واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار»     (HT-CSURE)

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)

واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)

Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering

دایره راحتی چیست و چطور باید از آن خارج شد؟

دایره راحتی چیست و چطور باید از آن خارج شد؟

فرامرز صحرائی

احتمالا تا به حال بارها در مورد دایره‌ی راحتی شنیده‌اید. تقریبا همه‌ی افراد، به دیگران توصیه می‌کنند که از این دایره بیرون بمانند. اما اهمیت خروج از این دایره چیست؟ آیا خروج از آن همیشه بهترین استراتژی ممکن است؟ تصویر زیر ماجرا را تا حدودی برای ما مشخص می‌کند


برای درک بهتر موضوع، ابتدا باید مفهوم دایره‌ی راحتی را به درستی شناخت. یکی از گویاترین تعریف‌های علمی در خصوص این پدیده، آن را با سطح اضطراب افراد مرتبط می‌داند. قرار گرفتن در دایره‌ی راحتی در واقع هر گونه رفتاری را شامل می‌شود که در آن میزان اضطراب فرد در پایین‌ترین سطح خود نگه دارد. هر کاری می‌تواند در این مفهوم بگنجد. از پخت و پز و شستشوی ظروف گرفته تا ارتباطات کاری یا تماشای تلویزیون. هر فعالیتی که با انجام آن سطح اضطراب فرد به حداقل برسد و فرد به آن فعالیت تمایل داشته باشد یا عادت کند، در دایره‌ی راحتی او قرار می‌گیرد

اغلب افراد سعی می‌کنند با انجام کارهایی خارج از این دایره، از آن بگریزند. هر چیزی که بتواند اندکی سطح اضطراب را افزایش دهد، خارج از مرزهای دایره‌ی راحتی فرد انگاشته می‌شود. برای مثال اگر رفتن به سر کار و قرار گرفتن در معرض ترافیک و شلوغی مترو منجر به افزایش اضطراب شما می‌شود و حس راحتی را در شما کاهش می‌دهد، این فعالیت، خارج از محدوده دایره‌ی راحتی شما به حساب می‌آید

البته با اینکه اضطراب چیزی نیست که کسی تمایلی به کسب کردنش داشته باشد، اما مقدار کمی از آن به طرز شگفت‌انگیزی موثر و مفید است. در بسیاری مواقع ما به اندکی اضطراب نیاز داریم تا بتوانیم خود را به انجام کاری ترغیب کنیم. بدین‌ترتیب کارایی ما بهبود میابد. در مطالعه‌ای که در سال ۱۹۰۸ بر روی موش‌ها انجام شد مشخص شد که با تفویض وظیفه‌ای بسیار بسیار ساده، کارایی افزایش یافته و متعاقبا سطح اضطراب نیز مقداری رشد می‌کند. سخت‌تر شدن وظایف، افزایش نسبی اضطراب و در نتیجه بهبود عملکرد را نشان داده و نهایتا با تخصیص وظایفی بسیار پیچیده، سطح اضطراب به حدی افزایش میابد که کارایی به صفر می‌رسد


دایره‌ی راحتی معمولا به شکل بالا تصویر می‌شود. دایره‌ی راحتی در دایره‌ی یادگیری محصور شده و دایره‌ی یادگیری در محاصره‌ی دایره‌ی ترس است. جایی که سطح اضطراب به حد نهایی می‌رسد. با کمک تصویر بالا می‌توان فهم بهتری از مثال آزمایش بر روی موش‌ها داشت. وقتی وظیفه‌ای بسیار ساده بوده، موش‌ها در دایره‌ی راحتی‌شان به راحتی به آن پرداخته‌اند. بدون اینکه احساس اضطراب خاصی داشته باشند. با افزایش سطح اضطراب موش‌ها به محدوده دایره‌ی یادگیری وارد شده و حتی عملکرد بهتری از خود نشان داده‌اند. اما هنگامی‌که وظیفه‌ای سخت به آنها محول شده، با اندکی افزایش سطح اضطراب، به دایره‌ی ترس وارد شده‌اند و سطح کارایی به حداقل و حتی صفر رسیده است

با شک و تردید چه باید کرد؟

بخش اعظمی از اضطراب ما ناشی از شک در خصوص میزان سادگی یا پیچیدگی کارهایی است که باید انجام دهیم. کارهایی که ما را از دایره‌ی راحتی‌مان بیرون می‌کنند. دلیل این مساله این است که کارهای روتین و ساده‌ای مثل تماشای سریال یا پختن ظرف‌ها اصلا برای ما مسایلی مهم و پیچیده به حساب نمی‌آیند. چرا که به خوبی با هر یک از آنها آشنایی کافی داریم. اما نتیجه فکر کردن به انجام کارهایی مثل رانندگی برای اولین بار، چتربازی یا هر کار جدیدی که در خصوص انجام آن نسبت به آن کار و خودمان شک داریم، افزایش اضطراب است

نتیجه‌ی شک به هر کاری بروز احساسات و نمود تجربیات منفی است. نتیجه‌ی مطالعه‌ای در همین رابطه نشان داده زمانی که شرکت‌کنندگان در آزمایش در برابر موقعیت‌های تازه که در مورد آنها تردید داشته‌اند قرار گرفته‌اند، بدبینی و اضطراب در آنها افزایش یافته است. در مقابل، شرایطی که از نتیجه‌ی آن مطلع بوده‌اند میزان کمتری از نشانه‌های منفی را در آنها بروز داده است

ما به طور کلی در مقابل موقعیت‌ها یا چیزهای تازه، واکنش‌های منفی بروز می‌دهیم. «برنِی براون» -محقق- در این باره می‌گوید موقعیت‌های اجتماعی، سیاسی یا اقتصادی جدید همیشه در ما تردید ایجاد کرده و دایره‌ی راحتی ما را کوچک‌تر می‌کنند. و هر چه میزان تردید و ترس ما از قرار گرفتن در موقعیت‌ها تازه بیشتر شود، بیرون آمدن از دایره‌ی راحتی برای ما سخت‌تر و پیچیده‌تر خواهد شد

آشنایی با موقعیت‌ها و چیزهای تازه به ما احساس راحتی و حتی لذت می‌دهد. اما گارد گرفتن‌های اولیه در مقابله با چنین موقعیت‌هایی چندان هم عجیب نیست. با نگاه از زاویه روند تکامل، ما احساس امنیت بیشتری در مقابل شرایطی که با آنها آشنا هستیم داریم و رفتارهای مثبت و منفی ما در موارد متفاوت ناشی از همین حس غریزی است. تصور ذهنی‌مان به ما می‌گوید: «قبلا در موقعیت مشابه زنده ماندم، پس امتحان آن این بار هم مشکلی ایجاد نمی‌کند و در امان خواهم بود»

از طرفی، امتحان کردن چیزهای جدید انرژی زیادی نیاز دارد. پس وقتی که احساس خستگی و بی‌حالی داشته باشیم، بیشتر به پرداختن به عادت‌های قدیمی و معمول‌مان تمایل داریم و ریسک‌های کمتری را می‌پذیریم. همین مساله ما را -حداقل تا بازیابی دوباره‌ی انرژی- در دایره‌ی راحتی‌مان نگه می‌دارد

