فاواپرس: در این پنل که دبیری آن علی عبدالهی؛ عضو هیات علمی دانشگاه شهید بهشتی برعهده داشت، چهره‌هایی همچون هشام فیلی؛ رییس موسسه هوش مصنوعی و فناوری‌های شناختی بانک ملت، محمدمهدی تقی‌پور؛ مدیرعامل شرکت به‌پرداخت ملت، مهدی محمدی؛ رییس انجمن مدیریت نوآوری و فناوری و علی بنیادی نایینی؛ معاون طرح و توسعه و عضو هیأت عامل بیمه مرکزی حضور داشتند.
صنعت پرداخت در تطبیق با هوش مصنوعی پیشگام است
مدیرعامل شرکت به‌پرداخت ملت در این پنل، درخصوص چشم‌انداز کوتاه‌مدت به‌کارگیری هوش مصنوعی در نظام پرداخت، اظهار داشت: «به دلایلی همچون جذابیت، درصد تعامل با مردم و آمیختگی آن با زندگی روزمره، صنعت پرداخت یکی از حوزه‌هایی است که به‌صورت پویا بیشترین تطبیق را با هوش مصنوعی داشته و این ظرفیت از بحث‌های KYC (احراز هویت مشتری) تا بحث‌های مربوط به مغایرت‌گیری، به کمک شرکت‌ها آمده است. در مباحث بیرونی نیز هوش مصنوعی در حوزه تجارت الکترونیک، با پیشنهادهایی که برای خرید به مشتریان ارائه می‌دهد و اعتبارسنجی و ارزیابی، کمک‌کننده است.»
محمدمهدی تقی‌پور با اشاره به هیجان‌انگیز بودن مباحث هوش مصنوعی در سطح آکادمیک گفت: «تا وقتی که قدرت پردازش بشر به حد کافی نرسید و دیتاها و الگوریتم‌ها کامل نشد، هوش مصنوعی حالت انتزاعی داشت. اما آن‌چه در فضای کسب‌وکار اهمیت داده می‌شود، بحث کاربردهای واقعی است که باید هوش مصنوعی به ارمغان بیاورد. البته روی کاغذ می‌توان برخی نتایج را حاصل کرد، اما آیا می‌توانیم به این نتایج اعتماد کنیم. به‌ویژه آن‌که بردار اثرگذاری در فضای کسب‌وکار بالاخص در صنعت پولی و مالی کشور، بردار سنگینی است. پس هنوز نمی‌توانیم بگوییم صرف استفاده از هوش مصنوعی، تمام الگوریتم‌های ما را تشخیص می‌دهد و نیاز به ابزار دیگری نداریم. چراکه برخی شبهه‌ها در این زمینه وجود دارد و رویکردهای کلان به این موضوع نیز هنوز شفاف نیست. بنابراین، همان‌طور که صنعت پرداخت این تطبیق‌پذیری را قدم به قدم پیش برده و گسترش داده است، باید سرویس به سرویس و با در نظر گرفتن ضریب اطمینان و نتایج، جلو برویم. این اتفاق در بخش KYC افتاد و به اعتبارسنجی و تجارت الکترونیک رسید و این‌طور نبود که تمام همه ابعاد این صنعت را با هوش مصنوعی به‌یک‌باره متحول کنیم.»
