دلایل شکست پروژه‌های هوش تجاری

امروزه هوش تجاري به يكي از  اجزاي كليدي در تمام شركتهاي بزرگ موفق تبديل شده است. البته در شركت‌هاي مختلف اقدامات ابتدايي براي استقرار هوش تجاري به درجات متفاوتي از موفقيت منجر شده‌اند. در صورت اجراي صحيح هوش تجاري به يكي از  قسمت‌هاي كليدي در رقابت اصلي سازمان تبديل مي‌شود، ولي در صورت اجراي غلط به يكي از اشتباهات گران در سازمان مي‌شود. در ادامه برخي از دلايل كه باعث شكست شركت‌ها مي‌شود، مورد بررسي قرار گرفته‌اند. در صورت وجود يكي از اين دلايل، سايرين نيز تحت تأثير آن قرار خواهند گرفت.

عدم پشتيباني مديريت:

يكي از اساسي‌ترين گام‌ها در پروژه‌هاي هوش تجاري نظير هر پروژه فناوري اطلاعات ديگر، اطمينان از آگاهي مديريت به ارزش اين پروژه، اهميت آن براي مديريت و تأمين منابع لازم پروژه است. وجود حداقل يك نفر در ميان مديران كه براي پروژه اهميت قائل است، مي‌تواند كافي باشد. در صورت عدم وجود چنين فردي در طول پروژه بزرگي نظير اين، موانع بزرگي سر راه پروژه قرار خواهند گرفت و باعت انحراف پروژه از مسير اصلي خواهند شد. جلب پشتيباني مديريت به طور حتم شانس موفقيت پروژه را افزايش مي‌دهد. در صورتي كه مديريت مراحل استقرار هوش تجاري را درك نكند و يا از مزاياي بي‌خبر باشد، آن چنان كه لازم است به پروژه اهميت داده نمي‌شود و پروژه مدام به تعويق مي‌افتد. مديران اجرايي بايد بدانند كه استقرار هوش تجاري فقط شامل مراحل استقرار فني نمي‌شود و ممكن است منجر به تغيير در فرايندها و كسب‌وكار سازمان گردد. براي اينكه سازمان بتواند از تمام مزاياي هوش تجاري بهره‌مند گردد بايد از تمام خروجي‌هاي هوشمندي استفاده كند و روش اداره كسب‌وكار را تغيير دهد.

شناسايي ضعيف نيازمندي‌ها:

يكي از مهم‌ترين گام‌ها، كه غالباً ناديده گرفته مي‌شود، مرحله جمع‌آوري نيازمندي‌هاست. بيشتر سازمان‌ها بعد از ساخته شدن انباره داده، به عنوان آخرين گام از كاربران براي ابراز نظر در مورد محصول ساخته شده دعوت مي‌كنند. جاي تعجب ندارد كه در اين چنين شرايطي پروژه‌ها به شكست بينجامند. در امر جمع‌آوري نيازمندي‌ها درگير كردن كاربران از امور بي‌چون‌وچرا براي تضمين پي بردن به نيازمندي‌هاي واقعي كاربران است. مانع اصلی که شرکت‌ها با آن مواجه می‌شوند این است که ارائه نیازمندی‌های قوی برای چیزی که هیچ اطلاعی از آن ندارند برای کاربرانی مشکل است. این مشکل می‌تواند با کار کردن با آن‌ها و آموزش آن‌‌ها در مورد data warehouse رفع شود. در ادامه می‌توان با نشان دادن یک نمونه کوچک از data warehouse به آن‌ها مزایا و طرز کار آن را به آن‌ها نشان داد. این امر ایشان را در ابراز نیازمندی‌های با معنی و با ارزش کمک می‌کند. مشکل کلیدی دیگر در این زمینه این است که دامنه پروژه در طول زمان به تدریج تغییر می‌کند. بعد از شروع یک پروژه، با افزایش علاقه‌مندی اندازه پروژه نیز افزایش می‌یابد. برای جلوگیری از خروج پروژه اولیه از کنترل و اتمام به موقع آن باید در مقابل این افزایش اندازه مقاومت نشان داد. نمونه‌های زیادی وجود دارد که در آن پروژه با اندازه کوچک و حدود معین شروع شده است ولی در نیمه راه نیازمندی‌ها سه برابر گشته و پروژه از زمان‌بندی خارج شده و کاربران نیز از پروژه ناامید گردیده‌اند. بنابراین باید در ابتدا نیازمندی‌ها به خوبی جمع‌آوری شوند و تا آخر پروژه به آن‌ها پایبند بود.

طراحی ضعیف:

گام کلیدی بعدی طراحی معماری هوش تجاری است. نکته مهم این است که از افرادی استفاده شود که در این زمینه تجربه دارند. باید از طراحان و توسعه‌دهندگانی استفاده شود که دارای آموزش‌های لازم برای ایجاد data warehouse هستند و تنها تجربه ایجاد پایگاه داده کافی نیست. فرایند data warehouse شامل استخراج داده‌ها از یک یا چند برنامه مرکزی و تبدیل داده‌ها به فرمت که قابل‌استفاده‌تر است. با وجود این‌که این برنامه‌های مرکزی (که OLTP نیز شناخته می‌شوند) دارای ساختارهای داده‌ای رابطه‌ای هستند و به هر نحوی قابل دسترسی هستند ولی معمولاً به صورتی که دسترسی به داده‌ها به آسان و سر راست باشد سازمان‌دهی نشده‌اند. آنها معمولاً به منظور پردازش بهینه طراحی شده‌اند و دسترسی بهینه به آن‌ها مد نظر نبوده است. ایجاد پایگاه داده و طراحی data warehouse دو تخصص متفاوت از هم هستند و تجربه کاری در رابطه با ایجاد پایگاه داده دلیل نمی‌شود یک فرد قادر باشد که در اولین مرتبه از عهده طراحی data warehouse برآید. یک قسمت از مرحله طراحی شامل یافتن تکنولوژی مورد استفاده است. در اغلب اوقات با توجه به استانداردهای شرکت و مهارت‌های موجود در شرکت در این رابطه تصمیم‌گیری می‌شود. با توجه به قیمت و کارایی مورد نظر گزینه‌های زیادی برای تکنولوژی وجود دارد.

نکته مهم دیگر در این مرحله، طراحی استراتژی متاداده است. متاداده عنصر کلیدی برای ایجاد یک data warehouse موفق است. متاداده از اطلاعاتی در رابطه با محتویات data warehouse تشکیل شده است که مشخص می‌کند داده‌ها از کدام قسمت آمده‌اند و چگونه باید استفاده شوند.

فقدان آموزش:

بعد از تکمیل data warehouse، موفقیت به این بستگی دارد که data warehouse برای سازمان چگونه رونمایی خواهد شد. بسیاری از شرکت‌ها در این گام مشکل دارند و معمولاً این باعث می‌شود که استقرار data warehouse به شکست بینجامد. اصلی‌ترین دلیل که به نظر می‌رسد، فقدان آموزش‌های کافی از سوی شرکت برای کاربران است. بجای آموزش آن‌ها با جزئیات دقیق، به یک مرور اجمالی اکتفا می‌کنند. هنگامی که کاربران شروع به استفاده از data warehouse می‌کنند با رویارویی با نتایج غلط ناامید می‌شوند و در نهایت نیز استفاده از آن را متوقف می‌کنند. data warehouse یک ابزار بسیار قوی است و باید افرادی از آن استفاده کنند که پیش‌زمینه و آموزش کافی در رابطه با آن دارند. برخی از شرکت‌ها تصمیم می‌گیرند که به تعداد محدودی ازکارمندان اجازه دسترسی به data warehouse دهند. در این صورت این کارمندان با درخواست‌های متعدد احاطه خواهند شد و در پاسخ‌گویی به تمام آن‌ها با مشکل مواجه خواهند شد. بجای این کار باید یک رویکرد لایه‌ای مد نظر قرار گیرد. لایه‌های مختلف باید دارای تحلیل‌گرانی باشد که در زمینه data warehouse دارای آموزش هستند. سایر کاربران نیز باید از data mart ها و ابزارهای کاربر نهایی نظیر داشبوردها استفاده کنند.

