نشست مجازی «معرفی مدلهای هوش مصنوعی داخلی در شرایط اینترنت ملی» با حمایت سازمان تجاریسازی فناوری و اشتغال دانشبنیان جهاددانشگاهی و از سوی مرکز رشد واحدهای فناوری رویش با همکاری استارتاپ «خوندن» برگزار شد.
به گزارش ایسنا، نشست مجازی «معرفی مدلهای هوش مصنوعی داخلی در شرایط اینترنت ملی» با ارائه و راهبری حسین رستگار، توسعهدهنده هوش مصنوعی "خوندن"، مشاور هوش مصنوعی هلدینگ خلیج فارس و طراح مدلهای هوش مصنوعی برگزار شد.
رستگار در این نشست با اشاره به شرایط استفاده از هوش مصنوعی در بستر اینترنت ملی اظهار کرد: استفاده از هوش مصنوعی در چنین شرایطی تا حدودی شبیه استفاده از نرمافزار داس در سالهای گذشته است؛ ابزاری که در دورهای مورد استفاده قرار میگرفت اما امروز دیگر کاربردی ندارد. با این حال لازم است همین ابزارها نیز توسعه یابند، چراکه ممکن است در آینده به دلیل محدودیتها کارایی کمتری داشته باشند، اما تجربه و دانش حاصل از توسعه آنها ارزشمند است.
وی با تأکید بر اهمیت استخراج الگوهای قابل اجرا در حوزه هوش مصنوعی افزود: نکته مهم این است که نسل جدید باید با ابزارهای هوش مصنوعی آشنا شوند و یاد بگیرند چگونه از دادهها به عنوان مهمترین منبع و محتوای اصلی هوش مصنوعی استفاده کنند.
مشاور هوش مصنوعی هلدینگ خلیج فارس با اشاره به برخی نمونههای پیادهسازی شده در این حوزه گفت: برخی مدلها در سامانه iran.ir به منظور تسهیل دسترسی هموطنان به خدمات روزمره طراحی و پیادهسازی شدهاند. این سامانه شامل دستهبندیهای متنوعی از جمله اپلیکیشنهای پرکاربرد، بانکها، آموزش تخصصی، سلامت، دانشگاهها، بیمارستانها و خدمات دولتی است. همچنین کاربران میتوانند از طریق بخش جستوجو و با وارد کردن بخشی از نام دامنه یا موضوع مورد نظر، به خدمات مورد نیاز خود دسترسی پیدا کنند.
در این نشست تخصصی، موضوعاتی همچون معرفی مدلهای هوش مصنوعی داخلی برای تولید محتوای متنی، تصویری و ویدیویی، بررسی تفاوت مدلهای هوش مصنوعی داخلی، آموزش کار با این مدلها و اصول پرامپتنویسی برای مدلهای فارسیزبان مورد بحث و بررسی قرار گرفت.رستگار همچنین به معرفی قابلیتهای پلتفرم «خوندن» پرداخت و گفت: در این پلتفرم یک کتابخانه هوشمند ایجاد شده است که کاربران میتوانند فایلهای PDF با حجم چند هزار کلمه از یک کتاب را در آن بارگذاری کنند. این سامانه بهصورت خودکار متن را ترجمه میکند و امکان یادداشتبرداری نیز برای کاربر فراهم است. همچنین کاربر میتواند بهصورت همزمان نسخه اصلی و نسخه ترجمهشده را مشاهده کند؛ قابلیتی که به گفته وی در بسیاری از ابزارهای هوش مصنوعی بینالمللی وجود ندارد.
به گفته وی این پلتفرم تلاش میکند پاسخهای دقیقتری ارائه دهد و از بروز خطاهای متداول در برخی مدلهای هوش مصنوعی جلوگیری کند.
سازمان تجاریسازی فناوری و اشتغال دانشبنیان جهاددانشگاهی (ستفا) در نظر دارد مجموعهای از رویدادهای مجازی را با هدف کمک به کسبوکارها، حمایت از کارآفرینان و فعالان حوزه اشتغال و کاهش فشارهای روانی فعالان این حوزه در سطح ملی طراحی و اجرا کند. بر اساس این برنامه، رویدادهای مذکور در قالبهای متنوعی از جمله کارگاههای آموزشی کوتاه مجازی، نشستهای تخصصی و پنلهای گفتوگو، جلسات مشاوره فردی و گروهی آنلاین و همچنین رویدادها و مسابقات مجازی برگزار خواهند شد.
