الگوریتم‌ها، کلاود، اینترنت اشیا، داده‌ها

آینده یادگیری ماشینی به کجا خواهد رسید؟

11 مرداد 1395

• حمیدرضا تائبی

ماهنامه شبکه - شماره 181

هیچ انسانی نمی‌تواند آینده دنیای فناوری را با قاطعیت پیش‌بینی کند. اما بدون شک چهار عنصر کلاود، اینترنت اشیا، داده‌ها و از همه مهم‌تر الگوریتم‌ها (یادگیری ماشینی) چهار ستونی هستند که در سال‌های آتی در خط مقدم نوآوری‌‌ها قرار خواهند گرفت.

---

این مطلب یکی از مجموعه مقالات پرونده ویژه «یادگیری ماشینی» شماره ۱۸۱ ماهنامه شبکه است. علاقه‌مندان می‌توانند کل این پرونده ویژه را از روی سایت شبکه دانلود کنند. 

---

در رویداد یادگیری ماشینی و هوش مصنوعی که چهارشنبه هشتم آوریل 2016 در سیاتل به میزبانی «Madrona Venture Group» برگزار شد، «جوزف سیراش»، معاون گروه داده‌های مایکروسافت، در سخنرانی خود با اشاره به اینکه چهار حوزه کلاود، اینترنت اشیا، داده‌ها و الگوریتم‌ها جهان را دستخوش تغییرات اساسی خواهند ساخت، به تحولاتی اشاره کرد که در سال‌های آینده این حوزه‌ها را تحت تأثیر خود قرار خواهند داد. تحولاتی که تأثیرات ملموسی بر روند زندگی ما خواهند گذاشت. اما سؤال اصلی این است: «یادگیری ماشینی در آینده به کجا خواهد رسید؟» در این مقاله به صورت مختصر و کوتاه نگاهی واقع‌بینانه به فناوری‌های مرتبط با داده‌ها می‌اندازیم؛ فناوری‌هایی که در آینده رهبری کسب‌وکارها را بر عهده خواهند گرفت.

---

مطلب پیشنهادی

تعریف‌ها، کاربردها و بررسی حوزه‌های هم‌پوشان

یادگیری ماشینی و سیستم‌های شناختی: نسل آینده هوشمندی سازمانی

---

فرض اساسی در یادگیری ماشینی بر این اصل استوار است که راه‌حل‌های تحلیلی ظرفیت این را دارند که بر مبنای مدل‌های داده‌ای که در گذشته مطالعه شدند، پایه‌ریزی شوند. یادگیری ماشینی از هر نوع تجزیه‌وتحلیل‌ داده‌ای که از مدل‌های داده‌ای قبلی، روندها، الگوها و الگوریتم‌های سیستمی که مطالعاتی درباره آن‌ها انجام گرفته است، پشتیبانی می‌کند. در حالی که یادگیری ماشینی برای تجزیه‌وتحلیل‌ها و پیش‌بینی رخدادها منحصراً به الگوریتم‌های ازپیش‌ساخته‌شده متکی است، اما ادعا کرده است می‌تواند به عنوان جایگزینی برای وظایف تحلیلی و پیش‌بینی‌ها به جای انسان‌ها وارد میدان شود و وظایف آن‌ها را بر عهده بگیرد. در یادگیری ماشینی، الگوریتم‌ها می‌توانند به مطالعه داده‌های قبلی بپردازند، نکاتی را از آن‌ها بیاموزند و در نهایت به جای انسان‌ها تصمیم‌گیری کنند. برای این منظور الگوریتم‌های یادگیری ماشینی از درخت‌های تصمیم‌گیری و تجزیه‌وتحلیل‌های شبیه‌سازی‌شده استفاده می‌کنند. جوزف سیراش در سخنرانی خود به این نکته اشاره کرد که ما در دورانی زندگی می‌کنیم که دنیای رایانشی شاهد عالی‌ترین تغییرات است؛ تغییراتی که به‌سرعت این حوزه را دستخوش دگرگونی ساخته‌اند. در این روند دگردیسی شاهد تأثیرگذاری بی‌بدیل الگوریتم‌ها، کلاود، اینترنت اشیا و داده‌ها در حوزه‌های کاربردی هستیم. این تغییر به گونه‌ای بوده است که حتی رویکرد ما در قبال ساخت برنامه‌ها و مدت‌زمان سپری‌شده برای ساخت‌ برنامه‌ها را دستخوش تغییراتی کرده است. اما نکته‌ای که در خصوص یادگیری ماشینی یا در حالت کلی‌تر فناوری‌های اشاره‌شده وجود دارد، به این اصل بازمی‌گردد که حتی اگر در مسیر درستی قرار داشته باشید، اما نتوانید از ابزارها و راهکارهای کارآمد امروزی در جهت ساخت و استقرار استراتژی‌های خود استفاده کنید، در روند کاری خود تغییر محسوس و مؤثری را مشاهده نخواهید کرد. سیراش در جریان این رویداد به مثال‌های متعددی اشاره کرد که در آن‌ها عنوان شد چگونه کارآفرینان و شرکت‌ها موفق شده‌اند با استفاده از فناوری‌های جدید کسب‌وکار خود را بهبود بخشند. از کشاورزان ژاپنی که در مزارع، وضعیت سلامت گاوها را نظارت و ارزیابی می‌کنند تا شرکت‌هایی همچون «آبر» و «ایربی‌ان‌بی» که به‌شدت به یادگیری ماشینی وابسته‌ هستند، همه و همه سعی می‌کنند از فناوری‌های هوشمند به بهترین شکل ممکن بهره ببرند. او در صحبت‌های خود به این نکته اشاره کرد که حسگرها و دستگاه‌های مختلف به شکل باور نکردنی داده‌ها را تولید می‌کنند، اما این تنها الگوریتم‌ها هستند که می‌توانند داده‌ها را تجزیه‌وتحلیل کنند. 

