کارشناس تولید محتوا و مشارکتهای بینالملل/ مترجم
هشت روند آتی در حوزه تحلیل داده
امروزه، ارزشمند بودن دادهها بر کسی پوشیده نیست و موضوعی است که کاملا به رسمیت شناخته میشود و شرکتها، نهادهای دولتی، مؤسسات آموزشی و شهروندان بیشتر از هر زمانی دیگر طی یک دهه گذشته، به دادهها دسترسی دارند و از آن بهره میبرند. اجرای طرحهای متنوع داده باز و دادههای حاصل از رسانههای اجتماعی یا سنسورهای نصبشده در تجهیزات همچون موبایل، کنتورهای هوشمند، اتومبیلها و ماشینهای صنعتی باعث غنیتر شدن منابع داده شده است.
در این میان، استفاده از دادهها میتواند به ارتقاء قابلیتهای برنامهریزی شهری، تصمیمگیریهای دقیقتر، بهینهتر شدن عملیاتهای شهری و تسریع توسعه اقتصادی منجر شود. البته برای استفاده بهینه از بیگدیتا به روشهای پیشرفته تجزیهوتحلیل نیاز است تا یکپارچهسازی اطلاعات و استخراج ارزش با هدف ارتقاء مدیریت شهری و تصمیمگیریهای دقیقتر و بهنگام تحقق یابد. در ادامه، به هشت روند خوشآتیه در حوزه تحلیل داده پرداخته شده است:
1. یادگیری ماشینی خودکار (AutoML)[1]
با توجه به موفقیتهای روزافزون در زمینهی تحلیلهای کاربردی، فرایند یادگیری ماشینی خودکار نیز به تدریج مورد استقبال بیشتری قرار گرفته است. در دورهای که روز به روز ارتباط میان تجهیزات و میزان دادههای تولیدشده از طریق آنها افزایش مییابد، حجم دادههای تولیدشده به طورچشمگیری افزایش یافته است. بنابراین، فرایند یادگیری ماشینی خودکار به یک ضرورت برای کسب دانش از این دادههای روزافزون، تبدیل شده است. چنانکه پیشبینی میشود حتی طی سالهای آینده بر اهمیت آن نیز افزوده شود و به افزایش دقت و سرعت روشهای تحلیل داده منجر شوند. گرچه حوزه علم داده همچنان به فعالیت خود ادامه خواهد داد، اما تمرکز آن به سمت توسعه تکنیکهای تخصصی و پیشرفته تحلیل داده تغییر خواهد کرد. در مجموع، فرایند یادگیری ماشینی خودکار به صرفهجویی در زمان و هزینه منجر میشود، چراکه نیاز به نیروی انسانی متخصص کاهش مییابد. همچنین، این فرایند باعث سادهتر و ارزانتر شدن فعالیت در حوزه هوش مصنوعی و یادگیری ماشینی میشود.
2. هوش مصنوعی توصیفپذیر (XAI)[2]
هوش مصنوعی توصیفپذیر یک نوع هوش مصنوعی است که تصمیمها و اقدامات آن به راحتی توسط انسان قابل درک و بر اساس یافتههای حاصل از سیستمهای برنامهنویسی غیرخطی کاملا شفاف است که این موضوع، در تضاد با آنچیزی است که قبلا از هوش مصنوعی میدیدیم. در گذشته در الگوریتمهای هوش مصنوعی، تصمیمها و اقدامات داخل یک Black Box تعریف و ساخته میشدند در حالیکه در XAI، تصمیمها و اقدامات در هر مرحله توسط انسان قابل درک هستند، به طوریکه امکان توضیح علت هر تصمیم وجود دارد. در این مفهوم جدید، روشهای کاربردی برای توضیح مدلهای هوش مصنوعی ارایه میشود.
3. تحلیل بلاکچین[3]
تحلیل بلاکچین یک فرایند بررسی، شناسایی، خوشهبندی، مدلسازی و ارایه بصری دادهها در قالب یک دفترکل توزیعی رمزنگاری شده است که با نام بلاکچین شناخته میشود. هدف تحلیل بلاکچین، شناسایی اطلاعات مفید در مورد فعالان مختلف است که در یک فضای رمزارزی، دادوستد میکنند. تحلیل بلاکچینهای عمومی همانند بیتکوین و Ethereum غالبا توسط شرکتهای خصوصی انجام میشود. نکته حائز اهمیت در اینجا این است که بلاکچین به حفظ امنیت کلانداده کمک میکند و اینکه فقط برای دینفعان آن قابل دسترس است. بنابراین، هوش مصنوعی و یادگیری ماشینی بر پایه لایههای دادهی تولیدشده در بلاکچین که کاملا شفاف و ایمن هستند اجرا میشوند که همین امر، به جذب سرمایهگذاری و بازگشت سود کلان منجر خواهد شد.