عدم موفقیت در گسترش دادن به وسیله همبسته‌ها (aggregate) یا data mart ها:

بعد از این که data warehouse اولیه ساخته شد، به نظر می‌رسد که کار تمام شده است. معمولاً مرحله بعد که همکاری با کاربران تجاری برای مشخص کردن یک طرح برای استفاده از داده‌های درون data warehouse است، فراموش می‌شود. بعد از کسب این اطلاعات توصیه می‌شود که برای تسهیل انجام وظایف کاربران نسبت به ساخت همبسته‌ها یا data mart ها اقدام شود. یک همبسته عناصر اطلاعاتی مشخصی را با هم ترکیب می‌کند و آن‌ها را در یک قالب ساده شده ارائه می‌کند. این داده‌ها هم می‌تواند در یک رابطه یک به یک باشد و هم می‌تواند داده‌های خلاصه شده باشد. به این ترتیب بجای این که کاربران با پیوندهای پیچیده در میان تعداد زیاد جداول کار کنند، اطلاعات مورد نیازشان را مشخص می‌کنند و توسعه‌دهنده یک همبسته برای آنها ایجاد می‌کند، در نتیجه کاربران می‌توانند به اطلاعات مورد نیازشان به راحتی و با سرعت دسترسی داشته باشند. data mart ها علاوه بر این می‌توانند برای ساخت یک مدل بسیار ساده‌شده‌تر از داده‌ها به کار روند. data mart می‌تواند دارای خلاصه‌سازی‌ها، محاسبات و تغییر نام داده‌ها باشد، به نحوی که کاربران راحت‌تر بتوانند به اطلاعات مورد نیازشان دسترسی داشته باشند. از ساختارهای متداول برای data mart مدل ستاره‌ای و دانه‌برفی است.

استفاده از ابزار غلط:

از دلایل دیگر استقرار ناموفق هوش تجاری در سازمان‌ها انتخاب ابزار نامناسب می‌باشد. برای کاربردهای مختلف انواع ابزارهای متفاوت زیادی در اختیار است. می‌توان به عنوان مثال به ابزارهای ETL، گزارش‌گیری، داده‌کاوی، OLAP و ابزارهای web-based نظیر داشبوردها اشاره کرد. نکته مهم این است که باید با دقت و بررسی در نیازهای کاربران، مجموعه ابزاری انتخاب شود که به عنوان یک مکمل در انجام کارها استفاده داشته باشد. با توجه به این که اکثر ابزارها چند عملکرد را با هم ارائه می‌کنند، اهمیت دارد که هر ابزار برای اطمینان از برآورده سازی نیازهای کاربران گزینش شود. در این رابطه نباید فقط به اظهارات تولیدکننده اکتفا کرد، بهتر است در محیط گزینش شود و از توانایی‌های آن اطمینان به عمل آید. اغلب اوقات مشاهده می‌شود که مشتریان تصمیم به استفاده از یک ابزار به خصوص می‌گیرند و علی‌رغم عدم تطابق با نیازمندی‌های شرکت به استفاده از آن ادامه می‌دهند. در صورتی که بعد از انتخاب یک ابزار مشخص شد که آن ابزار به درد سازمان نمی‌خورد، باید بدون هیچ تردیدی آن را کنار گذاشت و ابزار دیگری انتخاب کرد.

پروژه‌های عظیم در مقابل گام‌های کوچک:

بارها و بارها مشاهده شده است که شرکت‌ها مبادرت به آغاز یک پروژه عظیم هوش تجاری می‌کنند و بعد از هزینه کردن مبالغ هنگفت، بعد از چند سال آن را در قفسه نگهداری کرده و هیچ بهره‌ای از آن نمی‌برند. بجای آغاز پروژه‌ای که سال‌ها به طول خواهند انجامید، بهتر است یک زیرمجموعه کوچک از اطلاعاتی که برای کاربران مفید خواهد بود انتخاب گردد و سعی بر ایجاد و عملیاتی کردن آن قسمت از data warehouse داشت. کاربران بعد از مشاهده نتیجه کار و استفاده از آن در یک مقیاس کوچک، می‌توانند بازخوردهای ارزشمندی برای طراحی کلی فراهم آورند. هرگز نباید قبل از ارائه راهکار به سازمان و دریافت بازخورد آن، منابع و زمان زیادی را هزینه کرد. رعایت این اصل در یک حالت تکراری و چرخشی برای موفقیت ضروری است.

قائل شدن یک پایان برای پروژه:

برای استقرار هوش تجاری در سازمان نباید پایانی در نظر گرفت، برخلاف کشیدن یک نقاشی که فرایند آن دارای یک آغاز و پایان است. در اسقرار هوش تجاری اتمام لایه اول به مثابه آغاز کار است. بعد از شروع کاربران به استفاده از راهکار ارائه شده، ممکن است مورد پسندشان واقع نشود و آن را کنار بگذارند و نیز ممکن است که آن را بپسندند و خواهان کاربردهای بیشتری شوند. در هر دو حالت باید با توجه به گام‌های قبلی و بررسی کارهای انجام شده، تغییرات و اصلاحات لازم طوری به عمل آید که تمام کاربران خواهان استفاده از آن شوند. همان طور که این راهکار تکامل پیدا می‌کند، می‌تواند یک بخش ضروری از کسب‌وکار گردد. نمی‌توان اطمینان داشت که در اولین نگارش از راهکار تمام نیازمندی‌های یک شرکت را برآورده ساخت، باید همگام با سازمان رشد و تکامل یابد.

 

✳️☑️مشخصات زبان R

🔶زبان R برای اولین بار به عنوان یک پروژه تحقیقاتی توسط راس ایهاکا (Ross Ihaka) و رابرت جنتلمن (Robert Gentleman) نوشته شد، و در حال حاضر توسط گروهی از متخصصان علم آمار به نام “تیم هسته زبان R ” با صفحه ای در آدرس www.r-project.org در حال توسعه ی فعال می باشد.

زبان R به گونه‌ای طراحی شده، که بی شباهت به زبان نرم افزار S که توسط جان چمبرز (John Chambers) و دیگر افراد در آزمایشگاه‌های بل توسعه یافته بود نباشد. نسخه تجاری نرم افزار S با قابلیتهای بیشتر، توسط موسسه ی علوم آماری به عنوان نرم افزار SPlus توسعه یافته و به بازار عرضه شده؛ بعدها این نسخه نرم افزار SPlus، توسط شرکت Insightful خریداری شده و اکنون نیز متعلق به TIBCO Spotfire می باشد.زبان R و نرم افزار SPlus را می توان به عنوان دو پیاده‌ سازی زبان نرم افزار S در نظر گرفت.

زبان R بصورت رایگان در دسترس بوده و تحت پروانه ی عمومی همگانی، گنو (GNU) از بنیاد نرم افزارهای آزاد (FreeSoftware Foundation) توزیع می گردد. شما می توانید این برنامه را از شبکه جامع آرشیو نرم افزار R در (CRAN) دانلود نمایید. باینری های آماده اجرای زبان R برای سیستم عامل های ویندوز (Windows)، مک او اس ایکس (Mac OS X) و لینوکس (Linux) در دسترس می باشد.

کد منبع (source code) نیز قابل دانلود بوده و می تواند برای سیستم عامل های دیگر کامپایل شود.
حاوی محدوده گسترده‌ای از تکنیک‌های آماری (از جمله: مدل‌سازی خطی و غیرخطی، آزمون‌های کلاسیک آماری، تحلیل سری‌های زمانی، رده‌بندی، خوشه‌بندی و …) و قابلیت‌های گرافیکی است. در محیط R، کدهای سی، سی++ و فورترن قابلیت اتصال و فراخوانی هنگام اجرای برنامه را دارند و کاربران خبره می‌توانند توسط کدهای سی، مستقیماً اشیا R را تغییر دهند.گرچه نرم‌افزار R اغلب به منظور انجام محاسبات آماری به کار می‌رود، این نرم‌افزار قابل به کارگیری در محاسبات ماتریسی است و در این زمینه، همپای نرم‌افزارهایی چون اُکتاو و نسخه تجاری آن متلب (MATLAB) است. R، همچنین زبانی قدرتمندی برای ایجاد اشکال گرافیکی و نمودارهاست.

به سرعت در حال تبدیل شدن به مهم ترین زبان برنامه نویسی برای هر دو، زیست شناسان تجربی و محاسباتی است .به خوبی طراحی شده است، بسیار کارآمد و به طور گسترده ای مورد استفاده قرار می گیرد و دارای یک پایگاه بسیار زیادی از همکاران و کاربرانی است که که قابلیت های جدید برای تمام جنبه های مدرن از تجزیه و تحلیل داده ها و تجسم را به آن اضافه میکنند. علاوه بر آن رایگان و منبع باز است

شما می توانید از R برای تقریبا تمام موضوعات بیوانفورماتیک، پروتئومیکس، تجزیه و تحلیل آماری استفاده کنید بطور مثال(Flow Cytometry, text and data mining, Seqeunce ,NGS,manipulation)
رابرت مونچن امار دانی که این زبان را تدریس میکند ،این زبان به عنوان محبوب ترین زبان برنامه نویسی در زمینه عملیات پژوهشی در سال 2015 اعلام کرده است نا گفته نماند ایشان به عنوان مسئول براورد محبوبیت نرم افزارهای پژوهشی نیز هستند.

و در اخر خاص بودن R را در:

1-مجموعه قوی از عملگرهای محاسباتی
2-کتابخانه های خاص چند منظوره
3-بسته های نرم افزاری قدرتمند برای تجزیه و تحلیل
4-دارای مستندات فرمت بندی شده
5-قابلیت شبیه سازی های گوناگون
می توان دانست

قابلیت جدید دستور SELECT INTO

قابلیت جدید دستور SELECT INTO

همان‌طور که می‌دانید با استفاده از دستور SELECT INTO یا در اصطلاح همان Make Table Query می‌توان یک نمونه‌ی کپی از جدول موردنظر را ایجاد کرد؛ البته در این شرایط جدولی که ایجاد می‌شود صرفا مشابه ساختار جدولِ موجود و به‌همراه رکوردهای آن خواهد بود و خبری از کپی شدن سایر محدودیت‌ها و آبجکت‌ها از قبیل ایندکس‌ها، ویوها، تریگرها و … نیست.

نکته جالب اما این‌که در SQL Server 2017 شما می‌توانید به‌راحتی تعیین کنید که این جدولِ جدید در کدام FILE GROUP ایجاد شود. تا قبل از این، به‌محض استفاده از دستور SELECT INTO، جدولِ جدید در FILE GROUP پیش‌فرض ایجاد می‌شد.

پس از ایجاد هر دیتابیسی، به‌صورت اتوماتیک FILE GROUPای با عنوان PRIMARY ایجاد می‌شود و از این پس تمامی آبجکت‌های ایجاد شده در آن قرار خواهد گرفت.

برای ایجاد یک FILE GROUP جدید در دیتابیس از دستور زیر استفاده می‌کنیم:

ALTER DATABASE Your_DatabaseName
ADD FILEGROUP FG1;
GO

با استفاده از VIEW سیستمی زیر می‌توانید لیستی از FILE GROUPهای موجود در دیتابیس‌تان را ببینید:

SELECT * FROM sys.filegroups;
GO

اکنون به ‌ساده‌گی و با استفاده از دستور زیر می‌توان مشخص کرد آبجکتی که قرار است از جدول موردنظرمان ایجاد شود، در کدام FILE GROUP ذخیره شود:

SELECT * INTO New_Table
ON FG1
FROM Your_TableName;
GO

در پایان با اجرای اسکریپت زیر می‌توانید ببینید که جدول ایجاد‌شده در کدام FILE GROUP قرار گرفته است:
SELECT
F.name AS FileGroupName
FROM sys.filegroups F
JOIN sys.indexes I
ON I.data_space_id = F.data_space_id
JOIN sys.tables T
ON T.object_id = I.object_id
WHERE I.index_id < 2
AND T.name= ‘Your_TableName’
AND T.schema_id = schema_id(‘Your_SchemaName’);
GO

از وبلاگ (کانال ) آقای  مهدی شیشه‌بری

یک مثال ساده از استفاده از یادگیری عمیق ماشین های هوشمند

یک مثال ساده از استفاده از یادگیری عمیق ماشین های هوشمند
یک شبیه سازی کوچک دوبعدی که در آن اتومبیل ها می توانند از طریق یک دوره به خودشان آموزش بددهند، با استفاده از یک شبکه عصبی و الگوریتم های تکاملی.

۱- مقدمه ای بر علم داده

داده ها توصیف جهان اطراف ما هستند، جمع آوری شده از طریق مشاهده و ذخیره شده در کامپیوتر. کامپیوترها ما را قادر میسازند از خواص این توصیفها خواص جهان را بیاموزند. داده های علمی رشته ای است که نتیجه گیری را از داده ها با استفاده از محاسبات انجام می دهد. سه جنبه اصلی تحلیل داده موثر وجود دارد: اکتشاف، پیش بینی و استنتاج. این متن یک رویکرد منسجم برای همه سه را ایجاد می کند، همزمان با ارائه ایده های آماری و ایده های اساسی در علوم رایانه ای. ما بر روی حداقل مجموعه تکنیک های هسته ای تمرکز می کنیم که می تواند به طیف گسترده ای از برنامه های دنیای واقعی اعمال شود. پایه و اساس در علوم داده نیاز به درک روش های آماری و محاسباتی، بلکه شناخت نحوه اعمال آنها در سناریوهای واقعی است.

برای هر جنبه ای از جهان که می خواهیم مطالعه کنیم – چه در شرایط آب و هوایی زمین – در بازار بورس ، نظرسنجی های سیاسی و یا داده های ذهنی انسان که معمولا جمع آوری می کنیم، معمولن در یک چالش اصلی از علوم داده ها، ایجاد نتیجه قابل اعتماد با استفاده از این اطلاعات جزئی است.

در این تلاش، دو ابزار ضروری را شامل می شود: محاسبات و تصادفی ساختن. به عنوان مثال، ممکن است ما بخواهیم روند اصلاحات آب و هوایی را با استفاده از مشاهدات دما درک کنیم. کامپیوترها به ما اجازه می دهند از تمام اطلاعات موجود برای نتیجه گیری استفاده کنیم. به جای تمرکز فقط بر میانگین دمای یک منطقه، تمام محدوده دما را با هم برای تحلیل بیشتر و دقیق تر بررسی خواهیم کرد. تصادفی ساختن  به ما امکان می دهد تا راه های مختلفی را که اطلاعات ناقص را کامل می کند، بررسی کنیم. ما یاد خواهیم گرفت که تصادفی بودن را به عنوان راهی برایی ازمایش کردن بسیاری از سناریوهای احتمالی که همگی با اطلاعاتی که مشاهده می کنیم، استفاده کنیم.

