// Add scroll event listener window.addEventListener('scroll', function() { // Check scroll position if (window.scrollY >= 40) { // Perform your desired action here (function (s, e, n, d, er) { s['Sender'] = er; s[er] = s[er] || function () { (s[er].q = s[er].q || []).push(arguments) }, s[er].l = 1 * new Date(); var a = e.createElement(n), m = e.getElementsByTagName(n)[0]; a.async = 1; a.src = d; m.parentNode.insertBefore(a, m) })(window, document, 'script', 'https://cdn.sender.net/accounts_resources/universal.js', 'sender'); sender('986212f6399684') // You can replace the console.log statement with your own code } });

۹ کاربرد جالب یادگیری ماشین در زندگی روزمره

کاربرد های یادگیری ماشین

ما در عصر طلایی یادگیری ماشین زندگی می کنیم و در میانه ی انقلابی هستیم که توسط برنامه های ماشین لرنینگ که معمولا با زبان برنامه نویسی پایتون توسعه پیدا میکند، هدایت می شود.

باور کنید یا نه ، یادگیری ماشین مدت هاست  وارد زندگی روزمره ما شده است. یادگیری ماشینی به انسان ها کمک کرده است تا نه تنها بسیاری از فرایندهای صنعتی و حرفه ای را ارتقا بخشند بلکه زندگی روزمره خود را نیز به کمک ماشین لرنینگ بهبود بخشند . با گذشت زمان، دستگاه های هوشمند و برنامه های کاربردی در امور روزمره ما به یک چیز عادی تبدیل می شوند و بدین ترتیب زندگی ما بیش از پیش ساده تر و سریع تر می شود.

در این مقاله کاربردهای یادگیری ماشین در زندگی روزمره از کاربرد آن در تلفن های هوشمند گرفته تا معاملاتی که روزانه انجام می دهیم را معرفی خواهیم کرد.

۱) شبکه های اجتماعی

ماشین لرنینگ در شبکات اجتماعی

 

یادگیری ماشین  به کاربران امکان می دهد تا به صورت ساده تر دوستان و همکاران را در شبکات اجتماعی پیدا کرده و با آن ها ارتباط برقرار کنند. آیا تا به حال به این فکر کردید که چگونه از یادگیری ماشین برای درگیر کردن شما در حساب اجتماعیتان استفاده می کنند؟ بسیاری از افراد پس از باز کردن قفل تلفن همراه خود، به بررسی حساب خود در رسانه‌های اجتماعی مانند توئیتر می‌پردازند تا در جریان اخبارجدید قرار گیرند. ML نه تنها برای شخصی‌سازی آنچه کاربر در این رسانه‌ها می‌بیند، به کار می‌رود بلکه اخبار دروغین را شناسایی می‌کند !

برای مثال شبکه اجتماعی فیسبوک بطور مداوم فعالیت هایتان رابررسی میکند، فعالیت هایی مانند اینکه  با چه کسانی صحبت کرده اید، چه کسانی را لایک کرده اید ،محیط کار و تحصیل شما. و به این ترتیب فیسبوک براساس فعالیت های شما و به کمک یادگیری ماشینی برای شما پیشنهاداتی را  ارائه می دهد.

برخی از موارد استفاده شما از هوش مصنوعی در شبکه های اجتماعی به شرح زیر است:

لینکدین (Linkedin)

به منظور ایجاد احتمال همخوانی بهتر بین کارمند و کارفرما، هوش مصنوعی به تطبیق دادن کاندیداهای موجود به فرصت های شغلی معرفی شده، کمک می کند. لینکدین در بلاگ استعدادهای خود شرح می دهد که: 

با استفاده از نگاهی عمیق تر به رفتار متقضیان در لینکدین، نه تنها به پیش بینی این که چه کسی برای کار شما مناسب است می پردازیم، بلکه فردی را که در نهایت استخدام می شود را هم پیش بینی می کنیم.

پینترست (Pinterest)

ابزار LENS سایت Pinterest از هوش مصنوعی به منظور تشخیص اشیاء در تصاویر استفاده می کند. برای مثال اگر از سرویس میز نهارخوری در خانه دوست تان توسط این ابزار عکس بگیرید، عملکردِ بر پایه هوش مصنوعی این ابزار، میزهای سرویس های مشابه را برای شما پیدا خواهد نمود.

در برخی موارد شما خواهید توانست که فروشنده محصول را نیز این این طریق پیدا نموده و اقدام به خرید نمایید.

 

ربات های چت (Chatbots)

ربات های چت، کلمات و عبارات را به منظور ارائه مطالب مفید به مشتریانی که معمولا سوالات مشابهی دارند شناسایی می کنند. در برخی موارد ربات های چت به قدری دقیق عمل کرده اند که تجربه صحبت با آنها همانند تجربه صحبت با یک انسان واقعی بوده است.

ربات های چت سعی می کنند زبان و نحوه صحبت طبیعی یک فرد را تقلید کنند. از آن ها در انجام امور روتین و روزمره مثل تعیین وقت ملاقات، دریافت سفارشات و پاسخ به سوالات در خصوص صورت حساب های صادره استفاده می شود.

 

فیسبوک (facebook)

_تشخیص پیش گیرانه در Facebook

در نوامبر ۲۰۱۷، شرکت Facebook قابلیت تشخیص پیش گیرانه را راه اندازی کرد. این قابلیت با تحلیل پست های ارسالی افراد، الگوهایی را که نشان می دهد  فرد مذکور در آینده نزدیک قصد صدمه زدن به خود را دارد، تشخیص می دهد.

زمانی که الگوهای فکری منجر به خودکشی تشخیص داده شود، برنامه مبتنی بر هوش مصنوعی، برای فرد و گاهی برای دوستان وی مطالبی در خصوص سلامت ذهن تهیه و ارسال می کند. فیس بوک از این برنامه مبتنی بر ماشین لرنینگ و هوش مصنوعی به کمک نیروهای انسانی پشتیبانی می کند. افراد دخیل در این موضوع شامل مدیران آموزش دیده و موسسات سلامت روان محلی که به صورت قراردادی فعالیت می کنند و همین طور امدادگران محلی (در صورت لزوم برای مداخله) می باشند. 

برای مثال در گزارشی که در اتاق خبر Facebook به اشتراک گذاشته شد، در شمال ایالت نیویورک، دپارتمان پلیس تماسی تلفنی را در خصوص خانمی جوان که تهدید کرده بود به خودش صدمه می زند دریافت می کندبه لطف برنامه تشخیصی Facebook، به پلیس محلی خبر داده شده و آن ها توانستند خانم مذکور را از طریق ردیابی تلفن همراه پیدا کنند. بدین وسیله آن ها وی را به موقع به بیمارستان رسانده و در نتیجه جان وی را نجات دادند.اگر اتفاقات اخیر در ارتباط با نشر داده های خصوصی Facebook به بیرون را نادیده بگیریم، باید گفت Facebook نقطه عطفی برای انسان در ورود به عصر هوش مصنوعی بوده است.

 

_تشخیص چهره در Facebook

به طور مثلا پروژه DeepFace که از الگوریتم های یادگیری ماشین برای تشخیص صورت است، می تواند با دقت 97.25 درصد، تصاویر متعلق به یک شخص را تشخیص داده و صفحات مختلف را به هم ربط داده و استنتاج های مورد نیاز فیسبوک را در اختیار قرار دهد. پروژه DeepFace می تواند 4000 جز از ظرایف صورت انسانی را مورد بررسی قرار داده و تصاویر را تشخیص دهد.

 

۲) دستیاران شخصی مجازی

کاربرد ماشین لرنینگ

کاربران از دستیارهای صوتی بیشتر به منظور تنظیم ساعت زنگ‌دار، برقراری تماس تلفنی، ارسال پیام کوتاه و سفارش آنلاین و از راه دور غذا و گل استفاده می‌کنند. الکسا (Alexa)، سیری (Siri)، بیکسبی (Bixby) ، گوگل (Google assistant) و کورتانا (Cortana) بهترین دستیاران  هوشمند در تلفن های همراه میباشند که به کمک الگوریتم های یادگیری عمیق برای تقلید کردن و یادگرفتن تعاملات انسانی استفاده می کند و همان طور که دارد یاد می گیرد، می توانند نکات ظریف زبانی و مفاهیم احساسی مستتر در زبان ما را بفهمد.

مایکروسافت، گوگل، اپل و آمازون با دستیاران هوشمند صوتی خود یعنی کورتانا ، دستیار گوگل (Google assistant) ، سیری و الکسا در حال رقابت با هم هستند. و در آزمایشی که به تازگی توسط Loup Ventures انجام شده است، دستیار گوگل قادر به پاسخ‌گویی صحیح به بیشترین سوالات بود. پروژه صوفیا، رباتی که شبیه انسان است نیز از چنین رویکردی پیروی می کند.

 

۳)  امور مالی و بانکداری هوشمند 

بانکداری هوشمند

هوش مصنوعی و ماشین لرنینگ در حال حاضر در سیستم بانکداری نیز به کار می‌رود و می‌تواند به افزایش ایمنی کار و تشخیص برخی از خطاهای احتمالی کمک کند. هنگام واریز پول به یک حساب با کمک تلفن همراه و ورود به حساب،پرداخت صورتحساب غذا و یا خرید  از هوش مصنوعی استفاده می‌شود.

کشف کلاهبرداری آنلاین یکی از پیشرفته ترین کاربردهای الگوریتم یادگیری ماشین است. این یک رویکرد عملی است تا امنیت سایبری را بصورت کارامد در اختیار کابران قرار دهد.  این کاربرد پیشرفته یادگیری ماشین به کاهش ضرر و سود آوری حداکثر کمک می کند. با استفاده از این کاربرد یادگیری ماشین سیستم شناسایی از سیستم های دیگری که مبتنی بر قوانین قدیمی هستند مستحکم تر می شود.

پروژه Paypal از الگوریتم های یادگیری ماشین برای تشخیص تقلب و جلوگیری از پولشویی  استفاده می کند. با استفاده از الگوریتم یادگیری عمیق، می تواند حجم وسیعی از داده های مشتری را بررسی کرده و ریسک تقلب هرکدام از مشتری ها را محاسبه کند.

بنابرین شاید در حوزه تبلیغات، یادگیری ماشین و هوش مصنوعی  بتواند با حربه های مختلف جیبتان را خالی کند، اما در زمینه بانکداری به شما سود خواهد رساند. نرم افزارهای مخصوص می توانند الگوی مصرف معمول شما از کارت های اعتباری را شناسایی کرده و بر اساس آن، سرقت یا کلاهبرداری های احتمالی را تشخیص دهند. انجام عملیات فوق از عهده هیچ انسانی بر نمی آید، ولی ربات ها قادرند تمامی کارت های اعتباری را به صورت لحظه ای زیر نظر داشته باشند.

از طرفی در آینده از یادگیری ماشین می توان برای اتخاذ راه های سرمایه گذاری مطمئن بهره گرفت، یا افراد معتبر برای دریافت تسهیلات را شناسایی کرد. این راهکارها هم اکنون به صورت محدود استفاده می شود.

 


مطالعه مقالات زیر در حوزه یادگیری ماشین به شما توصیه می‌شود:

کاربرد یادگیری ماشین در بازاریابی دیجیتال

چرا پایتون بهترین زبان برنامه نویسی برای یادگیری ماشین است؟


 

 

۴) مارکتینگ و خرید هوشمند 

مهمترین کاربرد های ماشین لرنینگ

سایت Amazon

هنگامی که صحبت از خرید به میان می‌آید، نام “آمازون”(Amazon) که بزرگترین فروشگاه آنلاین آمریکا است، خودنمایی می‌کند. چنین فروشگاه‌هایی، کاربران را پیوسته در معرض یادگیری ماشین  قرار می‌دهند.

