یادگیری ماشین چیست و چه کاربرد هایی دارد؟

یادگیری ماشینی (ML) نوعی هوش مصنوعی (AI) است که به برنامه‌های نرم‌افزاری اجازه می‌دهد بدون اینکه به‌طورخاص برای این کار برنامه‌ریزی شده باشند، در پیش‌بینی نتایج دقیق‌تر عمل کنند. الگوریتم‌های یادگیری ماشینی از داده‌های تاریخی به‌عنوان ورودی برای پیش‌بینی مقادیر خروجی جدید بهره می‌برند. موتورهای توصیه، یک مورد رایج برای یادگیری ماشینی هستند؛ زیرا کاربردهای محبوبی مثل تشخیص تقلب، فیلتر هرزنامه، شناسایی تهدیدها، بدافزارها، اتوماسیون فرایند کسب‌وکار و نگهرداری پیش‌بینی‌ها را ارائه می‌دهند.

یکی از مهم‌ترین دلایل اهمیت یادگیری ماشینی این است که دیدگاهی از روند رفتار مشتریان و الگوهای عملیاتی تجاری به شرکت‌ها ارائه می‌دهد و علاوه‌براین از توسعه‌ی محصولات جدید پشتیبانی می‌کند. بسیاری از شرکت‌های پیشرو امروزی مثل فیسبوک، گوگل و اوبر از یادگیری ماشنیی در بخش مرکزی عملیات خود استفاده می‌کنند. درواقع این فناوری برای بسیاری از شرکت‌ها به یک تمایز رقابتی مهم تبدیل شده است.

یادگیری ماشینی کلاسیک، اغلب براساس روش یادگیری الگوریتم در پیش‌بینی دقیق‌تر طبقه‌بندی می‌شود. چهار رویکرد اساسی در این‌زمینه وجود دارد، یادگیری با نظارت، یادگیری بدون نظارت، یادگیری نیمه‌نظارتی و یادگیری تقویتی. نوع الگورتیمی که دانشندان داده‌های الگوریتمی برای استفاده انتخاب می‌کنند به نوع داده‌هایی بستگی دارد که قصد دارند آن‌ها را پیش‌بینی کنند.

یادگیری نظارت شده: در این نوع یادگیری ماشینی، دانشمندان داده‌ الگوریتم‌هایی را با داده‌های آموزشی برچسب‌گذاری‌شده ارائه می‌دهند و متغییرهایی را که قصد دارند آن‌ها را با الگوریتم برای همبستگی ارزیابی کنند، تعریف خواهند کرد. ورودی و خروجی الگوریتم در این روش مشخص شده است.

یادگیری بدون نظارت: این نوع یادگیری ماشینی شامل الگوریتم‌هایی است که روی داده‌های بدون برچسب آموزش می‌بینند. الگوریتم‌ ازطریق مجموعه داده‌ها به‌دنبال هرگونه ارتباط معنی‌دار جستجو می‌کند. داده‌هایی که الگوریتم‌ها روی آن‌ها آموزش داده می‌شوند و همچنین پیش‌بینی‌ها یا توصیه‌هایی که آن‌ها تولید می‌کنند ازپیش تعیین‌شده‌اند.

یادگیری نیمه‌نظارتی: این رویکرد برای یادگیری ماشینی شامل ترکیبی از دونوع قبلی است. امکان دارد دانشمندان الگوریتمی را تغذیه کنند که بیشتر با داده‌های آموزشی برچسب‌گذاری شده است؛ اما این مدل می‌تواند داده‌ها را آزادانه و به‌تنهایی کشف کند و درک خود را از مجموعه‌ی داده‌ها، توسعه دهد.

یادگیری تقویتی: دانشمندان داده، معمولاً از یادگیری تقویتی برای آموزش به ماشین برای تکمیل یک فرایند چندمرحله‌ای استفاده می‌کنند که قوانین مشخصی برای آن وجود دارد. دانشمندان الگوریتمی را برای تکمیل یک کار برنامه‌ریزی می‌کنند و به آن نشانه‌های مثبت یا منفی می‌دهند تا یاد بگیرد کار را چگونه کامل کند؛ اما در بیشتر موارد، الگوریتم خود به تنهایی تصمیم می‌گیرد که چه مراحلی را درطول مسیر طی کند.

یادگیری ماشینی نظارت‌شده به دانشمند داده‌ای نیاز دارد که الگوریتم را با ورودی‌های برچسب‌دار و خروجی‌های دلخواه آموزش دهد. الگوریتم‌های یادگیری نظارت‌شده برای کارهای زیر مناسب به‌نظر می‌رسند:

• طبقه‌بندی باینری: تقسیم داده‌ها به دو دسته.
• طبقه‌بندی چند کلاسه: انتخاب بین بیش از دونوع پاسخ.
• مدل‌سازی رگرسیون: پیش‌بینی مقادیر پیوسته.
• Ensembling: ترکیب پیش‌بینی‌های چندین مدل یادگیری ماشینی برای تولید یک پیش‌بینی دقیق.

