افزایش
سرسامآور جمعیت کره زمین و توزیع نابرابر منابع طبیعی، کره زمین را به
سمت بحران کمبود منابع غذایی برده است. یکی از راهکارهایی که برای این مشکل
عنوان شده است افزودن یک چیز غیر معمول به سبد غذاییمان است؛ جیرجیرکها.
تیمی به سرپرستی گروه غذایی آسپیر میخواهد با ساخت اولین مجتمع تمام
خودکار تولید حشرات در جهان و کاربرد هوش مصنوعی در پرورش جیرجیرک ها ، این
موجودات را از مزارع بر سر سفرهها بیاورد.
این
حشرات دارای محتوای پروتئین بالا و رد پای زیستمحیطی کم هستند که
میتواند جایگزینی پایدار برای گوشت و ماهی باشند. اگرچه جذابترین ظاهر را
ندارند، اما ممکن است فریبنده باشند. آنها به دلیل عطر و طعم عالی، بافت
ترد و قابض بودن مشهور هستند. در این مجتمع، با کاربرد هوش مصنوعی در پرورش
جیرجیرک، جیرجیرکها این حشرات به محصولات غذایی از جمله پودر و تکههای
گوشتی تبدیل میشوند.
برای اولین بار است که در یک پروژه، اتوماسیون صنعتی، اینترنت اشیا، رباتیک و هوش مصنوعی در یک محیط کنترل شده با موجودات زنده مستقر میشود.
در
داخل این مجتمع سطلهای تولید جیرجیرک به سنسورهای سفارشی مجهز هستند که
تصویری کلی از سلامت موجود زنده و مجتمع را در هر زمان فراهم میکنند. سپس یادگیری عمیق
که توسط استارت آپ کانادایی DarwinAI توسعه داده شده است، دادهها را
تجزیه و تحلیل میکند تا با کسب بینش گستردهتری بتواند کارایی را افزایش
دهد. این اتفاق منجر به نوعی بازخورد میشود که اجازه میدهد در صورت
تغییرات محیطی، نحوه پرورش نیز به طور همزمان تغییر یابد.
شلدون
فرناندز، مدیر عامل DarwinAI میگوید که هوش مصنوعی طیف وسیعی از دادهها،
از جمله فیلمهای جیرجیرکها را به منظور شناسایی تغییرات بیولوژیکی تجزیه
و تحلیل میکند. او در این باره میگوید: «اگر بخواهیم مثالی بزنیم باید
بگوییم این فناوری قادر است از نوسانهای محیطی که بر اساس سیگنالهای
دریافتی صورت میگیرد، برای به حداکثر رساندن عملکرد جیرجیرکها بهره ببرد.
همچنین اپراتورها نیز میتوانند با بینش کسب شده، متغیرهای مهمی مانند
کنترل رطوبت را تنظیم کنند.»
این پروژه موفق شده است بودجهای از طرف Next Generation Manufacturing Canada که توسط دولت کانادا پشتیبانی میشود دریافت کند.
مدیر
عامل NGen کانادا، جیسون مایرز در این باره میگوید: «هوش مصنوعی قطعا
بخشی جداییناپذیر از بسیاری از جنبههای پروژه Aspire است. هوش مصنوعی
میتواند در کنترلهای زیست محیطی، بهینهسازی فرآیند و کارایی تجهیزات کمک
کننده باشد. همچنین با استفاده از این فناوری نوین میتوان چگونگی استفاده
مجدد از مواد برای تقویت چرخه اقتصادی و همچنین بررسی مسائل زیستمحیطی
پروژه را زیر نظر داشت.»
این
مجتمع پرورشی در سه ماهه اول سال ۲۰۲۲ فعالیت خود را آغاز خواهد کرد و هدف
آن تولید سالانه نزدیک به ۲۰ هزار تن محصول با کاربرد هوش مصنوعی در پرورش
جیرجیرک است. این مرکز در شهر لندن واقع در استان انتاریو کانادا قرار
دارد، اما طراحی مدولار و توزیع جهانی جیرجیرکها نشان میدهد این که
فناوری به طور بالقوه میتواند در هر مکانی به کار گرفته شود.
یکی
از ویژگیهای بارز مشاغل موفق در قرن بیست و یکم، تعامل مشتری است. طبق
توضیح هاب اسپات تعامل مشتری ایجاد تعامل با مصرف کنندگان در چندین کانال
برای تقویت ارتباط شرکت با آنها است و امروزه به لطف پیشرفت در شبکه های
اجتماعی، تعامل مشتری در بالاترین حد خود قرار دارد. با توجه به حجم وسیع
داده در این مشکل، تعامل انسان و هوش مصنوعی میتواند فکر خوبی باشد.
MIT معتقد است کلان داده،
هنگامی که از هوش مصنوعی بهره ببرد، می تواند به بینش هیجانانگیز و حیاتی
امروز کسب و کارها منجر شود. اما هنگامی که در مورد هوش مصنوعی صحبت می
کنیم، این اصطلاح طیف گسترده ای از فناوریهای نوظهور را در بر میگیرد.
همه آنها به معنای تجربه مشتری و تعامل انسان و هوش مصنوعی قابل استفاده
نیستند. در اینجا، ما خواهیم فهمید که چگونه دادهها و هوش مصنوعی
میتوانند با هم کار کنند و به ایجاد یک سیستم عمیقتر و قویتر تعامل
انسان و هوش مصنوعی برای یک کسب و کار کمک کنند.
منابع داده و CX
اگر
اخیراً از گوگل برای جستجو استفاده کردهاید، متوجه شدهاید که اکنون این
موتور جستجو تمایل دارد کاربران را به سمت آنچه که فکر میکند به دنبال آن
هستند، سوق دهد. مرتبط بودن در آنچه موتور جستجو به شما ارائه میدهد، امری
حیاتی است و مشاغلی که برای تغذیه هوش مصنوعیشان از دادهها استفاده
میکنند هم از این قاعده مستثنی نیستند. شرکتها میتوانند دادهها را از
کوکیها یا برنامههای تلفن همراه جمعآوری کنند، هوش مصنوعی خود را آموزش
دهند و تجربه منحصر به فردی برای مشتری ایجاد کنند. از آنجا که
الگوریتمهای یادگیری ماشین امکان آموزش مجدد بر اساس اطلاعات جدید را
دارند، پاسخهای هوش مصنوعی همیشه براساس آخرین دادههای جمعآوری شده در
حساب آن کاربر مرتبط خواهند بود. قوانین مربوط به جمعآوری دادههای
کاربران متفاوت هستند، اما اگر مشاغل قصد انجام این کار را دارند، باید
اطمینان حاصل کنند که در تمامی پلتفرمها انجام این کار قانونی باشد.
درجه بالاتر محاسبات الگوریتمی
مجله
وایرد نوشته الگوریتمها مجموعهای از مراحل برای یک محاسبه خاص هستند.
اما این یک اصطلاح ریاضی در سادهترین شکل آن است. وقتی صحبت از الگوریتم
در علوم کامپیوتر باشد، نیاز به تعریفی ظریفتر داریم. یادگیری الگوریتمی،
قلب تپنده هوش مصنوعی است، زیرا به سیستم میآموزد چه چیزی را باید از
دادههای جدید انتخاب کند. در شرایطی که بیشتر الگوریتمها تحت نظارت هستند
(توسط مدیر تحت نظارت قرار میگیرند و در صورت بروز خطا اصلاح میشوند)،
در نهایت، آنها میتوانند به تنهایی هم اجرا شوند. یادگیری ماشین میتواند
تفاوتهای ظریف رفتار مصرفکننده را در نظر گرفته و جنبههای روانشناختی
خریدار را نمایان سازد. دادههایی که توسط یادگیری ماشین تولید میشود هم
میتوانند به چیدمان درست آیتمهای مربوط برای مشتریان کمک کند.
تکنولوژی پردازش زبان طبیعی
پردازش
زبان طبیعی سعی دارد شرایط تعامل انسان و هوش مصنوعی را بهبود بخشد و کاری
کند تا هوش مصنوعی با استفاده از پارامترهای انسانی و نه آنچه از کامپیوتر
انتظار دارید، پاسخگوی مسائل باشد. پردازش زبان طبیعی
نحوه تعامل یک برند با خریداران خود را تغییر میدهد. این امر باعث میشود
که برخورد با هوش مصنوعی از دیدگاه مصرفکننده بسیار سادهتر به نظر برسد؛
زیرا آنها نیازی به یادگیری رابطهای پیچیده ندارند. این سیستم به سادگی
با آنها به زبان انگلیسی ساده صحبت میکند و بازخوردشان را جمعآوری
میکند و آن بازخوردها را به ذخیره دادههای موجود اضافه میکند. همچنین
چتباتها دارای سیستمهای یکپارچهسازی آسان هستند که به آنها این امکان
را میدهد که در وبسایت یک شرکت قرار گیرند. هزینههای استفاده از این
فناوری در یک وبسایت تجاری نیز به میزان قابل توجهی کمتر است.
بینایی ماشین و تجربه مشتری
مشتریان
همیشه به دنبال روشهای کارآمدتر برای بهینهسازی خریدهای خود هستند.
بینایی ماشین سیستمی است که به سادگی میتواند برای تجزیه و تحلیل دادهها
از یک منبع خاص استفاده کند. به عنوان مثال، با جمعآوری دادههای ترافیک
در یک فروشگاه، بینایی ماشین میتواند یک نقشه گرمایی ایجاد کند تا نشان
دهد اکثر مصرفکنندگان بیشتر در چه بخشهایی وقت خود را صرف می کنند. این
یعنی بهترین شیوه تعامل انسان و هوش مصنوعی . این بینش میتواند به هدایت
مشاغل به سمت کمپینهای تبلیغاتی موثرتر یا محصولاتی که مشتریان بیشتری
دارد، کمک کند. یکی دیگر از نمونههای عالی استفاده از بینایی ماشین،
ویژگی لنز پینترست است. این ویژگی به کاربران اجازه میدهد با استفاده از
دوربین تلفن هوشمند خود هرچه را میخواهند در دنیای اطراف خود جستجو کنند.
این ویژگی دقیقاً نشان میدهد که هوش مصنوعی با انگیزه مناسب چه
تواناییهایی دارد.
یادگیری عمیق در کنار تجربه مشتری
یادگیری عمیق
یعنی به هوش مصنوعی آموزش دهیم که مانند یک انسان فکر کند. ما معتقدیم این
کار آسان است، زیرا این کار را به صورت طبیعی انجام میدهیم، اما در واقع
یک فرایند پیچیده است که برای دستیابی به آن، محاسبات زیادی نیاز است.
الگوریتمهای یادگیری عمیق میتوانند در ایجاد سرنخ و ایجاد فرصت برای
مشاغل بی ارزش باشند. یکی از بهترین نمونهها در بخش مراقبتهای بهداشتی
استفاده از دادههای مقیاس پذیر در دنیای واقعی است که توسط Trialbee
پیادهسازی شده است. مشارکت بیمار در طی تحقیقات بالینی برای آزمایشات
مربوط به واکسن بسیار سودمند است. این یعنی به کسبوکارها راهحلی برای
تعامل انسان با هوش مصنوعی پیشنهاد دهیم که از آن برای مطابقت شرکتها با
شرکتکنندگانی که در مطالعات مشابه در سراسر جهان شرکت کردهاند، استفاده
کنند. استفاده از هوش مصنوعی برای سازمانهای دارویی، medtech، بیوتکنولوژی
و CRO باعث افزایش بهرهوری خواهد شد و همچنین تجربه مشتری منحصر به فردی
را برای شرکتکنندگان ایجاد میکند.
