مخزن FarrokhML مجموعهای جامع از ۱۲ پروژه کاربردی در زمینههای یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی و بینایی ماشین است که توسط فرخ احمدی، دکترای مدیریت صنعتی و مشاور ارشد هوش مصنوعی توسعه یافته است. این مجموعه برخلاف پورتفولیوهای معمول که تنها بر افزایش اعداد ارزیابی اولیه تمرکز دارند، پروژهها را بر اساس دادههای واقعی، متدولوژیهای سنجش دقیق و تحلیل هزینه و اثرات عملیاتی در کسبوکار پیادهسازی کرده است.
تمرکز اصلی این پروژه ارائه راهکارهای پایانبهپایان (End-to-End) است که در آنها علاوه بر توسعه مدل، چالشهای مربوط به نحوه تصمیمگیری، نشت داده (Data Leakage) و قابلیت تفسیرپذیری مدلها به شکل شفاف بررسی شدهاند.
تمرکز بر ارزیابی واقعی به جای سنجههای ظاهری
یکی از ویژگیهای شاخص پروژههای این مخزن، نقد و بررسی دقیق سنجههای رایج مانند دقت (Accuracy) است. در بسیاری از سناریوهای صنعتی و پزشکی، بالا بودن دقت مدل میتواند چالشهای عملیاتی ایجاد کند یا هزینههای پنهانی به همراه داشته باشد.
- **لایه تصمیمگیری و پیشبینی:** در پروژه تحلیل سفارشهای فروشگاه اینترنتی، مشخص شد مدلی که بالاترین دقت پیشبینی را داشته لزوماً کمترین هزینه انبارداری را ایجاد نکرده است.
- **غربالگری پزشکی:** در پروژه تشخیص بیماریهای تیروئید، مدل دارای دقت ۹۲ درصدی، سه برابر بیشتر از مدلی با تابع زیان متفاوت، بیماران واقعی را نادرست تشخیص داده است.
- **تفسیرپذیری ریسک اعتباری:** استفاده از ابزارهای سیستمهای هوش مصنوعی قابل تفسیر مانند SHAP در پیادهسازی مدلهای اعتبارسنجی برای تحلیل تصمیمات فردی و کلی مدل.
تنوع حوزههای کاربردی و معماریهای فنی
پروژههای موجود در این مخزن طیف وسیعی از نیازهای فنی صنایع مختلف را پوشش میدهند و نشاندهنده معماریهای متفاوتی در حل مسئله هستند:
- **سامانههای بازیابی و چتباتها (RAG):** پیادهسازی پایگاه دانش سازمانی با ترکیب BM25 و LSA جهت بهبود دقت بازیابی متون و ارزیابی با معیارهای استاندارد.
- **شناسایی تقلب و تحلیل مالی:** مدلسازی شناسایی تقلب در زمان واقعی با تقسیمبندی زمانی دادهها و بهینهسازی سبد سهام با استفاده از روش Markowitz و تعدیل Ledoit-Wolf.
- **بینایی ماشین در خطوط تولید:** سیستمهای تشخیص عیوب صنعتی و شناسایی تجهیزات ایمنی فردی با تحلیل لایهبهلایه معیارهای IoU و نرخ انطباق.
ارزش پورتفولیو برای تیمهای فنی و تصمیمگیرندگان
نگاه مسئلهمحور و شفافیت در بیان محدودیتهای مدل، این مجموعه را به مرجعی ارزشمند برای مهندسان داده و مدیران ارشد فناوری تبدیل کرده است. در هر پروژه، دلایل انتخاب روشها، نحوه مواجهه با دادههای پرت و معایب احتمالی مدل به روشنی مستند شده است.
این رویکرد نشان میدهد که پیادهسازی هوش مصنوعی در محیطهای عملیاتی تنها به آموزش مدل محدود نمیشود، بلکه نیازمند درک عمیق از فرایندهای کاری، تحلیل ریسک و هماهنگی کامل میان خروجی مدل و استراتژیهای مالی کسبوکار است.