الگوریتم‌های یادگیری ماشینی بدون‌نظارت نیازی به برچسب‌گذاری داده‌ها ندارند. آن‌ها داده‌های بدون برچسب را غربال می‌کنند تا به‌دنبال الگوهایی باشند که می‌توانند برای گروه‌بندی نقاط داده در زیر مجموعه‌ها مورداستفاده قرار گیرند. اکثر انواع یادگیری عمیق ازجمله شبکه‌های عصبی، الگورتیم‌های بدون نظارت هستند. الگوریتم‌های یادگیری بدون‌نظارت برای کارهای زیر مناسب هستند:

• خوشه‌بندی: تقسیم مجموعه داده‌ها به گروه‌ها براساس شباهت.
• تشخیص ناهنجاری: شناسایی نقاط داده‌ی غیرعادی در یک مجموعه داده.
• ارتباط کاوی: شناسایی مجموعه‌ای از آیتم‌ها در یک مجموعه داده که اغلب با هم اتفاق می‌افتد.
• کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده.

دانشمندان داده با روش یادگیری نیمه‌نظارت‌شده مقدار کمی از داده‌های آموزشی برچسب‌گذاری‌شده را به یک الگوریتم ارائه می‌دهند. از این‌طریق الگوریتم ابعاد مجموعه‌ی داده‌ها را می‌آموزد و سپس می‌تواند آن‌ها را روی داده‌های جدید و بدون برچسب اعمال کند.

عملکرد الگوریتم‌ها معمولاً زمانی بهبود می‌یابد که روی مجموعه داده‌های برچسب‌گذاری‌شده آموزش ببینند؛ اما برچسب زدن داده‌ها می‌توان زمان‌بر و البته هزینه‌بر باشد. یادگیری نیمه‌نظارتی بین عملکرد یادگیری تحت نظارت و یادگیری بدون نظارت قرار می‌گیرد. برخی از زمینه‌هایی که در آن از یادگیری نیمه نظارتی استفاده می‌شوند عبارت‌اند از:

• ترجمه‌ی ماشینی: آموزش الگوریتم‌ها برای ترجمه‌ی زبان براساس داده‌هایی کمتر از یک فرهنگ‌لغت کامل از کلمات.
• تشخیص تقلب: شناسایی موارد تقلب زمانی که فقط چند نمونه‌ی مثبت داشته باشید.
• برچسب‌گذاری داده‌ها: الگوریتم‌هایی که روی مجموعه‌های داده‌ی کوچک آموزش داده شده‌اند و توانایی یادگیری دارند که برچسب‌های داده را به‌طورخودکار به مجموعه‌های بزرگ‌تر اعمال کنند.

یادگیری تقویتی با برنامه‌ریزی یک الگوریتم با هدفی مشخص و مجموعه‌ای از قوانین درنظرگرفته‌شده برای دستیابی به آن هدف کار می‌کند. دانشمندان داده همچنین الگوریتم را طوری برنامه‌ریزی می‌کنند که براساس کسب پاداش‌های مثبت و دوری از مجازات‌ها کار کند. این روش باعث می‌شود الگوریتم بیشتر به‌دنبال عمل مفیدی برای رسیدن به هدف باشد و از کارهایی که آن را از اهداف دور می‌کند اجتناب کند. یادگیری تقویتی اغلب در موارد زیر کاربرد دارد:

• رباتیک: ربات‌ها می‌توانند با استفاده از تکنیک یادگیری ماشینی تقویتی، انجام وظایف را در دنیای واقعی یاد بگیرند.
• گیم‌پلی بازی‌های ویدیویی: از یادگیری تقویتی برای آموزش ربات‌ها و با هدف انجام تعدادی بازی ویدیویی استفاده می‌شود.
• مدیریت منابع: با توجه به منابع محدود و یک هدف تعریف‌شده، یادگیری تقویتی می‌تواند به شرکت‌ها در برنامه‌ریزی روش تخصیص منابع کمک کند.

امروزه یادگیری ماشینی در طیف گسترده‌ای از حوزه‌ها مورد استفاده قرار می‌گیرد. شاید یکی از معروفن‌ترین نمونه‌های کاربرد این فناوری، موتور توصیه‌ای باشد که خوراک خبری شبکه‌ی اجتماعی فیسبوک را مدیریت می‌کند.

غول رسانه‌های اجتماعی جهان از یادگیری ماشینی برای شخصی‌سازی نحوه‌ی ارائه‌ی خوراک خبری برای هر عضو استفاده می‌کند. اگر کاربران فیسبوک به‌طورمکرر به مطالعه‌ی پست‌های یک گروه خاص ادامه دهند، موتور توصیه‌ی این پلتفرم مطالب بیشتری از آن گروه را در خوراک خبری آن‌ افراد ارائه می‌دهد.

علاوه‌براین، موتور مبتنی‌بر یادگیری ماشینی فیسبوک در پس‌زمینه درحال تلاش برای تقویت الگوهای شناخته‌شده در رفتار آنلاین کاربران است. اگر عضوی در این شبکه‌ی اجتماعی الگوهای خود را تغییر دهد و نتواند پست‌های گروه مورد علاقه‌‌اش را در هفته‌های آینده مطالعه کند، خوراک خبری وی از آن به بعد مطابق تغییرات اخیر تنظیم خواهد شد. علاوه بر موتورهای توصیه، کاربردهای دیگری برای یادگیری ماشینی وجود دارد که در ادامه به آن‌ها اشاره می‌کنیم:

• مدیریت ارتباط با مشتری: نرم‌افزار CRM می‌تواند از مدل‌های یادگیری ماشین به‌منظور تجزیه‌و‌تحلیل ایمیل‌ها استفاده کند و اعضای تیم فروش را برای پاسخ‌دادن به ایمیل‌هایی که اهمیت بیشتری دارند ترغیب کند. سیستم‌های پیشرفته‌تر حتی می‌توانند پاسخ‌های بالقوه مؤثر را به تیم فروش توصیه کنند.
• هوش تجاری: فروشندگان هوش تجاری (BI) و تجزیه‌وتحلیل، از یادگیری ماشینی در نرم‌افزارهای خود برای شناسایی نقاط داده‌ی مهم، الگوهای نقاط داده و ناهنجاری‌ها استفاده می‌کنند.
• سیستم‌های اطلاعات منابع انسانی: سیستم‌عامل HRIS می‌توانند از مدل‌های یادگیری ماشینی برای فیلتر‌کردن برنامه‌ها و شناسایی بهترین نامزدها برای یک موقعیت‌ها استفاده کنند.
• خودروهای خودران: الگوریتم‌های یادگیری ماشینی حتی می‌توانند این امکان را برای خودروهای نیمه‌خودران فراهم کنند تا اشیاء قابل‌مشاهده را تشخیص داده و آن را به راننده اعلام کنند.
• دستیارهای مجازی: دستیارهای هوشمند معمولاً مدل‌های یادگیری ماشینی تحت‌نظارت و بدون‌نظارت را برای تفسیر گفتار طبیعی ترکیب می‌کنند.

یادگیری ماشینی در زمینه‌های مختلفی از پیش‌بینی رفتار مشتری تا ساخت سیستم‌عامل خودروهای بدون‌راننده مورد استفاده قرار می‌گیرد. وقتی صحبت از مزیت‌های این فناوری به میان آید، این تکنولوژی می‌تواند به شرکت‌ها کمک کند تا مشتریان خود را درسطحی عمیق‌تر درک کنند. الگوریتم‌های یادگیری ماشینی می‌توانند با جمع‌آوری داده‌های مشتری و ارتباط آن با رفتارها درطول زمان، تداعی‌ها را بیاموزند و به تیم‌ها کمک کنند تا ابتکارات توسعه‌ی محصول و بازاریابی را مطابق با تقاضای مشتری تنظیم کنند.

برخی از شرکت‌ها از یادگیری ماشینی به‌عنوان محرک اصلی در مدل‌های تجاری خود بهره می‌برند. برای مثال، اوبر از الگوریتم‌های مبتنی‌بر یادگیری ماشینی برای تطبیق رانندگان با مسافران استفاده می‌کند. گوگل نیز از این فناوری برای نمایش تبلیغات در نتایج جستجوهای خود بهره می‌برد.

یادگیری ماشینی نیز مثل همه‌ی فناوری‌ها، معایبی هم دارد: اول از همه امکان دارد استفاده از این فناوری پرهزینه باشد. پروژه‌های یادگیری ماشینی را معمولاً دانشمندان داده مدیریت می‌کنند که حقوق آن‌ها واقعاً بالا است. این پروژه‌ها همچنین به زیرساخت نرم‌افزاری نیاز دارند که می‌تواند برای شرکت‌ها بسیار گران باشد.

علاوه‌براین مشکل سوگیری در یادگیری ماشینی وجود دارد. الگوریتم‌های آموزش‌ داده‌شده روی مجموعه‌های داده‌ای که جمعیت‌های خاصی را حذف می‌کنند یا حاوی خطا هستند، می‌توانند به ایجاد مدل‌های نادرست از جهان منجر شوند که دربهترین حالت، شکست می‌خورند و در بدترین حالت، تبعیض‌آمیز هستند. هنگامی‌که یک شرکت فرایندهای اصلی کسب‌وکار خود را براساس مدل‌های مغرضانه قرار می‌دهد امکان دارد با آسیب‌های قانونی و اعتباری مواجه شود.

فرایند انتخاب مدل یادگیری ماشینی مناسب برای حل یک مشکل اگر به‌صورت استراتژیک مورد توجه قرار نگیرد می‌تواند زمان‌بر باشد.

• مرحله‌ی ۱. مشکل را با ورودی‌های داده‌ بالقوه‌ای تراز کنید. این مرحله به کمک دانشمندان داده و کارشناسانی نیاز دارد که درک عمیقی از مشکل دارند.
• مرحله‌ی ۲. داده‌ها را جمع‌آوری و قالب‌بندی و درصورت نیاز آن‌ها را برچسب‌گذاری کنید. دانشمندان داده با کمک توسعه‌دهندگان معمولاً این مرحله را هدایت می‌کنند.
• مرحله‌ی ۳. الگوریتم مورد استفاده را انتخاب و آزمایش کنید تا ببینید عملکرد آن چقدر خوب است. انجام این مرحله نیز معمولاً برعهده‌ی دانشمندان داده است.
• مرحله‌ی ۴. به تنظیم دقیق خروجی‌ها تا رسیدن به سطح قابل‌قبولی از دقت ادامه دهید. دانشمندان داده معمولاً این مرحله را با بازخورد کارشناسانی که درک عمیقی از مشکل دارند، انجام می‌دهند.

توضیح اینکه یک مدل یادگیری ماشینی خاص چگونه کار می‌کند، با پیچیده‌تر‌شدن آن مدل می‌تواند چالش برانگیز باشد. برخی از صنایع وجود دارند که دانشمندان داده باید از مدل‌های یادگیری ماشینی ساده در آن‌ها استفاده کنند؛ زیرا این موضوع برای کسب‌وکارها اهمیت دارد که توضیح دهند هر تصمیم چگونه اتخاذ شده است. این‌ امر به‌خصوص در حوزه‌هایی مثل بانکداری و بیمه که بار انطباق سنگینی دارند صدق می‌کند.

مدل‌های پیچیده می‌توانند پیش‌بینی‌های دقیقی ارائه دهند؛ اما توضیح دادن روش تصمیم‌گیری آن و تعیین خروجی به یک فرد غیر متخصص می‌تواند بسیار دشوار باشد.

درحالی‌که الگوریتم‌های یادگیری ماشینی از دهه‌ها قبل وجود داشته‌اند؛ اما با توجه به رشد هوش مصنوعی، اکنون محبوبیت آن‌ها افزایش یافته است. این مورد به‌خصوص برای مدل‌های یادگیری عمیق، پیشرفته‌ترین برنامه‌های کاربردی مبتنی‌بر هوش مصنوعی امروزی را تقویت می‌کنند.

پلتفرم‌های یادگیری ماشینی از رقابت‌پذیرترین حوزه‌های فناوری سازمانی محسوب می‌شوند و درحال‌حاضر شرکت‌های بزرگی مثل آمازون، گوگل، مایکروسافت، IBM و غیره برای ثبت‌نام مشتریان برای خدمات پلتفرمی که طیفی از فعالیت‌های یادگیری ماشینی مثل جمع‌آوری داده‌ها، آماده‌سازی داده‌ها، طبقه‌بندی داده‌ها، ساخت مدل، آموزش و استقرار برنامه را پوشش می‌دهند با یکدیگر رقابت دارند.

با افزایش اهمیت یادگیری ماشینی برای عملیات تجاری و کاربری‌تر‌شدن هوش مصنوعی در تنظیمات سازمانی، جنگ پلتفرم یادگیری ماشینی افزایش می‌یابد. تحقیقات مداوم در حوزه‌ی یادگیری عمیق ماشینی و هوش مصنوعی به‌طورفزاینده‌ای روی توسعه‌ی برنامه‌های کاربردی عمیق‌تر متمرکز شده‌ است. مدل‌های هوش مصنوعی امروزی به آموزش‌های گسترده نیاز دارند تا الگوریتمی تولید کنند که برای انجام یک کار خاص بسیار بهینه شده باشد. البته برخی محققان درحال بررسی راهکارهایی برای افزایش انعطاف‌پذیری مدل‌ها هستند. این افراد همچنین به‌دنبال تکنیک‌هایی هستند که به ماشین‌ها اجازه می‌دهد از زمینه‌های آموخته‌شده از یک کار برای انجام وظایف مختلف در آینده بهره ببرند.

در ادامه روند تکامل فناوری یادگیری ماشینی را به‌طورخلاصه‌وار مرور می‌کنیم.

• سال ۱۶۴۲: پاسکال، ماشینی مکانیکی اختراع کرد که می‌توانست عملیات‌هایی مثل جمع، تفریق، ضرب و تقسیم را انجام دهد.
• سال ۱۶۷۹: گوتفرید ویلهلم لایب نیتس، سیستم کد دودویی را ابداع کرد.
• سال ۱۸۳۴: چارلز بابیج، ایده‌ی دستگاهی همه‌منظوره و عمومی را تصور کرد که می‌توان آن را با کارت‌های پانچ‌شده برنامه‌‌ریزی کرد.
• سال ۱۸۴۲: آدا لاولیس دنباله‌ای از عملیات را برای حل مسائل ریاضی با استفاده از دستگاه تئوری پانچ کارت چارلز بابیج توصیف کرد و اولین برنامه‌نویس جهان شد.
• سال ۱۸۴۷: جورج بول، منطق بولی را ایجاد کرد؛ شکلی از جبر که در آن همه‌ی مقادیر را می‌توان به مقادر دودویی True یا False تقلیل داد.
• سال ۱۹۳۶: آلن تورینگ، منطق‌دان و رمزنگار مشهور انگلیسی، ماشینی جهانی را پیشنهاد کرد که می‌توانست مجموعه‌ای از دستورالعمل‌ها را رمزگشایی و اجرا کند. اثبات منتشر شده‌ی او اساس علم کامپیوتر امروزی است.
• سال ۱۹۵۲: آرتور ساموئل برنامه‌ای ساخت تا به رایانه‌ی IBM کمک کند با انجام تعداد بازی بیشتر در چکرز، بهتر عمل کند.
• سال ۱۹۵۹: مدلاین اولین شبکه‌ی عصبی مصنوعی است که برای یک مشکل واقعی مورداستفاده قرار می‌گیرد: حذف پژواک از خطوط تلفن.
• سال ۱۹۸۵: شبکه‌ی عصبی مصنوعی تری سجنوفسکی و چارلز روزنبرگ به خود آموخت که چگونه ۲۰ هزار کلمه را در یک هفته به‌درستی تلفظ کند.
• سال ۱۹۹۷: دیپ بلو از IBM، گری کاسپاروف، استاد بزرگ شطرنج را شکست داد.
• سال ۱۹۹۹: یک ایستگاه کاری هوشمند نمونه‌ی اولیه‌ی CAD 22000 ماموگرافی را بررسی کرد و سرطان را ۵۲ درصد دقیق‌تر از رادیولوژیست‌ها تشخیص داد.
• سال ۲۰۰۶: جفری هینتون، دانشمند کامپیوتر، اصطلاح یادگیری عمیق را برای توصیف تحقیقات شبکه‌ی عصبی اختراع کرد.
• سال ۲۰۱۲: یک شبکه‌ی عصبی بدون نظارت ایجاد‌شده ازطرف گوگل یاد گرفت که گزینه‌ها را در ویدیوهای یوتیوب با دقت ۷۴٫۸ درصد تشخیص دهد.
• سال ۲۰۱۴: یک ربات چت با متقاعد‌کردن ۳۳ درصد از قضات انسانی که یک نوجوان اوکراینی به نام یوجین گوستمن است آزمون تورینگ را گذراند.
• سال ۲۰۱۴: آلفاگو گوگل قهرمان انسانی را در Go، دشوارترین بازی رومیزی جهان شکست داد.
• سال ۲۰۱۶: LipNet، سیستم هوش مصنوعی DeepMind، کلمات لب‌خوان را در ویدیو با دقت ۹۳٫۴ درصد شناسایی می‌کند.
• سال ۲۰۱۹: آمازون ۷۰ درصد از سهم بازار دستیاران مجازی را در ایالات متحده دراختیار دارد.

افزایش روزافزون تعداد کاربردهای یادگیری ماشینی در مراقبت‌های پزشکی-بهداشتی به ما این امکان را می‌دهد تا نگاهی اجمالی به آینده‌ای داشته باشیم که داده‌ها و تجزیه‌وتحلیل و نوآوری در آن با یکدیگر ترکیب شده و به تعداد بسیار زیادی از بیماران کمک می‌کنند؛ بدون اینکه این افراد از این موضوع مطلع شوند.

به‌زودی پیدا‌کردن برنامه‌های کاربردی مبتنی‌بر ماشین لرنینگ که با داده‌هایی که به‌طورلحظه‌ای از سیستم‌های مراقبت‌های بهداشتی مختلف در کشورها درمورد بیماران دریافت می‌کنند، بسیار رایج خواهد شد و درنتیجه گزینه‌های درمانی جدیدی که قبلاً دردسترس نبود افزایش خواهد یافت.

ازجمله مهم‌ترین کاربردهای ماشین لرنینگ در پزشکی می‌تواند به موارد زیر اشاره کرد:

یکی از مهم‌ترین کاربردهای یادگیری ماشینی در پزشکی، شناسایی و تشخیص بیماری‌هایی است که بدون این فناوری تشخیص آن‌ها معمولاً دشوار خواهد بود. این مورد می‌تواند شامل هر بیماری باشد؛ از مراحل اولیه‌ی سرطان‌ها گرفته تا بیماری‌های ژنتیکی. IBM Watson Genomics نمونه‌ی بارز این نوع برنامه‌های مبتنی‌بر یادگیری ماشینی است که با ادغام محاسبات شناختی و توالی تومور مبتنی‌بر ژنوم می‌تواند به تشخیص سریع بیماری‌ها کمک کند.

یکی از کاربردهای بالینی اولیه‌ی یادگیری ماشینی در مراحل اولیه‌ی فرایند کشف دارو نهفته است. این مورد همچنین شامل فناوری‌های تحقیق‌وتوسعه مثل توالی‌یابی نسل بعدی و پزشکی دقیق است که می‌تواند به یافتن مسیرهای جایگزین برای درمان بیماری‌های چندعاملی کمک کند.

درحال‌حاضر تکنیک‌های یادگیری ماشینی شامل ازجمله روش بدون‌نظارت می‌تواند الگوهای موجود در داده‌ها را بدون ارائه‌ی پیش‌بینی، شناسایی کند. پروژه‌ی هانوفر که مایکروسافت آن را توسعه داده است از فناوری‌های مبتنی بر یادگیری ماشینی برای ابتکارات متعدد ازجمله توسعه‌ی فناوری مبتنی‌بر هوش مصنوعی برای درمان سرطان و شخصی‌سازی ترکیب دارویی AML (لوسمی حاد میلونید) استفاده می‌کند.

یادگیری ماشینی و یادگیری عمیق، هردو مسئول پیشرفت فناوری Computer Vision (دید رایانه‌ای) هستند. این امر در ابتکار InnerEye که مایکروسافت آن را توسعه داده است، روی ابزارهای تشخیص تصویر برای تجزیه‌وتحلیل عکس‌ها کار می‌کند. همان‌طور که یادگیری ماشینی دردسترس‌تر می‌شود و ظرفیت‌های آن افزایش می‌یابد، انتظار داریم منابع داده بیشتری از تصاویر پزشکی در حوزه‌های مختلف به بخشی از فرایند تشخیص مبتنی‌بر هوش مصنوعی تبدیل شوند.

درمان‌های شخصی‌سازی‌شده نه‌تنها می‌توانند با جفت‌کردن سلامت فردی و تحلیل‌های پیش‌بینی مؤثرتر باشند، بلکه برای تحقیقات بیشتر و ارزیابی بهتر بیماری نیز کاربرد دارند. درحال‌حاضر پزشکان به انتخاب از میان مجموعه‌ای از تشخیص‌ها یا تخمین خطر برای بیمار محدود هستند. یادگیری ماشینی در پزشکی در مسیر پیشرفت‌های بسیار بزرگی قرار دارد و به‌عنوان مثال IBM Watson Oncology با استفاده از سوابق پزشکی بیمار به ایجاد گزینه‌های درمانی متعدد برای او کمک می‌کند.

اصلاح رفتار، بخش مهمی از پزشکی پیش‌گیرانه است و از زمان گسترش یادگیری ماشینی در مراقبت‌های بهداشتی، استارتاپ‌های بی‌شماری در زمینه‌های پیش‌گیری و شناسایی سرطان، درمان بیمار و غیره ظهور کرده‌اند. Somatix یک شرکت تجزیه‌وتحلیل داده‌ مبتنی‌بر B2B2C است که برنامه‌ی مبتنی‌بر یادگیری ماشینی آن برای تشخیص ژست‌هایی که در زندگی روزانه انجام می‌دهیم کاربرد دارد و این امکان را فراهم می‌سازد تا رفتار ناخودآگاه خود را درک و تغییرات لازم را روی آن اعمال کنیم.

نگه‌داری سوابق پزشکی به‌روز، فرایندی جامع بوده و فناوری نقش خود را در تسهیل فرایند ورود داده‌ها ایفا کرده است. حقیقت این است که حتی درحال‌حاضر اکثر فرایندها زمان زیادی برای تکامل‌یافتن نیاز دارند. نقش اصلی یادگیری ماشینی در مراقبت‌های بهداشتی، تسهیل فرایندها برای صرفه‌جویی در زمان، تلاش و هزینه است.

روش‌های طبقه‌بندی اسناد با استفاده از ماشین‌های برداری و تکنیک‌های تشخیص OCR مبتنی‌بر یادگیری ماشینی مثل Google Cloud Vision API و فناوری تشخیص دست‌خط مبتنی‌بر ماشین لرنینگ Matlab به آرامی درحال تکامل هستند. MIT درحال توسعه‌ی نسل بعدی روش‌های هوشمند نگه‌داری سوابق بهداشتی است که از فناوری یادگیری ماشینی برای کمک به تشخیص، پیشنهاد درمانی بالینی و غیره بهره می‌برد.

یادگیری ماشینی چندمنظوره کاربرد بالقوه‌ای در زمینه‌ی آزمایش‌ها و تحقیقات بالینی دارد. همان‌طور که هرکسی در صنعت داروسازی به شما می‌گوید آزمایش‌های بالینی هزینه و زمان زیادی دارد، در بسیاری از موارد حتی ممکن است این فرایند سال‌ها طول بکشد. استفاده از تجزیه‌وتحلیل‌های پیش‌بینی‌کننده‌ی مبتنی‌بر یادگیری ماشینی برای شناسایی نامزدهای بالقوه‌ی کارآزمایی بالینی می‌تواند به محققان کمک کند تا مجموعه‌ای از نقاط مختلف داده مثل بازدیدهای قبلی پزشکی، رسانه‌های اجتماعی و غیره را ترسیم کنند.

یادگیری ماشینی همچنین برای اطمینان از نظارت لحظه‌ای کاربرد دارد. دسترسی به داده‌های شرکت‌کنندگان در آزمایش، یافتن بهترین حجم نمونه برای انجام آزمایش و استفاده از قدرت سوابق الکترونیکی برای کاهش خطاهای مبتنی‌بر داده ازجمله کاربردهای مهم ماشین لرنینگ در این حوزه است.

امروزه جمع‌سپاری دز زمینه‌ی پزشکی بسیار رایج است و به محققان و پزشکان اجازه می‌دهد به حجم وسیعی از اطلاعات بارگذاری‌شده ازطرف افراد براساس رضایت خود آن‌ها، دسترسی داشته باشند. این داده‌های سلامت زنده، پیامدهای بزرگی در روش درک پزشکی دارند.

ResearchKit اپل به کاربران اجازه می‌دهد به‌ برنامه‌های تعاملی دسترسی داشته باشند که از تشخیص چهره‌ی مبتنی‌بر یادگیری ماشینی برای امتحان و درمان بیماری پارکینسون استفاده می‌کنند. IBM نیز اخیراً با Medtronic برای رمزگشایی، جمع‌آوری و دردسترس قراردادن داده‌های دیابت و انسولین به‌طورلحظه‌ای براساس اطلاعات جمع‌آوری‌شده، مورد استفاده قرار می‌گیرد.

یکی از پرتقاضاترین کاربردهای یادگیری ماشینی در مراقبت‌های بهداشتی در زمینه‌ی رادیولوژی است. تجزیه‌وتحلیل تصویر پزشکی دارای متغیرهای گسسته‌ی زیادی است که می‌توانند درهر لحظه‌ی خاصی از زمان ایجاد شوند. ضایعات، کانون‌های سرطانی و موارد زیادی وجود دارد که نمی‌توان با استفاده از معادلات پیچیده آن‌ها را به‌سادگی مدل‌سازی کرد. ازآنجاکه الگوریتم‌های مبتنی‌بر یادگیری ماشنیی از نمونه‌های مختلف موجود و دردسترس یاد می‌گیرند، تشخیص و یافتن متغییرها آسان‌تر می‌شود.

یکی از محبوب‌ترین کاربردهای ماشین لرنینگ در تجزیه‌وتحلیل تصویر پزشکی، طبقه‌بندی اشیاء مثل ضایعات به دسته‌های مثل عادی یا غیرطبیعی، ضایعه یا غیر ضایعه و غیره است. پروژه‌ی DeepMind Health گوگل به‌طورفعال به محققان UCLH کمک می‌کند تا الگورتیم‌هایی را توسعه دهند و از آن‌ها برای تشخیص تفاوت بین بافت سالم و سرطانی و بهبود پرتودرمانی بهره می‌برند.

امروزه فناوری‌های مبتنی‌بر هوش مصنوعی و یادگیری ماشینی نیز برای نظارت و پیش‌بینی اپیدمی‌ها در سرتاسر جهان مورد استفاده قرار می‌گیرند. دانشمندان درحال‌حاضر به حجم زیادی از داده‌های جمع‌آوری‌شده از ماهواره‌ها، به‌روزرسانی‌های لحظه‌ای رسانه‌های اجتماعی، اطلاعات وب‌سایت‌ها و غیره دسترسی دارند. شبکه‌ی عصبی مصنوعی به جمع‌آوری این اطلاعات و پیش‌بینی همه‌چیز از شیوع مالاریا گرفته تا بیماری‌های عفونی شدید مزمن کمک می‌کنند.

پیش‌بینی این همه‌گیری‌ها به‌خصوص در کشورهای جهان‌سوم بسیار مفید خواهد بود؛ زیرا زیرساخت‌های پزشکی و سیستم‌های آموزشی حیاتی در این کشورها در وضعیت رضایت‌بخشی قرار ندارند. یک مثال در این‌زمینه، ProMED-mail است؛ پلتفرم گزارش مبتنی‌بر اینترنت که بیماری‌های درحال تکامل و بیماری‌های درحال ظهور را رصد می‌کند و گزارش‌هایی درمورد شیوع آن‌ها به‌طورلحظه‌ای به‌اشتراک می‌گذارد.

از میان همه‌ی نوآوری‌هایی که دنیای تجارت را متحول می‌کنند، ساخت‌وساز معماری می‌تواند بیشترین بهره را از یادگیری ماشینی و هوش مصنوعی ببرد.

یکی از مهم‌ترین مزیت‌های یادگیری ماشینی برای معماران، احتمالاً توانایی آن در انجام کارهای تکراری است؛ فعالیت‌هایی که خودکار‌کردن آن‌ها به‌طورمعمول دشوار است. این وظایف وقت‌گیر و تکراری هستند؛ اما به‌اندازه‌ی کافی پیچیده هستند که باعث می‌شود حل آن‌ها به قابلیت‌های حل مسئله‌ی انسانی نیاز داشته باشد. این ویژگی باعث می‌شود چنین کارهایی برای ابزارهای ساده‌تر مثل اتوماسیون فرایند رباتیک (RPA) برای مدیریت آن‌ها، پیچیده‌تر باشند.

بااین‌حال، هوش مصنوعی و یادگیری ماشینی می‌توانند از داده‌های موجود برای خودکارسازی این وظایف پیچیده در حوزه‌ی معماری استفاده کنند. این ابزارها، استراتژی‌های طراحی را قادر می‌سازند تا از داده‌های موجود برای تولید اطلاعات معماری کاملاً جدید بهره ببرند. یکی از نمونه‌های جدید یادگیری ماشینی خودکارسازی وظایف، الگوریتم هوش مصنوعی Finch است؛ ابزاری برای امکان‌سنجی طراحی که به‌طورخودکار پیکربندی‌های فضایی را با توجه به پارامترهای ازپیش‌تعیین‌شده ایجاد می‌کند.

پایداری به‌سرعت به‌عنوان یکی از موضوعات مهم در دنیای معماری مطرح شده است. سازمان دیده‌بان تخمین می‌زند حدود ۴۰ درصد از کل انتشار کربن جهانی را می‌توان به عملیات ساخت‌وساز ساختمان‌ها نسبت داد. سازه‌های ساختمانی که برای بهره‌برداری و نگه‌داری به انرژی کمتری نیاز دارند، به صنعت اجازه می‌دهند تا انتشار جهانی کربن را به‌میزان درخورتوجهی کاهش دهد. الگوریتم مناسب می‌تواند به مدیران کمک کند ساختمان‌های خود را با کارایی بهتر مدیریت کنند تا میزان انتشار کربن درنتیجه‌ی فرایند ساخت به حداقل ممکن کاهش یابد.

ابزارهای مبتنی‌بر یادگیری ماشینی می‌توانند طراحی ساختارهای منحصر‌به‌فردی که شاید ایجاد آن‌ها با رویکرد معمولی غیرممکن یا غیرعملی بوده است را امکان‌پذیر کنند. این ابزارها می‌توانند از پروژه‌های معماری قبلی برای تولید طرح‌های کاملاً جدید بهره ببرند و معماران قادر خواهند بود با استفاده از آن‌ها به تکنیک‌های طراحی دست یابند که خود هرگز موفق به کشف آن‌ها نبوده‌اند.

طراحی مولد به‌طورفزاینده‌ای در معماری، مهندسی و طراحی محبوبیت دارد. با این رویکرد، الگوریتم‌های هوش مصنوعی و مدل‌های یادگیری ماشینی که روی مقادیر زیادی از اطلاعات معماری آموزش دیده‌اند، طرح‌های جدیدی را از ابتدا ایجاد خواهد کرد.

روانشناسان به‌طورفزاینده‌ای به‌دنبال اتخاذ تکنیک‌های محاسباتی قدرتمند در زمینه‌ی یادگیری ماشینی برای پیش‌بینی دقیق پدیده‌های دنیای واقعی هستند. کار فعلی یادگیری ماشنیی به‌عنوان مجموعه‌ای از روش‌ها و ابزارهایی معرفی می‌شود که می‌توانند در پیش‌بینی‌ها مورداستفاده قرار گیرند.

روانشناسان درحال‌حاضر ابزارهایی برای تشخیص الگوها در داده‌ها دارند. هنگام آزمایش نظریه‌ها، چنین الگوهایی ازنظر اهمیت آماری برای تعیین تأثیر پیش‌بینی‌کننده‌ها روی متغیرهای نتیجه، بررسی می‌شوند. عنصر باقی‌مانده از یادگیری ماشینی و پیش‌بینی داده‌های آینده برای دانشمندان علوم اجتماعی اهمیت بسیار زیاد دارد.

فکر کنید یک روانشانس می‌خواهد بداند تا چه‌حد می‌توان شادی را در سطح یک شهر پیش‌بینی کند؟ ما با مدل‌های پیش‌بینی آشنا برای اکثر روانشناسان یعنی رگرسیون‌های خطی و لجستیک شروع می‌کنیم که در آنن نمرات نتیجه (یعنی شادی در سطح شهر) به‌عنوان ترکیب‌های ریاضی بیان می‌شوند. رویکرد رگرسیون تخمین معادله‌ای است که فاصله‌ی بین نقاط داده‌ی اصلی و مقادیر پیش‌بینی‌شده با رگرسیون خطی را به‌حداقل می‌رساند. این مدل‌ها برای معرفی مفاهیم دقت پیش‌بینی و ارزیابی خارج از نمونه استفاده می‌شوند.

اصطلاح هوش مصنوعی و یادگیری ماشینی طیف گسترده‌ای از سیستم‌ها را توصیف می‌کند که برای تقلید از روش تصمیم‌گیری ذهن انسان و حل مشکلات ساخته‌ شده‌اند. مهندسان برق طی دهه‌های گذشته بررسی کرده‌اند که چگونه از انواع مختلف یادگیری ماشینی در سیستم‌های الکتریکی و کامیپوتری استفاده کنند. در ادامه برخی از مهم‌ترین زمینه‌هایی که می‌توان در مهندسی برق از ماشین لرنینگ استفاده کرد، آورده شده است:

مشکلات را با یک موتور استنتاج حل می‌کنند که از پایگاه دانش مجهز به اطلاعات مربوط به یک حوزه‌ی تخصصی، عمدتاً به شکل قوانین if-then استخراج می‌شود. این سیستم‌ها از دهه‌ی ۱۹۷۰ میلادی مورداستفاده قرار می‌گیرند و نسبت به انوع جدیدتر هوش مصنوعی، تطبیق‌پذیری کمتری دارند؛ اما به‌طورکلی به برنامه‌ریزی و نگه‌داری بهتر کمک می‌کنند.

چنین سیستم‌هایی، این امکان را فراهم می‌سازند که قوانینی را برای نحوه‌ی پاسخ‌دهی ماشین‌ها به ورودی‌هایی که مجموعه‌ای از شرایط ممکن ارائه می‌دهند، ایجاد کنند.

یادگیری ماشینیی شامل طیف گسترده‌ای از الگوریتم‌ها و مدل‌های آماری است که به سیستم‌ها اجازه می‌دهد الگوها را پیدا کرده و براساس آن‌ها نتیجه‌گیری کنند و موارد جدید را نیز بیاموزند. این مدل‌ها کارها را بدون نیاز به دستورالعمل‌های خاص انجام می‌دهند.

انواع خاصی از سیستم‌های یادگیری ماشینی هستند که از سیناپس‌های مصنوعی برای تقلید از ساختار و عملکرد مغز تشکیل شده‌اند. شبکه مشاهده می‌کند و یاد می‌گیرد که سیانپس‌های داده‌ها را به یکدیگر منتقل می‌کنند و اطلاعات را هنگام عبور از چندین لایه‌ پردازش می‌کنند.

یادگیری عمیق شکلی از یادگیری ماشینی است که مبتنی‌بر شبکه‌های عصبی مصنوعی است. معماری‌های یادگیری عمیق می‌توانند سلسله مراتب ویژگی‌های انتزاعی فزاینده را پردازش کرده و به‌خصوص برای اهدافی مثل تشخیص گفتار و تصویر و پردازش زبان طبیعی مورد استفاده قرار گیرند.

یادگیری ماشینی توانایی یک سیستم برای یادگیری انجام کاری بدون برنامه‌ریزی و براساس داده‌هایی است که دراختیار آن قرار می‌گیرد. تمرکز یادگیری ماشینی بر توسعه‌ی برنامه‌های کامپیوتری است که می‌توانند به داده‌ها دسترسی داشته باشند و از آن‌ها برای آموزش دادن به خود، استفاده کنند.

برای بیان بهتر تفاوت یادگیری عمیق با یادگیری ماشینی باید اشاره کنیم یادگیری عمیق، همچنین به‌عنوان شبکه‌های عصبی عمیق نیز شناخته می‌شود و درواقع الگوریتم‌هایی را با الهام از اصول کار مغز انسان تشکیل می‌دهند و سپس با استفاده از آن‌ها یاد می‌گیرد الگوهایی را در داده‌ها شناسایی و براساس آن‌ها تصمیم‌گیری کند. درواقع یادگیری عمیق زیرشاخه‌ای از یادگیری بازنمایی است که خود زیرشاخه‌ی یادگیری ماشینی محسوب می‌شود.