RPA نوعی اتوماسیون فرآیندهای تجاری است که با استفاده از آن می‌توان مجموعه‌ای از دستورالعمل‌ها را به عنوان وظایف کاری یک ربات تعریف کرد. ربات‌های RPA تعاملات انسان و رایانه را تقلید می‌کنند تا کارها بدون خطا و با حجم و سرعت بسیار بالا انجام شوند. به بیان ساده RPA فرآیندی است که طی آن یک ربات ترکیبی از اتوماسیون، بینایی کامپیوتر و یادگیری ماشینی را برای انجام خودکار کارها در حجم بالا استفاده می‌کند. اتوماسیون فرآیند رباتیک چیزی جز دستور دادن به ماشین برای اجرای کارهای دستی روزمره و تکراری نیست.
مدیران ارشد فناوری اطلاعات بیشتر به اتوماسیون فرآیند روباتیک تمایل دارند تا مسئولیت های خسته کننده را از میان بردارند تا کارمندان شرکت بتوانند روی کارهایی با ارزش بالاتر تمرکز کنند. اما کارشناسان می‌گویند که RPA به طراحی، برنامه‌ریزی و مدیریت مناسب نیاز دارد تا بتواند بیزینس شما را تقویت کند.
نحوه عملکرد اتوماسیون فرآیند رباتیک
اتوماسیون فرآیند رباتیک (RPA) یک فناوری نرم افزاری است که ساخت، راه اندازی و مدیریت ربات‌های نرم افزاری را آسان می‌کند. این ربات‌ها رفتارهای انسان را در تعامل با سیستم‌ها و نرم افزارهای دیجیتال شبیه سازی می‌کنند. درست مانند همه افراد، این ربات‌ها هم می‌توانند کارهایی مانند درک دستورالعمل‌ها، هدایت سیستم‌ها، شناسایی و استخراج داده‌ها و طیف گسترده‌ای از اقدامات تعریف‌شده را انجام دهند. و تمام این وظایف را سریع‌تر از مردم انجام میدهند!
مزایای تجاری RPA چیست؟
بزرگ ترین مزیت اتوماسیون رباتیک کاهش هزینه هاست. افزایش سرعت، دقت و ثبات، بهبود کیفیت و مقیاس پذیری از مزایای دیگر این فرایند است. اتوماسیون همچنین می‌تواند امنیت بیشتری را به خصوص برای داده‌های حساس و خدمات مالی سازمان فراهم کند. اتوماسیون فرآیند رباتیک جریان کار را ساده می‌کند. به همین ترتیب، سازمان‌ها سودآورتر، انعطاف پذیرتر و پاسخگوتر می‌شوند. همچنین با حذف کارهای پیش پا افتاده رضایت و بهره‌وری کارکنان را افزایش می‌دهد. RPA به سرعت برای تسریع تحول دیجیتال پیاده سازی می‌شود. این فناوری برای خودکارسازی کارهایی که فاقد API، زیرساخت‌های دسکتاپ مجازی (VDI) یا دسترسی به پایگاه داده هستند، بسیار ایده‌آل است.
فناوری RPA و تغییر نحوه انجام کارها در جهان
ربات‌های نرم‌افزاری کارهای تکراری و کم ارزش مانند: ورود به برنامه‌ها و سیستم‌ها، جابجایی فایل‌ها و پوشه‌ها، کپی و ذخیره داده‌ها، پر کردن فرم‌ها، و تکمیل گزارش‌های معمولی را به جای افراد انجام میدهند. ربات‌های پیشرفته حتی می‌توانند فرآیندهایی مانند: ترجمه متن، تعامل در چت و مکالمات، درک داده‌ها و استفاده از مدل‌های پیشرفته یادگیری ماشین را انجام دهند.
وقتی روبات‌ها این کارهای تکراری و پر حجم را انجام دهند، انسان‌ها می‌توانند روی کارهایی که مفیدتر،مهم‌تر و ارزشمندتر است تمرکز کنند و از همکاری و تعامل با مشتریان لذت بیشتری ببرند. انجام این کارها باعث ارتقا و پیشرفت شرکت‌ها نیز می‌شود. همچنین بهره‌وری، کارایی و انعطاف‌پذیری بیشتری را نیز به همراه دارد.
در کجا می‌توان از RPA استفاده کرد؟
امروزه RPA کاربردهای جدیدی نمایان کرده است و مردم را از خستگی‌های مکرر رها می‌کند. این روبات‌ها در صنایع مختلف از خدمات مالی گرفته تا مراقبت‌های بهداشتی، تولید و خرده‌فروشی کاربرد دارند. فراتر از آن، RPA در حوزه‌های مختلفی مانند: امور مالی، خدمات مشتری و فناوری اطلاعات نیز پیاده‌سازی شده است. و این تنها شروع فعالیت آن‌هاست. RPA در ابعاد گسترده قابل اجراست. تقریبا هر کاری با حجم بالا و مبتنی بر قوانین تجاری که قابل تکرار است، یک گزینه عالی برای اتوماسیون است.
ویژگی‌ها و قابلیت‌های فناوری RPA
برای ایجاد و مدیریت یک برنامه RPA در سطح سازمانی، به فناوری نیاز دارید که بتواند بسیار فراتر از خودکارسازی یک فرآیند واحد عمل کند. سازمان شما به پلتفرمی نیاز دارد که بتواند به شما در ایجاد و مدیریت یک قابلیت جدید کمک کند. پلتفرمی که به شما کمک کند تا به یک شرکت کاملا خودکار تبدیل شوید. فناوری RPA کاملا از شما پشتیبانی می‌کند؛ از کشف فرصت‌ها گرفته تا ساخت سریع روبات‌هایی با کارایی بالا و مدیریت هزاران گردش کار خودکار.
البته اتوماسیون فرایند رباتیک باعث از بین رفتن شغل برای انسان‌ها نخواهد شد. پتانسیل بهره‌وری RPA بسیار زیادی است؛ انقدری که نمی‌توان آن را نادیده گرفت. تکنولوژی به پیشرفت خود ادامه خواهد داد، اما این لزوما به این معنی نیست که ربات‌ها مشاغل را از بین می‌برند.
در حالت ایده‌آل، این ربات‌ها کارمندان را برای کارهای با ارزش‌تر آزاد می‌کنند تا در مسیر تحول دیجیتال سازمان گام بردارند.
گردش کار سنتی در ابزارهای اتوماسیون رباتی
در ابزارهای اتوماسیون گردش کار قدیمی، توسعه‌دهنده نرم‌افزار فهرستی از اقدامات را برای خودکارسازی یک فعالیت با استفاده از رابط‌ه برنامه‌نویسی برنامه داخلی (API) یا زبان برنامه‌نویسی اختصاصی تولید می‌کند. به همین ترتیب، سیستم RPA با مشاهده انجام آن کار توسط کاربر در رابط کاربری گرافیکی برنامه (GUI) و سپس با تکرار آن وظایف فرایند اتوماسیون را در GUI انجام میدهند.
چرا RPA سریع‌ترین نرم افزار سازمانی در حال رشد در جهان است؟
وقتی ارزش RPA را با سهولت اجرای آن نسبت به سایر فناوری‌های سازمانی ترکیب کنید، به راحتی متوجه می‌شوید که چرا استفاده از RPA در سراسر جهان فراگیر شده است. RPA می‌تواند به صنایع مختلف کمک کند تا مسائل عملیاتی خاص خود را با روش‌های جدید و قدرتمند حل کنند.
مدیران حوزه‌های مختلف از امور مالی گرفته تا خدمات مشتری، بازاریابی، منابع انسانی و فراتر از آن می‌دانند که RPA بسیاری از فرآیندها را بهبود می‌بخشد. همچنین ظرفیت بالاتر، توان عملیاتی سریع‌تر و خطاهای کمتری را هنگام اجرای فرآیندهای کلیدی ایجاد می‌کند. از دیدگاه مدیر مالی، سرمایه گذاری در فناوری RPA بازدهی سریعی را ارائه می‌دهد و در مقایسه با سایر فناوری‌های سازمانی به حداقل هزینه نیاز دارد.
از آنجایی که ربات‌های نرم افزاری می‌توانند به راحتی به سیستم‌های قدیمی دسترسی داشته باشند و با آنها کار کنند، RPA به یک عنصر کلیدی برای تحول دیجیتال تبدیل شده است. فناوری RPA مدرن پلتفرم‌های مقیاس‌پذیر و آماده را به سازمان‌ها ارائه می‌دهد. کارمندان دریافتند که استفاده از دستیارهای رباتیک کارشان را بسیار آسان‌تر می‌کند. و رویکرد RPA به آنها اجازه می‌دهد تا به توسعه‌دهنده‌ای تبدیل شوند که می‌تواند اتوماسیون‌های ساده خود را بسازد.
عملکرد ربات‌های RPA
خدمات RPA با یک ربات نرم افزاری مطابقت دارد؛ به طوری که هر ربات ایستگاه کاری مجازی خود را دارد، درست مانند یک کارگر. این ربات از صفحه کلید و ماوس برای اجرای کارها استفاده می‌کند. به طور معمول همه این اقدامات در یک محیط مجازی انجام می‌شود. ربات RPA برای کار کردن نیازی به صفحه نمایش فیزیکی ندارد، بلکه صفحه نمایش را به صورت آنلاین تفسیر می‌کند.
این مقیاس پذیری مدیون ظهور فناوری مجازی‌سازی است که بدون آن مدیریت سخت‌افزار فیزیکی با مشکل مواجه می‌شود. اجرای RPA در مقایسه با راه حل‌های سنتی به طور چشمگیری در هزینه‌ها صرفه جویی می‌کند.
آیا RPA همان هوش مصنوعی (AI) است؟
RPA هوش مصنوعی نیست و هوش مصنوعی RPA نیست! اما ترکیب RPA و AI امکانات جدیدی را برای شرکت‌ها به ارمغان میاورد. در حال حاضر ویژگی‌های پیشرفته هوش مصنوعی در قالب مدل‌های یادگیری ماشینی، پردازش زبان طبیعی (NLP)، تشخیص کاراکتر و تصویر و موارد دیگر در ربات‌های RPA وارد می‌شوند.
ترکیب این قابلیت‌ها در ربات توانایی آنها را برای مدیریت فرآیندهای شناختی به طرز چشمگیری افزایش می‌دهد. فرآیندهای شناختی به موارد زیر نیاز دارند:
درک اسناد از جمله داده‌های نیمه ساختاریافته یا ساختار نیافته
تجسم صفحه نمایش (از جمله دسکتاپ مجازی)
درک گفتار و ادامه مکالمات
زمانی که شرکت‌ها هوش مصنوعی را در فعالیت‌ها و تصمیم‌های خود ادغام می‌کنند، متوجه می‌شوند که RPA می‌تواند به عنوان یک سیستم تحویل در هوش مصنوعی عمل کند. ربات‌ها را می‌توان طوری تنظیم کرد که مدل‌های یادگیری ماشینی را در فرآیند تصمیم‌گیری و تحلیل‌های خودکار خود اعمال کنند و هوش ماشینی را عمیقا در عملیات‌های روزمره جای دهند.
چهار بررسی اساسی هنگام تعیین مناسبات احتمالی RPA
فرآیند رباتیک باید مبتنی بر قانون باشد.
این فرآیند باید در فواصل زمانی منظم تکرار شود.
فرآیند باید دارای ورودی‌ها و خروجی‌های تعریف شده باشد.
کار باید حجم کافی داشته باشد.
نتیجه گیری
به بیان ساده، نقش RPA خودکارسازی وظایف تکراری و پیش پا افتاده است که قبلا توسط انسان انجام می‌شد. این نرم افزار برای انجام کارهای تکراری در برنامه‌ها و سیستم‌ها تنظیم شده است. اتوماسیون فرایند رباتیک RPA یک نرم افزار گردش کار با مراحل و برنامه‌های متعدد است که برای انجام کارهای مورد نظر تنظیم می‌شود. RPA شکل پیشرفته‌ای از اتوماسیون فرآیندهای کسب و کار است که وظایف انسان را در سیستم خود ثبت می‌کند؛ سپس همان وظایف را بدون دخالت انسان انجام می‌دهد.
