دستیار هوش مصنوعی در مدیریت انرژی و رونق گردشگری به کمک دولت میآید
مهدی اثنی عشری اصفهانی، عضو هیئت علمی دانشکده مهندسی کامپیوتر و مدیر فناوری اطلاعات دانشگاه خواجه نصیر الدین طوسی در گفتگو با خبرنگار مهر به دستیار هوش مصنوعی «طوسا» که توسط متخصصین این دانشگاه طراحی شده است، توضیح داد: فرآیند طراحی و توسعه «دستیار هوش مصنوعی طوسا» از اسفندماه ۱۴۰۳ در دانشگاه صنعتی خواجه نصیرالدین […]
مهدی اثنی عشری اصفهانی، عضو هیئت علمی دانشکده مهندسی کامپیوتر و مدیر فناوری اطلاعات دانشگاه خواجه نصیر الدین طوسی در گفتگو با خبرنگار مهر به دستیار هوش مصنوعی «طوسا» که توسط متخصصین این دانشگاه طراحی شده است، توضیح داد: فرآیند طراحی و توسعه «دستیار هوش مصنوعی طوسا» از اسفندماه ۱۴۰۳ در دانشگاه صنعتی خواجه نصیرالدین طوسی آغاز شد و طی پنج ماه گذشته، تیم پژوهشی این پروژه بهصورت مستمر بر روی ارتقای آن فعالیت کرده است. تاکنون سه نسخه از این دستیار تولید و منتشر شده و طبق برنامهریزی انجامشده، قرار است هر ماه نسخهای جدید با قابلیتهای بهروز در دسترس قرار گیرد.
وی در ادامه به دیتاهای تامین شده در این دستیار اشاره کرد و گفت: انشاءالله نسخه بعدی در تاریخ ۲۵ شهریورماه منتشر خواهد شد. نسخهای که تاکنون آماده شده، شامل ایندکسسازی حدود هفت هزار سند قانونی از قوانین مجلس شورای اسلامی و پیشتر مجلس شورای ملی است؛ قوانینی که از آغاز تاکنون بهتدریج گردآوری و در سامانه ثبت شدهاند. در ادامه، سایر قوانین نیز بهمرور ایندکس خواهند شد تا مجموعهای کامل از قوانین عمومی کشور در دسترس قرار گیرد. علاوه بر این، اسناد قانونی ویژه وزارت نیرو و وزارت میراث فرهنگی، گردشگری و صنایعدستی نیز در حال افزودهشدن به سامانه است. هماکنون حدود ده هزار صفحه از اسناد مرتبط با وزارت نیرو ایندکس شده و در اختیار سامانه قرار دارد. شایان ذکر است که تمامی این اسناد از منابع در دسترس عمومی اینترنت جمعآوری شده و هیچ سند محرمانهای در سامانه وجود ندارد.
اثنی عشری از زبان برنامه نویسی این دستیار صحبت کرد و گفت: توسعه سامانه «طوسا» بهصورت کاملاً بومی انجام شده است؛ هرچند در این مسیر از ظرفیت مدلهای زبانی بزرگ موجود همچون Jama، CoEN و نمونههای مشابه نیز بهره گرفتهایم. بر اساس ارزیابیهای انجامشده و با توجه به زیرساخت سختافزاری موجود، در حال حاضر از مدل ۲.۵ با ظرفیت ۷۲ میلیارد پارامتر استفاده میکنیم. با این حال، امیدواریم در آینده و با فراهم شدن امکانات سختافزاری قدرتمندتر، امکان بهرهگیری از مدلهای پیشرفتهتر نیز فراهم شود.
وی تصریح کرد: در بخش فنی، توسعه فرانت سامانه با استفاده از فناوری React صورت گرفته و بخش بکاند نیز عمدتاً با زبان Python پیادهسازی شده است. در مجموع، تیم توسعه از تمامی ابزارهای کاربردی و بهروز حوزه نرمافزار برای پیشبرد این پروژه بهره برده تا سامانهای کارآمد، بومی و در عین حال همپای استانداردهای جهانی ارائه دهد.
مدیر طراحی دستیاری هوش مصنوعی دانشگاه خواجه نصیرافزود: دستار هوش مصنوعی «طوسا»، همانند استانداردهای نرمافزاری صنعتی و جدی دنیا، از داکر کانتینر و تمامی ابزارهای مورد توصیه در این حوزه استفاده شده است. هدفگذاری کلان این سامانه که از ابتدا توسط معاونت علمی ریاستجمهوری ترسیم شد، آن است که «دستیارهای هوش مصنوعی» بتوانند بهعنوان تصمیمیار وزرا عمل کرده و فرآیندهای تصمیمگیری در سطح کلان کشور را هوشمندانهتر، دقیقتر و مبتنی بر دادههای کامل، صحیح و بهروز سازند.
