اتوماسیون: آینده علم داده و یادگیری ماشین؟

یادگیری ماشین یکی از بزرگترین پیشرفت ها در تاریخ محاسبات بوده است و در حال حاضر به عنوان نقش مهمی در زمینه داده های بزرگ و تجزیه و تحلیل دیده می شود. تجزیه و تحلیل داده های بزرگ یک چالش بزرگ از دیدگاه یک شرکت است. به عنوان مثال ، فعالیت هایی مانند درک تعداد زیادی از فرمت های مختلف داده ، تجزیه و تحلیل آماده سازی داده ها و فیلتر کردن داده های اضافی می تواند منابع زیادی را به دنبال داشته باشد. استخدام متخصصان متخصص داده یک پیشنهاد گران است و وسیله ای برای رسیدن به هدف هر شرکتی نیست. کارشناسان معتقدند که یادگیری ماشین می تواند بسیاری از وظایف مرتبط با تجزیه و تحلیل را - به صورت معمول و پیچیده - خودکار کند. یادگیری ماشین خودکار می تواند منابع قابل توجهی را که می تواند برای کارهای پیچیده تر و ابتکاری استفاده شود ، آزاد کند. به نظر می رسد یادگیری ماشین مدام در این مسیر حرکت می کند.

اتوماسیون در زمینه فناوری اطلاعات

در فناوری اطلاعات ، اتوماسیون اتصال سیستم ها و نرم افزارهای مختلف است که آنها را قادر می سازد تا کارهای خاصی را بدون دخالت انسان انجام دهند. در فناوری اطلاعات ، سیستم های خودکار می توانند کارهای ساده و پیچیده را انجام دهند. یک مثال از یک کار ساده ممکن است ادغام فرم ها با PDF ها و ارسال اسناد به گیرنده صحیح باشد ، در حالی که تهیه پشتیبان از خارج از سایت ممکن است نمونه ای از یک کار پیچیده باشد.

برای انجام صحیح کار خود ، باید برنامه ریزی کرده یا دستورالعمل های روشنی به سیستم خودکار ارائه دهید. هر بار که یک سیستم خودکار برای تغییر دامنه کار خود مورد نیاز است ، برنامه یا مجموعه دستورالعمل باید توسط شخصی به روز شود. اگرچه سیستم خودکار در کار خود م effectiveثر است ، اما خطاها می توانند به دلایل مختلف رخ دهند. هنگام بروز خطاها ، علت اصلی باید شناسایی و اصلاح شود. واضح است که برای انجام وظیفه خود ، یک سیستم خودکار کاملاً به انسان وابسته است. هرچه ماهیت کار پیچیده تر باشد ، احتمال خطاها و مشکلات بیشتر می شود.

یک مثال رایج از اتوماسیون در صنعت IT ، اتوماسیون آزمایش رابط های کاربری مبتنی بر وب است. موارد آزمایشی در اسکریپت اتوماسیون وارد شده و رابط کاربری بر این اساس آزمایش می شود. (برای اطلاعات بیشتر در مورد کاربرد عملی یادگیری ماشین ، به یادگیری ماشین و Hadoop در تشخیص نسل بعدی تقلب مراجعه کنید.)

استدلال به نفع اتوماسیون این است که وظایف معمول و قابل تکرار را انجام می دهد و کارکنان را برای انجام کارهای پیچیده تر و خلاقانه آزاد می کند. با این حال ، همچنین استدلال می شود که اتوماسیون تعداد زیادی از وظایف یا نقشهایی را که قبلاً توسط انسان انجام شده بود حذف کرده است. در حال حاضر ، با ورود یادگیری ماشین به صنایع مختلف ، اتوماسیون می تواند بعد جدیدی را اضافه کند.

آینده یادگیری ماشین خودکار؟

ماهیت یادگیری ماشین توانایی یک سیستم برای یادگیری مداوم از داده ها و تکامل بدون دخالت انسان است. یادگیری ماشین قادر است مانند مغز انسان عمل کند. به عنوان مثال ، موتورهای توصیه در سایت های تجارت الکترونیک می توانند ترجیحات و سلیقه های منحصر به فرد کاربر را ارزیابی کرده و توصیه هایی را در مورد مناسب ترین محصولات و خدمات برای انتخاب ارائه دهند. با توجه به این قابلیت ، یادگیری ماشین برای خودکارسازی کارهای پیچیده مرتبط با داده های بزرگ و تجزیه و تحلیل ایده آل است. این سیستم بر محدودیت های عمده سیستم های خودکار سنتی که امکان مداخله انسان به طور منظم را ندارند ، غلبه کرده است. مطالعات موردی متعددی وجود دارد که توانایی یادگیری ماشین را برای انجام کارهای پیچیده تجزیه و تحلیل داده ها نشان می دهد ، که بعداً در این مقاله مورد بحث قرار می گیرد.

همانطور که قبلاً ذکر شد ، تجزیه و تحلیل داده های بزرگ یک پیشنهاد چالش برانگیز برای مشاغل است که می تواند تا حدی به سیستم های یادگیری ماشین واگذار شود. از دیدگاه کسب و کار ، این می تواند مزایای زیادی از جمله آزادسازی منابع علم داده برای کارهای خلاقانه تر و مهمتر از ماموریت ، حجم کاری بیشتر ، زمان کمتر برای انجام وظایف و مقرون به صرفه بودن را به همراه داشته باشد.

مطالعه موردی

در سال 2015 ، محققان MIT شروع به کار روی یک ابزار علم داده کردند که می تواند با استفاده از تکنیکی به نام الگوریتم های ترکیب ویژگی عمیق ، مدل های داده های پیش بینی کننده را از حجم زیادی از داده های خام ایجاد کند. دانشمندان ادعا می کنند که این الگوریتم می تواند بهترین ویژگی های یادگیری ماشین را ترکیب کند. به گفته دانشمندان ، آنها آن را روی سه مجموعه داده مختلف آزمایش کرده اند و در حال گسترش آزمایش به تعداد بیشتری هستند. در مقاله ای که در کنفرانس بین المللی علوم و تجزیه و تحلیل داده ها ارائه می شود ، محققان جیمز ماکس کانتر و کالیان ویراماچاننی می گویند: "با استفاده از یک فرایند تنظیم خودکار ، ما کل مسیر را بدون دخالت انسان بهینه می کنیم و به آن امکان تعمیم به مجموعه داده های مختلف را می دهیم".

بیایید به پیچیدگی کار نگاه کنیم: این الگوریتم دارای قابلیت تنظیم خودکار است که با کمک آن می توان بینش ها یا مقادیری را از داده های خام (مانند سن یا جنسیت) بدست آورد یا استخراج کرد و پس از آن داده های پیش بینی می توان مدل ایجاد کرد این الگوریتم از توابع پیچیده ریاضی و یک نظریه احتمال به نام Gaussian Copula استفاده می کند. بنابراین درک میزان پیچیدگی الگوریتم به راحتی امکان پذیر است. این تکنیک همچنین جوایزی را در مسابقات کسب کرده است.

یادگیری ماشین می تواند جایگزین تکالیف خانه شود

در سراسر جهان در حال بحث است که یادگیری ماشین می تواند جایگزین بسیاری از مشاغل شود زیرا وظایف را با کارایی مغز انسان انجام می دهد. در واقع ، این نگرانی وجود دارد که یادگیری ماشین جایگزین دانشمندان داده می شود و به نظر می رسد مبنایی برای چنین نگرانی وجود دارد.

برای کاربر عادی که مهارت تجزیه و تحلیل داده ها را ندارد اما درجات متفاوتی از نیازهای تحلیلی در زندگی روزمره خود دارد ، استفاده از رایانه هایی که بتوانند حجم عظیمی از داده ها را تجزیه و تحلیل کرده و داده های تجزیه و تحلیل ارائه دهند ، امکان پذیر نیست. با این حال ، تکنیک های پردازش زبان طبیعی (NLP) می تواند با آموزش رایانه ها به پذیرش و پردازش زبان طبیعی انسان ، بر این محدودیت غلبه کند. به این ترتیب ، کاربر عادی نیازی به توابع یا مهارت های پیچیده تحلیلی ندارد.

IBM معتقد است که نیاز به دانشمندان داده را می توان از طریق محصول خود ، پلت فرم تجزیه و تحلیل زبان طبیعی واتسون ، به حداقل رساند یا از بین برد. به گفته مارک آتشولر ، معاون تحلیل و هوش تجاری در واتسون ، "با یک سیستم شناختی مانند واتسون ، شما فقط س yourال خود را مطرح می کنید - یا اگر س questionالی ندارید ، فقط داده های خود را بارگذاری کنید و واتسون می تواند به آن نگاه کند. و آنچه را که می خواهید بدانید استنباط کنید. ”

نتیجه

اتوماسیون گام منطقی بعدی در یادگیری ماشینی است و ما در حال حاضر در زندگی روزمره خود این تاثیرات را تجربه می کنیم-سایت های تجارت الکترونیک ، پیشنهادات دوستان فیس بوک ، پیشنهادات شبکه LinkedIn و رتبه بندی جستجوی Airbnb. با توجه به مثال های ارائه شده ، شکی نیست که این را می توان به کیفیت خروجی تولید شده توسط سیستم های یادگیری ماشین خودکار نسبت داد. با وجود همه ویژگی ها و مزایای آن ، ایده یادگیری ماشینی که باعث بیکاری عظیم می شود ، کمی واکنش بیش از حد به نظر می رسد. ماشین ها در دهه های گذشته جایگزین انسان ها در بسیاری از قسمت های زندگی ما شده اند ، اما انسان ها تکامل یافته و خود را برای حفظ اهمیت در صنعت تطبیق داده اند. بر اساس این دیدگاه ، یادگیری ماشین با همه اختلالات آن فقط موج دیگری است که مردم با آن سازگار می شوند.


زمان ارسال: 20 آگوست -2021