شریان زندگی در دستان صفرها و یک‌ها

   
نام نویسنده:
|
دسته بندی:
|
روزگار جالبی است. زمانی که در زندگی روزمره و عادی خود به دو رقم صفر و یک می‌اندیشیم، عمدتاً گزارش‌های مالی یا نمرات درسی را به یاد می‌آوریم. (البته در حوزه آموزشی رقم یک در مقایسه با صفر نقش کلیدی‌تری دارد!) هر روز این دو رقم در زندگی مردم وارد می‌شوند و توازن زندگی‌ها را تعدیل می‌کنند یا بر هم می‌زنند. تا این جای کار صفرها و یک‌ها قاعده مشخص و هدفمندی را دنبال می‌کنند. اما زمانی که از زندگی عادی خارج می‌شویم و به دنیای محاسبات دیجیتالی قدم می‌گذاریم، صفرها و یک‌ها دیگر منفرد و ایستا نیستند؛ تبدیل به شوالیه‌های قدرتمندی می‌شوند که هیچ‌ انسانی یارای مواجه با آن‌ها را ندارد.

 شاید با خود این‌گونه تصور کنید که این حرف درست نیست و می‌توان به آسانی با دنیای محاسبات دیجیتال خداحافظی کرد. اما سؤال این است: آیا از ابتدایی‌ترین وسیله محاسباتی یعنی ماشین‌ حساب‌های سنتی نیز می‌توانید فاصله بگیرید؟ آیا می‌توانید با تلویزیون‌ها و پخش‌کننده‌های خانگی خداحافظی کنید؟ مواردی که به آن‌ها اشاره شد کاربردهای ساده‌ای از صفرها و یک‌ها را نشان می‌دهد. حال اجازه دهید کمی به جلو حرکت کنیم. این صفرها و یک‌ها هر روز در دستان شما قرار دارند و می‌توانید به کمک آن‌ها در شبکه‌های اجتماعی پست‌هایی را به اشتراک بگذارید، به مکالمات پاسخ دهید، در دنیای اینترنت به گشت‌وگذار بپردازید و در یک کلام، زندگی خود را با استفاده از آن‌ها به جلو پیش ببرید. این نمونه‌ها، کارکردهای ملموس‌تری از حضور صفرها و یک‌ها در کنار ما را نشان می‌دهند. اما بهتر است از این سبک‌ها فاصله بگیریم و به کاربردهای پیشرفته صفرها و یک‌ها نگاهی بیندازیم.

فرض کنیم در جست‌وجوی آهنگسازی به نام لودویک وان بتهون هستید. زمانی که نام او را در موتور جست‌وجوگر گوگل وارد ‌کنید، خواهید دید که گوگل مفهوم عبارت را درک کرده‌است و نه تنها لینک‌های مرتبط با این واژه، بلکه تصاویر مرتبط با آن را نیز نشان می‌دهد. می‌توانید روی تصویر سمت راست صفحه کلیک کنید و مطلب مدنظر خود را ببینید. جالب است که ناخواسته از ویژگی قدرتمندی به نام شبکه دانش یا در اصطلاح تخصصی‌تر شبکه عصبی عمیق یا یادگیری ماشینی که گوگل طراحی کرده است، استفاده کرده‌اید. یادگیری ماشینی این روزها در همه جا حضور دارد و همه ما در طول روز بارها و بارها از آن استفاده می‌کنیم. یادگیری ماشینی (صفرها و یک‌های ابتدای این یادداشت) امروزه به اندازه‌ای مرسوم شده و پیشرفت کرده‌اند که نشانه‌‌هایی از آن‌ها را در بهبود امنیت سایبری، بهبود عملکرد موتورهای جست‌وجو و بهینه‌سازی ماشین‌های خودران مشاهده می‌کنیم. امروزه همه‌جا صحبت از یادگیری ماشینی است، اما پرسش این است که این مفهوم دقیقاً در چه حوزه‌هایی وارد شده است؟ در سال 2014، آزمایشگاه کسپرسکی گزارش داد که هر روزه نزدیک به 325 هزار فایل بدافزاری جدید را شناسایی می‌کند؛ رقم عجیبی که نه تنها انسان‌ها بلکه روش‌های سنتی که بر مبنای امضای بدافزارها کار می‌کنند نیز نمی‌توانند این حجم از بدافزارها را شناسایی کنند.

در حوزه بهداشت و درمان، مرکز کنترل بیماری‌ها گزارش داد که نزدیک به 9.3 درصد جمعیت ایالات متحده به بیماری دیابت مبتلا هستند، بیماری‌ای که در سال 2012، نزدیک به 245 میلیارد دلار برای ایالات متحده هزینه‌بر بوده است. اما یک متخصص تحلیل داده‌ها و یادگیری ماشینی همراه با پروفسور حاذقی، با استفاده از مدل‌های رگرسیون و شناسایی روابط بین متغیرهای مستقل و تجزیه‌وتحلیل فرضیه‌ها، موفق شدند پیش‌بینی‌هایی در زمینه این بیماری ارائه کنند. آن‌ها با استفاده از پلتفرم یادگیری ماشینی موفق شدند درک بهتری از وضعیت بیماران دیابتی به دست بیاورند و کشف کنند چه افرادی وضعیت اورژانسی دارند و چه افرادی نباید در بیمارستان بستری شوند. بدون شک در حوزه حقوقی، اسناد، بیش از اندازه برای افراد متوسط جامعه پیچیده هستند. در چنین شرایطی افراد وکیل استخدام می‌کنند. تعداد دیگری در رویارویی با اسناد چندصفحه‌ای، فرض را بر این می‌گذارند که همه چیز خوب است و از خواندن محتوای اسناد چشم‌پوشی می‌کنند! دان روبینز، بنیان‌گذار «Legal Robot» در مصاحبه خود گفت: «ما موفق به ساخت یک مدل زبان حقوقی شده‌ایم که می‌تواند این اسناد را تبدیل به رشته‌ای از اعداد بزرگ کند. با استفاده از شبکه‌های عصبی و تجزیه‌وتحلیل‌ داده‌های توپولوژیک موفق به ساخت زبان پردازش طبیعی در ارتباط با زبان حقوقی شدیم.» جرایم مالی و در رأس آن‌‌ها پول‌شویی، یکی دیگر از حوزه‌هایی است که یادگیری ماشینی به‌خوبی در آن وارد شده است. در همین خصوص پی‌پال از یادگیری عمیق برای پیشگیری از تقلب و پول‌شویی در سطوح خرد استفاده می‌کند.

با ترکیب یادگیری ماشین و یادگیری عمیق و ابزارهای جانبی، این شرکت موفق شده است میان خریداران و فروشندگان جعلی و مشروع تمایز قائل شود. تأثیرگذاری این راهکار در زمینه مبارزه با ناهنجاری‌های مالی کاملاً مشهود بوده است. امروزه بسیاری از سازمان‌ها، همچون اپراتورهای مخابراتی از یادگیری ماشینی برای محافظت از کسب‌وکار و داده‌های مشتریان خود استفاده می‌کنند. شاید در گذشته شرکت‌ها از سیستم‌های IDS و SIEM استفاده می‌کردند، اما واقعیت این بود که این سیستم‌ها در طول روز بیش از 800 هشدار امنیتی را نشان می‌دادند. اما امروزه یادگیری ماشینی به گروه‌های امنیتی این قابلیت را داده است تا به شکل بسیار مؤثرتری فعالیت‌های مشکوک و رخنه‌ها را شناسایی و مدیریت کنند. جالب است صفرها و یک‌های قدیمی همچنان پر صلابت هستند و تنها شکل ظاهری آن‌ها فرق کرده است، اما باز هم در عمل اقتدار خود را حفظ کرده‌اند. پس اگر وقت و سرمایه خود را در جهت یادگیری این فناوری‌های پیشرفته صرف کنیم، بدون شک باعث شکوفایی بیش از پیش جامعه خواهیم شد.

منبع: شبکه

اخبار مرتبط

دیگر اخبار نویسنده

ارسال نظر


شخصی سازی Close
شما در این صفحه قادر به شخصی سازی نمیباشید