اثنی عشری اظهار کرد: واقعیت آن است که در بسیاری از مواقع، هنگامی که نیاز به یک تصمیمگیری مهم بهوجود میآید، تمامی اطلاعات مورد نیاز در دسترس نیست یا ذهن تصمیمگیران آمادگی کافی برای تحلیل شرایط را ندارد. همین موضوع گاه موجب اتخاذ تصمیمات نادرست یا تکرار تصمیمهایی میشود که پیشتر اتخاذ شده و نتایج آنها نیز روشن بوده است. اما با بهرهگیری از سازوکار دستیار هوش مصنوعی «طوسا» که بر پایه گردآوری و پردازش دادههای پیشین و ارائه تحلیلهای هوشمند طراحی شده؛ احتمال بروز چنین خطاهایی به شکل قابلتوجهی کاهش مییابد. از اینرو میتوان امید داشت که تصمیمگیریهای سطح کلان کشور با دقت، هوشمندی و کارآمدی بیشتری صورت گیرد.
او با اشاره به رسالت اصلی دستیار هوش مصنوعی در وزارت نیرو عنوان کرد: بهطور خاص، در خصوص دستیار هوش مصنوعی وزارت نیرو، هدفگذاری اصلی آن است که بتوانیم موضوعات مرتبط با بحرانهای انرژی از جمله تولید برق، انرژیهای تجدیدپذیر، وضعیت آب پشت سدها، میزان بارندگیها و موارد مشابه را بررسی کنیم تا در زمانهای لازم تصمیمگیریهای دقیقتر و مؤثرتری صورت گیرد. همچنین، توجه ویژهای به بهرهگیری از تجربیات دیگر کشورها خواهیم داشت؛ به این معنا که با استفاده از اطلاعات منتشرشده و دادههایی که از کشورهای مختلف در دسترس قرار میگیرد، از دستاوردها و تجربههای آنان نیز بهره ببریم تا در نهایت شاهد مدیریت کارآمدتر و بهینهتری در حوزه انرژی کشور باشیم.
اثنی عشری به کارکرد دستیار هوش مصنوعی وزارت میراث فرهنگی، گردشگری و صنایع دستی اشاره کرد و گفت: تمرکز اصلی بر موضوعاتی است که مرتبط با گردشگری، میراث فرهنگی و صنایع دستی است. هدف آن است که راهکارهایی برای رونق این حوزهها ارائه شود و اطلاعات به شکل مناسب و کارآمد در اختیار هم توریستهای داخلی و هم گردشگران بینالمللی قرار گیرد.
وی افزود: همچنین رصد و بازبینی مکانهای تاریخی و فرهنگی از اهمیت ویژهای برخوردار است، زیرا حفظ و نگهداری درست و اصولی این آثار ضروری است. بررسی دقیق این موارد و اطمینان از انجام صحیح آنها از جمله فعالیتهایی است که دستیار هوش مصنوعی در این وزارتخانه دنبال میکند تا مدیریت و بهرهبرداری از منابع فرهنگی کشور با دقت و کارآمدی بیشتری انجام شود.
مدیر پروژه دستیار هوش مصنوعی طوسا در ادامه توضیح داد: بهطور کلی، هدفگذاری ما برای فاز بعدی پروژه، که در شهریور ماه منتشر خواهد شد، تمرکز بر بخش معاملات بینالملل وزارت نیرو است؛ چرا که در این حوزه توانستیم سریعتر دادهها را گردآوری کرده و اطلاعات را وارد سامانه کنیم تا پاسخگوی نیازهای این مجموعه باشیم.
وی بیان کرد: تیم توسعه متشکل از اعضای هیئت علمی دانشکدههای کامپیوتر و مهندسی برق دانشگاه خواجه نصیر، دانشجویان کارشناسی ارشد و دکترا، برخی فارغالتحصیلان و همچنین تعدادی از نیروهای زبده صنعتی است. این انتخاب به این دلیل جمع شده اند که از ابتدا هدفمان توسعه یک پروژه کاملاً صنعتی و حرفهای بوده و با بهرهگیری از تجربه افرادی که سالها در پروژههای ملی کشور فعالیت کردهاند، بتوانیم پروژه را به شکل مطلوب و استاندارد پیش ببریم.
اثنی عشری در انتها تاکید کرد: در حال حاضر، بستر سختافزاری مورد نیاز از سوی دانشگاه تامین شده است؛ اما امیدواریم با راهاندازی سکوی ملی هوش مصنوعی، بتوانیم از سختافزار بهروزتر، کاملتر و پرتوانتر بهرهمند شویم. این امر نه تنها سرعت ایندکسگذاری دادهها را افزایش میدهد، بلکه پاسخگویی سامانه در ارائه نتایج را نیز بهبود خواهد بخشید.
به گزارش مهر؛ در پروژه دستیار ملی هوش مصنوعی، دانشگاههای صنعتی اصفهان، تهران، شهید بهشتی، شیراز و الزهرا به همراه یک شرکت خصوصی مسئول توسعه دستیارهای هوش مصنوعی در دستگاههای مختلف از جمله وزارت صمت، نفت، علوم، ورزش، جهاد کشاورزی و ارتباطات هستند. این طرح در چهار فاز شامل بارگذاری قوانین، بارگذاری قوانین کاربردی، مدلسازی پیشبینیها و نهایتاً کاربردی شدن دستیار برای تصمیمسازی اجرا میشود.
دیدگاهتان را بنویسید