المحتوى
- الأتمتة في مجال تكنولوجيا المعلومات
- هل أتمتة مستقبل تعلم الآلة؟
- No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
- دراسة الحالة
- تعلم الآلة قد يحل محل الوظائف
- خاتمة
المصدر: Krulua / Dreamstime.com
يبعد:
التعلم الآلي هو قدرة النظام على تغيير البرمجة الخاصة به. ولكن عندما يستطيع النظام القيام بذلك ، هل ما زال البشر ضروريين؟
كان التعلم الآلي أحد أكبر التطورات في تاريخ الحوسبة ، ويُعتقد الآن أنه قادر على القيام بأدوار مهمة في مجال البيانات والتحليلات الضخمة. يعد تحليل البيانات الكبيرة تحديًا كبيرًا من منظور الشركات. على سبيل المثال ، يمكن أن تستهلك الكثير من الموارد الموارد مثل استخدام أحجام هائلة من تنسيقات البيانات المتنوعة وإعداد البيانات للتحليلات وتصفية البيانات الزائدة عن الحاجة. يعد توظيف علماء البيانات والمتخصصين اقتراحًا باهظًا وليس في حدود كل شركة. يعتقد الخبراء أن التعلم الآلي قادر على أتمتة العديد من المهام المتعلقة بالتحليلات - الروتينية والمعقدة. يمكن لأتمتة التعلم الآلي أن توفر الكثير من الموارد التي يمكن استخدامها في وظائف أكثر تعقيدًا وابتكارًا. يبدو أن التعلم الآلي يسير في هذا الاتجاه. (لمعرفة المزيد حول استخدام التعلم الآلي ، راجع الوعود والمآزق الخاصة بالتعلم الآلي.)
الأتمتة في مجال تكنولوجيا المعلومات
في مجال تكنولوجيا المعلومات ، تعمل الأتمتة على ربط الأنظمة والبرامج المتباينة بحيث تكون قادرة على أداء وظائف محددة دون أي تدخل بشري. في صناعة تكنولوجيا المعلومات ، يمكن للأنظمة الآلية أداء وظائف بسيطة ومعقدة. مثال على مهمة بسيطة يمكن أن يكون دمج نموذج مع PDF وجلب الوثيقة إلى المستلم الصحيح ، في حين أن توفير نسخة احتياطية خارج الموقع يمكن أن يكون مثالًا على مهمة معقدة.
للقيام بعملها ، يحتاج النظام الآلي للبرمجة أو إعطاء تعليمات صريحة. في كل مرة يطلب فيها نظامًا آليًا لتعديل نطاق وظائفه ، يلزم تحديث البرنامج أو مجموعة التعليمات بواسطة كائن بشري. على الرغم من كفاءة النظم الآلية في وظائفها ، يمكن أن تحدث الأخطاء لأسباب مختلفة. عند حدوث أخطاء ، يجب تحديد السبب الجذري وتصحيحه. من الواضح أن الأنظمة الآلية تعتمد على البشر في أداء وظائفهم. كلما كانت طبيعة الوظيفة أكثر تعقيدًا ، كلما زاد احتمال حدوث أخطاء وقضايا.
عادة ، يتم تعيين المهام الروتينية والمتكررة للأنظمة الآلية. من الأمثلة الشائعة على الأتمتة في صناعة تكنولوجيا المعلومات أتمتة اختبار واجهات المستخدم المستندة إلى الويب. يتم تغذية حالات الاختبار في نصوص الأتمتة ويتم اختبار واجهات المستخدم وفقًا لذلك. (لمزيد من المعلومات حول الاستخدامات العملية للتعلم الآلي ، انظر التعلم الآلي و Hadoop في الكشف عن الاحتيال من الجيل التالي.)
كانت الحجة المؤيدة للأتمتة هي أنها تؤدي مهام روتينية وقابلة للتكرار وتحرر الموظفين للقيام بمهام أكثر تعقيدًا وإبداعًا. ومع ذلك ، يقال أيضًا أن الأتمتة أدت إلى نزوح الكثير من الوظائف أو الأدوار التي كان يؤديها البشر في السابق. الآن ، مع تعلم الآلة في طريقها إلى مختلف الصناعات ، يمكن أن تضيف الأتمتة بعدًا جديدًا تمامًا.
هل أتمتة مستقبل تعلم الآلة؟
إن جوهر التعلم الآلي هو قدرة الأنظمة على التعلم المستمر من البيانات والتطور دون تدخل البشر. التعلم الآلي قادر على التصرف مثل الدماغ البشري. على سبيل المثال ، يمكن لمحرك التوصية في موقع ويب للتجارة الإلكترونية تقييم التفضيلات والأذواق الفريدة للمستخدم وتقديم توصيات بشأن المنتجات والخدمات التي تناسب خيارات المستخدم. بالنظر إلى هذه القدرة ، يعتبر التعلم الآلي مثاليًا لأتمتة المهام المعقدة المتعلقة بالبيانات والتحليلات الضخمة. لقد تغلب بالفعل على القيد الرئيسي لأنظمة الأتمتة التقليدية التي لا يمكن أن تعمل دون تدخل بشري منتظم. هناك العديد من دراسات الحالة لإظهار أن التعلم الآلي قادر على إكمال مهام تحليل البيانات المعقدة ، كما سيتم مناقشته لاحقًا في هذا المقال.
كما أوضحنا سابقًا ، يعد تحليل البيانات الضخمة اقتراحًا صعبًا بالنسبة للشركات ويمكن تفويضه جزئيًا إلى أنظمة التعلم الآلي. من منظور الأعمال التجارية ، يمكن أن يحقق ذلك الكثير من الفوائد مثل تحرير موارد علوم البيانات للحصول على مهام أكثر إبداعًا وحرجًا ، وزيادة حجم إنجاز العمل ، وتقليل الوقت المستغرق لإكمال المهام وفعالية التكلفة.
No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
لا يمكنك تحسين مهارات البرمجة لديك عندما لا يهتم أحد بجودة البرنامج.
دراسة الحالة
في عام 2015 ، بدأ الباحثون في معهد ماساتشوستس للتكنولوجيا العمل على أداة لعلوم البيانات قادرة على إنشاء نماذج بيانات تنبؤية من كميات هائلة من البيانات الخام باستخدام تقنية تسمى خوارزمية التجميع العميق للميزات. يزعم العلماء أن الخوارزمية يمكن أن تجمع بين أفضل ميزات التعلم الآلي. وفقًا للعلماء ، قاموا بالفعل باختبار الخوارزمية على ثلاث مجموعات مختلفة من البيانات وسيقومون بتوسيع نطاق الاختبار ليشمل المزيد من مجموعات البيانات. وقد وصف الباحثان جيمس ماكس كانتر وكاليان فيراماشاني في ورقة مقدمة لعرضهما في مؤتمر دولي لعلم وتحليل البيانات ، وهما يصفان كيفية القيام بذلك ، "باستخدام عملية الضبط التلقائي ، نقوم بتحسين المسار بالكامل دون تدخل بشري ، مما يمكّنها من التعميم إلى مجموعات البيانات المختلفة. "
دعنا ندرس مدى تعقيد المهمة: تمتلك الخوارزمية قدرة تُعرف باسم القدرة على الضبط التلقائي ، والتي تستمد منها أو تستخلص رؤى أو قيمًا من البيانات الأولية مثل العمر أو الجنس ، وبعد ذلك ، يمكن أن تخلق نماذج البيانات التنبؤية. تستخدم الخوارزمية وظائف رياضية معقدة ونظرية احتمالية تعرف باسم Gaussian Copula. لذلك ، من السهل فهم مدى التعقيد الذي تستطيع الخوارزمية التعامل معه. وقد فازت هذه التقنية أيضًا بجوائز في المسابقات.
تعلم الآلة قد يحل محل الوظائف
تمت مناقشته في جميع أنحاء العالم بأن التعلم الآلي قد يحل محل العديد من الوظائف لأنه يؤدي مهام بكفاءة الدماغ البشري. في الواقع ، هناك بعض القلق من أن التعلم الآلي سيحل محل علماء البيانات - ويبدو أن هناك أساس لمثل هذه المخاوف.
بالنسبة إلى المستخدمين العاديين الذين لا يتمتعون بمهارات تحليل البيانات ولكنهم ما زالوا بحاجة إلى تحليلات في حياتهم اليومية بدرجات متفاوتة ، ليس من المجدي امتلاك أجهزة كمبيوتر قادرة على تحليل أحجام البيانات الضخمة وتقديم التحليلات. لكن تقنيات معالجة اللغة الطبيعية (NLP) يمكنها التغلب على هذا القيد من خلال تعليم أجهزة الكمبيوتر قبول ومعالجة اللغة الطبيعية المنطوقة للبشر. بهذه الطريقة ، لا يحتاج المستخدم العادي إلى قدرات أو مهارات تحليلية معقدة.
تعتقد IBM أن الحاجة إلى علماء البيانات يمكن تقليلها أو القضاء عليها من خلال منصة Watson لتحليل اللغة الطبيعية الخاصة بمنتجها. وفقًا لنائب رئيسه في Watson Analytics و Business Intelligence ، مارك أتشولير ، "مع وجود نظام إدراكي مثل Watson ، يمكنك فقط طرح سؤالك - أو إذا لم يكن لديك سؤال ، يمكنك فقط تحميل بياناتك ويستطيع Watson النظر إليه والاستدلال عليه ما قد ترغب في معرفته. "
خاتمة
الأتمتة هي الخطوة المنطقية التالية للتعلم الآلي وقد شهدنا بالفعل التأثيرات في حياتنا اليومية - في مواقع التجارة الإلكترونية ، واقتراحات الأصدقاء ، وتوصيات شبكة LinkedIn ، وتصنيفات البحث عبر Airbnb. بالنظر إلى الأمثلة المقدمة ، لا شك في أنه يمكن الاعتماد على جودة المخرجات التي تنتجها أنظمة التعليم الآلي الآلي. على الرغم من كل مزاياها وفوائدها ، فإن التفكير في التعلم الآلي الذي يسبب بطالة هائلة قد يبدو مبالغًا فيه بعض الشيء. تم استبدال الآلات بالبشر في العديد من مجالات حياتنا لعدة عقود ، ومع ذلك ، فقد تطور البشر وتتكيفوا معًا ليظلوا على صلة بالمجال. اعتمادًا على المنظور ، فإن التعلم الآلي ، رغم كل ما يسببه من اضطراب ، هو مجرد موجة أخرى من شأنها أن يتكيف الناس معها.