یادگیری ماشین چه نقشی در زندگی روزمره ما ایفا می کند؟

یادگیری ماشین چه نقشی در زندگی روزمره ما ایفا می کند؟
نوامبر 13, 2019 No Comments فناوری edame

اگه در ده های هشتاد یا نود میلادی به دنیا اومده باشین، شایدً اصطلاح «یادگیری ماشین» (Machine Learning) با تصویر آرنولد روی پوستر فیلم مشهور ترمیناتور (The Terminator) در ذهنتون شکل میگیره. در اون زمان خیزش هوش مصنوعی به آینده ای دور اختصاص داشت و برابر شورش ماشینا و رباتا و تهدید آدم در نظر گرفته می شد.

اما طی سالای پس از اون، دیدیم که این خیزش شروع شده و امروزه دیگه با مفهومی علمی-تخیلی روبرو نیستیم، بلکه ابزاری قوی رو در دست داریم که هر روز ازش استفاده می کنیم؛ همین حالا موبایل اندرویدی در کنارتون در حال جمع آوری اطلاعات، یادگیری و شناخت شماس.

در ادامه، می خوایم تکنولوژی یادگیری ماشین رو بررسی کرده و چگونگی اثر اون بر زندگی روزمره رو آزمایش کنیم تا علاوه بر درک امتیازات فوق العاده اون، آینده تاریک دیستوپیایی رو به فراموشی بسپاریم.

یادگیری ماشین چیه؟

یادگیری ماشین و هوش مصنوعی دو معنی متفاوت، اما مربوط به همدیگه هستن. در واقع یادگیری ماشین با مفاهیمی مثل داده کاوی (Data Mining) و موشکافی آماری هم رابطه تنگاتنگی داره. واسه درک بهتر این فناوری می تونین این مقاله رو بخونین.

در یادگیری ماشین، به یه برنامه کاربری خاص کمک می کنیم تا در بعضی کارا بهتر بکنه و واسه تحقق این منظور، معمولاً از مجموعه بزرگ داده ها بهره می گیریم. موشکافی یا جستجو در این داده ها، می تونه الگوهای خاص و به درد بخور رو شناسایی کنه.

مثلا، وقتی با هوش مصنوعی در واتس اَپ صحبت می کنین، خیلی از پاسخای AI از پیش برنامه ریزی شده و به شکل هوش مصنوعی قرار می گیرن. اما اگه این عامل هوشمند بتونه زبون و روش گفتگوی شما و جواب هاتون رو آزمایش کنه، آنجاست که از یادگیری ماشین استفاده می کنه. این کار براساس پایگاه داده ای از عبارات، پاسخا و تعاملات عادی صورت میگیره که کم کم، پیشرفت هم پیدا میکنن.

وضعیت فوق به طور کاملً فرضی بود، اما مثالای زیاد دیگری در این مورد وجود دارن که به طور واقعی در زندگی ما اجرای نقش می کنن. در ادامه این موارد رو بررسی می کنیم.

اسپاتیفای و نتفلیکس

خیلی از کاربران به صورت روزمره از این دو سرویس پخش موسیقی و ویدیو استفاده می کنن (البته در کشور ما، اسپاتیفای به مراتب عادی تر از نتفلیکسه). سرویس استریم موزیک اسپاتیفای از یادگیری ماشین واسه شناسایی موسیقی مورد علاقه شما بهره میگیره. بعد براساس الگوهای به دست اومده، پلی لیستای جدیدی رو واسه شما ساخته و در اختیارتون قرار میده. دیزر (Deezer) و پاندورا هم از راه و روش مشابهی استفاده می کنن.

البته الان انتخاب موسیقی در رابطه، براساس ژانر یا دسته بندیایی انجام می شه که به وسیله کاربران انسانی تعیین شده و یادگیری ماشین نقشی در اون نداره. در سیستمای پیشرفته تر، رفتار کاربرانی با سلیقه مشابه بررسی شده و از ویژگیایی مثل تن موسیقی، ضرباهنگ و مدت زمان یا دفعات گوش دادن به هر قطعه واسه شناسایی و ارائه پیشنهادات بهتر استفاده می شه.

جیمیل

سرویس پست الکترونیک رو میشه اولین نمونه از خدمات گوگل دونست که در اون از یادگیری ماشینی استفاده شده، و یقیناً دیگه اجناس نرم افزاری این شرکت هم به فناوری مشابهی مجهز هستن. یادگیری ماشینی در جیمیل می تونه ایمیلای دریافتی شما رو به صورت هوشمند طبقه بندی کرده و اسپما (اسپم) رو فیلتر کنه.

قبلی بر این، فیلترهای اسپم براساس کلمات کلیدی عادی در اونا تعیین می شد، اما حالا یادگیری ماشین می تونه بازخورد کاربران به ایمیلای خاص رو شناسایی کرده و براساس الگوهای ظاهر شده، اقدام به حذف موارد مشابه کنه. در واقع جیمیل به صورت هوشمند محتوایی که دوست دارین رو به شما نشون داده و مابقی رو حذف می کنه.

فیسبوک

یکی از موارد پر کاربرد و باحال یادگیری ماشین، توانایی فیسبوک واسه شناسایی افراد در تصاویر و پیشنهاد واسه تَگ کردن اوناس. الگوریتم مورد استفاده طی سالیان متمادی، تَگای افراد روی عکسا رو شناسایی کرده و شکلای جور واجور چهره ها رو براساس رنگ پوست و اجزای صورت فرا گرفته، حال با کشف الگوهای مشترک، می تونه با دقت بسیار خوبی افراد رو در عکس تشخیص بده.

