https://virgool.ir/feed/@datasoloukسلوک از داده خام تا خـــــِرَد ... با پلتفرم هوش مصنوعی DataSoloukfa2026-11-12 15:54:31https://files.virgool.ir/upload/users/628595/avatar/nuBVcQ.pnghttps://virgool.ir/@datasoloukhttps://virgool.ir/@datasolouk/mlops-مراحل-و-فرایندها-بخش-اول-تعریف-و-لزوم-mlops-augnzjojh6zwدر این مقاله، و دو مقاله بعدی به شرح MLOPS، تفاوت آن با DevOps و ارتباط آن با یادگیری ماشین پرداخته می شود.گام های علم داده برای یادگیری ماشینیکی از عوامل مهمی که موجب مطرح شدن MLOPS در فناوری های جدید شده است، پیچیدگی ها و چالش های حول یک کد یادگیری ماشین است. برخی از چالش ها و پیچیدگی های ارائه مدل در محیط عملیاتی و در انجام پیش بینی برخط، در شکل زیر نشان داده شده است (گوگل – مقاله 2014). همانطور که در شکل دیده می شود، تنها بخش کوچکی از سیستم های واقعی یادگیری ماشین، کد یادگیری ماشین هستند. زیرساخت حول این سیستم ها عظیم و پییچیده است. به طوری که نرم افزارهای پیرامون یک کد ML باید نیازمندی های زیر را در مراحل مخلتف توسعه و استقرار براورده کنند:پیکربندیخودکارسازیجمع آوری دادهتصدیق (Verify) دادهتست و دیباگمدیریت منابعآنالیز مدلمدیریت متاداده و فرایندهامدیریت زیرساختمانیتورینگ و غیره.دانشمندان داده طی گام های ساخت و استقرار مدل یادگیری ماشین با این نیازها و پیچیدگی های آن مواجه می شوند. در واقع، در هر پروژه یادگیری ماشین، بعد از اینکه usacase کسب و کاری مشخص شد و معیارهای موفقیت تعیین شد، فرایند ساخت و تحویل مدل به محیط عملیاتی آغاز می شود. در ادامه مقاله گام های فرایند مذکور به تشریح آمده است.صفحه ما در لینکدینصفحه ما در اینستاگرامکانال ما در تلگرامDataSoloukDataSoloukMon, 15 Mar 2021 13:45:43 +0330https://virgool.ir/@datasolouk/پلتفرم-های-هوش-مصنوعی-در-جهان-jg1ctzayhp78فناوری هوش مصنوعی که به واسطه روباتیک و دستگاه­ های خودکار، پردازش زبان طبیعی، عامل­ های مجازی، یادگیری ماشین و بسیاری دیگر از فناوری ­ها عملیاتی می ­شود، به عنوان دانشی قلمداد می ­شود که قوعد بازی کسب ­وکار را از طریق بهبود تولید، پایین آوردن قیمت­ ها، ایجاد شغل و فرصت­ های رشد تغییر خواهد داد. از آنجا که پس از سال 2030 دامنه آثار هوش مصنوعی هم در حوزه اقتصاد و هم در اجتماع افزایش چشم­گیری خواهد یافت، صنایع مختلف بایستی راهبردها و سرمایه­ گذاری ­های هدفمندی برای ایجاد سکوی پرتاب به سوی آینده فراهم آورده باشند. طبق آمار و ارقام ارائه شده توسط Statista تا سال 2019، که در شکل زیر قابل مشاهده است، سرمایه­ گذاری­ های هنگفتی در بخش ­ها و حوزه ­های مختلف این فناوری صورت گرفته است.موسسه تحقیقاتی گارتنر در گزارش اخیر خود با عنوان چارک­ های جادویی در پلتفرم‌های یادگیری ماشین و علم داده به بررسی این پلتفرم­ ها پرداخته است. گزارشی که نتایج آن بسیار متفاوت از گزارش سال قبل می باشد. در شکل زیر چارک جادویی گارتنر در سال 2020 که نمایش ­دهنده برترین پلتفرم ­های یادگیری ماشین در آن سال و تغییر جایگاه هر یک آنها نسبت به سال قبل می ­باشد، آمده است.در شکل فوق، هر یک از 4 جایگاه(چارک) داری مفهوم و معنی و معیارهای خاص خود می باشد که تعریف هر یک در ادامه آمده است.پیشتازها(Leaders): پرچمدارانی هستند که هم نیازهای امروز مشتری را برآورده می کنند و هم برای آینده، خود را آماده کرده اند. در این بررسی پلتفرم‌های Alteryx ،Dataiku، Databricks ،MathWorks ،SAS و TIBCO پیشتاز بازار می باشند.