کاربردهای یادگیری ماشین

امروزه یادگیری ماشین واژه ای است که به شکل مکرر در اطراف خود می شنویم. در این مقاله با 11 کاربرد واقعی یادگیری ماشین در زندگی آشنا میشویم.

1.تشخیص تصویر:

تشخیص تصویر یکی از رایج ترین کاربردهای یادگیری ماشین است. از این روش برای شناسایی اشیا، افراد، مکان‌ها، تصاویر دیجیتالی و… استفاده می‌شود. متداول ترین استفاده از تشخیص تصویر و چهره، پیشنهاد برچسب‌گذاری خودکار دوستان است:

فیس بوک امکان برچسب گذاری خودکار دوستان را در اختیار ما قرار می دهد. هر زمان که عکسی را با دوستان خود در فیس بوک به اشتراک می گذاریم، به طور خودکار یک پیشنهاد برچسب گذاری با نام دریافت می کنیم که فناوری پشت آن الگوریتم یادگیری ماشین برای شناسایی و تشخیص چهره است.

این قابلیت بر اساس پروژه فیس بوک به نام “Deep Face” است که وظیفه تشخیص چهره و شناسایی افراد حاضر در تصویر را بر عهده دارد.

2.تشخیص گفتار

هنگام استفاده از Google، گزینه «جستجوی صوتی» را مشاهده می‌کنیم که زیر مجموعه تشخیص گفتار قرار دارد و یکی از کاربردهای محبوب حوزه یادگیری ماشین است.

تشخیص گفتار فرآیندی برای تبدیل صوت به متن است که با عناوین دیگری مانند «گفتار به متن» یا «شناسایی گفتار رایانه‌ای» نیز شناخته می‌شود. در حال حاضر، الگوریتم های یادگیری ماشین به طور گسترده ای توسط نرم افزار های مختلف تشخیص گفتار استفاده می شوند. دستیار گوگل، سیری، کورتانا و الکسا از فناوری تشخیص گفتار برای پیروی از دستورهای صوتی استفاده می‌کنند.

3.پیش بینی ترافیک:

اگر بخواهیم به مکان جدیدی مراجعه کنیم، معمولا از گوگل مپ کمک می گیریم تا مسیر صحیح و کوتاه را به ما نشان دهد و همچنین شرایط ترافیکی مسیر را پیش بینی نماید.

این اپلیکیشن با استفاده از دو روش شرایط ترافیکی را (اصل وجود ترافیک و شدت آن) پیش‌بینی می‌کند:

1-ارزیابی موقعیت لحظه ای خودروها با استفاده از اپلیکیشن گوگل مپ

2-میانگین زمانی که در روزهای گذشته برای پیمایش این مسیر ثبت شده است.

همه کسانی که از گوگل مپ استفاده می کنند به این برنامه کمک می کنند تا دقت آن را بهتر کنند. این اپلیکیشن اطلاعات را از کاربر می گیرد و برای بهبود عملکرد به پایگاه داده خود ارسال می کند.

4.توصیه ی محصول:

یادگیری ماشین به طور گسترده ای توسط شرکت های فعال در زمینه تجارت الکترونیک و سرگرمی مانند آمازون، نتفلیکس و… برای توصیه محصول به کاربر استفاده می شود. مثلا زمانی که محصولی را در آمازون جستجو می‌کنیم بعد از آن در هنگام وب گردی، شروع به دریافت تبلیغات برای همان محصول می‌کنیم، که این موضوع به دلیل به کارگیری یادگیری ماشین است.

گوگل با استفاده از الگوریتم‌های مختلف یادگیری ماشین، علایق کاربر را درک می‌کند و محصولات را بر اساس علاقه مشتری پیشنهاد می‌ نماید.

به همین ترتیب، وقتی از نتفلیکس استفاده می کنیم، توصیه هایی برای سریال ها، فیلم ها و سرگرمی های تلویزیونی مشاهده می کنیم که این نیز با کمک یادگیری ماشین انجام می شود.

5.اتومبیل های خودران:

یکی از مهیج ترین کاربردهای یادگیری ماشین، در خودروهای خودران می باشد. یادگیری ماشین نقش مهمی در خودروهای خودران دارد. تسلا، محبوب ترین شرکت خودروسازی، در حال کار بر روی خودروهای خودران است. این شرکت از روش یادگیری بدون نظارت برای آموزش مدل های ماشین استفاده نموده تا خودروها بتوانند افراد و اشیاء را در حین رانندگی تشخیص دهند.

