زمینه های تخصصی

به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند. شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام می‌شود چراکه نرم‌افزار یادگیری ماشینی آن‌ها چگونگی رتبه‌بندی صفحات وب را درک کرده‌است.

هنگامی که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است. هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص می‌کند نیز به همین دلیل است که کامپیوتر شما آموخته‌است که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد. این همان یادگیری ماشین است. این علمی است که باعث می‌شود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.

قبل از کشف پزشکی مدرن، زندگی برای انسانها کوتاه بود. محیط زیست نیز با خطرات نامرئی که در قالب بیماری و شرایط پزشکی رخ میداد، انباشته شده بود. بعد از آن، اعمال پزشکی به یک حرفه سازمان یافته تبدیل شد و انسان، پیشرفت قابل توجهی را در کیفیت و ارتقای زندگی تجربه کرد در پزشکی مدرن که با حجم قابل توجهی از داده ها کار می کند ارزش تکنولوژی یادگیری ماشینی به رسمیت شناخته شده است . با استخراج بینشها از این داده ها اغلب به صورت آنی و بلادرنگ می توان کارائی درمان را افزایش داد.

یادگیری ماشینی روندی پرسرعت در صنعت سلامت دارد که به لطف ابداع سنسورها و دستگاههای پوشیدنی حاصل شده است که می توانند از داده ها برای ارزیابی بلادرنگ سلامت یک بیمار استفاده کنند. این تکنولوژی می تواند به کارشناسان پزشکی برای آنالیز داده ها برای شناسایی روندها و علائم هشداردهنده ای که ممکن است منتج به بهبود تشخیص و درمان شوند کمک نماید.

علم داده (Data Science) یا علوم داده ، دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای داده و اطلاعات است. علم داده از ترکیب مباحث مختلفی به وجود آمده و بر مبانی و روش‌های موجود در حوزه‌های مختلف علمی بنا شده‌است. تعدادی از این حوزه‌ها عبارتند از: ریاضیات، آمار، مهندسی داده، بازشناخت الگو و… هدف این علم، استخراج مفهوم از داده و تولید محصولات داده‌محور است.

آقایان توماس دونپورت و دی جی پاتیل در سال ۲۰۱۲ در مقاله «علم داده: جذاب‌ترین شغل قرن بیست و یکم» متخصصین علم داده را این‌طور تعریف می‌کنند: کسانی که می‌دانند چگونه می‌توان از انبوه اطلاعات بدون ساختار پاسخ سوالهای کسب‌وکار را پیدا کرد.

با توجه به اینکه یکی از مهم ترین بخشهای بازطراحی فرایندها مستندسازی فرایندهای موجود است و درست انجام دادن این فعالیت تأثیر بسیار زیادی در نتایج مراحل بعدی باز طراحی فرایندها دارد، برخی از ابزارها و روشهای مدل سازی معرفی شوند.

بدیهی است تجربه تحلیلگر و شناخت مناسب از سازمان در کیفیت اجرای آن نقش بسزایی ایفا می کند.

این زبان در میان مهندسان نرم افزاری و معماران سیستم بسیار مورد توجه قرار گرفته، چرا که از ابتدا به عنوان ابزاری برای افزایش کارایی فرایند توسعه نرم افزار، از طراحی معماری تا اجرای برنامه کاربردی برای استفاده مخاطبان فنی، توسعه یافته است. اما از این زبان می توان در مدل سازی فرایندهای کسب و کار نیز استفاده کرد.

زبان مدل سازی یکنواخت یازده نمودار مختلف دارد که مهم ترین آنها عبارت اند از:

نمودار کلاس، نمودار اشیاء(object diagram) ؛ نمودار مورد کاربردی (use case diagram) ، نمودار تعامل(interaction diagram) ، نمودار حالت(state chart diagram)، نمودار فعالیت(activity diagram) ، نمودار اجزاء (component diagram) و نمودار به کار گماری(deployment diagram)

جزء اصلی مدل IDEFO فعالیتها هستند. هر فعالیت با چهار جزء مشخص می شود: ورودی، کنترل، خروجی و ساز و کار که به اختصار ICOM خوانده می شوند. در روند مدل سازی از رویکرد بالا به پایین برای تحلیل فرایندها در سطوح مختلف استفاده می شود؛ به این معنا که نمودارهای IDEFO را می توان به سطوح پایین تر ترجمه کرد که نمودار فرزند نامیده می شوند.

این سلسله مراتب پدر به فرزندی در یک سیستم شماره گذاری نشان داده می شود؛ نمودار سطح بالایی با حداقل جزئیات IDEF00؛ نمودار سطح دومIDEFO1 و به همین ترتیب. معمولا تا سه سطح برای نمایش جزئیات به کار می رود. سطح صفر؛ بهتر است فقط شامل یک فرایند باشد؛

بقیه سطوح (حداکثر دو سطح)؛ شامل سه تا شش فرایند؛ شماره گذاری هر فرایند؛ حرف بزرگ انگلیسی (ثابت در همه سطوح) + شماره فرایند والد در سطح بالاتر به شماره سطح + شماره فرایند در آن سطح.

برای غلبه بر این محدودیتها روش مدل سازی IDEF9000 بر پایه روش IDEFO توسعه داده شده است و در آن از نشانه گذاریها و مفاهیم گسترش یافته تری نسبت به IDEFO به منظور نمایش و ایجاد ارتباط با استانداردهای کیفی ایزو ۹۰۰۱ استفاده می کنند.

با استفاده از نشانه گذاریها و مفاهیمی که در IDEF9000 استفاده می شود می توان فعالیتها و جریانهایی را که استاندارد ایزو ۹۰۰۱ کنترل می کند، در همه سطوح جزئیات مدل یک فرایند مشخص کرد. به این ترتیب، سازمانها می توانند در طراحی مجدد فرایندهای خود، بخشهایی از فرایند کسب و کار را که در آن باید کنترلها و محدودیتهای ایزو ۹۰۰۱ اعمال شود تشخیص دهند.

مؤسسه ملی استانداردها و فناوری آمریکا برای یکپارچه کردن مدل سازی عملیات استاندارد IDEF0 را در سال ۱۹۹۳ تأیید کرد که پس از آن به نحو وسیعی مورد استقبال قرار گرفت و در موارد کاربرد مختلفی از مدل سازی فرایندها تا توسعه سامانه های اطلاعاتی سازمانها به کار رفته است.

IDEFO متدولوژی و ابزار مدل سازی را همزمان در اختیار می گذارد .

زبان مدل سازی یکنواخت (UML) یک زبان نماد گذاری است که به توسعه دهندگان در تشخیص، بصری نمودن، و مستند کردن مدلهای سیستمهای نرم افزاری و همچنین در مدل سازی فرایندها کمک می کند.

زبان مدل سازی یکنواخت را نخستین بار شرکت رشنال ارائه کرد و پس از آن مورد حمایت بسیاری از شرکتهای رایانه ای و مجامع صنعتی و نرم افزاری دنیا قرار گرفت، به طوری که تنها پس از یک سال، گروه مدیریت اشیاء (OMG) آن را به عنوان زبان مدل سازی استاندارد پذیرفت.

رایانش ابری (به انگلیسی: Cloud Computing) مدل رایانشی بر پایهٔ شبکه‌های رایانه‌ای مانند اینترنت است که الگویی تازه برای عرضه، مصرف و تحویل خدمات رایانشی (شامل زیرساخت، نرم‌افزار، بستر، و سایر منابع رایانشی) با به‌کارگیری شبکه ارائه می‌کند. «رایانش ابری» از ترکیب دو کلمه رایانش و ابر ایجاد شده‌است.

ابر در اینجا استعاره از شبکه یا شبکه‌ای از شبکه‌های وسیع مانند اینترنت است که کاربر معمولی از پشت صحنه و آنچه در پی آن اتفاق می‌افتد اطلاع دقیقی ندارد (مانند داخل ابر) در نمودارهای شبکه‌های رایانه‌ای نیز از شکل ابر برای نشان دادن شبکهٔ اینترنت استفاده می‌شود. دلیل تشبیه اینترنت به ابر در این است که اینترنت همچون ابر جزئیات فنی‌اش را از دید کاربران پنهان می‌سازد و لایه‌ای از انتزاع را بین این جزئیات فنی و کاربران به وجود می‌آورد.