الگوریتم‌های خرید مبتنی بر هوش مصنوعی، اولویت‌ها و علاقه‌های کاربران را در خرید یاد می‌گیرند و پیشنهاداتی را در این زمینه ارائه می‌دهند. آمازون و سایر فروشگاه های آنلاین با استفاده از هوش مصنوعی در خصوص سلایق و خریدهای شما به جمع آوری اطلاعات می پردازند. سپس بر مبنای اطلاعات جمع آوری شده، تجربه خرید شما را شخصی سازی نموده و محصولاتی جدید که با سلیقه شما همخوان باشد را به شما پیشنهاد می نمایند. برای مثال زمانی که شما برای یک کالا مثل «هدست Bose» جستجو می کنید، موتور جستجوی سایت، موارد دیگری را هم که توسط کاربرانی که جستجوی مشابه داشته اند خریداری شده است را نیز نشان می دهد.

سایت  Lyst

سایت Lyst یک سایت مرتبط با لباس و مد است و از یادگیری ماشین برای مرتبط کردن جستجوهای مشتری با پیشنهادات جدید استفاده می کند تا فروش بالاتر رود. این پروژه از Meta-Data و Tag ها استفاده می کند و این امر کمک می کند تا از تکلف جستجو در انبوه تصاویر لباس خلاص شود.

در ابتدا این الگوریتم شباهت های جستجو جدید با جستجوهای قبلی را بر اساس متادیتا پپدا می کند، سپس تصاویر مورد دلخواه  را نماش می دهد و بعد از آن می تواند ترکیب رنگ، سایز و سایر ویژگی های شخصی هر مشتری را برای او بهینه کرده و شخصی کند. بنابرین الگوریتم‌های خرید مبتنی بر هوش مصنوعی، اولویت‌ها و علاقه‌های کاربران را در خرید یاد می‌گیرند و پیشنهاداتی را در این زمینه به مشتریان ارائه می‌دهند.

 

۵) موتور های جستجو

در حال حاضر بیشتر افراد نمی‌توانند حتی یک روز خود را بدون جستجو در گوگل سپری کنند. موتورهای جستجو بدون کمک هوش مصنوعی نمی‌توانند به بررسی کل اینترنت بپردازند و پاسخی به کاربر ارائه دهند.

برخی تبلیغاتی که به نظر می‌رسد همیشه در تعقیب کاربر هستند نیز با کمک هوش مصنوعی فعال می‌شوند. این تبلیغات، بر اساس سابقه جستجوی کاربر و مطالبی که به نظر می‌رسد برای کاربر ارزمند هستند، فعال و شخصی‌سازی می‌شوند.

موتورهای جستجوگر گوگل در طول زمان با مطالعه کلمات و ویژگی های زبانی استفاده شده در جستجوهای کاربران متحول شدند. هوش مصنوعی آن با یادگیری از نتایج جستجو، سعی می کند تا خود را با نیازهای کاربران همخوان کند. 

برای مثال جستجوی «قیمت چای در چین چقدر است» انتخاب گوگل به عنوان بهترین جواب را در بالای صفحه به صورت علامت گذاری شده مشخص نموده و در ادامه لیستی از سایر منابع جهت پاسخ به جستجو را ارائه می کند.

هدف الگوریتم گوگل ارائه بهترین نتایج ممکن به جستجوگر می باشد. بدین منظور، گوگل با استفاده از هوش مصنوعی سعی در تعیین کیفیت محتوای پاسخ و میزان همخوانی آن با درخواست کاربر دارد.

 

۶)  سرویس های مسیریابی 

کاربرد های ماشین لرنینگ

 Google Maps

تا قبل از سال 2017 پروژه Google Map صرفا یک نقشه آنلاین از تمام جهان بود اما بعد از این سال، گوگل قابلیت های یادگیری ماشین و یادگیری عمیق را به این سرویس خود افزوده است.

این الگوریتم یادگیری ماشین، به نرم افزارها کمک می کند تا نام خیابان ها و شماره خانه ها را از روی عکس هایی که از آن خیابان ها گرفته شده، استخراج کند تا نتایج جستجو دقیق تر شوند.

