ستساعدك المقالة التالية: بحوث العمليات: فرع علوم البيانات الذي لا يتم منحه الأولوية في كثير من الأحيان
مع التبني السريع للذكاء الاصطناعي عبر المجالات ، لا يوجد سوى عدد قليل من المجالات التي لا تعد التكنولوجيا جزءًا منها. ومن المثير للاهتمام أن دور الذكاء الاصطناعي وعلم البيانات في مجال معين – بحوث العمليات – غامض للغاية. هناك تصور شائع هو أن أبحاث العمليات (OR) ليست مفيدة لعلوم البيانات ؛ علاوة على ذلك ، فإن التداخل بين علم البيانات و OR يساء فهمه.
ينبع هذا المفهوم الخاطئ بشكل أساسي من تسويق منتجات وخدمات غرفة العمليات التي يتم تطبيقها في العالم الحقيقي – في كثير من الأحيان ، لا يفهم المستخدمون النهائيون مصطلحات OR وعلم البيانات. سبب آخر هو أن نماذج التعلم الآلي المتاحة بسهولة متاحة كحزم للعديد من الأنظمة الأساسية مثل Python ولا تحتوي بالفعل على نماذج OR محددة.
ومع ذلك ، في الواقع ، تنطبق مشاكل OR على الذكاء الاصطناعي وعلوم البيانات. في الواقع ، تم تلقيح الكثير من الأفكار في مجال الذكاء الاصطناعي وحل مشكلات علوم البيانات من OR بسبب التداخل الكبير في التقنيات والأساليب المستخدمة.
تحدث عن نفس الشيء راجيف راجان ، نائب مساعد مساعد ، علوم البيانات ، Genpact ، في حدث MLDS 2022.
بحوث العمليات والتعلم الآلي
يعد البحث التشغيلي جزءًا أساسيًا من دورة حياة التعلم الآلي الشاملة. إنه مفيد بشكل خاص عندما يتعلق الأمر بمشاكل العمل التي تتطلب تحسين المعلمات. بعض أمثلة OR هي:
- تمكين الإدارة الذكية للقوى العاملة من خلال التنبؤ بمتطلبات الموارد وتحسين الجدول اليومي للموارد
- زيادة نسبة مشاهدة البرامج التلفزيونية عن طريق الجدولة المثلى لترويج البرامج
- تمكين تحويل سلسلة التوريد من خلال تقديم توصيات قائمة على الذكاء الاصطناعي / التعلم الآلي من أجل الاستخدام الأمثل للمنتج
- إمكانية التنبؤ بالذكاء الاصطناعي لتطبيقات البيع بالتجزئة والتجارة الإلكترونية لتحسين مسار التحويل وحركة مرور العملاء
- تمكين التحسين المستند إلى البيانات لإدارة المستودعات الآلية والتفتيش ومراقبة الجودة
يجب أن نفكر في الذكاء الاصطناعي وعلم البيانات وبحوث العمليات على أنها ثلاث قطع مختلفة. ومع ذلك ، حتى في التعلم الآلي ، هناك نوع من التحسين ، صحيح ، هناك نوع من النمذجة الرياضية يجري ، ونحن بحاجة إلى تقدير المعلمة بشكل صحيح. كدليل ML أو عالم بيانات ، لا ينبغي للمرء أن يعتقد أن مشكلة بحث العمليات الأساسية خارج نطاق اختصاصه. إذا تخطيت هذه الخطوة ، فقد لا تحقق الرضا الكامل الذي كان من المفترض أن تحصل عليه من تقديم حلول ML أو حلول الذكاء الاصطناعي الخاصة للعملاء ” ، يوضح راجان.
شرح راجان أبحاث العمليات ودورها في مخطط التعلم الآلي الشامل من خلال الكثير من الأمثلة. كانت إحدى حالات الاستخدام هذه تتعلق بزيادة نسبة مشاهدة البرامج التلفزيونية. التحدي هنا ، كما أوضح راجان ، هو تطبيق تقنيات التعلم الآلي لمنع خسارة الإيرادات. لوحظت هذه الخسارة في الإيرادات كنتيجة لانخفاض نسبة المشاهدة بسبب الجدولة دون المستوى الأمثل للعروض الترويجية بين البرامج.
تحقيقًا لهذه الغاية ، يقترح راجان حلاً حيث يقوم المرء بجمع البيانات وتنفيذ البرمجة ذات الأعداد الصحيحة المختلطة في Python باستخدام Gurobi solver لإنشاء جدول ترويج مثالي. ينتج عن هذا زيادة بنسبة 4.5 في المائة في الإيرادات بسبب زيادة نسبة المشاهدة للعروض التي يتم الترويج لها.
تتكون دورة حياة تطوير الذكاء الاصطناعي من الخطوات التالية:
- انطلاق برنامج AIDLC: تتضمن هذه الخطوة تحديد المشكلة المطلوب حلها.
- التفكير والتقييم: هذه الخطوة تتعلق بفهم الوضع الحالي وبالتالي تحديد نطاق العمل.
- تطوير نموذج ML: هنا ، تم تطوير واختبار حل التعلم الآلي.
- تُعطى مخرجات ML كمدخلات OR: هنا ، تُستخدم تقنيات OR لتقديم توصيات بناءً على مخرجات نموذج ML. هذه خطوة حاسمة لدورة الحياة بأكملها.
- الخطوة النهائية: أخيرًا ، يتم تسليم ناتج الحل إلى العميل.
تغليف
وفقًا لراجان ، فيما يلي بعض الملاحظات حول دمج OR في مبادرة الذكاء الاصطناعي:
- لا يُنظر دائمًا إلى علم البيانات و OR على أنهما مرتبطان ارتباطًا وثيقًا. توظف معظم الشركات التي تدير الذكاء الاصطناعي والتحليلات المتقدمة فرقًا متعددة التخصصات تغطي كليهما.
- تُستخدم تقنيات علم البيانات الهجينة وعلوم البيانات بشكل فعال في نشر الحلول الشاملة.
- عندما يكون الهدف النهائي للعملاء هو أتمتة عملية صنع القرار ، يشار إلى المنتجات باسم AI بدلاً من OR.
- سيساعد استخدام أدوات وتقنيات OR داخل تطبيقات الذكاء الاصطناعي في نشر عمليات تكامل الذكاء الاصطناعي على نطاق واسع.
- يعد تطوير OR كمجموعة مهارات جزءًا مهمًا من مبادرة فعالة للذكاء الاصطناعي.