یکی
دیگر از کاربردهای مناسب یادگیری عمیق، تعاملات به موقع است. مصرفکنندگان
در حین کار با نماینده خدمات مشتری، توقعات مشخصی دارند. اکثریت مشتریان
برای وقت خود ارزش قائل هستند و این که مجبور شوند منتظر بمانند آنها را
بیمیل کرده و از برندها دور میکند. تعامل انسان و هوش مصنوعی در زمان
مناسب باعث میشود که هوش مصنوعی پاسخی درست در چارچوبی دقیق برای این مشکل
داشته باشد. این سیستم با استفاده از زمینه و هدف کاربر تعیین میکند که
آنها چه کاری میخواهند انجام دهند و نسبت به اقدامات آنها واکنش نشان
میدهد.
ایجاد تعامل بهتر با مشتری از طریق استفاده هوشمندانه از هوش مصنوعی
تعامل انسان و هوش مصنوعی باعث
میشود که شرکت موفقتر باشد و به طور کلی، اساس یک شرکت وقتی با مشتریانش
تعامل داشته باشد، بسیار سالمتر به نظر میرسد. در بازاریابیهای قدیمی،
تماس با کاربران و درک نیازهای آنها مسئلهای ساده بود که البته توجه
زیادی به آن نمیشد. از طرفی، تعامل انسان و هوش مصنوعی به انرژی زیادی
نیاز دارد که برای تامین آن شاید به همکاری همه کارکنان نیاز باشد. اگر
کسبوکاری بخواهد در این محیط مدرن فعال باقی بماند، باید با این شرایط
سازگار شود. هوش مصنوعی بهترین راه برای حرکت شرکتها به سوی موفقیت است،
اما هوش مصنوعی بدون داده مانند وسیله نقلیه بدون سوخت است. با اطمینان از
اینکه سیستم هوش مصنوعی داده کافی برای یادگیری و توسعه را دارد، مشاغل
میتوانند از تمام پتانسیل آن در جذب مشتری استفاده کنند.
اگر
فکر میکنید که نقش هوش مصنوعی و یادگیری ماشین در فروشگاه های آنلاین
هنوز در مراحل اولیه خود است، به نحوه عملکرد شرکت آمازون نگاه کنید. به
یاد دارید که چگونه این پلتفرم آنچه را که ممکن است دوست داشته باشید بخرید
به شما پیشنهاد میدهد؟ یا چگونه آنچه را که آخرین بار خریدهاید به یاد
میآورد و به شما یادآوری میکند؟
این جادوی هوش مصنوعی است
مانند
آمازون، وبسایتهای تجارت الکترونیکی بسیاری وجود دارند که با استفاده از
پتانسیل الگوریتمهای یادگیری ماشین در فروشگاه های آنلاین قدرت این
فناوری نوین را در تجارت الکترونیکی نشان میدهند. تحقیقات Tractica ادعا
میکند که ارزش هوش مصنوعی
در تجارت الکترونیکی تا سال ۲۰۲۵ به ۳۶.۸ میلیارد دلار میرسد. واضح است
که هوش مصنوعی تجارت الکترونیکی در حال پیشرفت است و این روند در سال ۲۰۲۱
نیز ادامه خواهد داشت. در ابتدا بیایید به یک تعریف ساده یادگیری ماشین،
انواع مختلف آن و کاربردهای متنوع آن در بخش تجارت الکترونیکی نگاهی
بیندازیم.
یادگیری ماشین چیست؟
یادگیری ماشین
زیرمجموعهای از هوش مصنوعی است. اگرچه به نظر میرسد این یک مفهوم پیچیده
است اما یادگیری ماشین، فرآیند آموزش یک برنامه یا الگوریتم رایانه برای
سازگاری مداوم و “یادگیری” از محیط است تا بتواند وظیفه محول شده را
بهخوبی انجام دهد و بهبود ببخشد. یادگیری ماشین برای دستیابی به این هدف
از مدلهای ریاضی استفاده میشود.
انواع الگوریتمهای یادگیری ماشین
بهطورمعمول، سه نوع الگوریتم یادگیری ماشین وجود دارد که میتواند بر اساس وظیفه دادهشده و محیط یادگیری مورد استفاده قرار گیرد:
الگوریتمهای یادگیری بدون نظارت
الگوریتم
یادگیری بدون نظارت، الگوریتمی مبتنی بر داده است که از برچسب استفاده
نمیکند. وظیفه اصلی این الگوریتم این است که حجم عظیمی از دادهها را
گروهبندی، خوشهبندی و یا سازماندهی کند تا یک انسان (یا یک الگوریتم
هوشمند دیگر) بتواند آن را درک کند. این ویژگی الگوریتمهای یادگیری بدون
نظارت بهتنهایی میتواند باعث افزایش بهرهوری برای صنایع و بنگاههای
اقتصادی در سراسر طیف شود.
الگوریتمهای یادگیری با نظارت
الگوریتم
یادگیری با نظارت یک الگوریتم وظیفه-محور است و یکی از پرکاربردترین
مقولههای یادگیری ماشین است زیرا اجرای آن ساده و کاربرد آن آسان است. شما
بهاحتمال زیاد با این نوع یادگیری سروکار زیادی خواهید داشت، زیرا در
بسیاری از کاربردهایی که در ادامه نام برده میشوند حضوری فعال دارد.
نحوه کار الگوریتم یادگیری تحت نظارت به شرح زیر است:
شما دادههایی را که باید وارد کنید با یک “برچسب” روی آن ایجاد میکنید. سپس این جفت نمونه برچسب را به الگوریتم یادگیری تغذیه میکنید. الگوریتم در جهت پیشبینی برچسب برای هر مثال تلاش میکند. شما در رابطه با اینکه الگوریتم پاسخ درست را پیشبینی کرده است (یا نه) بازخورد ارائه میدهید.
با گذشت زمان، هر چه تعداد بیشتری از نمونهها را تغذیه کنید، الگوریتم
“خود یاد میگیرد” تا زمانی که بتواند بهدرستی وظیفه محوله را مشاهده،
پیشبینی و تکمیل کند.
الگوریتمهای یادگیری تقویتی
به بیان ساده ، یادگیری تقویتی
یک الگوریتم یادگیری رفتار-محور است که از طریق اشتباهات مکرر و
آزمونوخطا میآموزد. درواقع این شبیه زمانی است که والدین تلاش میکنند از
طریق تقویت مثبت یا منفی چیزی را به کودک آموزش دهند. در اینجا نحوه کار
الگوریتم یادگیری تقویتی را مشاهده میکنید.
شما یک سیگنال مثبت به الگوریتمی اختصاص میدهید که آن را با رفتار خوب مرتبط میکند. به همین ترتیب، شما یک سیگنال منفی برای رفتارهای بد اختصاص میدهید.
با گذشت زمان، الگوریتم یاد میگیرد رفتارهای خوب را بیشتر کند و رفتارهای
بد را کاهش دهد. این تقویت ترجیح رفتارهای خوب بر رفتارهای بد باعث میشود
الگوریتم یاد بگیرد و اشتباهات کمتری داشته باشد.
اکنون
که شما درک سادهای از الگوریتمهای یادگیری ماشین و انواع اساسی آن را
دارید. حال بیایید بفهمیم که از این الگوریتمها چگونه استفاده میشود تا
تجربه تجارت الکترونیکی بهبود بخشیده شود.
۱-شخصیسازی محتوا و پیشنهاد محصول
“۸۰٪ از خریداران بهطور فعال از مارکی خرید میکنند که تجربیات شخصی را ارائه میدهد.”
بیاید
با این موضوع روبرو شویم. آگاهانه یا ناآگاهانه، همه ما با شخصیسازی
محتوا در وبسایتهای تجارت الکترونیکی به اشکال مختلف روبرو شدهایم
پیشنهاد محصول: اگر هنوز هم برای بهکارگیری سیستم های توصیه گر
مردد هستید، به آمازون فکر کنید که ادعا میکند ابزار پیشنهاد دهنده این
شرکت دلیل ۳۵٪ از فروش این شرکت است! این ابزار یادگیری ماشین بسیار
کاربردی است زیرا الگوریتم قادر است الگوهای کاربر را بر اساس رفتار مشتری و
خرید قبلی پیشبینی کند.
پیشنهادهای صفحه اصلی شخصی شده: هر محتوایی بر اساس نیازها و تنظیمات کاربر سفارشی میشود. همانطور که قبلاً ذکر شد، هیچکس بهتر از آمازون شخصیسازی نمیکند.
پیشنهاد محصولات تخفیفدار:
یادگیری ماشینی میتواند بهترین تخفیفها و پیشنهادها را پیشبینی کند و
به مشتری ارائه دهد و به همین دلیل باعث فروش و همچنین رضایت کاربر میشود.
ایمیلهای ارسالی به کاربر:
یادگیری ماشینی به شما امکان میدهد مناسبترین زمان برای ارسال
خبرنامههای ایمیل سفارشی یا ایمیلهای مرتبط با سفارش را با پیشبینی
اینکه در چه ساعت و روزی از هفته به احتمال زیاد فرد ایمیل دریافتی را
باز کند، متوجه شوید. این بهینهسازی مستقیماً بر نرخ باز شدن، نرخ کلیک و
غیره تأثیر میگذارد
تغییر در محتوای پویا:
این شامل فیلتر کردن تصاویر، محصولات و غیره و ارسال هشدارها و پیامهای
سفارشی برای هر خریدار است. به عنوان مثال ، از ویژگی “Fit Search” Fit
Connect استفاده کنید که فیلترهای مبتنی بر تناسب را ارائه میدهد تا
محصولات موجود در اندازههای مناسب به نمایش بگذارد.
آنچه
مهم است که توجه داشته باشید این است که این “شخصیسازی بیش از حد” بر
اساس نقاط کلیدی دادههای مشتری و توجه به خریدهای گذشته، سابقه مرورگران،
تبلیغات پولی، اطلاعات جمعیتشناختی، تنظیمات شخصی، فعالیت رسانههای
اجتماعی و سایر موارد است. اینجاست که الگوریتمهای یادگیری ماشین به کار
میآیند. آنها از انواع دادههای مشتریمحوری استفاده میکنند، طوری که
احساس میشود وبسایت واقعاً کاربر را درک میکند و میتواند ذهن آنها را
بخواند!
اقدام اصلی: برای ارائه سفارشیسازی درلحظه، شما باید در یادگیری ماشین
بهطور صحیح سرمایهگذاری کنید تا بتوانید دادههای کاربر را درک و اعمال
کنید و عناصر مهم مانند زبان، مکان، ارز، معاملات و تخفیفها و موارد دیگر
را شخصیسازی کنید. همچنین یادگیری ماشین میتواند رفتار خرید را بارها و
بارها هوشمندانه تجزیهوتحلیل کند و درنهایت محصولی را پیشنهاد دهد که
مشتریان شما حتی نمیدانستند که به آن نیاز داشتند.
۲- بهینهسازی قیمتگذاری
بهینهسازی
قیمت، کلید ایجاد مجموعهای وفادار از مشتریانی است که برای همیشه در
جستجوی “معامله بهتر” هستند. اگر وبسایت شما قیمت کالاها را بر اساس
فاکتورهایی ازجمله قیمت سایتهای رقیب، میزان تقاضا، ساعات مختلف روز،
انواع مشتری و غیره بهینه نکند شما مشتریها را هر دقیقه از دست خواهید
داد.