هر کسب‌وکاری مدل الگوریتمیک خود را خواهد داشت 
سیراش در این خصوص گفته است: «مدیریت دستی فرایندهای کسب‌وکار منسوخ شده است و فناوری در نظر دارد مدیریت خاص خود را در این حوزه آغاز کند. هر فرایندی در هر مقیاسی در این جهان با استفاده از الگوریتم‌ها و داده‌ها قابل مدیریت است. برای این منظور به پلتفرم‌های مؤثری نیاز است تا این کسب‌وکارهای الگوریتمیک را مدیریت کند.» او در صحبت‌های خود به اهمیت زبان برنامه‌نویسی R به عنوان عاملی پیش‌برنده در این زمینه اشاره کرد.

داده‌های خام و مدل‌های داده‌ای
یادگیری ماشینی تلاقی داده‌های خام و مدل‌های داده‌ای است. سیستم‌های تصمیم‌گیر داده‌محور می‌توانند به کمک یادگیری ماشینی، به‌طور مداوم از داده‌های جدید، نکات تازه یاد بگیرند. این راهکار به سیستم‌های تصمیم‌گیر کمک می‌کند تا خود را با داده‌های جدید هماهنگ کرده و در ادامه، نتایج قابل اعتماد و تکرارشونده‌ای را ارائه کنند. بر همین اساس پیش‌بینی می‌شود فناوری‌های نوین‌تری همچون کلان‌ داده‌ها و اینترنت اشیا در آینده باعث به وجود آوردن تغییرات و به وجود آمدن چهارچوب‌های جدیدی در زمینه شیوه‌های سنتی یادگیری ماشینی شوند. از جمله برنامه‌های شناخته‌شده یادگیری ماشینی که در مقطع فعلی از چنین الگویی تبعیت می‌کنند می‌توان به این موارد اشاره کرد:
1. مکانیزم مورد استفاده توییر در جهت دریافت بازخورد مشتریان ویژه کسب‌وکارها 
2. مکانیزم مورد استفاده آمازون و نتفلیکس به‌منظور ارائه توصیه‌های آنلاین برای سایت‌های تجارت الکترونیک
3. مکانیزم مورد استفاده در ماشین خودران گوگل
4. مکانیزم مورد استفاده در سیستم‌های کشف تقلب

