به گزارش خبرگزاری حوزه، دکتر طائی زاده معاون فناوری اطلاعات مرکز مدیریت خواهران در رویداد مسأله‌محور هوش مصنوعی با عنوان «مالکیت کلان داده‌ها» به همت ستاد راهبری فناوری‌های هوشمند حوزه‌های علمیه در سالن امام خمینی (ره) مرکز فقهی ائمه اطهار علیهم‌السلام قم برگزار شد به بررسی ابعاد مختلف کلان داده‌ها و چالش‌های آن پرداخت.

وی ضمن اشاره به کلیات کلان داده‌ها، با تأکید بر اهمیت این موضوع در کشورهای پیشرفته مانند ایالات متحده و چین، اظهار داشت: در این کشورها، کلان داده‌ها به‌عنوان منبعی کلیدی برای پیشبرد اهداف هوش مصنوعی و سایر فناوری‌ها شناخته می‌شود، اما در ایران همچنان با مشکل در دسترسی به داده‌های کلان ساختاریافته و قابل پردازش مواجه هستیم.

امنیت داده‌ها و یادگیری فدرال: ضرورت حفظ اطلاعات حساس

طائی زاده در ادامه افزود: در روند گذر از نرم‌افزارهای فرآیند محور به مدل‌های کلان داده‌محور، متأسفانه هوش مصنوعی در ایران هنوز نتوانسته است از تمام ظرفیت‌های موجود در زمینه کلان داده بهره‌برداری کند که این موضوع به‌عنوان یکی از چالش‌های بزرگ مطرح می‌شود.

معاون فناوری اطلاعات مرکز مدیریت خواهران به موانع جمع‌آوری داده‌های ساختاریافته در حوزه‌هایی مانند بهداشت و کشاورزی اشاره کرد و گفت: داده‌ها در این حوزه‌ها باید به‌صورت ساختاریافته و قابل استفاده جمع‌آوری شوند، اما در حال حاضر این مسئله در کشور مشکل‌ساز است و تجربه کافی در این زمینه نداریم.

طائی زاده همچنین به چالش‌های ذخیره‌سازی و پردازش داده‌ها پرداخت و توضیح داد: داده‌های موجود در شبکه‌های اجتماعی و اینترنت اشیاء عمدتاً فاقد ساختار مشخصی هستند، که مشکلات جدی را در تحلیل و پردازش آن‌ها به‌وجود می‌آورد.

وی سپس به مسئله محرمانگی داده‌ها و امنیت اطلاعات اشاره کرد و افزود: برای استفاده مؤثر از کلان داده‌ها در هوش مصنوعی، حفظ امنیت اطلاعات و جلوگیری از افشای داده‌های حساس ضروری است. طراحی مدل‌های جدید مانند یادگیری فدرال و ذخیره‌سازی غیرمتمرکز باید در اولویت قرار گیرد تا داده‌ها بدون افشای اطلاعات محرمانه میان سازمان‌ها پردازش شوند.

تحولات و پیشرفت‌های هوش مصنوعی در پردازش کلان داده‌ها

طائی زاده در ادامه گفت: در برخی موارد مانند شبکه‌های اجتماعی یا داده‌های مربوط به اینترنت اشیاء، روش‌های ذخیره‌سازی گراف‌محور یا سندمحور می‌تواند بهینه‌ترین راهکار باشد. این روش‌ها به ما امکان می‌دهند که داده‌ها را به‌صورت بهینه‌تری ذخیره کرده و تحلیل‌های دقیق‌تری انجام دهیم.

معاون فناوری اطلاعات مرکز مدیریت خواهران به فرآیندهای ETL (استخراج، تبدیل و بارگذاری) در زمینه داده‌ها اشاره کرد و بیان داشت: با استفاده از هوش مصنوعی، این فرآیندهای دستی می‌توانند به‌صورت مکانیزه انجام شوند، که به‌طور مؤثرتری داده‌ها را پاکسازی، پالایش و پردازش می‌کند. استفاده از این ابزارها همچنین می‌تواند به بهبود تصمیم‌گیری‌ها و ارائه راهکارهای هوشمندانه‌تر کمک کند.

وی تأکید کرد: فرآیند پردازش داده‌ها و تصمیم‌گیری مبتنی بر هوش مصنوعی باید به‌گونه‌ای طراحی شود که مخاطب را به نقطه‌ای از تصمیم‌گیری برساند که از این اطلاعات برای انتخاب بهترین گزینه بهره‌برداری کند.

طائی زاده همچنین به چالش‌های مقیاس‌پذیری و نگهداری حجم بالای داده‌ها اشاره کرد و اظهار داشت: برای مدیریت مؤثر کلان داده‌ها باید از ابزارها و روش‌های تخصصی استفاده شود که امکان پردازش و تحلیل داده‌ها را فراهم کند.

وی به تحولات قابل توجهی که در یک یا دو سال گذشته در زمینه پردازش داده‌ها با استفاده از هوش مصنوعی رخ داده اشاره کرد و افزود: این پیشرفت‌ها به ما این امکان را داده‌اند که مشکلات ناشی از فرآیندهای دستی و سنتی را حل کرده و به سمت مکانیزه‌سازی این فرآیندها حرکت کنیم.

طائی زاده به روش‌های محرمانگی در کلان داده‌ها و نحوه استفاده از یادگیری فدرال اشاره کرد و گفت: در بسیاری از سازمان‌ها، داده‌ها به‌طور مستقیم به اشتراک گذاشته نمی‌شود. در اینجا ابزار ما این است که هدف غایی را تعریف کنیم تا مدل‌های داده‌ها بتوانند با هم همکاری کنند، بدون اینکه اطلاعات حساس آن‌ها فاش شود.

وی در خصوص ایجاد مدل‌های مشترک بدون دسترسی به داده‌های شخصی و سازمانی تأکید کرد و افزود: در این مدل، سازمان‌ها می‌توانند داده‌های خود را پردازش کنند و پارامترهای خود را به یک مدل مرکزی ارسال کنند، حتی بدون اینکه هیچ‌گونه اطلاعات محرمانه‌ای فاش شود.

طائی زاده در ادامه بر اهمیت پیشرفت‌های علمی و فناوری در زمینه کلان داده‌ها و هوش مصنوعی تأکید کرد و اظهار داشت: برای موفقیت در این حوزه، باید از مدل‌های جدید و به‌روز استفاده کنیم. این پیشرفت‌ها باید در خدمت ارتقای فرآیندهای هوشمند و بهینه‌سازی تصمیم‌گیری‌ها باشند تا از داده‌ها به‌طور مؤثر و کارآمد استفاده شود.

چالش‌ها و فرصت‌ها در استفاده از هوش مصنوعی برای پردازش کلان داده‌ها

وی در بخشی از سخنان خود به مسئله امنیت داده‌ها پرداخت و به‌ویژه به مفهوم یادگیری فدرال اشاره کرد. وی گفت: هر سازمانی تمایل دارد که داده‌های خود را به‌صورت محرمانه نگه‌دارد و در این زمینه نیاز است که ابزارهایی طراحی شوند که به سازمان‌ها این امکان را بدهد تا بتوانند بدون افشای اطلاعات خود به‌طور مشترک با دیگران همکاری کنند.

طائی زاده افزود: در این راستا، هدف اصلی در یادگیری فدرال این است که داده‌ها بتوانند بدون نیاز به اشتراک‌گذاری مستقیم با یکدیگر، مورد پردازش و تحلیل قرار گیرند.

معاون فناوری اطلاعات مرکز مدیریت خواهران در ادامه به چالش‌های مدیریت داده‌ها اشاره کرد و گفت: چالش‌های اصلی در زمینه کلان داده‌ها شامل مدیریت داده‌های غیرساختاریافته مانند ویدیوها و ایمیل‌ها، نوآوری در ذخیره‌سازی، و ناسازگاری داده‌ها در پروژه‌های مختلف است. این مسائل باعث می‌شود که تحلیل و پردازش داده‌ها با مشکلاتی مواجه شود.

وی همچنین به تأثیر پردازش داده‌ها در بهبود تصمیم‌گیری‌ها اشاره کرد و گفت: در نهایت، هدف از پردازش داده‌ها این است که از آن‌ها برای ارائه تصمیمات بهینه و ارزشمند استفاده شود.

اهمیت ذخیره‌سازی و تحلیل داده‌ها با روش‌های نوین

طائی زاده در ادامه سخنان خود به اهمیت ذخیره‌سازی داده‌ها با روش‌های جدید مانند گراف‌محور و سندمحور اشاره کرد و گفت: این روش‌های ذخیره‌سازی به‌ویژه در شبکه‌های اجتماعی و اینترنت اشیاء کاربرد دارند و می‌توانند داده‌ها را به‌طور بهینه‌تر و سازمان‌یافته‌تر ذخیره کنند.

وی افزود: با استفاده از روش‌های جدید ذخیره‌سازی و پردازش داده‌ها، می‌توان به تحلیل‌های دقیق‌تر و تصمیم‌گیری‌های هوشمندانه‌تری دست یافت.

آینده کلان داده‌ها و هوش مصنوعی

طائی زاده تأکید کرد: برای موفقیت در زمینه کلان داده‌ها و هوش مصنوعی، باید به پیشرفت‌های علمی و فناوری‌های نوین توجه ویژه‌ای داشته باشیم و از این ظرفیت‌ها برای بهبود فرآیندهای تصمیم‌گیری و تحلیل داده‌ها بهره‌برداری کنیم.

وی در پایان به ضرورت آگاهی بیشتر در مورد امنیت داده‌ها و اهمیت حفاظت از اطلاعات حساس در زمینه کلان داده‌ها اشاره کرد و گفت: این مسائل باید به‌طور جدی مورد توجه قرار گیرد تا از امنیت و محرمانگی اطلاعات در فرآیندهای هوش مصنوعی و تحلیل داده‌ها محافظت شود.