آیا یادگیری ماشینی موجب می شود تا شما به مدیر بهتری تبدیل شوید؟

سی سال پیش ، ایده یادگیری ماشینی منجر به ایجاد بدترین نوع کابوس های علمی در خصوص فراگیر شدن ربات ها در سیاره زمین می شد. امروزه ، یادگیری ماشینی امری بسیار پیش پا افتاد می باشد و ما به ندرت به آن دقت می کنیم. کامپیوترها معمولا می دانند که ما در تلویزیون چه چیزی را می بینیم ، چه چیزی را می خریم ، چگونه صحبت می کنیم و حتی چه احساسی داریم و از آن در مورد پیش بینی در مورد اقدام بعدی استفاده می کنیم. با توسعه رشته یادگیری ماشینی(ML) ، به گفته دانشجوی دکترای دانشکده کسب و کار هاروارد ، این رشته در همه فروشگاه های آنلاین امروزی گسترش یافته اند ، به طوری که شرکت ها به طور روز افزون از ML برای مدیریت بسیاری از ابعاد عملیات کسب و کار خود استفاده می کنند.

به گفته تئورئورسکو ، یک انفجار اتفاق افتاده است. و این رشته ماهیت اصلی خود را از دست داده و به یک ابزار مهم مورد استفاده افراد سایر رشته ها تبدیل شده است. در یک مقاله جدید ، تئوردورسکو ، به بررسی جدیدترین روش های یادگیری ماشینی از دیدگاه فنی پرداخته است. با این حال شما مجبور نیستید که بدانید یادگیری ماشین برای استفاده از آن چگونه کار می کند. در ساده ترین حالت ، یادگیری ماشین ترکیبی از زمینه ها ، از جمله آمار ، علم کامپیوتر و بازیابی اطلاعات است ، که کامپیوتر را به منظور تشخیص الگوهایی که آنها را قادر به پیش بینی الگوهای جدید برای آینده می کند ، می آموزد. ما در تحول صنعتی جدید ناشی از الگوریتم ها هستیم. ما همه این روند را در عمل دیده ایم ، آیا آمازون به ما می گوید که ما "همچنین ممکن است بخواهیم" برای خرید آنلاین بخاری فوری قابل برنامه ریزی فوری ، یا نتفیکس پیشنهاد می کنیم که ما واقعا باید در مورد تماشای بی نظیر "خوب" فکر کنیم.

تئودورسکیو می گوید: "شما برای الگوهای پیشین نگاه می کنید و از آنها استفاده می کنید تا کشف کنند که آینده چه چیزی ممکن است داشته باشد." همانطور که الگوریتم ها به طور فزاینده ای باعث پیشرفته شده اند ، ممکن است ما را بهتر از ما دانند. حداقل این چیزی است که یک مشتری آن را کشف کرد وقتی که به شدت به فروشگاهی که دایره ای برای لباس های مادرانه ای که به دختر نوجوانش فرستاده شده بود را به دام انداخته بود ، فقط برای اینکه بعدا متوجه شد که فروشگاه اینترنتی دقیقا پیش بینی کرده بود که باردار است. چنین نمونه هایی داستان های احتیاطی برای خرده فروشان است. از یک طرف ، آنها می خواهند از لحظه هایی مانند بارداری اولی استفاده کنند ، زمانی که مشتریان در معرض تغییر الگوهای خرید خود قرار می گیرند. از سوی دیگر ، آنها باید تهاجمی چنین پیش بینی هایی را با نیاز مشتریان به حریم خصوصی محاسبه کنند. "تئودورسکیو می گوید:" این یک مثال از جایی است که یک شرکت ممکن است برای یک الگوریتم بسیار خوب عمل کند. بسیاری از کاربردهای اولیه یادگیری ماشین مربوط به زبان بود. در هنگام تولد میدان در دهه 1940، آلن تورینگ ، ریاضیدان بریتانیا ، گرامرهای انتزاعی را برای تجزیه و تحلیل متون و توصیف استدلال درک کرد. از آن به بعد ، زمینه تحلیل متنی به نقطه ای رسید که تحلیل گران می توانند نویسندگان خاصی را از اثر انگشت با احتمال استفاده از واژه های اتصال مانند "،" "و"، و "آن" استفاده کنند.

به تازگی ، یادگیری ماشین به بررسی قلمرو تشخیص احساسات با بررسی برخی از واژگان به نظر می رسد که به نظر می رسد با توجه به خلق و خوی فردی. تئوردورسکیو می گوید: "موضوع واقعا داغ در این زمینه ، تحلیل آن است. در حقیقت ، شرکت ها به طور فزاینده ای برای نظارت بر تصویر برند خود از طریق آنچه که مشتریان اینترنتی در مورد آنها به دنبال روند از کلمات کلیدی مثبت یا منفی می گویند ، تبدیل شده است. شما محبور نیستید همانند یونایتد ایرلاین از این ابزار ها استفاده کنید. مدیران اکنون قادر به خرید محصولاتی هستند که برای استفاده از توییتر و یلپ کاربرد دارند و تحلیل دقیقی از شیوه تغییر احساس در زمان واقعی را کسب می کنند. این اساسا موجب کاهش مانع بین افرادی می شود که دارای برنامه نویسان داده می باشند.

گام بعدی در کجا خواهیم بود؟

 گام بعدی در تحلیل احساس ، بررسی محصولات مصرفی است. "تئودورسکیو پیش بینی می کند ،" در پنج سال آینده ، این را در حساب خود در دسترس خواهد بود ، بنابراین شما می توانید امروز اخبار مربوط به یک سهام خاص را بررسی کنید و ببینید که آیا آن مثبت یا منفی است. " مالی یکی دیگر از زمینه هایی است که تئودورسکیو پیش بینی می کند که یادگیری ماشین رایج تر می شود ، زیرا بانک ها و شرکت های مالی از داده ها در مورد نحوه استفاده از پول برای پیش بینی الگوهای آینده استفاده می کنند. "اگر شما یک پردازنده کارت اعتباری هستید و شما معاملات هر کس را دارید ، می توانید پیش بینی کنید که آیا یک مشتری خاص در آینده به بدهی ها و پیش فرض های خود می پردازد."

تئودورسکیو می گوید: «یادگیری ماشین حتی برای یادگیری بیشتر در مورد ماشین ها استفاده می شود ، که اشاره می کند که تولید کنندگان به طور فزاینده ای از الگوریتم های نگهداری پیشگیرانه استفاده می کنند. تئودورسکیو می گوید: "شما می توانید پیش بینی کنید زمانی که همه چیز در حال تجزیه بر اساس عملکرد قبلی است. "این ممکن است بعد از اتمام خطوط مونتاژ پرهزینه باشد." در همه این موارد ، واضح است که در حالی که ماشینها ممکن است در هر زمان به سرعت در جهان نباشند ، مطمئنا یادگیری ماشین است. تئودورسکیو می گوید: "این موضوع کمتر و کمتر یک چیز مرموز تبدیل خواهد شد و بیشتر از یک موضوع معمولی که در 20 سال در مدارس تدریس می شود." "این چیزی است که همه می آموزند."

برای کسب و کار ، توانایی های علمی داده ها به یک منبع مزیت رقابتی در صنایع بیشتر و بیشتر تبدیل خواهد شد. تئودورسکیو می گوید: "شرکت ها باید در جمع آوری و ذخیره داده ها و همچنین قابلیت تجزیه و تحلیل اطلاعات سرمایه گذاری کنند." "شناسایی مشتریان یا کارکنان در مورد کشتی ، چگونگی به حداکثر رساندن اثربخشی برای هر دلار از تبلیغات مصرف شده و نحوه استفاده بهتر از ابزار و منابع موجود در شرکت ، همه به قابلیت های علمی داده ها متکی هستند." به طور خلاصه ، برای رقابت در دهه آینده ، اکثر شرکت ها باید در حال سرمایه گذاری در فن آوری های مبتنی بر داده ها مانند تجزیه و تحلیل داده ها ، یادگیری ماشین و اینترنت چیزها باشند. "من انتظار می رود داده های بزرگ در دهه آینده در همه جا گسترش یابد؛ او می گوید ، کسانی که در آن سرمایه گذاری نمی کنند اکنون پشت سر گذاشته خواهند شد. "ما در یک انقلاب صنعتی جدید به رهبری الگوریتم ها هستیم".