وی خاطرنشان کرد: «هوش مصنوعی در سال ۱۹۵۶ معرفی و به معنای واقعی ارائه شد و از سال ۱۹۶۰ نیز وزارت دفاع آمریکا شروع به سرمایه‌گذاری روی آن کرد، اما همه این اقدامات متوقف شد. چراکه نتایج مورد نظر حاصل نشد و ناامیدی ایجاد کرد. به نظر من، حرکت ما نیز به سمت هوش مصنوعی، در‌حال‌حاضر تا اندازه‌ای با هیجان همراه است، درحالی‌که باید ضمن کنترل این هیجان، کاربردهای هوش مصنوعی را با وضوح بیشتری به ذینفعان توضیح داد تا اقبال بیشتری به آن نشان دهند. به‌عنوان مثال؛ ما به سمت این می‌رویم که هر فردی فرایند پرداخت را شخصا انجام دهد و در هنگام مراجعه به یک فروشگاه، بدون نشان دادن ID اجناس به متصدی فروش، کالاهای مورد نظرش را برمی‌دارد و از فروشگاه خارج شود. این نوعی تعالی در حوزه KYC بوده که به فردیت رسیده است. یعنی می‌توانیم فرد را شناسایی کنیم و نیازی به کارت بانکی یا کارت احراز هویت نداریم. حتی لازم نیست شخص برای این‌کار متوقف شود. در بسیاری از فرودگاه‌های دنیا، حتی پاسپورت هم دیگر چک نمی‌شود و هنگام رد شدن از گیت، صرفا با قرار گرفتن جلوی یگ دوربین فرآیند خروج کامل می شود. یعنی شرایط کلاسیک برای چک کردن پاسپورت و مدارک کنار گذشته است. این اتفاق در صنعت پرداخت هم در حال رخ‌دادن است.
مدیرعامل شرکت به‌پرداخت ملت با اشاره به بروز بحران منابع انسانی در شرکت‌های تکنولوژی‌محور طی سال‌های اخیر، گفت: «جذابیت فعالیت‌های بسیاری از شرکت ها با توجه به مشکلاتی که دارند انجام می‌شود، به اندازه‌ای نیست که نسل جدید را اقناع کند. از سوی دیگر، رقابت نیز برای جذب نیرو بین ما و کشورهای منطقه و سایر کشورها بالا گرفته است. تاجایی‌که از طریق استارتاپ‌های جدید دورکاری، با حقوق‌های ارزی افراد را جذب می‌کنند و این موضوع چالش‌های ما را بیشتر کرده است.»
وی تصریح کرد: «از سوی دیگر، با توجه به سختگیری هایی که در نظام آموزشی ما برای ورود به دانشگاه و تحصیلات تکمیلی وجود دارد، کار در فضاهای آکادمیک ، افراد بسیار متخصصی را در دانشگاه‌ها داریم و فضاهای مشترکی هم بین دانشگاه و صنعت ایجاد شده است، اما متاسفانه بین خروجی افراد از آکادمی و ورودی آن‌ها به صنعت، با ریزش مواجه هستیم. به‌عنوان مثال؛ در بسیاری از شرکت‌های ما توجهی به هوش مصنوعی نمی‌شود و مدیران دغدغه و اصرار به انجام کارها با روش‌های کلاسیک و قدیمی خود را دارند، این در حالی است که یک فارغ‌التحصیل هوش مصنوعی، خواهان استفاده از دانش خود است. افراد بسیاری داشتیم که فناوری‌های مالی را تحصیل می‌کردند، اما قبل از پایان تحصیلات خود از بانک‌های خارج کشور پیشنهاد کار داشتند. این بحران به مرور زمان بیشتر هم می‌شود و در آن صورت، در بعد منابع انسانی و هوش مصنوعی دچار ضعف خواهیم شد. پس باید یک‌سری فعالیت های ساختارشکنی در کشور انجام دهیم. مثلا بسیاری از شرکت‌ها اعلام می‌کنند که از یک حدی بیشتر امکان پرداخت حقوق ندارند، اما ما در شرکت خود به‌رغم تبعات احتمالی، این موضوع را اصلاح کردیم. ما به کارایی افراد نگاه کردیم و ممکن است حقوق دریافتی آن‌ها حتی از حقوق مدیرعامل و مدیران ارشد شرکت هم بالاتر باشد. چراکه باید در این موارد منعطف باشیم تا بتوانیم توسعه هوش مصنوعی هدایتگر قوی‌تری داشته باشد.»
نیروی انسانی خوب، برتری ایران نسبت به کشورهای منطقه در زمینه هوش مصنوعی است
رئیس موسسه هوش مصنوعی و فناوری‌های شناختی بانک ملت نیز در این پنل، هجمه‌ها و نگرانی‌هایی که درخصوص عصیان هوش مصنوعی علیه انسان وجود دارد را بی‌مورد خواند و گفت: «از سال ۲۰۱۴ به بعد مشخص بود که هوش مصنوعی خود را در ساحات و ابعاد مختلف نشان خواهد داد و از سال ۲۰۲۳ نیز این پدیده فناورانه تقریبا در تمام دنیا جا افتاد.» هشام فیلی با بیان این‌که زیرمجموعه‌ای از این بخش، با نام شبکه عصبی مولد شناخته می‌شود که بسیاری از پیشرفت‌های اخیر مدیون قدرت آن است، افزود: «همچنان‌که مغز انسان ۱۰۰ میلیارد نورون دارد، در مفهومی که بازنمایی نام گرفته است، به ازای هر شی و عملی یک‌سری عدد داریم و شبکه عصبی بر همین مبنا در سال ۱۹۴۳ اختراع شد و چیز جدیدی نیست. اما این شبکه‌ها رفته‌رفته پیشرفت کردند و در سال ۱۹۸۵ از حالت یک لایه یعنی یک ورودی و یک خروجی به حالت چندلایه رسیدند، تاجایی‌که تعداد این لایه‌ها بسیار زیاد شد و شبکه عمیق نام گرفت.»
وی با اشاره به این‌که از سال ۲۰۱۴ سه عامل مهم در شکل‌گیری این شبکه‌ها نقش داشتند، ادامه داد: «نخستین عامل، بلوغ الگوریتم‌ها بود که به شکل‌گیری GP انجامید؛ یادگیری‌های ما نیاز به سخت‌افزار بسیار بزرگی دارد. یک کامپیوتر کوال ۹، حداکثر ۹ هسته دارد و حداکثر ۹ پردازش موازی انجام می‌شود، اما هر GP نزدیک به ۱۰هزار هسته موازی دارد. در دنیا تعداد زیادی GP کنار هم قرار گرفت؛ کاری مشابه مغز ما که با ۱۰۰هزار نورون موازی انجام می‌دهد. بر این اساس، توانستیم بیگ‌دیتا ایجاد کنیم. گام دوم در سال ۲۰۱۷ برداشته شد که یکی از بزرگ‌ترین تحولات تحت عنوان ترنسفورمرها رقم خورد. در سال ۲۰۲۰ نیز GPT3 و در سال ۲۰۲۳ هم اوپن‌سورس‌هایی آمدند که لاما محصول گوگل در صدر آن‌هاست. حال می‌توان ادعا کرد که چت GTP4 که قوی‌ترین هوش مصنوعی دنیاست، حدود یک‌دهم درصد مغز انسان است.»
رئیس موسسه هوش مصنوعی و فناوری‌های شناختی بانک ملت خاطرنشان کرد: «اولین باری که از هوش مصنوعی در بانکداری استفاده شد، مربوط به ۵۰ سال پیش است. در سال ۱۹۸۶ نیز یک الگوریتم برای پیش‌بینی قیمت در بورس پایه‌ریزی شد. اما عمده پیشرفت‌ها در این بخش را مدیون اینترنت هستیم.»
وی وضعیت کشور را از نظر زیرساخت‌های سخت‌افزاری، اسف‌بار توصیف کرد و گفت: «متاسفانه خاورمیانه و چین، تحریم GP شده‌اند. از شهریورماه به دستور دولت آمریکا، صادرات انویدیا از A100 به بالا ممنوع شد. مشکل دیگر این است که هوش مصنوعی قدم به قدم پیش می‌رود و هر سطح آن به‌سرعت از رده خارج می‌شود. یعنی اگر کسی بخواهد چند همت GP خریداری کند، مشخص نیست چند سال دیگر به دردش می‌خورد یا خیر. اما خبر خوب این است که عده‌ای در کشور ما هوش مصنوعی را قدم به قدم تعقیب می‌کنند و نیروی انسانی خوب، برتری ما نسبت به کشورهای منطقه در این زمینه است. از سوی دیگر، ما در واردات فناوری موفق هستیم و امیدوارم بتوانیم از طریق گسترش صنعت، این افراد را نگه داریم. درواقع، می‌توانیم از طریق واردات تکنولوژی که نیاز به زیرساخت‌های سنگین ندارد و نیروی انسانی خوب، خود را در سطح خوبی نگه داریم.»
