
رویداد SkillUp سری رویدادهایی است که به شکل فصلی و با هدف انتقال تجربه در حوزههای روز دنیای تکنولوژی برگزار میشود. در هر رویداد با دعوت از متخصصان یک حوزه پیشرو در دنیای تکنولوژی، نحوه ورود به آن حوزه، کاربردهای آن در کسبوکارهای ایران و جهان و چشماندازهای آینده و رشد آن حوزه را مورد بررسی قرار میدهیم. پنجشنبه، ۲۵ مهرماه ۹۸، اولین رویداد از سری رویدادهای SkillUp، که کوئرا اولین سری این رویداد را با همکاری انجمن علمی دانشکده کامپیوتر و دانشگاه شریف برگزار کرد.
هیچ کس نمیتواند آینده دنیای فناوری را با قاطعیت پیشبینی کند؛ اما شکی نیست که جبهه نوآوری در سالهای آینده چهار فرمانده اصلی در خط مقدم خود خواهد داشت: رایانش ابری، اینترنت اشیا، علم داده و از همه مهمتر یادگیری ماشین!
در اولین رویداد از سری رویدادهای SkillUp به سراغ تکنولوژی هوش مصنوعی و یادگیری ماشین رفتهایم. بررسی جایگاه حال و آینده هوش مصنوعی، انتقال تجربه افراد خبره در این زمینه، به همراه بیان چالشها و کاربردهای واقعی یادگیری ماشین در کسب وکارها درکنار بررسی جایگاه شغلی و درآمدی این حوزه بخشی از دستاوردهای این رویداد میباشد.
دانشگاه شریف در این رویداد میزبان ۲۰۰ نفر از علاقهمندان حوزه هوش مصنوعی و یادگیری ماشین بود.این رویداد شامل ۳ بخش اصلی بود:
۲. پنل گفتوگو درباره کاربردهای هوش مصنوعی در شرکتهای ایرانی با حضور:
۳. کارگاه عملی برای شروع کار در زمینه یادگیری ماشین با تدریس امیرحسین روزبهانی مهندس داده در کافهبازار

دکتر کریمیان در این سخنرانی میگوید: در هوش مصنوعی، انسانها سعی دارند هوش طبیعی را با استفاده از ماشین شبیه سازی کنند یا به عبارتی برای ماشینها شرایطی را فراهم کنند که بتوانند یادگیری داشته باشند.
در این بین به تفاوت بین هوشمصنوعی و یادگیریماشین اشاره میکند که یادگیری ماشین زیرمجموعهای از هوش مصنوعی است. درواقع هوش مصنوعی یعنی کامپیوتری که بهنحوی رفتار انسان را تقلید کند و یادگیری ماشین شامل تکنیکهایی میشود که کامپیوتر را قادر میسازد تا خودش داده را دریابد و از چیزها سردربیاورد و برنامههای کاربردی AI را ارائه دهد. به دلیل پیشرفت تکنولوژی هوشمصنوعی در دنیا، احتمال از بین رفتن یک سری مشاغل وجود دارد که عبارت اند از:
۱- رانندگان ماشین با جایگزین شدن خودروهای خودران
۲- کشاورزان با استفاده از پهپادها و تصاویر ماهوارهای، برای انجام دادن کارها
۳- رسانههای چاپی مثل روزنامهها با ظهور شبکههای اجتماعی
۴- صندوقدارن فروشگاه با پدید آمدن فناوریهایی مانند Amazon Go و ...
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)
دانش برنامهنویسی و دانش ریاضیات و آمار و احتمال از ملزومات ورود به این حوزه میباشد که میتوان با استفاده از دورههای آنلاین مختلف و شرکت در هکاتونها و دورهمیها و...وارد این حوزه شد.

