هوش مصنوعی در ایران طی سالهای اخیر از فضای دانشگاهی و فعالیت شرکتهای تخصصی وارد گفتوگوهای مدیریتی و سیاستگذاری شده است. سازمانها نیز ظرفیت این فناوری را برای تحلیل رفتار مشتری، مدیریت ریسک، پیشبینی تقاضا، کشف تقلب، بهینهسازی فرایندها و توسعه دستیارهای هوشمند بررسی میکنند.
دسترسی به یک مدل یا ابزار هوش مصنوعی، بهخودیخود ارزش سازمانی ایجاد نمیکند. کیفیت داده، انتخاب مسئله، زیرساخت پردازشی، امنیت، حاکمیت و نحوه استفاده از خروجی مدل در تصمیمهای واقعی، نتیجه پروژه را تعیین میکنند.
برای ترسیم تصویری دقیق از هوش مصنوعی در ایران باید میان ظرفیت علمی، توسعه محصول، آمادگی سازمانی و استقرار عملیاتی تمایز گذاشت. رشد پژوهش یا افزایش تعداد ابزارها، شاخص کافی برای سنجش بلوغ استفاده سازمانی نیست. ارزش زمانی شکل میگیرد که سازمان بتواند مسئلهای مشخص را با داده معتبر حل کند و اثر راهکار را در عملیات خود بسنجد.
از وضعیت و مفاهیم پایه تا کاربردها، موانع پیادهسازی، مسیر استقرار و عوامل تعیینکننده آینده
۱. وضعیت و سطوح بررسی
۲. مفاهیم و تعاریف
۳. کاربردهای اصلی
بانکداری و مالی
مشتری و بازاریابی
عملیات و مدیریت
۴. موانع پیادهسازی
۵. مسیر استقرار (از داده تا ارزش)
۶. عوامل تعیینکننده آینده
از سیاستگذاری تا اجرای سازمانی؛ چه تصویری از هوش مصنوعی در ایران داریم؟
بررسی وضعیت هوش مصنوعی در ایران به تفکیک سه سطح نیاز دارد: سیاستگذاری و تنظیمگری، ظرفیت علمی و فنی، و استفاده عملیاتی در سازمانها. منابع عمومی موجود این سه سطح را به یک اندازه پوشش نمیدهند.
در سطح سیاستگذاری، ابلاغ سند ملی هوش مصنوعی در سال ۱۴۰۳ نشان میدهد که این فناوری وارد برنامهریزی رسمی کشور شده است. زیرساخت پردازشی، دسترسی به داده، توسعه نیروی انسانی، حمایت از پژوهش و ساختار راهبری از موضوعات مورد توجه این سند هستند. بررسی مؤسسه تحقیقات سیاست علمی کشور نیز بر ضرورت تناسب اهداف سند با زیرساخت، منابع مالی، سرمایه انسانی و ظرفیت بازار تأکید میکند.
اظهارات رئیس دبیرخانه ستاد توسعه فناوری و کاربرد هوش مصنوعی، نشانه دیگری از فاصله میان پژوهش و اجراست. عمادالدین فاطمیزاده گفته است جایگاه ایران در حوزه نظری و پژوهشی هوش مصنوعی و یادگیری ماشین، بسته به معیار و مرجع رتبهبندی، میان ۱۲ تا ۱۸ قرار دارد؛ جایگاهی که به گفته او در میزان نفوذ هوش مصنوعی در دولت و دستگاههای اجرایی تکرار نشده است. گزارش منتشرشده مرجع و روش محاسبه این رتبهها را مشخص نمیکند. ازاینرو، این اعداد را باید به گوینده منتسب کرد و برای مقایسه مستقل، به منبع و روششناسی دقیقتری نیاز است.
برنامههای حمایتی نیز بر پیوند توان فنی با نیازهای واقعی تمرکز کردهاند. بر اساس همان گزارش، در نخستین فراخوان ستاد حدود ۸۰ طرح دریافت و ۱۷ طرح پذیرفته شد. فراخوان جدید نیز دو حوزه پولی-بانکی و حملونقل را هدف قرار داده و برای ادامه حمایت، وجود بهرهبردار و اجرای موفق پروژه را در نظر گرفته است. این آمار دامنه یک برنامه مشخص را توصیف میکند و مبنایی برای برآورد کل بازار هوش مصنوعی ایران فراهم نمیکند.
در سطح سازمانی، گزارش عمومی و جامعی درباره تعداد پروژههای عملیاتی، نرخ عبور از پایلوت، میزان سرمایهگذاری یا بازگشت اقتصادی هوش مصنوعی در شرکتهای ایرانی پیدا نکردیم. شواهد موجود از شکلگیری سیاستها، فراخوانها و تجربههای اجرایی حکایت دارند. سنجش بلوغ این حوزه به دادههای منظمتری درباره بهرهبرداری و نتایج پروژهها نیاز دارد.
هوش مصنوعی سازمانی چیست؟
هوش مصنوعی سازمانی به استفاده برنامهریزیشده از مدلها و سامانههای هوشمند برای حل مسائل مشخص یک سازمان گفته میشود. این استفاده میتواند در قالب پیشبینی، طبقهبندی، پیشنهاددهی، پردازش زبان، بینایی ماشین، کشف ناهنجاری یا خودکارسازی بخشی از یک فرایند انجام شود.
برای مثال، یک بانک میتواند از مدلهای تحلیلی برای ارزیابی ریسک، شناسایی تراکنشهای غیرعادی یا پیشنهاد خدمت مناسب به مشتری استفاده کند. یک شرکت صنعتی میتواند احتمال خرابی تجهیزات را برآورد کند. در خردهفروشی نیز میتوان از این مدلها برای پیشبینی تقاضا یا احتمال ریزش مشتری بهره گرفت.
ویژگی تعیینکننده هوش مصنوعی سازمانی، اتصال آن به دادهها، فرایندها و مسئولیتهای سازمان است. هر خروجی باید کاربرد تعریفشده، مالک مشخص و شاخص ارزیابی داشته باشد.
دادهکاوی چه نقشی در هوش مصنوعی سازمانی دارد؟
دادهکاوی فرایند کشف الگوها، ارتباطها و ناهنجاریها در مجموعههای داده است. این فرایند معمولاً با تعریف هدف، انتخاب داده، آمادهسازی، ساخت مدل و ارزیابی نتایج پیش میرود. IBM نیز این مراحل را در توضیح فرایند دادهکاوی مطرح میکند.
دادهکاوی میتواند به پرسشهایی از این دست پاسخ دهد:
- کدام گروه از مشتریان رفتار مشابهی دارند؟
- چه عواملی با ریزش مشتری ارتباط دارند؟
- کدام تراکنشها از الگوی معمول فاصله گرفتهاند؟
- تقاضا در دوره آینده چگونه تغییر میکند؟
- چه متغیرهایی بر تأخیر یا خطای یک فرایند اثر میگذارند؟
هوش مصنوعی دامنه وسیعتری دارد و میتواند از الگوهای استخراجشده برای پیشبینی، پیشنهاد یا اجرای خودکار یک اقدام استفاده کند. مرز میان دادهکاوی، یادگیری ماشین و هوش مصنوعی در پروژههای واقعی همیشه کاملاً جدا نیست. هر سه حوزه به داده قابلاعتماد، تعریف درست مسئله و ارزیابی مستمر وابستهاند.
هوش مصنوعی سازمانی چه کاربردهایی دارد؟
بهدلیل نبود پایگاه داده عمومی درباره پروژههای عملیاتی شرکتهای ایرانی، جدول زیر نرخ استفاده صنایع در ایران را نشان نمیدهد. هدف آن معرفی کاربردهای قابلبررسی بر اساس نوع مسئله، داده موردنیاز و ارزش مورد انتظار است.
| حوزه | کاربرد قابلبررسی | داده موردنیاز | ارزش قابلسنجش |
| بانکداری و مالی | کشف تقلب و ناهنجاری | تراکنش، زمان، کانال و سوابق رفتاری | کاهش زیان و شناسایی سریعتر موارد مشکوک |
| اعتبارسنجی | برآورد احتمال نکول | سوابق بازپرداخت، تعهدات و ویژگیهای پرونده | بهبود مدیریت ریسک اعتباری |
| ارتباط با مشتری | دستهبندی درخواستها و دستیار پاسخگو | مکالمات، تیکتها و محتوای خدمات | کاهش زمان پاسخگویی |
| بازاریابی | بخشبندی مشتریان و پیشبینی ریزش | تعاملات، خرید و سوابق ارتباطی | افزایش نرخ حفظ مشتری |
| صنعت | نگهداری پیشبینانه | داده حسگرها، خرابیها و تعمیرات | کاهش توقف تجهیزات |
| منابع انسانی | تحلیل نیازهای آموزشی | مهارتها، نقشها و سوابق آموزشی | هدفمندشدن برنامههای توسعه |
| مدیریت فرایند | کشف گلوگاهها | لاگ سامانهها و زمان انجام فعالیتها | کاهش زمان و هزینه فرایند |
| مدیریت اسناد | استخراج و طبقهبندی اطلاعات | متن، تصویر و فراداده اسناد | افزایش سرعت پردازش |
هر کاربرد باید با توجه به حساسیت داده و پیامد خطای مدل ارزیابی شود. برای نمونه، خطا در پیشنهاد محتوای تبلیغاتی و خطا در اعتبارسنجی یا تشخیص پزشکی، سطوح متفاوتی از ریسک ایجاد میکنند.
مهمترین موانع پیادهسازی هوش مصنوعی در سازمانها
در نبود یک پیمایش جامع ملی، نمیتوان فراوانی و شدت موانع پیادهسازی هوش مصنوعی در سازمانهای ایرانی را رتبهبندی کرد. بااینحال، مجموعهای از چالشهای دادهای، فنی و مدیریتی باید پیش از آغاز هر پروژه بررسی شوند. شناسایی این چالشها میتواند احتمال انتخاب مسیر اشتباه، افزایش هزینه و توقف طرح در مرحله پایلوت را کاهش دهد.
۱. دادههای پراکنده و ناسازگار
دادههای سازمانی معمولاً در سامانههای مختلف نگهداری میشوند. تفاوت شناسهها، قالبها، تعاریف و سطوح دسترسی، ساخت مجموعه داده قابلاستفاده را دشوار میکند. اگر تعریف «مشتری فعال» میان دو واحد متفاوت باشد، مدل با تصویری ناسازگار از واقعیت آموزش میبیند.
۲. کیفیت نامشخص داده
داده ناقص، تکراری، قدیمی یا دارای برچسب اشتباه میتواند نتیجه مدل را منحرف کند. پاکسازی مقطعی نیز کیفیت پایدار ایجاد نمیکند. سازمان باید قواعد کیفیت، مسئول اصلاح و سازوکار پایش مداوم داده را تعریف کند.
۳. انتخاب مسئله نامناسب
برخی پروژهها با انتخاب فناوری آغاز میشوند و مسئله کسبوکار بعداً به آنها متصل میشود. این رویکرد سنجش ارزش را دشوار میکند. مسئلهای محدود، داده دردسترس، مالک مشخص و شاخص موفقیت قابلاندازهگیری، نقطه شروع قابلدفاعتری میسازد.
۴. دشواری اتصال مدل به عملیات
مدلی که در محیط آزمایشی عملکرد مناسبی دارد، باید با سامانههای موجود، محدودیتهای امنیتی و جریان واقعی کار هماهنگ شود. نحوه واکنش کاربران به خروجی مدل نیز باید مشخص باشد. هشدار کشف تقلب زمانی مفید است که فرایند بررسی و تصمیمگیری پس از دریافت هشدار تعریف شده باشد.
۵. حاکمیت و مسئولیتپذیری نامشخص
سازمان باید مالک مدل، دامنه دسترسی به داده، مسیر گزارش خطا و شرایط توقف استفاده از مدل را تعیین کند. استاندارد ISO/IEC 42001 برای ایجاد و بهبود مستمر نظام مدیریت هوش مصنوعی در سازمانها تدوین شده و موضوعاتی مانند سیاستگذاری، مدیریت ریسک، شفافیت و پایش عملکرد را پوشش میدهد.
۶. امنیت و حریم خصوصی
استفاده از دادههای مشتریان، کارکنان یا تراکنشها به کنترل دسترسی، ثبت رویداد، ناشناسسازی و تعیین محل پردازش نیاز دارد. استفاده بدون ضابطه از ابزارهای عمومی میتواند اطلاعات محرمانه سازمان را در معرض خطر قرار دهد.
مسیر سازمان از داده تا ارزش
تبدیل داده به ارزش سازمانی به مسیری مرحلهای و قابلاندازهگیری نیاز دارد. این مسیر با شناخت مسئله آغاز میشود و با ارزیابی داده، اجرای پایلوت، مدیریت ریسک، اتصال مدل به فرایندهای واقعی و پایش مستمر ادامه پیدا میکند. هر مرحله باید خروجی مشخصی داشته باشد تا تصمیم درباره ادامه، اصلاح یا توقف پروژه بر پایه شواهد گرفته شود.
گام اول: مسئله را دقیق تعریف کنید
هدفهایی مانند «استفاده از هوش مصنوعی» برای آغاز پروژه کافی نیستند. مسئله باید قابلاندازهگیری باشد؛ برای مثال، کاهش زمان رسیدگی به درخواستها یا شناسایی سریعتر تراکنشهای مشکوک.
گام دوم: آمادگی داده را بسنجید
سازمان باید منابع داده، کیفیت، مالکیت، دسترسی و سابقه زمانی آنها را بررسی کند. در این مرحله ممکن است مشخص شود که پروژه ابتدا به اصلاح فرایند جمعآوری داده نیاز دارد.
گام سوم: خط مبنا بسازید
پیش از توسعه مدل باید عملکرد فعلی اندازهگیری شود. بدون خط مبنا نمیتوان اثر پروژه را سنجید. ممکن است یک روش آماری یا قاعده ساده، بخش مهمی از مسئله را با هزینه کمتر حل کند.
گام چهارم: پایلوت محدود اجرا کنید
پایلوت باید دامنه، بازه زمانی، کاربران و معیار پذیرش مشخص داشته باشد. خروجی آن باید امکان تصمیمگیری درباره ادامه، اصلاح یا توقف پروژه را فراهم کند.
گام پنجم: ریسک را ارزیابی کنید
نوع داده، احتمال سوگیری، پیامد خطا، قابلیت توضیح خروجی و نیاز به تأیید انسانی باید بررسی شود. سطح کنترل نیز باید متناسب با حساسیت کاربرد تعیین شود.
گام ششم: مدل را به فرایند متصل کنید
در این مرحله، نقش کاربران، نحوه نمایش خروجی، مسیر تصمیمگیری و ثبت بازخورد مشخص میشود. مدل باید در یک جریان کاری تعریفشده قرار بگیرد.
گام هفتم: عملکرد را پایش کنید
دادهها و رفتار کاربران در طول زمان تغییر میکنند. به همین دلیل، دقت اولیه برای ادامه استفاده از مدل کافی نیست. کیفیت داده ورودی، نرخ خطا، انحراف مدل و اثر کسبوکاری باید بهصورت دورهای سنجیده شوند.
چگونه پروژه مناسب برای شروع را انتخاب کنیم؟
برای ارزیابی نخستین پروژه هوش مصنوعی میتوان پرسشهای زیر را مطرح کرد:
- آیا مسئله، دامنه و خروجی مشخصی دارد؟
- آیا داده مرتبط با کیفیت قابلقبول در دسترس است؟
- کدام واحد سازمانی مالک نتیجه خواهد بود؟
- موفقیت پروژه با چه شاخصی سنجیده میشود؟
- پیامد خطا تا چه اندازه قابلکنترل است؟
- آیا اجرای آزمایشی در دامنه محدود امکانپذیر است؟
- خروجی مدل به کدام تصمیم یا اقدام منتهی میشود؟
جذابیت رسانهای یک پروژه، معیار مناسبی برای اولویتبندی آن نیست. مسئلهای اولویت دارد که امکان یادگیری سازمانی، سنجش نتیجه و توسعه کنترلشده را فراهم کند.
چه عواملی آینده هوش مصنوعی سازمانی در ایران را تعیین میکنند؟
آینده هوش مصنوعی سازمانی در ایران به دسترسی به داده باکیفیت، توسعه زیرساخت پردازشی، توان جذب و نگهداشت نیروی متخصص، شکلگیری چارچوبهای حقوقی و امکان سرمایهگذاری مستمر وابسته است. در حال حاضر، داده کافی برای پیشبینی سرعت یا مقیاس این توسعه در دسترس نیست.
گزارش OECD درباره حکمرانی با هوش مصنوعی نیز داده، زیرساخت دیجیتال، مهارت، سرمایهگذاری و حاکمیت داده را در کنار تدارکات و مشارکت با بازیگران غیردولتی، از عوامل مؤثر بر توسعه کاربردهای هوش مصنوعی در بخش عمومی معرفی میکند. این چارچوب را میتوان برای طرح پرسشهای سازمانی به کار گرفت، اما یافتههای آن مستقیماً وضعیت ایران را اندازهگیری نمیکنند.
برای سازمانهای ایرانی، مسیر قابلارزیابی با حل مسائل محدود و دارای شاخص مشخص آغاز میشود. توسعه در مقیاس بزرگ زمانی قابلدفاع است که کیفیت داده، امنیت، مسئولیتها و اثر اقتصادی پروژه در دامنهای محدود سنجیده شده باشد.
جمعبندی
هوش مصنوعی در ایران با افزایش توجه مدیریتی، توسعه فعالیتهای تخصصی و تدوین اسناد رسمی همراه شده است. داده عمومی کافی برای اعلام نرخ دقیق بلوغ یا پذیرش هوش مصنوعی در سازمانهای ایرانی در دسترس نیست. هر ارزیابی عددی در این زمینه باید جامعه آماری، روش اندازهگیری و تاریخ گردآوری داده را مشخص کند.
برای سنجش آمادگی هر سازمان میتوان این هفت پرسش را مطرح کرد:
- چه مسئلهای قرار است حل شود؟
- داده موردنیاز کجاست و چه کیفیتی دارد؟
- مالک کسبوکاری پروژه چه کسی است؟
- موفقیت با چه شاخصی سنجیده میشود؟
- پیامد خطای مدل چیست؟
- خروجی مدل چگونه وارد فرایند تصمیمگیری میشود؟
- چه سازوکاری برای امنیت، پایش و پاسخگویی وجود دارد؟
پاسخ روشن به این پرسشها، مسیر عبور از یک پایلوت نمایشی به یک قابلیت سازمانی قابلاتکا را هموار میکند.