این فناوری هر روز بهتر از قبل می شه، که تعریف یادگیری ماشین هم همینه. در ادامه، میشه از تکنولوژیای مشابه در دوربینای امنیتی شهری واسه شناسایی تبهکاران، یا در فروشگاه ها واسه پیشنهاد جنسای مناسب واسه مشتریان استفاده کرد.

بینایی ماشین و دستیارهای دیجیتالی

بینایی ماشین، همون چیزیست که فناوریایی مانند واقعیت اضافه و ترکیبی رو ممکن ساخته. با به کار گیری این تکنولوژی، کامپیوتر می تونه تصویری رو دیده و هر چی در اون هستش رو شناسایی کنه. در آخرً به جایی می رسیم که جستجوی تصاویر در گوگل براساس محتواشون صورت میگیره، نه نام یا برچسب اونا.

با اینکه بینایی ماشین کاملً به یادگیری وابسته نیس، اما بخش بزرگی از اون براساس الگوریتمای یادگیری انجام می شه. یادگیری ماشین با جمع آوری مجموعه داده های لازم، پیمایش در محیط رو ممکن ساخته و در آخرً به دستگاه اجازه میده تا وسایل جدید رو به درستی تشخیص بده. سامسونگ نمونه ای از این توانایی رو در دستیار صوتی بیکسبی به نام Bixby Vision معرفی کرده، ضمن اینکه از تکنیکای مشابهی در دستیارهای دیجیتالی مانند الکسا، سیری یا اسیستنت واسه تشخیص صدا استفاده می شه.

البته شایدً در آینده احتیاجی نباشه شرکتا هرکدوم الگوریتمای یادگیری ماشین خودشون رو پیاده کنن. گوگل به پیشرفت دهندگان اجازه میده تا از راه API مخصوص به مجموعه داده بزرگ Cloud Vision برسن و از اون در اپلیکیشن هاشون استفاده کنن.

تبلیغات

در بیشتر موارد، تبلیغاتی که می بینین براساس مواردی تنظیم می شه که قبل از اون مشاهده کرده یا روی اونا کلیک کردین. کوکیای ذخیره شده روی سیستم هم در این مورد به شرکتای تبلیغاتی و سایتا کمک می کنن. تا اینجای کار، معمولاً با فناوری یادگیری ماشین روبرو نیستیم.

اما تعیین موقعیت مکانی، اندازه و رنگ تبلیغاتی که در صفحات اینترنتی به نمایش در میان، به یادگیری ماشین وابسته. الگوریتمای هوشمند، کلیک خوردن هرکدوم از بنرها یا حرکت بیان کننده موس روی اونا رو ثبت کرده و با تعیین مکانای بهتر، تبلیغات دهنده رو به سوددهی بیشتر می رسونن. در واقع هرچه بیشتر در وب گشت و گذار کنین، وب هم شما رو بهتر می شناسونه.

بانکداری

شاید در بخش تبلیغات، هوش مصنوعی بتونه با حربهای جور واجور جیبتون رو خالی کنه، اما در مورد بانکداری به شما سود می رسونه. نرم افزارهای مخصوص می تونن الگوی مصرف عادی شما از کارتای اعتباری رو شناسایی کرده و براساس اون، سرقت یا کلاهبرداریای احتمالی رو تشخیص بدن. انجام عملیات فوق از عهده هیچ انسانی بر نمیاد، ولی رباتا می تونن همه کارتای اعتباری رو به صورت لحظه ای زیر نظر داشته باشن.

از طرفی در آینده از یادگیری ماشین میشه واسه اتخاذ راه های سرمایه گذاری مطمئن استفاده کرد، یا افراد معتبر واسه دریافت تسهیلات رو شناسایی کرد. این راهکارها الان به صورت محدود استفاده می شه.

علم و پزشکی

کاربرد یادگیری ماشین به بخش سرگرمی محدود نمی شه. الان پزشکان از الگوریتمای فوق واسه تشخیص بیماریای جور واجور قبل از بروز علائم اصلی و رسیدن به مراحل پیشرفته استفاده می کنن. رشته های جور واجور علمی از جمله فیزیک کوانتوم، هوافضا و محیط زیست هم از یادگیری ماشین واسه شناسایی الگوهای به درد بخور در مجموعه بزرگ داده های جمع آوری شده و گسترش دامنه شناسایی جهان هستی بهره می گیرن.

جمع بندی

یادگیری ماشین در بخش تحقیقات و پزشکی، آینده هیجان انگیزی رو نوید میده. کامپیوترها با یادگیری براساس داده های موجود، می تونن روش انجام کسب و کارا رو به کل از این رو به اون رو کنن، و علم رو به سطحی مافوق تصور الان آدم برسانند.

با این حال، حتی در زندگی روزمره هم میشه از این فناوری بهره جست. با جمع شدن داده ها و جستجو در اونا، صنایع سرگرمی، خرده فروشی و ارتباطات هم تغییر می کنن و ارائه محتوا رو به روشی مؤثر تر انجام میدن. همین حالا هم خیلی راحت میشه نشونه های یادگیری ماشین و هوش مصنوعی رو در آسونترین موبایلای بازار دید.

Leave a reply

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *