اَبَرداده و یادگیری ماشینی
با ابرداده و یادگیری ماشینی می‌توان بر حجم عظیم و روزافزون داده‌های ذخیره‌شده کنترل داشت و از آن‌ها استفاده کرد. آیندهٔ تکنولوژی به این موارد نیاز دارد.
«ابرداده» کلمه‌ای است که این روزها زیاد به گوش می‌رسد و برای توصیف مجموعه‌های عظیم داده‌های ساخت‌یافته و ساخت‌نایافته که با تکنیک‌های پایگاه داده‌ای قدیمی نمی‌توان آن‌ها را پردازش کرد، استفاده می‌شود. تجزیه و تحلیل ابرداده‌ها چیزهایی را آشکار می‌کند که قبلاً به دلیل هزینهٔ بالای پردازش داده‌ها بر ما پوشیده بودند؛ مثل نفوذ هم‌سالان بین خریداران، که تحلیل تراکنش‌ها و داده‌های اجتماعی و جغرافیایی خریداران آن را آشکار کرد. با افزایش روزافزون داده‌های ذخیره‌شده به‌صورت آنلاین، به‌خصوص وقتی که اینترنت اشیا و گجت‌های پوشیدنی نیز به نقطه اوج خود برسند، دنیا به‌زودی به آستانه اضافه بودن داده‌ها می‌رسد. حرکت در میان این حجم عظیم از داده‌ها امری ضروری بوده و اینجاست که یادگیری ماشینی وارد می‌شود. یادگیری ماشینی ربطی به ربات‌های خانگی ندارد. در واقع، مفهومی نزدیک‌تر از خانه است. برای مثال، جعبه دریافت ایمیل‌های شما یک پوشه هرزنامه (Spam Folder) دارد و ایمیل‌هایی که بر اساس یک الگوریتم بر الگوی خاصی منطبق می‌شود را به این پوشه می‌فرستد. این الگوریتم یاد گرفته است ایمیل‌ها را به دسته‌های «هرزنامه» و «غیرهرزنامه» تقسیم کند. به‌طور مشابه، صفحهٔ فیسبوک شما پر است از ارسال‌های دوستان صمیمی‌شما، چون الگوریتمی وجود دارد که تمایلات و علاقه‌مندی‌های شما را با توجه به تعاملات‌تان (مثل لایک کردن، کامنت گذاشتن، به اشتراک گذاشتن و کلیک کردن) یاد گرفته است.
در آینده تکنولوژی و جایی که ابرداده و یادگیری ماشینی به هم می‌رسند، یک انقلاب اطلاعاتی منتظر ایستاده است! بخش پزشکی بیشتر از همهٔ بخش‌های دیگر این پتانسیل را دارد. الگوریتم‌های هوشمندی که با داده کاوی (Data Mining) مجموعه داده‌های بیمار، بیماری‌های قبلی او و اطلاعات ژنتیکی به پزشک‌ها کمک می‌کنند. ماشین می‌تواند در بین داده‌های ثبت شده بسیار زیاد جست‌وجو کند و آن‌ها را به اطلاعات پزشکی ربط دهد. برای نمونه، یک بیمار مبتلا به سرطان که برای انجام درمانش می‌آید را در نظر بگیرید. ماشین به دکتر اطلاع می‌دهد که او یک ژن یا مجموعه‌ای از ژن‌های خاص دارد و دکتر می‌فهمد که باید از درمان خاصی برای او استفاده کند. عالیه، نه؟
