معاون هوش مصنوعی هلدینگ هوشمند سینا، در دومین دوره رویداد IRAN AI 2026
دکتر حامد منکرسی، معاون هوش مصنوعی هلدینگ هوشمند سینا، در دومین دوره رویداد «کاربردهای هوش مصنوعی در صنایع و کسب‌وکارها» با تشریح الزامات خلق ارزش از داده و هوش مصنوعی، بر ضرورت تدوین استراتژی روشن برای داده، توجه هم‌زمان به کیفیت، امنیت و حریم خصوصی و انتخاب متناسب مدل‌های هوش مصنوعی با نیاز سازمان‌ها تاکید کرد.
به گزارش روابط عمومی هلدینگ هوشمند سینا، این رویداد با شعار «خلق ارزش با هوش مصنوعی» و با همکاری دانشگاه صنعتی شریف، پژوهشگاه فناوری اطلاعات و ارتباطات پیشرفته دانشگاه صنعتی شریف و گروه فناوری اطلاعات شریف برگزار شد. فعالان صنعت، دانشگاه، شرکت‌های فناوری، استارتاپ‌ها و مدیران حوزه هوش مصنوعی به بررسی کاربردها و چالش‌های این فناوری در صنایع و کسب‌وکارها پرداختند.
دکتر منکرسی در پنل «خلق ارزش با هوش مصنوعی» با اشاره به اینکه ارزش‌آفرینی از داده پیش از هر چیز به استراتژی سازمان وابسته است، گفت: «ارزش برای سازمان‌های مختلف بر اساس استراتژی آنها متفاوت است. یک سازمان ممکن است رویکردی تهاجمی یا Offensive نسبت به داده و هوش مصنوعی داشته باشد و به دنبال خلق محصولات، خدمات و ارزش‌های جدید باشد، در حالی که برای سازمان دیگری حفظ دارایی‌های داده‌ای، امنیت و صیانت از اطلاعات در اولویت قرار دارد.»
وی افزود: «به همین دلیل، نخستین گام در مسیر خلق ارزش از داده، مشخص کردن استراتژی سازمان است. حتی در سطح کشور نیز بخشی از چالش‌های موجود به شفاف نبودن رویکردها و استراتژی‌ها نسبت به داده بازمی‌گردد و تفاوت نگاه بازیگران مختلف می‌تواند موجب سردرگمی در اکوسیستم داده شود.»
معاون هوش مصنوعی هلدینگ هوشمند سینا، مسیر خلق ارزش از داده را فرآیندی چندمرحله‌ای دانست و اظهار کرد: «پس از شکل‌گیری ارتباط داده‌ای با سازمان‌ها، نخستین گام ایجاد اعتماد و اطمینان از صحت و کیفیت داده‌هاست. در ادامه، از داده‌ها Insight و بینش ایجاد می‌شود، سپس این بینش باید به پیشنهاد تصمیمات عملی و روشن تبدیل شود و در نهایت تصمیم به Action تبدیل شود؛ اقدامی که بتواند درآمد ایجاد کند، بهره‌وری را افزایش دهد یا هزینه‌ها را کاهش دهد.»
وی با اشاره به نقش هلدینگ هوشمند سینا در این مسیر گفت: «ما تلاش می‌کنیم مسیر خلق ارزش از داده را برای سازمان‌ها هموار کنیم. زیرساخت و پلتفرم داده‌ای نیز با همین هدف شکل گرفته است تا این فرآیند با سرعت بیشتری طی شود و در کنار جنبه‌های فنی، موضوعات حقوقی و امنیتی نیز به‌موقع مورد توجه قرار گیرند.»
ضرورت حکمرانی داده برای توسعه هوش مصنوعی
منکرسی در ادامه سخنان خود، داده معتبر و باکیفیت را پیش‌نیاز ایجاد مدل‌های هوش مصنوعی قابل اتکا دانست و گفت: «برای اینکه بتوانیم یک مدل هوش مصنوعی مناسب و قابل اتکا داشته باشیم، در وهله اول باید داده‌های معتبر و باکیفیتی برای آن آماده کنیم.»
