«هیچ جادویی در کار نیست. یادگیری ماشینی فقط یک ابزار معمولی نیست، بلکه یک ابزار واقعاً مهم است.»
این گفته گرِگ کورادو، یکی از دانشمندان ارشد تحقیقاتی گوگل، درباره یادگیری ماشین است.
این ابزار مسئولیت بسیاری از پیشرفتهای اخیر در حوزه علوم رایانه را بر عهده دارد. ما شاهد استفاده از یادگیری ماشینی برای امکان‌پذیر ساختن تشخیص تصویر و ترجمه متن بوده‌ایم که بخشی از آن به شاخه پیشرفتهای از یادگیری ماشینی به نام یادگیری عمیق مربوط می‌شود.
افراد از یادگیری ماشینی بهره می‌گیرند تا تعامل با رایانه را هر چه بیشتر شبیه تعامل با انسان کنند.
میتول تیواری، همبنیانگذار PassageAI می‌گوید: «ما از یادگیری ماشینی و هوش مصنوعی برای ساخت چت‌بات‌‌های گفتگوی هوشمند و مهارت‌های صوتی استفاده می‌کنیم. این رابط‌های کاربری گفتگو و AI محور، از روی سؤال و جواب‌های متداول به سؤالات پاسخ می‌دهند، از طریق خدمات دربانی در هتل‌ها، به کاربران کمک می‌کنند و اطلاعاتی درمورد محصولات فروشگاهی فراهم می‌سازند. پیشرفتهای رخ‌داده در شبکه عصبی عمیق یا یادگیری عمیق، بسیاری از این کاربردهای هوش مصنوعی و یادگیری ماشینی را ممکن ساخته‌اند.»
همان‌طور که تیواری اشاره می‌کند، کاربردهای یادگیری ماشینی فراتر از علوم رایانه‌ای گسترش یافته است، به طوری که بسیاری از صنایع در پی بهره‌برداری از آن هستند و ما تاکنون شاهد نتایج این جریان بوده‌ایم. در این مقاله ما 15 نمونه از کاربردهای یادگیری ماشینی را گردآوری کرده‌ایم که به شرکت‌هایی از صنایع گوناگون تعلق داشته و همگی از یادگیری ماشینی برای ساخت محصولات و خدمات نوآورانه استفاده می‌کنند.
1. موتورهای پیشنهاددهنده
نمونه: پیشنهادات نتفلیکس برای تماشا
حوزه کاربرد: رسانه، سرگرمی، فروش
نیاز به سریال جدیدی برای پر کردن اوقات فراغت تان دارید؟ نتفلیکس می‌تواند چنین چیزی را به شما پیشنهاد دهد. درواقع، این سرویس از قبل صفحه نخست یا Home Page شما را بررسی کرده است. نتفلیکس با استفاده از یادگیری ماشینی برای مدیریت کلکسیون نمایش‌ها و فیلم‌های تلویزیونی، تاریخچه پخش و عادت‌های میلیون‌ها کاربر را بررسی می‌کند تا برنامه‌هایی را پیشنهاد دهد که بینندگان احتمالاً از آن لذت خواهند برد.
2. عکس‌های ذخیره شده، تگ خورده و دسته بندی شده
نمونه: تصاویر بررسی و بارگذاری شده روی سایت Yelp
حوزه کاربرد: جستجو، موبایل، اجتماعی
بررسی‌های جمعی Yelp همه چیز را پوشش می‌دهند؛ ازجمله رستوران‌ها، مطب پزشکان، باشگاه‌ها، سالن‌های کنسرت و غیره. مخاطبان Yelp ترغیب می‌شوند تا علاوه بر دادن رتبهبندی ستاره‌ای و ارزیابی مکتوب، در مطالب خود از کسب و کاری که در حال ارزیابی آن هستند یا از خدماتی که دریافت می‌کنند عکس‌هایی را بارگذاری کنند. ظاهراً Yelp میزبان ده‌ها میلیون عکس بوده و از یادگیری ماشینی برای مرتب کردن آن‌ها استفاده می‌کند. به‌عنوان مثال وقتی رستوران محبوبی را در Yelp جستجو کنید، تصاویر در چند گروه مرتب شده-اند: منوها، غذا، محیط داخلی، محیط بیرونی و غیره. بدین‌ترتیب، یافتن عکس‌های مربوطه را ساده‌تر از زیر و رو کردن تمام آن‌ها می‌کند.
3. ماشین‌های خودران
نمونه: ماشین‌های کمپانی Waymo از یادگیری ماشینی برای درک پیرامون خود استفاده می‌کنند.
حوزه کاربرد: خودرو، حمل و نقل
Waymo، شاخه‌ای از پروژه خودروی خودکار گوگل است. هدف این پروژه، ساخت ماشین‌هایی است که خودشان بتوانند بدون راننده انسانی رانندگی کنند. برای انجام این کار، ناوگان Waymo نیازمند کمک جدی هوش مصنوعی است. خودروهای Waymo از یادگیری ماشینی برای دیدن پیرامون خود استفاده نموده، به آن‌ها معنی می‌دهند و نحوه رفتار دیگران را پیش‌بینی می‌کنند. با وجود متغیرهای زیادی که در مسیر حرکت، رفتارشان را تغییر می‌دهند، وجود یک سیستم یادگیری ماشینی پیشرفته برای دستیابی به موفقیت، ضروری است.
4. یادگیری و آموزش با بازی
نمونه: درس‌های زبان Duolingo
حوزه کاربرد: آموزش
Duolingo یک اپلیکیشن آموزش زبان رایگان است که طراحی شده تا سرگرم‌کننده و اعتیادآور باشد. هرچند استفاده از این اپلیکیشن کمی شبیه بازی با گوشی همراهتان است اما تأثیرگذاریش را تحقیقات اثبات کرده‌اند. یکی از جنبه‌های این اثربخشی، یادگیری ماشینی را شامل می‌شود. Duolingo با استفاده از جواب‌های کاربر، به یک مدل آماری رسیده است. این مدل بیان می‌کند که هر کس تا چه مدتی احتمال دارد واژه خاصی را قبل از نیاز به تجدید خاطره، به یاد بیاورد. Duolingo با در دست داشتن چنین اطلاعاتی، می‌داند که در چه زمانی و به چه کاربرانی باید هشدار دهد که مطالعه دوباره یک درس قدیمی احتمالاً به نفعشان است.
5. محاسبه معیارهای ارزش عمر مشتری
نمونه: فروشگاه آنلاین Asos از CLTV برای سودآوری استفاده می‌کند.
حوزه کاربرد: مد
Asos، خرده‌فروش دنیای مد، از یادگیری ماشینی جهت تعیین ارزش عمر مشتری استفاده می‌کند. این معیار، سود خالصی را برآورد می‌کند که یک کسب و کار به مرور زمان از یک مشتری خاص به دست می‌آورد. در مورد Asos، CLTV نشان می‌دهد که کدام مشتریان احتمال دارد به خرید کردن از Asos ادامه دهند. وقتی تکلیف این مسئله روشن شد، Asos می‌تواند مشتریان CLTV-بالا را در اولویت قرار داده و آن‌ها را متقاعد کند که مرتبه بعد بیشتر خرج کنند. باتوجه به این که خرده‌فروشان در مواجهه با مشتریان CLTV-پایین، در نهایت ضرر مالی می‌کنند، این مدل سودآوری Asos را تضمین می‌کند.
6. پیش‌بینی این که بیماران چه زمانی مریض می‌شوند
نمونه: پلتفرم KenSci به بهداشت‌یاران کمک می‌کند
حوزه کاربرد: مراقبت‌های بهداشتی
KenSci به بهداشت‌یاران کمک می‌کند تا پیش‌بینی کنند که وضعیت سلامتی کدام بیماران وخیم خواهد شد؛ بدین‌ترتیب می‌توانند زودتر مداخله نموده و در هزینه و احتمالاً ضررهای جانی بیماران صرفه‌جویی کنند. این کار با استفاده از یادگیری ماشینی و به‌منظور تحلیل پایگاه‌های داده اطلاعات بیمار از جمله سوابق پزشکی الکترونیک، داده‌های مالی و مبالغ دریافتی از بیمه انجام می‌شود.
7. تعیین ارزش اعتباری
نمونه: مدل Deserve برای اعطای وام دانشجویی
حوزه کاربرد: مالی
شرکت‌های سنتی کارت اعتباری، براساس سوابق اعتباری افراد، شایستگی آن‌ها برای انتخاب شدن را تعیین می‌کنند. اما این می‌تواند برای آن‌هایی که هیچ سابقه اعتباری ندارند مشکل‌ساز شود. در پرتو همین مسئله، Deserve که دانشجویان و متقاضیان جدید کارت اعتباری را هدف گرفته، ارزش اعتباری را با استفاده از الگوریتم یادگیری ماشینی محاسبه می‌کند که عوامل دیگری مثل سلامت و عادات مالی فعلی را حساب می‌کند.
8. ایمیل‌های هدفمند
نمونه: پلتفرم بازاریابی Optimail
حوزه کاربرد: بازاریابی
Optimail از هوش مصنوعی و یادگیری ماشینی استفاده می‌کند تا با سفارشی‌کردن و شخصی سازی محتوا و تنظیم زمان‌بندی، پویش‌های بازاریابی ایمیلی مؤثرتری را به اجرا درآورده و بیشترین تأثیر را بر هر گیرنده‌ای اعمال کند.
9. رتبه بندی پست‌های رسانه اجتماعی
نمونه: گاه‌شمار توییتر
حوزه کاربرد: رسانه اجتماعی
هر کاربری در توییتر می‌داند که حجم مهیبی از توییت‌ها برای غربالگری وجود دارد. اما همه این توییت‌ها با هم برابر نیستند. در اصل توییتر جدیدترین توییت‌ها را در صدر گاه‌شمار هر کاربری نشان می‌دهد. با این وجود، این می‌تواند به معنای احتمال از دست رفتن بعضی از پست‌های جالب باشد. به همین خاطر توییتر، گاه‌شمارهایش را با استفاده از یادگیری ماشینی مجدداً طراحی کرد تا توییت‌هایی را در صدر قرار دهد که بیشترین ارتباط را با هر کاربری دارند. درحال‌حاضر با استفاده از این مدل، توییت‌ها بر اساس امتیاز ارتباطشان رتبهبندی می‌شوند (براساس چیزی که کاربر بیشتر با آن درگیر است، حساب‌های کاربری محبوب و… ). سپس خوراک شما در صدر قرار می‌گیرد تا امکان دیدنش بیشتر شود.
10. مزرعه‌داری با نگاه رایانه‌ای
نمونه: فن‌آوری Blue River (رودخانه آبی) به نام «See & Spray»
حوزه کاربرد: کشاورزی
فن‌آوری Blue River به نام «See & Spray» از دید رایانه‌ای و یادگیری ماشینی به‌منظور شناسایی گیاهان در زمین‌های کشاورزی استفاده می‌کند. این فن‌آوری به‌خصوص برای مکان‌یابی علف‌های هرز در چندین هکتار زمین زراعی کاربرد دارد. تجهیزات See & Spray همان‌طور که از اسمش برمی‌آید، می‌توانند گیاهان خاصی را هم هدف گرفته و روی آن‌ها علف‌کش یا کود بپاشند. این کار بسیار کارآمدتر از سم‌پاشی کل زمین بوده و برای محیط هم خیلی بهتر است.
11. رساندن شما به پاسخ‌های درست
نمونه: رتبهبندی پاسخ فوق اختصاصی Quora
حوزه کاربرد: جستجو
Quora از یادگیری ماشینی به چند روش استفاده می‌کند، اما برجسته‌ترین شیوه آن، تعیین پرسش و پاسخ‌های متناسب با جستجوی کاربر است. یادگیری ماشینی این شرکت، در هنگام رتبهبندی پاسخ‌ها به یک سؤال خاص، دقت و صحت، صداقت، قابلیت استفاده مجدد و خصوصیات متنوع دیگر را به حساب می‌آورد تا به همه سؤالات «بهترین» پاسخ را بدهد.
12. ارائه دیدگاه‌های شخصی به کسب و کارها
نمونه: مجموعه محصولات داده‌فشرده‌ی Civis Analytics
حوزه کاربرد: آنالیز، ابر، تحلیل مصرف‌کننده
پلتفرم‌های Civis Analytics از یادگیری ماشینی استفاده می‌کنند تا به شرکت‌ها بینش عمیق‌تری نسبت به داده‌های خودشان بدهند. برای مثال سازمان‌هایی مثل The Bill و بنیاد Melinda Gates، از پلتفرم یادگیری ماشینی Civis به‌منظور نظارت بر گرایش‌های صنعتی و پیش‌بینی عادات مصرفی بهره می‌گیرند.
13. شفافیت در صنعت بسته بندی محصولات مصرفی
نمونه: 22،000 خصوصیت فردی برای هر محصول
حوزه کاربرد: آنالیز، خرده‌فروشی، مراقبت بهداشتی
مجموعه Label Insight از یادگیری ماشینی و علم داده به‌منظور خلق بیش از 22،000 ویژگی رده‌بالا برای کالاهای بسته‌بندی‌شده خرده‌فروشی و مصرفی استفاده می‌کند. ابزار LabelSync این شرکت، برای آگاهی بیشتر مصرف‌کنندگان از خریدهایشان، یادگیری ماشینی را با هدف ارائه نگاهی شخصی نسبت به هر محصول خوراکی به کار می‌گیرد. برخی از این خصوصیات برای نمونه ذکرشده عبارت اند از مواد تشکیل دهنده، تأمین‌کنندگان، تاریخچه زنجیره تأمین و بسیاری از چیزهای دیگر.
14. کارآمدتر کردن فروش و بازاریابی
نمونه: پلتفرم HubSpot
حوزه کاربرد: بازاریابی، فروش
Hubspot با توسعه فروش، بازاریابی و خدمات نرم‌افزار، کسب و کارها را از مشتریان و فرصت‌های آینده آگاه می‌سازد. این شرکت به چند روش از یادگیری ماشینی استفاده می‌کند. یادگیری ماشینی به بازاریابان محتوا، دید بهتری نسبت به چیزی می‌دهد که موتورهای جستجو، محتوایشان را به آن ربط می‌دهند. همچنین از یادگیری ماشینی به‌منظور اختصاص نمرات راهنمای پیش‌بین استفاده می‌کند تا به تیم‌های فروش نشان دهد که کدام مشتریان برای خرید محصولات آن‌ها آمادگی بیشتری دارند.
15. ارتقای درک افراد از مد
نمونه: ابزارهای یادگیری ماشینی بک‌اند و رابط مصرف‌کننده
حوزه کاربرد: مد، تجارت الکترونیک
پلتفرم Fit Analytics با استفاده از یادگیری ماشینی به مصرف‌کنندگان کمک می‌کند تا برندها و لباس‌هایی با سایز مناسب را دریافت کرده و آگاهی‌های مفیدی نسبت به مشتریان خود پیدا کنند. Fit Analytics بدن مشتری را سنجیده و از یادگیری ماشینی به منظور دادن پیشنهاداتی استفاده می‌کند که اندازه‌ترند. در واقع یادگیری ماشینی در بک‌اند، نقاط داده را تحلیل می‌کند تا کسب و کارهای عرصه پوشاک را از همه‌چیز آگاه نماید.
یادگیری ماشینی را در چه جاهای دیگری خواهیم دید؟
اندرو نگ، همبنیانگذار Coursera و رئیس Google Brain و گروه هوش مصنوعی Baidu، باور دارد که کسب و کارهای خارج از صنعت هوش مصنوعی (ازجمله خرده فروشی و حمل و نقل) از افزایش کارایی و تحقق قابلیت‌های یادگیری ماشینی بهره خواهند برد. پروفسور نگ در کنفرانس سالیانه هوش مصنوعی به نام Technology Review گفت، هرچند یکپارچه‌سازی هوش مصنوعی می‌تواند ترسناک بوده و قدم بزرگی برای شرکت‌های غیرفن‌آور محسوب شود، اما جهش، کار سختی نیست. به گفته وی کلید مسئله، کوچک شروع کردن است.«تنها چیزی که از یک فرصت بلندمدت بزرگ بهتر است، یک فرصت کوتاه‌مدت بزرگ است. ما همین حالا، بسیاری از این فرصت‌ها را داریم.»
نگ، مؤسس و مدیرعامل Landing AI هم هست، شرکتی که به ساخت هوش مصنوعی و منابع یادگیری ماشینی برای کسب و کارهایی کمک می‌کند که شاید خودشان فاقد ابزار یا دانش فنی لازم برای ساخت آن‌ها باشند.
متیو جانسِن، از نویسندگان محتوای IBM، پیش‌بینی می‌کند که ما شاهد ظهور کسب و کارهای بیشتری خواهیم بود که یادگیری ماشینی را در قالب یک خدمت یا سرویس می‌فروشند، درست همان کاری که Landing AI انجام می‌دهد که به نوبه خودش می‌تواند به استفاده بیشتر از یادگیری ماشینی در آینده منجر شود.
جانسون این‌طور می‌نویسد: «با پیشرفت این فن‌آوری، کسب و کارهای بیشتری از انقلاب هوش مصنوعی استقبال خواهند کرد.»
مترجم : هاشم نعیمی
کارشناسی ارشد مدیریت اجرایی
