امروزه روز یک حوزه دانشی میان‌رشته‌ای بر سر زبان‌ها افتاده به نام computational social science  که عمدتا به «علوم اجتماعی محاسباتی» ترجمه شده است. اما آیا «محاسباتی» ترجمه درستی برای صفت «computational» است؟ ادعای نگارنده بر این است که ترجمه صحیح computational کلمه «رایانشی» است و «محاسباتی» ترجمه‌ای غلط است که هم انحراف مفهومی ایجاد می‌کند و هم به این حوزه دانشی جدید اشاره نمی‌کند چرا که محاسبه مربوط به تکنیکی است که از پیش مورد استفاده محققین اجتماعی بوده و اشاره به حوزه دانشی جدیدی ندارد.

موضوع از این قرار است که کلمه محاسبه معادل کلمه calculation است و ما بین calculation و computation تفاوت مفهومی مهمی وجود دارد. اگر بپذیریم که متداولا محاسبه را برای calculation ترجمه می‌کنیم و ما بین calculation و computation تفاوت مفهومی وجود دارد بهتر است برای computation از واژه دیگری استفاده کنیم. این واژه دیگر همان رایانش است که پیش از این نیز مورد استفاده قرار گرفته است.

به لحاظ ریشه‌شناختی کلمه calculation به معنی شمردن است و از ریشه لاتین calculus به معنی سنگ کوچک برگرفته شده است. این فعل اشاره به این دارد که در زمان‌های قدیم رومیان برای انجام اعمال حسابی با قرار دادن سنگ‌های کوچک بر یک تخته آن‌ها را شمارش می‌کردند. در سوی دیگر کلمه computation از ترکیب com- و putare ساخته شده است. کلمه putare خود به معانی متفاوتی از جمله هرس کردن، شمردن، قضاوت کردن و یا گونه‌هایی از عملیات‌های شناختی است. com- نیز پیشوندی است که بر «با هم» بودن دلالت دارد.

اما فارغ از تفاوت ریشه‌شناختی به لحاظ مفهومی در علم ریاضیات تفاوتی مهم‌تر در میان است. آن چه در تعریف این دو مفهوم آمده است به این صورت است:

می‌خواهیم قدری عمیق شویم و عنصر اساسی تفاوت میان computation و calculation را درک کنیم. آن چه از این تعاریف برمی‌آید این است که computation علاوه بر محاسبات عددی با چیز جدیدی در ارتباط است و آن الگوریتم است. الگوریتم یک رویه یا دستورالعمل گام به گام خوش تعریف است که انسان یا کامپیوتر می‌توانند آن را دنبال کنند و به اتمام برسانند (و البته شاید در یک حلقه ناتمام گیر بیفتند!). اما در الگوریتم چه چیزی هست که آن را از محاسبات عددی متمایز می‌کند؟ عملیات‌های منطقی.

بگذارید یک گام به عقب برویم. همان طور که همه شنیده‌ایم دنیای کامپیوترها دنیای صفر و یک هاست. همه چیز در آن جا یا صفر است یا یک. یا هست یا نیست. همانند دنیای منطق. یا درست است یا غلط است. این جا پیوندی بین زبان کامپیوتر و منطق صوری شکل می‌گیرد و به کامپیوترها کمک می‌کند تا الگوریتم ها را اجرا کنند. عملیات‌های منطقی عملیات‌هایی هستند بر روی گزاره‌های منطقی که یا درست اند یا غلط، یا ۱ اند یا ۰ انجام می‌شوند و در نهایت یک گزاره منطقی جدید تولید می‌کنند و به عبارت دیگر خروجی ۱ یا ۰ می‌دهند. همان طور که محاسبات عددی این کار را با اعداد انجام می‌دهند عملیات‌های منطقی این کار را با ظرف های ۰ و ۱ یا Boolean ها انجام می‌دهند. به همین خاطر به جبر حاصل از این عملیات‌های منطقی جبر بولی هم می‌گویند. عملگرهایی مثل OR, AND, NOR, XOR و سایر عملگرهای منطقی بین ۰ و ۱ ها می‌نشینند و گزاره‌های جدیدی می‌سازند.

عملیات‌های منطقی چیزی هستند که امکان ایجاد الگوریتم را فراهم می‌کنند. این عملیات‌ها می‌توانند یک مسیر الگوریتمی ایجاد کنند که متفاوت از محاسبه سرراست عددی است. در نتیجه آن شرط‌ها و حلقه‌ها پدید می‌آیند. این عنصر اساسی ایجاد الگوریتم‌هاست که ما را از دنیای محاسبات عددی وارد دنیای الگوریتم و کامپیوتر می‌کند.

بنابراین computation ترکیبی از عملگرهای منطقی و عددی است که به ما امکان برنامه‌سازی کامپیوتری و اجرای دستورهای الگوریتمی را می‌دهد. اما calculation صرفا عملیات‌های حسابی هستند. این همان تفاوت ما بین کامپیوتر (رایانه) با ماشین حساب است.

تاکید بر این تفاوت، یک دقت مفهومی صرف نیست، بلکه آشکارکننده نقطه متمایزکننده این حوزه بین رشته‌ای است از آن چه از پیش در اختیار علوم اجتماعی بوده است. دانش ریاضیات حسابی در سال‌های اخیر توسعه خاصی نداشته است. محاسبات پیش از این به صورت محاسبات آماری در اختیار علوم اجتماعی بوده است و کاربردهای زیادی داشته و کمک‌های شایانی به کشف و استنباط روابط علی میان پدیده‌های اجتماعی می‌کرده است. اما پیشرفت جدید که در پدید آمدن این شاخه میان‌رشته‌ای به وجود آمده است ناشی از به کار گیری توان الگوریتمی و متدهایی است که فراتر از محاسبات و در واقع به کمک رایانش امکان پاسخ به پرسش‌های تحقیق جدیدی را فراهم کرده است.

البته این گونه نباید تلقی شود که کاربرد کامپیوتر یا الگوریتم‌های کامپیوتری پدیده‌ای کاملا جدید و همزاد با ظهور CSS است. کما این که نرم افزارهای پراستفاده آماری از جمله spss، amos، lisrel، stata و … در واقع عملیات‌های الگوریتمی انجام می‌داده‌اند و محققان اجتماعی از آن‌ها استفاده می‌کرده‌اند. این که چرا با وجود کاربردهای قدیمی صفت رایانشی امروزه به این حوزه دانشی جدید اطلاق شده و چه شرایطی در تاریخ توسعه علوم اجتماعی و علوم کامپیوتر این دو را با این نام بهم متصل کرده خارج از حوصله این متن است. به یک اشاره کوتاه صرفا می‌توان گفت که تحولات اخیر در حوزه داده اعم از تولید داده در فضای وب، افزایش قدرت حجم ذخیره‌سازی داده، افزایش قدرت پردازشی و توسعه الگوریتم‌های داده‌کاوی، بستر شکل‌گیری فضای میان‌رشته‌ای جدیدی را فراهم کرده است که قدرت پاسخ‌گویی و تبیین‌کنندگی جدیدی را برای علوم اجتماعی فراهم کرده است که تا پیش از این وجود نداشت و این حوزه مرهون پیشرفت‌های اخیر داده‌ای و رایانشی است. از این بگذریم، اما آن چه مورد ادعای این متن است این است که computational بودن چیزی فراتر از محاسباتی بودن است و البته رایانش‌های جدید به لحاظ عمق پردازشی بسیار پیچیده‌تر و عمیق‌تر از کاربردهای قدیمی الگوریتم‌های کامپیوتری در علوم اجتماعی است.

هر چند کلمه رایانه به عنوان معادل computer مورد اقبال فارسی‌زبانان قرار نگرفته و کاربرد محدودی دارد، اما مشتقات آن در اصطلاحات پرکاربرد دیگری به فراوانی مورد استفاده قرار گرفته است. زبان‌شناسی رایانشی معادل computational linguistics اصطلاحی جا افتاده است که به عنوان یکی از زیرشاخه‌های رشته زبان‌شناسی در رشته‌های وزارت علوم ثبت شده است. اصطلاح رایانش ابری که معادل cloud computing است اصطلاحی متداول است که به پردازش‌های همزمان ماشین‌های سکوهای ابری اشاره دارد. اصطلاحات دیگری از جمله تفکر رایانشی (computational thinking)،‌ معماری رایانشی و قرآن‌کاوی رایانشی در فضای وب فارسی به فراوانی قابل مشاهده است.

متاسفانه در سال‌های اخیر، به علت بی‌توجهی به این دقت مفهومی در ترجمه‌های مختلف، عناوین کنفرانس‌های مختلف و حتی در تعریف دروس دانشگاهی از صفت محاسباتی به جای رایانشی استفاده شده است که می‌تواند منجر به عدم شکل‌گیری ذهنیت مشترک علمی ما بین متخصصان این حوزه شود و اهمیت تحول دانشی این حوزه و نقطه‌ای که این تحول ایجاده شده است، درک نشود. این موضوع جایی نگران‌کننده‌تر می‌شود که می‌بینیم به علت ضعف دانش فنی در میان عالمان اجتماعی، تحلیل‌های ساده و ابتدایی به جای حوزه تحقیقاتی علوم اجتماعی رایانشی نشسته است و به صرف تکرار چند کلیدواژه تخصصی، عمق تحقیق‌ها و پرسش‌هایی که در این حوزه می‌شد به آن پرداخت، تبدیل به گزاره‌های ابتدایی شده است.

[1] Straightforward

The post علوم اجتماعی محاسباتی یا علوم اجتماعی رایانشی؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مستند را با زیرنویس فارسی مدرسه دقیقه می‌توانید اینجا ببینید:

در مورد مستند

محتوای این مستند شامل مصاحبه‌هایی کلیدی با شخص گیدو فان روسوم، و دیگر بازیگران اصلی در مسیر توسعه و اجتماع پایتون است. از جمله افراد برجسته حاضر در مستند می‌توان به لمبرت میرتنز (که بر توسعه ABC نظارت داشت و نام Python را پیشنهاد کرد)، بری ورشو، درو هیستون (یکی از بنیان‌گذاران دراپ‌باکس که از پایتون در مراحل اولیه استفاده کرد)، و ماریاتا (از اولین توسعه‌دهندگان زن اصلی پایتون) اشاره کرد. این روایت، چگونگی رشد پایتون از یک پروژه جانبی در CWI به یک حرکت جهانی متن‌باز را دنبال می‌کند؛ حرکتی که با توزیع اولیه از طریق Usenet و سپس از طریق کانال‌های ایمیلی و FTP در دهه‌ی ۱۹۹۰ آغاز شد.

این مستند نشان می‌دهد که چگونه پایتون به دلیل خوانایی بالا و سازگاری با نیازهای جامعه علمی و مهندسی، به سرعت رشد کرد. این زبان به بستری حیاتی برای ظهور «علم داده» تبدیل شد. تلاش‌های شرکت‌هایی مانند Continuum Analytics (که بعدها به Anaconda تغییر نام داد) نقش مهمی در این موفقیت ایفا کرد؛ زیرا آن‌ها توزیعی از پایتون را ایجاد کردند که نصب ماژول‌های پیچیده علمی مانند NumPy و Pandas (که معمولاً توسط کدهای C++ یا Fortran پشتیبانی می‌شوند) را ساده‌سازی کرد. این توزیع Anaconda به یک استاندارد غیررسمی برای کاربران علم داده پایتون تبدیل شد. در حال حاضر، پایتون برای هوش مصنوعی و یادگیری ماشین (AI/ML) بسیار مهم تلقی می‌شود و دارای اکوسیستمی با قرن‌ها زمان مهندسی صرف شده در کتابخانه‌هایی مانند SciPy، NumPy، Numba، و Pandas است.

بخش قابل توجهی از مستند به فرهنگ و حاکمیت جامعه پایتون اختصاص دارد. پایتون حس شوخ‌طبعی و جامعه‌محوری خود را از نامش (با تأثیر از مانتی پایتون) و اصول فکری «ذن پایتون» (Zen of Python) که تیم پیترز آن را به شعر درآورد، گرفت. گیدو فان روسوم به عنوان «دیکتاتور خیرخواه مادام‌العمر» (BDFL)، نقش تصمیم‌گیرنده نهایی را در پذیرش یا رد ایده‌های جدید از طریق فرآیند PEP (Python Enhancement Proposal) ایفا می‌کرد. مستند به طور کامل به چالش‌های عظیم گذار از پایتون ۲ به پایتون ۳ که یک دهه به طول انجامید، می‌پردازد. این تصمیم که برخی آن را «از بالا به پایین» تلقی کردند، و تغییرات ساختاری بزرگی مانند مدیریت Unicode/Strings، در ابتدا با مقاومت جامعه‌ای مواجه شد که پایگاه‌های کد عظیمی را بر روی Python 2 داشت. در نهایت، معرفی ویژگی‌های جدید در نسخه‌های ۳.۴ و ۳.۵ و نیاز به امنیت (پس از توقف پشتیبانی از ۲.۷) مسیر پذیرش جهانی پایتون ۳ را هموار کرد. همچنین، مستند به عملگر والروس یا PEP 572 اشاره می‌کند که به دلیل بحث‌های شدید در مورد تغییر سینتکس زبان، منجر به استعفای گیدو فان روسوم از مقام BDFL شد. این واقعه، نقطه عطفی بود که حاکمیت پایتون را به سمت شورای راهبری (Steering Council) پنج نفره تغییر داد.

تلاش‌های جامعه برای افزایش تنوع، از جمله افزایش حضور زنان در کنفرانس‌های PyCon و نقش سازمان‌هایی مانند PyLadies، بخش دیگری از مستند است. این اقدامات، الهام گرفته از تلاش آگاهانه گیدو برای جذب حداقل دو توسعه‌دهنده زن اصلی بود. در پی این فراخوان، ماریاتا به عنوان یکی از اولین زنان توسعه‌دهنده اصلی پایتون معرفی شد. در نهایت، مستند تأکید می‌کند که پایتون توانسته است برنامه‌نویسی را برای افراد بیشتری در دسترس قرار دهد و علی‌رغم قدمت، همچنان یک زبان پویا و مرتبط در آینده محاسبات باقی خواهد ماند.

همچنین می‌توانید مستند را در یوتیوب CultRepo ببینید.

The post مستند «پایتون؛ داستان پیدایش» +زیرنویس فارسی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

المپیاد ریاضی یکی از قدیمی‌ترین رقابت‌های حاضر در میان علاقه‌مندان جوان ریاضیات در دنیاست. این مسابقه از سال ۱۹۵۹ میلادی (۱۳۳۸ شمسی) تاکنون، همه ساله بین بهترین دانش‌آموزان کشورهای جهان برگزار می‌شود. آزمون المپیاد شامل شش مسئله دشوار در موضوعات جبر، هندسه، ترکیبیات و تئوری اعداد است و حل آن‌ها به ساعت‌ها فکر کردن متمرکز نیاز دارد. سوالات این آزمون همیشه جدید است و غالبا توسط برجسته‌ترین ریاضی‌دانان جهان مثل برندگان مدال فیلدز طرح می‌شود تا هیچ شرکت‌کننده‌ای با مشاهده نمونه‌ای نزدیک به سوالات آزمون از امتیازی نسبت به سایر شرکت‌کنندگان برخوردار نباشد. اما در آخرین آزمون بین‌المللی المپیاد ریاضی در سال ۲۰۲۴ یک اتفاق کاملا جدید افتاد و توجه بسیاری را به خود جلب کرد. در آخرین المپیاد ریاضی، یک مدل هوش مصنوعی موفق شده امتیازی معادل مدال نقره مسابقه را کسب کند.

در این آزمون ابتدا هر شش سوال به زبان ریاضی درآمده و به این صورت وارد سیستم‌های آلفاپروف[۱] و آلفاجیومتریِ[۲] گوگل شد‌اند تا تلاش برای حل آن‌ها آغاز شود. سیستم گوگل موفق شده تا از شش سوال، یک سوال را در چند دقیقه ابتدایی حل کند، حل سه سوال دیگر سه روز طول کشیده و دو سوال در نهایت بدون راه حل باقی مانده است (زمان آزمون ۴.۵ ساعت است). تلاش این دو سیستم گوگل در نهایت به کسب امتیاز ۲۸ از ۴۲ و رتبه ۵۹ از ۶۰۹ نفر شرکت‌کننده شده است (۲۹ کمترین امتیاز برای کسب مدال طلا بوده است)[۳].

توانایی استدلال ریاضی در این سطح، یک قابلیت جدید هوش مصنوعی است که نسخه‌های قبلی آن‌ را نداشته‌اند. این قابلیت‌ سبب شده چشم‌انداز تازه‌ای برای حل مسائل باز و بغرنج علوم توسط هوش مصنوعی در آینده ایجاد شود. چه چیزی سبب پیدایش قابلیت‌های تازه در نسل‌های جدید مدل‌های هوش مصنوعی می‌شود؟

در سال‌های اخیر، هوش مصنوعی به لطف مدل‌های زبانی بزرگ (LLMs) تحولات عظیمی را تجربه کرده است. این مدل‌ها که چت‌جی‌پی‌تی و لاما نمونه‌هایی از آن‌ها هستند، به صورت بی‌سابقه‌ای توانایی‌هایی شبیه استدلال منطقی، حل مسائل ریاضی و حتی سطوحی از خلاقیت در نوشتن را نشان داده‌اند. این توانایی‌ها چگونه ظهور کرده‌اند؟ چه چیزی باعث می‌شود ویژگی‌های جدیدی در این مدل‌ها پدیدار شود؟

اغلب مدل‌های هوش مصنوعی جدید مثل مدل‌های زبانی بزرگ با تکیه بر شبکه‌های عصبی عمیق  کار می‌کنند. در این مدل‌ها، بزرگی شبکه مدل یا به عبارت دقیق‌تر تعداد یال‌ها، (پارامترهای قابل تنظیم) به عنوان معیاری برای انعطاف و پیچیدگی مدل در نظر گرفته می‌شود. برای مثال، مدل جی‌پی‌تی۳ دارای ۱۷۵ میلیارد پارامتر است که هنگام مدلسازی باید مقدار آن‌ها با به کارگیری یک سخت‌افزار بزرگ تعیین شود، در حالی که نسخه‌های اولیه این مدل‌ها تنها میلیون‌ها یا چند میلیارد پارامتر بیشتر نداشتند.

مشاهده این روند افزایشی این ایده را به ذهن متبادر می‌کند که با افزایش تعداد پارامترها، نه تنها توانایی و دقت مدل در تولید متن بهبود می‌یابد، بلکه قابلیت‌های غیرمنتظره‌ و جدیدی مثل خلاقیت و استدلال نیز ظاهر می‌شوند.

به عنوان مثال در حالی که جی‌پی‌تی۲ با ۱.۵ میلیارد پارامتر قابلیتی فراتر از تولید متن‌های روان نداشت و جی‌پی‌تی۳ با۱۷۵  میلیارد پارامتر قابلیت‌های جدیدی مثل ترجمه، خلاصه‌سازی، کدنویسی و درک برخی از مسائل منطقی پیدا کرده بود، جی‌پی‌تی۴ با بیش از یک تریلیون پارامتر از آنچه در حوزه پردازش زبان‌های طبیعی تصور شده بود، فراتر رفت و توانایی‌های جدیدتری مثل درک تصاویر و حل مسائل ترکیبی بروز داد[۴].

پیدایش قابلیت‌های جدید در هوش مصنوعی در سال‌های اخیر مورد توجه زیادی قرار گرفته است، چراکه این تصور به وجود آمده که با تامین سخت‌افزاری و صرف انرژیِ بیشتر و آموزش مدل‌های بزرگ‌تر، توانایی‌های تازه و پیش‌بینی‌ناپذیری پدید می‌آیند[۵]. این قابلیت‌ها هم از جهت امکانات و هم از جهت مخاطراتی که ایجاد می‌کنند مورد توجه قرار گرفته‌اند.

آنچه باعث این تصور شده در واقع این است که این توانایی‌ها را نمی‌توان در مدل‌های کوچک‌تر – حتی اگر همان داده‌ها را آموزش داده باشند – مشاهده کرد. شرکت اوپن‌اِی‌آی در یکی از مطالعات خود مدعی شده برخی از توانایی‌های منطقی تنها زمانی ظاهر می‌شوند که مدل به حد مشخصی از تعداد پارامترها برسد. برای مثال، توانایی حل مسائل جبری در مدل‌هایی با کمتر از ۱۰ میلیارد پارامتر دیده نمی‌شد، اما با افزایش مقیاس، این توانایی به صورت ناگهانی و شگفت‌انگیز ظاهر شد[۶].

این مشاهده تا حدی شبیه به ایده پیدایش ویژگی‌های جدید[۷] در مطالعات سیستم‌های پیچیده[۸] است. منظور از پدیدار شدن ویژگی‌های جدید، ویژگی‌هایی است که با نگاه به اجزای تشکیل دهنده سیستم قابل مشاهده نباشد و مشاهده آن را احتمالا باید به تعاملات پیچیده بین نورون‌ها در شبکه عصبی مصنوعی مدل نسبت داد[۹]. در شبکه‌های عصبی، افزایش پارامترها به معنای افزایش تعداد ارتباطات ممکن بین نورون‌ها است. این تعاملات در مقیاس بزرگ به مدل اجازه می‌دهد تا الگوهای پیچیده‌تری را شناسایی کند که در مقیاس‌های کوچک‌تر دست‌نیافتنی هستند. اگر یک ویژگی با تعداد مشخصی از پارامترها محقق شود، آیا با افزایش تعداد پارامترهای بیشتر می‌توان به ویژگی‌های مهم‌تری دست یافت؟ آیا محدودیتی وجود دارد؟

به نظر می‌رسد سرمایه‌گذاران این حوزه نیز با همین تصور به گردآوری خوشه‌های بزرگ‌تری از پردازنده‌ها روی آورده‌اند و به همین دلیل نیز هر بار ابعاد مدل و اندازه پردازنده‌ها در خبرها مورد توجه قرار می‌گیرد[۱۰].   

البته این رویکرد در میان پژوهشگران هوش مصنوعی منتقدانی نیز دارند. آن‌ها معتقدند افزایش مقیاس و بروز قابلیت‌های جدید نمی‌تواند به صورت نامحدود ادامه یابد و بحث‌های زیادی در این مورد وجود دارد. ظهور قابلیت‌های جدید با افزایش پارامترها یک امر تضمین‌شده نیست و باید محدودیت‌های آن را مورد بحث قرار داد[۱۱]. بعضی از این توانایی‌ها ممکن است به داده‌های آموزشی خاص مثل یادگیری اطلاعات زمینه[۱۲] یا ساختار معماری متفاوتی نیاز داشته باشند. آن‌ها مدعی‌اند ایده ظهور بی‌پایان توانایی‌های جدید با افزایش اندازه مدل ممکن است اغراق‌آمیز و نامرتبط باشد و اظهار نظر در این مورد بررسی‌های دقیق‌ و جامع‌تری دارد[۱۳].

به نظر شما مهم‌ترین عامل بروز قابلیت‌های جدید در مدل‌های زبانی بزرگ‌، آموزش مدل‌هایی با تعداد پارامتر بیشتر است یا می‌توان از عوامل دیگری نیز به عنوان نقاط بروز قابلیت‌های جدید در این مدل‌ها یاد کرد؟ محدودیت‌های زبانی چیست؟

ادامه دارد ...

پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ با پایتون

RegEx, NLP, ML & LLM with Python

اطلاعات بیشتر

دوره آموزشی

ارجاع و پانویس

[1] AlphaProof

[2] AlphaGeometry

[3] AI achieves silver-medal standard solving International Mathematical Olympiad problems, Google DeepMind, AlphaProof and AlphaGeometry teams 25 July 2024 (+)

[4] Pathways Language Model (PaLM): Scaling to 540 Billion Parameters for Breakthrough Performance, Google Search April 4, 2022 (+)

[5] Emergent Abilities of Large Language Models, assembly AI, Mar 7, 2023 (+)

[6] Scaling Laws for Neural Language Models, Cornell University 23 Jan 2020 (+)

[7] Emergent Properties, Stanford Encyclopedia of Philosophy (+)

[8] Complex Systems

[9] Emergent Abilities in Large Language Models: An Explainer, Georgetown University April 16, 2024 (+)

[10] Elon Musk starts training ‘world’s most powerful AI’, Times of India, Jul 23, 2024 (+)

[11] Beyond the Imitation Game: Quantifying and extrapolating the capabilities of language models, University of Notre Dame (+)

[12] In-Context Learning

[13] Are Emergent Abilities of Large Language Models a Mirage? Stanford University 2023 (+)

The post قابلیت‌های جدید هوش مصنوعی از کجا می‌آیند؟ آیا محدودیتی وجود دارد؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

این متن خلاصه‌ای ویرایش شده از  مقاله‌ی اخیر هاروارد دیتاساینس ریویو است که با عنوان  «گفتگوی متخصصان علوم داده درباره خطرات و فرصت‌های هوش مصنوعی» منتشر شده است.این نشریه،  وبیناری مجازی در مورد خطرات و مزایای سیستم‌های هوش مصنوعی با حضور متخصصان این حوزه،  دیوید بنکس (متخصص آمار و دبیر وبینار)، ژرارد دو ملو (استاد علوم داده و هوش مصنوعی)، سام (شینوی) گونگ (متخصص داده)، یونگچان کوان (استاد آمار در دانشگاه کلمبیا)  و سینتیا رودین (متخصص داده) برگزار کرده و نتایج آن را در قالب یک مقاله، در شماره سوم از سری ششم آن منتشر کرده است.

مزایا و خطرات هوش مصنوعی؛ یک بررسی دقیق

تحولات سریع هوش مصنوعی نه تنها فرصت‌های بزرگی را به همراه دارد، بلکه چالش‌های پیچیده‌ای را نیز به وجود آورده است. در ادامه متن مزایا و خطراتی که هوش مصنوعی پیش‌روی جامعه می‌گذارد آورده شده است؛

مزایا

• پیشرفت علم

مشخص‌ترین ویژگی هوش مصنوعی که هیچ شکی در آن نیست، تحول انقلابی در حوزه‌های علمی است و  پیشرفت‌های بزرگی در زمینه‌هایی مانند علم مواد، پزشکی، فیزیک، شیمی و زیست‌شناسی به ارمغان بیاورد. برای مثال می‌توان به هوش مصنوعی AlphaFold اشاره کرد؛ پیش از این شناسایی ساختار پروتئین‌ها بسیار سخت بود و AlphaFold توانسته دستاوردهای بزرگی در پیش‌بینی ساختار پروتئین‌ها داشته باشد و این پیشرفت نویدبخش کشف داروهای جدید و اثربخش و درک بهتر بیماری‌هاست.

• بهبود آموزش

هوش مصنوعی این توانایی را دارد که تجربه آموزشی را شخصی‌سازی کند و آموزش را برای دانش‌آموزان و معلمان کارآمدتر و مؤثرتر کند. ابزارهایی مانند ChatGPT می‌توانند به دانش‌آموزان در حل مشکلات، مانند کمک به حل مسائل و دیباگ کردن کدها، خدمات فوری و همیشه در دسترس ارائه کنند و در نتیجه وقت معلمان برای بهبود روش‌های تدریس و توجه به دانش‌آموزان بیشتر آزاد شود.

• پیشرفت در مراقبت‌های بهداشتی

در حوزه بهداشت و درمان، پیشرفت‌های امیدوارکننده‌ای در زمینه‌هایی مانند پزشکی، تشخیص بیماری‌ها و توسعه داروها به همراه داشته و دارد. الگوریتم‌های هوش مصنوعی می‌توانند داده‌های بزرگ پزشکی را تجزیه و تحلیل کرده و الگوها و نشانه‌های بالقوه‌ای را که ممکن است توسط پزشکان انسانی نادیده گرفته شوند، شناسایی کنند و به این ترتیب منجر به تشخیص‌های دقیق‌تر و زودتر شوند.

• افزایش بهره‌وری و راحتی

اتوماسیون مبتنی بر هوش مصنوعی می‌تواند وظایف را ساده کند و باعث افزایش چشم‌گیر بهره‌وری و راحتی در صنایع مختلف شود. از دستیاران شخصی مبتنی بر هوش مصنوعی که برنامه‌ریزی‌ها و قرارها را مدیریت می‌کنند تا مرکز امور مشتریان خودکار که پرسش‌ها را به‌طور مؤثر پاسخ می‌دهند، این فناوری می‌تواند زمان و منابع انسانی را برای فعالیت‌های پیچیده و خلاقانه‌تر آزاد کند. خودروهای خودران نیز که در آینده به طور کامل عملیاتی خواهند شد، پتانسیل آن را دارند که حمل‌ونقل را ایمن‌تر و کارآمدتر کنند.

• دسترسی و فراگیری

هوش مصنوعی می‌تواند موانع ارتباطی را از بین ببرد یا آنها را تسهیل کند؛ به افراد دارای ناتوانی کمک کند و راه‌های جدیدی برای بیان خلاقانه ایجاد کند. به عنوان مثال، هوش مصنوعی می‌تواند ترجمه زنده زبان را تسهیل کند و ارتباطات بین زبان‌های مختلف را آسان‌تر کند. فناوری‌های کمکی مبتنی بر هوش مصنوعی می‌توانند با ارائه حمایت‌های شخصی‌سازی‌شده، زندگی افراد دارای ناتوانی را بهبود بخشند.

• رشد اقتصادی

در حالی که نگرانی‌های منطقی در مورد از دست دادن شغل‌ها وجود دارد، نظراتی هم هست که افزایش بهره‌وری توسط هوش مصنوعی پتانسیل رشد اقتصادی را دارد و می‌تواند راه را برای مدل‌های اقتصادی جایگزین مانند درآمد پایه همگانی (UBI) هموار کند. ایده این است که با به‌عهده گرفتن بخش بزرگ‌تری از کارها توسط هوش مصنوعی، جوامع می‌توانند ثروت بیشتری تولید کنند و امکان اجرای UBI را فراهم کنند تا همه از این پیشرفت‌ها بهره‌مند شوند.

خطرات

• اطلاعات نادرست و گمراه‌کننده

توانایی هوش مصنوعی در تولید و انتشار اطلاعات نادرست در مقیاس بی‌سابقه، یک خطر جدی به‌شمار می‌رود. این قابلیت می‌تواند برای دستکاری افکار عمومی، ایجاد ناآرامی‌های اجتماعی و حتی دامن زدن به درگیری‌های بین‌المللی مورد استفاده قرار گیرد. می‌توان به مواردی مانند گسترش اخبار جعلی در رسانه‌های اجتماعی و استفاده از تکنیک‌های deepfake اشاره کرد که باعث تفرقه و بی‌اعتمادی می‌شود.

• تعصب و نابرابری اجتماعی

نگرانی عمده دیگر این است که سیستم‌های هوش مصنوعی ممکن است تعصبات اجتماعی موجود در داده‌هایی که روی آن‌ها آموزش دیده‌اند را به ارث ببرند و حتی تقویت کنند. این مسئله در حوزه‌های حساس مانند استخدام، مراقبت‌های بهداشتی و نظارت بر محتوا بسیار نگران‌کننده است، جایی که الگوریتم‌های متعصب می‌توانند نتایج ناعادلانه یا تبعیض‌آمیز ایجاد کنند. برای مثال، اگر یک سیستم استخدام مبتنی بر هوش مصنوعی با داده‌هایی آموزش دیده باشد که تعصب جنسیتی در برخی مشاغل را نشان می‌دهد، ممکن است، ناعادلانه نسبت به زنان داوطلب رأی دهد. 

• نقض حریم خصوصی

استفاده گسترده از فناوری‌هایی مانند تشخیص چهره و جمع‌آوری داده‌های بیومتریک باعث نگرانی‌های جدی در مورد نقض حریم خصوصی شده است. این فناوری‌ها می‌توانند برای نظارت گسترده، پروفایل‌سازی غیرمجاز و اشکال دیگر از تجاوز به آزادی‌های فردی استفاده شوند.می‌توان به مواردی اشاره مانند فناوری تشخیص چهره نادرستی که منجر به دستگیری‌های اشتباه شده اشاره کرد.

• از دست دادن شغل و نابرابری اقتصادی

خطر قابل توجه جایگزینی کارگران توسط اتوماسیون مبتنی بر هوش مصنوعی در بخش‌های مختلف است که ممکن است منجر به از دست دادن شغل‌های گسترده و تشدید نابرابری اقتصادی شود. این نگرانی نه تنها شامل رانندگان کامیون یا تاکسی می‌شود، بلکه به حوزه‌هایی مانند نویسندگی، هنر و خدمات مشتری نیز گسترش یافته است که هوش مصنوعی در آن‌ها نیز مهارت بیشتری از خود نشان می‌دهد.

• اتکای بیش از حد و از دست دادن کنترل

با پیچیده‌تر و خودمختارتر شدن سیستم‌های هوش مصنوعی، خطر اتکای بیش از حد به خروجی‌های آن‌ها بدون درک یا نظارت کافی وجود دارد. این امر می‌تواند منجر به عدم شفافیت در فرآیندهای تصمیم‌گیری شود و مشکلاتی در تعیین مسئولیت به وجود آورد.

• نابودی خلاقیت

در حالی که هوش مصنوعی می‌تواند در وظایف خلاقانه کمک کند، خطر این وجود دارد که خروجی‌های آن یکسان و فاقد تنوع و اصالت باشند. این مسئله در تولید تصاویر و متون توسط هوش مصنوعی مشهود است که اگر چه فنی هستند اما اغلب تکراری به نظر می‌رسند.

• هوش مصنوعی در جنگ

توسعه سیستم‌های تسلیحاتی مبتنی بر هوش مصنوعی نگرانی‌های اخلاقی جدی ایجاد می‌کند. اسلحه‌های خودمختار که قادر به تصمیم‌گیری در مورد زندگی و مرگ بدون دخالت انسان هستند، خطرات بزرگی به همراه دارند.

• چالش‌های مربوط به قانون‌گذاری

سرعت سریع پیشرفت هوش مصنوعی چالشی بزرگ برای قانون‌گذاران است. تعیین میزان مناسب قانون‌گذاری، یافتن توازن بین ایمنی و پیشرفت و حل مسائل مربوط به مسئولیت و پاسخگویی همچنان چالش‌های مهمی هستند که به راه‌حل‌های دقیق و انعطاف‌پذیر نیاز دارند.

خوب چه کار کنیم؟

متخصصان مهمان وبینار معتقدند که برای بهره بردن از مزایای هوش مصنوعی مستلزم یافتن راه‌ها و انجام اقداماتی برای کاهش فعالانه مضرات بالقوه آن هستیم؛

مقررات

• دامنه فعالیت: متخصصان بر لزوم نظارت دولتی، به‌ویژه در حوزه‌های پرخطر مانند جنگ‌افزارها، خودروهای خودران، و پایگاه‌های داده بزرگ بیومتریک تأکید دارند. این شامل در نظر گرفتن مقررات برای بازارهای داده است که در آن داده‌های شخصی بدون رضایت صریح یا جبران مناسب خرید و فروش می‌شوند.

• الزامات شفافیت: الزام به برچسب‌گذاری واضح محتوای تولید شده توسط هوش مصنوعی.
• قوانین کپی‌رایت: به‌روزرسانی قوانین کپی‌رایت برای محافظت از آثاری که مدل‌های هوش مصنوعی از آن‌ها برای تولید محتوای جدید استفاده می‌کند.
• اجرای قوانین انحصارزدایی: استفاده از قوانین موجود برای جلوگیری از سوء‌استفاده از سوی تعداد محدودی از سیستم‌های هوش مصنوعی که بازارها و داده‌ها را تحت کنترل دارند.

البته برای نظارت بر حوزه‌ای مانند هوش مصنوعی که به‌سرعت در حال تحول است، چالش‌های زیادی وجود دارد و نیازمند همگامی آن با پیشرفت‌های جدید و تضمین انعطاف‌پذیری مقررات در این حوزه است.

شفافیت و تفسیرپذیری

• پرداختن به مسئله جعبه سیاه هوش مصنوعی: سیستم‌های هوش مصنوعی که فرآیند تصمیم‌گیری در آن‌ها نامشخص است، ارزیابی مسئولیت‌پذیری، اطمینان از انصاف، و ایجاد اعتماد را دشوار می‌کنند.
• تشویق به تفسیرپذیری: متخصصان از توسعه مدل‌های هوش مصنوعی قابل تفسیر حمایت می‌کنند که انسان‌ها بتوانند منطق پشت تصمیمات آن‌ها را درک کنند.
• شناخت فرآیندهای آموزش: مقررات می‌تواند نیاز به شناخت جزئیات فرآیندهای آموزش مدل‌های هوش مصنوعی، شامل داده‌های استفاده‌شده، منابع آن‌ها، معماری مدل و پارامترهای بهینه‌سازی را الزامی کند.

دستورالعمل‌ها و کدهای اخلاقی

• توجه پیشگیرانه: متخصصان بر توسعه و اجرای مداوم دستورالعمل‌های اخلاقی در تمام مراحل توسعه و استفاده از هوش مصنوعی تأکید دارند.
• همسویی و انصاف: تمرکز اصلی باید بر اطمینان از همسویی هوش مصنوعی با ارزش‌های انسانی و کاهش تعصبات باشد.  
• تعریف معیارهای انصاف: این شامل تعیین تعاریف روشن و مورد توافق از انصاف در هوش مصنوعی است، با در نظر گرفتن این که ممکن است تعاریف مختلفی وجود داشته باشد و نیاز به مصالحه باشد.
• مقابله با تعصبات الگوریتمی: سیستم‌های هوش مصنوعی باید طوری طراحی و آموزش داده شوند که از تقویت تعصبات اجتماعی موجود جلوگیری کنند و به‌ویژه در حوزه‌هایی مانند استخدام، مراقبت‌های بهداشتی و نظارت بر محتوا آن را به حداقل برسانند.
• انصاف متقابل: در نظارت بر محتوا، این به معنای اجرای قوانین به‌صورت یکسان برای همه گروه‌ها است. برای مثال، اگر یک پلتفرم، پستی را برای گفتن «گروه X بیماری Y را گسترش می‌دهد» حذف کند، باید به طور مشابه پست‌های مشابهی را هم که گروه‌های دیگر را هدف قرار می‌دهند حذف کند.

همکاری:

• رویکرد چندرشته‌ای: متخصصان تأکید دارند که برای مدیریت موفقیت‌آمیز چالش‌های اخلاقی، اجتماعی و اقتصادی هوش مصنوعی، همکاری بین ذینفعان ضروری است، از جمله:  
  • متخصصان علوم داده: با ارائه تخصص فنی، توسعه مدل‌های شفاف‌تر و قابل تفسیرتر و کمک به اندازه‌گیری و کاهش تعصبات هوش مصنوعی.
  • سیاست‌گذاران: با ایجاد و اجرای چارچوب‌های نظارتی مؤثر برای توسعه و استقرار هوش مصنوعی.
  • اخلاق‌دانان: با هدایت توسعه و استفاده اخلاقی از هوش مصنوعی و اطمینان از همسویی آن با ارزش‌های انسانی.
  • عموم مردم: با مشارکت در بحث‌های آگاهانه درباره تأثیرات هوش مصنوعی و کمک به توسعه شیوه‌های مسئولانه در این حوزه.

اقدامات پیشگیرانه، از جمله مقررات، شفافیت، دستورالعمل‌های اخلاقی و همکاری تمامی ذی‌نفعان، برای کاهش خطرات هوش مصنوعی و بهره‌برداری کامل از پتانسیل آن به نفع جامعه ضروری است.

جمع‌بندی

 پیشرفت سریع هوش مصنوعی، آینده‌‌های متفاوتی را می‌تواند برای ما رقم بزند. از یک سو، این فناوری پتانسیل چشمگیری برای پیشرفت علمی و رشد اقتصادی دارد، اما از سوی دیگر، بدون اقدامات پیشگیرانه مناسب می‌تواند به تشدید نابرابری‌ها، نقض حریم خصوصی و سوءاستفاده‌های مخرب بینجامد. سرعت بی‌سابقه توسعه هوش مصنوعی، نیازمند اقدام فوری برای تنظیم مقررات و دستورالعمل‌های اخلاقی است، زیرا تعلل می‌تواند پیامدهای جبران‌ناپذیری به همراه داشته باشد.

حل چالش‌های هوش مصنوعی نیازمند همکاری گسترده میان متخصصان حوزه‌های مختلف، از متخصصان علوم داده گرفته تا اخلاق‌دانان و سیاست‌گذاران است. شفافیت در عملکرد سیستم‌ها، مقابله با تعصبات موجود در داده‌ها، و اطمینان از مسئولیت‌پذیری، ضروریاتی هستند که باید مورد توجه قرار گیرند. با اتخاذ رویکردی پیشگیرانه و اولویت دادن به ملاحظات اخلاقی، می‌توانیم از قدرت تحول‌آفرین هوش مصنوعی به نفع کل بشریت بهره ببریم.

این یادداشت یک پیام مشخص دارد: همگام با بهره‌گیری از توانایی‌های هوش مصنوعی، باید مراقب خطرات آن نیز باشیم و با هوشیاری برای ایجاد چارچوب‌های لازم جهت استفاده مسئولانه از این فناوری تلاش کنیم.

The post هوش مصنوعی؛ خیر یا شر؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

The post ایجاد انگیزه و افزایش مشارکت در یادگیری علوم داده appeared first on مدرسه پردازش و تحلیل داده دقیقه.

The post جادی؛ معلم فناوری و مدافع اینترنت آزاد appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مجله بررسی‌های کسب‌وکار دانشگاه هاروارد (Harvard Business Review) [1] مجموعه‌ای دارد به نام «10 مقاله‌ای که باید در HBR خواند» [2] که در آن ده عنوان از بهترین مقالات خود را در حوزه‌های مختلف مدیریت گزینش و در قالب یک کتابچه منتشر می‌کند. اما مجله در گزینش مقالات خود به این مقدار نیز بسنده نمی‌کند و هر چند سال ده مقاله را هم از این گزیده‌ها انتخاب می‌کند و در کتابچه مستقلی از همین مجموعه با عنوان «مقاله‌های ضروری‌» [3] با این شعار به چاپ می‌رساند: اگر هیچ مقاله دیگری از مجله ما نخوانده‌اید، این 10 مقاله را از تاثیرگذارترین نویسندگان ما بخوانید.

در این کتابچه آخر مقاله‌ مفصلی با عنوان «تحلیل داده به عنوان مزیت رقابتی» نوشته توماس دِیوِنپورت وجود دارد. او سابقه فعالیت‌ در دانشگاه‌های MIT و اکسفورد و مدرسه کسب‌وکار بابسون را دارد [4] .

دیونپورت این مقاله را با استدلالی ساده، اما مهم و تعیین‌کننده شروع می‌کند:

«اگر بخواهید کسب و کار خود را صرفاً با تکیه بر ویژگی‌های محصول خود با دیگران متمایز کنید راه به جایی نخواهید برد. رقبا هم به منابعی که شما دسترسی دارید دسترسی دارند و ویژگی‌هایی شبیه به ویژگی‌های محصول شما را توسعه می‌دهند.»

چگونه تحلیل داده‌ را به مزیت رقابتی خود بدل کنیم؟

دیونپورت چاره کار را در ایجاد مزیت رقابتی مبتنی بر «بهره‌برداریِ تحلیلی از داده‌ها» معرفی می‌کند. منظور او از این کار گردآوری و تحلیل داده از منابع گوناگون از جمله تمامی فعل و انفعالاتی که در فرایندهای کسب‌وکار اتفاق می‌افتد و خلق ارزش با استفاده از آن‌ها است. او معتقد است برای ایجاد تمایز با دیگران باید بهره‌برداریِ تحلیلی از داده‌ها (Analytics) را به عنوان بخشی جدایی‌ناپذیر از استراتژی رقابتی خود تعریف کنید.

مقاله سپس با ارائه دستورالعملی به مدیران برای به کارگیری تحلیل داده به عنوان مزیت رقابتی در سازمان و کسب‌وکارشان ادامه پیدا می‌کند:

حمایت از تحلیل داده در بالاترین سطوح

تغییراتی که نیروی کار در لایه‌های مختلف سازمان انجام می‌دهند تا تحلیل داده در آن ریشه بدواند و به خلق ارزش منجر شود را به رسمیت بشناسید و تشویق کنید. برای این کار شما لازم خواهید داشت دانش خود را در ارتباط با روش‌های پردازش و تحلیل داده‌های کمّی ارتقا دهید.

برای بهره‌برداری از داده‌ها نقشه‌ای کلی و جامع داشه باشید

علاوه بر طرح کلی، یک نفر را نیز در جریان تمامی فعالیت‌های مرتبط با داده در سازمان قرار دهید تا راهبری کلی آن‌ها را از ابزارها گرفته تا روش‌ها به عهده بگیرد و ارتباط اجزا و یکپارچگی زیرساختِ داده در سازمان تضمین شود.

انرژی سازمان را متمرکز و اولویت‌بندی‌شده صرف کنید

نیروی انسانی مختصص و سایر منابع خود را به سمت اولویت‌هایی که در استراتژی رقابتی خود تعریف کرده‌اید، کانالیزه کنید و در آن راستا به کار بگیرید. مثلا ممکن است در استراتژی اصلی هر یک از موضوعات وفاداری مشتریان، کیفیت پشتیبانی و ارائه خدمت به مشتریان، قیمت، تبلیغ و ارائه طرح‌های تخفیفی از اولویت بیشتری نسبت به موضوعات دیگر برخوردار باشند که این اولویت‌بندی باید از ابتدا در به کارگیری توان تحلیلی سازمان نیز لحاظ شود. 

بسیاری از سازمان‌ها در نهادینه کردن تحلیل داده به عنوان یک مزیت اساسی شکست می‌خورند چون انرژی خود را روی اولویت‌های دست‌چندم تلف می‌کنند.

فرهنگ تحلیل داده را در سازمان خود گسترش دهید

سعی کنید در لایه‌های مختلف سازمان اهمیت فرایندهای مرتبط با بهره‌برداری از داده‌ها را از اندازه‌گیری و ثبت گرفته تا آزمون و ارزیابی شواهد کمّی آشکار کنید و نوعی احترام را نسبت به آن‌ها بربیانگیزید تا ناچیز شمرده‌ نشوند. از نیروی انسانی بخواهید تصمیماتش را روی واقعیت‌های مسلم و خدشه‌ناپذیری که از همین داده‌ها استخراج می‌شود استوار کند. عملکرد سازمان را از همین طریق تحلیل کنید و برای رسیدن به اهداف تعیین‌شده آن پاداش تعیین کنید.

بسیاری از سازمان‌ها در ایجاد مزیت تحلیل داده شکست می‌خورند چون تحلیل داده را جزیره‌ای به کار می‌گیرند و ترویج آن را در سازمان در دستور کار خود قرار نمی‌دهند.

افراد درستی را برای بهره‌برداری از داده‌ها به کار بگیرید

 بازار کار تحلیل داده جذابیت زیاده پیدا کرده و تقاضا برای مشاغل آن زیاد است. افرادی را به کار بگیرید که علاوه بر اشراف فنی بر پردازش و تحلیل داده بتوانند مفاهیم پیچیده را با بیانی ساده بازگو کنند و ارتباطی موثر و مولد با تصمیم‌گیرندگان برقرار کنند. پیدا کردن چنین افرادی ساده نخواهد بود، برای همین سعی کنید همیشه حتی در زمان‌هایی که موقعیت شغلی را ایجاد نکرده‌اید دنبال آن‌ها بگردید.

از فناوری‌های درست استفاده کنید

 از فناوری‌هایی استفاده کنید که نیازهای متنوع شما را پوشش دهد، امکان توسعه و یکپارچه‌سازی داشته باشد، توسعه‌دهنده آن در بازار کار وجود داشته باشد و در طول زمان کارایی خود را از دست ندهد.

کاربردهای تحلیل داده

مقاله سپس نمونه‌های زیادی را از کسب‌وکارها در صنایع گوناگون روایت و طبقه‌بندی می‌کنند که موفق شده‌اند تحلیل داده را به عنوان یک مزیت اساسی در سطوح مختلف کسب‌وکار خود به خدمت درآورند. مقاله مثال‌های خود را در دسته‌های زیر طبقه‌بندی و تشریح می‌کند:

• زنجیره تامین: شبیه‌سازی و بهینه‌سازی فرایندهای جاری در زنجیره تامین و کاهش موجودی و زمان‌های فقدان آن
• شناسایی مشتری‌، وفاداری، خدمات: پیدا کردن مشتری‌هایی که بیشترین پتانسیل سودآوری را دارند و تلاش برای افزایش احتمال خرید و ارتقای وفاداری آن‌ها
• قیمت‌گذاری: شناسایی قیمت‌هایی که بیشترین فروش و بالاترین سود را ایجاد کند
• سرمایه‌های انسانی: انتخاب بهترین و مناسب‌ترین افراد برای هر یک از فعالیت‌ها و به وجود آوردن نظام‌های پاداش مبتنی بر عملکرد
• کیفیت محصولات و خدمات: تشخیص زودهنگام مشکلات احتمالی در کیفیت محصولات و خدمات و رفع سریع آن‌ها
• عملکرد مالی: درک عمیق‌تر عوامل موثر بر عملکرد مالی به ویژه عوامل غیرمالی
• تحقیق و توسعه: ارتقای کیفیت، کارآمدی، بهره‌وری، کاربرد و امنیت محصولات و خدمات

این مقاله نخستین در سال 2006 در مجله بررسی‌های کسب‌وکار دانشگاه هاروارد منتشر شد، سپس در سال 2010 در گزیده 10 مقاله ضروری این مجله بازنشر شد. در این زمان بازار کار علوم داده تقریبا تازه رشد چشمگیر خود را آغاز کرده بود. از آن زمان چیزهای زیادی تغییر کرده است، با این حال صورت‌بندی مقاله هنوز گیرا و آموزنده است. شکست‌هایی که به دلیل عدم نگاه استراتژیک به تحلیل داده در به کارگیری موثر به آن در سال‌های گذشته در سازمان‌ها اتفاق افتاده از جمله مواردی است که ارزش این مقاله را بیشتر از گذشته آشکار می‌کند. متن کامل آن را می‌توانید در لینک زیر مطالعه کنید:

Competing on Analytics by Thomas H. Davenport

Some companies have built their very businesses on their ability to collect, analyze, and act on data. Every company can learn from what these firms do

HBR's Link

پاورقی و ارجاع

 

[1] hbr.org

[2] HBR’s 10 Must Reads (+)

[3] HBR’S 10 Must Reads: The Essentials (+)

[4] tomdavenport.com/about

The post تحلیل داده‌ به عنوان مزیت رقابتی استراتژیک در کسب‌وکار appeared first on مدرسه پردازش و تحلیل داده دقیقه.

The post چهارچوب اکتشاف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

The post پرواز با ارتفاع مناسب appeared first on مدرسه پردازش و تحلیل داده دقیقه.