واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)
Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering
واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)
Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineeringگوگل الگوریتم یادگیری ماشینی خود را در اختیار عموم مردم قرار داد
از این پس هر شخصی برای خودکارسازی هوشمندانه کارهای خود می‌تواند الگوریتم ارائه شده از سوی گوگل را مورد استفاده قرار داده و آن‌را با پروژه‌های کاربردی خود ادغام کند. این تصمیم گوگل باعث خواهد شد تا بسیاری از کسب‌وکارها به راحتی بتوانند مدل‌های پیشرفته یادگیری ماشینی را بر مبنای پژوهش‌های کاربردیشان پیاده‌سازی کنند. گوگل الگوریتم یادگیری ماشینی مبتنی بر رایانش ابری خود را در قالب نسخه بتا در اختیار عموم کاربران قرار داده است. این شرکت در نظر دارد بعد از گذشت چند ماه نسخه آلفا را به صورت اختصاصی منتشر کند. این ابزار فرآیند آموزش مدل‌ها را ساده‌تر کرده و از سرعت بالاتری در زمینه آموزش بهره می‌برد. مهم‌تر آنکه الگوریتم فوق با زیرساخت رایانش ابری گوگل نیز می‌تواند ادغام شود.
مطلب پیشنهادی
این الگوریتم نه تنها در بخش خدمات پس از فروش مشتریان (یادگیری نحوه پاسخ‌گویی خودکار به پرسش‌ها و شکایات)، بلکه به منظور انجام فعالیت‌های تکراری، یکنواخت و همچنین فعالیت‌های سنگین و طاقت‌فرسا می‌تواند مورد استفاده قرار گیرد. گوگل در وبلاگ این شرکت گفته است: "Airbus Defense all space " که یکی از مشتریان این الگوریتم است، موفق شده است از این ابزار به منظور شناسایی و اصلاح تصاویر ماهواره‌ای که دارای مشکلاتی بوده‌اند استفاده کند.
مطلب پیشنهادی
این سازمان گفته است: «ابزار یادگیری ماشین گوگل به ما کمک کرده است با دقت بیشتری به تجزیه و تحلیل تصاویر ماهواره‌ای بپردازیم. به طوری‌که سرانجام بعد از گذشت چند دهه بر این مشکل چیره شدیم.» سرعت و سهولت استفاده از مهم‌ترین فاکتورهایی هستند که الگوریتم‌های گوگل بر آن تاکید دارند. برای نیل به این هدف، این شرکت آزمایشگاه راه‌حل‌های پیشرفته یادگیری ماشینی موسوم به MLASL را راه‌اندازی کرد. این آزمایشگاه به شرکت‌ها اجازه می‌دهد با مهندسان گوگل به منظور حل مشکلات پیچیده به تعامل بپردازند. گوگل همچنین سرویس Cloud Start را ویژه کسب‌وکارها راه‌اندازی کرده است. این سرویس به کسب‌وکارها کمک می‌کند اصول اولیه رایانش ابری و فرصت‌هایی که به واسطه یادگیری ماشین در اختیار آنها قرار میگیرد را بیاموزند. هر چند این سرویس عمدتا برای استارت‌آپ‌ها و کسب‌وکارهایی با اندازه متوسط کاربرد دارد، اما گوگل در نظر دارد، مخاطبان حداکثری را جذب کند.
مطلب پیشنهادی
گوگل همچنین یک برنامه برای اهدای گواهی به افرادی که در زمینه طراحی، آموزش و استقرار مدل‌های یادگیری ماشینی به فعالیت اشتغال دارند، معرفی خواهد کرد. گوگل تنها شرکت بزرگ دنیای فناوری نیست که در تلاش است مفاهیم هوش مصنوعی را به شکلی ساده در اختیار همگان قرار دهد. فیس بوک نیز کدهای مربوط به ساخت چت روبات‌ها و فناوری تشخیص چهره هوشمندانه خود را به صورت عمومی به اشتراک قرار داد.
