یادگیری ماشین یکی از شاخههای علم گسترده هوش مصنوعی است.
در این علم، دادههای دریافتی آنالیز میشوند و به صورت خودکار الگوسازی انجام میشود.
ماشین دادهها را تحلیل میکند، یادگیری میکند و مدلی را شناسایی و ایجاد میکند. یادگیری ماشین به محاسباتی دقیق بر روی دادههای زیاد نیاز دارد.
در علم Machine Learning از علوم دیگری چون شبکه ابری و دستگاههای نوین و پرطرفدار اینترنت اشیا نیز استفاده میشود.
با استفاده از این سه فناوری، میتوان از خصوصیات یادگیری ماشین در حوزههای مختلفی از صنعت و زندگی روزمره استفاده کرد.
کاربردهای این علم زندگی را به سمت پیشرفت سوق میدهد، زمان انجام کارها را کاهش میدهد و ما را با برنامههای کاربردی و آسانتری آشنا میکند.
در این مقاله به کاربرد یادگیری ماشین در حوزههای مختلف صنعت میپردازیم و مثالهایی اجرایی از آن را مورد بررسی قرار میدهیم.
یادگیری ماشین در حوزه سلامت و پزشکی
یادگیری ماشین و پردازش دادهها در رنج گسترده و با سرعت بالا، در حوزه سلامت طرفداران بسیاری پیدا کرده است.
با استفاده از یادگیری ماشین و دستگاههای اینترنت اشیا در بخش مراقبت ویژه پردازش داده با سرعت بالا انجام میشود.
مشخصههای فیزیولوژی بدن مانند فشار خون یا قند خون در حوزه معینی قابل حفظ است.
هر چه Machine Learning در این حوزه توسعه بیشتری یابد، کاربرد آن وسیعتر و دقیقتر خواهد شد به گونهای که ریتم قلبی و فعالیتهای عصبی نیز با استفاده از این فناوری تحت کنترل و آنالیز قرار میگیرند.
سنسورها و دستگاههای پوشیدنی در این گروه تکنولوژی قرار دارند و برای ارزیابی و پایش سلامت بیماران مورد استفاده قرار میگیرند.
پزشکان و مراقبان پزشکی در بررسی علائم شخصی و تشخیص روند سلامتی برای کمک به درمان کمک میکنند.
موارد زیر مثالهایی از کاربرد یادگیری ماشین در حوزه سلامت و پزشکی هستند.
پیش بینی زمان ابتلای بیماران با استفاده از فناوری یادگیری ماشین
در حوزه مراقبتهای بهداشتی و سلامت پلتفرم KenSci به یاری بهداشتیاران میشتابد.
کاربرد KenSci در خصوص بررسی شرایط سلامت بیمار است.
در صورت وخامت حال وی به سرعت به پزشک اطلاع داده شده و از ضررهای جانی و مالی جلوگیری خواهد شد.
عملکرد این پلتفرم مطابق با پایگاههای داده بیمار (سوابق پزشکی الکترونیک، دادههای مالی و سوابق بیمه وی) و با استفاد از تکنولوژی Machine Learning انجام میشود.
پیشبینی عود دوباره سرطان بانوان
سرطان امروزه آمار بالایی از مرگ و میر را به خود اختصاص میدهد و فراگیرترین نوع آن سرطان پستان در زنان است.
هر روز تعداد بیماران بیماری کشنده سرطان بانوان افزایش مییابد.
حجم بالای اطلاعات مربوط به این بیماران در پایگاه دادههای سلامت ثبت میشوند اما از آنها بهرهگیری نمیشود.
در صورت بررسی و دادهکاوی آنها بر اساس فناوری یادگیری ماشین پیشبینی و تشخیص سرطان بانوان به سادگی و سرعت انجام خواهد شد.
در این زمینه سه روش معروف دادهکاوی k نزدیکترین همسایه، جنگل تصادفی، درخت تصمیم C4.5 مورد استفاده قرار میگیرند.
یادگیری ماشین و تشخیص بیماری شکستگی فشردگی مهره
پوکی استخوان عامل بروز مشکل شکستگی فشردگی مهره ناحیه کمر است.
این بیماری در بدنه مهره موجب فرورفتگی و کاهش ارتفاع میشود که عامل شکستگی و ترک خوردن مهره خواهد بود.
تشخیص این بیماری به کمک تصاویر پزشکی مهرهها و بررسی ارتفاع بدنه مهرههاست.
در افراد سالمندان و زنان با تجربه زایمان بالا احتمال ابتلای بیشتری به این بیماری وجود دارد.
استفاده از روشهای هوشمند برای تشخیص بیماری امکان بروز خطای انسانی و اشتباه در تشخیص بیماریهایی که به تجربه کافی نیاز دارند را کاهش میدهد.
علم یادگیری ماشین با ایجاد مدلهایی بر اساس دانش رادیولوژیستهای خبره، تشخیص این مشکل را آسان میکند.
بر اساس تشخیص محل و شدت مشکل بر بدنه مهره و مقدار کاهش ارتفاع آن پزشک درمان موفقتری خواهد داشت.
یادگیری ماشین در آنالیز تصاویر پزشکی توسط شبکه عصبی عمیق
پزشکان بسیاری از بیماریها را با پردازش تصاویر انجام میدهند.
شبکه عصبی عمیق بر اساس الگوی یادگیری نیمه نظارتی به تشخیص سادهتر بیماری و رهایی از پیچیدگیهای تصاویر پزشکی کمک میکند.
امروزه با دقت بالاتری میتوان تصاویر را در شبکههای عصبی یادگیری عمیق ثبت نمود.
مدلهای عمیق برای ارزیابی یادگیری انتقالی استفاده میشود.
با به کارگیری روشهای مختلف این شبکه پرتکلها، سکانسها و پالسها بر اساس ناحیه آناتومیک تصاویر به دست آمده پزشکی تشخیص داده میشوند و تشخیص بیماری با دقت بالاتری انجام خواهد شد.
Machine Learning در حوزه هوش محدودهای
حوزه هوش محدودهای (Ambient Intelligence) که به اختصار AmI نیز نامیده میشود حوزه دیگر کاربرد Machine Learning است.
دستگاههای الکترونیکی لبه در حوزه هوش محدودهای قرار میگیرند و در خصوص حضور افراد و تعامل میان محیط و اشخاص کاربرد دارند.
ابزارهای هوش محدودهای با استفاده از فناوری یادگیری ماشین و IoT در گروه وسایل مخابرات، رایانش و الکترونیک مصرفی قرار میگیرند. این دستگاهها در خصوص عادات روزانه و فعالیتهای کاری یاری میکنند.
به عنوان مثال میتوان به دستگاههای کنترل روزمره سالمندان اشاره کرد. این دستگاهها تشخیص اتفاقات غیرقابل پیشبینی چون آتشسوزی، زمین خوردن، تماس با اورژانس و … را برعهده دارند.
یادگیری ماشین و اتوماسیون صنعتی
در صنعت نفت و گاز از یادگیری ماشین برای بهبود تعامل در محیط استفاده میشود.
صنایع نفت و گاز و صنایعی مشابه آن که از محیط مسکونی فاصله دارند ارتباطدهی آنها ضعیف است.
برای حل این مشکل باید از دستگاههای لبه که مبتنی بر یادگیری ماشین کار میکنند استفاده کرد.
سنسورهای تعبیه شده در این دستگاه حجم وسیعی از اطلاعات را ثبت و ذخیره میکنند.
کاربرد دیگر آنها، پیشبینی فشار پمپها و پارامترهای عملیاتی با توجه به اطلاعات ثبت شده قدیمی است.
برای تشخیص منابع انرژی جدید، آنالیز مواد معدنی زمین و خاک، پیشبینی حسگرهای پالایشگاهی، افزایش بهرهوری توزیع نفت و … کاربرد دیگر یادگیری ماشین است که همچنان در حال توسعه است.
یادگیری ماشین و بازرسی ماشینآلات صنعتی
پیش از توسعه یادگیری ماشین به صورت دورهای ماشینالات کارخانه غیرفعال میشدند تا تحت بازرسی و بازبینی قرار گیرند.
با این روش مشکلات و خرابیهای دستگاهها مشخص میشدند.
با اینحال هنوز هم برخی خرابیها از چشم بازرسان دور میماند.
با پیشرفت فناوری یادگیری ماشین این روش هزینهبر، ناکارآمد و زمانبر کنار گذاشته شد.
سنسورهای یادگیری ماشین با تعبیه بر روی ماشین آلات به صورت لحظهای و بر اساس تصاویر، ویدیوها و صداهایی الگوی سلامت تجهیزات را مشخص میکنند.
در صورت مشاهده الگویی متناقض و به کمک یادگیری عمیق خرابی ماشینآلات قابل تشخیص خواهد بود.
بر اساس این فناوری هزینههای تعمیر و نگهداری کاهش یافته و تجهیزات عمر بیشتری خواهندداشت.
Machine Learning در صنعت مالی
یادگیری ماشین در صنعت مالی پیشرفت بسیاری داشته است. برخی کاربردهای محبوب این فناوری در حوزه مالی عبارتند از:
بررسی ریسک و تشخیص تقلب:
برای تشخیص فعالیتهای جعلی از یادگیری ماشین استفاده میشود.
برای این تشخیص ویژگی تصمیمگیری هوشمند مبتنی بر الگوهای خرید صاحبان کارتهای اعتباری به کار گرفته میشود.
ناهنجاریهایی که تحلیلگران انسانی به سختی آنها را مشخص میکنند، توسط الگوریتمهای یادگیری ماشین تشخیص داده میشوند.
اتوماسیون فرآیند و چت بات:
سرویسی مبتنی بر ماشین لرنینگ توسط شرکتهایی بزرگ چون فیسبوک، گوگل و مایکروسافت و با هدف اتوماسیون فرآیند به کار گرفته میشوند.
سرویس مورد نظر چت بات نامیده میشود. به کمک دستیاران صوتی چون کورتانا (دستیار صوتی مایکروسافت) توصیههای سریع و دقیق به مشتریان علاقهمند ارائه میشود.
به عنوان مثال میتوان به اسپیکر هوشمند آمازون که آمازون اکو نام دارد اشاره کرد.
این سرویس از سوی دستیار صوتی الکسا عرضه میشود و متناسب با فعالیتهای روزانه خدماتی به مشتریان ارائه میدهد.
مشتریان باید درخواست مورد نظر خود مانند یافتن لوکشینی خاص را ایجاد کرده و پاسخ بگیرند.
سوالات مالی را میتوان در الکسا مطرح نمود، چت باتها با این سوالات دادههای مربوط به مشتریان را برای عرضه خدمات بهتر به کار میگیرند.
چت باتها و بانکهای آمریکایی:
ولزفارگو و بانک امریکا از چت باتهایی برای ثبت نام مشتریان استفاده میکنند.
خدمات دیگر Machine Learning در این حوزه اتوماسیون مرکز تماس و کاغذ و شبیهسازی آموزش کارمندان است.
دادههای روزانه این چت باتها همه روزه افزایش مییابند تا خدمات به بهترین شکل به مشتریان عرضه شود.
این توسعه و رشد با تحلیل اطلاعات دریافتی توسط یادگیری ماشین انجام میشود.
روبو مشاور:
سرویس روبو مشاور توسط الگوریتمهای یادگیری ماشین به افراد در برنامه ریزی سرمایهگذاری مالی و بررسی ریسک و خطرات آن بر مبنای پروندههای گذشته کمک میکند.
مشتریان با اطمینان بیشتری قادر به سرمایهگذاری خواهند بود.
این سرویس تاریخچه سرمایهگذاریها را بررسی میکند و بهترین زمان سرمایهگذاری را به افراد پیشنهاد میکند.
شرکت رسپانسیو که نمونهای از این سرویس را عرضه میکند به افراد پیشنهادات مناسب و خطرات سرمایهگذاری را عرضه میکند.
امتیازدهی به اعتبارهای مشتریان:
شرکتهای بیمه، بانکها، صنایع و شرکتهای مختلف سلامت، مخابرات، انرژی و … دادههای مالی بسیاری را در مورد مشتریان و معاملات آنها جمعاوری میکنند.
با بهرهگیری از این دادهها توسط یادگیری ماشین میتوان اعتبار مشتریان را تشخیص داده و پیشبینی کرد.
از سوی دیگر نوع نیاز و درخواست وام مشتریان با استفاده از این دادهها قابل انجام است.
از جمله شرکتهای که خدمات یادگیری ماشین را بدین صورت مورد استفاده قرار میدهند میتوان به دستاکیم و زست فاینانس اشاره داشت.
ماشینهای بدون سرنشین
در حوزه خودرو و حمل و نقل ماشینهایی توسط کمپانیهای مختلف از جمله Waymo تولید میشوند.
این خودروها با استفاده از Machine Learning محیط اطراف را درک میکنند و بدون نیاز به سرنشین حرکت میکنند.
در حقیقت محیط اطراف خود را مشاده کرده، آنالیز و برخورد سایرین را پیشبینی میکنند.
خودروهای خودران بر اساس محیط و متغیرهای موجود مسیر خود را مشخص میکنند.
کاربرد یادگیری ماشین در اینترنت
سیستمهای آنلاین و خدمات اینترنتی، حوزه دیگری است که از ویژگیهای منحصر به فرد یادگیری ماشین استفاده میکند.
این کاربردها آنچنان زیاد است که نمیتوان همه آنها را مورد بررسی قرار داد.
برخی از مثالهایی که به حیطه عمل رسیدهاند، موارد زیر هستند.
سیستم پیشنهاددهی
موتورهای جست و جو با بررسی علاقهمندیها و تاریخچه جستجوی شما پیشنهاداتی را در صفحه نخست یا Homepage شما قرار میدهند.
به عنوان مثال اگر به فیلم و سریال علاقهمندید و نیاز به پرکردن اوقات غرافت خود دارید، میتوانید از پیشنهادات نتفلیکس در صفحه نخست خود استفاده کنید.
به طور کلی از این سرویس در حوزه رسانه، سرگرمی و فروش استفاده بسیاری میشود.
ایمیلهای هدفمند بازاریابی
در حوزه بازیابی، ایمیلهایی مبتنی بر یادگیری ماشین ارسال میشوند.
پلتفرم بازاریابی Optimail بر این مبنا به صورت سفارشی شده محتوایی را ایجاد و با زمانبندی خاص، پویشهای بازاریابی اینترنتی بسیار کارآمدی ایجاد میکند.
تاثیر این نوع بازاریابی بر گیرندهها بسیار بالاست.
رتبهبندی پستها در شبکه اجتماعی
در حوزه رسانههای اجتماعی مانند توییتر یادگیری ماشین به هدفمندسازی حساب شخصی کاربرها پرداخته است.
به عنوان مثال در توییتر اغلب پستها بر اساس زمان زمان انتشار در صفحه نخست اپلیکیشن نشان داده میشوند.
با این ویژگی، توییتهای بسیاری از دید خارج میشوند. فناوری یادگیری ماشین این امکان را ایجاد کرده است که کاربران توییتهایی مطابق با سلیقه و علاقهمندی خود را مشاهده کنند.
گاهشمار توییتر توییتهایی را در ابتدای صفحه نخست قرار میدهد که بیشترین ارتباط را با کاربر داشته باشند.
سخن نهایی
به طور کلی، همه صنایع میتوانند از یادگیری ماشین استفاده کنند.
یادگیری ماشین علمی نوین است که به پیشرفت و رشد صنایع کمک شایانی خواهدکرد.
با اینحال هوش مصنوعی در شاخه یادگیری ماشین نیاز به یکپارچهسازی دارد.
اگر به صورت غیراصولی به کار گیرد چندان فایدهای نخواهد داشت و در اغلب موارد زیانهای مالی وارد میکند. اما شروعی درست و اصولی گامی بزرگ در جهت رشد خواهد بود.