با مجموع 80 میلیارد تصویری که از خیابان ها در دیتابیس گوگل موجود می باشد، این استخراج نام ها با دقت 84.2 درصد در حال انجام است.

اگر شما نیز وقتی صفحه ای از گوگل را باز می کنید و می بینید از شما می خواهد علامت های مربوط به یک کوچه را برایش انتخاب کنید، دقیقا دارد تلاش می کند تا دقت مدل خود را با کمک شما بالا ببرد و این بخشی از این پروژه می باشد.

Uber

این سرویس از نظر کارایی  مشابه سرویس  آنلاین  اسنپ در کشور خودمان میباشد.

Uber از یادگیری ماشین برای محاسبه زمان رسیدن، بهینه سازی مسیر، ارزیابی مشتریان و رانندگان، پیشنهادهای سفر، تخفیف های شخصی سازی شده و … استفاده می کند. خطای محاسبه زمان رسیدن در Uber در مجموع 26 درصد می باشد و این الگوریتم همچنان در حال پیشرفت است.

 

۷) Google Translate

ماشین لرنینگ گوگل ترنسلیت

احتمالا بسیاری از شما ازسرویس رایگان  google translate استفاده کرده اید . سیستم جدیدی که به جای ترجمه کلمه به کلمه جملات آن‌ها را به صورت یکپارچه ترجمه می‌کند، در نتیجه ترجمه‌های ارائه شده طبیعی‌تر و روان‌تر هستند.

 کاربرد یادگیری ماشین در ترنسلیت : مترجم گوگل اکنون می‌تواند از یک زبان به زبان دیگر ترجمه کند، حتی اگر دو زبان انتخاب شده پیش از این توسط سیستم انتخاب نشده باشند. برای مثال یک سیستم چند زبانه را تصور کنید که برای ترجمه از زبان ژاپنی به انگلیسی و یا کره‌ای به انگلیسی آموزش دیده است. این سیستم علی‌رغم اینکه هیچ‌گونه آموزشی درباره ترجمه از کره‌ای به ژاپنی دریافت نکرده، با استفاده از آموخته‌های قبلی خود این کار را انجام می‌دهد.

گوگل در چند ماه اخیر سرمایه‌گذاری در حوزه هوش مصنوعی و یادگیری ماشینی را افزایش داده و تصمیم دارد به یکی از شرکت‌های پیشرو در این زمینه تبدیل شود.

 

۸) بهبود ارتباطات ایمیلی با یادگیری ماشین

یادگیری ماشینی در سرویس ایمیل

گوگل در سال 2015 پروژه Smart Reply Function را برای سرویس gmail خود معرفی گرده است. این پروژه بر پایه الگوریتم شبکه های عصبی بازگشتی (Recurrent Neural Networks) است و بر اساس پاسخ های قبلی شما به ایمیل های قبلی، به طور خودکار جواب ایمیل جدید را می دهد.البته در زبان فارسی هنوز چنین قابلیتی فراهم نشده است.

سرویس پست الکترونیک را می توان نخستین نمونه از خدمات گوگل دانست که در آن از یادگیری ماشینی استفاده شده، و یقیناً دیگر محصولات نرم افزاری این شرکت هم به فناوری مشابهی مجهز هستند. یادگیری ماشین در جیمیل می تواند ایمیل های دریافتی شما را به صورت هوشمند طبقه بندی کرده و هرزنامه ها (اسپم) را فیلتر کند.

سابق بر این، فیلترهای اسپم بر اساس کلمات کلیدی متداول در آنها تعیین می شد، اما اکنون یادگیری ماشین می تواند بازخورد کاربران به ایمیل های خاص را شناسایی کرده و بر اساس الگوهای پدیدار شده، اقدام به حذف موارد مشابه نماید. در واقع جیمیل به صورت هوشمند محتوایی که دوست دارید را به شما نشان داده و مابقی را حذف می کند.

