الأتمتة: مستقبل علم البيانات والتعلم الآلي؟

كان التعلم الآلي أحد أكبر التطورات في تاريخ الحوسبة ويُنظر إليه الآن على أنه قادر على لعب دور مهم في مجال البيانات الضخمة والتحليلات. تعد تحليلات البيانات الضخمة تحديًا كبيرًا من منظور المؤسسة. على سبيل المثال ، يمكن أن تكون الأنشطة مثل فهم العدد الكبير من تنسيقات البيانات المختلفة ، وتحليل إعداد البيانات وتصفية البيانات الزائدة عن الحاجة ، كثيفة الموارد. يعد تعيين متخصصين في علماء البيانات عرضًا مكلفًا وليس وسيلة لتحقيق غاية لكل شركة. يعتقد الخبراء أن التعلم الآلي يمكنه أتمتة العديد من المهام المرتبطة بالتحليلات - الروتينية والمعقدة على حد سواء. يمكن للتعلم الآلي أن يحرر موارد كبيرة يمكن استخدامها في أعمال أكثر تعقيدًا وابتكارًا. يبدو أن التعلم الآلي يتحرك في هذا الاتجاه طوال الوقت.

الأتمتة في سياق تكنولوجيا المعلومات

في تكنولوجيا المعلومات ، الأتمتة هي ربط الأنظمة والبرامج المختلفة ، مما يمكنها من أداء مهام محددة دون أي تدخل بشري. في مجال تكنولوجيا المعلومات ، يمكن للأنظمة الآلية أداء وظائف بسيطة ومعقدة. مثال على مهمة بسيطة قد يكون دمج النماذج مع ملفات PDF وإرسال المستندات إلى المستلم الصحيح ، بينما قد يكون توفير النسخ الاحتياطية خارج الموقع مثالاً على مهمة معقدة.

للقيام بعملك بشكل صحيح ، تحتاج إلى برمجة أو إعطاء تعليمات واضحة للنظام الآلي. في كل مرة يلزم فيها نظام آلي لتعديل نطاق وظيفته ، يجب تحديث البرنامج أو مجموعة التعليمات من قبل شخص ما. على الرغم من أن النظام الآلي فعال في وظيفته ، إلا أن الأخطاء يمكن أن تحدث لعدة أسباب. عند حدوث أخطاء ، يجب تحديد السبب الجذري وتصحيحه. من الواضح أن النظام الآلي ، للقيام بعمله ، يعتمد كليًا على البشر. كلما كانت طبيعة العمل أكثر تعقيدًا ، زادت احتمالية الأخطاء والمشكلات.

من الأمثلة الشائعة للأتمتة في صناعة تكنولوجيا المعلومات أتمتة اختبار واجهات المستخدم المستندة إلى الويب. يتم إدخال حالات الاختبار في البرنامج النصي للأتمتة ويتم اختبار واجهة المستخدم وفقًا لذلك. (لمزيد من المعلومات حول التطبيق العملي للتعلم الآلي ، راجع التعلم الآلي و Hadoop في الجيل التالي من اكتشاف الاحتيال.)

الحجة المؤيدة للأتمتة هي أنها تؤدي مهام روتينية وقابلة للتكرار وتحرر الموظفين للقيام بمهام أكثر تعقيدًا وإبداعًا. ومع ذلك ، يُقال أيضًا أن الأتمتة قد استبعدت عددًا كبيرًا من المهام أو الأدوار التي كان يقوم بها البشر سابقًا. الآن ، مع دخول التعلم الآلي إلى صناعات مختلفة ، يمكن للأتمتة أن تضيف بُعدًا جديدًا.

مستقبل التعلم الآلي الآلي؟

يكمن جوهر التعلم الآلي في قدرة النظام على التعلم المستمر من البيانات والتطور دون تدخل بشري. التعلم الآلي قادر على التصرف مثل دماغ الإنسان. على سبيل المثال ، يمكن لمحركات التوصية على مواقع التجارة الإلكترونية تقييم التفضيلات والأذواق الفريدة للمستخدم وتقديم توصيات بشأن المنتجات والخدمات الأكثر ملاءمة للاختيار من بينها. نظرًا لهذه الإمكانية ، يُنظر إلى التعلم الآلي على أنه مثالي لأتمتة المهام المعقدة المرتبطة بالبيانات الضخمة والتحليلات. لقد تغلب على القيود الرئيسية للأنظمة الآلية التقليدية التي لا تسمح بالتدخل البشري على أساس منتظم. هناك العديد من دراسات الحالة التي توضح قدرة التعلم الآلي على أداء مهام تحليل البيانات المعقدة ، والتي ستتم مناقشتها لاحقًا في هذه الورقة.

