فعالان حوزه هوش مصنوعی: پیشرفت هوش مصنوعی در گرو داده‌های باکیفیت است

به گزارش پیوست، رویداد «تجربه محور هوش مصنوعی در صنعت» با حضور فعالان بخش صنعت، دانشجویان و اساتید دانشگاه در حوزه هوش مصنوعی برگزار شد و آنها به ارائه تجربیات خود در زمینه استفاده از هوش مصنوعی پرداختند.

علی زارع‌زاده، مدیر تیم هوش مصنوعی کارگزاری مفید با اشاره به تجربیات این کارگزاری در زمینه هوش مصنوعی، به بیان تجربه تیم مرکز تماس کارگزاری مفید پرداخت و گفت:  برای هوشمند کردن بررسی کیفیت جوابگویی مرکز تماس، بایدصداها را به متن تبدیل می‌کردیم تا بررسی آن‌ها آسان‌تر شود. 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 با درصد خطای ۸۰ درصد، ابزار مطمئنی به حساب نمی‌آید.

او ادامه داد: باید خودمان دست به کار می‌شدیم و برای اینکار تقریبا ۶ ماه زمان را برآورد کردیم. در این فرآیند بارها دست به اصلاح قانون‌هایی که خودمان طراحی کرده بودیم زدیم و در آخر به مدل مخصوص خودمان رسیدیم. درصد خطا را از ۸۰ درصد به ۲۰ درصد کاهش داده و تعداد خطاها در یک صوت مشخص از ۸۴ خطای موجود در دستیار صوتی گوگل را به چهار خطا در دستیار صوتی مفید رساندیم.

در بخش دیگری از این رویداد علی الهی، مدیر واحد هوش مصنوعی تپسی به جزییات بهره‌گیری از هوش مصنوعی از آغاز تا پایان یک سفر با تپسی پرداخت و گفت: قیمت‌گذاری در کسب‌وکار ما، به شدت به عرضه و تقاضا مرتبط است و ابزار «سرچ پرایسینگ» قیمت را از طریق عرضه و تقاضا متعادل می‌کند؛ اما نمی‌تواند قیمت را از یک حدی پایین‌تر بیاورد. چون قیمت‌ها باید به گونه‌ای باشند که سفیرها انگیزه‌ پذیرش مسافر را داشته باشند. الهی در ادامه عنوان کرد در چنین مواقعی از ابزار تخفیف استفاده می‌کنیم و به کمک تخفیف به مسافران، تقاضا ایجاد می‌کنیم. سعی ما بر این بوده است به کمک هوش مصنوعی چالش نقطه تعادل را حل کنیم.

الهی با اشاره به فعالیت تپسی با تکیه بر امکاناتی که هوش مصنوعی در اختیار آنها قرار داده است، گفت: در حال حاضر در حوزه تخمین زمان سفر تا ۱۰ درصد دقت بیشتری نسبت به سایر رقبا داریم. ما در تپسی سرمایه‌گذاری زیادی در حوزه هوش مصنوعی کرده‌ایم چون در کسب و کار ما، هر یک درصد بهبود می‌تواند صدها میلیون تومان برای رانندگان منفعت مالی به همراه داشته باشد.

داده‌ها را درک کنیم

عباس حسینی، هم‌بنیان‌گذار تپسل یکی دیگر از سخنرانان این رویداد بود که روی استفاده از مدل‌های ساده و قابل توضیح در هوش مصنوعی تاکید داشت او در این زمینه گفت: باید داده‌های موجود را درک کرد و به جای استفاده از مدل‌های پیچیده روی مدل‌های ساده متمرکز شد. او همچنین به اتلاف سرمایه و انرژی در تبلیغات سنتی اشاره کرد و گفت: اصلی‌ترین چالش در تبلیغات سنتی هدررفت سرمایه و منابع است، در واقع بررسی به صرفه بودن مسیر انتخاب شده، تقریبا در تبلیغات سنتی غیر ممکن است.

او همچنین در مورد تجربه بهره‌گیری از هوش مصنوعی در مجموعه تپسل توضیح داد: «در تپسل، با استفاده از هوش مصنوعی به راهکارهایی برای حل چالش‌های موجود در تبلیغات دست پیدا کردیم. مدل اول و مهم‌ترین آن «راه حل ساده» نام دارد. در این روش هوش مصنوعی حافظه‌محور عمل می‌کند و ما از روی داده‌های باکیفیت، هوش مصنوعی موجود در تپسل را رشد داده و به‌روزرسانی کرده‌ایم.

هوش مصنوعی آینده را تغییر می‌دهد

در ادامه این رویداد محمد شکوهی یکتا، دانشمند ارشد مایکروسافت و استاد دانشگاه استنفورد به صورت آنلاین در نشست حضور پیدا کرد. او از چالش‌های حوزه یادگیری عمیق در بخش‌های صنعت و پزشکی صحبت کرد و توضیح داد: طبق آمارها ۹۰ درصد داده‌ موجود در بانک‌های داده جهانی در ۲ سال گذشته ایجاد شده است و به طور حتم میزان رشد داده به شدت نیز بیشتر خواهد شد. او همچنین عنوان کرد یادگیری عمیق در زمانی نه چندان دور ممکن است بیشتر از پزشکان جان انسان‌ها را نجات دهد. او در این رابطه گفت: تصور کنید اگر چند ثانیه قبل از تصادف، رخداد آن پیش‌بینی شود، ماشین ترمز کند، کمربند سرنشینان محکم شود یا ایربگ ماشین باز شود اینجاست که ماشین لرنینگ می‌تواند جان میلیون‌ها نفر را نجات دهد.

پیام اسفندیاری، مدیر ارشد سابق دیتای بلوبانک و مدیر ارشد دیتای اسنپ اکسپرس نیز سخنرانی خود را با محوریت هوش مصنوعی توضیح پذیر ارائه کرد و  گفت: روش صحیح استفاده از هوش مصنوعی این است که دائم به‌روز رسانی‌ می‌شود. برای مثال در گذشته تعداد داده‌ها می‌توانست برای یک مدل مزیت محسوب شود. اما حالا قابل اعتماد بودن داده‌هاست که حرف اول را می‌زند. او در ادامه تاکید کرد مدیران و تصمیم‌سازان حوزه فناوری باید در نظر داشته باشند مسائل امروز در صنعت خیلی ساده‌تر از تصور حل می‌شوند و گاهی تاکید بر استفاده از مدل‌های پیچیده و دیپ‌لرنینگ فقط بیزینس‌ها را از رسیدن به هدف اصلی دور می‌کند.

ردپای کربن

مرضیه طاحایی، دانشمند یادگیری ماشین، هوآوی نیز در بخش دیگری از نشست آنلاین به موضوع بهینه‌سازی بهره‌مندی از هوش مصنوعی پرداخت و گفت: هوش مصنوعی در حال حاضر چالش‌های بسیاری دارد و ردپای کربن در این حوزه بسیار بالاست و فعالیت‌های مرتبط با آن به نفع محیط زیست نیست و همچنان هزینه‌های استفاده از هوش مصنوعی بسیار بالاست و فقط یک گروه خاص و تنها کمپانی‌‎های بزرگ فناورانه امکان استفاده از آن را دارند.

در پایان این رویداد یک روزه، در پنلی تخصصی، سخنرانان حضوری این رویداد به سوالات حاضرین در نشست، دانشجویان، اساتید دانشگاه و فعالان این حوزه  پاسخ دادند و توصیه‌های عملی و تجربی خود را برای کم کردن فاصله فضای دانشگاهی و بازار کار ارائه دادند.