در همین راستا، فناوری
یادگیری ماشینی میتواند یاریکننده شما شود و قیمتها را بر اساس عوامل
مختلفی که در بالا ذکر شد بلافاصله تغییر دهد.
نگاهی
به فناوری قیمتگذاری مبتنی بر هوش مصنوعی Feedvisor بیندازید که به شما
امکان میدهد قیمتها را بهینه کنید و در قیمتگذاریهای پویا شرکت کنید.
نکته کلیدی:
یک سیستم قیمتگذاری پویا ، که توسط الگوریتمهای یادگیری ماشین هدایت
میشود ، فروش محصولات سازگار و ارگانیک را هر بار پایهریزی میکند.
بهعلاوه ، به مدیران قیمت اجازه میدهد تا از سرعت و دقت برای تصمیمات
مربوط به قیمتگذاری محصولات استفاده کنند
۳- آزمون A/B با یادگیری ماشین
پیادهسازی
آزمون A/B در یک وبسایت تجارت الکترونیکی یک کار نسبتاً سخت است. اینجاست
که یادگیری ماشینی واقعاً میدرخشد. ابزارهای تخصصی یادگیری ماشین مانند
Nosto به شما امکان میدهد آزمون A / B / n ، تقسیم و چند متغیره را در
پارامترهای مختلف مانند پیشنهاد محصول، محتوا، طبقهبندی کالاها و غیره
اجرا کنید.
در اینجا تجزیهوتحلیل سریع انواع آزمون A / B که میتواند بدون زحمت و با کارایی بیشتر انجام شود را مشاهده میکنید.
این
میتواند روند آزمایش A / B را بهصورت خودکار انجام دهد و ویژگیهای
ایدئال را نشان دهد که میتواند فروش و یا رضایت مشتری را افزایش دهد. به
عنوان مثال، این الگوریتمها میتوانند رفتار کاربر را در انواع مختلف
آزمون A / B تجزیهوتحلیل کنند و کارهایی همچون برجستهتر نشان دادن دکمه
call to action یا درج تصویر در بنر صفحه اصلی را پیشنهاد دهند.
این
میتواند بهطور خودکار مشتریان را با استفاده از مدلهای یادگیری ماشین
بدون نظارت و بر اساس ویژگیهای متنوعی همچون متغیرهای جمعیت شناختی و
ترجیحات کاربران به گروههای مختلف دستهبندی کند.
نکته کلیدی:
استفاده از الگوریتمهای خودآموز یادگیری ماشین برای آزمون A / B
سیستمعامل یا محصولتان به شما امکان میدهد گزینههای “بهینه” را بهسرعت و
با دقت پیدا کنید. این موضوع ازنظر مالی و عملیاتی منطقی است زیرا شما
نیازی به سرمایهگذاری منابع خود در کارهای تکراری و خستهکننده ندارید
زیرا یادگیری ماشین میتواند بهخوبی از پس آن بربیاید.
۴-پردازش تصویر
مدلهای
یادگیری ماشین، اساس سیستمهای شناسایی تصویر را تشکیل میدهند که به شما
امکان میدهد قابلیتهای جستجوی مشتریمدارانه بیشتری را ارائه دهید. این
سیستم چگونه کار میکند؟
فرض
کنید مشتری شما به دنبال خرید آنلاین کالایی است. آنها بعد از جستجو،
چندین نتیجه نامربوط میبینند و تصمیم میگیرند سایت را ترک کنند. این جایی
است که یادگیری ماشینی میتواند به شما کمک کند زیرا میتواند عناصر اصلی
تصاویر مانند اشیا، افراد، محتوا و غیره را شناسایی کرده و گزینههای
مربوطه را ارائه دهد، درنتیجه بر رفتار مشتری تأثیر مثبت میگذارد.
ویژگی
جستجوی بصری سایت پینترست مورد جالبی است که به کاربر اجازه میدهد
عکسهایی را که از طریق دوربین تلفن خود گرفته است جستجو کند. سپس این
پلتفرم پینهای قابلخرید را در نتایج جستجوی بصری نمایش میدهد.
برای قابلیتهای جستجوی بصری زمینهای، باید یک ابزار تکنولوژی پردازش تصویر
قدرتمند که مبتنی بر یادگیری ماشین است در اختیار داشته باشید؛ ابزاری که
میتواند با عکسهای مشتری شما مطابقت داشته باشد و پیشنهادهای مشابه محصول
را بر اساس ترجیحات مشتری ارائه دهد. این پایان کار نیست. دادههای کاربر
را میتوان با توجه به مقولههای مختلف همچون رنگ موردعلاقه، انتخاب برند،
رفتار شبکههای اجتماعی و غیره تقسیمبندی کرد.
نکته کلیدی:
یادگیری ماشین میتواند بهطور خودکار برچسبگذاری و طبقهبندی کند و
همچنین با پیوست کردن برچسب به تصاویر، فیلمها، آرمها و حتی تصاویر
غیرعکاسی، محتوا را جستجو کند تا تجربه جستجوی مشتری مدارانه را بهبود
بخشد.
۵-محافظت در برابر تقلب
شناسایی
و جلوگیری از تقلب آنلاین برای وبسایتهای تجارت الکترونیکی باید اولویت
اصلی باشد. یک راه مطمئن برای ایمنسازی وبسایت شما بهکارگیری یادگیری
ماشین است که برای پردازش تعداد زیادی از مشتریان ثابت با سرعت بالا و
جلوگیری از معاملات آنلاین جعلی قبل از وقوع آنها آموزش دیدهاند.
اساساً،
اگر به نظر برسد معاملهای مشکوک در حال وقوع است بهطور مثال پرداخت از
دستگاه تأیید نشده انجام میشود یا معامله در ساعتهای غیرمعمول انجام شود،
سیستم میتواند آن را بهعنوان یک کلاهبرداری بالقوه نشان کند. درمجموع،
یادگیری ماشین میتواند معاملات واقعی را تجزیهوتحلیل کند و “خریدهای
واقعی” را شناسایی کند.
نکته کلیدی:
وقتی صحبت از کلاهبرداری آنلاین میشود، کاربرد یادگیری ماشین در فروشگاه
های آنلاین میتواند اقدامات امنیت سایبری شما را تقویت کند و به شما این
امکان را میدهد که بهجای رویکردی واکنشی، یک رویکرد فعال اتخاذ کنید که
منجر به یک تفاوت بزرگ میشود.
جمعبندی: نقش پویای یادگیری ماشین در فروشگاه های آنلاین
بر
اساس گزارشهای اخیر، همهگیری کووید ۱۹ باعث شده تا ما به سمت دنیای
دیجیتالیتر برویم و در این میان خرید آنلاین پیشتاز این امر است. درواقع
گفته میشود که بیماری کووید ۱۹ نحوه خرید افراد را برای همیشه تغییر داده
است. به همین دلیل است که وبسایتهای تجارت الکترونیک بیشازپیش نیاز به
بازنگری در استراتژی تجاری خود دارند. اکنون دیگر زمان تردید در نقش هوش
مصنوعی در تجارت الکترونیکی نیست. یادگیری ماشینی آینده تجارت الکترونیکی
است و آینده در اینجا است.
برای
شرکتهای نفت و گاز، تحول دیجیتال یک اولویت است. در واقع این تحول
دیجیتال ، نهتنها راهی به مدرنسازی شرکتها است، بلکه برای تأمین امنیت
تمامی اکوسیستم انرژی یک ضرورت محسوب میشود. اگر از این دیدگاه نگاه کنیم،
لزوم استفاده از هوش مصنوعی و ظرفیتهای یادگیری ماشین برای بهینهسازی و
افزایش امنیت بیش از پیش برای ما آشکار میشود، به ویژه اینکه عوامل
تهدیدکننده بهطور فزایندهای دستگاههای متصل و سیستمهای اجرایی را هدف
حملات خود قرار میدهند و صنعت نفت و گاز را در معرض یک خطر جمعی قرار
میدهند. سالانه بر اثر حملات خاصی که به صنایع میشود انفجارهای زیادی رخ
میدهد که لزوم توجه هرچه بیشتر به برنامههای امنیت سایبری را نشان
میدهد.
با این حال، بیشتر شرکتها، منابع زیادی برای به کارگیری و اجرای برنامههای پیچیده هوش مصنوعی به
منظور افزایش امنیت و پیشرفت ظرفیتهای دیجیتالی خود ندارند. صرفنظر از
برخی فاکتورهای موثر از جمله اندازه، بودجه موجود و پرسنل داخلی، اکثر
شرکتهای انرژی باید عملیات و اصول امنیتی را مدیریت کنند تا مطمئن شوند که
با ابزارهای دیجیتال قوی میتوانند فرایند نظارت و ارزیابی را انجام دهند
تا توانایی رقابت و تابآوری را از دست ندهند. دستیابی به این هدف، با
مشارکت متخصصان حرفهای دور از ذهن نیست.
MIT
Technology Review Insights ، با همکاری Siemens Energy ، با بیش از
دوازده نفر از مدیران آیتی و امنیت سایبری شرکتهای نفت و گاز در سراسر
جهان مصاحبه کرد تا بینشی در مورد تأثیر هوش مصنوعی بر تحول دیجیتال و
استراتژیهای امنیت سایبری آنها در محیطهای کاری بهدست آورد. در ادامه
نکات کلیدی این گفتگوها را ذکر میکنیم:
شرکتهای
نفت و گاز تحت فشار هستند تا خود را با تغییرات چشمگیری که در فضای کسب و
کار جهانی در حال رخ دادن است وفق دهند. در سال ۲۰۲۰ ویروس کرونا تاثیرات
بیسابقهای در اقتصاد جهانی داشت و تا حدی به روند کاهش قیمتها و افزایش
ارزش کارایی برای جبران فشار موجود در بازار اثر گذاشت. شرکتها اکنون در
مسیری افتادهاند که کار از راه دور را ضروری میکند و همچنین فشار بر روی
آنها برای مدیریت تأثیرات زیست محیطی عملیاتهای آنها هر روز بیشتر میشود.
ترکیب این عوامل باعث میشود تا شرکتهای نفت و گاز وادار شوند تا به
روشهای جدید و کارآمد و پذیرش فناوری دیجیتال بیش از پیش فکر کنند.
با
دیجیتالسازی شرکتهای نفت و گاز، خطر حملات سایبری و فرصتهای هوش مصنوعی
نیز افزایش مییابد. شرکتها برای تقویت بهرهوری، افزایش کارایی
عملیاتها و امنیت، فناوری دیجیتال را مدنظر قرار دادهاند. شرکتها در حال
جمعآوری و تجزیهوتحلیل دادهها، اتصال تجهیزات به فناوری اینترنت اشیا و
بهرهگیری از فناوریهای پیشرفته برای بهبود برنامهریزی و افزایش سود و
همچنین شناسایی و کاهش تهدیدها هستند. همزمان، تحول دیجیتال در صنایع باعث
شده است تا فضا برای حملات مجرمان اینترنتی مهیا شود. فناوری اطلاعات،
همانند فناوری عملیاتی (سیستمهای محاسباتی و ارتباطی که تجهیزات و عملیات
صنعتی را مدیریت و کنترل میکنند) در معرض تهدید است.
