هیچ انسانی نمیتواند آینده دنیای فناوری را با قاطعیت پیشبینی کند. اما بدون شک چهار عنصر کلاود، اینترنت اشیا، دادهها و از همه مهمتر الگوریتمها (یادگیری ماشینی) چهار ستونی هستند که در سالهای آتی در خط مقدم نوآوریها قرار خواهند گرفت.
در رویداد یادگیری ماشینی و هوش مصنوعی که چهارشنبه هشتم آوریل 2016 در سیاتل به میزبانی «Madrona Venture Group» برگزار شد، «جوزف سیراش»، معاون گروه دادههای مایکروسافت، در سخنرانی خود با اشاره به اینکه چهار حوزه کلاود، اینترنت اشیا، دادهها و الگوریتمها جهان را دستخوش تغییرات اساسی خواهند ساخت، به تحولاتی اشاره کرد که در سالهای آینده این حوزهها را تحت تأثیر خود قرار خواهند داد. تحولاتی که تأثیرات ملموسی بر روند زندگی ما خواهند گذاشت. اما سؤال اصلی این است: «یادگیری ماشینی در آینده به کجا خواهد رسید؟» در این مقاله به صورت مختصر و کوتاه نگاهی واقعبینانه به فناوریهای مرتبط با دادهها میاندازیم؛ فناوریهایی که در آینده رهبری کسبوکارها را بر عهده خواهند گرفت.
فرض اساسی در یادگیری ماشینی بر این اصل استوار است که راهحلهای تحلیلی ظرفیت این را دارند که بر مبنای مدلهای دادهای که در گذشته مطالعه شدند، پایهریزی شوند. یادگیری ماشینی از هر نوع تجزیهوتحلیل دادهای که از مدلهای دادهای قبلی، روندها، الگوها و الگوریتمهای سیستمی که مطالعاتی درباره آنها انجام گرفته است پشتیبانی میکند. در حالی که یادگیری ماشینی برای تجزیهوتحلیلها و پیشبینی رخدادها منحصراً به الگوریتمهای ازپیشساختهشده متکی است، اما ادعا کرده است میتواند به عنوان جایگزینی برای وظایف تحلیلی و پیشبینیها به جای انسانها وارد میدان شود و وظایف آنها را بر عهده بگیرد. در یادگیری ماشینی، الگوریتمها میتوانند به مطالعه دادههای قبلی بپردازند، نکاتی را از آنها بیاموزند و در نهایت به جای انسانها تصمیمگیری کنند. برای این منظور الگوریتمهای یادگیری ماشینی از درختهای تصمیمگیری و تجزیهوتحلیلهای شبیهسازیشده استفاده میکنند. جوزف سیراش در سخنرانی خود به این نکته اشاره کرد که ما در دورانی زندگی میکنیم که دنیای رایانشی شاهد عالیترین تغییرات است؛ تغییراتی که بهسرعت این حوزه را دستخوش دگرگونی ساختهاند. در این روند دگردیسی شاهد تأثیرگذاری بیبدیل الگوریتمها، کلاود، اینترنت اشیا و دادهها در حوزههای کاربردی هستیم. این تغییر به گونهای بوده است که حتی رویکرد ما در قبال ساخت برنامهها و مدتزمان سپریشده برای ساخت برنامهها را دستخوش تغییراتی کرده است. اما نکتهای که در خصوص یادگیری ماشینی یا در حالت کلیتر فناوریهای اشارهشده وجود دارد، به این اصل بازمیگردد که حتی اگر در مسیر درستی قرار داشته باشید، اما نتوانید از ابزارها و راهکارهای کارآمد امروزی در جهت ساخت و استقرار استراتژیهای خود استفاده کنید، در نتیجه در روند کاری خود تغییر محسوس و مؤثری را مشاهده نخواهید کرد. سیراش در جریان این رویداد به مثالهای متعددی اشاره کرد که در آنها عنوان شد چگونه کارآفرینان و شرکتها موفق شدهاند با استفاده از فناوریهای جدید کسبوکار خود را بهبود بخشند. از کشاورزان ژاپنی که در مزارع، وضعیت سلامت گاوها را نظارت و ارزیابی میکنند تا شرکتهایی همچون «آبر» و «ایربیانبی» که بهشدت به یادگیری ماشینی وابسته هستند، همه و همه سعی میکنند از فناوریهای هوشمند به بهترین شکل ممکن بهره ببرند. او در صحبتهای خود به این نکته اشاره کرد که حسگرها و دستگاههای مختلف به شکل باور نکردنی دادهها را تولید میکنند، اما این تنها الگوریتمها هستند که میتوانند دادهها را تجزیهوتحلیل کنند.
