قبل بضعة أسابيع ، حضرت حدثًا لطلاب الجامعة التقنية في برنو (جمهورية التشيك) والمسمى calledijemeIT. هذا هو مؤتمر سنوي صغير للطلاب حيث يقدم عدد من شركات تكنولوجيا المعلومات الكبيرة والشهيرة في برنو عروضًا عامة حول نشاطاتهم وتوجهاتهم ومشاريعهم المثيرة للاهتمام. هذا العام ، كان هناك اتجاه ملحوظ في الشركات لاستخدام التعلم الآلي والذكاء الاصطناعي لحل مشاكل العمل المختلفة. في هذا الاستعراض القصير ، أود أن أشارك بعض الملاحظات المثيرة للاهتمام حول هذا الموضوع. من يهتم ، أطلب قطعًا
يتم تنفيذ الإجراء في شكل عروض تقديمية للشركة وتقف المعلومات مع نشرات الإعلانات. في العرض التقديمي ، يمكنك الحصول على فكرة عامة عن أنشطة الشركة ، وخلال فترة الاستراحة ، يمكنك طرح أسئلة المتحدثين ذات الاهتمام أو الدردشة مع ممثلي الشركة في المدرجات ومعرفة المزيد عن المشاريع والوظائف الشاغرة. الغرض من الإجراء هو تعريف الطلاب بأصحاب العمل المحتملين وربما العثور على وظيفة في المستقبل.
حيث وجد التعلم الآلي تطبيقه
هذا العام ، تم تخصيص العديد من العروض التقديمية لمواضيع التعلم الآلي والذكاء الاصطناعي. تستخدم هذه التقنيات في مجموعة متنوعة من مجالات تكنولوجيا المعلومات.
على سبيل المثال ، تقوم الشركة الأمريكية Mavenir بتحليل أمان شبكات مشغلي شبكات الهاتف المحمول وتحديد المعاملات الاحتيالية (ما يسمى بمراجعة ثغرات الشبكة). لتحليل رسائل البريد العشوائي وتحديد الهجمات الاحتيالية ، تستخدم Mavenir أساليب تعلم الآلة الكلاسيكية.
في البداية ، يقوم متخصصو الشركة بجمع البيانات من مشغلي الهواتف المحمولة ، وخاصة البيانات المتعلقة بالمكالمات الهاتفية والرسائل النصية القصيرة (مدة المكالمة ، رقم المتصل ، رقم مرسل الرسالة ، نص الرسالة). ثم ، يتم بناء الرسوم البيانية الإحصائية على أساسها ويتم تطبيق أساليب تحليلية مختلفة: الرسوم البيانية الاجتماعية ، والتحليل الدلالي. الهدف هو تحديد أي نشاط مشبوه على الشبكة. يتيح لك تحليل البيانات الإحصائية إنشاء مصنف نصي للرسائل. في النهاية ، استنادًا إلى البحث ، يقدم متخصصو Mavenir لمزود خدمة الجوال تقريرًا مفصلاً وتوقعًا لاحتمال أي نشاط احتيالي في شبكة الجوال الخاصة به.
هنا توجد مشكلة تلقي البيانات على المكالمات والرسائل في بلدان مختلفة. لتحليل الثغرات الموجودة في الشبكة ، يلزم توفر بيانات المشغل الحقيقي. تعمل هيئات تنظيم مختلفة للتحكم في البيانات الشخصية في بلدان مختلفة: يعمل إجمالي الناتج المحلي في أوروبا ، والدول لها قوانينها الخاصة.
من حيث التكنولوجيا ، يتم استخدام Keras و scikit-learn. فيما يتعلق بيثون ، هناك قيود على تعدد مؤشرات الترابط - وهو أحد القيود المعروفة في Global Interpret Locker (GIL) ، وهو قيد بالغ الأهمية عند معالجة كميات كبيرة من البيانات. تستخدم سابقا C ++ XGBoost. يسمح لك بالحصول على تأخير بسيط للغاية (أقل من 0.1 مللي ثانية).
مثال آخر هو Y Soft. تقوم الشركة بتطوير واجهات المستخدم للطابعات. إحدى المهام المهمة هنا هي اختبار البرنامج النهائي. الاختبار اليدوي يستغرق وقتًا طويلاً ويستغرق وقتًا كبيرًا ولا يستبعد احتمال حدوث خطأ. لذلك ، قامت الشركة بأتمتة الاختبار اليدوي لواجهة مستخدم البرنامج باستخدام رؤية الكمبيوتر وذراع آلية (يمكن قراءة مشروع RQA
هنا وهنا ).
يتم اعتماد الذراع الآلية في الجهاز باستخدام بيانات الاعتماد ، ويذهب إلى الشاشة المستهدفة ، ويختار المهمة المطلوبة (المسح الضوئي ، والطباعة) ، ويتحقق من النجاح ، ويذهب أخيرًا إلى الشاشة الرئيسية.
تتم مراقبة الروبوت بواسطة كاميرا تسجل تصرفاتها على الفيديو. هنا يتم حل مهام الكشف عن الشاشة والتعرف على العناصر في التطبيق. تم استخدام طرق رؤية الكمبيوتر الكلاسيكية في الأصل: واصفات المعالم ، التعرف الضوئي على الحروف. إحدى المشكلات هي ما يسمى بتأثير Moiré - ظهور سلسلة من الخطوط الأفقية على شاشة الشاشة ، والتي تحدث غالبًا عند النظر إلى شاشة الشاشة عبر الكاميرا. كنتيجة للتجارب ، تم حل المشكلات باستخدام مصنف جديد للصور استنادًا إلى الرسوم البيانية للحواف المشوهة التراكمية المحلية. في هذه الحالة ، يمكن أن يؤدي استخدام الذكاء الاصطناعي إلى زيادة كبيرة في سرعة العملية (حوالي ثانية مقابل 20 ثانية باستخدام طرق معالجة الصور التقليدية).
من حيث التكنولوجيا ، استخدموا في البداية CNTK (غلاف فوق C ++) و Accord. يحتوي CNTK على واجهة برمجة تطبيقات معقدة ، ولم يعد التوافق متوافقًا مع التزامن المنخفض. في النهاية ، يتم استخدام مكتبة ML .NET بالاقتران مع تقنيات .NET (ASP .NET).
حيث التعلم الآلي لا ينطبق بعد
في بعض الحالات ، تظل الطرق التقليدية لحل المشكلات دون استخدام التعلم الآلي هي الخيار الأفضل. على سبيل المثال ، تقوم Thermo Fisher Scientific بتطوير برنامج تصوير لمجهر إلكتروني مع معالجة مسبقة للصورة. لمعالجة الصور ، يتم استخدام أساليب رؤية الكمبيوتر التقليدية.
هذا بسبب عدة عوامل. أولاً ، لا يمكن لطرق التعلم الآلي أن تعطي دقة بنسبة 100٪ ، حتى يحدث خطأ ضئيل دائمًا. في هذه الحالة ، عندما يكون العميل منظمة علمية (على سبيل المثال ، مختبرات الأبحاث المشاركة في إنتاج المصفوفات الدقيقة) ، فإن الدقة البالغة الأهمية للعميل أمر بالغ الأهمية. ثانياً ، من أجل تحقيق أقصى قدر من الكفاءة في التنبؤ ، تتطلب نفس نماذج تعلم الإسفنج كمية هائلة من البيانات للتدريب ، ويفضل أن يكون ذلك قدر الإمكان على النماذج التي سيتم تقييم دقتها. في حالة Thermo Fisher Scientific ، العميل ليس مستعدًا لتقديم بياناته لاختبار الأداء.
أخيرًا ، من الصعب شرح النتيجة التي تم الحصول عليها عن طريق الاستدلال على شبكة عصبية (الظاهرة المعروفة للشبكات العصبية باسم "الصندوق الأسود"). هذا هو الحال عندما يكون للدقة القصوى وفهم عملية صنع القرار أولوية أعلى من تنفيذ المهمة وسرعة التنفيذ.
هذا كل شيء الآن. حظا سعيدا للجميع ونراكم قريبا!