كيفية استخدام التعلم الآلي في تحليلات البيانات الضخمة

منذ سنوات ، كان على أصحاب الأعمال الاعتماد على ذاكرتهم لتخصيص الطريقة التي يخدمون بها عملائهم. عندما دخلت السيدة جونز ، كان على صاحب المتجر أن يتذكر ما اشترته في المرة الأخيرة ، وما إذا كان قد انتهى بها الأمر إلى إعادته أم لا ، وما إذا كانت قد اشتكت منه خلال زيارتها الأخيرة.

الآن ، بفضل البيانات الضخمة ، يوجد الكثير من بيانات العملاء والأعمال في متناول يدك. أنت تعرف أين تعيش السيدة جونز ، وما اشترته على مدار السنوات العشر الماضية ، والمبلغ الذي أنفقته ، وعدد مرات إرجاع العناصر ، وعشرات المقاييس الأخرى. باستخدام التعلم الآلي ، يمكنك تحويل هذه البيانات وغيرها إلى رؤى لتعزيز الأعمال. فيما يلي تفصيل للبيانات الضخمة والتعلم الآلي وكيف يمكنك الاستفادة منها لدعم عملك.

ما هي البيانات الضخمة والتعلم الآلي؟

البيانات الضخمة والتعلم الآلي مختلفان ولكنهما مرتبطان ارتباطًا وثيقًا.

ما هي البيانات الضخمة؟

تشير البيانات الضخمة إلى مجموعات بيانات ضخمة أو معقدة بشكل لا يصدق قد يكون من المستحيل الاستفادة منها بدون أدوات متخصصة. لا يتعين على بعض الشركات أبدًا التعامل مع البيانات الضخمة. على سبيل المثال ، إذا كان لديك مطعم به ثلاثة مواقع تنتج بيانات المبيعات والمخزون ، فهذه ليست "بيانات ضخمة".

من ناحية أخرى ، إذا أضاف هذا المطعم نفسه 10 مواقع أخرى وتطبيقًا للجوّال يمكّن العملاء من تقديم الطلبات عبر الإنترنت ، والاستفادة من مكافآت الولاء ، والدردشة مع ممثل خدمة العملاء عبر الرسائل النصية ، فلديك الآن حالة بيانات ضخمة. قد ينتج التطبيق وحده بيانات تتعلق بما يلي:

• الوجبات التي يطلبها العملاء في أغلب الأحيان
• أوقات اليوم التي يقدم فيها العملاء الطلبات
• حيث يطلب العملاء الطعام بناءً على بيانات الموقع الجغرافي
• حيث يعيش العملاء وإحصائيات الشراء المرتبطة بكل مدينة
• بيانات المبيعات من كل موقع
• كيف يستخدم العملاء نقاط المكافأة الخاصة بهم
• شراء البيانات خلال أوقات الذروة والعطلات

هذه الأمثلة مجرد خدش السطح. يمكن لهذا النوع من التطبيقات إنشاء العشرات من مجموعات البيانات. أيضًا ، سيتم تدفق المعلومات على أساس شبه ثابت. هذه بيانات ضخمة.

ما هو التعلم الآلي؟

يشير التعلم الآلي (ML) إلى استخدام أجهزة الكمبيوتر للتعرف على الأنماط في البيانات. يقوم التعلم الآلي بهذا باستخدام الخوارزميات ، وهي عبارة عن مجموعات من التعليمات الموضوعة خطوة بخطوة. يستخدم نموذج التعلم الآلي خطوات الخوارزمية لتعلم الأنماط. يتضمن ذلك أيضًا التعرف على الوقت الذي يتم فيه كسر الأنماط وتعلم كيفية مقارنة الأنماط ببعضها البعض.

كمثال بسيط ، افترض أنك تريد بناء خوارزمية تعلم آلي لتحليل بيانات المبيعات. لديك أرقام مبيعات بقيمة خمس سنوات. هدفك هو زيادة أرباح الصيف إلى الحد الأقصى من خلال معرفة المنتجات التي يجب أن تعرضها للبيع بين يونيو وأغسطس.

بالطبع ، يمكنك أن تأخذ ML خطوة إلى الأمام ودمج تكلفة البضائع المباعة (COGS) لكل منتج ، بما في ذلك الشحن والعمالة والتخزين والبيانات الأخرى. بعد ذلك ، يمكن أن يوصي نموذج ML الخاص بك ليس فقط بالمنتجات التي لها أكبر حجم مبيعات في الصيف ، ولكن يمكنه أيضًا إخبارك بالمنتجات التي تحقق أكبر صافي ربح.

ما هو التعلم الآلي في البيانات الضخمة؟

في سياق البيانات الضخمة ، في أي وقت قد تكون هناك أنماط في البيانات ، يمكنك استخدام التعلم الآلي لاكتشافها وتقديم رؤى مفيدة. أيضًا ، يمكنك استخدام ML لتقديم توصيات بناءً على الأنماط التي تحللها الخوارزميات.

