امروزه سرنوشت صنعت ارتباطات و مخابرات ایران و جهان، با تکامل فناوری و پدیدههای نوظهوری مانند نسل پنجم شبکه تلفن همراه (5G) و اینترنت اشیا (IoT) به استفاده از ابزارهای بسیار متفاوتی از روشهای سنتی گره خوردهاست؛ ابزارهای هوشمندی که از نظر سرعت و کارآمدی عملکردی، روز به روز گوی سبقت را از روشهای سنتی دزدیده و خود را برای برداشتن گامهای جدیدتری آماده نمودهاند.
افزایش یکپارچگی صنعت مخابرات با هوش مصنوعی میتواند منجر به جریانهای مختلف درآمدی جدیدی گردد. هوش مصنوعی کاربردهای گستردهای در این بخش از صنعت دارد؛ که از مهمترین آنها میتوان به رفتارشناسی کاربران و بازشناسی الگوهای موجود در دادههای موجود در شبکه مخابراتی و طبقهبندی این دسته از دادهها اعم از دادههای متنی و ویدیویی، تشخیص آنومالی و بهینهسازی شبکه و بهرهبرداری از آنها اشاره نمود که در ادامه به توضیح هر کدام خواهیم پرداخت.
هوش مصنوعی مجموعهای از روشها و الگوریتمها می باشد که جهت شبیهسازی رفتار موجودات هوشمند توسط ماشینها به کار میرود. یادگیری ماشین (Machine Learning) یکی از زیرمجموعههای اصلی هوش مصنوعی، به ماشینها و کامپیوترها امکان آموختن الگوهای پنهان در دادههای خام را میدهد. در واقع با استفاده از یادگیری ماشین، نیازی به برنامه نویسی صریح (Explicit Programming) وجود نخواهد داشت و الگوهای موجود در دادهها توسط الگوریتمهای مربوطه استخراج خواهند شد. بدین ترتیب، ماشین پس از یادگیری و شناسایی الگوهای دادگان، قادر به اجرای درخواست شما در مواجهه با دادههای جدید (دادههای Unseen) خواهد بود.
در محافل آکادمیک و صنعتی بارها بیان شده است که در دنیای امروز، داده (Data) با ارزشتر از نفت است و در آیندهای نزدیک جایگاهی بسیار فراتر از حتی طلا خواهد داشت. از طرف دیگر با عنایت به گسترش فزاینده استفاده از اینترنت اشیا و ایجاد زیرساختهای جدیدی مانند 5G، نگرشی متفاوت نیز مورد نیاز خواهد بود. نگرشی متفاوت در ذخیرهسازی و تحلیل و بررسی و در نهایت استخراج دانش از دادههای خام. یکی از دلایل اصلی تمرکز بسیاری از صنایع و شرکتهای بزرگ به هوش مصنوعی و یادگیری ماشین، امکان دسترسی به این حجم عظیم از داده و نیاز مبرم به استخراج الگو میباشد. البته دسترسی به سختافزارها و منابع پردازشی نسل جدید شامل GPUها و TPUهای قدرتمند نیز مزید بر علت شده و راه را برای این مهم، هموارتر نموده است.
مزیت اصلی تحلیلهای صورت گرفته توسط هوش مصنوعی این است که سامانه نهایی، سرانجام قادر خواهد بود الگوها را در کمترین زمان ممکن شناسایی نماید؛ در حالی که این الگوها حتی اگر برای روشهای سنتی و دستی قابل انجام باشد احتمالاً هفتهها و ماهها به طول خواهد انجامید.
به عنوان مثال، ماشینها با استفاده از هوش مصنوعی در پردازش سریع دادهها به ما کمک خواهند کرد و این امر سبب بهبود چگونگی انجام خدمات شرکتهای داده محور، در مقام یک سیستم توصیهگر (Recommender System) خواهد شد. با تغییر نگرش به این جهت که مصرفکنندگان چه می خواهند، پیامها هدفدارتر ارسال خواهند شد و در نهایت منجر به افزایش درصد بازدهی میشود. این موضوع آن جایی ارزش واقعی خود را نشان خواهد داد که اپراتورهای فعلی کشورمان مدل فعلیشان را متوقف کرده و الگوریتمهای یادگیری ماشین را برای دادههایی بهکار ببرند که امروزه در شبکههای مخابراتی استفاده میشوند. این نگرش به آنها اجازه میدهد تا از ترکیب الگوریتمهای هوشمصنوعی و یادگیری ماشین، الگوهای ترافیک دادهها و تعاملات موبایلهای هوشمند برای ایجاد گروههای مختلف تحلیل نمایند که هر مشتری را متمایز و مشخص میکند. دادههای خام که از طریق یک شبکه موبایل در حال تبادل هستند، میتوانند به اطلاعات رفتاری کاربران تبدیل شوند تا اطلاعات قابل استنادی را برای واکنشهای در لحظه به نیازها و علایق مشتریان تولید کنند.
