قد يكون الـ Deep Learning واحدًا من أكثر التقنيات الحديثة ، ولكن هناك فرصة جيدة لأن يصبح في يوم من الأيام الخلطة السرية في العديد من العمليات التجارية المختلفة. بالنسبة لأي شخص يدخل سوق العمل الآن – أو يفكر في كيفية وضع مستقبله المهني على المدى الطويل – سيكون هذا وقتًا جيدًا للغاية لفهم تداعياته بشكل أفضل.

كل ما تود معرفته عن الـ Deep Learning وعلاقته بالذكاء الاصطناعي

يشير مصطلح “Deep Learning” إلى استخدام الشبكات العصبية الاصطناعية لتنفيذ شكل من أشكال التعرف على الأنماط المتقدمة. يتم تدريب الخوارزميات والآلات على كميات كبيرة من البيانات ، ثم يتم تطبيقها على البيانات الجديدة التي سيتم تحليلها. لقد أصبح هذا الموضوع الأكثر رواجاً في مجال الذكاء الاصطناعي ، ويرجع الفضل على وجه الخصوص إلى التعرف الصور والتعرف على اللغة , والتي اقتربت في السنوات الأخيرة من تجاوز أو بالفعل تجاوزت المستويات البشرية للفهم.

تم تحديد الحجم المحتمل لتأثير “Deep Learning” على الأعمال في الشهر الماضي في تقرير من McKinsey Global Institute ، ووجد أنه من مئات حالات الاستخدام واعتماداً على الصناعة التي تدخل فيها الشركة، تتراوح القيمة التي قد ترغب الشركة في الحصول عليها من تطبيق هذه التكنولوجيا من 1 إلى 9 في المائة من إيراداتها ، وفقاً للخبراء الاستشاريين.

ويشير هذا إلى تريليونات الدولارات من التأثير المحتمل على الأعمال – والعُمال الذين هم أول من تعلم كيفية تطبيقه سيكونوا هم أكبر الفائزين ، وفقا لـما قاله “مايكل تشوي” أحد شركاء McKinsey .

ويقول: “إذا تعلمت أسرع وأسرع ، فستكون أمامك فرصة أفضل بكثير بالنسبة للآخرين”. لا ينطبق ذلك فقط على الأشخاص الذين يمتلكون المهارات التقنية ، بل أيضًا على أي مدير يعمل على كيفية استخدام التكنولوجيا لمعالجة مشكلات العمل.

السبب الذي يجعل المديرين الذين يتعلمون كيفية الاستفادة من هذه التقنية للقفز على المنافسين الآخرين، كما يوضح “مايكل تشوي”، هو أن التقنيات مثل “Deep Learning” يمكن أن يكون لها تأثير كبير في جميع أنحاء الأعمال.”التقنيات الجديدة هي أدوات لخلق القيمة العالية للشئ. . . فاستخدام التقنيات الرقمية الجديدة تعني أنه يمكنك القيام بأعمال كثيرة و أسرع مما كنت تتوقع.

أفضل طريقة للتفكير في تقنية الـ “Deep Learning” هي اعتبارها شكل من أشكال التحليلات المتقدمة. فتعطيك حجم كبير من البيانات الكافية لتدريب الخوارزمية التي تستخدمها، فيمكن استخدامها في العديد من المهام المختلفة.ومن التحديات الصعبة هو تحديد أنواع المشكلات التي يمكن ان تُحل باستخدام هذه التقنية “Deep Learning” ، واختيار النهج الخاص الأفضل في كل حالة معينة والتأكد من تغذية الخوارزميات والآلات ببيانات عالية الجودة وفي الوقت المناسب.

معظم من سيستخدم تقنيات الـ “Deep Learning” ، وفقا لـ McKinsey ، ستأتي في مجالين واسعين: التسويق والمبيعات ، مصانع وشركات التوريد والتصنيع. كمثال : استخدامها في إدارة خدمة العملاء ، وإنشاء عروض فردية لكل شخص على حدى، والحصول على عملاء جُدد ، وتقليل الأسعار والعروض الترويجية المستهدفة.

وهذا يعني أن الشركات التي تعمل في الصناعات الاستهلاكية ستستفيد من تقنيات الـ “Deep Learning” أكثر من الشركات الاخرى . وهذا راجع إلى أن التعاملات المتكررة مع العملاء توُلّد نوع من البيانات الصحيحة اللازمة لإدراجها في أنظمة التشغيل. باستخدام هذه البيانات التي تأتي من التعاملات مع العملاء والتي تكون صحيحة بنسبة كبيرة يمكن أن تؤدي للتنبؤ باتجاهات الطلب المستقبلية على سلع معينة ويمكن ان تضيف نسبة 0.25-0.75 في المائة إلى المبيعات ، وهذا حسب تقديرات الخبراء الاستشاريين ، مع مزيد من الفوائد من انخفاض وتلف السلع المستهلكة.

