رئیس هیأت مدیره انجمن پرداخت الکترونیکی به اظهارات مدیرعامل شاپرک واکنش نشان داد
رامیار قنبری، رئیس هیأت مدیره انجمن پرداخت الکترونیکی، به اظهارات اخیر مدیرعامل شاپرک در مصاحبه…
۲۲ مهر ۱۴۰۳
۲۲ فروردین ۱۴۰۰
زمان مطالعه : ۱۰ دقیقه
جمعآوری و تحلیل داده که در برخی صنایع کشور به کار گرفته میشود، میتوانند از بحران کرونا جلوگیری، آن را شناسایی و حل کند و ابزاری باشد برای پیشبینی موجهای بعدی همهگیری ویروس. این در حالی است که استفاده از دادهکاوی در مواجهه با کرونا کمتر به کار گرفته شده است.
به گزارش پیوست، هرچند اهمیتبخشی به نگهداری دادهها در ایران دیرتر در دیگر کشورها اتفاق افتاد (برای مثال در حالی اطلاعاتی دقیق از مسافران کشتی تایتانیک، گمشدگانی که بیش از پنجاه سال از نبودشان میگذرد در دیگر کشورها موجود است که از مهمترین وقایع کشور ما همچون جنگ هشت ساله دیتای دقیقی موجود نیست) اما چند سالیست که تحلیل داده در صنعت، پزشکی، فرهنگ و دیگر حوزههای کشور ما نیز تا حدی جای خودش را پیدا کرده است.
حالا دادههای شبکههای اجتماعی خصوصا توییتر به یکی از گنجینههای استخراج اطلاعات برای تحلیلگران داده تبدیل شدهاند، دیتاستی از توییتها با موضوعی خاص به ارقام قابل توجهی به فروش میرسد و دادههای اجتماعی به کمک حل بحرانهای جامعه آمدهاند؛ برای مثال گفته میشود که از طریق دادهکاوی توییتها، در حوزه پزشکی دارویی برای ویروس کرونا تولید شده است.
در واقع شیوع ویروس کرونا یکی از موقعیتهایی بود که جمعآوری و تحلیل داده در جهان مورد توجه بیشتری قرار گرفت. حتی برخی از کتابخانههای جهان با هدف نگهداری و تحلیل داده شروع به جمعآوری خاطرات روزانه مردم کردند.
به گفته کارشناسان علم داده و هوش مصنوعی یکی از کاربردهای هوش مصنوعی و علم داده در حوزه تشخیص بیماری است. همچنین گفته میشود که یکی از چالشهای این زمینه در ایران، نبود یا دسترسی نداشتن به داده است که (شاید) به دو دلیل عمده کیفیت پایین سامانههای وزارت بهداشت و محرمانگی اطلاعات بیمار باشد.
محققان دانشگاه فناوری و طراحی سنگاپور در تحقیقی در سال ۲۰۲۰ با استفاده از هوش مصنوعی اطلاعات مربوط به پاندمی کووید ۱۹ در سراسر جهان را تحلیل و زمان احتمالی پایان یافتن شیوع این بیماری در کشورهای مختلف جهان را پیشبینی کردند
متخصصان علم داده داده میگویند که با توسعه فناوری اطلاعات در دانشگاههای علوم پزشکی و با بهکارگیری متخصصان و فارغالتحصیلان این حوزه و بحث داده باز و محرمانه کردن داده میتوان این دو مشکل عمده را حل کرد. و بیماری کرونا یک فرصت عالی برای بررسی دقیقتر استفاده از هوش مصنوعی به معنی واقعی در تشخیص بیماری است.
کما اینکه تحلیلگران علم داده در جهان از پردازش تصاویر X-ray برای تشخیص افراد مبتلا به ویروس کرونا استفاده کردهاند. در واقع ویروس کوید 19 بر سیستم تنفسی افراد سالم تاثیر میگذارد و عکس X-ray از قفسه سینه یکی از روشهای مهم برای تشخیص ابتلای فرد به ویروس کرونا است. توسعهدهندگان با استفاده از دیتاست موجود در kaggle.com میتوانند مدل یادگیری ماشین مورد نظر جهت تشخیص فرد سالم از مبتلا به ویروس کرونا توسعه دهند.
یا محققان دانشگاه فناوری و طراحی سنگاپور (SUTD) در تحقیقی در سال ۲۰۲۰ با استفاده از هوش مصنوعی اطلاعات مربوط به پاندمی کووید 19 در سراسر جهان را تحلیل و زمان احتمالی پایان یافتن شیوع این بیماری در کشورهای مختلف جهان را پیشبینی کردند. (پیشبینیهای محققان این دانشگاه درباره زمان پایان شیوع ویروس کووید 19 در کشورهای مختلف جهان در وبسایت ddi.sutd.edu.sg قابل مشاهده است)
اهمیت به دادهها در این دوران البته در کشور ما هم مورد توجه بوده است؛ برای مثال کمیته اپیدمیولوژی کووید 19 دانشگاه علوم پزشکی تهران، با همکاری تیمی از دانشجویان و با حمایت دانشکده بهداشت و موسسه ملی تحقیقات کشور به رصد همهگیری کووید 19 و جمعآوری دادههای مربوط و تهیه گزارشها و راهنماهای علمی در این خصوص پرداخته است.
و وزارت بهداشت نیز فراخوانی برای طرحهای مرتبط با هوش مصنوعی و کرونا برای حمایت از طرف این وزارتخانه جهت کاربردی کردن طرحها منتشر کرد.
اقدامات دیگری هم در حوزه تولید تجهیزات و دارو انجام گرفته است که چون در بخش خصوصی انجام گرفتهاند، اطلاعات دقیقی از آنها در دسترس نیست. با همه اینها البته در برخی بخشها هنوز به نظر میرسد جمعآوری و تحلیل داده اهمیت خود را پیدا نکرده است.
آرمان بهنام، تحلیلگر داده و مهندس هوش مصنوعی در گفتوگو با پیوست درباره وضعیت نگهداری و استفاده از داده در سالهای اخیر در ایران میگوید: «با توجه به اثراتی که از خروجیهای حاصل از تحلیل داده دیده شده؛ چه در شرکتهای بزرگ دنیا و چه در شرکتهای خصوصی که باعث تفاوت در بازار شدند، و با توجه به استفادهای که از اطلاعات شده، علاقه و توجه به مباحث علم داده و دادهکاوی خیلی زیاد شده است؛ میتوان گفت به دلیل اینکه استخراج اطلاعات از دادهها شکل میگیرد، اطلاعاتی که برای ما در وهله اول قابل بررسی، دیدن و درک نیست و با ابزارهای خاص استخراج میشوند و سپس به دیدگاه و بینش میرسند، باعث شده تا تحلیل داده خیلی محبوب شود و به طبع وقتی خروجیها اهمیتشان را نشان میدهند، توجه به جمعآوری داده هم افزایش پیدا میکند.»
او ادامه میدهد: «پیشتر خیلی از شرکتهای ایرانی و غیرایرانی و سازمانهای مختلف اطلاعات را جمعآوری نمیکردند و حتی اگر جمعآوری میکردند هم استفادهای از آنها نمیکردند و این اطلاعات بعد از مدتی پاک میشد و اطلاعات جدید جای آنها نوشته میشد. وقتی که به آمار سالهای اخیر نگاه میکنیم، در مورد دادههایی از جنس صوت و تصویر، شرکتهای بزرگی که از صوت و تصویر استفاده میکردند، میگفتند که اطلاعاتشان 12 ساعت یکبار بهروز میشود. ولی با توجه به گذر زمان اهمیت جمعآوری داده افزایش پیدا کرد و در حال حاضر دادهها منبع خیلی ارزشمندی برای استفاده و رسیدن به بینش و اطلاعات هستند.»
بهنام سپس با اشاره به اینکه کار اصلی دادهکاوی، استخراج اطلاعات است، درخصوص نقش تحلیل داده در حل بحرانها بیان میکند: «قاعدتا بحرانهای بسیار زیادی در جامعه وجود دارد، از بحرانهای زیست محیطی گرفته تا بحرانهای پزشکی، اقتصادی و فرهنگی. از نظمی که در این بحرانها وجود دارد و قانونی که دیتاها از آن پیروی میکنند، میتوان اطلاعات مورد نیاز را استخراج کرد؛ در حقیقت چون همه این دیتاها و اطلاعات از قوانین طبیعت پیروی میکنند، طبیعتی دارند که ما میخواهیم آن را درک کنیم.»
این تحلیلگر داده در توضیح بیشتری میگوید: «برای مثال در بحث کرونا با استفاده از تحلیل داده اقدامهای بسیاری میتوان انجام داد، از لحاظ تعداد کسانی که مبتلا میشوند، از لحاظ تعداد افرادی که از میان خوب میشوند یا فوت میکنند و هم از لحاظ امکاناتی که هر روز در بیمارستانها استفاده یا تخصیص داده میشود و… . همه اینها دارای اطلاعات، شاخصها و نرخهایی است که در مدت زمان مشخصی جمع میشوند و قابل بررسی هستند (این زمان لازم نیست بلند مدت یا کوتاه مدت باشد).»
آرمان بهنام به بیان کاربردهای تحلیل داده در زمان شیوع ویروس کرونا میپردازد و اظهار میکند: « پیش از همه اینکه زودتر از آن که اتفاقی به وقوع بپیوندد، ما میتوانیم آن را تشخیص دهیم، سپس اینکه اگر اتفاقی افتاد، میتوانیم آن را تشخیص دهیم که علتش چه بوده و چه چیز بیشترین تاثیر را بر آن داشته است، و دیگر اینکه متوجه میشویم از مجموعهای از عناصر (مثلا افراد، تجهیزات و…) کدام یک خلاف حالت عادی رفتار میکنند و علت این تفاوت چیست تا اگر این تفاوت مشکلزاست، آن را برطرف کنیم؛ مثل پیدا کردن شهرهای قرمز، علت قرمز شدن آنها و ارتباط شهرهای قرمز با یکدیگر. یا حتی از طریق آمارهای مربوط به مناطقی که در موج سوم و آنها که در موج چهارم هستند، میتوان جلوی موج چهارم را در جایی دیگر گرفت. بنابراین، تحلیل دادهها میتواند به میزان زیادی در جلوگیری از بحران، شناسایی بحران و حل آن به ما کمک کند.»
به گفته او مدلسازیهای ریاضی میتوانند در انتخاب بهترین راه حل در حل بحران به ما کمک کنند، بهنام دراینباره توضیح میدهد: «وقتی میخواهیم بحران را کاهش دهیم، ابتدا یکسری راهکار وجود دارد که هر یک با توجه به مدلسازی ریاضیای که انجام میشود، بازخوردها و تاثیرهایی دارد که این تاثیرها قابل اندازهگیری هستند، چون برای همه آنها نرخ و شاخصهایی داریم و میتوانیم آنها را هم اندازهگیری کنیم تا متوجه شویم کدام راهکار با توجه به هزینه و زمان ما بهترین جواب را میدهد.»
آرمان بهنام همچنین در پاسخ به سوالی درخصوص اهمیت استخراج اطلاعات از دادههای شبکههای اجتماعی بیان میکند: «از آنجا که شبکههای اجتماعی در حال حاضر مهمترین محل گردهمایی مردم ایران و دیگر کشورهای جهان هستند، بسیار در شناخت جامعه تاثیرگذارند؛ این درخصوص هر جامعهایست که مد نظر ماست، ممکن است یک کانال تلگرامی یا صفحهای اینستاگرامی باشد که مجموعهای از افراد خاص را پوشش میدهد و ما به دنبال شناخت نیازها و هدفهای این قشر باشیم.»
او سپس با بیان اینکه شبکههای اجتماعی، مخزن بسیار کاملی از اطلاعات هستند، میافزاید: «علت این مسئله آن است که همه افراد حاضر در شبکه، نظراتشان را در قالبهای مختلف بیان میکنند و همه اینها نگهداری میشود. میزان مشارکت افراد در یک بحث با توجه به زمانی که برای آن میگذارند یا حجم صحبتی که انجام میدهند، واژه هایی که به کار میبرند و نکاتی که به کار میبرند میتواند در شناخت آن فرد یا گروه خیلی تاثیرگذار باشد و به ما کمک کند تا ارتباط بین افراد یا گروهها را پیدا کنیم و اگر مشکلی وجود دارد بتوانیم آن را برطرف کنیم یا حتی اگر راهحلی در جایی ارائه میشود بتوانیم آن را تعمیم دهیم و بنابراین یکی از ارزشمندترین مکانها برای پیدا کردن داده، شبکههای اجتماعی است.»
این مهندس هوش مصنوعی درباره چالشها و خلاءهای فعلی عرصه دیتاساینس و دادهکاوی در ایران نیز بیان میکند: «من به عنوان کسی که همیشه خودم را در حال یادگیری میدانم، فکر میکنم یادگیری عنصری اصلیست و در هر جایگاهی که باشیم، باز هم کسانی هستند که از ما بهتر و مسلطترند. و یادگیری و بهروز بودن حرف اول را میزند. اما متاسفانه چون دیتاساینس ابزار خیلی مفیدیست و میتواند روند فروش، پیشرفت و ارتباط را گسترش و تغییر دهد، هر کسی که حتی صرفا با اصطلاحات این موضوع آشنا میشود، این موضوع را به آنکه «من دیتاساینس را بلدم» تعمیم میدهد.»
او میگوید: «چون دادهکاوی یک ابزار و دیتاساینس علمی بینرشتهای است و هر دو همه جا استفاده میشوند (در حقوق، فلسفه، روانشناسی، پزشکی، مهندسی مکانیک، عمران، برق و…) این دلیل نمیشود که ما وقتی با بخش کوچکی از آن آشنا میشویم، بگوییم که همه چیز آن را شناختهایم. در حالیکه ما باید بدانیم بحث دیتاساینس و دیتاماینینگ، موضوع بسیار عظیمیست که دائما در حال پیشرفت است اما یکسری از مطالب خاص خیلی زیاد در آن تکرار میشود و برای همه قابل رویت است، اما این همه بحث نیست؛ یعنی آن چیزی که در حال حاضر با آن پیشرفت و کار میکنند، آن چیزی نیست که اکثریت جامعهای میگویند از دیتاساینس میدانند.
آرمان بهنام در پایان به ضرورتی در حوزه تحلیل داده اشاره و بیان میکند: «هر یک از شرکتها و سازمانها باید دپارتمانی برای این موضوع اضافه کنند، چون این کار بسیار کاربردیست و به این نحو توجه به این شغل بیشتر میشود. چون وقتی نیازمندیها بالاتر برود و فضای رقابتی ایجاد شود، باعث میشود کیفیت افراد هم تغییر کند. شاید در وهله اول همه کسانی که وجود دارند، بتوانند شغل داشته باشند کمااین که حالا هم درخواستها برای تحلیل داده صعودی و در حال افزایش است. در هر صورت در این صورت میتوانیم محیط خیلی بهتری را برای کارمان فراهم کنیم و با ایجاد محیطی رقابتی، حرفهای بودن در زمینه دیتاماینینگ و دیتاساینس را افزایش دهیم و متوجه شویم که چقدر عمیقتر از آن است که ما میدانیم؛ ضمنا پر از تخصصهای مختلف است و هر کسی میتواند یک تخصص را در آن یاد بگیرد، یعنی از آن مبانی دادهکاوی پا فراتر بگذاریم و حتما یک تخصص در آن پیدا کنیم.»