ماهان شبکه ایرانیان

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

اگر در دهه های هشتاد یا نود میلادی به دنیا آمده باشید، احتمالاً اصطلاح «یادگیری ماشین» (Machine Learning) با تصویر آرنولد روی پوستر فیلم مشهور ترمیناتور (The Terminator) در ذهنتان شکل می گیرد. در آن زمان خیزش هوش مصنوعی به آینده ای دور اختصاص داشت و معادل شورش ماشین ها و ربات ها و تهدید انسان در نظر گرفته می شد.

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

اگر در دهه های هشتاد یا نود میلادی به دنیا آمده باشید، احتمالاً اصطلاح «یادگیری ماشین» (Machine Learning) با تصویر آرنولد روی پوستر فیلم مشهور ترمیناتور (The Terminator) در ذهنتان شکل می گیرد. در آن زمان خیزش هوش مصنوعی به آینده ای دور اختصاص داشت و معادل شورش ماشین ها و ربات ها و تهدید انسان در نظر گرفته می شد.

اما طی سال های پس از آن، دیدیم که این خیزش آغاز شده و امروزه دیگر با مفهومی علمی-تخیلی روبرو نیستیم، بلکه ابزاری قدرتمند را در دست داریم که هر روز از آن استفاده می کنیم؛ همین حالا موبایل اندرویدی در کنارتان در حال جمع آوری اطلاعات، یادگیری و شناخت شماست.

در ادامه، می خواهیم تکنولوژی یادگیری ماشین را بررسی کرده و چگونگی تأثیر آن بر زندگی روزمره را ارزیابی نماییم تا علاوه بر درک مزایای فوق العاده آن، آینده تاریک دیستوپیایی را به فراموشی بسپاریم.

یادگیری ماشین چیست؟

یادگیری ماشین و هوش مصنوعی دو مفهوم متفاوت، اما مرتبط با یکدیگر هستند. در واقع یادگیری ماشین با مفاهیمی همچون داده کاوی (Data Mining) و تجزیه و تحلیل آماری نیز ارتباط تنگاتنگی دارد. برای درک بهتر این فناوری می توانید این مقاله را مطالعه کنید.

در یادگیری ماشین، به یک برنامه کاربری خاص کمک می کنیم تا در برخی کارها بهتر عمل کند و برای تحقق این منظور، معمولاً از مجموعه عظیم داده ها بهره می گیریم. تجزیه و تحلیل یا کاوش در این داده ها، می تواند الگوهای خاص و مفید را شناسایی نماید.

به عنوان مثال، وقتی با هوش مصنوعی در واتس اَپ صحبت می کنید، بسیاری از پاسخ های AI از پیش برنامه ریزی شده و در قالب هوش مصنوعی قرار می گیرند. اما اگر این عامل هوشمند بتواند زبان و شیوه گفتگوی شما و پاسخ هایتان را ارزیابی کند، آنجاست که از یادگیری ماشین استفاده می نماید. این کار بر اساس پایگاه داده ای از عبارات، پاسخ ها و تعاملات متداول صورت می گیرد که به مرور زمان، ارتقاء نیز می یابند.

وضعیت فوق کاملاً فرضی بود، اما مثال های متعدد دیگری در این زمینه وجود دارند که به طور واقعی در زندگی ما ایفای نقش می کنند. در ادامه این موارد را بررسی می کنیم.

اسپاتیفای و نتفلیکس

بسیاری از کاربران به صورت روزمره از این دو سرویس پخش موسیقی و ویدیو استفاده می کنند (البته در کشور ما، اسپاتیفای به مراتب متداول تر از نتفلیکس است). سرویس استریم موزیک اسپاتیفای از یادگیری ماشین برای شناسایی موسیقی مورد علاقه شما بهره می گیرد. سپس بر اساس الگوهای به دست آمده، پلی لیست های جدیدی را برای شما ساخته و در اختیارتان قرار می دهد. دیزر (Deezer) و پاندورا نیز از رویکرد مشابهی استفاده می کنند.

البته در حال حاضر انتخاب موسیقی مرتبط، بر اساس ژانر یا دسته بندی هایی انجام می شود که توسط کاربران انسانی تعیین شده و یادگیری ماشین نقشی در آن ندارد. در سیستم های پیشرفته تر، رفتار کاربرانی با سلیقه مشابه آنالیز شده و از ویژگی هایی نظیر تن موسیقی، ضرباهنگ و مدت زمان یا دفعات گوش دادن به هر قطعه برای شناسایی و ارائه پیشنهادات بهتر استفاده می شود.

جیمیل

سرویس پست الکترونیک را می توان نخستین نمونه از خدمات گوگل دانست که در آن از یادگیری ماشینی استفاده شده، و یقیناً دیگر محصولات نرم افزاری این شرکت هم به فناوری مشابهی مجهز هستند. یادگیری ماشینی در جیمیل می تواند ایمیل های دریافتی شما را به صورت هوشمند طبقه بندی کرده و هرزنامه ها (اسپم) را فیلتر کند.

سابق بر این، فیلترهای اسپم بر اساس کلمات کلیدی متداول در آنها تعیین می شد، اما اکنون یادگیری ماشین می تواند بازخورد کاربران به ایمیل های خاص را شناسایی کرده و بر اساس الگوهای پدیدار شده، اقدام به حذف موارد مشابه نماید. در واقع جیمیل به صورت هوشمند محتوایی که دوست دارید را به شما نشان داده و مابقی را حذف می کند.

فیسبوک

یکی از موارد پر کاربرد و جالب یادگیری ماشین، توانایی فیسبوک برای شناسایی افراد در تصاویر و پیشنهاد برای تَگ کردن آنهاست. الگوریتم مورد استفاده طی سالیان متمادی، تَگ های افراد روی عکس ها را شناسایی کرده و انواع چهره ها را بر اساس رنگ پوست و اجزای صورت فرا گرفته، حال با کشف الگوهای مشترک، می تواند با دقت بسیار خوبی افراد را در عکس تشخیص دهد.

این فناوری هر روز بهتر از قبل می شود، که البته تعریف یادگیری ماشین نیز همین است. در ادامه، می توان از تکنولوژی های مشابه در دوربین های امنیتی شهری برای شناسایی تبهکاران، یا در فروشگاه ها برای پیشنهاد کالاهای مناسب برای مشتریان استفاده کرد.

بینایی ماشین و دستیارهای دیجیتالی

بینایی ماشین، همان چیزیست که فناوری هایی مانند واقعیت افزوده و ترکیبی را ممکن ساخته. با استفاده از این تکنولوژی، کامپیوتر می تواند تصویری را دیده و هر چه در آن است را شناسایی کند. نهایتاً به جایی می رسیم که جستجوی تصاویر در گوگل بر اساس محتوایشان صورت می گیرد، نه نام یا برچسب آنها.

اگرچه بینایی ماشین تماماً به یادگیری وابسته نیست، اما بخش بزرگی از آن بر اساس الگوریتم های یادگیری انجام می شود. یادگیری ماشین با گردآوری مجموعه داده های ضروری، پیمایش در محیط را میسر ساخته و نهایتاً به دستگاه اجازه می دهد تا اشیاء جدید را به درستی تشخیص دهد. سامسونگ نمونه ای از این قابلیت را در دستیار صوتی بیکسبی به نام Bixby Vision معرفی کرده، ضمن اینکه از تکنیک های مشابهی در دستیارهای دیجیتالی مانند الکسا، سیری یا اسیستنت برای تشخیص صدا استفاده می شود.

البته احتمالاً در آینده نیازی نباشد شرکت ها هرکدام الگوریتم های یادگیری ماشین خودشان را پیاده کنند. گوگل به توسعه دهندگان اجازه می دهد تا از طریق API مخصوص به مجموعه داده عظیم Cloud Vision دست یابند و از آن در اپلیکیشن هایشان استفاده نمایند.

تبلیغات

در اکثر موارد، تبلیغاتی که می بینید بر اساس مواردی تنظیم می شود که پیش از آن مشاهده کرده یا روی آنها کلیک نموده اید. کوکی های ذخیره شده روی سیستم هم در این زمینه به شرکت های تبلیغاتی و سایت ها کمک می کنند. 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 می آیند، به یادگیری ماشین وابسته است. الگوریتم های هوشمند، کلیک خوردن هرکدام از بنرها یا حرکت نشانگر موس روی آنها را ثبت کرده و با تعیین مکان های بهتر، تبلیغات دهنده را به سوددهی بیشتر می رسانند. در واقع هرچه بیشتر در وب گشت و گذار کنید، وب هم شما را بهتر شناسایی خواهد کرد.

بانکداری

شاید در حوزه تبلیغات، هوش مصنوعی بتواند با حربه های مختلف جیبتان را خالی کند، اما در زمینه بانکداری به شما سود خواهد رساند. نرم افزارهای مخصوص می توانند الگوی مصرف معمول شما از کارت های اعتباری را شناسایی کرده و بر اساس آن، سرقت یا کلاهبرداری های احتمالی را تشخیص دهند. انجام عملیات فوق از عهده هیچ انسانی بر نمی آید، ولی ربات ها قادرند تمامی کارت های اعتباری را به صورت لحظه ای زیر نظر داشته باشند.

از طرفی در آینده از یادگیری ماشین می توان برای اتخاذ راه های سرمایه گذاری مطمئن بهره گرفت، یا افراد معتبر برای دریافت تسهیلات را شناسایی کرد. این راهکارها هم اکنون به صورت محدود استفاده می شود.

علم و پزشکی

کاربرد یادگیری ماشین به حوزه سرگرمی محدود نمی شود. در حال حاضر پزشکان از الگوریتم های فوق برای تشخیص بیماری های مختلف پیش از بروز علائم اصلی و رسیدن به مراحل پیشرفته استفاده می کنند. رشته های مختلف علمی از جمله فیزیک کوانتوم، هوافضا و محیط زیست هم از یادگیری ماشین برای شناسایی الگوهای مفید در مجموعه عظیم داده های جمع آوری شده و گسترش دامنه شناسایی جهان هستی بهره می گیرند.

جمع بندی

یادگیری ماشین در حوزه تحقیقات و پزشکی، آینده هیجان انگیزی را نوید می دهد. کامپیوترها با یادگیری بر اساس داده های موجود، می توانند شیوه انجام کسب و کار ها را به کل متحول سازند، و علم و دانش را به سطحی مافوق تصور کنونی انسان برسانند.

با این حال، حتی در زندگی روزمره هم می توان از این فناوری بهره جست. با انباشت داده ها و کاوش در آنها، صنایع سرگرمی، خرده فروشی و ارتباطات نیز تغییر می کنند و ارائه محتوا را به شیوه ای مؤثر تر انجام می دهند. همین حالا هم به راحتی می توان نشانه های یادگیری ماشین و هوش مصنوعی را در ساده ترین موبایل های بازار مشاهده کرد.

قیمت بک لینک و رپورتاژ
نظرات خوانندگان نظر شما در مورد این مطلب؟
اولین فردی باشید که در مورد این مطلب نظر می دهید
ارسال نظر
پیشخوان