بازار؛ گروه فناوری اطلاعات: سایت «ارتیفیشیال اینتلیجنس نیوز» نوشت: در حالی که بسیاری از صنایع در میان بیماری همه گیر ویروس کرونا دست و پنجه نرم می کنند، صنعت IT (فناوری اطلاعات) و روند گسترده تر انتقال به کار از راه دور بسیاری از مناطق نشان می دهد که در آنها رویکردهای سنتی برای مدیریت مشاغل باعث ایجاد موارد غیرضروری می شود. هنوز هم، دانش داده و زیرمجموعه آن - یادگیری ماشین - نشان می دهد که چنین گسترش تقریباً بی حد و حصر است.
یادگیری ماشینی از الگوریتم های قدرتمندی برای کشف بینش بر اساس داده های دنیای واقعی استفاده می کند که سپس می تواند برای پیش بینی نتایج آینده استفاده شود. با در دسترس قرار دادن داده های جدید، برنامه های یادگیری ماشین می توانند به طور خودکار پیش بینی های به روز را تطبیق داده و تولید کنند. با این حال، شرایط بسیاری وجود دارد که در آن فناوری می تواند از الگوریتم های خطی و آماری بهتر عمل کند. در اینجا پنج مورد از رایج ترین موارد استفاده که یادگیری ماشین می تواند تفاوت زیادی را ایجاد کند ارایه شده است:
زمانی که مهندسان نمی توانند قوانین کدگذاری را برای مسایل ایجاد کنند
بسیاری از وظایف انسان محور (مانند تشخیص هرزنامه بودن ایمیل) با استفاده از راه حل های ساده (تعیین کننده) مبتنی بر قانون قابل حل نیستند. از آنجا که عوامل زیادی ممکن است در پاسخ تأثیر داشته باشند، مهندسان مجبورند میلیاردها خط کد را بنویسند و به روز کنند. بعلاوه، وقتی قوانین به عوامل زیادی بستگی دارند، و هنگامی که این قوانین با هم همپوشانی داشته و یا نیاز به تنظیم دقیق دارند، کدگذاری قوانین دقیق برای انسان دشوار می شود. خوشبختانه، برنامه های یادگیری ماشین نیازی به رمزگذاری الگوهای واقعی توسط کاربران ندارند. این برنامه ها برای استخراج خودکار الگوها فقط به الگوریتم های مناسب نیاز دارند.
هنگامی که شما نیاز به مقیاس گذاری برای میلیون ها مورد دارید
شاید بتوانید چند صد پرداخت را به صورت دستی یا جعلی یا غیرمجاز دسته بندی کنید. با این حال، در این هنگام پرداختن به میلیون ها معامله خسته کننده یا غیرممکن می شود. با رشد پایگاه های کاربری، دیگر پردازش پرداخت ها توسط سازمان امکان پذیر نیست - امروز کاربران نهایی می خواهند در مورد پول خود در میلی ثانیه، به جای چند دقیقه یا ساعت پاسخ دریافت کنند. در حالیکه راه حل های یادگیری ماشینی در رسیدگی به این نوع مشکلات در مقیاس بزرگ با مداخله کم یا بدون مداخله انسانی موثرتر است.
وقتی می توانید کاری را به صورت دستی انجام دهید، اما مقرون به صرفه نیست
شرایطی وجود دارد که در آن کارشناسان داخلی می توانند بسیاری از درخواست ها را سریع و دقیق اما با هزینه زیاد پردازش کنند. به عنوان مثال، تصور کنید فرم هایی را برای خریدهای خودروهای ارزیابی می کنید تا اعتبار آنها را قبل از انتقال آنها تعیین کنید. در این شرایط، فرآیندهای کسب و کار کاملاً مشخص، بهینه و سریال سازی شده اند. بررسی دقیق هر فرم ممکن است فقط چند دقیقه طول بکشد. اما اختصاص این همه نیروی کار دستی برای این کار به احتمال زیاد برای بودجه شما مناسب نیست. این در حالی است که یادگیری ماشینی، قیمت های قابل پیش بینی و پرداختی را برای انجام عملیات کاملاً مقیاس پذیر ارائه می دهد.
وقتی یک مجموعه داده عظیم و بدون الگوهای واضح داشته باشید
این را در نظر بگیرید - شما با موفقیت یک مجموعه داده کاملاً منظم تهیه کرده اید و اما مشکل اساسی را می دانید. این تست که شما هیچ الگوی صریحی را در داده ها نمی بینید، که از رمزگذاری اعتبار سنجی شما جلوگیری می کند. بعلاوه، غلط های نوشتاری، فیلدهای گمشده و خطاهای انسانی بسیاری وجود دارد که اعتبار آنها وجود ندارد. حتی ممکن است بدانید داده ها بی کیفیت هستند و می توانند به صورت دستی هر ردیف رامشخص کنید. اما نمی توانید ارتباط واقعی بین سوابق معتبر و نامعتبر را مشاهده کنید. الگوریتم های یادگیری ماشین می توانند این مشکل را حل کنند. آنها می توانند ارتباطات پنهانی بین نقاط داده ای که برای انسان روشن نیست را پیدا کنند. ابزارهایی مانند Interpreting Tracers حتی می توانند توصیف کنند که چگونه مدلهای یادگیری ماشین به نتیجه می رسند.
وقتی در یک جهان همیشه در حال تغییر زندگی می کنید
جهان و مشکلات آن همیشه در حال تغییر است. مشکلی که دیروز حل کردید می تواند به راحتی به مساله کاملا متفاوت تبدیل شود و راه حل قبلی شما را ناکارآمد یا حتی بی فایده کند. به عنوان مثال، اگر سازمان شما برای استخراج تشخیص ها، اطلاعات روش ها و کدهای صورتحساب، ضبط های قرارهای پزشکی را پردازش کند، ممکن است قوانین شما دائماً در حال تغییر باشند. با این حال، نمی توانید به صورت ۲۴ ساعته و ۷ روز هفته آنها را به روزرسانی کنید. در همین حال، موارد دارای برچسب نادرست می توانند منجر به رد بیمه، جریمه های هنگفت و مجازات های قانونی شوند. یک مزیت عمده در روش های یادگیری ماشین این است که آنها می توانند از داده های کل چرخه حیات برنامه شما - از اولین خط کدی نوشته شده تا لحظه خاتمه مدل در نهایت یاد بگیرند. علاوه بر این، داشتن سیستم های بازخورد برای سیستم های درجه تولید بسیار مهم است تا بتوانید لحظه ای را که مدل شما دیگر به درستی حل نمی کند، را پیدا کنید.
مهم است که به یاد داشته باشید یادگیری ماشینی ابزار است. مدل های یادگیری ماشین اساساً الگوریتم های پیشرفته مبتنی بر ریاضی هستند، که الگوها را در داده ها شناسایی می کنند و از آنها می آموزند. با این حال، اگر به درستی در موارد استفاده صحیح اعمال شود، یادگیری ماشین می تواند مدت زمان صرف شده در عملیات دستی فناوری اطلاعات را کاهش و ارزش تجاری را افزایش دهد و هزینه های IT را بسیار کم کند.
نظر شما