پیش به سوی پلتفرم‌های نرم‌افزاری هوش مصنوعی
یکپارچگی دیتا: مساله یکپارچگی و ترکیب دیتا از آن دسته مسائلی است که دهه‌هاست در محاسبات و مدیریت دیتا وجود داشته است. در واقع یکی از پیش‌شرط‌های لازم و بسترهای ضروری برای توسعه یادگیری ماشینی و هوش مصنوعی عبارت است از فراهم بودن و در کنار هم قرار گرفتن حجم عظیمی از اطلاعات که از سه منبع تامین می‌‌‌شوند:
۱) سیستم‌های اطلاعات شرکتی شام ERP,CRM,SCADA,HR و MRP که هر کدام به طور معمول در شرکت‌های بزرگ شامل هزاران زیرسیستم می‌‌‌شوند.
۲) شبکه گسترده حسگرها و اینترنت اشیا شامل تراشه‌های SIM، مصرف‌سنج‌های هوشمند، دورسنجی ماشینی و بیوانفورماتیک.
۳) سایر اطلاعات و دیتای اضافی شامل وضعیت آب و هوایی، تصاویر ماهواره‌ای، رسانه‌های اجتماعی، بیومتریک، دیتای تجاری، قیمت‌گذاری، اطلاعات بازار و ... .
دسته‌بندی دیتا: دیتایی که در چنین سیستم‌هایی جمع‌آوری و پردازش می‌شود شامل انواع مختلفی از اطلاعات منظم و نامنظم می‌شود که طیف گسترده‌ای از فرمت‌‌‌ها را در بر میگیرد: از اطلاعات شخصی افراد و نتایج سرشماری گرفته تا دیتای متنی و تصاویر و ویدئوها و از اطلاعات برگرفته از حسگرها و دورسنج‌‌‌ها گرفته تا صدا و عکس‌های ماهواره‌ای. به هر حال برای استفاده بهینه و کامل از تمام این اطلاعات باید آنها را به درستی دسته‌بندی کرد و برای این کار می‌توان از تکنولوژی‌‌‌هایی مانند NoSQL بهره برد.
سرویس‌های پلتفرم: در هر اپلیکیشن هوش مصنوعی یا اینترنت اشیا به انبوهی از سرویس‌های پلتفرمی نیاز است که از جمله آنها می‌توان به کنترل دسترسی، رمزگذاری دیتا، ETL، خودکارسازی، احراز هویت، مجوز دسترسی، امنیت سایبری، نرمال‌سازی و محرمانگی دیتا اشاره کرد. بنابراین در زمان برنامه‌ریزی برای طراحی سرویس‌های پلتفرم برای شرکتتان باید برای تمام این سرویس‌‌‌ها برنامه‌ریزی جداگانه‌ای صورت پذیرد تا در نتیجه، محصول نهایی‌تان از کیفیت و کارآیی کافی برخوردار باشد و بتواند به تمام نیازهای فنی موجود در شرکتتان پاسخ دهد.
پردازش تحلیلها: حجم و سرعت دریافت دیتا در چنین سیستم‌هایی روز‌به‌روز در حال افزایش است و در نتیجه بر گوناگونی و تنوع دیتا و تحلیل‌‌‌هایی که روی آنها صورت میگیرد افزوده خواهد شد و این یعنی نیاز مبرم و فزاینده به انواع سرویس‌های پردازش تحلیلها که از جمله معروف‌ترین و کاربردی‌ترین آنها می‌توان به سرویس‌های پردازش دسته‌ای، پردازش تحلیلی پیوسته، پردازش جریانی و پردازش بازگشتی اشاره کرد.
سرویس‌های یادگیری ماشینی: این سیستم‌ها دانشمندان دیتا را قادر می‌‌‌سازند تا مدل‌های یادگیری ماشینی را به کار بگیرند و توسعه دهند. برای پیاده‌سازی این سیستم‌ها به ابزار خاصی نیاز است.
در این میان یکسری کتابخانه‌های ویژه یادگیری ماشینی مانند TensorFlow,Caffe,Torch, Amazon Mashine Learning و AzureML نیز وجود دارند که پلتفرم‌های شما باید آنها را پشتیبانی کنند.
ابزارهای تجسم دیتا: هر ساختار هوش مصنوعی قدرتمند و موثری به یکسری ابزارهای تجسم دیتا نیاز دارد که بهترین آنها شامل Excel,Tableau,Qlik,Spotfire,Oracle BI,Business Objects,Domo,Alteryx و BI می‌شود و در اینجا هم پلتفرم‌های شما باید آنها را به خوبی پوشش دهند.
چارچوب ارتباط با مشتری: سرویس‌‌‌ها و پلتفرم‌های شما همچنین باید با یکسری اپلیکیشن‌های ویژه ارتباط با کاربران و ارتقای روابط با مشتریان تطابق داشته باشند. معروف‌ترین این اپلیکیشن‌‌‌ها عبارتند از Eclipse IDE, Visual Studio, React, Angular, R Studio و Jupyter و چنانچه پلتفرم هوش مصنوعی شما با این ابزارها و سیستم‌ها همخوانی نداشته باشد چندان قابل استفاده نخواهد بود و احتمال رد شدنش توسط مشتریان افزایش خواهد یافت.
باز، توسعه‌پذیر و آینده‌نگر: امروزه به دلیل تحولات بسیار سریع و روند شتابان پیشرفت‌‌‌ها در زمینه سرویس‌های معرفی‌شده در بالا، به سختی می‌توان روند طراحی نرم‌افزارهای آینده و نوآوری‌‌‌ها در زمینه الگوریتمها را پیش‌بینی کرد. در واقع تمام الگوریتمها، نرم‌افزارها و تکنیک‌‌‌هایی که ما امروزه از آنها استفاده می‌‌‌کنیم به احتمال خیلی زیاد تا پنج سال آینده بلا‌استفاده و متروک خواهند شد و جای خود را به نسل‌های بعدی خواهند داد. بنابراین تمام سیستم‌ها و اپلیکیشن‌‌‌هایی که قصد طراحی و ساخت آنها را دارید باید از سه ویژگی باز بودن، توسعه‌پذیری و آینده‌نگری برخوردار باشند تا به این وسیله بتوانند برای مدت بیشتری (بین ۵ تا ۱۰ سال) در بازارهای متحول و پرشتاب آینده قابل استفاده باشند.
آماده باشید و‌گرنه از قافله عقب خواهید ماند: امروزه شاخص‌های مختلفی برای سنجش و رتبه‌بندی صنایع و شرکت‌های مختلف از نظر میزان استفاده از پلتفرم‌های نرم‌افزاری هوش مصنوعی وجود دارد از جمله Dell Digital Transformation Index یا MGI متعلق به موسسه تحقیقاتی مکنزی. هدف اصلی این شاخص‌‌‌ها عبارت است از مشخص کردن میزان شکاف موجود بین شرکت‌ها و صنایع از نظر دیجیتال شدن و همراهی‌شان با دگرگونی دیجیتالی. در مجموع می‌توان ادعا کرد که اگرچه تا یک دهه پیش عمق شکاف بین شرکت‌ها و صنایع دیجیتال‌شده با صنایع و شرکت‌های دیجیتال‌نشده بسیار عظیم و قابل‌توجه بود اما در دهه اخیر ما شاهد کمتر شدن عمق و گستردگی این شکاف و به هم نزدیک‌تر شدن شرکت‌ها و صنایع از نظر دیجیتالی شدن بوده‌ایم. علت اصلی این کم شدن شکاف دیجیتال هم به افزایش آگاهی شرکت‌ها و به‌خصوص مدیران عامل نسبت به مزایا و فواید ورود به حوزه دگرگونی دیجیتال و برداشتن گام‌های محکم در این زمینه مربوط می‌شود. در واقع مدیران عامل و اعضای هیات‌مدیره بسیاری از شرکت‌ها در جهان به این نتیجه رسیده‌‌‌اند که دگرگونی دیجیتال بسیار بزرگ‌تر و قدرتمندتر از آن است که بتوان نسبت به آن بی‌اعتنا بود یا اینکه آن را دست کم گرفت. براساس برآوردهای موسسه مکنزی، دیجیتالی شدن صنایع و کسب و کارها می‌تواند تا سال ۲۰۲۵ بیش از ۲/ ۲ تریلیون دلار به تولید ناخالص داخلی جهان اضافه کند. علاوه بر این مشخص شده که ارزش بازار ارائه مشاوره‌های مرتبط با دگرگونی دیجیتال در حال حاضر به ۲۳ میلیارد دلار بالغ می‌شود و این بازار را به یکی از بخش‌های بزرگ و پول‌ساز تبدیل کرده است.
ادامه دارد