روندهای در حال ظهور در زمینه قابلیت استنتاجی یادگیری ماشینی
امروزه یادگیری ماشینی از طیف گسترده‌ای از برنامه‌های کاربردی همچون موتورهای جست‌وجو، تشخیص تصاویر، تحلیل گفتار، ابزارهای فیلترینگ و روباتیک پشتیبانی می‌کند. در شرایطی که این روزها یادگیری ماشینی در قالب هدایت‌گر در دنیای نرم‌افزار شناخته می‌شود، پیش‌بینی می‌شود که در سال‌های پیش‌رو جامعه جهانی رشد فوق‌العاده برنامه‌های هوشمند و دستیاران دیجیتالی را تجربه خواهد کرد؛ به طوری که بخش عمده‌ای از جریان اصلی دنیای کسب‌وکار از هوش مصنوعی استفاده کنند. پیش‌بینی‌ها نشان می‌دهند که یادگیری ماشینی به طور گسترده‌ای در بازار تلفن‌های هوشمند و در سرزمین هواپیماهای بدون سرنشین و ماشین‌های خودران وارد خواهد شد. جالب‌تر آنکه «ایان برترام»، از «گارتنر» پیش‌بینی کرده است که در سال جدید شاهد حضور فناوری‌های جدیدی خواهیم بود که به لطف یادگیری ماشینی پا به عرصه ظهور خواهند نهاد. «Mark Koh» در این باره گفته است: «روند فراگیر کردن هوش مصنوعی یا یادگیری ماشینی در سال جدید پرشتاب‌تر از گذشته ادامه پیدا خواهد کرد.» تقاضا برای ساخت الگوریتم‌های جدید، ساده‌تر از قبل انجام خواهد شد و همین موضوع به تولیدکنندگان فشار خواهد آورد تا ابزارهای یادگیری ماشینی جدیدی را عرضه کنند. اگر این چنین محصولات حاضر و آماده‌ای به بازار عرضه شود، بسیاری از شرکت‌ها به مهارت‌هایی نیاز خواهند داشت تا با این چنین الگوریتم‌هایی کار کنند. در این صورت تقاضا برای متخصصانی که مهارت‌ کار کردن با داده‌‌ها و طراحی مدل‌های پیشرفته را داشته باشند، روبه‌فزونی خواهد نهاد. این روند تقاضا همچنان پابرجا خواهد بود.

پیش‌بینی گارتنر از چرخه وابستگی به فناوری‌های نوظهور
به گزارش ‌گارتنر، تعدادی از فناوری‌های امروزی که در مرحله نابالغی قرار دارند، به سرعت مسیر رشد را پشت سر خواهند نهاد، به بلوغ کامل خواهند رسید و در آینده کنترل بازار را به دست خواهند گرفت، از جمله این فناوری‌ها به رابط مغز و کامپیوتر و فناوری زیست‌آکوستیکی می‌توان اشاره کرد. فناوری رابط مغز-کامپیوتر ادعا کرده است می‌تواند الگوهای مغزی خاصی برای کامپیوترها ارائه کند؛ به گونه‌ای که بتوانند دستگاه‌ها یا برنامه‌ها را کنترل کنند. این فناوری بدون شک در آینده با محبوبیت زیادی روبه‌رو خواهد شد. در حوزه زیست‌آکوستیکی که جزو فناوری‌های پیش‌رو در دنیای اومانیسم دیجیتال (digital humanism) به حساب می‌آید نیز می‌تواند کسب‌وکار دیجیتالی و محل کار انسان‌ها را به یکدیگر متصل کند. جدای از خانه‌های متصل، روبات‌های هوشمند و ماشین‌های خودران این چنین فناوری‌هایی که به‌طور کامل بر مبنای الگوریتم‌های هوشمند کار می‌کنند، در آینده نقش مهمی در زندگی انسان‌ها خواهند داشت.

هوشمندی ابرمحور
سیراش در این باره خاطره جالبی را بازگو کرده است: «روزگاری که در هند زندگی می‌کردم، پارچه‌ای را می‌خریدم و سپس به خیاط مراجعه می‌کردم. خیاط اندازه من را می‌گرفت و بعد از گذشت چند هفته لباس دوخته‌شده را به من تحویل می‌داد. اما امروزه اوضاع فرق کرده است و دیگر این روش مرسوم نیست. به دلیل اینکه امروزه لباس‌ها به‌طور خودکار و در مقیاس انبوه تولید می‌شوند و از همه مهم‌تر هزینه تولید لباس‌های انبوه کاملاً مقرون‌به‌صرفه هستند. در مقطع فعلی تجزیه‌و‌تحلیل و علم داده‌ها شبیه به چهل سال پیش دنیای خیاطی است و ورود به این حوزه به تلاش و زمان بسیار نیاز دارد.