كما ذكرنا سابقًا ، تعد تحليلات البيانات الضخمة اقتراحًا صعبًا للشركات ، والتي يمكن تفويضها جزئيًا لأنظمة التعلم الآلي. من منظور الأعمال ، يمكن أن يجلب هذا العديد من الفوائد مثل تحرير موارد علوم البيانات لمزيد من المهام الحرجة والإبداعية ، وأعباء عمل أكبر ، ووقت أقل لإكمال المهام وفعالية التكلفة.

دراسة الحالة

في عام 2015 ، بدأ باحثو معهد ماساتشوستس للتكنولوجيا العمل على أداة لعلوم البيانات يمكنها إنشاء نماذج بيانات تنبؤية من كميات كبيرة من البيانات الأولية باستخدام تقنية تسمى خوارزميات توليف الميزات العميقة. يدعي العلماء أن الخوارزمية يمكن أن تجمع بين أفضل ميزات التعلم الآلي. وفقًا للعلماء ، قاموا باختباره على ثلاث مجموعات بيانات مختلفة ويقومون بتوسيع الاختبار ليشمل المزيد. في ورقة سيتم تقديمها في المؤتمر الدولي لعلوم البيانات والتحليلات ، قال الباحثان James Max Kanter و Kalyan Veeramachaneni ، "باستخدام عملية الضبط الآلي ، نقوم بتحسين المسار بالكامل دون تدخل بشري ، مما يسمح له بالتعميم على مجموعات بيانات مختلفة".

لنلقِ نظرة على مدى تعقيد المهمة: تحتوي الخوارزمية على ما يُعرف بقدرة الضبط التلقائي ، وبمساعدة أي رؤى أو قيم يمكن الحصول عليها أو استخلاصها من البيانات الأولية (مثل العمر أو الجنس) ، وبعد ذلك البيانات التنبؤية يمكن إنشاء النماذج. تستخدم الخوارزمية وظائف رياضية معقدة ونظرية احتمالية تسمى Gaussian Copula. لذلك من السهل فهم مستوى التعقيد الذي يمكن أن تتعامل معه الخوارزمية. فازت هذه التقنية أيضًا بجوائز في المسابقات.

يمكن أن يحل التعلم الآلي محل الواجبات المنزلية

يُناقش في جميع أنحاء العالم أن التعلم الآلي يمكن أن يحل محل العديد من الوظائف لأنه يؤدي المهام بكفاءة الدماغ البشري. في الواقع ، هناك بعض القلق من أن يحل التعلم الآلي محل علماء البيانات ، ويبدو أن هناك أساسًا لمثل هذا القلق.

بالنسبة للمستخدم العادي الذي لا يمتلك مهارات تحليل البيانات ولكن لديه درجات متفاوتة من الاحتياجات التحليلية في حياته اليومية ، ليس من المجدي استخدام أجهزة الكمبيوتر التي يمكنها تحليل كميات ضخمة من البيانات وتقديم بيانات التحليل. ومع ذلك ، يمكن لتقنيات معالجة اللغة الطبيعية (NLP) التغلب على هذا القيد من خلال تعليم أجهزة الكمبيوتر لقبول اللغة البشرية الطبيعية ومعالجتها. بهذه الطريقة ، لا يحتاج المستخدم العادي إلى وظائف أو مهارات تحليلية معقدة.

تعتقد شركة IBM أنه يمكن التقليل من الحاجة إلى علماء البيانات أو القضاء عليها من خلال منتجها ، منصة Watson Natural Language Analytics Platform. وفقًا لمارك أتشولر ، نائب رئيس التحليلات وذكاء الأعمال في Watson ، "باستخدام نظام معرفي مثل Watson ، ما عليك سوى طرح سؤالك - أو إذا لم يكن لديك سؤال ، فما عليك سوى تحميل بياناتك ويمكن لـ Watson الاطلاع عليها واستنتاج ما قد ترغب في معرفته. "

استنتاج

الأتمتة هي الخطوة المنطقية التالية في التعلم الآلي ، ونحن نشهد بالفعل التأثيرات في حياتنا اليومية - مواقع التجارة الإلكترونية ، واقتراحات الأصدقاء على Facebook ، واقتراحات شبكة LinkedIn ، وتصنيفات بحث Airbnb. بالنظر إلى الأمثلة المقدمة ، ليس هناك شك في أن هذا يمكن أن يعزى إلى جودة المخرجات التي تنتجها أنظمة التعلم الآلي الآلية. على الرغم من كل مزاياها ومزاياها ، فإن فكرة التعلم الآلي التي تسبب بطالة ضخمة تبدو نوعًا من المبالغة في رد الفعل. كانت الآلات تحل محل البشر في أجزاء كثيرة من حياتنا منذ عقود ، لكن البشر تطوروا وتكيفوا ليظلوا على صلة بالصناعة. وفقًا لوجهة النظر ، فإن التعلم الآلي على الرغم من كل اضطراباته هو مجرد موجة أخرى سيتكيف معها الناس.


الوقت ما بعد: أغسطس 03-2021