نخستین دوره رویداد تجربه محور هوش مصنوعی در تاریخ 19 اردیبهشت ماه در محل سالن همایش‌های صدا و سیما برگزار شد. این رویداد را کارگزاری مفید ترتیب داد.
هوش‌مصنوعی جزء جدا نشدنی علم و تکنولوژی امروز است که بسیاری از کسب و کارها نیز از آن بهره می‌برند. کارگزاری مفید با تکیه بر این موضوع نخستین رویداد تجربه محور هوش مصنوعی را برگزار کرد. در این رویداد اساتید و کارشناسانی همچون مرضیه طاهایی دانشمند یادگیری ماشین هواوی، محمد شکوهی یکتا دانشمند ارشد کاربردی داده مایکروسافت، علی زارع مدیر تیم هوش مصنوعی کارگزاری مفید، محمد حسین رهبان عضو هیئت علمی دانشگاه صنعتی شریف، علی الهی مدیر واحد هوش مصنوعی تپسی، پیام اسفندیاری مدیر ارشد سابق دیتای بلوبانک، عبای حسینی هم‌بنیان‌گذار تپسل، دامون نشتاعلی بنیانگذار اسمارت‌ژن، سخنرانی کردند.
سخنرانی مدیر هوش مصنوعی تپسی در رویداد تجربه محور هوش مصنوعی
نخستین سخنرانی رویداد تجربه محور هوش مصنوعی را علی الهی، مدیر هوش‌مصنوعی تپسی انجام داد. عنوان اصلی سخنرانی الهی «پشت هر سفر چه می‌گذرد» بود. الهی در این سخنرانی از موضوعاتی چون انتخاب مبدا و مقصد، قیمت‌گذاری و تخمین زمان سفر و چالش‌هایی که هر کدام از این بخش‌ها در حوزه بهره‌گیری از هوش مصنوعی دارند صحبت کرد.
مدیر هوش مصنوعی تپسی در خصوص قیمت گذاری در تپسی گفت: «واقعیت این است که بیزنس ما داینامیک بالایی دارد. عرضه و تقاضا به شدت بالا و پایین می‌شود. از همین رو ابزاری به نام سرچ پرایسینگ داریم که وظیفه این ابزار این است که بین عرضه و تقاضا تعادل برقرار کند اما نمی‌تواند قیمت را از یک حدی پایین‌تر بیاورد. به این دلیل که سفر عملا برای سفی‍ر یا همان راننده صرفه اقتصادی ندارد. اینجا از ابزار تخفیف استفاده می‌کنیم. به کمک تخفیفی که به مسافر می‌دهیم تقاضا ایجاد می‌کنیم. چالش این است که نقطه تعادل را پیدا کنیم»
هم‌بنیان‌گذار تپسل: تبلیغات سنتی هدر رفت سرمایه و انرژی است
دومین سخنران رویداد عباس حسینی هم‌بنیان‌گذار تپسل بود. حسینی در خصوص هدر رفت سرمایه و انرژی در تبلیغات سنتی گفت: «در تبلیغات سنتی به رسانه‌های خاصی مثل بیلبوردها وابستگی وجود دارد. اصلی‌ترین چالش در تبلیغات سنتی هدررفت سرمایه و منابع است بدون آنکه برآورد خاصی از میزان آن وجود داشته باشد. اندازه‌گیری آورده‌ها یا هزینه‌ها و در واقع بررسی به صرفه بودن مسیر انتخاب شده، تقریبا در این نوع از تبلیغات غیر ممکن است.»
وی همچنین در خصوص بهره‌گیری از هوش مصنوعی در تپسل گفت: «در تپسل، با استفاده از هوش مصنوعی به سه روش برای حل چالش‌های حاکم رسیدیم که مدل اول «راه حل ساده» نام دارد که بنا دارم بیشتر روی این روش تاکید کنم. در این روش هوش مصنوعی حافظه‌محور عمل می‌کند، تفسیرپذیری بالایی وجود دارد اما کامپیوتر در این روش نمی‌تواند تولیدکننده یا پیش‌گو باشد تا موقعیت‌های پیش نیامده را هم مدیریت کند. مدل‌های دیگری هم در تپسل مورد بررسی و ارائه قرار می‌گیرد و آزمون و خطاهای بسیاری انجام شده و می‌شود اما من فکر می‌کنم داده‌ها مهم‌ترین بخش در همه مدل‌های موجود هستند.»
هوش مصنوعی و علم ژنتیک
دامون نشتاعلی مدیرعامل شرکت هومن ژن پارس، سومین سخنران رویداد تجربه محور هوش مصنوعی از قابلیت‌های کمک کننده هوش مصنوعی در علم ژنتیک 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.»
همچنین وی از مشکلاتی که تحریم‌ها بر سر راه مطالعاتی علمی گذاشته صحبت کرد و توضیح داد: «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. این دستگاه شبیه به یک هواپیما عمل می‌کند. هزینه سوخت این دستگاه در هر فعالیت بالاست، اما در هر فعالیت ممکن است هزار مورد را بررسی کند و سرعت قابل توجهی به کار ببخشد.»
کمک‌های هوش مصنوعی به کارگزاری مفید
علی زارع‌زاده مدیر تیم هوش مصنوعی کارگزاری مفید نیز از کمک هوش مصنوعی در رفع خطای مدل اختصاصی این کارگزاری گفت: «در این فرآیند، اصلی‌ترین مسئله تشخیص زنده بودن تصویر بود که برای آن یک ماژول طراحی شده است که به خوبی می‌تواند این مسئله 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 2 درصد بود.»
وی در ادامه توضیح داد: «ناچار بودیم که صوت‌ها را به متن مکتوب تبدیل کنیم تا بررسی آن‌ها آسان‌تر شود. همه می‌دانیم دستیار صوتی گوگل این امکان را فراهم کرده و استفاده از آن می‌توانست برای ما یک مزیت باشد اما تبدیل گفتار به متن توسط گوگل به ما نشان داد که این ابزار گوگل با درصد خطای 80 درصد، ابزار قابل اتکایی به شمار نمی‌آید. اینجا بود که فهمیدیم باید خودمان دست به کار شویم و در همان ابتدای کار با تخمینی که زدیم متوجه شدیم نیاز به شش ماه زمان داریم.»
او در ادامه به نتایج این تلاش‌ها اشاره کرده و گفت: «در این روند بارها و بارها دست به اصلاح قانون‌هایی که خودمان طراحی کرده بودیم زدیم و بعضی ساز و کارها را به طور کلی بازنویسی کردیم و در نهایت به مدل اختصاصی خودمان رسیدیم: درصد خطا را از 80 درصد به 20 درصد کاهش دادیم و تعداد خطاها را در یک صوت مشخص از 84 خطای موجود در دستیار صوتی گوگول به 4 خطا در دستیار صوتی مفید رساندیم.»
حضور آنلاین دانشمند ارشد مایکروسافت در رویداد تجربه محور هوش مصنوعی
شکوهی یکتا، دانشمند ارشد مایکروسافت و استاد دانشگاه استنفورد به صورت آنلاین در رویداد حضور پیدا کرد و در خصوص چالش‌های حوزه یادگیری عمیق در بخش‌های صنعت و پزشکی گفت.
شکوهی یکتا در سخنان خود با اشاره به اینکه داده‌ها روز به روز در جهان بیشتر می‌شوند گفت: «آمارها می‌گویند 90 درصد داده موجود در بانک‌های داده جهانی در دو سال گذشته ایجاد شده است. این آمارها نشان می‌دهد میزان رشد داده به صورت نمایی در حال افزایش است و این روند در آینده هم تشدید خواهد شد.»
شکوهی یکتا در خصوص بهره‌گیری از هوش مصنوعی در حوزه سلامت با طرح سوالی از حضار مبنی بر اینکه یادگیری عمیق بیشتر جان انسان‌ها را نجات می‌دهد یا پزشکان؟ گفت:
می‌توان این پاسخ را داد که ترکیب این دو با هم برای تحول در حوزه سلامت نیاز است. امروز بیش از 1.2 میلیون نفر در دنیا -آمارها احتمالا بیشتر از این عدد است- 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 روی ترمز بزند و کمربند سرنشینان را محکم کند یا ایربگ را باز کند.
مدیر ارشد سابق دیتای بلوبانک: مشکلات ساده‌تر از چیزی که فکر می‌کنیم حل می‌شوند
پیام اسفندیاری مدیر ارشد بلوبانک نیز سخنان خود را با محوریت هوش مصنوعی توضیح پذیر شروع کرد. اسفندیاری گفت: «شیوه درست استفاده از هوش مصنوعی مدام به‌روزرسانی می‌شود. برای مثال در گذشته تعدد داده‌ها می‌توانست برای یک مدل مزیت محسوب شود. اما بعد از گذشت مدتی، این طراحی درست یک الگوریتم بود که ارزش پیدا کرد. امروز به نظر می‌رسد بعد از عبور از این مراحل، قابل اعتماد بودن داده‌هاست که حرف اول را می‌زند.»
او در پایان سخنان خود با تاکید بر اینکه کارشناسان داده باید بتوانند از تک تک تصمیمات خود دفاع کنند و دلیل هر کدام را شفاف توضیح دهند گفت: «از مدیران می‌خواهم که در نظر داشته باشند مسائل امروز در صنعت ما خیلی ساده‌تر از تصور حل می‌شوند و گاهی تاکید بر استفاده از مدل‌های پیچیده و دیپ‌لرنینگ فقط ما را از رسیدن به هدف اصلی دور می‌کند.»
هوش مصنوعی و آلودگی محیط زیست
مرضیه طاهایی، محقق حوزه یادگیری عمیق و دانشمند یادگیری ماشین هواوی، آخرین سخنران این رویداد بود که به صورت آنلاین حضور یافت و در خصوص آلودگی‌های محیط زیستی هوش‌مصنوعی و هزینه بالای یادگیری آن گفت.
طاهایی 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. در پایان توصیه‌های عملی برای پر کردن شکاف میان فضای دانشگاهی و بازار کار ارائه شد.
بیشتر بخوانید:
- هوش مصنوعی GauGAN2 انویدیا
- دانلود اپلیکیشن Wombo
- رویداد امنیت سایبری توسعه عملیات و بلاکچین 4 خرداد برگزار می‌شود
- میزان مصرف اینترنت کلاب هاوس
- بررسی میزان مصرف اینترنت روبیکا
- 9 ترفند برای کاهش مصرف اینترنت اندروید
نظر شما در مورد چیست؟ لطفا نظرات خود را در قسمت کامنت با تکراتو در میان بگذارید.