بعض الفوائد الناتجة من استخدام تقنيات الـ Deep Learning

استخدامات التكنولوجيا في مصانع وشركات التوريد والتصنيع ، في الوقت نفسه ، يمكن ان تتنبأ لتلك المصانع والشركات بوقت الصيانة للمعدات والآلات التي يستخدمونها، وبالتالي تحسين العائد المادي ووإمدادهم بتحليلات الشراء وتحسين المخزون أيضاً.

هذه الفوائد المُتوقعة هي فوائد نظرية بحتة تستند إلى قدرات التكنولوجيا وما تستطيع فعله في هذه الأيام، وسوف يستغرق الأمر بعض الوقت لمعظم الشركات للاستفادة من تلك الفوائد. على سبيل المثال ، هناك نقص كبير في الأشخاص الماهرين في عالم الأعمال. وعلى صعيد آخر إن محللين قواعد البيانات “Data scientists”والأشخاص المتخصصين في مجال تعلم الآلات “Machine learning” هم الآن الأشخاص الأكثر طلبًا في مجال تكنولوجيا المعلومات ،وذلك  بناءً على الرواتب العالية التي يتقاضوتها.

أما بالنسبة للأدوات التي يحتاجها المطورون غير الخبراء في هذا المجال للاستفادة من هذه التكنولوجيا لا تزال في مهدها. لا يزال العديد من التطورات الحديثة في هذا المجال بمثابة بحث متطور ولم ترتقي الى تنفيذها على أرض الواقع. مثل خدمات مثل Google Cloud AutoML  فتمثل أول محاولة حقيقية لجعل الـ “Deep Learning” متاحًا على نطاق أوسع كأداة عملية.

لن يكون الـ “Deep Learning” للمتخصصين الفنيين فقط. سيحتاج مديرو الأعمال العامة في المستقبل إلى فهم متى تكون المشاكل التي تواجههم في أعمالهم عُرضةً لحلها مستخدمين تقنية الـ “Deep Learning”.

هناك الكثير من العقبات التي تواجه هذا المجال وهي “البيانات المُستخدمة” بدءًا من كيفية جمعها وتنظيفها وتسميتها بطريقة تجعلها مفيدة في تدريب الأنظمة للتعلم منها وتطبيقها في مجال العمل آلياً.

والخبر السار هو أن العديد من الشركات لديها بالفعل الكثير من المواد الخام المتاحة “أي البيانات”. يقول “مايكل تشوي”: “هناك الكثير من البيانات الموجودة بالفعل ولكن ولا يتم استخدام الكثير منها”. لكن التغييرات المستمرة في البيانات المستخدمة التي يتم جمعها تعني أن الآلات تحتاج إلى تحديث في أوقات كثيرة. في ثلث حالات الاستخدام لتقنية “Deep Learning” التي درستها McKinsey ، كان من الضروري إعادة تحديث الخوارزميات وتدريبها كل شهر على الأقل للحفاظ على ملاءمتها وصحتها .

معظم الشركات ما زالت في المراحل المبكرة من التفكير حول كيفية تطبيق هذا النوع من الذكاء الاصطناعي في شركاتهم الخاصة – إذا كانوا قد فكروا في ذلك. ولكن بالنسبة للجيل المستقبلي من المديرين يمكن أن يصبح في يوم من الأيام من  المهارة الأساسية المتطلبة فيهم.

تقنيات الذكاء الاصطناعي التي ستستفيد منها الشركات أكثر من غيرها:

الشبكات العصبية الاصطناعية المستخدمة في أنظمة  الـ “Deep Learning” مناسبة بشكل خاص لحل أنواع معينة من المشاكل. ثلاث تقنيات تحليلية لديها القدرة على تحقيق القيمة الأكبر للشركات ، وفقا McKinsey :

1.التصنيف: تتعلم الأنظمة الآلية التمييز بين العناصر المختلفة في مجال معين، ثم عند تعلّم عناصر او مدخلات جديدة تقوم بوضعها في الفئة المناسبة لها. هذا هو الأسلوب المُطبق في التعرف على الصور: يمكن استخدامها لتحديد ما إذا كانت المنتجات في خط التصنيع تستوفي معيارًا معينًا للجودة.

2.التقدير المستمر: يُعرف أيضًا بالتنبؤ ، وهذا ينطوي على تقدير القيمة الرقمية التالية في تسلسل معين. ويمكن استخدامه للتنبؤ بالطلب على منتج جديد تم تصنيعه، استنادًا إلى معلومات مثل مبيعات منتج سابق ، وثقة المستهلك في منتجات الشركة عموماً.

3.التجميع: تتعلم الآلات والخوارزمية إنشاء فئات تستند إلى الخصائص المشتركة الموجودة في العملاء. مع تقديم بيانات حول المستهلكين الأفراد مثل موقعهم وعمرهم وسلوكهم الشرائي وبيانات أخرى كثيرة، على سبيل المثال ، يمكن لخوارزمية إنشاء مجموعة من شرائح المستهلكين الجديدة لسلعة معينة.

المصدر| Financial Times