اما آیا واقعا باید از دایره‌ی راحتی خارج شد؟ آیا نتیجه‌ی انجام این کار مفید است؟ پاسخ علم به این سوالات -در اغلب موقعیت‌ها- مثبت است. ما هم به پیدا کردن یک نقطه‌ی امن و مطلوب در دایره‌ی یادگیری تمایل داریم، اما در واقع بخاطر نگرانی ناخودآگاه در خصوص ورود به دایره‌ی ترس، از دایره‌ی راحتی‌مان هم خارج نمی‌شویم. در ادامه چند مزیت برای خروج از دایره‌ی راحتی و تلاش برای بهبود آستانه‌ی تحمل در صورت افزایش اضطراب آمده است

کمک به پیشرفت

مقدار اندکی اضطراب و تردید، زمانی مفید است که با احساس موفقیت همراه شود. در این صورت رشد شخصی و شخصیتی را نتیجه خواهد داد. به همین دلیل است که برخی ماجراجویی‌های خارج از محیط تکراری خانه -مثل کوهنوردی، چتربازی و حتی دوچرخه‌سواری- می‌تواند هیجان مثبت در ما ایجاد کند. چنین فعالیت‌هایی سطح اضطراب را تا حدی امن و مثبت افزایش می‌دهند و پس از پایان آنها و بازگشت به خانه، احساسات مثبتی همچون کسب یک دستاورد مفید و اعتماد به نفس در ما ظاهر شده یا افزایش پیدا می‌کنند.

گسترش دایره‌ی راحتی

اگر دایره‌ی راحتی شما کوچک است، تعداد چیزهایی که می‌توانید بدون اضطراب به انجام برسانید هم کم خواهد بود. در این صورت اغلب اوقات -بخاطر ناتوانی در انجام بسیاری از کارها- مضطرب هستید و به‌علاوه پیشرفت‌های کمتری را هم تجربه خواهید کرد. با خروج مکرر از دایره‌ی راحتی، شما می‌توانید تعداد عادت‌ها و کارهای مفید بیشتری را به دایره‌ی راحتی خود بیاورید.

انجام کارهای جدید و کمک به یادگیری چیزهای بیشتر

ماجراجویی‌های بیشتر منجر به ترشح  دوپامین می‌شود. دوپامین نقشی اساسی در ایجاد انگیزه در ما بازی می‌کند و هیجان‌های تازه، میزان آن را افزایش می‌دهد. به‌علاوه هیجان بیشتر، بهبود حافظه و افزایش یادگیری را هم نتیجه می‌دهد.

«دنیل اچ. پینک» (Daniel H. Pink) نویسنده کتاب Drive: The surprising Truth About What Motivates Us می‌گوید ایده‌آل‌ترین چیزی که می‌توانیم برای به دست آوردن انگیزه‌ی بیشتر نیاز داشته باشیم، محیطی با متعادل‌ترین میزان راحتی برای بیشترین سطح بازدهی است. به گفته‌ی او اگر شما زیادی احساس راحتی کنید، کارایی کمتری دارید. اگر احساس راحتی در شما زیادی کم است، باز هم میزان کارایی پایینی دارید.

سعی کنید که سطح میانه را برای خود پیدا کنید. جایی که میزان اضطراب شما در سطح کنترل شده‌ای باشد که در کنار استفاده از آن برای ایجاد انگیزه، توانایی‌تان برای مدیریت امور را هم از دست ندهید. هر گاه این شرایط به سطح متعادل و معقول رسید، سعی کنید با گسترش مسوولیت‌ها را -تا آنجا که اضطراب شما را تا دوباره تا حد معقول و آستانه‌ی تحمل‌تان بالا می‌برد- افزایش دهید. در این صورت در کنترل میزان اضطراب و گسترش دایره‌ی راحتی خود موفق عمل کرده‌اید

اگر قصد گسترش مرزهای دایره‌ی راحتی خود را دارید و در عین حال نمی‌دانید از کجا باید شروع کنید، می‌توانید با کمک این ابزار آنلاین، مرزهای دایره‌ی راحتی خود را بازشناسی کنید. با استفاده از این ابزار، می‌توانید با پاسخ‌گویی به چند سوال در خصوص سبک زندگی و میزان هیجان‌هایی که تجربه می‌کنید، به عددی برسید که نشان می‌دهد دایره‌ی راحتی شما چقدر کوچک یا بزرگ است. به علاوه می‌توانید با مطالعه پیشنهادها و توصیه‌هایی که پس از سوالات به شما می‌شود، نسبت به بهبود اوضاع اقدام کنید. اینکه تا چه حد می‌خواهید مرزهای دایره‌ی راحتی خود را گسترش دهید، کاملا به شما و مسیری که برای خود در زندگی ترسیم کرده‌اید بستگی دارد. نکته مهم در اینجا، ایجاد تعادل بین راحتی، امنیت، سلامت و البته میزان هیجان‌هایی است که می‌خواهید تجربه کنید.

موفق و پیروز باشین

فرامرز صحرائی

منبع: دیجی کالا مگ

اتم‌های مصنوعی، آینده روشنی پیش روی دنیای امنیت قرار می‌دهند

امنیت با چاشنی کوانتوم
اتم‌های مصنوعی، آینده روشنی پیش روی دنیای امنیت قرار می‌دهند
از کارت‌های اعتباری گرفته تا حساب‌های بانکی، ما همواره با اطلاعات دیجیتالی بسیار حساسی سروکار داریم. اطلاعاتی که هر روز در فضای مجازی مبادله می‌شوند. تقریبا از اوایل دهه 90 میلادی که برای اولین بار پژوهشگران اطلاع پیدا کردند کامپیوترهای کوانتومی دارای چه قابلیت‌هایی هستند، مبحث امنیت وارد فاز جدیدی از نگرانی‌ها شد. قابلیت‌های ارائه شده از سوی این کامپیوترها بسیاری از کارشناسان حوزه امنیت را دچار نگرانی کرده است.

پژوهشگران امنیتی به این دلیل نگران اطلاعات بسیار حساس هستند که فیزیک کوانتوم پیش‌بینی کرده است کامپیوترهای کوانتومی در مقایسه با کامپیوترهای رایج امروزی از سرعت بسیار بیشتری برخوردار هستند. آزمایش‌های محدودی که در این زمینه انجام شده، نشان داده است کامپیوترهای کوانتومی این قابلیت را دارند تا رمزنگاری کلید عمومی که امروزه از سوی سامانه‌های کامپیوتری مورد استفاده قرار می‌گیرد را به ساده‌ترین شکل ممکن شکسته و به درون ارتباطات محافظت شده وارد شود. رویکردی که امروزه حاکم است به این شکل عمل می‌کند که دو سامانه کامپیوتری از کلید رمزنگاری عمومی به منظور برقراری یک ارتباط خصوصی و پنهان استفاده می‌کنند. در رمزنگاری کلید عمومی هر دستگاه یک کپی از کلید عمومی خاص خودش را در اختیار دارد که در واقع یک تکه از اطلاعات دیجیتالی است. کامپیوتر دوم نیز کلید خصوصی خاص خود را دارد و این دو سامانه بر مبنای این کلیدها سعی می‌کنند اطلاعاتی را برای یکدیگر ارسال کنند. این اطلاعات زمانی که به دست طرف مقابل می‌رسد رمزگشایی می‌شود. به این شکل دو سامانه قادر هستند یک کانال ایمن را به وجود آورده و به تبادل اطلاعات بپردازند.