در ارائه دوم دکتر علی اوصیا به جنبههای تئوری و عملی یادگیری ماشین اشاره کرد. فرض کنید میخواهیم تابعی را تخمین بزنیم سه مرحله وجود دارد:
از چالشهایی که در به کارگیری یادگیری ماشین داریم میتوان به کافی نبودن داده اشاره کرد...خوب است که داده با یک دانش(knowledge) همراه باشد. که این دانش ممکن است به صورت ضمنی وارد مدل شود یا به واسطه فرضهایی که در نظر میگیریم. 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.
اساسا همه الگوریتم های یادگیری ماشین برای ایجاد دادههای خروجی از یک سری داده ورودی استفاده میکنند. این داده های ورودی شامل یک سری ویژگی میباشند که ساختار آنها معمولا در قالب ستونهایی پدیدار میشود. الگوریتم ها برای اینکه بدرستی کار کنند، نیاز به این ویژگی ها همراه با برخی مشخصات دیگر دارند.
بطور کلی میتوان دو هدف برای مهندسی ویژگی در نظر گرفت:
برای این کار 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.

جادی میرمیرانی در این باره گفت، هوش مصنوعی در همه جا وارد شده است. ما ممکن است مستقیم 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. و با استفاده از این مورد ما میتوانیم قبل از اینکه برای مشتری نارضایتی بیشتر پیش نیامده جلویش را بگیریم...
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...

در سخنرانی که دکتر مهرداد فرجتبار به صورت اسکایپی داشت، اشاره شد به اینکه گوگل خودش 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.
به طور کلی دپارتمان هوش مصنوعی گوگل سه هدف را دنبال میکند:
از جمله کاربردهای هوش مصنوعی در گوگل میتوان به گوشی موبایل پیکسل اشاره کرد که این موبایل با استفاده از هوش مصنوعی، سعی میکند مصرف باتری را بهینه کند و حتی با استفاده از شبکه عصبی تصاویر پرتره با کیفیت بهتری را ثبت میکند.
سرویس ترجمهی همزمان گوگل که از حدود 5 سال پیش شروع به کار کرده نیز با استفاده از شبکه عصبی میتواند متنهای تصویر را تشخیص دهد و ترجمه انجام میشود و به کاربر نمایش میدهد.
سیستم عامل اندرویدی که استفاده میکنیم نیز با استفاده از هوش مصنوعی مصرف باتری را کاهش میدهد و میزان روشنایی صفحهی نمایشگر را تنظیم کرده و برنامههایی که باتری بیشتری مصرف میکنند را مدیریت میکند.
گوگل فریمورکی به نام Tensorflow را به عنوان یک فریمورک هوش مصنوعی و یادگیری ماشین ارائه داده و این فریمورک را اوپن سورس کرده تا به پیشرفت و توسعه آن کمک کند. با استفاده از تنسورفلو میتوان به سرویس ابری گوگل متصل شدو از سرویسهای مختلف آن مانند تشخیص صدا، تبدیل متن به صوت و صوت به متن، ماشینهای پیشنهاددهنده و … استفاده کرد.
در این پنل از ۴ نفر از شرکتهای مطرحی که از هوش مصنوعی و یادگیری ماشین استفاده میکنند دعوت شده بود: رضا مرادی، توسعهدهنده بکاند در شرکت سخن، محسن شجاعی مدیر فنی شرکت پوشه، هادی راسخ مدیر عامل شرکت سلام سینما و محمود کریمیان مدیر عامل دیدئو به صحبت حول این محور پرداختند.
در ابتدا همه سخنرانها در مورد کاربردی که هوش مصنوعی در کسب و کارشان داشته صحبت کردند و استفادهای که از این تکنولوژی در کارشان دارد را به طور جزئی شرح دادند و سپس به موضوعاتی در خصوص کارآفرینی هوش مصنوعی در ایران و خارج ایران پرداختند و در آخر برای دوستانی که میخواهند وارد این حوزه شوند از تجربیات خود و ترندهای روز تکنولوژی صحبت کردند که بخشهایی از این ویدئو را میتوان مشاهده کنید:

کوئرامگ مجلهی تخصصی کوئرا برای توسعهدهندگان است که هر هفته با مطلبهایی در زمینه تکنولوژی، رشد فردی و آینده برنامهنویسی بهروزرسانی میشود. برای اطلاع از آخرین مطلبهای ما، میتوانید توئیتر یا کانال تلگرام ما را دنبال کنید.