چگونه یادگیری ماشین در کسب و کارها مورد استفاده قرار می‌گیرد؟

موبنا- بسیاری از غول‌های بزرگ فناوری در پی استفاده از این تکنولوژی به منظور ارائه‌ی خدمات به کاربران خود هستند و دیگر این مفهوم را نمی‌توان یک حوزه‌ی صرفا آکادمیک خواند. در ادامه به بررسی کاربردهای یادگیری ماشین در کسب و کارها و محصولات تجاری خواهیم پرداخت. با زومیت همراه باشید. این روزها بیش از …

موبنا- بسیاری از غول‌های بزرگ فناوری در پی استفاده از این تکنولوژی به منظور ارائه‌ی خدمات به کاربران خود هستند و دیگر این مفهوم را نمی‌توان یک حوزه‌ی صرفا آکادمیک خواند. در ادامه به بررسی کاربردهای یادگیری ماشین در کسب و کارها و محصولات تجاری خواهیم پرداخت. با زومیت همراه باشید.

این روزها بیش از هر زمان دیگری از یادگیری ماشین می‌شنویم. با پیشرفت هوش مصنوعی و سرمایه‌گذاری کمپانی‌های بزرگ در این حوزه، شاخه‌های مختلف این مفهوم نیز بیش از پیش شناخته شده‌تر می‌شوند. یادگیری ماشین یکی از مفاهیمی است که در سال‌های اخیر بسیار از آن شنیده‌ایم. ارائه‌ی انواع سرویس‌ها و محصولات مختلف مبتنی بر یادگیری ماشین باعث شده تا شاهد توسعه‌ی هر چه بیشتر یادگیری ماشین باشیم.

یک جستجو و بررسی در اینترنت حجم گسترده‌ی استفاده از یادگیری ماشین را به خوبی نمایان می‌کند، همین موضوع تغییرات گسترده‌ای را نیز نمایان می‌کند.

دستیار صوتی هوشمند سیری

برای مثال می‌توان به محصولاتی نظیر سیری و بلندگوی اکو از آمازون در کنار سایر دستیارهای صوتی اشاره کرد. آخرین محصولی که با استفاده از یادگیری ماشین توانسته نتایج بسیار درخوری کسب کند، آلفاگوی گوگل است. آلفاگو یک سیستم هوش مصنوعی مبتنی بر یادگیری ماشین و شبکه‌های عصبی است که موفق شد در جریان رقابت با قهرمان بازی Go نتیجه‌ی درخشان چهار برد را در برابر یک باخت کسب کند. همانطور که اشاره کردیم، کمپانی‌های بزرگی نظیر مایکروسافت و گوگل سرمایه‌گذاری عظیمی در بخش تحقیق و توسعه‌ی یادگیری ماشین به انجام رسانده‌اند. به جرات می‌توان گفت که بیش از چند صد کمپانی در حال کسب درآمد از طریق بکارگیری متدهای مبتنی بر یادگیری ماشین هستند. اما کاربردهای یادگیری ماشین در کسب درآمد و در دنیای واقعی چیست؟

تفکیک و مرتب سازی داده‌های کسب شده از کاربران

داده‌هایی که از کاربران دریافت می‌شود، در حالت خام بسیار بی ارزش و کاملا غیرکاربردی هستند. در واقع این داده‌ها را می‌توان به حجمه‌ی عظیمی از زباله تشبیه کرد که کاربرد خاصی نداشته و فقط حجم گسترده‌ای را به خود اختصاص می‌دهند. اما کمپانی‌ها با استفاده از روش‌های پیشنهادی توسط یادگیری ماشین، اقدام به فیلترینگ و مرتب‌سازی داده‌های مربوط می‌کنند که نیاز برای استفاده از نیروی انسان را به منظور تگ گذاری و مرتب سازی از بین می‌برد.

برای مثال می‌توان به دریافت ایمیل‌های اسپم اشاره کرد. ایمیل‌های اسپم نمونه‌ای از اطلاعات زائد هستند که می‌توانند صندوق دریافتی هر حساب کاربری ایمیلی را بی مصرف کرده و حتی غیرقابل استفاده کنند، اما با استفاده از یادگیری ماشین و حذف ایمیل‌های اسپم بصورت خودکار، این روزها شاهد استفاده از این سرویس‌ها با خیالی آسوده هستیم.

شبکه‌ی اجتماعی Pinterest از یادگیری ماشین برای نمایش محتوایی که احتمالا مورد پسند کاربران واقع خواهد شد، استفاده می‌کند. این سرویس از یادگیری ماشین در مرتب سازی تصاویر آپلود شده توسط کاربران نیز استفاده می‌کند. NextDoor از یادگیری ماشین برای مرتب سازی اطلاعات و محتوای وارد شده توسط کاربران در بورد پیام‌ها استفاده می‌کند. Disque نیز از یادگیری ماشین برای فیلتر کردن پیام‌های اسپم شده بهره می‌برد.

پیدا کردن سریع محصولات

موتور جستجوی گوگل به عنوان هسته‌ی اصلی درآمدزایی این کمپانی، همواره برای پیشگام بودن و برتری بر سایر سرویس‌های جستجو از یادگیری ماشین استفاده کرده است. این کمپانی اخیرا متخصصان هوش مصنوعی را نیز به تیم جستجوی خود اضافه کرده تا یادگیری ماشین با جدیت بیشتری در سرویس جستجو مورد استفاده قرار گیرد. البته باید به این نکته اشاره کرد که مفهوم مرتب سازی اطلاعات و ایندکس کردن حجم گسترده‌ای از داده‌ها و جستجو برای یافتن گزینه‌های مناسب از سال ۱۹۷۰ میلادی وجود داشته، اما چیزی که گوگل و سرویس‌های ارائه شده توسط این کمپانی را خاص می‌کند، فهم سیستم گوگل برای نمایش نتایج مرتبط‌تر است. روشی که گوگل نتایج نزدیک‌تر را به ترتیب نمایش می‌دهد، از وجود یادگیری ماشین استفاده می‌کند. این کمپانی در ماه‌های گذسته سیستم یادگیری ماشین TensorFlow را بصورت متن باز در اختیار تمام توسعه دهندگان قرار داد تا بتوانند از آن استفاده کرده و به توسعه‌ی هر چه بیشتر آن کمک کنند.

TensorFlow

اما این موضوع فقط در مورد سرویس جستجوی گوگل صادق نیست و بسیاری از کمپانی‌ها در سرویس‌هایی که ارائه می‌دهند، نیاز دارند تا داده‌های مرتبطی را با استفاده از فاکتورهای ارائه شده توسط کاربران خصوصیت‌های آن‌ها، ارائه کنند. برای مثال اپل نیاز دارد تا اپلیکیشن‌های مرتبط را در فروشگاه خود به کاربرانش نمایش دهد.

بهبود کانال‌های ارتباط با مشتریان

در صورتی که توجه کرده باشید، بخش تماس با ما در شماری از وب‌سایت‌های متعلق به کمپانی‌های بزرگ در سال‌های اخیر بسیار بهبود یافته و عملکرد بهتری دارند. به جای انتخاب مشکل موجود از طریق انواع منوها، کافی است تا کاربر مشکل خود را بصورت متنی وارد کند تا بهترین پاسخ‌‌های ممکن برای راهنمایی وی نمایش داده شوند. همه‌ی این فرآیند از طریق یادگیری ماشین و پیاده کردن روش‌هایی امکان پذیر است که این فناوری در اختیارمان قرار می‌دهد.

درک رفتار کاربران

یادگیری ماشین نقش موثری در درک رفتار کاربران بازی می‌کند. بسیاری از کمپانی‌ها برای درک رفتار و تمایلات مشتریانی که از سرویس‌های آن‌ها استفاده می‌کنند، یادگیری ماشین را مورد استفاده قرار می‌دهند. نتایج حاصل از درک رفتار مشتریان می‌تواند در بازاریابی موفقیت‌های بی‌شماری را برای یک کمپانی به همراه داشته باشد.

