داده ها و هوش مصنوعی چگونه در طول سالها تغییر کرده است؟

 

بدون شک همه ما، انواع داده را تقریباً در همه جا و بسیار زیاد می­بینیم. البته که این سطح از فراوانی و تنوع در همین سطح متوقف نمی­شود، و به طور مداوم در سطحی فراتر از تصور رشد می کند! بیایید نگاهی بیندازیم که چگونه در طول سال­ها تغییر کرده است. اما قبل از آن اصطلاح کلان داده و یا داده بزرگ را تعریف می­کنیم:

تعریف کلان داده (گارتنر)

بیگ دیتا (Big Data) به معنای دارایی‌های اطلاعاتی [یک مجموعه یا سازمان] است که:

  • حجم بالا دارند
  • با سرعت زیاد تولید می‌شوند و / یا تنوع گسترده دارند

و نیازمند شیوه‌های پردازش نوآورانه با هزینه‌ی مناسب هستند تا بتوان از آن‌ برای اتوماسیون فرایندها، تصمیم گیری و بهبود شهود و بینش  [در سازمان] بهره گرفت.

 

 

نگاهی به چگونگی تغییر داده­ها و هوش مصنوعی در تا به امروز:

در دهه 1950، هنگامی که پیشرفت­های تکنولوژیکی کمتری وجود داشت، شرکت­ها داده­ها را (آفلاین) جمع­آوری کرده و به صورت دستی تجزیه و تحلیل می­کردند. این روش با منابع محدود داده­ای پشتیبانی می­شد که باعث می­گردید دستیابی به نتایج را زمان بر باشد.

اواسط دهه 2000 راه توسعه و تغییر جهان سمت و سوی بهتری به خود گرفت و در همین ایام بود که اصطلاح “big data” بوجود آمد. تقریباً هر کسب‌وکاری که ارتباطی با زیرساخت‌های دیجیتال داشت، شروع به جستجوی راه‌هایی برای استفاده از داده‌های بزرگ و دستیابی به بینش‌های معنادار کرد.

این دوره همچنین شاهد اختراع ابزارهایی مانند داده­کاوی، OLAP -به معنای پردازش تحلیلی آنلاین- (Online Analytical Processing) و غیره بود که این ابداعات پیشرفت­های تکنولوژیکی را به سطح بالاتری رساند. به طور کلی، اینترنت نه تنها برای سازمانها بلکه برای خانوارها نیز محبوبیت زیادی به دست آورد. در این مدت، فناوری پیشرفت بیشتری کرد و گزینه­های خودکار را برای مدیریت و کنترل داده­ها ارائه کرد و که در نتیجه تحلیلگران می توانند داده­ها، روندهای داده­ها و غیره را تجزیه و تحلیل کرده و توصیه­های بهتری ارائه دهند. گوگل، آمازون، پی پال، و دیگران نیز در مسیری پیش رفتند که باعث شد حجم داده­ها به ارتفاعات بالاتر وجدیدتری برسد. با این حال، برای همه آنها  مشکل ذخیره­سازی و پردازش داده و اطلاعات ایجاد شد.

در اواخر دهه 2000 تا اوایل سال 2010 شاهد موج فیس­بوک، توییتر، تلفن­های هوشمند و دستگاه­های برقراری ارتباط بودیم. این شرکت‌ها از الگوریتم‌ها، توصیه‌ها و پیشنهادات جستجوی بهبود یافته‌ای که توسط تحلیل‌های ریشه‌دار در داده‌ها هدایت می‌شوند برای جذب مشتریان خود استفاده کردند. همچنین شرکت‌ها همچنین متوجه شدند که باید با داده‌های بدون ساختار سروکار داشته باشند و بنابراین با پایگاه‌های اطلاعاتی مانند NoSQL آشنا شدند؛ فن‌آوری‌های جدید برای پردازش سریع‌تر داده‌ها و مدل‌های یادگیری ماشینی برای تحلیل‌های پیشرفته استفاده شد.

در حال حاضر، کسب و کارها یک قدم جلوتر هستند و از ابزارهای خودکار با استفاده از فناوری­های ابری و کلان داده استفاده می­کنند. با سیستم عامل­های ابری، فعال کردن جریان گسترده و تجزیه و تحلیل­های پیچیده آسان­تر است.

با مشاهده چگونگی تکامل داده­ها در طول سالها، نگاهی انداخته­ایم به نحوه تغییر هوش مصنوعی در نسل گذشته.

در سال 1950 ، آلان تورینگ، ریاضیدان انگلیسی و رمزگشای جنگ جهانی دوم، یکی از اولین افرادی بود که ایده ماشین­های دارای قدرت تفکر که بتوانند همچون یک انسان فکر کنند را ارایه کرد. تا به امروز، آزمون تورینگ به عنوان معیاری برای تعیین توانایی ماشین در تفکر مانند یک انسان استفاده می شود. هرچند  که این تصور در آن زمان مورد تمسخر قرار گرفت، اما اصطلاح هوش مصنوعی در اواسط دهه 1950، پس از مرگ تورینگ محبوبیت یافت.

ماروین مینسکی، دانشمند آمریکایی در سال 1959 آزمایشگاه هوش مصنوعی موسسه فناوری ماساچوست را تاسیس کرد. او یکی از متفکران برجسته در زمینه هوش مصنوعی در دهه 1960 و 1970 بود. ظهور رایانه­های شخصی در دهه 1980 بود که باعث شد علاقه به ماشینهای دارای قدرت تفکر بیشتر شود.

گفته می شود، چندین دهه طول کشید تا مردم قدرت واقعی هوش مصنوعی را تشخیص دهند. امروزه سرمایه­گذاران و فیزیکدانانی مانند ایلان ماسک و استفان هاوکینگ در حال ادامه گفتگو در مورد پتانسیل فناوری هوش مصنوعی در ترکیب با داده­های بزرگ و چگونگی تغییر آن در تاریخ بشر هستند.

 

ویژگی امیدبخش فناوری هوش مصنوعی توانایی آن برای یادگیری مداوم بواسطه داده­هایی که جمع­آوری می­کند است. هرچه اطلاعات بیشتری از طریق الگوریتم­های طراحی شده خاص جمع­آوری و تجزیه و تحلیل شود، دستگاه در پیش­بینی بهتر عمل می­کند.

تاثیر بر تجارت

هوش مصنوعی و داده­های بسیار بیش از گذشته بر مشاغل تأثیر می­گذارد. هوش مصنوعی شیوه تجارت ما را تغییر داده است. به تازگی یک شرکت سرمایه­گذار خطرپذیر ژاپنی (سرمایه­گذاری خطر پذیر:  که از آن با عنوان‌های «سرمایه‌گذاری جسورانه» یا «سرمایه‌گذاری کارآفرینی» نیز نام می‌برند، عبارت است از تأمین سرمایه لازم برای شرکت‌ها و کسب‌وکارهای نوپا مانند استارتاپ­ها و کارآفرین که مستعد جهش و رشد ارزش هستند و البته دارای ریسک فراوانی است) اولین شرکتی است که به دلیل توانایی هوش مصنوعی در پیش­بینی سریعتر بازار نسبت به انسان، یک هوش مصنوعی را به عنوان یکی از اعضای هیئت مدیره معرفی می­کند.

از سوی دیگر، داده­ها محرک اصلی پیشرفت­های هوش مصنوعی بوده­اند. فن آوری­های یادگیری ماشینی می­توانند حجم زیادی از داده­ها را جمع­آوری و سازماندهی کنند تا بتوانند پیش­بینی­ها و بینش­هایی را نجام دهند که با پردازش دستی به دست امکان آن وجود ندارد. این نه تنها کارایی سازمان را افزایش می دهد، بلکه احتمال هرگونه اشتباه مهم را کاهش می­دهد. هوش مصنوعی می­تواند هرزنامه­ها (یا داده­های غیر مفید) را فیلتر و جدا کند، و یا تقلب در پرداخت را شناسایی کرده و در زمان واقعی در مورد فعالیت­های مخرب به شما هشدار دهد.

ماشینهای هوش مصنوعی را می­توان برای رسیدگی به تماسهای ورودی برای پشتیبانی مشتری آموزش داده و در نتیجه هزینه­ها را کاهش داد. علاوه بر این، می­توانید از این دستگاه­ها برای بهینه­سازی روند فروش، از طریق اسکن کردن پایگاه داده و جستجوی وب استفاده کنید و مشتریانی که الگوهای خرید مشابهی با مشتریان فعلی شما دارند را پیدا کنید.

 

 5 دلیل استفاده از هوش مصنوعی که می­تواند به رهبران داده کمک کند:

1.پیگیری درخواست­های مشتری با هوش مصنوعی

اگر نتوانید مشتریان خود را نگه دارید، زنجیره تامین و هزینه­های عملیاتی هیچ معنایی نخواهد داشت. امروزه کسب و کارها باید بیشتر با مشتریان خود ارتباط برقرار کنند تا در صدر بازی قرار بگیرند. از فروش حضوری و دیجیتالی گرفته تا مراکز تماس، شرکت­ها باید داده­هایی را جمع آوری کنند تا دید جامع­تری نسبت به مشتری داشته باشند. کسب و کارها باید سایر اشکال تعامل مانند استفاده از تجزیه و تحلیل صوتی را برای درک نحوه تعامل مشتریان با مراکز تماس یا ربات‌های گفتگو در نظر بگیرند.

 

2.استفاده از داده­های خارجی

داده­های خارجی می توانند علائم هشدار دهنده اولیه در مورد آنچه در حال رخ دادن است را ارائه دهند. برای روند به کارگیری صحیح داده­های خارجی، شرکت­ها باید با یک مشکل تجاری شروع کنند و سپس در مورد داده­های احتمالی که می­تواند برای حل آن استفاده شود فکر کنند. با این وجود، شرکت­ها ممکن است نیاز به مدرن­سازی جریان داده­ها برای استفاده از داده­های خارجی داشته باشند.

در حالی که بسیاری از مشاغل استفاده از داده­های خارجی را شروع کرده­اند ، برخی از شرکت­ها هنوز از آن استفاده نکرده­اند زیرا یا روی داده­های داخلی تمرکز کرده اند یا اینکه در انتقال داده­ها را با مشکل مواجه شده­اند.

 

CDO-3  ها راه را به سوی فرهنگ داده محور پیش می­برند:

معرفی هرگونه فناوری جدید بدون آموزش کارکنان برای سازگاری و کشف مهارتها و فرایندهای جدید، میسر نخواهد بود. به گفته سیندی هاوسون ، مدیر ارشد استراتژی داده در ارائه دهنده پلتفرم تجزیه و تحلیل ThoughtSpot ، مدیران ارشد داده (CDOs) باید پیش قدم شوند و کارکنان و سازمان خود را برای کسب زمان و کارایی با داده­ها توانمند سازند. همچنین، CDO ها برای اینکه  کارکنان بتوانند تا از فناوری جدید نهایت استفاده را ببرند باید اطمینان حاصل کنند که کارکنان در استفاده و به کارگیری داده­ها روند رو به رشدی را دارند.

 

 4.یادگیری چند وجهی

با پیشرفت فناوری، هوش مصنوعی می­تواند از روش­های متعددی مانند متن، بینایی، گفتار و داده­های حسگر پشتیبانی کند. همه اینها به توسعه‌دهندگان کمک می‌کند تا برای بهبود وظایف رایج، راه‌های نوآورانه‌ای را برای ترکیب روش‌ها مانند درک سند پیدا کنند.

به عنوان مثال، داده­های جمع آوری و پردازش شده توسط سیستم­های مراقبت­های بهداشتی می­تواند شامل نتایج آزمایشگاهی بصری، گزارش­های توالی ژنتیکی، فرم­های کارآزمایی بالینی و سایر اسناد اسکن شده باشد. اگر این ارائه و پردازش به درستی انجام شود، می­تواند به پزشکان در تشخیص آنچه که به دنبال آن هستند کمک کند. الگوریتم­های هوش مصنوعی که از تکنیک­های چند وجهی (دید ماشینی و تشخیص شخصیت نوری) استفاده می­کنند، می‌توانند نمایش نتایج را تقویت کرده و به بهبود تشخیص پزشکی کمک کنند..

 

5.تجربه کارمند با هوش مصنوعی

رهبران کسب و کار در حال بررسی ارتباط در مورد توانایی هوش مصنوعی برای از بین بردن مشاغل هستند. این موضوع باعث افزایش علاقه به استفاده از هوش مصنوعی برای بهبود تجربه کارمندان می­شود.

هوش مصنوعی می­تواند در بخش­هایی مانند تیم­های فروش و مراقبت از مشتری که برای استخدام افراد مشکل دارند مفید باشد. در کنار اتوماسیون فرآیند روباتیک، هوش مصنوعی می‌تواند به خودکارسازی کارهای روزمره کمک کند تا تیم فروش برای گفتگوی بهتر با مشتریان آزاد شود. علاوه بر این، می توان از آن برای تقویت آموزش کارکنان استفاده کرد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.