مهم‌‌ترین پیشرفت‌های علم داده و یادگیری ماشین در سال 2017

در سال 2017، مهم‌ترین پیشرفت‌ها در علم داده ، یادگیری ماشین ، هوش مصنوعی ، تجزیه و تحلیل پیشگویانه و اینترنت اشیا چه بود، و روندی که برای سال 2018 انتظار می‌رود چیست؟

در متن زیر، نظر Kirk D. Borne، یکی از افراد تاثیرگذار در علم داده و بیگ دیتا را در این زمینه می‌خوانیم:
در سال 2017 شاهد بودیم که بیگ دیتا جایگاه خود را در Hype Cycle، به هوش مصنوعی واگذار کرد.
توجه روز افزون وسایل ارتباط جمعی و متخصصین به هوش مصنوعی ، باعث شد که شاهد انتشار خبرهای خوب و بدی در این حوزه باشیم:

• اخبار خوب مثل گسترش فزاینده‌ی الگوریتم های کارآمد یادگیری ماشین و کاربرد گسترده‌ی هوش مصنوعی در صنایع مختلف مانند صنعت خودرو، تصویربرداری پزشکی، امنیت، خدمات مشتریان، سرگرمی و خدمات مالی
• و اخبار بد مثل این‌که ماشین‎ها، فرصت‎های شغلی را از ما گرفته‌ و کنترل جهان را در دست خواهند گرفت.

در سال 2017 شاهد رشد نوآوری‌هایی در حوزه‌ی داده بودیم که تأمین‎کنندگان عمده از آن‎ها برای تولید ارزش استفاده نمودند. ااز جمله این نوآوری‌ها می‎توان به موارد زیر اشاره کرد:

• کاربرد رابط‎های برنامه نویسی کاربردی
• پیشنهاداتی که در قالب as-a-Service ارائه شدند
• پلتفرم‎های علم داده
• یادگیری عمیق
• خدمات یادگیری ماشین در فضای cloud

از دیگر موارد کاربردهای ویژه داده، یادگیری ماشین و هوش مصنوعی در سال 2017 عبارت بود از:

• هوش ماشین
• تجزیه و تحلیل تجویزی
• تجزیه و تحلیل رفتاری
• اینترنت اشیا
• و در نهایت، پلتفرم‎هایی مثل journey science که برای کشف داستان نهفته در دل داده‎ها و به‎عنوان ابزاری برای تحلیل بهتر داده ها مورد استفاده قرار می‎گیرد.

اما چشم انداز سال 2018، حرکت به ماورای Hype هوش مصنوعی خواهد بود.

زمان آن فرا رسیده است که ارزش هوش مصنوعی به اثبات رسیده و میزان بازگشت سرمایه‌ی آن سنجیده و عملی شود. عرصه‎هایی که در آن‎ها شاهد چنین توسعه‎ای در کاربرد هوش مصنوعی خواهیم بود تقریبا همان‎هایی هستند که در سال 2017 بودند:

• اتوماسیون فرآیندها
• هوش ماشینی
• خدمات مشتریان
• ارائه بیش از حد خدمات شخصی سازی
• و تحول نیروی کار

 در سال 2018 شاهد بلوغ هرچه بیشتر اینترنت اشیا خواهیم بود. مواردی از قبیل:

• ویژگی‎های امنیتی بیشتر
• پلتفرم‎های ماژولار
• رابط‎های برنامه نویسی کاربردی برای تسهیل دسترسی به داده های حاصل از سنسورها
• و نیز استفاده از رابط‎های edge analytics (رابط‎هایی با امکان جمع آوری و تحلیل داده های به‎دست آمده از یک سنسور، سوییچ شبکه و یا هر وسیله‌ی دیگر، در همان محل و بدون نیاز به انتقال داده به جای دیگر برای پردازش). 

دور از ذهن نیست اگر تولید المثنی‌های دیجیتالی یا digital twins در صنایع تولیدی، ساختمان، مهندسی و بهره برداری فراگیر شود و متخصصین بیشتری برای تشریح مزایای استفاده از هوش مصنوعی برای بخش دیرباور جامعه خود وقت صرف نمایند.