آینده یادگیری ماشینی در نظر دارد تا همانند الگویی که در خصوص لباس‌ها به آن اشاره کردم، این فرایند وقت‌گیر را پشت سر نهد؛ به نحوی که در آینده تلاش‌ها برای ساخت و گسترش مدل‌های یادگیری ماشینی با دشواری کمتری همراه باشد. در آن زمان می‌توانید مدل‌های یادگیری ماشینی را به تولید انبوه برسانید. برای این منظور به حجم بسیار گسترده‌ای از داده‌ها که در مراکز داده‌محور ذخیره‌سازی خواهند شد نیاز دارید. پیش‌بینی ما این است که پلتفرم‌های کلاود در آینده شبیه به فروشگاه خواهند شد. نتیجه این تلاش‌ها در زمینه ساخت و گسترش مدل‌های یادگیری ماشینی باعث تسهیل دسترسی به آن‌ها خواهد شد و در آینده شاهد به وجود آمدن بازار بزرگ آنلاینی از برنامه‌های کاربردی و توابعی خواهیم بود که اجازه ساخت سریع‌تر برنامه‌ها و خودکارسازی فرایندها را می‌دهند.»

برنامه‌های هوشمند ویژه مأموریت‌های حیاتی
سیراش از برنامه «DocuSign» به عنوان مثال خوبی استفاده کرد که نشان می‌دهد چگونه یادگیری ماشینی و الگوریتم‌ها برای طراحی برنامه‌های هوشمند در زمینه موقعیت‌های خاص مفید واقع می‌شوند. او در این باره گفت: «مشتریان DocuSign به این موضوع اذعان دارند که چگونه این برنامه توانسته است نزدیک به 93 درصد از زمان بستن قراردادها کم کند.» برنامه DocuSign ابزاری است که امروزه در بیش از 188 کشور جهان استفاده می‌شود. با کمک این ابزار می‌توانید اسناد خود را در سریع‌ترین زمان امضا کرده و ارسال کنید. 

صنعت اینترنت اشیا
مشتریان اینترنت اشیا بر این باور هستند که شرکت‌هایی همچون مایکروسافت، فیت‌بیت و مانند این‌ها باید بخش عمده‌ای از وقت خود را صرف رسیدگی به اینترنت اشیا کنند. اما صنعت اینترنت اشیا باید به این نکته توجه کند زمانی که 50 میلیارد ماشین به شبکه متصل شود، چه اتفاقی رخ خواهد افتاد؟ هر موجودیتی از بیمارستان‌ها تا کارخانه‌ها و بزرگ‌راه‌ها می‌توانند قابلیت‌های خود را با استفاده از اینترنت اشیا بهبود بخشند. جالب آنکه آمارهای ارائه‌شده در فوتبال و مدیریت شبکه انرژی با پیشرفت‌های انجام‌گرفته در اینترنت اشیا متحول خواهد شد. اما برای نیل به این هدف ابزارهایی که در خصوص مدیریت کلان‌ داده‌ها استفاده می‌شوند، باید دستخوش تغییراتی شوند.

تجزیه‌وتحلیل در مقیاس فوق‌العاده
سیراش در بخش پایانی صحبت‌های خود از فقدان داده‌‌ها سخن گفت. می‌توانید در دریاچه‌ای از اطلاعات که از جریان‌های مختلف داده‌ای به دست آمده است، شیرجه بروید. اما شناگران چه کسانی هستند؟ شناگران ابزارهایی همچون هادپ، آپاچی اسپارک، NoSQL و دیگر برنامه‌های کاربردی هستند که در مقیاس وسیع توانایی ارائه بینش عملی در این زمینه را دارند. در نتیجه انتظار داریم تا در آینده یادگیری ماشینی به مدد این ابزارهای فوق‌تحلیلی، بتواند حجم گسترده‌ای از اطلاعات تولیدشده را تجزیه کند.
 
