در این رویداد علمی که با تمرکز بر فعالیت‌های مبتنی بر هوش مصنوعی و علوم داده برگزار شد، سخنرانی‌هایی با محور به اشتراک گذاشتن تجربیات فعالان این حوزه از شرکت‌های داخلی و بین‌المللی ارائه شد.
در این رویداد یک روزه علی الهی، مدیر واحد هوش مصنوعی تپسی در خصوص تجربیات این شرکت در حوزه هوش مصنوعی سخنرانی کرد و با موضوع محوری «پشت هر سفر چه می‌گذرد؟» به جزییات بهره‌گیری از هوش مصنوعی توسط تپسی پرداخت.
او در خصوص انتخاب مبدا و مقصد، قیمت‌گذاری و تخمین زمان سفر و چالش‌های که هر کدام از این بخش‌ها در حوزه بهره‌گیری از هوش مصنوعی دارند، مصادیق و مثال‌ها را بیان کرد.
الهی در خصوص یکی از مهمترین بخش‌های ارائه خدمات این مجموعه که قیمت‌گذاری است، 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»
الهی با اشاره به 6 سال فعالیت تپسی با تکیه بر امکاناتی که هوش مصنوعی در اختیار این مجموعه قرار داده است، گفت: «امروز به نقطه‌ای رسیده‌ایم که از تمام گزینه‌های موجود داخلی و خارجی دقت بیشتری داریم. در حوزه تخمین زمان سفر و دقت آن در حال حاضر تا ده درصد دقت بیشتری نسبت به سایرین داریم. برای بیزنس ما هر یک درصد بهبود می‌تواند صدها میلیون تومان برای مجموعه رانندگان ما بهره‌مندی داشته باشد.»
سخنران بعدی این رویداد عباس حسینی هم‌بنیان‌گذار تپسل بود که با تاکید بر اینکه به جای استفاده از مدل‌های پیچیده، باید داده‌های موجود را درک کرد، به هدررفت سرمایه و انرژی در تبلیغات سنتی اشاره کرد و 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.»
به عقیده حسینی، مسیری طولانی از نمایش یک تبلیغ تا رسیدن به هدف سفارش‌دهنده تبلیغ، طی می‌شود. او در مورد تجربه بهره‌گیری از هوش مصنوعی در مجموعه 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 ارایه قرار می‌گیرد و آزمون و خطاهای بسیاری انجام شده و می‌شود اما من فکر می‌کنم داده‌ها مهمترین بخش در همه مدل‌های موجود هستند.»
هم‌بنیان‌گذار تپسل گفت: «در صورتی می‌توانیم بگوییم یک شرکت از هوش مصنوعی استفاده می‌کند که به همه این فاکتورها توجه کرده باشد. در همین راستا، تیمی که هوش مصنوعی را در تپسل توسعه می‌دهد برای رسیدن به مدل کنونی و برای اینکه بتواند روزانه یک میلیارد «ایمپرشن» را مدیریت کند، ۵ نسل هوش مصنوعی را طراحی و به روزرسانی کرده است.»
دامون نشتاعلی، مدیرعامل شرکت هومن ژن پارس سخنران بعدی این همایش بود. او از کاربرد هوش مصنوعی در مطالعات مربوط به ژنتیک و تجربه‌‌های کاری خود در این زمینه 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» او به مشکلاتی که تحریم‌ها برای فعالیت در زمینه مطالعات ژنتیک در کشور ایجاد کرده هم اشاره کرده و گفت: «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.»
علی زارع‌زاده مدیر تیم هوش مصنوعی کارگزاری مفید ماجرای طراحی یک مدل اختصاصی در این مجموعه را روایت کرد و با اشاره به اینکه در سال ۹۹ از نسخه اولیه هوش مصنوعی مفید، رونمایی شده است، گفت: «در این فرآیند، اصلی‌ترین مساله تشخیص زنده بودن تصویر بود که برای آن یک ماژول طراحی شده است که به خوبی می‌تواند این مساله 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 دو درصد بود.» زارع‌زاده در خصوص تجربه بهره‌گیری از امکانات اوپن سورس در این مسیر هم گفت: « 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 ۸۰ 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 ۸۰ درصد به ۲۰ درصد کاهش دادیم و تعداد خطاها را در یک صوت مشخص از ۸۴ خطای موجود در دستیار صوتی گوگول به ۴ خطا در دستیار صوتی مفید رساندیم»
در ادامه محمد شکوهی یکتا، دانشمند ارشد مایکروسافت و استاد دانشگاه استنفورد که به صورت آنلاین در نشست حضور پیدا کرد از چالش‌های حوزه یادگیری عمیق در بخش‌های صنعت و پزشکی سخن گفت و برخی از تجربیات جهانی در این زمینه را مرور کرد. شکوهی یکتا در سخنان خود با اشاره به اینکه داده‌ها روز به روز در جهان بیشتر می‌شوندگفت: «آمارها می‌گویند ۹۰ 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 -آمارهای 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 أساس 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»
پیام اسفندیاری مدیر ارشد بلوبانک سخنران دیگر همایش بود که سخنرانی خود را با محوریت هوش مصنوعی توضیح پذیر ارائه کرده و در بخشی از سخنان خود گفت: «شیوه درست استفاده از هوش مصنوعی مدام به روز رسانی 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»
مرضیه طاحایی، محقق حوزه یادگیری عمیق آخرین سخنران این نشست بود که در خصوص بهینه‌سازی بهره‌مندی از هوش مصنوعی سخنرانی کرد و اشاره‌ای به تبعات محیط زیستی فعالیت‌های مربوط به هوش مصنوعی کرد و 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 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.
انتهای رپرتاژ آگهی/
