به عبارتی هلویی هستند که به دهان می‌گذارید و دیگر هیچ!

امروز هرجا که صحبت از کار و درآمد باشد؛ دست کم یک نفر به فریلنسری اشاره می‌کند. شما هم یا می‌دانید قضیه از چه قرار است یا به نشانه تأیید سری تکان می‌دهید. هرچه باشد؛ در دنیایی که همه‌چیز را می‌توان از گوگل پرسید؛ لابد اظهار بی‌اطلاعی کردن اصلا کار درستی نیست!

شاید همین موضوع شما را به اینجا کشانده باشد…

از کار کردن برای سیستم‌هایی که سنخیتی با روحیات شما ندارند؛ خسته شدید! فریلنسینگ حرفه‌ای است که شما را شیفته خود می‌کند و کلید حل بسیاری از مشکلات است؛ اما این شما هستید که قفل و کلید را می‌سازید.

دنبال اطلاعات دست‌اولی درباره این حرفه هستید؟

این واژه ذهن شما را درگیر کرده‌است؟

بنابراین بهتر است به سراغ اصل مطلب برویم. هرچه باشد؛ از هرچه بگذریم سخن پول بهتر است. در ادامه هرآنچه که باید درباره دورکاری بدانید را با شما درمیان می‌گذارم.

تاریخچه فریلنسری

اگر بگویم فریلنسری خیلی قبل‌تر از اینترنت وجود داشته‌است؛ چه می‌گوئید؟

اولین‌باری که این کلمه به کار برده‌شد؛ قیافه حاضران از ما هم دیدنی‌تر بود. نخستین بار توماس ان براون (Thomas N. Brown) نویسنده ایرلندی-آمریکایی، در سال ۱۸۰۹ در کتاب زندگی و دوران هیو میلر (The Life and Time of Hugh Miller) از این کلمه استفاده کرد. سر والتر اسکات (Sir Walter Scott) رمان‌نویس تاریخ‌نگار انگلیسی نیز در رمان معروف خود آیوانهو (Ivanhoe) از این کلمه استفاده کرد.

البته فریلنسر در آن زمان معنای کاملا متفاوتی داشت. این اصطلاح در خطاب به سربازان مزدور دوران قرون وسطی استفاده می‌شد. این سربازان خدمات و شمشیر خود را در اختیار کسی می‌گذاشتند که بیشترین قیمت را پیشنهاد می‌داد.

کلمه Freelance از دو ریشه مجزا تشکیل شده‌است. Free یک ریشه آلمانی به معنای «دوست داشتن» است. در حالی که Lance ریشه یک کلمه کهن فرانسوی به معنای «مرخص کردن» است. تعابیر متفاوتی از این کلمه در اینترنت وجود دارد؛ برخی این واژه را در ارتباط با مفهوم آزادی یا شادی نیر تعبیر کرده‌اند.

به‌هرحال معنای این کلمه در گذر زمان دستخوش تغییرات زیادی شده‌است. این روزها این کلمه هویت جدیدی پیدا کرده‌است و به عنوان فعل، اسم و صفت به کار برده می‌شود. دیکشنری کمبریج در تعریف این واژه می‌نویسد: «کسی که به‌جای آنکه کارمند یک شرکت باشد؛ روی پروژه‌های متفاوت شرکت‌های مختلف کار می‌کند». نخستین‌بارفیزیک‌دان و مهندس آمریکایی فرانک ام نیلز (Frank M. Niles) در اواخر سال ۱۹۷۰ که بیکاری در شهرهای حاشیه‌ای به شدت بالا گرفته بود؛ کار در منزل را به عنوان راهکاری مناسب معرفی کرد. به‌تدریج فریلنسرها در دنیای مجازی گرد هم آمدند و فعالیت‌های خود را پررنگ‌تر از همیشه پیش بردند.

تاریخ یکی از جذاب‌ترین قسمت‌های هر شغلی است. شاید انتظار نداشتید که فریلنسری تاریخچه طول و درازی داشته‌باشد؛ اما می‌بینید که نیازهای بشر همواره ثابت است؛ آنچه که تغییر می‌کند ابزار دستیابی به مقصود است. حال که حسابی با تاریخچه فریلنسینگ آشنا شدید؛ بهتر است بیشتر با این حرفه آشنا شوید.

فریلنسرکیست؟

فریلنسر کسی است که با کمال افتخار ریاست خود را برمی‌گزیند. بله در این شغل شما رئیس، کارمند، حسابدار، منشی، مسئول امور مالی و اداری در کسب‌وکار خود هستید.

فریلسنر خدمات خود را در اختیار کسب‌وکارهای متفاوتی می‌گذارد و تعهدی به حضور در یک شرکت خاص ندارد. در عین حال که فرد رئیس خود است، اما رؤسای متفاوتی نیز دارید. هر پروژه به یک شرکت یا کسب‌وکار خاص تعلق دارد. هر کسب‌وکاری قوانین و شرایط مختص به خود را برای نیروی دورکار تعیین می‌کند.

فریلنسر یک انسان منعطف، خلاق و توانمند است که مهارت‌های خود را برای انجام پروژه‌های مورد نظر به‌کار می‌گیرد.

روی هم‌رفته فریلنسرها، دورکارها یا آزادکارهای افرادی هستند که به شکل کاملا مستقل از مهارت‌های خود درآمدزایی می‌کنند. ممکن است؛ فردی این کار را به عنوان شغل اصلی خود در نظر بگیرد؛ اما این امکان نیز وجود دارد که فرد در کنار شغل ثابت خود، پروژه‌های دورکاری را نیز بپذیرد.

در این حرفه، فرد دورکار پروژه‌ای که با مهارت‌های او سازگار است را انتخاب می‌کند و در ازای مبلغ توافقی کار را در موعد زمانی مشخص به اتمام می‌رساند. قیمت‌ها به شکل‌های متفاوتی تعیین می‌شوند؛ ساعتی، روزانه، پروژه‌ای، کلمه‌ای و غیره.

لازم است بدانید هیچ محدودیتی در این کار وجود ندارد. تخصص شما هرچه که باشد؛ پروژه‌هایی متناسب با مهارت‌های شما وجود دارد. اگر در کاری خبره هستید؛ معطل نکنید و دورکار شوید. قبل از اینکه شغل جدید خود را آغاز کنید؛ باید آمادگی لازم را به دست آورید.

چرا فریلنسری؟

از خودتان بپرسید چرا این حرفه را انتخاب می‌کنید. شاید هنوز اطلاعات شما کامل نشده‌است. پیشنهاد می‌کنم زودتر بخش‌های پایین‌تر را نخوانید و بیایید قدم به قدم پیش برویم. سوالاتی که به ذهنتان می‌رسد را یادداشت کنید؛ انتهای مقاله پاسخ بسیاری از آنها را می‌یابید.

حالا برمی‌گردیم سر سوال: چرا فریلنسری؟

· آیا فقط به دنبال درآمد بیشتر در کنار شغل اصلی خود هستید؟

· آیا این سبک زندگی را برای خود می‌پسندید و ترجیح می‌دهید این کار را به عنوان شغل اصلی خود انتخاب کنید؟

· یا به عنوان یک شغل موقت به این حرفه می‌نگرید؟

واقع‌بین باشید. فریلنسری جهان تازه‌ای را وارد زندگی شما می‌کند. باید اهداف خود را به وضوح روشن کنید. آیا می‌خواهید این شغل را در کنار شغل اصلی خود پیش ببرید یا خیر؟ خانواده و دوستان شما چه نظری درباره این سبک زندگی خواهندداشت؟

احتمالا متوجه هستید که انتخاب این شغل در کنار سبک جذاب و آزادی عمل در اختیار شما می‌گذارد؛ چالش‌هایی را نیز به همراه دارد. آیا آماده رویارویی با این چالش‌ها هستید؟

آماده ورود به دنیای فریلنسری شوید

قبل از اینکه عجولانه تصمیم بگیرید و به قولی از هول حلیم در دیگ بیفتد؛ بهتر است واقع‌بین باشید. باید کاملا آماده ورود به یک دنیای جدید شوید. در غیر این‌صورت پس از مدتی از کار دل‌زده می‌شوید و قید دورکار بودن را می‌زنید.

قبل از شروع کار باید بدانید؛ شما با پذیرفتن این شغل اول از همه به خودتان متعهد می‌شوید؛ باور کنید که این تعهد از بسیاری از جهات سخت‌تر از متعهد شدن به یک رئیس خرده‌گیر است. بنابراین بهتر است با درنظر گرفتن این نکات، برای استخدام خودتان تصمیم‌گیری کنید.

اگر بدانید چرا می‌خواهید یک فریلنسر باشید؛ دلیل شما، ستاره قطبی زندگی شما می‌شود و همواره مسیر را برای شما روشن می‌کند. در این حالت با هر بادی تغییر مسیر نمی‌دهید و با تمام قوا درراستای تبدیل شدن به یک دورکار موفق می‌تازید. اما حالا که بحث تاخت و تاز به‌میان آمد، باید بپرسم سوار بر چه اسبی می‌تازید؟ اصلا تخصص شما چیست؟!

تهیه فهرستی از مهارت‌ها؛

قبل از هر چیزی باید بدانید که لزوما نباید در حرفه فعلی خود فریلنسر شوید. در صورتی در این حرفه موفق می‌شوید که در مهارت اصلی خود فعالیت کنید. دراین صورت با عشق کار می‌کنید و پروژه‌ها شما را خسته نمی‌کنند. خلاق باشید و تمام مهارت‌های فردی و اجتماعی خود را در زمینه‌های مختلف یادداشت کنید.

برنامه‌نویس خوبی هستید؟ قلم روان و شیوایی دارید؟ فروش در خون شما جریان دارد؟ طراحی سایت بلدید؟ مدرس خوبی هستید؟ خلاقید؟ طراحی گرافیک انجام می‌دهید؟ این سوالات تا دو روز دیگر نیز تمام نمی‌شوند.

نکته مهم اینجاست که مهارت شما می‌تواند عجیب‌وغریب‌ترین عادت فردی شما باشد یا پیچیده‌ترین دانشی که تابه حال آموخته‌اید؟ ممکن است در برگزاری مراسم‌ها نظیر نداشته‌باشد. در این صورت بهتر است به دنبال پذیرش پروژه‌هایی باشید که به دنبال فردی خلاق و مدیر در اجرای همایش‌ها و رویدادها هستند!

شاید الان ایده‌ای به ذهن شما خطور نکند؛ توصیه می‌کنم یک دفتر یادداشت همراه خود داشته‌باشید و تمام ایده‌ها و نظراتی که از دیگران می‌شنوید را یادداشت کنید. شاید شما از نگاه یک دوست یک عکاس عالی باشید و از این مهارت بی‌اطلاع باشید. حالا این مهارت‌ها را چطور به دیگران نشان می‌دهید؟

ایجاد یک پروفایل شخصی؛

اگر از قبل در این زمینه فعالیت داشتید؛ حتما نمونه‌هایی برای ارائه در دست دارید. در غیر این‌صورت هم ناامید نشوید؛ زودتر از آنچه که تصور می‌کنید نمونه‌های زیادی به دست می‌آوردید.

اما قرار است با این نمونه‌ها چه کنید؟ یک سایت شخصی بسازید. شوکه نشوید؛ یک وبلاگ هم شروع بسیار خوبی است. نمونه کارها یا شرحی از مهارت‌های خود را در وبلاگ بنویسد. کارفرمایان بعدها از این فضا برای شناخت بیشتر شما استفاده می‌کنند. از همین ابتدا حرفه‌ای عمل کنید. حرفه‌ای باشید یعنی پروژه‌هایی را انتخاب کنید که مهارت شما را شکل می‌دهند.

مهارت خود را تقویت کنید.

مطمئنا نمی‌خواهید در شروع کار فریلنسینگ پروژه‌های متعددی را به صورت همزمان قبول کنید!؟ این کار به هیچ‌عنوان عاقلانه نیست. اگر قرار است فریلنسر باشد؛ باید بهترین فرد در زمینه کاری خود باشد. این اتفاق هم یک شبه نمی‌افتد.

پروژه‌های باکیفیتی که توجه شما را به خود جلب کرده‌است؛ انتخاب کنید. چنین پروژه‌هایی باید شما را سر ذوق بیاورند؛ اگر چنین نیست؛ ادامه ندهید و به دنبال پروژه‌ای از جنس گوشت و پوست خود باشید.

به عنوان مثال من یک محتوانویس هستم؛ در این حوزه سفارش‌ها و پروژه‌های متعددی به من پیشنهاد می‌شود؛ در بسیاری از موارد این پیشنهاد وسوسه‌کننده هستند و باور کنید؛ گاهی مقاومت دشوار می‌شود؛ اما با این وجود ترجیح می‌دهم؛ پروژه‌هایی را بپذیرم که مهارت شخصی مرا در مسیر رویاهایم بهبود می‌بخشد.

از نظر من این‌کار یک سرمایه‌گذاری هوشمندانه است. درآمد کسب کن و در عین حال بنیاد هویت برند شخصی خود را بنا کن!

احتمالا حالا تصور می‌کنید؛ کاملا آماده شده‌اید. هیجان و انگیزه شما قابل تحسین است؛ اما هنوز وقت آن نرسیده که دست به کار شوید. برای فریلنسر شدن باید عوض شوید!

خصوصیات یک فریلنسر

درست است که هیچ‌کس ذاتا فریلنس به دنیا نمی‌آید. حداقل تا چند ده سال دیگر! اما برای ورود به این حرفه باید خصوصیاتی را در خود تقویت کنید.

به زبان ساده فریلنسری آدم خودش را می‌خواهد. می‌خواهید آدم این کار بشوید؛ بسم الله…

تغییر کنید؛

بله به زبان آوردن و در این مورد خاص نوشتن این کلمه، راحت است. اما اگر از همان ابتدای مقاله متوجه شدید که چرا می‌خواهید دورکار شوید؛ تغییر چندان هم دشوار نخواهدبود.

بیایید روراست باشیم؛ آدم‌ها مجموعه‌ای از عادات ریز و درشت هستند. برای فریلنسر شدن باید خود را اهلی کنید. رئیس شما هستید؛ با کارمند خود بیش از اندازه دوست نشوید؛ برای او حدود تعیین کنید.

به عنوان مثال این نکات را در نظر بگیرید:

ساعت کاری داشته‌باشید؛

درست است که دورکاری یا آزادکاری به معنی آقای خود بودن است. اما آقا شدن به همین سادگی‌ها نیست. زمان مشخصی برای انجام پروژه‌ها در نظر بگیرید.

بله لازم نیست؛ صبح زود از خواب بیدار شوید؛ هرچند خیلی‌ها ترجیح می‌دهند کار را از صبح زود شروع کنند. انتخاب با شما است. اما بدون برنامه، کار به جایی نمی‌برید.

برنامه‌ریزی کنید.

یک دفتر یادداشت یا یک اپلیکیشن یادآوری کارهای روزانه روی گوشی هوشمند خود نصب کنید و موعد تحویل کارها را یادداشت کنید. یه این ترتیب همیشه قبل از پایان موعد از پروژه‌هایی که باید تحویل بدهند مطلع می‌شوید و کار را تمام می‌کنید.

تجربه نویسنده: هرگز کار را به دقایق آخر موکول نکنید! کیفیت کار اعتبار شما است. حتی اگر مجبور شوید؛ زمان بیشتری جهت انجام پروژه تقاضا کنید و کمی از مبلغ دریافتی خود بکاهید؛ این کار را انجام دهید. هویت برند شما در گرو کیفیت کاری است که ارائه می‌دهید. واقعا می‌خواهید با یک تحویل دقیقه نودی همه چیز را به خطر بیندازید؟! گمان نمی‌کنم… با انتخاب پروژه‌ای که شیفته آن هستید، هرگز کار را به لحظات آخر موکول نخواهیدکرد.

برای دل خود کار کنید؛

بسیاری از ما فریلنسر می‌شویم تا دنیای خود را بسازیم. در این دنیا حداقل چیزی که می‌توانیم خلق کنیم فضایی است که آرامش را به ما هدیه می‌کند.

بنابراین هنگام انتخاب، پروژه‌هایی را در نظر بگیرید که ضربان قلب شما را تندتر می‌کند. در این‌صورت برای شروع پروژه لحظه شماری می‌کنید. این کار مال شما است و از جان شما بر می‌آید. لاجرم بر دل می‌نشیند. پس سنگی بردارید که نشانه نزدن نباشد.

گلیم خود را متر کنید؛

برای فریلنسر شدن باید مثل یک سرمایه‌گذار در بازار بورس عمل کنید. زمان و مهارت سرمایه شما است. حساب پشتیبان، اعتباری است که به واسطه رضایت کارفرمایان کسب می‌کنید. حالا حاضرید ریسک کنید؟!

یک سرمایه‌گذار باهوش هرگز تمام سرمایه و مهارت خود را معطوف یک پروژه نمی‌کند (البته حساب سرمایه گذاران تازه‌کار سوا است! شما باید کمی صبور باشید). اما در عین حال این سرمایه‌گذار هرگز بیشتر از میزان دارایی خود نیز خطر نخواهدکرد. او حد ضرر را در بازه‌ای قرار می‌دهد که توانایی جبران آن را داشته‌باشد.

شما هم در فریلنسری باید همین‌طور عمل کنید. پروژه‌هایی را بپذیرید که توانایی انجام دادن آنها را دارید. اگر هنوز مهارت کافی برای به ثمر رساندن یک پروژه را به دست نیاورده‌اید؛ لطفا زمان خود و کارفرما را هدر ندهید. به قولی به همان یک هندوانه اکتفا کنید. تمام آنچه که تاکنون گفته شد، مقدمات ورود به دنیای فریلنسی بود، اکنون باید راز موفقیت در این حرفه را بیاموزید.

رمز تبدیل شدن به یک فریلنسر موفق

فریلنس بودن یک سوی ماجرا است و فریلنسر موفق شدن سوی دیگر آن. برای موفق شدن در این حرفه در کنار خاک خوردن که اصل اولیه تمام حرفه‌های عالم هستی است؛ باید اصولی را در نظر بگیرید.

روزمه کافی نیست؛ برند باشید؛

به یاد داشته باشید که در عصر تکنولوژی تهیه فهرستی از مهارت‌ها و سوابق چندان راهگشا نیست. کسب‌وکارها در طی سال‌ها فعالییت به این نتیجه رسیده‌اند که اطلاعات مندرج در رزومه در بسیاری از موارد هیچ سنخیتی با مهارت‌های واقعی نیروی کار ندارد.

منظورم این نیست که کلا بی‌خیال رزومه شوید؛ نه اما به روزمه اکتفا نکنید. به یک برند نیاز دارید که حرفی برای گفتن داشته باشد.

چطور می‌خواهید نشان دهید که مهارت‌های شما چگونه در انجام پروژه‌ها به یاری شما خواهندآمد؟ این سوالی است که رزومه‌ها قادر به پاسخگویی به آن نیستند. اگر رزومه شما درست مانند هزاران روزمه‌ای است که تا به حال مشاهده کردید؛ دست نگه دارید؛ چه چیزی شما را متمایز می‌کند؟!

در فکر خلق یک برند باشید. هویت خود را بسازید. جامعه‌ای از کارفرمایانی را گرد خود جمع کنید که از ایده‌های و تفکرات شما استقبال می‌کنند.

از تمام پلتفرم‌ها کمک بگیرید. در تمام شبکه‌های اجتماعی حضور داشته باشید. ایده‌ها و فعالیت‌های خود را با دیگران به اشتراک بگذارید. صفحه لینکدین و یوتیوب خود را همین امروز راه‌اندازی کنید.

در اولین فرصت وب‌سایت یا وبلاگ شخصی خود را راه‌اندازی کنید. در این پلتفرم‌ها نمونه‌کارهای خود را قرار دهید. بهترین خود باشید. کارفرمایان و کاربران با ورود به هر یک صفحات شما در فضای مجازی به خانه شما آمده‌اند؛ مهمان‌نواز باشید؛ بهترین فضا را برای آنها ایجاد کنید.

اسباب پذیرایی را مهیا کنید. باید محتواهایی را درون این صفحات بارگذاری کنید که مخاطب مدت‌ها در جستجوی آنها بوده‌است. خودتان باشید. برند سازی، تقلید از یک فرد موفق نیست.

برند سازی از نظر من یعنی: تمام ویژگی‌های بارز شخصیت خود را به بهترین شکل ممکن در معرض نمایش بگذارید. در برند شما پروژه‌ها با سبک شما انجام می‌شود. کسی را دعوت نکرده‌اید؛ افراد شما را انتخاب می‌کنند دقیقا به خاطر چیزی که هستید.

بنابراین ایده‌ها و تفکرات خود را دست کم نگیرید. بی‌مهابا خود را معرفی کنید. اما آیا می‌دانید باید خود را به چه کسانی معرفی کنید؟

مخاطبان خود را شناسایی کنید

ساختن برند بدون شناختن مخاطب کار بیهوده‌ای است. شما باید بدانید کدام جنبه‌های فردی و حرفه‌ای شما برای مخاطبان جذاب است. مخاطبان خود را گلچین کنید.

پس از انجام دادن چند پروژه، با ویژگی‌های برجسته مخاطبان خود آشنا می‌شوید. چه کسانی و با چه رویکرد‌هایی شیفته کار شما هستند. سعی کنید مخاطبان محدودی را انتخاب کنید. البته این نکته را فراموش نکنید که بهترین انتخاب کسب‌وکارهایی هستند که از نمونه ارسالی شما استقبال کرده‌اند. آنها هواداران اصلی برند شما خواهند بود.

بنابراین برای شروع همکاری با یک یا دو نوع تجارت را در نظر بگیرید. بهتر است این تجارت‌ها با یکدیگر مرتبط باشند و در این صورت دانش و مهارت شما به‌تدریج تقویت می‌شود. بعنوان مثال همکاری با استارتاپ‌هایی که در زمینه تکنولوژی فعالیت دارند؛ در کنار اینفلوئنسرهای که شهرت خوبی را به هم زده‌اند، انتخاب خوبی خواهدبود. به یاد داشته باشید که اینها فقظ چند مثال ساده هستند. شما به تعداد آدم‌ها با انتخاب‌های متفاوتی روبرو خواهیدبود.

اما در هر صورت مهم‌ترین نکته این است که مخاطب را شناسایی کنید. چه کسی از همکاری با شما بیشتر لذت می‌برد. در فریلنسری شما سبک خود را تغییر نمی‌دهید؛ بله، همواره مهارت خود را بهبود می‌بخشید و تکنیک‌های جدیدی را می‌آموزید؛ اما شما سبک شخص دیگری را دنبال نمی‌کنید. مشتریانی که سبک شما را می‌پسندند؛ از راه می‌رسند. اما آیا نرخ خود را می‌دانید؟

تعیین نرخ

منصف باشید؛ مبلغی که برای انجام پروژه‌ها در نظر می‌گیرد؛ باید با میزان زمان و مهارتی که برای انجام پروژه به‌کار گرفته‌اید، هم‌خوانی داشته باشد. شاید در آغاز این کار چندان ساده به نظر نرسد. سری به صفحات فریلنسرها بزنید و قیمت‌های پیشنهادی را ببینید. در پونیشا با خیل زیادی از دورکاران روبرو می‌شوید که قمیت‌های متفاوتی را برای انجام پروژه‌ها پیشنهاد می‌دهند.

