مطالب توسط

تصمیم گیری مبتنی بر هوش مصنوعی

1400/03/10 در /توسط

تصمیم گیری مبتنی بر هوش مصنوعی تکنیک ها و ابزار های هوش مصنوعی، اقدامات پیچیده و مهمی از قبیل:

  • هماهنگی تحویل داده ها
  • تجزیه و تحلیل روند داده ها
  • ارائه پیش بینی ها
  • ارائه توصیه های عملیاتی
  • ایجاد سازگاری
  • یکپارچه سازی داده ها
  • کمی سازی عدم قطعیت
  • تخمین نیازمندیها
  • تقاضاها
  • پیش بینی نیازهای عملیاتی
  • ارائه اطلاعات در مناسب ترین شکل
  • پیشنهاد دهی عملیات های دوره ای

را به طور فزاینده ای در دسترس کسب و کارها و سازمانها قرار داده است.

در این پارادایم، برای استفاده کامل از «ارزش داده ها»، هوش مصنوعی (AI) باید موارد زیر در نظر گرفته شود. این موارد غنی سازی عملیات ها و فرآیندها، جهت افزایش کیفیت تصمیم گیری ها، می باشد.

انجام اینکار با ترکیب «تحلیل داده های مهم» در مراحل مختلف اتوماسیون ها امکان پذیر است. بهره گیری از سیستم های توصیه گر مبتنی بر AI در هر مرحله، یک مزیت مدیریتی مهم، به فرآیندها، افزوده خواهد شد.

تصمیم گیری مبتنی بر هوش مصنوعی:داده محوری(Data-Driven) و هوش مصنوعی محوری(AI-Driven)

«داده محوری» بر ارزش داده ها، و «هوش مصنوعی محوری» بر ارزش پردازش داده ها، متمرکز هستند. داده-محوری و هوش مصنوعی محوری، بعنوان عناصر مکمل یکدیگر می باشند، داده ها برای تولید دانش و بینش استفاده می شوند. همچنین با توانایی پردازش، مدلسازی و تحلیل گری، راههای انجام اقدامات بهینه و خودکار را هدفگذاری می کنند.

فرآیندهای داده محوری، با پاکسازی، تجمیع و تلفیق و یکپارچه سازی داده ها و خلاصه سازی آنها آغاز می شود. همچنین بصری سازی، تحلیل گری و کشف دانش و بینش از فرآیندهای داده محوری است. نتایج این فرآیند، اتخاذ تصمیمات صحیح و به موقع و کسب نتایج مطلوب خواهد بود. نکته حائز اهمیت در اینجا، عنصر قضاوت ها و تصمیمات خبرگانی در امور می باشد. این چنین موضوعاتی همواره بر فرآیندهای داده محوری سایه می افکنند. به همین منظور، داده محوری همواره نیازمند Human Intelligence می باشد. اما در هوش مصنوعی محوری، نگاه اصلی بر تصمیم گیری ماشینی و مبتنی بر هوش مصنوعی می باشد.

این نوع نگاه به هوش مصنوعی محوری، از آنجایی آغاز شده است که الگوریتم های هوش مصنوعی امکان سوگیری کمتری نسبت به انسان دارند. همچنین می توان امیدوار بود که با این فرآیند تصمیمات دقیقتری، تولید شوند.

از منظری دیگر، در سطوح مختلف داده محوری در سازمانها، بالغ ترین سطح، مرحله هوش مصنوعی محوری خواهد بود. همچنین بات های هوشمند، با استفاده از کلان داده ها و الگوریتم های هوش مصنوعی، درصد بیشتری از تصمیم گیری های سازمانی را انجام می دهند.در اینجاست که کسب و کارهای پلتفرمی با توجه به پتانسیل های بالقوه اینگونه صنایع، امکان بهره گیری از داده محوری و هوش مصنوعی محوری را در پلتفرم خود دارا می باشند.

نتیجه گیری

امروزه، کسب و کارهای مبتنی بر پلتفرم، همچون:

خرده فروشی آنلاین

تاکسی های اینترنتی

بانک داری

بیمه بدون شعبه و بدون کارمند و …

با استفاده از هوش مصنوعی محوری در بالاترین سطح بلوغ داده محوری هستند. همچنین می توانند با سهولت به توسعه، چابک سازی، دیجیتالی سازی و افزایش سودآوری دست یابند.

دوقلوی دیجیتال

1400/02/29 در /توسط

دوقلوی دیجیتال 

دوقلوی دیجیتال یا همزاد دیجیتال یک مدل نرم‌افزاری مجازی و فعال از یک شی فیزیکی یا دارایی فیزیکی در چرخه حیات آن است. این همزاد دیجیتال با سنسورهای مستقر روی شی، مدلسازی می شود تا وضعیت سلامت عملکردی و بهره وری آن شی را بصورت آنلاین و در لحظه، شبیه سازی نماید. مفهوم دوقلوی دیجیتال یکی از Trend های اصلی حوزه فناوری می باشد که از تلفیقIOT ، هوش مصنوعی با Data Science، نویدبخش تغییر بنیادین در فرآیندهای سنتی می باشد.

این تغییرات شامل روش کار، طراحی، ساخت، برنامه‌ریزی، شبیه‌سازی و پیش‌بینی و در نهایت، سودآوری می باشد. دیدگاه اصلی در دوقلوی دیجیتال، دستیابی به یک معادل دیجیتال شبیه سازی شده توسط Data Scientist ها جهت بررسی و تحلیل سناریوهای مختلف کارکردی جهت تمرکز بر کارایی بیشتر و بهره وری می باشد که با به‌روزرسانی اطلاعات اشیاء با مدل شبیه سازی شده همزاد خود، مدیریت می شود. پلتفرمی که اطلاعات دوقلوهای دیجیتال را ذخیره و مدیریت می کند، بعنوان یکی از ارکان اطلاعاتی سازمان ها و بنگاههای صنعتی و تجاری، و در کنار سایر دارایی های اطلاعاتی، نقش آفرینی می نماید.همچنین، دوقلوی دیجیتال را می توان بعنوان لایه مکمل پلتفرم های IOT تصور کرد که نتایج تحلیل سنسورهای اشیاء را در قالب تحلیل های پیشگویانه، توصیه گر، بهینه ساز و کاربردی ارائه می دهند.

مدل نرم افزاری دوقلوی دیجیتال

مدل نرم افزاری دوقلوی دیجیتال، درواقع یک نسخه دیجیتالی تقریباً واقعی از همان شی‌ فیزیکی است. این مدل نرم افزاری شامل بینش‌هایی وسیعی در مورد:

  • اندازه
  • قطعات
  • عملکرد و بازده
  • مصرف انرژی
  • اتلاف انرژی
  • دما
  • میزان حرکت
  • شتاب و ….

 بوده و از تحلیل اطلاعات گذشته و حال اشیا، استخراج شده اند. این بینش ها، در حوزه های ساخت، تعمیر و نگهداری، و نظارت بر سیستم‌ها برای جلوگیری از بروز مشکلات، قبل از وقوع آن‌ها و جلوگیری از خرابی های متداول، بسیار کاربرد دارد. شبیه‌سازی‌های ایجادشده توسط دوقلوی دیجیتال در:

  • خلق ایده های جدید
  • برنامه‌ریزی فرصت‌ها
  • به‌روزرسانی‌های آینده در فرآیندها
  • تولید محصولات جدید
  • کشف معایب طراحی و بهینه سازی
  • پیش بینی نیازمندیهای تجهیزاتی
  • کاهش زمان خرابی ها
  • خودکار سازی فرآیندها
  • امکان آموزش دقیق نگهداری تجهیزات
  • کاهش هزینه ها
  • تقویت تصمیم گیری های استراتژیک

کمک شایانی می‌کند.

مزایای نوآوری 

مزایای نوآوری دوقلوی دیجیتال (دوقلوی مجازی یا دوقلوی پیش بینی) بی‌شمار است. کاربردهای آن در:

  • تجارت
  • کشاورزی
  • بهداشت و درمان
  • خدمات رفاهی شهری
  • خدمات آب و برق و گاز و مخابرات
  • دولت
  • حمل‌ونقل
  • محیط زیست و رخدادهای طبیعی
  • انرژی
  • ایمنی و امنیت
  • تولید و صنعت
  • خرده‌فروشی‌ها
  • بانک و بیمه

 رو به فزونی یافته است.

همچنین افزایش رضایت مندی کاربران و مشتریان، نیازمند بازنگری مستمر در فرآیندها و شیوه هاست که با فرآیندکاوی در اطلاعات دوقلوهای دیجیتال محقق می شود. در این حوزه نیز، تخصص های علم داده و هوش مصنوعی برای فرآیندکاوی و بعنوان مکمل های تحلیل داده های دوقلوهای دیجیتال نقش آفرینی می کنند.

ضمنا با پیشرفت تکنولوژی ها و فناوریهای نوظهور در حوزه IOT، هوش مصنوعی، Digital Twinو تولید هوشمند(Smart Manufacturing)، امکان شبیه سازی سه بعدی اشیاء و ایجاد واقعیت افزوده نیز در این حوزه محقق شده است.

انقلاب پنجم صنعتی، انقلاب هوش مصنوعی در صنعت

1400/02/29 در /توسط

انقلاب هوش مصنوعی در صنعت

انقلاب پنجم صنعتی یا انقلاب هوش مصنوعی در صنعت، با همزیستی اینترنت اشیا (IoT) و هوش مصنوعی (AI) اقدام به ایجاد دسته جدیدی از ربات ها خواهد کرد. این ربات ها، با هدف کارکرد بهتر و سریعتر عملیات ها و فرآیندها ارائه خواهند شد.

با گذشت یک دهه از ظهور انقلاب صنعتی چهارم، اما فعالان این حوزه، کم کم از انقلاب صنعتی پنجم صحبت می کنند که با نام “انقلاب هوش مصنوعی در صنعت” شناخته می شود. انقلاب صنعتی پنجم با عناوینی همچون «تحول با اتوماسیون هوشمند» و «انقلاب شخصی سازی و لمس انسان» مطرح می شود. این عناوین دورنمای وسیعی از تحولات را در ذهن ها مجسم می کند که در ادامه به آن خواهیم پرداخت.

پس از انقلاب صنعتی اول، که اختراع ماشين های بخار و ماشین های مکانیکی بود، انقلاب صنعتی دوم با ايجاد نيروگاههای برق و در دسترس قرارگرفتن برق در صنايع به وقوع پيوست. انقلاب صنعتی سوم با ظهور اينترنت، دهکده جهانی و شبکه ارتباطاتی قوی، صنايع را به جلو پيش راند. در ادامه انقلاب صنعتی چهارم که به انقلاب ديجيتال هم معروف است، توانسته است تحولات شگرفی را در تمدن و توسعه بازی کند. اما امروزه از ادغام و مشارکت هوش مصنوعی و هوش انسانی بعنوان انقلاب صنعتی پنجم، نام برده می شود. در این انقلاب نوپا، هدف تصمیم گیری صحیح و به موقع در صنایع و سازمانها می باشد. این تصمیم گیری ها، به کمک هوش مصنوعی، قدرتمند می شوند.

نقش مدیران ارشد رباتیک در انقلاب هوش مصنوعی

در انقلاب هوش مصنوعی در صنعت، نقش مدیران ارشد رباتیک (CRO) بسیار نمایان تر خواهد شد. این مدیران، مسئول مدیریت فعالیت های رباتیک و سیستم های عملیاتی هوشمند خواهند بود. بعنوان مثال شرکت آمازون، پیشرو در زمینه فناوری جهان، قبلاً گامهایی را برای بهبود این روند برداشته است. همچنین برنامه های آموزشی را برای کارمندان خود به منظور پرورش نسل بعدی متخصصان رباتیک راه اندازی کرده است. به نظر می رسد کارگران تولید می توانند مطمئن باشند که اتوماسیون جایگزین آنها نخواهد شد. آنها می توانند در حالی که کارهای کثیف و خطرناک کمتری انجام می دهند به نقش خود ادامه دهند. با این حال، برخی تغییرات برای انعکاس این رابطه جدید بین انسان و ماشین رخ خواهد داد.

