با ۱۰ کاربرد مهم هوش مصنوعی و یادگیری ماشین در حوزه های مختلف آشنا شوید

این روزها هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و اصطلاحاتی این چنین در خلال اخبار دنیای فناوری بسیار به گوش می‌رسند، چراکه بسیاری از کمپانی‌های رده بالا و پیشتاز در دنیای فناوری، هوش مصنوعی را قدم بعدی بزرگ برای اضافه کردن قابلیت یادگیری به رایانه‌ها عنوان کرده‌اند.

در ساده‌ترین تعریف ممکن، یادگیری ماشین به معنای تغذیه‌ی الگوریتم‌های محاسباتی با استفاده از در اختیار گذاشتن مجموعه‌ای از اطلاعات در قالب دیتاست است که در مرحله‌ی بعد رایانه باید با استفاده از این دیتاست به سوالات پرسیده شده پاسخ دهد. برای مثال می‌توان به تهیه‌ی مجموعه‌ای از تصاویر اشاره کرد که هر یک با توضیح "این یک گربه است" یا "این یک گربه نیست" همراه شده است. پس از آنکه این مجموعه‌ی تصاویر در اختیار الگوریتم قرار گرفت، می‌توان با نمایش تصاویری به رایانه از آن خواست تا تشخیص دهد که آیا تصویر مربوط به گربه است یا خیر؟

اما فرآیند آموزش به مجموعه‌ی اولی که در اختیار رایانه قرار گرفته محدود نمی‌شود؛ با پرسیدن هر سوال که در واقع یک تصویر در آن نمایش داده می‌شود، فارغ از اینکه الگوریتم صحیح پاسخ دهد یا خیر، عکس مورد نظر به دیتاست اضافه شده و در نتیجه دانش هوش مصنوعی به مرور زمان بهبود می‌یابد.

در ادامه ۱۰ کاربرد اصلی هوش مصنوعی برای حل مشکلات و چالش‌های دنیای فناوری را از نظر می‌گذرانیم.

بدافزارها یکی از مشکلات کاربران و کمپانی‌ها در فضای آنلاین است که قدمت آن به روزهای ابتدایی شکل‌گیری اینترنت بازمی‌گردد. در سال ۲۰۱۴، موسسه‌ی کسپراسکی اعلام کرد که روزانه بیش از ۳۲۵٫۰۰۰ بدافزار کشف می‌کند. براساس اطلاعات ارائه شده توسط موسسه‌ی تحقیقاتی Deep Instinct، اغلب بدافزار‌های جدید از کد مشابهی که در بدافزار‌های پیشین مورد استفاده قرار گرفته، بهره می‌برند، حال آنکه دامنه‌ی تغییرات اعمال شده بین ۲ تا ۱۰ درصد است. تحقیقات انجام شده نشان از این دارد که مدل یادگیری مورد استفاده در هوش مصنوعی قادر است تغییرات ۲ تا ۱۰ درصدی در کد پیاده‌سازی شده را شناسایی کرده و تشخیص دهد که کدام فایل‌ها بدافزار هستند. همچنین باید به این نکته اشاره کرد که الگوریتم‌های یادگیری ماشین می‌توانند الگوی‌های مربوط به رد و بدل شدن اطلاعات در سرورهای ابری را تحت نظر گرفته و موارد مشکوک را که احتمالا منجر به سوءاستفاده‌های امنیتی خواهند شد، شناسایی کنند.

این روزها گیت‌های امنیتی در تمام مکان‌ها نظیر فرودگاه‌ها یا شماری از گردهمایی‌ها که حساسیت امنیتی وجود دارد، دیده می‌شوند. یادگیری ماشین نشان داده که قادر است روند کنترل امنیتی را تسریع کرده و دقت این فرآیند را افزایش دهد. با استفاده از یادگیری ماشین می‌توان از ایجاد هشدارهای اشتباه پیشگیری کرده و مواردی را تشخیص داد که اسکنرهای معمولی قادر به شناسایی آن‌ها نیستند. از این سیستم می‌توان در فرودگاه‌ها، کنسرت‌ها، استادیوم‌ها و سایر مواردی که تعداد زیادی از افراد در آن حضور دارند، استفاده کرد.