امنیت
سایبری باید نقش اصلی در تدوین استراتژیهای تحول دیجیتال شرکتها داشته
باشد. اجرای فناوریهای جدید بر کسبوکارهای مستقل، عملکردهای اجرایی و
زیرساختهای اساسی فناوری اطلاعات تأثیر میگذارد. این واقعیت، شرکتهای
نفت و گاز را به سمت یک ذهن مبتنی بر مدیریت ریسک سوق میدهد. این شامل
طراحی پروژهها و سیستمها در چارچوب خطر امنیت سایبری است که سیاستها و
شرکت را اجرا میکند. مهمتر از همه، اکنون شرکتها نیاز دارند که به
ابزارهای پیشرفته امنیت سایبری مجهز به هوش مصنوعی و یادگیری ماشین دسترسی پیدا کنند تا با استفاده از این ابزارها یک قدم جلوتر از حملهکنندهها باشند.
هوش
مصنوعی در حال بهینهسازی و افزایش امنیت تجهیزات انرژی و شبکههای آیتی
بهمنظور افزایش نظارت و شفافیت است. پیشرفت در کاربردهای دیجیتال در
محیطهای عملیات صنعتی به بهبود کارایی و امنیت کمک میکند و حملات را
شناسایی میکند.
شرکتهای
نفت و گاز برای جلوگیری از افزایش تهدیدهای سایبری به همکاران بیرونی خود
نگاه میکنند. بسیاری از شرکتها از منابع امنیتی سایبری کافی برای
پاسخگویی به چالشهای خود برخوردار نیستند. خاویر گارسیا کوئینتلا، مدیر
ارشد اطلاعات Repsol، در این گزارش توضیح میدهد: ما در حال رقابت با
حملهکنندگان هستیم. ما نمیتوانیم تمام تواناییهای امنیت سایبری موردنیاز
خود را از داخل فراهم کنیم. برای پیشرفت سریع و رفع آسیبپذیری های موجود،
شرکتها میتوانند همکارانی پیدا کنند که بتوانند به آنها تخصص و پشتیبانی
را ارائه دهند.
امنیت سایبری، هوش مصنوعی و دیجیتالیشدن
سازمانهای بخش انرژی فرصت بزرگی دارند تا هوش مصنوعی را به کار بگیرند و و یک استراتژی داده
ایجاد کنند که تولید را بهینه میکند و مدلهای جدید تجاری و همچنین
فناوری عملیاتی ایمن را کشف میکند. به دلیل همهگیری ویروس کرونا،
شرکتهای نفت و گاز با یک عدم اطمینان بیسابقه درباره قیمتهای نفت و گاز
روبرو هستند. علاوه بر این، تمایل به تبدیلشدن به یک شرکت دوستدار محیط
سبز باعث شده بسیاری از آنها بقای خود را در دیجیتالی شدن بینند. از مهاجرت
به ابر گرفته تا به اشتراکگذاری الگوریتمها، صنعت نفت و گاز نشان میدهد
که فرصت کافی برای تحول سازمانها با تغییرات فناوری وجود دارد.
در
صنعت نفت و گاز، انقلاب دیجیتال، این شرکتها را قادر به اتصال تجهیزات
فیزیکی خود به سیستمهای کنترل سختافزار و برنامههای نرمافزاری کرده
است. این موضوع موجب بهبود کارایی عملیات، کاهش هزینهها و کاهش انتشار
گازهای مضر میشود. این روند با اتصال تجهیزات انرژی به سیستمهای اینترنت
اشیا همگام شده است که تجهیزات انرژی و زیرساختهای مهم و شبکههای فناوری
اطلاعاتی را که شرکتها برای بهینهسازی دادهها استفاده میکنند مدیریت
نظارت و کنترل میکنند.
با
میلیاردها نقطه داده فناوری عملیاتی و فناوری اطلاعات که هرروزه از تجهیزات
فیزیکی گرفته میشود، حالا دیگر شرکتهای نفت و گاز به ابزارهای هوش
مصنوعی برای استفاده در این زمینه روی آوردهاند تا بتوانند در محیطهای
عملیاتی صنعتی خود قابلیت مشاهده و نظارت داشته باشند. هدف از این کار این
است که کارایی فناوریها و عملیاتها افزایش یابد و هم از صنعت در برابر
حملات سایبری محافظت کنند. از آنجا که مدلهای تجاری شرکتهای انرژی به
همگرایی دادههای فناوری عملیاتی و فناوری اطلاعات متکی هستند، شرکتها،
هوش مصنوعی را ابزاری مهم در اکوسیستمهای دیجیتالی خود و درک زمینههای
محیط عملیاتی خود میدانند. شرکتهایی که برای اولین بار ابزارهای دیجیتال
سایبری را مستقر میکنند میکنند باید از فناوریهای نوظهور مانند هوش
مصنوعی و یادگیری ماشین استفاده کنند. با این حال آنها زمان کمتری را برای
تدوین مجدد استراتژیها یا مدیریت تغییر صرف میکنند.
نکته
مهم برای شرکتهای نفت و گاز این است که زمانی هوش مصنوعی ممکن است برای
برنامههای خاص اختصاص یافته باشد، اما اکنون عملیات روزمره را بهینه
میکند و نقش یک سپر دفاع امنیتی سایبری را برای تجهیزات فناوری عملیاتی
ایفا میکند.
لئو سیمونوویچ، رئیس امنیت سایبری
و دیجیتال صنعتی در زیمنس انرژی، میگوید: شرکتهای نفت و گاز در حال
تبدیل شدن به یک شرکت دیجیتال هستند و نباید بین امنیت و دیجیتالسازی
معاملهای انجام شود. سیمونوویچ ادامه میدهد: امنیت باید بخشی از استراتژی
دیجیتال باشد.
