تنها 2 مقاله دیگر را می‌توانی رایگان مطالعه کنی. ثبت نام کن تا مقاله‌های بیشتری بخوانی.

یادگیری ماشین چه نوع مسائلی را در کسب و کار شما حل می کند؟

یادگیری ماشین در حل مسائلی کاربرد دارد که راهکارهای خودکارسازی ساده بعلت پیچیدگی مسئله قادر به حل آنها نیست. در این نوع مسائل نیاز به شناسایی دقیق علت رخداد نیست و پیش بینی مشخصات این رخداد در آینده با نرخ صحت نسبتا بالایی کفایت می کند. اگر چنین مسائلی در کسب و کارتان دارید ...
هادی اربابی‌بهار
۰۲ تیر در 5 دقیقه بخوانید
یادگیری ماشین چه نوع مسائلی را در کسب و کار شما حل می کند؟

هوش مصنوعی، بیگ دیتا و یادگیری ماشین، رایج و مد روز هستند و شاید کنجکاو باشید بدانید آنها چه کاربردی در کسب وکار شما دارند. ممکن است مراجعه به شما و کوبیدن درب اتاق تان شروع شده باشد و تامین کنندگان، محصولات جدید مبتنی بر هوش مصنوعی خودشان را به شما ارائه می‌کنند. چگونه می توانید بدانید کدامیک از مسائل در کسب و کارتان مناسب حل با یادگیری ماشین هستند؟ برای اینکار شما نیاز دارید به مسائل کسب و کاری که باید حل شوند و داده های موجودتان فکر کنید و سئوالاتی درباره امکان پذیری، شهودتان از حل مسئله و انتظاراتتان بپرسید.

یادگیری ماشین در مقابل خودکارسازی ساده

با تفکیک بین مسائل مناسب دو راهکار عمده خودکارسازی و یادگیری شروع کنید. یادگیری ماشین می‌تواند به خودکارسازی فرآیندها کمک کند، اما همه مسائل خودکارسازی به یادگیری ماشین نیاز ندارند. خودکارسازی بدون یادگیری وقتی مناسب است که مسئله نسبتا سرراست باشد و پیچیده نباشد. برخی از انواع کارها وجود دارد که به ترتیب روشن و از قبل تعریف شده ای در حال حاضر توسط افراد انجام می شوند. بنابراین می توان تصور کرد که بتوان آنها را به ماشین تفویض و واگذار کرد. این نوع از خودکارسازی چندین دهه است که در کسب و کارها در حال انجام است. نظارت بر داده های ورودی از یک تولیدکننده-تامین‌کننده دیتا جهت یافتن خطاهای احتمالی از قبل تعریف شده، نمونه ای از یک مسئله مناسب برای خودکارسازی ساده است. از سوی دیگر، کد کردن زبان انسان در قالب یک مجموعه دیتا ساخت یافته، نمونه ای است که برای قوانین سرراست خودکارسازی - بدون یادگیری ماشین - بیش از حد پیچیده، بلندپروازانه و غیرممکن است.

برای مسائل نوع دوم، راهکارهای استاندارد خودکارسازی ساده کافی نیست – و آنها نیاز دارند که از دیتاهای یادگیری داشته باشند. حال ما باید به عرصه یادگیری ماشین وارد شویم. یادگیری ماشین در هسته مرکزی خود، مجموعه ای از روشهای آماری است که می تواند الگوهای پیش بینی پذیری را در مجموعه داده ها بیابد. این روشها در تعیین چگونگی ارتباط جنبه های مشخصی از داده ها با خروجی هایی که شما به آنها علاقه مندید، فوق العاده هستند. این روشها نمی توانند کاری در دسترسی به دانشی خارج از داده هایی که شما فراهم می کنید، انجام دهند. 

برای مثال، محققان دانشگاه پیتزبورگ در اواخر دهه ۱۹۹۰، الگوریتمهای یادگیری ماشین را برای پیش بینی نرخ مرگ و میر ذات الریه بررسی کردند. این الگوریتم ها به بیمارستانها توصیه می کردند که بیماران ذات الریه که از آسم نیز رنج می بردند را به خانه هایشان بفرستند، زیرا تخمین می زدند که ریسک مرگ و میر آنها ناشی از ذات الریه پایین باشد. این از آنجا ناشی میشد که مجموعه داده هایی که به الگوریتمها داده شده بودند، این حقیقت را در نظر نگرفته بودند که مبتلایان به آسم باید فورا به مراقبتهای ویژٰه فرستاده شوند تا تحت مراقبتهای ویژه و مضاعف قرار گیرند.

 ویژگی های مسائل مناسب یادگیری ماشین

حال چه مسائلی از کسب و کارتان برای روشهای یادگیری ماشین مناسب هستند؟ اساسا هر مسئله ای که اولا نیاز به پیش بینی بجای استنتاج علت و یافتن علت داشته باشد و ثانیا به میزان کافی خودمختار و نسبتا مستقل از تاثیرات خارجی باشد. اولین مشخصه به آن معناست که شما علاقه‌مند باشید بدانید برخی جنبه‌های دیتا بطور نسبی و حدودی چگونه به سایر جنبه های دیتا مرتبط می شوند و کشف علت دقیق این رابطه هدف نباشد. بخاطر داشته باشید که روشهای آماری، تئوری علمی و دانشی قطعی، بر روی میز قرار نمی دهند، بلکه روندهایی با احتمال رخداد بالا را ارائه میدهد. دومین مشخصه به آن معناست که شما نسبتا اطمینان دارید که داده ها که شما به الگوریتهای یادگیری مسئله تان می دهید شامل تقریبا کلیه جنبه‌های مهم مسئله است. اگر در آینده، چیزی که شما تلاش دارید پیش بینی کنید، بطور غیرقابل پیش بینی، تغییر کند – و دیگر با الگوهای پیش بینی قبلی تطابق نداشته باشد – الگوریتم دیگر از حوزه ای که برای آن آموزش دیده است، چیزی نخواهد دانست و باید مجدد آموزش داده شود.

نمونه های مسائل مناسب یادگیری ماشین شامل پیش بینی احتمال آنکه هر نوع از بازدیدکنندگان وب بر روی چه نوع از آگهی‌های تبلیغاتی کلیک خواهد کرد، یا ارزیابی اینکه میزان و حوزه کدام متن، مشابه متن قبلی است که شما دیده‌اید. نمونه های مسائل نامناسب، پیش بینی سود یک محصول کاملا جدید و انقلابی است یا پیش بینی فروش سال آینده براساس دیتا سالهای گذشته، وقتی که یک رقیب مهم به تازگی وارد بازار شده است.

زمانیکه تشخیص دادید که مسئله شما برای یادگیری ماشین مناسب است، مرحله بعدی ارزیابی آن است که آیا دیتا لازم و مناسب برای حل کردنش را دارید. دیتا ممکن است از داخل شرکت یا توسط یک منبع خارج از شرکت تامین شود. در مورد دوم، بررسی و اطمینان حاصل کنید که دیتایی صحیح، مرتبط و متناسب با مسئله تان دارید.

حالا که تشخیص داده‌اید که مسئله شما یک مسئله مناسب و کلاسیک یادگیری ماشین است و داده‌های متناسب با آن مسئله را هم دارید، مرحله بعدی کار بررسی حس و شهودتان است. بله، شهود و دریافت حسی تان از موضوع بسیار مهم است: روشهای یادگیری ماشین، در همان حالیکه اختصاصی هر شرکت و جادویی بنظر میرسند، مبتنی بر آمار و احتمال هستند. آمار و احتمالات می تواند در قالب عبارات شهودی و مبتنی بر دریافتهای حسی و درونی بیان شوند. برای آنکه اطمینان حاصل کنید که فلان روش پیشنهادی که عالی و درخشان بنظر میرسد، کار خواهد کرد، سئوالات زیادی درباره جوانب مختلف موضوع بپرسید.

به سادگی خواهید فهمید که آیا این روش برای مسئله شما کار می‌کند: آیا دریافت حسی و شهودتان آن است که این روش بطور کلی منطقی است؟ آیا این روش با چهارچوب مفهومی از مسئله‌ای که با آن درگیر هستید، متناسب است؟ چه چیزی این روش را برای مسئله شما متناسب می کند؟ اگر شما در حال کد کردن مجموعه ای از گامها و مراحل هستید، شاید روشهای ترتیبی یا درختهای تصمیم گیری، گزینه خوبی باشند. اگر نیاز دارید که دو گروه و دسته از خروجی ها را جدا کنید، شاید روش SVM‌Bیا Binary Support Vector Machine بهترین سازگاری و تناسب را با نیازهای شما داشته باشند. 

یادگیری ماشین و نرخ صحت و خطا خروجی ها

با شناخت بیشتر، انتظارات شما واقع بینانه تر خواهد بود. زمانیکه شما سئوالات کافی بپرسید و پاسخ های کافی دریافت کنید تا به یک شناخت و فهم شهودی و حسی از چگونگی کارکرد این روشهای برسید، خواهید دید که هیچ جادویی در کار نیست. هر فردی اشتباهاتی می کند و هر الگوریتم هم مستعد خطاست. در همه مسائل حتی ساده ترین آنها، الگوریتم ها برخی نتایج غلط خواهند داد. موتور پیش‌بینی یادگیری ماشین بطور متوسط و میانگین، نتایج درستی خواهد داد، اما قطعا اشتباهاتی هم خواهد داشت. اشتباهات رخ خواهند داد و اغلب در جاهایی خواهند بود که شما نمی‌توانید پیش بینی کنید.

حال در آخرین مرحله باید ارزیابی و مشخص کنید در چه محدوده ای از فرآیندتان می توانید خطاهای آماری را انتظار داشته باشید و تحمل کنید. آیا مسئله شما از آن نوع مسائلی است که رسیدن به نرخ صحت ۸۰٪ برای آن کافی است ؟ آیا شما میتوانید نرخ خطای ۱۰٪ را تحمل کنید؟ یا فقط ۵٪ ؟ یا فقط ۱٪ ؟ آیا نوع خاصی از خطاها وجود دارد که هرگز نباید رخ دهد و قابل قبول نیست؟ درباره نیازها و انتظارات تان، با خودتان و پیمانکار تامین کننده راهکار و سیستم تان شفاف و صادق باشید و زمانیکه هر دو در این مسائل کلیدی به توافق و تفاهم رسیدید، جهت اجرا اقدام کنید. مجهز به دانش، شناخت و فهم و با داشتن انتظارات معقول، شما آماده بهره برداری از مزایای یادگیری ماشین هستید. در ورود به این مسیر تاخیر نکنید، اما سنجیده و بافکر و بررسی پیش بروید.

منبع: HBR

هادی اربابی‌بهار
نوشته‌ای از هادی اربابی‌بهار

Business Process Senior Consultant who integrates digital technology into all areas of business to change Fundamentally how you operate and deliver value to customers. +20 Years of executive & Senior IT Leadership roles in Enterprise & Big Digital Transformation Projects & Operations

بیشتر بخوانید
مقاله مرتبط
بازخورد خوب به چه شکل است؟

بازخورد خوب به چه شکل است؟

نادیا جولای
۲۱ بهمن در 5 دقیقه بخوانید
مقاله مرتبط
مالکیت کارمندی چقدر نتیجه می دهد؟

مالکیت کارمندی چقدر نتیجه می دهد؟

مهدی رحمانی‌نیا
۱۴ بهمن در 7 دقیقه بخوانید