3 نمونه از کاربردهای علم داده در دنیای امروزی

کاربرد شماره1: رانندگی خودکار و علم داده 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. کاربرد شماره 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، 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. کاربرد شماره 3: خرده فروشی و تجارت الکترونیک (سرویس‌دهندگان B2C) شرکت‌هایی که با تعداد زیادی مشتری مواجه هستند برایشان بسیار مهم است که الگوهای رفتاری مشتریان را شناسایی کنند و بتوانند پیش‌بینی کنند که چه زمانی تعداد مشتری در کدام بخش ریزش می‌کند و بتوانند قیمت‌گذاری را بر اساس این مدل‌ها انجام دهند. یا بتوان کامنت‌های مشتریان نسبت به محصولات مختلف را توسط ماشین و به طور اتوماتیک پالایش کرد و جهت بازار را نسبت به برند و محصول خودمان بدانیم و بر اساس آن سیاستگذاری کرد.  به طور مثال شرکتی را در نظر بگیرید که فردی به عنوان رهگذر وارد شرکت می‌شود، خدماتی دریافت می‌کند و به عنوان “مشتری” از شرکت خارج می‌شود. این مشتری‌ها باز هم ممکن است به این شرکت وارد شده و از خدمات آن استفاده کنند و همچنان افراد جدیدی نیز به عنوان رهگذر وارد این چرخه می‌شوند. برخی مشتریان به این شرکت وفادار می‌مانند و طبیعتا برخی هم ریزش می‌کنند؛ این افراد ممکن است از خدمات شرکت شاکی یا ناراضی باشند و یا به دلایل دیگری مانند مزیت‌هایی که سایر رقبا ایجاد کرده‌اند از چرخه مشتریان این شرکت خارج شده و اصطلاحا برای این شرکت “مرده” محسوب می‌شوند. اگر بخواهیم این مسئله را از دیدگاه دیتاساینسی حل کنیم و مشتریان ریزشی را شناسایی کنیم، کافی است یک ابزار مانیتورینگ را در این چرخه قرار دهیم و داده‌های رفتار مشتریان که در طول زمان ثبت می‌شوند را به عنوان داده ورودی بگیریم، الگوها را شناسایی کنیم، رفتار سالم و مشکوک را تشخیص بدهیم و رفتارهای مشکوک را با افراد ریزشی مقایسه و بررسی کنیم تا بر اساس آن مدل‌هایی بسازیم که قبل از ریزش، لیست مشتریان مشکوکی که احتمال ریزش آنها وجود دارد را به ما بدهد تا بتوانیم بر اساس سیاست‌های شرکت، قبل از وقوع ریزش آنها را به چرخه وفاداری برگردانیم. سامانه تحلیل رفتار Daycher CBM دقیقا چنین کاری را انجام می‌دهد یعنی: 

• به ما این امکان را می‌دهد که الگوهای رفتاری مشتریان را شناسایی کنیم
• تغییرات الگوی رفتاری مشتریان را شناسایی کنیم
• رفتار مشتریان را پیش‌بینی کنیم
• لیستی را به تیم عملیاتی شرکت ارائه کنیم که نشان دهد چه شخصی در چه زمانی دارای اولویت بالایی است که با او تماس گرفته شود یا سایر سیاست‌های شرکت اجرا شود تا از چرخه مشتریان خارج نشود. 

مدرس: محمد روزبه (مدیرعامل گروه دایکه) مستندساز: ساره واحدی برگرفته از محتوای آموزشی پانزدهمین دوره علم داده دایکه