یادگیری ماشین ML

یادگیری ماشین یا Machine Learning (ML) به عنوان یکی از پرطرفدارترین زمینه های علم داده، به تحلیل و تفسیر داده ها با استفاده از الگوریتم ها و مدل های آماری برمی گردد. این فرایند امکان می دهد تا سیستم ها بدون نیاز به برنامه نویسی صریح، از تجربه های گذشته خود بیاموزند و پیش بینی هایی دقیق ارائه دهند. از کاربردهای ML می توان به تشخیص الگوها، پیش بینی ترند ها، ترجمه ماشینی، توصیه گرهای آنلاین، و مسائل بهداشتی و پزشکی اشاره کرد.

این تکنیک ها روز به روز در حال بهبود هستند و بر روی توسعه ابزارها و روش های جدید تمرکز دارند. با افزایش حجم داده ها و توسعه سخت افزارهای پردازشی، ML به یکی از مهم ترین فراهم کننده های اطلاعات و دانش تبدیل شده است که در مختلف زمینه های علمی و صنعتی به کار می رود و نقش بسزایی در تحولات فناورانه مدرن ایفا می کند. در ادام این مقاله به بررسی یادگیری ماشین ML چیست، نحوه عملکرد Machine Learning و کاربرد آن پرداخته شده است.

یادگیری ماشین ML چیست؟

یادگیری ماشین (Machine Learning یا ML یکی از زیرشاخه های هوش مصنوعی (AI) است که به کامپیوترها اجازه می دهد بدون برنامه نویسی صریح، از داده ها یاد بگیرند و بهبود پیدا کنند. در این روش، الگوریتم ها و مدل های آماری برای تحلیل داده ها و پیش بینی نتایج مورد استفاده قرار می گیرند.

در یادگیری ماشینی، سه نوع یادگیری اصلی وجود دارد: یادگیری نظارت شده (Supervised Learning)، یادگیری بدون نظارت (Unsupervised Learning) و یادگیری تقویتی (Reinforcement Learning) که در بخش زیر به توضیح هر یک پرداخته شده است.

• یادگیری نظارت شده

در یادگیری نظارت شده، مدل با استفاده از یک مجموعه داده که شامل ورودی ها و خروجی های صحیح است، آموزش می بیند. هدف این است که مدل بتواند رابطه بین ورودی و خروجی را بیاموزد و سپس بتواند برای ورودی های جدید خروجی های درست را پیش بینی کند. مثال های رایج این نوع یادگیری شامل تشخیص تصویر، شناسایی گفتار، و پیش بینی های مالی هستند. الگوریتم های معروف در این دسته شامل رگرسیون خطی، رگرسیون لجستیک، و شبکه های عصبی مصنوعی می باشند.

• یادگیری بدون نظارت

یادگیری بدون نظارت بدون استفاده از برچسب های خروجی مشخص انجام می شود. مدل تلاش می کند تا الگوها یا ساختارهای مخفی در داده ها را کشف کند. این نوع یادگیری معمولاً برای خوشه بندی (Clustering) و کاهش ابعاد (Dimensionality Reduction) استفاده می شود. مثال های کاربردی شامل تحلیل خوشه ای برای تقسیم بندی مشتریان یا فشرده سازی تصاویر هستند. الگوریتم های شناخته شده در این دسته شامل الگوریتم K-Means و تحلیل مولفه های اصلی (PCA) هستند.

• یادگیری تقویتی

یادگیری تقویتی با انواع فرآیندهای تصمیم گیری همراه است. در این نوع از یادگیری، وجود محیط و یک عامل برای بروز رفتار مورد نیاز است. عامل شروع به بروز رفتارهایی در محیط می کند تا بازتاب آن را ببیند. در این جا وجود انواع پاداش باعث تقویت یک رفتار شده و یا انجام تنبیه باعث کاهش آن رفتار خواهد شد.

به طور خلاصه، یادگیری ماشین یک ابزار قدرتمند است که با بهره گیری از داده ها و الگوریتم ها می تواند تغییرات بزرگی در دنیای ما ایجاد کرده و مسیر جدیدی را در هوش مصنوعی و فناوری های مرتبط بگشاید.

بیشتر بخوانید: الگوریتم های یادگیری ماشین با هوش مصنوعی

جایگاه یادگیری ماشین ML در هوش مصنوعی

یکی از مهم ترین دستاوردهای یادگیری ماشین، توانایی آن در تحلیل و تفسیر داده های بزرگ است. با افزایش حجم داده ها و تنوع آنها در دنیای امروز، تحلیل سنتی داده ها کارایی خود را از دست داده و نیاز به روش های پیشرفته تری مانند یادگیری ماشین احساس می شود. الگوریتم های یادگیری ماشین می توانند الگوها و روابط پیچیده را در داده ها شناسایی کرده و از آنها برای پیش بینی ها و تصمیم گیری های دقیق تر استفاده کنند.

یادگیری ماشین به دو دسته اصلی تقسیم می شود: یادگیری نظارت شده و یادگیری بدون نظارت. در یادگیری نظارت شده، الگوریتم ها با استفاده از داده های برچسب دار آموزش می بینند و هدفشان پیش بینی نتایج برای داده های جدید است. این نوع یادگیری در کاربردهای مختلفی مانند تشخیص چهره، شناسایی گفتار و تحلیل احساسات به کار می رود. در یادگیری بدون نظارت، الگوریتم ها به دنبال کشف الگوها و روابط در داده های بدون برچسب هستند. این روش در کاربردهایی مانند خوشه بندی مشتریان و کاهش ابعاد داده ها مورد استفاده قرار می گیرد.

کاربردهای یادگیری ماشین در هوش مصنوعی بسیار گسترده است و در صنایع مختلف نقش مهمی ایفا می کند. در حوزه پزشکی، یادگیری ماشین برای تشخیص بیماری ها، پیش بینی عوارض درمان و تحلیل تصاویر پزشکی استفاده می شود. در صنعت مالی، این تکنولوژی به منظور پیش بینی بازار، مدیریت ریسک و شناسایی تقلب به کار می رود. همچنین، در حوزه های خودروسازی، یادگیری ماشین در توسعه خودروهای خودران و سیستم های پیشرفته رانندگی نقش کلیدی دارد.

یادگیری ماشین همچنین توانسته است در بهبود فرآیندهای صنعتی و بهره وری نقش مهمی ایفا کند. از طریق تحلیل داده های تولیدی و شناسایی نقاط ضعف و بهبودها، صنایع می توانند بهره وری خود را افزایش دهند و هزینه ها را کاهش دهند. علاوه بر این، یادگیری ماشین در حوزه های اجتماعی نیز تاثیرات مثبتی داشته و به عنوان ابزاری برای تحلیل داده های اجتماعی و شناسایی روندهای جدید مورد استفاده قرار گرفته است.

بیشتر بخوانید: آموزش مدل های یادگیری عمیق با هوش مصنوعی

نحوه عملکرد یادگیری ماشین ML

همانطور که پیش از این نیز توضیح داده شد، یادگیری ماشین یک شاخه از هوش مصنوعی است که به کامپیوترها امکان می دهد بدون نیاز به برنامه ریزی، از داده ها یاد بگیرند و بهبود یابند. فرآیند یادگیری ماشین شامل مراحل مختلفی است که هر کدام نقش مهمی در عملکرد نهایی مدل دارند. در ادامه به توضیح این مراحل پرداخته شده است.

• جمع آوری داده ها

اولین مرحله در یادگیری ماشین، جمع آوری داده هاست. داده ها می توانند به صورت های مختلفی مانند تصاویر، متن، صدا، یا اعداد باشند. کیفیت و کمیت داده ها تاثیر مستقیمی بر عملکرد مدل دارد. داده های بیشتر و با کیفیت بالاتر منجر به مدل های دقیق تر می شوند.

• پیش پردازش داده ها

داده های خام معمولاً به صورت نامرتب و ناقص هستند و نیاز به پیش پردازش دارند. این مرحله شامل تمیز کردن داده ها (حذف داده های نادرست یا ناقص)، نرمال سازی (مقیاس بندی داده ها به یک بازه مشخص)، و تبدیل داده ها به فرمتی که برای مدل قابل استفاده باشد، است.

• انتخاب ویژگی ها

ویژگی ها یا "فیچرها" اطلاعاتی هستند که مدل بر اساس آنها یاد می گیرد. انتخاب ویژگی های مناسب تاثیر زیادی بر عملکرد مدل دارد. این مرحله ممکن است شامل کاهش ابعاد داده ها، استخراج ویژگی های مهم و حذف ویژگی های غیرضروری باشد.

• تقسیم داده ها

داده ها به دو بخش اصلی تقسیم می شوند داده های آموزشی و داده های آزمایشی. داده های آموزشی برای آموزش مدل استفاده می شوند، در حالی که داده های آزمایشی برای ارزیابی عملکرد مدل به کار می روند. این تقسیم بندی معمولاً به صورت ۷۰/۳۰ یا ۸۰/۲۰ انجام می شود.

• انتخاب مدل

در این مرحله باید یک الگوریتم یادگیری ماشین مناسب انتخاب شود. الگوریتم های مختلفی وجود دارند که هر کدام برای نوع خاصی از مسائل مناسب ترند. برخی از الگوریتم های محبوب شامل رگرسیون خطی، درخت تصمیم، شبکه های عصبی مصنوعی و ماشین بردار پشتیبانی هستند.

• آموزش مدل

مدل با استفاده از داده های آموزشی و الگوریتم انتخاب شده آموزش داده می شود. در این مرحله، مدل سعی می کند الگوها و روابط موجود در داده ها را بیاموزد. این فرآیند ممکن است زمان بر باشد و نیاز به تنظیم پارامترهای مختلف داشته باشد.

• ارزیابی مدل

پس از آموزش، مدل با استفاده از داده های آزمایشی ارزیابی می شود. معیارهای مختلفی مانند دقت، دقت دسته بندی، یادآوری و F1-Score برای ارزیابی عملکرد مدل استفاده می شوند. اگر مدل عملکرد مناسبی نداشته باشد، ممکن است نیاز به بهبود داده ها، تغییر ویژگی ها یا انتخاب مدل دیگری باشد.

• بهینه سازی مدل

در این مرحله، مدل بهینه سازی می شود تا عملکرد بهتری داشته باشد. ممکن است شامل تنظیم پارامترها، استفاده از تکنیک های افزایش داده، یا ترکیب چندین مدل (Ensemble Learning) باشد.

• استقرار مدل

پس از بهینه سازی و تایید عملکرد مدل، آن را می توان در محیط واقعی استقرار داد. مدل می تواند برای پیش بینی های جدید مورد استفاده قرار گیرد و به مرور زمان با داده های جدید بهبود یابد.

• نظارت و نگهداری

مدل های یادگیری ماشین نیاز به نظارت و نگهداری دارند تا عملکرد آنها به مرور زمان کاهش نیابد. این شامل بازآموزی مدل با داده های جدید و بررسی عملکرد آن به صورت منظم است.

یادگیری ماشین فرآیندی پویا و مستمر است که با استفاده از داده ها و الگوریتم های مختلف می تواند به بهبود عملکرد و دقت پیش بینی ها کمک کند.

بیشتر بخوانید: آموزش برنامه نویسی با هوش مصنوعی

کاربردهای یادگیری ماشین ML

الگوریتم های ML از تکنیک های آماری برای شناسایی الگوها و روابط در داده و از آن الگوها برای پیش بینی یا تصمیم گیری در مورد داده های جدید استفاده می کنند. ماشین لرنینگ را می توان در مسائل مختلفی مانند تشخیص تصویر، تشخیص گفتار، سیستم های توصیه گر، تشخیص تقلب و غیره استفاده کرد که در ادامه بررسی شده اند.

• تشخیص تصویر و ویدئو:

یادگیری ماشین در تشخیص و تجزیه و تحلیل تصاویر و ویدئوها بسیار مؤثر است. این تکنولوژی در سیستم های تشخیص چهره، تحلیل تصاویر پزشکی، و حتی در فیلترهای تصویری شبکه های اجتماعی کاربرد دارد. شبکه های عصبی عمیق (Deep Neural Networks) به ویژه در این زمینه بسیار موفق بوده اند.

• پردازش زبان طبیعی (NLP):

یادگیری ماشین به طور گسترده ای در پردازش زبان طبیعی (NLP) استفاده می شود. از کاربردهای مهم این حوزه می توان به ترجمه ماشینی، تشخیص گفتار، تحلیل احساسات و چت بات ها اشاره کرد. مدل های زبانی پیشرفته مانند GPT در این حوزه ها بسیار مؤثر عمل کرده اند.

• تشخیص تقلب و امنیت سایبری:

الگوریتم های یادگیری ماشین به شرکت ها کمک می کنند تا فعالیت های مشکوک و تقلبی را در زمان واقعی شناسایی کنند. این تکنولوژی می تواند الگوهای ناهنجاری را در داده های تراکنشی شناسایی کند و به بانک ها و موسسات مالی در پیشگیری از تقلب کمک کند.

• توصیه گرها:

سیستم های توصیه گر که به کاربران پیشنهادات شخصی سازی شده ارائه می دهند، از یادگیری ماشین بهره می برند. این سیستم ها در پلتفرم هایی مانند Netflix، Amazon و Spotify برای پیشنهاد فیلم ها، محصولات و موسیقی های جدید استفاده می شوند.

• پیش بینی و تحلیل داده ها:

شرکت ها و سازمان ها از یادگیری ماشین برای پیش بینی روندهای آینده و تحلیل داده های بزرگ استفاده می کنند. این کاربردها در حوزه هایی مانند بازارهای مالی، مدیریت زنجیره تامین و بازاریابی بسیار حیاتی هستند.

• صنعت خودروسازی و حمل ونقل:

در صنعت خودروسازی، یادگیری ماشین نقش مهمی در توسعه خودروهای خودران ایفا می کند. این خودروها با استفاده از داده های حسگرها و الگوریتم های یادگیری ماشین می توانند محیط اطراف خود را تشخیص دهند و تصمیمات رانندگی ایمن تری بگیرند.

• پزشکی و بهداشت:

یادگیری ماشین به پزشکان و محققان کمک می کند تا بیماری ها را زودتر تشخیص دهند و درمان های بهتری پیشنهاد کنند. از تصویربرداری پزشکی تا تجزیه و تحلیل داده های ژنتیکی، این تکنولوژی تأثیر بسزایی در بهبود کیفیت خدمات پزشکی دارد.

به طور کلی، یادگیری ماشین با قابلیت تحلیل و یادگیری از داده ها، در بسیاری از صنایع و حوزه ها کاربرد دارد و به بهبود فرآیندها، افزایش کارایی و ایجاد نوآوری های جدید کمک می کند. این تکنولوژی پتانسیل تغییر اساسی در زندگی روزمره و بهبود کیفیت خدمات و محصولات را دارد.

بیشتر بخوانید: آینده هوش مصنوعی

روش های یادگیری ماشین ML

یادگیری ماشین (ML) یک شاخه مهم از هوش مصنوعی است که به سیستم ها اجازه می دهد بدون برنامه ریزی از داده ها یاد بگیرند و پیش بینی کنند. روش های مختلفی برای یادگیری ماشین وجود دارد که هرکدام مزایا و معایب خاص خود را دارند. در این بخش، به برخی از اصلی ترین روش های یادگیری ماشین پرداخت شده است.

• یادگیری نظارت شده (Supervised Learning)

در یادگیری نظارت شده، مدل با استفاده از داده های دارای برچسب آموزش داده می شود. این داده ها شامل ورودی ها و خروجی های مورد انتظار هستند. هدف این است که مدل بتواند از این داده ها الگوها را شناسایی کند و برای ورودی های جدید پیش بینی های دقیقی انجام دهد. روش های متداول در این دسته شامل رگرسیون خطی، رگرسیون لجستیک، ماشین های بردار پشتیبان (SVM)، و شبکه های عصبی هستند. یادگیری نظارت شده به طور گسترده در کاربردهایی مانند طبقه بندی ایمیل ها، تشخیص تقلب، و پیش بینی های مالی استفاده می شود.

• یادگیری بدون نظارت (Unsupervised Learning)

در یادگیری بدون نظارت، مدل با داده های بدون برچسب کار می کند و تلاش می کند الگوها و ساختارهای مخفی در داده ها را شناسایی کند. یکی از روش های متداول در این دسته خوشه بندی (Clustering) است که داده ها را به گروه های مشابه تقسیم می کند. الگوریتم های معروف خوشه بندی شامل K-Means و DBSCAN هستند. همچنین، کاهش ابعاد (Dimensionality Reduction) نیز یکی دیگر از روش های یادگیری بدون نظارت است که برای کاهش تعداد ویژگی های داده ها بدون از دست دادن اطلاعات مهم استفاده می شود. الگوریتم های معروف در این زمینه شامل تحلیل مولفه های اصلی (PCA) و تحلیل تفکیک خطی (LDA) هستند.

• یادگیری نیمه نظارت شده (Semi-Supervised Learning)

یادگیری نیمه نظارت شده یک روش میان بر است که ترکیبی از داده های دارای برچسب و بدون برچسب را برای آموزش مدل به کار می گیرد. این روش به ویژه زمانی مفید است که برچسب گذاری داده ها هزینه بر یا زمان بر باشد. با استفاده از مقدار کمی داده برچسب دار همراه با مقدار زیادی داده بدون برچسب، مدل می تواند عملکرد بهتری داشته باشد. یادگیری نیمه نظارت شده در کاربردهایی مانند تشخیص تصویر و پردازش زبان طبیعی استفاده می شود.

• یادگیری تقویتی (Reinforcement Learning)

یادگیری تقویتی یک روش متفاوت است که بر اساس مفهوم پاداش و تنبیه عمل می کند. در این روش، مدل به عنوان یک عامل (Agent) عمل می کند که در یک محیط پویا تصمیم گیری می کند و به ازای هر عمل پاداش یا تنبیه دریافت می کند. هدف این است که مدل به گونه ای آموزش ببیند که بتواند با انتخاب اعمال مناسب، مجموع پاداش های خود را به حداکثر برساند. یادگیری تقویتی به طور گسترده در بازی های کامپیوتری، رباتیک، و سیستم های توصیه گر استفاده می شود. الگوریتم های معروف در این زمینه شامل Q-Learning و Deep Q-Networks (DQN) هستند.

• یادگیری عمیق (Deep Learning)

یادگیری عمیق یک زیرمجموعه از یادگیری نظارت شده و یادگیری بدون نظارت است که از شبکه های عصبی با لایه های متعدد برای استخراج ویژگی های پیچیده از داده ها استفاده می کند. شبکه های عصبی عمیق در کاربردهایی مانند تشخیص تصویر، ترجمه ماشینی، و پردازش زبان طبیعی به کار می روند. روش های یادگیری عمیق مانند شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی بازگشتی (RNN) به دلیل توانایی بالا در مدل سازی الگوهای پیچیده، محبوبیت زیادی پیدا کرده اند.

در نهایت، هر یک از این روش های یادگیری ماشین کاربردها و مزایای خاص خود را دارند و انتخاب روش مناسب بستگی به نوع مسئله و داده های موجود دارد.

بیشتر بخوانید: رود مپ آموزشی هوش مصنوعی

تفاوت هوش مصنوعی با یادگیری ماشینی

هوش مصنوعی (AI) و یادگیری ماشینی (ML) دو مفهوم مرتبط اما متفاوت در دنیای تکنولوژی هستند که اغلب به اشتباه به جای یکدیگر استفاده می شوند. درک تفاوت های بین این دو مفهوم می تواند به درک بهتر از نحوه عملکرد و کاربردهای هر یک کمک کند.

هوش مصنوعی یک شاخه از علوم کامپیوتر است که هدف آن ایجاد سیستم های کامپیوتری است که می توانند وظایفی را انجام دهند که به طور معمول به هوش انسان نیاز دارند. این وظایف شامل مواردی همچون تشخیص گفتار، ترجمه زبان، تشخیص تصاویر، تصمیم گیری می شود. AI می تواند شامل الگوریتم های ساده ای باشد که برای انجام وظایف خاصی برنامه ریزی شده اند، یا سیستم های پیچیده ای که می توانند با تعامل با محیط خود یاد بگیرند و بهبود یابند.

یادگیری ماشینی یکی از زیر شاخه های هوش مصنوعی است که بر اساس ایده ای استوار است که ماشین ها می توانند از داده ها یاد بگیرند. به جای برنامه ریزی صریح برای انجام یک وظیفه، الگوریتم های ML به گونه ای طراحی شده اند که بتوانند الگوها را در داده ها شناسایی کرده و از این الگوها برای پیش بینی ها یا تصمیم گیری های خود استفاده کنند. ML شامل تکنیک های مختلفی مانند یادگیری نظارت شده، یادگیری بدون نظارت، و یادگیری تقویتی است.

در عمل، هوش مصنوعی می تواند شامل سیستم هایی باشد که از یادگیری ماشینی استفاده می کنند یا نکنند. از سوی دیگر، بسیاری از پیشرفت های مدرن در AI به دلیل پیشرفت در ML به وجود آمده اند. الگوریتم های ML به خصوص در حوزه هایی مانند پردازش زبان طبیعی (NLP)، تشخیص تصاویر، و بازی های ویدیویی به موفقیت های چشمگیری دست یافته اند.

در مجموع، می توان گفت که AI به عنوان یک هدف کلی تر برای ایجاد هوشمندی در ماشین ها عمل می کند، در حالی که ML به عنوان یک ابزار یا تکنیک برای رسیدن به این هدف استفاده می شود. با توسعه و بهبود مستمر الگوریتم های ML، توانایی های AI نیز به طور مداوم در حال پیشرفت است و این دو مفهوم به هم پیوسته و مکمل یکدیگر هستند.

بیشتر بخوانید: اصول و مبانی هوش مصنوعی

بازار کار یادگیری ماشین ML

یکی از دلایل اصلی افزایش تقاضا برای مهارت های یادگیری ماشین، افزایش حجم داده ها و نیاز به تحلیل و تفسیر این داده ها است. سازمان ها در صنایع مختلف از جمله مالی، بهداشت، بازاریابی، تولید و حتی دولت ها، به دنبال استفاده از تکنیک های یادگیری ماشین برای بهبود فرآیندها، افزایش کارایی و ارائه خدمات بهتر به مشتریان خود هستند.

بازار کار یادگیری ماشین شامل مجموعه ای از نقش ها و فرصت های شغلی است. برخی از نقش های کلیدی شامل گردآورنده داده، مهندس یادگیری ماشین، تحلیل گر داده و محقق هوش مصنوعی می شود. مهندسان یادگیری ماشین بیشتر بر پیاده سازی، بهینه سازی و نگهداری این مدل ها تمرکز دارند. تحلیل گران داده نیز به تفسیر داده ها و استخراج بینش های مفید برای تصمیم گیری های استراتژیک کمک می کنند.

با توجه به افزایش نیاز به تخصص های یادگیری ماشین، حقوق و مزایای این مشاغل نیز به طور قابل توجهی افزایش یافته است. بسیاری از شرکت ها به دنبال جذب استعدادهای برتر در این حوزه هستند و برای جلب توجه این افراد، شرایط کاری مناسبی ارائه می دهند. این شرایط شامل حقوق بالا، مزایای خوب، امکان دورکاری و فرصت های آموزشی مستمر می شود.

در نهایت، برای ورود به بازار کار یادگیری ماشین، داشتن مهارت های تحلیلی قوی، دانش عمیق از الگوریتم های یادگیری ماشین، تسلط بر برنامه نویسی به ویژه در زبان هایی مانند پایتون و R، و تجربه عملی در کار با داده ها ضروری است. آموزش های آنلاین، دوره های دانشگاهی و شرکت در پروژه های عملی می تواند به علاقه مندان کمک کند تا مهارت های لازم را کسب کنند و وارد این بازار پویا و رو به رشد شوند.

در ادامه بخوانید: نحوه استفاده از هوش مصنوعی

جایگاه یادگیری ماشین ML در هوش مصنوعی چگونه است؟

یادگیری ماشین (ML) زیر مجموعه ای از هوش مصنوعی (AI) است که به سیستم ها امکان می دهد بدون برنامه ریزی صریح، از داده ها یاد بگیرند و بهبود یابند. در متن مقاله در این خصوص به طور کامل توضیح داده شده است.

نحوه عملکرد یادگیری ماشین ML چگونه می باشد؟

بر اساس متن مقاله، یادگیری ماشین (ML) به کامپیوترها اجازه می دهد که با تحلیل داده ها، الگوها را شناسایی کرده، پیش بینی ها و تصمیم های خودکار انجام دهند بدون نیاز به برنامه ریزی واضج است.

چالش ها و آینده یادگیری ماشین چیست؟

چالش ها و آینده یادگیری ماشین شامل مسائلی مانند توانایی درک و تفسیر مدل ها، حفظ اخلاقیات در استفاده از داده ها، و پیشرفت در دامنه هایی مانند توانایی درک متن و دیدگاه های انسانی است که در متن اشاره شده است.