در کنار فراگرفتن مهارت‌های فنی، آشنایی با گردش کار تیم‌های مختلف هوش مصنوعی برای طیف مختلف علاقه‌مندان ضروری است. در این مقاله با استفاده از مثال‌هایی سعی می‌کنیم گردش کار در تیم‌های یادگیری ماشین و داده‌کاوی را توضیح دهیم. در تهیه این مطلب از دوره هوش مصنوعی برای همه اندرو ان جی استفاده شده است.
در کنار فراگرفتن مهارت‌های فنی، آشنایی با روند کاری یا گردش کار تیم‌های مختلف هوش مصنوعی برای طیف مختلف علاقه‌مندان به هوش مصنوعی ضروری است. در این مقاله با استفاده از مثال‌هایی سعی می‌کنیم گردش کار در تیم‌های یادگیری ماشین و داده‌کاوی را توضیح دهیم. در تهیه این مطلب از دوره هوش مصنوعی برای همه اندرو ان جی استفاده شده است.
دانلود و مشاهده عناوین ماهنامه ” اقتصاد دیجیتال” شماره ۸، اردیبهشت ماه ۱۴۰۰
اگر اندکی با هوش مصنوعی آشنا باشید حتماً نام اندرو ان جی را شنیده‌اید. ان جی در شرکت‌های بزرگی مثل گوگل، بایدو و چند شرکت دیگر تیم‌های هوش مصنوعی و یادگیری ماشین را رهبری کرده است. بنابراین توضیحاتی که او درباره گردش کار در تیم‌های مختلف هوش مصنوعی می‌دهد می‌تواند برای بسیاری از شرکت‌ها و علاقه‌مندان این حوزه مفید باشد.
گردش کار در تیم‌های یادگیری ماشین
الگوریتم‌های یادگیری ماشین می‌توانند نحوه رسیدن از ورودی به خروجی یا از A تا B را بیاموزند. اما این فرایند چگونه در یک پروژه یادگیری ماشین طی می‌شود؟
برای درک بهتر مسئله بگذارید از همان ابتدا بحث را با یک مثال پیش ببریم. فرض کنید می‌خواهیم محصولی را با استفاده از یادگیری ماشین تولید کنیم. مثلاً محصول تولیدی ما مربوط به فناوری تشخیص گفتار است.
محصولاتی مثل الکسای آمازون، گوگل هوم، سیری اپل مثال‌هایی از این فناوری هستند.
مراحل اساسی در یک پروژه ماشین لرنینگ
به نظر شما در تولید الکسا چه فرایندی طی شده است؟
-جمع‌آوری داده
اولین مرحله در پروژه‌های هوش مصنوعی و یادگیری ماشین جمع‌آوری داده است.
مثلاً درمورد الکسا شما باید صداها و لهجه‌های مختلفی را جمع‌آوری کنید که در آن بگویند «الکسا». همچنین نیاز دارید افراد دیگری باشند که واژه های دیگری را بگویند مانند «سلام» یا خیلی از واژه‌های دیگر.
-آموزش مدل
حال که مقدار زیادی داده صوتی جمع کردید که در آن افراد الکسا را صدا می‌زنند یا از کلمات دیگر استفاده می‌کنند نوبت به آموزش دادن مدل می‌رسد. این مرحله بدین معناست که ما از الگوریتم‌های یادگیری ماشین استفاده می‌کنیم تا ماشین فرایند رسیدن از ورودی به خروجی را بیاموزد.
در اینجا ورودی ما فایل صوتی است که کسی می‌گوید الکسا و خروجی ما این است که سیستم می‌آموزد بگوید الکسا.
وقتی که تیم هوش مصنوعی فرایند یادگیری را شروع می‌کنند، طبیعی است که تلاش‌های اولیه کیفیت لازم را نداشته باشد. بنابراین تیم باید چند بار این مسیر را طی کند تا به نتیجه مطلوب برسد.
جهت دانلود و مشاهده عناوین ماهنامه ” اقتصاد دیجیتال” اینجا کلیک نمایید.
