پیش‌بینی زمان مرگ؛ ناخوشایندترین قابلیت هوش مصنوعی

پژوهشگران علوم پزشکی به قابلیتی خیره‌‌کننده و البته ناخوشایند در هوش مصنوعی دست یافته‌‌اند که کسی علاقه‌‌ای به آزمودن آن ندارد: «پیش‌بینی مرگ زودرس افراد».

اخیرا، دانشمندان نوعی سیستم هوش مصنوعی را به‌‌گونه‌‌ای آموزش داده‌‌اند که بتواند داده‌های سلامت عمومی مربوط‌‌به بیش از نیم‌میلیون نفر را طی یک دهه در انگلستان ارزیابی کند. سپس، آن‌ها از این سیستم خواستند احتمال خطر مرگ زودرس در افراد را پیش‌بینی کند؛ یعنی وضعیتی که فرد، مثلا به‌‌علت ابتلابه بیماری‌‌های مزمن، کمتر از میانگین موردانتظار عمر کند.

دکتر استفن ونگ، یکی از اعضای گروه این پژوهش و استادیار علوم اپیدمیولوژی و علوم داده در دانشگاه ناتینگهام بریتانیا، در بیانیه‌ای می‌‌گوید پیش‌بینی‌‌های الگوریتم‌‌های هوش مصنوعی درباره‌ی مرگ زودهنگام دقیق‌تر از پیش‌بینی‌های مدلی بود که از یادگیری ماشین بی‌‌بهره بود.

پژوهشگران برای ارزیابی احتمال مرگ زودرس افراد، دو ساختار مختلف از هوش مصنوعی را آزمایش کردند: ۱. یادگیری عمیق که در آن شبکه‌های پردازش اطلاعات لایه‌ای به رایانه کمک می‌‌کند ازطریق مثال‌‌ها آموزش ببیند؛ ۲. جنگل‌‌های تصمیم تصادفی که نوعی ساده‌‌تر از هوش مصنوعی است و در آن، از ترکیب چندین مدل درختی برای پیش‌‌بینی نتایج ممکن استفاده می‌‌شود.

مقاله‌های مرتبط:

• هوش مصنوعی می‌تواند بهتر از پزشکان، بیماری اطفال را تشخیص دهد
• طراحی هوش مصنوعی برای تولید داده‌های آموزشی پروژه‌های یادگیری ماشین

در مرحله‌‌ی بعد، آن‌ها نتایج مدل‌های هوش مصنوعی را با نتایج الگوریتمی استاندارد به‌نام مدل کاکس (Cox) مقایسه کردند.

با استفاده از این سه مدل، دانشمندان داده‌های بانک زیستی بریتانیا را ارزیابی و پایگاه اطلاعاتی متن‌‌باز از داده‌های ژنتیکی و فیزیکی و سلامتی بیش از ۵۰۰ هزار نفر از افراد بین سال‌های ۲۰۰۶ تا ۲۰۱۶  جمع‌‌آوری کردند. در طی این دوره‌‌، تقریبا ۱۴,۵۰۰ نفر از شرکت‌‌کنندگان براثر مشکلاتی ازقبیل سرطان و بیماری‌های قلبی و تنفسی فوت کردند.

تأثیر متغیرهای گوناگون

هر سه مدل نشان می دادند عواملی مانند سن، جنسیت، سابقه‌‌ی مصرف سیگار و سابقه‌‌ی تشخیص سرطان، ازجمله عوامل مهم‌‌ در ارزیابی احتمال مرگ زودرس هر فرد هستند. بااین‌‌حال، پژوهشگران دریافتند مدل‌ها درباره‌ی تأثیر عوامل دیگر هم‌گرایی خاصی نشان نمی‌‌دهند.

