در سال‌های نه‌چندان دور، تصور بروز رفتارهای انسانی در ماشین‌ها و توانمند شدن آنها برای داشتن یک انتخاب مستقل از میان چند گزینه کمی دور از ذهن به نظر می‌رسید. اما اکنون به کمک شاخه‌ای از هوش مصنوعی که از آن با نام یادگیری ماشین یاد می‌شود، می‌توان چنین قابلیت‌هایی را برای سیستم‌های فراهم کرد. در این شاخه از علم تلاش می‌شود تا با استخراج الگوهای نهفته در دل مجموعه‌ای داده، الگوریتم‌های سیستم را برای انجام هدفی مشخص بهبود داد. تمامی سیستم‌های کامپیوتری که با مجموعه‌ای از کاربران سروکار دارند می‌توانند به کمک فناوری یادگیری ماشین، خروجی‌های باکیفیت‌تری ایجاد کنند.  

یادگیری ماشین چیست؟

یادگیری ماشین (Machine learning) یکی از روش‌های تحلیل داده است که در آن سیستم با بررسی داده‌های پیشین و استخراج الگوهای نهفته در آنها، سعی می‌کند الگوریتم‌های خود را بهبود دهد. در واقع هدف این است که سیستم بتواند با بررسی مکرر تعداد بسیار زیادی داده، نحوه تصمیم‌گیری‌های گذشته برای انجام هر کاری را درک کند و در نهایت بتواند بدون کمک انسان، تصمیمات مستقلی در راستای بهبود هدف تعریف شده بگیرد. یادگیری ماشین شاخه‌ای از هوش مصنوعی به‌حساب می‌آید. هرچه داده بیشتری در اختیار باشد، بررسی‌های انجام شده دقیق‌تر و نتایج به‌دست‌آمده قابل‌اتکاتر خواهند بود.

به کمک یادگیری ماشین، برنامه‌های نرم‌افزاری می‌توانند بدون آنکه نیازی به برنامه‌نویسی مجدد برای بهبود ساختار آنها باشد، عملکرد بهینه‌تر و دقیق‌تری داشته باشند. زیرا به کمک داده‌های تاریخی سیستم، می‌توان نتایج را پیش‌بینی و اصلاح کرد. به نظر می‌رسد در آینده‌ای نزدیک، به کمک این شاخه از فناوری بتوان تقلید عمده رفتارهای انسانی را برای کامپیوترها ممکن کرد.

دلایل اهمیت یادگیری ماشین

یادگیری ماشین می‌تواند به سازمان‌ها کمک کند تا بتوانند ترندهای رفتاری مشتریان و الگوهای عملیاتی کسب‌وکارشان را شناسایی کنند. از نتایج این پیش‌بینی‌ها، می‌توان برای تصمیم‌گیری بهتر برای طراحی و ارائه محصولات جدید، طراحی پان‌های فروش و بازاریابی و ارائه خدمات پشتیبانی مناسب به مشتریان کمک گرفت.

امروزه برای شرکت‌های بزرگ دنیا، خصوصاً شرکت‌های مبتنی فناوری‌های دیجیتال مانند گوگل، فیسبوک، اوبر و آمازون، یادگیری ماشین یکی از بخش‌های کلیدی کسب‌وکار به‌حساب می‌آید و مزیت‌های رقابتی ایجاد شده در خدمات این شرکت‌ها نسبت به رقبا، ناشی از تکیه بر نتایج این حوزه است.

کاربردهای یادگیری ماشین

امروزه سازمان‌های مختلف به‌تناسب کسب‌وکارشان، از یادگیری ماشین برای گستره وسیعی از کاربردها استفاده می‌کنند. اما شاید بتوان «موتورهای پیشنهاد نتایج» را یکی از شناخته‌شده‌ترین کاربردهای یادگیری ماشین به حساب آورد. این موتورها در بخش‌هایی مانند فید پلتفرم‌های مختلف شبکه‌های اجتماعی و یا فروشگاه‌های اینترنتی مورداستفاده قرار می‌گیرند.

پلتفرم‌هایی مانند فیسبوک از یادگیری ماشین برای شخصی‌سازی هرچه بیشتر نمایش‌داده‌شده برای کاربران استفاده می‌کنند. مثلاً اگر کاربر مدام در میان پست‌های نمایش‌داده‌شده، برای خواندن پست‌های یک گروه خاص توقف کند، سیستم پست‌های آن دسته را بیشتر و در قسمت‌های بالاتر فید به کاربر نمایش می‌دهد.

آنچه پشت صحنه رخ می‌دهد، تنها شناسایی الگوهای رفتاری کاربر با استفاده از داده‌های حاصل از فعالیت‌های پیشین وی است. با تغییر رفتار کاربر، این داده‌ها و الگوها به روزرسانی شده و به تبع آن نتایج نمایش داده شده نیز تغییر خواهند کرد. در ادامه شمار دیگری از کاربردهای یادگیری ماشین در کسب‌وکارها را ذکر می‌کنیم.

سیستم‌های تشخیص تصویر: با این‌ روش امکان شناسایی محصولات درون قفسه‌ها، چهره افراد در عکس‌ها و ویدئوها، عیب‌یابی در خطوط مونتاژ، برآورد میزان خسارت، تشخیص ورود و خروج، شمارش ترددها، شناسایی اشیا و موانع موجود در خیابان‌ها، شناسایی مزاحمت‌های خیابانی و… فراهم می‌شود.

سیستم‌های تشخیص صوت: با این سیستم‌ها می‌توان محتوای صوتی جلسات و کنفرانس‌ها را به صورت مکتوب ثبت کرد، تعاملات انجام شده در مراکز تماس را کنترل کرد، برای مسافران سیستم‌های ترجمه همزمان طراحی کرد، بدون دخالت دست وسایل نقلیه را با فرمان‌های صوتی کنترل کرد، گزارش پزشکی تدوین کرد و انواع سیستم‌های کنترلی ساخت.

چت‌بات‌ها و ChatOpsها: چت‌باتها یکی از ابتدایی‌ترین حالت‌های اتوماسیون هستند که امکان ارتباط میان انسان و ماشین را فراهم می‌کنند. با استفاده از چت‌بات‌ها می‌توان به صورت خودکار به درخواست‌های مشتریان آنلاین پاسخ داد، محتوای متعلق به یک برند را در شبکه‌های اجتماعی ویرایش و مدیریت کرد، میان دپارتمانهای مختلف به سرعت اسناد و مدارک را جابجا کرد، امکان پاسخگویی خودکار را برای سوالات تیم منابع انسانی فراهم کرد.

سیستم‌های تولید محتوای خودکار: این سیستم‌ها که با نام Natural Language Generation نیز شناخته می‌شوند می‌توانند برای تولید محتواهای اختصاصی (براساس علایق، تجربیات و ملیت هر کاربر) از محصولات مختلف مورد استفاده قرار گیرند. طراحی ایمیل‌های اختصاصی برای معرفی محصولات جدید به مشتریان و یا تولید گزارش و نمودارهای اختصاصی از موضوعاتی مانند فروش و درآمد شرکت از دیگر کاربردهای یادگیری ماشین است.

تحلیل احساسات: تحلیل این موضوع که یک محصول جدید چگونه مشتریان مختلف را تحت تأثیر قرار داده است، شناسایی نوع ارتباطی که اینفلوئنسرها با مخاطبان برقرار می‌کنند، تحلیل رفتاری کارکنان و توزیع بهتر نیروها در جایگاه‌های شغلی مختلف، شناسایی عللی که می‌توانند به تصمیم‌گیری برای خرید یک محصول منجر شود و شناسایی احساسات منتقل شده از یک فایل صوتی از جمله مواردی است که می‌توان با استفاده از تحلیل احساسات به کمک یادگیری ماشین انجام داد.

سیستم‌های کشف تقلب: این سیستم‌ها که از آنها با نام Fraud Detection نیز یاد می‌شود، یکی از راهکارهایی هستند که در زمینه فناوری‌های مالی و رگولاتوری حوزه‌های مختلف می‌توانند مورد استفاده قرار گیرند.

بهبود برنامه مدیریت ارتباط با مشتریان: نرم‌افزارهای CRM (Customer relationship management) می‌توانند با آنالیز ایمیل‌ها و فاکتورهای فروش مشتریان و اعضای تیم، اولویت‌های کاری را شناسایی کنند و پیام‌های مرتبط با آن موارد خاص را زودتر از موارد دیگر به کارکنان شرکت نشان دهند. در سیستم‌های پیشرفته‌تر حتی می‌توان اقدامات و پاسخ‌های مقتضی را نیز به کاربران پیشنهاد دارد.

تحلیل و هوش تجاری(Business intelligence): سرویس دهندگان می‌توانند به کمک یادگیری ماشین، داده، الگوهای مهم و همچنین ناهنجاری‌های موجود را شناسایی کنند.

سیستم‌های اطلاعاتی منابع انسانی: سیستم‌های HRIS (Human resource information systems) می‌توانند با استفاده از یادگیری ماشین، مدلی برای فیلتر و شناسایی کردن بهترین کاندیدهای موجود برای هر پوزیشن شغلی طراحی کنند.

اتومبیل‌های خودران: الگوریتم‌های یادگیری ماشین می‌توانند زمینه برای طراحی و ارائه اتومبیل‌های خودران را فراهم کنند. در این خودروها با شناسایی اشیا و مسیرها، هشداری برای راننده اتوماتیک خودرو ارسال می‌شود و به‌تناسب آن دستورهایی صادر می‌شود.

دستیارهای مجازی: با ترکیب مدل‌های نظارتی و غیر نظارتی یادگیری ماشین، می‌توان الگویی برای عملکرد دستیارهای هوشمند ایجاد کرد و از آن برای کمک به انجام کارها و یا ذخیره‌سازی داده‌ها استفاده کرد.

مزایا و معایب یادگیری ماشین

همان‌طور که ذکر شد، از یادگیری ماشین می‌توان برای طیف وسیعی از کاربردها - از پیش‌بینی رفتار مشتریان تا ایجاد سیستم‌عاملی برای خودروهای خودران - استفاده کرد. اگر قرار باشد درباره مزیت‌های یادگیری ماشین صحبت شود، می‌توان به کارایی مهمی که این فناوری برای کمک به درک هرچه بهتر رفتار مشتریان هر شرکت در سطحی عمیق دارد اشاره کرد.

فناوری یادگیری ماشین با جمع‌آوری داده‌های کاربران در سطحی وسیع و یافتن الگوهای مشترک در آنها، رفتار افراد در گذر زمان را تحلیل و پیش‌بینی کرده و به تیم‌ها کمک کند تا بتوانند از این اطلاعات برای توسعه محصول و تدوین برنامه‌های بازاریابی متناسب با علاقه مشتریان هدف استفاده کنند.

با وجود آنکه بسیاری از شرکت‌ها فناوری یادگیری ماشین را در رأس برنامه کسب‌وکار خود قرار می‌دهند، اما این فناوری خالی از اشکال نیست. یکی از مهم‌ترین ایرادات به‌کارگیری یادگیری ماشین در کسب‌وکارها آن است که این روش‌های تحلیلی بسیار پرهزینه هستند. زیرا پروژه‌های یادگیری ماشین باید توسط گروهی از دانشمندان داده هدایت شوند و دستمزد این افراد اساساً بالاست. از طرفی دیگر، اجرای این پروژه‌های نیاز به زیرساخت‌های خاصی دارد که تأمین این زیرساخت‌ها نیز هزینه جداگانه‌ای به کسب‌وکار تحمیل می‌کند.

یکی دیگر از معایبی که یادگیری ماشین می‌تواند داشته باشد، سوگیری نتایج تحلیل است. ازآنجاکه الگوریتم‌ها حاصل بررسی مجموعه مشخصی از داده‌ای هستند که از جمعیت آماری مشخصی استخراج شده‌اند و یا ممکن است شامل خطا باشند، نتایج حاصل از این بررسی‌ها نیز ممکن است دقت لازم را نداشته و مدلی اشتباه ارائه شود که همین امر می‌تواند باعث شکست پروژه و یا تحمیل هزینه‌های اضافه به کسب‌وکار شود.

بااین‌حال با بررسی مزیت‌هایی که به‌کارگیری یادگیری ماشین برای کسب‌وکارها ایجاد می‌کند و هزینه‌هایی که ممکن است ایجاد کند، می‌توان درباره لزوم استفاده از این فناوری تصمیم‌گیری کرد. معمولاً استفاده از یادگیری ماشین در سازمان‌های بزرگی که تعداد قابل‌توجهی کاربر سروکار دارند، می‌تواند معقول بوده و باعث ایجاد مزیت رقابتی برای آن سازمان شود.