تحلیل خبر
هوش مصنوعی بر بستر شبکه ملی اطلاعات؛ از ادعا تا واقعیت
وحید جعفری زاده دانشجوی دکترای مهندسی کامپیوتر
اگر بگوییم یکی از ارکان جهان امروز و جهان آینده، هوش مصنوعی و تحولات ناشی از آن است، سخن به گزافه نگفتهایم. در کشور ما نیز تلاشهایی برای توسعه و کاربردی کردن آن همگام با اهداف کشور صورت گرفته است؛ از تنظیم و تصویب سند ملی هوش مصنوعی تا تشکیل سازمانها، شوراها و کمیتههای هوش مصنوعی در دولت و سایر ارکان کشور.
طبیعتاً آن بخش از هوش مصنوعی که دارای ضریب نفوذی بیشتری در عموم جامعه است، ابزارهای کاربردی هوش مصنوعی هستند. اکثر قریب به اتفاق بهترین و محبوبترین این ابزارها - از چت باتها (chatbots) تا تولیدگرها (generators) و اپها (apps)- توسط توسعه دهندگان خارجی عرضه شدهاند و جای خالی ما به ازاهای ایرانی حتی در داخل نیز احساس میشود.
طی سالهای قبل، راهبرد سیاست گذاران ذی ربط در قبال پلتفرمهای اینترنتی جهانی، ساخت و توسعه نمونههای مشابه داخلی بوده است که اتفاقاً برخی از این نمونهها با اقبال کاربران داخلی و موفقیت نسبی نیز همراه بوده، مانند پلتفرمهای آپارات یا پیام رسانهای داخلی. اما ساخت و توسعه ابزارهای هوش مصنوعی مولد شرایطی متفاوت دارد. دو عامل و علت اصلی برای این مسئله را در ادامه مورد بررسی قرار میدهیم.
اولین مسئله، زیرساختهای سخت افزاری است؛ چیزی که بیشتر از هر چیز نیازمندی اولیه ساخت و توسعه ابزارهای کارآمد هوش مصنوعی محسوب میشود. برای آموزش (train) مدلها و شبکههای چندلایه بر پایه یادگیری عمیق (deep learning) نیاز به سخت افزارهای بسیار قدرتمند و زیرساختهای متناسب با آنهاست؛ موردی که مع الاسف در کشور ما در سالهای گذشته به آن توجه نشده و ضعفهای جدی زیرساختی نه تنها برای هوش مصنوعی، بلکه برای دیتاسنترها و شبکههای پهن باند شبکه ملی اطلاعات وجود دارد. اگر مدلها با سخت افزارهای ضعیف یا میزان داده کم آموزش داده شده و ساخته شوند، خروجی نهایی کیفیت مناسبی نخواهد باشد و عملکرد مدل، رضایت کاربران را جلب نمیکند؛ همچنین حتی اگر چنین مدلی به صورت کامل ساخته شود، در زمان بهره برداری و استفاده کاربران اگر زیرساخت و سخت افزار لازم مهیا نباشد، کندی بیش از حد یا قطعی یا خروجیهای ضعیف این نارضایتی را تشدید میکند.
دومین مسئله، لزوم وجود دادههای کافی و مناسب (با کیفیت) برای آموزش مدلهاست. فارغ از اینکه چنین دادههایی اصلاً در کشور ما به صورت بومی در دسترس است یا نه؛ اگر قرار باشد مدل مورد نظر صرفاً با دادههای ملی آموزش داده شوند؛ عملاً بخش زیادی از کارایی و کیفیت مدل نهایی قربانی میشود و خروجیهای نهایی دارای ضعفهای واضحی خواهد بود.
یک مثال ملموس و تقریبی از چنین تجربه ناموفقی را میتوان موتورهای جستجوی ملی نام برد که کاربران به خوبی میدانند چه قدر از نظر عملکردی با نمونههای خارجی فاصله دارند. بنابراین اگر قرار باشد مدلها و ابزارهای هوش مصنوعی بومی و ملی بر بستر شبکه ملی اطلاعات ساخته شود و به قول مشاور هوش مصنوعی هلدینگ خلیج فارس حکم استفاده از نرمافزارهای سیستم عامل DOS را برایمان نداشته باشد؛ نباید از دو نکته فوق غافل شد.