یادگیری ماشین در محصولات کارن تکنولوژی
این صفحه فهرست خدمات یادگیری ماشین نیست. توضیح می‌دهد داخل هر محصول کارن چه مدلی، روی چه داده‌ای و برای چه تصمیمی اجرا می‌شود - و کجا یادگیری ماشین پاسخ مسئله شما نیست.
یادگیری ماشین اینجا یک خدمت جدا نیست
کارن یادگیری ماشین را به‌عنوان پروژه مستقل نمی‌فروشد. مدل‌ها داخل محصولاتی کار می‌کنند که تصمیم مشخصی را پشتیبانی می‌کنند: کدام سرنخ را امروز پیگیری کنیم، کدام مشتری در آستانه رفتن است، این فاکتور چه می‌گوید، این تماس چه احساسی دارد. مدل بدون آن تصمیم، فقط یک عدد است.
به همین دلیل این صفحه به‌جای فهرست کردن الگوریتم‌ها، از محصول شروع می‌کند: در هر کدام چه مدلی، روی چه داده‌ای و برای چه خروجی‌ای اجرا می‌شود.
مدل در کدام محصول چه می‌کند
پلتفرم تحلیل هوشمند مشتری
پیش‌بینی ریسک ریزش مشتری، برآورد ارزش طول عمر و انتخاب بهترین اقدام بعدی برای هر مشتری. خروجی مدل فهرست اولویت‌دار است، نه یک عدد تنها: در کنار احتمال، عوامل مؤثر بر آن هم برگردانده می‌شود.
نرم‌افزار CRM هوشمند
امتیازدهی خودکار سرنخ‌ها و برآورد احتمال بسته شدن هر معامله، تا تیم فروش بداند وقت امروزش را کجا بگذارد.
پلتفرم فروش هوشمند
رتبه‌بندی فرصت‌ها و پیش‌بینی درآمد دوره پیش رو بر پایه رفتار واقعی قیف فروش، نه تخمین دستی کارشناس.
پلتفرم بازاریابی هوشمند
پیش‌بینی واکنش مخاطب به کمپین و تخصیص بودجه بین کانال‌ها بر اساس بازدهی اندازه‌گیری‌شده هر کانال.
پلتفرم مدیریت وفاداری
خوشه‌بندی مشتریان با تحلیل RFM و تعیین اینکه هر خوشه به چه نوع پاداشی پاسخ می‌دهد.
نرم‌افزار هوش تجاری سازمانی
پیش‌بینی سری‌های زمانی فروش و تقاضا در کنار داشبورد - مدل روی همان انبار داده‌ای می‌نشیند که گزارش‌ها از آن ساخته می‌شوند.
پلتفرم هوش اسناد و OCR فارسی
تشخیص متن چاپی و دست‌نوشته فارسی، استخراج موجودیت از فاکتور و چک و قرارداد، و جست‌وجوی معنایی روی اسناد سازمان.
پلتفرم دستیار صوتی
تبدیل گفتار فارسی به متن، تشخیص احساس از سیگنال صوتی و تولید گفتار طبیعی برای پاسخ.
پلتفرم هوشمند سرمایه انسانی
برآورد احتمال ترک خدمت هر کارمند و تطابق شغل و کاندید بر پایه ویژگی‌های شغلی و سوابق، نه صرفاً کلیدواژه رزومه.
پلتفرم یادگیری و آموزش هوشمند
آزمون‌سازی تطبیقی (CAT) که سختی سؤال بعدی را از پاسخ‌های قبلی تعیین می‌کند، و شناسایی زودهنگام یادگیرنده در معرض ریزش.
مانوتل
تشخیص نیت پیام فارسی، مسیریابی خودکار تیکت به تیم درست و تشخیص اینکه گفت‌وگو باید به اپراتور انسانی برود.
کارنتل
بازیابی معنایی روی اسناد سازمان و پاسخ مبتنی بر همان اسناد (RAG) - با ارجاع به منبع، تا پاسخ قابل راستی‌آزمایی باشد.
خانواده‌های الگوریتم و جای استفاده‌شان
یادگیری نظارت‌شده
وقتی نمونه‌های برچسب‌خورده گذشته وجود دارد: کدام معامله بسته شد، کدام مشتری رفت، کدام تراکنش تقلبی بود. رگرسیون لجستیک، درخت تصمیم، Random Forest و Gradient Boosting در این خانواده‌اند و در امتیازدهی سرنخ، پیش‌بینی ریزش و اعتبارسنجی به کار می‌روند.
یادگیری بدون نظارت
وقتی برچسبی در کار نیست و هدف پیدا کردن ساختار پنهان است. K-Means، خوشه‌بندی سلسله‌مراتبی و DBSCAN مشتریان را به گروه‌های همگن تقسیم می‌کنند؛ روش‌های تشخیص ناهنجاری رفتار خارج از الگو را علامت می‌زنند.
سری‌های زمانی
وقتی ترتیب زمانی خودش اطلاعات دارد: فروش روزانه، ترافیک، مصرف. ARIMA و Prophet روند و فصلی‌بودن را مدل می‌کنند و روش‌های مبتنی بر درخت، اثر رویدادهای تقویمی و متغیرهای بیرونی را وارد مدل می‌کنند.
یادگیری عمیق
برای داده‌ای که ویژگی‌هایش را نمی‌شود دستی ساخت: تصویر، صدا و متن. تشخیص متن و دست‌نوشته فارسی، تبدیل گفتار به متن و بازنمایی معنایی جمله‌ها روی این خانواده ساخته شده‌اند.
چرخه کار یک مدل در کارن
پروژه‌های مدل‌سازی با متدولوژی استاندارد CRISP-DM اجرا می‌شوند - هشت مرحله‌ای که ترتیبشان اهمیت دارد:
درک کسب‌وکار
مسئله به زبان کسب‌وکار تعریف می‌شود و معیار موفقیت پیش از هر کدی مشخص می‌شود. اگر معیاری قابل اندازه‌گیری نباشد، پروژه شروع نمی‌شود.
جمع‌آوری و آماده‌سازی داده
استخراج از منابع موجود، پاک‌سازی، رفع ناسازگاری و یکپارچه‌سازی. در عمل بیشترین زمان پروژه اینجا صرف می‌شود، نه در مدل‌سازی.
تحلیل اکتشافی
بررسی توزیع‌ها، همبستگی‌ها و داده‌های پرت - همچنین کشف اینکه کدام ویژگی اصلاً در زمان پیش‌بینی در دسترس نخواهد بود.
مهندسی ویژگی
ساخت ویژگی‌های معنادار از داده خام و حذف ویژگی‌هایی که فقط نویز اضافه می‌کنند.
مدل‌سازی
آزمودن چند الگوریتم، تنظیم پارامترها و مقایسه با یک خط پایه ساده. مدلی که از خط پایه بهتر نباشد، مستقر نمی‌شود.
ارزیابی
سنجش روی داده‌ای که مدل ندیده است، با معیاری متناسب با مسئله - نه صرفاً دقت کلی، که در داده نامتوازن گمراه‌کننده است.
استقرار
قرار گرفتن مدل در جریان کار واقعی و اتصال به سیستمی که قرار است از خروجی‌اش استفاده کند.
نظارت و بازآموزی
رصد افت کیفیت در طول زمان و بازآموزی دوره‌ای. مدلی که پایش نشود، بی‌سروصدا از کار می‌افتد.
چهار چیزی که معمولاً گفته نمی‌شود
داده، نه الگوریتم، گلوگاه است
در بیشتر پروژه‌ها آنچه نتیجه را تعیین می‌کند کیفیت و پیوستگی داده تاریخی است، نه انتخاب بین دو الگوریتم. اگر سازمان سه سال داده تمیز نداشته باشد، هیچ مدلی آن را جبران نمی‌کند - و ما همین را در جلسه ارزیابی می‌گوییم.
مدل‌ها با گذشت زمان افت می‌کنند
رفتار مشتری، بازار و خود سازمان تغییر می‌کند و مدلی که پارسال دقیق بود امسال نیست. این پدیده (Model Drift) اجتناب‌ناپذیر است؛ آنچه قابل مدیریت است، دیدن به‌موقع آن با پایش مستمر و بازآموزی برنامه‌ریزی‌شده است.
خروجی باید قابل توضیح باشد
در بانک، بیمه و منابع انسانی، «مدل گفت» پاسخ قابل قبولی نیست. مدل‌های ما در کنار احتمال، سهم عوامل مؤثر را هم برمی‌گردانند تا تصمیم قابل دفاع باشد و بتوان صحتش را بررسی کرد.
داده جایی نمی‌رود
آموزش و اجرای مدل روی زیرساخت خود سازمان انجام می‌شود. داده آموزشی برای ساخت مدل از شبکه شما خارج نمی‌شود.
همین مدل‌ها در صنعت شما
اینکه کدام مدل ارزش شروع دارد، از صنعتی به صنعت دیگر فرق می‌کند. صفحه هر صنعت نقطه شروع منطقی همان صنعت را می‌گوید.
مطالعه بیشتر
گام بعدی
در مشاوره رایگان وضعیت داده سازمان شما بررسی می‌شود و صادقانه گفته می‌شود کدام مدل با داده امروزتان شدنی است و کدام هنوز نه. اگر می‌خواهید اول ببینید مدل‌ها داخل چه محصولاتی کار می‌کنند، صفحه محصولات هوش مصنوعی فهرست کامل را دارد.
