هدهد ویژن

پژوهش هوش مصنوعی در ایران و چالش‌های تبدیل آن به کاربرد صنعتی

منتشرشده: · فناوری

پژوهش هوش مصنوعی در ایران و چالش‌های تبدیل آن به کاربرد صنعتی

مطالعه‌ای نشان می‌دهد که ایران در میان ده کشور برتر جهان در حوزه هوش مصنوعی قرار دارد، اما تبدیل پژوهش‌های علمی به راهکارهای عملی در صنعت هنوز چالش دارد.

مطالعه‌ای درباره روند پژوهش‌های حوزه هوش مصنوعی در سال‌های ۱۹۹۱ تا ۲۰۲۰ نشان می‌دهد که ایران در میان ده کشور برتر جهان در تعداد مقالات منتشرشده در این حوزه قرار دارد. سهم ایران از مقالاتی که در ده درصد پراستنادترین مقالات جهان قرار گرفته‌اند، در دوره‌های پنج‌ساله متوالی افزایش یافته و در سال‌های ۲۰۱۵ تا ۲۰۱۹، ایران را به جایگاه پنجم در میان کشورهای بررسی‌شده رسانده است.

این یافته‌ها نشان می‌دهند که ایران دارای ظرفیت پژوهشی قابل‌توجهی در حوزه هوش مصنوعی است. با این حال، تولید دانش علمی لزوماً به توسعه فناوری و خلق ارزش اقتصادی منجر نمی‌شود. پرسش اصلی این است که چرا بخشی از این ظرفیت پژوهشی، با وجود شکل‌گیری همکاری‌های صنعتی و تعریف پروژه‌های مشترک، به نتایج مورد انتظار نمی‌رسد؟

پژوهشی در سال ۲۰۲۲ درباره موانع همکاری دانشگاه و صنعت در ایران، بر پایه دیدگاه ۹۴ ذی‌نفع و ۲۵ مصاحبه نیمه‌ساختاریافته، نشان می‌دهد که این فاصله را نمی‌توان صرفاً به عملکرد یکی از دو طرف نسبت داد. این یافته در پروژه‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند؛ زیرا موفقیت چنین پروژه‌هایی فقط به کیفیت پژوهش وابسته نیست و عوامل متعددی از داده و عملکرد مدل تا شرایط واقعی بهره‌برداری در نتیجه نهایی آن دخیل‌ هستند.

یکی از موانع، پیش از آغاز توسعه شکل می‌گیرد. تعریف نادرست مسئله، اگر مسئله صنعتی، داده‌های مورد نیاز و معیار موفقیت از ابتدا روشن نباشد، حتی یک پژوهش معتبر نیز ممکن است به راهکاری منجر شود که در عمل اولویت یا کاربرد مشخصی ندارد. موفقیت یک مدل در محیط آزمایشگاهی، موفقیت آن در صنعت را تضمین نمی‌کند؛ داده‌های واقعی ممکن است با داده‌های آزمایش تفاوت داشته باشند؛ اتصال به سامانه‌های موجود، محدودیت زیرساخت، امنیت اطلاعات و شرایط عملیاتی می‌توانند عملکرد مدل را تغییر دهند. حتی پس از استقرار نیز مسئله پایان نمی‌یابد؛ تغییر داده‌ها و شرایط محیطی می‌تواند نیاز به پایش، اصلاح یا بازآموزی مدل ایجاد کند.

در نتیجه، پرسش اصلی از «آیا مدل ساخته شد؟» باید به «آیا مدل در محیط واقعی مسئله را حل می‌کند و عملکرد آن در طول زمان قابل اعتماد باقی می‌ماند؟» تغییر کند. فاصله میان این دو پرسش، یکی از مهم‌ترین نقاطی است که در آن پروژه‌های هوش مصنوعی می‌توانند از مسیر موفقیت خارج شوند.

تجربه برخی دانشگاه‌های پیشرو نشان می‌دهد که برای نزدیک‌کردن پژوهش به کاربرد، صرف ایجاد ارتباط میان دانشگاه و صنعت کافی نیست. در MIT، برنامه‌هایی مانند CSAIL Alliances و Generative AI Impact Consortium، در Stanford برنامه‌های Industrial Affiliates و AI Affiliates و در ETH Zurich نیز سازوکارهای همکاری با صنعت، ارتباط مستمر میان شرکت‌ها و جامعه پژوهشی را دنبال می‌کنند. اهمیت این تجربه‌ها در یک برنامه خاص یا یک نسخه آماده برای موفقیت نیست؛ بلکه در طراحی مسیر همکاری است.

این تجربه برای ایران یک پرسش مهم ایجاد می‌کند. آیا پروژه‌های هوش مصنوعی را صرفاً به‌عنوان قراردادهای پژوهشی تعریف می‌کنیم یا مسیر آن‌ها را از مسئله تا آزمون و بهره‌برداری نیز طراحی می‌کنیم؟

پیشنهاد می‌شود که پروژه هوش مصنوعی باید از مسئله واقعی آغاز شود و موفقیت آن در محیط واقعی سنجیده شود. چالش بسیاری از این پروژه‌ها نه در ساخت مدل، بلکه در فاصله میان عملکرد آزمایشگاهی و کاربرد واقعی شکل می‌گیرد. بنابراین، پروژه باید از ابتدا با داده قابل اعتماد، معیار عملکرد مشخص و امکان پایلوت طراحی شود و موفقیت آن با توانایی مدل در حل مسئله و حفظ عملکرد قابل اعتماد پس از استقرار سنجیده شود.

در این چارچوب، حمایت از تیم‌های مشترک دانشگاهی و صنعتی زمانی اثربخش است که منابع، صرفاً به تولید پژوهش اختصاص نیابد، بلکه به آزمون و بهره‌برداری از راهکار نیز پیوند بخورد. دانشگاه باید افق کاربرد و پایلوت را از ابتدا در طراحی پژوهش ببیند و صنعت نیز محیط واقعی آزمون و ارزیابی راهکار باشد.

خبرهای مرتبط