 اما مشکل این روش این هست که همواره عامل سومی وجود دارد که می‌تواند این ارتباط را شکسته و به استراق‌سمع اطلاعات بپردازد. بدتر آن‌که یک کامپیوتر کوانتومی می‌تواند به سرعت کلید خصوصی طرف مقابل را محاسبه کرده و پیام‌ها را مشاهده کند. این دقیقا همان چالش آینده است که متخصصان حوزه امنیت از هم اکنون نگران آن هستند. برای حل این مشکل پژوهشگران امیدوار هستند تا از توزیع کلید کوانتومی استفاده کنند. در این روش دو سامانه کوانتومی می‌توانند یک کانال ایمن را با استفاده از یک کلید غیرقابل رویت به وجود آورند. برای پیاده‌سازی چنین سازوکاری می‌توان از جفت فوتون‌های به دام افتاده که نقاط کوانتومی نامیده می‌شوند برای برقراری یک ارتباط کوانتومی استفاده کرد.

در همین ارتباط گروهی از پژوهشگران اتریشی دانشگاه اسنبروک راهکاری ابداع کرده‌اند که به آن‌ها اجازه داده است از نقاط کوانتومی به منظور ذخیره‌سازی اطلاعات استفاده کنند. این نقاط ترکیبات نیمه رسانایی هستند که عرض نانومتری دارند و به لحاظ الگوی رفتاری، مشابه با اتم‌های مصنوعی هستند. شبیه به یک اتم، الکترون‌ها در یک نقطه کوانتومی سطح مشخصی از گسست انرژی دارند. زمانی که به این نقاط انرژی داده می‌شود تغییر سطح می‌دهند. این گروه از پژوهشگران اتریشی موفق به ابداع روش تازه‌ای شدند. اگر یک نقطه کوانتومی بتواند فوتون درستی را جذب کند، باعث پرش یک الکترون به سطح بالاتری از انرژی می‌شود. زمانی که این اتفاق رخ می‌دهد، یک شکاف باز در سطح پایین‌تر انرژی به وجود می‌آید که دانشمندان این شکاف را حفره (hole) نام نهاده‌اند. در این حالت الکترون انرژی اصلی خود را از دست داده و یک فوتون را نشر می‌دهد که این فوتون حفره موجود را پر می‌کند. ترکیب میانی الکترون برانگیخته شده و حفره اگزایتون exciton نامیده می‌شود. ترکیب دو اگزایتون و دو حفره biexciton نامیده می‌شود که یک جفت فوتون را نشر می‌دهد. برای تحریک این دو ترکیب در نقاط کوانتومی می‌توان از پالس‌های لیزری استفاده کرد. این پالس‌ها به دانشمدان اجازه داده‌اند تا اطلاعات روی جفت فوتون‌های ساطع شده را رمزنگاری کنند. از این تکنیک برای انتقال اطلاعات در مسیرهای طولانی نیز می‌توان استفاده کرد. اما ناخالصی‌هایی که در نقاط کوانتومی وجود دارد باعث شده است تا به دام انداختن فوتون‌ها به سختی امکان‌پذیر باشد. پژوهشگران برای حل این مشکل از تکنیک تابش لیزر ثانیه‌ای استفاده کرده‌اند. در این تکنیک می‌توان ناخالصی سطوح الکترون را پر کرد.

این‌گونه به نظر می‌رسد که تکنیک‌هایی همچون توزیع کلید کوانتومی چالش امنیتی همراه با محاسبات کوانتومی را برطرف خواهد کرد. در نتیجه این احتمال وجود دارد که در آینده نه تنها کامپیوترهای کوانتومی، بلکه خطوط ارتباطی کوانتومی ایمن را نیز در اختیار داشته باشیم. 

هفت ابزار عالی برای کار تیمی و برنامه نویسی از راه دور



ابزارهای کار برنامه نویسی بصورت Remote

ابزارهای کار برنامه نویسی بصورت Remote

امروزه بسیاری از پروژه های برنامه نویسی با منطق open source تولید می شوند. یکی از ویژگی های open source بودن این است که برنامه نویس ها از نقاط مختلف جغرافیایی روی پروژه کار می کنند.

یکی از مسائلی که در کار تیمی از راه دور و یا همان دورکاری پیش می آید، هماهنگی سخت بین برنامه نویسان است. فرض کنید که مدیر پروژه چگونه باید سیاست ها را تدوین و به برنامه نویسان ابلاغ کند؟ مدیر فنی چگونه Task ها را به برنامه نویسان Assign کند؟ اگر برنامه نویسی قسمت مورد نظر را نوشت چگونه در هسته ی اصلی کد بنویسد؟ و مسائل دیگری از این دست که یک تیم برنامه نویسی را با چالش های جدی روبه رو می کند.

به همین جهت می خواهیم به بررسی هفت تا از بهترین ابزارهای مشارکت جمعی در پروژه های برنامه نویسی را بررسی و خصوصیات هر کدام را ذکر کنیم:

الف) اپلیکیشن Agreedo

اپلیکیشن agreedo

اپلیکیشن agreedo

غالبا، جلسات اعضای تیم زمان بر و بدون ثمر هستند. چرا که افراد شرکت کننده در جلسه فراموش می کنند که دستورالعمل ها و پیشنهاداتشان را با خودشان به جلسه بیاورند، همچنین در حین جلسه معمولا نظراتی رد و بدل می شود که افراد فراموش می کنند آنها تبدیل به یک task کنند و فرد خاصی را مامور انجام آن کنند.

اپلیکیشن Agreedo این مشکلات را حل می کند. با این ابزار ایده ها تبدیل به دستورالعمل می شوند و وارد روال پروژه می شوند. همچنین هر تصمیمی که در حین پروژه گرفته شود، به فرد مورد نظر Assign می شود. تمام این task ها هم مانند task های عادی پروژه قابل پیگیری توسط مدیر پروژه هستند.

این ابزار برای سیستم عامل های Windows, Mac, iOS و Android موجود است و برای تیم های Remote یا همان تیم هایی که در آن دورکاری می کنند بسیار مفید است.

ب) Wunderlist یک اپلیکیشن حرفه ای برای مدیریت Task ها

مدیریت تسک ها با wunderlist

مدیریت تسک ها با wunderlist

کار با Wunderlist بسیار ساده است، به همین علت هم افراد به راحتی می توانند از آن استفاده کنند و دغدغه ی استفاده ی روزانه از آن را نداشته باشند. همانطور که می دانید پیگیری task ها مهم ترین فاکتور یک تیم سالم است، اما این دلیل نمی شود که باعث شود زمان زیادی از شما در طول روز به این خاطر گرفته شود. منطق بکار رفته در Wunderlist باعث می شود که شما زمان کمتری را به مدیریت task ها بپردازید، چرا که کار با آن بسیار ساده است.

