محتوی اختصاصی ماهنامه اقتصاد دیجیتالیادگیری ماشین

مفاهیم پایه انقلاب صنعتی چهارم؛ یادگیری ماشین(Machine Learning)

کانال تلگرام رسانه فناوری هوشمند
خشایار خدایی

یادگیری ماشین به‌عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.

یادگیری ماشین (Machine Learning)

شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام می‌شود چراکه نرم‌افزار یادگیری ماشینی آن‌ها چگونگی رتبه‌بندی صفحات وب را درک کرده است. هنگامی‌که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است. هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص می‌کند نیز به همین دلیل است که کامپیوتر شما آموخته است که هرزنامه را از ایمیل غیر اسپم تشخیص دهد. این همان یادگیری ماشین است. این علمی است که باعث می‌شود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.

هدف یادگیری ماشین این است که کامپیوتر (درکلی‌ترین مفهوم آن) بتواند به‌تدریج و با افزایش داده‌ها کارایی بهتری در انجام‌وظیفه‌ی موردنظر پیدا کند. گستره‌ی این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهره‌ی موردنظر تا فراگیری شیوه‌ی گام‌برداری ربات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.

طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده است. در سوی نظری آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌هایشان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مؤلفه‌هایی از هر دو رویکرد هستند.

یادگیری ماشین کمک فراوانی به ‌صرفه‌جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه‌وتحلیل داده‌ها می‌کند. به‌عنوان‌مثال در صنعت نفت و پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه‌وتحلیل داده‌ها، الگوریتم‌هایی تنظیم می‌شود که در حفاری‌های بعدی بیشترین نتیجه و استخراج بهینه‌ای را داشته باشیم.

یکی از تقسیم‌بندی‌های متداول در یادگیری ماشینی، تقسیم‌بندی بر اساس نوع داده‌های در اختیار عامل هوشمند است. به سناریوی زیر توجه کنید:

فرض کنید به‌تازگی رباتی سگ‌نما خریده‌اید که می‌تواند توسط دوربینی دنیای خارج را مشاهده کند، به کمک میکروفن‌هایش صداها را بشنود، با بلندگوهایی با شما سخن بگوید (گیریم محدود) و چهارپایش را حرکت دهد. هم‌چنین در جعبه‌ی این ربات دستگاه کنترل از راه دوری وجود دارد که می‌توانید انواع مختلف دستورها را به ربات بدهید. اولین کاری که می‌خواهید بکنید این است که اگر ربات شما را دید خرناسه بکشد اما اگر غریبه‌ای را مشاهده کرد با صدای بلند عوعو کند. فعلاً فرض می‌کنیم که ربات توانایی تولید آن صداها را دارد اما هنوز چهره‌ی شما را یاد نگرفته است. پس ‌کاری که می‌کنید این است که جلوی چشم‌هایش قرار می‌گیرید و به کمک کنترل از راه دورتان به او دستور می‌دهید که چهره‌ای که روبرویش می‌بیند را با خرناسه کشیدن مربوط کند.

این کار را برای چند زاویه‌ی مختلف از صورتتان انجام می‌دهید تا مطمئن باشید که ربات درصورتی‌که شما را از مثلاً نیم‌رخ ببیند بهتان عوعو نکند. هم‌چنین شما چند چهره‌ی غریبه نیز به او نشان می‌دهید و چهره‌ی غریبه را با دستور عوعو کردن مشخص می‌کنید. در این حالت شما به کامپیوتر ربات گفته‌اید که چه ورودی را به چه خروجی مربوط کند. دقت کنید که هم ورودی و هم خروجی مشخص است و در اصطلاح خروجی برچسب‌دار است. به این شیوه‌ی یادگیری، یادگیری با نظارت میگویند.

اینک حالت دیگری را فرض کنید. برخلاف دفعه‌ی پیشین که به رباتتان می‌گفتید چه محرکه‌ای را به چه خروجی ربط دهد، این بار می‌خواهید ربات خودش چنین چیزی را یاد بگیرد. به این صورت که اگر شما را دید و خرناسه کشید به نحوی به او پاداش دهید (مثلاً به کمک همان کنترل از راه دورتان) و اگر به‌اشتباه به شما عوعو کرد، او را تنبیه کنید (باز هم با همان کنترل از راه دورتان). در این حالت به ربات نمی‌گویید به ازای هر شرایطی چه کاری مناسب است، بلکه اجازه می‌دهید ربات خود کاوش کند و تنها شما نتیجه‌ی نهایی را تشویق یا تنبیه می‌کنید. به این شیوه‌ی یادگیری، یادگیری تقویتی میگویند.

در دو حالت پیش قرار بود ربات ورودی را به خروجی مرتبط کند؛ اما گاهی وقت‌ها تنها می‌خواهیم ربات بتواند تشخیص دهد که آنچه می‌بیند (یا می‌شنود و…) را به‌نوعی به آنچه پیش‌تر دیده است ربط دهد بدون این‌که به‌طور مشخص بداند آن‌چیزی که دیده‌شده است چه چیزی است یا این‌که چه کاری در موقع دیدنش باید انجام دهد. ربات هوشمند شما باید بتواند بین صندلی و انسان تفاوت قایل شود بی‌آنکه به او بگوییم این نمونه‌ها صندلی‌اند و آن نمونه‌های دیگر انسان. در اینجا برخلاف یادگیری با نظارت هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی آن‌ها است. این نوع یادگیری که به آن یادگیری بی نظارت میگویند بسیار مهم است چون دنیای ربات پر از ورودی‌هایی است که کسی برچسبی به آن‌ها اختصاص نداده اما به‌وضوح جزئی از یک دسته هستند.

یادگیری ماشین در صنعت

بسیاری از شرکت‌ها با حجم عظیمی از داده‌ها کار می‌کنند. این صنایع ارزش ابزارهای یادگیری ماشینی را خوب می‌فهمند. شرکت‌ها با تحلیل هم‌زمان این اطلاعات و کاویدن الگوهای درون آن‌ها، می‌توانند بازدهی و سود خود را افزایش دهند و رقبا را پشت سر بگذارند.

یادگیری ماشینی کاربردهای گوناگونی در صنایع مختلف دارد؛ اما اگر شما صاحب یک شرکت نباشید، باز هم از منافع یادگیری ماشینی بی‌نصیب نخواهید بود. اگر تلفن‌همراه شما بتواند اشتباهاتتان را یاد بگیرد، اگر تخت‌خوابتان با عادت‌های خواب شما آشنا بشود، اگر سیستم تهویه مطبوع خانه بتواند سلیقه شما را با دمای هوای بیرون تطبیق بدهد، علاوه بر شرکت‌های فروشنده موبایل، تخت‌خواب و تهویه مطبوع، شما هم از منافع یادگیری ماشینی بهره‌مند می‌شوید.

به‌بیان‌دیگر یادگیری ماشینی قرار است دنیا را به‌ جایی بهتر تبدیل کند و رفاه را برای همه به ارمغان بیاورد. هرچند درست مانند دیگر شاخه‌های علمی، یادگیری ماشینی می‌تواند منفی و مخرب هم باشد.

از فواید یادگیری ماشین می‌توان به رشد اقتصادی و امنیت مالی، دولت‌هایی باهوش‌تر و موثرتر، بازاریابی و فروش، مسئله انرژی و حمل‌ونقل، اشاره کرد.

یادگیری ماشین در رشد اقتصادی و امنیت مالی

بانک‌ها و شرکت‌های فعال در حوزه مالی از فناوری یادگیری ماشینی برای دو هدف استفاده می‌کنند. پیدا کردن بینش تجاری درست و کشف و جلوگیری از تقلب.