برچسب:
- گوگل - هوش مصنوعی - یادگیری ماشین - کسب وکار - استارت آپ - الگوریتم
محتوای همیشه سبز در سایت چیست؟
محتوای همیشه سبز!!!
همان‌طور که از اسمش پیداست، محتوای همیشه سبز انقضایی ندارد. این نوع محتوا حتی بعد از چند سال از زمان انتشار هم همچنان می‌تواند مفید و کارآمد باشد و بماند. مقالات طولانی و عمقی و با طول عمر بین یک تا دو سال را میتوان محتوای همیشه سبز دانست.
اینترنت این روزها پر است از محتوای کم کیفیت و بی‌ارزش. به دلیل همین تداول هست که اکثر برندها تصمیم می‌گیرند که هزینه کمتری را خرج تولید محتوا کنند و محتوایی را ارائه میکنند که مثل اکثر محتوای اینترنتی کم کیفیت و بی‌ارزش به حساب می‌آید. شما اما به جای اینکه همین اشتباه را مرتکب شوید و در دام محتوای کم کیفیت گیر کنید باید به محتوای همیشه سبز اهمیت بدهید.
تبدیل کردن محتوای همیشه سبز به یک گنجینه طلایی
بسیاری از برندها تصور میکنند که زمان، انرژی و پول کافی برای تولید محتوای همیشه سبز را ندارند. اما این دلایل اصلا منطقی نیست. محتوای همیشه سبز بهترین نوع محتوایی است که باید تولید کنید حتی اگر مجبور باشید زمان یا پول بیشتری را صرف تولید محتوا کنید.
هر کسی در هر موضوعی می‌تواند و باید محتوایی همیشه سبز تولید کند. این هم ۳ دلیل بیشتر در شرح اینکه چرا باید محتوای همیشه سبز تولید کنید.
۱- در موتورهای جستجو رنک خوبی میگیرد
به طور طبیعی، وقتی بحث تولید محتوای خوب برای گوگل به میان می‌آید، بهینه سازی در اولویت کار شما قرار دارد. در این صورت باید بدانید که محتوای همیشه سبز به خاطر طول عمر فراوانی که دارد در موتورهای جست‌وجو رنک بالایی کسب خواهد کرد. برای به حد اکثر رساندن تاثیر این محتوا، باید یک تحقیق کلمات کلیدی انجام دهید تا مطمئن شوید که محتوای شما برای آن کلمات کلیدی هدف‌تان به خوبی بهینه سازی شده باشد.
۲- برای مدت بیشتری بازدیدکننده جذب می‌کند
محتوای همیشه سبز همچنین این قابلیت را دارد که برای مدت بیشتری بازدیدکننده جذب کند. بسیاری از وبلاگ‌هایی که از چند سال پیش به تولید محتوای همیشه سبز پرداخته‌اند، هنوز هم برای اولین و قدیمی‌ترین مطالب خود بازدید زیادی دریافت میکنند. شاید غیرممکن به نظر برسد ولی در عصر محتوای ضعیف، تولید محتوای همیشه سبز می‌تواند شما و برندتان را همیشه در صدر قرار دهد.
۳- در دید بازدیدکننده‌ها قرار میگیرید، بدون اینکه قدیمی به نظر برسید
در برخی از موضوعات که به مرور زمان به کندی تغییر میکنند و یا حتی اصلا تغییر نمیکنند، محتوای همیشه سبز شانس موفقیت شما را خیلی بیشتر می‌کند. موضوعاتی مثل “چطور برای کسب‌وکار خود یک پیج در فیسبوک راه بیاندازید و آن را مدیریت کنید” یا “مشکلات مرسومی که ممکن است در کار خود با آنها روبه‌رو شوید” از جمله موضوعاتی هستند که در گذر زمان تغییرات کمی خواهد داشت و بازده محتوای همیشه سبز را به حد اکثر می‌رساند.
چگونه محتوای همیشه سبز را تولید و بهینه سازی کنید
حالا که می‌دانید محتوای عمیق و طولانی و همیشه سبز چقدر مفید و کارآمد هست مطمئن هستم که الان برای تولید اولین محتوای همیشه سبز خود لحظه شماری می‌کنید. به همین دلیل سه قانون مهم در تولید محتوای همیشه سبز را مرور میکنیم:
۱- تحقیق انجام دهید
تحقیق کردن کلید موفقیت است، مخصوصا اگر موضوعی باشد که بتوان برای آن موضوع یک محتوای طولانی تولید کرد. در ضمن یادتان باشد که تحقیق در مورد کلمات کلیدی و رفتار بازدیدکنندگان خود را نادیده نگیرید. هر دو حنبه به محتوای تازه متولد شده شما کمک می‌کند که در موتورهای جستجو رنک بهتری بگیرد و بهتر به سوالات و نیازهای بازدیدکنندگان شما پاسخ بدهد.
۲- تولید محتوای خود را بهینه سازی کنید
- برای معرفی هر چه بهتر ایده‌های خود با ترتیب و ترکیبی منطقی، به فکر یک ساختار خوب برای محتوای خود باشید.
- به این فکر کنید که هر چند وقت یک بار لازم است محتوای همیشه سبز خود را تغییر دهید؛ اگر محتوای همیشه سبز زیادی دارید و دوست دارید همه چیز منظم باقی بماند، بهتر است یک تقویم برای بازنویسی محتوای همیشه سبز خود تنظیم کنید.
- مطمئن شوید که محتوای نامحدود همیشه سبز شما فراوانی کلمات کلیدی قابل قبولی دارد.
- برای به حداکثر رساندن تلاش‌های خود در زمینه سئو سایت، روی لینک‌های داخلی و خارجی در محتوای خود کار کنید.
- اشکالات املایی و انشایی را برطرف کنید.
- کیفیت محتوای همیشه سبز خود را کنترل کنید و همیشه به یاد داشته باشید که هر محتوایی که تولید می‌کنید باکیفیت باشد، نه اینکه صرفا یک بازگویی ضعیف از پست‌های قدیمی شما باشد.
۳- تاکتیک به اشتراک گذاری خود را رواج دهید
راه‌های بسیاری وجود دارد که از طریق آنها می‌توانید محتوای همیشه سبز خود را در معرض دید قرار دهید. خبرنامه‌ها و شبکه‌های اجتماعی دو تا از بهترین راه‌ها برای تبلیغ محتوای شما هستند. شما می‌توانید در خبرنامه هفتگی یا ماهانه خود محتوای خود را به مشترکان خبرنامه معرفی کنید، یا در شبکه‌های اجتماعی آخرین مطالب خود را با دوستان و دنبال کنندگان خود به اشتراک بگذارید، یا حتی در قالب یک ویدیو در یوتیوب مطالب خود را در معرض دید قرار دهید.
منبع:seomoz.ir
Serp یا صفحه نتایج موتورهای جستجو چیست؟**
Serp یا صفحه نتایج موتورهای جستجو چیست؟
مفهموم SERP مخفف واژگان search engine result page میباشد و به صفحه ی نتایج موتور جستجو در هنگام جستجوی یک عبارت گفته میشود. در واقع به صفحه ی نتایج حاصل از جستجو serp میگویند. هر serp منحصربفرد است، حتی در هنگامی که جستجو برای یک کلمه کلیدی مشابه توسط دو نفر صورت میگیرد. زیرا موتورهای جستجو معیارهای فراتر از واژه ها را برای نمایش نتایج مرتبط تر به کار میگرند. مثلا مکان فیزیکی، تاریخچه مرورگر، علایق و حتی معانی کلمات کلیدی را مورد بررسی قرار میدهند. بصورت کلی در صفحه نتایج موتورهای جستجوی معروف دو جایگاه مختلف برای نمایش حاصل از جستجو وجود دارد.
