یادگیری عمیق نقش کلیدی در آینده کسب و کار خواهد داشت

هنگامی که یک مشکل یا موضوعی را که نیاز به تصمیم گیری دارد “بررسی” می کنید، احتمالاً احساس می کنید که در حال بررسی یک چک لیست خطی هستید. اما مغز انسان اینگونه عمل نمی کند. در یک الگوی غیر خطی پردازش می کند. و اساساً این همان روشی است که یادگیری عمیق، زیرمجموعه ای از هوش مصنوعی (AI) نیز کار می کند.

یادگیری عمیق، در اصل، از مثال‌ها یاد می‌گیرد – کاری که مغز انسان انجام می‌دهد. این تقلید از روشی است که انسان ها انواع خاصی از دانش را به دست می آورند. از آنجایی که یادگیری عمیق اطلاعات را به روشی مشابه پردازش می کند، می توان از آن برای انجام کارهایی استفاده کرد که افراد می توانند انجام دهند – به عنوان مثال، یادگیری نحوه رانندگی با ماشین یا شناسایی سگ در تصویر.

یادگیری عمیق همچنین برای خودکارسازی تجزیه و تحلیل های پیش بینی استفاده می شود – به عنوان مثال، شناسایی روندها و الگوهای خرید مشتری تا یک شرکت بتواند مشتریان بیشتری به دست آورد و تعداد بیشتری از آنها را حفظ کند. آن بخش‌هایی را در سایت‌های خرده‌فروشی می‌شناسید که هنگام خرید یک پیچ گوشتی جدید، اقلامی را که «اغلب با هم خریداری می‌شوند» نشان می‌دهند؟ اینها بر اساس الگوریتم‌های یادگیری عمیق پیش‌بینی‌کننده هستند که هم جستجوی فعلی و هم الگوهای خرید قبلی شما را برای پیشنهاد محصولات اضافی که ممکن است به آن‌ها نیز نیاز داشته باشید، در نظر گرفته‌اند.

سایر برنامه‌های کاربردی شامل برخوردها و فعالیت‌های روزمره متعدد، مانند دستیاران مجازی، تشخیص کلاهبرداری، ترجمه زبان، ربات‌های چت و خدمات، رنگ‌آمیزی تصاویر سیاه و سفید، تشخیص چهره و تشخیص بیماری‌ها هستند.

یک مثال ساده از کاربرد شبکه عصبی در تجزیه گفتار است. شبکه صداهایی را از صوت خام می گیرد، که با هم ترکیب می شوند و هجاها را می سازند، که با هم ترکیب می شوند و کلمات را می سازند، که ترکیب می شوند تا عباراتی را ایجاد کنند که اقدامات را تحریک می کند. دستگاه یاد می‌گیرد که این صدای خاص به این معنی است که باید موجودی کارت اعتباری را جمع‌آوری کند و هر چه تعداد دفعات بیشتری از آن درخواست شود، دقیق‌تر می‌شود.

شبکه های عصبی جدید نیستند. آنها از دهه 1940 وجود داشته اند. در سال 1943، دو دانشمند کامپیوتر مدل‌هایی از شبکه‌های عصبی را معرفی کردند، سوئیچ‌های آستانه‌ای را بر اساس نورون‌ها بازسازی کردند و نشان دادند که حتی شبکه‌های ساده‌ای از این نوع قادر به محاسبه تقریباً هر تابع منطقی یا حسابی هستند.

اولین پیش سازهای کامپیوتری توسط یک دانشمند کامپیوتر ساخته شد که از محاسبه مسیرهای بالستیک با دست خسته شده بود. امروزه، بیش از 70 سال بعد، یادگیری عمیق در پیچیدگی و استفاده، در درجه اول به دلیل افزایش قدرت محاسباتی (همراه با کاهش شدید هزینه‌ها برای هر واحد قدرت)، مدل‌سازی بهتر و در دسترس بودن داده‌ها، گسترش یافته است. یادگیری عمیق به حجم عظیمی از داده ها نیاز دارد. در حال حاضر، تخمین زده می‌شود که داده‌هایی که ما هر روز تولید می‌کنیم 2.6 کوئینتیلیون بایت است . و می تواند مجموعه داده های عظیم را بسیار سریعتر از یک انسان تجزیه و تحلیل کند. ماشین ها از یکنواختی یا خستگی رنج نمی برند.

بیایید با استفاده از مثال خودروهای خودران به این سوال پاسخ دهیم. یادگیری عمیق این خودروهای خودران را در اختیار ما قرار داده است، اما بعید به نظر می رسد که آنها تمام تصادفات جاده ای را از بین ببرند، چیزی که شبیه به یک مدینه فاضله خودران است. در واقع، یک مطالعه اخیر از مؤسسه بیمه ایمنی بزرگراه (IIHS) می گوید که وسایل نقلیه خودران تنها از یک سوم تصادفات جلوگیری می کنند. با این حال، این موفق تر از مردم است.

با این حال، نگرانی‌ها در مورد پذیرش گسترده ممکن است شامل افزایش نرخ تصادفات در روزهای اولیه عرضه، با فراگیری فناوری، واگذاری تصمیمات اخلاقی به تولیدکنندگان و مشکل در نسبت دادن مسئولیت حوادث باشد. و سپس هک وجود دارد، زیرا در نهایت، یادگیری عمیق صرفاً فناوری است که در یک وسیله نقلیه محصور شده است. در مارس 2019، دو هکر «کلاه سفید» (بچه های خوب) تنها به چند دقیقه زمان نیاز داشتند تا از مرورگر سیستم اطلاعات سرگرمی عبور کنند تا وارد رایانه تسلا شوند، کد خود را اجرا کنند و ماشین به دستورات آنها پاسخ دهد .

ما همچنین باید استفاده از یادگیری عمیق را از دیدگاه مصرف کننده در نظر بگیریم. اگر “کار نمی کند” – برای مثال، قفل تلفن باز نمی شود – می تواند مشتری ناراضی یا ناامید ایجاد کند که هدف را شکست می دهد. پیچیده تر شدن این موضوع، به دلیل پیچیدگی شبکه های عصبی در یادگیری عمیق، می تواند دشوار باشد که بدانیم کجا یا چرا سیستم به اشتباه افتاده است. دانشمندان داده که اغلب به عنوان جعبه سیاه یادگیری عمیق توصیف می شود، در حال تلاش برای بهبود دید و شفافیت در مورد نحوه عملکرد مدل های یادگیری عمیق هستند.

مدل‌ها همچنین می‌توانند ناخواسته تعصب داشته باشند – و این مدل‌های یادگیری عمیق برای تصمیم‌گیری‌های مهم، از جمله اینکه چه کسی وام، شغل یا آزادی مشروط دریافت می‌کند، استفاده می‌شود. یادگیری عمیق باید دارای حفاظ های روشن با ساختارهای حاکمیتی مناسب باشد.

یادگیری عمیق به ما جستجوهای محصول مبتنی بر تصویر – برای مثال Pinterest – و روش‌های کارآمد برای مرتب‌سازی میوه‌ها و سبزیجات برای کاهش هزینه‌های نیروی کار را در اختیار ما قرار داده است. مورد اول بیشتر یک راحتی برای مصرف کننده است، در حالی که دومی یک مورد تجاری واقعی برای بهره وری است.

منابع قابل توجهی برای یادگیری عمیق در خدمات مالی قرار داده شده است، که در آن برای کشف تقلب، کاهش ریسک، خودکار کردن معاملات و ارائه “مشاوره های رباتیک” به سرمایه گذاران استفاده می شود. بر اساس گزارش واحد اطلاعات اکونومیست (EIU)، 86 درصد از شرکت های خدمات مالی قصد دارند تا سال 2025 سرمایه گذاری های مرتبط با هوش مصنوعی خود را افزایش دهند .

تعبیه هوش مصنوعی در سراسر کسب و کار شما این قدرت را دارد که تمایز و رقابت را افزایش دهد، بهره وری را افزایش دهد، بر حفظ آنها تأثیر بگذارد و حتی روند بیماری را تغییر دهد – و این در سراسر صنایع و در همه جنبه های کسب و کار اتفاق می افتد.

این امر بر همه چیز تأثیر می گذارد، از ایجاد مجدد مدل های کسب و کار و عملیات، تا استراتژی های استخدام و حفظ، تا ایجاد فرهنگ های جدید شرکتی که نه تنها دربرگیرنده بلکه امکان استفاده از یادگیری عمیق را فراهم می کند. با این حال، بر اساس برخی برآوردها، کمتر از 1٪ از داده‌های بیشتر سازمان‌ها مورد استفاده قرار می‌گیرد، حتی اگر مقادیر انبوهی از داده‌ها برای استفاده برای تصمیم‌گیری متحول کننده وجود داشته باشد. چه زمانی شروع به ضربه زدن – و استفاده از – مال خود می کنید؟