4. مدیریت داده افزوده (ADM)[4]
مدیریت داده افزوده شامل استفاده از موتورهای یادگیری ماشینی و هوش مصنوعی برای خودکارسازی برخی فرایندهای غیراتوماتیک از جمله مدیریت دادهها میشود. بر این اساس، بررسی کیفیت دادهها، مدیریت فرادادهها و یکپارچهسازی دادهها به صورت خودتنظیمی و خودپیکربندی انجام میشود.
5. تحلیل داده مبتنی بر گراف[5]
الگوریتمها یا تحلیلهای داده مبتنی بر گراف، ابزاری تحلیلی هستند که با هدف تعیین میزان ثبات و جهت ارتباط میان اجزاء یک گراف استفاده میشوند. تمرکز تحلیل مبتنی بر گراف بر ارتباط و مقایسه زوجی میان دو چیز و در کل، ویژگیهای ساختاری نمودار قرار دارد.
6. طراحی بافت داده[6]
به بیان ساده، بافت داده یک فضای واحد شامل یک ساختار معماری واحد (از لحاظ فشردگی یا پراکندگی خوشهها) و خدمات و فناوریهایی است که روی آن ساختار ارایه میشوند که به سازمانها کمک میکند تا دادههای خود را مدیریت کنند. هدف نهایی بافت داده، این است که ارزش دادهها به حداکثر برسد و تحول دیجیتالی تسریع شود.
7. هوش مستمر (CI)[7]
هوش مستمر دادهها، معادل مفاهیمی همچون سرعت و نرخ انتقال داده نیست، بلکه در مورد چرخه زمانی دریافت ارزش تجاری مستمر از دادهها است و یک رویکرد مدرن مبتنی بر اتوماسیونسازی فرایندهای تحلیل داده است که امکان دسترسی به دادههای مورد نیاز و تحلیل آنها را تسریع میکند. در اصل، هوش مستمر، خطوط داده را با تجزیه و تحلیل تصمیمگیری خودکار ادغام میکند که باعث میشود بینش کلانداده به سمت اتوماسیونسازی فرایندها حرکت کند و برای همه افراد فعال در حوزه تجارت قابل دسترس باشد. به بیانی دیگر، تعداد منابع یا حجم بالای دادهها مشکلساز نخواهد بود، چراکه فرایندها به صورت ماشینی و خودکار انجام میشود و به همین دلیل، به صورت مستمر و بدون وقفه انجام میشود. در همین راستا، موسسه تحقیقاتی گارتنر پیشبینی میکند تا پایان سال ۲۰۲۲، هوش مستمر در ۵۰ درصد از سیستمهای تجاری جدید استقرار مییابد که همین امر، روند بهرهبرداری از کلاندادهها را شتاب میدهد.
8. تحلیل افزوده[8]
در تحلیل افزوده از هوش مصنوعی و یادگیری ماشینی برای افزایش شهود و درک انسانی از تمام مراحل چرخه تحلیل (از روش تولید و آمادهسازی داده تا ارایه و اشتراک بینشها) استفاده میشود. در تحلیل افزوده از طریق ادغام علم داده و هوش مصنوعی، امکان تحلیل داده و متعاقبا، کسب ارزش از دادهها، برای افراد بیشتری فراهم میشود و همچنین، مطرح کردن سوالات و دریافت پاسخ و درک لازم به روشی ساده و محاورهای امکانپذیر است. در اینجا باید به این نکته توجه داشت که فرایند پاکسازی دادهها تا 80 درصد از وقت تحلیلگران داده را به خود اختصاص میدهد. بنابراین، در تحلیل افزوده هدف این است که این مشکل با خودکارسازی فرایند زمانبر پاکسازی دادهها برای تجزیه و تحلیل آنهاف برطرف شود. در این میان، تحلیل افزوده به عنوان آینده هوش تجاری برای بهبود فرایندهای مدیریت داده تلقی میشود و پیشبینی میشود که با تولید بیشتر دادهها به مرور زمان، ارزش بازار تحلیل افزوده نیز تا سال ۲۰۲۳ به حدود 18.4 میلیارد دلار برسد.
[1]. Automated Machine Learning
[2]. Explainable AI
[3]. Blockchain Analytics
[4]. Augmented Data Management
[5]. Graph Data Analytics
[6]. Data Fabric Design
[7]. Continuous Intelligence
[8]. Augmented Analytics
مطلبی دیگر از این انتشارات
نوآوری باز و شهر هوشمند
مطلبی دیگر از این انتشارات
نقش و چالشهای شبکه نمودن سنسورهای کنترل کیفی در شهرهای هوشمند
مطلبی دیگر از این انتشارات
۵ اصل مهم در تفکر طراحی انسانمحور برای توسعه سیستمهای iot