معمولا برترین رتبه های نتیجه جستجو مربوط به سایت هایی میشوند که بابت قرارگیری در این فهرست پول پرداخت میکنند(نتایج پولی)نتایج پولی فهرست هایی هستند که در بالا و طرفین سرپ، با برچسب مخصوص آگهی مشخص می شوند.سایت های تازه تاسیس که می خواهند جلوی چشم باشند و در سرپ ها جایگاه مناسبی کسب کنند، باید از جستجو و نتایج پولی استفاده کنند.
گروه دیگر مربوط به فهرستی می باشند که توسط ربات ها ایندکس شده اند(نتایج ارگانیک)
نتایج ارگانیک فهرست خامی است که بر اساس یک سری معیارها توسط موتور جستجو تولید می شود و با کلمه ی مورد جستجو در ارتباط است.سایت هایی که بر اساس الگوریتم یک موتور جستجو امتیاز بیشتری دارند، در رأس فهرست ارگانیک نمایش داده می شوند.
اهمیت serp
سئو سایت همواره از اهمیت بالایی برای قرارگیری در صفحات و رتبه های برتر برخوردار بوده است. آمارها نیز حکایت از این امر دارند که بیش از ۹۱ درصد کاربران فقط صفحه اول موتور جستجو را بررسی میکنند و هیچگاه به صفحه ی دوم نتایج مراجعه نمیکنند. با این تفاسیر اهمیت صفحه ی اول نتایج جستجو به حدی میباشد که میتوان قرار گیری در صفاحات دیگر را یکجور شکست سئو بشمار آورد. استراتژی مناسب کلمات کلیدی و انتخاب رقابتی ترین کلمات کلیدی برای قرارگیری در صفحه اول نتایج گوگل بسیار موثر میباشند. همچنین میتوان از ابزارهایی برای بررسی serp استفاده کرد.
بهبود serp
موقعی که صحبت از بهبود صفحه نتایج موتور جستجو (serp) میشود، میتوان محتوای با کیفیت همراه با استراتژی درست کلمات کلیدی را بسیار موثر دانست. در گام نخست باید رقبای خود را بشناسیم. برای بررسی و شناخت رقبای خود میبایست عواملی را مدنظر داشته باشیم که عبارتند از:
- تعیین کلمات کلیدی با بیشترین اهمییت (معمولا تک کلمه ای با رقابت سنگین)
- موقعیت serp رقبا برای مجموعه ای از کلمات کلیدی (میتوان به نقاط ضعف و قوت رقبا پی برد)
- کلمات کلیدی تک سیلابی و چند سیلابی (بهترین انتخاب برای شروع عباراتی هستند که رقبا در آن ضعیف ترند)
- استفاده از کلمات کلیدی ترکیبی (استراتژی مناسب تا رسیدن به کلمات کلیدی اصلی)
برنامه‌نویسان دیوانه نرم‌افزارهای رایگانی‌اند که کامپیوترهای خودیادگیر می‌سازند
گوگل نرم‌افزار رایگان خود را که برای هوشمندسازی و تخصیص قابلیت خودیادگیری کامپیوترها مورد استفاده قرار میگیرد، توسعه داده است. برای این منظور گوگل قابلیت جدیدی به نرم‌افزار خود اضافه کرده است. نرم‌افزاری که همگان آن‌را به نام TensorFlow می‌نامند. شبکه‌ای متصل از کامپیوترها که درست به همان شیوه‌ای کار می‌کند که گوگل برای انجام فعالیت‌های خود از آن استفاده می‌کند. این حرف بدان معنا است که هر برنامه‌نویسی به گروهی از کامپیوترهای سرور دسترسی دارد که با استفاده از آنها توانایی هوشمند کردن کامپیوتر خود را برای ساخت برنامه‌های زیربنایی دارد.