كيف يعمل التعلم الآلي مع البيانات الضخمة

تعد المركبات ذاتية القيادة من أكثر تطبيقات التعلم الآلي شيوعًا. تستخدم السيارة التعلم الآلي لتحديد ما يجب فعله فيما يتعلق بالبيانات التي تجمعها من محيطها ومن المركبات الأخرى.

على سبيل المثال ، عندما "ترى" الكاميرات الموجودة داخل مركبة ذاتية القيادة علامة توقف ، يمكنها التعرف عليها على هذا النحو وتطبيق الفرامل تلقائيًا. بدأت العملية وراء هذا القرار على الأرجح بمجموعة من علماء البيانات باختبار خوارزميات متعددة للتعلم الآلي. على مستوى عالٍ ، يستغرق هذا ثلاث خطوات:

1. التدريب

لتحليل البيانات الضخمة ، يستخدم علماء البيانات أولاً مجموعة تدريب لتعليم واحدة أو أكثر من الخوارزميات ما يجب أن يبحثوا عنه.

على سبيل المثال ، مع وجود علامة توقف ، ستكون مجموعة التدريب عبارة عن آلاف الصور لعلامات التوقف. سيقدم مهندسو البيانات صورًا لإشارات التوقف من زوايا مختلفة ، في إضاءة مختلفة ، وحتى مع الأشجار أو الأشياء الأخرى التي تمنعها جزئيًا.

في نهاية مرحلة التدريب ، نأمل أن تكون الخوارزمية قد حددت أنماطًا في أشكال وألوان علامات التوقف. بمعنى آخر ، تعرف ما هي "شكل" علامة التوقف - وفي إضاءة مختلفة ومن مجموعة متنوعة من الزوايا.

2. التحقق من صحة

تُستخدم مجموعة التحقق لمعرفة مدى دقة استخدام نموذج ML لمجموعة مختلفة تمامًا من البيانات الضخمة. الغرض من مرحلة التحقق هو اكتشاف طرق لضبط نموذج ML.

على سبيل المثال ، لنفترض أن نموذج ML المصمم لتحديد علامات التوقف كان دقيقًا بنسبة 95٪ ، وأن جميع الصور التي حدث خطأ فيها كانت مظلمة جدًا. يمكن للمطورين بعد ذلك استخدام صيغة أخرى تزيد من تباين كل صورة ، مما يسهل رؤية الخصائص المهمة لنموذج ML.

3. الاختبار

تتضمن مرحلة الاختبار تغذية نموذج ML بمزيد من البيانات الضخمة التي تختلف تمامًا عما شاهده أثناء مرحلتي التدريب والتحقق.

على سبيل المثال ، لاختبار نموذج علامة التوقف ، يمكن للمبرمجين عرض نموذج ML 250.000 صورة لأنواع مختلفة من العلامات ، بعضها عبارة عن علامات توقف. ثم يقومون بتحليل النتائج لمعرفة مدى دقة قدرة النموذج على التمييز بين إشارات التوقف - بالإضافة إلى تجنب الخطأ في التعرف على أنواع أخرى من الإشارات.

تحديات التعلم الآلي والبيانات الضخمة

يعد عدم الدقة والمعضلات الأخلاقية من أكثر التحديات المروعة التي تواجه علماء البيانات الذين يستخدمون تعلم الآلة لدراسة البيانات الضخمة.

1. عدم الدقة

بطبيعة الحال ، حتى مع وجود عمليات حسابية متقدمة متضمنة ، ستظل تمر عبر عنصر التجربة والخطأ في أي وقت تستخدم فيه التعلم الآلي في تحليلات البيانات الضخمة. هذا لأنك لا تعرف أبدًا العوامل التي قد تؤدي إلى تحريف نتائجك أثناء تدريب نموذجك والتحقق منه واختباره.

على سبيل المثال ، عند تحديد الصور - مثل علامات التوقف أو الوجوه البشرية - يمكن أن تساهم عوامل متعددة في ضعف الأداء في نموذج ML الخاص بك. على سبيل المثال ، افترض أنك تطور نموذجًا للتعلم الآلي لتحسين نظام أمان شركتك. على وجه التحديد ، تريد نموذجًا يمكنه تحديد وجوه المديرين التنفيذيين وغيرهم من الأشخاص رفيعي المستوى حتى يمكن منحهم حق الوصول إلى المناطق الحساسة في المبنى. خلال مرحلة التحقق من الصحة ، يكون النظام دقيقًا بنسبة 65٪ فقط. لكن هذا قد يكون بسبب عدة متغيرات ، مثل:

• صور منقطة للوجوه
• الصور البعيدة عن التركيز
• نظر الشخص بعيدًا أثناء فحص الوجه
• الشخص الذي يقرر ارتداء النظارات الشمسية أو قناع الوجه أو الوشاح أو أي شيء آخر قد يؤدي إلى تحريف نتائج تحديد الهوية

2. المعضلات الأخلاقية

هناك أيضا تحديات أخلاقية. على سبيل المثال ، لنفترض أن قسم الموارد البشرية يستخدم التعلم الآلي لتحديد المرشحين الأكثر تأهيلاً ، وسحبهم من مجموعة رقمية من 1500 سيرة ذاتية.

إذا تم تدريب نموذج ML باستخدام الشركات وأقسام التوظيف التي يديرها الرجال فقط ، فقد تتضمن البيانات التحيز. قد يميل بعض الرجال أكثر إلى توظيف ذكور آخرين لأسباب أخرى غير مزاياهم أو مؤهلاتهم. لذلك ، فإن المرشح "الناجح" الذي دربه المهندسون على نموذج ML للبحث عنه قد يكون ذكرًا في معظم الحالات. نتيجة لذلك ، يوصي النموذج بالرجال بدلاً من النساء الذين ربما كانوا أكثر تأهيلاً.

في سياق الأعمال التجارية ، كيف ترتبط البيانات الضخمة والتعلم الآلي؟

في سياق الأعمال التجارية ، يستخدم التعلم الآلي البيانات الضخمة التي تنتجها مؤسستك لتحسين أو أتمتة العمليات الحيوية للأعمال وتعزيز الأمن والسلامة. التطبيقات المحتملة لا حصر لها حرفيًا - ومتنوعة مثل الأنواع المختلفة من البيانات التي تنتجها.

على سبيل المثال ، يمكن لمصنع أو منشأة إنتاج استخدام التعلم الآلي لتحسين مستويات درجة الحرارة والرطوبة لأرضية المصنع. على سبيل المثال ، يمكن لنماذج التعلم الآلي اكتشاف ما يلي:

• مستويات درجة الحرارة والرطوبة التي تزيد من إنتاجية الموظف مع تقليل عدد فترات الراحة غير المخطط لها التي يتعين عليهم القيام بها
• مستويات الحرارة والرطوبة المثالية للمعدات الحساسة التي يمكن أن تتدهور بشكل أسرع في ظل الظروف الخاطئة
• أكثر ظروف درجة الحرارة والرطوبة فعالية من حيث التكلفة ، نظرًا لتكلفة تشغيل أنظمة التدفئة والتهوية وتكييف الهواء وأجهزة إزالة الرطوبة

يمكن بعد ذلك استخدام النظام للتحكم تلقائيًا في نظام الغلاف الجوي الخاص بك لتحقيق أفضل النتائج.

كيف يتم استخدام التعلم الآلي وتحليلات البيانات الضخمة في التسويق؟

يقدم التسويق بعضًا من أكثر التطبيقات الواعدة للتعلم الآلي وتحليلات البيانات الضخمة. ضع في اعتبارك المثال الواقعي التالي.

حقق ألبرت في هارلي ديفيدسون تقدمًا بنسبة 2.930٪

بنى هارلي ديفيدسون روبوتًا اسمه ألبرت يستخدم التعلم الآلي لاتخاذ قرارات تسويقية ^[1] . هذه هي الطريقة التي ساعد بها ألبرت مسؤولي هارلي ديفيدسون التنفيذيين على الانطلاق نحو غروب الشمس الأكثر إشراقًا.

أرادت Harley Davidson تعزيز علاقاتها الحالية مع العملاء السابقين. استخدموا ألبرت لتحليل:

• كم مرة أجرى الناس عمليات شراء
• كم أنفق هؤلاء العملاء
• كم من الوقت يقضيه العملاء في تصفح موقع Harley Davidson الإلكتروني

ثم استخدم ألبرت هذه البيانات لفصل العملاء إلى شرائح مختلفة. ثم أنشأ فريق التسويق حملات اختبارية لكل فئة من فئات العملاء. بعد اختبار نجاح الحملة ، قام الفريق بتوسيعها لتشمل شريحة واسعة من العملاء السابقين.

نتيجة لذلك ، زادت Harley Davidson مبيعاتها بنسبة 40٪. كما حققوا زيادة في عدد العملاء المحتملين بنسبة 2930٪. تم التعرف على نصف تلك الخيوط مباشرة من قبل ألبرت نفسه [هو]. درس ألبرت الملفات الشخصية للعملاء المحتملين الذين من المحتمل جدًا أن يتحولوا إلى عملاء يدفعون ، ثم درس ملفات تعريف البيانات للمستخدمين الآخرين وحدد "المتشابهين" أو الأشخاص الذين لديهم الكثير من القواسم المشتركة مع العملاء الذين حققوا تحويلات عالية.

سواء كنت تحاول معرفة ما ستشتريه الآنسة جونز بعد ذلك أو تحسين كفاءة منشأة إنتاج معقدة ، يمكن للتعلم الآلي تحويل البيانات الضخمة التي تبدو عشوائية إلى رؤى تحويلية. مع القليل من العصف الذهني والتفكير الإبداعي ، يمكنك إيجاد طرق لاستخدام ML والبيانات الضخمة لتتفوق على المنافسة وترتقي بمؤسستك إلى المستوى التالي.

مصادر

1. هارلي ديفيدسون نيويورك تسجل أعلى مستوياتها على الإطلاق مع ألبرت ، ألبرت آي