مفهوم یادگیری ماشین به معنای توانایی یک برنامه کامپیوتری برای یادگرفتن از و انطباق یافتن با داده‌های جدید بدون دخالت انسان است. یادگیری ماشین شاخه‌ای از هوش مصنوعی (AI) است که الگوریتم‌های داخلی یک کامپیوتر را بدون توجه به تغییرات اقتصاد جهانی به‌روز نگه می‌دارد.

نکات کلیدی

۱- یادگیری ماشین شاخه‌ای از هوش مصنوعی (AI) و مبتنی بر این مفهوم است که یک برنامه کامپیوتری می‌تواند بدون دخالت انسان از داده‌های جدید یاد بگیرد و با این داده‌ها سازگار شود.
۲- یک الگوریتم پیچیده یا یک کد منبع در کامپیوتر تعبیه می‌شود تا ماشین بتواند داده‌ها را تشخیص بدهد و بر اساس داده‌هایی که تشخیص می‌دهد پیش‌بینی کند.
۳- یادگیری ماشین در تجزیه حجم عظیمی از اطلاعات که به‌طور پیوسته و به سهولت در جهان در دسترس هستند برای کمک به تصمیم‌گیری مفید است.
۴- از یادگیری ماشین می‌توان در زمینه‌های مختلفی مانند سرمایه‌گذاری، تبلیغات، وام‌دهی، سازمان‌دهی اخبار، کشف تقلب و سایر موارد استفاده کرد.

آشنایی با یادگیری ماشین

بخش‌های مختلف اقتصاد با حجم عظیمی از داده‌های موجود در قالب‌های مختلف و با منابع متفاوت سروکار دارند. این حجم عظیم داده‌ها، که با نام کلان‌داده شناخته می‌شود، به دلیل استفاده روزافزون از فناوری‌ها و به‌ویژه قابلیت‌های محاسباتی پیشرفته و ذخیره‌سازی ابری خیلی راحت قابل دسترس و موجود شده است.

شرکت‌ها و دولت‌ها از بینش‌ ژرف قابل‌حصول از کلان‌داده‌ها آگاه شده‌اند، اما منابع و زمان لازم برای جستجو در این حجم زیاد از اطلاعات را ندارند. در نتیجه، صنایع مختلف برای جمع‌آوری، پردازش، برقراری ارتباط و به‌اشتراک‌گذاری اطلاعات مفید مجموعه داده‌ها از ابزارهای هوش مصنوعی استفاده می‌کنند. یادگیری ماشین یکی از روش‌های هوش مصنوعی است که کاربرد روزافزونی در پردازش کلان‌داده‌ها پیدا کرده است.

کاربردهای متنوع یادگیری ماشین برای تحلیل داده‌ها از طریق یک الگوریتم پیچیده یا یک کد منبع ایجادشده در ماشین یا کامپیوتر شکل گرفته است. مدل مربوط به این کد برنامه‌نویسی، داده‌ها را تشخیص می‌دهد و پیش‌بینی‌هایی را بر اساس داده‌های شناسایی‌شده ارائه می‌کند. این مدل از پارامترهای داخلی الگوریتم برای تشکیل الگوهای تصمیم‌گیری خود استفاده می‌کند.

وقتی داده‌های جدیدی یا داده‌های اضافی موجود ‌می‌شوند، این الگوریتم‌ها در صورت نیاز به‌طور خودکار با تطبیق پارامترهایشان، تغییرات ایجاد شده در الگو را بررسی می‌کنند. بااین‌حال، خود مدل تغییر نمی‌کند (فقط پارامترهایش تغییر می‌کنند).

استفاده‌های یادگیری ماشین

از یادگیری ماشین در صنایع مختلف به دلایل مختلف استفاده می‌شود. سیستم‌های معاملاتی را می‌توان برای شناسایی فرصت‌های سرمایه‌گذاری جدید تدقیق کرد. بسترهای بازاریابی و تجارت الکترونیک را می‌توان بر اساس تاریخچه جستجوی اینترنتی کاربران یا تراکنش‌های قبلی به‌گونه‌ای تنظیم کرد که توصیه‌هایی دقیق و شخصی‌سازی‌شده به کاربرانشان ارائه کنند.

مؤسسات وام‌دهی می‌توانند از یادگیری ماشین برای تشخیص وام‌های بد و ایجاد یک مدل ریسک اعتباری استفاده کنند. مراکز اطلاعاتی می‌توانند از یادگیری ماشین برای پوشش حجم عظیم اخبار گوشه و کنار جهان استفاده کنند. بانک‌ها می‌توانند از تکنیک‌های یادگیری ماشین برای ایجاد ابزارهای تشخیص تقلب استفاده کنند.

با آگاهی بیشتر کسب‌وکارها و دولت‌ها از قابلیت‌های کلان‌داده‌ها، استفاده از یادگیری ماشین در عصر هوشمند دیجیتال بی پایان است.

کاربرد یادگیری ماشین

نحوه کار یادگیری ماشین را می‌توان با مثالی از دنیای مالی بهتر توضیح داد. به طور سنتی، بازیگران حوزه سرمایه‌گذاری در بازار اوراق بهادار مانند محققان مالی، تحلیلگران، مدیران دارایی و سرمایه‌گذاران فردی، برای اخذ تصمیمات سرمایه‌گذاری سودآور، حجم زیادی از اطلاعات شرکت‌های مختلف سراسر جهان را بررسی می‌کنند. بااین‌حال، برخی از این اطلاعات مرتبط ممکن است به‌طور گسترده در رسانه‌ها منتشر نشود و ممکن است فقط افراد معدودی، که کارمندان شرکت‌ها یا ساکنان کشور منشأ آن اطلاعات هستند، از این اطلاعات آگاه شوند. بعلاوه، حجم این اطلاعات بیشتر از آن است که انسان‌ها بتوانند در بازه زمانی معینی جمع‌آوری و پردازش کنند. اینجاست که باید از یادگیری ماشین استفاده کنیم.

شرکت‌های مدیریت دارایی ممکن است از یادگیری ماشین برای تجزیه‌وتحلیل سرمایه‌گذاری‌هایشان و زمینه تحقیقاتشان استفاده کنند. فرض کنید مدیر دارایی می‌خواهد فقط روی سهام شرکت‌های معدنی سرمایه‌گذاری کند. یک مدل تعبیه‌شده در سیستم می‌تواند کل وب را بررسی کند و رویدادهای خبری مختلف را از مشاغل، صنایع، شهرها و کشورها مختلف جمع‌آوری کند، این اطلاعات جمع‌آوری‌شده یک مجموعه داده را تشکیل می‌دهند. مدیران دارایی و محققان این شرکت‌ها با استفاده از قدرت و خرد انسانی خود نمی‌توانستند اطلاعات موجود در مجموعه داده‌ها را به دست بیاورند. پارامترهای واردشده در مدل باعث می‌شوند این مدل فقط داده‌های مربوط به شرکت‌های معدنی، سیاست‌های تنظیم‌گری بخش اکتشاف، و رویدادهای سیاسی کشورهای منتخب را از مجموعه داده استخراج کند.

مثالی از یادگیری ماشین

فرض کنید شرکت معدنی XYZ به‌تازگی یک معدن الماس را در شهر کوچکی از آفریقای جنوبی کشف کرده است. ابزار یادگیری ماشین مختص بررسی شرکت‌های استخراج در دست یک مدیر دارایی اطلاعات مرتبط فوق را نشانه‌گذاری می‌کند. مدل موجود در ابزار یادگیری ماشین از ابزاری تحلیلی به نام تجزیه‌وتحلیل پیش‌بینی‌کننده استفاده می‌کند تا بر اساس اطلاعات اخیراً کشف‌شده و بدون دریافت هرگونه ورودی از مدیر دارایی پیش‌بینی کند که آیا صنعت معدن طی یک دوره زمانی معین سودآور خواهد بود یا نه، یا اینکه کدام سهام معدنی احتمال رشد قیمتشان در یک بازه زمانی معین بیشتر خواهد بود. اطلاعات حاصله از این مدل برای تجزیه‌وتحلیل و تصمیم‌گیری درباره سبد سرمایه‌گذاری در اختیار مدیر دارایی قرار می‌گیرد. در نهایت، مدیر دارایی ممکن است تصمیم به سرمایه‌گذاری چند میلیون دلاری روی سهام شرکت XYZ بگیرد.

در صورت وقوع رویدادی نامطلوب مانند اعتصاب معدنچیان آفریقای جنوبی، الگوریتم کامپیوتری پارامترهایش را به‌طور خودکار به‌گونه‌ای تنظیم می‌کند که الگوی جدیدی ایجاد کند. به‌این‌ترتیب، مدل محاسباتی تعبیه‌شده در ماشین حتی با تغییر در رویدادهای جهان و بدون نیاز به تغییر کدهایش توسط انسان می‌تواند مدل موجود را با انعکاس تغییرات مذکور به‌روزرسانی کند. چون مدیر دارایی این داده‌های جدید را به موقع دریافت کرد، توانست با فروش سهام مربوطه ضررهایشان را محدود کند.

منبع: کلینیک اقتصاد

پایان/