برای مثال یک فیلم سینمایی را تصور کنید که استودیوی سازنده‌ی آن تریلر مربوط به آن را به نمایش می‌گذارد. عوامل سازنده می‌توانند بازخوردهای کابران و افرادی را که این فیلم را مشاهده کرده‌اند، مورد مطالعه قرار داده و فاکتورهایی را که کاربران در قبال آن واکنش مثبت نشان می‌دهند، پررنگ‌تر کنند. این فاکتور‌ها در تبلیغات بعدی اعمال شده و نتایج به دست آمده دوباره مورد تحلیل و بررسی قرار می‌گیرد تا نهایتا مخاطبان بیشتری به سالن‌های سینما کشیده شوند.

مثال دیگر، ارائه‌ی یک بازی رایانه‌ای است. برای مثال یک عنوان بازی را تصور کنید که با حذف یک بخش منتشر شده است. توسعه‌دهندگان می‌توانند با دریافت بازخورد کاربران در شبکه‌های اجتماعی، در مورد بازگرداندن یا ادامه‌ی تصمیم خود تصمیم بگیرند. محصولات سخت‌افزاری نیز شامل این موضوع هستند. روشی که می‌توان بصورت بهینه و هوشمندانه در کمترین زمان به تحلیل نظرات کاربران پرداخت، استفاده از هوش مصنوعی و یادگیری ماشین است.

تصور کنید که میلیون‌ها توییت با هش‌تگ‌های مربوط به یک بازی منتشر شده، به طور حتم مرتب سازی، استخراج و درک هر یک ساعت‌ها زمان برده و تعداد نفرات بالایی را برای درگیر خواهد کرد، حال آنکه هوش مصنوعی و یادگیری ماشین، کار را بسیار ساده‌ می‌کند.

قدم بعدی چیست؟

تعامل و توسعه‌ی الگوریتم‌های مربوط به یادگیری ماشین، فرآیند بسیار پیچیده‌ای است. برخلاف الگوریتم‌های معمول قابل پیش بینی توسعه یافته که می‌توان به راحتی فرآیند کارکرد الگوریتم را دید، در الگوریتم‌های مبتنی بر یادگیری ماشین رویه بصورت کلی تغییر پیدا کرده است، در این الگوریتم‌‌ها روند تصمیم‌گیری بسیار شبیه به فرآیند تصمیم‌گیری در ما انسان‌ها است. برای مثال کاربران سوالاتی را نظیر “چرا آمازون این کتاب را به من معرفی کرد؟” می‌پرسند که نمی‌توان با استفاده از الگوریتم‌های معمولی به آن‌ها پاسخ داد.

شاید ۱۰ سال پیش توسعه و کار روی یادگیری ماشین تنها در کمپانی‌هایی نظیر گوگل یا یاهو قابل مشاهده بود؛ البته همین کمپانی‌ها نیز در این حوزه بصورت تحقیقاتی وارد شده و محصولاتی را روانه‌ی بازار نکرده بودند، اما این روزها می‌توان تاثیر یادگیری ماشین را در زندگی روزانه‌ی خود حداقل در دنیای مجازی به روشنی دید. این روزها داده‌ها بیش از هر زمان دیگری در دسترس بوده و فزونی دارند.

شاید در ظاهر به نظر برسد اولین مشتریان یادگیری ماشین، دستیارهای صوتی هوشمند و خودروهای هوشمند باشند، اما چیزی که در باطن و در اصل می‌توان مشاهده کرد، بهره‌گیری از این مفهوم در طیف گسترده‌ای از وب سایت‌ها است. کمپانی‌ها سرمایه‌گذاری عظیمی در حوزه‌ی یادگیری ماشین انجام داده‌اند و نتیجه‌ی آن را نیز به وضوح مشاهده کرده‌‌اند. باید دید که آینده چه سرنوشتی را برای این حوزه رقم خواهد زد، هرچند بسیاری از آن بیم داشته و پیشرفت روزافزون هوش مصنوعی و شباهت بیش از پیش آن به فرآیند فعالیت مغز انسان را پایانی بر زندگی بشر می‌خوانند. نظر شما در این خصوص چیست؟

منبع:زومیت

نوشته های مشابه

دکمه بازگشت به بالا