چالش‌های تجاری‌سازی هوش مصنوعی در صنایع مادر

چهارشنبه، ۴ شهریور ماه روز اول از همایش AI Bridge اصفهان که توسط شرکت آیتک و با همکاری دانشگاه علوم پزشکی اصفهان برگزار شد. نخستین پنل تخصصی این همایش، «تجاری‌سازی هوش مصنوعی»، از نظریه دانشگاه تا ثروت‌سازی صنعت بود که با حضور جمعی از برجسته‌ترین اساتید دانشگاهی و مدیران ارشد صنایع مادر کشور (فولاد و نفت) روی سن رفت. در این پنل که به مدیریت دکتر «رسول سراییان»، مدیرعامل شرکت توسعه فناوری سیما آترون و مشاور میز هوش مصنوعی استانداری اصفهان اداره شد، چالش‌ها، موانع و الگوهای موفق عبور از دره مرگ تجاری‌سازی هوش مصنوعی به بوته نقد گذاشته شد.

نقشه اقتصاد هوش مصنوعی؛ ظرفیت‌ها و واقعیت‌های آماری ایران

پنل با تبیین دقیق مفهوم تجاری‌سازی توسط دکتر رسول سراییان آغاز شد. او تجاری‌سازی را در یک کلام ساده، ارزیابی نقش‌آفرینی پیامد استفاده از هوش مصنوعی در اقتصاد، ارتقای رفاه جامعه، رشد تولید ناخالص داخلی (GDP) و توسعه یافتگی دانست. از منظر صنعت و کسب‌وکار نیز تجاری‌سازی یعنی خلق ارزش از دانش و فناوری به گونه‌ای که بتوان از آن تولید ثروت کرد.

سراییان با ارائه آمارهایی تکان‌ دهنده، ابعاد این پتانسیل اقتصادی را ترسیم کرد:

• کیک جهانی GDP: گزارش‌های معتبر نشان می‌دهند هوش مصنوعی تا سال ۲۰۳۰ می‌تواند بین ۱۳ تا ۲۰ تریلیون دلار به تولید ناخالص داخلی جهان اضافه کند. این یعنی یک رشد ۲۰ درصدی در کل اقتصاد فعلی دنیا (که حدود ۱۰۵ تا ۱۰۶ تریلیون دلار است) رخ خواهد داد. دکتر سراییان با اشاره به همین موضوع تاکید کرد: «این سهم گرفتنی است و کسی آن را به ما تقدیم نخواهد کرد.»
• سهم بالقوه ایران: با نگاشت این آمار بر اساس سهم GDP و جمعیت، پتانسیل ارزش‌آفرینی هوش مصنوعی برای اقتصاد ایران رقمی بین ۱۰ تا ۱۵ میلیارد دلار برآورد شده است که برش استانی آن برای استان اصفهان نیز در میز هوش مصنوعی استانداری استخراج شده است.
• کاهش هزینه‌های زیرساخت: امروزه هزینه زیرساخت‌های هوش مصنوعی، استفاده از مدل‌ها و توکنایز کردن به صورت نمایی در حال کاهش و قدرت پردازشگرها به صورت نمایی در حال افزایش است. این امر نفوذ فناوری را فراگیر کرده و آن را از انحصار ثروتمندان خارج ساخته است؛ به طوری که یک کار دانشی با هزینه سالانه ۱۰۰ هزار دلار، اکنون با ۲ تا ۳ هزار دلار انجام می‌شود، هزینه مشاوره از ۵ دلار به ۲۰ سنت کاهش یافته و زمان دسترسی از ۳ ساعت به ۵ دقیقه رسیده است.
• بازار راه‌حل‌سازی: بازار مستقیم توسعه ابزارها و راه‌حل‌های هوش مصنوعی برای بازیگران این حوزه و استارتاپ‌ها تا سال ۲۰۳۵ بین ۲۵۰ تا ۴۹۰ میلیارد دلار (و در برآوردی دیگر تا سال ۲۰۲۸ بین ۲۳۵ تا ۶۳۰ میلیارد دلار) تخمین زده می‌شود.

واقعیت آماری ایران و جهان

دکتر سراییان با استناد به گزارش دانشگاه شریف، بر شکاف عمیق ایران با کشورهای پیشرو انگشت گذاشت. به طور مثال سهم استفاده صنایع ایران از حداقل یک کاربرد هوش مصنوعی از ۱۷ درصد در سال ۱۴۰۰ به ۲۷ درصد در سال ۱۴۰۱ رسیده است؛ در حالی که این شاخص در آمریکا بالای ۸۸ درصد است.

همچنین سهم صنعت ایران در توسعه علم و دانش هوش مصنوعی ناچیز و تنها ۱.۱ درصد است و بیش از ۹۳.۴ درصد این دانش در دانشگاه‌ها تولید می‌شود (سهم دولت نیز حدود ۳ تا ۴ درصد است)؛ در حالی که در کشوری مانند آمریکا، سهم صنعت در توسعه علم هوش مصنوعی بالای ۹۰ درصد است.

سراییان با نقد ساختارهای بوروکراتیک گفت: «ما در کشور فقط حرف زده‌ایم، ستاد درست کرده‌ایم و روی کاغذ تقسیم کار کرده‌ایم؛ بدون سرمایه‌گذاری واقعی هیچ اتفاقی رخ نمی‌دهد. هر شرکت یا کشوری که مدعی توسعه هوش مصنوعی است باید درصد مشخصی از درآمد یا بودجه خود را مستقیماً به این امر اختصاص دهد.»

طوفان هوش مصنوعی در ساختار سنتی صنعت؛ تجربه فولاد مبارکه

سخنان مهندس «امیر گودرزی»، مدیر تحول دیجیتال و هوشمندسازی شرکت فولاد مبارکه و عضو هیئت‌مدیره شرکت ایریسا، ابعاد عملیاتی این چالش‌ها را در بزرگ‌ترین صنعت فولادی کشور نشان داد. او صراحتاً اعلام کرد که هیچ صنعتی در دنیا برای موج سهمگین هوش مصنوعی و مدل‌های زبانی بزرگ آماده نبود و این موج سازمان‌ها را درنوردید. او با ارجاع به مؤسسه مک‌کینزی تأکید کرد که صنایع برای مواجهه با این موج نیازمند سیم‌کشی مجدد ساختار سازمانی خود هستند.

گودرزی ساختار فولاد مبارکه را نمونه کلاسیک نسل سوم صنعت (Industry 3.0) توصیف کرد که بر پایه لایه‌های اتوماسیون (از سطح ۱ اتوماسیون تا سطح ۴ سفارش‌ها و تحویل مشتری) بنا شده است. این معماری بر اساس محدودیت‌های پردازشی، پهنای باند و ذخیره‌سازی داده قدیمی طراحی شده بود؛ جایی که به دلیل محدودیت‌ها، داده‌ها در لایه‌های پایین فشرده و خلاصه شده و سپس به لایه‌های بالا ارسال می‌شدند تا ظرفیت‌های محدودی مانند هارد دیسک‌های ۱۲۸ مگابایتی پر نشوند.

اما امروز با ظهور کلان‌داده‌ها (Big Data) و ویژگی‌های سه‌گانه آن یعنی حجم، تنوع و سرعت، این محدودیت‌ها برداشته شده است و می‌توان مسائل را به صورت یکپارچه دید. با این حال، عبور از این ساختار سنتی با پاشنه‌های آشیل متعددی همراه است. این معضلات در ادامه لیست شده‌اند:

• جزیره‌های اطلاعاتی (Data Silos): داده‌ها در بخش‌های مختلف سازمان به صورت مجزا، غیراستاندارد و بدون ارتباط با یکدیگر ذخیره می‌شوند. مهندس گودرزی به یک واقعیت تلخ اشاره کرد: «در پروژه‌های ما، بین ۷۰ تا ۸۰ درصد زمان پروژه صرف جمع‌آوری، پاک‌سازی و آماده‌سازی داده می‌شود و سهم کار علمی دیتاساینتیست روی الگوریتم‌ها برای تولید منفعت ریالی تنها ۲۰ درصد است.»
• تداخل ساختاری تیم‌ها: همکاری نزدیک کارشناسان IT و هوش مصنوعی با تیم‌های بیزینسی و عملیاتی کارخانه هنوز در چارت‌های سنتی تعریف ‌نشده و تقریباً یک تابو است.
• بحران استعدادها: جذب و نگهداری نخبگان و متخصصان هوش مصنوعی در ساختارهای بروکراتیک صنعتی، یکی از بزرگ‌ترین نقاط درد صنایع کشور است.

دره مرگ تجاری‌سازی؛ چرا دستاوردهای دانشگاهی در کشوها خاک می‌خورند؟

دکتر «نگین صیاف»، عضو هیئت علمی دانشگاه اصفهان و مجری پروژه‌های صنعتی، فرایند تجاری‌سازی را یک هرم ۹ مرحله‌ای بر اساس شاخص سطوح آمادگی فناوری (TRL) دانست:

• TRL 1-3: فاز پژوهشی، نظری و آزمایشگاهی در دانشگاه‌ها با بودجه‌های بسیار محدود
• TRL 4-6 (دره مرگ): فاز توسعه فناوری، نمونه‌سازی نیمه‌صنعتی و اثبات فناوری توسط مراکز نوآوری و شرکت‌های دانش‌بنیان.
• TRL 7-9: فاز تجاری‌سازی کلان، تولید محصول نهایی و مقیاس‌پذیری با جذب سرمایه‌های هنگفت صنعتی

دکتر صیاف سخت‌ترین بخش زنجیره را گذر از TRL 4-6 یا همان دره مرگ (Valley of Death) نامید. دانشگاه در فاز آزمایشگاهی، فارغ از محدودیت‌های اجرایی، هزینه و زمان پاسخ‌گویی، به پاسخ‌های بهینه با دقت بالا می‌رسد. اما صنعت به دلیل ریسک بالا و بودجه‌های کلان مورد نیاز برای پیاده‌سازی این سیستم‌ها، به راحتی به دانشگاه اعتماد نمی‌کند.

وی به تجربه شخصی خود در پروژه بهینه‌سازی واحد گندله‌سازی فولاد مبارکه اشاره کرد که فازهای TRL 1-3 آن با بودجه بسیار محدود دانشگاهی و حمایت بنیاد نخبگان با موفقیت انجام شد. کارفرما کاملاً از مدلسازی‌ها راضی بود، اما در فاز عملیاتی مشخص شد که صنعت به دنبال آن درصد جزیی از دقت علمی دانشگاهی نیست، بلکه پایداری سیستم، کاهش هزینه‌های اجرایی و زمان رسیدن به پاسخ برایش اولویت دارد. دکتر صیاف نقش شرکت‌های دانش‌بنیان را به عنوان حلقه واسط این دره مرگ کلیدی دانست، زیرا آن‌ها می‌توانند با اقداماتی نظیر نصب دیتا لاگرها، چالش فقدان یا عدم دسترسی به داده‌های واقعی صنعت را حل کنند.

تقابل پارادایم‌ها؛ تفاوت نگاه دانشگاه و صنعت

دکتر «پیمان معلم»، استاد تمام دانشگاه اصفهان، ریشه این عدم انطباق را در تفاوت پارادایم‌ها و انگیزه‌های دو نهاد دانست؛ دانشگاه بر روی دقت تمرکز دارد و برای ارتقای اندک دقت الگوریتم‌ها جهت نگارش مقاله یا ثبت اختراع تلاش می‌کند.

اما صنعت بر روی کاربرد و فایده، مقیاس‌پذیری و بازگشت سرمایه تمرکز دارد. صنعت ترجیح می‌دهد یک سیستم ارزان‌تر و با پایداری بالاتر داشته باشد تا الگوریتمی پیچیده با هزینه محاسباتی سرسام‌آور. برای مثال، آیا منطقی است صنعت یک میلیون دلار برای الگوریتمی هزینه کند که تنها ۱۰ هزار دلار سودآوری دارد؟

دکتر معلم موانع تجاری‌سازی در داخل کشور را عمیق‌تر از سطح جهانی دانست و به مواردی چون ضعف شدید زیرساخت‌های محاسباتی، چالش تأمین انرژی و شبکه‌های ارتباطی، نبود داده‌های تمیز، فقدان سیستم‌های مکمل کارآمد، کمبود سرمایه‌گذاری‌های خطرپذیر (VC) و مهاجرت گسترده نخبگان که زنجیره را قطع می‌کند، اشاره کرد. او تأکید کرد که اساتید دانشگاه باید تفکر محصول‌محور را اتخاذ کنند و صنعت نیز مسائل خود را به درستی تعریف کند.

پارادوکس تقاضا؛ هوش مصنوعی نیازآفرین است، نه فقط تقاضامحور

دکتر «ایمان ایزدی»، استاد تمام دانشگاه صنعتی اصفهان، دیدگاهی نوآورانه درباره بازار هوش مصنوعی مطرح کرد. او با به چالش کشیدن نگاه سنتی تقاضامحور گفت: «بیس و پایه هوش مصنوعی از ابتدا نیاز محور نبوده است. پنج سال پیش هیچ‌کس در زندگی یا صنعت خود خلأیی به نام نبودِ هوش مصنوعی حس نمی‌کرد؛ اما این فناوری وقتی آمد، نیازِ خودش را هم همراه خود آورد.» وی یادآور شد که صنایع تولیدی به دلیل رسالت خطیر پاسخ‌گویی به نیازهای اساسی جامعه و توان ریسک پایین، ذاتاً ساختاری لخت و محافظه‌کار در پذیرش فناوری دارند.

ایزدی مسائل صنعت در مواجهه با هوش مصنوعی را به سه لایه تفکیک کرد:

1. مسائلی که صنعت دارد و می‌داند راهکار آن در هوش مصنوعی است؛ مانند هوش تجاری (BI)، مدیریت منابع و نگهداری پیشگیرانه.
2. مسائلی که صنعت دارد اما نمی‌داند هوش مصنوعی می‌تواند حل کند؛ مانند ابزارهای دستیار طراحی، دستیار فنی و مدیریت هوشمند اسناد فنی کارخانه‌ها.
3. مسائلی که صنعت اصلاً نمی‌داند وجود دارند؛ مانند به کارگیری ابزارهای نرم‌افزاری نوین که کار تیمی چند ماهه را به کار چند ساعته یک نفر تقلیل می‌دهد.

از این رو، ایزدی معتقد است دانشگاه‌ها و شرکت‌های فناور نباید صرفاً منفعلانه منتظر اعلام نیاز صنعت باشند، بلکه باید با ساخت پروتوتایپ‌ها و ایده‌های خلاقانه، نیازهای جدید را در صنعت ایجاد کنند تا مدیران طعم بهره‌وری هوش مصنوعی را بچشند.

پایداری هوش مصنوعی و بن‌بست سیستم‌های قراردادی؛ تجربه پالایشگاه اصفهان

دکتر «زهره انصاری»، سرپرست سیستم‌های هوش مصنوعی پالایشگاه نفت اصفهان، به تبیین شروط تبدیل هوش مصنوعی به یک قابلیت پایدار در صنایع فرایندی پرداخت. او سه هدف اصلی پالایشگاه از تعریف این پروژه‌ها را کاهش زمان، افزایش کیفیت محصول و کاهش هزینه‌ها برشمرد.

به گفته انصاری، یک پروژه هوش مصنوعی زمانی در صنعت پایدار می‌ماند که پنج شرط « مسئله واقعی»، « مالک عملیاتی مشخص»، « ادغام در گردش کار روزانه»، « دسترسی به جریان دیتای پایدار» و « پایش و به‌روزرسانی مدل» را داشته باشد.

دکتر انصاری دست روی یکی از بزرگ‌ترین چالش‌های اداری گذاشت. آیین‌نامه‌های سنتی پیمانکاری در صنایع بزرگ، قراردادها را به صورت صفر تا صد و تک‌مرحله‌ای منعقد می‌کنند و انتظار یک محصول مشخص و قطعی دارند. در حالی که پروژه‌های هوش مصنوعی ذاتاً اکتشافی و نیازمند فازهای گام‌به‌گام (امکان‌سنجی، پایلوت، استقرار و پشتیبانی مستمر) هستند. انصاری فاش کرد که پالایشگاه به دلیل نبود قراردادهای استاندارد چندمرحله‌ای برای هوش مصنوعی، در برون‌سپاری‌ها ناموفق بود و ناچار شد به سمت ایجاد تیم‌های توسعه داخلی حرکت کند.

نقشه راه فرار از نرخ شکست ۹۵ درصدی؛ از ایده تا ثروت‌سازی واقعی

در بخش پایانی، دکتر «رسول سراییان» با استناد به گزارش مشترک MIT و BCG یادآور شد که ۹۵ درصد پروژه‌های هوش مصنوعی در دنیا در فاز پایلوت شکست می‌خورند و به مرحله مقیاس‌پذیری صنعتی نمی‌رسند که این امر میلیاردها دلار خسارت به شرکت‌های بزرگ وارد کرده است.

برای پیشگیری از این شکست‌ها در اکوسیستم فناوری کشور، اعضای پنل نقشه راهی جامع متشکل از چهار رکن اصلی را ترسیم کردند:

• پلتفرم مچینگ و مراکز نوآوری مشترک
•  مراکز پایلوت پلنت (Pilot Plants)
• سرمایه‌گذاری خطرپذیر (VC)
• شرکت‌های یکپارچه‌ساز
• نمونه موفق تجاری‌سازی

 کلام آخر؛ نیمه پر لیوان برای نخبگان ایرانی

هرچند مسیر تجاری‌سازی هوش مصنوعی با مشکلاتی چون ساختار سنتی صنایع، بدهی‌های تکنولوژیکی، سیستم‌های کهن، عدم تفسیرپذیری مدل‌ها (جعبه سیاه بودن هوش مصنوعی برای مدیران صنعتی) و بحران کمبود توان پردازشی مواجه است؛ اما دکتر پیمان معلم این وضعیت را یک فرصت بی‌نظیر برای نخبگان داخلی توصیف کرد. به دلیل عدم بلوغ کامل بازار ایران، هنوز هزاران فرصت ساده اما کاربردی هوش مصنوعی در صنایع متوسط و بزرگ کشور وجود دارد که پیاده‌سازی آن‌ها می‌تواند راندمان اقتصادی عظیمی ایجاد کند؛ فرصت بکری که شاید در بازارهای اشباع‌شده جهانی مانند آمریکا دیگر جایی برای عرض اندام نداشته باشد.