بینش ماشینی، دقیق‌تر از بینش انسانی 
در اجلاس اقتصاد که چندی پیش در داووس برگزار شد، «اندرو مک آفی»، کارشناس داده‌ها، با بیان اینکه انقلاب صنعتی که حاصل کار دستی انسان بوده رو به افول گذاشته است، اعلام کرد که اکنون انقلاب دیجتالی کار خود را آغاز کرده است؛ انقلابی که احتمالاً به کاهش برتری مغز انسان منجر خواهد شد. در آلمان، از الگوریتمی برای خواندن علائم نصب‌شده در خیابان‌ها استفاده شد. عملکرد این الگوریتم در تشخیص درست علائم 99.4 درصد اعلام شده است. در حالی که همین نرخ در نمونه مشابه انسانی تنها پنج درصد بوده است. با توجه به گزارش «Kaggle» الگوریتم‌های یادگیری ماشین که در حال حاضر استفاده می‌شوند، کارایی بهتری در مقایسه با انسان‌ها در بعضی از زمینه‌ها دارند. حوزه‌هایی که در گذشته تنها در تسلط انسان‌ها بود. گوگل، آمازون، نتفلیکس به‌طور فزاینده‌ای بر الگوریتم‌های یادگیری ماشینی تکیه کرده‌اند. این الگوریتم‌ها در عمل نشان داده‌اند که در بعضی از حوزه‌ها بهتر از نیروی‌های متخصص می‌توانند استراتژی‌های کسب‌وکار شرکت‌ها را در مسیر رشد قرار دهند.
 
پرسشی بنیادی: آیا یادگیری ماشینی مجموعه‌ای از تناقضات است؟
در حالی که این روزها همه‌جا صحبت از یادگیری ماشینی و هوش مصنوعی در میان است و بسیاری از شرکت‌ها و سازمان‌ها بزرگ برای افزایش بهره‌وری و کاهش هزینه‌های خود سعی دارند در سریع‌ترین زمان ممکن خود را به این فناوری‌ها مجهز سازند، اما یک پرسش اساسی مطرح می‌شود: «آیا این احتمال وجود دارد که یادگیری ماشینی در دراز مدت بر روند فکری انسان‌ها تأثیر سوئی بر جا گذارد؟» توماس فری، از مؤسسه داوینچی به سه پیامد اجتناب‌ناپذیر عصر ماشینی اشاره کرده است؛ معایبی که در دراز مدت کسب‌وکارها را تحت تأثیر خود قرار خواهد داد. او در این باره گفته است: «شیوه زندگی امروزی به‌طور فزاینده‌ای بر پایه سیستم‌های یادگیری ماشینی استوار شده است. این سیستم‌ها به‌تدریج باعث فرسایش انسان‌ها در رویارویی با مشکلات خواهند شد. اگر زندگی ساده‌تر و بدون دردسرتر شود، کل نژاد بشر در برابر تهدیدات و حوادث ناگهانی آسیب‌پذیر خواهند شد. راه‌حل‌های ماشین‌محور عمدتاً به سمت ارائه راه‌حل‌های آماده یا به عبارت دقیق‌تر کنسروشده متمایل هستند. همین موضوع باعث می‌شود اصالت انسانی رو به تنزل نهاده و شانس ارائه راه‌حل‌های نوآورانه به‌طرز محسوسی کاهش پیدا کند. وابستگی بیش از اندازه به دستگا‌هها به آسانی انسان‌ها را در خود حل خواهد کرد؛ حتی ممکن است هسته اصلی تمدن بشری را دستخوش تغییر کند. آیا این راه‌حل مطلوبی است که به دنبال آن هستیم؟

==============================

شاید به این مقالات هم علاقمند باشید:

۱۳ چارچوب منبع‌باز برای کسب مهارت در یادگیری ماشینی (بخش اول)

آیا یادگیری ماشینی امنیت اینترنت اشیا را تضمین خواهد کرد؟

۱۳ چارچوب منبع‌باز برای کسب مهارت در یادگیری ماشینی (بخش پایانی)

یادگیری ماشینی: جولانگاه تجربیات و خلاقیت‌ها

ماشین‌های هوشمند چگونه زندگی ما را بهبود بخشیده‌اند؟

ای‌بی استارت‌آپ یادگیری ماشینی SalesPredict را تصاحب کرد

رقیب واتسون آی‌بی‌ام از راه رسید!

همکاری وزارت ارتباطات و شهرداری‌ها روی اینترنت اشیا و شهرهای هوشمند

برچسب: 

• پرونده ویژه - یادگیری ماشینی - یادگیری عمیق - هوش مصنوعی - روبات

یک نرم افزار تحلیل‌گر آنلاین شخصیت

تحلیل‌گر آنلاین شخصیت

این استارت‌آپ زیر یک دقیقه شخصیت آنلاین شما را تحلیل می‌کند!

08 مهر 1395

• حمیدرضا تائبی

زمانی که نرم‌افزار Scale Model را مورد آزمایش قرار دهید، درست مثال آن است که فردی به صورت زیرچشمی تمامی فعالیت‌های شما را زیر نظر گرفته و به شکلی ترسناک و به صورت آنلاین شخصیت شما را مورد ارزیابی قرار دهد.

فناوری Scale Model قادر است شما یا شبکه سازمان شما را در ارتباط با مواردی همچون تصاویر، موضوعات، مردم و مکان‌هایی که اغلب به صورت آنلاین در ارتباط با آن‌ها صحبت می‌کنید مورد تحلیل قرار می‌دهد. تحلیل‌ها با این پیش‌فرض انجام می‌شوند که یک شبکه می‌تواند اطلاعات مفیدی در ارتباط با کاربران در اختیار این فناوری قرار دهد. این اطلاعات تحلیلی به بازاریابان کمک می‌کند به شکل تاثیرگذاری به شبکه‌ها ورود پیدا کرده و فعالیت‌های بازاریابی خود را به شکل هدف‌مندی انجام دهند. اگر تصور می‌کنید که این حرف کمی اغواگرانه است، باید بگویم درست فکر کرده‌اید. اما این تحلیل یک رویکرد بسیار فنی است.

---

مطلب پیشنهادی

الگوریتم‌ها، کلاود، اینترنت اشیا، داده‌ها

آینده یادگیری ماشینی به کجا خواهد رسید؟

---

تیمی که در پس زمینه طراحی Scale Model قرار دارند از ابتدای سال جاری میلادی فرآیند بازسازی مجدد محصول خود را آغاز کرده‌اند. نسخه اصلی Scale Model اولین بار در ماه می 2015 میلادی کار خود را آغاز کرد. نسخه اولیه هدف اصلی‌اش در ارتباط با تبلیغات توییتری بود، اما این استارت‌آپ متوجه شد با استفاده از فناوری ابداعی خود قادر است کارهای به مراتب قدرتمندتری را انجام دهد. در نتیجه فرآیند بازسازی را از ابتدای سال جاری میلادی یکبار دیگر از سر گرفت. این شرکت در ماه جولای نسخه آزمایشی جدید و بهبود یافته محصول خود را عرضه کرد و اکنون آماده است تا نسخه اصلی را عرضه کند.

---

مطلب پیشنهادی

سفری به اعماق هوشمندی

یادگیری ماشینی: جولانگاه تجربیات و خلاقیت‌ها

---

Scale Model از جمله استارت‌آپ‌هایی است که توسط کارگاه استارت‌آپی Betaworks به دنیای کسب و کار وارد شده است. این کارگاه استارت‌آپی تا به امروز زمینه‌ساز حضور شرکت‌هایی همچون Giphy، Chartbeat بوده است و در استارت‌آپ‌هایی همچون Tumblr، Product Hunt و Everlane سرمایه‌گذاری کرده است. استارت‌آپ Scale Model توسط گیلاد لوطان متخصص علم داده‌ها، و ملحق شدن پیتر مارگولیس به این تیم حدود یک سال پیش پا به عرصه ظهور نهاد. Scale Model با سرمایه اولیه سی هزار دلار کار خود را آغاز کرد.

در حالی که این نرم‌افزار قادر است ویژگی‌های شخصیتی افراد را به صورت آنلاین مورد تحلیل قرار دهد، اما در حقیقت تمرکزش بر شرکت‌ها و برندها متمرکز شده است. اگر به این نرم‌افزار اطلاعاتی دهید، از تحلیل‌هایی که دریافت خواهید کرد، شگفت‌زده خواهید شد. به‌طور مثال اگر یک کلمه کلیدی یا هشتگ توییتر را در اختیار آن قرار دهید، این فناوری قادر است فرازها و فرودهای حساب کاربری شما در ارتباط با فعالیت‌های اجتماعی که انجام داده‌اید را در قالب یک نمودار تعاملی و رنگی در اختیارتان قرار دهد. نموداری که شبیه به شکل زیر در اختیار شما قرار می‌گیرد، به وضوح تحلیل‌های جالبی در ارتباط با فعالیت آنلاین شما ارائه می‌کند.

حباب‌های رنگی که در تصویر مشاهده می‌کنید، تمامی فعالیت‌های آنلاینی که توسط کاربر انجام شده‌اند را توصیف می‌کند. در شکل فوق این حباب‌ها به وضوح اعلام می‌دارند که کاربر ما در شهر نیویورک زندگی می‌کند، در دانشگاه سیراکیوز حضور داشته، در The Daily Orange کار می‌کند و با جمع‌آوری این چنین اطلاعاتی قادر است شخصیت یک کاربر را به تفسیر بکشد. این اطلاعات تحلیلی تنها یک جنبه کوچک از توانایی‌های Scale Model هستند و باید بدانید این فناوری تازه در آغاز راه است.

---

مطلب پیشنهادی

تعریف‌ها، کاربردها و بررسی حوزه‌های هم‌پوشان

یادگیری ماشینی و سیستم‌های شناختی: نسل آینده هوشمندی سازمانی

---

پیتر مارگولیس، مدیرعامل این شرکت در این ارتباط گفته است: «در حالی که در گام اول این فناوری در قالب یک ابزار بازاریابی مورد استفاده قرار می‌گیرد، در گام بعد این فناوری قادر خواهد بود، داده‌های درون سازمانی را تحلیل کند. این فناوری برای شرکتی همچون Tinder که با حجم انبوهی از داده‌های کاربری روبرو است، ارزشمند خواهد بود. این فناوری حتا قادر است برای تجزیه و تحلیل مباحث مورد استفاده قرار گیرد. اینکار با جمع‌آوری اطلاعاتی از درون شبکه‌ای که شما در آن قرار دارید انجام می‌شود. تحلیل ساختار یک شبکه، اطلاعاتی زیادی در ارتباط با مردمی که درون یک شبکه قرار دارند ارائه کرده و حتا به شما اعلام می‌دارد، این مردم درباره خودشان چه چیزی می‌گویند.» فناوری Scale Model قادر است داده‌ها را تحلیل کرده، الگوهایی از آن‌ها استخراج کرده، ارتباطات یا شباهت‌های میان کاربران را شناسایی کرده یا یک جامعه هدف کوچک را شناسایی کند. 

برچسب: 

• استارت آپ - یادگیری ماشین - Scale Model - تحلیل داده ها - تبلیغات - بازاریابی آنلاین

بیمارستان لندن با هوش مصنوعی گوگل، سرطان را تشخیص می‌دهد

5 شهریور 1395

رایورز - شرکت گوگل به عنوان بزرگ‌ترین مرکز ارائه‌دهنده خدمات اینترنتی جهان قراردادی را با بیمارستان مرکزی لندن منعقد کرده است تا به موجب آن سرویس هوش مصنوعی DeepMind را در این مرکز ارائه دهد.

به گزارش رایورز به نقل از اینکوئیرر، گوگل در این اقدام پرونده پزشکی مربوط به CT Scan و MRI بیش از ۷۰۰ بیماری که به این مرکز مراجعه کردند را در اختیار گرفته است و از این طریق می‌کوشد الگوریتمی را ارائه دهد تا فرآیند تشخیص و درمان بیماری‌ها سرعت یابد.

این پروژه با همکاری بنیاد دانشگاه وابسته به بیمارستان لندن انجام می‌شود و بر اساس آن فناوری گوگل برای تشخیص بافت‌های سرطانی از بافت های سالم بدن مورد استفاده قرار می‌گیرد. همچنین پیش‌بینی شده است این پروژه زمان لازم برای درمان‌های رادیوتراپی را از چهار ساعت به یک ساعت کاهش دهد.

اسکن‌های مربوط به بیماران مذکور بدون هرگونه نام و نشان در اختیار گوگل قرار گرفته‌اند و بر این اساس نمی‌توانند به عنوان اطلاعات شخصی به مرکز داده گوگل اضافه شوند. این اسکن‌ها به صورت ویژه فقط در دفتر مرکزی گوگل در کالیفرنیا تحلیل می‌شوند و پس از آن به بیمارستان لندن پس داده می‌شوند.