مطلب پیشنهادی
کافی است برنامه کامپیوتری خود را برای آن چیزی که تمایل دارید، آن‌را یاد بگیرد تنظیم کنید. در ادامه باید به برنامه کامپیوتری خود گروهی از دادهها که برای مطالعه مورد استفاده قرار میگیرد را اهدا کنید. اکنون کامپیوتر شما می‌داند که با این دادهها باید چه کند، کارهایی همچون صحبت کردن، تشخیص چهره، نقاشی و... که تنها در حیطه قدرت انسان‌ها بود، اکنون به لطف توسعه الگوریتم‌های یادگیری ماشینی در حیطه قدرت کامپیوترها قرار گرفته است. هر سازنده بزرگ فناوری به سبک خاص خودش یادگیری ماشینی را در اختیار دارد و آن‌را به شکل خاص خود و در قالب سرویس‌هایی که با برنامه‌ها یکپارچه میشوند در اختیار برنامه‌نویسان قرار می‌دهد. اما امروزه رابطه برنامه‌نویسان و گوگل یک تعامل نزدیک و دو طرفه است، این تعامل به ویژه در ارتباط با برنامه‌های هوش مصنوعی گوگل حال و هوای خاص خود را دارد.
گوگل برای اولین بار در نوامبر سال گذشته میلادی TensorFlow را به صورت رایگان و در قالب پروژه منبع‌بازی که در گیت‌هاب قرار گرفته بود در معرض دید عموم کاربران قرار داد. گیت‌هاب مکانی است که همه چیز در آن به اشتراک گذاشته میشود. آمارها و گزارش‌ها نشان میدهند که در مدت زمان چند هفته‌ای که این پروژه در گیت‌هاب در دسترس کاربران قرار داشت به یکی از پر استفاده‌ترین برنامه‌های گیت‌هاب در سال 2015 تبدیل شده بود. به این معنا که تعداد زیادی از طراحان آن‌را دانلود کرده و نسخه خاص خود را از روی آن ساخته‌اند. به‌طوری که در مقایسه با 4335 پروژه قرار گرفته روی گیت هاب، تعداد بیشتری را به خود اختصاص داده بود.
چنین به اشتراک‌گذاری‌هایی از سوی شرکت‌هایی نظیر گوگل و فیسبوک یک دلیل منطقی دارد. ایده این‌کار به ساخت گروهی متشکل از کاربران که هر فردی توانایی ویرایش این چنین پروژه‌هایی را داشته باشد، باز می‌گردد. به‌طور معمول تعدادی از کاربران ویژگی‌هایی را طراحی کرده و دو مرتبه به پروژه اصلی باز می‌گردانند. در مورد این پروژه، نزدیک به 187 نفر روی پروژه اصلی مشارکت داشته‌اند، به‌طوری که نزدیک به 3000 تغییر روی پروژه اصلی پیاده‌سازی کردند.
با نسخه جدید TensorFlow که روی طیف گسترده‌ای از کامپیوترها اجرا میشود، فرآیند آموزش کامپیوترها سریع‌تر و آسان‌تر از قبل انجام خواهد شد. حجم بیشتر داده‌هایی که توسط TensorFlow جمع‌آوری میشود، این پتانسیل را به وجود می‌آورد تا این سیستم هوش مصنوعی کارهای پیچیده‌تر و قدرتمندتری را انجام دهد. به‌طور مثال، در یک پروژه TensorFlow از شبکه‌ای از کامپیوترها به منظور نوشتن دستی اعداد استفاده کرد. دانشمندان در این پروژه سعی کردند به کامپیوتر یاد دهند چگونه می‌تواند همانند انسان‌ها به نوشتن اعداد بپردازد.
بدون شک یادگیری ماشینی پایه و اساس آینده است. اریک اشمیت از گوگل پیش‌بینی کرده است که یادگیری ماشینی تبدیل به پروژه بعدی شرکت‌هایی همچون گوگل، فیسبوک و شرکت‌های بزرگی خواهد شد که در پنج سال آینده پا به عرصه ظهور خواهند نهاد.
===================================
شاید به این مطالب هم علاقمند باشید:
برچسب:
آینده یادگیری ماشینی به کجا خواهد رسید؟
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
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:
برچسب: