کارگزاری مفید به تازگی مراسمی را برگزار کرد که در آن فعالان حوزه هوش مصنوعی به اشتراک تجربیات خود در صنعت پرداختند. در رویداد تجربه‌محور هوش مصنوعی، مدیران و دانشمندان هوش مصنوعی شرکت‌های بزرگ داخلی و خارجی حضور داشتند.
در این مراسم یک‌روزه که در سالن همایش‌های بین‌المللی صدا و سیما برگزار شد، هشت سخنران به بیان تجربههای خود در حوزه هوش مصنوعی و فناوری‌های وابسته به آن پرداختند.
این رویداد با هدف گردهمایی متخصصان حوزه AI و علوم داده برگزار شد تا حاضران در مراسم با چالش‌های توسعه محصولات هوش مصنوعی آشنا شده و از پتانسیل‌های موجود در این حوزه مطلع شوند. از سخنرانان این مراسم می‌توان به افراد زیر اشاره کرد:
- محمد شکوهی یکتا؛ دانشمند ارشد علوم داده مایکروسافت
- علی زارع‌زاده؛ مدیر تیم هوش مصنوعی کارگزاری مفید
- علی الهی؛ مدیر واحد هوش مصنوعی تپسی
- عباس حسینی؛ هم‌بنیان‌گذار تپسل
- مرضیه طاهایی؛ دانشمند یادگیری ماشین هوآوی
- محمدحسین رهبان؛ عضو هیئت علمی دانشگاه شریف
- پیام اسفندیاری؛ مدیر ارشد سابق دیتای بلوبانک
- دامون نشتاعلی؛ مدیرعامل شرکت هومن ژن پارس
نیمی از سرمایه‌گذاری در هوش مصنوعی جهان توسط چینی‌هاست
در آغاز مراسم، حمیدرضا مختاریان (مدیر تیم دیجیتال مفید به عنوان میزبان این همایش) به سابقه هوش مصنوعی اشاره کرد و گفت: در کشور چین یک بازی بسیار محبوب وجود دارد که بیش از ۲۵۰۰ سال است چینی‌ها آن را در محله‌ها و خیابان‌ها بازی می‌کنند و به آن تعلق خاطر ویژه‌ای دارند. نام این بازی «Go» است.
اولین بار در سال ۲۰۱۷، یک بازیکن حرفه‌ای چینی در بازی «Go» به هوش مصنوعی باخت. سراسر چین نسبت به این باخت ناراحت و معترض بود اما این شکست موجب شد که چین زودتر از سایر کشورها متوجه شود باید «هوش مصنوعی» را جدی بگیرد و در همین راستا برنامه‌ریزی‌های چین برای سال ۲۰۲۰ و ۲۰۳۰ شروع شد و کار به جایی رسید که چینی‌ها درسال کرونا ۴۸ درصد سرمایه‌گذاری هوش مصنوعی جهان را انجام دادند. این در حالی است که سهم آمریکایی‌ها ازسرمایه‌گذاری هوش مصنوعی در ۴۲ درصد برآورد می‌شود.
هوش مصنوعی در تپسی چه کاربردهایی دارد؟
علی الهی، مدیر هوش مصنوعی تپسی، درباره کاربردهای AI در این شرکت این‌گونه توضیح داد که کاربرد هوش مصنوعی از همان صفحه اول اپلیکیشن که مربوط به تعیین مبدا و مقصد است، آغاز می‌شود. سه راه اصلی برای رسیدن به مبدا و مقصد وجود دارد. مبدا معمولا پیچیده نیست و چالش اصلی در مورد پیدا کردن مقصد است. یک راه استفاده از لوکیشن‌های محبوب کاربرست. در این مسیر بر اساس مسیرهای ذخیره شده توسط خود کاربر تصمیم گرفته می‌شود.
ابزار بعدی برای پیدا کردن مقصد جستجو است و راه حل آخر جستجو در نقشه است. شاخصی که در این بخش به دنبال بهبود آن هستیم، زمانی است که برای پیدا کردن و انتخاب مبدا و مقصد در نظر گرفته می‌شود. هوش مصنوعی در همه این زمینه‌ها می‌تواند کمک قابل توجهی به ما بکند.
در تپسی اگر افراد از مقصد منتخب استفاده کنند 10 ثانیه، اگر از جستجوی نقشه استفاده کنند 30 ثانیه و اگر از خود نقشه استفاده کنند 50 ثانیه زمان از آن‌ها گرفته می‌شود. یکی از اهدافی که در هوش مصنوعی پیگیری می‌شود این است که افراد را به سمتی سوق دهیم که از ابزارهای ما بیشتر استفاده کنند اما رسیدن به مدل درست برای هر کاربر حساسیت بالایی و پیچیدگی‌های زیادی دارد.
یکی دیگر از مسایل امروز ما در تپسی سرچ در زبان فارسی است که می‌تواند بسیار چالش برانگیز باشد چرا که ابزارهای طراحی شده برای زبان فارسی به آن صورت نداریم.
موضوع بعدی ارائه قیمت سفرها است. در بازارهای دو سویه باید قیمتی ارائه شود که باب میل مسافر و سفیر باشد. ابزارهایی که برای ارائه این قیمت داریم، یک ماژول است که قیمت عادلانه سفر را مستقل از عرضه و تقاضا محاسبه می‌کند. اگر به سفر مثل یک کالا نگاه کنیم، کالا با توجه به زمانی که دارد و منطقه مقصد و مبدا قیمتی به آن تخصیص پیدا می‌کند باید در فرآیند قیمت‌گذاری قرار گیرد.
همچنین انتخاب راننده، تخمین دقیق زمان سفر در شرایط ترافیکی مختلف نیز از دیگر چالش‌هایی است که هوش مصنوعی به کمک تپسی آمده است.
هوش مصنوعی در تبلیغات دیجیتال
عباس حسینی، هم‌بنیان‌گذار تپسل درباره کاربرد هوش مصنوعی در صنعت تبلیغات آنلاین سخنرانی کرد. به گفته وی، در این حوزه نکته‌ای که نباید از آن غافل شد این است که مسیری طولانی از نمایش یک تبلیغ تا رسیدن به هدف سفارش‌دهنده تبلیغ، طی می‌شود. این در حالی است که سفارش دهنده فقط به درآمد فکر می‌کند و به دنبال کسب بهترین نتیجه در کمترین زمان است.
این سوی ماجرا هم ما ایستاده‌ایم. پولی که از سفارش‌دهنده می‌گیریم به ازای یک اکشن یا اتفاق مشخص است و این در حالی است که احتمال اینکه آن اکشن یا اتفاق رخ بدهد باید تخمین زده شود و این مساله اصلی و یکی از مهم‌ترین چالش‌های کسب و کار ماست که استفاده از هوش مصنوعی می‌تواند به حل آن کمک کند.
کاربرد هوش مصنوعی در علوم ژنتیک
دامون نشتاعلی، مدیرعامل شرکت هومن ژن پارس سخنران بعدی این همایش بود. او از کاربرد هوش مصنوعی در مطالعات مربوط به ژنتیک و تجربههای کاری خود در این زمینه گفت: «ما در هومن ژن پارس سعی کردیم به داده‌هایی که اغلب دورریزهای سیستم‌هایی بودند که مطالعات روی دی ان ای را انجام می‌دادند، دسترسی پیدا کنیم. این موضوع برای بیماران ژنتیکی بسیار اهمیت دارد که تغییرات داخل نقاط مورد مطالعه در بررسی‌های ژنتیکی به درستی تحلیل شود. این روند کمک می‌کند که علت بیماری ژنتیکی هم کشف و استخراج شود»
او به مشکلاتی که تحریم‌ها برای فعالیت در زمینه مطالعات ژنتیک در کشور ایجاد کرده هم اشاره کرده و گفت: برای مطالعات با درصد خطای پایین و دقت بالا در حوزه ژنتیک به یک دستگاه توالی‌یابی نیاز داریم تا به آلفابت اصلی دست پیدا کنیم. به واسطه تشدید تحریم‌ها، این دستگاه‌ها و کیت‌های مربوط به آن، در ایران بسیار نادر است و چالش اصلی ما این است که قیمت این دستگاه حدود یک میلیون دلار است که هم خود دستگاه و هم سوخت مورد نیاز آن در حال حاضر تحریم است.
چالش هوش مصنوعی و مرکز ارتباط با مشتریان کارگزاری مفید
به گفته علی زارع زاده، مدیر تیم هوش مصنوعی کارگزاری مفید، اولین مسئله چالشی کارگزاری مفید، KYC یا فرایند ثبت نام مشتریان و احراز هویت آن‌ها بود که استفاده از هوش مصنوعی کم‌خطا را ناگزیر می‌کرد.
زارع زاده گفت: بر همین اساس در پایان سال ۹۹ از نسخه اولیه هوش مصنوعی مفید، رونمایی کردیم. در این فرآیند، اصلی‌ترین مساله تشخیص زنده بودن تصویر بود که برای آن یک ماژول طراحی شده است که به خوبی می‌تواند این مساله را حل کند. در واقع تلاش ما در کارگزاری مفید در این مسیر پیش می‌رفت که نرخ پذیرش اشتباه به صفر برسد؛ نرخی که در آن مقطع روی تستر خودمان حدود دو درصد بود.
بررسی کیفیت پاسخ‌گویی اپراتورها و سطح رضایت‌مندی مشتریانی که با مرکز تماس مفید ارتباط برقرار کرده‌اند، از دیگر پروژه‌های مبتنی بر AI در کارگزاری مفید بوده است.
خروجی تیم داده، باید قابل دفاع و قابل توضیح به زبان ساده باشد
پیام اسفندیاری، مدیر ارشد سابق دیتا در بلوبانک و مدیر فعلی هوش مصنوعی در اسنپ اکسپرس، درباره تجربیات خود گفت: امروزه فضای ماشین لرنینگ اگر قرار باشد به درستی ترسیم شود، نیاز به افزودن یک بعد احساس می‌شود که آن را می‌توان «توضیح‌پذیر بودن» نامید. من بر این باورم که وقت آن رسیده که بپذیریم به ابزارهای جدیدی برای رسیدن به نتایج مطلوب نیاز داریم. ابزارهایی که مدل‌های موجود را جراحی کند تا ریشه شکل‌گیری مشکلات کنونی را پیدا کند.
یکی از مشکلات تیم‌های دیتا در سراسر دنیا این است که نمی‌توانند از مدل‌های پیشنهادی خود به درستی دفاع کنند و درگیر یادگیری عمیق یا همان دیپ لرنینگ شده‌اند. در صورتی که در خیلی از مواقع، مدل‌ها باید آنقدر ساده باشند که امکان توضیح آن‌ها برای مدیران تجاری و حتی کودکان هم وجود داشته باشد.
یادگیری عمیق می‌تواند جان انسان‌ها را نجات دهد؟
در بخش دیگر این رویداد که به صورت آنلاین برگزار شد، محمد شکوهی یکتا (استاد دانشگاه استنفورد و دانشمند ارشد مایکروسافت) به کاربردهای یادگیری عمیق در حوزه سلامت اشاره کرد. وی گفت: سوالی که میخواهم مطرح کنیم این است که چند نفر فکر می‌کنند یادگیری عمیق می‌تواند جان انسان‌ها را نجات دهد؟ چند نفر تصور می‌کنند که پزشکان توانایی بیشتری در این زمینه دارند؟ امیدوارم نتیجه‌گیری نهایی شما بعد از دنبال کردن این صحبت‌ها این باشد که ما به ترکیب این دو با هم برای تحول در حوزه سلامت نیاز داریم.
بیش از 1.2 میلیون نفر در دنیا هر سال به خاطر تصادف از دنیا می‌روند. ماشین لرنینگ می‌تواند جان میلیون‌ها نفر را نجات دهد. اما ساز و کار این جان‌بخشی چگونه است؟ بر این اساس می‌توان چند دهم ثانیه قبل از تصادف، رخداد آن پیش‌بینی شود. بعد از این تشخیص ماشین باید ترمز کرده و کمربند سرنشینان را محکم کند یا ایربگ را باز کند.
یکی از مثال‌ها در این باره شرکت تسلا است که این تکنولوژی را در ماشین‌های خودران خود دارد. در نمونه‌های تولید شده در سال 2016 قبل از وقوع تصادف صدای یک بوق ممتد شنیده می‌شود.
در حوزه سلامت، جمله معروفی وجود دارد که می‌گوید: «بدن ما نیاز به تعدادی سنسور دارد تا سلامت خود را رصد کند. وقتی حتی ماشین‌ها مجهز به سنسورهستند چرا بدن ما نباشد؟» در واقع همه ما در آینده نزدیک از تجهیزاتی استفاده خواهیم کرد که می‌تواند وضعیت سلامتی ما را رصد کند.
بدین ترتیب روش‌های یادگیری ماشین و یادگیری عمیق می‌توانند پیش‌بینی‌هایی انجام دهند که بیمار قبل از مراجعه به پزشک، بتواند از بروز مشکل در بدن خود مطلع شود و اقدامات پیشگیرانه هر چه سریع‌تر انجام گردد.
رد پای کربن در حوزه هوش مصنوعی بسیار بالاست
مرضیه طاحایی، محقق حوزه یادگیری عمیق آخرین سخنران این نشست بود که در خصوص بهینه‌سازی بهره‌مندی از هوش مصنوعی سخنرانی کرد و اشاره‌ای به تبعات محیط زیستی فعالیت‌های مربوط به هوش مصنوعی کرد.
وی گفت: ردپای کربن در این حوزه بسیار بالاست و فعالیت‌های مرتبط با آن به نفع محیط زیست نیست. ممکن است این تصور به وجود آید که اگر چند سال صبر کنیم ظرفیت‌های هارد وب افزایش پیدا می‌کند و هزینه آموزش و راه‌اندازی این مدل‌ها کاهش پیدا می‌کند اما واقعیت این است که در چند سال اخیر این هزینه در حال افزایش است. از طرفی هزینه آموزش بالا باعث می‌شود که فقط یک جمعیت خاص و تنها کمپانیهای بزرگ امکان استفاده از آن را داشته باشند.
در پایان این رویداد یک روزه، یک پنل تخصصی برگزار شد و در آن سخنرانان نشست به سوالات حضار که اغلب از دانشجویان و اساتید دانشگاه و فعالان بخش صنعت بودند پاسخ دادند و توصیه‌های عملی برای پر کردن شکاف میان فضای دانشگاهی و بازار کار ارائه شد.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت