چند کاربرد مهم یادگیری ماشین که در آینده نزدیک خواهیم دید

روش‌های یادگیری ماشین (Machine Learning)، سیستم‌های مختلف را قادر می‌کنند که یاد بگیرند، استنتاج کنند و به ما پیشنهادهای کاربردی ارائه دهند. این سیستم‌ها، به مرور زمان که با داده‌ها، ادوات، شبکه‌ها و افراد تعامل دارند، باهوش‌تر می‌شوند. با استفاده از رویکردهای یادگیری ماشین و هوش مصنوعی، این سیستم‌ها قادر هستند ما را در حل مسائل مهم، کاربردی و روزمره یاری دهند. غالبا این کار، با استناد به و استفاده از داده‌هایی انجام می‌شود که به دلیل حجم زیاد و یا ماهیت نامفهوم، برای ما انسان‌ها چندان قابل استفاده نیست.

تا کنون کاربردهای بسیار زیادی از روش‌های هوش مصنوعی و یادگیری ماشین را در زندگی روزمره تجربه کرده‌ایم. سرویس‌های ایمیل معروف و پرکاربرد، برای تشخیص اسپم و هرزنامه، از الگوریتم‌های یادگیری ماشین استفاده می‌کنند. سیستم‌های پیشنهادگر، مرتب‌سازی نتایج موتورهای جستجو، تشخیص چهره خندان برای عکاسی خودکار، و نرم افزارهای ویروس کش، همگی نمونه‌های دیگری از کاربردهای یادگیری ماشین هستند.

ابزارها و روش‌های مبتنی بر یادگیری ماشین، بر خلاف سایر ابداعات و اختراعات بشر، برای رفع محدودیت‌ها و نیازهای فیزیکی نیستند؛ بلکه هدف آن‌ها، ساختن سیستم‌هایی است که به جای انسان بیاندیشند، یاد بگیرند و یاد بدهند.

در طی یک دهه آینده، به نظر می‌رسد که ما شاهد استفاده هر چه بیشتر یادگیری ماشین در طراحی سیستم‌های دارای تعامل با انسان خواهیم بود. در این نوشتار، قصد داریم به معرفی مهم‌ترین موارد مربوط به این موضوع بپردازیم.

کلاس‌های درس سنتی، با حضور یک مدرس و معمولا به صورت یک پروسه یک طرفه برگزار می‌شوند. ضمن این که، برنامه آموزشی کلاس، برای دانشجویان یا دانش‌آموزان سفارشی‌سازی نشده است، و برای همه حاضرین در کلاس، تقریبا یک برنامه ثابت در نظر گرفته می‌شود. در این سیستم، اگر معلمی دلسوز، با احساس مسئولیت وضعیت شاگردش را رصد نکند و برنامه آموزشی را برایش سفارشی نکند، به احتمال زیاد، نتیجه جالبی به دست نخواهد آمد.

اما کلاس‌های درس آینده، با ایده آموزش شخصی‌سازی شده (Personalized Education) این امکان را به واسطه یادگیری ماشین به دست خواهند آورد که، مطالب مطرح شده، روند کلاس، روند یادگیری، نتایج، میزان فعالیت کلاس، و هر چیز مهم دیگر در فرایند یادگیری، به دقت رصد و تحلیل شود، و نتیجه گیری‌های عملیاتی انجام شوند. در واقع، کلاس‌های هوشمند نسل آینده، خودشان یاد می‌گیرند که برای یک دانش‌آموزش باید چطور برگزار شوند. حتی شیوه ارزیابی نیز، دیگر یک فرایند مطلق نیست و معلم می‌تواند روی کمک این سیستم هوشمند، در خصوص طرح آزمون و اختصاص نمره به دانش‌آموزانش نیز حساب کند.

برای ذخیره‌سازی اطلاعات DNA یک انسان، تقریبا 725 مگابایت فضا لازم است. البته، اگر بخش‌های مشترک میان همه انسان‌ها را، که بیش از 99 درصد رشته DNA است حذف کنیم، این مقدار به چهار مگابایت کاهش خواهد یافت. اما برای یک انسان، جمع بندی و در ذهن نگه داشتن 4 مگابایت داده عددی باینری، عملا غیر ممکن است. چرا که سیستم محاسباتی مغز ما، تفاوت‌های جدی با کامپیوترها دارد.

الگوریتم‌های یادگیری ماشینی، این توانایی را دارند که الگوهای مخفی شده در انبوه اطلاعات DNA انسان را، استخراج کنند و توصیفی فشرده‌تر و کارآمدتر از عملکرد داروها، تومورها، پروتئین‌ها و سایر موارد نظیر آن را، در مواجهه با DNA یک فرد به خصوص ارائه دهند و حتی پیش بینی دقیقی از عملکرد آینده سیستم بدن ارائه کنند.

پزشکان در آینده، به واسطه استفاده از سیستم‌های هوشمندی که هسته اصلی آن‌ها را الگوریتم‌های یادگیری ماشین تشکیل می‌دهند، قادر خواهند بود که داروها و شیوه‌های درمانی را به صورت اختصاصی برای هر بیمار طراحی کرده و حتی پیش از اعمال آن، با دقت بالایی، نتیجه را پیش بینی کنند. این تغییری است که در آینده نه چندان دور، بهداشت و درمان را متحول خواهد کرد.

تعداد سرویس‌های آنلاین و داده‌های شخصی تولید شده در بستر اینترنت بعضا به قدری زیاد می‌شوند، که واقعا یک حواس خیلی جمع لازم است تا بدانیم که چه چیزی نرمال است و چه چیزی نرمال نیست؟ چه چیزی ممکن است ما را به دردسر بیاندازد و داده‌های شخصی‌مان را، فاش کند؟ این موارد و موضوعات مشابه با آن‌ها، امروزه تقریبا دغدغه همه کاربران اینترنت است و چه خوب می‌شد اگر یک نگهبان دیجیتال و هوشیار، همیشه مراقب ما بود.

البته، هم اکنون برخی از حالات پیش پا افتاده و بعضا توسعه یافته از یک نگهبان دیجیتال را، مثلا در سرویس جی‌میل و یا فیس‌بوک می‌بینیم. اما قطعا باز هم جای بهبود وجود دارد؛ طوری که مثلا نگهبان دیجیتال شخصی هر فرد، رفتارهای او در شبکه‌های اجتماعی و سرویس‌های مختلف را یاد بگیرد، خط قرمزهای او را بشناسد، انتظارات و روابط او را به یاد بسپارد و در موقع لزوم، تصمیم درست را به جای فرد بگیرد. باز هم موضوع، به یک شخصی‌سازی از یک سرویس عمومی ختم شد. ظرافت‌هایی که در مدیریت اطلاعات فردی هر شخص نیاز است، توسط هیچ برنامه کامپیوتری کلاسیکی، قابل مدل‌سازی نیست. اما یک ابزار هوشمند، این ظرافت‌ها را یاد خواهد گرفت. راهی که، طبیعت نیز، از میلیون‌ها سال پیش، آن را در پیش گرفته است.

شهرهای آینده، به لطف وجود ابزارهای ارتباطی توسعه یافته، ادوات شخصی شده و البته روش‌های مبتنی بر هوش مصنوعی، زندگی پذیری بالاتری نسبت به الان خواهند داشت. شهرهای آینده، با شما حرف خواهند زد، برایتان محل قرار تعیین خواهند کرد، پیشنهاد فعالیت یا گردش خواهند داشت، نیازهای شما و درخواست‌هایتان را به مسئولین شهر منتقل خواهند کرد و در کل، به شما کمک خواهند کرد، که بهتر زندگی کنید.

زندگی در شهری که فکر می‌کنید برای شما و خواسته‌هایتان ساخته شده و گویا شهر شخصی شده شما است، قطعا حس بهتری خواهد داشت. این که شبکه گسترده موجود در سطح شهر، برنامه زندگی شما را تنظیم کند، بهترین پیشنهادها را به شما بدهد و نظر شما در عملکرد شهر موثر باشد، چیزی است که با یک رویکرد مدیریتی، محاسباتی و برنامه نویسی کلاسیک قابل اجرا نیست؛ اما قطعا این مسأله، چیزی است که یادگیری ماشین برای ما فراهم خواهد ساخت.

امروزه فروشگاه‌ها و سایر خدمات آنلاین در بسیاری از عرصه‌ها، طوری غالب شده‌اند که به نظر می‌رسد برای همیشه پرونده خدمات و خرید حضوری، بسته خواهد شد. اما این طور نیست. هر چند تجارت آنلاین به حرکت خود ادامه خواهد داد، اما تجارت سنتی و حضوری نیز، مزایایی دارد که هنوز که هنوز است در تجارت آنلاین مشابه یا جایگزینی برای آن ارائه نشده است.

مثلا سرعت تحویل سفارش و یا لمس کردن اقلام سفارش داده شده از نزدیک، چیزی است که تجارت آنلاین هیچ گاه نتوانسته است برای افراد فراهم نماید. حال فرض کنید، به جای این که جاوا اسکریپت در مرورگر کاربران اجرا شود و حس واقعی بودن را شبیه‌سازی کند، بتوانیم دنیای واقعی را به برخی مزایای اینترنت مجهز کنیم؛ قطعا خیلی از نظرها به سمت خرید و فروش فیزیکی برخواهد گشت.

به نظر می‌رسد با ترکیب ایده‌های تجارت آنلاین و حضوری، و با بهره گیری از الگوریتم‌های هوشمند و یادگیری ماشین، امکان سفارشی‌سازی فروشگاه‌های فیزیکی نیز وجود خواهد داشت و از این رو نسل جدیدی از خدمات را در آینده تجربه خواهیم کرد که البته شباهتشان به خدمات حضوری، نسبت به خدمات آنلاین بیشتر است؛ به ویژه فروشگاه‌های فیزیکی که یاد می‌گیرند چطور باشند، چه داشته باشند و چه نداشته باشند و چگونه قیمت گذاری کنند. یعنی همان مغزی که یک فروشگاه آنلاین را راه می‌برد، با کمی تغییر، می‌تواند یک فروشگاه حضوری را نیز هدایت کند.

 این مقاله توسط دکتر سیدمصطفی کلامی، یکی از اعضای هیأت علمی فرادرس (faradars.org)، برای انتشار در وب‌سایت زومیت ارسال شده است. بخش مهمی از صدها ساعت آموزش تخصصی منتشر شده در فرادرس، به موضوع هوش مصنوعی، یادگیری ماشین و داده کاوی اختصاص دارد و منبعی بسیار مهم، برای دانشجویان و علاقه مندان این حوزه‌ها به شمار می‌آید.گ