وقتی نوبت به فناوری می رسد، دیگر بازگشتی وجود ندارد. پنجمین انقلاب صنعتی، الگوها و پارادیم های صنعتی را تغییر خواهد داد و تغییرات اجتناب ناپذیری را در بخش تولید ایجاد خواهد کرد. اگرچه کاملاً واضح است که انسان در «اتوماسیون ها» موثر باقی خواهد ماند، اما پرسنل باید مهارت های جدیدی را برای پاسخگویی به تقاضای مکانیزاسیون در حال رشد فرا گیرند. همچنین خلاقیت را در فرآیندهای کارآمد جاسازی کنند. به نوبه خود تولیدکنندگان قادر خواهند بود چیزی فراتر از محصولات تولید کنند. آنها قادر خواهند بود چیزی خاص و منحصر به فرد ارائه دهند. جفت شدن کارگران انسانی و ماشینی دروازه فرصت های بی شماری در تولید است.

بعنوان جمع بندی می توان دو نکته اساسی در مورد انقلاب صنعتی پنجم را بصورت زیر تعریف نمود:

اول، انقلاب صنعتی پنجم نه برای جایگزینی رباتها بجای انسان، بلکه تقویت و حمایت نیروی کار خواهد بود.

دوم، انقلاب صنعتی پنجم یافتن نقطه تعادل بهینه در اثربخشی، کارایی و بهره وری با کمک هوش مصنوعی خواهد بود.

در انتها می توان اذعان کرد که انقلاب صنعتی پنجم، ترکیب نقاط قوت انسان و ماشین آلات هوشمند برای تولیدات بهتر، سفارشی شده تر و مدرن تر خواهد بود.

سواد داده، «زبان مشترک ادراک سازمانی»

1400/02/25 در /توسط

اینکه پرسنل، کارشناسان و مدیران سازمان ها، بتوانند با یک «زبان داده محور» جهت ادراک ارزش ها، عملیات ها، تجارب، تحلیل ها، تفسیرها و نتیجه گیریها، تصمیم سازی ها و تصمیم گیری ها، با هم ارتباط برقرار کنند را «سواد داده ای» آن سازمان گویند.  

 تعریف سواد داده (Data Literacy): 

«توانایی» درک و استفاده از داده‌ها به‌طور مؤثر برای درک حقایق و تصمیم‌گیری را، «سواد داده» گویند.Data Literacy، مجموعه ای از مهارت های مرتبط به فهم داده است که افراد را قادر می‌سازد تا داده‌ها را به اطلاعات و درنهایت به دانش عملی تبدیل کنند.

Data Literacy، افراد را به دسترسی، تفسیر، ارزیابی انتقادی، مدیریت، کنترل و استفاده اخلاقی از داده‌ها قادر می‌سازد.همچنین به معنی توانایی کشف، ارزیابی، و ارائه اطلاعات می باشد.Data Literacy بر دانستن محل یافتن اطلاعات، ساختار داده ها، نحوه تحلیل داده ها و توانایی انتقال آنها متمرکز است.

می توان از کاربردهای Data Literacy در سازمان به مواردی:

  • توانمندی ادراک وجود داده ها،
  • توانایی تصاحب و تملک داده ها،
  • توانمندی تحلیل گری
  •  تفسیر داده ها و توانایی داستان سرایی داده محور

اشاره کرد.   

Data Literacy

از سه منظر قابل «مالکیت، ارزیابی و ارائه» قابل بررسی می باشد:

سواد مالکیت داده ها:

دانستن اینکه:

  • چه نوع داده‌هایی در سازمان وجود دارند؟
  • کجا باید به دنبالشان گشت؟
  • چگونه باید به آن‌ها دسترسی یافت؟
  •  ساختارشان چگونه است؟
  • متولی تولید و مصرف آنها کیست؟
  • در چه تصمیماتی دخیل هستند؟

و… همگی سطح سواد داده افراد را مشخص می کند.

سواد ارزیابی داده ها:

توانایی قضاوت درباره:

  • کیفیت
  • اصالت
  • کفایت
  • پاکسازی و یکپارچه سازی داده ها
  • از انباشتگی غیر اصولی داده ها
  • حذف داده های داده های ساختگی (Dummy Data)
  • داده های جعلی (Fake Data)

سواد ارائه داده ها:

توانایی تجسم بخشی، توصیف دقیق و بصری سازی داده ها با استفاده از روش های آماری و تکنیک های داده کاوی و علوم داده جهت ارائه ارزش داده ها می باشد.

در یک نگاه متعالی و مدرن تر،

«Data Literacy» شامل ترویج توانمندی‌های تحلیل داده‌ها، نزد ارکان مختلف سازمان، همراستا با استقرار هوش مصنوعی و علم داده به‌ عنوان یک زبان مشترک برای تعاملات سازنده، مورد استفاده قرار گیرد. نتیجه با Data Literacy در سازمان ها، گفتگو به زبان داده جهت ادراک حقایق و تصمیم گیری های سازنده خواهد بود. نتیجه نهایی ارتقای سواد داده، چابکی سازمانی، ایجاد مزیت های رقابتی، تحول داده محور در سازمانها خواهد بود.

پلتفرم داده و استقرار Data Mesh

1400/02/25 در /توسط

پلتفرم داده و استقرار Data Mesh

امروزه عناوینی همچون Data-First و AI-First در کانون توجهات مدیریت راهبردی و استراتژیک سازمانها قرار گرفته است.سازمانها برای انجام

  • فرآیندهای مدیریت نوآوری
  • ایجاد ارزش های جدید
  • هوشمندسازی و تصمیم سازی های راهبردی

نیازمند سامانه های خودگردانِ رویکردهای تحلیلیِ داده محور (Self-Service Analytics) می باشند.در حوزه حکمرانی داده ها:

  • گستره طراحی
  • ذخیره سازی
  • پردازش و مصرف داده ها
  •  تجارب و رویکردهای معماری داده ها

غالباً مبتنی بر یکپارچه سازی داده ها در یک انبار داده/دریاچه داده است.طبیعتاً تمرکز دهی به داده ها و پایش مستمر و متمرکزِ بانک های اطلاعاتی از انواع مختلف در یک سامانه Central می باشد. این نوع معماری، با تشکیل:

  • تیم‌های مهندسی داده
  • ایجاد Pipe Line های پاکسازی
  • انتقال و پردازش داده ها
  • ارائه رویکردهای تحلیلی(Analytics)

مختلف می باشد.در اینگونه نظام های مدیریت داده ها، همواره معماری ساختار داده ها و حکمرانی داده های سازمانی، یکی از چالش های اصلی بوده و می باشد. جدیداً یکی از معماری های مورد توجه در حوزه حکمرانی داده ها، معماری، «جزایر داده یا Data Mesh» هستند. برای این معماری مطالب و مقالات متعددی در مورد آن ارایه شده است.

Service Mesh و Data Mesh

همانطور که مستحضرید، معماری سرویس‌گرا در دنیای نرم افزار، به یک معماری مورد پذیرش و منطبق با نیازمندیهای جاری این صنعت تبدیل شده است. و اصطلاح Service Mesh‌ سالهاست که در صنعت نرم افزار رایج شده و کاربردهای آن به بلوغ کافی رسیده است.

همراستای همین موضوع و در حوزه مدیریت داده، «جزایر داده یا Data Mesh» هم به یکی از موضوعات مهم در حوزه علوم داده تبدیل شده است.امروزه در حال تبدیل شدن به یک استاندارد معتبر در طراحی سامانه‌های کلان داده و داده محور است.

این بدان معنی است که همراستای تحول در معماری نرم افزارها از سیستم ها و برنامه های یکپارچه (monolithic applications) به معماری مایکروسرویس (microservice)، تحول در معماری داده ها، به سمت ارائه مایکرویس های داده ای در قالب Data Mesh در حال اجرا می باشد. در واقع Data Mesh، نوعی از معماری پلتفرم داده می باشد.در این نوع معماری استقلال دهی به حوزه های مختلف، یک الگوی انعطاف پذیر و قابل توسعه برای حکمرانی داده ها ارایه می نماید.

معماری جزایر داده

معماری «جزایر داده» بر چهار اصل مهم، بنیان گذاری شده است:

  • مالکیت و معماری غیرمتمرکز دامنه گرا
  • داده به عنوان یک محصول
  • زیرساخت داده خودگردان به عنوان یک زیرساخت و حاکمیت محاسباتی دموکراتیک.

در این نوع معماریِ مدرن حکمرانی داده ها، همراستا با معماری سرویس گرا، حرکت به سمت معماری Data Mesh یا مدیریت داده جزیره‌ای و غیرمتمرکز هدفگذاری شده است. در این نوع معماری با تغییر نگاه بنیادین (paradigm shift) به حوزه حکمرانی داده ها، سازمان‌ها از ایجاد یک سامانه متمرکز اطلاعاتی (انبار داده/دریاچه داده) به سمت چندین «جزیره داده توزیع شده و خودگردان» مبادرت می کنند.

این تغییر نگاه بنیادین در معماری، با تجزیه ساختار داده های سازمان به Data Node‌ های جزیره‌ای و خودگردان، مقیاس پذیری و دموکراتیک سازی موضوعات داده ای را هدف گذاری نموده است.

دموکراتیک سازی داده ها

خواستگاه اصلی مقیاس پذیری و دموکراتیک سازی داده ها، در معماری Data Mesh، تعامل سه عنصر:

  • منابع داده(Data Sources)
  • زیرساخت داده ها(Data Infrastructure)
  • فرآیندهای انتقال داده های دامنه گرا (domain-oriented data pipelines)

با یکدیگر می باشد. در این معماری، مالکان موضوعی (دامنه گرای) داده و فرآیندهای انتقال داده ها (Domain-oriented data owners and pipelines) بعنوان ارائه دهندگان محصولات داده ای می باشند.مدیریت ارتباطات داده محور موضوعی (دامنه گرا)، کلیه وظایف:

  • یکپارچه سازی
  • پاکسازی
  • کنترل کیفیت
  • انبارش
  • پردازش های بلادرنگ و بسته ای
  • مدیریت فرآیندهای انتقال داده ها
  • کنترل حقوق دسترسی

  توسط مالکان موضوعی (دامنه گرای) داده ها در یک زیرساخت مستقل مدیریت می کنند.

اولویت های استقرار راهکارهای داده محور در این معماری

در نهایت، عوامل مهم و کلیدی برای حرکت از استقرار انبار داده/دریاچه داده به پلتفرم داده و  Data Mesh عبارتنداز:

  • تعداد منابع داده ای سازمان
  • تعداد کارشناسان تیم داده سازمان
    • تیم متخصصان ذخیره سازی
    • پردازش و تحلیل داده ها در سازمان
      • تعداد تحلیلگر داده،
      • تعداد مهندس داده
      • تعداد مدیر محصول داده
  • تعداد دامنه های داده ای (موضوعات داده محور)
  • تعداد محصولات داده محور سازمان
  • وضعیت و تعداد گلوگاه های دسترسی به داده ها برای تولید محصولات داده محور جدید
  • وضعیت بلوغ داده محوری و حکمرانی داده ها در سازمان (تعداد و درصد حضور مدیران داده محور)

بدیهی است که سازمانهایی با تعداد محدود:

  • منابع داده ای
  • تعداد محدود کارشناسان مستقر در تیم داده
  • تعداد محدود محصولات داده محور

و طبیعتاً بلوغ ناکافی در استقرار راهکارهای داده محور، در گام نخست باید به تشکیل انبار داده / دریاچه داده، اقدام نمایند.سپس با گسترش امور تصمیم سازی داده محور، به استقرار پلتفرم داده ای سازمان اقدام نمایند.

انواع تحلیل

1400/02/18 در /توسط

انواع تحلیل و اطلاع از ویژگی های آن در علم داده بسیار مهم است.در «علم داده» دانشمندان داده، فرآیندهایی را طی می کنند تا بفهمند چه اتفاقی افتاده است و تاریخچه اقدامات چیست. در واقع این تجزیه و تحلیل، توصیفی است. سپس تجزیه و تحلیل تشخیصی را بعنوان یک غواصی عمیق انجام می دهند تا بفهمند چرا اینگونه رخدادها بوجود آمده اند. در مسیر توسعه داده محوری، آنها خواهند توانست رخدادهای آتی را پیش‌بینی و تخمین کنند. آنچه در مورد اصطلاحات رایج هوش مصنوعی و یادگیری ماشین شنیده می شود نیز، در واقع همه چیزهای مربوط به پیش‌بینی و آینده سازمان است. در بالاترین سطح داده محوری، دانشمندان داده خواهند توانست با تجزیه و تحلیل تجویزی در مورد بهترین گزینه ها برای تصمیم گیری و به عمل درآوردن بهبودهای سریع نقش آفرینی کنند. به این سطح، هوش تصمیم گیری و یا علم تصمیم گیری (Decision Science) نیز گفته می شود. هدف نهایی این سطح، تصمیم گیری متمرکز خواهد بود.

بعنوان جمع بندی، می توان جهار نوع تحلیل را بصورت زیر تعریف کرد.

انواع تحلیل؛ تحلیل توصیفی(Descriptive):

به معنی بررسی آمار جمع‌آوری شده جهت گذشته نگری و گزارش گیری است.

  • گزارش وضعیت شاخص های کلیدی عملکرد و نتایج
  • داشبوردهای مدیریتی سیستم های BI
  • گزارش های نمونه سازمانی

از این نوع تحلیل ها استفاده می کنند.

انواع تحلیل؛ تحلیل تشخیصی(Diagnostic):

به کمک این نوع تحلیل، نتایج تحلیل های توصیفی مورد بررسی قرار می‌گیرد. استفاده از روشها و تکنیک های آماری، بهمراه برخی از روشهای داده کاوی برای دسته بندی و خوشه بندی و همچنین روشهای A/B Testing در این نوع تحلیل ها متداول هستند.

انواع تحلیل؛ تحلیل پیش‌بینی‌کننده(Predictive)

در اینگونه تحلیل ها، بر اساس عملکرد گذشته، اتفاقات احتمالی آینده پیش‌بینی می‌شوند. برای افزایش کیفیت این تحلیل ها باید از غنی سازی داده ها با داده های برون سازمانی و تکنیک های یکپارچه سازی داده ها استفاده گردد. الگوریتم های متعدد داده کاوی برای پیش بینی در دسترس هستند که در حوزه های:

  • برنامه ریزی
  • تخمین تقاضا
  • پیش بینی ترافیک شبکه
  • تخمین زمان تحویل(ETA و ETD)
  • و …

کاربرد دارند. البته استفاده از تحلیل های گراف محور و مکان محور نیز در اینگونه تحلیل ها متداول هستند.    

انواع تحلیل؛ تحلیل‌های تجویزی(Prescriptive)

در اینگونه تحلیل ها، باید حجم انبوهی از داده‌ها بررسی شود که انجام این کار یا در توان نیروهای انسانی نیست یا به زمان و هزینه بسیار زیادی نیاز دارد. در تحلیل‌های تجویزی با استفاده از داده‌های خام کسب‌ و کار، تصمیمات لازم جهت بهبود عملکرد کسب‌ و کار توسط سیستم گرفته می‌شود. سیستم های:

  • توصیه گر (Recommendation System)
  • سیستم تطبیق سفارش (Order Matching System)
  • کمپین های هوشمند تخفیف (Discount  Campaigns)
  • سیستم های مسیریابی(Navigation & Map Direction)
  • سیستم های قیمت گذاری پویا(Dynamic Pricing)
  • سامانه های احراز هویت
  • چت بات های تعاملی

نمونه هایی از استفاده از تحلیل های تجویزی می باشند.  

ویژگیهای سازمانهای «داده محور»

1400/02/18 در /توسط

سازمان های داده محور با استراتژی‌های مبتنی بر داده ایجاد پیشرفت و ترقی را امکان‌پذیر نموده اند. این سازمان ها هدف‌گذاری های مؤثرتری دارند، برای رشد پایدار در چشم‌انداز مدرن، بسیار دارای اهمیت هستند. می‌توان از این استراتژی‌ها برای ردیابی و بهینه‌سازی تصمیمات، ارزیابی بهینه نتایج و اطلاع از وضعیت بازار و رقبای جدید استفاده کرد. هم اکنون بیشتر سازمانها و شرکت‌ها در تلاشند راه‌هایی مؤثر برای استفاده از داده‌های جمع آوری شده خود در جهت تقویت فعالیت‌های داده محور بیابند. نتایج اینگونه اقدامات:

  • افزایش سواد داده ای کارکنان و مدیران سازمان
  • افزایش آگاهی و کشف دانش های نهان
  • هوشمندسازی فرایندها و تصمیم گیری ها

خواهد شد.

تعربف سازمان داده محور

نسلی از سازمان های عصر دیجیتال است که تمام ارکان سازمانی شامل ارکان حکمرانی و ارکان مدیریتی، بر مبنای حداکثر استفاده از “دارایی های داده ای” فعالیت میکنند. همچنین هر کسب و کاری که بجای احساسات، عقاید و نظرات شخصی مدیران در همه سطوح، بر اساس داده ها و واقعیت های منطبق بر رفتار داده، تصمیم گیری کند، سازمان داده محور خواهد بود.

یکی از مهمترین تفاوتهای سازمان های داده محور با سایر سازمانها، مهارت آنها در تدوین فرضیه ها، تجزیه و تحلیل داده محور و حل مساله می باشد. سازمان های داده محور از نوعی روش علمی در کار با داده استفاده می کنند.این اقدامات از قبیل:

  • «شروع کار با داده ها»
  • «کاوش در داده ها»
  • «پاسخگویی به سوالهایی که با داده ها می توان پاسخ داد»
  • «فرموله کردن سوالات و چالش ها»
  • «بررسی داده های فعلی برای یافتن سوال درست برای مطرح کردن»
  • «ایجاد چارچوبی برای اجرای آزمایش روی داده ها»
  • «تحلیل نتایج برای ایجاد بینش های جدید راجع به سوال»

در حل مسائل خواهد شد.

ویژگیهای سازمانهای «داده محور» عبارتنداز:

  • داده را دارایی راهبردی و استراتژیک خود می دانند.
  • داده در همه ارکان سازمان، جاری و مورد استفاده قرار می گیرد.
  • زنجیره «داده تا ارزش» بعنوان ارکان تصمیم گیری داده محور سازمان تعریف شده است.
  • فرهنگ داده محوری در آن ترویج یافته است.
  • دارای راهبرد داده محور مشخص و شفاف است.
  • از تحلیل داده برای بهبود مستمر بهره برداری می شود.
  • مدیریت جریان داده، در اکوسیستم داده ای سازمان و پلتفرم داده ای سازمان به خوبی انجام می پذیرد.
  • تیم تحلیل داده بعنوان یکی از ارکان مدیریت ارشد سازمان، نقش آفرینی مي کند.

عوامل توانمندساز تحلیل گری و داده محوری سازمانی عبارتنداز:

  • مهارت شناسایی شاخص های کلیدی عملکرد و OKR
  • مهارت حل ابرمسائل به روش داده محور
  • مهارت کارگروهی داده محور
  • مهارت داستان سرایی داده محور
  • مهارت تخمین و پیش بینی آینده
  • مهارت تجمیع و تلفیق داده های سازمانی، يکپارچه سازی داده ها
  • مهارت مدل سازی، خلاصه سازی، روندسازی و کشف دانش از اطلاعات سازمانی
  • مهارت اشراف بر ساختار داده ها و ارتباطات داده ها
  • مهارت تصمیم گیری داده محور(سواد داده از کار با داده ها تا تجميع و تلفيق داده ها تا تفسیر و نتیجه گيری)
  • مهارت مدیریت پروژه و راهبری راهبردی
  • مهارت برنامه ریزی داده محور

سازمانها با تجهیز زیرساخت پلتفرم داده ها، تشکیل تیم تحلیل داده، و توانمندسازی پرسنل به تکنیک ها و ابزارهای تحلیل داده، مسیر بازآفرینی داده محور را به سرعت خواهند پیمود.

داستان‌سرایی با داده ها

1400/02/18 در /توسط

داستان‌ سرایی با داده ها، یکی از مهارت های اصلی تیم داده هر سازمان است. در داده‌های سازمانی، همواره داستان هایی وجود دارد که با داده کاوی، تحلیل داده ها و کشف دانش های نهفته سازمانی، شناسایی می شوند. به کمک داستان‌سرایی با داده ها، مهارت و قدرت بیان حقایق سازمانی حاصل و فرآیندهای بهبود و حکمرانی صحیح طرح ریزی می شود.

داستان سرایی با داده ها چیست؟

داستان‌سرایی با داده ها (Data Storytelling )، تلاش برای روایت کردن موضوعات داده محور به شکل:

  • خلاصه
  • قابل فهم
  • گام به گام
  •  داستان گونه

و به کمک نمایش گرافیکی داده ها می باشد. این مهم به چکیده سازی حجم و تنوع زیاد داده ها و تمرکز بر وجود متغییرهای مختلف چالش ها است.

داستان‌سرایی با داده ها، شکل جدیدی از ارتباط گفتاری/نوشتاری است که داستان سرا، حجم قابل ملاحظه ای از داده‌ها را تحلیل و داده کاوی کرده است. قسمت‌های مفید آن را استخراج و جداسازی کرده و با شکلی مناسب و جذاب ارائه می‌کند. به بیان دیگر داستان سرایان داده محور، داده‌های بزرگ را با هدف قابل درک کردن و ارائه بهتر، به داده‌های کوچک تبدیل و خلاصه آنها را بصورت گرافیکی ارائه می‌کنند.

داستان‌ سرایی با داده ها فرآیند روایت یک موضوع

داستان‌سرایی با داده ها، فرآیند روایت یک موضوع با استفاده از:

  • واقعیت
  • تحلیل ها
  • دانش ها
  • تجارب

به‌منظور برقراری ارتباط با مخاطب است. داستانها، مانند یک زبان بین‌المللی هستند که محرک اشتیاق‌اند. داستان ها حس قرارداشتن در تیم را تقویت می‌کنند و از گذشته تا امروز، در تمام فرهنگ‌ها وجود داشته‌اند. وقتی در داستان سرایی های سازمانی از داده ها به درستی استفاده می شود، تصمیم سازی و ارزش آفرینیِ داده محور شکوفا می شود.  

از منظری دیگر، داستان‌سرایی با داده ها:

  • هنر جذابیت بخشی به تحلیل داده ها
  • آسان سازی فهم داده ها و فهم رخدادها
  • ترسیم چالش ها
  • بیان سناریوهای داده محورِ مختلف

برای مخاطبین است که با عناصر بصری، به جذابیت آنها افزوده شده است.

با داستان‌سرایی با داده ها، می توان برای:

  • “تثبیت مفاهیم انتزاعی و ساده‌سازی پیام‌های پیچیده”
  • “کمک به سناریو سازی برای حل مسائل و تصمیم‌گیری ها”
  • “فرضیه سازی برای بهبود سریع مسائل”
  • “کشف دانش های نهفته سازمانی”
  • “تیم سازی، فرهنگ سازی و ترویج”
  • “هوشمندسازی فرآیندهای سازمانی”

طرح ریزی و اقدام کرد.نکته بسیار مهم در داستان‌سرایی با داده ها، توجه به پنج عامل کلیدی:

  • “مخاطب شناسی و انگیزه شناسی مخاطب”
  • “شناسایی نویز داده ها، پاکسازی و یکپارچه سازی داده ها”
  • “تمرکز مداوم بر پیام اصلی داستان پردازی”
  • “افزایش درک مخاطبین از داده ها و سواد داده ای مخاطبان”
  • “سناریو سازی تصمیم سازی برای مخاطبین”

است.

تکنیک های مورد استفاده داستان سرایان داده

نکته مهم در داستان‌سرایی با داده ها، نیاز داستان سرایان به تکنیک های مختلف از جمله:

  • آماری و داده کاوی
  • یادگیری ماشین
  • یادگیری عمیق جهت دسته بندی
  • خوشه بندی
  • تولید دانش و بینش از داده ها
  • شناسایی روالها
  • و …

جهت خلاصه سازی و تجسم بخشی به داده ها در قالب آمار ها، تحلیل ها و حقایق مبتنی بر داده ها، بعنوان زیربنایی داستان شان می باشد.

مصورسازی داده ها یکی از مراحل داستان‌سرایی با داده ها می باشد. مصور سازی وظیفه درک مخاطب از پیام اصلی داستان و تجسم بخشی صحیح مخاطب را بر عهده دارد. با مصورسازی داده ها، نمایش اطلاعات کمی در قالب های گرافیکی به صورت نمودارها و گراف ها میسر شده است.اطلاعات برای درک و پردازش راحت تر، بصری سازی می شوند. در مصورسازی داده ها، علوم داده، هنر گرافیک و  علم ارتباطات بصورت تنگاتنگ نقش آفرینی می کنند.

Image GPT شرکت OpenAI جهت تولید تصویر با AI

1400/02/08 در /توسط

پروژه Image GPT شرکت OpenAI

پروژه Image GPT شرکت OpenAI جهت تولید تصویر با AI مورد توجه کارشناسان قرار گرفته است. کارشناسان پروژه Image GPT در OpenAI جهت تولید تصویر با AI همانند GPT3 فعالیت می کنند. آنها از GPT3  الهام می گیرند. تا بعنوان یک مدل ترانسفورماتورِ متون، بتوانند متن منسجمی را در Image GPT تولید کنند. یعنی مدل دقیقِ آموزش داده شده روی توالی های پیکسل های تصاویر، می تواند نمونه های منسجمی از تصاویر را بسازد. همچنین سیستم تولید متن GPT-3 امروزه در بیش از ۳۰۰ اپلیکیشن استفاده می‌شود. که بالغ ‌بر ۴٫۵ میلیارد کلمه به‌صورت روزانه تولید می‌کند. براین مبنا، امکان استفاده از Image GPT در تعداد بسیار زیادی از برنامه های کاربردی، پیش بینی می شود. 

ترانسفورمرها

  • چالش های طولانی مدت یادگیری ماشین عبارتند از:
  • یادگیری بدون نظارت
  • یادگیری خود نظارتی
  • یادگیری بدون داده های دارای برچسب انسان

در پروژه Image GPT برای این چالش ها(تولید تصویر با AI)، راهکارهای مناسبی تعبیه شده است.

مدل های BERT، GPT3،RoBERTa ،T5 و انواع دیگر ترانسفورمرها، در طیف گسترده ای از وظایف زبان، عملکرد بالایی داشته اند. با این حال، همان کلاس گسترده ای از مدل ها، در تولید ویژگی های قوی برای طبقه بندی تصویر موفق نبوده است. هدف Image GPT درک و رفع این شکاف است تا نشان دهد دستکاری مفاهیم بصری از طریق مدل های زبانی اکنون در دسترس است. 

همچنین تا تجاری سازی تولید تصویر با AI توسط تیم Image GPT فاصله داریم. ولی این می تواند نوید بخش کارایی بیشتر این حوزه در آینده نزدیک باشد.

 

هوش مصنوعی و علم داده در حال تسهیل گردش کار داده محور در سازمان ها هستند

1400/02/07 در /توسط

هوش مصنوعی و علم داده

امروزه داده محوری، علم داده (Data Science) و هوش مصنوعی (AI) در سازمانها، بسیاری از دغدغه ها و نیازمندیها را تسهیل و مرتفع نموده اند. این دغدغه ها شامل: توزیع تحلیلگری و تفسیرگری و پیش بینی های داده محور می باشند.

سازمانها باید، روش مدیریت و تسلط بر اطلاعات تولید شده و استفاده از آنها و فرهنگ داده محوری را در راستای استفاده از علم داده و هوش مصنوعی مستقر کنند. در اینصورت داده محوری در سازمان مستقر خواهدشد. می توان داده و داده محوری را بعنوان خون در یک سازمان تصور کرد. در آن صورت علم داده (DS) و هوش مصنوعی (AI) بعنوان یک قلب و مسئول پمپاژ خون در سازمان می باشد.

بینش ها و تصمیم گیری های داده محور

علم داده و هوش مصنوعی دارای زیرمجموعه هایی مانند: ماشین(ML)، یادگیری عمیق(DL)  و تجزیه و تحلیل پیشرفته می باشد. که می توانند بینش ها و تصمیم گیری های داده محور را در ارکان مختلف سازمان، گسترش و تقویت نمایند. همراهی دانایی و داده محوری، علم داده و هوش مصنوعی بعنوان ارکان اصلی مدیریت داده، عامل موفقیت سازمانهاست. نمی توان سازمان موفقی را تصور کرد که داده محور نیست و از هوش مصنوعی و علم داده بهره نمی برد.

داده محور بودن به معنای پرورش ذهنیت در حین انجام امور و فرآیندهاست. که از تجزیه و تحلیل تصمیمات مبتنی بر واقعیت استفاده می کند.  هدف نهایی در داده محوری استفاده از دانش، و تجزیه و تحلیل توسط مدیران و کارکنان  می باشد. که بخشی طبیعی و مرسوم از روند کار روزانه آنها می باشد.

 مدیران، در زمینه فروش، بازاریابی، امور مالی و عملیات، باید از کلیه “دارایی های داده ای” مربوطه استفاده کنند. در این صورت به سرعت تصمیمات صحیح را اخذ، و سازمان را به سوی موفقیت تجاری و عملیاتی سوق می دهند.

رویکرد “داده محور”

  1. استفاده رویکرد “داده محور” ، یعنی تصمیمات استراتژیک و راهبردی از تجزیه و تحلیل و تفسیر داده ها
  2. رویکرد داده محور، کمک میکند تا سازمانها داده های خود را با هدف خدمات بیشتر به مشتریان مشاهده و سازماندهی کنند.
  3. داده محوری، اطلاع رسانی خدمات و محصولات سفارشی هر مشتری را میسر، و به تقویت مشتری محوری کمک می نماید .
  4. سازمانهای توانمند قادرند با استفاده صحیح در زمان مناسب برای تصمیم گیری قطعی، خود را در بازار، متمایز کنند.

سازمانها باید راهبرد “تحلیل نتایج عملکردها” را بعنوان یکی از استراتژی های اصلی برگزینند. آنها باید با داده محوری قدرتمند شده و با علم داده و هوش مصنوعی، فرصت های بالای ROI را شناسایی کنند. همچنین داده ها را به عنوان یک دارایی راهبردی فعال کنند.

چگونه علم داده، هوش مصنوعی و داده محوری را در سازمان ها پیاده سازی کنیم؟

جهت استقرار داده محوری باید از “پلتفرم داده” و “تیم متخصصین داده” استفاده  کرد. همچنین به ارتقای مهارت های “سواد داده” مدیران و کارشناسان، ارتقای بلوغ داده محوری، تفکر خودکار سازی فرآیندها و تصمیم سازی ها پرداخت. 

  • تصمیمات سازمانی نباید منطبق بر شهود فردی مدیران یا کارشناسان باشد. سرعت و کیفیت تصمیم گیری منوط به وجود بینش جامع و آگاهی متناسب با اجزای اصلی و فرعی تصمیم می باشد. که با وجود داده ها و داده محوری می توان فرایند تصمیم سازی داده محور را نهادینه نمود. سازمانهای داده محور در زیرساخت ها و پلتفرم های داده ای مناسب، تیم تحلیل داده و فرایندهای حاکمیت داده، سرمایه گذاری می کنند. این سازمان ها از دستاوردهای داده محوری در افزایش کارایی و بهره وری، بهره مند می شوند. با رهیافت داده محوری، تحلیلگران داده، زمان کمتری را برای تجمیع داده و پاکسازی آن صرف می کنند. همچنین مدت بیشتری را صرف تولید بینش داده های مهم می کنند.
  • غنی سازی و تجزیه و تحلیل ها در پلتفرم داده ها، فرصت های پنهان کسب و کار و افزایش کارآیی و اثربخشی را افزایش می دهند. تجزیه و تحلیل داده ها، آگاهی و بینش های کلیدی سازمانی را موجب می شوند. همچنین نقش اصلی را در تصمیم سازی، تصمیم گیری و هدایت عملیات کسب و کار به سطح بهتری ایفا میکنند.
  • داده ها و داده محوری، عوامل درآمدزایی جدید در سازمان ها  به شمار می آیند. ایجاد ارزش های جدید، محصولات و خدمات جدید، سفارشی سازی خدمات به هر مشتری، از عوامل درآمدزایی است. همچنین بهبود بی وقفه داده ها و پیش بینی ها، به قدرت بخش بودن تصمیم گیری، کمک شایانی خواهد کرد. 

پروژه DALL · E شرکت OpenAI برای تولید تصویر از متن

1400/02/07 در /توسط

پروژه  DALL · E

پروژه DALL · E در شرکت OpenAI یک مدل ایجاد شده توسط شبکه عصبی است. که از زیرنویس های متنی برای طیف وسیعی از مفاهیم قابل بیان با زبان طبیعی، تصاویر ایجاد می کند.

DALL · E یک نسخه 12 میلیارد پارامتری از GPT-3 است. که برای تولید تصاویر از توصیف متن، با استفاده از یک مجموعه داده از جفت های متن و تصویر آموزش دیده است.

کارشناسان OpenAI معتقدند که DALL · E از مجموعه قابلیت های متنوعی همچون:

  • ایجاد نسخه های انسانی از حیوانات و اشیاء
  • ترکیب مفاهیم غیر مرتبط به روش های قابل قبول
  • ارائه متن و اعمال تغییر شکل در تصاویر موجود

برخوردار است.

GPT-3 نشان داد که می توان از مدل زبانی برای آموزش یک شبکه عصبی بزرگ برای انجام کارهای مختلف تولید متن استفاده کرد. Image GPT همچنین می توان از همان نوع شبکه عصبی نیز برای تولید تصاویر با اطمینان بالا استفاده کرد. OpenAI در نظر دارد از طریق این یافته ها نشان دهد دستکاری مفاهیم بصری از طریق مدل های زبانی اکنون امکان پذیر است.

مانند GPT-3، پروژه DALL · E یک مدل زبان ترانسفورمر است. این مدل زبانی، متن و تصویر را به صورت یک جریان داده ای حاوی حداکثر 1280 نشانه دریافت می کند. و با استفاده از حداکثر احتمال برای تولید همه نشانه ها یکی پس از دیگری آموزش می دهد.

در واقع DALL · E قادر به ایجاد تصاویر محتمل برای انواع متنابهی از جملات در دسترس می باشد . همچنین تصاویری که DALL.E  تولید می‌کند انواع متفاوتی را شامل می‌شود.

پیش‌ازاین، بسیاری از کارشناسان در مورد احتمال سوءاستفاده از GPT-3، مدل تولید متن  OpenAI، هشدار داده بودند. و معتقد بودند که می‌توان از این مدل در تولید اخبار جعلی و نادرست استفاده کرد. این نگرانی‌ها در مورد جدیدترین محصول این شرکت یعنی DALL.E هم وجود دارد.

در انتها مطالعه مطالب زیر را نیز توصیه می کنیم:
Image GPT شرکت OpenAI جهت تولید تصویر با AI 
ربات GPT-3 چیست و چطور آینده هوش مصنوعی را دگرگون می‌کند؟ 

GPT-3 روزانه ۴٫۵ میلیارد کلمه تولید می‌کند