مدل کاکس به‌‌شدت براساس قومیت و فعالیت فیزیکی آموزش دیده بود؛ درحالی‌که این موضوع درباره‌ی مدل‌های یادگیری ماشین صدق نمی‌کرد. براساس این مطالعه، مدل جنگل تصمیم تصادفی تأکید بیشتری روی عواملی نظیر درصد چربی بدن، دور کمر، میزان مصرف میوه و سبزیجات و رنگ پوست نشان می‌‌کرد. برای مدل یادگیری عمیق، عوامل مؤثرتر عبارت بودند از: مواجهه با خطرهای مرتبط با کار، آلودگی هوا، مصرف الکل و استفاده از داروهای خاص.

الگوریتم یادگیری عمیق توانست به‌درستی ۷۶ درصد از موارد مرگ زودرس افراد را در جامعه‌ای ۵۰۰ هزار نفری پیش‌بینی کند

وقتی تمام این محاسبات انجام شد، الگوریتم یادگیری عمیق دقیق‌ترین پیش‌بینی ممکن را ارائه کرد و به‌‌درستی توانست ۷۶ درصد از افرادی را شناسایی کند که در طول دوره‌‌ی مطالعه جان باخته‌ بودند. در مقام مقایسه، مدل جنگل تصمیم تصادفی موفق شد ۶۴ درصد از موارد مرگ زودرس را درست پیش‌‌بینی کند. این درحالی بود که مدل کاکس فقط توانست ۴۴ درصد از این موارد را به‌‌درستی شناسایی کند.

استونی می‌خواهد از قاضی هوش مصنوعی در دادگاه‌های خود استفاده کند

دولت معمولا جای مناسبی برای به‌کارگیری نوآوری‌های حوزه‌ی فناوری اطلاعات یا فناوری‌های جدید دیگر، مانند هوش مصنوعی نیست. بااین‌حال، اوت ولزبرگ اینطور فکر نمی‌کند. ولزبرگ ۲۸ ساله، بالاترین مقام حوزه‌ی فناوری اطلاعات استونی می‌خواهد این کشور کوچک حوزه‌ی دریای بالتیک از هوش مصنوعی و یادگیری ماشینی برای خدمات‌رسانی به ۱.۳ میلیون شهروند خود استفاده کند.  

ولزبرگ پایان‌نامه‌ی دکترای خود را در دانشگاه اومئو سوئد درباره‌ی استفاده از اینترنت اشیاء (IoT) و داده‌های حسگری در خدمات دولتی نوشته است. وی می‌گوید:

می‌خواهیم دولت تاحدممکن به این فناوری‌های نوین تکیه داشته باشد.

دولت استونی تابستان سال گذشته ولزبرگ را استخدام کرد تا پروژه‌ی جدید هوش مصنوعی را در وزارتخانه‌های مختلف این کشور راه‌اندازی کند.

ولزبرگ از اهمیت به‌کارگیری هوش مصنوعی به‌خوبی آگاه است. او دراین‌باره می‌گوید:

برخی نگران‌ این موضوع هستند که کاهش شمار کارکنان موجب افت کیفیت خدمات شود؛ اما هوش مصنوعی به ما کمک خواهد کرد.

حدود ۲۲ درصد از مردم کشور استونی برای دولت کار می‌کنند. این میزان با میانگین کشورهای اروپایی برابر است؛ اما از ایالات متحده‌ی آمریکا بیشتر است. قبل از استخدام ولزبرگ، سیم سیکوت، مدیر ارشد فناوری اطلاعات استونی بود که از سال ۲۰۱۷، آزمایش چندین پروژه مبتنی بر هوش مصنوعی در سازمان‌های دولتی را شروع کرد. ولزبرگ می‌گوید استونی از هوش مصنوعی و یادگیری ماشین برای ۱۳ سازمان مختلف استفاده کرده که در آن، الگوریتم‌ها جایگزین کارمندان دولت شدند.

اوت ولزبرگ، بالاترین مقام حوزه‌ی فناوری اطلاعات استونی، می‌خواهد این کشور از هوش مصنوعی و یادگیری ماشینی برای خدمات‌رسانی به ۱.۳ میلیون شهروند خود استفاده کند

به‌عنوان مثال، ازآنجاکه کشاورزان استونیایی از یارانه‌های دولتی بهره‌مند می‌شوند، بازرسان دولتی وظیفه‌‌ی بازرسی از مزارع علوفه را انجام نمی‌دهند؛ بلکه تصاویر ماهواره‌ای آژانس فضایی اروپا که هر هفته از ماه‌های مِی (اردیبهشت) تا اکتبر (مهر) ثبت می‌شوند، به الگوریتم یادگیری عمیقی خورانده می‌شوند که در رصدخانه‌ی تارتو استونی توسعه پیدا کرده‌اند. درنهایت، تصاویر ماهواره‌ای با نقشه‌ی مزارع مقایسه می‌شود تا با تأیید برداشت علوفه، کشاورزان از یارانه‌های دولتی برخوردار شوند.

الگوریتم تمامی پیکسل‌های هر تصویر را بررسی می‌کند تا از برداشت محصولات مطمئن شود. چرای دام‌ها یا برداشت جزئی نیز به‌وسیله‌ی پردازش تصاویر مشخص می‌شود که در این مواقع، به حضور بازرس روی زمین‌های کشاورزی نیاز است. درهمین‌حال، دو هفته قبل از آخرین مهلت برداشت علوفه، سیستم خودکار ازطریق پیام یا ایمیل به کشاورزان اطلاع‌رسانی می‌کند که شامل لینکی به تصاویر ماهواره‌ای زمین‌هایشان است.

استونی در ۱۳ سازمان هوش مصنوعی را جایگزین کارمندان دولت کرده است

به‌گفته ولزبرگ، این سیستم در سال اول به‌کارگیری خود موجب صرفه‌جویی ۶۵۵,۰۰۰ یورویی شده است؛ زیرا بازرسان از محل‌های کمتری بازدید کردند و درعوض، تمرکز خود را روی سایر اقدامات قانونی گذاشتند.  

در کاربردی دیگری، رزومه‌ی کارگران معلق از کار و اخراجی به سیستم یادگیری ماشین داده می‌شوند تا مهارت‌های آن‌ها را با نیازهای کارفرمایان تطبیق دهد. حدود ۷۲ درصد از کارکنانی که ازطریق این سیستم شغل جدید پیدا کردند، اکنون پس از ۶ ماه هنوز بر سر شغل خود هستند. قبلا سیستم‌های کامپیوتری وظیفه‌ی تطبیق این اطلاعات را برعهده داشتند که بازدهی آن ۵۸ درصدی بود.

شایان ذکر است کودکانی که در استونی متولد می‌شوند، هنگام تولد به‌صورت خودکار در مدارس محلی ثبت‌نام می‌شوند. بدین‌ترتیب، دیگر نیازی نیست والدین برای قراردادن فرزندان خود در فهرست انتظار نام‌نویسی یا خود به مدیران مدارس مراجعه کنند. درواقع، اسناد بیمارستان‌ها به‌صورت خودکار با مدارس محلی به‌اشتراک گذاشته می‌شود. بااین‌حال، این سیستم نیاز چندان مبرمی به هوش مصنوعی ندارد؛ ولی به‌خوبی نمایانگر گسترش خدمات خودکار است.

در جاه‌طلبانه‌ترین پروژه تا‌به‌امروز، وزارت دادگستری استونی ژوئیه‌ی سال گذشته (تیر۱۳۹۷) از ولزبرگ و همکارانش درخواست کرد الگوریتم قضاوت مبتنی بر هوش مصنوعی طراحی کنند تا بتواند به پرونده‌ها و ادعاهای کوچک کمتر از ۷,۰۰۰ یورو رسیدگی و احکام لازم را صادر کند. مقام‌ها امیدوارند این سیستم بتواند با حل پرونده‌های عقب‌افتاده، از فشار کاری قاضیان و کارکنان دادگستری بکاهد.

این پروژه هنوز در مراحل اولیه قرار دارد و احتمالا در ادامه‌ی سال جاری، به‌صورت آزمایشی با تمرکز روی اختلافات قراردادی شروع‌به‌کار می‌کند. روی کاغذ، دو طرف پرونده و اسناد و اطلاعات مرتبط را بارگذاری می‌کنند و هوش مصنوعی تصمیم‌‌های لازم را می‌گیرد که قضات دادگستری امکان تجدیدنظر در آن را خواهند داشت.

