◄ افزایش بهره وری سازمانی با استفاده از داده کاوی(دیتا ماینینگ)

 یکی از مدیران ارشد رجا از سفر خود به اتریش در نیمه دهه 80 شمسی و بازدید از کارخانجات تعمیرات بوژی و چرخ و محور چنین نقل می کند که در جریان این سفر، از سیستم اطلاعات تعمیرات واگن (که با رویکرد بهبود برنامه‌های تعمیرات پیشگیرانه تهیه شده بود) بازدید داشتند و مدیر مربوطه می گفت که شرکت زیمنس برای این اطلاعات پیشنهاد 2 میلیون یورو داده و راه‌ آهن اتریش تقاضای ۵ میلیون یورو کرده است.

در گزارش شرکت کنندگان در دوره آموزش مربیان در زمینه تجزیه و تحلیل انتقادی داده های کلان برای پیشبرد بهره وری که در 6 الی 8  اردیبهشت ماه 1400 (26 الی 28 آوریل 2021) با دعوت سازمان بهره وری آسیایی(APO) به صورت مجازی تشکیل شد چنین آمده است: در این دوره 48 نفر از کشورهای مختلف آسیایی از جمله هفت نفر از ایران شرکت داشتند.

خانم فلورانس نایتنیگل در 1819 متولد شد، تحصیلات او در حوزه آمار بود، به عنوان پرستار داوطلب در بیمارستان برای کمک به سربازان ارتش انگلیس فعالیت می کرد و صد سال پیش درگذشت، او روزنامه نگار نیز بود. او تصمیم گرفت نسبت به جمع آوری داده های عفونت باکتریایی بین سربازان اقدام کند و از روش های آماری، چارت های آماری، نمودارهای دایره ای و گرافیک آماری و ارائه بصری اطلاعات برای گزارش های ارائه شده در داده های سلامت استفاده می کرد که راهی بسیار موثر برای بیان داده ها بود. (بخشی از توضیحات آقای دکتر جینشنگ در روز دوم سمینار آموزش مربیان تحلیل انتقادی).

بیشتر بخوانید:

• چگونه ایمنی و کارایی راه‌ آهن های جدید را بالا ببریم؟

• پیشنهادی برای افزایش بهره‌وری ریلی

در چکیده این گزارش چنین آمده است: داده کاوی یکی از تخصص های به روز و مورد نیاز تقریباً تمام کسب و کارهای داده محور است. داده کاوی فرآیندی است که طی آن دیتای خام و بی مفهوم به اطلاعات مفید و با ارزشی برای تصمیم گیری و تعیین اهداف استراتژیک مشخص سازمانی، تبدیل می شوند. داده کاوی یا دیتا ماینینگ (Data mining) در واقع علمی میان رشته ای است که علوم کامپیوتر، هوش مصنوعی، یادگیری ماشین، ریاضی و آمار را در بر می گیرد. با ساخت فرآیند داده کاوی، می توان دیتاهای حجیم و پیچیده سازمان ها و مؤسسات تحقیقاتی را کشف و الگوهای پنهان آن را تحلیل نمود.

به طور کلی می توان داده را برابر با طلا دانست. هر چقدر داده های موجود در پایگاه داده یک شرکت افزایش پیدا کند، سرمایه شرکت نیز بیشتر می شود. حال، برای تبدیل کردن این داده های حجیم و تمیز نشده به اطلاعات مفید و گزارشات مناسب برای تصمیم گیری، نیاز است تا از داده کاوی استفاده کرد تا با کشف الگوهای پنهان از پردازش میلیون ها داده، نتایج شگفت انگیزی را به دست آورد و تحلیل کرد. تکنولوژی big data در حال بررسی داده های حجیم، پیچیده و در حال رشد است که از منابع مستقل و پراکنده تولید می شوند. با توسعه سریع شبکه ها، افزایش گنجایش مجموعه های داده ای، این فناوری در تمام بخش های علمی و فناوری از جمله علوم فیزیکی، زیستی و پزشکی رو به گسترش است.

استفاده از هوش مصنوعی در تشخیص عفونت ریه با استفاده از تصاویر اشعه ایکس ریه

در جریان همه گیری کووید19، یک ابزار هوش مصنوعی برای تشخیص سریع عفونت ریه ناشی از این بیماری با استفاده از تصاویر اشعه ایکس ریه در مرکز ملی بیماری های عفونی کشور سنگاپور توسعه یافت. با استفاده از این ابزار پزشکان می توانند به سرعت افرادی را که نیاز به اکسیژن و مراقبت های بیشتر دارند شناسایی و پیش از وخیم شدن حال فرد، رسیدگی های لازم را به منظور بستری فرد در بیمارستان انجام دهند. براساس آمار ثبت شده، دو سوم از بستری های صورت گرفته در کشور سنگاپور با استفاده از این ابزار صورت گرفته است (اوایل سال 1399 پیشنهاد مشابهی به چند مرکز درمانی داده شد).

پیش از این برای هر فرد مشکوک به بیماری کووید19، یک رادیولوژیست می بایستی بررسی های لازم را به منظور تشخیص بر روی عکس ریه فرد انجام می داد که این فرآیند در بازه زمانی یک ساعته صورت می گرفت. در حال حاضر این ابزار هوش مصنوعی در مدت سه ثانیه با دقت بالای96 درصد این فرآیند را انجام می دهد. این برنامه که به عنوان نمونه ای از یادگیری ماشین می باشد، با استفاده از تکنیک یادگیری عمیق برنامه نویسی شده و در این امر از 5000 تصویر شامل 1000 تصویر از ریه دارای عفونت و 4000 تصویر از ریه سالم استفاده شده است(مشابه پردازش تصویر چرخ واگن در سال 1377).

گزارش مربوط به آموزش APO  برای مربیان تحلیل داده های بزرگ بهره وری را اینجا بخوانید.