التعلم الآلي والتحليلات: دليل الخبراء

أصبح التعلم الآلي والتحليلات أدوات لا غنى عنها للشركات التي تسعى إلى استخراج رؤى قيِّمة من بياناتها. باستخدام خوارزميات قوية ونماذج إحصائية، يمكن للمؤسسات الكشف عن الأنماط الخفية، واتخاذ المزيد من القرارات القائمة على البيانات، واكتساب ميزة تنافسية في سوق اليوم سريع التطور.

على الرغم من أن الفِرق يمكنها تحليل البيانات دون تعلم آلي، إلا أن النتائج قد لا ترقى إلى التوقعات. تكمُن الحقيقة في أن التعلم الآلي يعزز بشكل كبير إمكانات منصات التحليلات.

ما هو التعلم الآلي؟

يمثل التعلم الآلي مجموعة فرعية من الذكاء الاصطناعي التي تستخدم الخوارزميات المُدربة على مجموعات البيانات الكبيرة للتعرُّف على الاتجاهات وتحديد الأنماط والعلاقات، ثم استخدام هذه المعلومات لإجراء التنبؤات أو اتخاذ القرارات دون برمجة صريحة وبأقل قدر من التدخل البشري.

تحتوي تكنولوجيا التعلم الآلي على تطبيقات في العديد من المجالات، بما في ذلك الرعاية الصحية والتمويل والتسويق والأمن السيبراني. تتحسن النتائج من خلال عملية تعلم متكررة تركز على زيادة الدقة وإضافة التخصيص وتقليل الأخطاء في النموذج.

ما المقصود بالتحليلات؟

تمثل التحليلات عملية استخلاص الرؤى من البيانات واستخدامها لاستنباط نتائج أو اتخاذ قرارات. تتضمن جمع البيانات وتنظيفها وتنظيمها لتحديد الاتجاهات والارتباطات والأنماط. باستخدام العديد من التقنيات الإحصائية والرياضية، تساعد التحليلات المؤسسات في اتخاذ قرارات مستنيرة بشكل أفضل، وتحسين الأداء، وتعزيز العمليات.

ترتبط التحليلات بمجال الإحصاءات، التي توفر المفاهيم الأساسية التي تساعد الشركات في فهم بياناتها واستخدامها لتعزيز النمو والنجاح. في مجال الأعمال، يشير مصطلح "التحليلات" غالبًا إلى استخدام البرامج لفرز البيانات والوصول إلى علاقات فريدة وتقديم النتائج بطريقة يمكن الوصول إليها من خلال التمثيلات المرئية.

النقاط الرئيسة

• يُعد التعلم الآلي والتحليلات تقنيات تعايشية.
• يمكن للتعلم الآلي تسريع إمكانات التحليلات وتوسيع نطاقها، بما في ذلك من خلال تحديد الأنماط والرؤى التي غالبًا ما تفوتها وسائل أخرى.
• تنشئ التحليلات قيمة تنظيمية من خلال معالجة البيانات في سياق مناسب للوصول إلى رؤى قابلة للتنفيذ.
• بالنسبة إلى كل من مشروعات التعلم الآلي والتحليلات، فكِّر في المراقبة المستمرة للتحقق من التحيزات الخفية وعدم الدقة.

شرح التعلم الآلي والتحليلات

تستفيد جهود التحليلات بشكل كبير من تطبيق التعلم الآلي وتقنيات الذكاء الاصطناعي الأخرى. تستخدم أدوات التحليلات التي لا تعتمد على التعلم الآلي خوارزميات ثابتة قد تفوت أنماطًا غامضة لكنها مهمة في البيانات. يمكن للتعلم الآلي الوصول إلى هذه الأنماط، وإذا لزم الأمر، فحص مجموعات البيانات الأكبر والأكثر تنوعًا من أدوات التحليلات القديمة التي يمكن التعامل معها.

هل تتضمن التحليلات التعلم الآلي؟

لا تتطلب التحليلات بالضرورة التعلم الآلي. على مدار سنوات، استخدمت الشركات الأدوات التي تأسست داخل التحليل الإحصائي لتحليل الاتجاهات في البيانات، والتنبؤ بالنتائج المستقبلية، وتقييم فعالية الاستراتيجيات. دون الاستفادة من التعلم الآلي، سعت إلى الإجابة على أسئلة مثل، ما مدى نجاح استراتيجية تخفيضات العطلات لدينا؟ ما هي المنتجات أو الخدمات الأكثر شعبية مع قطاع العملاء هذا؟ ما الأكثر ربحية؟ على الرغم من أن الأساليب التقليدية يمكن أن تنتج إجابات، إلا أن العملية محدودة من جانب النطاق وعدد نقاط البيانات المتاحة دون التعلم الآلي.

للعثور على إجابات، تم استخدام المعالجة التحليلية عبر الإنترنت، أو OLAP لعقود للوصول إلى جزء من بيانات المعاملات وتحليلها باستخدام التحليل الإحصائي الكلاسيكي. عندما يتم تنظيم البيانات، كما هو الحال في قاعدة بيانات علائقية، تكون OLAP فعالة للغاية. مع ذلك، عندما تكون البيانات منظمة وغير منظمة وتتضمن معلومات غير رقمية حول الأعمال، لا يمكن أن يوفر التحليل الإحصائي نفس مستوى الرؤى. من بين المزايا الأخرى، يتيح التعلم الآلي للمحللين تحديد أنماط غير خطية أكثر تعقيدًا، حتى في مصادر البيانات غير المنظمة.

مع وضع المؤسسات بيانات أكثر غير منظمة في مستودعات البيانات لديها، يصبح التعلم الآلي مهمًا بشكل متزايد لتحليل كل شيء.

لماذا يعد التعلم الآلي والتحليلات مهمين للأعمال؟

معًا، يستخرج التعلم الآلي والتحليلات رؤى وتنبؤات قيِّمة من مجموعة واسعة من البيانات. يمكن أن يوفر ذلك ميزة تنافسية للشركات لأن البيانات تأتي اليوم من كل مكان، وفي بعض الحالات، طوال الوقت: المقاييس التشغيلية الداخلية، ومخزونات الموردين والبائعين، ونتائج الحملات التسويقية، والبيانات من تطبيقات العملاء، البيانات ذات الصلة من المصادر العامة والبيانات المالية والبيانات التي تم إنشاؤها بواسطة أجهزة إنترنت الأشياء—تنشئ منظومة للتكنولوجيا الحديثة بيانات من كل تفاعل تقريبًا ويغذيها في مستودع بيانات أو مستودع قائم على السحابة مثل بحيرة بيانات.

هذا الكثير من المعلومات، ويوفر الكثير من الفرص للشركات للعثور على رؤى حول العمليات والتسويق وسلسلة التوريد وغير ذلك الكثير—ولكن إذا كان بإمكانها تحليل كميات كبيرة من البيانات المتنوعة فحسب. أدخل إلى التعلم الآلي. باستخدام التعلم الآلي، تصبح عملية تحليلات الأعمال بأكملها أكثر قابلية للإدارة وأوسع نطاقًا لأسباب منها ما يلي:

• يمكن للأتمتة عبر التعلم الآلي أن تجعل عمليات تحويل البيانات، مثل تصحيح البيانات والتعرف على مشكلات جودة البيانات أكثر كفاءة.
• يمكن للتعلم الآلي داخل أدوات التحليلات إنشاء رؤى "لحظية آها" على أساس استعلامات بسيطة من مستخدمي الأعمال.
• يمكن لأدوات التحليلات المستندة إلى التعلم الآلي أيضًا تحديد الأنماط الخفية في البيانات المُعقدة، مما يثير أفكارًا ومناقشات جديدة قد تصنع فرصًا جديدة.

تمثل إضافة الإثارة الآن حول التحليلات المدعومة بالتعلم الآلي قابلية توسع ومرونة توفرها أدوات مستودعات البيانات القائمة على السحابة والتحليلات. تتطلب الكميات الهائلة من البيانات وخوارزميات التعلم الآلي المعقدة الكثير من قوة الحوسبة للتحليل الفعَّال. ولأن هذا نطاق سريع التطور، يستفيد المطورون وعلماء البيانات الذين يتطلعون إلى إنشاء نماذج جديدة ونشرها من الأدوات والخدمات عبر الإنترنت المصممة خصيصًا للتعلم الآلي والتحليلات. تتيح السحابة للمؤسسات استخدام أحدث ابتكارات تحليل البيانات مع توفير وصول سهل إلى أي شخص في المؤسسة يتمتع ببيانات اعتماد مناسبة لاستخدام النظام.

استخدام التعلم الآلي في تحليلات الأعمال

بمجرد أن تجمع المؤسسة المدخلات من مصادر مُختلفة في مستودع، يمكن أن تبدأ أنظمة التعلم الآلي في معالجة كميات كبيرة من البيانات لدعم المبادرات الاستراتيجية. يمكن أن تكون هذه المبادرات جزءًا من العمليات والتسويق والخدمات اللوجستية وحتى المشاركة العامة عبر وسائل التواصل الاجتماعي.

فيما يلي بعض الاستخدامات الشائعة للتعلم الآلي في تحليلات الأعمال.

• تقسيم العملاء: يعد التعلم الآلي مُفيدًا على جانبي معادلة تقسيم العملاء. لتحديد ملفات تعريف المشتري التي تنتمي إليها قطاعات العملاء، يمكن للتعلم الآلي التحليل اللغوي عبر سجلات الشراء وبيانات المشاركة لإنشاء تصنيفات. من ناحية أخرى، يمكن للتعلم الآلي تحديد فعالية الحملات في قطاعات محددة بسرعة، مما يترك لفِرق التسويق بعض مساحة التنفس لضبط الرسائل أو عوامل الحملات الأخرى.
• اكتشاف الاحتيال: يمكن للتعلم الآلي تحديد الأنماط الاحتيالية المحتملة من خلال مراعاة المنطقة الجغرافية ومعدل تكرار الشراء وأنواع الشراء والمبلغ المُنفق والتفاصيل الأخرى للمعاملات الفردية ومقارنتها بملفات تعريف العملاء. باستخدام إمكانات الكشف عن أوجه الخلل، يمكن للنظام وضع علامة سريعة على النشاط خارج المألوف وإرسال معاملات يحتمل أن تكون غير شرعية لمزيد من التحقيق.
• إدارة سلسلة التوريد: قد تتضمن سلاسل التوريد مجموعة متنوعة من الشركاء وتجار الجملة وموفري الخدمات اللوجستية من جميع أنحاء العالم. عندما تُعطل تدفق السلع اللازمة، يمكن أن تصبح الأحداث المحلية بسرعة مصدر قلق للشركات المصنعة وتجار التجزئة على بعد آلاف الأميال. يمكن للتعلم الآلي جمع البيانات وفرزها من المورِّدين وشركات الخدمات اللوجستية لتحديد الاضطرابات المحتملة والمفاجئة. بالإضافة إلى ذلك، تربط أنظمة التعلم الآلي البيانات بجداول التصنيع لتحديد المشكلات المؤقتة بالإضافة إلى تحديد الاتجاهات التي يمكن أن تؤدي إلى تحسين التكلفة والعمليات، مثل تحديد المورّدين المعرضين إلى فشل المكونات أو تأخر في عمليات التسليم.
• تحليل المشاعر: يأخذ تحليل المشاعر نصًا من الرسائل والنصوص والمراجعات؛ ويحدد اللهجة الغالبة؛ ثم يحلل البيانات لرؤى التسويق والمبيعات. يعد التعلم الآلي ضروريًا في معالجة الكميات الكبيرة من البيانات النصية من مصادر متنوعة بسرعة كافية لضبطها إذا كان المنتج غالبًا ما يفتقد جزءًا رئيسًا أو إذا كان مندوب الخدمة يمثل مشكلة.
• التحليل التنبؤي: صارت التحليلات التنبؤية غير المدعومة بالتعلم الآلي عنصرًا أساسًا في تحليل الأعمال طالما تم الاحتفاظ بدفاتر الأستاذ. تمثل الأجزاء البسيطة من مبيعات العام السابق مقارنة بمبيعات العام الحالي نقطة الانطلاق، وتطور الإحصائيون في علم التنبؤ بالمستقبل من الماضي بشكل كبير. يستند التعلم الآلي إلى هذا التراث من خلال معالجة المزيد من البيانات بدقة أكبر واستخدام منهجيات أكثر تعقيدًا. يساعد التعلم الآلي أيضًا في تحليل سيناريوهات "ماذا لو" التي تساعد في توجيه تفكير قادة الأعمال.
• تحسين السعر: ما الحد الأقصى للربح بالسعر؟ مكلف جدًا، ولن يتشتريه سوى القليل. غير مُكلف للغاية وبه مشكلات في الهوامش. بالإضافة إلى عادات الإنفاق، تشكِّل عوامل مثل أسعار المنافسين والموسمية والطقس وندرة المخزون خوارزمية أسعار مُعقدة وديناميكية. يمكن للتعلم الآلي وتحليلات البيانات فرز كل هذه البيانات لإنشاء سيناريوهات تسعير مثالية.

فهم التحليلات

من المُفيد دائمًا مراجعة الإجراءات التي اتخذتها لتحديد إذا كنت حققت أفضل نتيجة ممكنة. يؤدي عادةً التفكير في الأداء السابق إلى تحسينات في المرات القادمة. يجب أن يكون للتحليلات دائمًا هذه الأنواع من الأهداف—ما الذي يمكنك تحقيقه من خلال العثور على رؤى قابلة للتنفيذ في البيانات؟

يمثل التحليل الإحصائي للبيانات الرقمية نقطة بداية جديرة بالاهتمام. لكن من المحتمل أن يترك هذا الكثير من البيانات دون تحليل أو على الأقل، يُنتج نتائج بطيئة أثناء فتح الباب أمام الخطأ البشري. يمكن أن يساعد التعلم الآلي في توسيع نطاق التحليل للوصول إلى رؤى لا يتم تمييزها بسهولة بخلاف ذلك.

أنواع التحليلات

تمتلك الشركات مجموعة واسعة من أنواع التحليلات والتقنيات للاختيار من بينها، وتعتمد أفضل ملاءمة غالبًا للمشروع على ما يريد الفريق أن يخرج به من بيانات. فيما يلي أربع فئات للتحليلات.

• التحليلات الوصفية. تتناول أنظمة التحليلات الوصفية البيانات السابقة وتحدد الأنماط والمقاييس لاستخلاص الرؤى اللازمة لإنشاء تحليل للوضع. على سبيل المثال، يمكن للنموذج المالي الحصول على بيانات من المبيعات والتسويق والموارد البشرية والنفقات لإنشاء تحليل ربع سنوي لمؤسسة. تكون لوحات المعلومات عادةً هي الطريقة لتصور التحليلات الوصفية.
• التحليلات التشخيصية. تتناول أنظمة التحليلات التشخيصية البيانات السابقة للوصول إلى السبب الجذري للموقف أو الاتجاه أو العلاقة. على سبيل المثال، إذا كانت المؤسسة تشهد ارتفاعًا في الشكاوى المتعلقة بجودة منتج معين، فيمكنها استخدام أداة تحليلية تشخيصية تأخذ في الاعتبار البيانات بدءًا من سلسلة التوريد وحتى توصيل المنتج لتحديد إذا كان السبب الجذري يكمٌن في مادة معينة أو خطوة تصنيع أو سبب آخر.
• التحليلات التنبؤية. تنشئ أنظمة التحليلات التنبؤية توقعًا بالأداء المستقبلي على أساس البيانات الحالية والسابقة ذات الصلة. يمكن أن يرتبط التنبؤ بأي شيء—نماذج الطقس، ومستويات المخزون المثلى، وسلوك العملاء في حملة تسويقية. كلما زادت البيانات، كان من الأفضل إنشاء ملف تعريف للوضع يسمح برؤى تنبؤية.
• التحليلات التوجيهية. تشبه التحليلات التوجيهية التحليلات التنبؤية، لكنها تذهب أبعد من ذلك باقتراح إصلاحات للمشكلات التي تم العثور عليها. على سبيل المثال، قد يتنبأ نظام التحليلات التنبؤية بالمبيعات الراكدة للربع التالي. يمكن للتحليلات التوجيهية الجمع بين البيانات السابقة وتحليل السوق لإنتاج إجراءات توجيهية للتغلب على توقعات المبيعات الأضعف.

خطوات عملية التحليلات

بشكل عام، تتطلب العملية جمع البيانات وتنظيفها واختيار تقنية، وتفسير النتائج، ونقل الرؤى إلى أصحاب المصلحة. يمكن أن يكون التعاون بين محللي البيانات وخبراء المجال وصناع القرار مُفيدًا لضمان أن تكون الرؤى التي تم إنشاؤها ذات صلة ومُؤثرة.

1. تحديد المشكلة. يجب أن تعالج جميع التحليلات مشكلة تجارية. هل تحاول تحليل بيانات التسويق؟ اكتشف ما الذي يعزز حركة دوران الموظفين؟ اكتشف الرابط الضعيف في سلسلة التوريد لديك؟ ينشئ تحديد المشكلة نقطة بداية لمشروعات التحليلات.
2. جمع البيانات وتنظيفها. الآن بعد تحديد أهداف المشروع، حدد مصادر البيانات التي تحتاجها منصة التحليلات. تتضمن الخيارات استخدام نظام iPaaS الذي يربط مصادر البيانات أو الاتصال بمخزن مثل بحيرة البيانات أو مستودع البيانات. لضمان التوافق والدقة، تحتاج البيانات أيضًا إلى تنسيق مناسب للمعالجة. يتضمن التصحيح عادةً إزالة الإدخالات المكررة وإلغاء تنسيق البيانات قبل التحليل. بالنسبة إلى مصادر البيانات القابلة للتكرار، يمكن أن يساعد التعلم الآلي في أتمتة جزء من عملية التنظيف والتحويل لتحسين الكفاءة.
3. استكشاف البيانات وتمثيلها مرئيًا. باستخدام أدوات التحليلات، يمكنك إنشاء تمثيلات مرئية للبيانات وإنشاء رؤى أولية. تنشئ هذه العملية نتائج عامة تحدد معلمات أي فرضيات قائمة على البيانات والتي تكون بمثابة أساس لنماذج البيانات، بما في ذلك مجموعات البيانات التي توفر أقصى قيمة.
4. نمذجة البيانات. مع الفهم الأساس للهدف ومصادر البيانات المتاحة، ينشئ مهندسو البيانات نماذج لهيكلة البيانات وتنظيمها، وسد الفجوة بين البيانات الأولية والبيانات الجاهزة للتخزين والاسترجاع بواسطة تطبيقات التحليلات.
5. تقييم النموذج. هذا هو موقع التحليل. مع جاهزية نموذج البيانات، يمكن للفِرق بدء عملية التحليل لتحقيق الأهداف الأولية للمشروع. يمكن أن ينطوي تحليل البيانات على أشكال مُختلفة من التحليل الإحصائي، بما في ذلك استخدام لغات البرمجة وأدوات التحليل.
6. النشر والمراقبة. حان الوقت الآن لاتخاذ إجراء. مع جاهزية التقارير والتمثيلات المرئية، يمكن للمستخدمين تقديم النتائج إلى أصحاب المصلحة لبدء المناقشات حول القرارات الهامة. باستخدام التحليلات، تنبع التوصيات من الأدلة الموجودة في البيانات ويتم تقديمها بوضوح مع التمثيلات المرئية—غالبًا برؤى أعمق من تقنيات التقييم التقليدية أو اليدوية.

التقنيات الرئيسة في التحليلات

تعتمد ممارسة التحليلات على عدد من التقنيات التي تم إنشاؤها في مجال الإحصاءات، ثم انطلقت نحو التوسع من خلال إمكانات التعلم الآلي. فيما يلي بعض التقنيات الأكثر شيوعًا المستخدمة في التحليلات:

• تحليل الانحدار. يُعد تحليل الانحدار واحد من التقنيات الأساسية في البيانات والنمذجة الإحصائية. مع تحليل الانحدار، يحلل نموذج التعلم الآلي البيانات لمعرفة المتغيرات التي تؤثر على النتيجة ومقدارها. يشمل تحليل الانحدار مجموعة من التقنيات، بما في ذلك الانحدار الخطي، والانحدار غير الخطي، والانحدار اللوجستي.
• التجميع. يُعد التجميع نوع من التحليل المستخدم مع نماذج التعلم الآلي غير الخاضعة إلى الإشراف. باستخدام التجميع، يستكشف نموذج التعلم الآلي مجموعة بيانات للعثور على مجموعات أصغر من البيانات ذات الصلة، ثم يستمد الاتصالات والأنماط من تلك المجموعات الأصغر لإنشاء فهم أكبر.
• تحليل المتوالية الزمنية. في الإحصاءات ونمذجة البيانات، يبحث تحليل السلسلة الزمنية في نقاط البيانات التي تم جمعها ضمن نطاق زمني محدد للأنماط والتغييرات وتأثير المتغيرات لإنشاء نموذج تنبؤ. يُعد أحد الأمثلة الأكثر شيوعًا لتحليل السلاسل الزمنية بيانات الطقس على مدار عام للتنبؤ بالأنماط الموسمية.
• استخراج البيانات في قواعد الارتباط. يمكن أن تأتي بعض رؤى البيانات الأكثر عمقًا من تحديد الأنماط والعثور على علاقات مثيرة للاهتمام داخل مجموعات البيانات الكبيرة—وهي احدة من الأفكار الرئيسة لتحليلات الرسوم البيانية. يعد استخراج البيانات في قواعد الارتباط نوعًا من التعلم الآلي الذي يصل إلى الرسائل الخفية والعلاقات المشتركة في علاقات المتغيرات. على سبيل المثال، قد تستخدم سلسلة وجبات سريعة استخراج البيانات في قواعد الارتباط للعثور على العناصر التي يتم طلبها بشكل شائع معًا، ثم تقدم تلك العناصر باعتبارها حزم مُخفضة لزيادة العملاء.
• استخراج النص. يمثل استخراج النصوص شكل من أشكال التعلم الآلي غير الخاضع إلى الإشراف الذي يأخذ النص الوارد من مصادر مثل رسائل البريد الإلكتروني أو تعليقات موقع الويب أو منشورات الوسائط الاجتماعية، ثم يستخدم معالجة اللغة الطبيعية لاستخلاص أنماط مُفيدة. يمكن بعد ذلك ربط هذه الأنماط بمتغيرات أخرى، مثل مقاييس المشاركة أو بيانات المبيعات، لتعزيز فهم الغرض والمشاعر.

فهم التعلم الآلي

يدور التعلم الآلي في جوهره حول العثور على الروابط والأنماط داخل البيانات. يقوم التعلم الآلي بذلك باستخدام تقنيات سهلة مثل أشجار القرار ومُعقدة مثل الشبكات العصبية، مع طبقات أعمق قادرة على توفير علاقات غير خطية في البيانات. مع ذلك، بغض النظر عن الطريقة، يساعد التعلم الآلي المؤسسات في تحسين العمليات المرهقة والتعمق في بياناتها لتعزيز إنتاجية أكبر واتخاذ قرارات أفضل.

أنواع التعلم الآلي

توجد مجموعة واسعة من نماذج التعلم الآلي على حسب موارد المشروع وأهدافه وقيوده. يتيح فهم الأنواع المختلفة من تقنيات التعلم الآلي للفِرق اتخاذ الخيار الصحيح لمشروعها. تتضمن الأنواع الشائعة للتعلم الآلي ما يلي:

• التعلم الخاضع للإشراف. في التعلم الخاضع إلى الإشراف، تتدرب خوارزميات التعلم الآلي من مجموعات البيانات المُعلّمة بهدف تحديد الأنماط المعروفة لتنقيح دقة المخرجات بشكل متكرر. توصف هذه العملية بالإشراف لأن عدد المعلمات المحددة المعنية يسمح بقياس واضح لتحسين النموذج.
• التعلم غير الخاضع إلى الإشراف. يتيح التعلم غير الخاضع إلى الإشراف لنماذج التعلم الآلي معالجة مجموعات البيانات غير المُعلمة دون وضع الأهداف أو المقاييس في الاعتبار. بدلاً من ذلك، يوفر النهج غير الخاضع إلى الإشراف صندوق حماية للتعلم العضوي من خلال اكتشاف الأنماط أو اكتشاف العلاقات أو أشكال أخرى من الرؤى التي تم إنشاؤها. عند النجاح، تتمكن النماذج المُدربة من خلال التعلم غير الخاضع إلى الإشراف من محاكاة البيئة التي تقدمها مجموعة البيانات بشكل صحيح، وبالتالي؛ إنشاء تنبؤات دقيقة.
• التعلم شبه الخاضع للإشراف. يجمع التعلم شبه الخاضع إلى الإشراف بين التقنيات الخاضعة إلى الإشراف وغير الخاضعة إلى الإشراف لتسريع عملية التعلم الآلي. مع التعلم شبه الخاضع إلى الإشراف، يحصل النموذج على بداية مُباشرة باستخدام كمية صغيرة من البيانات المسماة. بعد الانتهاء من مجموعة البيانات هذه، يبدأ النموذج بعد ذلك في استكشاف مجموعة بيانات أكبر دون تسمية لتطبيق الأساسيات المُكتسبة في الخطوة الأولى قبل تنقيح توقعاته بطريقة طبيعية وغير خاضعة إلى الإشراف.
• التعلم بالتعزيز. يشير التعلم بالتعزيز إلى عملية السماح لنموذج باستكشاف مجموعة بيانات بغرض تحقيق نتيجة محددة. ينشئ كل قرار خلال ذلك ردود فعل من جانب التعزيز الإيجابي أو السلبي، الذي يسترشد بعد ذلك بالنموذج أثناء مراجعته لتوقع استجابة مناسبة للحالات.

خطوات عملية التعلم الآلي

بغض النظر عن أهدافك ومعلماتك لنموذج التعلم الآلي، تتبع هذه المشروعات غالبًا عملية قياسية. يوفر فهم هذه العملية قبل بدء مشروع خارطة طريق لتخصيص الموارد وإعداد الموازنة على مدار دورة حياة التعلم الآلي بأكملها.

فيما يلي الخطوات الشائعة لتطوير نماذج التعلم الآلي.

1. تحديد المشكلة. ما الغرض من نموذج التعلم الآلي لديك؟ الأهم من ذلك، هل أنتج آخرون بالفعل نماذج لتلك المهمة، وإذا كان الأمر كذلك، فهل يكفي واحد لتحقيق أهدافك؟ يجب أن يكون كل مشروع قادرًا على حل مشكلة، ويجب أن تحدد جودة ذلك الحل معلمات المشروع من نقطة البداية إلى المقاييس التي تحدد النجاح.
2. جمع البيانات وتنظيفها. لدفع أي مشروع تعلم آلي إلى الأمام، تحتاج إلى البيانات. يعني هذا تحديد مصادر بيانات التدريب المشابهة للبيانات التي يواجهها النموذج المُدرب في الاستخدام العام، ثم جمع تلك البيانات وتحويلها إلى تنسيق موحد ومتوافق خالٍ من التكرارات والأخطاء. يمكن أن يؤدي التأثير على هذه الخطوة إلى صنع تحيزات تؤدي إلى انحرف المشروع عن ساره أو حتى تعطله. يُعد أخذ الوقت في إدارة مجموعة بيانات المشروع بعناية استثمار في ضمان النجاح.
3. التصميم للحصول على الميزات. ليس كل شيء في مجموعة البيانات ضروريًا لتدريب نموذج التعلم الآلي. تتمثل الخطوة الأولى الحاسمة للتعلم الآلي في تحديد المعلمات المهمة للمشروع، ثم تنسيق مجموعات البيانات التي تتميز بالتنوع حول تلك المعلمات. يتطلب تصميم الميزات تكرارًا يقوده الخبراء، مما يقود في النهاية إلى التحولات عن طريق إضافة البيانات أو إزالتها أو دمجها لأجل امتلاك سياق أكبر يحسن دقة النموذج.
4. تحديد النموذج وتدريبه. تحدد أهداف مشروعك قائمة قصيرة من تقنيات التعلم الآلي. يمكن للقيود العملية، مثل موارد الحوسبة والجدول الزمني للمشروع وتوافر مصادر بيانات عالية الجودة وتجربة أعضاء الفريق تضييق الخيارات وتحديد أفضل ملاءمة للمشروع في النهاية. بمجرد تحديدها، يتدرب النموذج بشكل متكرر على مجموعة بيانات تدريب مُنسقة، مع تحسين النتائج والعوائد حتى يحقق دقة مُتسقة.
5. تقييم النموذج. يوفر النموذج المُدرب بنجاح نتائج متكررة وقابلة للشرح ودقيقة. يمكنك تقييم نموذجك المُدرب باستخدام بيانات العالم الحقيقي لقياس مدى أدائه خارج مجموعة بيانات التدريب الخاصة به. يعرِّف التقييم الفِرق بمدى قرب المشروع من تحقيق أهدافه الأصلية.
6. النشر والمراقبة. إذا كان النموذج يعالج بيانات الاختبار في العالم الحقيقي بنجاح على أساس مُتسق، فيصبح جاهز لبيئة الإنتاج. على الرغم من أن النشر يجب أن يحدث بعد استيفاء معايير معينة فحسب، إلا أن هذا لا يمثل نهاية تطور النموذج. يجب على الفِرق مراقبة نتائج النموذج باستمرار للتأكد من أنه يحافظ على الدقة والاتساق والنتائج المطلوبة الأخرى—وإذا انحرفت النتائج، فيمكنه اكتشاف السبب.

التقنيات الرئيسة في التعلم الآلي

العديد من تقنيات التعلم الآلي قيد الاستخدام، لكن لا تنطبق كل تقنية بالضرورة على أهداف المشروع أو قيوده. تتمثل خدعة التعلم الآلي الناجح في معرفة التقنية التي يجب تحديدها بناءً على معلمات المشروع الفردية.

تشمل التقنيات الشائعة المستخدمة في التعلم الآلي ما يلي:

• أشجار القرارات: تستخدم أشجار القرارات التعلم الخاضع إلى الإشراف لفهم الخيارات المختلفة التي يجب مراعاتها أثناء انتقال العناصر عبر سير العمل. على سبيل المثال، عند دخول فاتورة جديدة، يجب اتخاذ قرارات معينة قبل دفع الفاتورة. يمكن أن تساعد أشجار القرارات في تحليل الانحدار والتجميع لتحديد إذا كانت الفاتورة صالحة على سبيل المثال، وذلك مع فاتورة كاملة مقابل فاتورة احتيالية محتملة أو عدم وجود البيانات المطلوبة للدفع.
• الغابات العشوائية. توفر شجرة قرارات واحدة عرضًا محدودًا للموقف. تشير الغابات العشوائية إلى تقنية الجمع بين أشجار القرار المتعددة—وبالتالي غابة— لإنشاء نتيجة تراكمية مع منظور أوسع. تتغلب الغابات العشوائية على العديد من القيود المفروضة على أشجار القرارات وتوفر مرونة أكبر في كل من الوظيفة والنطاق. خلال الكشف عن الاحتيال على سبيل المثال، يمكن أن يعتمد القرار بشأن إذا كانت المعاملة مشروعة أم لا على العديد من العوامل، مثل موقع إنشاء المعاملة، وإذا كان مزيج الصنف نموذجيًا للعميل، وإذا كان حجم الشراء غير عادي. يمكن لأشجار القرارات داخل غابة معالجة كل معلمة تقييم.
• آلات المتجهات الداعمة. في بعض الأحيان تقع البيانات بشكل طبيعي في مجموعات، سواء كانت واضحة أم لا. تمثل آلات المتجهات الداعمة (SVM) نوع من التعلم الخاضع إلى الإشراف الذي يسعى إلى إيجاد طرق لزيادة الفَرق أو المسافة بين مجموعتين من البيانات إلى أقصى حد. في بعض الأحيان يوجد خط مستقيم واضح بين مجموعات البيانات، وأحيانًا تكون وظيفة التقسيم غير خطية. في حالة عدم وجود تجميع واضح في طرق العرض ثنائية الأبعاد، يمكن لآلات SVM استخدام تحليل عالي الأبعاد للعثور على طرق لتجميع البيانات.
• الشبكات العصبية: ترتب الشبكات العصبية عُقد الحوسبة بطريقة مماثلة لشبكات الخلايا العصبية في أدمغتنا. تطبق كل طبقة داخل الشبكة العصبية وظائف فريدة لتحديد طريقة تصنيف بيانات المدخلات وإذا كان يمكن إجراء التنبؤات من بيانات المدخلات.
• تعزيز التدرج: يأتي كل توقع لنموذج التعلم الآلي مع مستوى من الثقة. لنفترض على سبيل المثال أن المعاملة تبدو كأنها احتيال بنسبة ثقة 0.8، في حين تكون 1.0 مؤكدة تمامًا. يكون ذلك تنبؤ واثق جدًا. عندما يٌجري النموذج تقييمه، فإن بعض الحسابات خلال ذلك تساهم بشكل كبير في التنبؤ، في حين لن يساهم البعض الآخر تمامًا. في العديد من النماذج، يتم الخصم من المساهمين المنخفضين لأنهم يظهرون بأنفسهم مثل تشويش. يسعى تعزيز التدرج إلى الجمع بين بعض هؤلاء المساهمين المنخفضين بطريقة تتيح لهم المساهمة بشكل أكبر في التنبؤ، وبالتالي؛ خفض معدلات الخطأ وتعزيز تصنيفات الثقة.

تحديات تواجه التحليلات والتعلم الآلي

يعتمد التعلم الآلي والتحليلات على العديد من التقنيات نفسها. بسبب ذلك، تواجه كلتا المجموعتين تحديات مماثلة، سواء تم تناولها بشكل منفصل أو مجموعة في مشروع "التعلم الآلي المدعوم بالتحليلات". فيما يلي بعض التحديات الشائعة التي تواجهها فِرق المشروع.

• جودة البيانات: يتطلب التعلم الآلي الكثير من البيانات. رغم ذلك، عندما تكون هذه البيانات مكتظة بالتنسيق غير المُتسق والتكرارات والمشكلات الأخرى، يمكن أن تنحرف بعملية تدريب النموذج عن مسارها. تعد جودة البيانات واحدة من التحديات الأساسية في إنشاء نموذج فعَّال، لكن لاحظ أنه عندما يتعلق الأمر بالتعلم الآلي، فتعني "الجودة" أنه يتم تنسيق البيانات بشكل صحيح وتعكس ما يراه النموذج في السيناريوهات الحقيقية. إذا كانت بيانات التدريب نظيفة للغاية ولا تمثل التباين في العالم الحقيقي الذي يختبره النموذج في الإنتاج، فقد تكون أكثر ملاءمة لبيانات التدريب—أي، عدم القدرة على التعامل مع التباين والتعقيد الموجودين في مجموعات البيانات الحقيقية. يجب على المؤسسات استخدام استراتيجيات للحفاظ على جودة البيانات، بما في ذلك فحص مصادر البيانات للوصول إلى تقنيات التحويل المناسبة وإلغاء التكرار المُنتظم. لكنها بحاجة إلى تحقيق التوازن، وتنظيف البيانات بما يكفي لإزالة التشويش والأخطاء مع الحفاظ على التنوع.
• تحديد الخوارزميات وتحسينها: يأتي كل مشروع مع احتياجات محددة، ووفقًا إلى أهداف المشروع، كما تعمل التقنيات والخوارزميات المختلفة على تحقيق أفضل ملاءمة. في بعض الأحيان تبدو هذه الخيارات واضحة، مثل إذا عرفت أن الطبيعة المُنظمة لأشجار القرار تناسب نطاق المشكلة المطروحة وطبيعتها. في حالات أخرى، يكون اختيار النموذج أقل وضوحًا. يمكنك توثيق خصائص بياناتك، مثل الحجم والنوع والتعقيد، ثم فكّر في المشكلة التي تتطلع إلى حلها. ما مقدار قوة المعالجة المطلوبة لتدريب النموذج واستخدامه، وهل يمكنه التوسع للتعامل مع بياناتك؟ من الأفضل البدء بشكل أبسط والزيادة في التعقيد. يمكن أن تساعد أدوات مثل AutoML في أتمتة الاختبارات واختيار أفضل خوارزمية لمشروعك.
• الإفراط في التجهيز ونقص التجهيز: إذا لم توفر بيانات التدريب للنموذج توازنًا مناسبًا بين التنوع والجودة، فقد يحدث إما الإفراط في التجهيز أو نقص التجهيز. يحدث الإفراط في التجهيز عندما تحتوي بيانات التدريب على أنواع معينة فحسب من البيانات. إذا كنت تريد من تطبيق تحديد عناوين الأغاني والمغنيين لكنك تمنحه موسيقى الريف فحسب أثناء التدريب، فلن يفلح عندما يتعلق الأمر بموسيقى الروك أو آر أند بي. يشير نقص التجهيز إلى عكس ذلك—فالنموذج لم يتم تدريبه على نطاق واسع بما فيه الكفاية ويفشل حتى في ما يكون من استفسارات واضحة أو مدخلات أصلية.
• قابلية التفسير وقابلية التوضيح: تعد قابلية التفسير وقابلية التوضيح خصائص متشابهة لكنها مُميزة لنموذج الذكاء الاصطناعي. عندما تكون مخرجات نموذج الذكاء الاصطناعي قابلة للشرح، نفهم ما يقوله لنا، وعلى مستوى عالٍ، من أين جاءت الإجابة. إذا كتب الذكاء الاصطناعي التوليدي مُلخصًا من أربع فقرات لاجتماع مجلس الإدارة، فيمكنك قراءة محاضر الاجتماع وفهم طريقة اختيار النظام للكتابة التي قدمها. أو إذا توقع نموذج أن يزيد المنتج في المبيعات بنسبة 3% هذا العام، فيمكنك الاطلاع على تقارير المبيعات وفهم مصدر هذا الرقم. تلك هي قابلية التوضيح.
  
  تعني قابلية التفسير فهم ما فعله النموذج للتوصل إلى تفاصيل إجابته. لماذا اختار نظام GenAI الكلمات التي اختارها بالترتيب الذي اختاره في تلخيص اجتماع مجلس الإدارة هذا؟ ما العمليات الحسابية التي استخدمتها في الحصول على توقعات زيادة المبيعات بنسبة 3%؟ عندما يستشهد الذكاء الاصطناعي بمصادره، فيحسن بذلك قابلية التوضيح. لكن عندما تصبح النماذج أكثر تعقيدًا، تصبح أقل فأقل قابلية للتفسير.

أفضل ممارسات التحليلات والتعلم الآلي

تشترك التحليلات والتعلم الآلي في الممارسات الشائعة فيما يتعلق بعوامل مثل مصادر البيانات والخوارزميات ومقاييس التقييم. فيما يلي الممارسات الشائعة لكل من التحليلات والتعلم الآلي.

1. حدد المشكلة ومقاييس النجاح: ما الغرض من مشروع التحليلات؟ يمثل هذا السؤال البسيط الأساس لكل ما يحدث بعد ذلك. تعرَّف على المشكلة التي تحاول حلها، والقرارات مثل الخوارزمية واختيار مصدر البيانات التي تتالى من تلك النقطة. يحدد ذلك نقطة البداية، لكن يحتاج خط النهاية أيضًا إلى تعريف. كيف تقيس النجاح؟ يوفر هذان السؤالان الإطار الواسع لمشروع ما، وعليه يمكن للفِرق البدء في استكمال التفاصيل.
2. استخدام مجموعات بيانات متنوعة وعالية الجودة: نتائج المشروع جيدة مثل البيانات المصدر فحسب. ينشئ عن مجموعات البيانات منخفضة الجودة ذات المشكلات مثل الازدواجية والمصادر الموحدة بشكل غير واقعي مشكلات—في أحسن الأحوال، نتائج متباينة، وفي أسوأ الأحوال، يؤدي ذلك إلى استنتاجات خاطئة تكلف الشركة الوقت والمال والعملاء. بالنسبة إلى كل من التحليلات والذكاء الاصطناعي، يجب أن تكون مجموعات البيانات متداولة وتعكس الظروف في العالم الحقيقي مع تقديم مجموعة من مناظير ذات الصلة والمتنوعة.
3. اختيار الخوارزميات المناسبة وبنية النموذج: تم تطوير تقنيات التعلم الآلي لأغراض محددة. تختلف أنظمة اكتشاف الحالات الشاذة عن أنظمة التجميع الهرمي أو تحديد الكائنات. تتطلب بعض طرق التعلم الآلي المزيد من قوة المعالجة وقد تكون خيارات سيئة للتطبيقات الأبسط. بالمثل، تتمتع نماذج التحليلات بأفضل استخداماتها أيضًا. قد يكون من المُفيد تجربة بعض الخوارزميات المختلفة على بياناتك ومقارنة أدائها.
4. تنظيم النماذج وتحسينها: في التعلم الآلي، يحدث الإفراط في التجهيز عندما تفتقر مجموعة تدريب النموذج إلى التنوع الذي يكون موجودًا في استخدام الإنتاج. إذا كان النموذج مُدربًا تدريبًا عاليًا على مجموعة بيانات محدودة، فقد لا يكون قادرًا على تفسير المدخلات التي تختلف عن مجموعة التدريب. يسعى التنظيم إلى القضاء على الإفراط في التجهيز وجعل النموذج أكثر قابلية للتطبيق بشكل عام. يضبط التحسين بشكل متكرر النموذج لضمان تحقيق دقة عالية.
5. الإبلاغ بالنتائج بوضوح: تتضمن التدريبات المذكورة أعلاه عناصر فنية للمشروعات. مع ذلك، يتم غالبًا تجاهل أحد أكبر مفاتيح النجاح المحتملة: الإبلاغ بالنتائج. قد تركز الفِرق على نماذج الضبط الدقيق أو مصادر بيانات التدقيق وتنسى أن أصحاب المصلحة الرئيسين يحتاجون إلى معرفة طريقة تقدم المشروع. يتطلب ذلك التواصل الواضح مع المقاييس القابلة للتنفيذ وتقييم موجَز لـ "كيف تسير الأمور؟"

حالات الاستخدام وتطبيقات التحليلات والتعلم الآلي

كيف تُطبق التحليلات والتعلم الآلي في العالم الحقيقي؟ طالما أن البيانات موجودة، يمكن أن تدمج المؤسسات في أي صناعة التحليلات والتعلم الآلي. في الواقع، يمكن للأقسام المختلفة، مثل الهندسة والعمليات والتسويق والمبيعات استخدامها بطرق مختلفة. لا يغطي ما يلي سوى حفنة من حالات الاستخدام التي تعرض مزايا التحليلات والتعلم الآلي (PDF) عبر مجموعة متنوعة من المجالات والوظائف.

• التسويق: تحصل أقسام التسويق على بيانات من طرق مختلفة: تتبع التفاعل في رسائل البريد الإلكتروني ومنشورات الوسائط الاجتماعية، وسجلات الشراء، واستخدام التطبيقات، وسلوك التصفح، والمزيد. ماذا تفعل بذلك الفيضان من المعلومات؟ يمكن لأنظمة التعلم الآلي تجميعها للبحث عن أنماط محددة وإنشاء ملف تعريف قائم على التحليلات للعملاء الفرديين والقطاعات لمستخدمي الأعمال. من تلك النقطة، يمكن للقرارات القائمة على البيانات تفعيل المزيد من الاستراتيجيات مثل العروض المُستهدفة بالغة الصغر أو المشاركة الموسمية حسب التركيبات السكانية.
• الإدارة المالية: عند دمج البيانات من جميع أنحاء المؤسسة، يمكن للأقسام المالية استخدام التعلم الآلي لتجميع هذه الأحجام الضخمة لفك تشفيرها باستخدام التحليلات. يمكن أن توفر الرؤى الناتجة القائمة على البيانات نظرة عن كثب على العوامل الهامة، مثل التدفق النقدي واتجاهات كشوف الرواتب وأنماط شراء الأصول. يمكن للتحليلات استخلاص مستويات جديدة من الرؤى من خلال اكتشاف الاتجاهات والتنبؤات المستندة إلى النماذج مع توفير المساعدة أيضًا في اكتشاف الاحتيال.
• الرعاية الصحية: من بين السجلات الطبية الإلكترونية والأجهزة المتصلة والمقاييس التشغيلية من المنشآت، يمكن أن يعمل التعلم الآلي والتحليلات معًا لمساعدة مؤسسات الرعاية الصحية في تحسين العمليات وتقديم رعاية فردية أفضل. بالنسبة إلى العمليات، يمكن توسيع نطاق التوظيف وخفضه على أساس دورات الاستخدام المُثبتة التي يتم تشغيلها بواسطة عوامل مثل الموسم والطقس. بالنسبة إلى الأفراد، يمكن أن توفر الرؤى القائمة على البيانات إشارات حول وقت حجز فحوصات معينة أو علاجات جديدة واعدة.
• الروبوتات: ينشئ كل استخدام للروبوتات تقريبًا بيانات، بدايةً من دورة التصنيع حتى المنتج النهائي في استخدام الإنتاج. بالنسبة إلى هذه الأخيرة، يمكن أن تأتي البيانات من مصادر تشمل أجهزة استشعار درجة الحرارة واستخدام وحدة المعالجة المركزية والمفاصل والمحركات الميكانيكية...ظ يمكن أن تأخذ التحليلات هذا الكم الهائل من البيانات وتهدف به إلى تحسين جميع جوانب الإنتاج، مثل التوريد للتصنيع وصيانة المحركات، مما يؤدي في النهاية إلى خفض تكاليف الصيانة.
• الاقتصاد: يمكن أن يفيد التعلم الآلي البحث والتحليل الاقتصاديين بطُرق عديدة. في أبسط صورها، يمكنها جمع كميات هائلة من البيانات وإنشاء تصورات. مع ذلك، يستخدم المحللون الاقتصاديون أيضًا التعلم الآلي للبحث في نقاط البيانات ذات الصلة، مثل المشاعر المستندة إلى النصوص، مما يوفر سياقًا أكبر حول الطريقة والسبب لنتيجة معينة.

Oracle: استخدم التحليلات والتعلم الآلي للمساعدة في تحسين أعمالك

توفر أنظمة Oracle Analytics، وهي قوية بما يكفي لعلماء البيانات ويسيرة بما يكفي لمستخدمي الأعمال ميزات قوية متكاملة مع التعلم الآلي. يمكن لمنتجات Oracle Analytics أن تمكنك من استكشاف البيانات من خلال معالجة اللغة الطبيعية، وإنشاء التمثيلات المرئية في واجهة دون تعليمات برمجية، والاستمتاع برؤى مدعومة بالذكاء الاصطناعي بنقرة واحدة. تساعد Oracle في وضع المعلومات في السياق مع توفير الوصول إلى البيانات للجميع وإمكانية الوصول إلى AI/ML، بما في ذلك عبر إمكانات من نوع AutoML ودون تعليمات برمجية.

يوفر التعلم الآلي والتحليلات إمكانات هائلة لتحويل الأعمال وتعزيز الابتكار. من خلال الاستفادة من قوة البيانات والاستفادة من التقنيات المُتقدمة، يمكن للمؤسسات اكتساب رؤى قيِّمة واتخاذ قرارات قائمة على البيانات، وربما تحقيق ميزة تنافسية. مع استمرار تطور التكنولوجيا، لن تتوسع تطبيقات التعلم الآلي للتحليلات سوى لأجل توفير فرصًا مثيرة للشركات من جميع الأحجام.

الأسئلة الشائعة حول التعلم الآلي والتحليلات

ما الفَرق بين التعلم الآلي والتحليلات؟

يمثل التعلم الآلي عملية تقييم مجموعات البيانات الكبيرة لتحديد الأنماط وبناء نموذج تنبؤي، سواء لمهام الأتمتة الصغيرة أو لعمليات أكبر وأكثر تعقيدًا تتطلب تفكيرًا نقديًا. تشير التحليلات إلى علم التحليل المنهجي للبيانات والإحصاءات. يمكن أن تستفيد التحليلات من خلال دمج التعلم الآلي في إنشاء نماذج البيانات، لكن المفهومين موجودان بشكل منفصل ما لم يتم استخدامهما معًا عن قصد. في مشهد الأعمال اليوم، يمكن أن يضع مزيج التعلم الآلي والتحليلات المؤسسة نحو طريق النجاح.

ما أنواع التحليلات التي تصحب التعلم الآلي؟

بشكل عام، يمكن لأي نوع من التحليلات استخدام التعلم الآلي طالما أن منصة التحليلات تدعمه وتتصل بشكل صحيح بمستودع بيانات. من الناحية الوظيفية، يمكن لأي مشروع تحليلات تقريبًا الاستفادة من استخدام التعلم الآلي في تسريع عملية جمع البيانات.

كيف يمكن استخدام التعلم الآلي والتحليلات لإجراء تنبؤات بالأعمال؟

يمكن أن تساعد التحليلات المؤسسات في التنبؤ بالأعمال من خلال معالجة البيانات السابقة، وتحديد أنماط أشياء مثل دورات المبيعات، واتجاهات السوق، وسلوك العملاء، أو حتى عمليات التصنيع. باستخدام الرؤى التنبؤية في أي من هذه الأمور، يمكن للمؤسسات اتخاذ قرارات للاستفادة على أفضل وجه من الاستنتاجات للوصول إلى نتائج أعمال أفضل.

كيف يمكن للمؤسسات ضمان نجاح مشروعات التعلم الآلي والتحليلات لديها؟

بالنسبة إلى مشروعات التعلم الآلي والتحليلات، ضع في اعتبارك الممارسات التالية التي قد تساعد على وضعها في طريق النجاح، بما في ذلك ما يلي:

• لكلاهما: استخدام مصادر بيانات عالية الجودة.
• للتحليلات: يضمن وجود مهندسي البيانات أن تفي النمذجة والبيانات بالمعايير قبل الاستخدام.
• للتحليلات: تحديد التقنيات التي تُحقق التوازن الأمثل بين أهداف المشروع والموارد العملية.
• للتعلم الآلي: استكشاف الأخطاء وإصلاحها لمشكلات مثل الإفراط في التجهيز ونقص التجهيز.
• للتعلم الآلي: مراقبة نموذج بعد النشر باستمرار لمعرفة إذا كانت توجد حاجة إلى مزيد من المراجعات والتعديلات.