هنوز بسیاری از جزئیات این پروژه مشخص نشدند. ولزبرگ می‌گوید سیستم پس از بازخوردهای لازم وکلا و قضات اصلاح می‌شود. با تمام این‌ها، با وجود پروژه‌ی دولت استونی این اولین‌باری نیست که هوش مصنوعی و قانون باهم ترکیب می‌شود؛ هرچند ممکن است اولین‌باری باشد که الگوریتم قدرت تصمیم‌گیری دارد. در برخی از استان‌های آمریکا، الگوریتم‌های هوش مصنوعی برای صدور احکام مجازات بزهکاران استفاده شده‌اند. همچنین، اپلیکیشن هوش مصنوعی DoNotPay که اساسا وکیل هوش مصنوعی است، در ۲۱ ماه اخیر، ۱۶۰,۰۰۰ قبض جریمه‌ی مربوط‌به پارکینگ در لندن و نیویورک را به ارزش ۴ میلیون دلار باطل کرده است.

اپل دانشمند ارشد گوگل را به عنوان مدیر یادگیری ماشین استخدام کرد

اپل ایان گودفلو، متخصص برجسته‌ی هوش مصنوعی را از گوگل ربوده تا او را به عضویت تیم هوش مصنوعی و یادگیری عمیق خود درآورد. گودفلو تغییر شغلی‌اش را در صفحه‌ی لینکداین خود اعلام کرد. او که پیش‌تر یکی از دانشمندان ارشد گوگل بود، حال به‌عنوان مدیر یادگیری ماشین در گروه پروژه‌های خاص اپل مشغول به‌کار خواهد بود.

مقاله‌های مرتبط:

• یادگیری عمیق چیست و چه کاربردهایی دارد؟
• استخدام در عصر انقلاب هوش مصنوعی چگونه است
• اپل استارتاپ فعال در حوزه‌ی هوش مصنوعی Silk Labs را تصاحب کرد

غول فناوری کوپرتینو از الگوریتم‌های یادگیری ماشین بهره‌های فراوانی می‌برد که از جمله‌ی آن‌ها می‌توان به کاربردهایی نظیر پیشنهاد محتوا، عکاسی، سیری،امنیت بیومتریک اشاره کرد. براساس اعلام اپل، این شرکت از هوش مصنوعی و یادگیری ماشین در اپلیکیشن خبری اپل نیوز پلاس، به منظور پیشنهاد مقالات استفاده خواهد کرد.

گودفلو بیشتر به جهت کار روی شبکه‌های رقابتی مولد (Generative Adversarial Networks) یا به اختصار GAN مشهور است. این تکنیک از دو شبکه‌ی عصبی تولیدکننده و تفکیک‌کننده برای تفکیک بهتر داده‌های تولیدی از داده‌های واقعی بهره می‌برد. او در گوگل، تحقیقاتی روی GAN و ظرفیت امنیتی آن انجام داد.

GAN که گاهی برای خلق تصاویر و ویدیوهای «کاملا ساختگی» (deepfake) به کار گرفته می‌شود، ابزاری کاربردی در سیستم‌های هوش مصنوعی است. شرکت اپل هم در این زمینه تحقیقاتی را انجام داده و در مقاله‌ای در سال ۲۰۱۶ جزئیات کار خود در راستای بهبود سیستم‌های بینایی ماشین با استفاده از GAN را توضیح داده‌است. به‌طور دقیق‌تر، روش اپل شامل آموزش الگوریتم‌های بینایی ماشین برای شناسایی اشیای واقعی با استفاده از تصاویر ساختگی رایانه‌ای می‌شد.

گودفلو دانش‌آموخته‌ی دانشگاه استنفورد در رشته‌ی علوم رایانه‌ای بوده و PhD خود در یادگیری ماشین را از دانشگاه مونترآل دریافت کرده‌است. او سابقه‌ی کار در گوگل و OpenAI و درآمدی معادل ۸۰۰ هزار دلار در سال دارد.

ایان گودفلو

اپل در گذشته هم از میان متخصصان هوش مصنوعی گوگل، صیدهایی داشته‌است. شاخص‌ترین استخدام اپل در این رابطه، جان جیاناندرا، مدیر سابق بخش جست‌وجو و هوش مصنوعی گوگل محسوب می‌شود.

شما در این رابطه چه فکر می‌کنید؟ آیا اقدام اپل دور از اخلاق و حرفه‌ای‌گری است؟ آیا گوگل باید قدر دانشمندان هوش مصنوعی خود را بیشتر بداند و شرایط بهتری برای آنان فراهم آورد؟ اپل چه آینده‌ای برای هوش مصنوعی در اکوسیستم خود متصور است؟ دیدگاه‌های خود را با ما به اشتراک بگذارید.

محققان الگوریتمی با قابلیت شبیه‌سازی مغز انسان توسعه دادند

گروهی از محققان اخیرا توانسته‌اند روشی برای اجرای یادگیری ماشین کشف کنند که برخی از جنبه‌های عملکردی اصلی مغز انسان را تقلید کند. الگوریتم‌های به‌دست‌آمده از تحقیقات جدید امکان‌پذیری بیولوژیکی هم دارند و به‌احتمال زیاد، زمینه‌های جدیدی به حوزه‌ی هوش مصنوعیاضافه می‌کنند.

مقاله‌های مرتبط:

• پیش‌بینی زمان مرگ؛ ناخوشایندترین قابلیت هوش مصنوعی
• هوش مصنوعی هم‌اکنون می‌خواند، می‌نویسد و ترجمه می‌کند

دیمیتری کروتوف، محقق IBM و جان جی. هاپفیلد، مخترع شبکه‌ی عصبی مشارکتی، در تحقیقات درباره‌ی الگوریتم جدید همکاری کردند. آن‌ها مجموعه‌ای از الگوریتم‌ها را توسعه دادند که شبیه به آموزش‌‌دادن به انسان‌ها، ماشین‌ها را آموزش می‌دهد. الگوریتم آن‌ها به ماشین امکان می‌دهد در رویکردی بدون نظارت خاص آموزش ببیند. درواقع، روش آن‌ها برخلاف راهکارهای موجود برچسب‌گذاری دیتاسِت است که امروزه، در اکثر فرایندهای یادگیری عمیق استفاده می‌شود.

بسیاری از تحقیقات پیشین در حوزه‌ی هوش مصنوعی که در دهه‌های ۱۹۸۰ و ۱۹۹۰ انجام شد، روی درک نحوه‌ی فعالیت شبکه‌ی عصبی انسان متمرکز بود. به‌علاوه، تبدیل آن به زبانی درک‌کردنی برای ماشین‌ها نیز در دستورکار آن تحقیقات قرار داشت. ایده‌ی مهم آن سال‌ها درک بهترین روش برای نشان‌دادن فعالیت عصب‌ها با استفاده از ریاضیات بود. مرحله‌ی بعدی نیز با مقیاس‌دهی همان یافته‌ها برای استفاده در ماشین‌ها انجام می‌شد. متأسفانه آن رویکرد به‌خوبی ادامه پیدا نکرد و اکثر تحقیقات درباره‌ی هوش مصنوعی تا دهه‌ی ۲۰۰۰، تقریبا فراموش شده بود.

تحقیقات کروتوف و هاپفیلد به‌نوعی از روش‌های قدیمی توسعه‌ی هوش مصنوعی استفاده می‌کند؛ اما قدمی جدید برای شبیه‌سازی مغزی شبکه‌های عصبی ارائه می‌دهد. کروتوف در مصاحبه‌ای درباره‌ی تحقیقاتش گفت:

اگر درباره‌ی عصب‌شناسی صحبت کنیم، قطعا جزئیات زیادی درباره‌ی نحوه‌ی کارکردن آن وجود دارد. سازوکارهای بیوفیزیکی پیچیده در فعالیت‌های انتقال عصبی مفصل‌های سیناپسی، وجود بیش از یک نوع سلول، جزئیات فعالیت‌های پیچیده‌ی آن سلول‌ها و موارد دیگر، همگی پیچیدگی سیستم عصبی را بیشتر می‌کنند. ما در تحقیقاتمان تمام آن جزئیات را نادیده گرفتیم. درعوض، ما تنها یک عنصر پایه‌ای را در فعالیت خود اضافه کردیم که در شبکه‌های عصبی زیستی هم وجود دارد. عنصر پایه‌ای مدنظر ما نیز ارتباط صرفا جفتی عصب‌ها با یکدیگر بود.

به‌بیانِ‌دیگر، مدل ما اجرای کامل مدل‌های زیستی واقعی نیست و درواقع، فاصله‌ی زیادی هم با آن دارد. روش ما برداشتی ریاضیاتی از نمونه‌ی زیستی بوده که در مفهومی کاملا ریاضیاتی اجرا شده است.

شبیه‌سازی کامل فرایندهای مغز مشکلات جزئی زیادی دارد

مدل‌های مدرن یادگیری عمیق عموما روی روش‌های آموزش «بازگشت به عقب» (Backpropagation) متمرکز می‌شوند. این روش آموزشی روی مغز انسان کاربرد ندارد؛ چون به داده‌های غیرمحلی وابسته است. به‌عنوان مثال، مغز ما می‌تواند تصاویر را بدون آموزش مرسوم پردازش کند. درواقع، می‌توانیم مواردی که قبلا ندیده‌ایم، به‌خوبی پردازش کنیم که با روش آموزش بازگشت به عقب برای ماشین‌ها تفاوت دارد.

آموزش یادگیری شبیه انسان به ماشین‌، دشواری‌های زیادی دارد. آن آموزش شبیه این است که خواندن را تنها با توضیح‌دادن حروف الفبا و بدون نشان‌دادن آن‌ها به افراد یاد دهیم. درواقع ماشین‌ها برخلاف ما، ارتباط حسی مستقیمی با جهان پیرامون ندارند. به‌هرحال به‌نظر می‌رسد کروتوف و هاپفیلد مشکل مذکور را با ساختن الگوریتمی حل کرده باشند که نمونه‌‌ای درک‌کردنی از داده می‌سازد.

کروتوف درباره‌ی مدل‌سازی الگوریتم‌شان می‌گوید:

اغلب وقتی به شبکه‌ی عصبی عمیق آموزش می‌دهیم، وظیفه‌ی آن را از قبل مشخص می‌کنیم. مثلا می‌گوییم اعداد با دست‌خط دست‌نویس را شناسایی کند. سپس، الگوریتم داده‌های موردنیاز خود را بسته به وظیفه‌ی مدنظر، در فضایی پنهان پیدا می‌کند. در نمونه‌‌ی ما، وزن‌های (Weights) لایه‌ی اولیه‌ی شبکه‌ی عصبی، به دانستن وظیفه نیاز ندارد. درواقع، آن لایه فقط روی خود داده آموزش می‌بیند. سپس بعد از پایان‌یافتن آموزش، می‌توانیم وظیفه را مشخص کنیم. در مفهوم جدید، وزن‌های لایه‌ی اولیه درباره‌ی وظیفه اطلاع خاصی ندارند.

تحقیقات اخیر رویکردی در حوزه‌ی هوش مصنوعی اجرا کردند که به‌نوعی فراموش شده بود. درواقع، شاید یادگیری‌های عمیق مدرن امروزه به حوزه‌ی اصلی تحقیقات تبدیل شده باشند؛ اما الگوریتم‌هایی با امکان‌پذیری بیولوژیکی نیز به زمینه‌های اصلی تحقیقات بازگردند. البته، محققان بررسی اخیر می‌گویند کاربردی‌بودن روش آن‌ها در هوش مصنوعی هنوز به بررسی‌های عمیق‌تر نیاز دارد. کوروتوف می‌گوید مقاله‌ی آن‌ها تنها روی کاغذ نشان می‌دهد که با استفاده از روشی شبیه به ساختارهای بیولوژیکی، می‌توان کاربرد مناسبی از هوش مصنوعی انتظار داشت. درواقع، مقاله‌ی آن‌ها بیش از این مرحله پیش نمی‌رود و مهر تأییدی بر کاربردی‌بودن خود نمی‌زند.

