف مشتریان را که خرید می‌کنند، شناسایی کند.

یادگیری ماشین تقویتی، ماشین‌ها را از طریق آزمون و خطا آموزش می‌دهد تا با ایجاد یک سیستم پاداش بهترین اقدامات را انجام دهد.

 در یادگیری تقویتی وقتی عامل، کاری را انجام می‌دهد که او را به هدفش نزدیک‌تر می‌سازد، پاداش می‌گیرد و هدف او این است که اقداماتی را انجام دهد تا در بلندمدت پاداش او را حداکثر سازند. در نهایت با بررسی چندین‌باره روند بازی، سیستم به مدلی دست پیدا می‌کند که با استفاده از آن امکان به دست آوردن بالاترین امتیاز در بازی به وجود می‌آید.

کاربرد یادگیری ماشین در کسب ‌و کارها

یادگیری ماشین هسته اصلی برخی از مدل‌های تجاری شرکت‌ها، مانند الگوریتم پیشنهادهای نتفلیکس یا موتور جستجوی گوگل است. شرکت‌های دیگر عمیقاً با یادگیری ماشین درگیرند، اگرچه این موضوع اصلی کسب‌ و کار آن‌ها نیست.

دیگران هنوز در تلاشند تا نحوه استفاده از یادگیری ماشین را به شیوه‌ای مفید مشخص کنند؛ اما یکی از سخت ‌ترین چالش‌ های یادگیری ماشین، تشخیص مشکلاتی است که می‌توان با یادگیری ماشین حل کرد.

شرکت  ‎ ها در حال حاضر از چندین طریق از یادگیری ماشین استفاده می ‎ کنند، از جمله :

الگوریتم‌های پیشنهادی:  موتورهای پیشنهادی پشت نتفلیکس و یوتیوب، با توجه به اینکه چه محتوایی در فیسبوک نشان داده می‌شود، از طریق یادگیری ماشین تقویت می ‌شوند. الگوریتم‌ها سعی می‌کنند ترجیحات موردنظر را یاد بگیرند.

 در واقع، می‌خواهند یاد بگیرند، مانند توییتر، چه توییت‌هایی را می‌خواهد نشان دهند. همچنین در فیسبوک، چه تبلیغاتی را نمایش دهند، چه محتوایی منتشر یا تأیید شده‌ای، به اشتراک گذاشته شود.

تجزیه‌وتحلیل تصویر و تشخیص جسم:  یادگیری ماشین می‌تواند تصاویری را برای اطلاعات مختلف تجزیه‌و تحلیل کند، مانند یادگیری شناسایی افراد و تشخیص آن ‌ها، هرچند الگوریتم‌های تشخیص چهره بحث برانگیزند. کاربرد تجاری برای این کار متفاوت است.

تشخیص تقلب:  خودرو‌ها می‌توانند الگوها را تجزیه‌و تحلیل کنند، مانند اینکه یک نفر چگونه خرج می‌کند یا کجا خرید می‌کند تا تراکنش‌های کارت اعتباری تقلبی و تلاش برای ورود به یک اکانت یا ایمیل‌های اسپم را به صورت بالقوه شناسایی کنند.

خطوط پشتیبانی خودکار یا چت ‌ربات:  بسیاری از شرکت‌ها در حال استفاده از چت‌ربات‌های آنلاین هستند که در آن مشتریان با انسان صحبت نمی‌کنند، بلکه با یک دستگاه ارتباط برقرار می‌کنند. این الگوریتم‌ها از یادگیری ماشین و پردازش زبان طبیعی استفاده می‌کنند و ربات‌ها از سوابق مکالمات گذشته یاد می‌گیرند تا پاسخ‌های مناسبی ارائه دهند.

خودروهای خودران:  بیشتر فناوری پشت خودروهای خودران براساس یادگیری ماشین است.

تصویربرداری و تشخیص پزشکی:  برنامه‎های یادگیری ماشین را می‌توان برای بررسی تصاویر پزشکی یا سایر اطلاعات و جستجوی نشانه‌های خاصی از بیماری آموزش داد، مانند ابزاری که می‌تواند خطر ابتلا به سرطان سینه را بر اساس ماموگرافی پیش‌ بینی کند.

منبع: فصلنامه ارتباطات،