پردازش زبان طبیعی (NLP) زیر شاخه‌ای از زبان‌شناسی، علوم رایانه و هوش مصنوعی است که به تعامل بین رایانه‌ها و زبان انسان برای پردازش و تجزیه و تحلیل داده‌ها اشاره دارد. برای درک زبان انسانی، نه تنها کلمات، بلکه مفاهیم و نحوه پیوند آنها با یکدیگر نیز بسیار اهمیت دارد. علیرغم این که زبان یکی از ساده‌ترین مهارت‌ها برای یادگیری ذهن انسان است. اما ابهام زبان همان چیزی است که پردازش زبان طبیعی را برای کامپیوترها بسیار دشوار می‌کند. این فناوری اطلاعات را به طور دقیق استخراج می‌کند سپس دسته بندی و سازماندهی آنها را به طور کامل انجام می‌دهد. چالش‌های پردازش زبان طبیعی بیشتر شامل تشخیص گفتار، درک و تولید زبان طبیعی است. NLP در تلاش است تا بتواند متن یا داده‌های صوتی را درک کند و به آنها پاسخ دهد.
پردازش زبان طبیعی یعنی چه؟
NLP یکی از زیر شاخه‌های هوش مصنوعی می‌باشد. این فناوری توانایی درک متن و کلمات را به همان روشی که در انسان وجود دارد، به رایانه‌ها یاد می‌دهد. در حقیقت، رشته تحصیلی که بر تعاملات بین زبان انسان و رایانه متمرکز است، پردازش زبان طبیعی یا به اختصار NLP نامیده می‌شود. این رشته در دسته علوم کامپیوتر، هوش مصنوعی، و زبان شناسی محاسباتی قرار دارد.
NLP زبان‌شناسی محاسباتی، مدل‌سازی مبتنی بر قواعد زبان انسانی را با مدل‌های آماری، یادگیری ماشینی و یادگیری عمیق ترکیب می‌کند. این فناوری‌ها در کنار هم، رایانه‌ها را قادر می‌سازند تا زبان انسان را به صورت متن یا داده‌های صوتی پردازش کنند و معنای کامل آن را کاملا با هدف و احساسات گوینده یا نویسنده «درک» کنند.
پردازش زبان طبیعی NLP این قابلیت را دارد که یک متن را از یک زبان به زبان دیگر ترجمه کند و همچنین می‌تواند دستورات گفتاری را کدگشایی کند و پردازش متن‌های زیاد را با سرعت بالا انجام دهد. کاربران با استفاده از پردازش زبان طبیعی NLP به سیستم‌های GPS، دستیارهای دیجیتال، نرم‌افزار تبدیل گفتار به متن، چت ربات‌های خدمات مشتری و سایر امکانات دسترسی خواهند داشت. بنابراین، NLP نقش رو به رشدی در سازمان ایفا می‌کند که به ساده‌سازی عملیات تجاری، افزایش بهره‌وری کارکنان و ساده‌سازی فرآیندهای کسب‌وکار کمک می‌کند.
NLP چه وظایفی دارد؟
زبان انسان مملو از ابهامات می‌باشد و نوشتن نرم افزاری که دقیقا معنای متن یا داده‌های صوتی را تشخیص دهد بسیار دشوار است. ارایه‌ها، استعاره‌ها، کنایه‌ها، آواها، اصطلاحات، قواعد کاربردی در ساختار جملات فقط کمی از پیچیدگی‌های زبان انسان را نشان می‌دهد. به همین دلیل یادگیری آن برای ماشین‌ها تا سال‌ها طول می‌کشد! اما برنامه نویسان در تلاشند تا برنامه‌های کاربردی مبتنی بر زبان طبیعی را ارائه میدهند.
تشخیص گفتار به متن: ابزار تشخیص گفتار به متن داده‌های صوتی را به داده‌های متنی تبدیل می‌کند. سیستم تشخیص گفتار برای هر برنامه‌ای که دستورات صوتی را دنبال می‌کند یا به سوالات گفتاری پاسخ می‌دهد، لازم است.
تجزیه و تحلیل احساسات: تجزیه و تحلیل احساسات سعی می‌کند نگرش‌های ذهنی، احساسات، کلیدی، سردرگمی و سوء ظن را در متن تشخیص دهد.
موارد استفاده از پردازش زبان طبیعی NLP
پردازش زبان طبیعی، نیروی محرکه هوش ماشینی است که در دنیای واقعی مدرن کاربرد بسیاری دارد. در این قسمت به چند نمونه اشاره می‌کنیم:
تشخیص اسپم
ممکن است تشخیص اسپم به عنوان یک راهکار NLP به نظر نرسد، اما فناوری تشخیص اسپم متن را برای اسکن ایمیل‌ها بررسی می‌کند. به همین ترتیب، زبانی که اغلب نشان دهنده اسپم یا فیشینگ است پیدا خواهد شد. این عناصر تهدید کننده شامل استفاده بیش از حد از اصطلاحات مالی، جملات تهدیدآمیز، نام برندها با املای اشتباه و غیره هستند.
ترجمه ماشینی
Google Translate نمونه‌ای از فناوری NLP می‌باشد که در همه‌ی مکان‌ها در دسترس است. این ترجمه ماشینی واقعا مفید و کاربردی است و در واقع چیزی بیش از جایگزینی ساده کلمات یک زبان با زبان دیگر می‌باشد. ترجمه موثر ترجمه‌ای است که معنی و لحن زبان ورودی را به دقت دریافت کند و آن را به متنی با همان معنا و تاثیر در زبان خروجی ترجمه کند. ابزارهای ترجمه ماشینی از نظر دقت پیشرفت خوبی داشته اند. یک راه عالی برای آزمایش ابزارهای ترجمه ماشینی، ترجمه متن به یک زبان و سپس بازگشت همان متن به زبان اصلی است.
عوامل مجازی و ربات‌های گفت و گو
برنامه‌های مجازی مانند: سیری اپل و الکسای آمازون از سیستم ترجمه برای تشخیص الگوهای دستورات صوتی و تولید زبان طبیعی استفاده می‌کنند. سیری siriیک دستیار هوشمند است که از هوش مصنوعی استفاده می‌کند. این نرم افزار کاربردی در iOS وجود دارد.
بهترین این برنامه‌ها سرنخ‌های متنی در مورد درخواست‌های انسانی را تشخیص دهند و از آنها برای ارائه پاسخ‌ها یا گزینه‌های بهتر در طول زمان استفاده کنند. پیشرفت بعدی برای این برنامه‌ها پاسخگویی به سؤالات است، توانایی پاسخگویی به سؤالات ما با جواب‌های مرتبط و مفید است.
تجزیه و تحلیل احساسات در رسانه‌های اجتماعی
NLP به یک ابزار تجاری و ضروری برای کشف بینش داده‌های پنهان، از کانال‌های رسانه‌های اجتماعی تبدیل شده است. تجزیه و تحلیل احساسات می‌تواند زبان مورد استفاده در پست‌های رسانه‌های اجتماعی، پاسخ‌ها، بررسی‌ها است و موارد دیگر را برای استخراج نگرش‌ها و احساسات در پاسخ به محصولات، تبلیغات و رویدادها تجزیه و تحلیل کند.
خلاصه‌سازی متن
خلاصه‌سازی متن از تکنیک‌های NLP برای هضم حجم عظیمی از متن دیجیتالی و ایجاد خلاصه‌ها و همچنین خلاصه‌هایی برای نمایه‌ها، پایگاه‌های اطلاعاتی پژوهشی یا خوانندگان پرمشغله‌ای که وقت خواندن متن کامل را ندارند، استفاده می‌کند.
ابزارها و رویکردهای پردازش زبان طبیعی NLP
Python and the Natural Language Toolkit (NLTK)
زبان برنامه نویسی پایتون طیف وسیعی از ابزارها و کتابخانه‌ها را برای انجام وضایف خاصNLP فراهم می‌کند. بسیاری از این موارد در Natural Language Toolkit یا NLTK، مجموعه‌ای open source از کتابخانه‌ها، برنامه‌ها و منابع آموزشی برای ساخت برنامه‌های NLP یافت می‌شوند.
NLTK شامل کتابخانه‌هایی برای بسیاری از وظایف NLP ذکر شده در قسمت بالا، به علاوه کتابخانه‌هایی برای وظایف فرعی، مانند تجزیه جملات، تقسیم‌بندی کلمات، ریشه‌گذاری و واژه‌سازی و نشانه‌سازی (برای شکستن عبارات، جملات، پاراگراف‌ها) است. همچنین شامل کتابخانه‌هایی برای پیاده‌سازی، قابلیت‌هایی مانند: استدلال معنایی، توانایی رسیدن به نتایج منطقی بر اساس حقایق استخراج‌شده از متن است.
NLP آماری، یادگیری ماشینی و یادگیری عمیق
NLP آماری را وارد می‌کند که بتواند الگوریتم‌های کامپیوتری را با مدل‌های یادگیری ماشینی و یادگیری عمیق ترکیب کند. تا به طور خودکار عناصر متن و داده‌های صوتی را استخراج، طبقه بندی و برچسب گذاری کند. و سپس احتمال آماری را به هر معنای احتمالی آن عناصر اختصاص دهد.
امروزه مدل‌های یادگیری عمیق و تکنیک‌های یادگیری مبتنی بر شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی مکرر (RNN) سیستم‌های NLP را قادر می‌سازند که در حین کار، «یاد بگیرند» و معنای دقیق‌تری را از حجم عظیمی از متن خام، بدون ساختار، بدون برچسب و مجموعه داده‌های صوتی استخراج کنند.
نحوه کارکرد پردازش زبان‌های طبیعی NLP چگونه است؟
NLP کامپیوترها را قادر می‌سازد تا زبان طبیعی را مانند انسان درک کنند. چه زبان گفتاری باشد چه زبان نوشتاری، پردازش زبان طبیعی از هوش مصنوعی برای دریافت ورودی‌های دنیای واقعی، پردازش آن و درک آن به گونه‌ای استفاده می‌کند که کامپیوتر بتواند آن را بفهمد.
همانطور که انسان‌ها حسگرهای مختلفی دارند مانند گوش برای شنیدن و چشم برای دیدن کامپیوترها هم برنامه‌های برای خواندن و میکروفون‌های برای جمع آوری صدا دارند. همانطور که انسان‌ها برای پردازش این ورودی مغز دارند، کامپیوترها نیز برنامه‌ای برای پردازش ورودی‌های مربوطه خود دارند. در مرحله‌ای از پردازش، ورودی به کدی تبدیل می‌شود که کامپیوتر می‌تواند آن را درک کند.
مزایای پردازش زبان طبیعی
مزیت اصلی NLP این است که نحوه ارتباط انسان و کامپیوتر با یکدیگر را بهبود می‌بخشد. مستقیم‌ترین راه برای دستکاری کامپیوتر از طریق کد زبان کامپیوتر است. با قادر ساختن رایانه‌ها به درک زبان انسان، تعامل با رایانه برای انسان بسیار شهودی‌تر می‌شود.
مزایای دیگر عبارتند از:
بهبود دقت و کارایی اسناد
توانایی ایجاد خودکار خلاصه‌ای قابل خواندن از یک متن اصلی بزرگ‌تر و پیچیده‌تر.
برای دستیاران شخصی مانند الکسا مفید است، زیرا آن را قادر به درک کلمات گفتاری می‌کند.
سازمان را قادر می‌سازد تا از چت بات‌ها برای پشتیبانی مشتری استفاده کند.
آسان‌تر برای انجام تجزیه و تحلیل احساسات، بینش‌های پیشرفته‌ای را از تجزیه و تحلیل‌ها ارائه می‌دهد که قبلا به دلیل حجم داده‌ها غیرقابل دسترسی بودند.
نتیجه گیری
پردازش زبان طبیعی (NLP) توانایی یک برنامه کامپیوتری برای درک زبان انسان به همان صورتی که گفته و نوشته می‌شود، به عنوان زبان طبیعی شناخته شده است. پردازش زبان طبیعی یکی از اجزای هوش مصنوعی (AI) می‌باشد. NLP بیش از 50 سال است که وجود دارد و ریشه در زمینه‌ی زبان شناسی دارد. NLP برای تجزیه و تحلیل متن استفاده می‌شود و به ماشین‌ها اجازه می‌دهد تا نحوه صحبت انسان‌ها را درک کنند. این تعامل انسان و رایانه، برنامه‌های کاربردی دنیای واقعی مانند خلاصه‌سازی خودکار متن، تجزیه و تحلیل احساسات، استخراج موضوع، ریشه‌یابی و غیره را ممکن می‌سازد. NLP معمولا برای ترجمه ماشینی و پاسخگویی خودکار به سوالات استفاده می‌شود.
وزارت انرژی آمریکا سازمانی‌ست که کاربری علمی دارد، آنها حجم عظیمی از دیتا و اطلاعات را تولید می‌کنند که باید مورد تجزیه و تحلیل قرار گیرند.
راهکار وزارت انرژی آمریکا برای رسیدگی به یک مساله اساسی در دنیای امروز
امروزه با گسترش تکنولوژی و افزایش آمار و داده‌های موجود در جهان، اکتاشافات و خلاقیت‌های بی شماری به دنیا اضافه می‌شود.
این گسترش عظیم و پیشرفت هرروزه، اگر چه بسیار به زیست ساده تر بشر کمک خواهد کرد اما از طرفی به دلیل بالا رفتن داده‌های موجود، مدیریت آنها، طبقه بندی و گنجاندن‌شان در یک دیتابیس و نهایتا تبدیل داده‌های اولیه و البته بی‌نهایت زیاد به یک مجموعه مفید، کاربردی و قابل دسترس بسیار دشوارتر خواهد بود.
وزارت آمریکا قصد دارد تا با افزایش بودجه و کمک مالی به تحقیقات در زمینه هوش مصنوعی و AI برای این مساله راه حلی بیاندیشد. بدین ترتیب می‌توان روند اکتشافات علمی را نیز اتومات کرد.
وزارت انرژی آمریکا (DOE) می‌گوید که این بودجه را به پنج توسعه دهنده پروژه‌های تحقیقاتی اختصاص می‌دهد و آنها نیز موظفند تا الگوریتم‌های یادگیری ماشین و AI که برای مقاصد علمی هدف گذاری شده‌اند را توسعه دهند.
هدف نهایی، استفاده از این الگوریتم‌ها در جهت ارائه نظریه‌ها و حتی اکتشافات علمی‌ست.
داده‌های اولیه ممکن است به دسته‌های مختلفی از جمله مطالعات مشاهده‌ای، آزمایش‌های علمی و حتی شبیه‌سازها تقسیم شوند.
هوش مصنوعی یا AI و ML هایی که توسعه داده می‌شوند می‌توانند از این داده ها استفاده کنند. به طور مثال پیش بینی یک رخداد آب و هوایی، ارائه نظریه‌های شبکه برق، و نهایتا حتی رسیدن به یک جمع بندی درباره فضا و فیزیک و سایر موارد.
سخن باربارا هالند، دستیار مدیر دفتر علوم وزارت انرژی آمریکا در حوزه تحقیقات رایانش علمی پیشرفته:
تغییرات برهم‌زننده در کاربردها، الگوریتم‌ها، معماریها، و اکوسیستم‌های رایانش عملکرد-بالا رخ میدهند. این پروژه‌ها به کنکاش درباره رویکردهایی می‌پردازند که به طور بالقوه تاثیرگذاری بالایی در AI و یادگیری ماشین به منظور کمک به اکتشافات علمی و تحلیل داده‌ها، و خودکارسازی آنها، برای مسائلی که به طرز فزاینده‌ای در حال پیچیده‌تر شدن هستند دارند.