یادگیری ماشین چیست و چگونه کار می کند؟

یادگیری ماشین (ML) نوعی هوش مصنوعی (AI) است که بر ساخت سیستم‌های کامپیوتری تمرکز دارد که از داده‌ها یاد می‌گیرند. دامنه وسیعی از تکنیک‌های یادگیری ماشین به نرم‌افزارها اجازه می‌دهد تا عملکرد خود را با گذشت زمان بهبود بخشند.

الگوریتم‌های یادگیری ماشین برای پیدا کردن روابط و الگوها در داده‌ها آموزش داده می‌شوند. آن‌ها از داده‌های موجود به عنوان ورودی استفاده می‌کنند تا پیش‌بینی کنند، اطلاعات را طبقه‌بندی کنند، نقاط داده را خوشه‌بندی کنند، ابعاد داده‌ها را کاهش دهند و حتی به تولید محتوای جدید کمک کنند، همانطور که توسط برنامه‌های کاربردی جدید مبتنی بر ML مانند ChatGPT، Dall-E 3 و GitHub Copilot نشان داده شده است.

یادگیری ماشین در صنایع مختلف به طور گسترده‌ای قابل استفاده است. به عنوان مثال، موتورهای توصیه‌گر توسط تجارت الکترونیک، رسانه‌های اجتماعی و سازمان‌های خبری برای پیشنهاد محتوا بر اساس رفتار گذشته مشتریان استفاده می‌شوند. الگوریتم‌های یادگیری ماشین و بینایی ماشین یک بخش اساسی از ماشین‌های خودران هستند و به آن‌ها کمک می‌کنند تا به طور ایمن در جاده‌ها حرکت کنند. در حوزه بهداشت و درمان، از یادگیری ماشین برای تشخیص و پیشنهاد برنامه‌های درمانی استفاده می‌شود. دیگر موارد استفاده رایج ML شامل تشخیص تقلب، فیلترینگ اسپم، تشخیص تهدیدهای بدافزار، نگهداری پیش‌بینانه و اتوماسیون فرایندهای کسب‌وکار می‌باشد.

از آن‌جایی که یادگیری ماشین یک ابزار قدرتمند برای حل مشکلات، بهبود عملیات کسب‌وکار و اتوماسیون وظایف است، یک فناوری پیچیده و چالش‌برانگیز است که نیاز به تخصص عمیق و منابع قابل توجهی دارد. انتخاب الگوریتم مناسب برای یک وظیفه، نیازمند درک قوی از ریاضیات و آمار است. آموزش الگوریتم‌های یادگیری ماشین اغلب مستلزم مقدار زیادی داده با کیفیت بالا است تا نتایج دقیقی تولید شود. خود نتایج می‌توانند دشوار باشند، به ویژه نتایجی که توسط الگوریتم‌های پیچیده مانند شبکه‌های عصبی عمیق که از مغز انسان الگو گرفته‌اند، تولید می‌شوند؛ بنابراین اجرا و تنظیم مدل‌های ML بسیار هزینه‌بر می‌باشد.

با این حال، اکثر سازمان‌ها به طور مستقیم یا غیرمستقیم، از طریق محصولات ترکیبی با یادگیری ماشین، این فناوری را پذیرفته‌اند. طبق گزارش “تحقیق هوش مصنوعی و یادگیری ماشین ۲۰۲۳” از شرکت Rackspace Technology، در حدود ۷۲% از شرکت‌های مورد بررسی اعلام کرده‌اند که هوش مصنوعی و یادگیری ماشین بخشی از استراتژی‌های فناوری اطلاعات و کسب‌وکار آن‌هاست و ۶۹% نیز هوش مصنوعی و یادگیری ماشین را به عنوان مهمترین فناوری توصیف کرده‌اند. شرکت‌هایی که این فناوری را پذیرفته‌اند گزارش داده‌اند که از آن برای بهبود فرآیندهای موجود (۶۷%)، پیش‌بینی عملکرد کسب‌وکار و روندهای صنعتی (۶۰%) و کاهش ریسک (۵۳%) استفاده کرده‌اند.

یادگیری ماشین از اواسط قرن بیستم، زمانی که پیشگامان هوش مصنوعی مانند والتر پیتس، وارن مک‌کالوک، آلن تورینگ و جان فون نویمان، پایه‌های محاسبات را بنا نهادند، نقش فزاینده‌ای در جامعه انسانی ایفا کرده است. آموزش ماشین‌ها برای یادگیری از داده‌ها و بهبود با گذشت زمان، به سازمان‌ها امکان داده است تا وظایف روتین که قبلاً توسط انسان‌ها انجام می‌شد را خودکار کنند.

یادگیری ماشین وظایفی را انجام می‌دهد که فراتر از توانایی ما انسان‌ها برای اجرا در مقیاس بزرگ است. به عنوان مثال، پردازش حجم عظیمی از داده‌هایی که امروزه توسط دستگاه‌های دیجیتال تولید می‌شوند. توانایی یادگیری ماشین در استخراج الگوها و اطلاعات از مجموعه‌ داده‌های بزرگ، به یک تمایز رقابتی در زمینه‌های مختلف از مالی و خرده‌فروشی تا بهداشت و کشف علمی تبدیل شده است. بسیاری از شرکت‌های برجسته امروزی، از جمله فیسبوک، گوگل و اوبر، یادگیری ماشین را به عنوان بخشی مرکزی از عملیات خود قرار داده‌اند.

با افزایش حجم داده‌هایی که توسط جوامع مدرن تولید می‌شود، یادگیری ماشین احتمالاً برای انسان‌ها حتی حیاتی‌تر و برای خود هوش ماشینی ضروری‌تر خواهد شد. این فناوری نه تنها به ما کمک می‌کند تا معنای داده‌هایی که ایجاد می‌کنیم را بفهمیم، بلکه وفور داده‌هایی که ایجاد می‌کنیم، قابلیت‌های یادگیری مبتنی بر داده‌های یادگیری ماشین را بیشتر تقویت می‌کند.

چه چیزی از این چرخه یادگیری مداوم به وجود خواهد آمد؟ یادگیری ماشین مسیری به سمت هوش مصنوعی است که به نوبه خود پیشرفت‌هایی در یادگیری ماشین را به وجود می‌آورد که به همین ترتیب هوش مصنوعی را بهبود می‌بخشد و به تدریج مرزهای بین هوش ماشینی و قدرت عقل انسان را محو می‌کند.

یادگیری ماشین اغلب بر اساس نحوه یادگیری یک الگوریتم برای دقت بیشتر در پیش‌بینی‌های خود دسته‌بندی می‌شود. چهار نوع اساسی یادگیری ماشین وجود دارد: یادگیری نظارت‌شده، یادگیری بدون نظارت، یادگیری نیمه‌نظارت‌شده و یادگیری تقویتی.

نوع الگوریتمی که دانشمندان داده انتخاب می‌کنند به ماهیت داده‌ها بستگی دارد. بسیاری از الگوریتم‌ها و تکنیک‌ها محدود به یکی از انواع اصلی ML ذکر شده در اینجا نیستند. آن‌ها اغلب بسته به مسئله‌ای که باید حل شود و مجموعه داده‌ها، با چندین نوع مختلف تطبیق داده می‌شوند. به عنوان مثال، الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشن و شبکه‌های عصبی بازگشتی، بسته به مسئله خاص و دسترسی به داده‌ها در وظایف، از یادگیری نظارت‌شده، بدون نظارت و تقویتی استفاده می‌کنند.

دانشمندان علم داده در یادگیری نظارت‌شده، داده‌های آموزشی برچسب‌دار را برای الگوریتم‌ها فراهم می‌کنند و متغیرهایی را که می‌خواهند الگوریتم برای همبستگی‌ها ارزیابی کند، تعریف می‌کنند. هم ورودی و هم خروجی الگوریتم در یادگیری نظارت‌شده مشخص می‌شوند. در ابتدا، بیشتر الگوریتم‌های یادگیری ماشین با یادگیری نظارت‌شده کار می‌کردند، اما رویکردهای بدون نظارت در حال محبوب شدن هستند.

الگوریتم‌های یادگیری نظارت‌شده برای چندین وظیفه استفاده می‌شوند، از جمله:

• طبقه‌بندی دودویی: داده‌ها را به دو دسته تقسیم می‌کند.
• طبقه‌بندی چندکلاسه: بین بیش از دو نوع پاسخ انتخاب می‌کند.
• ترکیب‌بندی: پیش‌بینی‌های چندین مدل ML را ترکیب می‌کند تا یک پیش‌بینی دقیق‌تر تولید کند.
• مدل‌سازی رگرسیون: مقادیر پیوسته را بر اساس روابط درون داده‌ها پیش‌بینی می‌کند.

الگوریتم‌های یادگیری بدون نظارت نیازی به برچسب‌گذاری داده‌ها ندارند. آن‌ها داده‌های بدون برچسب را جستجو می‌کنند تا الگوهایی بیابند که می‌توانند برای گروه‌بندی نقاط داده به زیرمجموعه‌ها استفاده شوند. بیشتر انواع یادگیری عمیق، از جمله شبکه‌های عصبی، الگوریتم‌های بدون نظارت هستند.

الگوریتم‌های یادگیری بدون نظارت برای وظایف زیر مناسب هستند:

• خوشه‌بندی: تقسیم مجموعه داده به گروه‌ها بر اساس شباهت با استفاده از الگوریتم‌های خوشه‌بندی.
• تشخیص ناهنجاری: شناسایی نقاط داده غیرمعمول در یک مجموعه داده با استفاده از الگوریتم‌های تشخیص ناهنجاری.
• قانون انجمنی: کشف مجموعه‌هایی از آیتم‌ها در یک مجموعه داده که به طور مکرر با هم اتفاق می‌افتند با استفاده از استخراج قوانین انجمنی.
• کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده با استفاده از تکنیک‌های کاهش ابعاد.

یادگیری نیمه‌نظارت‌شده با تغذیه مقدار کمی از داده‌های آموزشی برچسب‌دار به یک الگوریتم کار می‌کند. الگوریتم با استفاده از این داده‌ها، ابعاد مجموعه داده را می‌آموزد و سپس می‌تواند آن را به داده‌های جدید بدون برچسب اعمال کند. عملکرد الگوریتم‌ها معمولاً زمانی بهبود می‌یابد که بر روی مجموعه داده‌های برچسب‌دار آموزش ببینند. اما برچسب‌گذاری داده‌ها می‌تواند زمان‌بر و پر هزینه‌ باشد. این نوع یادگیری ماشین بین عملکرد برتر یادگیری نظارت‌شده و کارایی یادگیری بدون نظارت تعادل برقرار می‌کند.

یادگیری نیمه‌نظارت‌شده می‌تواند در زمینه‌های زیر مورد استفاده قرار گیرد، از جمله:

• ترجمه ماشینی: آموزش الگوریتم‌ها برای ترجمه زبان بر اساس کمتر از یک دیکشنری کامل واژه‌ها.
• تشخیص تقلب: شناسایی موارد تقلب هنگامی که تنها چند مثال مثبت وجود دارد.
• برچسب‌گذاری داده‌ها: الگوریتم‌هایی که بر روی مجموعه داده‌های کوچک آموزش دیده‌اند یاد می‌گیرند که به صورت خودکار برچسب‌های داده را به مجموعه‌های بزرگتر اعمال کنند.

یادگیری تقویتی با برنامه‌ریزی یک الگوریتم با یک هدف مشخص و مجموعه‌ای از قوانین برای دستیابی به آن هدف کار می‌کند. یک دانشمند داده الگوریتم را به گونه‌ای برنامه‌ریزی می‌کند که به دنبال پاداش‌های مثبت برای انجام عملی باشد که به دستیابی به هدف نهایی‌اش کمک می‌کند و از تنبیهات برای انجام عملی که آن را از هدفش دور می‌کند، اجتناب کند.

یادگیری تقویتی اغلب در زمینه‌های زیر استفاده می‌شود:

• رباتیک: ربات‌ها یاد می‌گیرند که وظایف را در دنیای فیزیکی انجام دهند.
• بازی‌های ویدئویی: آموزش بات‌ها برای بازی کردن بازی‌های ویدئویی.
• مدیریت منابع: کمک به سازمان‌ها در برنامه‌ریزی تخصیص منابع.

توسعه مدل یادگیری ماشین مناسب برای حل یک مشکل می‌تواند پیچیده باشد. این کار نیاز به دقت، آزمایش و خلاقیت دارد. یک برنامه هفت مرحله‌ای برای ساخت مدل یادگیری ماشین، که خلاصه‌ای از آن در زیر آمده است، به جزئیات این فرآیند می‌پردازد.

1. درک مشکل کسب‌وکار و تعریف معیارهای موفقیت: هدف تبدیل دانش گروه در مورد مشکل کسب‌وکار و اهداف پروژه به یک تعریف مناسب از مشکل برای یادگیری ماشین است. سوالاتی که باید پرسیده شوند شامل این موارد هستند که چرا پروژه نیاز به یادگیری ماشین دارد، چه نوع الگوریتمی بهترین تطابق را با مشکل دارد، آیا نیازهایی برای شفافیت و کاهش تعصب وجود دارد و چه ورودی‌ها و خروجی‌هایی انتظار می‌رود.
2. درک و شناسایی نیازهای داده: تعیین کنید چه داده‌ای برای ساخت مدل لازم است و آیا آماده ورود به مدل است یا خیر. سوالاتی که باید پرسیده شوند شامل این موارد هستند که چه مقدار داده نیاز است، چگونه داده‌های جمع‌آوری‌شده به مجموعه‌های آزمایش و آموزش تقسیم می‌شوند و آیا می‌توان از یک مدل ML پیش‌آموزش‌دیده استفاده کرد.
3. جمع‌آوری و آماده‌سازی داده‌ها برای آموزش مدل: اقدامات شامل پاک‌سازی و برچسب‌گذاری داده‌ها؛ جایگزینی داده‌های نادرست یا مفقود؛ تقویت و افزایش داده‌ها؛ کاهش نویز و حذف ابهام؛ ناشناس‌سازی داده‌های شخصی؛ و تقسیم داده‌ها به مجموعه‌های آموزشی، آزمایشی و اعتبارسنجی.
4. تعیین ویژگی‌های مدل و آموزش آن: انتخاب الگوریتم‌ها و تکنیک‌های مناسب. تنظیم و تعدیل هایپرپارامترها، آموزش و اعتبارسنجی مدل، و سپس بهینه‌سازی آن. بسته به ماهیت مشکل کسب‌وکار، الگوریتم‌های یادگیری ماشین می‌توانند قابلیت‌های درک زبان طبیعی را شامل شوند، مانند شبکه‌های عصبی بازگشتی یا ترنسفورمرهایی که برای وظایف NLP طراحی شده‌اند. علاوه بر این، الگوریتم‌های تقویتی می‌توانند برای بهینه‌سازی مدل‌های درخت تصمیم‌گیری استفاده شوند.
5. ارزیابی عملکرد مدل و تعیین معیارها: کار در اینجا شامل محاسبات ماتریس ابهام، شاخص‌های کلیدی عملکرد کسب‌وکار، معیارهای یادگیری ماشین، اندازه‌گیری کیفیت مدل و تعیین اینکه آیا مدل می‌تواند به اهداف کسب‌وکار برسد یا خیر.
6. استقرار مدل و نظارت بر عملکرد آن در تولید: این بخش از فرایند به عنوان عملیاتی کردن مدل شناخته می‌شود و معمولاً به طور مشترک توسط مهندسان علوم داده و یادگیری ماشین انجام می‌شود. به‌طور مداوم عملکرد مدل را اندازه‌گیری کنید، یک معیار برای اندازه‌گیری تکرارهای آینده مدل توسعه دهید و برای بهبود عملکرد کلی تکرار کنید. محیط‌های استقرار می‌توانند در ابر (Cloud)، در لبه (Edge) یا در محل (Premises) باشد.
7. به‌طور مداوم مدل را در تولید پالایش و تنظیم کنید. حتی پس از اینکه مدل ML در تولید قرار گرفت و به‌طور مداوم نظارت شد، کار ادامه دارد. نیازهای کسب‌وکار، قابلیت‌های فناوری و داده‌های دنیای واقعی به روش‌های غیرمنتظره تغییر می‌کنند که می‌تواند منجر به تقاضاها و نیازهای جدید شود.

یادگیری ماشین به جزء جدایی‌ناپذیر نرم‌افزارهای کسب‌وکار تبدیل شده و به سازمان‌ها در اداره امور کمک شایان توجهی می‌کند. موارد زیر برخی از نمونه‌هایی هستند که نشان می‌دهد رشته‌های مختلف چگونه از ML استفاده می‌کنند:

• هوش تجاری(Business intelligence): نرم‌افزار BI و تحلیل‌های پیش‌بینی‌کننده از الگوریتم‌های یادگیری ماشین، از جمله رگرسیون خطی و رگرسیون لجستیک، برای شناسایی نقاط داده مهم، الگوها و ناهنجاری‌ها در مجموعه داده‌های بزرگ استفاده می‌کنند.
• مدیریت ارتباط با مشتری (Customer relationship managemen): کاربردهای کلیدی یادگیری ماشین در CRM شامل تجزیه و تحلیل داده‌های مشتری برای تقسیم‌بندی مشتریان، پیش‌بینی رفتارهایی مانند ریزش، ارائه توصیه‌ها، تنظیم قیمت‌ها، بهینه‌سازی کمپین‌های ایمیلی، ارائه پشتیبانی چت‌بات و شناسایی تقلب است.
• پردازش زبان طبیعی (Natural language processing): مدل‌های ML به دستیاران مجازی مانند Alexa, Google Assistant و Siri امکان می‌دهند زبان انسان را تفسیر کرده و پاسخ دهند.

توانایی یادگیری ماشین در شناسایی روندها و پیش‌بینی نتایج با دقت بالاتر، نسبت به روش‌هایی که فقط به آمارهای سنتی یا هوش انسانی متکی هستند، مزیت رقابتی برای کسب‌وکارهایی که ML را به‌طور مؤثر به کار می‌گیرند، فراهم می‌کند. یادگیری ماشین می‌تواند به چندین روش به کسب‌وکارها کمک کند:

• تجزیه و تحلیل داده‌های تاریخی برای حفظ مشتریان.
• راه‌اندازی سیستم‌های توصیه‌گر برای افزایش درآمد.
• بهبود برنامه‌ریزی و پیش‌بینی.
• ارزیابی الگوها برای شناسایی تقلب.
• افزایش کارایی و کاهش هزینه‌ها.

اما یادگیری ماشین نیز با معایبی همراه است. اول و مهم‌تر اینکه گران است. پروژه‌های یادگیری ماشین معمولاً توسط دانشمندان داده هدایت می‌شوند که حقوق بالایی دارند. این پروژه‌ها به زیرساخت‌های نرم‌افزاری نیاز دارند که ممکن است هزینه‌بر باشد و کسب‌وکارها را با چالش‌های بسیاری مواجه نماید.

مشکل دیگر، تعصب در یادگیری ماشین (machine learning bias) است. الگوریتم‌هایی که بر روی مجموعه داده‌هایی آموزش دیده‌اند که برخی جمعیت‌ها را نادیده می‌گیرند یا حاوی اشتباهات است، می‌تواند منجر به تولید مدل‌های غیر دقیق از جهان شود که در بهترین حالت شکست می‌خورند و در بدترین حالت تبعیض‌آمیز هستند. وقتی یک سازمان، فرآیندهای کسب‌وکار اصلی خود را بر اساس مدل‌های متعصب بنا می‌کند، می‌تواند دچار آسیب‌های قانونی و اعتباری شود.

توضیح اینکه یک مدل ML خاص چگونه کار می‌کند می‌تواند چالش‌برانگیز باشد، مخصوصا وقتی که مدل پیچیده است. در برخی صنایع عمودی (vertical industries)، دانشمندان داده مجبورند از مدل‌های یادگیری ماشین ساده استفاده کنند زیرا برای کسب‌وکار مهم است که توضیح دهد هر تصمیم چگونه گرفته شده. این امر به‌ویژه در صنایعی که دارای بار سنگین انطباقی هستند، مانند بانکداری و بیمه، صادق است. دانشمندان داده اغلب خود را در موقعیتی می‌بینند که باید بین شفافیت و دقت و اثربخشی یک مدل تعادل برقرار کنند. مدل‌های پیچیده می‌توانند پیش‌بینی‌های دقیقی تولید کنند، اما توضیح اینکه یک خروجی چگونه تعیین شده است می‌تواند برای یک فرد عادی یا حتی یک کارشناس، دشوار باشد.

یادگیری ماشین به‌طور گسترده‌ای در صنایع گوناگون استفاده می‌شوند. در ادامه برخی نمونه‌هایی که از یادگیری ماشین برای برآورده کردن نیازهای بازار خود استفاده می‌کنند، آورده شده است:

خدمات مالی: ارزیابی ریسک، تجارت الگوریتمی، خدمات مشتری و بانکداری شخصی‌سازی شده از حوزه‌هایی هستند که شرکت‌های خدمات مالی در آنها از یادگیری ماشین استفاده می‌کنند. به عنوان مثال، شرکت Capital One از یادگیری ماشین برای محافظت از کارت‌های اعتباری استفاده کرده است که این شرکت آن را در دسته‌بندی گسترده‌تری از شناسایی ناهنجاری‌ها قرار می‌دهد.

داروسازی: تولیدکنندگان دارو از یادگیری ماشین برای کشف دارو، در آزمایش‌های بالینی و نیز تولید دارو استفاده می‌کنند. برای مثال، شرکت Eli Lilly مدل‌های هوش مصنوعی و یادگیری ماشین را ساخته است تا بهترین مکان‌ها برای آزمایش‌های بالینی را پیدا کند و تنوع شرکت‌کنندگان را افزایش دهد. به گفته شرکت، این مدل‌ها به‌طور چشمگیری زمان‌های آزمایش‌های بالینی را کاهش داده‌اند.

تولید: موارد استفاده از تعمیر و نگهداری پیش بینی شده در صنعت تولید رایج است، جایی که خرابی تجهیزات می‌تواند منجر به تاخیر در تولید و گران شدن محصول شود. علاوه بر این، جنبه بینایی کامپیوتری یادگیری ماشین می‌تواند اقلامی را که از خط تولید خارج می‌شوند بازرسی کند تا کنترل کیفیت را تضمین کند.

بیمه: موتورهای توصیه می‌توانند بر اساس نیازهای مشتریان و چگونگی بهره‌مندی سایر مشتریان از محصولات بیمه خاص، گزینه‌هایی را پیشنهاد دهند. یادگیری ماشین همچنین در ارزیابی ریسک و پردازش مطالبه‌ها مفید است.

خرده‌فروشی: علاوه بر سیستم‌های توصیه‌گر، خرده‌فروشان از بینایی کامپیوتری برای شخصی‌سازی، مدیریت موجودی و برنامه‌ریزی سبک‌ها و رنگ‌های یک خط مد مشخص استفاده می‌کنند. پیش‌بینی تقاضا یک مورد استفاده کلیدی دیگر از یادگیری ماشین است.

یادگیری ماشین با حجم عظیمی از تحقیقات توسط شرکت‌ها، دانشگاه‌ها و دولت‌ها در سراسر جهان تقویت می‌شود. دستاوردهای نوین در حوزه هوش مصنوعی و یادگیری ماشین، لحظه به لحظه و با سرعت در حال پیشرفت است. یک چیز که می‌توان با قطعیت درباره آینده یادگیری ماشین گفت و آن این است که همچنان نقش مرکزی در قرن ۲۱ بازی خواهد کرد و نحوه انجام کارها و زندگی ما را متحول خواهد کرد.

در حوزه پردازش زبان طبیعی (NLP)، الگوریتم‌ها و زیرساخت‌های بهبود یافته، منجر به ظهور هوش مصنوعی مکالمه‌ای روان‌تر، مدل‌های یادگیری ماشین چندمنظوره‌تر که قادر به تطبیق با وظایف جدید هستند و مدل‌های زبان سفارشی‌شده‌ای که بر اساس نیازهای کسب‌وکار تنظیم شده‌اند، خواهند شد.

انتظار می‌رود حوزه بینایی کامپیوتری که سریعاً در حال تکامل است، تأثیر عمیقی بر بسیاری از حوزه‌ها داشته باشد؛ از مراقبت‌های بهداشتی تا علم محیط‌ زیست که می‌تواند برای تحلیل و نظارت بر زیستگاه‌ها استفاده شود؛ تا مهندسی نرم‌افزار که یک جزء اصلی فناوری‌های واقعیت افزوده و واقعیت مجازی است.

پلتفرم‌های یادگیری ماشین از رقابتی‌ترین حوزه‌های فناوری سازمانی هستند. فروشندگان بزرگ مانند آمازون، گوگل، مایکروسافت، IBM و OpenAI در حال رقابت برای جذب مشتریان به خدمات پلتفرم‌های یادگیری ماشین خودکار هستند که طیف کاملی از فعالیت‌های ML، از جمع‌آوری داده و آماده‌سازی داده تا طبقه‌بندی داده، ساخت مدل، آموزش و استقرار برنامه‌ها را پوشش می‌دهد.

در میان این هیجان، شرکت‌ها با بسیاری از چالش‌های مشابه با فناوری‌های پیشرفته و در حال تکامل سریع قبلی مواجه خواهند شد. چالش‌های جدید شامل تطبیق زیرساخت‌های قدیمی با سیستم‌های یادگیری ماشین، کاهش تعصب ML و پیدا کردن بهترین راه‌ها برای استفاده از این توانایی‌های جدید AI برای تولید سود برای سازمان‌ها، علیرغم هزینه‌ها، است.