نقشه راه هوش مصنوعی در ایران؛ چهار مسیری که امروز واقعاً قابل اجرا هستند

در نشست اخیر دیجی‌نکست رامین خاورزاده ـ از مدیران ارشد سابق دیجی‌کالا و مشاور کنونی این مجموعه و همچنین مدیرعامل کنونی استارتاپ sdata ـ تصویری بی‌پرده از بحران داده در ایران ارائه کرد: «اینجا داده‌ها جزیره‌ای و پراکنده‌اند و این برای ساخت مدل‌های هوش مصنوعی فاجعه است.» او تأکید کرد که هوش مصنوعی نباید «تزیینی» و «نمایشی» وارد سازمان‌ها شود و تنها زمانی ارزش خلق می‌کند که برای یک مساله واقعی، یک راه‌حل واقعی بسازد. به باور او، ایران یک مسیر کلیدی برای عبور از داده‌های پراکنده دارد: داده‌کاوی بومی.

با این حال خاورزاده می‌گوید حتی با این شرایط هم ایران چهار مسیر عملی و قابل اجرا برای پیاده‌سازی هوش مصنوعی دارد؛ مسیرهایی که در دنیا امتحان پس داده‌اند و در ایران نیز نمونه‌های عینی آن قابل مشاهده است. این چهار مسیر عبارت‌اند از: هوش بازار و شکار تقاضا، مهندسی انتخاب مشتری (سیستم‌های توصیه‌گر)، پیش‌بینی فروش و قیمت‌گذاری هوشمند.

در سطح جهانی، نمونه‌ای مانند والمارت با سیستم اختصاصی Element توانسته سازوکاری بسازد که از «ترند تا محصول» حرکت می‌کند. این سیستم، شبکه‌های اجتماعی جهان را به‌صورت لحظه‌ای می‌کاود تا بفهمد چه محتوایی در حال داغ شدن است و آن را به موجودی فروشگاه تبدیل کند. هدف واضح است: زودتر از همه کالا را در قفسه بگذار و زودتر بفروش. همین منطق در تسلا نیز دیده می‌شود. تسلا با تکیه بر اینترنت اشیاء و داده‌های لحظه‌ای خودروها، نیاز قطعات و روند بازار را پیش‌بینی می‌کند.

اما در ایران این بازی در تاریکی است. نه به‌خاطر ضعف فنی، بلکه به‌دلیل نبود یک دیتای متمرکز و تمیز. با این وجود تغییراتی در بازار رخ می‌دهد که خود نوعی هوش بازار است. برای نمونه ورود انبوه خودروهای چینی ترکیب بازار قطعات را دگرگون کرده و شرکت‌ها اکنون به‌دنبال پیش‌بینی آینده این بازار هستند؛ واکنشی که خود نشانه شکل‌گیری نیاز به «هوش بازار» ایرانی است.

جهان در این حوزه بسیار جلوتر است. نتفلیکس امروز یک ماشین عظیم شخصی‌سازی است که 80 درصد رفتار کاربرانش را با سیستم توصیه‌گر کنترل می‌کند. این پلتفرم حتی پوستر فیلم‌ها را نیز براساس شخصیت و سلیقه هر کاربر شخصی‌سازی می‌کند تا او را بیشتر در پلتفرم نگه دارد.

در ایران نیز پلتفرم‌های بزرگ تجارت الکترونیک و فروشگاه‌های آنلاین به‌تدریج در حال حرکت به‌سمت توصیه‌گرهای هوشمندتر هستند؛ از انتخاب کالا تا دسته‌بندی‌های شخصی. اگرچه سطح داده و یکپارچگی آن مانند نمونه‌های جهانی نیست، ولی زیرساخت‌های لازم و حجم رفتار مصرف‌کننده، ظرفیت بزرگی برای رشد توصیه‌گرها ایجاد کرده است.

خاورزاده می‌گوید: «خود ChatGPT و اساسا هوش مصنوعی یعنی پیش‌بینی و واقعیت هم همین است. مدل‌های زبانی و هوش‌های پیش‌گویانه در دنیا توانسته‌اند جریان فروش، موجودی و ضایعات را دگرگون کنند. مثال روشن آن، مک‌دونالد است که با فناوری Dynamic Yield توانسته نیاز فروش هر شعبه را پیش‌بینی کند و با کمینه کردن موجودی، ضایعات را کاهش دهد.»

او تأکید می‌کند که کاربرد این مدل در ایران بسیار عملی است. نمونه ساده‌ آن که پیش‌تر توسط او در رویدادهای مختلف تشریح شده بود به این شرح بود که دیجی‌کالا بتواند پیش‌بینی کند در کدام استان بارندگی یا سرمای شدید در راه است و انبار نزدیک آن منطقه را پیشاپیش از کالاهای مرتبط پر کند. این مدل دقیقاً همان جایی است که داده‌های محیطی، آب‌وهوایی و رفتاری اگر یکپارچه شوند، سود مستقیم می‌سازند.

قیمت‌گذاری لحظه‌ای یکی از قدرتمندترین ابزارهای هوش مصنوعی در بازارهای رقابتی است. Best Buy زمانی از آمازون شکست می‌خورد چون کاربران کالا را در فروشگاه می‌دیدند اما خرید را آنلاین انجام می‌دادند؛ آن هم به دلیل قیمت کمتر. اما Best Buy با یک سیستم قیمت‌گذاری هوشمند توانست هر ساعت قیمت آمازون و رقبا را اسکن کند و بر اساس آن، قیمت‌های خود را تنظیم کند تا شعار «بهترین خرید ممکن» را واقعی کند.

به گفته این کارشناس در ایران نیز این مسیر کاملاً قابل پیاده‌سازی است: «به‌ویژه برای پلتفرم‌های آنلاین که رقابت قیمتی شدید است و شفافیت بازار بالاست. با ترکیب قیمت‌های لحظه‌ای، عرضه و تقاضا، موجودی انبار و رفتار مشتری، می‌توان سیستم‌هایی ساخت که هر روز بخشی از بازار را به سمت قیمت‌گذاری هوشمندتر ببرد.»

خاورزاده با وجود نقدهایی که نسبت به پراکندگی داده در ایران داشت کماکان معتقد است که هوش مصنوعی در کشور به‌شرط هدف‌گذاری درست کاملاً قابل پیاده‌سازی است. شرط اساسی این است که هوش مصنوعی نه برای نمایش، بلکه برای حل یک مساله واقعی وارد سازمان‌ها شود. همین چهار مسیر، نقشه راهی هستند که نشان می‌دهند حتی در وضع موجود نیز می‌توان ارزش ساخت؛ به‌شرط آنکه داده، مسئله و فناوری درست با هم ترکیب شوند.