هوش مصنوعی: فرصت‌ها، تهدیدها و چالش‌ها

100 استارتاپ، در حاشیه رویداد سکوی پرتاب هوش مصنوعی، میزبان عمار جلالی منش، بنیان‌گذار شتاب‌دهنده هوش مصنوعی همتک بود. عمار جلالی منش فارغ‌التحصیل دکتری صنایع از دانشگاه امیرکبیر در این گفتگو، از اهمیت هوش مصنوعی در دنیا گفت.
در این گفتگو عمار جلالی منش درباره کسب‌وکارهای هوش مصنوعی و فرصت‌ها، تهدیدها و چالش‌ها این حوزه میگوید.

100 استارتاپ، در حاشیه رویداد سکوی پرتاب هوش مصنوعی، میزبان عمار جلالی منش، بنیان‌گذار شتاب‌دهنده هوش مصنوعی همتک بود. عمار جلالی منش فارغ‌التحصیل دکتری صنایع از دانشگاه امیرکبیر در این گفتگو، از اهمیت هوش مصنوعی در دنیا گفت. همچنین جلالی منش سابقه پژوهشگری در دانشگاه پلی‌تکنیک مونیخ را دارد و عضو هیئت‌علمی پژوهشکده علوم و فناوری اطلاعات است.

در ادامه متن مصاحبه عمار جلالی منش درباره کسب‌وکارهای هوش مصنوعی در ایران و جهان، مزایا و معایب این نوع از کسب‌وکارها و انتظارات صاحبان کسب‌وکارها از دولت را مطالعه خواهید کرد.

هوش مصنوعی چیست؟

هوش مصنوعی به‌عنوان یک توانمند ساز و یک فناوری مخرب (disruptive technology) در جهان شناخته می‌شود. فناوري مخرب به اين معنا که باعث تغییرات بنیادی در دنيا خواهد شد. از این‌ جهت به دو شکل می‌توانیم سیستم‌های هوش مصنوعی را مطرح کنیم:

  • • هوش مصنوعی به‌عنوان یک توانمندساز در همه چیز اثر دارد. در مواردی می‌توان گفت حتی اکوسیستم‌هایی که مستقیما به هوش مصنوعی ارتباطی ندارند؛ متأثر از هوش مصنوعی هستند.
  • • کسب‌وکارهایی که دارای سرویس‌های هوش مصنوعی هستند. این کسب‌وکارها یا به‌صورت مستقیم از هوش مصنوعی استفاده می‌کنند یا محصولات هوش مصنوعی تولید کنند.

اتوماسیون، محصول هوش مصنوعی

از انقلاب صنعتی به بعد، به مبحث اتوماسیون توجه ویژه‌ای شد. اتوماسیون بعدها در صنایع مختلف و به‌خصوص در حوزه‌ی کشاورزی، مورد استفاده قرار گرفت. هوش مصنوعی و اتوماسیون اهمیت و مزایای فراوانی دارد. علاوه بر کارهای تکراری، می‌توانیم کارهای پیچیده و قابل استنتاج و یادگیری را به ماشین‌ها بسپاریم.

هوش مصنوعی نیز مانند بسیاری از فناوری‌های اخیر از جمله: بایو، نانو یا ژنتیک تغییرات اساسی را در کسب‌وکارهای کلاسیک ایجاد کرده است.

فرصت‌ها و تهدیدهای هوش مصنوعی

هوش مصنوعی فرصت‌ها و تهدیدهای زیادی را ایجاد می‌کند. از جمله فرصت‌های ایجاد شده در هوش مصنوعی، استفاده از ماشین‌ها در مشاغلی است که در گذشته توسط انسان انجام می‌شد. البته نه در همه مشاغل! بلکه در مشاغلی که در آن‌ها از استنتاج و یادگیری و تصمیم‌گیری استفاده می‌شود.

تهدید هوش مصنوعی نیز مربوط به این مبحث است. نگرانی‌های بزرگی از لحاظ نیروی کار (work force) در دنیا و طبیعتاً در کشور ما وجود دارد. این مطلب باعث می‌شود در برخورد با هوش مصنوعی پیچیدگی‌هایی ایجاد شود.