افزونه های سئو وردپرس

وقتی که تصمیم به سئو و بهینه سازی سایت وردپرسی میکنید به بیش از 50 افزونه گوناگون برمیخورید که هر کدام با توجه به فعالیتی که دارند بدست کارآزموده های مختلفی شناسایی میشوند اما در این نوشتار در عقیده داریم بصورت تخصصی بررسی بکنیم که بهترین افزونه سئو وردپرس کدام است و به چه صورت میتوان سایت وردپرسی را سئو کرد.

در طول روز ما تماس های بسیار زیادی جهت بهبود رتبه و جایگاه وبسایت داریم که با جرات میتوان گفت بیش از 80 درصد این وبسایت ها با وردپرس تاسیس شده اند و در هر کدام نیز طراح سایت یا سئوکار سایت از افزونه های متنوعی برای بهینه سازی کاربرد کرده اند.

اگر شما هم فهرست یکسری از رقبای خود را بررسی کرده باشید کامل متوجه خواهید شد که از افزونه های متنوعی برای سئوی سایت خویش بهره‌گیری میکنند که معمولا میتوان دو افزونه All in One Seo Pack و افزونه Yoast را نگریستن کرد.

 هر چند که ممکن است هر کسی با توجه به تجربه ای که دارد از افزونه های دیگری مانند Premium Seo pack یا افزونه Seo Booster و Seo Jet و... استفاده کرده باشند.

با پروا به تمرکز اخص کاربران بر روی دو افزونه Yoast و افزونه All in One Seo Pack ما نیز در این مقاله این 2 افزونه را سنجش میکنیم.

بهترین افزونه سئو وردپرس کدام است؟ Yoast یا All in One Seo Pack ؟

هر دوی این افزونه ها در دو نسخه مجانی و پریمیوم ارائه میشوند، قصد از نسخه پریمیوم نسخه پولی با امکانات اغلب میباشد و قاعدتا شما چون در نسخه پریمیوم خرج اکثریت میکنید، امکانات و قابلیت های اکثریت در دسترس شما قرار خواهد گرفت.

معمولا افزونه هایی که پیشه سئوی سایت را اتمام میدهند در نسخه های مختلف با امکانات گوناگون و حمایت و زمانی که شخص برنامه نویس برای شما قرار میدهد داری 2 پخش میباشند/ یکتا پخش رایگان و نسخه رایگان و دیگری نسخه پولی این افزونه ها که باید از سایت اصلی طراح جاسازی شوند.

دوستان در نظرداشته باشید که این افزونه های سئوکار شما نیستند یا کار شگفت ناآشنایی را اتمام نمیدهند/ این ازونه ها بر پای بست، قوانین و فاکتور هایی که براشون تعریف شده در سایت شما امثال یک دستیار سئو عمل میکنند و مثلا در اثناء تولید محتوا، مواردی ک بیچارگی به رسیدگی و بهبود دارند را به شما میگویند اماهیچ کدام از این افزونه ها امثال گوگل قدرت تجزیه و تحلیل متن را ندارند. بخاطر همین انتظارات خیلی زیادی از این افزونه ها نداشته باشید یا چشمداشت نداشته باشید که تنها با نصب کردن یک افزونه دیگر کل کار های سئوی سایت شما اتمام شود. این افزونه ها فقط پیشه هایی را سپریدن میدهند که در پایین معرفی شده است.

در ذیل ما هر دو نسخه مجانی و پریمیوم این افزونه ها را با همدیگر سنجش کرده ایم.