شرکتهای نفت
و گاز برای پیمایش در فضای بی ثبات تجاری امروز ، باید همزمان
استراتژیهای دیجیتالیسازی خود، فرصتهای بهینهسازی و امنیت سایبری را
شناسایی کنند. این بدان معناست که باید هوش مصنوعی و امنیت سایبری را برای
استقرار ابزارهای دیجیتال از ابتدا ایجاد کنید.
محققان
MIT روش جدیدی برای مدل محاسباتی پیش بینی جهش ویروسی توسعه دادهاند. این
مطالعه که در مجله Science منتشر شده است، میتواند تولید واکسن برای
ویروس HIV، آنفلوانزا و ویروس کرونا را سرعت بخشد.
هر
پستانداری در این سیاره توانایی این را دارد که به طور غریزی با محیط
اطراف خود به یک تعادل طبیعی برسد، اما انسان نمیتواند. انسانها به یک
منطقه نقل مکان میکنند و آنقدر زاد و ولد میکنند تا تمامی منابع طبیعی را
مصرف کنند و سپس تنها راهی که پیش روی انسان وجود دارد تا بقای خود را حفط
کند گسترش مناطق خود و رفتن به یک جای دیگر است. یک موجود زنده دیگر نیز
در این کره خاکی وجود دارد که همین کار را انجام میدهد. میدانید در مورد
چه چیزی صحبت میکنیم؟ بله ویروسها. اینها دیالوگ مامور اسمیت در فیلم
ماتریکس است.
از زمانهای
گذشته، ویروسها اصلیترین الهه انتقام انسانها بودهاند. اگرچه انسانها
برای جان به در بردن از این موجود کوچک و خطرناک توانستهاند واکسن بسازند،
اما ویروسها همیشه در این بازی راهی پیدا کردهاند تا ما را شکست دهند.
به گفته بانی برگر رئیس گروه محاسبات و زیستشناسی در آزمایشگاه علوم رایانهای و هوش مصنوعی
MIT، جهش ویروسی یکی از دلایل موانع تولید واکسن برای ویروس آنفلوانزا و
اچ آی وی است. در مقاله پیش رو سعی میکنیم بفهمیم چگونه محققان این مدل را
برای پیش بینی جهش ویروسی آموزش دادهاند و چگونه این موضوع چگونه
میتواند توسعه واکسن را تسهیل کند.
این مدل چگونه کار میکند؟
این
مدل میتواند مقاطعی از پروتئینهای سطح ویروسی را که احتمال کمتری دارد
جهش کنند پیشبینی کند تا اگر قرار است واکسنی توسعه داده شود از آن
قسمتها استفاده شود. محققان از یک الگوریتم یادگیری ماشین
که در اصل برای پردازش زبان طبیعی انسان ساخته شده بود بهمنظور پیش بینی
رفتار ویروس استفاده کردند. محققان کشف کردند که این مدل پردازش زبان طبیعی
میتواند در توالیهای ژنتیکی اعمال شود. در اینجا، دستور زبان نقشی مشابه
قوانینی دارد که تعیین میکند پروتئین رمزگذاری شده در یک توالی خاص
عملکردی است یا خیر. در واقع به این معنا است که آیا پروتئین میتواند شکل
جدیدی برای فرار از آنتی بادی ها به خود بگیرد یا نه. درواقع در یک جهش،
ویروس میخواهد سالم بماند. به عبارت دیگر، دستورالعمل ویروس حفظ میشود در
حالی که ساختار پروتئین به روشی مفید تغییر خواهد کرد.
طبق
بیانیه مطبوعاتی MIT، محققان این مدل پردازش زبان طبیعی را در ۶۰،۰۰۰
توالی HIV ، ۴۵،۰۰۰ توالی آنفلوانزا و ۴۰۰۰ توالی ویروس کرونا آموزش دادند
تا توالیهای ژنتیکی دستوری و معنایی آن را تجزیه و تحلیل کنند. مدل آموزش
دیده توالیهایی را که احتمال جهش در آنها بالا است پیشبینی میکند. این
مدل، توالی را در سه پروتئین پیش بینی میکند: پروتئین spike ویروس کرونا،
پروتئین envelope اچ آی وی و پروتئین hemagglutinin آنفلوانزا.
یافتهها
نشان داد توالیهای موجود در پروتئین hemagglutinin آنفلوانزا کمترین
احتمال جهش را داشتند. آنتیبادیهای هدف میتوانند پایه این پروتپین را به
سرعت از بین ببرند تا از آنفلوانزا جلوگیری کنند.
همچنین
در ویروس کرونا، قسمت زیر واحد -۲ یا S2 پروتئین spike کمترین احتمال
ایجاد جهش را دارد. این حال، برخلاف آنفلوانزا و اچ آی وی، ما نمیدانیم
سرعت جهشها در ویروس کرونا چقدر است و آیا واکسن فعلی جوابگو است یا نه.
در حالی که یافتههای اولیه نشان میداد جهشها از سرعت زیادی برخوردار
نیستند، با این حال جهشهای جدیدی در سنگاپور، آفریقای جنوبی و مالزی ظاهر
شدهاند. دانشمندان از مدل پردازش زبان طبیعی برای نوع جهش یافته استفاده
کردهاند و همزمان تحقیقات در انتظار داوری هستند. در ویروس اچ آی وی نیز،
دانشمندان دریافتند که قسمت های V1-V2 از پروتئین envelope، احتمال زیادی
برای جهش کردن دارد.
چشم انداز
پیشبینی
جهش ویروسی میتواند به سرعت در شناسایی پروتئینهای خطرناکی که باید هدف
قرار بگیرند کمک کند. این مدل فرصتهای بینظیری را برای توسعه دارو در همه
بیماریها به وجود میآورد. اکنون محققان در MIT در حال شناسایی اهداف
احتمالی برای واکسن سرطان هستند، واکسنی که سیستم ایمنی را تحریک میکند تا
تومورها را از بین ببرد.