چنانچه در هریک از مراحل نصب یا کاربری نرم‌افزارها به مشکلی برخورد کرده‌اید یا هر سوال، اشکال یا ابهامی در این زمینه دارید، می‌توانید پاسخ خود را ابتدا در مطالب موجود جستجو و در صورت لزوم به عنوان یک مبحث جدید مطرح کنید، تا کارشناسان پشتیبانی به آن پاسخ دهند.

به منظور ثبت سوال جدید و یا پاسخ به موضوعات موجود، ابتدا می بایست از طریق صفحه مربوطه به سامانه وارد شوید. چنانچه نام کاربری دریافت نکرده اید، به صورت رایگان و از طریق صفحه مربوطه، ابتدا در سامانه ثبت نام نمایید.

قبليقبلي Go to previous topic
بعديبعدي Go to next topic
آخرين ارسال 09 مرداد 1401 12:46 ب.ظ توسط روزبه
نسخه 11.02 (1102)
�10 پاسخ
مرتب:
شما مجاز به پاسخ به اين پست نمي باشيد.
مولف پيغام ها
روزبه
کاربر با تجربه
کاربر با تجربه

--
11 تیر 1401 08:06 ق.ظ

    امکانات جدید در نسخه 11.02 نرم‌افزار مالی یکپارچه نوسا

     

    ویرایش 11.02 نرم‌افزار مالی یکپارچه نوسا در اردیبهشت ماه سال 1401 بصورت محدود ارائه گردید و از خرداد ماه سال 1401 قابل ارائه بود، ولیکن با توجه به تغییرات ایجاد شده در قانون مالیات‌ بر ارزش افزوده و گزارش‌های الکترونیکی فصلی سازمان مالیات (TTMS) در خرداد ماه و مشکلات عدیده در زیرساخت آن، نسخه 11.02 نرم‌افزار منتشر نگردید تا مشکلات نرم‌افزار سازمان مالیات اصلاح گردد و به فراخور نیاز، تغییراتی در نسخه نرم‌افزار و زیرساخت نرم‌افزارهای فروش و مدیریت هزینه جهت ارسال اطلاعات به این سامانه‌ ایجاد گردد. نسخ TTMS بدون هر گونه راهنمای تغییرات و اصلاح اطلاعات نسخه و تاریخ در تاریخ‌های متعدد شامل اول تیر، 13 تیر، 18 تیر، و 4 مرداد (همچنان با تاریخ غلط و نسخه 4.0.4.3 ارائه شده در 18 تیر) بروز گردید و بخشی از مشکلات زیرساخت جهت ارائه راهکار عدم ورود عوارض در آن اصلاح گردید. با توجه به این موضوع تغییرات در نرم‌افزارهای فروش و مدیریت هزینه نوسا بروز شد و نسخه 11.02 در مرداد 1401 برای عموم مشتریان در دسترس قرار گرفت، فایل اجرایی سرور و کلاینت‌های این نسخه در بخش فایل و مستندات قابل دریافت می‌باشد.

     

    پیرو ویرایش نسخه 10.02 در سال 1400 و قابلیت‌های نسل جدید نرم‌افزار، بزرگ ترین تغییر در این ویرایش پیاده سازی ساختار جدیدی از قابلیت‌های چند بخشی و استفاده از هوش مصنوعی جهت کشف داده‌های نامتعارف در نرم‌افزارها می‌باشد. همچنین در نسخه 11.02 تغییرات اساسی در زیرساخت نرم‌افزار انبار و کنترل موجودی تولید نوسا این امکان را فراهم می‌آورد تا با انعطاف بیشتری در عملیاتی و تایید کردن رخدادهای انبار مواجه گشته و از نرم افزار استفاده نماییم. در این نسخه برخی قابلیت‌های جدید به گزارش‌های محوری (Pivot Tables)، نموداری (Pivot Diagrams) و مؤلفه‌های شاخص‌های عملکرد (KPIs) اضافه گردیده و 11 بخش جدید از نرم‌افزارها قابلیت استفاده از این نوع گزارش را خواهند داشت.

     

    امکان مهم دیگری که در این نسخه از نرم افزار ارائه شده و در نسخه‌های آتی همچنان توسعه داده خواهد شد، قابلیت ارتباط نرم‌افزار مالی یکپارچه نوسا با نرم‌افزارهای دیگر از جمله انواع نرم افزارهای فروش آنلاین، CRM و یا مرتبط با انبار است. این ارتباط پس از این با استفاده از API انبار و فروش نوسا که به عنوان ابزاری جدید در نسخه 11.02 قابل تهیه می‌باشد در دسترس خواهد بود. یکی از استفاده‌های این ابزار، برقراری ارتباط تنگاتنگ با نرم‌افزار مدیریت فرآیندهای کسب و کار نوسا است. این نرم‌افزار که زیر مجموعه‌ای از نرم‌افزارهای اداری و مدیریت اطلاعات نوسا می‌باشد، با مدل کردن مراحل انجام کارهای گوناگون به صورت فرآیندهای هوشمند، امکان خودکار‌سازی و ردگیری مراحل انجام امور را به همراه ذخیره سازی داده‌ها و مستندات مربوط به هر مرحله فراهم می‌آورد. بدین ترتیب، نرم‌افزار مالی یکپارچه نوسا به عنوان هسته‌ مستحکم و مرکزی، و نرم‌افزار مدیریت فرآیندهای نوسا به عنوان ابزاری منعطف و قدرتمند، توانایی یکپارچه سازی فعالیت‌ها و اطلاعات را در سطح کل سازمان در اختیار همگان قرار خواهند داد. اطلاعات تکمیلی و بروشور‌ مرتبط با این نرم‌افزار جدید نوسا در دسترس می‌باشد. 

     

    در این نسخه با توجه به قوانین و استانداردهای جدید کشوری، تغییراتی در ماژول مدیریت هزینه و خرید، فیلد‌های آن و روش پیاده سازی سرجمع در گزارش های فصلی پیاده سازی گردیده است، همچنین در این نسخه امکانات متعدد جدید و برخی از تغییراتی که توسط مشتریان درخواست شده بود نیز به ماژول‌ها اضافه شده. شایان ذکر است که در هر نسخه از نر‌م‌افزار علاوه بر ارائه امکانات نوین و سازگاری با تغییرات در قوانین و نیاز‌های کلی مشتریان، بخش عمده‌ای از زمان صرف همسویی با آخرین بستر‌های نرم‌افزاری و ساختاری می‌گردد تا نرم‌افزار همچنان بروز با آخرین تکنولوژی‌های دنیا و در بالاترین سطح امنیتی و کاربردی در دسترس عموم قرار گیرد و کاربرد آن همواره قابل اطمینان باشد. در نسخه 11.02 از آخرین بروز‌رسانی‌های ویندوز سرور 2019، ویندوز 10 (21H1 و 21H2)، اکسل 2019 و SQL 2019 ارائه شده تا اسفند 1400 به همراه آخرین بروزرسانی ها پشتیبانی می‌کنیم. شایان ذکر است بنا به عدم پشتیبانی شرکت مایکروسافت از نسخه‌های قدیمی نرم‌افزارهای خود، مشکلات امنیتی این نرم‌افزارهای قدیمی و نیاز به استفاده از برخی امکانات جدید ویندوز و SQL جهت ارائه ابزار نوین در این نسخه، از این نسخه تنها SQL 2016 و ویندوز 10 (حداقل 21H1) یا سرور 2016 به بالا جهت استفاده از نرم‌‍‌‌افزارهای مالی نوسا پیشنهاد و پشتیبانی می‌گردند. هر چند طی مراحل پیاده سازی نسخه، قابلیت کارکرد صحیح و ایجاد تغییرات اولیه جهت همسویی نسخه 11.02 با ویندوز 11، ویندوز سرور 2022، SQL 2022 و Office 2022 پیاده سازی و بصورت محدود تست گردیده است، ولیکن از آنجا که این نرم‌افزارهای جدید مایکروسافت تا اسفند 1400 بصورت رسمی در دسترس نبوده، بنا به حساسیت موجود در رابطه با نرم‌افزارهای مالی و اداری نوسا، استفاده از این نرم‌افزارهای زیرساخت خارج از محیط تست در این نسخه پیشنهاد و پشتیبانی نمی‌گردد. 

     

    در صورتی که سرور و و یا کلاینت‌های شما حداقل از ویندوز 10 (نسخه 21H1 یا 21H2)، سرور 2016 و یا سرور 2019 استفاده نکرده و یا SQL سرور شما از 2016 قدیمی‌تر است، لطفا قبل از بروز‌رسانی نسخه، با توجه به آخرین نیازمند‌ی‌های سخت‌افزاری موجود در بخش فایل و مستندات، از بروز‌رسانی ساختار‌های مورد نیاز اطمینان حاصل فرمایید. این نسخه قابلیت کارکرد صحیح در نسخ قدیمی نرم‌افزارهای زیرساخت را نخواهد داشت.  

     

    از زمان تولید اولین نسخه از آخرین نسل از نرم‌افزارهای حقوق و دستمزد و پرسنلی نوسا، هزینه این نرم افزار و ماژول‌های نیمه سفارشی آن همواره بر اساس چند پارامتر اعلامی از طرف مشتری، شامل تعداد روش‌ها، تعداد پرسنل و تعداد پایگاه ها محاسبه می ‌گردد و طی ضوابط فروش در صورت استفاده مشتری فراتر از موارد اعلامی ارتقا نرم‌افزار الزامیست. تا این نسخه، کنترل تعداد پرسنل و پایگاه ها در ثبت حقوق صرفا بر اساس همکاری و اطلاع رسانی تغییرات توسط طرفین انجام می‌گردید. از نسخه 11.02 به بالا، تعداد پرسنل و پایگاه های فعال حقوق و دستمزد در قفل سخت افزاری مشتری بر اساس آخرین فاکتور فروش پروگرم گردیده و توسط سیستم بصورت خودکار کنترل می‌گردد، لذا درصورتی که تعداد پرسنل و یا پایگاه های فعال آن مجموعه از تعداد پرسنل و پایگاه های خریداری شده بیشتر است، ترجیحا قبل از نصب نسخه جدید، جهت ارتقا نرم‌افزار طی ضوابط و شرایط فروش اقدامات لازم را مبذول فرمایید تا در این نسخه و نسخ آتی با محدودیت استفاده از نرم‌افزار مواجه نگردید.

     

    منتخبی از امکانات و تغییرات اساسی این ویرایش در ویدیوی زیر قابل مشاهده می‌باشد:

     

     

    لینک صفحه دانلود آخرین نیخه بروز نرم‌افزار در دسترس بوده و لیست کامل‌تر برخی از امکانات، تغییرات و نحوه استفاده از آن‌ها در ادامه این متن قابل مطالعه می‌باشد.

     

    روزبه
    کاربر با تجربه
    کاربر با تجربه

    --
    12 تیر 1401 11:59 ق.ظ

    ابزار جدید قابل خرید در نسخه 11.02: وب سرویس ورود و دریافت اطلاعات محدود انبار و فروش از خارج از محیط نرم‌افزار یکپارچه مالی نوسا ( INV & Sales API Server)

     

    بدون شک ظهور، گسترش و همه گیری استفاده از نرم افزارهای کاربردی در ابعاد گوناگون امکان تولید، ذخیره سازی، پردازش و کنترل حجم گسترده‌ای از داده‌ها و اطلاعات با سرعت و دقت بالا را فراهم آورده است و این فناوری‌ها آن‌چنان در عمق کسب و کارها رسوخ کرده که حتی تصور پیشبرد اهداف سازمان‌ها و شرکت‌ها بدون همراهی این ابزار دور از ذهن است. از سوی دیگر شرکت های فعال در حوزه فناوری اطلاعات و در راس آن ها شرکت های نرم افزاری با پایش دقیق نیازمندی های موجود، در حال تولید و گسترش راه حل های نرم افزاری حرفه‌ای و ارائه آن ها به شرکت ها و سازمان ها هستند. با توجه به گستردگی حوزه های فعالیت و تنوع نیازمندی های مربوط به شرکت های گوناگون، نرم افزارهای متعددی توسط شرکت های نرم افزاری تولید و ارائه می گردد. این نیاز‌ها اصولا توسط نرم‌افزارهای آماده منعطف مانند نرم‌افزار مدیریت فرآیند‌های کسب و کار نوسا و یا نرم‌افزارهای صنفی و یا سفارشی مشتری رفع می‌گردد. در نرم‌افزارهای سفارشی قابلیت ساخت یک نرم‌افزار یکپارچه جهت استفاده تمامی بخش‌های یک سازمان در تئوری وجود دارد ولیکن چنین راه حلی در عمل چند چالش اساسی خواهد داشت که برخی از آن‌ها شامل موارد زیر می‌باشد:

     

    • هزینه تولید چنین محصولی، بسیار زیاد و مدت زمان مورد نیاز جهت طراحی، اجرا و استقرار آن قابل توجه خواهد بود.
    • تولید چنین نرم افزارهایی معمولا به صورت غیر منعطف و به صرفه خواهد بود ولیکن تیم‌های تولید از تمامی نیاز‌های روز سازمان آگاه نمی‌باشند.
    • با توجه به اختصاصی بودن محصول، در عمل، تست کننده محصول نخستین استفاده کننده آن می باشد و دقت کارکرد نرم‌افزار قابل اطمینان نمی‌باشد.
    • پیاده سازی نرم افزار بر اساس نیاز‌های روز انجام می‌گردد، در طول زمان و با تغییر در ساختار و یا قوانین، محصول کارایی خود را از دست خواهد داد.

     

    راه حل اصولی‌تر، استفاده از نرم‌افزارهای حرفه‌ای و منعطف از پیش ساخته شده است. اصولاً این نرم‌افزارها بنا به شناخت و تجربه تیم تولید، گستردگی نیازهای انواع شرکت‌ها، و پیچیدگی ساختار قابل تعریف، هر یک بخشی از نیازهای مشتریان را در صنایع مشخصی جوابگو خواهند بود. در این موارد وجود نرم‌افزارهای متعدد و بانک‌های اطلاعاتی متنوع اجباری بوده و این می‌تواند موجب کندی کار، پراکندگی، مغایرت و در نهایت ناکارآمدی نسبی اطلاعات کلی سازمان گردد. به همین جهت و به منظور مرتفع نمودن نیاز سازمان‌ها در استفاده از نرم‌افزارهای پکیج و در عین حال، دستیابی به حداکثر یکپارچگی، کارایی و دقت موجود در انواع نرم افزارهای حرفه‌ای در حوزه‌های مستقل سازمان، برقراری ارتباط بین نرم افزارهای حوزه‌های گوناگون به عنوان روشی اصولی پیشنهاد می‌گردد.

    شرکت نوسا به عنوان شرکتی پیشرو در حوزه تولید نرم افزار، به منظور پوشش عملیات شرکت هایی که بخشی از رویدادهای عملیاتی خاص آن‌ها در فضایی خارج از نرم‌افزارهای مالی نوسا بوده و نیاز به ثبت داده مالی خارج از این محیط را خواهند داشت، اقدام به تولید راه حل API از خارج از محیط نرم‌افزار مالی خود کرده و ورود داده توسط وب سرویس کنترل شده نوسا را برای مشتریان بوجود آورده است. این ابزار در نسخه 9.02 در سال 1399 قابلیت ورود اسناد حسابداری، تفصیلی، مرکز و دفتر تلفن را به مشتریان ارائه داد، و در ادامه روند تکمیل خود، در سال 1401 قابلیت ارسال و دریافت اطلاعات از نرم‌افزارهای انبار و فروش نوسا را فراهم آورده است. بخشی از اطلاعات مرتبط با قابلیت های INV & Sales API Server نوسا به این ابزار به شرح زیر می‌باشد:

    • قابلیت تعریف، تغییر و حذف بخشی از اطلاعات موجود در نرم افزارهای انبار و فروش از خارج از محیط نرم‌افزارها شامل:
      • تعریف اشخاص و مراکز جدید شامل تفصیلی، مرکز و دفتر تلفن و نشانی (موجود از نسخه 9.02)
      • افزودن انواع برگه های درخواست کالا
      • افزودن انواع برگه های ورود کالا
      • افزودن انواع برگه های خروج کالا
      • افزودن انواع برگه های درخواست خدمات
      • افزودن انواع برگه های انجام خدمات
      • حذف برگه‌ های درخواست کالا
      • حذف سطرهایی از برگه های درخواست کالا
      •  لغو سطرهایی از برگه های درخواست کالا
      • حذف برگه‌ های درخواست خدمات
      • حذف سطرهایی از برگه های درخواست خدمات
      •  لغو سطرهایی از برگه های درخواست خدمات
      • اصلاح طرف حساب(های) برگه های فروش
    • قابلیت دریافت بخشی از اطلاعات موجود در نرم افزارهای انبار و فروش از خارج از محیط نرم‌افزارها شامل:
      • اخذ مشخصات کالاهای تعریف شده در نرم افزار
      • اخذ مشخصات خدمات تعریف شده در نرم افزار
      • اخذ مشخصات تعرفه‌های موجود در نرم افزار
      • اخذ موجودی کالا ها بر اساس
        • انبارها
        • بچ ها
        • رخدادهای مرجع شناسایی ویژه
        • وضعیت درخواست های کالاها
        • مقادیر رزرو شده
    • پشتیبانی از ساختار استاندارد SOAP و ساختار تحت وب http و https در زمان دریافت اطلاعات از خارج از نرم‌افزار مالی نوسا
    • احراز هویت کاربر خارجی (آنلاین) ورود داده و کنترل اختیارات وی، شامل تمامی کنترل‌های موجود کاربران و برخی امکانات خاص جدید
    • کدهای نمونه و کلاینت تست و آشنایی با ساختار ابزار و روش ارسال اطلاعات در پنج زبان C# , Delphi, Python, PHP, HTML/Javascript
    • کنترل داده ورودی نرم‌افزار و گزارش خطاهای احتمالی در پاسخ به مشکلات داده
    • قابلیت پشتیبانی ارسال تاریخ فارسی و یا میلادی از نرم‌افزار خارجی
    • قابلیت تعریف الگوی تعیین خودکار داده‌های ورودی انبار و فروش
    • ...

     

     

     

    به کمک این ابزار، سایر نرم افزارهای عملیاتی موجود در سازمان و شرکت، امکان ارسال و دریافت انواع تراکنش های فروش و انبار را دارا بوده رویدادهای مالی مابه‌ازای خود را به نرم افزارهای انبار، فروش و حسابداری نوسا خواهند داشت. در این ابزار هزینه ورود و دریافت داده خارجی بر مبنای حجم و نوع ورودی داده به نرم‌افزار محاسبه و قابل پرداخت خواهد بود. نحوه عملکرد و روش استفاده از این ابزار نوین در مستند تکمیلی "وب سرویس ورود اطلاعات از خارج از محیط نرم‌افزار یکپارچه مالی (API Server)" به همراه نمونه فایل‌های مرتبط و سناریوی پیاده سازی فروش آنلاین متصل به نرم‌افزارهای نوسا در دسترس می باشد.

    روزبه
    کاربر با تجربه
    کاربر با تجربه

    --
    18 تیر 1401 11:27 ق.ظ

    ابزار جدید ارائه شده در هسته مرکزی نسخه 11.02: استفاده از هوش مصنوعی و یادگیری ماشینی جهت کنترل صحت انواع داده موجود

     

    در سالیان اخیر به دفعات زیاد و در حوزه‌های بسیار متنوعی با پدیده‌ی هوش مصنوعی مواجه بوده‌ایم. اگر تا 20 سال پیش هوشمندی مصنوعی، به صورتی که در رایانه‌ها پیاده شده است، در حد شکست قهرمان شطرنج توسط سخت‌افزار و نرم‌افزار ساخته شده توسط IBM بوده است، امروزه به وجود این هوشمندی در اشکال و کاربردهای متنوعی عادت کرده‌ایم – تا جایی که گاهی حتی دیگر مثلا از اینکه پلاک اتومبیل از روی تصویر دوربین، توسط رایانه تشخیص داده می‌شود تعجب نمی‌کنیم. البته تا رسیدن به سیستم‌های رایانه‌ای خودآگاه فاصله‌ی قابل توجهی داریم. اما به هر حال پیشرفت‌های وسیع و موثری حاصل شده است.


    می‌توانیم بگوییم که هوش مصنوعی شامل مجموعه‌ای از علوم و تکنیک‌های حل مسئله است که در آنها تمام مسیری که برای یافتن پاسخ طی می‌شود لزوما توسط انسان از قبل قابل پیش‌بینی نیست. اینکه به نظر می‌رسد سیستم (نرم‌افزار) بدون نیاز به انسان قادر به حل مسئله است به "هوش" تعبیر شده است و چون هوش طبیعی را برای انسان قائل شده‌اند، به این یکی «هوش مصنوعی» گفته‌اند. یک زیرمجموعه‌ی مهم از هوش مصنوعی، «یادگیری ماشینی» است. این مفهوم به روش‌هایی اشاره دارد که در آنها قوانین پردازش از ابتدا و مثلا توسط برنامه‌نویس تعیین نمی‌شوند بلکه در آنها سیستم از روی داده‌ها، به نحوی، قوانین را نیز استخراج می‌کند و به همین دلیل این شبهه پیش می‌آید که سیستم مشغول یادگیری است. یک زیرمجموعه از یادگیری ماشینی، یادگیری عمیق یا Deep Learning است. در آنها سیستم با استفاده از یک شبکه عصبی پیاده‌سازی می‌شود و از آنجا که این شبکه‌ها ممکن است لایه‌های (عمق) زیاد داشته باشند به آن Deep گفته می‌شود. شبکه‌های عصبی پارامترهای متعدد ولی استانداردی دارند. مکانیزم تعیین این پارامترها همان است که به آن انطباق (fit کردن) یا به عبارتی «یادگیری» می‌گویند. در شبکه‌های عصبی این یادگیری با روش خاصی و مبتنی بر داده‌های بسیار متنوع و متعدد انجام می‌شود.

     

    داده‌های بزرگ (Big Data) به همان داده‌های متعدد و متنوعی که به عنوان ورودی به یک شبکه عصبی تغذیه می‌شوند گفته می‌شود. بزرگ در اینجا فقط به معنی اندازه‌ی داده‌ها نیست. بلکه بیشتر به تعداد، تنوع و هم‌خانواده بودن داده‌ها با یکدیگر توجه می‌شود – مثلا تعداد بسیار زیادی تصویر از چهره‌ی اشخاص در وضعیت‌های مختلف به همراه اطلاعات شناسایی آنها به شبکه عصبی داده می‌شود. در هر مورد یک دستگاه معادلات تشکیل داده و حل می‌شود که در نهایت پارامترهای شبکه عصبی را به صورتی تغییر می‌دهد (بهینه می‌کند) که احتمال بدست دادن نتایج مطلوب از داده‌ها حداکثر شود. پس از این به اصطلاح «یادگیری»، سیستم می‌تواند در برخورد با داده‌های (تصاویر) جدید، شخص موجود در آنها را  شناسایی نماید. استفاده از روش‌های مبتنی بر هوش مصنوعی و یادگیری ماشینی در بررسی داده‌ها و استخراج مفاهیم از آنها را داده‌کاوی (Data Mining و اخیرا با گسترش بیشتر، علوم داده – Data Science) می‌گویند. پس در واقع داده‌ای کاویده (حاصل – استخراج) نمی‌شود بلکه از کاوش داده‌ها «اطلاعاتی» حاصل می‌شوند که پیش از این شاید حتی از وجود آنها بی‌خبر بوده‌ایم.
     

     

    یادگیری ماشینی و علوم داده

     

    گفتیم که یک زیرمجموعه‌ی مهم از هوش مصنوعی، یادگیری ماشینی است. این به روش‌هایی اشاره دارد که در آنها قوانین پردازش از ابتدا و مثلا توسط برنامه‌نویس تعیین نمی‌شوند بلکه توسط خود سیستم و از روی داده‌ها استخراج می‌شوند. سیستم‌های یادگیری ماشینی بسته به نتیجه‌ای که از آنها انتظار داریم به دو گروه تقسیم می‌شوند؛ آنها که نتیجه‌ی منفصل (گسسته) و Enumerated دارند و در مقابل، آنها که نتیجه‌ی پیوسته‌ی عددی و غیرمنفصل دارند. مثلا حاصل سیستمی که قرار است از روی یک تصویر، چهره‌ی اشخاص را شناسایی کند، در بین تعدادی نتیجه که از پیش مشخص است (اشخاص) قرار می‌گیرد و یک نتیجه‌ی منفصل است. اما حاصل سیستمی که قرار است سود یک شرکت را پیش‌بینی کند یک مقدار عددی پیوسته و غیرمنفصل است.


    از طرف دیگر سیستم‌های یادگیری ماشینی بسته به اینکه محدوده‌ی نتایج آنها از قبل مشخص باشد یا خیر نیز به دو گروه تقسیم می‌شوند؛ نظارت شده (Supervised) یا بدون نظارت (Unsupervised). مثلا یک سیستم تشخیص چهره باید ابتدا با تعدادی تصویر از اشخاص از پیش معلوم آموزش داده شود (درست این است که بگوییم مدلی داریم که باید با داده‌های برچسب‌داری fit شود). بعد می‌توان از آن انتظار داشت که با دریافت یک تصویر از بین اشخاصی که قبلا تصویر آنها را دیده است، شخص یا اشخاصی که در تصویر هستند را شناسایی نماید. این یک سیستم نظارت شده یا Supervised است. در مقابل اگر سیستمی داشته باشیم که قرار باشد با بررسی تصویر تعدادی از اشخاص، بدون اینکه از قبل با آنها fit شده باشد اشخاص مختلف را از هم تمیز دهد و مثلا تکرار یا تعداد اشخاص را تعیین کند، آن سیستم، بدون نظارت یا Unsupervised است. راه‌حل‌های Supervised با نتیجه‌ی منفصل یا گسسته را Classification و با نتیجه‌ی پیوسته را Regression می‌گویند. موارد Unsupervised با نتیجه‌ی گسسته را Clustering و با نتیجه‌ی پیوسته را Dimension Reduction می‌گویند.


    مدل‌های مبتنی بر Deep Learning ماهیتا نظارت شده یا Supervised هستند. موارد بدون نظارت یا Unsupervised در Deep Learning به دو مسئله تفکیک می‌شوند؛ ابتدا یک مدل روی داده‌ها اعمال می‌شود تا نتیجه‌های مقدماتی حاصل شود و سپس یک مدل دیگر با همان نتایج fit می‌شود و حاصل نهایی را تولید می‌کند. مدل‌های مبتنی بر Deep Learning، برای آماده شدن نیاز به حجم بسیار انبوهی از داده‌ها دارند – مثلا تمام بازی‌های شطرنج ثبت شده در تاریخ یا تمام نوشته‌های ادیبان عصر ویکتوریا. در مقابل، سایر مدل‌ها (که مثلا به آنها Shallow Learning گفته می‌شود) قادرند با هر مقدار داده‌ای که در اختیار دارند نتیجه‌ی معقولی بدست دهند. هر دو رشته (عمیق و کم‌عمق) کماکان در حال پیشرفت هستند و کاربردهای خود را دارند – یکی جایگزین دیگری نشده است.

     

    یکی از کاربردهای مهم یادگیری ماشینی در حال حاضر استخراج اطلاعات از داده‌ها است که به آن داده‌کاوی نیز گفته می‌شود. به مرور زمان، شاخه‌ی عام‌تری از دانش، تحت عنوان علوم داده (Data Science) جمع‌آوری و توسعه داده شده است. برای هر 4 گروه اصلی مدل‌های یادگیری ماشینی کاربردهایی در علوم داده قابل تصور است؛ طبقه‌بندی داده‌ها یا تعیین برچسب برای آنها، پیش‌بینی مقادیر داده در آینده برحسب مقادیر و نتایج قبلی و مقادیر پیش‌بینی یا برنامه‌ریزی شده برای برخی از پارامترها، بازنمایی داده‌ها در فضاهای n بعدی و سپس کاستن از تعداد ابعاد برای تشخیص داده‌هایی که از نظر مفهومی به هم نزدیک هستند، همگی از کاربردهای انواع مدل‌های یادگیری ماشینی در علوم داده هستند.

     

     

    تشخیص ناهنجاری در داده‌ها با کمک یادگیری ماشینی

     

    استفاده از یادگیری ماشینی یکی از فعالیت‌های تحقیقاتی ما بوده که سعی کردیم نتیجه‌ای از آنرا در نگارش 11.02 سیستم ارائه دهیم. اهدافی که در این فعالیت داشته‌ایم، پیشرفت سیستم مالی یکپارچه‌ی نوسا با پیگیری و استفاده از دانش و تکنولوژی نوین در کنار کاربردی بودن سوژه و قابل پیاده‌سازی و قابل ارائه بودن آن بوده است. به این منظور به مفهومی به نام تشخیص یا کشف ناهنجاری (Anomaly Detection) پرداخته‌ایم.


    تشخیص ناهنجاری در داده‌ها یکی از کاربردهای مهم مدل‌های مبتنی بر یادگیری ماشینی در علوم داده است. این یک مفهوم بسیار باسابقه (تقریبا به قدمت کارت‌های اعتباری) است. هدف ابتدایی این بوده که در برخورد با تراکنش‌های هر کارت اعتباری، مواردی که به نظر غیرعادی (ناهنجار) می‌آیند کشف شود و تایید آن تراکنش، مشروط به تماس با صاحب کارت اعتباری و تایید مجدد وی باشد. مثلا اگر کارت اعتباری شخصی که ساکن تهران است در فاصله‌ی زمانی نزدیکی در تهران و شیراز بکار رفته باشد احتمال زیادی وجود دارد که یکی از این دو تراکنش، دزدی (Fraud) باشد. 


    در زمان‌های قدیم این کنترل با یکسری الگوریتم از پیش طرح و تعیین شده (Deterministic) با توجه به مکان، زمان، مبلغ و نوع کالا یا خدمت خریداری شده انجام می‌شد. اما با استفاده از یادگیری ماشینی می‌توان خیلی در این زمینه بهتر عمل کرد؛ فرض کنید مدل را با تعداد بسیار زیادی تراکنش تغذیه کنیم و همزمان برای هر تراکنش، یک برچسب با مقادیر دوگانه (معتبر / نامعتبر) نیز به عنوان حاصل به مدل بدهیم که مشخص‌کننده‌ی تراکنش‌های ناهنجار باشد. از این پس سیستم قادر خواهد بود با دقت معقولی ناهنجار بودن یک تراکنش جدید را تشخیص (و عملا پیشنهاد) دهد. این روش کلاسیک برای ما دو اشکال دارد؛ یکی اینکه باید تعداد بسیار زیادی تراکنش از قبل داشته باشیم – که آنها را به یک مدل یادگیری Shallow یا Deep بدهیم. دیگر اینکه اعتبار تراکنش‌های قبلی باید توسط شخص یا اشخاصی تعیین شده باشند تا یادگیری میسر باشد. استفاده از روش‌های یادگیری ماشینی مبتنی بر Deep Learning یک محدودیت دیگر هم برای ما به همراه می‌داشت؛ داده‌های مشتریان ما با هم تفاوت‌های اساسی (ساختاری و مقداری) دارند و در نتیجه نمی‌توانیم پارامترهای یک مدل Deep را با استفاده از داده‌های همه‌ی کاربران نوسا، به صورتی که برای همه‌ی آنها قابل استفاده و استناد باشد، آماده کنیم (ضمن اینکه دسترسی یا حتی اجازه‌ی استفاده از این داده‌ها را نیز نداریم). در نتیجه واضح است که روش‌های کلاسیک پیش‌گفته برای اکثر قریب به اتفاق مشتریان ما کارایی نخواهند داشت.


    در 20 سال اخیر مدل‌های ریاضی بسیار جالبی به صورت بدون نظارت (Unsupervised) توسعه داده شده‌اند که برای تشخیص ناهنجاری قابل استفاده هستند. یکی از این روش‌ها مدلی است که برای محاسبه‌ی Local Outlier Factor توسعه داده شده است. این مدل مبتنی بر یک روش (پارامتریک) برای تشخیص فاصله بین داده‌ها است. در این روش داده‌ها به صورت n عدد اعشاری به عنوان مختصات در یک فضای n بعدی دریافت می‌شوند. این مدل، مبتنی بر فاصله‌ی تشخیص داده شده در بین داده‌ها و یک الگوریتم مثل kdtree یا brute یا مانند آنها (پارامتریک) و دریافت تعدادی پارامتر اضافی، داده‌ها را در چند همسایگی قرار می‌دهد – یعنی مدل از انواع Clustering است. برای هر داده برحسب اینکه در همسایگی آن (آنچه تشخیص داده شده است) چه تعداد داده‌ی دیگر قرار دارند (پارامتریک) و نیز اینکه از مرکز همسایگی چه میزان فاصله دارد و بسته به اینکه همسایگی مربوط چقدر «چگال» باشد یک فاکتور (امتیاز – میزان) محاسبه می‌شود. از روی این فاکتور موارد ناهنجاری (Outlierها) تشخیص داده می‌شوند. این یک عدد بزرگتر از 1 است که 1 به معنی اطمینان از عادی بودن داده (ناهنجار نبودن) آن است و تا دو میلیارد (یا بیشتر) هم می‌رود که به معنی اطمینان مطلق از ناهنجار بودن داده است.
    روشی که ما در استفاده از این مدل بکار می‌بریم مبتنی است بر محاسبه و بازنمایی همان عدد در یک فیلد از گزارش، به نام "میزان ناهنجاری" و تشخیص را به عهده‌ی کاربر قرار می‌دهیم. گزارش را بر حسب میزان ناهنجاری به ترتیب نزولی بازنمایی خواهیم کرد. این محاسبات را برای برخی از گزارش‌های سیستم پیاده کرده‌ایم. در این گزارش‌ها میزان ناهنجاری به صورت یک فیلد در گزارش تعبیه شده و در فرم‌های گزارش قابل بازنمایی است.