نسخه رایگان

نحوه نصب نسخه مجانی بهترین افزونه سئو:

هر دوی این افزونه ها بصورت مجانی در انبار- انباشتگاه وردپرس پیمان دارند و شما نیز میتوانید برای نصب کردن این افزونه ها از منوی سمت راست پیشخوان وردپرس "افزونه ها -> افزودن" را انتخاب بکنید و در کادر جستجو اسم هر کدام از افزونه ها را وارد بکنید و دکمه نصب و فعالسازی را بزنید.

نسخه پریمیوم یا همان نسخه پولی

این نسخه ها بصورت پولی و از طرف سایت طراح خویش افزونه ارائه میشود اما در ایران کاملا جریان متفاوت میباشد، در ایران سایت های خیلی زیادی هستند که این نسخه از افزونه ها را بصورت نال شده بدون کد لایسنس و اخذ سر راست بروزرسانی افزونه ارائه میکنند.

به شما توصیه میکنیم که حتما از نسخه پریمیوم این افزونه ها کاربرد بکنید چون امکانات وقابلیت های اکثریت را در دسترس شما قرار میدهند. ولی حتما این نسخه را از یک کمپانی معتبر و با پیشینه تهیه کنید.

مقایسه افزونه Yoast و افزونه سئو وردپرس All in one seo pack

بصورت کلی اگر بخواهیم روشنگری دهیم امکانات هر دوتای این افزونه مساوی هستند و برگزیدن کردن هر کدام از اینها به عنوان بهترین افزونه پیشه صحیحی نیست بلکه ما باید بر اساس دربایستن و شرایط سایت خودمان این گزینش را اتمام دهیم .

لیست امکانات کلیدی و قابلیت های افزونه Yoast نسخه پریمیوم:

·  ساخت خودکار نقشه سایت برای مطالب و برگه ها و رسانه ها و...بصورت xml

·  قابلیت پیوست به کنسول گوگل (برای سایت هایی که سرورشن در بیرون از ایران باشد)

·  افزودن خودکار متا تگ های Open Graph

·  قابلیت تعیین دسترسی ها از طریق ویرایشگر فایل های htaccess و فایل robots.txt

·  ساخت خودکار ریدایرکت ها برای مطالبی که آدرس آنها تغییر میکند یا حذف میشوند.

·  در نسخه پریمیوم این افزونه میتوانید تا 5 کلمه کلیدی در هنگام افزودن نوشتار جدید اضافه بکنید که در نسخه رایگان شما تنها 1 واژه کلیدی را میتوانید وارد بکنید.

قابلیت های دیگری همانند امکان ویرایش متای توضیحات هر کدام از مطالب سایت یا نصب جادویی Wizard از ویژگی های سایر این افزونه میباشد.

لیست امکانات کلیدی و قابلیت های افزونه All in One Seo Pack نسخه پریمیوم:

·  امکان سایت خودکار نسخه سایت بصورت XML

·  امکان اعمال دگرگونی ها در فایل robots.txt

·  مدیریت عملکرد یا Performance manager

·  امکان تنظیم متای توضیحات و عنوان و نحوه نمایش سایت در گوگل

·  ویرایشگر فایل htaccess

·  امکان ساخت خودکار OG یا همان متا تگ های Open Graph

سئو وردپرس با افزونه Yoast بهتر است یا All in One Seo Pack ?

این یک سوال زیاد جامع میباشد که هر کمپانی سئو شدنی است بر پای بست، کار و جنبش خود آنرا انتخاب کند ولی ما خودمان برای سئو وردپرس از افزونه Yoast بهره‌گیری میکنیم به دلایل زیر:

این افزونه امکان پیکربندی جادویی یا همان نصب Wizard را دارد

بدلیل اینکه لغایت اکنون نصب های زیادی داشته است و هر مشتری از قالب و افزونه های گوناگون در وردپرس بهره‌گیری میکنند باید از افزونه هایی کاربرد کرد که با تمام اینها سازگاری داشته باشند و از این رو افزونه Yoast گزینه بهتری میباشد

همچنین بدلیل اینکه شغل کردن با این افزونه زیاد ساده تر میباشد براحتی میتوانیم به مشتریان خود آموزش بدهیم که چگونه در فرآوری درونمایه از این افزونه استفاده بکنند.