یکی از دلایل اهمیت Data Science کابرد آن در صنایع مختلف است از جمله: نفت و گاز، اتومبیل، مالی، بانک، بیمه، تجارت الکترونیک، سلامت، پزشکی، حمل و نقل و … .
دیتاساینس فرصتی را برای ما فراهم کرده است که بتوانیم مسئله‌ها را اصطلاحا مبتنی بر داده‌ها حل کنیم و منتج به یک سری پاسخ هایی شود؛ پاسخ هایی که میتواند کاهش ریسک برای ما داشته باشد، کاهش هزینه ایجاد کند، افزایش درآمدی ایجاد کند و به هر صورتی خلق ارزش افزوده داشته باشد.
می‌توان گفت هر جا که داده‌ای وجود داشته باشد Data Science می تواند آنجا خلق ارزش کند.
می‌توان گفت هر جا که داده‌ای وجود داشته باشد Data Science می تواند آنجا خلق ارزش کند. از طرفی می دانیم که در دنیای دیجیتال امروزه حجم گسترده‌ای از دیتا به طور مداوم ثبت می‌شود که این اهمیت و جایگاه Data Science را افزایش می‌دهد.
به طور مثال در حوزه تحلیل رفتار مشتریان، استفاده از Data Science در حدی که بتواند تعامل با مشتریان را برای سازمان بهینه‌سازی کند، میتواند جریان درآمدی را بیش از 50 درصد افزایش دهد.
در حوزه‌های عملیاتی، در صنعت و لایه‌های مختلف دیگر توانسته هزینه های تولید را بیش از 34 درصد کاهش دهد. در حوزه مدیریت ریسک توانسته بیش از 46 درصد افزایش سودآوری ایجاد کند.
کاربردهای علم داده در دنیای امروزی:
نمونه 1: رانندگی خودکار
اشتباه نیست اگر بگوییم که خودروهای خودران توسط Data Scientist ها رانده می‌شوند. چرا که در این خودروها سنسورهای مختلف، دوربین‌ها و سایر دیوایس‌هایی تعبیه شده که دیتاها را به صورت لحظه‌ای ثبت می‌کنند و Data Scientist ها بر اساس این دیتاها، مدل‌هایی را توسعه داده‌اند مثل “مدل تشخیص اشیا” که بتواند عابر پیاده، درخت، خودروهای دیگر و حتی مواردی که روتین نیست را تشخیص بدهد.
پس از تشخیص اشیا لازم است که “مدل پیش‌بینی رفتار” داشته باشیم که بر اساس آن بتوانیم رفتار اشیای شناخته شده را برای چند ثانیه بعد پیش‌بینی کنیم. مدل دیگری که توسط Data Scientistها عملی شده “مدل طراحی مسیر/قوانین رانندگی” است یعنی به جای آن که قوانین رانندگی را به خودرو آموزش دهیم، رفتار رانندگی انسان‌‌ها را به عنوان یک داده ورودی به خودرو بدهیم تا خودرو یاد بگیرد که یک انسان در شرایط نرمال و در شرایط مختلف به چه شکلی تصمیم‌گیری می‌کند و این تصمیمات را به عنوان الگو در آن مدل‌هایی که توسعه داده می‌شود به عنوان قوانین رانندگی و انتخاب مسیرها استفاده می‌کنند.
نمونه 2: تحقیقات پزشکی و درمان
امروزه مدل‌های زیادی توسط Data Scientistها گسترش داده شده که “تشخیص بیماری، تشخیص ضایعه، تشخیص تومور و…” توسط این مدل‌ها انجام می‌شود و عموما نشان داده شده که دقت بالاتری نسبت به انسان دارد چون خسته نمی‌شود، خطای انسانی ندارد و … .
“مدل‌هایی برای طراحی دارو و اثربخشی درمان” توسعه داده شده که بتوانیم اثر داروها را بررسی کنیم تا سیستم‌های درمان اصلاح شده و کارایی بهتری داشته باشند. مثلا شرکت DeepMind توسط الگوریتم‌های پیچیده یادگیری عمیق در حوزه ماشین لرنینگ توانست یک مسئله 50ساله را حل کند و توانست مدل تاشدگی پروتئین‌ها را با دقت بیش از 99 درصد شبیه‌سازی کند! این دانش میتواند در طراحی داروها و مکانیسم اثربخشی آنها انقلابی ایجاد کند.
“دستیار پزشکی هوشمند” که بسیاری از افراد استفاده می‌کنند و این گجت‌ها دیتاهای زیادی را ثبت می‌کنند حتی زمانی که ما خواب هستیم. این دیتاها می‌توانند توسط مدل هایی که توسط Data Scientistها توسعه داده شده است آنالیز شود و به عنوان مثال اگر شرایط آنرمال بود به ما هشدار دهد و عملا ما یک بیمارستان کوچک را همیشه همراه خود داریم.
به عنوان مثال در پروژه تشخیص کووید-19 از روی CT Scan ریه در سامانه Daycher Medical که توسط تیم دایکه انجام شد با استفاده از روش‌ها و متدولوژی‌های Data Science ابزارهایی توسعه داده شد که ضایعه‌های ریوی و انواع آنها را شناسایی کند و بر اساس این مدل بتواند کووید-19 را از آنفلوآنزا تشخیص دهد.
سوالات:
1- کدام یک از موارد زیر از کاربردهای Data Science نیست؟
- الف) کاهش هزینه‌ها
- ب) افزایش درآمد
- ج) تولید محتوا
- د) کاهش ریسک
