هر روزه در مورد کاربردهای هوش مصنوعی، علم کلان داده و الگوریتمهای یادگیری ماشین اخبار متنوعی به گوش ما میرسد. با پیشرفت هوش مصنوعی کاوش دادهها شکلی جدید به خود گرفته است. امروزه موسسات مالی، دولتها و شرکتها از داده کاوی سیل عظیم اطلاعات برای یافتن الگوهای خاص و تصمیمگیری موثر بر پایه آن سود میبرند. در ادامه این مقاله از مجله فناوریهای توان افزا و پوشیدنی به معرفی داده کاوی یا Data Mining میپردازیم.
به فرآیند یافتن الگوهای منظم یا غیر عادی و یا درک اثر متقابل دادهها از میان سیل عظیم اطلاعات برای پیشگویی نتایج داده کاوی گویند. استخراج داده برای کاهش هزینه، افزایش سود، ارتقا سطح خدمات کاربری و از بین بردن خطر استفاده میشود.
تاریخچه و پیشرفت های اخیر Data Mining
کاوش داده و یافتن الگوهای مستتر در آن به منظور پیشبینی نتایج خاص تاریخچهای دیرین دارد. گاهی از داده کاوی با عبارت کشف اطلاعات در پایگاههای داده یا knowledge discovery in databases نیز یاد میشود. عبارت data mining در نتیجه کاکرد موازی علوم مختلف به وجود آمد. دانش آمار یا دانش کاوش ارتباط دادهها و هوش مصنوعی از آن جمله هستند. در حوزه هوش مصنوعی الگوریتمهای یادگیری ماشین جایگاه خاصی درداده کاوی دارد. حضور هوش مصنوعی در این علم آن را وارد عرصه جدیدی کرد. از دهه ۱۹۹۰ تا کنون تغییر بسیاری در روشهای آن ایجاد شده است.
در دهه دوم قرن ۲۱ میلادی پیشرفتهای بسیاری برای ساده سازی تحلیلهای پیچیده رخ داده است. قدرت پردازش رایانهها، و سرعت پردازش آنان تحلیل داده را از کاری دشوار به فرآیندی خودکار تبدیل کرده است. عمده فروشها، بانکها، تولید کنندگان، بخش مخابرات، بیمه و … در حال استفاده از داده کاوری برای بهینه ساخت نتایج خود هستند.
اهمیت داده کاوی در چیست؟
حجم دادههای موجود سالیانه دو برابر میشود. دادههای بدون نظم به تنهایی ۹۰ درصد دادههای الکترونیکی را شامل میشود. اما افزایش حجم داده لزوما افزایش اطلاعات بشر را در پی ندارد.
- دادهکاوی صافی از بین برنده نویز در دادهها است.
- دادهکاوی درک اطلاعات مربوط را ممکن میسازد. این اطلاعات برای کسب بهترین نتایج به کار گرفته میشود.
- دادهکاوی سرعت تصمیمگیری را بهبود میبخشد.
داده کاوی یا Data Mining در دنیای امروز
در مطالعه میلیاردها میلیون برگه از فعالیتهای بشر، دادهکاوی نقش بنیادینی در تحلیل اطلاعات دارد. هم اینک نیز پژوهشگران مشکلات فنی پردازش دادههای عظمیم نفتی وگازی را حل کردهاند. در بومیسازی فعالیتهای نفت و گاز بخشی است که مورد مطالعه قرار گرفته است.
در علم دادهکاوی و علم کلان داده اشتراکاتی هست. Jared Dean با انتشار کتابی، فن بهینه سازی برنامههای رایانهای در محاسبات پیشرفته و تحلیل داده را توصیف کرده است.
Gartner Magic Quadrant در گزارشی عرضهکنندگان و بسترهای یادگیری ماشین را ارزیابی کرده است. این خدمات نرمافزاری به دانشمندان علوم داده، شهروندان فعال در کلان داده و توسعه دهندگان امکان طراحی مدلهای خاص خودشان را میدهد. در این گزارش SAS برترین جایگاه را در پردازش دادههای تصویری و یادگیری ماشین دارد. بررسی این نرم افزارها به منظور یافتن برترینهای موجود نشان از اهمیت حوزه داده کاوی در دنیای امروز دارد.
مخاطبان Data Mining یا کلان داده
ارتباطات راه دور، رسانه و فناوری
شرکتهای ارتباطی، رسانهها و بخش فناوری با استفاده از داده کاوی میتوانند مخاطبان و مشتریان خود را بهتر درک کنند. رفتار آنان را بهتر پیشبینی کنند و بر این اساس کار خود را توسعه دهند.
شرکت های بیمه و Data Mining
داده کاوی میتواند مسائل پیچیده مانند تقلب، خطر و … شناسایی کنند. برای شرکتهای بیمه جلب اعتماد مشتریان بسیار مهم است. ارزشگذاری خدمات بیمه برای رقابت موثر بازار از دیگر کاربردهای کاوش داده برای بیمهگذاران است.
آموزش و کمک به مدرسان
در بخش آموزش Data Mining برای درک بهتر پیشرفت دانشآموزان، پیشبینی بازده آنان پیش از ورود به کلاس و طرح درس متناسب با این پیشبینی به کار میرود.
بانکداری
درک خدمات مورد نیاز مشتریان با مطالعه میلیاردها تراکنش جز اساسی بانکداری است. افزون بر این درک افت و خیرهای مالی بازار، تشخیص تقلب و خرابکاری و خنثی سازی آن برای فعالان در عرصه بانکداری اهمیت دارد.
ساخت و تولید
بهینه سازی عرضه و تقاضا برای سازندگان و عرضه کنندگان محصولات در بازار اهمیت دارد. سازندگان با داده کاوی میتوانند با توجه به منابع موجود، و نیاز بازار میزان تولید خود را تنظیم کنند.
بیشتر بخوانیم:
کلان داده و فناوری های پوشیدنی حوزه پزشکی و سلامت: مزایا و چالش ها
کلان داده و ویلچر هوشمند : نشستن طولانی مدت بر ویلچر و عوارض جانبی آن
آینده برای متخصصین علوم داده بسیار روشن است
منبع: SAS
«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»