هرچقدر که زمان میگذرد، دسترسی به دادهها آسانتر میشود و همزمان، علاقه به استفاده از یادگیری ماشین (Machine Learning) نیز در حوزههای مختلف افزایش مییابد. یادگیری ماشین روشهای مختلفی در اختیار ما قرار میدهد تا بتوانیم دانشی را که در دادهها نهفته است، استخراج کنیم. نتایج حاصل از کاربرد یادگیری ماشین میتواند دستاوردهای مفیدی در زندگی رومزه برای ما به همراه داشته باشد.
الگوریتمهای یادگیری ماشین این توانایی را دارد که اطلاعات میدانی دربارهٔ مقررات و بهینهسازی را تقویت کند و بستری فراهم کند که این دو (ساماندهی و بهینهسازی) بهصورت خودکار انجام پذیرد. علاوه بر این، یادگیری ماشین و بینایی کامپیوتری (computer vision) سبب تقویت عرصههای مختلفی شده است؛ اموری مانند تشخیص پزشکی، تحلیل آماری داده و الگوریتمها، پژوهشهای علمی و جز اینها، از جمله مواردی هستند که یادگیری ماشین آنها را بهبود بخشیده و تقویت کرده است. از اینگونه روشها قبلتر در برنامههای گوشیهای هوشمند، لوازم کامپیوتری، وبسایتها، امنیت در دنیای مجازی و غیره استفاده شده است.
در اینجا تعدادی از کاربردهای یادگیری ماشین را در زندگی روزمره بررسی میکنیم.
کاربردهای یادگیری ماشین در زندگی روزمره
۱- برآورد زمان سفرهای شهری
به طور کلی انجام یک سفر شهری به زمانی بیش از آن چه به عنوان زمان میانگین شناخته میشود، نیاز دارد. برای اندازهگیری زمان سفر از روشهای مختلفی مانند اندازهگیری ساعات ترافیک استفاده میشود؛ اما کاهش زمان سفرهای شهری کار چندان سادهای نیست. یادگیری ماشین با روشهایی که در ادامه توضیح داده میشود به کاهش زمان رفتوآمد کمک میکند:
1.1- نقشهٔ گوگل: نقشهٔ گوگل با استفاده از دادههای مکانی (location data) موجود درگوشیهای هوشمند، تغییرات ترافیکی را در تمام ساعتهای شبانه روز بررسی میکند. علاوه بر این، نقشهٔ گوگل میتواند موارد متعددی را با هم در نظر بگیرد و آن را در تخمینهای خود مورد توجه قرار دهد؛ مواردی مانند ساخت و ساز، ترافیک و تصادفات که توسط کاربران گزارش میشود، از این قبیلاند. با دسترسی به دادههای مرتبط به ترافیک و وضع راهها و الگوریتمهای مناسب، نقشهٔ گوگل میتواند سریعترین مسیر را نشان دهد و زمان رفت و آمد را کاهش دهد.
2.1- برنامههای کرایهٔ ماشین: از «تعیین کرایهٔ سفر و کاهش زمان انتظار» گرفته تا «هماهنگ کردن سفر مسافر با بقیهٔ مسافران برای کاهش تغییر مسیر در حین رانندگی»، همهوهمه توسط یادگیری ماشین انجام میشود. یادگیری ماشین به شرکتها کمک میکند تا قیمت سفر را بهدرستی محاسبه کنند، محل سوارکردن کاربر را درستتر تشخیص دهند، کوتاهترین مسیر را پیدا کنند و کلاهبرداریها را شناسایی کنند. برای مثال «اوبر برای بهینه سازی خدمات خود از یادگیری ماشین استفاده میکند».
3.1- هدایت خودکار (Autopilot) در پروازهای تجاری: امروزه با کمک فناوری هوش مصنوعی، پروازها با هدایت خودکار انجام میشوند. طبق گزارشی که در روزنامهٔ نیویورک تایمز منتشر شده، خلبانها در طول پرواز تنها ۷ دقیقه هواپیما را به صورت دستی کنترل میکنند که آن هم بیشتر مربوط است به زمان بلند شدن و فرود آمدن هواپیما. بقیهٔ پرواز را هدایت خودکار کنترل میکند.
۲- ایمیل هوشمند
1.2- فیلترکردن هرزنامهها: برخی از فیلترها در ایمیلها با تقاضای کاربر اعمال میشود، مثلاً میتوانیم بخواهیم که ایمیلهایی که شامل عباراتی مثل «مشاورهٔ آنلاین»، «داروخانهٔ آنلاین» هستند یا از طرف «فرستندهٔ ناشناس» ارسال شدهاند، فیلتر شوند. اما یادگیری ماشین ویژگی قدرتمندی دارد که با کمک آن میتوان ایمیلها را با توجه به موارد مختلف فیلتر کرد. مثلاً میتوان با توجه به وجود واژههای خاص در ایمیل، توجه به فرادادههای (metadata) پیام (مثلاً اینکه چه کسی ایمیل را ارسال کرده یا از کجا ارسال شده) هرزنامهها را فیلتر کرد. حتی میتوان ایمیلهای مربوط به «معاملات روز» و ایمیلهای «خوشامدگویی» را هم با همین روشها فیلتر کرد. جیمیل (Gmail) موفق شده است با استفاده از یادگیری ماشین 99.9 درصد از هرزنامهها را فیلتر میکند.
2.2- طبقهبندی ایمیلها: گوگل ایمیلها را در گروههای اصلی (primary)، تبلیغات (promotions)، اجتماعی (social) و بهروزرسانی (update) دستهبندی میکند و ایمیلهای مهم را برچسبگذاری میکند.
3.2- پاسخدهی هوشمند: حتماً دیدهاید که جیمیل برای پاسخدادن به ایمیلها عبارات کوتاهی را مثل «متشکرم»، «بسیار خوب» و «بله، تمایل دارم» پیشنهاد میدهد. با توجه به اینکه یادگیری ماشین و هوش مصنوعی عکسالعمل اشخاص به ایمیلها را در طول زمان درک میکنند و تخمین میزنند، این امکان برای جیمیل وجود دارد که از این دست پاسخها، برای هر ایمیل به طور جداگانه پیشنهاد کند.
۳- بانکداری و امور مالی شخصی
1.3- جلوگیری از کلاهبرداری: در بسیاری از موارد، دادههای مربوط به تراکنشهای روزانه آنقدر حجیم و پیچیدهاند که افراد نمیتوانند آنها را شخصاً مرور کنند و کلاهبرداریها را شناسایی کنند. برای حل این مشکل، سیستمهایی مبتنی بر هوش مصنوعی طراحی شدهاند که میتوانند تشخیص دهند کدام نوع از تراکنشها جعلی هستند. شرکتها برای تشخیص تراکنشهای جعلی از شبکههای عصبی (neural networks) استفاده میکنند و برای این کار فاکتورهایی مثل آخرین دفعات تراکنشها، اندازهٔ تراکنشها و نوع فروشنده را در نظر میگیرند.
2.3- تصمیمهای مربوط به اعتبار مالی: وقتی اشخاص درخواست کارت اعتباری یا وام میکنند، مؤسسههای مالی باید فوراً در مورد قبول یا رد کردن درخواست، تصمیم بگیرند و در صورت قبول، باید بدانند کدام شرایط بازپرداخت مثلاً از نظر نرخ بهره، میزان پول در کارت اعتباری و غیره بهترین شرایط ممکن است. مؤسسههای مالی برای تصمیمگیری در مورد مسائل اعتباری و ارزیابی ریسکهای مربوط به هر مشتری، از الگوریتمهای یادگیری ماشین استفاده میکنند.
3.3- چک کردن سپرده بانکی در تلفن همراه: فناوری هوش مصنوعی، بانکداری با تلفن همراه را برای کسانی که برای رفتن به بانک وقت ندارند، شخصیسازی و آسان کرده است. به عنوان مثال، بانکداری همراه، این امکان را در اختیار مشتریان گذاشته که بهجای مراجعهٔ حضوری به بانک برای ثبت چکهای خود، آنها را از طریق یک اپلیکیشن در گوشی همراه خود، در بانک ثبت کنند. اکثر بانکها از فناوری ساخته شده توسط شرکت Mitek استفاده میکنند که از طریق نویسهخوان نوری (optical character recognition) دستخطِ چکها را تشخیص میدهد و آن را به متن تبدیل میکند.
۴- ارزیابی و برآورد
1.4- تشخیص سرقت ادبی: یادگیری ماشین میتواند سرقت ادبی را شناسایی کند. بسیاری از مدارس و دانشگاهها به برنامهای نیاز دارند که بتواند نوشتههای دانشآموزان و حتی اساتید را به منظور تشخیص سرقت ادبی، تحلیل کند. یادگیری ماشین برای این کار از الگوریتمی استفاده میکند که شامل توابع مشابهت (similarity functions) است و میتواند میزان شباهت دو نوشته را به صورت عددی تخمین بزند.
2.4- ارزیاب رباتی (Robo-readers): قبلاً نمرهدهی به جستارها کار پیچیدهای بود، ولی امروزه محققان و سازمانها درحالتوسعهٔ سیستمهای هوش مصنوعی مخصوص نمرهدهی به جستارها هستند. در آزمون جی.آر.ای برای نمره دادن به مقالات از یک ارزیاب انسانی و یک ارزیاب رباتی معروف به ارزیاب دیجیتالی (e-rater) استفاده میشود. اگر نمرههای این دو تفاوت محسوسی داشته باشند یک ارزیاب انسانی دیگر برای بررسی این اختلاف انتخاب میشود.
در آیندهٔ نزدیک کلاسهای عمومی جای خود را به یادگیری شخصیسازی شده و منعطف میدهند که در آن نقاط قوت و ضعف هر دانشآموز به طور مجزا مشخص شده است. یادگیری ماشین همچنین دانشآموزانی را که از نظر درسی، وضعیت نگرانکنندهای دارند را پیش شناسایی میکند تا مدارس بتوانند بهتر آنها را تحتنظر داشته باشند و منابع یادگیری بیشتری در اختیار آنها قرار دهند تا نرخ ترک تحصیل کاهش یابد. هوش مصنوعی، بخش آموزش را با استفاده از اموری مانند آموزش شخصیسازی شده، دستیار صوتی، انجام وظایف اداری معلمان و غیره، یاری میکند.
۵- شبکههای اجتماعی
1.5- فیسبوک: فیسبوک میتواند با استفاده از هوش مصنوعی و یادگیری ماشین صورتها را در عکسهای ارسال شده شناسایی کند و اسامی افراد را برای تگ شدن در عکس پیشنهاد دهد. علاوه بر این:
- فیسبوک از الگوریتم شبکههای عصبی مصنوعی استفاده میکند که از ذهن انسان تقلید میکند و به نرمافزارهای تشخیص چهره کمک میکند.
- با استفاده از هوش مصنوعی، اخبار و پستهای شخصیسازی شده به کاربر نشان میدهد و اطمینان حاصل میکند که این پستها برای او جذاب هستند.
- تبلیغاتی به کاربر نشان میدهد که به علایق او نزدیک هستند.
2.5- پینترست: پینترست با استفاده از بینایی ماشین اشیاء را در تصاویر تشخیص میدهد و عکسهای مشابه را پیشنهاد میدهد. از یادگیری ماشین هم در مواردی مثل حذف هرزنامهها، جستوجو، بازاریابی ایمیلی، اندازهگیری کارایی تبلیغات و غیره استفاده میکند.
3.5- اسنپچت: اسنپچت از فیلترهایی معروف به «لنز» برای صورت استفاده میکند که حرکات صورت را دنبال میکند و تغییرات را بر روی صورت اعمال میکند و به کاربر اجازه میدهد تصاویر انیمیشنی یا ماسکهای دیجیتالی روی صورتش بگذارد و در حالی که این ماسکها روی صورت او سوار شده است، صورت خود را حرکت دهد.
4.5- اینستاگرام: در اینستاگرام با کمک الگوریتمهای یادگیری ماشین، احساساتی که در پس شکلکها وجود دارند، شناسایی میشوند و اینستاگرام میتواند شکلکها و هشتگهای شکلکها (emojis hashtags) را بسازد و به طور خودکار به کاربر پیشنهاد دهد. از شکلکها در پراکندگی جغرافیایی وسیعی استفاده میشود و در زبانهای بسیاری از شکلکهای یکسانی برای ابراز احساسات و رساندن منظور استفاده میشود. اینستاگرام با استفاده از یادگیری ماشین و با ترجمه شکلکها به متن (emoji-to-text-translation) این توانایی را دارد که شکلکها را توصیف و کاوش میکند.
۶- تشخیصها و مراقبتهای پزشکی
از یادگیری ماشین با استفاده از روشهای گوناگون، برای تشخیص و پیشبینی موارد مختلف در دنیای بزرگ پزشکی استفاده میشود. مواردی مانند:
- تحلیل دادههای پزشکی برای شناسایی نظم و قاعده در دادهها
- مدیریت دادههای نامناسب
- تشریح دادههای بهدستآمده از بخشهای پزشکی
- پایش مؤثر سلامتی بیماران
یادگیری ماشین در زمینههای دیگری هم کاربرد دارد؛ مثل پیشبینی پیشرفت بیماری، استفاده از اطلاعات پزشکی برای مطالعات پیامدی ( outcomes research – تحقیقاتی که بخشی از تحقیقات بهداشت عمومی است و نتایج نهایی عملکرد سیستم مراقبت بهداشتی بر سلامت و رفاه بیماران و جمعیت را بررسی میکند)، برنامهریزی درمانی، استفاده از ابزار و وسایل کمکی در درمان و مدیریت همهجانیهٔ بیماران. در کنار یادگیری ماشین از هوش مصنوعی هم برای نظارت بهتر بر سلامت و روند درمان استفاده میشود.
۷- دستیار هوشمند شخصی
از «سیری» و «کورتانا» گرفته تا دستیار گوگل، همهٔ این دستیارهای شخصی در کنار دستگاههایی مثل «آمازون الکسا» و «گوگل هوم» میتوانند کارهای زیادی انجام دهند. با پیادهسازی هوش مصنوعی، این دستگاههای خانگی و دستیارهای شخصی دیگر از فرمانهای مختلف کاربر تبعیت میکنند. این فرمانها شامل اموری مانند تنظیم برنامهٔ یادآوری، درخواست جستجوی آنلاین اطلاعات و کنترل نورها و غیره است. این دستگاهها و دستیارهای شخصی دیگر مانند برنامههای «چتبات» از الگوریتمهای یادگیری ماشین برای جمع آوری اطلاعات، درک اولویتهای کاربر و بهبود تجربهٔ کاربر بر اساس تعاملهای گذشتهٔ با افراد دیگر، استفاده میکنند.
نتیجهگیری
یادگیری ماشین و هوش مصنوعی به طور شگفت انگیزی زندگی ما را تغییر داده و کارها را آسانتر کرده است. با اتفاقاتی که قرار است در حوزههای یادگیری ماشین و هوش مصنوعی رخ دهد، از این پس شاهد رشد بیشتر فناوری خواهیم بود. کاربردهای مختلفی از یادگیری ماشین را در این مقاله بررسی کردیم. یادگیری ماشین آماده است تا زندگی روزمرهٔ ما را تغییر دهد و البته میتواند در تصمیمگیریهای تجاری، بهینهسازی عملکردها وافزایش بهرهوری به ما کمک کند تا در بازار رقابتی موجود متمایز باشیم.
منبع | Analyticssteps |
مترجم | فاطمه طالبی |
دیدگاه شما