جاسازی و به‌کارگیری مدل
در این بخش مدلی که طراحی کرده‌ایم را درون یک اسپیکر هوشمند واقعی قرار می‌دهیم. و به‌صورت آزمایشی به تعدادی از کاربران می‌دهیم. معمولاً اتفاقی که در این مرحله می‌افتد این است که با استفاده ای که این کاربران از مدل می‌کنند داده‌های جدیدی وارد مدل می‌شود و عملکرد سیستم بهبود می‌یابد.
برای مثال فرض کنید شما یک سیستم بازشناسی گفتار دارید که با داده‌های صوتی انگلیسی با لهجه آمریکایی آموزش داده‌اید. حال این محصول را در اختیار تعداد محدودی از کاربران با لهجه انگلیسی بریتانیایی هم قرار می‌دهید. چه اتفاقی می‌افتد؟ احتمالا سیستمتان با لهجه بریتانیایی خیلی خوب کار نمی‌کند. اما شما این داده‌ها را جمع می‌کنید و مدل را به‌روزرسانی می‌کنید.
نکته‌ای که باید در نظر داشت این است که این مراحل خطی نیستند و بارها و بارها در طول تولید محصول به مراحل مختلف بازمی‌گردیم و با دانسته‌های جدید بهبود می‌بخشیمشان.
این مراحل اصلی تقریباً در بقیه پروژه‌های یادگیری ماشین نیز تکرار می‌شود. برای مثال بگذارید نگاهی بیندازیم به مراحل اصلی استفاده از یادگیری ماشین در تولید ماشین‌های خودران.
برای استفاده از یادگیری ماشین در خودروهای خودران مانند مثال قبل باید ابتدا به این سوال پاسخ دهیم که ورودی و خروجی ما چه خواهد بود؟ در اینجا ورودی ما تصاویر خودروهاست و خروجی ما سیستمی است که می‌تواند خودروها را در موقعیت‌های مختلف تشخیص دهد. در اینجا نیز دوباره اولین قدم جمع‌آوری داده‌هاست.
ما به تصاویر متعددی نیاز داریم که در آن انواع خودروها را در موقعیت‌های مختلف نشان دهد.
پس از آن نوبت به آموزش مدل می‌رسد. در این مرحله سیستمی که ساخته‌ایم باید بتواند با استفاده از الگوریتم‌های یادگیری ماشین خودروها را تشخیص دهد. و در آخر نوبت به جایگذاری و استفاده از این فناوری می‌رسد. این محصول را به‌صورت آزمایشی در اختیار کاربران قرار می‌دهیم و از طریق داده‌های جدیدی که این خودروها حین استفاده جمع می‌کنند دوباره وارد چرخه گردش کاری یادگیری ماشین می‌شویم.
منبع: هوشیو
بیشتر از کسب و کار دیجیتال در اقتصادالکترونیکی:
تیم کارمندان چه زمانی به ابزارهای مدیریت دیجیتال نیاز دارد؟
آینده مشاغل و نقش انسان ها
بازگشت کسب و کار به دوران اوج با ۴ عادت کاربردی
بررسی ۱۶ استراتژی داده محور؛ بازاریابی B2B با استراتژی های جدید
هوش مصنوعی و ربات‌ها؛ تهدید یا فرصت برای اشتغال‌زایی؟
هویت برند (Brand Identity) چیست؟ همراه با راهنمای هویت سازی برای برند
ابزارهای سئو برای کسب و کارهای کوچک
با برخی پیشگامان فناوری سال ۲۰۲۱ مجمع جهانی اقتصاد آشنا شوید
هوش‌مصنوعی در محیط کار
۱۰ استراتژی برتر بازاریابی ایمیلی
صنعت تکنولوژی در انتظار اصلاحات ساختاری
اشتباهات بازاریاب های دیجیتال در تحلیل داده
مهارت‌های شش‌گانه تحلیلگر کسب‌وکار