 

 

 

 

این احتمال وجود دارد که هوش مصنوعی از انسان قدرتمندتر شود؟

هم‌اکنون هوش مصنوعی در بسیاری از حوزه‌های تصمیم‌گیری کاملاً جای انسان را گرفته است.

برای مثال در گذشته لازم بود که برای کنترل معابر در یک شهر، افرادی پشت مانیتورها باشند و معابر را چک کنند. امروزه نیازی به کنترل نیست. سیستم‌ها به شکل هوشمندانه و با مدل‌های کلاسیک در قالب موتورهای هوشمند، بر اساس شبکه عصبی و یادگیری عمیق کار می‌کنند. این سیستم‌ها مواقع بحرانی را کنترل کرده و توانایی مدیریت شرایط خاص را دارند. در بدترین حالت اگر شرایط از دسترس آن‌ها خارج شود، می‌توانند به اپراتور که وظیفه کنترل‌گری دارد ارجاع دهند تا بتواند آن شرایط را مدیریت کند.

هوش مصنوعی ابزاری برای چیره‌شدن

هوش مصنوعی در اختیار انسان است. در بسیاری از مواقع قابلیت توسعه و عبور از محدودیت‌های زمان و مکان را به انسان داده و این مطلب باعث نگرانی است. برای مثال در حوزه دفاعی پهباد‌هایی ساخته شده که به‌صورت هوشمند کنترل می‌شوند. این احتمال وجود دارد که روزی لشکری از ربات‌های هوشمند که موقعیت‌ها را می‌شناسند و یاد گرفته‌اند که چه‌کار باید بکنند، یا چطور و به چه کسی شلیک بکنند ساخته شود و این امر جای نگرانی دارد. با هوش مصنوعی ابزار و ربات‌ها در اختیار انسان‌ها قرار دارد. 

عمده نگرانی در این است که هوش مصنوعی به انسان‌هایی قدرت بدهد که می‌خواهند دست‌کاری‌های نابجایی در عالم انجام دهند.

مدل یادگیری عمیق و قاعده محور در هوش مصنوعی

یادگیری عمیق شاخه مهمی از هوش مصنوعی است. داده‌ی مناسب در یادگیری عمیق نقش به سزایی دارد. با ارائه داده مناسب و با کیفیت، سسیستم‌ها همان چیزی که یاد می‌گیرند را اجرایی می‌کنند. در اینجا انجام وظایف توسط سیستم‌های هوش مصنوعی، محدود به داده‌های طبقه‌بندی شده و تعریف شده برای آن‌ها است.

 ازاین‌جهت هر اتفاقی که در گذشته افتاده و بر اساس آن تصمیم‌گیری‌هایی انجام‌شده مبنای یادگیری آینده قرار می‌گیرد. طبیعتا اتفاقاتی که هیچ‌وقت رخ نداد‌ه‌اند مبنای تصمیم‌گیری نیستند.

در مقابل مدل‌های قاعده محور (rule base) این‌طور نیستند. در مدل‌های قاعده محور ممکن است اتفاقی هرگز در گذشته نیفتاده باشد. شما شرایطی را تصور کنید که اگر a این بشود، b این بشود و c هم این شد، آنگاه ما بر اساس آن باید این تصمیم را بگیریم. ممکن است این قاعده هیچ‌وقت اتفاق نیفتد، ولی ماشین بر اساس آن می‌تواند تصمیم بگیرد. مدل‌های یادگیری عمیق end to end (رمزگذاری سرتاسری) هستند. یعنی شما دیتا را به سیستمی می‌دهید، سیستم یاد می‌گیرد و بر اساس آن مدل تصمیم می‌گیرد.