 

۹) اپلیکیشن‌های پخش موسیقی و تماشای فیلم

کاربرد یادگیری ماشین

اسپاتیفای( Spotify )

بسیاری از کاربران به صورت روزمره از این سرویس پخش موسیقی استفاده می کنند . سرویس استریم موزیک اسپاتیفای از یادگیری ماشین برای شناسایی موسیقی مورد علاقه شما بهره می گیرد. سپس بر اساس الگوهای به دست آمده، پلی لیست های جدیدی از موسیقی های جدید، موسیقی های قدیمی پر طرفدار و … بر اساس علایقتان برای شما ساخته و در اختیارتان قرار می دهد. دیزر (Deezer) و پاندورا نیز از رویکرد مشابهی استفاده می کنند.

در سیستم های پیشرفته تر، رفتار کاربرانی با سلیقه مشابه آنالیز شده و از ویژگی هایی نظیر تن موسیقی، ضرباهنگ و مدت زمان یا دفعات گوش دادن به هر قطعه برای شناسایی و ارائه پیشنهادات بهتر استفاده می شود.

سرویس Google Play

سرویس Google Play نیز به شما موسیقی های پیشنهادی را ارائه می کند. پیشنهادات آن بر مبنای هوش مصنوعی بوده و فاکتورهایی همچون آب و هوا و زمانی که در روز به موسیقی گوش می دهید را هم به عنوان فاکتورهای موثر در انتخاب موسیقی برای فعالیت های روزمره شما در نظر می گیرد. برای مثال ممکن است که به شما یک لیست از موسیقی های رمانتیک برای دورهمی های آخر هفته تان پیشنهاد شود، در حالی که در یک روز بارانی لیستی از Track های آرام و آرامش بخش ارائه شود.

نتفلیکس (Netflix)

در کشور ما، اسپاتیفای به مراتب متداول تر از نتفلیکس است. بیش از 80 درصد برنامه های تلویزیونیدر آمریکا با موتور پیشنهاد دهنده ی یادگیری ماشین Netflix می تواند یافت شود و بر اساس علایق هر 100 میلیون کاربر به ایشان نمایش داده شود و چه چیز از این بهتر برای نمایش تبلیغات هدفمند و هزار راه درآمدی دیگر…

آقای Tod Yellin مدیر بخش نوآوری Netflix می گوید، دو دسته ویژگی ها به مدل شبکه عصبی این شرکت وارد می شود: اولی رفتار کاربران و دومی محتواهای تولید شده است. ترکیب این ویژگی ها منجر به ایجاد پیشنهادها می شود.

 

جمع بندی

ممکن است اطلاع زیادی از یادگیری ماشینی نداشته باشید ، اما یادگیری ماشین در اطراف شماست!  وقتی یک پرسش را در موتور جستجو تایپ می کنید ، این موتور به کمک یادگیری ماشینی نتایج مناسب را به شما را نشان می دهد . هنگامی که نامه الکترونیکی خود را می خوانید ، بیشتر اسپم ها را نمی بینید ، زیرا یادگیری ماشین آن ها را فیلتر کرده است. برای تماشای یک فیلم با Netflix ، ویا هنگام مراجعه به وبسایت  Amazon.com جهت خرید، یک سیستم یادگیری ماشینی با کمک علایق پیشین و  مواردی که دوست دارید، به کمک شما خواهد آمد.

فیس بوک با استفاده از یادگیری ماشین تصمیم می گیرد که کدام کاربران و پست ها  را به شما نمایش دهد  و توییتر نیز همین کار را برای توییت ها انجام می دهد. هر وقت از کامپیوتر استفاده می کنید ،در واقع یادگیری ماشین به نحوی درگیر است.واین ها همه و همه از کاربرد های یادگیری ماشینی در زندگی روزمره ما میباشد که به معرفی و بررسی آن ها پرداختیم.

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

نوشته شده توسط
یگانه اخوان

من یگانه اخوان هستم دانشجوی برتر دوره پنجم آموزش سئو آکادمی آمانج متخصص کلاه خاکستری، سئو خارجی و تولید محتوا

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *