طبق تحقیقی که اوایل سال ۲۰۱۶ از ۱۶۸ شرکت پیشگامی که به یادگیری ماشینی و بازمهندسی ماشینی رو آوردند، انجام شده است، سرعت اجرای فرایندها در بیشتر شرکت‌ها دوبرابر و حتی بیشتر شده است و در برخی سازمان‌ها گزارش‌هایی از افزایش سرعت و بهبود فرایندهای ده‌برابری و بیشتر یافت می‌شود.
چگونه شرکت‌ها این کار را انجام می‌دهند؟ تحقیقات نشان می‌دهد سازمان‌ها با استفاده از بازمهندسی ماشینی، شیوه‌های جدیدی از ارتباط و همکاری میان انسان و ماشین ایجاد می‌کنند که می‌تواند تنگناهای حاصل از پیچیدگی‌های فرایندهای دیجیتالی را درهم بشکند و از میان بردارد. بازمهندسی ماشینی در برخی موارد مانند نوشتن گزارش‌ها یا تفسیر تصاویر، مستقیماً به کارگران کمک می‌کند بتوانند کارهایشان را به صورت دیجیتالی انجام دهند.

در برخی دیگر از موارد، بازمهندسی ماشینی به افراد کمک می‌کند بینش و درک صحیحی از کوه انباشته‌‌شده اطلاعات کشف کنند و بفهمند باید با این اطلاعات چه کار کنند. در این مطلب قصد داریم نمونه‌هایی ذکر کنیم که شرکت‌ها با استفاده از بازمهندسی ماشینی می‌توانند آن‌ها را سریع‌تر و هوشمندتر انجام دهند.

اسکن تصاویر، صدا و متن
همان‌طور که شرکت‌های تجاری در حال پیاده‌سازی استراتژی‌های دیجیتالی خود هستند، به طور هم‌زمان کار فشرده و سنگین جدیدی را برای تبدیل همه اطلاعات تاکنون‌جمع‌آوری‌شده شرکت به نسخه دیجتال آغاز می‌کنند. این اطلاعات سازمان‌یافته و ساختارمند نیستند و در فرمت‌های گوناگونی ذخیره‌سازی، جمع‌آوری و بایگانی شده‌اند. به علاوه، این اطلاعات حجم بسیار زیادی دارند که شاید نتوان برایش مقیاسی مشخص کرد. در این شرایط، شرکت‌ها باید افراد زیادی استخدام کنند تا با اسکن و جست‌وجو در میان این اطلاعات، گام اول را برای دیجیتالی شدن بردارند. همکاری انسان و ماشین می‌تواند بر اسکن اطلاعات تمرکز کند و حداقل مرتب‌سازی و تبدیل سه نوع فرمت تصویر، صدا و متن را به نسخه دیجیتالی سرعت بخشد.

    تحقیقات نشان می‌دهد سازمان‌ها با استفاده از بازمهندسی ماشینی، شیوه‌های جدیدی از ارتباط و همکاری میان انسان و ماشین ایجاد می‌کنند

پیش‌نمایش ویدیو
شرکت «Clarifai» که در نیویورک مستقر است، از یادگیری ماشینی برای یافتن افراد و اشیا در ویدیوها بهره می‌گیرد. یک ویدیوی ۳.۵ دقیقه‌ای از اجتماع مردم فقط در ده ثانیه بررسی و تحلیل می‌شود. این فناوری می‌تواند در این ویدیو انواع مختلف مردم را شناسایی و انتخاب کند تا تبلیغات هدفمند و مؤثرتری انجام شود. همچنین، فناوری یادگیری ماشینی می‌تواند به سردبیران رسانه‌ها یا مدیران شرکت‌های مالتی‌مدیایی کمک کند روش‌های جدیدی از ویرایش و سازمان‌دهی اطلاعات ویدیویی را در پیش بگیرند. این نوع دستیار ویرایشی خودکار ویدیوها می‌تواند کارهای تکراری روزانه شرکت‌های رسانه‌ای، مالتی‌مدیا، تبلیغات و فیلم‌سازی را به طور خودکار انجام دهد.

ترجمه و درک تصاویر
شرکت «MetaMind» در سیلیکون‌ولی سرویسی به نام «HealthMind» عرضه کرده است که از بینایی ماشینی (computer vision) برای تحلیل تصاویر اسکن پزشکی مغز، چشم و ریه‌ها استفاده می‌کند تا بتوانند تومور و ضایعات را تشخیص دهند و شناسایی کنند. سرویس HealthMind مبتنی بر تکنیک‌های عمیق یادگیری ماشینی برای پردازش زبان طبیعی، بینایی ماشینی و الگوریتم‌های پیش‌بینی پایگاه داده است. این سرویس در نهایت به پزشکان و متخصصان بیمارستانی کمک می‌کند تا در کمترین زمان و با ضریب اطمینان بسیار بالا تصاویر اسکن اعضای بدن را تفسیر کنند و بهترین مشاوره‌ها را به بیماران خود ارائه دهند.

مستندسازی و ثبت اطلاعات
ماشین‌ها می‌توانند به‌کمک آموزش در مدت‌زمان فشرده وظایفی مانند مستندسازی و ثبت و ورود اطلاعات را انجام دهند و به کارمندان دانش‌بنیان اجازه می‌دهند وقت خود را برای وظایف مهم‌تری مانند حل مسئله‌های سطح بالا صرف کنند. برای مثال، استارت‌آپ لندنی به نام «Arria» به مشتریان خود کمک می‌کند به طور خودکار گزارش‌هایی در صنایع مختلف از تجهیزات بهداشتی تا نفت، گاز و بازارهای بورس تولید و تهیه کنند. این شرکت با استفاده از تکنیک‌های پردازش زبان طبیعی، به سیستم‌ها آموزش می‌دهد چگونه با اسکن متن‌ها و تعیین روابط میان مفاهیم مختلف گزارش‌های لازم را بنویسند. سپس، این سیستم‌ها یاد می‌گیرند که چگونه از روی اطلاعات جدید واردشده، گزارش‌های به‌روزرسانی‌شده‌ای تهیه کنند. استارت‌آپ Arria به همگان نشان داده است که با تغییر فرایندها می‌توان بهره‌وری نیروهای کاری دانش‌بنیان را تا ۲۵ درصد افزایش داد. برای مثال، مهندسان باید در هر ماه حدود ۴۰ ساعت را صرف تهیه گزارش‌های ماهیانه خود کنند که در شرایط جدید می‌توانند این مدت‌زمان را ذخیره و برای مسائل مهم‌تری صرف کنند.

    فناوری یادگیری ماشینی می‌تواند به سردبیران رسانه‌ها یا مدیران شرکت‌های مالتی‌مدیایی کمک کند روش‌های جدیدی از ویرایش و سازمان‌دهی اطلاعات ویدیویی را در پیش بگیرند.

کشف مفاهیم پنهان
افزایش حجم اطلاعات در سیستم گردش کار می‌تواند موجب افزایش زمان کشف مسئله و مفاهیم پنهان‌شده در سیستم و انجام دادن کارهای مورد نیاز شود. این وضعیت در معاملات سهام، بازاریابی، کارخانه‌ها و هرجا که افزایش بار کاری و جریانی از اطلاعات به یافتن سخت‌تر اطلاعات باارزش ختم می‌شود، به وفور مشاهده خواهد شد. با تولید ماشین‌هایی که با انسان در تعامل و ارتباط هستند، مردم می‌توانند سریع‌تر و بهتر اطلاعات باارزش، مفاهیم و مسائل پنهان‌شده در لایه‌های زیرین سیستم‌های صنعتی مبتنی بر بیگ‌دیتا را کشف و بررسی کنند. مطالعات صورت‌گرفته در این زمینه نشان می‌دهد یادگیری ماشینی چهار حوزه بسیار مشخص را هدف‌گذاری کرده است:
1. نظارت بر بازار
استارت‌آپ نیویورکی «Dataminr» با استفاده از انواع شاخص‌ها اطلاعات مربوط به معاملات بازار بورس و سهام را رصد و نظارت می‌کند. این شرکت هر دیتای خامی را که اطلاعات مفیدی درباره بازار بورس و معاملات سهام دارد، پایش می‌کند. این کار با نظارت بر انتشار اطلاعات روی شبکه‌های مربوطه صورت می‌گیرد. سپس این اطلاعات باارزش را در اختیار معامله‌گران و مشتریان قرار می‌دهد و به نوعی راهنمایشان می‌کند که چگونه و چه زمانی وارد بازار بورس و سهام شوند.
با استفاده از اطلاعات این شرکت، گاهی یک مشتری در بازه سه‌دقیقه‌ای از خریدوفروش سهام می‌تواند به سود هنگفتی دست پیدا کند. از سوی دیگر، سرویس‌های خبری با استفاده از اطلاعات Dataminr می‌توانند اخبار و رویدادهای مربوط به سود و زیان شرکت‌ها، افت سهام و هر چیز مربوط به این بازار را پوشش دهند.

2. مدل‌سازی پیش‌بینی
یک شرکت نوبنیاد نیویورکی به نام «SailThru» به بازاریاب‌ها کمک می‌کند با استفاده از تحلیل ایمیل‌ها و اطلاعات مبتنی بر وب، پروفایل‌های کاربردی‌تری برای مشتریان بسازند. سیستم‌های این شرکت می‌آموزند با دریافت علاقه‌مندی‌ها و موضوع‌های مهم مدنظر مشتریان و نظارت بر رفتارهای خریدهای رخداده، پیش‌بینی کنند هرکدام از کاربران وب قصد خرید چه‌چیزی را دارند. طبق گزارش‌هایی که شرکت SailThru منتشر کرده است، با استفاده از این سیستم‌های یادگیرنده برای مشتری به نام «Clymb»، طی سه ماه افزایش ۱۲درصدی درآمدزایی روی ایمیل و افزایش کلی هشت درصدی فروش از روی بازاریابی ایمیلی رخ داده است.
Clymb با ترکیب پروفایل‌های مشتریان با اطلاعات پیش‌بینی‌کننده دریافت‌شده از استارت‌آپ SailThru، توانسته است فروش خود را ۱۷۵ درصد برای هر هزار ایمیل ارسالی افزایش دهد و از سوی دیگر نرخ ریزش دریافت‌کنندگان ایمیلی را ۷۲ درصد کاهش دهد.

3. تحلیل‌های ریشه‌ای
«Sight Machine» یک شرکت تحلیل اطلاعات کارخانه‌ای مستقر در شهرهایی مانند میشیگان، سان‌فرانسیسکو و لیوونی است که به مشتریانش کمک می‌کند مشکلات سخت و پیچیده مربوط به کیفیت سرویس را حل کنند. یکی از مشکلاتی که این شرکت می‌تواند برای مشتریان خود حل کند، تفسیر و تحلیل پیام خطای کیفیتی است که می‌تواند صدها کد پیغام خطا و به طور بالقوه هزاران سنسور مختلف در بخش‌های یک خط تولید را حساس و فعال کند.

    با تولید ماشین‌هایی که با انسان در تعامل و ارتباط هستند، مردم می‌توانند سریع‌تر و بهتر اطلاعات باارزش، مفاهیم و مسائل پنهان‌شده در لایه‌های زیرین سیستم‌های صنعتی مبتنی بر بیگ‌دیتا را کشف و بررسی کنند

نرم‌افزارهای Sight Machine با استفاده از یادگیری ماشینی به تحلیل و تفسیر الگوهای این خطاها می‌پردازند و به مهندسان کمک می‌کنند با سرعت زیادی خطاهای بسیار کوچک و جزئی را که می‌توانند دلایل ریشه‌ای در سیستم داشته باشند، مشاهده و رفع کرده یا پیغام‌های خطای جزئی را برای یافتن علت ریشه‌ای مشکل بررسی کنند. در صنایع و کارخانه‌های تولیدی بزرگ، یافتن سریع خطای جزئی ریشه‌ای اهمیت بسیاری دارد، چون می‌تواند از، از کار افتادن یک خط تولید و خرابی دستگاه‌ها جلوگیری کند.

4. پیشگویی خرابی
یادگیری ماشینی می‌تواند برای تصمیم‌گیری‌های انسانی درباره جلوگیری از خرابی‌های کارخانه‌ای در وضعیت‌هایی که به‌راحتی قابل کشف نیست، مشاوره‌ دهد و کمک‌های مفیدی کند. این نرم‌افزارهای یادگیری ماشینی با بررسی و تحلیل اطلاعات باارزش و معنادار رفتار کارخانه، سعی می‌کنند خرابی احتمالی را پیشگویی کنند. شرکتی مانند Sight Machine با تجزیه و تحلیل اطلاعات برای یافتن رفتارها و الگوهای قبل از خرابی، به مهندسان کارخانه کمک می‌کند بتوانند مشکلی را در سیستم قبل از رخ دادن کشف و رفع کنند. یکی از مشتریان این شرکت توانسته است با استفاده از روبات‌های جدیدی در خط تولید کارخانه‌اش و همکاری با Sight Machine، مدت زمان دان‌تایم را ۵۰ درصد کاهش و کارایی را ۲۵ درصد در ماه افزایش دهد.

نتیجه‌گیری
هنوز در روزهای اولیه یادگیری ماشینی هستیم؛ بنابراین دور از انتظار نیست که بتوان کاربردهای بسیار وسیع‌تری از این فناوری را در سال‌های آینده کشف و استفاده کرد. اما آنچه در حال حاضر روشن است، یادگیری ماشینی و تکنیک‌هایی مانند بازمهندسی ماشینی، قدرت و ظرفیت کمک به مدیریت هجوم اطلاعات و در نتیجه محدودیت‌ها و تنگناهای سازمان‌های مدرن را دارند. نیروی انسانی می‌تواند مؤثرتر و کارآمدتر استفاده شود و سیستم‌ها و گردش کار بهبودهای قابل توجهی داشته باشند. اگر در سال‌های آینده و مسیر رو به جلوی فناوری، اطلاعات در حال افزایش است، بازمهندسی ماشینی نیز یکی از تکنیک‌های هموار کردن
این مسیر است.