پایگاه خبری تحلیلی ایراسین، در عصر حاضر که هوش مصنوعی به ساختار بسیاری از سازمان‌ها و نهادها در جهان ورود کرده است، در ایران نباید از این نکته غافل بمانیم. اما پیش از ورود هوش مصنوعی به هر سازمان و نهادی ضرورت دارد، مجموعه نکات و مسائلی که پیش‌نیاز ورود به این حوزه است از سوی سازمان‌ها مورد توجه قرار گیرند.

تجارب نشان می‌دهد که بخش مهم و زیادی از اقتصاد در ایران مبتنی بر اقتصاد ماشین محور است. در کشور ما چه در بخش دولتی و چه در بخش‌خصوصی، وقتی که یک مدیر قصد دارد بخشی از نیاز شرکت را برطرف کند، لاجرم دست به خریداری یک دستگاه ماشین یا تجهیزات مرتبط با آن می‌زند. در حالی که عنصر «بهینه‌سازی» مهم‌ترین رکن در ساختار یک سازمان و شرکت به شمار می‌رود و البته نیازمند دقت بسیار زیادی از سوی مدیر است. هرچند باید توجه داشت که از جایی به بعد، دیگر چنین امکانی برای مدیر فراهم نیست که بتواند با دقت و تمرکز کافی به این حوزه وارد شود. چرا که یکی از امور ضروری برای بهینه‌سازی در هر شرکت و سازمانی این است که مدیر، کسب و کار خود را بسیار دقیق و درست بشناسد و دقیقاً بداند که در حوزه مدیریتی او چه رخدادهایی در حال وقوع هستند. مثال شرکت «سیسکو» که شرکتی بسیار معروف و شناخته شده در حوزه فناوری و امنیت شبکه است و زیرساخت‌های انتقال اطلاعات در جهان را تأمین می‌کند، می‌تواند الگوی مناسبی پیش‌روی بنگاه‌های بزرگ کشور باشد. این شرکت متر، معیار و سنجه‌هایی را فراهم کرده است که از طریق آنها عملکرد شرکت‌ها و آمادگی کشورهای مختلف جهان را در ورود هوش مصنوعی و مهندسی داده و استفاده از آنها مورد ارزیابی و سنجش قرار می‌دهد. شرکت سیسکو به این منظور ۶ معیار را تعیین کرده است (شکل ۱) که در ادامه به شرح برخی از آنها می‌پردازیم.

شکل ۱: مدل سیسکو برای ارزیابی شرکت‌ها برای ورود به حوزه هوش‌مصنوعی

تدوین استراتژی

اولین معیاری که از سوی شرکت سیسکو تعیین شده است، این است که سازمان باید برای استفاده از داده و هوش مصنوعی، استراتژی جامعی در سطح بنگاه خود داشته باشد. استراتژی که همه ارکان بنگاه آن را باور داشته و به آن پایبند باشند. تجربه به ما نشان می‌دهد که بنگاه‌های ما در ایران از استراتژی مشخصی برخوردار نیستند و هرچند آرزوی برخورداری از آن را دارند، اما متأسفانه ساز و کار تدوین آن را به درستی فرا نگرفته‌اند.

لازم است بدانیم که تدوین استراتژی، مهم‌ترین گام در مسیر دیجیتالی‌شدن فرآیندها و استفاده از هوش مصنوعی است و قبل از هر کس، این مدیر ارشد سازمان است که باید پای تدوین استراتژی و سپس اجرای آن محکم بایستد. چنانکه بهره‌مندی از داده و هوش مصنوعی برای یک سازمان بدون اینکه مدیر ارشد سازمان نسبت به تدوین استراتژی اقدام کند در عمل ممکن نخواهد بود. ذکر این نکته نیز لازم است که استراتژی درست، صرفاً از طریق برون‌سپاری برای تدوین آن توسط یک مشاور یا در کنار هم قرار دادن افراد یک سازمان به دست نمی‌آید، بلکه تدوین استراتژی به این صورت است که باید یک مشاور کاردان در مدت زمانی مشخصی در سازمان شما مستقر شود و فرصت تحلیل روند فعالیت‌ها و عملکردهای سازمان را پیدا کند و سپس با قرار گرفتن در کنار افراد داخلی سازمان در تمامی رده‌ها، نسبت به تدوین استراتژی و تعیین مسیر حرکت سازمان در زمینه داده و هوش مصنوعی اقدام کند.