فیلی با اشاره حضورش در مذاکرات یک‌ساله مرکز نوآوری بانک ملت با دانشکده کامپیوتر دانشگاه تهران به‌عنوان نماینده گروه هوش دانشگاه گفت: «تفاهم‌نامه ماحصل این مذاکرات، از سال گذشته امضا شد و بر اساس آن، موسسه هوش مصنوعی و علوم شناختی بانک ملت و دانشگاه تهران در حال تاسیس است. هدف این موسسه، تامین نیازهای بخش تحقیق‌و‌توسعه بانک ملت و تولید MBDهایی است که بانک ملت روی آن سرمایه‌گذاری داشته باشد و نیازهای مستقیم بانک را پوشش دهد.»
رشد نیاز به توسعه هوش مصنوعی در سه حوزه بانکداری، سلامت و لجستیک
همچنین در این پنل، رییس انجمن مدیریت نوآوری و فناوری با اذعان به این‌که جوامع بیش از سایر موتورهای محرک فناوری تحت تاثیر فناوری AI (هوش مصنوعی) هستند، گفت: «هوش مصنوعی دو کار انجام می‌دهد که دیگر فناوری‌ها انجام نمی‌دهند. در سایر فناوری‌ها ما به‌عنوان انسان تصمیم می‌گرفتیم و از قدرت خلاقیت خود برای خلق و استفاده از ظرفیت‌های آن فناوری برای بهبود زندگی استفاده می‌کردیم. اما احتمالا در بیش از یک دهه آینده، هوش مصنوعی دو قابلیت کلیدی انسان یعنی قدرت تصمیم‌گیری و قدرت خلاقیت او را تحت تاثیر قرار می‌دهد که زنگ خطر بزرگی برای هر فعالیت انسانی است. نکته دوم این است که فناوری‌ها منتظر تطبیق ما نمی‌مانند. در طول تاریخ دویست‌ساله ما یک رویداد مهم تحت عنوان انقلاب صنعتی رخ داد که هم‌زمان با دوره حکومت سلسه قاجار بود و ایران از آن عقب ماند و با ۱۵۰ سال تاخیر در ایران اتفاق افتاد. اما امیدوارم درخصوص هوش مصنوعی دچار چنین تاخیری نشویم تا فرصت‌های آن را از دست ندهیم.»
مهدی محمدی با بیان این‌که ما نیازمند تطبیق سریع هستیم و این تطبیق‌پذیری در هوش مصنوعی با سرعت بالایی اتفاق می‌افتد، افزود: «فناوری، محرک هوش و نیاز است و ما با نسل Z مواجه هستیم که ذائقه آن‌ها با قابلیت‌هایی پیوند خورده که پذیرای برخی موارد نیست. هوش مصنوعی می‌تواند ما را کمک کند تا پاسخگوی این ذائقه باشیم. این نسل عادت کرده است تمام نیازهای خود را در فضای دیجیتال تامین کند. پس بانک باید برای این نسل، هم سرویس انبوه دهد و هم این سرویس‌ها را شخصی‌سازی کند که راه‌حل آن هوش مصنوعی است. نیاز دیگر این نسل، Game (بازی) است. این نسل، سرویسی که جنبه خلاقانه و گیم‌مانند نداشته باشد، نمی‌پذیرد. از سوی دیگر، این نسل؛ نسل یکپارچه‌سازی است. این در حالی است در برخی از سرویس‌های بانکی، بانک‌ها در رأس نیستند. مثلا بسیاری از سرویس‌های بانکی را از جایی غیر از بانک مانند دیجی‌پی و آمازون‌پی و اسنپ‌پی دریافت می‌کنیم که با سرویس‌های دیگری مرتبط است. اما این نسل می‌خواهد تمام سرویس‌های خود را از یک جا دریافت کند. در این‌جاست که هوش مصنوعی به‌شدت می‌تواند کمک کند.»
وی با نقل قولی از داروین مبنی بر این‌که مسیر کیفیت از کمیت می‌گذرد، ادامه داد: «تا حرکت‌های متعددی در یک موضوع صورت نگیرد، شاهد شکل‌گیری برندهای آن نخواهیم بود. اما در برخی سیاست‌گذاری‌ها شاهد رویکردهای دیگری هستیم. این در حالی است که دولت نباید مخل رفتار بازار باشد، بلکه بازار باید کنش‌های خود را بروز دهد تا برندها در فضای سالم کار کنند. در این خصوص، می‌توان زیرساخت‌ها را به‌تدریج تطبیق داد، اما باید تحول مهمی در حوزه قانون و مقررات دیتا بیفتد تا بیش از این مانع توسعه هوش مصنوعی نشود. موضوع دیگر، فرهنگ غالب مدیران سنتی است که در چارچوب‌های گذشته نوآوری داشتند و موفق هم بودند، اما چندان موافق نوآوری‌های تازه در عرصه‌های جدید نیستند.»
وی با بیان این‌که در سه حوزه، نیازهای اصلی به توسعه هوش مصنوعی در حال رشد است، گفت: «اولین حوزه؛ بانکداری است. دومین حوزه؛ سلامت است که ساختار سنتی و حفاظت‌شده از داده در آن غوغا می‌کند. سومین حوزه نیز مربوط به لجستیک است.»
عقب‌ماندگی صنعت بیمه از فناوری‌ها در بین نظام‌های مالی
معاون طرح و توسعه و عضو هیأت عامل بیمه مرکزی نیز در این پنل، با تشریح وضعیت کاربری هوش مصنوعی در صنعت بیمه گفت: «بین نظام‌های مالی، نظام بیمه کمی از نظر توسعه فناوری عقب‌تر است که عمدتا به پیچیدگی قوانین و مقررات این حوزه برمی‌گردد. وقتی فرآیند بیمه‌گری را بررسی می‌کنیم، ناترازی از منظر توسعه فناوری در این فرایند دیده می‌شود. در فرآیند بیمه‌گری، توسعه فناوری صرفا در ابتدای کار یعنی بخش فروش وجود دارد و تنها مقایسه‌گری را انجام می‌دهند. درحالی‌که بیشترین نارضایتی مردم مربوط به مراحلی مانند محاسبه خسارت است که البته در این بخش اقداماتی انجام شده، اما کافی نبوده است.»
علی بنیادی نایینی با تصریح این موضوع که هم رگولاتور، هم ساختار و هم دیتا در توسعه هوش مصنوعی در صنعت بیمه چالش‌برانگیز هستند، افزود: «تا ۳۰ درصد دیتای ساختارنیافته داریم که مانع از استفاده کارامد از هوش مصنوعی می‌شود. ضمن این‌که دیتای درون صنعت بیمه، با فرمول‌های متفاوت از دیتاهای نهادهای بیرونی تهیه می‌شود و ساختارهای متفاوتی نیز دارد. علاوه بر این‌ها، نمی‌توان گفت صد درصد این داده‌ها درست هستند. عملیات رگولاتور نیز به‌گونه‌ای است که هنوز سیستم کاغذی و محرمانگی دیتا وجود دارد. پس باید این مساله را جا بیندازیم که داده‌ای که در اختیار ما بوده، صرفا متعلق به ما نیست و آن‌جا که داده‌ها باعث بهبود فرایندها می‌شوند، می‌توان از آن‌ها استفاده کلان داشت. بر این اساس، سعی کرده‌ایم محدودیت‌های ناشی از قوانین و مقررات را اصلاح کنیم و در صورت نیاز از ظرفیت‌های بین دستگاه‌ها نیز استفاده کرده‌ایم تا به شکستن تابوی دیتای محرمانه و اصل عدم‌وجود کاربران در صنعت بیمه کمک کرده و اکوسیستم نهایی این صنعت را برای توسعه هوش مصنوعی در آن مهیا کنیم.»