قیمت‌هایی‌که از سوی کارفرمایان درنظر گرفته شده‌است؛ سبک سنگین کنید. با درنظر گرفتن تمام جوانب، نرخ خود را تعیین کنید. در آغاز همکاری ارائه باکیفیت‌ترین پروژه‌ها، هدف اصلی شما خواهد بود.

هرچه باشد شما در حال یافتن جامعه مخاطبان خود هستید. به تدریج کارفرمایان توصیه‌نامه‌ها و تشویق‌نامه‌هایی را برای شما ارسال می‌کنند که سرمایه شما خواهندبود. با اتکا بر این سرمایه قیمت‌های خود را افزایش دهید؛ اما گاهی هم باید از خود‌گذشتگی کنید!

بد نیست برای شروع مجانی بنویسید!

بله، این یک استراتژی کارآمد است. اگر نمونه‌ای در درست ندارید؛ باید توجه مخاطب را به خود جلب کنید؛ بد نیست که در آغاز پروژه‌ها را به صورت رایگان انجام دهید. مطمئن باشید اگر کارفرما از نتیجه کار راضی باشد؛ دستمزد پروژه‌های بعدی خستگی را از تن شما بیرون می‌کند.

از نظر من اگر رؤیای همکاری با تجارتی را در سر دارید؛ دست به کار شوید و یک پروژه رایگان به آنها هدیه دهید. البته لازم به گفتن نیست که باید سنگ تمام بگذارید تا توجه تجارت مورد نظر را جلب کنید. اما کجا خود را معرفی می‌کنید؟

یافتن پلتفرم مناسب

در کنار برند سازی، تبلیغات در شبکه های مجازی و ایجاد وب‌سایت، نیاز به یک فضای حرفه‌ای برای مشاهده سفارش‌ها و پروژه‌های مرتبط با حوزه فعالیت خود دارید. پونیشا و کارلیب از جمله سایت‌هایی هستند که این فضا را در اختیار شما قرار می‌دهند. در پونیشا سفارش از سوی کارفرمایان ثبت شده و متقاضیان پیشنهادهای خود را برای پذیرش سفارش ارسال می‌کنند.

در کارلیب اما ماجرا فرق می‌کند. کسب‌و‌کارهایی که توانایی یا زمان کافی برای استخدام نیروهای دورکار را ندارند؛ به کارلیب متوسل می‌شوند. این پلتفرم آزمون‌هایی را برای استخدام تهیه می‌کند. فریلنسرها با شرکت در این آزمون‌ها صلاحیت خود را برای پذیرش پروژه‌های کاری به اثبات می‌رسانند. کارفرمایانی که از این پلتفرم استفاده می‌کنند، به خوبی با اهمیت همکاری با یک فریلنسر ماهر آشنا هستند. همین موضع باعث می‌شود، موقعیت‌های کاری فوق‌العاده‌ای را در این فضا بیابید. خب از هرچه بگذریم سخن راست بهتر است. بیاید بریم سر اصل مطلب!

مزایای فریلنسری

انتخاب این شغل کاملا به روحیات و سبک شخصیتی شما بستگی دارد. اگر فریلنسری شغل رویایی شما است بهتر است با مزایای این حرفه آشنا شوید تا از تصور خود در این شغل لذت ببرید:

حرف، حرف شما است؛

همانطور که پیش‌تر نیز گفته شد، شما رئیس هستید. شما زمان انجام کار را تعیین می‌کنید. انتخاب حجم کار با شما است. ترجیح می‌دهید در فضای اتاق کار پروژه را انجام دهید یا در ویلایی کنار دریا؟ انتخاب با شما است. تمام مسئولیت‌ها نیز با شما است. مدیریت هزینه‌ها، اختصاص بودجه و برنامه‌ریزی برای ایجاد یک صندوق مالی پشتیبانی همگی به شما بستگی دارد.

درآمد خود را با کسی شریک نمی‌شوید؛

در فریلنسری تمام درآمد حاصل از انجام پروژه‌ها به شما تعلق دارد. کسی در سود شما سهیم نمی‌شود. این به شما آزادی عمل می‌دهد. درآمد خود را مدیریت خواهیدکرد. حتی می‌توانید از این درآمد جهت ارتقا مهارت‌های خود و سرمایه‌گذاری در کسب‌وکارها استفاده کنید.

به سرعت مشغول به کار شوید؛

فریلنسری از جمله معدود مشاغلی است که نیازی به صرف زمان زیادی برای ورود به آن نخواهید داشت. درواقع در پایان این مقاله می‌توانید این شغل را شروع کنید و اولین مشتری خود را پیدا کنید.

بی‌نیاز از سرمایه اولیه؛

همانطور که پیش‌تر در مثال بورس گفتیم، سرمایه شما زمان و مهارت شما است. برای فعالیت در این حوزه نیازی به صرف هزینه هنگفت ندارید. آزادکاری یک کسب‌وکار خانگی است که بدون هیچ هزینه‌ای راه‌اندازی می‌شود.

افزایش میزان تقاضا؛

امروزه تعداد کسب‌وکارهایی که به دنبال استخدام نیروی دورکار هستند؛ همواره در حال افزایش است. افزایش تقاضا به این معناست که باید مهارت خود را تقویت کنید. فریلنسرهایی که قابل اعتماد هستند و کار با کیفیت‌تری را تحویل می‌دهند؛ همواره گوی سبقت را از دیگران می‌ربایند.

خبری از کاغذ بازی‌های اداری نیست؛

مرخصی می‌خواهید؛ به رئیس بگویید. امروز قادر نیستید پروژه جدید را بپذیرد؛ هیچ مشکل نیست. استراحت کنید. نیازی به کسب اجازه و نامه‌نگاری‌های متعارف ادارات ندارید. از این گذشته اگر باید کاری را انجام دهید به سرعت دست به کار می‌شوید و نیازی به تهیه یک فایل بلند بالا برای توجیه مدیریت نخواهیدداشت.

حال که با مزایای این حرفه آشنا شدید؛ باید بدانید که هیچ گلی بدون خار نمی‌شود. در ادامه معایب این حرفه را نیز با شما در میان می‌گذارم.

معایب فریلنسری

در کنار مزایا چشمگیر این شغل معایبی نیز در صحنه حضور دارند. قبل از تصمیم‌گیری بهتر است با معایب این کار نیز آشنا شوید.

زمان گیر بودن پروسه یافتن مشتری

در آغاز یافتن مشتری ساده نخواهدبود. بنابراین درآمد بسیار ناچیزی خواهید‌داشت. در مواردی حتی مجبور می‌شوید؛ پروژه‌ای را رایگان انجام دهید تا اعتبار خود را افزایش دهید.

شما رئیس خود هستید؛

یکی از بزرگ‌ترین مزایای کار کردن برای یک فرد دیگر این است که درآمد ثابتی دارید. از آسمان سنگ هم که ببارد از آسمان سنگ هم که ببارد؛ او باید حقوق شما را بدهد. اما در این کار خبری از حقوق ثابت و مزایایی از قبیل بیمه، پاداش، حقوق و بازنگشتی نیست. شما اگر کارفرمای خوبی باشید هزینه‌ای برای بیمه خود در نظر می‌گیرید.

شما مسئول هستید؛

در فریلنسری شما باید تمام زوایای پروژه را به تنهایی انجام دهید. مسئولیت تحویل دادن به موقع پروژه و جلب رضایت مشتری با شما است.

امنیت مالی ندارید؛

برای این کار درآمد ثابتی ندارید. از این گذشته تعداد روزهای مرتبط با مهارت شما همواره یکسان نیست. ممکن است مدت‌ها هیچ پروژه‌ای به دست شما نرسد. بنابراین فریلنسری کار با ثباتی نیست؛ مگر آنکه مشتریان ثابت و مخاطبان برند خود را پیدا کنید.

چالش مدیریت انتظارات متفاوت؛

مدیریت همزمان چندین پروژه چالش بزرگی خواهدبود. هر یک از کارفرمایان انتظارات متفاوتی دارند. بنابراین بهتر است هرگز بیشتر از توان خود پروژه نگیرید.

کنترل زمان از دست می‌رود؛

در فریلنسری تمایزی میان ساعات شخصی و ساعات کار وجود ندارد. به این ترتیب به سادگی دچار این اشتباه می‌شوید که ساعت‌های متمادی بدون در نظر گرفتن زمانی برای رسیدگی به امور شخصی، به دورکاری بپردازید. البته برنامه‌ریزی زمانی این مشکل را برطرف می‌کند.

عدم پرداخت هزینه انجام پروژه؛

در آزادکاری این ریسک وجود دارد که پس از انجام پروژه، مبلغ موردنظر را دریافت نکنید. چنین اتفاقی بسیار ناخوشایند است؛ اما بسیاری از آزادکارها این اتفاق تلخ را تجربه کرده‌اند. البته راهکارهایی برای اطمینان از پرداخت وجود دارد. به عنوان مثال قرارداد بنویسید یا بخشی از هزینه را پس از تحویل قسمتی از پروژه دریافت کنید.

اگر واقعا به این حرفه علاقه‌مند هستید، راهکارهای مناسب برای به حداقل رساندن چالش‌ها خواهیدیافت. به‌هرحال عقل می‌گوید پیشگیری بهتر از درمان است.

پیشگیری از کسری بودجه

یکی از نگرانی‌های موجود در زمینه شغل فریلنسینگ عدم ثبات‌مالی و امنیت شغلی است. شما به عنوان فریلنسر باید مراقب خود باشید. این نکته‌ای است که کمتر به آن اشاره می‌شود. اما باید سرمایه‌گذاری را در اولویت قرار دهید. بخشی از درآمد خود را برای پرداخت حق بیمه خویش‌فرما در نظر بگیرید.

بخشی از درآمد خود را در کسب‌وکارها، سهام و استارت‌آپ‌ها سرمایه‌گذاری کنید. شما باید درآمد دیگری نیز برای خود دست و پا کنید، تا با فراغ بال در مسیر تبدیل شدن به یک فریلنسر موفق گام بردارید.

همواره سعی کنید مبلغی را به عنوان پس‌انداز برای گذران یک زندگی ساده به مدت سه ماه کنار بگذارید. به این ترتیب عدم پرداخت دستمزد یا راکد شدن بازار، زندگی شما را مختل نمی‌کند. به خصوص اگر همواره تابع قوانین مالی خود باشید.

مالیات فریلنسری

فریلنسری نیز مانند هر شغل دیگری مشمول پرداخت مالیات است. البته میزان این مالیات با توجه به منطقه و قوانین کشوری متفاوت است.

با این وجود بهتر است به عنوان یک کسب‌وکار خودگردان در راستای تنظیم اظهارنامه مالیاتی با یک حسابدار مشورت کنید. او راهنمایی‌های لازم را در اختیار شما قرار می‌دهد.

زمانی که از خانه کار می‌کنید باید خود را به عنوان یک کسب‌وکار مستقل و مجزا معرفی کنید. همواره بیشتر اقدامات لازم در راستای پرداخت مالیات را انجام دهید تا دورنمای درستی از درآمد و بودجه خود داشته‌باشید.

فریلنس بودن یا نبودن!

مزایا و نکات بسیار زیادی وجود دارد که شما ترغیب می‌کند؛ دورکار شوید؛ این حرفه امکان راه‌اندازی یک کسب‌وکار خانگی را بدون کوچک‌ترین سرمایه‌ای مهیا می‌کند. در فریلنسری با انجام فعالیت محبوب خود مهارت خود را بهبود ببخشید.

به این ترتیب تجربه، سرمایه ارزشمندی در دورکاری است که شما را از دیگران متمایز می‌کند. اگر می‌خواهید فریلنسر باشید؛ همین حالا سری به کارلیب بزنید و در یکی از آزمون‌های مرتبط با مهارت خود شرکت کنید. اولین مشتری را پیدا کنید و برند خود را بسازید. اگر این سبک کاری با روحیات شما سازگار است، درنگ نکنید. بازار رقابت دورکارای هر روز داغ‌تر از روز قبل می‌شود.

 فهرست مطالب این نوشته

 مثال‌هایی از یادگیری ماشین

 نیازهای یادگیری ماشین

 انواع یادگیری ماشین

 یادگیری تقویتی

 ریاضیات هوشمندی

الگوریتم دسته‌بندی مثالی برای مطلب بیان شده است. این الگوریتم می‌تواند داده‌ها را در گروه‌های (دسته‌های) مختلف قرار دهد. الگوریتم دسته‌بندی که برای بازشناسی الفبای دست‌خط استفاده می‌شود را می‌توان برای دسته‌بندی ایمیل‌ها به هرزنامه و غیر هرزنامه نیز استفاده کرد.

تام میشل (Tom M. Mitchell) در تعریف یادگیری ماشین می‌گوید: «(یک برنامه یادگیرنده) برنامه رایانه‌ای است که به آن گفته شده تا از تجربه E مطابق با برخی وظایف T، و کارایی عملکرد P برای وظیفه T که توسط P سنجیده می‌شود، یاد بگیرد که تجربه E را بهبود ببخشد.»

به عنوان مثالی دیگر، می‌توان بازی دوز (چکرز) را فرض کرد.

• E: تجربه بازی کردن بازی دوز به دفعات زیاد است.
• T: وظیفه انجام بازی دوز است.
• P: احتمال آنکه برنامه بتواند بازی بعدی را ببرد است.

مثال‌هایی از یادگیری ماشین

مثال‌های متعددی برای یادگیری ماشین وجود دارند. در اینجا چند مثال از مسائل طبقه‌بندی زده می‌شود که در آن‌ها هدف دسته‌بندی اشیا به مجموعه‌ای مشخص از گروه‌ها است.

• تشخیص چهره: شناسایی چهره در یک تصویر (یا تشخیص اینکه آیا چهره‌ای وجود دارد یا خیر).
• فیلتر کردن  ایمیل‌ها: دسته‌بندی ایمیل‌ها در دو دسته هرزنامه و غیر هرزنامه.
• تشخیص پزشکی: تشخیص اینکه آیا بیمار مبتلا به یک بیماری است یا خیر.
• پیش‌بینی آب و هوا: پیش‌بینی اینکه برای مثال فردا باران می‌بارد یا خیر.

نیازهای یادگیری ماشین

یادگیری ماشین زمینه مطالعاتی است که از هوش مصنوعی سر بر آورده. بشر با استفاده از هوش مصنوعی به‌دنبال ساخت ماشین‌های بهتر و هوشمند است. اما پژوهشگران در ابتدا به جز چند وظیفه ساده، مانند یافتن کوتاه‌ترین مسیر بین نقطه A و B، در برنامه‌ریزی ماشین‌ها برای انجام وظایف پیچیده‌تری که به‌طور مداوم با چالش همراه هستند ناتوان بودند. بر همین اساس، ادراکی مبنی بر این شکل گرفت که تنها راه ممکن برای تحقق بخشیدن این مهم، طراحی ماشین‌هایی است که بتوانند از خودشان یاد بگیرند. ماشین در این رویکرد به مثابه کودکی است که از خودش می‌آموزد. بنابراین، یادگیری ماشین به‌عنوان یک توانایی جدید برای رایانه‌ها مطرح شد. امروزه این علم در بخش‌های گوناگون فناوری مورد استفاده قرار می‌گیرد، و بهره‌گیری از آن به اندازه‌ای زیاد شده که افراد اغلب از وجودش در ابزارها و لوازم روزمره‌ خود بی‌خبرند.

یافتن الگوها در داده‌های موجود در سیاره زمین، تنها برای مغز انسان امکان‌پذیر است. اما هنگامی که حجم داده‌ها بسیار زیاد می‌شود و زمان لازم برای انجام محاسبات افزایش می‌یابد، نیاز به یادگیری ماشین به عنوان علمی مطرح می‌شود که به افراد در کار با داده‌های انبوه در حداقل زمان کمک می‌کند.

با وجود آنکه مباحث مِه‌داده (کلان داده/big data) و پردازش ابری به دلیل کاربردی که در جنبه‌های گوناگون زندگی بشر دارند حائز اهمیت شده‌اند، اما در حقیقت یادگیری ماشین فناوری است که به دانشمندان داده در تحلیل بخش‌های بزرگ داده، خودکارسازی فرآیندها، بازشناسی الگوها و ارزش‌آفرینی کمک می‌کند.

روشی که اکنون برای داده‌کاوی استفاده می‌شود برای سال‌ها مطرح بوده، اما موثر واقع نشده زیرا قدرت رقابتی برای اجرای الگوریتم‌ها نداشته. این در حالی است که امروزه اگر به‌عنوان مثال یک الگوریتم یادگیری عمیق با دسترسی به داده‌های خوب اجرا شود، خروجی دریافت شده منجر به پیشرفت‌های چشم‌گیری در یادگیری ماشین می‌شود.

انواع یادگیری ماشین

الگوریتم‌های یادگیری ماشین بر سه نوع هستند:

• یادگیری نظارت شده
• یادگیری نظارت نشده
• یادگیری تقویتی

یادگیری نظارت شده

اغلب روش‌های یادگیری ماشین از یادگیری نظارت شده استفاده می‌کنند. در یادگیری ماشین نظارت شده، سیستم تلاش می‌کند تا از نمونه‌های پیشینی بیاموزد که در اختیار آن قرار گرفته. به عبارت دیگر، در این نوع یادگیری، سیستم تلاش می‌کند تا الگوها را بر اساس مثال‌های داده شده به آن فرا بگیرد.

به بیان ریاضی، هنگامی که متغیر ورودی (X) و متغیر خروجی (Y) موجودند و می‌توان بر اساس آن‌ها از یک الگوریتم برای حصول یک تابع نگاشت ورودی به خروجی استفاده کرد در واقع یادگیری نظارت شده است. تابع نگاشت به صورت (Y = f(X نشان داده می‌شود.

مثال:

برای باز شدن مساله در ادامه توضیحات بیشتری ارائه می‌شود. همانطور که پیش از این بیان شد، در یادگیری ماشین مجموعه داده (هایی) به الگوریتم داده می‌شود و ماشین منطق خود را بر اساس آن مجموعه داده (ها) شکل می‌دهد. این مجموعه داده دارای سطرها و ستون‌هایی است. سطرها (که از آن‌ها با عنوان رکورد و نمونه داده نیز یاد می‌شود) نماینده نمونه داده‌ها هستند. برای مثال اگر مجموعه داده مربوط به بازی‌های فوتبال (وضعیت جوی) باشد، یک سطر حاوی اطلاعات یک بازی خاص است. ستون‌ها (که از آن‌ها با عنوان خصیصه، ویژگی، مشخصه نیز یاد می‌شود) در واقع ویژگی‌هایی هستند که هر نمونه داده را توصیف می‌کنند.https://beta.kaprila.com/a/templates_ver2/templates.php?ref=blog.faradars&id=string-1&w=760&h=140&t=string&bg=fffff3&hover=ffffcb&rows=3&cid=1871,391,2560&wr=cat_2_data_mining,cat_data_mining,cat_2_data_mining

در مثالی که پیش‌تر بیان شد، مواردی مانند وضعیت هوا شامل ابری بودن یا نبودن، آفتابی بودن یا نبودن، وجود یا عدم وجود مه، بارش یا عدم بارش باران و تاریخ بازی از جمله ویژگی‌هایی هستند که وضعیت یک مسابقه فوتبال را توصیف می‌کنند. حال اگر در این مجموعه داده به عنوان مثال، ستونی وجود داشته باشد که مشخص کند برای هر نمونه داده در شرایط جوی موجود برای آن نمونه خاص بازی فوتبال انجام شده یا نشده (برچسب‌ها) اصطلاحا می‌گوییم مجموعه داده برچسب‌دار است. اگر آموزش الگوریتم از چنین مجموعه داده‌ای استفاده شود و به آن آموخته شود که بر اساس نمونه داده‌هایی که وضعیت آن‌ها مشخص است (بازی فوتبال انجام شده یا نشده)، درباره نمونه داده‌هایی که وضعیت آن‌ها نامشخص است تصمیم‌گیری کند، اصطلاحا گفته می‌شود یادگیری ماشین نظارت شده است.

مسائل یادگیری ماشین نظارت شده قابل تقسیم به دو دسته «دسته‌بندی» و «رگرسیون» هستند.

دسته‌بندی: یک مساله، هنگامی دسته‌بندی محسوب می‌شود که متغیر خروجی یک دسته یا گروه باشد. برای مثالی از این امر می‌توان به تعلق یک نمونه به دسته‌های «سیاه» یا «سفید» و یک ایمیل به دسته‌های «هرزنامه» یا «غیر هرزنامه» اشاره کرد.

رگرسیون: یک مساله هنگامی رگرسیون است که متغیر خروجی یک مقدار حقیقی مانند «قد» باشد. در واقع در دسته‌بندی با متغیرهای گسسته و در رگرسیون با متغیرهای پیوسته کار می‌شود.

یادگیری نظارت نشده

در یادگیری نظارت نشده، الگوریتم باید خود به تنهایی به‌دنبال ساختارهای جالب موجود در داده‌ها باشد. به بیان ریاضی، یادگیری نظارت نشده مربوط به زمانی است که در مجموعه داده فقط متغیرهای ورودی (X) وجود داشته باشند و هیچ متغیر داده خروجی موجود نباشد. به این نوع یادگیری، نظارت نشده گفته می‌شود زیرا برخلاف یادگیری نظارت شده، هیچ پاسخ صحیح داده شده‌ای وجود ندارد و ماشین خود باید به دنبال پاسخ باشد.

به بیان دیگر، هنگامی که الگوریتم برای کار کردن از مجموعه داده‌ای بهره گیرد که فاقد داده‌های برچسب‌دار (متغیرهای خروجی) است، از مکانیزم دیگری برای یادگیری و تصمیم‌گیری استفاده می‌کند. به چنین نوع یادگیری، نظارت نشده گفته می‌شود. یادگیری نظارت نشده قابل تقسیم به مسائل خوشه‌بندی و انجمنی است.

قوانین انجمنی: یک مساله یادگیری هنگامی قوانین انجمنی محسوب می‌شود که هدف کشف کردن قواعدی باشد که بخش بزرگی از داده‌ها را توصیف می‌کنند. مثلا، «شخصی که کالای الف را خریداری کند، تمایل به خرید کالای ب نیز دارد».

خوشه‌بندی: یک مساله هنگامی خوشه‌بندی محسوب می‌شود که قصد کشف گروه‌های ذاتی (داده‌هایی که ذاتا در یک گروه خاص می‌گنجند) در داده‌ها وجود داشته باشد. مثلا، گروه‌بندی مشتریان بر اساس رفتار خرید آن‌ها.

یادگیری تقویتی

یک برنامه رایانه‌ای که با محیط پویا در تعامل است باید به هدف خاصی دست‌یابد (مانند بازی کردن با یک رقیب یا راندن خودرو). این برنامه بازخوردهایی را با عنوان پاداش‌ها و تنبیه‌ها فراهم و فضای مساله خود را بر همین اساس هدایت می‌کند. با استفاده از یادگیری تقویتی، ماشین می‌آموزد که تصمیمات مشخصی را در محیطی که دائم در معرض آزمون و خطا است اتخاذ کند.

مثال:

ریاضیات هوشمندی

نظریه یادگیری ماشین، زمینه‌ای است که در آن آمار و احتمال، علوم رایانه و مباحث الگوریتمی – بر مبنای یادگیری تکرار شونده – کاربرد دارد و می‌تواند برای ساخت نرم‌افزارهای کاربردی هوشمند مورد استفادده قرار بگیرد.