در زیر با تعدادی از این قوانین آشنا شوید:

  • Task های ستاره دار، task هایی هستند که  برای شما چالش برانگیزند.
  • قابلیت مرتب سازی task ها بر اساس اولویت و درجه اهمیت آنها.
  • قابلیت شکستن یک task به چند subtask.
  • قابلیت assign کردن یک task به فردی خاص در پروژه.
  • قابلیت فیلتر کردن لیست task های assign شده به من بر اساس فاکتور های “task های امروز” و “task های کلی من”.
  • قابلیت هماهنگی با نرم افزار Slack جهت بهبود چت و تماس با افراد تیم.

ج) اپلیکیشن Skitch جهت یادداشت گذاری حرفه ای

ارتباطات تیمی با استفاده از Skitch

ارتباطات تیمی با استفاده از Skitch

خیلی سخته که مطلبی را بخواهید به کسی بفهمانید و آن فرد در مقابل شما نباشد. Skitch به شما کمک می کند که این کار را به ساده ترین شکل ممکنه انجام دهید. با کمک این ابزار می توانید یک متن کاملا نشانه گذاری شده را برای یکی دیگر از اعضای تیم بفرستید. مثلا یک متنی بنویسید که در آن از علامت های جهت، اشکال مختلف، ابزار هایلایت و … استفاده کنید.

جدا از اینکه استفاده از این ابزار بسیار ساده است، مطلب دوست داشتنی دیگر در موردش این است که به راحتی می توان اسکرین شات گرفت(command+shift+6)، متن را به سرعت ایمیل کرد (command+shift+m) و یا اینکه آن را تبدیل به فایل عکس نمود (command+e).

د) اپلیکیشن Draft جهت کار تیمی روی اسناد حقوقی و داکیومنت ها

نرم افزار Draft دقیقا مانند github عمل می کند، اما با کمی پیچیدگی کمتر. این ابزار به شما کمک می کند که روی فایل های Markdown با افراد مختلف به طور همزمان کار کنید و در نهایت به سادگی از آن خروجی بگیرید به فرمت های PDF، HTML، DOCX و Markdown.

این ابزار بسیار مناسب است برای کار روی اسناد حقوقی و یا مقالاتی که چند نفر همزمان روی آن مشغول کار هستند. غیر از اینکه برنامه نویسان از این ابزار می توانند استفاده های زیادی بکنند، در اصل این ابزار برای استفاده های نویسندگان ابدا شده است.

ه) اپلیکیشن Dropbox برای اشتراک گذاری فایل ها

اپلیکیشن dropbox

اپلیکیشن dropbox

Dropbox یک سیستم مجازی ذخیره و نگه داری اطلاعات است که تقریبا همه ی ما اسم آن را شنیده ایم و با آن کار می کنیم. نکته ای که در مورد Dropbox شنیدنی است این است که اپلیکیشن های زیادی با استفاده از API می توانند به دراپ باکس متصل شوند و از امکانات آن استفاده کنند. به طور پیش فرض تا ۲ گیگابایت به صورت رایگان می توانید از فضای dropbox استفاده کنید که به ازای دعوت هر یک از دوستانتان به دراپ باکس تا ۲۵۰ مگابایت می توانید فضای رایگان خود را افزایش دهید. البته بیشتر از ۸ گیگابایت نمی توانید به این روش بدست آورید. برای داشتن فضای اضافی تر می بایست پلن های غیر رایگان را انتخاب کنید.

شایان ذکر است که Google Drive تا ۱۵ گیگابایت فضای رایگان را در اختیار کاربران قرار می دهد. البته قابلیت های این دو سیستم با یکدیگر متفاوت است و هر کدام توانایی های خاص خود را دارند.

و ) اپلیکیشن slack جهت ارتباطات تیمی

اپلیکیشن پیام رسان حرفه ای slack

اپلیکیشن پیام رسان حرفه ای slack

اپلیکیشن پیام رسانی Slack برای استفاده در ارتباطات تیمی فوق العادست. در واقع این نرم افزار آنقدر جنبه ی fun دارد که همه آن را دوست دارند. بسیاری از تیم های برنامه نویسی که Remote کار می کنند از این اپلیکیشن برای پیام رسانی و ارتباطشان استفاده می کنند. البته بعضی اوقات مدیر پروژه ها به این نتیجه می رسند که این ابزار بیشتر ضرر میرساند تا استفاده. من معتقدم این طرز تفکر از آنجا ناشی می شود که هر ابزاری را می توان درست یا غلط مورد استفاده قرار داد.

قابلیت فوق العاده ی Slack این است که از طریق آن می توانید سایر ابزارهای مورد استفاده در پروژه اتان را نیز کنترل کنید.

اپلیکیشن های زیر می توانند از طریق Slack کنترل شوند:

  • مدیریت task های اپلیکیشن های Wunderlist، Trello، Asana و یا JIRA
  • سیستم پاداش و تشویق کارمندان با استفاده از اپلیکیشن Bonusly و یا Leo Slackbot
  • کنترل به اشتراک گذاری صفحه نمایش با استفاده از Screenhero
  • همکاری روی طراحی ها در نرم افزار های InVision،  Zeplin، UXPin
  • مدیریت طوفان فکری در اپلیکیشن Sketchboard
  • و بسیاری موارد دیگر

ز) اپلیکیشن خیلی کاربردی Zapier برای اتومات سازی و هماهنگی با اپ های دیگر تیم

اپلیکیشن Zapier

اپلیکیشن Zapier

خود من به شخصه از این اپلیکیشن استفاده های زیادی می کنم. برای من بسیار کاربردی است. در واقع در وقت یک مدیر تیم خیلی صرفه جویی می کند. اما کار این اپلیکیشن چیست؟

zapier می تواند اپلیکیشن های مورد استفاده در یک پروژه را بهم وصل کند. به عنوان مثال فرض کنید که بخشی از تیم شما از Google Drive و بخشی دیگر از Dropbox استفاده می کند. در zapier شما می توانید برای هر کاری یک zap (یک کار خاص) تعریف کنید. در این مثال شما یک zap تعریف می کنید که فایل های ذخیره شده در Google Drive را به Dropbox انتقال دهد و هر زمان هم که این کار را انجام داد، اعضای تیم را از این قضیه مطلع سازد.

بسیاری Zap (دستوالعمل) های دیگر به ذهنتان می رسد که می توانید در zapier مورد استفاده در پروژه اتان تعریف کنید و بهره ی کافی را ببرید. اپلیکیشن Zapier یک رقیب و رفیق دیگر هم دارد که آن را در لینک زیر دنبال کنید. بسیار مفید است.

با این وبسایت عجیب دنیا را بهم بچسبانید!!!

حرف آخر

همکاری از راه دور بسیار سخت است. شما هیچگاه نمی توانید تنها با استفاده از تلفن و پیامک یک تیم برنامه نویسی با آن همه حواشی را مدیریت کنید. ابزارهای ارتباط از راه دور را کامل بشناسید و در پروژه های خود استفاده کنید. هر چه بیشتر اپلیکیشن های قوی و کاربردی را در این زمینه بشناسید، پروژه اتان سریعتر جلو می رود و زودتر به نتیجه می رسید.

امروزه استفاده از ابزارهای مشارکت جمعی نه تنها یک فکر درست بلکه یک ضرورت است. اگر ابزارهای دیگری در این زمینه را می شناسید در قسمت کامنت ها آن را ذکر کنید تا سایرین هم با آن آشنا شوند.



یادگیری ماشینی، پر پرواز تبلیغات هوشمند

هوشمندی تبلیغات، ارمغان عصر جدید
یادگیری ماشینی، پر پرواز تبلیغات هوشمند
یادگیری ماشینی راهی طولانی را از سرزمین هالیوود و روبات‌های پرزرق‌وبرق پیموده است تا به جریان اصلی زندگی ما وارد شود. در فیلم‌های هالیوودی از روبات‌ها به عنوان جایگزینی برای انسان‌ها یاد شده است. اما واقعیت این است که امروزه دنیای صنعت برای تکمیل بسیاری از وظایف خود از یادگیری ماشینی استفاده می‌کند. کافی است به پیرامون زندگی خود نگاهی بیندازید تا متوجه شوید این فناوری چگونه توانسته است بهره‌وری و عملکرد کاری شما و سازمانتان را بهبود بخشد؛ حتی در کارهایی همچون موسیقی، سرویس‌دهی به مشتریان، بازی‌های ویدیویی، معاملات بانکی، گزارش‌های خبری و البته تبلیغات. یادگیری ماشینی قدرتی باورنکردنی به متخصصان این حوزه‌ها داده است.

این مطلب یکی از مقالات پرونده ویژه «تبلیغات و بازاریابی آنلاین» منتشر شده در شماره ۱۸۶ ماهنامه شبکه است. برای دانلود کل پرونده ویژه می‌توانید اینجا کلیک کنید. 

با وجود این، یادگیری ماشینی برای بسیاری از مردم همچون جعبه‌ای سربه‌مهر است. عامه مردم گمان می‌کنند که این مفهوم، عجیب و علمی بوده و درک آن با دشواری همراه است. در حالی که بسیاری از حرفه‌ای‌های این حوزه یادگیری ماشینی را فناوری سطح بالایی توصیف می‌کنند، این فناوری آن‌گونه که باید و شاید در حوزه تبلیغات به شکل صریح و روشنی تعریف نشده است تا به مردم اعلام کند که در بازاریابی‌های امروزی، بازاریاب‌ها می‌توانند از این فناوری در برنامه‌های واقعی روزمره خود استفاده کنند.
آمارها نشان می‌دهند تبلیغات پخش‌شده در رسانه‌های مختلف، تا پایان سال 2016 حدود 600 میلیارد دلار عاید شرکت‌های فعال در زمینه تبلیغات و ناشران آن‌ها خواهد کرد و این صنعت را در مقایسه با صنایع دیگر، از نظر سودآوری در جایگاه نخست قرار خواهد داد. یادگیری ماشینی که به نوعی رهبری و هدایت یادگیری عمیق را بر عهده دارد، به فناوری کلیدی‌ای تبدیل شده است که در حال شکل‌دهی چشم‌انداز و آینده بسیاری از صنایع، از جمله تبلیغات است. یادگیری ماشینی با اتکا بر الگوریتم‌هایی که از داده‌های جمع‌آوری‌شده برای یادگیری استفاده می‌کنند، در اکثر مواقع در رویارویی با حجم سنگینی از داده‌ها، نتایج دقیقی را تولید می‌کند.


مطلب پیشنهادی

بنری برای تو
مقدمه پرونده ویژه تبلیغات و بازاریابی آنلاین

در عصر برنامه‌های هوشمند، داده‌ها سلطان بی‌رقیب هستند. سرویس‌هایی که بتوانند داده‌هایی با بالاترین کیفیت تولید کنند، می‌توانند به‌خوبی مدل‌ها را تأمین کرده و در نتیجه تجربه کاربری بهتری را در اختیار مخاطبان خود قرار دهند. نکته جالب توجه دیگر، کاهش نرخ میزبانی داده‌ها و افزایش حجم آن‌ها است. در طول پنج سال گذشته، داده‌ها رشد صعودی خیره‌کننده‌ای را تجربه کرده‌اند، در حالی که سیر صعودی هزینه میزبانی داده‌ها ناچیز بوده است. (شکل 1) برای مثال، شرکت تسلا تا امروز حدود 780 میلیون مایل داده‌های رانندگی را جمع‌آوری کرده است و در هر ده ساعت، میلیون‌‌ها رکورد داده‌ای به این حجم اضافه می‌کند؛ داده‌هایی که به‌منظور تغذیه مدل‌های مورد استفاده در ماشین‌های خودران استفاده می‌شوند. با وجود اینکه صنعت تبلیغات هوشمند در مقایسه با صنایع دیگر کمی از قافله عقب‌تر است، پیشرفت‌ها در این حوزه خیره‌کننده بوده‌اند.


شکل 1: در سال‌های 2010 تا 2015 رشد داده‌ها خیره‌کننده بود.http://www.blogsky.com/ht-csure/post/edit/8169465368

تعریف کوتاهی از یادگیری ماشینی
یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که به کامپیوترها این توانایی را می‌دهد تا کارهایی همچون شناسایی مشکلات، پیش‌بینی رخدادها، کنترل عوامل متغیر و نتایج به‌دست‌آمده از آن‌ها و برنامه‌ریزی برای اشیا و سرویس‌ها را بدون آنکه به برنامه‌نویسی صریحی برای انجام این‌گونه کارها ضرورتی باشد، مدیریت کنند. برای این منظور پژوهشگران الگوریتم‌ها را با پارامترها و داده‌هایی که مدل‌ها به آن‌ها نیاز دارند، تأمین می‌کنند. در ادامه، این الگوریتم‌ها خود می‌آموزند که چگونه باید با استفاده از داده‌های جدید رشد و تغییر کنند. اگر یادگیری ماشینی با داده‌ها و اطلاعاتی از آینده تأمین شود، این توانایی را به شما می‌دهد تا چشم‌اندازها و اتفاقات حوزه کاری خود را در آینده مشاهده و پیش‌بینی کنید. بدون شک، این کاربرد هر صنعتی را که درباره آن فکر می‌کنید، تحت تأثیر قرار می‌دهد و اثر شگرفی بر تبلیغات نیز خواهد گذاشت؛ به گونه‌ای که بازاریابان قادر خواهند بود تبلیغات هدفمند را آماده کرده و این تبلیغات را برای مخاطبان شناخته‌شده ارسال کنند. اگر شما بازاریابی هستید که واژگانی همچون برنامه‌ریزی داده‌محور و هوش مصنوعی به گوشتان خورده است، باید بدانید این ابزارها کلید موفقیت شما خواهند بود.

در دنیای تبلیغات و بازاریابی، مهم‌ترین اصل این است که شناخت دقیقی از مخاطبان خود داشته باشید. این شناخت و درک درست اجازه می‌دهد سرویس‌های درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش دهید

اگر در تلاش برای کشف این موضوع هستید که چگونه یادگیری ماشینی می‌تواند در ارائه بهتر تبلیغات کمک کند، بدانید که در این راه تنها نیستید. کافی است سری به بازارهای بورس جهانی بزنید تا مشاهده کنید چگونه بانک‌های بزرگ بین‌المللی از یادگیری ماشینی برای پیش‌بینی سیر صعودی یا نزولی ارزش سهام استفاده می‌کنند و می‌توانند هر ثانیه از این تحولات را پیش‌بینی کنند. این بانک‌ها به‌راحتی دامنه، ارتفاع و نقطه شکست هر ارز را با کمک هوش مصنوعی پیش‌بینی می‌کنند و به این شکل مانع ضرر و زیان خود می‌شوند.

بازاریابی به معنای شناخت جزئیات است
در دنیای تبلیغات و بازاریابی، مهم‌ترین اصل این است که شناخت دقیقی از مخاطبان خود داشته باشید. این شناخت و درک درست اجازه می‌دهد سرویس‌های درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش دهید. این مهم‌ترین قاعده‌ای است که دنیای تبلیغات را متقاعد ساخته است یادگیری ماشینی و هوش مصنوعی به شکل خیره‌کننده‌ای می‌توانند به این صنعت کمک کرده و آن‌ را دستخوش تغییرات اساسی کنند. شاید این تجربه تلخ را داشته باشید که پس از خرید کالایی، به دلایل مختلف مانند متناسب نبودن با نیازهای شما، نداشتن قابلیت‌های کاربردی، کارایی پایین و مانند این‌ها، از خرید خود پشیمان شوید و درست چند روز بعد در گشت‌وگذار اینترنتی، تبلیغی را ببینید که مشابه کالای مورد نیاز شما را عرضه کرده است. این تکنیک بازاریابی تنها یکی از صدها راهکاری است که با کمک یادگیری ماشینی در اختیار شرکت‌های بازاریابی قرار دارد. ایمیل‌های سفارشی و هدفمند که برای مخاطبان ارسال می‌شود، یکی دیگر از کاربردهای جالب توجه یادگیری ماشینی به شمار می‌روند.

به حداکثر رساندن بهره‌وری تبلیغات
اگر جزو آن گروه از افرادی هستید که سال‌ها در صنعت بازاریابی و تبلیغات فعالیت داشته‌اند، روزگاری را که تبلیغات به طور دستی انجام می‌شد، به خاطر می‌آورید. شیوه‌های سنتی تبلیغات، در عصر جدید کارایی خود را از دست داده‌اند. این تکنیک‌ها دیگر قادر نیستند در زمینه بهینه‌سازی مکانیزم‌های تبلیغاتی یا گستر‌ش‌پذیری آن‌ها کمک کنند. این درست همان نقطه‌ای است که یادگیری ماشینی کمک می‌کند برنامه‌های تبلیغی خود را کارآمدتر کرده و اطمینان حاصل کنید سیاستی که در زمینه تبلیغات در پیش گرفته‌اید، در مسیر درست و به همان شکلی که انتظار دارید به جلو حرکت خواهد کرد. با اتکا بر سلسله عملیات بسیار پیچیده‌ای، یادگیری ماشینی کمک می‌کند تا میزان بهینه‌سازی یک تبلیغ به‌منظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین کنید. برای مثال، شرکت مک‌دونالد برای آنکه بتواند مشتریان بیشتری جذب کند، از چنین الگوریتم‌هایی بهره برد و تصمیم گرفت از چهره افراد برجسته‌ای همچون شکسپیر، انیشتین و آوستین در فهرست جدید خود موسوم به The 12 استفاده کرده و به مخاطبان خود اعلام کند که افراد بزرگ پیش از پرداختن به حل مسائل بزرگ‌تر، ابتدا مسئله ناهار را حل کرده‌اند. (شکل دو و سه)


شکل 2 و 3: پوسترهای تبلیغاتی خلاقانه مک‌دونالد

برای دستیابی به چنین راهکارهای خلاقانه‌ای، الگوریتم انتخابی باید درباره معیارهای کارکردی که به شما در رسیدن به هدفتان کمک خواهد کرد، اطلاعات کافی داشته باشد. نرخ کلیک‌ها در لینک‌های اینترنتی یا نرخ نصب‌های یک برنامه کاربردی از جمله این موارد هستند. هر زمان چنین داده‌هایی در اختیار یادگیری ماشینی قرار داشته باشد، می‌تواند میزان اثرگذاری یک پیشنهاد تبلیغاتی را ارزیابی کند. داده‌های مورد نیاز برای چنین رویکردی از منابع مختلفی استخراج می‌شوند، اما نکته مهم این است که باید منابع مالی خوبی در اختیار داشته باشید تا بتوانید نتایج بهتری به دست بیاورید. 

سرمایه‌گذاری با نگاه کردن به اهداف مشابه
بدون شک الگوریتم‌های فیسبوک که داده‌های ارزشمندی در اختیار ما قرار داده و به این شکل فرصت‌های منحصربه‌فردی در زمینه شناسایی فراهم کرده‌اند، بهترین کمک هستند. آیا به یاد می‌آورید زمانی‌که در فیسبوک عضو شدید، اطلاعاتی درباره علائق شخصی خود، برنامه‌های تلویزیونی که مشاهده می‌کنید، تیم‌های ورزشی که اخبار مربوط به آن‌ها را دنبال می‌کنید و مانند این‌ها را در پروفایل خود وارد کردید؟ اطلاعاتی که آن زمان در پروفایل خود قرار دادید، امروزه به‌منظور ارائه تبلیغات و بازاریابی مؤثر استفاده می‌شوند. الگوریتم یادگیری ماشینی می‌تواند کلاستری از مخاطبان خاص را بر مبنای اینکه تبلیغات هدفمند برای کدام‌یک از این گروه‌ها ارزشمند‌تر است، ایجاد کند. برای مثال، یک الگوریتم ممکن است آگاه شده باشد که زنان بالای سی سال به طور اتفاقی در فضای مجازی به دنبال بازی‌های آنلاین و متعاقب آن به دنبال آموزش‌های مرتبط با این بازی‌ها هستند. این اطلاعات برای بازاریابان ارسال می‌شود و تبلیغات مربوط به این آموزش‌ها بر مبنای فعالیتی که این گروه از مخاطبان انجام می‌دهند، در مکان‌های مختلفی به آن‌ها نشان داده می‌شود. امروزه یادگیری ماشینی به شرکت‌های تبلیغاتی کمک کرده است تا تبلیغات محلی را ویژه افرادی که در موقعیت‌های جغرافیایی مختلف قرار دارند، به صورت هدفمند نشان دهند. 

داده‌کاوی به‌منظور بهینه‌سازی اهداف
مهم نیست چه نوع فعالیتی در فضای آنلاین انجام داده‌اید، با هر بار کلیک کردن روی لینک‌های مستقر در سایت‌ها یا حتی بازدید از سایت‌ها، زمانی‌که قصد خروج از این فضا را دارید، ردپایی از شما بر جای می‌ماند. به عنوان یک بازاریاب، باید ردپای به‌جامانده را درک کنید و قادر به تفسیر آن باشید. این تفسیر و تحلیل کمک می‌کند اطلاعات بیشتری درباره افرادی که به عنوان اهداف خود مشخص کرده‌اید، به دست آورید. اما این تکنیک با یک مشکل روبه‌رو است؛ این اطلاعات به صورت پراکنده در اختیار ارائه‌دهندگان سرویس‌ها قرار دارد و همین موضوع باعث می‌شود در بیشتر موارد اطلاعات ناقصی از مخاطبان خود به دست آورند. سرویس‌های داده‌ای از مدل‌های آماری که به صورت پویا ساخته شده‌اند، برای استخراج اطلاعات اضافی‌تر درباره مردم استفاده می‌کنند. این اطلاعات می‌توانند از طریق ناشران یا داده‌های اجتماعی همچون تعداد لایک‌ها و بازبینی‌ها به دست آید.  اگر مکانیزمی در اختیار داشته باشید تا بتواند چنین داده‌هایی را جمع‌آوری کند، بدان معنا است که به میزان باورنکردنی درباره جزئیات مربوط به مخاطبان خود اطلاعات به دست آورده‌اید و در نتیجه می‌توانید به بهترین شکل ممکن زمان خود را صرف بهینه‌سازی نحوه ارائه تبلیغات کنید و به شکل تأثیرگذاری آن‌ها را به مخاطبان خود نشان دهید؛ به‌طوری که تبلیغات به شکل هوشمندانه‌ای در زمان و مکان مناسبی به مخاطبان نشان داده شود.

پیش‌بینی اثرگذاری
یکی از جالب‌ترین کاربردهای یادگیری ماشینی در حوزه تبلیغات، توانایی پیش‌بینی اثرگذاری تبلیغات است؛ پیش از آنکه به دست مشتریان هدف برسد. امروزه تبلیغ‌کنندگان می‌توانند از داده‌های آماری و تاریخی که درباره تبلیغات قبلی در اختیار دارند و تأثیرگذاری آن‌ها به اثبات رسیده است، در تبلیغات مشابه استفاده کنند. این قابلیت به آن‌ها اجازه می‌دهد تا انتخاب‌های خلاقانه و هوشمندی را به‌منظور به حداکثر رساندن بهره‌وری ارائه کنند.

سفارشی‌سازی
با استناد به مطالعه‌ای که به‌تازگی انجام شده است، زمانی که از بازاریابان سؤال شد به نظر آن‌ها مهم‌ترین قابلیتی که می‌تواند بر آینده صنعت تبلیغات تأثیرگذار باشد، چه ویژگی‌ای است، همگان هم‌نظر بودند که شخصی‌سازی در مکان نخست این فهرست قرار دارد. الگوریتم‌های یادگیری ماشینی می‌توانند ویژگی‌های مصرف‌کنندگان همچون علایق، خرید‌های مشتریان و دموگرافی‌ها (علم تحقیق در جمعیت‌های انسانی) را در قالب خوشه‌هایی شبیه به الگوهای جست‌وجو گروه‌بندی کنند و به تحلیل آن‌ها بپردازند. این دسته‌بندی برای شناسایی انواع مختلفی از تیپ‌های شخصیتی و شناسایی مخاطبانی در رده‌های سنی مختلف استفاده می‌شود. این راهکار به تبلیغ‌دهندگان اجازه می‌دهد تبلیغات به‌شدت قانع‌کننده‌ای را بر اساس شخصیت افراد و گروه سنی آن‌ها طراحی کنند.

با اتکا بر سلسله عملیات بسیار پیچیده‌ای، یادگیری ماشینی کمک می‌کند تا میزان بهینه‌سازی یک تبلیغ به‌منظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین کنید

مشخص کردن محتوا
امروزه یادگیری ماشینی به اهرمی برای به اشتراک‌گذاری محتوا روی پلتفرم‌های مختلف تبدیل شده‌‌ است. این اهرم به تبلیغ‌کنندگان اجازه می‌دهد مخاطبان خود را به‌درستی شناسایی کنند و در ادامه محتوای درست متعلق به یک برند را به دست مخاطب خود برسانند. یادگیری ماشینی همچنین به‌منظور شناسایی این موضوعات که آیا محتوایی که درباره آن قرار است صحبت شود، این ظرفیت را دارد تا برای یک برند ارزش‌آفرینی کند، آیا مخاطبان می‌توانند از این اطلاعات برای اخذ یک تصمیم‌ هوشمندانه استفاده کنند و محتوا روی کدام‌یک از رسانه‌های امروزی بهتر جواب می‌دهد، استفاده می‌شود و به‌شدت محبوب شده است. 

زمان و مکان
قرار دادن آگهی‌ها در زمان درست، برای موفقیت یک کمپین اهمیت فوق‌العاده‌ای دارد. زمانی‌که مصرف‌کنندگان در جست‌وجوی نیازهای شخصی هستند، تبلیغات غیرمرتبط به‌شدت درک و شناختی منفی در خصوص یک برند به وجود می‌آورند. یادگیری ماشینی می‌تواند مکان و زمان مناسبی را که تبلیغات باید روی رسانه انتخابی کاربر نشان داده شوند، تعیین کند. وزن متغیرها، مواردی همچون نرخ کلیک (CTR) سرنام click-through-rate و مدت‌زمانی که کاربر صرف بازدید از صفحات کرده است، از جمله موضوعاتی هستند که یادگیری ماشینی به‌خوبی آ‌ن‌ها را تحلیل می‌کند.

شناسایی تقلب
کلیک‌های نادرست یکی از بزرگ‌ترین نگرانی‌هایی است که در دنیای تبلیغات وجود دارد. یادگیری ماشینی به‌خوبی کلیک‌های جعلی را شناسایی می‌کند. یادگیری ماشینی با تجزیه‌وتحلیل عادت‌های عادی و متعلق به گذشته در مقایسه با کلیک‌های نامشروع، می‌تواند تعیین کند آیا یک کلیک واقعاً مشروعیت دارد یا غیرواقعی است. در نتیجه تبلیغ‌کنندگان به‌راحتی قادر به کشف و مشاهده اعداد واقعی خواهند بود و به این شکل الگوی رفتاری و معمول مخاطبان در یک کمپین را شناسایی می‌کنند. گوگل از این تکنیک به‌منظور شناسایی تقلب‌هایی که ممکن است در سرویس Adwords به وجود آید، استفاده می‌کند. 

پیش‌بینی موفقیت
پیش از اینکه یک کمپین تبلیغاتی کار خود را آغاز کند، دست‌اندرکاران باید تحلیل‌های جامعی درباره موفق بودن آن کمپین انجام دهند. یادگیری ماشینی می‌تواند بر اساس اطلاعات به‌دست‌آمده از کمپین‌های قبلی، همچون نوع محصول، نوع تبلیغات، نوع محتوا و اطلاعات کاربر، پیش‌بینی‌های هوشمندانه‌ای درباره موفقیت احتمالی یک کمپین ارائه کند. این تکنیک در ایجاد تغییرات و افزایش ضریب موفقیت یک کمپین پیش از آنکه به مرحله اجرایی وارد شود، نقش بسزایی دارد.

در نهایت
امروزه الگوریتم‌ها تأثیرگذاری محسوسی بر تبلیغات و کارآمدتر کردن آ‌ن‌ها دارند. در حال حاضر، هیچ کس در حوزه تبلیغات نمی‌تواند ادعا کند تمامی راه‌های ممکن برای ارائه مؤثر تبلیغات را در اختیار دارد و می‌تواند تمامی اطلاعات را به‌خوبی درک کند. ما هنوز به دورانی وارد نشده‌ایم که بسیاری از مشاغل تحت سلطه روبات‌ها قرار داشته باشند، اما در دورانی هستیم که الگوریتم‌های ماشینی می‌توانند تأثیرگذاری شگرفی بر صنعت تبلیغات داشته باشند؛ به دلیل اینکه به شکل باورنکردنی جزئیات بسیاری درباره اهداف عرضه کرده و تحلیل‌های آماری قدرتمندی در این زمینه ارائه می‌کنند.

 

بیمه‌گر ژاپنی هوش مصنوعی را جایگزین 34 کارمند خود کرد

قربانیان تازه هوش مصنوعی
بیمه‌گر ژاپنی هوش مصنوعی را جایگزین 34 کارمند خود کرد
به نظر شما ماشین‌آلات هوشمند چه زمانی جایگزین انسان‌ها خواهند شد؟ آینده خیلی دور یا خیلی نزدیک؟ به نظر می‌رسد، سامانه‌های هوشمند در زمان حال به این سوال پاسخ داده‌اند. در جدیدترین مورد یک شرکت بیمه‌گر ژاپنی بیش از 30 نفر از کارکنان خود را اخراج خواهد کرد و به جای آن‌ها از یک سامانه هوشمند به منظور محاسبه حق بیمه‌ای که باید به بیمه‌گذاران پرداخت شود، استفاده کرد.

شرکت بیمه‌گر Fukoku Mutual Life بر این باور است که با جایگزین کردن ماشین‌های هوشمند قادر است بهره‌وری خود را به میزان 30 درصد افزایش دهد. به طوری که در کمتر از دو سال هزینه‌ای که در این راه سرمایه‌گذاری کرده است را به دست آورد. این شرکت گفته است: «سیستم فوق به ارزش 200 میلیون ین تا اواخر ماه جاری میلادی نصب خواهد شد، برآورد ما این است که به واسطه این سامانه هر ساله بتوانیم در حدود 140 میلیون ین صرفه‌جویی داشته باشیم.»

در حالی که بعید به نظر می‌رسد رویکرد این شرکت از سوی کارکنان مورد استقبال قرار گیرد، با این وجود با پایان یافتن ماه مارس (اواسط فروردین) تعداد 34 نفر از کارکنان این شرکت شغل خود را از دست خواهند داد. این سامانه بر مبنای سامانه شناختی واتسون آی‌بی‌ام کار می‌کند. سامانه‌ای که شبیه به یک انسان فکر می‌کند و قادر است تمامی اطلاعاتی که در اختیارش قرار می‌گیرد را مورد تجزیه و تحلیل قرار دهد. متون، فایل‌های صوتی و فایل‌های ویدیویی از جمله داده‌هایی هستند که این سامانه قادر است آن‌ها را پردازش کند.


مطلب پیشنهادی

سایت ماینیچی شیمبوان، در این ارتباط گفته است: «فناوری فوق قادر است ده‌ها هزار گواهی پزشکی در ارتباط با مدت زمان اقامت بیمار در بیمارستان، تاریخچه پزشکی و هرگونه عمل جراحی که یک بیمار انجام داده است را محاسبه کرده و نتیجه را در اختیار این شرکت بیمه‌گر قرار دهد.» در حالی که به کارگیری یک سامانه هوشمند از سوی شرکت Fukoku به شکل قابل توجهی در زمان این شرکت صرفه‌جویی می‌کند،  با این حال گزارش آماده شده تنها زمانی قابل استناد خواهد بود که یک عامل انسانی صحت درستی آن‌را مورد تایید قرار دهد. لازم به توضیح است که این شرکت هر ساله 132 هزار گواهی‌ و بازپرداخت‌ سالانه را مورد بررسی قرار می‌دهد.

افزایش سن افراد جامعه و قابلیت‌هایی که فناوری‌ روباتیک در اختیار شرکت‌های ژاپنی قرار می‌دهد، یک فرصت ناب را به وجود آورده است تا هوش مصنوعی در این کشور مورد آزمایش قرار گیرد. گزارشی که در سال 2015 میلادی از سوی موسسه تحقیقاتی نومورا منتشر شد، نشان می‌دهد نزدیک به نیمی از مشاغل ژاپن تا سال 2035 به طور کامل در اختیار روبات‌ها قرار خواهد گرفت.


مطلب پیشنهادی

رهایی از یکی از خسته کننده‎ترین کارهای روزمره

لازم به توضیح است، پیش از این نیز، موسسه دیگری به نام Dai-Ichi-Life از یک سامانه هوشمند مبتنی بر واتسون استفاده کرده بود. با این وجود در آن موسسه هیچ‌یک از کارمندان شغل خود را از دست نداده بودند. به نظر می‌رسد هوش مصنوعی نقش مهمی در سیاست‌های آتی کشور ژاپن بازی خواهد کرد. ماه آینده میلادی قرار است وزارتخانه صنعت، تجارت و اقتصاد ژاپن به صورت آزمایشی از هوش مصنوعی به منظور کمک به کارمندان دولت استفاده کند. در این طرح آزمایشی هوش مصنوعی به کارکنان دولت کمک می‌کند تا پیش‌نویس‌هایی که قرار است در جلسات هییت دولت مطرح شوند را آماده کنند. آژانس خبری جی‌جی گزارش کرده است: «اگر این آزمایش موفقیت‌آمیز باشد، سازمان‌های دولتی دیگر نیز به سمت استفاده از هوش مصنوعی متمایل خواهند شد.» اما عده‌ای از اندیشمندان ژاپنی دیدگاه متفاوتی در این ارتباط دارند. نوریکا آرای، استاد موسسه ملی انفورماتیک ژاپن در این ارتباط به آژانس خبری کیودو گفته است: «هوش مصنوعی برای پاسخ‌گویی به هر سوالی مناسب نیست. به دلیل این‌که هنوز این توانایی را ندارد تا درک گسترده‌ای از مفاهیم مختلف داشته باشد.»