جمع‌آوری داده‌های مفید

موضوع بعدی که سیسکو آن را محور حرکت خود قرار داده، توجه به جمع‌آوری داده‌هاست؛ چنان‌که این شرکت معتقد است، استراتژی خوب بدون داده مناسب، هیچ دردی را درمان نخواهد کرد! اما درباره اینکه داده به درد بخور چیست؟ و چگونه می‌توان آن را جمع‌آوری کرد؟، نیازمند بررسی، شناخت و دقت نظر بالایی است. چالش اصلی این موضوع آن است که امروز در کشور ما برخی از سازمان‌ها نسبت به جمع‌آوری داده اقدام می‌کنند، اما در نهایت استفاده‌ای از آن داده‌ها نمی‌کنند! مثلاً بانک‌ها داده‌های زیادی را جمع‌آوری کرده؛ سپس در گاو صندوق بانک خود ذخیره و نگهداری می‌کنند! لازم است بپرسیم این داده‌ها و این ذخیره‌سازی قرار است چه مشکلی از این بانک‌ها حل کند؟! این نکته را باید به یاد داشته باشیم که در تمامی سازمان‌ها و شرکت‌ها، چه دولتی و چه خصوصی، همین که صحبت از جمع‌آوری داده به میان می‌آید، سازمان و شرکت دچار هراس و نگرانی می‌شوند. به این دلیل که گام بعد از جمع‌آوری داده، ایجاد شفافیت است؛ موضوعی که حتی در شرکت‌های خصوصی هم چندان قابل قبول نیست و کارکنان و بدنه سازمان و حتی مدیر ارشد نیز تمایلی برای انجام آن از خود نشان نمی‌دهند.

بنابراین، هرچند کاربرد داده‌های کلان برای بهبود زندگی انسان مشخص شده، اما ضرورت دارد، بهره‌مندی از آن در کنار اصل «محرمانه‌ماندن اطلاعات شخصی» و «اخلاق داده» مورد بررسی قرار بگیرد. از سوی دیگر، با توسعه هوش مصنوعی مشخص شده تا زمانی که، داده‌های ساده مربوط به سیستم‌های مصنوعی را داده‌کاوی می‌کنیم، قواعد حاکم بر آنها کاملاً مشخص است و به صورت موفق و دقیق، قابل درک، تفسیر و پیش‌بینی خواهد بود. اما زمانی که داده‌های ورودی، کمی پیچیده‌تر باشد و پای تحلیل اطلاعات رفتاری و فرآیندهای مغزی به میان باز شود، هوش‌مصنوعی با محدودیت جدی روبه‌رو خواهد بود.

ارتقای فرهنگ سازمانی

تقویت فرهنگ سازمانی برای اینکه مدیر سازمان به جمع‌آوری داده و سپس ایجاد شفافیت اقدام کند، بسیار ضرورت دارد. لذا بدنه سازمان باید بداند که شفافیت به این معنا نیست که قرار است عملکرد گذشته سازمان مورد تحلیل و شناسایی قرار بگیرد، بلکه قرار است با شفاف‌سازی گذشته، درباره آینده سازمان تصمیم‌گیری شود. از اینجا به بعد است که داده و استراتژی معیار ارزیابی داخل سازمان می‌شوند. بنابراین نباید با گذشته یک سازمان کاری داشت، چراکه بدنه سازمان و حتی مدیر ارشد آن در برابر چنین امری ایستادگی خواهد کرد. در این زمینه می‌توان با به کار گرفتن یک مشاور متخصص و یک مدیر سرمایه انسانی ماهر قدم در مسیر ارتقای فرهنگ سازمانی گذاشت و به جمع‌آوری داده و تدوین استراتژی اقدام کرد. همچنین در این روند ابتدا باید خود مدیر ارشد مورد وارسی و مداقه قرار گیرد تا بدنه سازمان بدانند که قبل از آنها شخص مدیر زیر ذره‌بین بررسی قرار گرفته است و قصد بهینه‌سازی سازمان را دارد. این هدف، تنها با گفت‌وگو محقق نمی‌شود و نیازمند آموزش است. آموزشی که برای هر بخش از سازمان معنای متفاوت و به خصوصی دارد و از پایین‌ترین رده تا بالاترین رده را شامل می‌شود.

حکمرانی داده‌محوری

مدل حکمرانی در یک سازمان و مجموعه باید بر اساس داده‌محوری شکل بگیرد که مدلی کاملاً متفاوت با حکمرانی مشاهده‌محور توسط مدیر است. امروز دیگر همه چیزدانی برای یک مدیر مطلوب نیست و همه با کمک همدیگر سازمان را به پیش می‌برند. هرچند سخن آخر را مدیر می‌گوید اما این باید بر اساس داده‌ها و تحلیل‌های انجام شده باشد و نه بر اساس آنچه مدیر صرفاً مشاهده کرده است. حکمرانی همچنین منجر به شکل‌گیری سرمایه‌ای جدید در شرکت می‌شود که این سرمایه همان داده و مدلی است که هوش‌مصنوعی با اتکا بر داده‌ها برای سازمان شما ساخته است. پس لازم است بدانیم که اولاً، داده قدرت‌آفرین است و ثانیاً مدلی که از روی این داده ساخته می‌شود نیز ثروت آفرین است. لذا داده‌ای که در صندوق پنهان مانده و به کار گرفته نمی‌شود، دردی را درمان نخواهد کرد و نمی‌تواند گره‌ی از مشکلات سازمان باز کند. مسأله‌ای که وجود دارد این است که از نگاه حکمران و با از نگاه کسی که داده‌ها را در اختیار دارد، این نگرانی و ترس وجود دارد که ترکیب این داده‌ها برای استفاده از هوش مصنوعی با چالش‌های امنیتی، اخلاقی و اقتصادی مواجه است و این سوال را مطرح می‌کند که آیا ما آمادگی این را داریم که با تکنولوژی‌های موجود هوش مصنوعی بتوانیم این چالش‌ها را کاهش دهیم؟

متخصص خلاق و زیرساخت‌های پردازشی

در اینجا باید به دو رکن مهم دیگر نیز اشاره کنم که عبارتند از: متخصص خلاق و زیرساخت‌های پردازشی، شبکه و… که اوضاع یکی از این مولفه‌ها در کشور ما بسیار خوب است و وضعیت آن مؤلفه دیگر چندان مطلوب نیست. امروز در کشور ما متخصصان خلاق زیادی وجود دارد ولی چون بخش خصوصی به ورطه دیجیتال وارد نمی‌شود، باعث شده، این متخصصان رفتن از کشور را به ماندن ترجیح بدهند. خوشبختانه امروز همچنان یک شور و شوق جدی در میان دانشجویان برای ورود به شرکت‌های دیجیتال وجود دارد و می‌توان با اطمینان گفت، سواد و دانش این دانشجویان و طبقه متخصص در کشور ما در زمینه هوش مصنوعی و دیجیتال با میزان سواد و دانش فعالان این حوزه در کشورهای دیگر برابری می‌کند. پس ما در ایران مشکلی در زمینه نیروی انسانی، سواد علمی و درآمدزایی از آن نداریم. بلکه دغدغه ما امروز این است که نیروی انسانی ما نباید شبیه یک نیروی کاری عادی مانند یک منشی یا حسابدار یا یک کارمند ساده و… در نظر گرفته شود و مدیر شرکت باید بداند که نمی‌تواند برخوردی مشابه با سایر نیروی انسانی خود با این نسل که گاهی از آنها به نسل زد تعبیر می‌شود، داشته باشد. امروز نمی‌توان مدل سازمانی قدیمی را در سازمان‌های جدید پیاده کرد و این نشانه هوشمندی یک مدیر است که بتواند درست و به موقع نسبت به تغییر مدل سازمانی اقدام کند.

برای آنکه ظرفیت و توان توسعه هوش مصنوعی شکوفا شود، سیستم آموزشی نقش بسیار مهمی در شکل دادن به محیط و همچنین تقویت توان یادگیری، آموختن، و بکارگیری آموخته‌ها دارد. محیط آموزش مناسب در چارچوب تئوری‌های یادگیری تعریف می‌شوند. امروزه تئوری‌های یادگیری برتر، بر نقش بالای مهارتهای نرم در کنار یادگیری تخصصی، نیاز به یادگیری مادام‌العمر و به کارگیری آموخته‌ها در زمان کوتاه در محیط حرفه‌ای و شخصی تمرکز دارند. محیط و فعالیت‌های یادگیری مناسب برای چنین شرایطی یادگیری عمیق، یادگیرنده- محور و شخصی سازی شده و در عین حال جمعی است. ایجاد چنین محیط‌هایی در مقیاس، خصوصاً در کشورهای پرجمعیت و با شرایط اقتصادی محدود، بدون استفاده از ابزارهای نو ممکن به نظر نمی‌رسد. نوآوری و امید به استفاده از دو نسل جدید هوش‌مصنوعی برای توسعه محیط‌های یادگیری مناسب برای یادگیری عمیق و شخصی‌سازی شده رو به افزایش است. از سوی دیگر، آن دسته از «تجارب شرکتی» که به صورت مکتوب، دانشی و مهارت‌محور باشند ارزش و اهمیت زیادی در روند توسعه فعالیت شرکت‌های خصوصی دارند. بنابراین تمامی تجارب مکتوب یک شرکت قابلیت این را دارد که در زمینه دستیابی به هوش مصنوعی و دیجیتالی‌سازی فعالیت آن شرکت مفید و مؤثر واقع شود. شاید داده خام شرکت و جزئیات مربوط به آن در این تجارب درج نشده باشد، اما همین تجارب در نوع خود دارای اهمیت است و می‌توان به منظور تعمیر و نگهداری سازمان و شناسایی مشکلات آن از این تجارب استفاده کرد.

عصر پسا علوم‌داده

اگر قرار باشد الگوهای رفتاری، گفتاری، نوشتاری، مسائل اجتماعی و تعاملی انسان‌ها به درستی تحلیل شود، معنایابی شده و در موارد مشابه بعدی به‌درستی پیش‌بینی شود به توسعه الگوهای جدید بر مبنای الگوهای ذهنی نیاز خواهیم داشت. به یاد داشته باشیم که امروزه در دوره «پسا علوم داده و یادگیری ماشین» قرار داریم و با توجه به تغییر جهت مورد نیاز برای بهینه شدن فرآیندهای هوش‌مصنوعی نیاز به ایجاد یک حلقه ارتباطی میان الگوریتم‌های موجود برای هوش مصنوعی و داده‌کاوی با دانشی است که در سال‌های اخیر با نام علوم شناختی در حال شکل‌گیری است. علوم شناختی در حقیقت به دنبال به‌دست‌آوردن ابزارهایی است که بتواند با کمک داده‌های رفتاری افراد، به سازوکارهای ذهنی و فرآیندی پی ببرد که برای پردازش داده‌ها در مغز رخ می‌دهد. همچنین بتواند داده‌هایی برای اثربخشی بر مدل‌های ذهنی افراد به دست بیاورد. بنابراین با همگرایی این دو دانش، این امکان را خواهیم داشت که کلان‌داده‌های پیچیده رفتاری را نیز مانند داده‌های ساده به آسانی تفسیر کرده و از آن بهره‌برداری کنیم. اکنون کشورهای پیشرو با هدف رفع محدودیت‌های هوش مصنوعی به این سمت گرایش پیدا کرده‌اند، اما هنوز نتوانسته‌اند این هم‌افزایی را به جریانی پیشرو تبدیل کنند. بی‌شک، با اضافه شدن دانش شناختی به داده‌کاوی هوشمند و پیداکردن معنا از کلان‌داده‌های رفتاری، قدرت این فناوری با الگوی نمایی (پیشرفت سریع) افزایش خواهد یافت.

فناوری در مواجهه با کمبود انرژی

در حال حاضر یکی از مشکلات بسیار جدی و مهم برای صنایع و شرکت‌های خصوصی کمبود برق در تابستان و کمبود گاز در زمستان است. طی صحبت‌هایی که با فعالان و مدیران حوزه صنعت داشتم، بسیاری از آنها از این موضوع ابراز نگرانی کرده و مدعی بودند که شرکت آنها به دلیل رویارویی با این معضل در مسیر ورشکستگی قرار دارد. مثلاً یکی از آنها که در زمینه پتروشیمی فعالیت دارد، مدعی بود که طی یک سال حدود ۴ ماه فعالیت صنعت او گرفتار خاموشی و تعطیلی است، در حالی که باید ۱۴ ماه به پرسنل و کارکنانش حقوق بپردازد… این مشکل در حال حاضر معضل جدی در کشور است و برای رفع آن باید سالانه حدود ۴ میلیارد دلار در زمینه تولید برق سرمایه‌گذاری شود. این در حالی است که کشور در حال حاضر چنین توانی را ندارد و لاجرم باید به فکر راهکارهایی بود که هم بتوانند جایگزین روش‌های فعلی برای تولید برق شوند و هم هزینه‌های مرسوم را نداشته و از بار مالی کشور کم کنند.

امروزه در جهان برای رفع معضل کمبود انرژی از راهکاری به نام نیروگاه مجازی استفاده می‌شود. بر این اساس، اگر روش‌های تأمین انرژی و رفع کمبود در این زمینه با توسعه و انتقال و روش‌هایی از این دست انجام می‌شد، نظریه نیروگاه مجازی درصدد است تا به جای چنین روش‌های منسوخ و نامناسبی روش جدیدی را جایگزین کند. چراکه امروزه در جهان حتی استفاده از روش‌هایی مانند پنل‌های خورشیدی و تولید انرژی برق از این طریق نیز چندان مورد تأیید نیست، به این دلیل که برخلاف ادعایی که مجریان این طرح‌ها در خصوص تولید انرژی به روشی کاملاً پاک دارند، اثبات شده است که روش‌های اجرای این طرح‌ها به طور کامل پاک نیست و در نهایت آسیب‌هایی را متوجه محیط‌زیست خواهد کرد. بر همین اساس، امروزه در جهان تاکید می‌شود که سازمان‌ها و شرکت‌های مرتبط با موضوع انرژی باید پیش از ورود به هر حوزه‌ای برای تولید انرژی و خلق روش‌های جدید، بر فرهنگ‌سازی در زمینه میزان مصرف تاکید کنند. این در حالی است که مدیریت مصرف انرژی به معنای کم‌مصرف انرژی نیست بلکه به معنای مصرف صحیح و اصولی، در زمان درست و با همدیگر هماهنگ مصرف کردن است که به عنوان یکی از روش‌های مدیریت مصرف شناخته می‌شود.

مجید نیلی احمدآبادی- عضو هیأت علمی دانشگاه تهران و پژوهشگر هوش‌مصنوعی