عضو هیئت علمی دانشگاه شریف خواستار بازتعریف مهارت‌ها برای ورود هوش مصنوعی به صنعت شد.

به گزارش بخش استان‌ها در وبانگاه به نقل از خبرگزاری تسنیم از بیرجند، سجاد امیری، عضو هیئت علمی گروه برق دانشگاه صنعتی شریف و عضو کمیته هوشمندسازی توانیر کشور، امروز در سومین کنفرانس علمی و اولین کنفرانس بین‌المللی علم داده در کاربردهای مهندسی، با تشریح روندهای جدید هوش مصنوعی و تأثیر آن بر ارتباط دانشگاه و صنعت، اظهار کرد: یکی از مهم‌ترین تحولاتی که باید از هم‌اکنون برای آن آماده شویم، ورود ابزارهای هوش مصنوعی به فرایندهای تخصصی، پژوهشی و صنعتی است؛ تحولی که می‌تواند ساختار فعالیت‌ها و تقسیم کار در بسیاری از حوزه‌ها را تغییر دهد.

وی با مقایسه ورود هوش مصنوعی با فراگیر شدن ماشین‌حساب، توضیح داد: همان‌طور که با ورود ماشین‌حساب، شیوه مواجهه افراد با مسائل ریاضی تغییر کرد و به‌جای انجام محاسبات دستی، تعیین ورودی‌ها، انتخاب فرمول صحیح و کنترل نتایج اهمیت بیشتری یافت، هوش مصنوعی نیز می‌تواند صورت‌بندی مسائل و تقسیم وظایف در فعالیت‌های علمی و صنعتی را دگرگون کند.

امیری افزود: در چنین شرایطی، انسان باید بتواند مسئله را به‌درستی تعریف کند، ورودی‌ها و محدودیت‌ها را مشخص سازد و نقاط کنترلی مناسبی برای ارزیابی عملکرد ابزارهای هوشمند در نظر بگیرد. بنابراین، اعتمادپذیری ابزار و صحت اطلاعات ورودی و روش مورد استفاده، اهمیت اساسی خواهد داشت.

تغییر ماهیت برنامه‌نویسی و پژوهش با ورود هوش مصنوعی

عضو هیئت علمی دانشگاه صنعتی شریف با اشاره به مفهوم «وایب کدینگ» (Vibe Coding) گفت: در این رویکرد، کاربر به‌جای آنکه تمام جزئیات برنامه‌نویسی را شخصاً انجام دهد، نیازمندی‌ها و خواسته‌های خود را با زبان طبیعی بیان می‌کند و ابزار هوش مصنوعی بر اساس توضیحات، محدودیت‌ها و بازخوردهای دریافتی، کد موردنظر را تولید می‌کند.

وی ادامه داد: در این شرایط، مهارت‌های موردنیاز برنامه‌نویسان نیز تغییر می‌کند. تعریف دقیق نیازمندی‌ها، طراحی معماری، خواندن و نقد کد، طراحی آزمون‌های ارزیابی، اعتبارسنجی خروجی و بررسی امنیت نرم‌افزار، اهمیت بیشتری پیدا می‌کند. به بیان دیگر، به‌جای تمرکز صرف بر نوشتن دستورات، باید توانایی هدایت ابزار و ارزیابی خروجی آن را تقویت کرد.

امیری با اشاره به تأثیر این روند بر فعالیت‌های پژوهشی نیز تصریح کرد: هوش مصنوعی به‌تدریج می‌تواند بخش‌های مختلف فرایند پژوهش، از طراحی آزمایش و تحلیل داده‌ها تا نگارش مقاله را انجام دهد؛ اما در این میان، نقش پژوهشگر از بین نمی‌رود، بلکه تغییر می‌کند.

وی افزود: پژوهشگر باید بتواند مسئله‌ای با ارزش علمی و کاربردی تعریف کند، تشخیص دهد که آیا موضوع اساساً ارزش بررسی دارد یا خیر و در ادامه، صحت نتایج، قابلیت تکرار آزمایش‌ها و اعتبار علمی خروجی تولیدشده توسط هوش مصنوعی را ارزیابی کند. تشخیص خطاها و جلوگیری از پدیده توهم‌زایی هوش مصنوعی نیز از الزامات این فرایند است.

ضرورت بازنگری در مهارت‌های آموزشی دانشجویان

این استاد دانشگاه با تأکید بر لزوم تحول در نظام آموزشی اظهار کرد: دانشگاه‌ها باید تغییر مهارتی جدی را در برنامه‌های آموزشی خود دنبال کنند. دانشجویان باید از انجام جزئیات تکراری و کم‌ارزش به سمت صورت‌بندی مسئله، هدایت ابزارهای هوشمند، اعتبارسنجی خروجی‌ها و قضاوت تخصصی حرکت کنند.

وی پنج محور اصلی این تحول را شامل حرکت از اجرای جزئیات به تعریف مسئله، جایگزینی کار مستقیم با ابزار با توانایی هدایت ابزار، تغییر بازبینی شخصی به اعتبارسنجی خروجی هوش مصنوعی، حرکت از حفاظت صرف فایل‌ها به مدیریت جریان اطلاعات و تغییر نقش انسان از تولیدکننده مستقیم نتایج به ارزیاب و قضاوت‌کننده نتایج دانست.

امیری همچنین خاطرنشان کرد: مدیریت امنیت اطلاعات و جلوگیری از افشای داده‌های سازمانی و صنعتی، یکی از مسئولیت‌های مهم در استفاده از ابزارهای هوش مصنوعی است و دانشجویان باید برای مواجهه با این چالش‌ها نیز آموزش ببینند.

ارزش علمی و ارزش کسب‌وکار؛ دو معیار اساسی برای ارتباط دانشگاه و صنعت

عضو هیئت علمی دانشگاه صنعتی شریف در بخش دیگری از سخنان خود، با اشاره به ضرورت شناخت نیازهای واقعی صنعت گفت: برای ارزیابی یک پروژه مشترک دانشگاهی و صنعتی، نباید صرفاً به ارزش علمی آن توجه کرد؛ بلکه ارزش کسب‌وکاری و میزان تمایل صنعت به استفاده از دستاورد نیز باید در نظر گرفته شود.

وی با ترسیم دو محور ارزش علمی و ارزش کسب‌وکاری، توضیح داد: برخی پروژه‌ها از نظر علمی ارزش بالایی دارند، اما صنعت تمایل چندانی به استفاده از آن‌ها ندارد. در مقابل، برخی فعالیت‌ها ممکن است از نظر فنی پیچیدگی زیادی نداشته باشند، اما برای صنعت ارزش اقتصادی بالایی ایجاد کنند و شرکت‌های خصوصی نیز بتوانند آن‌ها را به‌خوبی اجرا کنند.

امیری افزود: نقطه مطلوب برای همکاری دانشگاه و صنعت، شناسایی حوزه‌هایی است که هم از ارزش علمی و فناورانه برخوردار باشند و هم بتوانند نیاز واقعی صنعت را برطرف کنند. البته در پروژه‌هایی که شرکت‌های خصوصی توانایی و مزیت بیشتری برای اجرا دارند، نباید انتظار داشت دانشگاه الزاماً مجری اصلی باشد.

وی در ادامه، با تشریح نمونه‌ای از فعالیت‌های انجام‌شده در شرکت دانش‌بنیان کویر تایر، به موضوع بهینه‌سازی محل اتصال و دوخت قطعات در فرایند تولید تایر اشاره کرد و گفت: در فرایند مونتاژ تایر، محل اتصال برخی قطعات می‌تواند با نقاط دوخت قبلی تلاقی پیدا کند و این موضوع موجب ایجاد ناهمگونی در ساختار تایر و بروز مشکلاتی مانند ضربه و کوبش هنگام رانندگی شود.

امیری با بیان اینکه حل این مسئله از منظر علمی و الگوریتمی امکان‌پذیر است، تأکید کرد: مسئله اصلی زمانی آغاز می‌شود که بخواهیم راه‌حل علمی را وارد خط تولید کنیم. در محیط صنعتی، صرفاً ارائه یک الگوریتم مناسب کافی نیست و راه‌حل باید مجموعه‌ای از محدودیت‌های عملیاتی را نیز برآورده کند.

وی در تشریح این محدودیت‌ها گفت: نخست اینکه اجرای راه‌حل نباید حتی به‌اندازه یک ثانیه به زمان فعالیت اپراتور اضافه کند؛ چراکه هرگونه افزایش زمان عملیات می‌تواند موجب کاهش تولید شود. دوم، راه‌حل باید قابلیت اطمینان داشته باشد و در شرایط مشابه، نتایج قابل تکرار ارائه دهد.

وی ادامه داد: موضوع سوم، سرعت پاسخ‌گویی سیستم است؛ به‌گونه‌ای که اپراتور نباید برای اجرای الگوریتم یا پردازش رایانه‌ای منتظر بماند. بنابراین، طراحی سازوکارهای پردازشی و بافرگذاری برای جلوگیری از ایجاد وقفه در عملیات ضروری است.

امیری، تأمین داده‌های موردنیاز از طریق حسگرها و طراحی آزمون‌های پذیرش صنعتی را از دیگر الزامات اجرای چنین پروژه‌هایی برشمرد و افزود: راه‌حل نهایی همچنین نباید موجب اختلال در فرایند تولید شود؛ به‌ویژه در فرایندهای حساسی مانند تولید و شکل‌دهی تایر که شرایط مواد و فرایند می‌تواند به‌سرعت تحت تأثیر تغییرات قرار گیرد.

هوش مصنوعی لزوماً فاصله دانشگاه و صنعت را کاهش نمی‌دهد

این استاد دانشگاه با تأکید بر اینکه ورود هوش مصنوعی به صنعت، به‌تنهایی به معنای نزدیک‌تر شدن دانشگاه و صنعت نیست، اظهار کرد: حتی ممکن است پیچیدگی ارتباط این دو حوزه افزایش یابد؛ زیرا دیگر صرفاً حل یک مسئله علمی مطرح نیست، بلکه باید تمام مراحل تبدیل راه‌حل علمی به یک راهکار عملیاتی و صنعتی به‌دقت طراحی و ارزیابی شود.

وی افزود: برای تحقق این هدف، دو موضوع اهمیت ویژه دارد؛ نخست، به‌روزرسانی مهارت‌های دانشجویان و بازنگری در محتوای دروس دانشگاهی و دوم، تقویت مهارت تصویرسازی و شناخت محدودیت‌های واقعی صنعت، به‌گونه‌ای که پژوهشگر از ابتدا بداند راه‌حل پیشنهادی او باید چه معیارهایی را در محیط عملیاتی برآورده کند.

امیری، به رسمیت شناختن هم‌زمان ارزش علمی و ارزش کسب‌وکاری پروژه‌ها را از پیش‌شرط‌های آزادسازی ظرفیت همکاری دانشگاه و صنعت دانست و گفت: تا زمانی که دانشگاه و صنعت نتوانند نگاه و محدودیت‌های یکدیگر را به رسمیت بشناسند، ظرفیت‌های موجود برای همکاری به‌طور کامل فعال نخواهد شد.

وی برگزاری جلسات مشترک میان دانشگاهیان و فعالان صنعتی را ضروری دانست و خاطرنشان کرد: این جلسات فرصت مناسبی برای شناخت محدودیت‌های عملیاتی صنعت و طراحی پروژه‌هایی است که علاوه بر ارزش علمی، قابلیت اجرا و بهره‌برداری واقعی داشته باشند.

معرفی یک دوره آموزشی برای تفکر با هوش مصنوعی

عضو هیئت علمی دانشگاه صنعتی شریف در پایان، با معرفی دوره آموزشی «Thinking with AI» یا «تفکر با هوش مصنوعی»، بر ضرورت استفاده از هوش مصنوعی به‌عنوان ابزاری برای تقویت فرایند تفکر تأکید کرد و گفت: رویکرد صحیح این نیست که تفکر را به هوش مصنوعی واگذار کنیم، بلکه باید یاد بگیریم چگونه در فرایند اندیشیدن و حل مسئله از این ابزار کمک بگیریم.

وی در پایان ابراز امیدواری کرد با بازنگری در مهارت‌های آموزشی، تقویت تعاملات دانشگاه و صنعت و توجه به الزامات اجرایی پروژه‌ها، ظرفیت‌های هوش مصنوعی در کشور به شکلی مؤثرتر در خدمت توسعه فناوری و ارتقای بهره‌وری صنایع قرار گیرد.

توسعه علم داده در ایران نیازمند زیرساخت داده قابل اعتماد و حکمرانی مسئولانه است

رئیسی، مدیرعامل یکی از شرکت های دانش‌بنیان در حوزه صنایع معدنی نیز در این کنفرانس با تأکید بر ضرورت توسعه زیرساخت‌های داده و استقرار نظام حکمرانی مسئولانه گفت: آینده علم داده صرفاً به توسعه الگوریتم‌های پیشرفته وابسته نیست، بلکه ایجاد زیست‌بومی برای جریان معتبر، امن و قابل استفاده داده میان سازمان‌ها و نهادها اهمیت اساسی دارد.

وی با اشاره به اهمیت ملاحظات امنیتی در انتقال و پردازش داده‌ها اظهار کرد: در بسیاری از کاربردها، انتقال تمام داده‌ها به یک مرکز متمرکز پردازشی با محدودیت‌های امنیتی و ملاحظات حاکمیتی همراه است. به همین دلیل، توسعه پردازش در لبه، یادگیری فدرال و معماری‌های ترکیبی می‌تواند راهکار مناسبی برای استفاده از ظرفیت داده‌ها بدون انتقال غیرضروری اطلاعات باشد.

این فعال حوزه فناوری با اشاره به چالش‌های حکمرانی داده افزود: یکی از مهم‌ترین مسائل امروز، توسعه الگوریتم‌ها هم‌زمان با شکل‌گیری نظام حکمرانی داده مسئولانه است. در بسیاری از سازمان‌ها داده تولید می‌شود، اما مالکیت و مسئولیت نگهداری آن مشخص نیست، استانداردهای لازم برای تضمین کیفیت داده وجود ندارد و سازوکار روشنی برای اشتراک‌گذاری اطلاعات تعریف نشده است؛ در چنین شرایطی، حتی امکان خلق ارزش از داده نیز با محدودیت مواجه می‌شود.

وی چهار اصل اساسی در حکمرانی داده را کیفیت و قابلیت اعتماد، تعامل‌پذیری و استانداردسازی، دسترسی و اشتراک‌گذاری مبتنی بر مجوز و پاسخگویی در تمام چرخه عمر داده عنوان کرد.

ضرورت حرکت از اخلاق فناوری به مدیریت عملیاتی ریسک هوش مصنوعی

رئیسی با اشاره به تحولات جهانی در حوزه اعتمادپذیری فناوری تصریح کرد: در سطح بین‌المللی، رویکردها از توصیه‌های کلی درباره اخلاق فناوری به سمت چارچوب‌های عملیاتی برای مدیریت ریسک، ارزیابی، ممیزی و پاسخگویی حرکت کرده‌اند.

وی با اشاره به استاندارد بین‌المللی ISO 42001 و همچنین رویکردهای سازمان همکاری و توسعه اقتصادی (OECD) در زمینه هوش مصنوعی افزود: شفافیت، امنیت، انسان‌محوری و توسعه فناوری قابل اعتماد، از محورهای مهم این تحولات به شمار می‌روند.

وی ادامه داد: دیگر کافی نیست که یک مدل هوش مصنوعی صرفاً در محیط آزمایشگاهی عملکرد مناسبی داشته باشد؛ بلکه باید مشخص باشد این مدل با چه داده‌هایی آموزش دیده، در چه شرایطی اعتبار دارد، چگونه پایش می‌شود، در چه موقعیت‌هایی احتمال خطا دارد و در صورت بروز خطا، مسئولیت پیامدهای آن بر عهده چه کسی است.

رئیسی با تأکید بر حساسیت بیشتر کاربردهای هوش مصنوعی در حوزه‌های حیاتی گفت: هرچه تصمیم‌گیری هوشمند به زیرساخت‌های حیاتی مانند انرژی و حوزه‌های مرتبط با زندگی انسان مانند پزشکی نزدیک‌تر شود، اهمیت قابلیت اعتماد و نظارت انسانی افزایش می‌یابد و این موضوع به هیچ‌وجه کمتر از دقت الگوریتمی اهمیت ندارد.

علم داده باید در خدمت حل مسائل کلان کشور قرار گیرد

وی در ادامه با اشاره به چالش‌های اساسی کشور در حوزه‌هایی مانند ناترازی انرژی، مدیریت منابع آب و امنیت غذایی اظهار کرد: علم داده باید به این پرسش پاسخ دهد که قرار است کدام مسئله اساسی کشور را حل کند.

رئیسی افزود: بسیاری از مسائل کشور صرفاً با افزایش ظرفیت فیزیکی یا سرمایه‌گذاری سخت‌افزاری حل نمی‌شوند، بلکه به ارتقای کیفیت تصمیم‌گیری و استفاده هوشمندانه از منابع موجود نیاز دارند.

وی با اشاره به کاربردهای علم داده در صنعت انرژی گفت: پیش‌بینی تقاضا، شناسایی تلفات، نگهداری پیشگویانه و بهینه‌سازی مصرف انرژی از جمله حوزه‌هایی هستند که علم داده می‌تواند در آن‌ها نقش مؤثری ایفا کند.

وی تأکید کرد: موفقیت پروژه‌های علم داده را نباید صرفاً با تعداد مدل‌های توسعه‌یافته، تعداد مقالات منتشرشده یا میزان دقت پیش‌بینی ارزیابی کرد؛ بلکه معیار اصلی باید میزان اثرگذاری این پروژه‌ها بر مسائل واقعی کشور باشد.

این سخنران افزود: باید مشخص شود یک پروژه چه میزان مصرف انرژی را کاهش داده، از چه تعداد توقف در خطوط تولید جلوگیری کرده، کیفیت خدمات به شهروندان را چقدر ارتقا داده و چه میزان ارزش اقتصادی برای کشور ایجاد کرده است.

پنج اولویت سیاستی برای توسعه علم داده در ایران

رئیسی در بخش پایانی سخنان خود، پنج اولویت سیاستی را برای توسعه علم داده در کشور مطرح کرد و گفت: پیشنهاد می‌شود این موضوعات در نشست‌های تخصصی کنفرانس بررسی و نتایج آن‌ها در قالب گزارش‌های سیاستی به مدیران و تصمیم‌گیران منتقل شود.

وی نخستین اولویت را ایجاد زیرساخت داده قابل اعتماد و تعامل‌پذیر دانست و اظهار کرد: کشور با کمبود داده مواجه نیست، بلکه به معماری مشترک، استانداردهای تبادل داده، سازوکارهای کنترل دسترسی و چارچوب‌های حقوقی مناسب برای اشتراک‌گذاری اطلاعات نیاز دارد.

وی دومین اولویت را توسعه زیرساخت‌ها و بسترهای مشترک داده و هوش مصنوعی صنعتی عنوان کرد و افزود: بسیاری از بنگاه‌ها به‌تنهایی توانایی تأمین زیرساخت‌های پردازشی، زیرساخت‌های مدیریت داده و تیم‌های تخصصی موردنیاز را ندارند. ایجاد بسترهای مشترک میان دانشگاه، صنعت و شرکت‌های فناور می‌تواند هزینه‌ها را کاهش داده و امکان استفاده گسترده‌تر از این ظرفیت‌ها را فراهم کند.

رئیسی، استقرار نظام ملی ارزیابی و اعتبارسنجی داده‌ها و سامانه‌های هوشمند را سومین اولویت برشمرد و تصریح کرد: برای استفاده مسئولانه از مدل‌های هوشمند، به آزمایش‌های تخصصی برای ارزیابی کیفیت داده، آزمون‌های استحکام و امنیت و همچنین سازوکارهای پایش پس از استقرار این مدل‌ها نیاز داریم.

وی چهارمین اولویت را بازطراحی آموزش و پژوهش مهندسی بر مبنای همگرایی دانش‌ها دانست و گفت: مهندس آینده علاوه بر تسلط بر تخصص اصلی خود، باید با مبانی علم داده، تحلیل عدم قطعیت، یادگیری ماشین و موضوعاتی مانند اخلاق فناوری نیز آشنا باشد.

وی پنجمین اولویت را تغییر نظام ارزیابی پژوهش و نوآوری عنوان کرد و افزود: پروژه‌های مشترک دانشگاه و صنعت باید بر اساس شاخص‌هایی مانند افزایش بهره‌وری، کاهش ریسک، صرفه‌جویی در منابع، قابلیت تجاری‌سازی و ارزش اقتصادی ارزیابی شوند.

آینده متعلق به کسانی است که از داده‌ها تصمیم مسئولانه‌تر می‌سازند

این فعال حوزه فناوری در جمع‌بندی سخنان خود اظهار کرد: سازمان‌ها، نهادها، شرکت‌ها و کشورهایی در عصر جدید موفق خواهند بود که بتوانند سه ظرفیت زیرساخت داده، توانمندی هوشمند و نظام حکمرانی قابل اعتماد را به‌صورت هم‌زمان توسعه دهند و علم داده در آینده از یک حوزه تخصصی و آکادمیک به موتور محرک بهره‌وری، نوآوری و تحول در بخش‌های مختلف تبدیل خواهد شد.

وی در پایان خاطرنشان کرد: آینده را صرفاً کسانی نمی‌سازند که به داده‌های بیشتر دسترسی دارند، بلکه کسانی آن را رقم می‌زنند که بتوانند از داده‌ها، تصمیم‌های بهتر، مسئولانه‌تر و ارزش‌آفرین‌تری خلق کنند. امیدواریم این کنفرانس بستری برای شکل‌گیری همکاری‌های علمی و صنعتی و حرکت به سمت پژوهش‌های داده‌محور و اثرگذار باشد.

©‌ وبانگاه، خبرگزاری تسنیم