چرا نگرانی از ریاضیات؟

دلایل متعددی وجود دارد که آموختن ریاضیات برای یادگیری ماشین را الزامی می‌کند. برخی از این دلایل در ادامه آورده شده‌اند.

• انتخاب الگوریتم مناسب برای یک مساله خاص، که شامل در نظر گرفتن صحت، زمان آموزش، پیچیدگی مدل، تعداد پارامترها و تعداد مشخصه‌ها است.
• استفاده از موازنه واریانس-بایاس برای شناسایی حالاتی که بیش‌برازش با کم‌برازش در آن‌ها به وقوع پیوسته است.
• انتخاب تنظیمات پارامترها و استراتژی‌های اعتبارسنجی.
• تخمین دوره تصمیم‌گیری صحیح و عدم قطعیت.

چه سطحی از ریاضیات مورد نیاز است؟

پرسشی که برای اغلب افراد علاقمند به آموختن علم یادگیری ماشین مطرح است و بارها در مقالات و کنفرانس‌های گوناگون این حوزه به آن پاسخ داده شده این است که چه میزان تسلط بر ریاضیات برای درک این علم مورد نیاز محسوب می‌شود. پاسخ این پرسش چند بُعدی و وابسته به سطح دانش ریاضی هر فرد و میزان علاقمندی آن شخص به یادگیری است. در ادامه حداقل دانش ریاضی که برای مهندسان یادگیری ماشین و تحلیل‌گران داده مورد نیاز است آورده شده.

• جبر خطی: ماتریس‌ها و عملیات روی آن‌ها، پروجکشن، اتحاد و تجزیه، ماتریس‌های متقارن، متعامدسازی.
• نظریه آمار و احتمالات: قوانین احتمال و اصل (منطق)، نظریه بیزی، متغیرهای تصادفی، واریانس و امید ریاضی، توزیع‌های توام و شرطی، توزیع استاندارد.
• حساب: حساب دیفرانسیل و انتگرال، مشتقات جزئی.
• الگوریتم‌ها و بهینه‌سازی پیچیدگی‌ها: درخت‌های دودویی، هیپ، استک.

وایرلس شدن شبکه ها، کمک بزرگی به گسترش و پیشرفت IoT کرده است. برای مشاهده قیمت تجهیزات اکتیو شبکه می توانید به سایت راندنو مراجعه نمایید.

اتصال اشیا به اینترنت در کنار سایر حسگرها، سبب افزایش هوشمندی آن ها نیز می شود. به کمک این فناوری، اشیا با یکدیگر تعامل بیشتری دارند و مداخلات انسانی کاهش می یابد. امروزه IoT به کمک صنایع زیادی همچون کشاورزی، تولیدی، بهداشت، درمان و … آمده است.

در این مقاله به بررسی مفهوم اینترنت اشیا به زبان ساده خواهیم پرداخت و به کاربردهای آن نیز اشاره خواهیم کرد. با مجله راندنو همراه باشید…

آنچه در ادامه می خوانیم:

• اینترنت اشیا چیست؟
• چند نمونه از اینترنت اشیا
• چرا امنیت اینترنت اشیا مهم است؟
• اهمیت اینترنت اشیا چیست؟
• خطرات استفاده از اینترنت اشیا
• کاربرد اینترنت اشیا
• مسائل حقوقی IoT
• تاریخچه IoT
• چه شرکت هایی در زمینه اینترنت اشیا فعال هستند؟
• سوالات متداول

اینترنت اشیا چیست؟

اینترنت اشیا (Internet of Things) و یا اینترنت چیزها که به اختصار IoT نیز نامیده می شود، مفهومی است که به گسترش اینترنت و افزایش قدرت آن می پردازد. در این تعریف، اینترنت از دستگاه هایی همچون کامپیوتر و گوشی های هوشمند فراتر می رود و طیف وسیعی از اشیا را به خود اختصاص می دهد.

برای این که بتوانیم مفهوم IoT را به زبان ساده تر بیان کنیم، به یک مثال ساده اشاره خواهیم کرد:

پیش از ورود گوشی های هوشمند، گوشی های معمولی تنها امکان برقراری تماس تلفنی و یا ارسال پیامک را داشتند. با پیشرفت تکنولوژی گوشی های موبایل و به کمک اینترنت، اکنون می توان به گوش دادن موسیقی، تماشای فیلم، خواندن کتاب و … پرداخت.

با اتصال اشیا به اینترنت، کارایی آن ها افزایش می یابد. در حال حاضر بدون وجود اینترنت، بسیاری از گجت ها و دستگاه های الکترونیکی کارایی چندانی ندارند.

برای توضیح مفهوم IoT در یک جمله می توان گفت، IoT یعنی همه چیز در همه جای جهان به اینترنت متصل شوند.

IoT از شش مؤلفه زیر تشکیل شده است:

1. حسگرها: داده ها توسط حسگرها جمع آوری می شوند.
2. اتصالات: این داده ها توسط اتصالات مختلف به پایگاه داده منتقل می شوند.
3. ابر: این بخش همان پایگاه داده است که اطلاعات در آن پردازش می شود.
4. تحلیل داده: داده ها به طور کامل تحلیل می شوند. دانش و اطلاعاتی که از تحلیل داده به دست می آید، آماده می شود.
5. رابط کاربری: اطلاعات آماده شده توسط رابط کاربری در اختیار مصرف کننده قرار می گیرد. مصرف کننده نیز اقداماتی را انجام می دهد که اطلاعات به صورت معکوس به دستگاه برمی گردد.
6. محرک ها: اقدامات هوشمند توسط محرک ها انجام می شود. این محرک ها اقدامات لازم را بدون نیاز به کاربر انجام می دهند.

چند نمونه از اینترنت اشیا

هر جسمی که بتوان آن را به اینترنت متصل کرد و آن جسم نیز بتواند بدون دخالت انسان، اطلاعاتی را در شبکه به اشتراک بگذارد، جزئی از این اینترنت محسوب می شود. در این مثال، یک گوشی هوشمند و یا رایانه جزئی از این نوع اینترنت محسوب نمی شوند زیرا در حالت عادی امکان اتصال آن ها به اینترنت وجود دارد.

هوشمندسازی منازل

یک لامپ ال ای دی را تصور کنید که به وسیله یک گوشی موبایل هوشمند روشن و خاموش می شود و یا رنگ آن تغییر می کند. این لامپ یک دستگاه اینترنت اشیا محسوب می شود.

تصور کنید سیستم روشنایی خانه، پس از ورودتان فعال شود و لامپ های اتاق خواب با فرا رسیدن شب، کم نور شوند. همه این ها جزئی از این نوع اینترنت به شمار می آیند.

به کمک IoT در خانه می توانید دوربین مدار بسته خود را نیز کنترل کنید. کاربران گرامی می توانید برای خرید انواع دوربین مداربسته همین حالا اقدام نمایید.

بیشتر بخوانید: خانه هوشمند چیست؟ چگونه خانه هوشمند بسازیم؟

کنترل محیط کار از دور

حسگرهای حرکتی که در دفترهای کار به اینترنت متصل می شوند، یک نوع IoT محسوب می شوند.

نظم شهری و نورپردازی شهر

چراغ خیابانی و روشنایی معابر و بزرگراه ها که از طریق کامپیوترهای از راه دور کنترل می شوند نیز، می توان جزئی از IoT دانست.

موتور جت

یک دستگاه از مجموعه این نوع اینترنت می تواند به سادگی یک وسیله بازی و یا به پیچیدگی یک موتور جت باشد. موتورهای جت نوعی IoT هستند که از مؤلفه های کوچک تر اینترنت اشیا تشکیل شده اند. موتور جت به میلیون ها حسگر مجهز شده است که داده ها را جمع آوری و پردازش می کند.

خودروی بی سرنشین

خودروهای هوشمند و مجهز به این نوع اینترنت نیز وجود دارند که می توانند به امنیت سرنشینان کمک شایانی کنند. این خودروها اطلاعات زیادی را در اختیار رانندگان قرار می دهند و سنسورهای تعبیه شده در آنها، راننده را از موانع فیزیکی سر راه، شرایط جوی و … آگاه می سازد و در صورت بروز مشکل، به طور اتوماتیک با خودروهای امدادرسان و یا اورژانس تماس می گیرد.

هوشمندسازی کشاورزی

IoT در کشاورزی می تواند مربوط به بررسی سنسورهای دما، رطوبت، جمع آوری داده ها، بررسی های مربوط به تولید، مدیریت دورریزها و … باشد.

فناوری اینترنت در پزشکی

IoT در پزشکی یکی از مهم ترین نمونه های این مفهوم به شمار می آید. این فناوری در صنعت پزشکی سبب بهبود مانیتورینگ، گزارش گیری، افزایش دقت در تشخیص، صرفه جویی در هزینه ها، طبقه بندی، آنالیز داده ها و … می شود.

شهر هوشمند

در ابعاد بزرگ تر می توان به پروژه های شهر هوشمند اشاره کرد که در آن مجموعه ای از حسگرها به کنترل محیط توسط انسان کمک می کنند.

مفهومی به نام اینترنت اشیا صنعتی وجود دارد که به آن IIoT نیز گفته می شود. این مفهوم به این نوع اینترنت در زمینه کسب و کار اشاره می کند. این مفهوم نیز همانند مفهوم عادی IoT است. با این تفاوت که در آن از هوش مصنوعی، اندازه گیری داده ها، تحلیل اطلاعات، بهینه سازی و … نیز استفاده می شود. اینترنت اشیا صنعتی می تواند بسیار بزرگ تر و گسترده تر باشد.

استفاده از IoT صنعتی سبب افزایش درآمد، کاهش هزینه ها، صرفه جویی در زمان و افزایش کارایی نیروی کار می شود.

چرا امنیت اینترنت اشیا مهم است؟

در مبحث این نوع اینترنت، حفاظت داده ها و امنیت آن ها مسئله مهمی است. سیستم های IoT می بایست در مقابل تهدیدها و بدافزارها از خود مقاومت نشان دهند. در غیر این صورت، کلیه سیستم با اتصال به یک بدافزار و یا دستگاه غیرمجاز، از کار می افتد.

بالا بردن امنیت اینترنت اشیا سبب حفاظت از حریم شخصی نیز می شود. زیرا در این صورت، محرمانگی داده ها حفظ می شود و کنترل اشیا نیز تنها برعهده شما خواهد بود.

برای تأمین امنیت اینترنت باید چند مورد را مورد توجه قرار داد:

1. رعایت استانداردها و پروتکل های ساخت
2. به روزرسانی و مدیریت صحیح
3. مقاومت فیزیکی
4. آگاه بودن کاربر و دانش اپراتور

اهمیت اینترنت اشیا چیست؟

زمانی که تمامی اشیا به وسیله اینترنت به یکدیگر متصل می شوند، می توانند اطلاعات مختلف را با هم به اشتراک بگذارند و به طور همزمان، کارهایی را انجام دهند.

اگر اشیا توانایی دریافت و ارسال اطلاعات را داشته باشند، کارایی آنها افزایش می یابد و هوشمندتر می شوند. هوشمندسازی اشیا یک ویژگی بسیار خوب به شمار می آید که بشر همواره در پی آن بوده است. به طور کلی اشیا به سه دسته مختلف تقسیم می شوند:

1. اشیایی که تنها اطلاعات را جمع آوری می کنند و برای ارسال آماده می کنند.
2. اشیایی که اطلاعات ارسالی را دریافت و به آن ها عمل می کنند.
3. اشیایی که هر دو کار بالا را همزمان با هم انجام می دهند.

خطرات استفاده از اینترنت اشیا

IoT مزایای بسیار زیادی دارد و استفاده از آن سطح کیفیت زندگی افراد را بهبود می بخشد. با این حال استفاده از آن معایبی نیز برای مصرف کنندگان و شرکت ها به دنبال دارد.

در شبکه هایی که IoT برقرار شده است، اطلاعات زیادی منتقل و جمع آوری می شود. این اطلاعات ممکن است مورد سوء استفاده قرار بگیرد. به عنوان مثال، هنگامی که در سازمان ها از دوربین مداربسته استفاده می شود، اطلاعات ضبط شده در آن از طریق سیگنال های رادیویی به تلفن یا کامپیوتر صاحبان منتقل می شود.

این اطلاعات رمزگذاری شده نیست و ممکن است توسط افرادی غیر از مالک اصلی مورد استفاده قرار بگیرد. برای کاهش خطرات اینترنت اشیا باید اقداماتی صورت بگیرد تا سطح امنیت اطلاعات افزایش پیدا کند. به عنوان مثال، تمامی اطلاعات انتقالی باید کدگذاری شده باشند.

کاربرد اینترنت اشیا

یکی از شرکت های فعال در زمینه IoT اظهار داشته است که در پایان امسال بیش از ۸ میلیارد دستگاه در شبکه اینترنت اشیا قرار می گیرند. اینترنت چیزها شامل تعداد زیادی دستگاه می شود که به اینترنت وصل می شوند. IoT به کمک جمع آوری و سامان دهی اطلاعات، جاسازی سی پی یو و منابع انرژی می تواند همه چیز را به شبکه متصل کند.

• IoT در ساختمان ها، کارخانه ها و … کاربرد ویژه ای دارد. این سیستم وظیفه جمع آوری اطلاعات، تنظیم اکوسیستم های سازمانی و … را برعهده دارد. از IoT در زمینه های رصد محیط زیست و برنامه ریزی های شهری نیز استفاده می شود. از سوی دیگر سیستم های هوشمند می تواند بسیاری از عادت های مصرف کنندگان را تغییر دهد.
• IoT در زمینه سنجش بیماری در علم پزشکی می تواند با آنالیز ابری اطلاعات، به کاربران اجازه مطالعه DNA و دیگر مولکول ها را بدهد.
• سامانه ترابری هوشمند هدف بعدی شرکت های فعال در زمینه اینترنت اشیا است. زیرا هوشمندسازی این بخش کمک بسیار زیادی به بشریت خواهد کرد.
• کاربرد دیگر IoT، افزایش ویژگی های امنیتی خانه و اتوماسیون خانگی است.
• در رسانه نیز IoT می تواند یک فرصت مناسب برای جمع آور اطلاعات و تجزیه و تحلیل داده ها باشد.
• نظارت و کنترل عملیات زیرساخت های شهری می تواند به راحتی توسط IoT صورت بگیرد. به عنوان مثال، کنترل فرایند ساخت پل ها، نیروگاه ها، خطوط راه آهن و … کاربردهای کلیدی IoT هستند.
• مدیریت انرژی و سیستم های یکپارچه سازی حسگرها و محرک ها به شبکه های اینترنت متصل هستند. استفاده از IoT در بهینه سازی مصرف انرژی بسیار مؤثر است.

مسائل حقوقی IoT

در برقراری IoT یک سری سیاست ها باید رعایت شود. IoT نباید حریم خصوصی و حقوق بشری را نقض کند یا مانع آزادی های فردی و اجتماعی شود. افراد باید کنترل داده های شخصی خود که توسط IoT صورت می گیرد را، در اختیار داشته باشند.

میزان اطلاعات زیاد است و ارتباطات به صورت خودکار صورت می گیرد. به همین دلیل بهتر است اپراتور بر آن ها نظارت داشته باشد. برخی از مسائل باید پیش از برقراری سیستم های اینترنت اشیا مورد بحث قرار بگیرد. به عنوان مثال، پاسخ به این پرسش که مالک اطلاعات چه کسی است یا مسئولیت اینترنت اشیا را چه کسی برعهده می گیرد، بسیار مهم است.

تاریخچه IOT

ایده اضافه کردن حسگرهای مختلف و ایجاد یک هوش مصنوعی برای اشیا، در سال های ۱۹۸۰ الی ۱۹۹۰ مطرح شد. این تکنولوژی پیشرفت کندی داشت. اولین فاز اجرایی این پروژه در شرکت کوکاکولا و مربوط به یک ماشین فروش بود.

دلیل کند پیش رفتن این تکنولوژی، آماده نبودن زیر ساخت های آن بود. تراشه هایی که برای این کار عرضه می شد، بسیار بزرگ و حجیم بود. به همین دلیل تمامی اشیا نمی توانستد با یکدیگر در تعامل باشند.

IoT به تراشه هایی ارزان قیمت نیاز دارد که در مصرف انرژی صرفه جویی کنند و هم چنین امکان اتصال آن ها به میلیون ها دستگاه وجود داشته باشد. به همین دلیل از تراشه های RFID استفاده شد. امروزه حسگرهایی که به اشیا اضافه می شوند، ارزان هستند و هزینه کمی دارند.

اولین استفاده از IOT

کوین اشتون در سال ۱۹۹۹ برای اولین بار از عبارت اینترنت اشیا در جهان استفاده کرد.

از IOT در ابتدا تنها در کارخانه ها و مراکز صنعتی استفاده می شد. در این زمان یکی از زیر مجموعه های IoT یعنی ماشین به ماشین پدید آمد.

این اینترنت فناوری گسترده ای است و گسترده تر نیز خواهد شد. در حال حاضر کل دستگاه هایی که در IoT وجود دارند، از تعداد کل انسان ها بیشتر است.

چه شرکت هایی در زمینه اینترنت اشیا فعال هستند؟

درحال حاضر بسیاری از شرکت ها در حوزه IOT فعالیت می کنند. صنایع بزرگ و کوچک زیادی همچون مراکز بهداشتی و درمانی، مراکز آموزشی و پژوهشی، خطوط تولید و … از این تکنولوژی استفاده می کنند. شرکت های زیر به صورت تخصصی در زمینه IoT فعالیت می کنند:

1. هواوی
2. پی تی سی
3. سیسکو
4. ساینس سافت
5. آی بی ام
6. اگزاجایل
7. بوش آی او تی سنسور
8. جی ای دیجیتال
9. اس آپ
10. زیمنس آی او تی آنالیتیکس

سوالات متداول

• کاربرد اینترنت اشیا چیست؟

مصرف کنندگان در حوزه این اینترنت به سه گروه تقسیم بندی می شوند:

1. کسب و کارها که به کمک IOT بهبود می یابند.
2. دولت هایی که هزینه آن ها کاهش پیدا می کند و کیفیت زندگی شهروندانشان افزایش می یابد.
3. شهروندانی که از این تکنولوژی استفاده می کنند و انجام بسیاری از امور برای آن ها ساده تر می شود.

• مزایای استفاده از IOT چیست؟

استفاده از IoT سبب افزایش دقت، کاهش نیاز به منابع انسانی، افزایش کارایی، بهینه شدن منابع، صرفه جویی در زمان و … می شود.

• معایب استفاده از اینترنت اشیا چیست؟

این تکنولوژی ممکن است مورد حمله هکرها قرار بگیرد زیرا در بستر شبکه قرار گرفته است. در نتیجه احتمال دارد حریم خصوصی و شخصی شکسته شود. طراحی و اجرای اینترنت اشیا پیچیدگی هایی دارد. هم چنین بسیاری از مشاغل با کاهش منابع انسانی از بین می روند.

• در اینترنت اشیا چه چیزهایی هوشمند می شوند؟

بستر اینترنت می تواند برای طیف وسیعی از اشیا فراهم شود. از لوازم خانگی مانند اجاق گاز، قهوه ساز، یخچال، لباسشویی و … گرفته تا تجهیزات در صنعت کشاورزی هم چون سنسورهای نور، سنسورهای دما، رطوبت و … هوشمند می شوند. گزارش گیری و مانیتورینگ در صنعت پزشکی و درمانی نیز تحت تأثیر این اینترنت قرار می گیرند.

• چگونه از اینترنت اشیا استفاده کنیم؟

IoT در ایران هنوز به پیشرفت کشورهایی همچون آمریکا، چین، آلمان، برزیل، کره جنوبی، هند و سنگاپور نرسیده است. این مفهوم در ایران اغلب در زمینه ساختمان سازی مورد استفاده قرار می گیرد. IoT برای لوازم خانگی مانند تلویزیون، یخچال و … نیز در ایران جا افتاده است.

به طور کلی این مفهوم در ایران هنوز قیمت بالایی دارد. هوشمندسازی تهران و دیگر شهرهای ایران در دستور کار دولت قرار دارد. به زودی شرکت های فعال در این زمینه راهکارهایی جهت توسعه و گسترش IoT در ایران پیشنهاد می دهند. پیش از آن باید از مفاهیم ابتدایی این تکنولوژی استفاده کرد.

مغر انسان، به اذعان بسیاری از دانشمندان، پیچیده‌ترین سیستمی است که تا کنون در کل گیتی مشاهده شده و مورد مطالعه قرار گرفته است. اما این سیستم پیچیده نه ابعادی در حد کهشکشان دارد و نه تعداد اجزای سازنده‌اش، بیشتر از پردازنده‌های ابررایانه‌های امروزی است. پیچیدگی راز آلود این سیستم بی نظیر، به اتصال‌های فراوان موجود میان اجزای آن بازمی‌گردد. این همان چیزی است که مغز 1400 گرمی انسان را از همه سیستم‌های دیگر متمایز می کند.

فرایندهای خودآگاه و ناخودآگاهی که در حدود جغرافیایی بدن انسان رخ می‌دهند، همگی تحت مدیریت مغز هستند. برخی از این فرایندها آن‌قدر پیچیده هستند، که هیچ رایانه یا ابررایانه‌ای در جهان امکان پردازش و انجام آن را ندارد. با این حال، تحقیقات نشان می‌دهند که واحدهای سازنده مغز انسان، از نظر سرعت عملکرد، حدود یک میلیون بار کندتر از ترانزیستورهای مورد استفاده در تراشه‌های سیلیکونی CPU رایانه هستند.

سرعت و قدرت پردازش بسیار بالای مغز انسان، به ارتباط‌های بسیار انبوهی باز می‌گردد که در میان سلول‌های سازنده مغز وجود دارد و اساساً، بدون وجود این لینک‌های ارتباطی، مغز انسان هم به یک سیستم معمولی کاهش می‌یافت و قطعاً امکانات فعلی را نداشت.

گذشته از همه این‌ها، عملکرد عالی مغز در حل انواع مسائل و کارایی بالای آن، باعث شده است تا شبیه سازی مغز و قابلیت‌های آن به مهم‌ترین آرمان معماران سخت‌افزار و نرم‌افزار تبدیل شود. در واقع اگر روزی فرا برسد (که البته ظاهرا خیلی هم دور نیست) که بتوانیم رایانه‌ای در حد و اندازه‌های مغز انسان بسازیم، قطعاً یک انقلاب بزرگ در علم، صنعت و البته زندگی انسان‌ها، رخ خواهد داد.

از چند دهه گذشته که رایانه‌ها امکان پیاده‌سازی الگوریتم‌های محاسباتی را فراهم ساخته‌اند، در راستای شبیه‌سازی رفتار محاسباتی مغز انسان، کارهای پژوهشی بسیاری از سوی متخصصین علوم رایانه، مهندسین و همچنین ریاضی‌دان‌ها شروع شده است، که نتایج کار آن‌ها، در شاخه‌ای از علم هوش مصنوعی و در زیر‌شاخه هوش محاسباتی تحت عنوان موضوع «شبکه‌های عصبی مصنوعی» یا Artificial Neural Networks (به اختصار: ANNs) طبقه‌بندی شده است. در مبحث شبکه‌های عصبی مصنوعی، مدل‌های ریاضی و نرم‌افزاری متعددی با الهام گرفتن از مغز انسان پیشنهاد شده‌اند، که برای حل گستره وسیعی از مسائل علمی، مهندسی و کاربردی، در حوزه های مختلف کاربرد دارند.

کاربردهای شبکه‌های عصبی مصنوعی

امروز به قدری استفاده از سیستم‌های هوشمند و به ویژه شبکه عصبی مصنوعی گسترده شده است که می‌توان این ابزارها را در ردیف عملیات پایه ریاضی و به عنوان ابزارهای عمومی و مشترک، طبقه‌بندی کرد. چرا که کمتر رشته دانشگاهی است که نیازی به تحلیل، تصمیم‌گیری، تخمین، پیش‌بینی، طراحی و ساخت داشته باشد و در آن از موضوع شبکه‌های عصبی استفاده نشده باشد. فهرستی که در ادامه آمده است، یک فهرست نه چندان کامل است. اما همین فهرست مختصر نیز گستردگی کاربردهای شبکه‌های عصبی مصنوعی را تا حدود زیادی به تصویر می‌کشد.

انواع شبکه‌های عصبی مصنوعی

انواع مختلفی از مدل‌های محاسباتی تحت عنوان کلی شبکه‌های عصبی مصنوعی معرفی شده‌اند که هر یک برای دسته‌ای از کاربردها قابل استفاده هستند و در هر کدام از وجه مشخصی از قابلیت‌ها و خصوصیات مغز انسان الهام گرفته شده است.

در همه این مدل‌ها، یک ساختار ریاضی در نظر گرفته شده است که البته به صورت گرافیکی هم قابل نمایش دادن است و یک سری پارامترها و پیچ‌های تنظیم دارد. این ساختار کلی، توسط یک الگوریتم یادگیری یا تربیت (Training Algorithm) آن قدر تنظیم و بهینه می‌شود، که بتواند رفتار مناسبی را از خود نشان دهد.https://beta.kaprila.com/a/templates_ver2/templates.php?ref=blog.faradars&id=string-1&w=760&h=140&t=string&bg=fffff3&hover=ffffcb&rows=3&cid=200,42,33&wr=score_2,cat_2_neural_network,cat_low_neural_network

نگاهی به فرایند یادگیری در مغز انسان نیز نشان می‌دهد که در واقع ما نیز در مغزمان فرایندی مشابه را تجربه می‌کنیم و همه مهارت‌ها، دانسته‌ها و خاطرات ما، در اثر تضعیف یا تقویت ارتباط میان سلول‌های عصبی مغز شکل می‌گیرند. این تقویت و تضعیف در زبان ریاضی، خود را به صورت تنظیم یک پارامتر (موسوم به وزن یا Weight) مدل‌سازی و توصیف می‌کند.

اما طرز نگاه مدل‌های مختلف شبکه‌های عصبی مصنوعی کاملا متفاوت است و هر یک، تنها بخشی از قابلیت‌های یادگیری و تطبیق مغز انسان را هدف قرار داده و تقلید کرده‌اند. در ادامه به مرور انواع مختلف شبکه‌های عصبی پرداخته‌ایم که مطالعه آن در ایجاد یک آشنایی اولیه بسیار موثر خواهد بود.

پرسپترون چند‌لایه یا MLP

یکی از پایه‌ای‌ترین مدل‌های عصبی موجود، مدل پرسپترون چند لایه یا Multi-Layer Perceptron (به اختصار MLP) است که عملکرد انتقالی مغز انسان را شبیه‌سازی می‌کند. در این نوع شبکه عصبی، بیشتر رفتار شبکه‌ای مغز انسان و انتشار سیگنال در آن مد نظر بوده است و از این رو، گهگاه با نام شبکه‌های پیش‌خورد (Feedforward Networks) نیز خوانده می‌شوند. هر یک از سلول‌های عصبی مغز انسان، موسوم به نورون (Neuron)، پس از دریافت ورودی (از یک سلول عصبی یا غیر عصبی دیگر)، پردازشی روی آن انجام می‌دهند و نتیجه را به یک سلول دیگر (عصبی یا غیر عصبی) انتقال می‌دهند. این رفتار تا حصول نتیجه‌ای مشخص ادامه دارد، که احتمالاً در نهایت منجر به یک تصمیم، پردازش، تفکر و یا حرکت خواهد شد.

• مطلب پیشنهادی برای مطالعه: پرسپترون چند لایه در پایتون — راهنمای کاربردی

شبکه‌های عصبی شعاعی یا RBF

مشابه الگوی شبکه‌های عصبی MLP، نوع دیگری از شبکه‌های عصبی وجود دارند که در آن‌ها، واحدهای پردازنده، از نظر پردازشی بر موقعیت خاصی متمرکز هستند. این تمرکز، از طریق توابع شعاعی یا Radial Basis Functions (به اختصار RBF) مدل‌سازی می‌شود. از نظر ساختار کلی، شبکه‌های عصبی RBF تفاوت چندانی با شبکه‌های MLP ندارند و صرفا نوع پردازشی که نورون‌ها روی ورودهای‌شان انجام می‌دهند، متفاوت است. با این حال، شبکه‌های RBF غالبا دارای فرایند یادگیری و آماده‌سازی سریع‌تری هستند. در واقع، به دلیل تمرکز نورون‌ها بر محدوده عملکردی خاص، کار تنظیم آن‌ها، راحت‌تر خواهد بود.

• مطلب پیشنهادی برای مطالعه: شبکه عصبی در متلب — از صفر تا صد

ماشین‌های بردار پشتیبان یا SVM

در شبکه‌های عصبی MLP و RBF، غالبا توجه بر بهبود ساختار شبکه عصبی است، به نحوی که خطای تخمین و میزان اشتباه‌های شبکه عصبی کمینه شود. اما در نوع خاصی از شبکه عصبی، موسوم به ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM)، صرفا بر روی کاهش ریسک عملیاتی مربوط به عدم عملکرد صحیح، تمرکز می‌شود. ساختار یک شبکه SVM، اشتراکات زیادی با شبکه عصبی MLP دارد و تفاوت اصلی آن عملاً در شیوه یادگیری است.

• مطالب پیشنهادی برای مطالعه:
  • ماشین بردار پشتیبان (Support Vector Machine) — به زبان ساده
  • ماشین بردار پشتیبان — به همراه کدنویسی پایتون و R

نگاشت‌های خود‌سازمان‌ده یا SOM

شبکه عصبی کوهونن (Kohonen) یا نگاشت خود‌سازمان‌ده و یا Self-Organizing Map (به اختصار SOM) نوع خاصی از شبکه عصبی است که از نظر شیوه عملکرد، ساختار و کاربرد، کاملاً با انواع شبکه عصبی که پیش از این مورد بررسی قرار گرفتند، متفاوت است. ایده اصلی نگاشت خود‌سازمان‌ده، از تقسیم عملکردی ناحیه قشری مغز، الهام گرفته شده است و کاربرد اصلی آن در حل مسائلی است که به مسائل «یادگیری غیر نظارت شده» معروف هستند. در واقع کارکرد اصلی یک SOM، در پیدا کردن شباهت‌ها و دسته‌های مشابه در میان انبوهی از داده‌هایی است که در اختیار آن قرار گرفته است. این وضعیت مشابه کاری است که قشر مغز انسان انجام می‌دهد و انبوهی از ورودی‌های حسی و حرکتی به مغز را در گروه‌های مشابهی طبقه‌بندی (یا بهتر است بگوییم خوشه‌بندی) کرده است.

• مطالب پیشنهادی برای مطالعه: انواع سلول ها و لایه ها در شبکه های عصبی — راهنمای جامع

یادگیرنده رقمی‌ساز بردار یا LVQ

این نوع خاص شبکه عصبی، تعمیم ایده شبکه‌های عصبی SOM برای حل مسائل یادگیری نظارت شده است. از طرفی شبکه عصبی LVQ (یا Learning Vector Quantization)، می‌تواند به این صورت تعبیر شود که گویا شبکه عصبی MLP با یک رویکرد متفاوت، کاری را که باید انجام بدهد یاد می‌گیرد. اصلی‌ترین کاربرد این نوع شبکه عصبی در حل مسائل طبقه‌بندی است که گستره وسیعی از کاربردهای سیستم‌های هوشمند را پوشش می‌دهد.

شبکه عصبی هاپفیلد یا Hopfield

این نوع شبکه عصبی، بیشتر دارای ماهیتی شبیه به یک سیستم دینامیکی است که دو یا چند نقطه تعادل پایدار دارد. این سیستم با شروع از هر شرایط اولیه، نهایتا به یکی از نقاط تعادلش همگرا می‌شود. همگرایی به هر نقطه تعادل، به عنوان تشخیصی است که شبکه عصبی آن را ایجاد کرده است و در واقع می‌تواند به عنوان یک رویکرد برای حل مسائل طبقه‌بندی استفاده شود. این سیستم، یکی از قدیمی‌ترین انواع شبکه‌های عصبی است که دارای ساختار بازگشتی است و در ساختار آن فیدبک‌های داخلی وجود دارند.

خانواده «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks) هر روز شاهد حضور اعضای جدیدی است. با توجه به تعدد انواع شبکه های عصبی موجود، در این مطلب، یک راهنمای جامع از انواع شبکه های عصبی مصنوعی ارائه شده است. در این راهنما، توپولوژی انواع شبکه های عصبی مصنوعی روش عملکرد و کاربرد شبکه‌های عصبی مصنوعی مورد بررسی قرار گرفته است. برای آشنایی با مفهوم شبکه‌های عصبی مصنوعی و پیاده‌سازی آن در زبان‌های برنامه‌نویسی گوناگون، مطالعه مطالب زیر پیشنهاد می‌شود.

 فهرست مطالب این نوشته

 انواع شبکه‌های عصبی مصنوعی

• شبکه‌های عصبی مصنوعی – از صفر تا صد
• ساخت شبکه عصبی — راهنمای مقدماتی
• شبکه عصبی در متلب — از صفر تا صد
• ساخت شبکه عصبی (Neural Network) در پایتون — به زبان ساده
• شبکه عصبی مصنوعی و پیاده‌سازی در پایتون — راهنمای کاربردی
• کدنویسی شبکه‌های عصبی مصنوعی چند لایه در پایتون — راهنمای کامل
• شبکه‌های عصبی در پایتون و R – درک و کد نویسی از صفر تا صد
• ساخت شبکه های عصبی در نرم افزار R

انواع شبکه‌های عصبی مصنوعی

در ادامه، ۲۷ مورد از انواع شبکه های عصبی مصنوعی، معرفی شده است. در تصویر زیر، راهنمای جامع انواع شبکه‌های عصبی ارائه شده است. برای مشاهده این راهنمای جامع در ابعاد بزرگ، کلیک کنید.

برای مشاهده تصویر بالا، در ابعاد بزرگ، کلیک کنید.

شبکه عصبی پرسپترون

«پرسپترون» (Perceptron | P)، ساده‌ترین و قدیمی‌ترین مدل از نورون محسوب می‌شود که تاکنون توسط بشر شناخته شده است. پرسپترون، تعدادی ورودی را دریافت، آن‌ها را تجمیع و تابع فعال‌سازی را روی آن‌ها اعمال می‌کند و در نهایت، آن‌ها را به لایه خروجی پاس می‌دهد. در این قسمت، معجزه اصلی شبکه‌های عصبی مصنوعی به وقوع نمی‌پیوندد. برای مطالعه بیش‌تر پیرامون پرسپترون چند لایه، مطالعه مطلب «پرسپترون چند لایه در پایتون — راهنمای کاربردی» پیشنهاد می‌شود.

شبکه عصبی پیش‌خور

«شبکه‌های عصبی پیش‌خور» (Feed Forward Neural Networks | FF) نیز از اعضای قدیمی خانواده شبکه‌های عصبی محسوب می‌شوند و رویکرد مربوط به آن‌ها از دهه ۵۰ میلادی نشأت می‌گیرد. عملکرد این الگوریتم، به طور کلی از قواعد زیر پیروی می‌کند:

• همه گره‌ها کاملا متصل هستند.
• فعال‌سازی از لایه ورودی به خروجی، بدون داشتن حلقه رو به عقب، جریان پیدا می‌کند.
• یک لایه (لایه پنهان) بین ورودی و خروجی وجود دارد.

در اغلب مواقع، این نوع از شبکه‌های عصبی با استفاده از روش «پس‌انتشار» (Backpropagation) آموزش داده می‌شوند.

شبکه عصبی شعاعی پایه

«شبکه‌های عصبی شعاعی پایه» (Radial Basis Networks | RBF) در واقع شبکه‌های عصبی پیش‌خوری (FF) هستند که از «تابع شعاعی پایه» (Radial Basis Function)، به جای «تابع لجستیک» (Logistic Function)، به عنوان تابع فعال‌سازی استفاده می‌کنند. سوالی که در این وهله مطرح می‌شود این است که تفاوت شبکه عصبی شعاعی پایه با شبکه عصبی پیش‌خور چیست؟ تابع لجستیک برخی از مقادیر دلخواه را به یک بازه ۰ تا ۱ نگاشت می‌کند تا به یک پرسش «بله یا خیر» (پرسش دودویی) پاسخ دهد. این نوع از شبکه‌های عصبی برای «دسته‌بندی» (Classification) و «سیستم‌های تصمیم‌گیری» (Decision Making Systems) مناسب هستند، ولی برای مقادیر پیوسته عملکرد بدی دارند.

این در حالی است که توابع شعاعی پایه به این پرسش پاسخ می‌دهند که «چقدر از هدف دوریم؟» و این امر موجب می‌شود تا این شبکه‌های عصبی برای تخمین تابع و کنترل ماشین (برای مثال، به عنوان جایگزینی برای کنترل کننده PID) مناسب محسوب شوند. به طور خلاصه باید گفت که شبکه‌های عصبی شعاعی پایه در واقع نوعی از شبکه‌های عصبی پیش‌خور با تابع فعال‌سازی و ویژگی‌های متفاوت هستند.

شبکه عصبی پیش‌خور عمیق

«شبکه عصبی پیش‌خور عمیق» (Deep Feed Forward Neural Networks | DFF)، در اوایل دهه ۹۰ میلادی، مقدمه‌ای بر بحث شبکه‌های عصبی شد. این نوع از شبکه‌های عصبی نیز شبکه‌های عصبی پیش‌خور هستند، ولی بیش از یک «لایه پنهان» (Hidden Layer) دارند. سوالی که در این وهله پیش می‌آید آن است که تفاوت این نوع از شبکه‌های عصبی با شبکه‌های عصبی پیش‌خور سنتی در چیست؟

در هنگام آموزش دادن یک شبکه عصبی پیش‌خور، تنها بخش کوچکی از خطا به لایه پیشین پاس داده می‌شود. به همین دلیل، استفاده از لایه‌های بیشتر، منجر به رشد نمایی زمان آموزش می‌شود و همین موضوع، موجب می‌شود که شبکه‌های عصبی پیش‌خور عمیق، عملا بدون کاربرد و غیر عملی باشند. در اوایل سال دو هزار میلادی، رویکردهایی توسعه پیدا کردند که امکان آموزش دادن یک شبکه عصبی پیش‌خور عمیق (DFF) را به صورت موثر فراهم می‌کردند. امروزه، این شبکه‌های عصبی، هسته سیستم‌های یادگیری ماشین مدرن را تشکیل می‌دهند و هدفی مشابه با هدف شبکه‌های عصبی پیش‌خور (FF) را پوشش می‌دهند؛ اما نتایج بهتری را دربردارند.

شبکه‌های عصبی بازگشتی

«شبکه‌های عصبی بازگشتی» (Recurrent Neural Networks | RNN) نوع متفاوتی از سلول‌ها با عنوان «سلول‌های بازگشتی» (Recurrent Cells) را معرفی می‌کنند. اولین شبکه از این نوع، «شبکه جردن» (Jordan Network) است؛ در این نوع از شبکه، هر یک از سلول‌های پنهان، خروجی خود را با تاخیر ثابت – یک یا تعداد بیشتری تکرار- دریافت می‌کنند. صرف نظر از این موضوع، شبکه جردن مشابه با شبکه‌های عصبی پیش‌خور متداول بود.https://beta.kaprila.com/a/templates_ver2/templates.php?ref=blog.faradars&id=string-1&w=760&h=140&t=string&bg=fffff3&hover=ffffcb&rows=3&cid=2021,33,1651&wr=score,score,score_3

البته، تغییرات گوناگونی مانند پاس دادن حالت به «گره‌های ورودی» (Input Nodes)، تأخیر متغیرها و دیگر موارد در این نوع از شبکه‌ها اتفاق افتاده، اما ایده اصلی به همان صورت باقی مانده است. این نوع از شبکه‌های عصبی (NN) اساسا هنگامی استفاده می‌شوند که «زمینه» (Context) مهم است و در واقع یعنی هنگامی که تصمیم‌گیری‌ها از تکرارهای قبلی یا نمونه‌ها، می‌تواند نمونه‌های کنونی را تحت تاثیر قرار دهد. به عنوان مثالی متداول از این نوع از زمینه‌ها، می‌توان به «متن» (Text) اشاره کرد. در متن، یک کلمه را می‌توان تنها در زمینه کلمه یا جمله پیشین تحلیل کرد.

حافظه کوتاه مدت بلند

«حافظه کوتاه مدت بلند» (Long/Short Term Memory | LSTM) نوع جدیدی از «سلول حافظه» (Memory Cell) را معرفی می‌کند. این سلول می‌تواند داده‌ها را هنگامی که دارای شکاف زمانی (یا تاخیر زمانی) هستند، پردازش کند. شبکه عصبی پیش‌خور می‌تواند متن را با «به خاطر سپردن» ده کلمه پیشین پردازش کند. این در حالی است که LSTM می‌تواند قاب‌های ویدئو را با «به خاطر سپردن» چیزی که در قاب‌های بسیار پیشین اتفاق افتاده است پردازش کند. شبکه‌های LSTM به طور گسترده‌ای برای «بازشناسی گفتار» (Speech Recognition) و «بازشناسی نوشتار» (Writing Recognition) مورد استفاده قرار می‌گیرند. سلول‌های حافظه اساسا ترکیبی از یک جفت عنصر که به آن‌ها گیت گفته می‌شود هستند. این عنصرها، بازگشتی هستند و چگونگی به یاد آوردن و فراموش کردن اطلاعات را کنترل می‌کنند. ساختار این نوع از شبکه‌ها، در تصویر زیر به خوبی مشخص است. این نکته که هیچ تابع فعال‌سازی بین بلوک‌ها وجود ندارد نیز شایان توجه است.

X‌های موجود در نمودار، گیت‌ها هستند و وزن و گاهی تابع فعال‌سازی خود را دارند. برای هر نمونه، Xها تصمیم می‌گیرند داده‌ها را به جلو پاس دهند یا خیر، حافظه را پاک کنند یا نه و به همین ترتیب. گیت ورودی، تصمیم می‌گیرد که چه میزان اطلاعات از آخرین نمونه در حافظه نگه‌داری می‌شود. گیت خروجی میزان داده‌های پاس داده شده به لایه بعدی را تنظیم می‌کند و گیت فراموشی، نرخ خارج شدن از موارد ذخیره شده در حافظه را کنترل می‌کند. آنچه بیان شد، یک شکل بسیار ساده از سلول‌های LSTM است و معماری‌های متعدد دیگری نیز برای این نوع از شبکه‌های عصبی، موجود است.

شبکه عصبی واحد بازگشتی گِیتی

«واحد بازگشتی گیتی» (Gated Recurrent Unit | GRU) نوعی از LSTM با گیت‌ها و دوره زمانی متفاوت است. این نوع از شبکه عصبی ساده به نظر می‌آید. در حقیقت، فقدان گیت خروجی، تکرار چندین باره یک خروجی مشابه را برای ورودی‌ها ساده‌تر می‌سازد. این نوع از شبکه‌های عصبی بازگشتی در حال حاضر بیشتر در «موتور متن به گفتار» (Speech Synthesis) و «ترکیب صدا» (Music Synthesis) به کار می‌رود. البته، ترکیب واقعی LSTM با GRU اندکی متفاوت است. زیرا، همه گیت‌های LSTM در یک گیت که به آن گیت به روز رسانی گفته می‌شود ترکیب شده‌اند و گیت «بازشناسی» (Reset) از نزدیک به ورودی گره خورده است. GRU‌ها نسبت به LSTM‌ها کمتر از منابع استفاده می‌کنند و اثر مشابهی را دارند.

شبکه عصبی خود رمزگذار

شبکه‌های عصبی «خود رمزگذار» (Auto Encoder | AE) برای دسته‌بندی، «خوشه‌بندی» (Clustering) و «فشرده‌سازی ویژگی‌ها» (Feature Compression) استفاده می‌شوند. هنگامی که یک شبکه عصبی پیش‌خور برای دسته‌بندی آموزش داده می‌شود، باید نمونه‌های X در Y دسته به عنوان خوراک داده شوند و انتظار می‌رود یکی از سلول‌های Y فعال‌سازی شده باشد. به این مورد، «یادگیری نظارت شده» (Supervised Learning) گفته می‌شود. از سوی دیگر، شبکه‌های عصبی خود رمزگذار را می‌توان بدون نظارت، آموزش داد. با توجه به ساختار این شبکه‌ها (که در آن تعداد لایه‌های پنهان کوچک‌تر از تعداد سلول‌های ورودی است و تعداد سلول‌های خروجی برابر با سلول‌های ورودی است) و اینکه AE به نوعی آموزش داده می‌شود که خروجی تا حد امکان به ورودی نزدیک باشد، شبکه عصبی خود رمزگذار مجبور می‌شود داده‌ها را تعمیم دهد و به دنبال الگوهای متداول بگردد.

شبکه عصبی خود رمزگذار متغیر

«شبکه عصبی خود رمزگذار متغیر» (Variational Auto Encoder | VAE) در مقایسه با شبکه عصبی خود رمزگذار، احتمالات را به جای ویژگی‌ها فشرده می‌کند. علارغم تغییرات کوچک که بین دو شبکه عصبی مذکور اتفاق افتاده است، هر یک از این انواع شبکه های عصبی مصنوعی به پرسش متفاوتی پاسخ می‌دهند. شبکه عصبی خودرمزگذار به پرسش «چگونه می‌توان داده‌ها را تعمیم داد؟» پاسخ می‌دهد، در حالی که شبکه عصبی خود رمزگذار متغیر به پرسش «اتصال بین دو رویداد چقدر قوی است؟ آیا باید خطا را بین دو رویداد توزیع کرد یا آن‌ها به طور کامل مستقل هستند؟» پاسخ می‌دهد.

شبکه عصبی خود رمزگذار دینوزینگ

با وجود جالب بودن شبکه‌های خود رمزگذار، اما این شبکه‌های عصبی گاهی به جای پیدا کردن مستحکم‌ترین ویژگی، فقط با داده‌های ورودی سازگار می‌شوند (این مورد مثالی از بیش‌برازش یا همان Overfitting است). شبکه عصبی «خود رمزگذار دینوزینگ» (Denoising AutoEncoder | DAE) اندکی نویز به سلول ورودی اضافه می‌کنند. با این کار، شبکه عصبی خود رمزگذار دینوزینگ، مجبور می‌شود که خروجی را از یک ورودی نویزی، مجددا بسازد و آن را عمومی‌تر کند و ویژگی‌های متداول بیشتری را انتخاب کند.