🛠معرفی ابزار Delta Lake
✅یکی از ابزارهایی که اخیرا در حوزه Big Data مورد توجه قرار گرفته، Delta Lake است. این ابزار توسط Databricks توسعه داده شده و به کاربران اجازه میدهد تا دادههای حجیم و جریانی را به شکلی بهینه مدیریت و پردازش کنند. Delta Lake روی Apache Spark اجرا میشود و قابلیتهای بسیار قویای برای ذخیرهسازی، یکپارچگی و بهبود کیفیت دادهها ارائه میدهد.
✅ویژگیها و قابلیتهای Delta Lake
📌تراکنشهای ACID
این ابزار از تراکنشهای ACID (Atomicity، Consistency، Isolation، Durability) پشتیبانی میکند. این یعنی هر عملیات خواندن و نوشتن به گونهای صورت میگیرد که یکپارچگی دادهها تضمین شود و خطاهایی نظیر نقص دادهها یا تضادهای دادهای پیش نیاید. این قابلیت برای پروژههایی که نیاز به قابلیت اعتماد و ثبات داده دارند بسیار مهم است.
📌مدیریت نسخه :
-دلتا لیک با قابلیت نسخهبندی و Time Travel امکان بازیابی نسخههای قبلی دادهها را فراهم میکند. این ویژگی به ویژه در مواقعی مفید است که نیاز به بازیابی دادههای گذشته، بازبینی تغییرات یا انجام تحلیلهای تاریخی داشته باشید.
📌پردازش Batch و Stream به صورت همزمان:
- یکی از مهمترین مزایای Delta Lake، امکان پردازش Batch و Stream به صورت یکپارچه است. این یعنی با همان مجموعه دادهها میتوانید هم تحلیلهای بلادرنگ (Real-Time) و هم تحلیلهای دستهای را اجرا کنید، که بسیار مفید است برای مواقعی که نیاز به پردازش دادههای ورودی لحظهای و همچنین پردازشهای بزرگتر و دورهای دارید.
📌قابلیت تغییر، بهروزرسانی و حذف دادهها:
- دستورات MERGE، DELETE و UPDATE در Delta Lake پشتیبانی میشود، که این امکان را به شما میدهد تا به راحتی دادههای خود را بهروز کنید. این ویژگی برای تحلیلهای تجاری و مدیریت دادهها در سیستمهای تراکنشی بسیار حیاتی است، چرا که میتوانید دادههای قدیمی را جایگزین کرده یا حذف کنید.
📌سازگاری با اکوسیستم عظیم داده ها:
- این ابزار به راحتی با Apache Spark و دیگر ابزارهای تحلیل داده نظیر MLflow و Power BI سازگار است، و میتواند در محیطهای موجود داده ادغام شود. همچنین از ذخیرهسازیهای ابری مثل Amazon S3 و Azure Data Lake** نیز پشتیبانی میکند.
📌دستهبندی و سازماندهی بهینه دادهها:
- از یک معماری دادهی فایل محور در Delta Lake استفاده میشود که دادهها را به بلوکهای کوچکتر تقسیم کرده و ذخیره میکند. این ساختار باعث میشود دادهها به شکل موثری دستهبندی شوند و دسترسی به آنها سریعتر و بهینهتر باشد.
✅ معماری Delta Lake
در Delta Lake از یک معماری درختی یا چندلایه برای ذخیره و پردازش دادهها استفاده میشود. در این معماری:
📌 دادههای خام در پایینترین سطح (Bronze) ذخیره میشوند.
📌دادههای پاکسازی شده یا ساختاریافته در سطح میانی (Silver) قرار میگیرند.
📌 دادههای آماده برای تحلیل و گزارشگیری نهایی در سطح بالا (Gold) ذخیره میشوند.
این لایهها باعث میشوند که بتوانید روند پاکسازی، تجمیع و آمادهسازی دادهها را به ترتیب و به صورت بهینه انجام دهید.
✅کاربردهای Delta Lake
📍سیستمهای مالی و بانکی: برای اطمینان از دقت و یکپارچگی تراکنشها و تحلیل بلادرنگ دادههای مالی.
📍بازاریابی و تحلیل رفتار مشتریان: برای تحلیلهای لحظهای و تجمیع دادههای کاربران جهت هدفگذاری دقیقتر.
📍مدیریت دادههای IoT: برای ذخیره و پردازش دادههای لحظهای دستگاهها و حسگرها.
📍تحلیلهای جامع در پروژههای کلان داده: برای تجزیه و تحلیل دادهها با مقیاس بالا و قابلیت حفظ نسخههای مختلف دادهها جهت ردیابی تغییرات.
✅به طور کلی، Delta Lake به شما امکان میدهد تا با دادهها به شکل موثرتر و ایمنتر کار کنید و از مزایای ترکیبی سیستمهای تحلیلی و دریاچههای داده در یک بستر واحد بهرهمند شوید.
میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/2j7n
#معرفی_ابزار
#دادههای_عظیم
#فاطمه_مصلحی
#Delta_Lake
#BigData_BusinessAnalytics
www.bdbanalytics.ir
✅یکی از ابزارهایی که اخیرا در حوزه Big Data مورد توجه قرار گرفته، Delta Lake است. این ابزار توسط Databricks توسعه داده شده و به کاربران اجازه میدهد تا دادههای حجیم و جریانی را به شکلی بهینه مدیریت و پردازش کنند. Delta Lake روی Apache Spark اجرا میشود و قابلیتهای بسیار قویای برای ذخیرهسازی، یکپارچگی و بهبود کیفیت دادهها ارائه میدهد.
✅ویژگیها و قابلیتهای Delta Lake
📌تراکنشهای ACID
این ابزار از تراکنشهای ACID (Atomicity، Consistency، Isolation، Durability) پشتیبانی میکند. این یعنی هر عملیات خواندن و نوشتن به گونهای صورت میگیرد که یکپارچگی دادهها تضمین شود و خطاهایی نظیر نقص دادهها یا تضادهای دادهای پیش نیاید. این قابلیت برای پروژههایی که نیاز به قابلیت اعتماد و ثبات داده دارند بسیار مهم است.
📌مدیریت نسخه :
-دلتا لیک با قابلیت نسخهبندی و Time Travel امکان بازیابی نسخههای قبلی دادهها را فراهم میکند. این ویژگی به ویژه در مواقعی مفید است که نیاز به بازیابی دادههای گذشته، بازبینی تغییرات یا انجام تحلیلهای تاریخی داشته باشید.
📌پردازش Batch و Stream به صورت همزمان:
- یکی از مهمترین مزایای Delta Lake، امکان پردازش Batch و Stream به صورت یکپارچه است. این یعنی با همان مجموعه دادهها میتوانید هم تحلیلهای بلادرنگ (Real-Time) و هم تحلیلهای دستهای را اجرا کنید، که بسیار مفید است برای مواقعی که نیاز به پردازش دادههای ورودی لحظهای و همچنین پردازشهای بزرگتر و دورهای دارید.
📌قابلیت تغییر، بهروزرسانی و حذف دادهها:
- دستورات MERGE، DELETE و UPDATE در Delta Lake پشتیبانی میشود، که این امکان را به شما میدهد تا به راحتی دادههای خود را بهروز کنید. این ویژگی برای تحلیلهای تجاری و مدیریت دادهها در سیستمهای تراکنشی بسیار حیاتی است، چرا که میتوانید دادههای قدیمی را جایگزین کرده یا حذف کنید.
📌سازگاری با اکوسیستم عظیم داده ها:
- این ابزار به راحتی با Apache Spark و دیگر ابزارهای تحلیل داده نظیر MLflow و Power BI سازگار است، و میتواند در محیطهای موجود داده ادغام شود. همچنین از ذخیرهسازیهای ابری مثل Amazon S3 و Azure Data Lake** نیز پشتیبانی میکند.
📌دستهبندی و سازماندهی بهینه دادهها:
- از یک معماری دادهی فایل محور در Delta Lake استفاده میشود که دادهها را به بلوکهای کوچکتر تقسیم کرده و ذخیره میکند. این ساختار باعث میشود دادهها به شکل موثری دستهبندی شوند و دسترسی به آنها سریعتر و بهینهتر باشد.
✅ معماری Delta Lake
در Delta Lake از یک معماری درختی یا چندلایه برای ذخیره و پردازش دادهها استفاده میشود. در این معماری:
📌 دادههای خام در پایینترین سطح (Bronze) ذخیره میشوند.
📌دادههای پاکسازی شده یا ساختاریافته در سطح میانی (Silver) قرار میگیرند.
📌 دادههای آماده برای تحلیل و گزارشگیری نهایی در سطح بالا (Gold) ذخیره میشوند.
این لایهها باعث میشوند که بتوانید روند پاکسازی، تجمیع و آمادهسازی دادهها را به ترتیب و به صورت بهینه انجام دهید.
✅کاربردهای Delta Lake
📍سیستمهای مالی و بانکی: برای اطمینان از دقت و یکپارچگی تراکنشها و تحلیل بلادرنگ دادههای مالی.
📍بازاریابی و تحلیل رفتار مشتریان: برای تحلیلهای لحظهای و تجمیع دادههای کاربران جهت هدفگذاری دقیقتر.
📍مدیریت دادههای IoT: برای ذخیره و پردازش دادههای لحظهای دستگاهها و حسگرها.
📍تحلیلهای جامع در پروژههای کلان داده: برای تجزیه و تحلیل دادهها با مقیاس بالا و قابلیت حفظ نسخههای مختلف دادهها جهت ردیابی تغییرات.
✅به طور کلی، Delta Lake به شما امکان میدهد تا با دادهها به شکل موثرتر و ایمنتر کار کنید و از مزایای ترکیبی سیستمهای تحلیلی و دریاچههای داده در یک بستر واحد بهرهمند شوید.
میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/2j7n
#معرفی_ابزار
#دادههای_عظیم
#فاطمه_مصلحی
#Delta_Lake
#BigData_BusinessAnalytics
www.bdbanalytics.ir
📌معرفی مقالات حوزه عظیم دادهها
❇️ نام مقاله:
Comprehensive analytics of COVID-19 vaccine research: From topic
modeling to topic classification
✍️ نویسندگان:
دکتر سعید روحانی، فاطمه مظفری
🗓سال انتشار: ۲۰۲۴
📔ژورنال:
Artificial Intelligence in Medicine (AIIM)
♦️ مقالات پژوهشی در حوزه پزشکی همواره بخش عظیمی از دانش این حوزه را تشکیل داده است. به دنبال همهگیری کووید-19 در اواخر سال 2019، تحقیقات واکسن کووید-19 نقش حیاتی در کنترل موفق این بیماری ایفا نمود و مقالات بسیاری در فاصله سالهای 2020 تا 2022 منتشر گردید. این تلاشها لزوم انجام یک تحلیل ساختاریافته به عنوان تحقیق ثانویه برای استخراج بینشهای مفید از این دادهها را ایجاد نموده است. در این راستا میتوان از تکنیکهای متن کاوی نظیر مدلسازی موضوعی، تحلیل احساسات و دستهبندی موضوعی متن، جهت استخراج دانش از حجم بالای مقالات بهره برد.
📍در این مقاله چکیدههای مقالات نمایه شده در Scopus و Pubmed شامل 4803 چکیده مورد تحلیلهای متنکاوی قرار گرفته است.
1️⃣ در گام اول، با استفاده از روش LDA (Latent Dirichlet Allocation) مدلسازی موضوعی مقالات انجام شده است که منجر به شناسایی 25 موضوع و 8 حوزه تحقیقاتی در این زمینه گردیده است. موضوعات شامل گزارش ایمنی پس از تزریق، پاسخ ایمنی واکسن، واکنش آلرژیک (Anaphylactic)، گزارش موردی، اضطراب مرتبط با کووید-19 در رسانههای اجتماعی، ایمنی و اثربخشی در خانمهای باردار، مقاومت در برابر واکسیناسیون، گروه بندی سنی، توصیه ACIP، نتایج افراد دارای سرطان، پذیرش واکسن در بیماران دارای نقص ایمنی، واریانتها و ... میباشد که در 8 حوزه تحقیقاتی «گزارشدهی»، «پذیرش»، «واکنش»، «نظرسنجیهای انجام شده»، «بارداری»، «واریانتها»، «نظرسنجیهای طبقهبندی شده» و «رویکردهای بینالمللی» قرار گرفتهاند.
2️⃣ در گام دوم، تحلیل احساسات و تغییرات مربوط به آن برای هر موضوع در طول زمان (از سال 2020 تا 2022) بررسی شده است. برای تحلیل احساسات روش lexicon-based و استفاده از VADER به کار رفته است. نتایج این تحلیل نشان میدهد که هر چند اغلب موضوعات مرتبط با واکسن در 2020 دارای احساسات مثبت یا خنثی بودهاند که نشان دهنده امیدواری بسیار در مجامع علمی نسبت به این واکسن در جهت حفاظت در مقابل بیماری بوده است، با این حال، در سالهای 2021 و 2022 برخی از موضوعات دارای احساسات منفی بودهاند که ناشی از برخی از عوارض جانبی، گزارشهای موردی و نگرانیهایی در خصوص اثربخشی آن برای واریانتهای جدید میباشد.
3️⃣ در گام سوم، دستهبندی موضوعی مقالات جدید با استفاده از الگوریتمهای یادگیری ماشین CNN-LSTM انجام شده است. با استفاده از این مدل برای هر مقاله جدید در این حوزه، میتوان یکی از موضوعات از پیش تعیین شده را به عنوان موضوع غالب در آن مقاله با دقت 75% شناسایی نمود.
❇️ استفاده از این رویکرد که شامل ترکیبی از تکنیکهای مختلف متن کاوی است، ضمن فراهم نمودن درک سریعی از ساختار تحقیقات در مورد واکسن کووید-19، میتواند به عنوان رویکردی در انجام نوع جدیدی از مرور سیستماتیک ادبیات در مطالعات پزشکی و واکسن به همراه دانش تخصصی در این حوزهها مورد استفاده قرار گیرد.
👈در صورت تمایل، میتوانید فایل مقاله را در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/u1jn
#معرفی_مقاله
#متن_کاوی
#هوش_مصنوعی
#مدلسازی_موضوعی
#تحلیل_احساسات
#دکتر_سعید_روحانی
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️ نام مقاله:
Comprehensive analytics of COVID-19 vaccine research: From topic
modeling to topic classification
✍️ نویسندگان:
دکتر سعید روحانی، فاطمه مظفری
🗓سال انتشار: ۲۰۲۴
📔ژورنال:
Artificial Intelligence in Medicine (AIIM)
♦️ مقالات پژوهشی در حوزه پزشکی همواره بخش عظیمی از دانش این حوزه را تشکیل داده است. به دنبال همهگیری کووید-19 در اواخر سال 2019، تحقیقات واکسن کووید-19 نقش حیاتی در کنترل موفق این بیماری ایفا نمود و مقالات بسیاری در فاصله سالهای 2020 تا 2022 منتشر گردید. این تلاشها لزوم انجام یک تحلیل ساختاریافته به عنوان تحقیق ثانویه برای استخراج بینشهای مفید از این دادهها را ایجاد نموده است. در این راستا میتوان از تکنیکهای متن کاوی نظیر مدلسازی موضوعی، تحلیل احساسات و دستهبندی موضوعی متن، جهت استخراج دانش از حجم بالای مقالات بهره برد.
📍در این مقاله چکیدههای مقالات نمایه شده در Scopus و Pubmed شامل 4803 چکیده مورد تحلیلهای متنکاوی قرار گرفته است.
1️⃣ در گام اول، با استفاده از روش LDA (Latent Dirichlet Allocation) مدلسازی موضوعی مقالات انجام شده است که منجر به شناسایی 25 موضوع و 8 حوزه تحقیقاتی در این زمینه گردیده است. موضوعات شامل گزارش ایمنی پس از تزریق، پاسخ ایمنی واکسن، واکنش آلرژیک (Anaphylactic)، گزارش موردی، اضطراب مرتبط با کووید-19 در رسانههای اجتماعی، ایمنی و اثربخشی در خانمهای باردار، مقاومت در برابر واکسیناسیون، گروه بندی سنی، توصیه ACIP، نتایج افراد دارای سرطان، پذیرش واکسن در بیماران دارای نقص ایمنی، واریانتها و ... میباشد که در 8 حوزه تحقیقاتی «گزارشدهی»، «پذیرش»، «واکنش»، «نظرسنجیهای انجام شده»، «بارداری»، «واریانتها»، «نظرسنجیهای طبقهبندی شده» و «رویکردهای بینالمللی» قرار گرفتهاند.
2️⃣ در گام دوم، تحلیل احساسات و تغییرات مربوط به آن برای هر موضوع در طول زمان (از سال 2020 تا 2022) بررسی شده است. برای تحلیل احساسات روش lexicon-based و استفاده از VADER به کار رفته است. نتایج این تحلیل نشان میدهد که هر چند اغلب موضوعات مرتبط با واکسن در 2020 دارای احساسات مثبت یا خنثی بودهاند که نشان دهنده امیدواری بسیار در مجامع علمی نسبت به این واکسن در جهت حفاظت در مقابل بیماری بوده است، با این حال، در سالهای 2021 و 2022 برخی از موضوعات دارای احساسات منفی بودهاند که ناشی از برخی از عوارض جانبی، گزارشهای موردی و نگرانیهایی در خصوص اثربخشی آن برای واریانتهای جدید میباشد.
3️⃣ در گام سوم، دستهبندی موضوعی مقالات جدید با استفاده از الگوریتمهای یادگیری ماشین CNN-LSTM انجام شده است. با استفاده از این مدل برای هر مقاله جدید در این حوزه، میتوان یکی از موضوعات از پیش تعیین شده را به عنوان موضوع غالب در آن مقاله با دقت 75% شناسایی نمود.
❇️ استفاده از این رویکرد که شامل ترکیبی از تکنیکهای مختلف متن کاوی است، ضمن فراهم نمودن درک سریعی از ساختار تحقیقات در مورد واکسن کووید-19، میتواند به عنوان رویکردی در انجام نوع جدیدی از مرور سیستماتیک ادبیات در مطالعات پزشکی و واکسن به همراه دانش تخصصی در این حوزهها مورد استفاده قرار گیرد.
👈در صورت تمایل، میتوانید فایل مقاله را در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/u1jn
#معرفی_مقاله
#متن_کاوی
#هوش_مصنوعی
#مدلسازی_موضوعی
#تحلیل_احساسات
#دکتر_سعید_روحانی
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
BDBAnalytics
معرفی مقاله Comprehensive analytics of COVID-19 vaccine research: From topic modeling to topic classification - BDBAnalytics
❇️ نام مقاله:Comprehensive analytics of COVID-19 vaccine research: From topicmodeling to topic classification ✍️ نویسندگان:دکتر سعید روحانی، فاطمه مظفری 🗓سال انتشار: ۲۰۲۴📔ژورنال:Artificial Intelligence in Medicine (AIIM) ♦️ مقالات پژوهشی در […]
👍1
Media is too big
VIEW IN TELEGRAM
📊🧠 آینده معماری عظیم داده
📈 برای پیادهسازی موارد کاربرد عظیم داده، مانند تحلیل داده، یادگیری ماشین و هوش مصنوعی مولد (GenAI)، داشتن یک معماری داده مناسب از اهمیت بالایی برخوردار است.
☁️ معماریهای داده از نخستین انبارهای داده تا پلتفرمهای پیشرفته محاسبات ابری مدرن مسیری طولانی را طی کردهاند.
در این ارائه، به بررسی تاریخچه، وضعیت کنونی و آینده معماریهای عظیم داده میپردازیم. نگاهی خواهیم داشت به الگوهای مختلف معماری داده مانند Data Mesh، Data Lakehouse، Data Fabric و Data Vault. این الگوها چه تفاوتهایی با یکدیگر دارند و چالشهای اصلی پیادهسازی آنها در یک سازمان چیست؟ 🤔
🚀 همچنین، به آینده معماریهای دادههای عظیم و تحولاتی که در پیش رو دارند، خواهیم پرداخت.
این ویدیو بهطور ویژه بخش آینده معماری عظیم داده (BDA) را پوشش میدهد. برای مشاهده کامل ویدیو، به لینک زیر مراجعه کنید:
🔗 لینک ویدیو
#ویدئو_کوتاه
#عظیم_داده
#هوش_مصنوعی
#حمید_جمالی
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📈 برای پیادهسازی موارد کاربرد عظیم داده، مانند تحلیل داده، یادگیری ماشین و هوش مصنوعی مولد (GenAI)، داشتن یک معماری داده مناسب از اهمیت بالایی برخوردار است.
☁️ معماریهای داده از نخستین انبارهای داده تا پلتفرمهای پیشرفته محاسبات ابری مدرن مسیری طولانی را طی کردهاند.
در این ارائه، به بررسی تاریخچه، وضعیت کنونی و آینده معماریهای عظیم داده میپردازیم. نگاهی خواهیم داشت به الگوهای مختلف معماری داده مانند Data Mesh، Data Lakehouse، Data Fabric و Data Vault. این الگوها چه تفاوتهایی با یکدیگر دارند و چالشهای اصلی پیادهسازی آنها در یک سازمان چیست؟ 🤔
🚀 همچنین، به آینده معماریهای دادههای عظیم و تحولاتی که در پیش رو دارند، خواهیم پرداخت.
این ویدیو بهطور ویژه بخش آینده معماری عظیم داده (BDA) را پوشش میدهد. برای مشاهده کامل ویدیو، به لینک زیر مراجعه کنید:
🔗 لینک ویدیو
#ویدئو_کوتاه
#عظیم_داده
#هوش_مصنوعی
#حمید_جمالی
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📚معرفی کتاب
🔍 هوش تجاری مبتنی بر هوش مصنوعی؛ بهبود پیشبینی و تصمیمگیری با استفاده از یادگیری ماشین
“AI-powered Business Intelligence; Improving forecasts and decision making with machine learning ”
🖋 نویسنده: Tobias Zwingmann
📌این کتاب در سال ۲۰۲۲ و توسط O’REILLY انتشار یافته است.
📍در طی سالهای اخیر فاصله قابل توجهی میان تیمهایی از سازمان مانند تیمهای هوش تجاری (BI) و علم داده (Data Science) که با داده و راهحلهای داده محور برای حل مسائل و تصمیمگیری سروکار دارند ایجاد شده. از طرفی با پیشرفتهای حاصل شده در حوزه هوش مصنوعی و یکپارچگی روزافزون آن با فرایندها و فعالیتهای مختلف سازمانها، نمیتوان تاثیر آن بر حوزه هوش تجاری و علم داده را نادیده گرفت. در نهایتِ تمام مباحث حول محور تاثیرات هوش مصنوعی بر آیندهی کار، برای آیندهی حداقل میانمدت میتوان به این نتیجه رضایت داد که افرادی که توانایی به کارگیری ابزار هوش مصنوعی در فعالیتها را دارند در اولویت بالاتری برای جذب و بقا در سازمانها قرار خواهند گرفت.
📍کتاب مورد بررسی با تمرکز بر افراد و تیمهای با تخصص هوش تجاری، از هوشمصنوعی به عنوان سرویس (AIaaS) با استفاده از زیرساخت ابری آژور شرکت مایکروسافت (Microsoft Azure) و همچنین سیستم هوش تجاری مایکروسافت (Power BI)، در راستای کم کردن فاصلهی ذکر شده تلاش میکند. هرچند ممکن است سازمانهای مختلف از سرویسهای متفاوتی استفاده کنند، ولی مفاهیم ذکر شده در این کتاب قابل تعمیم به ابزارهای دیگر نیز هستند و به منظور یادگیری راحتتر و یکپارچگی موجود و همچنین محبوبیت ابزار شرکت مایکروسافت از آنها استفاده شده. لازم به ذکر است که به منظور یادگیری، ظرفیت عضویت رایگان سرویس ابری آژور کافی است که از آن میتوان برای پیادهسازی راهحلهای مسائل موجود در کتاب بهره گرفت. همچنین سعی شده در پیادهسازی راهحلها، از راهحلهای خودکار و بدون کد یادگیری ماشین (Machine Learning) استفاده شود.
📍در فصلهای ابتدایی کتاب به بررسی تاثیرات هوش مصنوعی و هوش تجاری و پایههای اساسی آن حوزهها همانند الگوریتمهای یادگیری ماشین و نمونهسازی (prototyping) پرداخته شده است. پس از آن در بخشهای متفاوتی راهحلهایی برای تحلیلهای توصیفی (Denoscriptive)، تشخیصی (Diagnostic)، پیشبینی کننده (Predictive)، و تجویزی (Prenoscriptive) به صورت مجزا ارائه شده و با تمرکز بر مسائل بهروزی که بسیاری از شرکتها با آنها درگیر هستند، راهحلی دادهمحور با استفاده از ابزار تحلیلی و گزارشدهی مبتنی بر هوشمصنوعی ارائه داده و آن راهحل را به صورت کاربردی و مرحله به مرحله نیز توضیح داده است. در نهایت، طی مثالی پیچیدهتر راهحلهای متفاوت ذکر شده را به صورت یکجا به کار گرفته تا تصویری از مسائل پیچیدهتر دنیای واقعی را نیز به خوانندگان ارائه دهد.
📍اهداف آموزشی این کتاب را میتوان شامل موارد زیر دانست:
🔹 چگونگی تاثیر هوش مصنوعی بر فرایندها و فعالیتهای هوش تجاری
🔹چگونگی استفاده از هوش مصنوعی و ساختن نمونههای اولیه
🔹ساختن راهحلهایی با استفاده از سرویسهای هوش مصنوعی در زمینه هوش تجاری
🔹استفاده از هوش مصنوعی خودکار (AutoML) برای دستهبندی (Classification) خودکار و بهبود پیشبینیها
🔹 ایجاد سیستمهای پیشنهاد دهنده برای پشتیبانی از تصمیمگیریها
🔹استخراج بینش از دادههای ساختارنیافته همانند متن و تصاویر با استفاده از تکنیکهای پردازش زبان طبیعی (NLP) و پردازش تصویر (Image processing)
🔹 ایجاد داشبوردهای تعاملی با استفاده از هوش مصنوعی
📍تمامی دادهها، راهحلها و داشبوردهای ارائه شده در کتاب به همراه ابزاری که قابلیت گفتگو با کتاب را فراهم میکند نیز در وبسایتی که در کتاب معرفی شده به صورت رایگان در دسترس هستند.
این کتاب را میتوانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/jyry
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🔍 هوش تجاری مبتنی بر هوش مصنوعی؛ بهبود پیشبینی و تصمیمگیری با استفاده از یادگیری ماشین
“AI-powered Business Intelligence; Improving forecasts and decision making with machine learning ”
🖋 نویسنده: Tobias Zwingmann
📌این کتاب در سال ۲۰۲۲ و توسط O’REILLY انتشار یافته است.
📍در طی سالهای اخیر فاصله قابل توجهی میان تیمهایی از سازمان مانند تیمهای هوش تجاری (BI) و علم داده (Data Science) که با داده و راهحلهای داده محور برای حل مسائل و تصمیمگیری سروکار دارند ایجاد شده. از طرفی با پیشرفتهای حاصل شده در حوزه هوش مصنوعی و یکپارچگی روزافزون آن با فرایندها و فعالیتهای مختلف سازمانها، نمیتوان تاثیر آن بر حوزه هوش تجاری و علم داده را نادیده گرفت. در نهایتِ تمام مباحث حول محور تاثیرات هوش مصنوعی بر آیندهی کار، برای آیندهی حداقل میانمدت میتوان به این نتیجه رضایت داد که افرادی که توانایی به کارگیری ابزار هوش مصنوعی در فعالیتها را دارند در اولویت بالاتری برای جذب و بقا در سازمانها قرار خواهند گرفت.
📍کتاب مورد بررسی با تمرکز بر افراد و تیمهای با تخصص هوش تجاری، از هوشمصنوعی به عنوان سرویس (AIaaS) با استفاده از زیرساخت ابری آژور شرکت مایکروسافت (Microsoft Azure) و همچنین سیستم هوش تجاری مایکروسافت (Power BI)، در راستای کم کردن فاصلهی ذکر شده تلاش میکند. هرچند ممکن است سازمانهای مختلف از سرویسهای متفاوتی استفاده کنند، ولی مفاهیم ذکر شده در این کتاب قابل تعمیم به ابزارهای دیگر نیز هستند و به منظور یادگیری راحتتر و یکپارچگی موجود و همچنین محبوبیت ابزار شرکت مایکروسافت از آنها استفاده شده. لازم به ذکر است که به منظور یادگیری، ظرفیت عضویت رایگان سرویس ابری آژور کافی است که از آن میتوان برای پیادهسازی راهحلهای مسائل موجود در کتاب بهره گرفت. همچنین سعی شده در پیادهسازی راهحلها، از راهحلهای خودکار و بدون کد یادگیری ماشین (Machine Learning) استفاده شود.
📍در فصلهای ابتدایی کتاب به بررسی تاثیرات هوش مصنوعی و هوش تجاری و پایههای اساسی آن حوزهها همانند الگوریتمهای یادگیری ماشین و نمونهسازی (prototyping) پرداخته شده است. پس از آن در بخشهای متفاوتی راهحلهایی برای تحلیلهای توصیفی (Denoscriptive)، تشخیصی (Diagnostic)، پیشبینی کننده (Predictive)، و تجویزی (Prenoscriptive) به صورت مجزا ارائه شده و با تمرکز بر مسائل بهروزی که بسیاری از شرکتها با آنها درگیر هستند، راهحلی دادهمحور با استفاده از ابزار تحلیلی و گزارشدهی مبتنی بر هوشمصنوعی ارائه داده و آن راهحل را به صورت کاربردی و مرحله به مرحله نیز توضیح داده است. در نهایت، طی مثالی پیچیدهتر راهحلهای متفاوت ذکر شده را به صورت یکجا به کار گرفته تا تصویری از مسائل پیچیدهتر دنیای واقعی را نیز به خوانندگان ارائه دهد.
📍اهداف آموزشی این کتاب را میتوان شامل موارد زیر دانست:
🔹 چگونگی تاثیر هوش مصنوعی بر فرایندها و فعالیتهای هوش تجاری
🔹چگونگی استفاده از هوش مصنوعی و ساختن نمونههای اولیه
🔹ساختن راهحلهایی با استفاده از سرویسهای هوش مصنوعی در زمینه هوش تجاری
🔹استفاده از هوش مصنوعی خودکار (AutoML) برای دستهبندی (Classification) خودکار و بهبود پیشبینیها
🔹 ایجاد سیستمهای پیشنهاد دهنده برای پشتیبانی از تصمیمگیریها
🔹استخراج بینش از دادههای ساختارنیافته همانند متن و تصاویر با استفاده از تکنیکهای پردازش زبان طبیعی (NLP) و پردازش تصویر (Image processing)
🔹 ایجاد داشبوردهای تعاملی با استفاده از هوش مصنوعی
📍تمامی دادهها، راهحلها و داشبوردهای ارائه شده در کتاب به همراه ابزاری که قابلیت گفتگو با کتاب را فراهم میکند نیز در وبسایتی که در کتاب معرفی شده به صورت رایگان در دسترس هستند.
این کتاب را میتوانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/jyry
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌معرفی مقالات حوزه عظیم دادهها
❇️ نام مقاله:
Text analytics and new service development: a hybrid thematic analysis with systematic literature review approach
✍️نویسندگان:
Saeed Rouhani , Saba Alsadat Bozorgi , Hannan Amoozad Mahdiraji, Demetris Vrontis
📔ژورنال :
EuroMed Journal of Business
🗓سال انتشار: 2024
🔸طی دههها، مقرراتزدایی و جهانیشدن بازارها، همراه با گسترش بینالمللی شرکت های خدماتی، رقابت را بین ارائهدهندگان خدمات به طور قابل توجهی تشدید کرده است. این پیشرفتها نقش حیاتی نوآوری خدمات را در ارتقای موقعیت رقابتی شرکتها، با توجه به ضرورت تعدیل مداوم در یک محیط بازار ناپایدار که مستلزم جریان ثابتی از پیشنهادات جدید است، برجسته میکند.
🔸مجموعه ادبیات توسعه خدمات جدید (NSD) در سالهای اخیر افزایش یافته است و بر ماهیت انتزاعی خدمات و ضرورت مشارکت مشتری تمرکز دارد. این موضوع بر این باور استوار است که NSD نقش مهمی در رقابت و موفقیت شرکتها در صنایع مختلف خدماتی ایفا میکند .
🔸میتوان بیان کرد که توسعه یک سرویس جدید فرآیندی از وظایف، فعالیتها و ارزیابیهای مرتبط با یکدیگر است که با معرفی یک سرویس جدید به اوج خود میرسد . در نتیجه، مطالعات قبلی به دنبال عوامل تعیینکننده توسعه خدمات موفق و عملکرد تجاری بودهاند و بسیاری از ویژگیهای خدمات و عناصر سازمانی را که بر اثربخشی NSD تأثیر میگذارند، برجسته کردهاند. با این حال، NSD یکی از حوزه هایی است که کمترین توجه و درک را در مدیریت خدمات (SMA) به خود جلب کرده است. همچنین دانش موجود در خصوص منابع و فعالیتهای لازم برای ایجاد خدمات جدید موثر، ناکافی تلقی میشود.
🔸 از سوی دیگر، بررسیهای آنلاین تولید شده توسط کاربر دارای ارزش بسیار زیادی است ، زیرا بینشهای ارزشمندی را در مورد رضایت مصرفکننده و کیفیت خدمات درک شده ارائه میکنند. در واقع این بررسیها به یک منبع اطلاعاتی مهم تبدیل شدهاند که مشتریان هنگام تصمیم گیری برای خرید محصولات و خدمات آنلاین و آفلاین به آنها تکیه میکنند . از دیدگاه مصرف کنندگان، این بررسیها و نظرات منتشر شده در رسانههای اجتماعی بر تصمیمات آنها برای خرید یا خرید مجدد خدمات، با توجه به اعتمادی که به منابع محتوایی در شبکههای اجتماعی خود دارند، تأثیر میگذارد . در نتیجه میتوان گفت، بررسیهای آنلاین در شکلدهی به فرآیندهای تصمیمگیری مشتریان برای خرید محصول و خدمات آنلاین یا آفلاین بسیار مهم هستند . بنابراین، توسعه روشهای تحلیلی برای استخراج بینشهای ارزشمند از این دادههای متنی بسیار مهم است. چنین اطلاعاتی به ارائهدهندگان محصول و خدمات در درک نیازها و نظرات مردم کمک میکند.
🔸با توجه به نکات ذکر شده و اهمیت تحلیلگری متن در طراحی سرویسهای نوین، از آنجایی که پیش از این هیچ مطالعه ادبیات سیستماتیکی وجود نداشت که تحقیقات انجام شده در برنامههای کاربردی تجزیه و تحلیل متن در حوزه خدمات را به مدت 11 سال (2012 الی 2023) در بر گیرد، پژوهش پیشرو با بررسی 124 مقاله تحقیقاتی به پر کردن شکاف در ادبیات کمک میکند. همچنین، این پژوهش با ارائه ترکیبی از بررسی سیستماتیک ادبیات و تحلیل موضوعی (SLR-TA) عمیقاً تأثیر رویکردهای تحلیل متن در حوزه خدمات را تحلیل میکند. با تجزیه و تحلیل موضوعی، این مطالعه روندهای اصلی در به کارگیری تجزیه و تحلیل متن در بخش خدمات را آشکار کرده است.
