با داغ شدن مبحث هوش مصنوعی و علم داده، پرسشی کلیدی که برای بسیاری از افراد مطرح می‌شود این است که کاربرد این موضوعات و یادگیری ماشین در شرکت های معروف چیست؟

کاربرد یادگیری ماشین در شرکت های معروف چیست؟

یادگیری ماشین (Machine Learning) فناوری دنیای امروز است. در حالی که برخی از افراد بدبینانه مدعی می‌شوند که این فناوری جهان را به پایان می‌برد، دیگر افراد اعتقاد دارند که این فناوری می‌تواند زندگی را برای نوع بشر به مراتب ساده‌تر کند. هیچ جای شگفتی وجود ندارد که امروزه تقریبا همه شرکت‌ها از این فناوری برای جذب حداکثر مشتریان ممکن با شخصی‌سازی تجربیات آن‌ها استفاده می‌کنند.

در حقیقت، یک رشد ٪۲۷۰ در تعداد شرکت‌هایی به وقوع پیوسته است که در چهار سال گذشته به مبحث یادگیری ماشین پرداخته‌اند. اگرچه، سرمایه‌گذاری و پژوهش در حوزه هوش مصنوعی برای شرکت‌های بزرگ با منابع زیاد به مراتب ساده‌تر است. به همین دلیل در این مطلب به راهکارهای جالبی که در آن‌ها یادگیری ماشین به وسیله شرکت‌های مشهوری مانند گوگل، فیس‌بوک، توییتر، بایدو و پینترست مورد استفاده قرار گرفته است. در ادامه این شرکت‌ها و برخی از کاربردهای برجسته هوش مصنوعی در آن‌ها مورد بررسی قرار گرفته است.

گوگل

به جای طرح پرسش «کدام خدمات ارائه شده توسط گوگل از یادگیری ماشین استفاده می‌کنند؟» باید این پرسش را مطرح کرد که «آیا خدماتی از گوگل وجود دارند که از یادگیری ماشین استفاده نکنند؟». پاسخ این سوال به احتمال زیاد «نه» است. گوگل سرمایه‌گذاری عظیمی روی پژوهش‌های یادگیری ماشین انجام داده و قصد دارد تا اساس آن را در همه محصولات خود به صورت یکپارچه داشته باشد. حتی در حال حاضر، یادگیری ماشین در همه محصولات پرچم‌دار گوگل مانند موتور جستجوی گوگل (Google Search)، مترجم گوگل (Google Translate)، سرویس اشتراک عکس گوگل (Google Photos) و دستیار گوگل (Google Assistant) و سایر موارد به طور کامل مورد استفاده قرار گرفته است.

موتور جستجوی گوگل از RankBrain استفاده می‌کند که یک شبکه عصبی عمیق (Deep Neural Network) است که به فراهم کردن نتایج جستجوی مورد نظر کاربر کمک می‌کند. در شرایطی که یک کلمه یا عبارت کلیدی و یکتا مانند «CEO of Apple» (مدیرعامل اپل) در گوگل سرچ شود، الگوریتم RankBrain حدس می‌زند که جستجوی کاربر احتمالا به «Tim Cook» (تیم کوک) اشاره دارد. از سوی دیگر، مترجم گوگل، میلیون‌ها سند را که در حال حاضر از یک زبان به زبان دیگر ترجمه شده‌اند بررسی می‌کند و به دنبال الگوهای متداول و واژگان پایه‌ای این زبان می‌گردد.

گوگل فوتوز از بازشناسی تصویر (Image Recognition) استفاده می‌کند که در آن از یادگیری عمیق (Deep Learning) برای مرتب‌سازی میلیون‌ها تصویر در اینترنت به منظور طبقه‌بندی درست تصاویر استفاده می‌کند. دستیار گوگل از پردازش تصویر و پردازش زبان طبیعی (Natural Language Processing) برای کار کردن به عنوان یک دستیار چندقابلیتی که می‌تواند به همه پرسش‌های کاربر پاسخ دهند استفاده می‌کند.

فیس‌بوک

فیس‌بوک محبوب‌ترین شبکه اجتماعی در جهان با داشتن ۲٫۴۱ میلیارد کاربر فعال ماهانه است. در صورتی که کاربر بخواهد با دوستان خود در ارتباط باشد، افراد مشهور را دنبال کند و یا تصاویر گربه‌ها را تماشا کند، همه و همه در فیس‌بوک امکان پذیر هستند. این سطح از محبوبیت فیس‌بوک با کمک یادگیری ماشین امکان‌پذیر شده است. فیس‌بوک از یادگیری ماشین در همه چیز از خوراک‌های خبری (News Feed) گرفته تا تبلیغات هدفمند (Targeted Advertising) استفاده می‌کند.

فیس‌بوک از تشخیص چهره (Facial Recognition) برای شناسایی دوستان فرد در شبکه‌های اجتماعی و پیشنهاد نام آن‌ها به کاربر استفاده می‌کند. در صورتی که کاربر قابلیت «پیشنهاد تگ» (Tag Suggestions) را در فیس‌بوک روشن کند، سیستم یادگیری ماشین پیکسل‌های چهره در تصویر را تحلیل می‌کند و الگویی می‌سازد که برای هر چهره‌ای یکتا است. این الگوی چهره یکتا (درست مانند اثرانگشت که منحصر به فرد است) می‌تواند برای شناسایی چهره و پیشنهاد تگ استفاده شود.

تبلیغات هدفمند در فیس‌بوک با استفاده از شبکه‌های عصبی عمیق (Deep Neural Networks) انجام می‌شود که سن، جنسیت، موقعیت جغرافیایی، صفحان پسندیده شده، علاقه‌مندی‌ها و سایر متغیرهای مربوط به کاربر را که در پروفایل او وجود دارد تحلیل می‌کند و به کاربر تبلیغاتی که اختصاصا این دسته‌ها را هدف می‌گیرند را نمایش می‌دهد. فیس بوک نیز از چت‌بات‌هایی (Chatbot) استفاده می‌کند که تعاملات پشتیبانی از مشتریان انسان‌گونه را فراهم می‌کنند. این چت‌بات‌ها از یادگیری ماشین و پردازش زبان طبیعی برای تعامل با کاربران استفاده می‌کنند و بدین شکل، شبیه به انسان‌ها به نظر می‌رسند. 

توییتر

توییتر یک سرویس میکروبلاگینگ است که کاربران از آن برای ارسال توییت‌های جذاب (پست‌هایی با محدودیت کاراکتر) و انجام بحث و گفتگو استفاده می‌کنند. افراد برای مشارکت در بحث‌های سیاسی، گرمایش زمین، تعامل با افراد مشهود و دیگر موارد در توییتر عضو می‌شوند. پرسشی که در این وهله مطرح می‌شود این است که این توییت‌ها چطور مدیریت می‌شوند؟ پاسخ این پرسش کوتاه و ساده است؛ با استفاده از یادگیری ماشین.

توییتر از الگوریتم یادگیری ماشین برای سازمان‌دهی توییت‌ها در تایملاین استفاده می‌کنند. توییت‌ها بر مبنای نوع محتوایی که کاربر می‌پسندد و توییت‌هایی که دوستان کاربر ارسال می‌کنند، اولویت بالاتری را برای نمایش در تایمیلاین کاربر پیدا می‌کنند. همچنین، توییت‌هایی که ریتوییت و لایک زیادی داشته‌اند به طور کلی از محبوبیت بالاتری برخوردار هستند و شانس بیشتری را برای نمایش داده شدن دارند.

همچنین، توییت‌هایی در بخشی با عنوان «In case you missed it» به کاربر نمایش داده می‌شود. در ابتدا، توییت‌های کاربر به ترتیب زمانی معکوس سازمان‌دهی شده‌اند که بعدها این مورد تغییر کرد و با ترتیب زمانی صحیحی نمایش داده شدند. در حال حاضر توییتر از قابلیت‌های پردازش زبان طبیعی IBM Watson برای پیگیری و حذف توییت‌های آزاردهنده تولید شده استفاده می‌کند.

توییتر از یادگیری عمیق نیز برای شناسایی اینکه چه چیزی در خوراک زنده (Live Feed) ارائه می‌شود استفاده می‌کند. این کار با آموزش دادن شبکه عصبی برای شناسایی تصاویر در ویدئوها با استفاده از تگ‌ها انجام می‌شود. فرض می‌شود که کاربر تگ‌های «Dog» ،«Animal» ،«Pug» و دیگر موارد را در ویدئوی خود قرا رداده باشد؛ الگوریتم می‌تواند تشخیص دهد که این یک سگ است و از این هویت برای شناسایی سگ‌ها در سایر ویدئوها استفاده می‌کند. برای مطالعه پیرامون روش‌های تحلیل شبکه‌های اجتماعی، مطالعه مطالب زیر پیشنهاد می‌شود.

• تحلیل شبکه‌های اجتماعی از صفر تا صد — راهنمای جامع
• تحلیل شبکه‌های اجتماعی با R – به زبان ساده
• تحلیل شبکه‌های اجتماعی در پایتون — راهنمای کاربردی

بایدو

بایدو شرکتی مشابه با گوگل اما برای چین است. بایدو به نوعی یک موتور جستجوی چینی است که از شناخته شده‌ترین رقبای گوگل محسوب می‌شود. بایدو نیز درست مانند گوگل از یادگیری ماشین در بسیاری از کاربردهای خود مانند Baidu Search (موتور جستجوی بایدو)، DuerOS (دستیار صوتی بایدو)، Xiaoyu Zaikia (به معنی ماهی کوچک که رباتی خانگی شبیه به الکسا است) استفاده می‌کند.

در حال حاضر، تمرکز اصلی بایدو روی موتور جستجوی آن است؛ زیرا که ٪۷۵ از چینی‌ها از این موتور جستجو استفاده می‌کنند. همچنین، از الگوریتم‌های یادگیری ماشین برای تشخیص صدا (Voice Recognition) و بازشناسی تصویر به منظور فراهم کردم بهترین و هوشمندانه‌ترین خدمت ممکن استفاده می‌کند. بایدو به شدت روی پردازش زبان طبیعی سرمایه‌گذاری کرده است که می‌توان نمود آن را در DuerOS دید.

DuerOS دستیار صوتی بایدو است که از پردازش زبان طبیعی همراه با تشخیص چهره و تصویر برای ساخت یک سیستم هوشمند استفاده می‌کند که می‌تواند یک مکالمه کامل را با کاربر انجام بدهد و در عین حال، درست مانند انسان‌ها به نظر برسد. این دستیار صوتی از یادگیری ماشین برای شناسایی پیچیدگی‌های زبان طبیعی استفاده و سپس، آن را به خوبی تقلید می‌کند. دیگر مورد استفاده بایدو از یادگیری ماشین سرویس پردازش زبان طبیعی Little Fish است که یک ربات خانگی مانند الکسا است؛ اما تفاوت‌های قابل توجهی نیز با آن دارد. Little Fish به صداهایی که وجود دارد گوش می‌دهد و پاسخ آن‌ها را می‌دهد.

پینترست

در صورتی که کاربر بخواهد تصاویر، ویدئوها و فایل‌های متحرک (Gif) خود را در جایی سنجاق کند، از پینترست استفاده می‌کند. با توجه به محبوبیت بالایی که پینترست دارد، بسیاری از افراد در آن عضو هستند یا دستکم نام آن را شنیده‌اند. با توجه به اینکه این برنامه وابسته به ذخیره‌سازی تصاویر از اینترنت است، بر این دلیل تکیه دارد که مهم‌ترین ویژگی برای شناسایی تصاویر است.

پینترست از الگوریتم‌های بازشناسی تصویر برای شناسایی الگوها در تصاویر پین شده توسط کاربر استفاده می‌کند تا تصاویر مشابهی را در جستجوها به او نمایش دهد فرض می‌شود که کاربر تصویر یک تی‌شرت سبز رنگ را پین کرده است، بدین شکل تصاویر بیشتری از تی‌شرت‌های سبز به کاربر نمایش داده می‌شود و این به دلیل استفاده پینترست از بازشناسی تصویر است.

دیگر کاربرد یادگیری ماشین آن است که پینترست توصیه‌های شخصی‌سازی شده‌تری را بر مبنای تاریخچه پین کردم کاربر به او نمایش می‌دهد. این الگوریتم با آنچه در دیگر شبکه‌های اجتماعی به کار رفته است تفاوت‌هایی را دارد؛ زیرا آن ها دوستان کاربر، سن او، جنسیت و دیگر موارد را نیز در نظر می‌گیرند.

معرفی فیلم آموزش داده‌کاوی و یادگیری ماشین فرادرس

مجموعه آموزش‌های داده‌کاوی و یادگیری ماشین فرادرس شامل آموزش‌های متعدد و متنوع در حوزه علم داده و مباحث یادگیری ماشین است. در حال حاضر، بیش از ۱۴۸۱۱ دقیقه آموزش در این مجموعه وجود دارد. برخی از عناوین آموزش‌های موجود در این مجموعه به همراه توضیحات اجمالی آن‌ها، در ادامه مطلب کاربرد یادگیری ماشین در شرکت های معروف بیان شده‌اند.

• آموزش ​اصول و روش های داده کاوی (Data Mining) (زمان: ۲۵ ساعت و ۱ دقیقه، مدرس: دکتر امیرحسین کیهانی‌پور): این آموزش برای افرادی مناسب است که درصدد فراگیری مفاهیم پایه‌ای و روش‌های داده‌کاوی هستند. برای مشاهده آموزش ​اصول و روش های داده کاوی (Data Mining) + کلیک کنید.
• آموزش داده کاوی یا Data Mining در متلب (زمان: ۲۴ ساعت و ۲ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): این آموزش برای افرادی مناسب است که قصد دارند داده‌کاوی را به طور کامل و همراه با پیاده‌سازی و مثال‌های متعدد، همراه با جزئیات تئوری، بیاموزند. پیاده‌سازی‌ها در این آموزش با استفاده از زبان برنامه‌نویسی متلب انجام می‌شود و بنابراین، داشتن آشنایی با مبانی متلب بسیار مفید خواهد بود؛ هرچند که عدم آشنایی با متلب نیز مانع فراگیری مباحث داده‌کاوی که در این آموزش به طور کامل و به خوبی بیان شده‌اند نخواهد شد. برای مشاهده آموزش داده کاوی یا Data Mining در متلب + کلیک کنید.
• آموزش داده کاوی در RapidMiner (زمان: ۲ ساعت و ۱۰ دقیقه، مدرس: نفیسه سلطانی): برای افرادی مناسب است که با مبانی داده‌کاوی آشنایی دارند و اکنون، قصد فراگیری داده‌کاوی با نرم‌افزار RapidMiner را دارند. برای مشاهده آموزش داده کاوی در RapidMiner + کلیک کنید.
• آموزش خوشه‌بندی با استفاده از الگوریتم‌های تکاملی و فراابتکاری (زمان: ۲ ساعت و ۴۶ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): برای افرادی مناسب است که با مبانی داده‌کاوی آشنایی دارند و اکنون، قصد فراگیری روش‌های خوشه‌بندی با بهره‌گیری از الگوریتم‌های تکاملی و فراابتکاری را دارند. برای مشاهده آموزش خوشه‌بندی با استفاده از الگوریتم های تکاملی و فراابتکاری + کلیک کنید.
• آموزش خوشه‌بندی تفکیکی با نرم‌افزار R (زمان: ۲ ساعت و ۳ دقیقه، مدرس: دکتر آرمان ری‌بد): برای افرادی مناسب است که با مبانی داده‌کاوی آشنایی و اکنون قصد دارند که خوشه‌بندی تفکیکی و روش پیاده‌سازی آن در زبان R را بیاموزند . برای مشاهده آموزش خوشه‌بندی تفکیکی با نرم‌افزار R + کلیک کنید.

اگر این مطلب برای شما مفید بوده است، آموزش‌ها و مطالب زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های هوش مصنوعی
• آموزش داده کاوی یا Data Mining در متلب
• مجموعه آموزش‌های داده کاوی و یادگیری ماشین
• ریکامندر چیست ؟ | مبانی سیستم پیشنهاد دهنده — به زبان ساده
• الگوریتم بهینه‌سازی ازدحام ذرات — کد الگوریتم PSO | راهنمای جامع
• روش‌های بهینه‌سازی در یادگیری ماشین — راهنمای کاربردی

منبع [+]