6.فیلتر هرزنامه و بدافزار:

زمانی که ایمیل جدیدی دریافت می کنیم، این نامه به طور خودکار با یکی از عناوین مهم، عادی و یا هرزنامه شناسایی می شود. ما معمولا یک ایمیل مهم را با نماد مهم و هرزنامه ها را در بخش هرزنامه (spam) دریافت می کنیم که فناوری تشخیص ایمیل ها مبتنی بر یادگیری ماشین است.

در زیر برخی از فیلترهای هرزنامه استفاده شده توسط Gmail ذکر شده است:

فیلتر بر اساس محتوا

فیلتر بر اساس عنوان

فیلترهای مبتنی بر لیست سیاه

فیلترهای مبتنی بر قوانین

فیلترهای مبتنی بر مجوز  دسترسی

برخی از الگوریتم‌های یادگیری ماشین مانند پرسپترون چندلایه، درخت تصمیم و بیز ساده برای فیلتر کردن هرزنامه و شناسایی بدافزار استفاده می‌شوند.

7.دستیار شخصی مجازی:

ما دستیارهای شخصی مجازی مختلفی مانند دستیار گوگل، الکسا، کورتانا و سیری را می شناسیم. همانطور که از نامشان پیداست، این دستگاه ها به ما در یافتن اطلاعات با استفاده از فرمان های صوتی کمک می کنند. این دستگاه ها می‌توانند به روش‌های مختلف و صرفا با یک دستور صوتی مانند پخش موسیقی، تماس با افراد، باز کردن ایمیل، زمان‌بندی قرار و… کارهای مورد انتظار ما را انجام دهند.

دستیاران مجازی از الگوریتم های یادگیری ماشین به عنوان بخش مهمی از توانایی های خود استفاده می کنند.

اینگونه تجهیزات فرمان های صوتی ما را ضبط کرده و سپس آن را به یک سرور ابری ارسال می‌کنند. در نهایت با استفاده از الگوریتم‌های یادگیری ماشین آن را رمزگشایی نموده و مطابق آن عمل می‌کنند.

8.تشخیص تقلب آنلاین:

یادگیری ماشین ایمنی و امنیت تراکنش های آنلاین ما را با شناسایی موارد جعلی بهبود می بخشد. هنگامی که یک دریافت یا پرداخت آنلاین انجام می‌دهیم، ممکن است روش‌های مختلفی مثل حساب‌های جعلی، شناسه‌های جعلی و… برای سرقت پول وجود داشته باشد. بنابراین برای شناسایی این موضوع، شبکه عصبی Feed Forward با بررسی اینکه آیا این تراکنش واقعی است و یا یک تراکنش جعلی و تقلبی است به ما کمک می کند.

برای هر تراکنش واقعی، خروجی به مقادیر رمز شده تبدیل می‌شود و همین مقادیر به عنوان ورودی تراکنش بعدی تبدیل می‌شوند. برای هر تراکنش واقعی یک الگوی منحصر به فرد وجود دارد که برای موارد جعلی تغییر می یابد. لذا با این روش موارد غیر واقعی شناسایی شده و عملا تراکنش های آنلاین ما ایمن تر می شوند.

9.معاملات بازار سهام:

یادگیری ماشین در معاملات بازار سهام به طور گسترده استفاده می شود. در بازار سهام، همیشه احتمال صعود و نزول سهام وجود دارد، بنابراین از یادگیری ماشین و شبکه های عصبی برای پیش‌بینی روند بازار سهام استفاده می‌شود.

10.تشخیص پزشکی:

یکی از مهمترین کاربردهای یادگیری ماشین در علم پزشکی، تشخیص بیماری هاست. با استفاده از این کاربرد، فناوری پزشکی به سرعت در حال رشد است. امکان ساخت مدل های سه بعدی باعث شده تا موقعیت دقیق ضایعات مغزی قابل پیش بینی شود. این توانایی به یافتن تومورهای مغزی و سایر بیماری های مرتبط با مغز کمک فراوانی می کند.

11.ترجمه خودکار:

امروزه اگر به یک کشور جدید سفر می کنیم و با زبان آن کشور آشنایی نداریم، مشکل خاصی وجود ندارد، زیرا برای این کار، یادگیری ماشین می تواند با تبدیل متن به زبان های شناخته شده به ما کمک کند.

گوگل GNMT (Google Neural Machine Translation) یک یادگیری ماشین عصبی است که متن را به زبان قابل فهم برای ما ترجمه کرده که به آن ترجمه خودکار می گویند.

فناوری پشت ترجمه خودکار یک الگوریتم توالی به توالی است که با قابلیت تشخیص تصویر استفاده شده و متن را از یک زبان به زبان دیگر ترجمه می کند.