با درک بهتر از ماهیت سیستم های دیجیتال، شرکتهای این حوزه خواهند توانست پیامهای درست، کارا و تنظیم شدهای برای مخاطبان خود ایجاد کنند. بنابراین، تبلیغات و پیشنهادات را میتوان به طور خاص برای یک مصرفکننده خاص در زمان واقعی بهینهسازی نمود، که این امر به واسطه متناسب بودن پیام ها با مصرف کننده سبب تولید نتایج بهتری خواهد شد. متخصصان روابط عمومی و صنایع رسانهای، با دادههای خود به عنوان یک دارایی ارزشمند، قادر به ارائه محتوایی خواهند بود که برای مخاطب جذاب باشد تا آزاردهنده و اسپم. این امر کمک میکند تا آنها از هدر رفتن زمان بر روی محتوایی که مخاطبانشان به خوبی آن را دریافت نمی کنند، جلوگیری شود.
موضوع جذاب دیگری که هوش مصنوعی و یادگیری ماشین برای صنعت مخابرات و ارتباطات به ارمغان آورده است، امکان ارتباط سیستم های هوش مصنوعی با انسان از طریق ارتباطات متنی، صوتی و ویدیویی در مقام یک سیستم کاملاً هوشمند خواهد بود. الگوریتم های پردازش زبان طبیعی (Natural Language Processing) به دنبال درک ارتباطات انسان ها، نوشتهها یا سخنان است که در مقابل با استفاده از زبان طبیعی، با ما ارتباط برقرار کند. در این روزگار که در هر گوشهای از دنیا منابع عظیم دادهای از جنس متن را میتوان یافت، نیاز مبرم به سامانههای هوشمند که بتوانند در مدت زمان بسیار کوتاه، حجم عظیمی از داده را تحلیل و گزارش کنند، بسیار احساس میشود. استفاده از الگوریتمهای NLP راه میانبری برای رسیدن به درک هرچه بیشتر از متون موجود میباشد. به ویژه که در سالهای اخیر پس از معرفی روشهای مبتنی بر معماری Transformerها و حضور غولهای فناوری مانند فیسبوک و گوگل در این عرصه، تمامی نگاهها به این حوزه دوخته شده است.
قطعاً یکی از زیرمجموعههای جذاب و پرکاربرد نرم افزارهای مبتنی بر هوش مصنوعی بازشناسی گفتار یا Speech Recognition خواهد بود؛ بدین ترتیب که دادههای ورودی به سامانههای هوشمند پیامهای صوتی شما خواهد بود که میتواند شامل دستور جهت اجرای یک فرمان خاص یا دادههای صوتی مرکز تماس یک شرکت خدماتی باشد.
سامانههای هوشمند با استفاده از الگوریتمهای یادگیری ماشین جزییات ظریف میان زبانهای بومی را یاد میگیرند و واکنش مناسب را نسبت به دادههای ورودی انتخاب میکند؛ حال با تلفیق سیستمهای مبتنی بر پردازش گفتار قادر خواهند بود به سیستم یکپارچهای جهت ارتباط با انسان تبدیل شوند. به این صورت که با استفاده بهینه از اپراتورهای انسانی و جایگزینی با اپراتورهای هوشمند Chatbot و Voicebot عملاً بخش اعظمی از مشکلات مراکز تماس حل خواهد شد؛ این مشکلات عبارتند از:
• کاهش قابل توجه هزینه های مرکز تماس (فضا و تجهیزات ویژه جهت تجهیز مراکز تماس)
• گرد آوری و ثبت دادههای مشتریان و الگوی رفتاری آنها به صورت یکپارچه
• امکان پاسخگویی 24 ساعته بدون خستگی و حواسپرتی اپراتور
• عدم کاهش تمرکز اپراتور هوش مصنوعی
• امکان افزایش دایره اطلاعات اپراتور هوشمند در طول زمان
• در نهایت بهبود پاسخگویی و در نتیجه رضایت بالاتر مشتریان
• قابلیت جستجو در تماسهای تلفنی بر اساس محتوای مکالمات
• امکان ساخت داشبوردهای متنوع و بهرهگیری بیشتر از دادههای صوتی مکالمات
• تشخیص کلمات کلیدی و موضوعات داغ که در مکالمات مرکز تماس بیشتر گفته شده است که در نهایت مدیریت بهتر و کارآمدتر را به ارمغان خواهد آورد.
این موضوع امروز نمونه های کاملاً عملیاتی و گسترده تری نیز به خود گرفته است و می توان به دستیار هوشمند Alexa تولیدی شرکت آمازون، Google Assistant شرکت گوگل و یا Siri شرکت اپل اشاره نمود.
همانطور که استحضار دارید، رویداد جذاب جیتکس ۲۰۲۱ به تازگی پایان یافت. یکی از موضوعاتی که بسیار بیش از پیش مورد توجه شرکتکنندگان و برگزارکنندگان این رویداد مهم منطقهای قرار داشت، بهرهگیری از سامانههای مبتنی بر هوش مصنوعی و یادگیری ماشین بوده است. ارایه سرویسهای End-to-End به ویژه در سامانههای ارتباطی یکی از رویکردهای جذاب استفاده از هوش مصنوعی است که اتفاقاً شرکتهای حاضر در این رویداد نیز به آن توجه ویژهای داشتند. سامانههای ارتباطی صوتی و خصوصاً تصویری در این روزها با توجه به شرایط موجود نگاهها را به خود معطوف نمودهاند؛ سرویسهای سرگرمی، ارتباط تصویری و ویدیوکنفرانس که نیاز به استفاده بهینه در کمترین پهنای باند از نتایج بهرهگیری از هوش مصنوعی است که در نهایت امکان انتقال و استریم ویدئو از یک مسابقه زنده یا رویداد و مکالمه را با بالاترین سطح کیفیت و بدون تاخیر فراهم میآورد. در واقع با استفاده از الگوریتمهای یادگیری ماشین، سامانه نهایی تنها آن بخش از تصاویری که متغیر هستند را انتقال میدهند و قسمتهای تقریباً ثابت و بدون تغییر نیازی به استریم شدن نخواهند داشت. بنابراین در استفاده از پهنای باند مصرفی به شدت بهینهتر عمل خواهد شد.
همانطور در ابتدا اشاره شد، یکی از چندین کاربرد قابل اشاره جهت استفاده هوش مصنوعی و یادگیری ماشین در صنعت مخابرات و ارتباطات بهره گیری از این تکنولوژی های در کنار موضوع محبوب همگان، یعنی اینترنت اشیا می باشد. جایی که تعداد بسیار زیادی از دستگاههای IoT مانند سنسورهای مختلف و دوربینهای متصل به شبکه به صورت مداوم در حال تولید داده هستند و قطعاً جهت پردازش و استفاده از این داده ها نیاز به سیستم های مبتنی بر یادگیری ماشین میباشند. در واقع هنگامی که سرعت تولید دادهها بسیار بیشتر از زمان لازم جهت پردازش دادهها میباشد با مقوله کلان دادهها (Big Data) سر و کار خواهید داشت و عملاً این حوزه بدون حضور هوش مصنوعی کاری از پیش نخواهد برد.
در نهایت، هوش مصنوعی با ضریب سرعت باور نکردنی در حال تکامل است. چه بخواهیم چه نخواهیم، دیر یا زود، این تکنولوژی جای خود را در زندگی ما پیدا خواهد کرد و اگر میخواهیم هوش مصنوعی طوری تکامل یابد که به ما و کشور عزیزمان ایران کمک کند، لازم است تا با مهیا نمودن میدان برای جوانان و به ویژه شرکت های نوپا، اهداف و استراتژی های درخور این مرز و بوم را درست تعریف نماییم تا راه را برای ورود این تکنولوژی به صنایع مختلف هموارتر کنیم؛ به گونه ای که در خور نیاز ما انسان ها، فرهنگ و نیز شرایط زندگیمان باشد.