دانشگاه بیمارستان لندن در این خصوص گفت: «در حال حاضر برای آنکه بتوانیم از روی اسکن‌های CT و MRI بافت‌های سرطانی را از بافت سالم تشخیص دهیم حدود چهار ساعت زمان سپری می‌شود. این فرآیند برای تشخیص بافت‌های سرطانی در ناحیه سر و گردن بیشتر سپری می‌شود. ولی فناوری گوگل به ما کمک می‌کند زمان مذکور را تا یک‌چهارم کاهش دهیم.»

با تعریف قوانینی برای هوش مصنوعی آینده اش امروز رقم می‌خورد

آینده هوش مصنوعی امروز رقم می‌خورد

6 شهریور 1395

رایورز - غول‌های فناوری به گرد هم جمع شده‌اند تا قوانینی را برای هوش مصنوعی تعریف کنند که می‌تواند آینده این صنایع و حتی آینده بشر را رقم بزند.

به گزارش رایورز به نقل از وب‌سایت خبری تحلیلی Engaged، اگر از هر فردی در زمینه پیشگامان فناوری‌های بزرگ بپرسید، نام چند شرکت خاص در لیست ارائه‌شده توسط او به شما وجود خواهد داشت.

به همین دلیل نیز طبیعی به نظر می‌رسد که شرکت‌های بزرگ بر روی ساختار عمومی جامعه نیز بسیار پر اثر باشند. در همین راستا نیز ۵ غول فناوری دست‌به‌دست هم داده و یک اتحاد کم‌سابقه را شکل داده‌اند.

این اتحاد در راستای ایجاد قوانینی برای آینده صنایع روباتیک است و موجب می‌شود تا نخستین دستورالعمل‌ها و خط قرمزهای صنایع روباتیک و هوش مصنوعی توسط این شرکت‌ها شکل بگیرد.

این شرکت‌ها شامل آلفابت، فیس‌بوک، آی‌بی‌ام، آمازون و مایکروسافت هستند که هرکدام در زمینه هوش مصنوعی و یادگیری ماشینی، سابقه‌ای ویژه دارند.

به‌ این‌ ترتیب به‌زودی فعالیت این اتحادیه آغازشده و شاید در طول یک یا دو سال آینده شاهد شکل‌گیری و اجرای نخستین قوانین هوش مصنوعی باشیم، قوانینی که ممکن است روزی بشریت را نجات بدهند.

تقاضای بسیار شرکتهای سازنده گوشی همراه برای فناوری حسگرهای شناسایی چهره

تقاضای سرسام‌آور برای فناوری حسگرهای شناسایی چهره

4 شهریور 1395

رایورز - پس از معرفی نخستین تلفن همراه مجهز به نسل جدید حسگرهای زیستی توسط سامسونگ، آمار تقاضا در بازار بین‌المللی برای دست‌یابی به این خدمات به‌شدت بالا رفته است.

به گزارش رایورز به نقل از وب‌سایت خبری تحلیلی digitimes، امروزه نخستین لایه امنیت برای بسیاری از کاربران ارزش ویژه‌ای پیدا کرده است و به همین دلیل نیز شرکت‌های تولید کننده تلفن‌های همراه به دنبال عرضه خدمات جدید در این رده هستند.

در همین راستا نیز اسکنر اثرانگشت به‌تدریج به یک امر عادی بر روی تلفن‌های همراه هوشمند تبدیل شده است و نسل بعدی این اسکنرها که مربوط به اسکن چهره و چشم هستند، در حال ظهور است.

در این میان آمار و ارقام رده مدیریت جهانی نشان از آن دارد که شرکت‌های مختلفی برای این اسکنرها برنامه‌ریزی کرده‌اند و به همین دلیل نیز سفارش‌های مربوط به این رده به‌شدت بالا رفته است.

فوجیتسو و سامسونگ به‌عنوان دو شرکت بزرگ جهانی توانسته‌اند تا فناوری نخستین نسل از این اسکنرها را بر روی تلفن‌های همراه هوشمند خود پیاده‌سازی کنند، که البته در این میان، اسکنر آیریس بر روی محصول شرکت سامسونگ با سروصدای رسانه‌ای زیادی همراه بوده است.

با توجه به این شرایط، پیش‌بینی می‌شود که در سال ۲۰۱۷ شاهد عرضه محصولات بیشتری با بهره‌گیری از این فناوری بوده و در سال ۲۰۱۸ شاهد همه‌گیر شدن آن باشیم.