گفت‌وگویی با بهنام بهرک، استادیار دانشگاه تهران درباره جایگاه هوش مصنوعی در چشم‌انداز اقتصاد دیجیتال
هوش مصنوعی، اشتغال و فلسفه اخلاق
احمدرضا نجفی : ربات‌های قرن 21 برخلاف تصور گذشتگان ما هیچ شباهتی با آدم آهنی‌ها ندارند. آنها بدون وجود خارجی و صرفا با چند رشته کد دنیای امروز ما را تحت تأثیر قرار داده‌اند و قرار است آینده اقتصادمان را بسازند. آن‌طور که بهنام بهرک، عضو هیئت علمی و استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران می‌گوید، در قرن پیش‌رو هوش مصنوعی حرف اول و آخر را در تحقق اقتصاد دیجیتال خواهد زد. او که از استادان رشته هوش مصنوعی است، در حوزه‌های مختلفی از‌جمله معاملات الگوریتمی کار کرده. کرونا اجازه نداد او را از نزدیک ببینیم؛ اما همان گفت‌وگوی تلفنی که بیش از 40 دقیقه طول کشید، به اندازه 20 واحد درس دانشگاهی برایمان آموزه‌های جدید داشت و فهمیدیم یک رشته کد نوشته‌شده توسط مهندسان کامپیوتر تا چه حد می‌تواند نژادپرست باشد! در این گفت‌وگو از او درباره مسائل مختلفی مانند تأثیرات فناوری‌های نوین از‌جمله هوش مصنوعی در اقتصاد دیجیتال پرسیدیم.
یک نمونه از اثرات هوش مصنوعی که اخیرا شاهد آن بودیم، معاملات الگوریتمی در بورس است؛ اما این معاملات چطور می‌توانند سوددهی داشته باشند؟
معاملات الگوریتمی کاملا مورد جا‌افتاده‌ای در جهان به حساب می‌آید و در ایران هم چند شرکت تا اینجای کار موفق به دریافت مجوز شده‌اند. یکی از مزیت‌های خیلی بزرگ آن این است که جلوی معاملات احساسی را می‌گیرد. ما شاهد هستیم که در بازار بورس مردم خیلی احساسی تصمیم می‌گیرند که چه چیزی را بخرند و چه چیزی را بفروشند و اینکه همه نگاه می‌کنند بقیه چه می‌کنند تا همان کار را انجام دهند. این موضوع باعث بروز خطاهای زیادی می‌شود و اصطلاحا باعث می‌شود پروپگیشن داشته باشیم. معاملات الگوریتمی می‌تواند جلوی این‌طور هیجانات را تا حد زیادی بگیرد. یک مزیت بزرگ دیگر آن دایورسیفیکیشن است. شما اگر ببینید، اکثر مردم سراغ یک‌سری سهام خیلی شناخته‌شده می‌روند و آنها را برای خرید و فروش مد‌نظر قرار می‌دهند؛ در‌حالی‌که هوش مصنوعی می‌تواند کل بازار را ببیند و با کلی استراتژی موازی همه سهم‌ها را با یکدیگر مانیتور کرده و تصمیم بگیرد خرید چه چیزی برای او بهتر است. چیزی که از عهده یک انسان برنمی‌آید.
معاملات الگوریتمی در کشور ما تا چه حد قابل اجرا است؟
معاملات الگوریتمی یک‌سری ملزومات دارد که ما بخشی از آن را داریم و یک بخش را نه. بزرگ‌ترین لازمه آن فناوری است. اینکه به اندازه کافی کارشناس و کسانی که بازار را بشناسند، داشته باشیم و همچنین زیرساخت مناسب هم برای انجام این کار وجود داشته باشد؛ از‌جمله اینترنت پرسرعت، نداشتن تأخیر و از این جنس. به نظر من در این بخش مشکلی نداریم. از نظر فناوری در حدی هستیم که بتوانیم کارهای مربوط به الگوریتم تریدینگ را انجام دهیم؛ اما چند مشکل بزرگ در کشور داریم که شاید باعث شوند معاملات الگوریتمی نه‌تنها سودی نداشته باشد؛ بلکه حتی ضرر کنیم.
این مشکلات چه چیزهایی هستند؟
مشکل اول دیتا و کیفیت دیتا است. در بحث هوش مصنوعی می‌گوییم کیفیت داده‌ها از خود الگوریتمی که برای پیش‌بینی استفاده می‌شود، اهمیت بیشتری دارد. اصطلاحا می‌گوییم الگوریتم‌ها Garbage in-Garbage out هستند؛ یعنی اگر داخل آنها آشغال بریزیم، آشغال تحویل خواهیم گرفت و انتظار معجزه نباید داشته باشیم. ما دیتایی که به صورت تاریخی در بازار بورس داریم، داده‌های تمیزی نیست و کیفیت بالایی هم ندارد. حتی قسمت‌هایی از آن کلا Missing Value هست و هیچ مقداری برایش وجود ندارد، یک‌سری قسمت‌ها ناپدید شده و دیتای هماهنگ نداریم. چند منبع مختلف هر‌کدام یک دیتا را می‌دهند و از این قبیل... .
منظور شما از کیفیت داده دقیقا چیست؟ ما تاریخچه معاملات تمام نمادها را داریم و همه این داده‌ها را شرکت مدیریت فناوری بورس در اختیار همه قرار می‌دهد. چه چیزی در بازارهای مالی خارجی وجود دارد که ما آن را نداریم؟
یکی از بحث‌های کیفیت داده، هماهنگی است. در چند سال اخیر هماهنگی قابل قبولی به وجود آمده. برای معاملات الگوریتمی لازم است کل تاریخ معاملات بورس را داشته باشیم. دیتاهای قدیمی ما کیفیت لازم را ندارد. در قسمت‌هایی از یک‌سری نمادها هیچ دیتایی وجود ندارد و در یک‌سری ساعت‌ها اصلا معامله‌ای ثبت نشده است. قسمت‌هایی از این دیتایی که الان سازمان بورس منتشر می‌کند، حذف شده، ثبت نشده یا به هر دلیل پاک شده است. این قسمت‌ها ممکن است مشکل ایجاد کند. کسانی که روی این دیتاها کار کرده‌اند، شاید بهتر بتوانند نظر بدهند؛ اما بحث کیفیت دیتا فقط بحث ایران نیست و کیفیت داده در هر منبعی که ببینید، برای بحث الگوریتم تریدینگ حتی در کشورهای دیگر هم مطرح است و هر چقدر بازار بزرگ‌تر باشد، چنین مشکلی شدیدتر خواهد بود.
علاوه بر کیفیت دیگر چه مشکلاتی وجود دارد؟
مشکل دیگری که داریم، بحث رگولیشن است. الگوریتم تریدینگ، رگولیشن یا تنظیم مقررات خاص خودش را لازم دارد. جایی را لازم داریم تا مقرراتی برای الگوریتم تریدینگ داشته باشد. حتی در کشورهایی که رگولیشن‌های مالی خیلی سفت‌و‌سختی دارند، باز هم معاملات الگوریتمی مشکلاتی ایجاد کرده است. مثلا در سال 2010 در آمریکا شاهد فلش‌کرش بودیم که فارسی آن در خاطرم نیست. در 38 دقیقه حدود یک تریلیون دلار پول ناپدید شد! می‌گویند به خاطر همین الگوریتم تریدینگ این اتفاق افتاده است؛ به‌طوری‌که الگوریتم‌ها در زمان کوتاهی شروع کردند به معاملات غیرمنطقی، البته غیرمنطقی برای ما به‌عنوان ناظر انسانی و یک‌دفعه یک تریلیون دلار افت شدید را در 38 دقیقه شاهد بودیم. این موضوع در تاریخچه بورس خیلی معروف است و متهم اصلی آن الگوریتم تریدینگ بوده. بعد از آن دستورالعمل‌های سفت و سخت‌تری را تعیین کردند که چنین اتفاقی در بازارهای مالی آمریکا نیفتد. تا جایی که من می‌دانم، در ایران مطالعه خیلی دقیقی روی رگولیشن صورت نگرفته است. به‌ویژه آنکه مقررات را نمی‌توان از بازارهای خارجی کپی کرد. بازار بورس ما یک‌سری ویژگی‌های منحصر‌به‌فرد دارد که رگولیشن‌های خاص
خودش را لازم دارد.
به جز کیفیت داده و نبود دستورالعمل دیگر چه مشکلاتی وجود دارد؟
مشکل دیگری که می‌توان به آن اشاره کرد، این است که هوش مصنوعی روی بازاری که منطقی رفتار می‌کند، جواب می‌دهد؛ بازاری که یک‌سری پترن‌ها و الگو‌ها در آن وجود دارد. مطالعاتی که انجام شده، نشان می‌دهد در یک بازار غیرمنطقی ممکن است الگوریتم‌ها کلا جواب ندهند. حالا اینکه آیا بورس ما جزء بازارهای منطقی به حساب می‌آید، استادان مدیریت مالی بهتر می‌توانند پاسخ بدهند؛ اما از نظر من بعید می‌دانم که بازار ما جزء بازارهای منطقی باشد.