بسیاری از افراد تمایل دارند تا قیمت سهام کمپانی‌ها در روزهای آینده را در صورت حاکم شدن شرایط مشخص، پیش‌بینی کنند. استفاده از یادگیری ماشین در کنار کلان‌ داده درصدد تحقق این امر است. بسیاری از کمپانی‌های خرید و فروش کننده‌ی سهام از سیستم‌های اختصاصی توسعه یافته برای پیش‌بینی قیمت و انجام خرید و فروش براساس نتایج به دست آمده استفاده می‌کنند. بسیاری از سیستم‌های توسعه یافته مبتنی بر علم احتمالات است، اما یک معامله که شاید احتمال کمی برای سوددهی داشته باشد، در صورتی که حجم بالایی داشته و با وجود احتمال پایین یک معامله‌ی موفق باشد، می‌تواند سود سرشاری را به همراه بیاورد. به قطع یقین زمانی که حجم داده‌هایی که باید پردازش شوند، افزایش یافت، انسان‌ها نمی‌توانند در برابر قدرت پردازشی رایانه‌ها حرفی برای گفتن داشته باشند، از این‌رو تجهیز سیستم‌ها به قدرت محاسباتی هوش مصنوعی و یادگیری ماشین می‌تواند در این خصوص بسیار راهگشا باشد.

الگوریتم‌های مبتنی بر یادگیری ماشین می‌توانند اطلاعات بسیار زیادی را پردازش کرده و الگوهای بسیاری را در مقایسه با انسان‌ها از میان داده‌های بسیار استخراج کنند. در یک مطالعه، محققان از یک سیستم تشخیص رایانه‌ای برای بازبینی نتایج ماموگرافی زنانی استفاده کرده‌اند که بعدها به بیماری سرطان سینه مبتلا شده‌‌اند. براساس اطلاعات ارائه شده این سیستم رایانه‌ای موفق شده تا با بررسی نتایج ماموگرافی‌های یک سال پیش در ۵۲ درصد موارد، سرطان سینه را در بیماران پیش از تشخیص پزشکان، پیش‌بینی کند. علاوه بر تشخیص بیماری بصورت موردی برای هر فرد براساس نتایج آزمایش، یادگیری ماشین می‌تواند با بررسی عوامل خطرناک برای بیماری جمعی، آن را پیش از همه‌گیر شدن شناسایی کند. کمپانی Medecision الگوریتمی را توسعه داده که با استفاده از می‌توان با شناسایی هشت فاکتور در بیماران دیابتی، نیاز به بستری شدن در بیمارستان را تشخیص داد.

هراندازه که درک و شناخت شما از کاربرانتان بیشتر باشد، بهتر می‌توانید به آن‌ها سرویس بدهید و در نتیجه فروش بهتری را نیز تجربه خواهید کرد. این نگرش را باید بنیان استفاده از یادگیری ماشین و هوش مصنوعی در بازاریابی خواند. شاید شما این تجربه را دارید که پس از جستجو برای یک محصول و یافتن آن، از خرید پشیمان شده یا به هر دلیلی کالای مورد نظر را خریداری نکرده‌اید، اما در روزهای بعد در اغلب صفحات وب با آگهی‌هایی روبرو شده‌اید که کالای جستجو شده توسط شما را نمایش می‌دهند. این نوع بازاریابی را باید تنها بخش کوچکی از قابلیت‌هایی بدانیم که با استفاده از یادگیری ماشین می‌توان انجام داد. ایمیل‌های شخصی سازی شده ارسالی برای کاربران از جمله‌ی دیگر کاربردهای یادگیری ماشین در بازاریابی است.

توانایی یادگیری ماشین در زمینه‌ی شناسایی و جلوگیری از تقلب در سرویس‌های مختلف روز به روز افزایش پیدا می‌کند که این توانایی در حوزه‌های مختلف قابل استفاده است. برای مثال می‌توان به سیستم پی‌پال اشاره کرد که از یادگیری ماشین برای مبارزه با پولشویی از طریق پی‌پال استفاده می‌کند. این کمپانی قادر است با بهره‌گیری از یادگیری ماشین میلیون‌ها تراکنش انجام شده را تحلیل کرده و موارد مشکوک به پولشویی را که بین خریداران و فروشندگان اتفاق می‌افتد، پیش‌بینی کند.

سرویس‌هایی نظیر آمازون و نتفلیکس با استفاده از فعالیت‌های کاربران در سرویس‌هایشان، پیشنهاداتی را در اختیار افراد قرار می‌دهند. الگوریتم‌های مبتنی بر یادگیری ماشین با تحلیل و بررسی فعالیت یک کاربر مشخص و مقایسه‌ی آن با میلیون‌ها کاربر دیگر، لیستی از پیشنهادات را تهیه می‌کنند که احتمالا کاربر در نوبت بعدی به خرید کالا یا برنامه‌ی پیشنهادی علاقه نشان دهد. این پیشنهادات که برگرفته از سیستم‌های هوشمند هستند، رفته رفته باهوش‌تر شده و می‌توانند درک کنند که شما چه کالاهایی را برای هدیه دادن و چه کالاهایی را برای استفاده‌ی شخصی خریداری می‌کنید. در مورد سرویس‌هایی نظیر نتفلیکس، این سیستم‌ها با افزایش هوش می‌توانند تمایلات اعضای مختلف یک خانواده را از هم تفکیک کنند.

به جرات می‌توان جستجوی اینترنتی را شناخته شده‌ترین نمونه از کاربرد یادگیری ماشین خواند. گوگل و رقبای این کمپانی همواره در حال بهبود نتایج جستجو هستند. هر زمانی که کاربر جستجویی را در گوگل انجام می‌دهد، الگوریتم گوگل نحوه‌ی واکنش شما با نتایج نمایش داده شده را تحت نظر می‌گیرد. در صورتی که کاربر روی نتایج اولیه‌ی جستجو کلیک کند و به صفحه‌ی وب مورد نظر مراجعه کند، الگوریتم گوگل به این نتیجه می‌رسد که کاربر نتیجه‌ی مدنظر خود را یافته است. در صورتی که کاربر بدون کلیک روی هیچ یک از نتایج به صفحه‌ی دوم مراجعه کند یا عبارت دیگری را برای جستجو وارد کند، گوگل به این نتیجه می‌رسد که کاربر به مواردی که در نظر داشته، دست نیافته است. الگوریتم هوشمند مبتنی بر یادگیری ماشین قادر است با دریافت اطلاعات این چنینی، نتایج جستجو را در مقایسه با گذشته بهبود دهد.

تشخیص گفتار طبیعی یا Natural language Processing که به اختصار NLP خوانده می‌شود، قابلیت استفاده در کاربردهای مختلفی را دارد. با استفاده یادگیری ماشین و تشخیص گفتار طبیعی می‌توان کاربران یا مشتریان را با سرعت بیشتری به سمت اطلاعاتی که مدنظر وی است، هدایت کرد. از جمله‌ی کاربردهای دیگر این سیستم می‌توان به ساده‌سازی مفاد یک قرارداد که اصطلاحات پیچیده‌ی حقوقی دارد و همچنین خلاصه کردن تمام اطلاعاتی که یک وکیل مدافع باید آن‌ها را مطالعه کند، اشاره کرد.

IBM اخیرا تحقیقی انجام داده که براساس آن بیش از ۷۴ درصد متخصصان در حوزه‌ی خودرو از پیش‌بینی خود برای عرضه‌ی تجاری خودروهای هوشمند تا سال ۲۰۲۵ سخن گفته‌اند. یک خودروی هوشمند نه تنها با استفاده از مفهوم اینترنت اشیا قادر است با خودروهای دیگر و تابلوهای کنار جاده ارتباط برقرار کند، بلکه قادر است تا با یادگیری ماشین، عادت‌های کاربر یا به بیان راننده را نیز بشناسد. این عادات شامل دمای داخلی خودرو، تنظیمات سیستم صوتی و وضعیت صندلی است. خودرو قادر است با تکیه بر قابلیت‌های هوشمند تنظیمات را تغییر داده و در صورت بروز مشکل، خود مساله را حل کند. همچنین باید به ارائه‌ی پیشنهاد در مورد مسیر رسیدن به مقصد براساس داده‌های ترافیکی و وضعیت جاده نیز اشاره کرد.