هر کسبوکاری مدل الگوریتمیک خود را خواهد داشت
سیراش در این خصوص گفته است: «مدیریت دستی فرایندهای کسبوکار منسوخ شده است و فناوری در نظر دارد مدیریت خاص خود را در این حوزه آغاز کند. هر فرایندی در هر مقیاسی در این جهان با استفاده از الگوریتمها و دادهها قابل مدیریت است. برای این منظور به پلتفرمهای مؤثری نیاز است تا این کسبوکارهای الگوریتمیک را مدیریت کند.» او در صحبتهای خود به اهمیت زبان برنامهنویسی R به عنوان عاملی پیشبرنده در این زمینه اشاره کرد.
دادههای خام و مدلهای دادهای
یادگیری ماشینی تلاقی دادههای خام و مدلهای دادهای است. سیستمهای تصمیمگیر دادهمحور میتوانند به کمک یادگیری ماشینی، بهطور مداوم از دادههای جدید، نکات تازه یاد بگیرند. این راهکار به سیستمهای تصمیمگیر کمک میکند تا خود را با دادههای جدید هماهنگ کرده و در ادامه، نتایج قابل اعتماد و تکرارشوندهای را ارائه کنند. بر همین اساس پیشبینی میشود فناوریهای نوینتری همچون کلان دادهها و اینترنت اشیا در آینده باعث به وجود آوردن تغییرات و به وجود آمدن چهارچوبهای جدیدی در زمینه شیوههای سنتی یادگیری ماشینی شوند. از جمله برنامههای شناختهشده یادگیری ماشینی که در مقطع فعلی از چنین الگویی تبعیت میکنند میتوان به این موارد اشاره کرد:
1. مکانیزم مورد استفاده توییر در جهت دریافت بازخورد مشتریان ویژه کسبوکارها
2. مکانیزم مورد استفاده آمازون و نتفلیکس بهمنظور ارائه توصیههای آنلاین برای سایتهای تجارت الکترونیک
3. مکانیزم مورد استفاده در ماشین خودران گوگل
4. مکانیزم مورد استفاده در سیستمهای کشف تقلب
روندهای در حال ظهور در زمینه قابلیت استنتاجی یادگیری ماشینی
امروزه یادگیری ماشینی از طیف گستردهای از برنامههای کاربردی همچون موتورهای جستوجو، تشخیص تصاویر، تحلیل گفتار، ابزارهای فیلترینگ و روباتیک پشتیبانی میکند. در شرایطی که این روزها یادگیری ماشینی در قالب هدایتگر در دنیای نرمافزار شناخته میشود، پیشبینی میشود که در سالهای پیشرو جامعه جهانی رشد فوقالعاده برنامههای هوشمند و دستیاران دیجیتالی را تجربه خواهد کرد؛ به طوری که بخش عمدهای از جریان اصلی دنیای کسبوکار از هوش مصنوعی استفاده کنند. پیشبینیها نشان میدهند که یادگیری ماشینی به طور گستردهای در بازار تلفنهای هوشمند و در سرزمین هواپیماهای بدون سرنشین و ماشینهای خودران وارد خواهد شد. جالبتر آنکه «ایان برترام»، از «گارتنر» پیشبینی کرده است که در سال جدید شاهد حضور فناوریهای جدیدی خواهیم بود که به لطف یادگیری ماشینی پا به عرصه ظهور خواهند نهاد. «Mark Koh» در این باره گفته است: «روند فراگیر کردن هوش مصنوعی یا یادگیری ماشینی در سال جدید پرشتابتر از گذشته ادامه پیدا خواهد کرد.» تقاضا برای ساخت الگوریتمهای جدید، سادهتر از قبل انجام خواهد شد و همین موضوع به تولیدکنندگان فشار خواهد آورد تا ابزارهای یادگیری ماشینی جدیدی را عرضه کنند. اگر این چنین محصولات حاضر و آمادهای به بازار عرضه شود، بسیاری از شرکتها به مهارتهایی نیاز خواهند داشت تا با این چنین الگوریتمهایی کار کنند. در این صورت تقاضا برای متخصصانی که مهارت کار کردن با دادهها و طراحی مدلهای پیشرفته را داشته باشند، روبهفزونی خواهد نهاد. این روند تقاضا همچنان پابرجا خواهد بود.
پیشبینی گارتنر از چرخه وابستگی به فناوریهای نوظهور
به گزارش گارتنر، تعدادی از فناوریهای امروزی که در مرحله نابالغی قرار دارند، به سرعت مسیر رشد را پشت سر خواهند نهاد، به بلوغ کامل خواهند رسید و در آینده کنترل بازار را به دست خواهند گرفت، از جمله این فناوریها به رابط مغز و کامپیوتر و فناوری زیستآکوستیکی میتوان اشاره کرد. فناوری رابط مغز-کامپیوتر ادعا کرده است میتواند الگوهای مغزی خاصی برای کامپیوترها ارائه کند؛ به گونهای که بتوانند دستگاهها یا برنامهها را کنترل کنند. این فناوری بدون شک در آینده با محبوبیت زیادی روبهرو خواهد شد. در حوزه زیستآکوستیکی که جزو فناوریهای پیشرو در دنیای اومانیسم دیجیتال (digital humanism) به حساب میآید نیز میتواند کسبوکار دیجیتالی و محل کار انسانها را به یکدیگر متصل کند. جدای از خانههای متصل، روباتهای هوشمند و ماشینهای خودران این چنین فناوریهایی که بهطور کامل بر مبنای الگوریتمهای هوشمند کار میکنند، در آینده نقش مهمی در زندگی انسانها خواهند داشت.
هوشمندی ابرمحور
سیراش در این باره خاطره جالبی را بازگو کرده است: «روزگاری که در هند زندگی میکردم، پارچهای را میخریدم و سپس به خیاط مراجعه میکردم. خیاط اندازه من را میگرفت و بعد از گذشت چند هفته لباس دوختهشده را به من تحویل میداد. اما امروزه اوضاع فرق کرده است و دیگر این روش مرسوم نیست. به دلیل اینکه امروزه لباسها بهطور خودکار و در مقیاس انبوه تولید میشوند و از همه مهمتر هزینه تولید لباسهای انبوه کاملاً مقرونبهصرفه هستند. در مقطع فعلی تجزیهوتحلیل و علم دادهها شبیه به چهل سال پیش دنیای خیاطی است و ورود به این حوزه به تلاش و زمان بسیار نیاز دارد.
آینده یادگیری ماشینی در نظر دارد تا همانند الگویی که در خصوص لباسها به آن اشاره کردم، این فرایند وقتگیر را پشت سر نهد؛ به نحوی که در آینده تلاشها برای ساخت و گسترش مدلهای یادگیری ماشینی با دشواری کمتری همراه باشد. در آن زمان میتوانید مدلهای یادگیری ماشینی را به تولید انبوه برسانید. برای این منظور به حجم بسیار گستردهای از دادهها که در مراکز دادهمحور ذخیرهسازی خواهند شد نیاز دارید. پیشبینی ما این است که پلتفرمهای کلاود در آینده شبیه به فروشگاه خواهند شد. نتیجه این تلاشها در زمینه ساخت و گسترش مدلهای یادگیری ماشینی باعث تسهیل دسترسی به آنها خواهد شد و در آینده شاهد به وجود آمدن بازار بزرگ آنلاینی از برنامههای کاربردی و توابعی خواهیم بود که اجازه ساخت سریعتر برنامهها و خودکارسازی فرایندها را میدهند.»
برنامههای هوشمند ویژه مأموریتهای حیاتی
سیراش از برنامه «DocuSign» به عنوان مثال خوبی استفاده کرد که نشان میدهد چگونه یادگیری ماشینی و الگوریتمها برای طراحی برنامههای هوشمند در زمینه موقعیتهای خاص مفید واقع میشوند. او در این باره گفت: «مشتریان DocuSign به این موضوع اذعان دارند که چگونه این برنامه توانسته است نزدیک به 93 درصد از زمان بستن قراردادها کم کند.» برنامه DocuSign ابزاری است که امروزه در بیش از 188 کشور جهان استفاده میشود. با کمک این ابزار میتوانید اسناد خود را در سریعترین زمان امضا کرده و ارسال کنید.
صنعت اینترنت اشیا
مشتریان اینترنت اشیا بر این باور هستند که شرکتهایی همچون مایکروسافت، فیتبیت و مانند اینها باید بخش عمدهای از وقت خود را صرف رسیدگی به اینترنت اشیا کنند. اما صنعت اینترنت اشیا باید به این نکته توجه کند زمانی که 50 میلیارد ماشین به شبکه متصل شود، چه اتفاقی رخ خواهد افتاد؟ هر موجودیتی از بیمارستانها تا کارخانهها و بزرگراهها میتوانند قابلیتهای خود را با استفاده از اینترنت اشیا بهبود بخشند. جالب آنکه آمارهای ارائهشده در فوتبال و مدیریت شبکه انرژی با پیشرفتهای انجامگرفته در اینترنت اشیا متحول خواهد شد. اما برای نیل به این هدف ابزارهایی که در خصوص مدیریت کلان دادهها استفاده میشوند، باید دستخوش تغییراتی شوند.
تجزیهوتحلیل در مقیاس فوقالعاده
سیراش در بخش پایانی صحبتهای خود از فقدان دادهها سخن گفت. میتوانید در دریاچهای از اطلاعات که از جریانهای مختلف دادهای به دست آمده است، شیرجه بروید. اما شناگران چه کسانی هستند؟ شناگران ابزارهایی همچون هادپ، آپاچی اسپارک، NoSQL و دیگر برنامههای کاربردی هستند که در مقیاس وسیع توانایی ارائه بینش عملی در این زمینه را دارند. در نتیجه انتظار داریم تا در آینده یادگیری ماشینی به مدد این ابزارهای فوقتحلیلی، بتواند حجم گستردهای از اطلاعات تولیدشده را تجزیه کند.
بینش ماشینی، دقیقتر از بینش انسانی
در اجلاس اقتصاد که چندی پیش در داووس برگزار شد، «اندرو مک آفی»، کارشناس دادهها، با بیان اینکه انقلاب صنعتی که حاصل کار دستی انسان بوده رو به افول گذاشته است، اعلام کرد که اکنون انقلاب دیجتالی کار خود را آغاز کرده است؛ انقلابی که احتمالاً به کاهش برتری مغز انسان منجر خواهد شد. در آلمان، از الگوریتمی برای خواندن علائم نصبشده در خیابانها استفاده شد. عملکرد این الگوریتم در تشخیص درست علائم 99.4 درصد اعلام شده است. در حالی که همین نرخ در نمونه مشابه انسانی تنها پنج درصد بوده است. با توجه به گزارش «Kaggle» الگوریتمهای یادگیری ماشین که در حال حاضر استفاده میشوند، کارایی بهتری در مقایسه با انسانها در بعضی از زمینهها دارند. حوزههایی که در گذشته تنها در تسلط انسانها بود. گوگل، آمازون، نتفلیکس بهطور فزایندهای بر الگوریتمهای یادگیری ماشینی تکیه کردهاند. این الگوریتمها در عمل نشان دادهاند که در بعضی از حوزهها بهتر از نیرویهای متخصص میتوانند استراتژیهای کسبوکار شرکتها را در مسیر رشد قرار دهند.
پرسشی بنیادی: آیا یادگیری ماشینی مجموعهای از تناقضات است؟
در حالی که این روزها همهجا صحبت از یادگیری ماشینی و هوش مصنوعی در میان است و بسیاری از شرکتها و سازمانها بزرگ برای افزایش بهرهوری و کاهش هزینههای خود سعی دارند در سریعترین زمان ممکن خود را به این فناوریها مجهز سازند، اما یک پرسش اساسی مطرح میشود: «آیا این احتمال وجود دارد که یادگیری ماشینی در دراز مدت بر روند فکری انسانها تأثیر سوئی بر جا گذارد؟» توماس فری، از مؤسسه داوینچی به سه پیامد اجتنابناپذیر عصر ماشینی اشاره کرده است. معایبی که در دراز مدت کسبوکارها را تحت تأثیر خود قرار خواهد داد. او در این باره گفته است: «شیوه زندگی امروزی بهطور فزایندهای بر پایه سیستمهای یادگیری ماشینی استوار شده است. این سیستمها بهتدریج باعث فرسایش انسانها در رویارویی با مشکلات خواهند شد. اگر زندگی سادهتر و بدون دردسرتر شود، کل نژاد بشر در برابر تهدیدات و حوادث ناگهانی آسیبپذیر خواهند شد. راهحلهای ماشینمحور عمدتاً به سمت ارائه راهحلهای آماده یا به عبارت دقیقتر کنسروشده متمایل هستند. همین موضوع باعث میشود اصالت انسانی رو به تنزل نهاده و شانس ارائه راهحلهای نوآورانه بهطرز محسوسی کاهش پیدا کند. وابستگی بیش از اندازه به دستگاها به آسانی انسانها را در خود حل خواهد کرد؛ حتی ممکن است هسته اصلی تمدن بشری را دستخوش تغییر کند. آیا این راهحل مطلوبی است که به دنبال آن هستیم؟
ثبت نظر