رویداد DMOND Meetups با موضوع هوش مصنوعی در کسب و کار

در تاریخ 29 بهمن ماه، دورهمی DMOND Meetup با موضوع علوم داده و هوشمندسازی کسب و کار، برگزار شد.

این دورهمی که با مربی گری امیرهوشنگ حسین پور دهکردی، دانشجوی دکتری هوش مصنوعی برگزار شد، در مورد کاربردهای مختلف این تکنولوژی جدید در کسب و کار و انواع آن صحبت شد. با توجه به آگاهی خوب شرکت کنندگان از حوزه هوش مصنوعی و تجربه آنان در این زمینه، توانستیم از نظرات و دانش افراد زیادی در این رویداد استفاده کنیم.

در ابتدا در مورد تحلیل سنتی داده ها در اکسل یا سایر نرم افزارها توضیح داده شد که به علت کم بودن حجم داده، امکان پذیر بوده است. ولی امروزه با رشد کسب و کارها، حجم این داده ها فراتر از توان آنالیز دستی رفته و اینجاست که از هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، استفاده می شود.

تعریف هوش مصنوعی

شبیه سازی رفتار انسان توسط ماشین با الگوریتم هایی که به آن داده می شود. تا جایی که حتی زمانی که انسان ها اشتباه می کنند، ماشین نیز اشتباه کند.

برای تحلیل داده ها در کسب و کار، به علت زیاد بودن این داده ها بهترین روش یادگیری ماشین (Machine Learning) است. در این روش با دادن یک سری اطلاعات نمونه به ماشین، تحلیل روند فعلی شرکت، پیش بینی وضعیت آینده و تست کردن استراتژی های مختلف حذفی را از ماشین دریافت می کنیم.

در ادامه این گزارش، انواع روش های یادگیری ماشین و هوش مصنوعی و کاربرد آن ها در کسب و کار را بررسی می کنیم.

رگرسیون خطی

با کشیدن یک خط از میان بیشترین داده های نقطه ای، آینده یک سری داده را پیش بینی می کند.

رگرسیون منطقی

این روش، بودن یا نبودن متغیر را پیش بینی می کند. به طور مثال: این مشتری وام را پس می دهد یا خیر، این توده خوش خیم هست یا خیر

رگرسیون درجه 2

با منحنی، خط میانگین رگرسیون را با داده ها هماهنگ می کند و در کسب و کار، به منظور پیش بینی احساس مشتریان استفاده می شود. به طور مثال این مشتری به خرید نزدیک می شود یا به زودی رفتار خود را عوض خواهد کرد.

درخت تصمیم

با بررسی ویژگی های یک محصول، قیمت گذاری و میزان نزدیکی به نیاز مشتری را می سنجد. در این روش هرچه عمق درخت بیشتر باشد، ویژگی های بیشتری را بررسی می کند و اطلاعات بیشتری نیز نیاز دارد . می توان برای ساخت چارچوب های استخدام در شرکت ها نیز از آن استفاده کرد.

Naive Bayes

در این روش از کامنت ها، ایمیل ها و حرکت مشتری، احساس وی تشخیص داده می شود و این کاری است که در Rating یا رتبه بندی ها انجام نمی شود.

یکی از شرکت کنندگان تجربه کار کردن با وبسایت talkwalker را داشت که از روی اخباری که در توییتر و در لوکیشن های مختلف منتشر می شود، حس افراد را آنالیز می کنند.

نکته جالب دیگر مفهوم “دیکشنری برداری” از کلمات بود که هر کلمه را در جایگاه مشخصی قرار می دهد و حس آن را درک می کند. به طور مثال کلمه خوشمزه در سمت “خوب” بردار قرار می گیرد. به این ترتیب ارتباط بین کلمات مشخص می شود و توسط هوش مصنوعی، آنالیز می شود.

سوال بسیاری از شرکت کنندگان این بود که چه حجمی از اطلاعات برای اطمینان از پاسخ ماشین لازم است؟ پاسخ این بود که در هوش مصنوعی چون در هر صورت پیش بینی هست، هیچگاه به اطمینان 100% نمی رسیم. اما بالطبع هرچه اطلاعات ما بیشتر باشد درصد خطای پاسخ پایینتر خواهد بود و این نیز بستگی به اندازه حوزه ی مورد بررسی دارد.

سوال دیگر شرکت کنندگان در مورد اطلاعات bias یا سو گیری بود که پیشنهاد شد آن ها را حذف نکنند چون داده ها با ارزش هستند بلکه باید سعی کنند از روش های مختلفی این اطلاعات را اصلاح و unbias کنند.

شبکه عصبی ساده

این روش از هوش مصنوعی با شناخت رفتار مشتری بر اساس ویژگی های وی، احتمال اینکه کدام محصول شما را بخرد یا در کدام خدمات درمانی شما عضو شود را مشخص می کند. این در پیشنهاداتی که در فروشگاه های اینترنتی برای بازدید کنندگان ظاهر می شود، به کار می رود.

مهمترین تفاوت بین آمازون و دیجی کالا همین تحلیل داده های مشتری و سیستم recommendation است.

روش بعدی و روش آخر که در کسب و کار کاربردهای زیادی دارد K-means است که با کلاس بندی کردن داده هایی که مشابه هم هستند، به شما کمک می کند بازار خود را بشناسید، بازاریابی بهینه داشته باشید و حتی کمپین های تبلیغاتی بهتری را اجرا کنید.

روش های دیگری نیز در این دورهمی به چالش کشیده شد که به مهمترین آن ها اشاره کردیم. در انتها با توجه به نوع شرکت کنندگان رویداد، شبکه سازی خوبی بین این افراد انجام شد و آخرین رویداد DMOND Meetups سال 97 نیز با نیل به اهداف خود به پایان رسید.