سرویس‌های بومی و غیر بومی در هوش مصنوعی

بخش مهمی از هوش مصنوعی مربوط به سرویس‌های زبانی (دیالوگ‌هایی که بر اساس زبان فارسی است) می‌باشد. برای مثال یک chatbot (ربات سخنگو) که بسیاری از شرکت‌های بزرگ مانند گوگل و آمازون مدت‌زمانی است که روی این سرویس تمرکز کرده‌اند. ربات‌های سخنگو جز سرویس‌های زبانی هستند. این ربات‌ها بر اساس داده‌های متنی کار می‌کنند و طبیعتاً برای سرویس‌های زبانی به داده‌های کاملاً فارسی نیاز داریم.

در حوزه Machine vision (استفاده از رايانه‌ها و حسگر‌ها براي تشخيص تصاوير) و پردازش تصویر مسئله متفاوت است. در مسائلی مانند object detection (تشخیص شی)، ماشین‌های خود ران (self drive) یا مواردی از این قبیل که در شناسایی خودرو كاربرد دارد، داده‌ها عام‌تر است.

داده‌ها را به دو جزء مجزا می‌توان تفکیک کرد:

  • داده‌های بومی
  • داده‌های غیربومی (این داده‌ها جهانی هستند)

 

برای مثال در FinTech (معادل Financial technology، به معناي استفاده از تکنولوژی‌ برای کارآمدتر کردن خدمات مالی) اگر قصد دارید یک سیستم پشتیبان تصمیم‌گیری یا سیستم مشاور مالی برای بورس ایران توسعه دهید به داده‌های بورس ایران نیاز دارید. طبيعتا برای توسعه وال‌استریت نیاز به داده‌های بورس وال‌استریت دارید.


 

مقاله مرتبط: هوش مصنوعی؛‌ کلید حل مشکلات دانشجویان


 

 

داده در هوش مصنوعی

مسئله دیتا در همه دنیا از دو جهت بررسی می‌شود:

  • از نظر حجم و کیفیت دیتا
  • از نظر privacy و حریم خصوصی

 

کشورهای توسعه‌یافته بر خلاف ايران در مواجهه با داده‌ها موفق‌تر عمل کرده‌اند، اما ایران در هر دو مورد ایراداتی دارد.

الزامي نيست كه کسب‌وکارها برای رشد خود در کسب‌وکارهای بزرگ ذوب شوند، بلکه می‌توان از کسب‌وکارهای کوچک‌تر نيز شروع کرد. همیشه کسب‌وکاری که از پایه شروع به رشد می‌کند، مسیر سختی را درپیش خواهد داشت. با وجود رقبای بزرگ باید مدل تعامل یا مدل مشارکتی درست را شکل دهد. اگر اهل شراکت نیست باید رقابت کند و سعی بر پیروزی در رقابت داشته باشد.

در کسب‌وکارهای کوچک باید قسمت کوچکی از بازار در نظر گرفته شود که خطر بلعیده شدن و رقابت با بیزنس‌های بزرگ كم باشد. قطعاً در این قسمت کوچک بازار جریان مالی و رشد کمتری اتفاق می‌ا‌فتد اما بعدها با تغییر دادن و ایجاد یک سری از زیر کسب‌وکارها (sub Business) یا با ورود به حوزه‌ها و segment (بخش) های جدید به‌مرور منجر به رشد کسب‌وکار می‌شود.


مقاله مرتبط: زیر و بم هوش مصنوعی از زبان دکتری علوم اجتماعی محاسباتی


مهم‌ترین چالش‌های هوش مصنوعی

هر کسب‌وکار سه‌پایه بسیار مهم دارد:

  • • تیم کسب‌وکار
  • • مدل کسب‌وکار
  • سرمایه

 

 

در ایران برای کسب‌وکارهای هوش مصنوعی پیچیدگی‌هایی وجود دارد. برای مثال تصور کنید کسب‌وکاری بخواهد برای یک سوپرمارکت کوچک یا مجموعه‌ای از سوپرمارکت‌ها تحلیل داده انجام دهد. قطعاً سوپرمارکت‌ها مصرف‌کننده این سرویس نیستند. در حالي كه دیجی‌کالا یا اسنپ از اين سرويس بهره خواهند برد. زيرا براي اين دو كسب‌وكار، فهمیدن رفتار و ترجیح مشتری اهمیت دارد. با اين آگاهي بر رفتار مشتري می‌توانند سیاست‌های بازار خود را تغییر داده و محصولات خود را توسعه دهند. همچنين مي‌توانند نقایص و مشكلات خود را برطرف کنند.

مثال دیگر اینکه گجت‌های الکسا در سبد خرید یک آمریکایی یا آلمانی جایگاه ویژه‌ای دارد اما در ایران مصرف‌کننده‌ای برای چنین چیزی نداریم. درنتیجه اگر کسب‌وکاری در ایران شروع به ساخت گجت کند در ابتدا باید برای محصول خودش بازارسازی انجام دهد.

کسب‌وکارهای هوش مصنوعی در مواردی، کارایی یا Performance کسب‌وکارها را جابه‌جا می‌کند. اثبات قابلیت‌های هوش مصنوعی در آن موارد راحت‌تر است. 

برای مثال زمانی که از خانه هوشمند صحبت می‌کنیم چنین چیزی برای ایرانی‌ها مطلوبیتی ندارد. چون نیازی برای داشتن خانه هوشمند حس نکرده‌اند. اما در حوزه نظامی، پزشکی، در قسمت تولید و یا در FinTech هوش مصنوعی کاربرد زیادی دارد. در اینجا لزوم استفاده از هوش مصنوعی کاملاً مشهود و شفاف است. این موارد موضوعاتی هستند که خیلی به آن‌ها پرداخته نشده چون در کشور ما کسب‌وکارهای هوش مصنوعی رونق زیادی ندارد.

طرح صیانت از کاربران در فضای مجازی

اجراي طرح صيانت، اتفاق عجیبی نیست. کشورهاي زیادی در اروپا، روسیه و چین این محدودیت را برای کاربران ایجاد می‌کنند. کسب‌وکارها در کشورهای مختلف با رعایت قوانین، حق استفاده از داده‌ها را دارند. ضعف جامعه ایران در این است که ما به‌شدت آلوده این سرویس‌ها هستیم و یک فرصت و زمان طولانی را از دست‌ داده‌ایم. همين مورد ممكن است در اجراي اين طرح باعث شكست ما بشود.

اتفاقی که با این نوع پیاده‌سازی طرح صیانت خواهد افتاد ممکن است موجب سکته و شوک در جامعه، کسب‌وکارها و مردم شود. ما به یک طرح مهاجرت خوب احتیاج داریم که در رفت‌وبرگشت با مردم و کسب‌وکارها باشد و نیازهایشان را برآورده سازد.

اتفاقات بدی در فضای سایبری و مجازی کشور ما افتاده است. فرض کنید من با یک فیک‌نیوز (اخبار جعلي) تصمیم بگیرم که یکی از اقلام را گران بکنم. با بیست میلیون تومان و در مدت‌زمان یک نصف روز می‌توانم این کار را انجام بدهم. یعنی شما با این کار تقاضای کاذب ایجاد می‌کنید و اگر کمبودی نباشد، شما با تحریک سیستم باعث ایجاد کمبود می‌شوید. متاسفانه جامعه ما از جهت اجتماعی، روانی، آسیب‌پذیر بودن و تحریک‌پذیر بودن بسیار متأثر از شبکه‌های مجازی است.

حکمرانی داده‌ها 

در ايران نيز بايد حکمرانی و محافظت از داده‌ داشته باشیم. اما اینکه حکمرانی داده‌ها از کجا و چطور باید شروع شود نیاز به طراحی بسیار دقیق دارد. در هر صورت اجراي طرح صیانت با این سرعت و شدت راه درستی نیست. اين موضوع ممکن است باعث تحریک مردم و کسب‌وکارها شود و ایجاد مشکل کند.

مسیری که باید برای تحقق طرح صیانت طی شود طولانی‌تر از تصور است. دولت با یک سیستم پیچیده و زنده روبه‌رو است که برای انجام طرح، نیاز به دیپلماسی و گفتگو و مرزبندی‌های روشن دارد.

اگر صبر زیادی داشته باشیم و این مسیر طولانی را پذیریم قطعاً اتفاق خوبی خواهد افتاد. ولی گمان نمی‌کنم حوصله سیستم دولتی در این حد باشد که بخواهد مسیر را به این شکل طی کند.

شایسته گزینی، انتظار اکوسیستم کارآفرینی از دولت

تنها انتظار ما از دولت اين است كه شایسته گزینی بکند. دولت یک بدنه کارمندی دارد و بین این بدنه کارمندی و توانمندی‌هایش تناسبی وجود ندارد. 

ما در مباحث کارآفرینی با جوانانی کار می‌کنیم که توسعه فردی را مدنظر داشته‌اند. اين جوانان حاشیه امن كارمندي را نپذیرفته‌اند. معیار برای اینکه من محصول و کار چه کسی را بخرم باید کارشناسانه و عادلانه باشد. باید از دولت انتظار داشت که منصفانه محصولات جوان‌ترها را بخرد یا حداقل از خدمات جوانان پشتیبانی بکند. پشتیبانی خارق‌العاده‌ای هم انتظار نداریم، ما فقط انتظار انصاف داریم.

مثلاً در بدنه دانشگاهی اساتیدی هستند که کارآفرینی می‌کنند یا سراغ موضوعات پیچیده برای حل مسئله می‌روند. ممکن است خروجی كار اين اساتيد به‌ صورت مقاله و مدل‌های شاخص دانشگاهی نباشد اما در ارزیابی نهايي بین اساتید كارآفرين و اساتیدی که مقاله‌ي بیشتری دارند، دسته دوم برنده می‌شوند. این بدان معنی است که ارزش حل مسئله و کارآفرینی به‌اندازه مقاله‌نویسی نیست. همین مسئله باعث می‌شود سرعت چرخه کارآفرینی کمتر شود و به‌مرور از بین برود.

مثال دیگر از دانشگاه اینکه بعضی از دانشگاه‌ها می‌خواهند دانشگاه کارآفرین باشند. یعنی دانشجو وارد دانشگاه می‌شود برای اشتغال.

در این بین یک بدنه ستادی داریم که تمام شاخص‌ها را به هم می‌زنند. اين افراد معتقد هستند كه دانشجو و اساتید صرفا باید مقاله‌نویس باشند. اين تفكر آموزش صرف را تشدید می‌کند و شما مشاهده مي‌كنيد كه یک دانشگاه معتبر بعد از ۴۰ سال فعالیت یک پایگاه اطلاع‌رسانی براي نوشتن دستاوردهایش ندارد.

لایه بالای کشور یعنی رئیس‌جمهور و وزرا همگی صحبت از کارآفرینی و حمایت از کارآفرین‌ها می‌کنند و در لایه پایین هم جوانان در تلاش هستند. لایه وسط بدنه کارمندی وجود دارد که باعث شکست شاخص‌های عملکردی می‌شود. این باعث می‌شود سیستم ما هم‌ضربان نشود. انسان‌هايی که عملکردهای بهتری دارند باید عایدی‌های بهتری از لحاظ درآمد و پست و موقعیت داشته باشند. نباید اجازه داد بدنه دولتی که حاشیه امني دارد چاق‌تر شود و به بخش خصوصی زورگویی کند.

تاب آوری، رمز موفقیت 

توصیه من به دوستاني که قصد شروع كار دارند این است که تاب‌آوری زیادی داشته باشند. قطعا از صبر کردن نتایج خوبی خواهند گرفت. تمرکز خود را بر مسائل اصیل و دغدغه‌های مردم و جامعه بگذارند. چون انسان‌ها، جوامع و شرکت‌ها جایی پول خرج می‌کنند که مسئله آن‌ها باشد. توصیه دیگر اینکه بر مسئله‌ای تمرکز کنید كه ارزش داشته باشد. سعی کنید روی موارد با ارزش هدف‌گذاری کنید.


مقاله مرتبط: تغییر مفهوم کار با هوش مصنوعی


 

ارسال دیدگاه جدید