مدعیان(Challengers): این گروه که نیاز امروز مشتری را به خوبی درک کرده و رضایت آنها را به دست آورده­ اند، ممکن است جهت آتی حرکت بازار را به درستی تشخیص ندهند و از قافله پیشرفت، عقب بمانند. «مدعیان شرکت هایی هستند که در حال حاضر توانایی اجرایی بالایی دارند و یا بر بخش عمده بازار مسلط هستند ولی نشانه ای که مشخص سازد سمت و سوی بازار را درک کرده اند، ندارند.» پلتفرم IBM در اینجا به عنوان یک مدعی شناخته شده است.آینده ­نگرها(Visonaries): این گروه، برخلاف گروه دوم، جهت حرکت بازار و نیاز آتی مشتری را درک کرده ­اند اما در حال حاضر، ممکن است استفاده از آنها کمی با ریسک همراه باشد. «آینده ­نگرها شرکت هایی هستند که درک کرده ­اند که بازار در حال تغییر است و چشم اندازی برای تغییر نقش خود در بازار دارند ولی در اجرا توانایی لازم را ندارند.» بر اساس بررسی گارتنر، پلتفرم ­های  DataRobot، Domino، Google، H2O، KNIME، Microsoft و RapidMiner در چارک آینده ­نگر ها قرار گرفته ­اند.بازیگران گوشه ای (Niche Players): این گروه، به عنوان ضعیف ­ترین گروه، نه بازار بزرگی را در دست دارند و نه جهت­ گیری آینده بازار را ممکن است به درستی درک کنند اما پتانسیل رشد و پیشرفت را دارند. «بازیگران گوشه ای، یا به تعبیری فرصت­ طلب، شرکت­ هایی هستند که با موفقیت روی بخش کوچکی از بازار تمرکز کرده­ اند و اجرای بهتری در آن بخش نسبت به بقیه دارند. این دسته از شرکت ­ها در هر دو زمینه تکمیل چشم ­انداز و توانایی اجرا امتیاز کمتری نسبت به دیگران کسب کرده ­اند و عموما شرکت ­های تازه ­وارد به بازار هستند» پلتفرم ­های Anaconda و (Altair (former DataWatch/Angoss نیز در این چارک قرار دارند.در ادامه مقاله 5 مورد از پلتفرم های فوق معرفی شده است.صفحه ما در لینکدینصفحه ما در اینستاگرامکانال ما در تلگرامDataSoloukDataSoloukSun, 28 Feb 2021 16:05:58 +0330https://virgool.ir/@datasolouk/پلتفرم-علم-داده-و-یادگیری-ماشینهوش-مصنوعی-چیست-rskhg1hwdovbچالش ­های زیادی در مراحل مختلف ساخت و به کار گیری مدل های یادگیری ماشین وجود دارند و تا به امروز ابزارهای مختلفی برای رفع برخی از این چالش ها ارائه شده ­اند. ولی استفاده از ابزارهای مجزا (سیلو شده و جدا جدا) در ساخت مدل، موجب آسیب پذیری آن می شود و لازم است تیم­ های علوم داده از یک پلتفرم یکپارچه استفاده کنند که امکان مشاهده تمامی عملیات، تمام منابع داده و محیط های عملیاتی از یک محل را فراهم می نماید.یک پلتفرم می تواند دسترسی بلادرنگ به داده و مدل ها را به صورت یکپارچه مهیا کند. با انجام MLOps توسط یک پلتفرم، می توان اطمینان یافت که ساختاردهی داده، کد و مدل­ ها به­ گونه ­ای است که در محیط عملیاتی به خوبی  عمل می ­کنند. پلتفرم باید جریان­ های کاری منعطفی ایجاد کند که بتوانند به راحتی مانیتور و مدیریت شوند. همچنین باید از ساختار مایکروسرویسی استفاده کرده و لذا بتوانند به راحتی تغییر مقیاس دهند. شناسایی زودهنگام و pro-active انحرافات مدل ­ها در پلتفرم، امکان طراحی عملکردهای تصحیح­ کننده را فراهم می سازد. به پلتفرم هایی که چنین قابلیتی را برای ساخت و استقرار مدل های فراهم می­ کنند، پلتفرم های «علوم داده و یادگیری ماشین (DSML)» یا «پلتفرم­ های هوش مصنوعی» گفته می شود. یک پلتفرم DSML به دانشمندان داده در بهبود کارایی تسک­ های مرتبط با تمام مراحل پایپ لاین­ های تحلیل و پایپ لاین­ های داده کمک می­ کند. این تسک­ ها عبارتند از:دسترسی به داده و وارد کردن آن به سیستمآماده سازی دادهبررسی تعاملی و مصورسازی دادهمهندسی فیچرهامدل­ سازی پیشرفتهتستآموزشاستقرارو مهندسی کاراییباید به این نکته دقت کرد که یادگیری ماشین هسته توانمندساز هوش مصنوعی است ولی تمام آن نیست. در واقع یادگیری ماشین روی خلق و آموزش مدل­ ها متمرکز است ولی هوش مصنوعی از مدل­ ها برای استنتاج نتایج در شرایط خاص استفاده می­ کند. به عنوان مثال یک ماشین خودران قابلیت­ های یادگیری ماشین را دارد ولی هوش مصنوعی در این نوع ماشین­ ها فراتر از صرفا مدل­ های یادگیری ماشین است. لذا پلتفرم ­های DSML، که علاوه بر امکان ساخت مدل، امکان استقرار و استنتاج را فراهم می­ کنند با نام پلتفرم­ های هوش مصنوعی نیز شناخته می­ شوند.برخلاف تصور کنونی، یک پلتفرم هوش مصنوعی راه­ حل ­هایی برای یک کسب­ و کار خاص ارائه نمی ­دهد و روی یک نوع تحلیل خاص متمرکز نیست. بلکه می تواند نیازمندی­ های ارائه انواع تحلیل ­ها برای صنایع مختلف را فراهم کند، و در عین حال ممکن است راه حل­ های مبتنی بر هوش مصنوعی pre-packaged برای صنایع نیز ارائه دهد.مقایسه پلتفرم داده با پلتفرم یادگیری ماشینمحصولات تجاری و متن­ باز زیادی در حوزه پلتفرم­ های هوش مصنوعی وجود دارند که از فریم­ورک­ هایی مانند متلب، تا پلتفرم­ های عظیمی مانند پلتفرم هوش مصنوعی گوگل، آمازون و IBM را در بر می ­گیرند. در ادامه مقاله ویژگی ­هایی که یک پلتفرم هوش مصنوعی یا پلتفرم DSML ارائه می ­دهد به تشریح آمده است.صفحه ما در لینکدینصفحه ما در اینستاگرامکانال ما در تلگرامDataSoloukDataSoloukThu, 11 Feb 2021 04:02:40 +0330https://virgool.ir/@datasolouk/اکوسیستم-هوش-مصنوعی-ایران-بخش-اول-شرکت-های-داده-کاوی-tvqtgm16z5usاطلس هوش مصنوعی ایران (بخش اول؛ معرفی شرکت های داده کاوری) شرکت های ایرانی و فعال در زمینه هوش مصنوعی عمدتا در دهه اخیر تاسیس گردیده اند. برخی از آنها نیز که سابقه بیشتری دارند با تغییر مدل کسب کار به فعالیت در اکوسیستم هوش مصنوعی روی آورده اند. با توجه به نبود گزارشی جامع از شرکت ها و فعالان این حوزه، تیم تحقیقاتی استارتاپ سلوک بر آن شد تا با پژوهش های میدانی خود فهرست اولیه ای از بیش از 100 شرکت هوش مصنوعی را به همراه معرفی اجمالی و نیز راه ارتباطی با ایشان، در اختیار علاقمندان به این فناوری قرار دهد. در این مطلب به نخستین بخش زیربنایی از اکوسیستم هوش مصنوعی کشور یعنی معرفی شرکت های فعال در حوزه داده کاوی پرداخته شده است و سایر بخش ها نیز در آینده نزدیک منتشر می گردد.تقسیم بندی فعالان حوزه هوش مصنوعی در ایرانبا توجه به شناخت قبلی اعضای پژوهشی تیم استارتاپ سلوک و نیز پژوهش های میدانی و تکمیلی ایشان در نیمه دوم سال 1399، تا کنون 19 شرکت فعال در بخش داده کاوی شناسایی شده است که در ادامه به معرفی اجمالی هر یک پرداخته می شود. از کلیه علاقمندان و کاربران گرامی خواهشمند است، در صورت اطلاعات تکمیلی تیم پژوهشی ما را در تکمیل پروفایل این بخش و نیز هر یک از شرکت های نامبرده یاری رسانید.جهت آشنایی اجمالی با هر یک از شرکت های موجود در اطلس فوق اینجا کلیک نمائید.صفحه ما در اینستاگرامصفحه ما در لینکدینکانال ما در تلگرامDataSoloukDataSoloukMon, 08 Feb 2021 23:02:41 +0330