نگاهی کوتاه به فناوری یادگیری ماشین Machine learning

یادگیری ماشین (Machine learning)

یادگیری ماشین (Machine learning) را می توان یکی از شاخه های وسیع و پرکاربرد هوش مصنوعی دانست که هدف آن تنظیم و کشف شیوه ها و الگوریتم هایی ست که بر اساس آن ها رایانه ها و سامانه های هوشمند توانایی آموزش و یادگیری پیدا می کنند.
امروزه مردم در سرتاسر دنیا از فناوری یادگیری ماشین استفاده می کنند، حتی بدون آنکه نام آن را بدانند؛ به عنوان مثال زمانیکه در یکی از جستجوگرهای اینترنتی مشغول جست و جوی موزیک، فیلم، مقاله و… می باشند و یا زمانیکه در شبکه های اجتماعی مانند اینستاگرام یا فیس بوک، پیشنهادهایی برای دوست­یابی را به صورت خودکار از سمت این شبکه ها دریافت می کنند، در حال استفاده از این فناوری می باشند. یک مثال ملموس تر می تواند لیست سیاه گوشی­های نسل جدید باشد که می تواند مسیج های تبلیغاتی را تشخیص داده و آنها را به صورت خودکار حذف کند. همه این مثال ها کاربردهایی از یادگیری ماشین است. یادگیری ماشین علمی است که باعث می شود رایانه ها بدون داشتن نیاز به یک برنامه صریح و مدون، موضوعات خاصی را یادگرفته و به صورت کاربردی اجرا نمایند.

اهداف یادگیری ماشین
هدف اصلی یادگیری ماشین را می توان کارایی بهتر رایانه ها در انجام وظایف خود با استفاده از افزایش تدریجی داده های خود دانست. وظایفی که گستره آن می تواند از تشخیص چهره افراد با نشان گذاری چند اِلمان خاص تا شیوه های فرمان بری روبات ها بر اساس سیستم پاداش و تنبیه باشد.
طیف پژوهش‌هایی که در فناوری یادگیری ماشین می‌شود بسیار گسترده‌است. به لحاظ نظری‌ پژوهشگران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان ‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهشگران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مؤلفه‌هایی از هر دو رویکرد هستند.
صرفه جویی در هزینه های عملیاتی و بالابردن سرعت عمل تجزیه و تحلیل داده ها، یکی از کاربردها و فواید این فناوری می باشد. به عنوان مثال در حوزه فناوری های فرهنگی با استفاده از یادگیری ماشین می توان بهره ­وری موسسات فرهنگی مانند موزه ­ها، تالارها، مراکز ضبط و پخش آثار هنری، مراکز آموزشی و… را به وسیله پیش­بینی سلایق مخاطبین و تخمین استقبال از خدمات ارایه شده توسط این مراکز و موسسات بالا برد. در ادامه به چند نمونه از کاربردهای یادگیری ماشین به اختصار اشاره می کنیم.

1. دستیاران شخصی مجازی (Virtual Personal Assistants)
سیری و الکسا را می توان از مشهور ترین نمونه های دستیاران شخصی مجازی دانست. زمانی که به این دستیاران دستورات اجرایی چه به صورت متن و چه به صورت صوتی داده می شود، آنها افراد را در یافتن اطلاعات کمک می کنند. به عنوان مثال اگر شما برنامه روزانه خود را وارد رایانه همراه، یا گوشی هوشمند خود کرده باشید با درخواستی صوتی­ای مانند «برنامه امروز من چیست» تمامی برنامه های شما توسط این دستیارها فراخوانی شده و در برابر شما به نمایش گذاشته خواهد شد.
یادگیری ماشین بخش مهمی از ساختار عملکردی دستیاران مجازی را شکل می دهند، زیرا این فناوری، داده هایی که افراد در سیستم های هوشمند خود وارد می کنند را جمع آوری کرده و بعدا از این مجموعه داده برای ارائه نتایجی متناسب با نیازهای افراد استفاده می شود
امروزه دستیاران شخصی مجازی در انواع پلت­فرم ها به کار گرفته می شوند. ازنمونه های پرکاربرد آنها می توان به بلندگوهای هوشمند «Amazon Echo and Google Home»، Samsung Bixby در گوشی های هوشمند سری S8 و نرم افزارهایی مانند «Google Allo» اشاره کرد.

2. پیش ­بینی مسیرهای تردد و حمل و نقل
پیش بینی ترافیک: همه ما بارها از خدمات حل و نقل GPS استفاده کرده­ایم. اگر اتومبیل ما مجهز به سیستم GPS باشد، مسیرهای رفت و آمد ما به صورت آنلاین بر روی یک سرور مرکزی ذخیره می شوند. از این داده ها می توان برای تهیه نقشه های ترافیکی در سطح خیابان ها و جاده های بین شهری استفاده کرد. اما یکی از مشکلات اساسی در این زمینه، نداشتن اتومبیل های مجهز به سیستم GPS می باشد. یادگیری ماشین بر اساس داده های از قبل وارد شده می تواند مناطق با ترافیک سنگین را برآورد کرده و ازین طریق به سیستم ناوگان شهری کمک کند. از نمونه های کاربردی این فناوری می توان به نرم افزارهای مسیریاب مانند «Google Map» اشاره کرد.
شبکه های حمل و نقل آنلاین: جف اشنایدر، مدیر تیم مهندسی شرکت Uber ATC در یکی از مصاحبه های خود افشا کرد که با استفاده از فناوری یادگیری ماشین، موفق به پیش بینی نقاط زمانی با تقاضای بالا در شرکت های حمل و نقل شده بودند و بر همین اساس، قیمت های حمل و نقل را متناسب با این زمان­ها افزایش و یا کاهش می دادند.

3. کمک به نظارت عمومی
تصور کنید که یک نفر به تنهایی ویدیوهای ارسالی از چندین دوربین فیلمبرداری را کنترل کند! مطمئناً کار دشوار، خسته کننده و با ضریب خطای بالایی خواهد بود. به همین دلیل در اینجا نیز یادگیری ماشین مورد استفاده قرار گرفته است.
سیستم نظارت تصویری ای که امروزه توسط هوش مصنوعی ساخته شده است باعث می شود قبل از وقوع جرم، جرم شناسایی شود. مراکز کنترل شهری، رفتار غیرمعمول افراد مانند ایستادن طولانی مدت بی حرکت، تلو تلو خوردن، یا چرت زدن روی نیمکت ها و غیره را ردیابی می کنند. از این رو این سیستم می تواند هشدارهایی را در این مواقع به این مراکز مخابره کند تا از جلوگیری اتفاقات محتمل پیشگیری کنند. این اقدامات می توانند به بهبود خدمات نظارتی و امنیت بیشر در جوامع انسانی کمک می کنند.

4- تشخیص تخلف­های مالی
یکی از کاربردهای یادگیری ماشین ایجاد فضای امن در محیط مجازی است. که جلوگیری از کلاهبرداری های مالی به صورت آنلاین را می توان یکی از نمونه های آن دانست. به عنوان مثال شر کت PayPal برای محافظت از پولشویی، از مجموعه ابزارهایی استفاده می کند که می توان با کمک آنها میلیون ها تراکنش مالی انجام شده در بستر این درگاه را را مقایسه کرده و بین معاملات انجام شده مشروع و نا مشروع بین خریداران و فروشندگان تمایز قائل شود.

5- پالایش نتایج موتور جستجو
گوگل و سایر موتورهای جستجو برای بهبود نتایج جستجوی کاربران خود از یادگیری ماشینی استفاده می کنند. هربار که جستجو توسط افراد انجام می شود، الگوریتم های موجود در پس زمینه، چگونگی پاسخ به نتایج را بازنمایی می کنند. اگر نتایج پیشنهاد شده توسط کاربر انتخاب شده و کاربر مدت زیادی را صرف بررسی گزینه های پیشنهادی موتورهای جستجو نماید، موتور جستجو فرض می کند که نتایج نمایش داده شده مطابق با جست و جوی کاربر بوده است. به همین ترتیب، اگر کاربر در فرآیند جست و جو به صفحه دوم یا سوم نتایج جستجو ی خود برسد اما هیچ یک از گزینه های پیشنهادی را انتخاب نکند، موتور جستجو تخمین می زند که نتایج ارائه شده مطابق با الزامات نیست. به این ترتیب، الگوریتم های جستجو در موضوعات مختلف شکل گرفته و نتایج جستجو بهبود بخشیده می شوند.

منابع جهت مطالعه بیشتر

Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2
https://medium.com/app-affairs/9-applications-of-machine-learning-from-day-to-day-life-112a47a429d0

Friedman, Jerome H. (1998). “Data Mining and Statistics: What’s the connection?”. Computing Science and Statistics. 29 (1): 3–9.