پنل «استقرار هوش مصنوعی در سازمانهای بزرگ» روز چهارشنبه ۱۱ شهریور ۱۴۰۵ در استیج و استودیوی ترندها و هوش مصنوعی، سالن ۴۰ الکامپ ۲۹ برگزار شد. دکتر مسعود مظلوم، بنیانگذار مرکز نوآوری علم داده و هوش مصنوعی ICDS، علیرضا بادامچی، مدیر پلتفرم داده گلرنگ سیستم، احمد سروری، راهبر سابق مدیریت مهندسی دیجیکالا و حسین بیانی، معاون فناوری داتا، اعضای این پنل بودند. آرش سروری نیز مدیریت پنل را بر عهده داشت.
وقتی پروژه از ابزار آغاز میشود
حسین بیانی در این پنل، موانع استقرار هوش مصنوعی در سازمانهای بزرگ را در سه دسته بررسی کرد. نخستین مانع، غلبه نگاه فناورانه بر تعریف مسئله بود. در بسیاری از سازمانها، پروژه هوش مصنوعی از واحد فناوری اطلاعات آغاز میشود و کسبوکار از ابتدا نقش مؤثری در صورتبندی مسئله ندارد.
بیانی برای توضیح این وضعیت از تعبیر «چکش هوش مصنوعی» استفاده کرد. به گفته او، وقتی این چکش در اختیار واحد فناوری قرار میگیرد، سازمان تازه جستوجو برای پیدا کردن میخ را آغاز میکند. در چنین شرایطی ممکن است یک خروجی فنی شکل بگیرد، اما ارتباط آن با نیاز واقعی کسبوکار روشن نباشد.
او تأکید کرد که سازمانها از نظر دانش الگوریتمی با کمبود جدی مواجه نیستند. گره اصلی زمانی شکل میگیرد که پروژه با منطق سنتی پروژههای فناوری اطلاعات پیش میرود و ارتباط میان کسبوکار، داده و زیرساخت در طراحی آن دیده نمیشود.
بخش اصلی پروژه زیر سطح قرار دارد
دومین مانع مطرحشده در این پنل، وضعیت داده و زیرساختهای مرتبط با آن بود. بیانی برای توضیح سهم داده در پروژههای سازمانی از تصویر کوه یخ استفاده کرد. به تعبیر او، حدود ۱۰ درصد پروژه در بخش قابل مشاهده هوش مصنوعی قرار دارد و ۹۰ درصد دیگر به زیرساخت داده مربوط میشود.
استقرار حاکمیت داده، فراهمکردن زیرساخت مناسب، آمادهسازی داده و انتخاب ابزارها و پایگاههای داده متناسب با کاربردهای هوش مصنوعی، پیشنیازهای ورود مدل به محیط واقعی سازمان هستند. ابزارهایی که برای سامانههای عملیاتی استفاده میشوند، در همه موارد پاسخگوی نیازهای پردازش و آموزش مدلهای هوش مصنوعی نیستند.
بیانی تفاوت میان نمونه آزمایشی و اجرای عملیاتی را نیز از همین زاویه توضیح داد. یک POC معمولاً با دادههایی تمیز و آماده برای یک هدف مشخص ساخته میشود و میتواند نتیجه امیدوارکنندهای ارائه دهد. هنگام توسعه پروژه در مقیاس سازمانی، مدل باید با دادههای واقعی و شرایط عملیاتی روبهرو شود. بسیاری از پروژهها در همین مرحله متوقف میشوند.
مسئولیت خطای هوش مصنوعی با چه کسی است؟
سومین مانع، مشخصنبودن سازوکار حاکمیت هوش مصنوعی، در سازمان بود که معاون فناوری داتا به آن پرداخت. حتی با حضور کسبوکار و آمادهشدن داده و زیرساخت، پرسشهای مهمی درباره مسئولیتپذیری باقی میماند.
اگر مدل اشتباه کند، مسئولیت آن بر عهده کدام فرد یا واحد است؟ چه کسی باید تغییر رفتار مدل یا Model Drift را کنترل کند؟ مسئولیت خروجی نادرست یا توهم مدل بر عهده چه کسی قرار میگیرد؟
به گفته بیانی، بسیاری از سازمانهای بزرگ هنوز پاسخ و سازوکار روشنی برای این پرسشها ندارند. این ابهام میتواند استفاده عملیاتی از مدلهای هوش مصنوعی را دشوار کند.
استقرار هوش مصنوعی در این سطح به فرهنگسازی گسترده نیز نیاز دارد. آموزشهای مقطعی برای جاافتادن مفاهیمی مانند مسئولیت مدل، اعتماد به خروجی و نظارت مستمر کافی نیستند. سازمان باید این مفاهیم را در ساختار تصمیمگیری، فرایندها و فرهنگ خود وارد کند.
حرکت همزمان پروژههای زودبازده و زیرساختهای پایه
به گفته بیانی، رساندن پروژههای هوش مصنوعی از مرحله آزمایشی به اجرا، به صبوری نیاز دارد. او توضیح داد که هیجان شکلگرفته در میان مدیران ارشد میتواند انتظار دستیابی سریع به نتیجه را افزایش دهد، در حالی که ساخت زیرساختهای موردنیاز به زمان و سرمایهگذاری مستمر احتیاج دارد.
بر اساس توضیحات او، داتا این مسیر را در دو جریان موازی دنبال میکند. در جریان نخست، پروژههای زودبازده کمک میکنند کاربرد هوش مصنوعی برای مدیران سازمان ملموس شود. چتباتهای مورد استفاده در سایت، باجه و همراهبانک از نمونههایی بودند که او در این بخش به آنها اشاره کرد.
در جریان دوم، زیرساختهای پایه داده و هوش مصنوعی توسعه پیدا میکنند. هدف این است که طی شش ماه تا یک سال، پروژههای زودبازده به زیرساختهای اصلی متصل شوند و امکان استفاده عملیاتی و پایدار از آنها فراهم شود.
حرکت بانک تجارت به سمت معماریهای جدید داده
معاون فناوری داتا در تشریح این مسیر به ایجاد زیرساخت کلانداده در بانک تجارت اشاره کرد. این زیرساخت باید بتواند داده موردنیاز مدلهای هوش مصنوعی را در اختیار آنها قرار دهد و پاسخگوی مقیاس فعالیتهای بانکی باشد.
او این حرکت را تغییری جدی در معماری فناوری بانک توصیف کرد. در این مسیر، حرکت از پایگاههای داده رابطهای و ساختارهای سنتی مبتنی بر Oracle به سمت معماریهای جدیدتر، از جمله مدل Lakehouse، دنبال میشود.
زیرساخت محاسباتی هوش مصنوعی نیز در کنار این تحول در حال شکلگیری است. بیانی از توسعه مزرعه پردازندههای گرافیکی بانک تجارت سخن گفت و تأمین برق، سیستم سرمایش و ظرفیت مناسب دیتاسنتر را از چالشهای اجرایی آن دانست.
مدلهای کلاسیک همچنان کاربرد دارند
یکی دیگر از نکات مطرحشده در این پنل، انتخاب فناوری متناسب با مسئله بود. به گفته بیانی، بخش قابلتوجهی از نیازهای سازمانی با مدلهای کلاسیک هوش مصنوعی قابل حل است. بخشبندی مشتریان و پروفایلسازی آنها از نمونههایی بودند که او در این زمینه مطرح کرد.
تمرکز گسترده بازار بر چتباتها و مدلهای زبانی بزرگ میتواند سازمانها را از برخی کاربردهای پایه و مؤثر دور کند. به گفته بیانی، پروژههای مرتبط با مدلهای زبانی میتوانند بهعنوان دستاوردهای زودبازده پیش بروند. در کنار آن، مسائل اصلی کسبوکار باید با ابزار متناسب خود حل شوند.
زیرساخت پردازشی، گلوگاه آینده نزدیک
بیانی در بخش پایانی سخنان خود، زیرساخت هوش مصنوعی را یکی از چالشهای آینده نزدیک سازمانها دانست. به گفته او، توجه سازمانها به حوزه داده در حال افزایش است و بسیاری از بنگاههای اقتصادی برای ساماندادن به زیرساخت داده اقدام کردهاند. زیرساخت پردازشی هوش مصنوعی هنوز به اندازه کافی در مرکز توجه قرار نگرفته است.
او برای نشاندادن ابعاد این مسئله به مصرف برق سرورهای هوش مصنوعی اشاره کرد. به گفته بیانی، یک سرور مجهز به هشت کارت گرافیکی H200 حدود هفت کیلووات برق مصرف میکند. این میزان با ظرفیتی که برخی دیتاسنترهای عمومی برای یک رک ۴۲ یونیتی تأمین میکنند، برابری میکند.
انتخاب نوع پردازنده گرافیکی، فرم فکتور سختافزار، شبکه و فضای ذخیرهسازی نیز بر امکان اجرای پروژه اثر میگذارد. تصمیمگیری درباره این اجزا باید پیش از خرید تجهیزات و متناسب با ظرفیت واقعی دیتاسنتر انجام شود. آمادگی داده باید با برنامه مشخص برای سختافزار، انرژی و سرمایش همراه باشد.
سرعت در تصمیمگیری، صبوری در اجرا
بیانی معتقد است فرصت توقف و انتظار در حوزه هوش مصنوعی از دست رفته و فاصله ایران با برخی کشورهای منطقه در زیرساخت، دانش و مهارتهای تخصصی در حال افزایش است. در عین حال، حرکت تحت تأثیر هیجان بازار میتواند سازمانها را به سمت انتخابهای پرهزینه و کماثر ببرد.
جمعبندی سخنان بیانی روشن بود: سازمانها باید برای ورود به هوش مصنوعی سریع تصمیم بگیرند، اما در اجرا قدمبهقدم پیش بروند. پروژه زمانی از دمو عبور میکند که مسئله کسبوکار روشن باشد و داده، حاکمیت و زیرساخت پردازشی برای اجرای آن آماده باشند.
