به گزارش روزپلاس، بهمن ماه سال گذشته بود که معاونت علمی ریاست جمهوری پروژه توسعه دستیارهای هوش مصنوعی دستگاه‌های اجرایی را با کمک دانشگاه‌ها کلید زد. در روزهای اخیر از نسخه اولیه دستیارهای هوش مصنوعی برخی از وزارتخانه‌ها رونمایی شد. این پروژه در چهار فاز بازگذاری قوانین و مقررات، بارگذاری قوانین کاربردی، مدل‌سازی پیش‌بینی‌ها و در نهایت کاربردی شدن دستیارهای هوش مصنوعی برای تصمیم‌سازی هدف‌گذاری شده است. در این مسیر دانشگاه تهران مسئولیت پروژه توسعه دستیار هوش مصنوعی وزارت نفت را بر عهده داشته است. در گفتگو با مجری این پروژه جزئیات پشت پرده توسعه این دستیار هوش مصنوعی و چالش‌های آن را مرور می‌کنیم.
محمودرضا هاشمی؛ مجری پروژه توسعه دستیار هوش مصنوعی وزارت نفت در گفتگو با خبرنگار مهر در مورد این پروژه گفت: همگی ما به صورت روزانه از دستیارهای هوشمند استفاده می‌کنیم ولی اگر بخواهیم با هدف خاصی از آن‌ها استفاده کنیم، باید خاص منظوره و متناسب با هدفمان این ابزارها را تیون (tune) و آماده‌سازی کنیم. برای مثال آن را به دستیار چت‌بات مرکز تماس و یا دستیار پاسخ به سوالات در مورد آئین‌نامه‌ها و صورتجلسات تبدیل کنیم.
وی ادامه داد: کاری که برای طراحی دستیار هوش مصنوعی وزارت نفت انجام شده، این بوده که یک مدل زبانی بزرگ (LLM) را به عنوان هسته مرکزی قرار دادیم و از آن خواستیم که پاسخ‌های آن بر اساس قوانین و آئین‌نامه‌های مرتبط با وزارت نفت باشد و پاسخ‌های آن باید مستند باشد.
دانشیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با بیان این‌که یکی از ریسک‌های مدل‌های هوش مصنوعی این است که می‌توانند پاسخ‌هایی را بسازند و به معنای دیگر توهم پیدا می‌کنند، گفت: برای این‌که ما این مشکل را از بین ببریم، آن را به هسته‌ای از داده‌ها محدود می‌کنیم تا حتماً به این داده‌ها استناد کند و مبتنی بر آن داده‌ها پاسخ بگوید. کاری که انجام گرفته این است که یک هسته مدل زبانی بزرگ انتخاب شد و این مدل زبانی را برای زبان فارسی و قوانین و مقررات بهسازی کردیم.
فازهای مختلف توسعه دستیار هوش مصنوعی وزارت نفت
هاشمی در پاسخ به این سوال که آیا در آینده این دستیار هوش مصنوعی امکانات بیشتری فراتر از پاسخ در مورد قوانین و مقررات وزارت نفت خواهد داشت یا خیر؟ گفت: فاز اول پروژه دستیارهای هوش مصنوعی ارائه پاسخ در مورد قوانین و مقررات دستگاه‌های اجرایی است. این هدف شاید با این نگاه تبیین شده که هم سازمان‌ها بتوانند جلوی تصمیم‌های متناقض را بگیرند و مبتنی بر قوانین عمل کنند و شاید نگاه دیگر این بوده که دسترسی مردم به قوانین را تسهیل کند تا آن‌ها نیز بتوانند از آن‌ها استفاده کنند.
وی ادامه داد: ما در دانشگاه تهران به عنوان مسئول پروژه دستیار هوش مصنوعی وزارت نفت، فاز دوم را مصوبات و صورتجلسات شرکت‌های تابعه در نظر گرفتیم. چرا که یکی از چالش‌های سازمان‌ها این است که مصوبات و صورتجلسات متعددی دارند ولی امکان جستجوی سریع در این مصوبات وجود ندارد که مورد پیگیری قرار گیرد.
پیش‌بینی آینده مخازن نفتی با هوش مصنوعی
عضو هیئت‌علمی دانشگاه تهران با اشاره به فاز سوم این طرح گفت: مرحله بعد این پروژه این است که داده‌های عملیاتی را نیز در این ابزار وارد کنیم تا بتوان با این دستیار هوش مصنوعی در مورد داده‌های عملیاتی نیز گفتگو داشته باشیم؛ برای مثال میزان تولید یک مخزن نفت یا گاز و یا میزان رشد تولید یا روند تولید آن را پیدا کنیم.
هاشمی درباره فاز نهایی این پروژه توضیح داد: اگر این مراحل انجام بگیرد، قدم بعدی و پیچیده‌ترین مرحله این است که بتوانیم از طریق این داده‌ها سناریونویسی کنیم؛ برای مثال اگر یک تصمیمی گرفته شود، در افزایش یا نرخ رشد تولید یک مخزن چه تأثیری خواهد داشت. برای انجام این کار دستیار هوش مصنوعی هم باید به داده‌های گذشته دسترسی داشته باشد و هم بتواند پیش‌بینی کند که داده‌های آینده متناسب با یک تصمیم چیست.
وی خاطر نشان کرد: بنابراین این پروژه فازهای مختلفی دارد و اولین قدم آن قوانین و آئین‌نامه‌ها بود و هدف عالی که ما امیدواریم در فازهای مختلف به آن دسترسی پیدا کنیم این است که بتوانیم داده‌ها را به صورت ساده استخراج کنیم و پیش‌بینی‌های آینده و آزمون سناریوهای مختلف را داشته باشیم.
مجری پروژه دستیار هوش مصنوعی وزارت نفت در پاسخ به این سوال که در حال حاضر چه افرادی به این دستیار هوش مصنوعی دسترسی دارند و می‌توانند از آن استفاده کنند؟ گفت: تصمیم‌گیری در مورد دسترسی، سطوح دسترسی و شیوه در اختیار قرار دادن این دستیارها با معاونت علمی ریاست جمهوری است و ما به عنوان پیمانکار و مجری طرح در این رابطه تصمیم‌گیر نیستیم. سیاست‌ها و سطوح دسترسی و محل استقرار این سامانه نکاتی هستند که معاونت علمی هنوز در حال کار بر روی آن‌ها است.
دستیار هوش مصنوعی وزارت نفت یک مدل بومی است؟
هاشمی در پاسخ به این سوال که برای پروژه دستیار هوش مصنوعی آیا یک مدل زبانی بزرگ بومی استفاده شده است یا از مدل‌های زبانی موجود استفاده شده است؟ گفت: توسعه یک هسته مدل زبانی بزرگ، حجم زیادی از داده‌ها را می‌طلبد. هر یک از مدل‌ها در دنیا با استفاده از چند صد هزار جی پی یو (GPU) پرقدرت برای چند ماه توسعه پیدا کردند و بدیهی است که شرکت‌های محدودی در دنیا توان و زمان و امکانات لازم برای این کار را دارند. بنابراین در همه دنیا مبنا را یکی از هسته‌های مدل‌های زبانی بزرگی که قبلاً با چندصد هزار جی پی یو توسعه پیدا کرده‌اند، قرار می‌دهند و سپس آن را متناسب با نیاز خودشان بهسازی می‌کنند.
وی در پاسخ به این‌که در این پروژه از کدام مدل‌های زبانی بزرگ به عنوان هسته مرکزی دستیار هوش مصنوعی استفاده شده است؟ به تشریح مراحل مختلف طراحی دستیار هوش مصنوعی پرداخت و گفت: برای طراحی دستیار هوش مصنوعی اولین قدم این است که ما سوال فرد را متوجه شویم. با توجه به این‌که افراد از زبان محاوره استفاده می‌کنند، اولین قدم درک سوال فرد است. قدم دوم این است که سوال را تحلیل کنیم و ببینیم که موضوع این سوال چیست و دسته‌ای از اسناد که مرتبط با این سوال است را پیدا کنیم. سپس در استناد، باید محتواهای مرتبط با این سوال که می‌تواند جواب آن سوال باشد را پیدا کنیم و در انتها باید پاسخ یافته شده را با زبان طبیعی به فرد ارائه کنیم.
مجری پروژه دستیار هوش مصنوعی وزارت نفت اظهار کرد: در هر یک از این مراحل، مدل زبانی متفاوتی استفاده می‌شود. کاری که ما انجام دادیم و دلیل این‌که توانستیم نتیجه خوبی بگیریم این است که در هر یک از مراحل، انواع مدل‌های موجود را اجرا کردیم. همچنین با توجه به این‌که مدل‌های زبانی ابعاد مختلفی دارند (کوچک، متوسط، بزرگ و خیلی بزرگ) و هر چه ابعاد آن‌ها بزرگ‌تر باشد، هنگام اجرا منابع بیشتری می‌طلبند. به همین دلیل در هر مرحله ضمن این‌که ما همه این مدل‌ها را با یکدیگر مقایسه کردیم، برای هر یک سایز مناسب را مورد استفاده قرار دادیم و در هر مرحله متناسب با آن کوچک‌ترین سایز مدل زبانی را انتخاب کردیم. بنابراین در این پروژه از یک مدل زبانی خاص استفاده نشده است.
وی خاطر نشان کرد: همچنین سعی کردیم در هر یک از مراحل از نسخه‌های متن باز استفاده کنیم. نسخه‌های متن‌باز مزیتی که دارند این است که محدودیت در هزینه ندارند و اطلاعات کافی در مورد آن‌ها وجود دارد و کمک میکند که ما چشم‌بسته و در تاریکی حرکت نکنیم.
چالش‌های طراحی یک دستیار؛ از داده‌های پراکنده تا کمبود جی پی یو
هاشمی در مورد چالش‌های این پروژه گفت: اولین قدم در هر پروژه هوش مصنوعی، دسترسی به داده است و چالش اصلی که همه مجریان طرح به آن اشاره دارند، همین موضوع است. بخشی از این چالش‌ها این است که داده‌های ما به صورت متمرکز و ساخت یافته در بسیاری از سازمان‌ها وجود ندارد و بخشی از آن‌ها پراکنده است. بعضی از سازمان‌ها بلوغ سازمانی بالاتری دارند و دارای سامانه بخشنامه‌ها، صورتجلسات و مصوبات هستند و این داده‌ها و اسناد به صورت سازمان‌یافته نگهداری می‌شود و دسترسی به آن‌ها ساده است؛ ولی خیلی از سازمان‌ها در این مرحله هنوز زیرساخت لازم و کافی را ندارند.
وی با اشاره به چالش یکپارچه‌سازی داده‌ها ادامه داد: چالش بعدی در لایه داده‌ها این است که در سطح وزارتخانه‌ای که ذیل آن سازمان‌های تابعه بسیار گسترده و دارای استقلال نسبی وجود دارد، هر یک از آن‌ها داده‌های خود را با یک مدل سیستم نگهداری کردند و یکپارچه‌سازی داده‌ها دشوار می‌شود. این‌ها پروژه‌های زیرساختی هستند که سازمان‌ها باید خودشان آن‌ها را انجام دهند و آمادگی بیشتری پیدا کنند برای این‌که بتوان دستیارهای هوش مصنوعی را برای آن‌ها توسعه داد.
عضو هیئت‌علمی دانشگاه تهران چالش دیگر را دسترسی به منابع پردازشی و جی پی یو دانست و گفت: موضوع دیگر در این مسیر که ما را با چالش بسیاری مواجه میکند، دسترسی به منابع پردازشی است. این مدل‌های زبانی به جی پی یو نیاز دارند و جی پی یوهای پر قدرت در کشور محدود هستند و دسترسی مجریان طرح به جی پی یو یکی از چالش‌هایی بود که مجریان طرح دستیاران هوش مصنوعی با آن مواجه بودند.
وی خاطر نشان کرد: علی‌رغم همه این چالش‌ها، نقطه‌ای که در آن قرار گرفتیم، نقطه بسیار خوبی است و چشم‌انداز خوبی را پیش رو قرار می‌دهد.