🔸همانطور که ذکر شد این پژوهش با استفاده از رویکرد SLR-TA، هشت موضوع را در مطالعات قبلی شناسایی میکند و دریافته است که «کیفیت خدمات» بیشترین علاقه تحقیقاتی را داشته است، که 42 درصد از مطالعات را شامل میشود، در حالی که تأکید کمتری بر طراحی خدمات جدید شده است. این مطالعه تحقیقات را به چهار نوع موردی، مفهومی، ابزار و پیادهسازی دستهبندی میکند که مطالعات موردی 68 درصد از کل پژوهش ها را شامل میشود.
🔸همچنین این مطالعه مزایا و چالشهای اجرای رویکردهای استخراج شده را بررسی میکند و فرصتهای پژوهشی بالقوه را برای توسعه خدمات آینده شناسایی میکند.
🔸نکته مهم این است که این مطالعه بینشهایی را برای کمک به ارائهدهندگان خدمات ارائه میدهد تا تصمیمات مبتنی بر داده را برای توسعه خدمات جدید و بهینهسازی خدمات موجود اتخاذ کنند. بنابراین، نتایج این مطالعه دانش ثانویه مفید و دیدگاههای تازهای را در اختیار محققان بخش خدمات قرار میدهد.
علاوه بر این، یافتههای مطالعه حاضر به دانشگاهیان کمک میکند تا درک روشنی از حوزههای خدماتی داشته باشند که نیاز به مطالعات بیشتری دارند.
👈در صورت تمایل، میتوانید فایل مقاله را در لینک دریافت فرمایید.
🔗 https://bdbanalytics.ir/hiqu
#معرفی_مقاله
#تحلیل_عظیم_داده
#دکتر_سعید_روحانی
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️ نام مقاله:
Text analytics and new service development: a hybrid thematic analysis with systematic literature review approach
✍️نویسندگان:
Saeed Rouhani , Saba Alsadat Bozorgi , Hannan Amoozad Mahdiraji, Demetris Vrontis
📔ژورنال :
EuroMed Journal of Business
🗓سال انتشار: 2024
🔸طی دههها، مقرراتزدایی و جهانیشدن بازارها، همراه با گسترش بینالمللی شرکت های خدماتی، رقابت را بین ارائهدهندگان خدمات به طور قابل توجهی تشدید کرده است. این پیشرفتها نقش حیاتی نوآوری خدمات را در ارتقای موقعیت رقابتی شرکتها، با توجه به ضرورت تعدیل مداوم در یک محیط بازار ناپایدار که مستلزم جریان ثابتی از پیشنهادات جدید است، برجسته میکند.
🔸مجموعه ادبیات توسعه خدمات جدید (NSD) در سالهای اخیر افزایش یافته است و بر ماهیت انتزاعی خدمات و ضرورت مشارکت مشتری تمرکز دارد. این موضوع بر این باور استوار است که NSD نقش مهمی در رقابت و موفقیت شرکتها در صنایع مختلف خدماتی ایفا میکند .
🔸میتوان بیان کرد که توسعه یک سرویس جدید فرآیندی از وظایف، فعالیتها و ارزیابیهای مرتبط با یکدیگر است که با معرفی یک سرویس جدید به اوج خود میرسد . در نتیجه، مطالعات قبلی به دنبال عوامل تعیینکننده توسعه خدمات موفق و عملکرد تجاری بودهاند و بسیاری از ویژگیهای خدمات و عناصر سازمانی را که بر اثربخشی NSD تأثیر میگذارند، برجسته کردهاند. با این حال، NSD یکی از حوزه هایی است که کمترین توجه و درک را در مدیریت خدمات (SMA) به خود جلب کرده است. همچنین دانش موجود در خصوص منابع و فعالیتهای لازم برای ایجاد خدمات جدید موثر، ناکافی تلقی میشود.
🔸 از سوی دیگر، بررسیهای آنلاین تولید شده توسط کاربر دارای ارزش بسیار زیادی است ، زیرا بینشهای ارزشمندی را در مورد رضایت مصرفکننده و کیفیت خدمات درک شده ارائه میکنند. در واقع این بررسیها به یک منبع اطلاعاتی مهم تبدیل شدهاند که مشتریان هنگام تصمیم گیری برای خرید محصولات و خدمات آنلاین و آفلاین به آنها تکیه میکنند . از دیدگاه مصرف کنندگان، این بررسیها و نظرات منتشر شده در رسانههای اجتماعی بر تصمیمات آنها برای خرید یا خرید مجدد خدمات، با توجه به اعتمادی که به منابع محتوایی در شبکههای اجتماعی خود دارند، تأثیر میگذارد . در نتیجه میتوان گفت، بررسیهای آنلاین در شکلدهی به فرآیندهای تصمیمگیری مشتریان برای خرید محصول و خدمات آنلاین یا آفلاین بسیار مهم هستند . بنابراین، توسعه روشهای تحلیلی برای استخراج بینشهای ارزشمند از این دادههای متنی بسیار مهم است. چنین اطلاعاتی به ارائهدهندگان محصول و خدمات در درک نیازها و نظرات مردم کمک میکند.
🔸با توجه به نکات ذکر شده و اهمیت تحلیلگری متن در طراحی سرویسهای نوین، از آنجایی که پیش از این هیچ مطالعه ادبیات سیستماتیکی وجود نداشت که تحقیقات انجام شده در برنامههای کاربردی تجزیه و تحلیل متن در حوزه خدمات را به مدت 11 سال (2012 الی 2023) در بر گیرد، پژوهش پیشرو با بررسی 124 مقاله تحقیقاتی به پر کردن شکاف در ادبیات کمک میکند. همچنین، این پژوهش با ارائه ترکیبی از بررسی سیستماتیک ادبیات و تحلیل موضوعی (SLR-TA) عمیقاً تأثیر رویکردهای تحلیل متن در حوزه خدمات را تحلیل میکند. با تجزیه و تحلیل موضوعی، این مطالعه روندهای اصلی در به کارگیری تجزیه و تحلیل متن در بخش خدمات را آشکار کرده است.
🔸همانطور که ذکر شد این پژوهش با استفاده از رویکرد SLR-TA، هشت موضوع را در مطالعات قبلی شناسایی میکند و دریافته است که «کیفیت خدمات» بیشترین علاقه تحقیقاتی را داشته است، که 42 درصد از مطالعات را شامل میشود، در حالی که تأکید کمتری بر طراحی خدمات جدید شده است. این مطالعه تحقیقات را به چهار نوع موردی، مفهومی، ابزار و پیادهسازی دستهبندی میکند که مطالعات موردی 68 درصد از کل پژوهش ها را شامل میشود.
🔸همچنین این مطالعه مزایا و چالشهای اجرای رویکردهای استخراج شده را بررسی میکند و فرصتهای پژوهشی بالقوه را برای توسعه خدمات آینده شناسایی میکند.
🔸نکته مهم این است که این مطالعه بینشهایی را برای کمک به ارائهدهندگان خدمات ارائه میدهد تا تصمیمات مبتنی بر داده را برای توسعه خدمات جدید و بهینهسازی خدمات موجود اتخاذ کنند. بنابراین، نتایج این مطالعه دانش ثانویه مفید و دیدگاههای تازهای را در اختیار محققان بخش خدمات قرار میدهد.
علاوه بر این، یافتههای مطالعه حاضر به دانشگاهیان کمک میکند تا درک روشنی از حوزههای خدماتی داشته باشند که نیاز به مطالعات بیشتری دارند.
👈در صورت تمایل، میتوانید فایل مقاله را در لینک دریافت فرمایید.
🔗 https://bdbanalytics.ir/hiqu
#معرفی_مقاله
#تحلیل_عظیم_داده
#دکتر_سعید_روحانی
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🔍 مطالعه موردی کاربردهای تحلیل عظیمداده
📊 گوگل: پیشگام در دنیای دادههای عظیم
گوگل یکی از شرکتهایی است که تأثیر عمیقی بر نحوه استفاده و بهرهبرداری از دادههای عظیم در زندگی روزمره گذاشته است. این شرکت نه تنها ابزارهایی مانند MapReduce و BigQuery را معرفی کرده است، بلکه استفاده از دادههای عظیم را به بخشی جداییناپذیر از خدمات خود تبدیل کرده است. گوگل روزانه حدود 3.5 میلیارد درخواست جستجو را پردازش میکند و اطلاعات این جستجوها به دیتابیسی شامل 20 میلیارد صفحه وب متصل میشود.
📌 نوآوریهای گوگل در پردازش دادههای عظیم
1️⃣ الگوریتم انقلابی جستجو (PageRank)
در سالهای اولیه، گوگل با معرفی الگوریتم PageRank توانست یک روش جدید برای اندازهگیری اهمیت صفحات وب ارائه دهد. این الگوریتم با تحلیل لینکهایی که به یک صفحه داده شدهاند، رتبه آن را تعیین میکند. برخلاف سایر موتورهای جستجو که تنها به کلمات کلیدی تکیه داشتند، گوگل با ترکیب دادههای ساختاری و معنایی توانست تجربه کاربری را بهبود ببخشد.
2️⃣ از جستجوی کلیدواژهای تا جستجوی معنایی
گوگل بهطور مداوم الگوریتمهای خود را بهبود بخشیده و از جستجوی مبتنی بر کلمات کلیدی به جستجوی معنایی (Semantic Search) تغییر مسیر داده است. این نوع جستجو به جای تکیه بر کلمات جداگانه، بر معنا و ارتباط بین آنها تمرکز دارد و از دادههای تاریخی، موقعیت جغرافیایی، و رفتار کاربر برای نمایش نتایج دقیقتر استفاده میکند.
3️⃣ ویژگیهای Universal Search و Knowledge Graph
گوگل در سال 2007 ویژگی Universal Search را معرفی کرد که اطلاعات را از منابع مختلف مانند پایگاههای داده زبانشناسی، پیشبینیهای آبوهوا، دادههای مالی و حتی معادلات ریاضی جمعآوری کرده و به نتایج جستجو اضافه میکند. در سال 2012 این رویکرد به سطح جدیدی رسید و Knowledge Graph معرفی شد که اطلاعات مرتبط با جستجو را مستقیماً در نتایج نشان میدهد.
📌 پروژههای دادهمحور گوگل
🚗 خودروهای خودران
یکی از پیشرفتهترین پروژههای گوگل، خودروهای خودران است. این خودروها با استفاده از دادههای عظیمی که از حسگرها، دوربینها، دستگاههای ردیابی و اطلاعات نقشههای گوگل مانند Street View به دست میآید، میتوانند بدون نیاز به راننده انسان در جادهها حرکت کنند.
🦠 پیشبینی اپیدمیها
در سال 2008، گوگل مقالهای منتشر کرد که نشان میداد فناوریهای این شرکت میتوانند شیوع آنفلوانزا را با دقت بیشتری نسبت به روشهای پزشکی سنتی پیشبینی کنند. اگرچه این نتایج با بحثهای فراوانی همراه بود، اما نشاندهنده قدرت تحلیل دادههای عظیم برای پیشبینی روندهای اجتماعی و بهداشتی است.
📌 مدیریت و بهرهبرداری از دادههای کاربران
🔐 جمعآوری و تحلیل دادهها
گوگل از اطلاعات کاربران برای بهبود خدمات خود و همچنین نمایش تبلیغات هدفمند استفاده میکند. الگوریتم Adsense یکی از ابزارهای کلیدی گوگل است که با تحلیل رفتار کاربران، تبلیغات مرتبط را نمایش داده و شرکتها را به مشتریان بالقوه متصل میکند.
🖥 سرویس ابری دادههای عظیم (BigQuery)
سرویس BigQuery، یک سرویس تجاری برای ذخیرهسازی و تحلیل دادههای عظیم است. این سرویس به کسبوکارها اجازه میدهد دادههای خود را روی زیرساخت ابری گوگل ذخیره کنند و از قدرت پردازشی بالای آن برای انجام تحلیلهای پیچیده بهرهمند شوند.
📌 چشمانداز آینده گوگل در دادههای عظیم
گوگل در تلاش است سیستمی بسازد که توانایی فهم و پاسخ به زبان طبیعی انسان را داشته باشد. هدف نهایی، ساخت دستگاهی است که مشابه رایانههای علمیتخیلی عمل کرده و به دقیقترین شکل ممکن به سؤالات کاربران پاسخ دهد.
✅ تعدادی از کاربردها و تأثیرات گوگل در تحلیل دادههای عظیم
📍 بهینهسازی جستجو: ارائه نتایج دقیقتر و مرتبطتر با نیاز کاربران.
📍 پیشرفت در حملونقل: استفاده از دادهها در پروژه خودروهای خودران.
📍 سلامت و پیشبینی بیماریها: تحلیل دادههای جمعیتی برای پیشبینی روندهای بهداشتی.
📍 تبلیغات هدفمند: افزایش بهرهوری تبلیغات از طریق تحلیل رفتار کاربران.
گوگل بهعنوان یکی از بزرگترین و موفقترین شرکتهای دنیا، همچنان در زمینه تحلیل دادههای عظیم پیشتاز است و پروژههای آن نشاندهنده اهمیت و پتانسیل این فناوری برای آینده است.
👈 همچنین میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/ud9n
#مطالعه_موردی
#تحلیل_داده
#گوگل
#دادههای_عظیم
#امین_صالحنژاد
#BigData_BusinessAnalytics
www.bdbanalytics.ir
📊 گوگل: پیشگام در دنیای دادههای عظیم
گوگل یکی از شرکتهایی است که تأثیر عمیقی بر نحوه استفاده و بهرهبرداری از دادههای عظیم در زندگی روزمره گذاشته است. این شرکت نه تنها ابزارهایی مانند MapReduce و BigQuery را معرفی کرده است، بلکه استفاده از دادههای عظیم را به بخشی جداییناپذیر از خدمات خود تبدیل کرده است. گوگل روزانه حدود 3.5 میلیارد درخواست جستجو را پردازش میکند و اطلاعات این جستجوها به دیتابیسی شامل 20 میلیارد صفحه وب متصل میشود.
📌 نوآوریهای گوگل در پردازش دادههای عظیم
1️⃣ الگوریتم انقلابی جستجو (PageRank)
در سالهای اولیه، گوگل با معرفی الگوریتم PageRank توانست یک روش جدید برای اندازهگیری اهمیت صفحات وب ارائه دهد. این الگوریتم با تحلیل لینکهایی که به یک صفحه داده شدهاند، رتبه آن را تعیین میکند. برخلاف سایر موتورهای جستجو که تنها به کلمات کلیدی تکیه داشتند، گوگل با ترکیب دادههای ساختاری و معنایی توانست تجربه کاربری را بهبود ببخشد.
2️⃣ از جستجوی کلیدواژهای تا جستجوی معنایی
گوگل بهطور مداوم الگوریتمهای خود را بهبود بخشیده و از جستجوی مبتنی بر کلمات کلیدی به جستجوی معنایی (Semantic Search) تغییر مسیر داده است. این نوع جستجو به جای تکیه بر کلمات جداگانه، بر معنا و ارتباط بین آنها تمرکز دارد و از دادههای تاریخی، موقعیت جغرافیایی، و رفتار کاربر برای نمایش نتایج دقیقتر استفاده میکند.
3️⃣ ویژگیهای Universal Search و Knowledge Graph
گوگل در سال 2007 ویژگی Universal Search را معرفی کرد که اطلاعات را از منابع مختلف مانند پایگاههای داده زبانشناسی، پیشبینیهای آبوهوا، دادههای مالی و حتی معادلات ریاضی جمعآوری کرده و به نتایج جستجو اضافه میکند. در سال 2012 این رویکرد به سطح جدیدی رسید و Knowledge Graph معرفی شد که اطلاعات مرتبط با جستجو را مستقیماً در نتایج نشان میدهد.
📌 پروژههای دادهمحور گوگل
🚗 خودروهای خودران
یکی از پیشرفتهترین پروژههای گوگل، خودروهای خودران است. این خودروها با استفاده از دادههای عظیمی که از حسگرها، دوربینها، دستگاههای ردیابی و اطلاعات نقشههای گوگل مانند Street View به دست میآید، میتوانند بدون نیاز به راننده انسان در جادهها حرکت کنند.
🦠 پیشبینی اپیدمیها
در سال 2008، گوگل مقالهای منتشر کرد که نشان میداد فناوریهای این شرکت میتوانند شیوع آنفلوانزا را با دقت بیشتری نسبت به روشهای پزشکی سنتی پیشبینی کنند. اگرچه این نتایج با بحثهای فراوانی همراه بود، اما نشاندهنده قدرت تحلیل دادههای عظیم برای پیشبینی روندهای اجتماعی و بهداشتی است.
📌 مدیریت و بهرهبرداری از دادههای کاربران
🔐 جمعآوری و تحلیل دادهها
گوگل از اطلاعات کاربران برای بهبود خدمات خود و همچنین نمایش تبلیغات هدفمند استفاده میکند. الگوریتم Adsense یکی از ابزارهای کلیدی گوگل است که با تحلیل رفتار کاربران، تبلیغات مرتبط را نمایش داده و شرکتها را به مشتریان بالقوه متصل میکند.
🖥 سرویس ابری دادههای عظیم (BigQuery)
سرویس BigQuery، یک سرویس تجاری برای ذخیرهسازی و تحلیل دادههای عظیم است. این سرویس به کسبوکارها اجازه میدهد دادههای خود را روی زیرساخت ابری گوگل ذخیره کنند و از قدرت پردازشی بالای آن برای انجام تحلیلهای پیچیده بهرهمند شوند.
📌 چشمانداز آینده گوگل در دادههای عظیم
گوگل در تلاش است سیستمی بسازد که توانایی فهم و پاسخ به زبان طبیعی انسان را داشته باشد. هدف نهایی، ساخت دستگاهی است که مشابه رایانههای علمیتخیلی عمل کرده و به دقیقترین شکل ممکن به سؤالات کاربران پاسخ دهد.
✅ تعدادی از کاربردها و تأثیرات گوگل در تحلیل دادههای عظیم
📍 بهینهسازی جستجو: ارائه نتایج دقیقتر و مرتبطتر با نیاز کاربران.
📍 پیشرفت در حملونقل: استفاده از دادهها در پروژه خودروهای خودران.
📍 سلامت و پیشبینی بیماریها: تحلیل دادههای جمعیتی برای پیشبینی روندهای بهداشتی.
📍 تبلیغات هدفمند: افزایش بهرهوری تبلیغات از طریق تحلیل رفتار کاربران.
گوگل بهعنوان یکی از بزرگترین و موفقترین شرکتهای دنیا، همچنان در زمینه تحلیل دادههای عظیم پیشتاز است و پروژههای آن نشاندهنده اهمیت و پتانسیل این فناوری برای آینده است.
👈 همچنین میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/ud9n
#مطالعه_موردی
#تحلیل_داده
#گوگل
#دادههای_عظیم
#امین_صالحنژاد
#BigData_BusinessAnalytics
www.bdbanalytics.ir
BDBAnalytics
مطالعه موردی کاربردهای تحلیل عظیمداده: شرکت Google - BDBAnalytics
📊 گوگل: پیشگام در دنیای دادههای عظیم گوگل یکی از شرکتهایی است که تأثیر عمیقی بر نحوه استفاده و بهرهبرداری از دادههای عظیم در زندگی روزمره گذاشته است. این شرکت […]
👍1
Media is too big
VIEW IN TELEGRAM
🔍 هوش مصنوعی و تحلیل داده؛ آینده تصمیمگیری کسبوکارها
🚀 در این ویدئو می بینیم که چگونه هوش مصنوعی و تحلیلگری عظیم داده در حال متحول نمودن صنایع مختلف هستند:
✅ پیشبینی بیماریها و بهینهسازی درمان در حوزه سلامت 🏥
✅ پیشنهادهای شخصیسازیشده برای افزایش فروش و رضایت مشتریان 📊
✅ افزایش درآمد برای کسبوکارهایی که از هوش مصنوعی استفاده میکنند.
💡 مزیت رقابتی برای آینده:
پذیرش هوش مصنوعی به شما این امکان را میدهد که تصمیمگیریهای دادهمحور انجام دهید و کسبوکار خود را به جلو ببرید.
همچنین میتوانید این ویدئو را در لینک زیر مشاهده فرمایید.
🔗 https://bdbanalytics.ir/fidf
#هوش_مصنوعی
#تحلیل_داده
#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی
@BigData_BusinessAnalytics
www.bdbanalytics.ir
🚀 در این ویدئو می بینیم که چگونه هوش مصنوعی و تحلیلگری عظیم داده در حال متحول نمودن صنایع مختلف هستند:
✅ پیشبینی بیماریها و بهینهسازی درمان در حوزه سلامت 🏥
✅ پیشنهادهای شخصیسازیشده برای افزایش فروش و رضایت مشتریان 📊
✅ افزایش درآمد برای کسبوکارهایی که از هوش مصنوعی استفاده میکنند.
💡 مزیت رقابتی برای آینده:
پذیرش هوش مصنوعی به شما این امکان را میدهد که تصمیمگیریهای دادهمحور انجام دهید و کسبوکار خود را به جلو ببرید.
همچنین میتوانید این ویدئو را در لینک زیر مشاهده فرمایید.
🔗 https://bdbanalytics.ir/fidf
#هوش_مصنوعی
#تحلیل_داده
#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی
@BigData_BusinessAnalytics
www.bdbanalytics.ir
👍1
🍁 پاییزنامه
فایل بیست و پنجمین شماره فصلنامه گروه تحلیلگری عظیمداده و کسبوکار (پاییز 1403) در پست بعد قابل دریافت میباشد.
#فصلنامه_الکترونیک
#پاییزنامه
www.bdbanalytics.ir
@BigData_BusinessAnalytics
فایل بیست و پنجمین شماره فصلنامه گروه تحلیلگری عظیمداده و کسبوکار (پاییز 1403) در پست بعد قابل دریافت میباشد.
#فصلنامه_الکترونیک
#پاییزنامه
www.bdbanalytics.ir
@BigData_BusinessAnalytics
پاییزنامه 1403.pdf
3.9 MB
📣 بیست و پنجمین شماره فصلنامه گروه تحلیلگری عظیمداده و کسبوکار
#فصلنامه_الکترونیک
#پاییزنامه
www.bdbanalytics.ir
@BigData_BusinessAnalytics
#فصلنامه_الکترونیک
#پاییزنامه
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🙏1
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار- بخش سوم
در خلاصه بخش دوم فصل سوم به چارچوب های معروف هوش مصنوعی پرداخته شد. در ادامه این فصل به مفهوم یادگیری ماشین به عنوان یک سرویس پرداخته می شود و در انتها چارچوب های ابری معروف در این راستا معرفی می شوند.
یکی از چالش های اصلی پیاده سازی الگوریتم های یادگیری ماشین ایجاد زیرساخت های لازم و سرمایه گذاری برای یادگیری این متدها می باشد. استفاده از سرویس های ابری برای یادگیری ماشین این چالش را تا حدی برطرف میکند.
مفهوم یادگیری ماشین به عنوان سرویس تمام ابعاد یادگیری ماشین همچون زیرساخت ها، پردازش داده، مدلهای یادگیری و ارزیابی را در بر می گیرد. پلتفرمهای ابری متنوعی همچون سرویس Amazon, Azure, IBM, Google در این راستا وجود دارند که در ادامه به اختصار توضیح داده میشود. علاوه بر موضوع یادگیری ماشین، مفهوم ذخیره و نگه داری داده در این سرویس ها نیز حائز اهمیت می باشد چرا که پایه اولیه برای تمامی الگوریتمهای یادگیری ماشین وجود بستر و یک زیرساخت مناسب برای ذخیره و نگه داری حجم انبوهی از داده میباشد.
برای مطالعه خلاصه فصل سوم (بخش سوم) به لینک زیر مراجعه فرمایید.
🔗 https://bdbanalytics.ir/qjd7
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار- بخش سوم
در خلاصه بخش دوم فصل سوم به چارچوب های معروف هوش مصنوعی پرداخته شد. در ادامه این فصل به مفهوم یادگیری ماشین به عنوان یک سرویس پرداخته می شود و در انتها چارچوب های ابری معروف در این راستا معرفی می شوند.
یکی از چالش های اصلی پیاده سازی الگوریتم های یادگیری ماشین ایجاد زیرساخت های لازم و سرمایه گذاری برای یادگیری این متدها می باشد. استفاده از سرویس های ابری برای یادگیری ماشین این چالش را تا حدی برطرف میکند.
مفهوم یادگیری ماشین به عنوان سرویس تمام ابعاد یادگیری ماشین همچون زیرساخت ها، پردازش داده، مدلهای یادگیری و ارزیابی را در بر می گیرد. پلتفرمهای ابری متنوعی همچون سرویس Amazon, Azure, IBM, Google در این راستا وجود دارند که در ادامه به اختصار توضیح داده میشود. علاوه بر موضوع یادگیری ماشین، مفهوم ذخیره و نگه داری داده در این سرویس ها نیز حائز اهمیت می باشد چرا که پایه اولیه برای تمامی الگوریتمهای یادگیری ماشین وجود بستر و یک زیرساخت مناسب برای ذخیره و نگه داری حجم انبوهی از داده میباشد.
برای مطالعه خلاصه فصل سوم (بخش سوم) به لینک زیر مراجعه فرمایید.
🔗 https://bdbanalytics.ir/qjd7
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🔎 معرفی کسب و کار داده محور
📌بایدو (Baidu)، یکی از بزرگترین شرکتهای فناوری در جهان و غول موتور جستجوی چین، نقشی برجسته در شکلدهی به دنیای دیجیتال دارد. موفقیت این شرکت تا حد زیادی به توانایی آن در استفاده از دادهها برای بهبود خدمات، نوآوری و رقابت در بازارهای مختلف برمیگردد. در این متن، نقش دادهمحوری در استراتژیها، محصولات و خدمات بایدو را مورد بررسی قرار میدهیم.
❇️ بایدو: پیشگام در دادهمحوری
بایدو به عنوان «گوگل چین» شناخته میشود، اما این شرکت فراتر از یک موتور جستجوی ساده عمل کرده و از دادهها برای گسترش دامنه فعالیتهای خود در حوزههای مختلف مانند هوش مصنوعی (AI)، خودروهای خودران، تبلیغات دیجیتال و اینترنت اشیاء (IoT) استفاده میکند. دادهها به بایدو کمک کردهاند تا نوآوریهایی را توسعه دهد که نه تنها کاربران را جذب کنند، بلکه ارزش بیشتری برای مشتریان و سرمایهگذاران فراهم کنند.
❇️ استفاده از دادهها در خدمات اصلی بایدو
1️⃣ موتور جستجو: قلب دادهمحور بایدو
موتور جستجوی بایدو یکی از محبوبترین موتورهای جستجو در چین است و اصلیترین منبع دادههای این شرکت به شمار میرود. بایدو از الگوریتمهای پیشرفته و تکنیکهای یادگیری ماشینی برای بهبود تجربه کاربران استفاده میکند.
2️⃣ تبلیغات دیجیتال
بایدو از دادههای کاربران برای طراحی و اجرای تبلیغات هدفمند استفاده میکند. سیستم تبلیغات این شرکت با تحلیل رفتار کاربران، تبلیغات مرتبط را نمایش میدهد و به کسبوکارها کمک میکند تا مشتریان بالقوه را به طور مؤثری جذب کنند. این سیستم از الگوریتمهای پیچیدهای برای ارزیابی دادههای عظیم (Big Data) بهره میگیرد و یکی از اصلیترین منابع درآمد بایدو محسوب میشود.
❇️ هوش مصنوعی و یادگیری عمیق: کلید موفقیت دادهمحور بایدو
بایدو یکی از پیشگامان در حوزه هوش مصنوعی است و دادهها نقش محوری در توسعه فناوریهای این شرکت ایفا میکنند. در این بخش به چند نمونه از کاربردهای داده در حوزه هوش مصنوعی بایدو اشاره میکنیم:
1️⃣ پلتفرم هوش مصنوعی بایدو (Baidu AI Cloud)
بایدو با ارائه پلتفرمهای ابری مبتنی بر هوش مصنوعی، امکان تحلیل دادههای عظیم و استفاده از الگوریتمهای یادگیری عمیق را فراهم میکند. این پلتفرمها به کسبوکارها کمک میکنند تا با استفاده از دادهها، فرآیندهای خود را بهینه کنند.
2️⃣ سیستمهای تشخیص تصویر و صدا
بایدو در زمینه توسعه سیستمهای تشخیص تصویر و صدا از دادههای کاربران بهره میبرد. این فناوریها در محصولات مختلفی مانند دستیارهای هوشمند و ابزارهای پردازش زبان طبیعی (NLP) مورد استفاده قرار میگیرند.
3️⃣ خودروهای خودران
یکی از هیجانانگیزترین پروژههای بایدو در زمینه خودروهای خودران است. این شرکت با استفاده از دادههای جغرافیایی، اطلاعات ترافیکی و رفتار رانندگان، سیستمهای خودران پیشرفتهای طراحی کرده است. این دادهها به خودروها کمک میکنند تا تصمیمات سریع و ایمنتری در شرایط مختلف اتخاذ کنند.
❇️ دادهمحوری در توسعه اینترنت اشیاء (IoT)
بایدو از دادهها برای گسترش خدمات خود در حوزه اینترنت اشیاء استفاده میکند. دستگاههای متصل به اینترنت تولید دادههای بیشماری میکنند و بایدو این دادهها را برای ارائه خدمات بهتر تحلیل میکند.
❇️ نقش دادهها در مدیریت و پیشبینی بازار
بایدو از دادهها برای تحلیل روندهای بازار و پیشبینی تغییرات استفاده میکند. این شرکت با تحلیل دادههای کاربران و الگوهای مصرف، میتواند تغییرات در رفتار مشتریان را شناسایی کرده و خدمات خود را بر اساس این تغییرات تنظیم کند. .
❇️ چالشهای دادهمحوری در بایدو
هرچند دادهها منبع قدرت بایدو هستند، اما مدیریت و استفاده از دادهها با چالشهایی نیز همراه است:
1️⃣ حریم خصوصی کاربران
یکی از بزرگترین چالشها برای بایدو، اطمینان از حفظ حریم خصوصی کاربران است. استفاده گسترده از دادهها میتواند نگرانیهایی را در مورد امنیت و شفافیت ایجاد کند.
2️⃣ حجم عظیم دادهها
بایدو باید با حجم بیسابقهای از دادهها سروکار داشته باشد و تحلیل این دادهها نیازمند زیرساختهای پیشرفته و هزینهبر است.
3️⃣ رقابت شدید
با وجود شرکتهای رقیب مانند علیبابا و تنسنت، بایدو باید دائماً نوآوری کند تا بتواند جایگاه خود را حفظ کند.
📌نتیجهگیری
بایدو نمونهای برجسته از یک شرکت دادهمحور است که توانسته با بهرهگیری از دادهها، به یکی از غولهای فناوری در جهان تبدیل شود. از موتور جستجو گرفته تا هوش مصنوعی و اینترنت اشیاء، دادهها در قلب تمامی فعالیتهای بایدو قرار دارند.
#معرفی_کسب_و_کار_داده_محور
#Baidu
#محمدرضا_مرادی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌بایدو (Baidu)، یکی از بزرگترین شرکتهای فناوری در جهان و غول موتور جستجوی چین، نقشی برجسته در شکلدهی به دنیای دیجیتال دارد. موفقیت این شرکت تا حد زیادی به توانایی آن در استفاده از دادهها برای بهبود خدمات، نوآوری و رقابت در بازارهای مختلف برمیگردد. در این متن، نقش دادهمحوری در استراتژیها، محصولات و خدمات بایدو را مورد بررسی قرار میدهیم.
❇️ بایدو: پیشگام در دادهمحوری
بایدو به عنوان «گوگل چین» شناخته میشود، اما این شرکت فراتر از یک موتور جستجوی ساده عمل کرده و از دادهها برای گسترش دامنه فعالیتهای خود در حوزههای مختلف مانند هوش مصنوعی (AI)، خودروهای خودران، تبلیغات دیجیتال و اینترنت اشیاء (IoT) استفاده میکند. دادهها به بایدو کمک کردهاند تا نوآوریهایی را توسعه دهد که نه تنها کاربران را جذب کنند، بلکه ارزش بیشتری برای مشتریان و سرمایهگذاران فراهم کنند.
❇️ استفاده از دادهها در خدمات اصلی بایدو
1️⃣ موتور جستجو: قلب دادهمحور بایدو
موتور جستجوی بایدو یکی از محبوبترین موتورهای جستجو در چین است و اصلیترین منبع دادههای این شرکت به شمار میرود. بایدو از الگوریتمهای پیشرفته و تکنیکهای یادگیری ماشینی برای بهبود تجربه کاربران استفاده میکند.
2️⃣ تبلیغات دیجیتال
بایدو از دادههای کاربران برای طراحی و اجرای تبلیغات هدفمند استفاده میکند. سیستم تبلیغات این شرکت با تحلیل رفتار کاربران، تبلیغات مرتبط را نمایش میدهد و به کسبوکارها کمک میکند تا مشتریان بالقوه را به طور مؤثری جذب کنند. این سیستم از الگوریتمهای پیچیدهای برای ارزیابی دادههای عظیم (Big Data) بهره میگیرد و یکی از اصلیترین منابع درآمد بایدو محسوب میشود.
❇️ هوش مصنوعی و یادگیری عمیق: کلید موفقیت دادهمحور بایدو
بایدو یکی از پیشگامان در حوزه هوش مصنوعی است و دادهها نقش محوری در توسعه فناوریهای این شرکت ایفا میکنند. در این بخش به چند نمونه از کاربردهای داده در حوزه هوش مصنوعی بایدو اشاره میکنیم:
1️⃣ پلتفرم هوش مصنوعی بایدو (Baidu AI Cloud)
بایدو با ارائه پلتفرمهای ابری مبتنی بر هوش مصنوعی، امکان تحلیل دادههای عظیم و استفاده از الگوریتمهای یادگیری عمیق را فراهم میکند. این پلتفرمها به کسبوکارها کمک میکنند تا با استفاده از دادهها، فرآیندهای خود را بهینه کنند.
2️⃣ سیستمهای تشخیص تصویر و صدا
بایدو در زمینه توسعه سیستمهای تشخیص تصویر و صدا از دادههای کاربران بهره میبرد. این فناوریها در محصولات مختلفی مانند دستیارهای هوشمند و ابزارهای پردازش زبان طبیعی (NLP) مورد استفاده قرار میگیرند.
3️⃣ خودروهای خودران
یکی از هیجانانگیزترین پروژههای بایدو در زمینه خودروهای خودران است. این شرکت با استفاده از دادههای جغرافیایی، اطلاعات ترافیکی و رفتار رانندگان، سیستمهای خودران پیشرفتهای طراحی کرده است. این دادهها به خودروها کمک میکنند تا تصمیمات سریع و ایمنتری در شرایط مختلف اتخاذ کنند.
❇️ دادهمحوری در توسعه اینترنت اشیاء (IoT)
بایدو از دادهها برای گسترش خدمات خود در حوزه اینترنت اشیاء استفاده میکند. دستگاههای متصل به اینترنت تولید دادههای بیشماری میکنند و بایدو این دادهها را برای ارائه خدمات بهتر تحلیل میکند.
❇️ نقش دادهها در مدیریت و پیشبینی بازار
بایدو از دادهها برای تحلیل روندهای بازار و پیشبینی تغییرات استفاده میکند. این شرکت با تحلیل دادههای کاربران و الگوهای مصرف، میتواند تغییرات در رفتار مشتریان را شناسایی کرده و خدمات خود را بر اساس این تغییرات تنظیم کند. .
❇️ چالشهای دادهمحوری در بایدو
هرچند دادهها منبع قدرت بایدو هستند، اما مدیریت و استفاده از دادهها با چالشهایی نیز همراه است:
1️⃣ حریم خصوصی کاربران
یکی از بزرگترین چالشها برای بایدو، اطمینان از حفظ حریم خصوصی کاربران است. استفاده گسترده از دادهها میتواند نگرانیهایی را در مورد امنیت و شفافیت ایجاد کند.
2️⃣ حجم عظیم دادهها
بایدو باید با حجم بیسابقهای از دادهها سروکار داشته باشد و تحلیل این دادهها نیازمند زیرساختهای پیشرفته و هزینهبر است.
3️⃣ رقابت شدید
با وجود شرکتهای رقیب مانند علیبابا و تنسنت، بایدو باید دائماً نوآوری کند تا بتواند جایگاه خود را حفظ کند.
📌نتیجهگیری
بایدو نمونهای برجسته از یک شرکت دادهمحور است که توانسته با بهرهگیری از دادهها، به یکی از غولهای فناوری در جهان تبدیل شود. از موتور جستجو گرفته تا هوش مصنوعی و اینترنت اشیاء، دادهها در قلب تمامی فعالیتهای بایدو قرار دارند.
#معرفی_کسب_و_کار_داده_محور
#Baidu
#محمدرضا_مرادی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📚معرفی کتاب
📌عظیمداده و هوش مصنوعی برای کاربردهای بهداشتی و درمانی
"Big Data and Artificial Intelligence for Healthcare Applications"
📌نویسندگان:
Sandhya Makkar, K. Martin Sagayam, and Rohail Hassan
📌این کتاب در سال 2021 توسط CRC Presss Taylor & Francis Group انتشار یافته است.
📍 کتاب «عظیمداده و هوش مصنوعی برای کاربردهای بهداشتی و درمانی» به بررسی پتانسیل تحولآفرین عظیمداده، هوش مصنوعی (AI) و یادگیری ماشین (ML) در زمینه صنعت ۴.۰ میپردازد. این عصر که با اتصال بینالمللی، خودکارسازی و تبادل دادههای بلادرنگ شناخته میشود، با هدف بهبود بهرهوری در تولید و خدمات، فناوریهای پیشرفته را در ماشینها و فرآیندها ادغام میکند. این فناوریها با استفاده از الگوریتمهای یادگیری ماشین و سایر روشهای محاسباتی، انتقال دادههای بلادرنگ و عملیات خودکار را ممکن میسازند.
📍 این کتاب، عظیمدادها را بهعنوان مفهومی معرفی میکند که به مجموعهدادههای وسیع و پیچیدهای اشاره دارد که فراتر از تواناییهای پردازش سنتی هستند. با رشد انفجاری دادههایی که روزانه از پلتفرمهایی مانند نتفلیکس، گوگل، سیستمهای بهداشتی و سوابق دولتی تولید میشوند، اهمیت پردازش، تحلیل و استفاده از عظیمداده بیش از پیش آشکار میشود. تحلیل دادههای عظیم از روشهای اکتشافی سنتی به فرآیندهای پیشبینیکننده و مبتنی بر داده تحول یافته است که امکان تشخیص ناهنجاریها بهصورت بلادرنگ و پیشبینی نتایج آینده را فراهم میکند. این کتاب بر ضرورت فیلتر کردن و تحلیل دادهها برای استخراج بینشهای معنادار تأکید کرده و نقش اساسی مدلهای آماری و احتمالاتی در مدیریت عظیمداده را برجسته میسازد.
📍 یکی از موضوعات اصلی مورد بحث، چارچوب «5Vs» در عظیمداده است: حجم (Volume)، سرعت (Velocity)، تنوع (Variety)، صحت (Veracity) و ارزش (Value). حجم به مقادیر عظیم دادههای تولید شده اشاره دارد، بهویژه در بخشهایی مانند مراقبتهای بهداشتی که مدیریت سوابق فردی اهمیت زیادی دارد. سرعت بر جمعآوری و پردازش سریع دادهها برای تضمین بینشهای بهموقع و ارزشمند تأکید میکند. تنوع به فرمتهای متنوع داده، از ساختاریافته تا غیرساختاریافته اشاره دارد. صحت به قابلیت اطمینان و اعتبار دادهها پرداخته و اطمینان میدهد که این دادهها برای ایجاد روابط معنادار مفید هستند. در نهایت، ارزش به استخراج بینشهای عملی از عظیمداده برای بهبود فرآیندهای تصمیمگیری میپردازد.
📍 این کتاب به ادغام هوش مصنوعی و یادگیری ماشین در حوزه بهداشت و درمان نیز میپردازد، بخشی که به دلیل این فناوریها دستخوش تحولات چشمگیری شده است. هوش مصنوعی و یادگیری ماشین برای بهبود تشخیصها و پزشکی دقیق و سادهسازی فرآیندهای اداری بهکار گرفته شدهاند و به این ترتیب، مسائل حیاتی مانند کمبود منابع و افزایش تقاضاهای عملیاتی را حل میکنند. عظیمداده در حوزه بهداشت و درمان شامل ادغام مجموعهدادههای پیچیدهای از جمله دادههای اُمیکس، سوابق الکترونیکی سلامت و دادههای زیستپزشکی است که امکان کاربردهایی نظیر تصویربرداری پزشکی، کشف دارو و پلتفرمهای دیجیتال برای مدیریت بیماریهای مزمن را فراهم میکند. این پیشرفتها نویدبخش رفع شکافهای موجود در ارائه مراقبتهای بهداشتی جهانی، بهویژه در مناطق روستایی کمبرخوردار هستند.
📍 ملاحظات اخلاقی پیرامون کاربردهای هوش مصنوعی و عظیمداده در حوزه بهداشت و درمان نیز در این کتاب مورد توجه قرار گرفته است. این کتاب خواستار ایجاد ساختارهای حکمرانی جهانی و دستورالعملهای اخلاقی برای اطمینان از اعتمادپذیری و کاهش سوءاستفاده احتمالی است. این متن چندرشتهای، مرور جامعی از اصول، کاربردها و چالشهای هوش مصنوعی، یادگیری ماشین و عظیمداده ارائه میدهد و بینشهای ارزشمندی را برای پژوهشگران، متخصصان و سیاستگذاران فراهم میسازد. این کتاب بهعنوان منبعی بنیادی برای درک چگونگی تغییر شکل این فناوریها در صنایع و حل چالشهای پیچیده اجتماعی عمل میکند.
این کتاب را میتوانید در پست بعد دریافت فرمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعیپور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌عظیمداده و هوش مصنوعی برای کاربردهای بهداشتی و درمانی
"Big Data and Artificial Intelligence for Healthcare Applications"
📌نویسندگان:
Sandhya Makkar, K. Martin Sagayam, and Rohail Hassan
📌این کتاب در سال 2021 توسط CRC Presss Taylor & Francis Group انتشار یافته است.
📍 کتاب «عظیمداده و هوش مصنوعی برای کاربردهای بهداشتی و درمانی» به بررسی پتانسیل تحولآفرین عظیمداده، هوش مصنوعی (AI) و یادگیری ماشین (ML) در زمینه صنعت ۴.۰ میپردازد. این عصر که با اتصال بینالمللی، خودکارسازی و تبادل دادههای بلادرنگ شناخته میشود، با هدف بهبود بهرهوری در تولید و خدمات، فناوریهای پیشرفته را در ماشینها و فرآیندها ادغام میکند. این فناوریها با استفاده از الگوریتمهای یادگیری ماشین و سایر روشهای محاسباتی، انتقال دادههای بلادرنگ و عملیات خودکار را ممکن میسازند.
📍 این کتاب، عظیمدادها را بهعنوان مفهومی معرفی میکند که به مجموعهدادههای وسیع و پیچیدهای اشاره دارد که فراتر از تواناییهای پردازش سنتی هستند. با رشد انفجاری دادههایی که روزانه از پلتفرمهایی مانند نتفلیکس، گوگل، سیستمهای بهداشتی و سوابق دولتی تولید میشوند، اهمیت پردازش، تحلیل و استفاده از عظیمداده بیش از پیش آشکار میشود. تحلیل دادههای عظیم از روشهای اکتشافی سنتی به فرآیندهای پیشبینیکننده و مبتنی بر داده تحول یافته است که امکان تشخیص ناهنجاریها بهصورت بلادرنگ و پیشبینی نتایج آینده را فراهم میکند. این کتاب بر ضرورت فیلتر کردن و تحلیل دادهها برای استخراج بینشهای معنادار تأکید کرده و نقش اساسی مدلهای آماری و احتمالاتی در مدیریت عظیمداده را برجسته میسازد.
📍 یکی از موضوعات اصلی مورد بحث، چارچوب «5Vs» در عظیمداده است: حجم (Volume)، سرعت (Velocity)، تنوع (Variety)، صحت (Veracity) و ارزش (Value). حجم به مقادیر عظیم دادههای تولید شده اشاره دارد، بهویژه در بخشهایی مانند مراقبتهای بهداشتی که مدیریت سوابق فردی اهمیت زیادی دارد. سرعت بر جمعآوری و پردازش سریع دادهها برای تضمین بینشهای بهموقع و ارزشمند تأکید میکند. تنوع به فرمتهای متنوع داده، از ساختاریافته تا غیرساختاریافته اشاره دارد. صحت به قابلیت اطمینان و اعتبار دادهها پرداخته و اطمینان میدهد که این دادهها برای ایجاد روابط معنادار مفید هستند. در نهایت، ارزش به استخراج بینشهای عملی از عظیمداده برای بهبود فرآیندهای تصمیمگیری میپردازد.
📍 این کتاب به ادغام هوش مصنوعی و یادگیری ماشین در حوزه بهداشت و درمان نیز میپردازد، بخشی که به دلیل این فناوریها دستخوش تحولات چشمگیری شده است. هوش مصنوعی و یادگیری ماشین برای بهبود تشخیصها و پزشکی دقیق و سادهسازی فرآیندهای اداری بهکار گرفته شدهاند و به این ترتیب، مسائل حیاتی مانند کمبود منابع و افزایش تقاضاهای عملیاتی را حل میکنند. عظیمداده در حوزه بهداشت و درمان شامل ادغام مجموعهدادههای پیچیدهای از جمله دادههای اُمیکس، سوابق الکترونیکی سلامت و دادههای زیستپزشکی است که امکان کاربردهایی نظیر تصویربرداری پزشکی، کشف دارو و پلتفرمهای دیجیتال برای مدیریت بیماریهای مزمن را فراهم میکند. این پیشرفتها نویدبخش رفع شکافهای موجود در ارائه مراقبتهای بهداشتی جهانی، بهویژه در مناطق روستایی کمبرخوردار هستند.
📍 ملاحظات اخلاقی پیرامون کاربردهای هوش مصنوعی و عظیمداده در حوزه بهداشت و درمان نیز در این کتاب مورد توجه قرار گرفته است. این کتاب خواستار ایجاد ساختارهای حکمرانی جهانی و دستورالعملهای اخلاقی برای اطمینان از اعتمادپذیری و کاهش سوءاستفاده احتمالی است. این متن چندرشتهای، مرور جامعی از اصول، کاربردها و چالشهای هوش مصنوعی، یادگیری ماشین و عظیمداده ارائه میدهد و بینشهای ارزشمندی را برای پژوهشگران، متخصصان و سیاستگذاران فراهم میسازد. این کتاب بهعنوان منبعی بنیادی برای درک چگونگی تغییر شکل این فناوریها در صنایع و حل چالشهای پیچیده اجتماعی عمل میکند.
این کتاب را میتوانید در پست بعد دریافت فرمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعیپور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🛠 معرفی ابزار Amazon Redshift
✅ سرویس Amazon Redshift یک سرویس انبار دادههای ابری (Data Warehouse) کاملاً مدیریتشده است که توسط آمازون وب سرویس (AWS) ارائه میشود. این سرویس برای تحلیل دادههای عظیم در مقیاس پتابایت طراحی شده است و به سازمانها امکان میدهد تا دادههای خود را به سرعت و با هزینهای مقرونبهصرفه ذخیره و تحلیل کنند. در ادامه، جزئیات بیشتری درباره Amazon Redshift ارائه میشود:
✅ویژگیهای کلیدی Amazon Redshift
📌 معماری ستونی (Columnar Storage)
- این ابزار دادهها را به صورت ستونی ذخیره میکند که این امر باعث افزایش کارایی در اجرای کوئریهای تحلیلی میشود، زیرا فقط ستونهای مورد نیاز برای یک کوئری خوانده میشوند.
📌پردازش موازی (Massively Parallel Processing - MPP)
- آمازون ردشیفت از معماری MPP استفاده میکند که به آن امکان میدهد دادهها را به صورت موازی در چندین گره (Node) پردازش کند. این ویژگی باعث افزایش سرعت اجرای کوئریها میشود.
📌مقیاسپذیری (Scalability)
- کاربران میتوانند به راحتی تعداد گرههای Redshift را افزایش یا کاهش دهند تا با نیازهای کاری خود هماهنگ شوند. این قابلیت به سازمانها اجازه میدهد تا هزینهها را بهینه کنند.
📌یکپارچهسازی با سایر سرویسهای AWS
- این ابزار به خوبی با سایر سرویسهای AWS مانند S3، RDS، DynamoDB، Glue، Lambda و Kinesis یکپارچه شده است. این یکپارچهسازی امکان انتقال دادهها و تحلیل آنها را به صورت روان فراهم میکند.
📌پشتیبانی از یادگیری ماشین:
- آمازون ردشیفت با سرویسهای یادگیری ماشین AWS مانند SageMaker یکپارچه شده است و کاربران میتوانند مدلهای یادگیری ماشین را مستقیماً روی دادههای خود اجرا کنند.
📌امنیت پیشرفته:
- آمازون ردشیفت از ویژگیهای امنیتی مانند رمزنگاری دادهها در حال انتقال و ذخیرهسازی، مدیریت دسترسیها با استفاده از IAM، و پشتیبانی از VPC (Virtual Private Cloud) برخوردار است.
✅مزایای Amazon Redshift
🖌سرعت بالا: به دلیل معماری ستونی و پردازش موازی، Redshift میتواند کوئریهای پیچیده را در کسری از ثانیه اجرا کند.
🖌 مدیریت آسان: Redshift یک سرویس کاملاً مدیریتشده است، بنابراین کاربران نیازی به نگرانی درباره نگهداری و بهروزرسانی زیرساختها ندارند.
🖌 انعطافپذیری: امکان ذخیرهسازی و تحلیل دادهها در مقیاسهای مختلف از ترابایت تا پتابایت.
🖌 یکپارچهسازی با اکوسیستم AWS : این ابزار به راحتی با سایر سرویسهای AWS کار میکند و امکان ساخت یک پلتفرم تحلیل دادههای یکپارچه را فراهم میکند.
✅موارد استفاده از Amazon Redshift
📍 تحلیل دادههای عظیم (Big Data Analytics):
- آمازون ردشیفت برای تحلیل دادههای عظیم در صنایعی مانند مالی، خردهفروشی، بهداشت و درمان، و رسانه استفاده میشود.
📍 گزارشگیری و هوش تجاری (BI):
- سازمانها از Redshift برای ایجاد گزارشها و داشبوردهای هوش تجاری استفاده میکنند.
📍 تحلیل بلادرنگ (Real-time Analytics):
- با یکپارچهسازی Redshift با سرویسهایی مانند Kinesis، کاربران میتوانند دادههای بلادرنگ را تحلیل کنند.
📍 ذخیرهسازی دادههای تاریخی:
- آمازون ردشیفت برای ذخیرهسازی و تحلیل دادههای تاریخی در مقیاس بزرگ مناسب است.
📍 یادگیری ماشین و هوش مصنوعی:
- با یکپارچهسازی Redshift و SageMaker، کاربران میتوانند مدلهای یادگیری ماشین را روی دادههای خود آموزش دهند.
✅به طور کلیAmazon Redshift یک ابزار قدرتمند برای تحلیل دادههای بزرگ است که به سازمانها کمک میکند تا از دادههای خود به طور مؤثر استفاده کنند. با ویژگیهایی مانند مقیاسپذیری، سرعت بالا، و یکپارچهسازی با اکوسیستم AWS، این ابزار به یکی از محبوبترین انبار دادههای ابری تبدیل شده است. با این حال، انتخاب Redshift باید با توجه به نیازهای خاص سازمان و هزینههای مرتبط انجام شود.
📌 همچنین میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/c7ce
#معرفی_ابزار
#دادههای_عظیم
#فاطمه_مصلحی
#Amazon_Redshift
@BigData_BusinessAnalytics
www.bdbanalytics.ir
✅ سرویس Amazon Redshift یک سرویس انبار دادههای ابری (Data Warehouse) کاملاً مدیریتشده است که توسط آمازون وب سرویس (AWS) ارائه میشود. این سرویس برای تحلیل دادههای عظیم در مقیاس پتابایت طراحی شده است و به سازمانها امکان میدهد تا دادههای خود را به سرعت و با هزینهای مقرونبهصرفه ذخیره و تحلیل کنند. در ادامه، جزئیات بیشتری درباره Amazon Redshift ارائه میشود:
✅ویژگیهای کلیدی Amazon Redshift
📌 معماری ستونی (Columnar Storage)
- این ابزار دادهها را به صورت ستونی ذخیره میکند که این امر باعث افزایش کارایی در اجرای کوئریهای تحلیلی میشود، زیرا فقط ستونهای مورد نیاز برای یک کوئری خوانده میشوند.
📌پردازش موازی (Massively Parallel Processing - MPP)
- آمازون ردشیفت از معماری MPP استفاده میکند که به آن امکان میدهد دادهها را به صورت موازی در چندین گره (Node) پردازش کند. این ویژگی باعث افزایش سرعت اجرای کوئریها میشود.
📌مقیاسپذیری (Scalability)
- کاربران میتوانند به راحتی تعداد گرههای Redshift را افزایش یا کاهش دهند تا با نیازهای کاری خود هماهنگ شوند. این قابلیت به سازمانها اجازه میدهد تا هزینهها را بهینه کنند.
📌یکپارچهسازی با سایر سرویسهای AWS
- این ابزار به خوبی با سایر سرویسهای AWS مانند S3، RDS، DynamoDB، Glue، Lambda و Kinesis یکپارچه شده است. این یکپارچهسازی امکان انتقال دادهها و تحلیل آنها را به صورت روان فراهم میکند.
📌پشتیبانی از یادگیری ماشین:
- آمازون ردشیفت با سرویسهای یادگیری ماشین AWS مانند SageMaker یکپارچه شده است و کاربران میتوانند مدلهای یادگیری ماشین را مستقیماً روی دادههای خود اجرا کنند.
📌امنیت پیشرفته:
- آمازون ردشیفت از ویژگیهای امنیتی مانند رمزنگاری دادهها در حال انتقال و ذخیرهسازی، مدیریت دسترسیها با استفاده از IAM، و پشتیبانی از VPC (Virtual Private Cloud) برخوردار است.
✅مزایای Amazon Redshift
🖌سرعت بالا: به دلیل معماری ستونی و پردازش موازی، Redshift میتواند کوئریهای پیچیده را در کسری از ثانیه اجرا کند.
🖌 مدیریت آسان: Redshift یک سرویس کاملاً مدیریتشده است، بنابراین کاربران نیازی به نگرانی درباره نگهداری و بهروزرسانی زیرساختها ندارند.
🖌 انعطافپذیری: امکان ذخیرهسازی و تحلیل دادهها در مقیاسهای مختلف از ترابایت تا پتابایت.
🖌 یکپارچهسازی با اکوسیستم AWS : این ابزار به راحتی با سایر سرویسهای AWS کار میکند و امکان ساخت یک پلتفرم تحلیل دادههای یکپارچه را فراهم میکند.
✅موارد استفاده از Amazon Redshift
📍 تحلیل دادههای عظیم (Big Data Analytics):
- آمازون ردشیفت برای تحلیل دادههای عظیم در صنایعی مانند مالی، خردهفروشی، بهداشت و درمان، و رسانه استفاده میشود.
📍 گزارشگیری و هوش تجاری (BI):
- سازمانها از Redshift برای ایجاد گزارشها و داشبوردهای هوش تجاری استفاده میکنند.
📍 تحلیل بلادرنگ (Real-time Analytics):
- با یکپارچهسازی Redshift با سرویسهایی مانند Kinesis، کاربران میتوانند دادههای بلادرنگ را تحلیل کنند.
📍 ذخیرهسازی دادههای تاریخی:
- آمازون ردشیفت برای ذخیرهسازی و تحلیل دادههای تاریخی در مقیاس بزرگ مناسب است.
📍 یادگیری ماشین و هوش مصنوعی:
- با یکپارچهسازی Redshift و SageMaker، کاربران میتوانند مدلهای یادگیری ماشین را روی دادههای خود آموزش دهند.
✅به طور کلیAmazon Redshift یک ابزار قدرتمند برای تحلیل دادههای بزرگ است که به سازمانها کمک میکند تا از دادههای خود به طور مؤثر استفاده کنند. با ویژگیهایی مانند مقیاسپذیری، سرعت بالا، و یکپارچهسازی با اکوسیستم AWS، این ابزار به یکی از محبوبترین انبار دادههای ابری تبدیل شده است. با این حال، انتخاب Redshift باید با توجه به نیازهای خاص سازمان و هزینههای مرتبط انجام شود.
📌 همچنین میتوانید این مطلب را در لینک زیر مطالعه فرمایید.
🔗 https://bdbanalytics.ir/c7ce
#معرفی_ابزار
#دادههای_عظیم
#فاطمه_مصلحی
#Amazon_Redshift
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی
📌فصل چهارم: مطالعه موردی به کارگیری تحلیلگری کسب و کار مبتنی بر هوش مصنوعی- بخش اول
📍بخش اول از فصل چهارم کتاب هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی، به بررسی مطالعه موردی تحلیل احساسات مشتری به صورت بلادرنگ با استفاده از تحلیلگری جریان دادهها میپردازد.
❇️ در دنیای رقابتی خرده فروشی، رضایت مشتریان نقش کلیدی در موفقیت کسب و کارها ایفا مینماید. این مطالعه موردی بر تحلیل احساسات مشتریان به صورت بلادرنگ با استفاده از تحلیل جریان دادهها متمرکز است. هدف اصلی، توسعه یک شاخص برای رضایت مشتریان است که بتواند بازخوردهای مشتریان را به صورت لحظهای پردازش و تحلیل نماید.
❇️ یکی از بزرگترین شرکتهای خرده فروش در آلمان به بررسی راهکاری برای اندازه گیری و تحلیل لحظهای رضایت مشتریان پرداخته است. این شرکت در این راستا به توسعه شاخص جریان احساسات مشتری پرداخته است که بتواند نظرات مشتریان را از شبکههای اجتماعی، شبکههای اجتماعی، تراکنشهای فروشگاهی و سایر منابع اطلاعاتی جمعآوری و تحلیل کند.
🔹اهمیت رضایت مشتری در بخش خرده فروشی:
با افزایش رقابت در خردهفروشی و ظهور بازیگران دیجیتال، تفاوت بین فروشگاههای فیزیکی و آنلاین در حال کاهش است. مطالعات نشان دادهاند که ارتباط مستقیمی بین رضایت مشتری و وفاداری به برند وجود دارد. خردهفروشان برای حفظ جایگاه خود نیاز به تحلیل عمیق بازخوردهای مشتریان دارند.
🔸شاخص جریان احساسات مشتری (CSSI):
شاخص CSSI یک شاخص پویا است که با استفاده از جریان دادهها از تعاملات مشتریان در فضای دیجیتال محاسبه میشود. این شاخص شامل معیارهای مختلفی همچون میزان احساسات مثبت و منفی، مشکلات ثبتشده در فروشگاه و سایر پارامترهای کلیدی است.
🔹فناوری و پذیرش دادههای چندکاناله:
تحلیل احساسات در این مطالعه با استفاده از دادههای به دست آمده از چندکانال شامل نظرات مشتریان در شبکههای اجتماعی، دادههای فروشگاهی و سایر منابع اطلاعاتی انجام شده است. یک معماری دادهای بر پایهی SAP HANA پیادهسازی شده است که امکان جمعآوری و پردازش دادهها به صورت بلادرنگ را فراهم میکند.
بر اساس این معماری یک سیستم تحلیلی توسعه داده شده که دادههای مختلف از جمله نظرات مشتریان، تراکنشهای فروشگاهی، وضعیت موجودی کالاها و مدت زمان انتظار در صف صندوق را به هم مرتبط میکند. پردازش این اطلاعات در SAP HANA انجام شده و داشبوردی برای نمایش نتایج در اختیار مدیران فروشگاهی قرار گرفته است.
📌نتایج و مزایا:
در تست اولیه این سیستم، ۲۵۰,۰۰۰ توئیت در طی ۱۱ ماه در سال ۲۰۱۷ مورد بررسی قرار گرفتند. پردازش دادهها در سیستم SAP HANA نشان داد که از میان پیامهای قابل ارزیابی:
۳۲٪ کاملاً مثبت، ۲۰٪ کاملاً منفی، ۱۲٪ تا حدی منفی، ۳٪ مربوط به مشکلات کوچک، و ۳٪ مربوط به مشکلات بزرگ بودند.
بر اساس این دادهها، شاخص CSSI محاسبه و در دسترس مدیران کسب و کار قرار گرفت. این اطلاعات از طریق داشبورد مدیریتی یا اعلانهای مستقیم به کاربران ارائه شد. در سطح بالاتر سازمانی، امکان مقایسه عملکرد شعب مختلف نیز فراهم گردید.
♦️نتیجه گیری:
این مطالعه موردی نشان میدهد که چگونه تحلیل دادههای لحظهای و هوش مصنوعی میتوانند به بهبود تجربه مشتری در خردهفروشی کمک کنند. پیادهسازی شاخص جریان احساسات مشتری و مدلهای تحلیلی مرتبط میتواند راهکاری مؤثر برای افزایش واکنشپذیری فروشگاهها به بازخورد مشتریان باشد. در عین حال، این مدل میتواند بهعنوان معیاری عملیاتی برای تصمیمگیری در لحظه و پیشبینی روندهای آینده در خردهفروشی مورد استفاده قرار گیرد.
برای مطالعه خلاصه فصل به لینک زیر مراجعه فرمایید.
🔗 https://bdbanalytics.ir/yxlb
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_چهارم
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی
📌فصل چهارم: مطالعه موردی به کارگیری تحلیلگری کسب و کار مبتنی بر هوش مصنوعی- بخش اول
📍بخش اول از فصل چهارم کتاب هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتمها، پلتفرمها و سناریوهای کاربردی، به بررسی مطالعه موردی تحلیل احساسات مشتری به صورت بلادرنگ با استفاده از تحلیلگری جریان دادهها میپردازد.
❇️ در دنیای رقابتی خرده فروشی، رضایت مشتریان نقش کلیدی در موفقیت کسب و کارها ایفا مینماید. این مطالعه موردی بر تحلیل احساسات مشتریان به صورت بلادرنگ با استفاده از تحلیل جریان دادهها متمرکز است. هدف اصلی، توسعه یک شاخص برای رضایت مشتریان است که بتواند بازخوردهای مشتریان را به صورت لحظهای پردازش و تحلیل نماید.
❇️ یکی از بزرگترین شرکتهای خرده فروش در آلمان به بررسی راهکاری برای اندازه گیری و تحلیل لحظهای رضایت مشتریان پرداخته است. این شرکت در این راستا به توسعه شاخص جریان احساسات مشتری پرداخته است که بتواند نظرات مشتریان را از شبکههای اجتماعی، شبکههای اجتماعی، تراکنشهای فروشگاهی و سایر منابع اطلاعاتی جمعآوری و تحلیل کند.
🔹اهمیت رضایت مشتری در بخش خرده فروشی:
با افزایش رقابت در خردهفروشی و ظهور بازیگران دیجیتال، تفاوت بین فروشگاههای فیزیکی و آنلاین در حال کاهش است. مطالعات نشان دادهاند که ارتباط مستقیمی بین رضایت مشتری و وفاداری به برند وجود دارد. خردهفروشان برای حفظ جایگاه خود نیاز به تحلیل عمیق بازخوردهای مشتریان دارند.
🔸شاخص جریان احساسات مشتری (CSSI):
شاخص CSSI یک شاخص پویا است که با استفاده از جریان دادهها از تعاملات مشتریان در فضای دیجیتال محاسبه میشود. این شاخص شامل معیارهای مختلفی همچون میزان احساسات مثبت و منفی، مشکلات ثبتشده در فروشگاه و سایر پارامترهای کلیدی است.
🔹فناوری و پذیرش دادههای چندکاناله:
تحلیل احساسات در این مطالعه با استفاده از دادههای به دست آمده از چندکانال شامل نظرات مشتریان در شبکههای اجتماعی، دادههای فروشگاهی و سایر منابع اطلاعاتی انجام شده است. یک معماری دادهای بر پایهی SAP HANA پیادهسازی شده است که امکان جمعآوری و پردازش دادهها به صورت بلادرنگ را فراهم میکند.
بر اساس این معماری یک سیستم تحلیلی توسعه داده شده که دادههای مختلف از جمله نظرات مشتریان، تراکنشهای فروشگاهی، وضعیت موجودی کالاها و مدت زمان انتظار در صف صندوق را به هم مرتبط میکند. پردازش این اطلاعات در SAP HANA انجام شده و داشبوردی برای نمایش نتایج در اختیار مدیران فروشگاهی قرار گرفته است.
📌نتایج و مزایا:
در تست اولیه این سیستم، ۲۵۰,۰۰۰ توئیت در طی ۱۱ ماه در سال ۲۰۱۷ مورد بررسی قرار گرفتند. پردازش دادهها در سیستم SAP HANA نشان داد که از میان پیامهای قابل ارزیابی:
۳۲٪ کاملاً مثبت، ۲۰٪ کاملاً منفی، ۱۲٪ تا حدی منفی، ۳٪ مربوط به مشکلات کوچک، و ۳٪ مربوط به مشکلات بزرگ بودند.
بر اساس این دادهها، شاخص CSSI محاسبه و در دسترس مدیران کسب و کار قرار گرفت. این اطلاعات از طریق داشبورد مدیریتی یا اعلانهای مستقیم به کاربران ارائه شد. در سطح بالاتر سازمانی، امکان مقایسه عملکرد شعب مختلف نیز فراهم گردید.
♦️نتیجه گیری:
این مطالعه موردی نشان میدهد که چگونه تحلیل دادههای لحظهای و هوش مصنوعی میتوانند به بهبود تجربه مشتری در خردهفروشی کمک کنند. پیادهسازی شاخص جریان احساسات مشتری و مدلهای تحلیلی مرتبط میتواند راهکاری مؤثر برای افزایش واکنشپذیری فروشگاهها به بازخورد مشتریان باشد. در عین حال، این مدل میتواند بهعنوان معیاری عملیاتی برای تصمیمگیری در لحظه و پیشبینی روندهای آینده در خردهفروشی مورد استفاده قرار گیرد.
برای مطالعه خلاصه فصل به لینک زیر مراجعه فرمایید.
🔗 https://bdbanalytics.ir/yxlb
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_چهارم
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📚معرفی کتاب
عنوان: تحلیل سازمانی: بهینهسازی عملکرد، فرآیندها و تصمیمات از طریق عظیمداده
“Enterprise Analytics: Optimize Performance, Process, and Decisions Through Big Data”
🖋 نویسنده: Thomas H. Davenport
📌 در دنیای امروز، دادهها به منبعی ارزشمند برای سازمانها تبدیل شدهاند. کتاب "تحلیل سازمانی" به بررسی چگونگی استفاده از تحلیل دادهها برای بهبود عملکرد، فرآیندها و تصمیمگیری در سازمانها میپردازد. این کتاب راهنمایی جامع برای مدیران و متخصصان داده است که به دنبال استفاده از قدرت عظیمداده برای دستیابی به مزیت رقابتی هستند. کتاب در پنج بخش دستهبندی شده و ابعاد مختلف تحلیل را بررسی کرده و در هر فصل و همچنین پایان کتاب با ارائه موردهای مطالعاتی متفاوتی به چگونگی پیادهسازی مفاهیم ذکر شده در کتاب در دنیای واقع اشاره میکند.
🗂 بخشهای کتاب:
📍 بخش اول: مروری بر تحلیل و ارزش آن
• فصل اول: تعریف "تحلیل" و تمایز آن از هوش تجاری سنتی (BI). تکامل این مفهوم و اهمیت روزافزون و همچنین سه نوع تحلیل توصیفی، پیشبینیکننده و تجویزی بررسی میشوند.
• فصل دوم: نحوه محاسبه بازگشت سرمایه (ROI) در پروژههای تحلیلی. روشهای سنتی تحلیل ROI و روش مورد استفاده توسط Teradata پوشش داده میشود. مطالعه موردی در مورد ROI تحلیل در Freescale Semiconductor نیز ارائه شده است.
📍 بخش دوم: کاربردهای تحلیل عظیمداده
• فصل سوم: استفاده از دادههای اختصاصی برای مزیت رقابتی. تاکید بر این نکته که دادهها به خودی خود ارزشمند نیستند، بلکه تحلیل آنها ارزشآفرین است. مثالی از PaxIS از انجمن بینالمللی حملونقل هوایی (IATA) برای نشان دادن پتانسیلها و چالشهای استفاده از دادههای اختصاصی ارائه میشود. همچنین مثالهایی از استفاده دادههای تراکنشهای پرداخت برای ایجاد ارزش ارائه شده است.
• فصل چهارم: بررسی استفاده از دادههای وب به عنوان نوعی از "دادههای بزرگ". چگونگی آشکار کردن قصد مشتری و فرآیندهای تصمیمگیری از طریق این دادهها و بر یکپارچهسازی دادههای وب با سایر دادههای مشتری برای دیدگاهی جامعتر، انواع مختلف استفاده از دادههای وب، از جمله درک الگوهای تحقیق و رفتارهای بازخورد مشتری پوشش داده میشود.
• فصل پنجم: تعریف و بررسی تحلیل تعامل آنلاین. تاکید بر اینکه تعامل یک حالت ذهنی داخلی است. مدلی برای اندازهگیری تعامل و مطالعات موردی از PBS و وبسایت Philly ارائه شده است.
• فصل ششم: چگونگی ایجاد "بهترین پیشنهادات بعدی" برای مشتریان خردهفروشی از طریق تجزیه و تحلیل دقیق اطلاعات مشتری، محصول و زمینه خرید، از جمله دادههای اجتماعی، تلفن همراه و مکان.
• فصل هفتم: بررسی چگونگی اعمال تحلیل در مقیاس تولید، از جمله نیاز به ادغام بینش تحلیلی با قوانین کسب و کار. این فصل شامل یک مطالعه موردی نیز در مورد شرکت YouSee دربارهی تحلیل پیشبینیکننده در مرکز تماس است.
• فصل هشتم: تحلیل پیشبینیکننده در فضای ابری، فرصتها، روندهای بازار، مزایا و چالشهای تحلیل پیشبینیکننده مبتنی بر ابر.
📍 بخش سوم: فناوریهای مورد استفاده در تحلیل عظیمداده
• فصل هفتم: کاربرد تحلیل در مقیاس تولید. این فصل به بررسی چگونگی انتقال تحلیل از یک تمرین نظری به یک کاربرد عملی در داخل یک سازمان میپردازد.
• فصل هشتم: تحلیل پیشبینیکننده در فضای ابری. این فصل به بررسی استفاده از تحلیل پیشبینیکننده مبتنی بر ابر میپردازد. تمرکز بر راهحلهای تجاری است که از تحلیل پیشبینیکننده استفاده میکنند، و نه فقط خود فناوری.
• فصل نهم: فناوری تحلیلی و کاربر تجاری. این فصل به بررسی تکامل فناوری تحلیلی و نیاز به تغییر میپردازد.
• فصل دهم: پیوند تصمیمات و تحلیلها برای عملکرد سازمانی. این فصل ارتباط بین تحلیل و تصمیمگیری را بررسی میکند.
📍بخش چهارم: جنبه انسانی تحلیل عظیمداده
• فصل یازدهم: چگونگی سازماندهی تحلیلگران در یک سازمان. تاکید بر اینکه بخشهای تحلیلی باید هماهنگ، تجمیع یا متمرکز شوند. مدلهای مختلف سازمانی و سازوکارهای هماهنگی بررسی میشود.
• فصل دوازدهم: چگونگی جذب استعدادهای تحلیلی. انواع مختلف تحلیلگران و راههای حفظ انگیزه آنها پوشش داده میشود. استفاده از ساختارهای سازمانی تحلیلی متمرکزتر پیشنهاد میشود.
• فصل سیزدهم: تمرکز بر حاکمیت تحلیلها، از جمله ایجاد یک نهاد حاکمیتی در سازمانها. هدف، دامنه، ساختار، نقشها، مسئولیتها، فرآیندها و روابط لازم برای حاکمیت مؤثر و همچنین نحوه حاکمیت تحلیلهای توصیفی در مقابل تحلیلهای پیشبینیکننده بررسی میشود.
• فصل چهاردهم: بحث در مورد ایجاد یک قابلیت تحلیلی جهانی. نیاز به استانداردسازی و هماهنگی در شرکتهای چندملیتی پوشش داده و گزینههای مختلف ساختار جهانی را ارائه میدهد: متمرکز، مرکز تعالی و غیرمتمرکز.
عنوان: تحلیل سازمانی: بهینهسازی عملکرد، فرآیندها و تصمیمات از طریق عظیمداده
“Enterprise Analytics: Optimize Performance, Process, and Decisions Through Big Data”
🖋 نویسنده: Thomas H. Davenport
📌 در دنیای امروز، دادهها به منبعی ارزشمند برای سازمانها تبدیل شدهاند. کتاب "تحلیل سازمانی" به بررسی چگونگی استفاده از تحلیل دادهها برای بهبود عملکرد، فرآیندها و تصمیمگیری در سازمانها میپردازد. این کتاب راهنمایی جامع برای مدیران و متخصصان داده است که به دنبال استفاده از قدرت عظیمداده برای دستیابی به مزیت رقابتی هستند. کتاب در پنج بخش دستهبندی شده و ابعاد مختلف تحلیل را بررسی کرده و در هر فصل و همچنین پایان کتاب با ارائه موردهای مطالعاتی متفاوتی به چگونگی پیادهسازی مفاهیم ذکر شده در کتاب در دنیای واقع اشاره میکند.
🗂 بخشهای کتاب:
📍 بخش اول: مروری بر تحلیل و ارزش آن
• فصل اول: تعریف "تحلیل" و تمایز آن از هوش تجاری سنتی (BI). تکامل این مفهوم و اهمیت روزافزون و همچنین سه نوع تحلیل توصیفی، پیشبینیکننده و تجویزی بررسی میشوند.
• فصل دوم: نحوه محاسبه بازگشت سرمایه (ROI) در پروژههای تحلیلی. روشهای سنتی تحلیل ROI و روش مورد استفاده توسط Teradata پوشش داده میشود. مطالعه موردی در مورد ROI تحلیل در Freescale Semiconductor نیز ارائه شده است.
📍 بخش دوم: کاربردهای تحلیل عظیمداده
• فصل سوم: استفاده از دادههای اختصاصی برای مزیت رقابتی. تاکید بر این نکته که دادهها به خودی خود ارزشمند نیستند، بلکه تحلیل آنها ارزشآفرین است. مثالی از PaxIS از انجمن بینالمللی حملونقل هوایی (IATA) برای نشان دادن پتانسیلها و چالشهای استفاده از دادههای اختصاصی ارائه میشود. همچنین مثالهایی از استفاده دادههای تراکنشهای پرداخت برای ایجاد ارزش ارائه شده است.
• فصل چهارم: بررسی استفاده از دادههای وب به عنوان نوعی از "دادههای بزرگ". چگونگی آشکار کردن قصد مشتری و فرآیندهای تصمیمگیری از طریق این دادهها و بر یکپارچهسازی دادههای وب با سایر دادههای مشتری برای دیدگاهی جامعتر، انواع مختلف استفاده از دادههای وب، از جمله درک الگوهای تحقیق و رفتارهای بازخورد مشتری پوشش داده میشود.
• فصل پنجم: تعریف و بررسی تحلیل تعامل آنلاین. تاکید بر اینکه تعامل یک حالت ذهنی داخلی است. مدلی برای اندازهگیری تعامل و مطالعات موردی از PBS و وبسایت Philly ارائه شده است.
• فصل ششم: چگونگی ایجاد "بهترین پیشنهادات بعدی" برای مشتریان خردهفروشی از طریق تجزیه و تحلیل دقیق اطلاعات مشتری، محصول و زمینه خرید، از جمله دادههای اجتماعی، تلفن همراه و مکان.
• فصل هفتم: بررسی چگونگی اعمال تحلیل در مقیاس تولید، از جمله نیاز به ادغام بینش تحلیلی با قوانین کسب و کار. این فصل شامل یک مطالعه موردی نیز در مورد شرکت YouSee دربارهی تحلیل پیشبینیکننده در مرکز تماس است.
• فصل هشتم: تحلیل پیشبینیکننده در فضای ابری، فرصتها، روندهای بازار، مزایا و چالشهای تحلیل پیشبینیکننده مبتنی بر ابر.
📍 بخش سوم: فناوریهای مورد استفاده در تحلیل عظیمداده
• فصل هفتم: کاربرد تحلیل در مقیاس تولید. این فصل به بررسی چگونگی انتقال تحلیل از یک تمرین نظری به یک کاربرد عملی در داخل یک سازمان میپردازد.
• فصل هشتم: تحلیل پیشبینیکننده در فضای ابری. این فصل به بررسی استفاده از تحلیل پیشبینیکننده مبتنی بر ابر میپردازد. تمرکز بر راهحلهای تجاری است که از تحلیل پیشبینیکننده استفاده میکنند، و نه فقط خود فناوری.
• فصل نهم: فناوری تحلیلی و کاربر تجاری. این فصل به بررسی تکامل فناوری تحلیلی و نیاز به تغییر میپردازد.
• فصل دهم: پیوند تصمیمات و تحلیلها برای عملکرد سازمانی. این فصل ارتباط بین تحلیل و تصمیمگیری را بررسی میکند.
📍بخش چهارم: جنبه انسانی تحلیل عظیمداده
• فصل یازدهم: چگونگی سازماندهی تحلیلگران در یک سازمان. تاکید بر اینکه بخشهای تحلیلی باید هماهنگ، تجمیع یا متمرکز شوند. مدلهای مختلف سازمانی و سازوکارهای هماهنگی بررسی میشود.
• فصل دوازدهم: چگونگی جذب استعدادهای تحلیلی. انواع مختلف تحلیلگران و راههای حفظ انگیزه آنها پوشش داده میشود. استفاده از ساختارهای سازمانی تحلیلی متمرکزتر پیشنهاد میشود.
• فصل سیزدهم: تمرکز بر حاکمیت تحلیلها، از جمله ایجاد یک نهاد حاکمیتی در سازمانها. هدف، دامنه، ساختار، نقشها، مسئولیتها، فرآیندها و روابط لازم برای حاکمیت مؤثر و همچنین نحوه حاکمیت تحلیلهای توصیفی در مقابل تحلیلهای پیشبینیکننده بررسی میشود.
• فصل چهاردهم: بحث در مورد ایجاد یک قابلیت تحلیلی جهانی. نیاز به استانداردسازی و هماهنگی در شرکتهای چندملیتی پوشش داده و گزینههای مختلف ساختار جهانی را ارائه میدهد: متمرکز، مرکز تعالی و غیرمتمرکز.
📍بخش پنجم: مطالعات موردی در استفاده از تحلیل عظیمداده
• فصل پانزدهم: مطالعه موردی سیستم Partners HealthCare. تمرکز بر استفاده این سیستم از تحلیلها، هم به صورت متمرکز و هم در بیمارستانهای فردی. ابتکار عمل پزشکی با عملکرد بالا (HPM) آنها به تفصیل شرح داده شده است.
• فصل شانزدهم: مطالعه موردی تحلیل در بخش منابع انسانی در شرکت Sears Holdings. چگونگی ایجاد یک تیم مؤثر و اجزای پروژههای موفق بررسی میشود.
• فصل هفدهم: بحث در مورد فرهنگ و روابط تحلیل تجاری در Merck. اهمیت مشارکت بین تحلیلگران و تصمیمگیرندگان تاکید میشود.
• فصل هجدهم: تمرکز بر تحلیل توصیفی برای زنجیره تأمین در Bernard Chaus, Inc. چگونگی بهبود دید و صرفهجویی در هزینهها با استفاده از یک ابزار هوش تجاری برجسته میشود.
📍میتوانید این کتاب را در پست بعد دریافت فرمایید.
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
• فصل پانزدهم: مطالعه موردی سیستم Partners HealthCare. تمرکز بر استفاده این سیستم از تحلیلها، هم به صورت متمرکز و هم در بیمارستانهای فردی. ابتکار عمل پزشکی با عملکرد بالا (HPM) آنها به تفصیل شرح داده شده است.
• فصل شانزدهم: مطالعه موردی تحلیل در بخش منابع انسانی در شرکت Sears Holdings. چگونگی ایجاد یک تیم مؤثر و اجزای پروژههای موفق بررسی میشود.
• فصل هفدهم: بحث در مورد فرهنگ و روابط تحلیل تجاری در Merck. اهمیت مشارکت بین تحلیلگران و تصمیمگیرندگان تاکید میشود.
• فصل هجدهم: تمرکز بر تحلیل توصیفی برای زنجیره تأمین در Bernard Chaus, Inc. چگونگی بهبود دید و صرفهجویی در هزینهها با استفاده از یک ابزار هوش تجاری برجسته میشود.
📍میتوانید این کتاب را در پست بعد دریافت فرمایید.
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌معرفی مقالات حوزه عظیم دادهها
❇️ نام مقاله:
Leveraging Large Language Model ChatGPT for enhanced understanding of end-user emotions in social media feedbacks
✍️ نویسندگان:
Nek Dil Khan, Javed Ali Khan, Jianqiang Li, Tahir Ullah, Qing Zhao
📔ژورنال :
Expert Systems With Applications
🗓سال انتشار:
2025
🔸نویسندگان این مقاله با ذکر اهمیت دریافت بازخورد کاربران در جهت بهبود نرمافزارهای توسعه یافته، بر این موضوع تاکید دارند که بیشتر تحقیقات قبلی بر روی نرمافزارهای پرطرفدار و با امتیاز بالا متمرکز بودهاند و کمتر به نرمافزارهای با امتیاز پایین توجه شده است. در واقع شناسایی مسائل یا اشکالات و احساسات مرتبط با آنها در برنامههای نرمافزاری با رتبه پایین نادیده گرفته شده، که این امر منجر به حذف اپلیکیشن از بازار آنلاین شده است.
🔸همچنین این مقاله تاکید دارد که در پژوهشهای انجام گرفته پیشین، کمتر به موضوع تحلیل عاطفی پرداخته شده و بیشتر حول محور تحلیل احساسات و تعیین قطبیت بصورت مثبت، منفی و خنثی قرار دارند.
🔸 لذا این مقاله با تمرکز بر نرمافزارهای با امتیاز پایین، سعی دارد عواطف کاربران را در بازخوردهای منفی آنها تحلیل کند.
🔸نکته دیگری که به عنوان یک چالش موجود در این مقاله به آن اشاره شده، حاشیهنویسی (لیبل گذاری) دستی برای رویکرد یادگیری نظارتشده (supervised learning) به عنوان یک کار زمانبر و چالشبرانگیز برای حاشیهنویسان انسانی است، بهویژه زمانی که تعداد زیادی کلاس برای طبقهبندی وجود داشته باشد.
🔸لذا با درنظر گرفتن این مسائل، هدف این مقاله تحلیل عاطفی بازخورد کاربران نهایی برای نرمافزارهای با امتیاز پایین است. در این راستا، از هوش مصنوعی مولد (Generative AI)، یعنی ChatGPT، بهعنوان annotator و negotiator در تهیه مجموعه دادههای حقیقی برای طبقهبندی عواطف کاربران با رویکرد یادگیری عمیق (DL) استفاده شده است.
🔸در پیاده سازی رویکرد پیشنهادی این مقاله ، ابتدا ۷۱,۸۵۳ بازخورد از ۴۵ برنامه در فروشگاه آمازون جمعآوری شد. در گام بعد برای شناسایی بازخوردهای منفی کاربران، از رابط برنامهنویسی کاربردی (API) ChatGPTاستفاده شد تا تنها کامنتهای منفی برای ادامه تحلیلها باقی بمانند. برای اطمینان از عملکرد gpt، بطور موازی از Vader برای تحلیل احساسات کامنت ها هم استفاده شد و نتیجه حاکی از عملکرد مناسب gpt در شناخت کامنت های منفی بود.
🔸در گام بعد، با پردازش دستی بازخوردهای منفی کاربران، یک نظریه زمینهای جدید توسعه داده شد تا انواع عواطف منفی مرتبط با این بازخوردها، از جمله خشم، سردرگمی، انزجار، بیاعتمادی، ناامیدی، ترس، ناکامی و غم، شناسایی شود.
🔸پس از آن، مجموعه دادگان بطور موازی هم با استفاده از annotatorهای انسانی و رویکرد تحلیل محتوا، و دیگری با استفاده از API ChatGPT مورد تحلیل قرار گرفت و انواع عواطف منفی ذکر شده در کامنتها شناسایی شد. با توجه به وجود برخی تفاوتها در لیبل گذاری دستی و ماشینی، دور دیگری با ChatGPT انجام شد تا اختلافات بین مجموعه دادههای حاشیهنویسی شده توسط انسان و ChatGPT مورد مذاکره قرار گیرد و در نهایت یک مجموعه داده بدون تعارض برای تشخیص عواطف ایجاد شود.
🔸پس از نهایی کردن لیبلگذاری، از روشهای مختلف یادگیری عمیق، از جمله LSTM، BiLSTM، CNN، RNN، GRU، BiGRU و BiRNN، برای شناسایی اثربخشی آنها در تشخیص عواطف کاربران استفاده شد. این کار با پیشپردازش دادههای ورودی، مهندسی ویژگیها، متعادلسازی مجموعه داده و سپس آموزش و آزمایش آنها با استفاده از رویکرد اعتبارسنجی متقابل انجام شد. نتایج به دقت متوسط ۹۴%، ۹۴%، ۹۳%، ۹۲%، ۹۱%، ۹۱% و ۸۵% به ترتیب برای مدلهای LSTM، BiLSTM، RNN، CNN، GRU ، BiGRU و BiRNN اشاره دارد که نشاندهنده بهبود نتایج با استفاده از مجموعه دادههای حقیقی تهیه شده توسط انسان و ChatGPT است.
🔸این مقاله نه تنها رویکرد روششناختی برای تجزیه و تحلیل بازخورد کاربران را بهبود میبخشد، بلکه ابزاری قدرتمند برای توسعه دهندگان نرم افزار ارائه میدهد تا نیازها و احساسات کاربران خود را بهتر درک کرده و به آنها پاسخ دهند. این امر در نهایت به توسعه محصولات نرمافزاری کاربرمحورتر و باکیفیتتر کمک میکند.
👈در صورت تمایل، میتوانید فایل مقاله را از لینک زیر دریافت فرمایید.
🔗 https://B2n.ir/k07260
#تحلیل_عظیم_داده
#معرفی_مقاله
#دکتر_سعید_روحانی
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️ نام مقاله:
Leveraging Large Language Model ChatGPT for enhanced understanding of end-user emotions in social media feedbacks
✍️ نویسندگان:
Nek Dil Khan, Javed Ali Khan, Jianqiang Li, Tahir Ullah, Qing Zhao
📔ژورنال :
Expert Systems With Applications
🗓سال انتشار:
2025
🔸نویسندگان این مقاله با ذکر اهمیت دریافت بازخورد کاربران در جهت بهبود نرمافزارهای توسعه یافته، بر این موضوع تاکید دارند که بیشتر تحقیقات قبلی بر روی نرمافزارهای پرطرفدار و با امتیاز بالا متمرکز بودهاند و کمتر به نرمافزارهای با امتیاز پایین توجه شده است. در واقع شناسایی مسائل یا اشکالات و احساسات مرتبط با آنها در برنامههای نرمافزاری با رتبه پایین نادیده گرفته شده، که این امر منجر به حذف اپلیکیشن از بازار آنلاین شده است.
🔸همچنین این مقاله تاکید دارد که در پژوهشهای انجام گرفته پیشین، کمتر به موضوع تحلیل عاطفی پرداخته شده و بیشتر حول محور تحلیل احساسات و تعیین قطبیت بصورت مثبت، منفی و خنثی قرار دارند.
🔸 لذا این مقاله با تمرکز بر نرمافزارهای با امتیاز پایین، سعی دارد عواطف کاربران را در بازخوردهای منفی آنها تحلیل کند.
🔸نکته دیگری که به عنوان یک چالش موجود در این مقاله به آن اشاره شده، حاشیهنویسی (لیبل گذاری) دستی برای رویکرد یادگیری نظارتشده (supervised learning) به عنوان یک کار زمانبر و چالشبرانگیز برای حاشیهنویسان انسانی است، بهویژه زمانی که تعداد زیادی کلاس برای طبقهبندی وجود داشته باشد.
🔸لذا با درنظر گرفتن این مسائل، هدف این مقاله تحلیل عاطفی بازخورد کاربران نهایی برای نرمافزارهای با امتیاز پایین است. در این راستا، از هوش مصنوعی مولد (Generative AI)، یعنی ChatGPT، بهعنوان annotator و negotiator در تهیه مجموعه دادههای حقیقی برای طبقهبندی عواطف کاربران با رویکرد یادگیری عمیق (DL) استفاده شده است.
🔸در پیاده سازی رویکرد پیشنهادی این مقاله ، ابتدا ۷۱,۸۵۳ بازخورد از ۴۵ برنامه در فروشگاه آمازون جمعآوری شد. در گام بعد برای شناسایی بازخوردهای منفی کاربران، از رابط برنامهنویسی کاربردی (API) ChatGPTاستفاده شد تا تنها کامنتهای منفی برای ادامه تحلیلها باقی بمانند. برای اطمینان از عملکرد gpt، بطور موازی از Vader برای تحلیل احساسات کامنت ها هم استفاده شد و نتیجه حاکی از عملکرد مناسب gpt در شناخت کامنت های منفی بود.
🔸در گام بعد، با پردازش دستی بازخوردهای منفی کاربران، یک نظریه زمینهای جدید توسعه داده شد تا انواع عواطف منفی مرتبط با این بازخوردها، از جمله خشم، سردرگمی، انزجار، بیاعتمادی، ناامیدی، ترس، ناکامی و غم، شناسایی شود.
🔸پس از آن، مجموعه دادگان بطور موازی هم با استفاده از annotatorهای انسانی و رویکرد تحلیل محتوا، و دیگری با استفاده از API ChatGPT مورد تحلیل قرار گرفت و انواع عواطف منفی ذکر شده در کامنتها شناسایی شد. با توجه به وجود برخی تفاوتها در لیبل گذاری دستی و ماشینی، دور دیگری با ChatGPT انجام شد تا اختلافات بین مجموعه دادههای حاشیهنویسی شده توسط انسان و ChatGPT مورد مذاکره قرار گیرد و در نهایت یک مجموعه داده بدون تعارض برای تشخیص عواطف ایجاد شود.
🔸پس از نهایی کردن لیبلگذاری، از روشهای مختلف یادگیری عمیق، از جمله LSTM، BiLSTM، CNN، RNN، GRU، BiGRU و BiRNN، برای شناسایی اثربخشی آنها در تشخیص عواطف کاربران استفاده شد. این کار با پیشپردازش دادههای ورودی، مهندسی ویژگیها، متعادلسازی مجموعه داده و سپس آموزش و آزمایش آنها با استفاده از رویکرد اعتبارسنجی متقابل انجام شد. نتایج به دقت متوسط ۹۴%، ۹۴%، ۹۳%، ۹۲%، ۹۱%، ۹۱% و ۸۵% به ترتیب برای مدلهای LSTM، BiLSTM، RNN، CNN، GRU ، BiGRU و BiRNN اشاره دارد که نشاندهنده بهبود نتایج با استفاده از مجموعه دادههای حقیقی تهیه شده توسط انسان و ChatGPT است.
🔸این مقاله نه تنها رویکرد روششناختی برای تجزیه و تحلیل بازخورد کاربران را بهبود میبخشد، بلکه ابزاری قدرتمند برای توسعه دهندگان نرم افزار ارائه میدهد تا نیازها و احساسات کاربران خود را بهتر درک کرده و به آنها پاسخ دهند. این امر در نهایت به توسعه محصولات نرمافزاری کاربرمحورتر و باکیفیتتر کمک میکند.
👈در صورت تمایل، میتوانید فایل مقاله را از لینک زیر دریافت فرمایید.
🔗 https://B2n.ir/k07260
#تحلیل_عظیم_داده
#معرفی_مقاله
#دکتر_سعید_روحانی
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📊 مطالعه موردی: تحلیل دادههای عظیم در شرکت جنرال الکتریک (GE)
🔍 جنرال الکتریک: پیشگام در انقلاب صنعتی دیجیتال
شرکت جنرال الکتریک (General Electric - GE) یکی از بزرگترین و قدیمیترین شرکتهای صنعتی جهان است که در حوزههای مختلفی مانند تولید انرژی، حملونقل، سلامت و هوافضا فعالیت میکند. این شرکت طی سالهای اخیر با سرمایهگذاری در دادههای عظیم (Big Data) و اینترنت صنعتی (Industrial Internet) توانسته است بهرهوری تجهیزات صنعتی را افزایش داده و هزینههای عملیاتی را کاهش دهد.
📌 نوآوریهای GE در تحلیل دادههای عظیم
1️⃣ اینترنت صنعتی: ترکیب فناوری و صنعت
اینترنت صنعتی مفهومی است که توسط جنرال الکتریک معرفی شد و به شبکهای از ماشینهای هوشمند، حسگرها و سیستمهای خودکار اشاره دارد که با کمک تحلیل دادهها، عملکرد تجهیزات صنعتی را بهینه میکنند. هدف این فناوری، افزایش بهرهوری، کاهش هزینههای نگهداری و پیشبینی خرابی تجهیزات است.
2️⃣ تحلیل دادههای حسگرهای صنعتی
جنرال الکتریک از حسگرهای پیشرفته در تجهیزات و دستگاههای صنعتی استفاده میکند. این حسگرها حجم عظیمی از دادهها را جمعآوری کرده و با بکارگیری الگوریتمهای یادگیری ماشین، زمینه را برای تحلیلهای لازم فراهم میکند.
3️⃣ پیشبینی و کاهش هزینههای تعمیر و نگهداری
یکی از مهمترین دستاوردهای جنرال الکتریک در حوزه تحلیل دادههای عظیم، کاهش هزینههای خرابی ناگهانی ماشینآلات است.
• بهبود عملکرد توربینهای گازی: حسگرها اطلاعاتی درباره دما، فشار و لرزش تجهیزات جمعآوری میکنند و به اپراتورها این امکان را میدهند که تعمیرات لازم را پیش از وقوع خرابی انجام دهند.
• مدیریت بهینه موتورهای جت: جنرال الکتریک توانسته است با استفاده از تحلیل دادههای موتورهای جت، بهرهوری سوخت را افزایش دهد و هزینههای عملیاتی خطوط هوایی را کاهش دهد.
📌 پروژههای دادهمحور GE
⚡️ بهینهسازی مصرف انرژی در نیروگاهها
جنرال الکتریک از دادههای حسگرهای متصل به توربینهای بادی، گازی و بخار برای تحلیل عملکرد و بهبود بهرهوری انرژی استفاده میکند. بهعنوان مثال، دادههای جمعآوریشده از 22,000 توربین بادی در سراسر جهان، در یک سیستم ابری ذخیره شده و بهصورت بلادرنگ تحلیل میشوند تا بیشترین تولید انرژی با کمترین هزینه حاصل شود.
✈️ بهبود عملکرد خطوط هوایی و کاهش تأخیرها
با تجزیهوتحلیل دادههای عملیاتی پروازها، جنرال الکتریک توانسته است علاوه بر بهینهسازی عملکرد موتورهای جت و کاهش مصرف سوخت از این سیستم برای پیشبینی و کاهش تأخیرهای پروازی از دادههای آبوهوا، ترافیک هوایی و عملکرد فرودگاهها نیز استفاده میکند.
🏥 تحلیل دادههای پزشکی و بهبود سیستم سلامت
سیستم مراقبت سلامت جنرال الکتریک (GE Healthcare) از دادههای عظیم در دستگاههای تصویربرداری پزشکی مانند MRI و CT Scan استفاده میکند تا دقت تشخیص بیماریها را افزایش داده و هزینههای درمانی را کاهش دهد.
📌 مدیریت و بهرهبرداری از دادههای صنعتی
💾 ذخیرهسازی و پردازش دادهها در ابر صنعتی (Industrial Cloud)
جنرال الکتریک یک پلتفرم ابری صنعتی به نام Predix توسعه داده است که دادههای حسگرهای صنعتی را جمعآوری و پردازش میکند. این پلتفرم به شرکتهای صنعتی امکان میدهد تحلیلهای پیشرفتهای روی دادههای خود انجام دهند و عملکرد تجهیزات را بهینهسازی کنند.
📊 پیشبینی و تحلیل بلادرنگ (Real-Time Analytics)
با استفاده از مدلهای پیشبینی، جنرال الکتریک میتواند زمان بهینه برای تعمیرات تجهیزات را مشخص کند. این فناوری باعث میشود که قطعات قبل از خرابی تعویض شوند و از توقف ناگهانی خط تولید جلوگیری شود.
📌 چشمانداز آینده GE در تحلیل دادههای عظیم
جنرال الکتریک معتقد است که استفاده از دادههای عظیم در صنعت میتواند تا سالهای آینده میلیاردها دلار صرفهجویی اقتصادی ایجاد کند. این شرکت سرمایهگذاری سنگینی روی یادگیری ماشین، هوش مصنوعی و تحلیل دادهها انجام داده تا بازدهی صنایع مختلف را افزایش دهد.
✅ کاربردها و تأثیرات GE در تحلیل دادههای عظیم
📍 افزایش بهرهوری نیروگاههای برق: بهینهسازی عملکرد توربینهای بادی و گازی.
📍 مدیریت تعمیرات پیشگیرانه: کاهش هزینههای نگهداری و جلوگیری از خرابیهای ناگهانی.
📍 بهبود حملونقل هوایی: کاهش مصرف سوخت و بهینهسازی مسیرهای پروازی.
📍 پیشرفت در صنعت پزشکی: افزایش دقت تصویربرداری پزشکی و بهبود سیستمهای تشخیصی.
جنرال الکتریک با سرمایهگذاری در فناوریهای دادهمحور توانسته است به یکی از پیشروهای Industry 4.0 تبدیل شود و آیندهی هوشمندتری برای صنایع رقم بزند.
📍همچنین میتوانید این مطلب را در لینک زیر مطالعه بفرمایید.
🔗 https://B2n.ir/n66614
#مطالعه_موردی
#عظیم_داده
#امین_صالحنژاد
#BigData_BusinessAnalytics
www.bdbanalytics.ir
🔍 جنرال الکتریک: پیشگام در انقلاب صنعتی دیجیتال
شرکت جنرال الکتریک (General Electric - GE) یکی از بزرگترین و قدیمیترین شرکتهای صنعتی جهان است که در حوزههای مختلفی مانند تولید انرژی، حملونقل، سلامت و هوافضا فعالیت میکند. این شرکت طی سالهای اخیر با سرمایهگذاری در دادههای عظیم (Big Data) و اینترنت صنعتی (Industrial Internet) توانسته است بهرهوری تجهیزات صنعتی را افزایش داده و هزینههای عملیاتی را کاهش دهد.
📌 نوآوریهای GE در تحلیل دادههای عظیم
1️⃣ اینترنت صنعتی: ترکیب فناوری و صنعت
اینترنت صنعتی مفهومی است که توسط جنرال الکتریک معرفی شد و به شبکهای از ماشینهای هوشمند، حسگرها و سیستمهای خودکار اشاره دارد که با کمک تحلیل دادهها، عملکرد تجهیزات صنعتی را بهینه میکنند. هدف این فناوری، افزایش بهرهوری، کاهش هزینههای نگهداری و پیشبینی خرابی تجهیزات است.
2️⃣ تحلیل دادههای حسگرهای صنعتی
جنرال الکتریک از حسگرهای پیشرفته در تجهیزات و دستگاههای صنعتی استفاده میکند. این حسگرها حجم عظیمی از دادهها را جمعآوری کرده و با بکارگیری الگوریتمهای یادگیری ماشین، زمینه را برای تحلیلهای لازم فراهم میکند.
3️⃣ پیشبینی و کاهش هزینههای تعمیر و نگهداری
یکی از مهمترین دستاوردهای جنرال الکتریک در حوزه تحلیل دادههای عظیم، کاهش هزینههای خرابی ناگهانی ماشینآلات است.
• بهبود عملکرد توربینهای گازی: حسگرها اطلاعاتی درباره دما، فشار و لرزش تجهیزات جمعآوری میکنند و به اپراتورها این امکان را میدهند که تعمیرات لازم را پیش از وقوع خرابی انجام دهند.
• مدیریت بهینه موتورهای جت: جنرال الکتریک توانسته است با استفاده از تحلیل دادههای موتورهای جت، بهرهوری سوخت را افزایش دهد و هزینههای عملیاتی خطوط هوایی را کاهش دهد.
📌 پروژههای دادهمحور GE
⚡️ بهینهسازی مصرف انرژی در نیروگاهها
جنرال الکتریک از دادههای حسگرهای متصل به توربینهای بادی، گازی و بخار برای تحلیل عملکرد و بهبود بهرهوری انرژی استفاده میکند. بهعنوان مثال، دادههای جمعآوریشده از 22,000 توربین بادی در سراسر جهان، در یک سیستم ابری ذخیره شده و بهصورت بلادرنگ تحلیل میشوند تا بیشترین تولید انرژی با کمترین هزینه حاصل شود.
✈️ بهبود عملکرد خطوط هوایی و کاهش تأخیرها
با تجزیهوتحلیل دادههای عملیاتی پروازها، جنرال الکتریک توانسته است علاوه بر بهینهسازی عملکرد موتورهای جت و کاهش مصرف سوخت از این سیستم برای پیشبینی و کاهش تأخیرهای پروازی از دادههای آبوهوا، ترافیک هوایی و عملکرد فرودگاهها نیز استفاده میکند.
🏥 تحلیل دادههای پزشکی و بهبود سیستم سلامت
سیستم مراقبت سلامت جنرال الکتریک (GE Healthcare) از دادههای عظیم در دستگاههای تصویربرداری پزشکی مانند MRI و CT Scan استفاده میکند تا دقت تشخیص بیماریها را افزایش داده و هزینههای درمانی را کاهش دهد.
📌 مدیریت و بهرهبرداری از دادههای صنعتی
💾 ذخیرهسازی و پردازش دادهها در ابر صنعتی (Industrial Cloud)
جنرال الکتریک یک پلتفرم ابری صنعتی به نام Predix توسعه داده است که دادههای حسگرهای صنعتی را جمعآوری و پردازش میکند. این پلتفرم به شرکتهای صنعتی امکان میدهد تحلیلهای پیشرفتهای روی دادههای خود انجام دهند و عملکرد تجهیزات را بهینهسازی کنند.
📊 پیشبینی و تحلیل بلادرنگ (Real-Time Analytics)
با استفاده از مدلهای پیشبینی، جنرال الکتریک میتواند زمان بهینه برای تعمیرات تجهیزات را مشخص کند. این فناوری باعث میشود که قطعات قبل از خرابی تعویض شوند و از توقف ناگهانی خط تولید جلوگیری شود.
📌 چشمانداز آینده GE در تحلیل دادههای عظیم
جنرال الکتریک معتقد است که استفاده از دادههای عظیم در صنعت میتواند تا سالهای آینده میلیاردها دلار صرفهجویی اقتصادی ایجاد کند. این شرکت سرمایهگذاری سنگینی روی یادگیری ماشین، هوش مصنوعی و تحلیل دادهها انجام داده تا بازدهی صنایع مختلف را افزایش دهد.
✅ کاربردها و تأثیرات GE در تحلیل دادههای عظیم
📍 افزایش بهرهوری نیروگاههای برق: بهینهسازی عملکرد توربینهای بادی و گازی.
📍 مدیریت تعمیرات پیشگیرانه: کاهش هزینههای نگهداری و جلوگیری از خرابیهای ناگهانی.
📍 بهبود حملونقل هوایی: کاهش مصرف سوخت و بهینهسازی مسیرهای پروازی.
📍 پیشرفت در صنعت پزشکی: افزایش دقت تصویربرداری پزشکی و بهبود سیستمهای تشخیصی.
جنرال الکتریک با سرمایهگذاری در فناوریهای دادهمحور توانسته است به یکی از پیشروهای Industry 4.0 تبدیل شود و آیندهی هوشمندتری برای صنایع رقم بزند.
📍همچنین میتوانید این مطلب را در لینک زیر مطالعه بفرمایید.
🔗 https://B2n.ir/n66614
#مطالعه_موردی
#عظیم_داده
#امین_صالحنژاد
#BigData_BusinessAnalytics
www.bdbanalytics.ir
BDBAnalytics
مطالعه موردی: تحلیل دادههای عظیم در شرکت جنرال الکتریک (GE) - BDBAnalytics
🔍 جنرال الکتریک: پیشگام در انقلاب صنعتی دیجیتالشرکت جنرال الکتریک (General Electric – GE) یکی از بزرگترین و قدیمیترین شرکتهای صنعتی جهان است که در حوزههای مختلفی مانند تولید انرژی، […]
Media is too big
VIEW IN TELEGRAM
🎯ویژگیهای کلیدی تحلیل عظیم داده
تحلیل عظیم داده به یکی از ابزارهای اساسی در دنیای مبتنی بر داده تبدیل شده است. اما این تحلیل شامل چه ویژگیهایی است؟ در این ویدیو، فرآیندهای اصلی تحلیل عظیم داده را معرفی خواهیم نمود. از جمله داده کاوی، تحلیل پیشبینیکننده، تحلیل بلادرنگ، پردازش داده، تحلیل رگرسیونی و پردازش زبان طبیعی
💡 اگر علاقهمندبه درک عمیقتر از تحلیل عظیم داده و کاربردهای آن هستید، این ویدیو را از دست ندهید!
📍همچنین میتوانید این ویدئو را در لینک زیر مشاهده فرمایید.
🔗 https://B2n.ir/t51097
#تحلیل_داده
#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی
@BigData_BusinessAnalytics
www.bdbanalytics.ir
تحلیل عظیم داده به یکی از ابزارهای اساسی در دنیای مبتنی بر داده تبدیل شده است. اما این تحلیل شامل چه ویژگیهایی است؟ در این ویدیو، فرآیندهای اصلی تحلیل عظیم داده را معرفی خواهیم نمود. از جمله داده کاوی، تحلیل پیشبینیکننده، تحلیل بلادرنگ، پردازش داده، تحلیل رگرسیونی و پردازش زبان طبیعی
💡 اگر علاقهمندبه درک عمیقتر از تحلیل عظیم داده و کاربردهای آن هستید، این ویدیو را از دست ندهید!
📍همچنین میتوانید این ویدئو را در لینک زیر مشاهده فرمایید.
🔗 https://B2n.ir/t51097
#تحلیل_داده
#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی
@BigData_BusinessAnalytics
www.bdbanalytics.ir