مدیریت هوش مصنوعی

منتشرشده در Forbes به تاریخ ۶ اکتبر ۲۰۲۰
لینک مقاله اصلی: Management AI: Matching AI Models To Business Needs, Semi-Supervised Learning And Marketing Analytics

در این مقاله یادگیری نیمه نظارت‌شده (semi-supervised) یا ترکیبی مورد بحث قرار خواهد گرفت. برای مرور کلی بر چهار نوع کلیدی هوش مصنوعی که در یادگیری ماشینی (ML) مورد استفاده قرار می‌گیرند، این شکل را نگاه کنید.

این یک مقاله آسان برای بحث در سطح هوش مصنوعی است. یادگیری تحت نظارت (supervised)، یعنی زمانی که می‌دانیم می‌خواهیم چه چیزی را به عنوان نتیجه به دست آوریم، و یادگیری بدون نظارت (unsupervised)، یعنی زمانی که می‌خواهیم روابط جدید در داده‌ها را یاد بگیریم. وقتی به نمودار نگاه می‌کنید متوجه می‌شوید که بخش نیمه نظارت‌شده (سمت چپ پایین) شکل، از یک کلمه از هر دو نوع قبلی استفاده می‌کند: طبقه‌بندی و خوشه‌بندی.

یادگیری تحت نظارت متکی بر برچسب گذاری داده‌ها و دانستن نتایج مورد انتظار است. یادگیری بدون نظارت داده‌ها را برچسب نمی‌زند بلکه از تحلیل برای مشاهده چگونگی دسته‌بندی یا خوشه‌بندی داده‌ها استفاده می‌کند. یادگیری نیمه نظارت شده، این دو را با برچسب زدن برخی داده‌ها و بدون برچسب رها کردن دیگران ترکیب می‌کند. این کار هم می‌تواند به این دلیل انجام شود که ما عمدا نمی‌دانیم چه اطلاعات اضافی ممکن است پیدا شود بنابراین می‌خواهیم داده‌ها به روش‌های از پیش تعیین‌شده بررسی شوند، یا به این خاطر که کار کافی برای برچسب زدن به تمام داده‌های آموزشی لازم وجود ندارد.

دو مثال تجاری مورد استفاده در «Lean AI» (هوش مصنوعی ناب) دسته‌بندی متن و داده‌های GPS هستند. درک متنی شامل بخش‌های مشخصی از زبان است که می‌تواند به یک سیستم آموزش داده شود اما هنوز به انعطاف‌پذیری ذاتی در یادگیری بدون نظارت نیاز دارد. بسیاری از بخش‌های رانندگی خودکار نیز به یادگیری نیمه نظارت‌شده وابسته هستند. مثال یادگیری تحت نظارت برای شناسایی علائم خطوط جاده، مختصات GPS، و دیگر اجزای فیزیکی قابل‌شناسایی و یادگیری بدون نظارت برای شناسایی رویدادها و اشیا غیر منتظره، نمونه دیگری از تکنیک‌های ترکیبی است. با این حال، هیچ یک از آن‌ها برای من به اندازه این حوزه کسب و کار، که خیلی دوستش دارم، جالب نیستند؛ بازاریابی.

بخش‌بندی بازار

بخش‌بندی بازار یک مثال عالی از زمانی است که روش‌های ترکیبی به طرز شگفت انگیزی کارایی دارند.

تحلیل‌های بازاریابی از صفر شروع نمی‌شوند. ما اطلاعات زیادی درباره بخش‌بندی مشتریان B2C براساس درآمد، سن، جنسی، و بسیاری متغیرهای دیگر داریم. در مورد B2B، ما اطلاعات مشابهی براساس بخش بازار، اندازه شرکت، منطقه جغرافیایی و غیره داریم. ویژگی‌های جمعیت شناختی خوشه‌های متعددی از بخش‌های هدف را درک می‌کند. هنگامی که یک مدل با یادگیری نظارت شده آموزش داده می‌شود، ما می‌توانیم دقت آن را در برابر تجزیه و تحلیل هوش غیر مصنوعی بررسی کنیم. شرکت‌ها به بررسی و درک سطوح برانگیختگی و عواملی پرداخته‌اند که نشان می‌دهند یک مشتری در معرض خطر ترک است و یادگیری نظارت شده می‌تواند برای شناسایی مشتریان در معرض خطر برای متمرکز کردن توجه متخصصان بازگشت مشتری بر آن‌ها استفاده شود.

با این حال، همیشه درباره بازارها چیزهایی وجود دارند که ما نمی‌دانیم و از همه مهم‌تر، یک چیز که می‌دانیم این است که بازارها دائما در حال تغییر هستند. یک مثال، ارتباطی به شکل «اگر شما فیلم x را دیده‌باشید، احتمالا فیلم y را دوست دارید» را مورد بحث قرار می‌دهد. این اطلاعات را می توان در تجارت الکترونیک به منظور مشاهده روابط بین فروش محصولات مختلف در یک وب سایت مورد استفاده قرار داد. همچنین می‌تواند روند تغییر مد را در طول زمان ببیند. به عنوان مثال، هنگامی که افرادی که عادت به خرید محصول A داشتند به طور ناگهانی شروع به خرید محصول B می‌کنند (به عنوان مثال، حجم خرید پیراهن‌های رنگ مختلف) ، یک سیستم بدون نظارت می‌تواند متوجه تغییر شود و آن را علامت‌گذاری کند تا تولید کنندگان بتوانند خودشان را با روندهای در حال ظهور تطبیق دهند. به این سیستم گفته نشده است که چه چیزی مهم است، اما یک تغییر در خوشه‌ها دیده می‌شود و این به معنای تغییر در بازارها است.

تحت نظارت و بدون نظارت-دو روی یک سکه

جهان پیچیده است. با اینکه بسیاری از مشکلات را می توان ساده کرد، اما این موضوع برای همه‌چیز صادق نیست. البته، اگر یک مدل هوش مصنوعی منفرد دقت کافی داشته باشد، در حالی که چیزهای زیادی را پیچیده می‌کند چه اتفاقی می‌افتد؟ اگر یادگیری تحت نظارت یا بدون نظارت می‌تواند مشکل را حل کند، به آنچه که برایتان کارایی دارد وفادار بمانید. این نباید به این معنی باشد که شما سعی دارید یک الگو را به همه چیز تحمیل کنید. زمان‌هایی وجود دارند که در آن‌ها هر دو نوع یادگیری در هنگام استفاده از یادگیری نیمه نظارت‌شده بخشی از کار را انجام می‌دهند.

این مقاله با استفاده از ربات ترجمه مقالات تخصصی هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته‌است. بنابراین ممکن است دارای خطاهای احتمالی باشد.