استفاده از این رویکرد نیازمند یادگیری ماشین است بنابراین در ادامه این متن راهکارهای کامل  برنامه نویسی را شامل می شود، و نیازی نیست هیچ دانش قبلی ای را داشته باشید .  خوانندگان با تجربه برنامه نویسی متوجه خواهند شد که ما در زمینه محاسبات چند موضوعی را پوشش می دهیم که در یک برنامه نویسی معمول شباهتی ندارد . علم داده ها همچنین نیاز به استدلال دقیق در مورد مقادیر و جبر خطی و … دارد ، اما این متن هیچ پیش زمینه ای در ریاضیات یا آمار و جبر خطی ندارد .  زود به سمت برنامه نویسی خواهیم رفت . البته با پایتون

علم اطلاعات چیست؟

علوم داده ها در مورد ایجاد نتیجه های مفید از مجموعه داده های متنوع و وسیع از طریق اکتشاف، پیش بینی و استنتاج است. اکتشاف شامل شناسایی الگوها در اطلاعات است. پیش بینی شامل استفاده از اطلاعاتی است که ما می دانیم برای تهیه حدس های آگاهانه درباره ارزش هایی که می خواهیم بدانیم. استنتاج شامل تعیین میزان درجه اطمینان ما می شود: آیا این الگوهایی که یافتیم نیز در مشاهدات جدید ظاهر می شوند؟ پیش بینی های ما دقیق است؟ ابزار اصلی ما برای اکتشاف، تصویربرداری و آمار توصیفی است، برای پیش بینی، یادگیری ماشین و بهینه سازی است و برای استنتاج آزمون ها و مدل های آماری است.

آمار یکی از مولفه های اصلی علوم داده است؛ زیرا آمارها چگونگی نتیجه گیری قوی با اطلاعات ناقص را بررسی می کند. محاسبات جزء مرکزی است زیرا برنامه نویسی به ما امکان می دهد تکنیک های تجزیه و تحلیل را به مجموعه های داده های متنوع و گسترده ای که در برنامه های دنیای واقعی بوجود می آیند، اعمال کنیم: نه تنها اعداد، بلکه متن، تصاویر، فیلم ها و خواندن از حسگر. علم داده ها همه این موارد است، اما بیشتر از مجموع قطعات آن به دلیل برنامه های کاربردی است. از طریق درک یک دامنه خاص، دانشمندان داده یاد می گیرند از سوالات مناسب در مورد داده های خود بپرسند و پاسخ های ارائه شده توسط ابزار استنتاجی و محاسباتی ما را به درستی تفسیر کنند.

دامنه های .new در ابزارهای گوگل

🎥 به لطف ایده‌ی جالب گوگل به کمک دامنه‌ی .new از حالا می‌توانید تنها با قرار دادن این دامنه در انتهای فرمت‌های doc, sheet, slide, site و form، مستقیما به صفحه ساخت و ویرایش آن منتقل شوید. برای مثل کافیست آدرس doc.new را در مرورگر وارد کنید تا بدون هیچ مرحله‌ی اضافه‌ای، فایل شما ساخته و آماده‌ی ویرایش شود.

با تشکر از اقای مهندس منوچهری 

مردها خیلی هم خوبند…🕴

مردها خیلی هم خوبند…
دوست داشتنی و مهربان..
عاشق محبت واقعی…
گاهی وقتا مثل یه بچه از ته دل خوشحالند..
و گاهی مثل یک پیرمرد خسته…
اکثرشان تنهایی را تجربه کرده اند…
بیشترشان درد کشیده اند…
و اکثرا غمهایشان را در وجودشان مخفی کرده اند..
خیلی از اشک ها را نگذاشته اند از چشمانشان بیرون بریزد..
مردها میروند قدم میزنند تا یادشان نرود که به جای گریه باید قدمهای محکم داشته باشند..
همانها که اگر عاشق شوند ؛
برایتان شاملو می شوند ،و بیستون میکنند…
و تو بهشت را روی زمین خواهی داشت…
اری اینها مرد هستند…

✍ فروغ فرخزاد

✅هوش مصنوعی و آینده ما

اخیراً در رقابتی میان چند شرکت و مؤسسه تحقیقاتی، آزمایشگاه هوش مصنوعی دانشگاه استنفورد موفق شد در کویر نِوادای آمریکا، وسیله نقلیه­ ای را بدون راننده برای ۲۱۱ کیلومتر آزمایش کند. این مؤسسه از طرف آژانس پروژه­ های عالی پنتاگون، دو میلیون دلار جایزه گرفت.

پیش ­بینی می­شود تا سال ۲۰۳۵، ۲۸ درصد مشاغل با وجود هوش مصنوعی در خطر باشند. به عنوان مثال، اگر کامیون­ های بدون راننده در آمریکا عملیاتی شوند، دو میلیون شغل از بین می­رود. هم­ اکنون یک میلیون خودرو در چین بدون بنزین و با باطری کار می­کند و صد شرکت چینی در تولید خودرو و کامیون برقی در حال فعالیت هستند.شرکت Ping An از طریق ۵۰ عکس از صورت متقاضیان وام، تصمیم می­گیرد به آنها وام بدهد یا خیر. شرکت بزرگ مواد شوینده جانسون و جانسون از طریق نرم افزار، متقاضیان را استخدام می­کند. در علوم پزشکی و اعمال جراحی نیز، هوش مصنوعی پیشرفت­ های قابل توجهی ایجاد کرده است.

یکی از زمینه­ های هوش مصنوعی در صنعت نفت و گاز و انرژی است. چینی­ ها با شدت بالا در پی انرژی های جایگزین هستند. هم ­اکنون ۲۴ درصد انرژی چین از این نوع صنایع است؛ در آمریکا ۱۵ درصد. چینی ­ها ۴۷ میلیارد دلار برای بهره برداری از انرژی خورشیدی سرمایه­ گذاری کرده ­اند و این در حالی است که چین ۸۰ درصد نیازهای انرژی خود را وارد می­کند. چینی­ ها در صنعت گاز آلاسکا، ۴۳ میلیارد و شرکت Rosneft روسی، ۹ میلیارد دلار سرمایه ­گذاری کرده­ اند. با توجه به اینکه در ۲۵ سال گذشته، ۲۵۰۰۰ رودخانه در چین خشک شده است، برای انتقال آب از جنوب به شمال، ۴۸ میلیارد دلار هزینه شده و هوش مصنوعی در صرفه­ جویی و کارآمدی آب با دقت بالا به­ کار گرفته شده است.

رقابت اصلی در جهان در هوش مصنوعی میان آمریکا و چین است. بسیاری از شرکت ­های آمریکایی که فعالیت آنها کارگر محور است، به خرید شرکت­ های هوش مصنوعی روی آورده­اند تا در آینده عقب نمانند.طی سال ­های ۲۰۱۶-۲۰۱۳، چینی ­ها سعی کردند ۲۷ شرکت آمریکایی را در حوزه هوش مصنوعی نقداً خریداری کنند که با مخالفت خزانه­ داری آمریکا با عنوان تهدید علیه امنیت ملّی روبرو شدند. دست­رسی به فناوری و هوش مصنوعی در آمریکا برای چینی ­ها بسیار تعیین کننده است. ۳۰ سال پیش تجارت این دو کشور ۸ میلیارد دلار بود، هم اکنون به حدود ۶۳۶ رسیده است. در سال ۲۰۱۱ کنگره آمریکا، پروژه­ های مشترک با چین برای سازمان ناسا را غیر قانونی اعلام کرد. دولت آمریکا مراقب شرکت­ های آمریکایی در چین نیز می­باشد

از کانال هوش کسب و کار