کمی از معاملات الگوریتمی فاصله بگیریم. در ایران چقدر تا آن روز فاصله داریم که بانک‌های مجازی جایگزین بانک‌های کلاسیک شوند؟
در این حوزه، بحث آموزش اول است. بانک مجازی وقتی جواب می‌دهد که اکثریت افراد جامعه نسبت به امنیت کار‌کردن با این بانک‌ها اطلاعات کافی داشته باشند. ما در همین بانکداری الکترونیکی معمولی هم اغلب حمله‌هایی که اتفاق می‌افتد، در حوزه فیشینگ است. مردمی که ساده‌تر هستند و سطح سواد کمتری در کار با تکنولوژی دارند، پول‌های زیادی از دست می‌دهند. اگر این اتفاق‌ها بیفتد، من فکر نمی‌کنم مشکلی از نظر فناوری برای اجرای بانک‌های مجازی داشته باشیم. این بانک‌ها انواع سودها را برای ما خواهند داشت. حجم ترافیک و آلودگی را کمتر می‌کنند. پژوهش‌هایی که انجام شده، شکی در مزایای بانک مجازی باقی نگذاشته است. مهم‌ترین بحث همان بحث آموزش است که اکثریت جامعه، این آموزش را ببینند تا بتوانند از یک چنین چیزی استفاده کنند و ضرر مالی نبینند.
پس به اعتقاد شما ما این فناوری را داریم که همین امروز بانک مجازی راه بیندازیم؟
دقیقا. حس نمی‌کنم ما هیچ‌گونه مشکل فناوری در این حوزه داشته باشیم؛ ولی مشکل فرهنگ‌سازی و آموزش مردم را قطعا داریم. مثلا بحث مربوط به سیستم‌های مخابراتی و کامپیوتر باید در مباحث مدرسه هم قرار بگیرد تا اکثریت با آن آشنا شوند. این فقط مشکل ما نیست؛ بلکه مشکلی است که در کشورهای دیگر هم با آن مواجه هستند و در حال کار روی فرهنگ‌سازی هستند.
اخیرا پست پهپادی در ایران راه‌اندازی شده. آیا این کار در ایران به نتیجه می‌رسد؟
پست پهپادی از‌جمله پروژه‌های بلندپروازانه است و ما خیلی مشکلات ابتدایی‌تر داریم که اول باید آنها حل شوند و بعد سراغ چنین مواردی برویم. ایده، ایده خیلی خوبی است و کلی مزایا مثل کاهش ترافیک و آلودگی دارد؛ به‌ویژه در شهر بزرگی مثل تهران، ولی بحث قانون‌گذاری آن مطرح است. همین الان بخواهید از پهپاد در تهران استفاده کنید، باید مجوزهای خاص بگیرید و اینکه اگر من می‌خواستم اولویت‌بندی کنم، برای اینکه در چه پروژه‌هایی هزینه شود، قطعا پست پهپادی در اولویت‌های من نبود.
اولویت اصلی چه چیزی باید باشد؟
زیرساخت اینترنت و شبکه باید در کل کشور وجود داشته باشد. آموزش و فرهنگ‌سازی مردم است که بتوانند از چنین چیزهایی استفاده کنند. رگولیشن دقیق‌تر روی شرکت‌هایی که خرید و فروش آنلاین دارند، باید وجود داشته باشد و بعد از آن برویم سراغ مسائلی مثل پست پهپادی. همچنین یک مطالعه دقیق و جامع لازم است تا ببینیم آیا بهترین راه‌حل برای کشور استفاده از پهپاد برای رساندن بسته‌های پستی است یا نه؟ من حس می‌کنم این طرح صرفا یک کپی از کشورهای خارجی است؛. چون آنها دارند از این امکان استفاده می‌کنند، ما هم به دنبال آن می‌رویم؛ درصورتیکه باید ببینیم آیا از نظر جغرافیایی، فرهنگی و زیرساخت‌های اینترنتی، کشور ما شباهتی با آنها دارد تا بتوانیم از این طرح‌ها استفاده کنیم یا خیر؟ من فکر نمی‌کنم شباهت زیادی وجود داشته باشد.
به زیرساخت شبکه اشاره کردید. آخرین آماری که داریم، نشان می‌دهد مشترکان اینترنت ثابت از جمعیت کشور عبور کرده و ضریب نفوذ اینترنت به 102 درصد رسیده است. به نظر شما این کافی نیست تا ما بیشتر به سراغ اقتصاد دیجیتال برویم؟
این خیلی خوب است و نشان می‌دهد ما تا حد خوبی زیرساخت و تکنولوژی داریم. ضریب نفوذ یک بحث است و نشان می‌دهد اکثریت جامعه دسترسی به اینترنت دارند و در حال استفاده روزانه از آن هستند؛ اما بحث آموزش و سرعت هم مطرح است. مثلا برای معاملات الگوریتمی بحث سرعت اهمیت زیادی پیدا می‌کند. در این حوزه انجام معاملات باید در حد نانوثانیه و میکرو‌ثانیه باشد. با یک چنین سرعتی این الگوریتم‌ها باید اطلاعات را برسانند و معامله را انجام دهند. در حدی بوده که در آمریکا از شیکاگو تا نیویورک یک خط مستقیم فیبر نوری کشیده شده، صرفا برای الگوریتم تریدینگ! یک چنین چیزهایی باید فراهم باشد تا اقتصاد دیجیتال محقق شود. البته من با این موضوع موافق نیستم که ما باید صبر بکنیم تا همه زیرساخت‌ها فراهم شود و بعد از آن سراغ پروژه‌ها برویم؛ بلکه باید با همدیگر پیش بروند؛ یعنی ما در کنار اقتصاد دیجیتال مدام باید روی زیرساخت هم سرمایه‌گذاری بیشتری کنیم و کیفیت آن را افزایش دهیم تا بتوانیم اقتصاد دیجیتال را به جایی برسانیم که سوددهی برایمان داشته باشد.
اگر بخواهیم پروژه‌های مختلفی را که در حوزه هوش مصنوعی اجرا شده، اولویت‌بندی بکنیم، به نظر شما اولویت اصلی ما باید چه پروژه‌هایی باشد؟
جمع‌آوری، تجمیع و استانداردسازی دیتا و یک پروژه مهم دیگر، بحث Open Data، در اولویت هستند. در کشورهای خارجی دیتاهای مختلف را با یک‌سری گمنام‌سازی که به حریم خصوصی افراد آسیب نزند، منتشر می‌کنند. با شفافیت بالا و برقراری عدالت در دسترسی به این اطلاعات، محققان مختلف در حوزه هوش مصنوعی می‌توانند از این داده‌ها استفاده کنند. ما چنین چیزی در کشورمان نداریم. بحث Open Data در کشور ما خیلی‌خیلی محدود است. مؤسسات مالی ما به‌هیچ‌وجه دیتا منتشر نمی‌کنند و این بزرگ‌ترین آسیبی است که وجود دارد. تا وقتی داده نباشد، کسی نمی‌تواند هوش مصنوعی مرتبط با این دیتا را ارائه دهد. در‌حال‌حاضر بحث هوش مصنوعی کلا نداریم. ما کلی متخصص داریم که به شکل تئوری همه چیز را می‌دانند و می‌توانند از آن برای توسعه اقتصاد دیجیتال استفاده بکنند؛ اما بحث اصلی ما اینجا بحث دیتا است. ما تا وقتی داده‌ها را در اختیار نداشته باشیم، عقب هستیم. در‌حال‌حاضر یک‌سری الگوریتم از کشورهای دیگر کپی می‌شود که متناسب با دیتای آن کشور و یک فرهنگ دیگر آماده شده و در نتیجه در ایران جواب نمی‌دهد. بعد می‌گویند هوش مصنوعی در ایران کار نمی‌کند؛ درصورتیکه اصلا این‌طور
نیست. اگر دیتای مناسبی داشته باشیم، هوش مصنوعی
در ایران هم کار می‌کند.
پس به جای اینکه برویم سراغ پروژه‌های خاصی مثل پست پهپادی، معاملات الگوریتمی و بانک مجازی، بهتر است اول روی Big Data کار کنیم؟ مثلا از دیجی‌کالا به‌عنوان بزرگ‌ترین فروشگاه اینترنتی کشور بخواهیم داده‌هایش را در اختیار عموم قرار دهد تا بتوانیم روی آن آنالیز کنیم و هوش مصنوعی راه‌اندازی کنیم؟
دقیقا. این موضوع هم به نفع دیجی‌کالا است و کلی می‌تواند از این موضوع سود کند، هم به نفع کاربران دیجی‌کالا است و هم به شفافیت کمک می‌کند و بعدها می‌توان روی این داده‌ها هوش مصنوعی ساخت. تا وقتی که شفافیت و Open Data وجود نداشته باشد، هوش مصنوعی و ماشین لرنینگ در کشور ما جواب نخواهد داد.
یک سؤال متفاوتتر داشتم. شما در حوزه رمز‌ارزها خیلی کار کرده‌اید. به نظر شما چشم‌انداز ارز دیجیتال طوری است که بتواند جایگزین ارز رایج کشورها بشود؟
به نظر من بله. به‌عنوان کسی که در این حوزه پژوهش می‌کند، می‌گویم آینده از آنِ ارزهای دیجیتال است و شاید پول‌های رایج کشورها به‌مرور منسوخ شوند. این حوزه خوبی خیلی بزرگی که دارد، این است که یک کشور نمی‌تواند کل بازارهای جهانی را کنترل کند. این موضوع حریم خصوصی افراد را بیشتر حفظ می‌کند. همچنین ارزهای دیجیتال مشکلاتی ایجاد می‌کند که به خاطر آن خیلی از کشورها علاقه‌ای ندارند که اجازه دهند ارز دیجیتال جایگزین ارز رایج کشورشان شود.
مشکل بزرگ آن گمنامی است که از یک طرف برای کاربران بهتر است و دوست دارند کسی متوجه نشود که آنها پول‌شان را کجا خرج کردند و از طرف دیگر بحث پول‌شویی ایجاد می‌شود. اگر نتوانید پول را دنبال کنید، نمی‌توانید با یک‌سری جرائم مقابله کنید. مثلا وب‌سایت سیلکرود در سال 2013 تأسیس شده بود. این سایت با بیت‌کوین و شبکه تور یک دارک‌وب راه انداخت که در آن بازاری برای خرید و فروش مواد مخدر ایجاد شد. از‌آنجا‌که نمی‌شد جابه‌جایی پول را پیگیری کرد، هیچ‌کس نمی‌توانست منبع و مقصد را پیدا کند. از طریق این سایت به مدت یک سال یک میلیارد دلار مواد مخدر با ارزهای دیجیتال خرید و فروش شد. یک چنین مشکلاتی ممکن است ایجاد شود و برای همین کشورها علاقه‌ای ندارند که اجازه دهند چنین خرید و فروش‌هایی با ارز دیجیتال انجام شود. اگر بتوانیم چنین مشکلاتی را با استفاده از فناوری‌های دیگر حل کنیم، فکر می‌کنم آینده به سمتی خواهد رفت که ارز دیجیتال جایگزین ارز رایج کشورها شود.
به جز گمنامی دیگر چه مشکلاتی در حوزه ارز دیجیتال وجود دارد؟
مشکل دیگر ارز دیجیتال نوسانات بالای آنهاست. ارزهای رایج از طرف بانک مرکزی کشورها کنترل می‌شود و جلوی نوسانات گرفته می‌شود؛ اما ارزهای دیجیتال این‌طور نیستند. مثلا بیت‌کوین در سال 2018 تا 20 هزار دلار رفت و بعد سقوط شدیدی داشت و به سه هزار دلار رسید و این روزها به 48 هزار دلار افزایش پیدا کرده است. کل اقتصاد یک کشور را نمی‌توان بر مبنای چنین ارزهای پرنوسانی گذاشت. از طرف دیگر ارزهایی مثل تتر هستند که هر واحد این ارز دیجیتال همیشه معادل یک دلار آمریکا است و نوسانی ندارد.
تتر به جز اینکه گمنام است، چه مشکلاتی دارد؟
همین گمنامی باعث می‌شود تراکنش‌هایی که انجام می‌شود قابل پیگیری نباشد. مثلا شما وقتی از یک حساب بانکی به یک حساب دیگر پول دزدیده می‌شود، حساب مقصد را می‌شناسید و می‌توانید سراغ او بروید تا ببینید چه کسی است. آنهایی که حرفه‌ای هستند، پول را بین حساب‌های مختلف می‌چرخانند تا پیگیری آن سخت‌تر شود؛ اما در ارزهای دیجیتال پولی که دزدیده شده، دیگر در دسترس نیست.
حتی کسانی رمز کیف‌پول خود را گم کرده‌اند... .
بله، اگر رمز ولت گم بشود، دیگر دسترسی به آن ندارند. مثلا موردی داریم که صاحب یک صرافی کانادایی ارز دیجیتال در سفر به هند فوت کرد و هیچ‌کس دیگری رمز حساب‌های مربوط به این صرافی را نداشت و کل پولی که در این صرافی بود، یک‌شبه ناپدید شده است.
اگر اقتصاد دیجیتال بر پایه هوش مصنوعی را صد مرحله در نظر بگیریم، در ایران چند درصد پیشرفت لازم محقق شده؟ آیا می‌توانیم بگوییم پنج درصد راه را رفته‌ایم؟
بله، به نظر من حتی می‌توانیم بگوییم بیشتر هم انجام شده است؛ ولی اقتصاد دیجیتال در آینده بدون هوش مصنوعی بی‌معنا خواهد بود. تعریف اقتصاد دیجیتال می‌شود اقتصادی که بر مبنای هوش مصنوعی باشد؛ ولی وقتی هوش مصنوعی را کامل سراغش نرویم و در اقتصاد دیجیتال اجرا نکنیم، نمی‌توانیم بگوییم به جای خیلی خوبی در حوزه اقتصاد دیجیتال رسیده‌ایم.
به نظر شما تا حالا هوش مصنوعی را در اقتصاد دیجیتال اجرا نکرده‌ایم؟
نه، اجرا نکرده‌ایم. تا حدی سراغ یک‌سری چیزهایی رفته‌اند. مثلا می‌دانم که بانک‌ها تا حدی برای Froud Detection سراغ هوش مصنوعی رفته‌اند؛ ولی مثلا در حوزه‌هایی مثل الگوریتم تریدینگ خیلی عقب هستیم. رفتیم سراغ آنها اما این‌طور نیست که کلی شرکت داشته باشیم که از الگوریتم تریدینگ استفاده می‌کنند و الگوریتم آنها اکوسیستمی تشکیل داده‌اند؛ مثل اتفاقی که در آمریکا افتاده. با این اهداف خیلی فاصله داریم.
دقیقا یکی از سؤالاتی که می‌خواستم بپرسم، درباره همین تراکنش‌های متقلبانه یا Froud Detection بود. هوش مصنوعی چطور می‌تواند جلوی کلاهبرداری و پول‌شویی را بگیرد؟
باز برمی‌گردیم به همان دیتا؛ چراکه هر بحثی از‌جمله تراکنش‌های کلاهبرداری نهایتا به داده بستگی خواهد داشت. تا زمانی که داده‌های باکیفیت برچسب‌خورده نداشته باشیم، نمی‌توانیم سیستم فراد دیتکشن مبتنی بر هوش مصنوعی درست و حسابی داشته باشیم.
فراد دیتکشن چطور کار می‌کند؟
هوش مصنوعی تراکنش‌ها را بررسی می‌کند تا ببیند کدام تراکنش متقلبانه بوده. ما باید تعداد زیادی از دیتاهای برچسب‌خورده داشته باشیم تا بدانیم مشکلی داشته‌اند تا بتوانیم آنها را در هوش مصنوعی ثبت کنیم و تبدیل به یک مدل فراد دیتکشن کنیم که می‌توان از آن استفاده کرد. بانک‌ها و مؤسسات مالی ما دیتای برچسب‌خورده متقلبانه دارند؛ اما آن را به اشتراک نمی‌گذارند و بانک‌ها هم با همدیگر این کار را انجام نمی‌دهند. درصورتیکه اگر هم بیایند دیتاهای خود را کنار هم بگذارند، یک مجموعه بزرگی به وجود می‌آید که می‌توان سیستم فراد دیتکشن بسیار قوی‌تری با آن ساخت که بتواند موارد پیچیده‌تر را پیدا کند. فراد دیتکشن هنوز هم تا حدی به صورت انسانی و دستی انجام می‌شود. فقط بحث بانک‌ها نیست و من دیده‌ام در مؤسسات دیگری مثل بیمه این بحث بسیار اهمیت دارد. بیمه‌ها در سراسر جهان پول زیادی را به خاطر نبود چنین سامانه‌ای از دست می‌دهند و خیلی دوست دارند جلوی چنین اتفاقاتی را بگیرند. حتی همین شرکت‌های تاکسی اینترنتی خودمان هم این مشکل را دارند. انواع فراد در آنها اتفاق می‌افتد، مثلا راننده مسافر را سوار می‌کند؛ اما به شرکت اطلاع نمی‌دهد تا
کمیسیونی نپردازد. شرکت باید اینها را تشخیص بدهد و جلویش را بگیرد. شرکت‌های اینترنتی ما جلوتر هستند و من بشخصه پروژه فراد دیتکشن با آنها انجام دادم و می‌دانم آنها الگوریتم مبتنی بر هوش مصنوعی برای شناسایی تراکنش‌های کلاهبرداری دارند و بعد از آن یک‌سری کارشناس هم آنها را بررسی می‌کنند تا ببینند آیا این تراکنش کلاهبرداری بوده یا نه.
مثالی می‌زنم درباره همین مبحث تراکنش‌های کلاهبردارانه، شما بگویید درست است؟ مثلا هوش مصنوعی تراکنش‌های مختلف یک حساب بانکی در طور دوره یک‌ساله را بررسی می‌کند و می‌بیند در یک هفته خاص کلی پول به حساب آمده و بلافاصله از آن خارج شده. هوش مصنوعی به طور اتوماتیک این تراکنش را تشخیص داده و به آن به‌عنوان تراکنش کلاهبرداری مظنون می‌شود. آیا این مثال می‌تواند در حوزه فراد دیتکشن قرار بگیرد؟
بله، ما برای تراکنش‌هایی از این دست پترن‌ها و الگوهای شناخته‌شده‌ای داریم. مثلا یک پترن سرکولار هست که شما پول خود را به حساب منتقل می‌کنید، آن حساب به یک حساب دیگر و پول همین‌طور می‌چرخد و نهایتا به حساب خودتان برمی‌گردد. اینها پترن‌های رایج پول‌شویی هستند که با یک‌سری قاعده می‌توان آنها را استخراج کرد و آنها را بررسی کرد؛ ولی هوش مصنوعی به ما کمک می‌کند یک‌سری پترن‌های پیچیده‌تری را که ما اصلا از آن خبر نداریم، شناسایی کند. مثلا موردی برای یک بانک دیده بودیم، صد نفر بودند که اول هر ماه هر‌کدام‌شان به حساب 99 نفر دیگر پول واریز می‌کرد! با هر کارشناس بانکی که صحبت می‌کردیم، چنین چیزی برایش عجیب بود. هیچ‌کس چنین الگویی را ندیده بود. در نهایت معلوم شد نوعی پول‌شویی بوده است. چنین چیزهایی را یک کارشناس انسانی نمی‌تواند پیدا کند؛ به‌ویژه در حجم دیتای خیلی زیاد، انگار داریم دنبال یک سوزن در انبار کاه می‌گردیم. این سوزن را هوش مصنوعی می‌تواند به‌راحتی برایمان پیدا کند.
به‌عنوان مبحث پایانی، ما همه می‌دانیم که هوش مصنوعی می‌تواند خیلی از کارهای ما را راه بیندازد و ساده کند؛ اما معضلی که می‌تواند داشته باشد، این است که هوش مصنوعی جلوی اشتغال را بگیرد. چطور می‌توان این چالش را برطرف کرد؟
این یک نگرانی جهانی است که بحث‌های فلسفی خیلی زیادی روی آن انجام شده. فلسفه اخلاق در هوش مصنوعی خیلی شدید به این موضوع پرداخته‌اند. یکی از جواب‌ها این است که هوش مصنوعی خودش مشاغل جدید ایجاد می‌کند برای کسانی که هوش مصنوعی را تهیه و پشتیبانی می‌کنند. صرفا جنس شغل تغییر می‌کند. هوش مصنوعی باعث از‌بین‌رفتن خیلی شغل‌ها می‌شود؛ اما از آن طرف شغل‌هایی مثل مهندسی نرم‌افزار ایجاد می‌شود. مورد دیگری که بحث آن در کشورهای پیشرفته‌تر داغ است، این است که می‌گویند هوش مصنوعی تولید ثروت می‌کند. از این ثروتی که تولید شده، می‌شود به افرادی که بی‌کار شده‌اند، حقوق بی‌کاری پرداخت کرد. در بحث General Income گفته می‌شود باید تمام مردم جامعه یک درآمد حداقلی داشته باشند. هوش مصنوعی می‌تواند این درآمد حداقلی را افزایش دهد. حالا احتمالا در حد آرزو باشد؛ اما این بحث مطرح است که شاید در آینده کل کارها را بر‌عهده هوش مصنوعی بگذاریم و انسان‌ها تنها از درآمد آنها استفاده می‌کنند و نیازی به کار‌کردن وجود نخواهد داشت.
ولی هر دو موردی که برای رفع نگرانی عنوان کردید، خودشان نگرانی محسوب می‌شوند... .
[خنده] موافقم. این بحث که انسان‌ها اگر کار نداشته باشند، چه رفتاری از آنها سر می‌زند، خودش بحث دیگری است.
گفتید هوش مصنوعی شغل جدید ایجاد می‌کند؛ اما یک شغلی که به واسطه هوش مصنوعی ایجاد می‌شود، می‌تواند ده‌ها شغل دیگر را از بین ببرد. چطور می‌توان این نگرانی را حل کرد؟
این نگرانی وجود دارد و فقط محدود به کشور ما نیست و این نگرانی در کشورهایی که هوش مصنوعی در آنها توسعه بیشتری پیدا کرده، شدیدتر است. این موضوع جدیدی نیست و حتی در آثار ساینس فیکشن قرن گذشته هم پیش‌بینی می‌کردند ربات‌ها یا هوش مصنوعی می‌آید و جای انسان‌ها را می‌گیرد و این موجب بی‌کاری می‌شود و تهدید به حساب می‌آید. به نظر من باز هم این جدی‌ترین مشکل نیست.
چه مشکلی می‌تواند جدی‌تر از حذف مشاغل باشد؟
مشکل اصلی‌تر خطایی است که هوش مصنوعی دارد. مثلا در آمریکا وزارت دادگستری و خیلی از قاضی‌ها از هوش مصنوعی برای تصمیم‌گیری راجع به میزان محکومیت یک متهم استفاده می‌کنند. این میزان محکومیت بر‌اساس یک‌سری ویژگی‌هایی که هر فرد دارد توسط هوش مصنوعی تصمیم‌گیری می‌شود. مثلا یکی از این ویژگی‌ها نژاد است؛ چون به صورت تاریخی سیاه‌پوستان بیشتری محکوم شده بودند، این الگوریتم دچار خطا شده و برای سیاه‌پوستان محکومیت سنگین‌تری در نظر می‌گیرد؛ چراکه امکان وقوع جرم را برای آنها بالاتر می‌داند. انگار الگوریتمی داریم که یاد گرفته یک عمل نژادپرستانه انجام بدهد. اینکه کل اختیار را به یک هوش مصنوعی واگذار کنیم که بیاید و از داده‌های ما الگویی را یاد بگیرد که ما نمی‌دانیم چیست، این به خودی خود می‌تواند باعث بروز یک‌سری مشکلات شود. این به نظر من مشکل جدی‌تری است که در آینده در بحث هوش با آنها مواجه خواهیم بود.
اصطلاحاتی که در این گفت‌وگو می‌خوانید
معاملات الگوریتمی یا الگوریتم تریدینگ معاملاتی هستند که در بازارهای مالی مختلف از‌جمله بازار سهام، ارزهای دیجیتال، جفت‌ارزها و... توسط هوش مصنوعی و از طریق بررسی الگوی تغییرات قیمت‌ها در گذشته و تحلیل تکنیکال انجام می‌شوند.
پروپگیشن خطایی است که رفته‌رفته بزرگ‌تر می‌شود.
دایورسیفیکیشن (Diversification) به معنای تنوع است.
پریپراسسینگ یا پیش‌آزمون روشی برای ارزیابی داده‌های جمع‌آوری‌شده است. در این روش قبل استفاده از داده‌ها برای تعیین الگوهای هوش مصنوعی، داده‌ها مورد آزمون قرار می‌گیرند.
ماشین لرنینگ از زیرمجموعه‌های دانش هوش مصنوعی است که در آن برنامه‌ای نوشته می‌شود که خودش بتواند خودش را تقویت کرده و آموزش ببیند.
رگولیشن یا تنظیم مقررات به کل قوانین و دستورالعمل‌هایی که در یک حوزه تدوین شده، گفته می‌شود.
فلش کرش یک بازار مالی است. اصطلاحا به این معنا است که در مدت بسیار کوتاهی شاهد سقوط شاخص‌ها باشیم.
پترن یا الگو مواردی هستند که هوش مصنوعی با مشاهده آنها در گذشته، می‌تواند آینده را پیش‌بینی کند. برای مثال اگر همیشه هنگام باران آفتاب دربیاید و رنگین‌کمان تشکیل شود، هوش مصنوعی می‌تواند تشکیل رنگین‌کمان در زمان طلوع آفتاب در هوای بارانی را پیش‌بینی کند.
احمدرضا نجفی : ربات‌های قرن 21 برخلاف تصور گذشتگان ما هیچ شباهتی با آدم آهنی‌ها ندارند. آنها بدون وجود خارجی و صرفا با چند رشته کد دنیای امروز ما را تحت تأثیر قرار داده‌اند و قرار است آینده اقتصادمان را بسازند. آن‌طور که بهنام بهرک، عضو هیئت علمی و استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران می‌گوید، در قرن پیش‌رو هوش مصنوعی حرف اول و آخر را در تحقق اقتصاد دیجیتال خواهد زد. او که از استادان رشته هوش مصنوعی است، در حوزه‌های مختلفی از‌جمله معاملات الگوریتمی کار کرده. کرونا اجازه نداد او را از نزدیک ببینیم؛ اما همان گفت‌وگوی تلفنی که بیش از 40 دقیقه طول کشید، به اندازه 20 واحد درس دانشگاهی برایمان آموزه‌های جدید داشت و فهمیدیم یک رشته کد نوشته‌شده توسط مهندسان کامپیوتر تا چه حد می‌تواند نژادپرست باشد! در این گفت‌وگو از او درباره مسائل مختلفی مانند تأثیرات فناوری‌های نوین از‌جمله هوش مصنوعی در اقتصاد دیجیتال پرسیدیم.
یک نمونه از اثرات هوش مصنوعی که اخیرا شاهد آن بودیم، معاملات الگوریتمی در بورس است؛ اما این معاملات چطور می‌توانند سوددهی داشته باشند؟
معاملات الگوریتمی کاملا مورد جا‌افتاده‌ای در جهان به حساب می‌آید و در ایران هم چند شرکت تا اینجای کار موفق به دریافت مجوز شده‌اند. یکی از مزیت‌های خیلی بزرگ آن این است که جلوی معاملات احساسی را می‌گیرد. ما شاهد هستیم که در بازار بورس مردم خیلی احساسی تصمیم می‌گیرند که چه چیزی را بخرند و چه چیزی را بفروشند و اینکه همه نگاه می‌کنند بقیه چه می‌کنند تا همان کار را انجام دهند. این موضوع باعث بروز خطاهای زیادی می‌شود و اصطلاحا باعث می‌شود پروپگیشن داشته باشیم. معاملات الگوریتمی می‌تواند جلوی این‌طور هیجانات را تا حد زیادی بگیرد. یک مزیت بزرگ دیگر آن دایورسیفیکیشن است. شما اگر ببینید، اکثر مردم سراغ یک‌سری سهام خیلی شناخته‌شده می‌روند و آنها را برای خرید و فروش مد‌نظر قرار می‌دهند؛ در‌حالی‌که هوش مصنوعی می‌تواند کل بازار را ببیند و با کلی استراتژی موازی همه سهم‌ها را با یکدیگر مانیتور کرده و تصمیم بگیرد خرید چه چیزی برای او بهتر است. چیزی که از عهده یک انسان برنمی‌آید.
معاملات الگوریتمی در کشور ما تا چه حد قابل اجرا است؟
معاملات الگوریتمی یک‌سری ملزومات دارد که ما بخشی از آن را داریم و یک بخش را نه. بزرگ‌ترین لازمه آن فناوری است. اینکه به اندازه کافی کارشناس و کسانی که بازار را بشناسند، داشته باشیم و همچنین زیرساخت مناسب هم برای انجام این کار وجود داشته باشد؛ از‌جمله اینترنت پرسرعت، نداشتن تأخیر و از این جنس. به نظر من در این بخش مشکلی نداریم. از نظر فناوری در حدی هستیم که بتوانیم کارهای مربوط به الگوریتم تریدینگ را انجام دهیم؛ اما چند مشکل بزرگ در کشور داریم که شاید باعث شوند معاملات الگوریتمی نه‌تنها سودی نداشته باشد؛ بلکه حتی ضرر کنیم.
این مشکلات چه چیزهایی هستند؟
مشکل اول دیتا و کیفیت دیتا است. در بحث هوش مصنوعی می‌گوییم کیفیت داده‌ها از خود الگوریتمی که برای پیش‌بینی استفاده می‌شود، اهمیت بیشتری دارد. اصطلاحا می‌گوییم الگوریتم‌ها Garbage in-Garbage out هستند؛ یعنی اگر داخل آنها آشغال بریزیم، آشغال تحویل خواهیم گرفت و انتظار معجزه نباید داشته باشیم. ما دیتایی که به صورت تاریخی در بازار بورس داریم، داده‌های تمیزی نیست و کیفیت بالایی هم ندارد. حتی قسمت‌هایی از آن کلا Missing Value هست و هیچ مقداری برایش وجود ندارد، یک‌سری قسمت‌ها ناپدید شده و دیتای هماهنگ نداریم. چند منبع مختلف هر‌کدام یک دیتا را می‌دهند و از این قبیل... .
منظور شما از کیفیت داده دقیقا چیست؟ ما تاریخچه معاملات تمام نمادها را داریم و همه این داده‌ها را شرکت مدیریت فناوری بورس در اختیار همه قرار می‌دهد. چه چیزی در بازارهای مالی خارجی وجود دارد که ما آن را نداریم؟
یکی از بحث‌های کیفیت داده، هماهنگی است. در چند سال اخیر هماهنگی قابل قبولی به وجود آمده. برای معاملات الگوریتمی لازم است کل تاریخ معاملات بورس را داشته باشیم. دیتاهای قدیمی ما کیفیت لازم را ندارد. در قسمت‌هایی از یک‌سری نمادها هیچ دیتایی وجود ندارد و در یک‌سری ساعت‌ها اصلا معامله‌ای ثبت نشده است. قسمت‌هایی از این دیتایی که الان سازمان بورس منتشر می‌کند، حذف شده، ثبت نشده یا به هر دلیل پاک شده است. این قسمت‌ها ممکن است مشکل ایجاد کند. کسانی که روی این دیتاها کار کرده‌اند، شاید بهتر بتوانند نظر بدهند؛ اما بحث کیفیت دیتا فقط بحث ایران نیست و کیفیت داده در هر منبعی که ببینید، برای بحث الگوریتم تریدینگ حتی در کشورهای دیگر هم مطرح است و هر چقدر بازار بزرگ‌تر باشد، چنین مشکلی شدیدتر خواهد بود.
علاوه بر کیفیت دیگر چه مشکلاتی وجود دارد؟
مشکل دیگری که داریم، بحث رگولیشن است. الگوریتم تریدینگ، رگولیشن یا تنظیم مقررات خاص خودش را لازم دارد. جایی را لازم داریم تا مقرراتی برای الگوریتم تریدینگ داشته باشد. حتی در کشورهایی که رگولیشن‌های مالی خیلی سفت‌و‌سختی دارند، باز هم معاملات الگوریتمی مشکلاتی ایجاد کرده است. مثلا در سال 2010 در آمریکا شاهد فلش‌کرش بودیم که فارسی آن در خاطرم نیست. در 38 دقیقه حدود یک تریلیون دلار پول ناپدید شد! می‌گویند به خاطر همین الگوریتم تریدینگ این اتفاق افتاده است؛ به‌طوری‌که الگوریتم‌ها در زمان کوتاهی شروع کردند به معاملات غیرمنطقی، البته غیرمنطقی برای ما به‌عنوان ناظر انسانی و یک‌دفعه یک تریلیون دلار افت شدید را در 38 دقیقه شاهد بودیم. این موضوع در تاریخچه بورس خیلی معروف است و متهم اصلی آن الگوریتم تریدینگ بوده. بعد از آن دستورالعمل‌های سفت و سخت‌تری را تعیین کردند که چنین اتفاقی در بازارهای مالی آمریکا نیفتد. تا جایی که من می‌دانم، در ایران مطالعه خیلی دقیقی روی رگولیشن صورت نگرفته است. به‌ویژه آنکه مقررات را نمی‌توان از بازارهای خارجی کپی کرد. بازار بورس ما یک‌سری ویژگی‌های منحصر‌به‌فرد دارد که رگولیشن‌های خاص
خودش را لازم دارد.
به جز کیفیت داده و نبود دستورالعمل دیگر چه مشکلاتی وجود دارد؟
مشکل دیگری که می‌توان به آن اشاره کرد، این است که هوش مصنوعی روی بازاری که منطقی رفتار می‌کند، جواب می‌دهد؛ بازاری که یک‌سری پترن‌ها و الگو‌ها در آن وجود دارد. مطالعاتی که انجام شده، نشان می‌دهد در یک بازار غیرمنطقی ممکن است الگوریتم‌ها کلا جواب ندهند. حالا اینکه آیا بورس ما جزء بازارهای منطقی به حساب می‌آید، استادان مدیریت مالی بهتر می‌توانند پاسخ بدهند؛ اما از نظر من بعید می‌دانم که بازار ما جزء بازارهای منطقی باشد.
کمی از معاملات الگوریتمی فاصله بگیریم. در ایران چقدر تا آن روز فاصله داریم که بانک‌های مجازی جایگزین بانک‌های کلاسیک شوند؟
در این حوزه، بحث آموزش اول است. بانک مجازی وقتی جواب می‌دهد که اکثریت افراد جامعه نسبت به امنیت کار‌کردن با این بانک‌ها اطلاعات کافی داشته باشند. ما در همین بانکداری الکترونیکی معمولی هم اغلب حمله‌هایی که اتفاق می‌افتد، در حوزه فیشینگ است. مردمی که ساده‌تر هستند و سطح سواد کمتری در کار با تکنولوژی دارند، پول‌های زیادی از دست می‌دهند. اگر این اتفاق‌ها بیفتد، من فکر نمی‌کنم مشکلی از نظر فناوری برای اجرای بانک‌های مجازی داشته باشیم. این بانک‌ها انواع سودها را برای ما خواهند داشت. حجم ترافیک و آلودگی را کمتر می‌کنند. پژوهش‌هایی که انجام شده، شکی در مزایای بانک مجازی باقی نگذاشته است. مهم‌ترین بحث همان بحث آموزش است که اکثریت جامعه، این آموزش را ببینند تا بتوانند از یک چنین چیزی استفاده کنند و ضرر مالی نبینند.
پس به اعتقاد شما ما این فناوری را داریم که همین امروز بانک مجازی راه بیندازیم؟
دقیقا. حس نمی‌کنم ما هیچ‌گونه مشکل فناوری در این حوزه داشته باشیم؛ ولی مشکل فرهنگ‌سازی و آموزش مردم را قطعا داریم. مثلا بحث مربوط به سیستم‌های مخابراتی و کامپیوتر باید در مباحث مدرسه هم قرار بگیرد تا اکثریت با آن آشنا شوند. این فقط مشکل ما نیست؛ بلکه مشکلی است که در کشورهای دیگر هم با آن مواجه هستند و در حال کار روی فرهنگ‌سازی هستند.
اخیرا پست پهپادی در ایران راه‌اندازی شده. آیا این کار در ایران به نتیجه می‌رسد؟
پست پهپادی از‌جمله پروژه‌های بلندپروازانه است و ما خیلی مشکلات ابتدایی‌تر داریم که اول باید آنها حل شوند و بعد سراغ چنین مواردی برویم. ایده، ایده خیلی خوبی است و کلی مزایا مثل کاهش ترافیک و آلودگی دارد؛ به‌ویژه در شهر بزرگی مثل تهران، ولی بحث قانون‌گذاری آن مطرح است. همین الان بخواهید از پهپاد در تهران استفاده کنید، باید مجوزهای خاص بگیرید و اینکه اگر من می‌خواستم اولویت‌بندی کنم، برای اینکه در چه پروژه‌هایی هزینه شود، قطعا پست پهپادی در اولویت‌های من نبود.
اولویت اصلی چه چیزی باید باشد؟
زیرساخت اینترنت و شبکه باید در کل کشور وجود داشته باشد. آموزش و فرهنگ‌سازی مردم است که بتوانند از چنین چیزهایی استفاده کنند. رگولیشن دقیق‌تر روی شرکت‌هایی که خرید و فروش آنلاین دارند، باید وجود داشته باشد و بعد از آن برویم سراغ مسائلی مثل پست پهپادی. همچنین یک مطالعه دقیق و جامع لازم است تا ببینیم آیا بهترین راه‌حل برای کشور استفاده از پهپاد برای رساندن بسته‌های پستی است یا نه؟ من حس می‌کنم این طرح صرفا یک کپی از کشورهای خارجی است؛. چون آنها دارند از این امکان استفاده می‌کنند، ما هم به دنبال آن می‌رویم؛ درصورتیکه باید ببینیم آیا از نظر جغرافیایی، فرهنگی و زیرساخت‌های اینترنتی، کشور ما شباهتی با آنها دارد تا بتوانیم از این طرح‌ها استفاده کنیم یا خیر؟ من فکر نمی‌کنم شباهت زیادی وجود داشته باشد.
به زیرساخت شبکه اشاره کردید. آخرین آماری که داریم، نشان می‌دهد مشترکان اینترنت ثابت از جمعیت کشور عبور کرده و ضریب نفوذ اینترنت به 102 درصد رسیده است. به نظر شما این کافی نیست تا ما بیشتر به سراغ اقتصاد دیجیتال برویم؟
این خیلی خوب است و نشان می‌دهد ما تا حد خوبی زیرساخت و تکنولوژی داریم. ضریب نفوذ یک بحث است و نشان می‌دهد اکثریت جامعه دسترسی به اینترنت دارند و در حال استفاده روزانه از آن هستند؛ اما بحث آموزش و سرعت هم مطرح است. مثلا برای معاملات الگوریتمی بحث سرعت اهمیت زیادی پیدا می‌کند. در این حوزه انجام معاملات باید در حد نانوثانیه و میکرو‌ثانیه باشد. با یک چنین سرعتی این الگوریتم‌ها باید اطلاعات را برسانند و معامله را انجام دهند. در حدی بوده که در آمریکا از شیکاگو تا نیویورک یک خط مستقیم فیبر نوری کشیده شده، صرفا برای الگوریتم تریدینگ! یک چنین چیزهایی باید فراهم باشد تا اقتصاد دیجیتال محقق شود. البته من با این موضوع موافق نیستم که ما باید صبر بکنیم تا همه زیرساخت‌ها فراهم شود و بعد از آن سراغ پروژه‌ها برویم؛ بلکه باید با همدیگر پیش بروند؛ یعنی ما در کنار اقتصاد دیجیتال مدام باید روی زیرساخت هم سرمایه‌گذاری بیشتری کنیم و کیفیت آن را افزایش دهیم تا بتوانیم اقتصاد دیجیتال را به جایی برسانیم که سوددهی برایمان داشته باشد.
اگر بخواهیم پروژه‌های مختلفی را که در حوزه هوش مصنوعی اجرا شده، اولویت‌بندی بکنیم، به نظر شما اولویت اصلی ما باید چه پروژه‌هایی باشد؟
جمع‌آوری، تجمیع و استانداردسازی دیتا و یک پروژه مهم دیگر، بحث Open Data، در اولویت هستند. در کشورهای خارجی دیتاهای مختلف را با یک‌سری گمنام‌سازی که به حریم خصوصی افراد آسیب نزند، منتشر می‌کنند. با شفافیت بالا و برقراری عدالت در دسترسی به این اطلاعات، محققان مختلف در حوزه هوش مصنوعی می‌توانند از این داده‌ها استفاده کنند. ما چنین چیزی در کشورمان نداریم. بحث Open Data در کشور ما خیلی‌خیلی محدود است. مؤسسات مالی ما به‌هیچ‌وجه دیتا منتشر نمی‌کنند و این بزرگ‌ترین آسیبی است که وجود دارد. تا وقتی داده نباشد، کسی نمی‌تواند هوش مصنوعی مرتبط با این دیتا را ارائه دهد. در‌حال‌حاضر بحث هوش مصنوعی کلا نداریم. ما کلی متخصص داریم که به شکل تئوری همه چیز را می‌دانند و می‌توانند از آن برای توسعه اقتصاد دیجیتال استفاده بکنند؛ اما بحث اصلی ما اینجا بحث دیتا است. ما تا وقتی داده‌ها را در اختیار نداشته باشیم، عقب هستیم. در‌حال‌حاضر یک‌سری الگوریتم از کشورهای دیگر کپی می‌شود که متناسب با دیتای آن کشور و یک فرهنگ دیگر آماده شده و در نتیجه در ایران جواب نمی‌دهد. بعد می‌گویند هوش مصنوعی در ایران کار نمی‌کند؛ درصورتیکه اصلا این‌طور
نیست. اگر دیتای مناسبی داشته باشیم، هوش مصنوعی
در ایران هم کار می‌کند.
پس به جای اینکه برویم سراغ پروژه‌های خاصی مثل پست پهپادی، معاملات الگوریتمی و بانک مجازی، بهتر است اول روی Big Data کار کنیم؟ مثلا از دیجی‌کالا به‌عنوان بزرگ‌ترین فروشگاه اینترنتی کشور بخواهیم داده‌هایش را در اختیار عموم قرار دهد تا بتوانیم روی آن آنالیز کنیم و هوش مصنوعی راه‌اندازی کنیم؟
دقیقا. این موضوع هم به نفع دیجی‌کالا است و کلی می‌تواند از این موضوع سود کند، هم به نفع کاربران دیجی‌کالا است و هم به شفافیت کمک می‌کند و بعدها می‌توان روی این داده‌ها هوش مصنوعی ساخت. تا وقتی که شفافیت و Open Data وجود نداشته باشد، هوش مصنوعی و ماشین لرنینگ در کشور ما جواب نخواهد داد.
یک سؤال متفاوتتر داشتم. شما در حوزه رمز‌ارزها خیلی کار کرده‌اید. به نظر شما چشم‌انداز ارز دیجیتال طوری است که بتواند جایگزین ارز رایج کشورها بشود؟
به نظر من بله. به‌عنوان کسی که در این حوزه پژوهش می‌کند، می‌گویم آینده از آنِ ارزهای دیجیتال است و شاید پول‌های رایج کشورها به‌مرور منسوخ شوند. این حوزه خوبی خیلی بزرگی که دارد، این است که یک کشور نمی‌تواند کل بازارهای جهانی را کنترل کند. این موضوع حریم خصوصی افراد را بیشتر حفظ می‌کند. همچنین ارزهای دیجیتال مشکلاتی ایجاد می‌کند که به خاطر آن خیلی از کشورها علاقه‌ای ندارند که اجازه دهند ارز دیجیتال جایگزین ارز رایج کشورشان شود.
مشکل بزرگ آن گمنامی است که از یک طرف برای کاربران بهتر است و دوست دارند کسی متوجه نشود که آنها پول‌شان را کجا خرج کردند و از طرف دیگر بحث پول‌شویی ایجاد می‌شود. اگر نتوانید پول را دنبال کنید، نمی‌توانید با یک‌سری جرائم مقابله کنید. مثلا وب‌سایت سیلکرود در سال 2013 تأسیس شده بود. این سایت با بیت‌کوین و شبکه تور یک دارک‌وب راه انداخت که در آن بازاری برای خرید و فروش مواد مخدر ایجاد شد. از‌آنجا‌که نمی‌شد جابه‌جایی پول را پیگیری کرد، هیچ‌کس نمی‌توانست منبع و مقصد را پیدا کند. از طریق این سایت به مدت یک سال یک میلیارد دلار مواد مخدر با ارزهای دیجیتال خرید و فروش شد. یک چنین مشکلاتی ممکن است ایجاد شود و برای همین کشورها علاقه‌ای ندارند که اجازه دهند چنین خرید و فروش‌هایی با ارز دیجیتال انجام شود. اگر بتوانیم چنین مشکلاتی را با استفاده از فناوری‌های دیگر حل کنیم، فکر می‌کنم آینده به سمتی خواهد رفت که ارز دیجیتال جایگزین ارز رایج کشورها شود.
به جز گمنامی دیگر چه مشکلاتی در حوزه ارز دیجیتال وجود دارد؟
مشکل دیگر ارز دیجیتال نوسانات بالای آنهاست. ارزهای رایج از طرف بانک مرکزی کشورها کنترل می‌شود و جلوی نوسانات گرفته می‌شود؛ اما ارزهای دیجیتال این‌طور نیستند. مثلا بیت‌کوین در سال 2018 تا 20 هزار دلار رفت و بعد سقوط شدیدی داشت و به سه هزار دلار رسید و این روزها به 48 هزار دلار افزایش پیدا کرده است. کل اقتصاد یک کشور را نمی‌توان بر مبنای چنین ارزهای پرنوسانی گذاشت. از طرف دیگر ارزهایی مثل تتر هستند که هر واحد این ارز دیجیتال همیشه معادل یک دلار آمریکا است و نوسانی ندارد.
تتر به جز اینکه گمنام است، چه مشکلاتی دارد؟
همین گمنامی باعث می‌شود تراکنش‌هایی که انجام می‌شود قابل پیگیری نباشد. مثلا شما وقتی از یک حساب بانکی به یک حساب دیگر پول دزدیده می‌شود، حساب مقصد را می‌شناسید و می‌توانید سراغ او بروید تا ببینید چه کسی است. آنهایی که حرفه‌ای هستند، پول را بین حساب‌های مختلف می‌چرخانند تا پیگیری آن سخت‌تر شود؛ اما در ارزهای دیجیتال پولی که دزدیده شده، دیگر در دسترس نیست.
حتی کسانی رمز کیف‌پول خود را گم کرده‌اند... .
بله، اگر رمز ولت گم بشود، دیگر دسترسی به آن ندارند. مثلا موردی داریم که صاحب یک صرافی کانادایی ارز دیجیتال در سفر به هند فوت کرد و هیچ‌کس دیگری رمز حساب‌های مربوط به این صرافی را نداشت و کل پولی که در این صرافی بود، یک‌شبه ناپدید شده است.
اگر اقتصاد دیجیتال بر پایه هوش مصنوعی را صد مرحله در نظر بگیریم، در ایران چند درصد پیشرفت لازم محقق شده؟ آیا می‌توانیم بگوییم پنج درصد راه را رفته‌ایم؟
بله، به نظر من حتی می‌توانیم بگوییم بیشتر هم انجام شده است؛ ولی اقتصاد دیجیتال در آینده بدون هوش مصنوعی بی‌معنا خواهد بود. تعریف اقتصاد دیجیتال می‌شود اقتصادی که بر مبنای هوش مصنوعی باشد؛ ولی وقتی هوش مصنوعی را کامل سراغش نرویم و در اقتصاد دیجیتال اجرا نکنیم، نمی‌توانیم بگوییم به جای خیلی خوبی در حوزه اقتصاد دیجیتال رسیده‌ایم.
به نظر شما تا حالا هوش مصنوعی را در اقتصاد دیجیتال اجرا نکرده‌ایم؟
نه، اجرا نکرده‌ایم. تا حدی سراغ یک‌سری چیزهایی رفته‌اند. مثلا می‌دانم که بانک‌ها تا حدی برای Froud Detection سراغ هوش مصنوعی رفته‌اند؛ ولی مثلا در حوزه‌هایی مثل الگوریتم تریدینگ خیلی عقب هستیم. رفتیم سراغ آنها اما این‌طور نیست که کلی شرکت داشته باشیم که از الگوریتم تریدینگ استفاده می‌کنند و الگوریتم آنها اکوسیستمی تشکیل داده‌اند؛ مثل اتفاقی که در آمریکا افتاده. با این اهداف خیلی فاصله داریم.
دقیقا یکی از سؤالاتی که می‌خواستم بپرسم، درباره همین تراکنش‌های متقلبانه یا Froud Detection بود. هوش مصنوعی چطور می‌تواند جلوی کلاهبرداری و پول‌شویی را بگیرد؟
باز برمی‌گردیم به همان دیتا؛ چراکه هر بحثی از‌جمله تراکنش‌های کلاهبرداری نهایتا به داده بستگی خواهد داشت. تا زمانی که داده‌های باکیفیت برچسب‌خورده نداشته باشیم، نمی‌توانیم سیستم فراد دیتکشن مبتنی بر هوش مصنوعی درست و حسابی داشته باشیم.
فراد دیتکشن چطور کار می‌کند؟
هوش مصنوعی تراکنش‌ها را بررسی می‌کند تا ببیند کدام تراکنش متقلبانه بوده. ما باید تعداد زیادی از دیتاهای برچسب‌خورده داشته باشیم تا بدانیم مشکلی داشته‌اند تا بتوانیم آنها را در هوش مصنوعی ثبت کنیم و تبدیل به یک مدل فراد دیتکشن کنیم که می‌توان از آن استفاده کرد. بانک‌ها و مؤسسات مالی ما دیتای برچسب‌خورده متقلبانه دارند؛ اما آن را به اشتراک نمی‌گذارند و بانک‌ها هم با همدیگر این کار را انجام نمی‌دهند. درصورتیکه اگر هم بیایند دیتاهای خود را کنار هم بگذارند، یک مجموعه بزرگی به وجود می‌آید که می‌توان سیستم فراد دیتکشن بسیار قوی‌تری با آن ساخت که بتواند موارد پیچیده‌تر را پیدا کند. فراد دیتکشن هنوز هم تا حدی به صورت انسانی و دستی انجام می‌شود. فقط بحث بانک‌ها نیست و من دیده‌ام در مؤسسات دیگری مثل بیمه این بحث بسیار اهمیت دارد. بیمه‌ها در سراسر جهان پول زیادی را به خاطر نبود چنین سامانه‌ای از دست می‌دهند و خیلی دوست دارند جلوی چنین اتفاقاتی را بگیرند. حتی همین شرکت‌های تاکسی اینترنتی خودمان هم این مشکل را دارند. انواع فراد در آنها اتفاق می‌افتد، مثلا راننده مسافر را سوار می‌کند؛ اما به شرکت اطلاع نمی‌دهد تا
کمیسیونی نپردازد. شرکت باید اینها را تشخیص بدهد و جلویش را بگیرد. شرکت‌های اینترنتی ما جلوتر هستند و من بشخصه پروژه فراد دیتکشن با آنها انجام دادم و می‌دانم آنها الگوریتم مبتنی بر هوش مصنوعی برای شناسایی تراکنش‌های کلاهبرداری دارند و بعد از آن یک‌سری کارشناس هم آنها را بررسی می‌کنند تا ببینند آیا این تراکنش کلاهبرداری بوده یا نه.
مثالی می‌زنم درباره همین مبحث تراکنش‌های کلاهبردارانه، شما بگویید درست است؟ مثلا هوش مصنوعی تراکنش‌های مختلف یک حساب بانکی در طور دوره یک‌ساله را بررسی می‌کند و می‌بیند در یک هفته خاص کلی پول به حساب آمده و بلافاصله از آن خارج شده. هوش مصنوعی به طور اتوماتیک این تراکنش را تشخیص داده و به آن به‌عنوان تراکنش کلاهبرداری مظنون می‌شود. آیا این مثال می‌تواند در حوزه فراد دیتکشن قرار بگیرد؟
بله، ما برای تراکنش‌هایی از این دست پترن‌ها و الگوهای شناخته‌شده‌ای داریم. مثلا یک پترن سرکولار هست که شما پول خود را به حساب منتقل می‌کنید، آن حساب به یک حساب دیگر و پول همین‌طور می‌چرخد و نهایتا به حساب خودتان برمی‌گردد. اینها پترن‌های رایج پول‌شویی هستند که با یک‌سری قاعده می‌توان آنها را استخراج کرد و آنها را بررسی کرد؛ ولی هوش مصنوعی به ما کمک می‌کند یک‌سری پترن‌های پیچیده‌تری را که ما اصلا از آن خبر نداریم، شناسایی کند. مثلا موردی برای یک بانک دیده بودیم، صد نفر بودند که اول هر ماه هر‌کدام‌شان به حساب 99 نفر دیگر پول واریز می‌کرد! با هر کارشناس بانکی که صحبت می‌کردیم، چنین چیزی برایش عجیب بود. هیچ‌کس چنین الگویی را ندیده بود. در نهایت معلوم شد نوعی پول‌شویی بوده است. چنین چیزهایی را یک کارشناس انسانی نمی‌تواند پیدا کند؛ به‌ویژه در حجم دیتای خیلی زیاد، انگار داریم دنبال یک سوزن در انبار کاه می‌گردیم. این سوزن را هوش مصنوعی می‌تواند به‌راحتی برایمان پیدا کند.
به‌عنوان مبحث پایانی، ما همه می‌دانیم که هوش مصنوعی می‌تواند خیلی از کارهای ما را راه بیندازد و ساده کند؛ اما معضلی که می‌تواند داشته باشد، این است که هوش مصنوعی جلوی اشتغال را بگیرد. چطور می‌توان این چالش را برطرف کرد؟
این یک نگرانی جهانی است که بحث‌های فلسفی خیلی زیادی روی آن انجام شده. فلسفه اخلاق در هوش مصنوعی خیلی شدید به این موضوع پرداخته‌اند. یکی از جواب‌ها این است که هوش مصنوعی خودش مشاغل جدید ایجاد می‌کند برای کسانی که هوش مصنوعی را تهیه و پشتیبانی می‌کنند. صرفا جنس شغل تغییر می‌کند. هوش مصنوعی باعث از‌بین‌رفتن خیلی شغل‌ها می‌شود؛ اما از آن طرف شغل‌هایی مثل مهندسی نرم‌افزار ایجاد می‌شود. مورد دیگری که بحث آن در کشورهای پیشرفته‌تر داغ است، این است که می‌گویند هوش مصنوعی تولید ثروت می‌کند. از این ثروتی که تولید شده، می‌شود به افرادی که بی‌کار شده‌اند، حقوق بی‌کاری پرداخت کرد. در بحث General Income گفته می‌شود باید تمام مردم جامعه یک درآمد حداقلی داشته باشند. هوش مصنوعی می‌تواند این درآمد حداقلی را افزایش دهد. حالا احتمالا در حد آرزو باشد؛ اما این بحث مطرح است که شاید در آینده کل کارها را بر‌عهده هوش مصنوعی بگذاریم و انسان‌ها تنها از درآمد آنها استفاده می‌کنند و نیازی به کار‌کردن وجود نخواهد داشت.
ولی هر دو موردی که برای رفع نگرانی عنوان کردید، خودشان نگرانی محسوب می‌شوند... .
[خنده] موافقم. این بحث که انسان‌ها اگر کار نداشته باشند، چه رفتاری از آنها سر می‌زند، خودش بحث دیگری است.
گفتید هوش مصنوعی شغل جدید ایجاد می‌کند؛ اما یک شغلی که به واسطه هوش مصنوعی ایجاد می‌شود، می‌تواند ده‌ها شغل دیگر را از بین ببرد. چطور می‌توان این نگرانی را حل کرد؟
این نگرانی وجود دارد و فقط محدود به کشور ما نیست و این نگرانی در کشورهایی که هوش مصنوعی در آنها توسعه بیشتری پیدا کرده، شدیدتر است. این موضوع جدیدی نیست و حتی در آثار ساینس فیکشن قرن گذشته هم پیش‌بینی می‌کردند ربات‌ها یا هوش مصنوعی می‌آید و جای انسان‌ها را می‌گیرد و این موجب بی‌کاری می‌شود و تهدید به حساب می‌آید. به نظر من باز هم این جدی‌ترین مشکل نیست.
چه مشکلی می‌تواند جدی‌تر از حذف مشاغل باشد؟
مشکل اصلی‌تر خطایی است که هوش مصنوعی دارد. مثلا در آمریکا وزارت دادگستری و خیلی از قاضی‌ها از هوش مصنوعی برای تصمیم‌گیری راجع به میزان محکومیت یک متهم استفاده می‌کنند. این میزان محکومیت بر‌اساس یک‌سری ویژگی‌هایی که هر فرد دارد توسط هوش مصنوعی تصمیم‌گیری می‌شود. مثلا یکی از این ویژگی‌ها نژاد است؛ چون به صورت تاریخی سیاه‌پوستان بیشتری محکوم شده بودند، این الگوریتم دچار خطا شده و برای سیاه‌پوستان محکومیت سنگین‌تری در نظر می‌گیرد؛ چراکه امکان وقوع جرم را برای آنها بالاتر می‌داند. انگار الگوریتمی داریم که یاد گرفته یک عمل نژادپرستانه انجام بدهد. اینکه کل اختیار را به یک هوش مصنوعی واگذار کنیم که بیاید و از داده‌های ما الگویی را یاد بگیرد که ما نمی‌دانیم چیست، این به خودی خود می‌تواند باعث بروز یک‌سری مشکلات شود. این به نظر من مشکل جدی‌تری است که در آینده در بحث هوش با آنها مواجه خواهیم بود.
اصطلاحاتی که در این گفت‌وگو می‌خوانید
معاملات الگوریتمی یا الگوریتم تریدینگ معاملاتی هستند که در بازارهای مالی مختلف از‌جمله بازار سهام، ارزهای دیجیتال، جفت‌ارزها و... توسط هوش مصنوعی و از طریق بررسی الگوی تغییرات قیمت‌ها در گذشته و تحلیل تکنیکال انجام می‌شوند.
پروپگیشن خطایی است که رفته‌رفته بزرگ‌تر می‌شود.
دایورسیفیکیشن (Diversification) به معنای تنوع است.
پریپراسسینگ یا پیش‌آزمون روشی برای ارزیابی داده‌های جمع‌آوری‌شده است. در این روش قبل استفاده از داده‌ها برای تعیین الگوهای هوش مصنوعی، داده‌ها مورد آزمون قرار می‌گیرند.
ماشین لرنینگ از زیرمجموعه‌های دانش هوش مصنوعی است که در آن برنامه‌ای نوشته می‌شود که خودش بتواند خودش را تقویت کرده و آموزش ببیند.
رگولیشن یا تنظیم مقررات به کل قوانین و دستورالعمل‌هایی که در یک حوزه تدوین شده، گفته می‌شود.
فلش کرش یک بازار مالی است. اصطلاحا به این معنا است که در مدت بسیار کوتاهی شاهد سقوط شاخص‌ها باشیم.
پترن یا الگو مواردی هستند که هوش مصنوعی با مشاهده آنها در گذشته، می‌تواند آینده را پیش‌بینی کند. برای مثال اگر همیشه هنگام باران آفتاب دربیاید و رنگین‌کمان تشکیل شود، هوش مصنوعی می‌تواند تشکیل رنگین‌کمان در زمان طلوع آفتاب در هوای بارانی را پیش‌بینی کند.