با داشتن بینش درست تجاری می‌توان فرصت‌های سرمایه‌گذاری را پیدا کرد. همچنین می‌توان به سرمایه‌گذاران کمک کرد که بدانند دقیقا روی چه چیزی سرمایه‌گذاری کنند. به همین دلیل یادگیری ماشینی می‌تواند باعث رشد چشمگیر اقتصاد و بهبود وضع عمومی جهان، با کم‌ترین آسیب ممکن به محیط‌زیست بشود. همچنین ممکن است زمینه‌هایی برای سرمایه‌گذاری پیدا شود که پیش‌ازاین به‌طور کامل از آن‌ها غافل بودیم. زمینه‌هایی مثل یک استارت‌آپ کوچک یا هنرمندی گمنام.

شرکت‌ها و سازمان‌های مالی با استفاده داده‌کاوی می‌توانند رفتار مشتری‌ها را تحلیل کنند. همچنین آن‌ها می‌توانند ابزارهای نظارت مجازی طراحی کنند که بتواند وقوع معاملات مشکوک به تقلب را در زمان انجام معامله یا حتی قبل از آن شناسایی کنند.

  ” اقتصادالکترونیکی آخرین و به روزترین محتوی در اقتصاددیجیتال

دولت‌هایی باهوش‌تر و موثرتر

سازمان‌های دولتی مثل صندوق‌های بازنشستگی و سازمان‌های بیمه نیاز خاصی به ابزارهای یادگیری ماشینی دارند. آن‌ها داده‌های زیادی از منابع گوناگون دریافت می‌کنند. این داده‌ها می‌توانند برای به دست آوردن درکی درست برای برنامه‌ریزی‌های کوتاه و بلندمدت استفاده شوند. یادگیری ماشینی آینده آمار و برنامه‌ریزی را به‌طور کامل تغییر خواهد داد.

تحلیل داده‌های سلامتی افراد می‌تواند بازدهی صنعت بیمه را افزایش بدهد. این افزایش بازدهی باعث ذخیره پول بیشتر و درعین‌حال ارائه خدمات بهتر به متقاضیان می‌شود.

با استفاده از ابزارهای یادگیری ماشینی همچنین می‌توان از تقلب و جعل مدارک بیمه جلوگیری کرد. پول صرفه‌جویی شده از این مجرا در مسائلی مثل آموزش، بهداشت و درمان و خدمات بازنشستگی خرج می‌شود.

بازاریابی و فروش

احتمالا پیش‌ازاین با ویدئوهایی تبلیغاتی که در سایت یوتیوب قبل از ویدئوی موردنظر شما پخش می‌شود، مواجه شده‌اید. اگر این تبلیغ درباره کالایی است که شما دوست دارید یا قبلا قصد داشتید آن را تهیه کنید، شما تماشاگر یکی از نتایج تحلیل‌ ابزارهای یادگیری ماشینی بوده‌اید.

اگر امروز می‌خواهید یک کامپیوتر نو بخرید و برای این کار بارها در موتور جستجوی گوگل یا با استفاده مرورگر گوگل کروم، کالای موردعلاقه‌تان را بررسی کرده‌اید، احتمالا ویدئوی تبلیغاتی که سایت یوتیوب در آینده برای شما پخش خواهد کرد در مورد خرید کامپیوتر خواهد بود.

فعالیت‌های کاربران اینترنت در اکثر سایت‌ها ثبت و به سرور سایت ارسال می‌شود. این داده‌ها تحت عنوان کوکی (Cookie) ذخیره و به سرور فرستاده می‌شوند. تحلیل این داده‌ها باعث می‌شود سایت‌ها سود کنند و کاربران محتوای موردعلاقه خود را ببینند. همه این‌ها به مدد ابزارهای یادگیری ماشینی ممکن است.

در دنیای آفلاین نیز تحلیل چنین داده‌هایی مفید است. اگر شما یک تامین‌کننده عمده کالا هستید با دانستن اطلاعات درستی از میزان فروش در شهرهای مختلف یا مناطق گوناگون یک شهر، می‌توانید تسهیلات بهتری را برای تامین کالا در مناطق مختلف فراهم کنید.

هنوز ابزارهای مناسبی برای جمع‌آوری این داده‌ها وجود ندارد؛ اما با گسترش اینترنت اشیاء چنین داده‌هایی تولید خواهند شد.

جهت مشاهده ودانلود فایل pdf ماهنامه ” اقتصاد دیجیتال” اینجا کلیک نمایید.

 مسئله انرژی

کشف میدان‌های جدید نفت و گاز، تحلیل مواد معدنی زمین، پیش‌بینی احتمال خرابی حسگرها، دستگاه‌های حفاری و استخراج، پمپاژ و توزیع بهینه نفت و گاز. همه این‌ها مثال‌هایی از کاربردهای یادگیری ماشینی در صنایع نفت و گاز هستند. این کاربردها هرروز بیشتر می‌شوند.

پالایشگاه‌ها، سکوهای نفتی، چاه‌های نفت و واحدهای پتروشیمی تعداد زیادی حسگر دارند. این حسگرها با یک کامپیوتر مرکزی کنترل می‌شوند. حجم داده‌هایی که این حسگرها تولید می‌کنند بسیار زیاد است.

با اضافه کردن حسگرهای دیگری که بتوانند تغییرات وضعیت تجهیزات را هم تشخیص دهند، داده‌های مفید دیگری تولید خواهند شد. با ترکیب داده‌های این حسگرها و حسگرهای معمولی و البته تحلیل آن‌ها، می‌توانیم میزان تخریب قطعات را تعیین کنیم و پیش از وارد شدن صدمات انسانی و خسارت‌های مالی، آن‌ها را تعمیر و تعویض کنیم.

همین موضوع می‌تواند حامل‌های انرژی را ارزان‌تر کند. از طرف دیگر این فناوری می‌تواند مصرف انرژی را هم بهینه کند. همین اتفاق به‌تنهایی می‌تواند تصور ما از آینده را به‌طور کامل تغییر دهد.

تحولی عظیم در حمل‌ونقل

تحلیل داده‌ها برای تعیین الگو‌ها و یافتن ترند‌های گوناگون حوزه ترابری همچون نوع اجناس، مقصد‌های پرطرفدار و شهرهای مبدا عمده تامین‌کننده کالا از کلیدی‌ترین کاربردهای یادگیری ماشینی در صنایع ترابری و حمل‌ونقل است. با استفاده از یادگیری ماشینی می‌توان مسیرهای بهینه حمل کالا در داخل و خارج شهر را تعیین کرد و مشکلات احتمالی را در مسیرهای مختلف یافت و از وقوع آن‌ها پیشگیری کرد. همه این موارد سود حاصله را برای صنعت حمل‌ونقل، عمده‌فروشان، خرده‌فروشان و مشتریان افزایش می‌دهد. علاوه بر این، امنیت حمل‌ونقل درون‌شهری و برون‌شهری هم ارتقا خواهد یافت به‌عنوان‌مثال قدرت تمرکز ماشین‌ها می‌تواند حوادث رانندگی را کاهش دهد

 اگر بتوانیم هر کالایی را درنهایت امنیت به هرجایی که می‌خواهیم بفرستیم، به‌سادگی می‌توانیم با فقر و کمیابی‌های محلی مبارزه کنیم.

اهمیت یادگیری ماشینی در آینده بیشتر خواهد شد. توسعه یادگیری ماشینی و ترکیب آن با روش‌های دیگری همچون یادگیری عمیق (Deep Learning) منجر به تولد ابزارهایی قدرتمندتر می‌شود. ما در نقطه عطفی در تاریخ فناوری زندگی می‌کنیم. نقطه عطفی بین دنیای غیرهوشمند و دنیایی سراسر هوشمند. یادگیری ماشینی تنها آغازی است برای تحولی بنیادی در آینده جهان.

منبع: فناوری هوشمند

کانال تلگرام رسانه فناوری هوشمند

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا