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.