وی با اشاره به پیچیده‌تر شدن فضای کسب‌وکار و توسعه پلتفرم‌های چندخدمتی، افزود: «امروز بسیاری از کسب‌وکارها تلاش می‌کنند خدمات متنوعی از حوزه‌های مالی و گردشگری تا سلامت را در قالب یک پلتفرم واحد ارائه کنند. در چنین شرایطی، موضوع حاکمیت داده پیچیده‌تر می‌شود، زیرا هر حوزه رگولاتوری، سیاست‌ها و الزامات خاص خود را دارد.»
معاون هوش مصنوعی هلدینگ هوشمند سینا تاکید کرد که مدیریت این چالش صرفا به راهکارهای فنی محدود نمی‌شود و گفت: «در کنار مدیریت و مشاوره تخصصی، سازمان‌ها به ابزارهای مناسب Data Management نیز نیاز دارند. این ابزارها امکان تعریف و اعمال سیاست‌ها در سطوح و مراحل مختلف جریان خلق ارزش از داده را فراهم می‌کنند.»
به گفته وی، هوش مصنوعی می‌تواند در این مسیر نیز نقش‌آفرین باشد و در ایجاد Data Catalog و Data Glossary، تعریف سطوح دسترسی و کنترل سیاست‌ها در Data Pipeline مورد استفاده قرار گیرد؛ موضوعی که در نهایت به حفاظت از حریم خصوصی، داده‌های حساس و اسرار تجاری سازمان‌ها کمک می‌کند.
انتخاب مدل؛ فراتر از سرعت و دقت
دکتر منکرسی در بخش دیگری از این پنل، با اشاره به استفاده گسترده از مدل‌های زبانی بزرگ، یادآور شد انتخاب مدل هوش مصنوعی نباید تنها بر اساس سرعت و کیفیت خروجی انجام شود.
وی گفت: «بسیاری از سازمان‌ها ناگزیرند از مدل‌های داخلی نیز استفاده کنند. در عین حال، اگر معیارهایی مانند سرعت، دقت و کیفیت خروجی را در نظر بگیریم، در بسیاری از موارد مدل‌های خارجی عملکرد بالاتری دارند. بنابراین سازمان‌ها باید در کنار معیارهای فنی، حریم خصوصی و ماهیت داده‌هایی را که در اختیار مدل قرار می‌دهند نیز در نظر بگیرند.»
او افزود: «داده‌های سازمانی و حتی الگوهای رفتاری جامعه می‌توانند به‌عنوان یک سرمایه اطلاعاتی در نظر گرفته شوند که نیازمند حفاظت هستند. بنابراین سازمان‌ها باید نگاه سیستماتیک و جامعی به این موضوع داشته باشند و علاوه بر فناوری، فرآیندها و ساختارهای داخلی خود را نیز سامان دهند.»
معاون هوش مصنوعی هلدینگ هوشمند سینا همچنین درباره ریسک استفاده بدون کنترل از LLMها هشدار داد و گفت: «گاهی آن‌قدر درگیر کیفیت ظاهری خروجی مدل می‌شویم که ممکن است متوجه اطلاعات نادرستی که ممکن است در کنار اطلاعات صحیح تولید شوند، نشویم. این خطاها می‌توانند در ادامه به ریسک‌های جدی برای سازمان منجر شوند.»
منکرسی در پایان، استفاده متناسب از مدل‌های کوچک‌تر و تخصصی‌تر را یکی از گزینه‌های قابل توجه برای کاربردهای سازمانی دانست و اظهار کرد: «برای همه مسائل الزاما به بزرگ‌ترین و پیچیده‌ترین LLM نیاز نداریم. در بسیاری از کاربردها می‌توان از مدل‌های سبک‌تر و قابل آموزش استفاده کرد و در کنار آن، روش‌هایی مانند Federated Learning و Clean Roomهای داده را برای حفظ حریم خصوصی و امنیت اطلاعات به کار گرفت.»
وی خاطرنشان کرد: «موضوع اصلی فقط انتخاب یک مدل هوش مصنوعی نیست؛ بلکه باید مجموعه‌ای از مدل، داده، فرآیند، ساختار حاکمیتی، امنیت و حریم خصوصی را در کنار یکدیگر دید تا مسیر خلق ارزش از هوش مصنوعی به شکلی پایدار و قابل اتکا طی شود.»