SkillUp سری رویدادهایی است که به شکل فصلی و با هدف انتقال تجربه در حوزه‌ی جدید تکنولوژی برگزار می‌شود. پنج‌شنبه، ۲۵ مهرماه، اولین رویداد از سری رویدادهای SkillUp، با همکاری کوئرا و دانشگاه شریف برگزار شد. این رویداد شامل سه بخش اصلی زیر بود:
- سخنرانی‌های متخصصان حوزه یادگیری ماشین با حضور:
دکتر محمود کریمیان – مدیرعامل دیدئو
دکتر علی اوصیا – دانشمند داده در پوشه
دکتر مهرداد فرج‌تبار – محقق هوش مصنوعی در Google
جادی میرمیرانی – هکر و پادکستر آزادی کیبرد
- پنل گفت‌وگو درباره کاربردهای هوش مصنوعی در شرکت‌های ایرانی با حضور:
دکتر محمود کریمیان – مدیرعامل دیدئو
رضا مرادی – توسعه‌دهنده بک‌اند در سخن
محسن شجاعی – مدیر فنی پوشه
هادی راسخ – مدیرعامل سلام‌سینما
- کارگاه عملی برای شروع کار در زمینه یادگیری ماشین با تدریس امیرحسین روزبهانی مهندس داده در کافه‌بازار
معرفی و خوش‌آمدگویی
در ابتدای مراسم، فاطمه عامل، مسئول برگزاری رویداد SkillUp، توضیحاتی در مورد این رویداد ارائه کرد. اولین سری رویداد SkillUp با همکاری انجمن علمی دانشکده کامپیوتر دانشگاه شریف و کوئرا کالج برگزار شد. عامل همچنین، از برگزاری دوره‌ی آموزشی هوش مصنوعی کوئرا با همکاری شرکت پوشه و استفاده از داده‌های واقعی این شرکت، خبر داد. وی افزود: «هدف ما از برگزاری رویداد SkillUp، انتقال تجربه از متخصصان فناوری‌های مختلف به تازه‌واردان این عرصه است.» رویداد SkillUp به صورت فصلی برگزار می‌شود.
هدیه فنولوژی به شما!
سخنرانی دکتر محمود کریمیان – مدیرعامل دیدئو – حال و آینده‌ی هوش مصنوعی
انسان‌ها سعی دارند هوش طبیعی انسان را به وسیله‌ی ماشین‌ها شبیه‌سازی کنند. در واقع در هوش مصنوعی، برای ماشین‌ها فرایند و ساختاری ایجاد می‌کنیم تا بتوانند یاد بگیرند. یادگیری ماشین نیز بخشی از هوش مصنوعی است. در واقع، جایی که با کلان‌داده سروکار داریم، ساختاری که برای ماشین‌ها می‌سازیم، یادگیری ماشین نام دارد که در دو مرحله‌ی test و training انجام می‌شود.
با ظهور هوش مصنوعی، چه شغل‌هایی از بین می‌روند؟
به خاطر پیشرفت‌هایی که در حوزه‌ی هوش مصنوعی رخ داده است، بعضی از شغل‌ها از بین رفته‌اند. در ادامه به ۱۵ شغلی که هوش مصنوعی آن‌ها را در معرض خطر قرار داده است، اشاره می‌کنیم. طبق تحقیقی که در دانشگاه آکسفورد انجام شده است، پیش‌بینی می‌شود، ۴۷ درصد شغل‌های آمریکا، طی ۱۰ تا ۲۰ سال آینده، در خطر از بین رفتن هستند.
۱-رانندگان ماشین: به علت ظهور خودروهای خودران، این شغل در حال از بین رفتن است.
۲-کشاورزان: در ابتدای شکل‌گیری کشاورزی، اکثر کارها توسط انسان‌ها صورت می‌گرفت. پس از ظهور ماشین‌ها، بسیاری از این کارها به ماشین سپرده شد. الان نیز، استفاده از پهپادها و تصاویر ماهواره‌ای، خیلی از کارهای انسان را خودکار کرده‌اند.
۳-رسانه‌های چاپی: با ظهور شبکه‌های اجتماعی، این رسانه‌ها به شدت در معرض خطر قرار گرفته‌اند.
۴-صندوقدارن فروشگاه: در آمریکا ۸ میلیون Cashier وجود دارد. پدید آمدن فناوری‌هایی مانند Amazon Go، این شغل را در معرض خطر قرار داده است.
۵-آژانس‌های مسافرتی: با حضور اپلیکیشن‌ها و سایت‌هایی که در حوزه‌ی فروش آنلاین بلیط فعالیت می‌کنند، رونق آژانس‌های مسافرتی بسیار کم شده است.
۶-کارگرهای کارخانه‌ها
۷-آژانس‌ها: تاکسی‌های اینترنتی، فعالیت‌های آژانس‌ها را بسیار کم‌رونق کرده‌اند.
۸-گارسون‌ها: ربات‌های پرنده‌ای در حال ساخته شدن هستند که به جای گارسون، غذا را سر میز می‌آورند.
۹-متصدی بانک‌ها: بسیاری از فرایندهای بانکی به صورت آنلاین انجام می‌شود.
۱۰-سربازها: با وجود ابزارهای جدید جنگی، نیاز به حضور انسان از بین می‌رود.
۱۱-کارمندان فست‌فودی‌ها
۱۲-بازاریابان تلفنی
۱۳-حسابدارها: هر فعالیت تکراری در معرض خطر از بین رفتن است؛ زیرا ماشین‌ها، کارهای تکراری را خیلی خوب انجام می‌دهند.
۱۴-فعالان بورس: در آینده، خرید و فروش در بورس به وسیله‌ی ماشین‌ها انجام خواهد شد.
۱۵-کارگران ساختمانی
برخی از کاربردهای جذاب هوش مصنوعی
۱-ماشین‌های خودران: در خودروهای خودران (self-driving cars)، سنسورهای مختلفی هدایت خودرو را در دست می‌گیرند.
۲-رباتیک: با ظهور هوش مصنوعی، پیشرفت‌های فراوانی در حوزه‌ی رباتیک رخ داده است. برای مثال ربات‌های Boston Dynamics، از ربات‌های بسیار پیشرفته هستند که از هوش مصنوعی استفاده می‌کنند.
۳-ساخت موزیک توسط ماشین
۴-خیال‌پردازی عمیق (Deep Dreaming)
پرتقاضاترین شغل‌ها در حوزه‌ی هوش مصنوعی
۱-مهندس یادگیری ماشین (machine learning engineer)
۲-متخصص داده (data scientist)
۳-متخصص پژوهش (research scientist)
۴-مهندس تحقیق و توسعه (R&D engineer)
۵-توسعه‌دهنده‌ی هوش تجاری (BI developer)
۶-مهندس بینایی ماشین (computer vision engineer)
برای ورود به دنیای هوش مصنوعی چه مهارت‌هایی نیاز داریم؟
۱-دانش برنامه‌نویسی
۲-دانش ریاضیات و آمار و احتمال
برای فراگیری این مهارت‌ها، می‌توانید از دوره‌های آنلاین مختلف استفاده کنید. همچنین، در هکاتون‌ها و دورهمی‌ها شرکت کنید. علاوه بر این‌ها، می‌توانید بر روی ارتباط کسب‌وکار با هوش مصنوعی مطالعه کنید.
سخنرانی دکتر علی اوصیا – دانشمند داده در شرکت پوشه – پایپ‌لاین یادگیری ماشین در عمل
در این ارائه درباره‌ی لوازم عملی یادگیری ماشین صحبت شد. این ارائه از دو بخش اصلی تشکیل شده است: بخش اول جنبه‌های تئوری و عملی یادگیری ماشین و بخش دوم استایلی برای کد زدن الگوریتم یادگیری ماشین.
توصیه‌هایی برای یادگیری عملی یادگیری ماشین
در یادگیری ماشین، می‌خواهیم تابعی را تخمین بزنیم. سه گام اصلی وجود دارد:
۱-مشخص کردن کلاس و فضا و آن چیزی که می‌خواهیم از آن استفاده کنیم.
۲-مشخص کردن روش ارزیابی (Evaluation)
۳-مشخص کردن الگوریتم بهینه‌سازی برای سرچ در فضای مد نظر و پیدا کردن مدل
در یادگیری ماشین، عمومی‌سازی (Generalization) برای ما اهمیت زیادی دارد. ما یک نمونه‌ای داریم و می‌خواهیم با استفاده از آن‌ها، مدل بهینه‌ای را پیدا کنیم. در واقع باید خیلی خوب بر روی test data کار کنیم. البته توجه کنید که از test data تنها باید به تعداد کم و در انتهای کار استفاده کرد و از این طریق hint زیادی به مدل نداد.
چالش‌های به‌کارگیری یادگیری ماشین
داده به تنهایی کافی نیست و یادگیری ماشین نمی‌تواند جادو کند! داده باید با یک دانش (knowledge) همراه شود. این دانش ممکن است به صورت ضمنی وارد مدل شود یا از طریق فرض‌هایی که در نظر می‌گیریم یا از هر طریق دیگر. مثلا ممکن است بدانیم توزیع داده ثابت است؛ این یک فرض است (در واقع همان دانشی است که به مدل تزریق می‌کنیم) و می‌توانیم از آن استفاده کنیم.
در خیلی از مواقع، مدل ما ممکن است بر روی training data خوب جواب دهد اما بر روی test data جواب ندهد. به این اتفاق overfitting می‌گویند. روش‌های مختلفی برای آنالیز این اتفاق وجود دارند. چالش دیگری که باید مراقب آن باشیم، این است که شهودهای ما در فضاهای مختلف الزاما با هم یکی نیستند. مثلا در حوزه‌ی نرمال در یک یا دو بعد، نمونه‌ها حول میانگین قرار می‌گیرند؛ اما در ابعاد بالا این موضوع صادق نیست.
مهندسی فیچر
در عمل Feature Engineering بسیار اهمیت دارد. مهندسی فیچر (feature engineering) یعنی، فیچرهایی که از داده‌ها استخراج کرده‌اید را با شهود خود به شکل بهتری سامان دهید و فیچرهای جدیدی بسازید. بهتر است ابتدا با به کارگیری مدل‌های ساده به فیچرهایی برسید و بعد از آن فیچرهای بهتری بسازید و به یک مدل پیچیده‌تر برسید.
در عمل بهتر است از الگوریتمی ساده ولی حجم دیتای زیاد استفاده کنید. در عمل، مثلا می‌خواهیم مدلی را خیلی سریع train کنیم زیرا توزیع آن با زمان تغییر می‌کند. در چنین شرایطی، مدل‌های پیچیده سریع نیستند. پس بهتر است مدلی ساده پیدا کنیم و بعد سعی کنیم آن را بهبود ببخشیم. در خیلی از مسابقات یادگیری ماشین، مدل‌های ساخته‌شده توسط تیم‌های برتر را با یکدیگر ترکیب می‌کنند و از این طریق، به مدلی بهتر دست می‌یابند.
دکتر علی اوصیا، در بخش دوم سخنرانی خود نیز استایلی برای کد زدن در ژوپیتر نوت‌بوک ارائه کرد. این نوت‌بوک را می‌توانید از گیت‌هاب شرکت پوشه دریافت کنید.
سخنرانی جادی میرمیرانی – هکر و پادکستر آزادی کیبرد – تهدیدها و فرصت‌های هوش مصنوعی
من متخصص هوش مصنوعی نیستم! اما می‌توانم در مورد آن صحبت کنم. معمولا درباره‌ی کار خودم صحبت نمی‌کنم؛ اما امروز می‌خواهم صحبت کنم. کار من چیزی بین برنامه‌نویس پایتون، سیستم‌عامل لینوکس، مخابرات، پروتکل TR-069، انگلیسی بلد بودن و مهربان بودن با آدم‌هاست. در شرکتی کار می‌کنم که با استفاده از پروتکل TR-069 اجازه می‌دهد، دستگاه‌ها به طور غیرهم‌زمان با یکدیگر صحبت کنند. اگر تعداد دستگاه‌ها زیاد باشد و معلوم نباشد ارتباط زمانی این دستگاه‌ها چه زمانی برقرار می‌شود، برقراری ارتباط کار راحتی نیست.
هوش مصنوعی در همه جا وارد شده است. ما ممکن است مسقیم کار هوش مصنوعی نکنیم، اما به طور غیر مستقیم از آن استفاده می‌کنیم. مثلا در شرکت‌های مخابراتی، قبل از آن‌که مشتری بسیار ناراضی شود و به آن شرکت زنگ بزند، با تکنیک‌های یادگیری ماشین، نارضایتی او را پیش‌بینی می‌کنیم. مثلا مشتری ممکن است در یک الگوی عصبانی، مودم خود را خاموش و روشن کند.
انواع مختلف هوش مصنوعی
ما سه نوع هوش مصنوعی داریم:
۱-هوش مصنوعی نازک (Narrow AI): از سال ۲۰۱۵، ماشین‌ها توانسته‌اند، عکس‌ها را بهتر از انسان تشخیص دهند. ماشین‌ها مثلا خیلی بهتر از پزشک‌ها می‌توانند عکسی را ببینند و غده‌ی سرطانی را در آن تشخیص دهند. هوش مصنوعی در یک حوزه‌ی خاص بهتر از انسان‌ها عمل می‌کند. هر چیزی که اطرافمان می‌بینیم، مانند دستیارهای صوتی و …، همگی هوش مصنوعی نازک هستند.
۲-هوش مصنوعی عمومی (General AI): فیلم Her نمونه‌ی دقیقی از این هوش مصنوعی است. هوش مصنوعی عمومی، مانند یک انسان است و می‌تواند همه چیز را بفهمد و حتی احساس دارد.
۳-هوش مصنوعی سوپر (Super AI): این هوش مصنوعی بسیار قوی است و با هوش انسان‌ها اختلاف زیادی دارد. حدود ۶۰ درصد متخصصان معتقدند، قبل از ۲۰۶۰ به این هوش مصنوعی می‌رسیم.
کامپیوترها اگر مقدار اندکی از انسان‌ها جلو بیفتند، می‌توانند ما را به طور کامل تحت سلطه خود ببرند. در فیلم Mother، هوش مصنوعی شما را تحت کنترل قرار می‌دهد.
یک پیشنهاد خوب برای تاکسی‌های اینترنتی دارم. این ایده را اوبر اجرا کرده است. اوبر داده‌هایی از بانک و سایر مراکز، درباره‌ی مشتریان خود می‌خرد. سپس با توجه به گردش حساب هر شخص، مبلغی متناسب با توان او پیشنهاد می‌کند. هوش مصنوعی، ما را نابود نمی‌کند؛ اما کنترل زندگی‌های ما را در دست می‌گیرد. ایده شورش کامپیوترها بر علیه انسان نیست. ایده این است که آن‌قدر تحت سلطه‌ی رایانه‌ها قرار می‌گیریم که کنترلمان به دست آن‌ها می‌افتد.
بزرگترین خطر هوش مصنوعی
بزرگترین خطر هوش مصنوعی آن است که دست گروهی می‌افتد که اول آن را کشف می‌کنند. این گروه، که intelligence explosion را کشف می‌کند، احتمالا قدرت خود را با بقیه تقسیم نمی‌کند. ما باید سعی کنیم تکنولوژی را به شکل دموکراتانه در اختیار همه قرار دهیم.
اگر تصور انسان این باشد که روح وجود دارد و اخلاق و معنویات مستقل از مادیات است، آن موقع می‌توان گفت که هوش مصنوعی هیچ‌گاه به انسان نمی‌رسد. در واقع اگر پیش فرضی برای خود قرار دهیم، دیگر نیازی نیست توجیه بیاوریم. مثلا اگر معتقد باشیم خدا وجود دارد، احتمالا سعی نمی‌کنیم نظم جهان را بدون خدا توجیه کنیم.
سخنرانی اسکایپی دکتر مهرداد فرج‌تبار – محقق هوش مصنوعی در Google – هوش مصنوعی در مقیاس گوگل
در این ارائه درباره‌ی دپارتمان هوش مصنوعی گوگل صحبت می‌کنیم. این بخش سه هدف را دنبال می‌کند:
۱-تحقیق و پژوهش در زمینه‌های مرتبط با علوم کامپیوتر
۲-استفاده از هوش مصنوعی برای ارتقای محصولات گوگل
۳-توسعه ابزارها، راهکارها و فریم‌ورک‌هایی برای عموم در زمینه‌ی هوش مصنوعی
گوگل خود را مسئول سازمان‌دهی اطلاعات موجود در جهان می‌داند و سعی می‌کند این اطلاعات را در دسترس عموم قرار دهد. دپارتمان AI گوگل نیز در همین راستا، راه‌های جدیدی برای انجام این ماموریت پیدا می‌کند.
مدیران گوگل همواره درباره‌ی خطرات هوش مصنوعی نیز تذکر داده‌اند. خطراتی مانند رشد بی‌رویه‌ی هوش مصنوعی در مسائل نظامی یا مسائل مربوط به حریم خصوصی. گوگل برای پیشگیری از معایب AI، کارگروه‌هایی نیز تشکیل داده است. گوگل در همه‌ی زمینه‌ها، از جمله تحقیق و توسعه، سعی می‌کند در سراسر دنیا فعالیت داشته باشد و شعب متعددی نیز در سراسر جهان دارد.
کاربردهای هوش مصنوعی در محصولات گوگل
گوگل با استفاده از زیرساخت‌های سخت‌افزاری مناسب و با بهره‌گیری از هوش مصنوعی، سعی دارد گوشی موبایل پیکسل خود را بسیار بهینه کند. این موبایل با استفاده از AI، سعی می‌کند مصرف باتری را بهینه کند. دوربین گوشی پیکسل، با استفاده از یک شبکه‌ی عصبی، تصاویر پرتره بسیار خوبی ثبت می‌کند.
گوگل سرویس ترجمه‌ی همزمان خود را حدود ۵ سال پیش راه‌اندازی کرد. در این سیستم، با استفاده از یک شبکه‌ی عصبی، متون موجود در تصاویر شناسایی می‌شوند. سپس توسط یک مدل هوش مصنوعی دیگر، ترجمه صورت می‌گیرد و به کاربر نشان داده می‌شود.
گوگل نه تنها به طور مستقیم از هوش مصنوعی استفاده می‌کند تا محصولات خود را بهینه کند، بلکه در فرایندهای داخلی نیز از هوش مصنوعی استفاده می‌کند. گوگل یکی از بزرگترین دیتاسنترهای دنیا را دارد. این دیتاسنترهای مصرف انرژی بسیار بالایی دارند. تلاش‌های گسترده‌ای برای بهینه‌سازی زنجیره‌ی تولید و تامین انرژی تجدیدپذیر مورد استفاده در این دیتاسنترها انجام گرفته است. گوگل توانسته با به کارگیری روش‌های هوش مصنوعی تا ۴۰ درصد مصرف برق خود را کاهش دهد.
سیستم‌عامل اندروید، با به کارگیری هوش مصنوعی، مصرف باتری را بهینه می‌کند. اندروید، با الگوریتم‌های هوش مصنوعی، میزان روشنایی صفحه‌ی نمایشگر را تعیین می‌کند یا مشخص می‌کند چه برنامه‌هایی باز بمانند تا مصرف باتری کاهش بماند.
تاریخچه‌ی تشکیل دپارتمان هوش مصنوعی در گوگل
پس از کشف یادگیری عمیق (Deep learning) و شبکه‌ی عصبی (Neural network) انقلابی در حوزه‌ی هوش مصنوعی به وجود آمد. همزمان داده‌های زیادی در دسترس بود و توان سخت‌افزاری محاسباتی نیز پیشرفت‌های زیادی کرده بود. گوگل به عنوان یک استارتاپی که در کنار دانشگاه شکل گرفته بود و از محققان زیادی تشکیل شده بود، با دیدن موفقیت‌های محققان دیپ لرنینگ، تصمیم می‌گیرد آن را در گوگل به کار گیرد. بدین ترتیب هسته‌ای به نام Google Brain در گوگل شکل می‌گیرد.
در سال ۲۰۱۴، GPUها به عرصه‌ی محاسبات وارد می‌شود و مدل‌های یادگیری ماشین پیچیده‌تری اختراع می‌شوند. گوگل تصمیم می‌گیرد Tensorflow را به عنوان یک فریم‌ورک هوش مصنوعی و یادگیری ماشین ارائه دهد. این فریم‌ورک برای سرویس دادن به محصولات مختلف گوگل بسیار بهینه شده است. گوگل تنسورفلو را اوپن سورس کرد تا توسعه‌ی آن به سرعت اتفاق بیفتد.
کسب‌وکارهای کوچک و متوسط می‌توانند با استفاده از تنسورفلو به سرویس ابری گوگل متصل شوند و از سرویس‌های مختلف آن مانند تشخیص صدا، تبدیل متن به صوت و صوت به متن، ماشین‌های پیشنهاددهنده و … استفاده کنند.
پنل گفت‌وگو درباره کاربردهای هوش مصنوعی در شرکت‌های ایرانی
توضیح مختصری درباره‌ی کسب‌وکار خود بفرمایید.
رضا مرادی – توسعه‌دهنده بک‌اند در سخن:
سخن یک کسب‌وکار B2B است که کسب‌وکارها را قادر می‌سازد محصولات و خدمات خود را به صورت گفتاری به مشتریان ارائه دهند و از طریق صوت با آن‌ها ارتباط برقرار کنند.
محسن شجاعی – مدیر فنی پوشه:
پوشه زیرساخت Push Notification است. ما در واقع یک کسب‌وکار B2B هستیم و خدمات ارسال نوتیفیکیشن ارائه می‌کنیم. ما ۸۰ میلیون نصب فعال و حدود ۳۰ میلیون دستگاه یکتا داریم.
هادی راسخ – مدیرعامل سلام‌سینما:
سلام‌سینما چندین سال است که در حوزه‌ی فیلم و سینما فعالیت می‌کند. سلام‌سینما برای سرویس پیشنهاد فیلم خود از هوش مصنوعی استفاده می‌کند.
دکتر محمود کریمیان – مدیرعامل دیدئو:
دیدئو یک جست‌وجوگر ویدیویی است از سال ۹۴ شروع به کار کرده است. دیدئو سعی می‌کند دسترسی به فیلم‌های مختلف پلتفرم‌هایی مانند یویتیوب را ممکن سازد. در حال حاضر حدود ۶ میلیون کاربر ماهانه داریم و هر ماه ۲۵ میلیون ویدیو در آن دیده می‌شود.
هوش مصنوعی چه کاربردهایی در کسب‌وکار شما دارد و چرا به سراغ هوش مصنوعی رفته‌اید؟
رضا مرادی:
تنها راهکار انجام کارهایی که مد نظر ماست، استفاده از هوش مصنوعی است. در تبدیل صوت به متن و درک صوت، پیچیدگی‌های مختلفی وجود دارد. ما باید بتوانیم بدون قاعده‌ی خاصی، این کار را انجام دهیم. ما از ابزارهای شناسایی صوت (Voice Recognition)، پردازش زبان طبیعی (nlp) و موتور تبدیل متن به گفتار (text-to-speech) استفاده می‌کنیم. ما به جاهای مختلفی خدمات ارائه می‌دهیم. به فرودگاه‌ها، ایرانسل، ۷۲۴ و … خدمات می‌دهیم. همچنین ما در حال ساخت سیستمی هستیم تا در سوانح طبیعی با تحلیل تصاویر هوایی و نظرات مردم در شبکه‌های اجتماعی، به امدادرسانی کمک کنیم.
محسن شجاعی:
ما سعی داریم با پیاده‌سازی هوش مصنوعی بر روی سرویس اصلی، مشتریان بیش‌تر و حرفه‌ای‌تری جذب کنیم. برای مثال مارکترها در کمپین‌های خود از A/B Testing استفاده می‌کنند. ما با استفاده از هوش مصنوعی، قبل از انجام اجرای کمپین، CTR را تخمین می زنیم و از این طریق نیاز به انجام تست‌های مختلف را از بین می‌بریم. همچنین، مارکترها می‌توانند با استفاده از سیستم ما، به شکل شخصی‌سازی‌شده برای افراد کمپین اجرا کنند. کار دیگری که ما انجام می‌دهیم، پیش‌بینی نارضایتی کاربران است.
هادی راسخ:
هدف ما از ابتدا استفاده از هوش مصنوعی نبود. از جایی تصمیم گرفتیم هوش مصنوعی را به کار بگیریم تا تجربه‌ی بهتری برای مخاطبان خلق کنیم.
محمود کریمیان:
وقتی دیدئو را شروع کردیم، در مورد حجم داده‌ها دیدی نداشتیم. ابتدا تصمیم گرفتیم ویدیوها را به صورت Bulk وارد سیستم کنیم. اما بعد از مدتی دیدیم، برای وارد کردن محتواهای خوب به پلتفرم، وقت و نیروی زیادی نیاز داریم. ما به سمت فرایند بلک لیستی رفتیم که می‌تواند تشخیص دهد یک محتوا مناسب است یا نه. این فرایند با استفاده از یک درخت دانش (knowledge graph) انجام می‌شود. دیدئو یک موتور پیشنهاددهنده نیز دارد که محتوای ویدیویی مورد علاقه کاربر را به وی نشان می‌دهد.
کارآفرینی در حوزه‌ی هوش مصنوعی در ایران چه پیشرفت‌هایی داشته است؟
رضا مرادی:
کارآفرینی در حوزه‌ی هوش مصنوعی نام جذابی دارد اما به نظر من هوش مصنوعی نباید به تنهایی هدف کسب‌وکار شود. شروع یک کار با این دید خیلی مناسب نیست. کار باید متناسب با نیاز بازار انجام شود. هوش مصنوعی می‌تواند در کار به شما کمک کند. نباید جوری کسب‌وکار را طراحی کنید که یک جایی از هوش مصنوعی استفاده کنید. در واقع برای رسیدن به اهداف کسب‌وکارتان می‌توانید از هوش مصنوعی برای تجزیه و تحلیل داده‌ها استفاده کنید. شاید بزرگترین چالش نیز همین داده است. فراهم کردن داده امری پیچیده است. مثلا ما برای فراهم کردن داده‌ها هزینه صرف کردیم. ما یک دستیار هوشمند ساختیم که در واقع ویترین ماست و هدف اصلی آن است که از طریق آن داده‌ی متنی و صوتی ساخته شود. این کار فقط برای ما هزینه داشته است. ما حتی برای به دست آوردن داد‌های صوتی تیمی را استخدام کردیم تا از مردم بخواهند جملات را بخوانند.
محسن شجاعی:
ایده‌ی اصلی کسب‌وکار نباید هوش مصنوعی باشد بلکه کسب‌وکارباید از هوش مصنوعی برای رسیدن به اهداف خود استفاده کند. البته در بعضی از کسب‌وکارها که به شکل As A Service فعالیت می‌کنند، هوش مصنوعی هسته‌ی اصلی کسب‌وکار است. به نظر من هنوز زود است که درباره‌ی موفقیت یا عدم موفقیت این کسب‌وکارها صحبت کنیم.
هادی راسخ:
ما در تابستان دو درخواست کارآموز Back-end و machine learning در کوئرا ثبت کردیم. برای بک‌اند دو نفر به ما مراجعه کردند و برای یادگیری ماشین ۲۰۰ نفر. از طرفی، شرکت‌ها نیز در مورد یادگیری ماشین و هوش مصنوعی زیاد صحبت می‌کنند. به نظر من یادگیری ماشین مانند اینترنت بیش‌تر استراتژیک است تا تکنیکال. داده‌های شرکت‌های مختلف وضعیت بسیار بدی دارند و استفاده از آن‌ها راحت نیست. نبود دیتا مشکل بسیاری از کسب‌وکارهایی است که می‌خواهند از هوش مصنوعی استفاده کنند.
با توجه به ترند شدن هوش مصنوعی، بسیاری از افراد می‌خواهند مهارت‌های مربوط به آن را فرا بگیرند. این افراد از کجا باید شروع کنند و چه مهارت‌هایی باید داشته باشند؟
رضا مرادی:
رشته‌ی من بیوتکنولوژی است و کار حال حاضر من نیز ربطی به این حوزه ندارد. هوش مصنوعی در همه‌ی حوزه‌ها کاربرد دارد. مثلا در بیوتکنولوژی از هوش مصنوعی استفاده می‌شود تا ساختار سه‌بعدی پروتئین را پیش‌بینی کنیم. اگر هدف خود را بدانید با یک سرچ ساده می‌توانید کار خود را شروع کنید. به صورت کلی، به نظر من به یک دانش آماری معمولی نیاز دارید و پیدا کردن یک مسیر.
محسن شجاعی:
ریاضی و آمار شاید خیلی استفاده‌ی زیادی برای ما نداشته باشد. در ایران، ما بیش‌تر به یک مهندس نرم‌افزار خوب نیازمند هستیم. تا وقتی نتوانید کاری را به مرحله‌ی عملی برسانید، هر چقدر هم هوش مصنوعی بدانید بی‌فایده است. البته باید توجه داشته باشید که در هوش مصنوعی ممکن است کارهای زیادی انجام دهید و در نهایت به نتیجه‌ی خاصی نرسید.
هادی راسخ:
اگر هدف شما، رفتن از ایران باشد قضیه کمی متفاوت با زمانی است که بخواهید در ایران بمانید. باید بدانید می‌خواهید هوش مصنوعی را در کجا استفاده کنید. مثلا در آمریکا یا چین، اتوماتیک کردن کارها بسیار اهمیت دارد. در ایران، از دنیا هنوز فاصله داریم. البته سیگنال‌هایی که از اطراف می‌شنویم نشان‌دهنده‌ی این است که اتفاقات خوبی قرار است بیفتد. اگر می‌خواهید در ایران کار کنید، مهندس نرم‌افزار خوب بودن برای شما اولویت اول است.
