بیمه ای ها / رویداد تجربه هوش مصنوعی در صنعت با حضور فعالان و متخصصان حوزه هوش مصنوعی، یادگیری ماشین و علوم داده با هدف به‌اشتراک‌‌گذاری تجربیات و توسعه محصولات مبتنی بر هوش مصنوعی و علوم داده با حضور متخصصانی از شرکت‌های معتبر ایرانی و بین‌المللی توسط کارگزاری مفید برگزار شد.
در ابتدای این نشست، حمیدرضا مختاریان مدیر تیم دیجیتال مفید همایش تجربیات هوش مصنوعی در صنعت را با توضیحاتی در خصوص کشور چین آغاز کرد. طبق توضیحات او چند سال پیش یک شرکت انگلیسی برنامه‌ای طراحی کرد به نام آلفاگو (AlphaGo) توسط هوش مصنوعی برای انجام بازی محبوب چینی‌ها؛ یعنی گو، شبیه‌سازی شده بود. در آن زمان تصور غالب بر این بود هوش مصنوعی هنوز به سطحی از پیشرفت نرسیده است که بتواند در این بازی نیز همانند شطرنج انسان را مغلوب کند. با این حال در سال ۲۰۱۷ هوش مصنوعی موفق به این کار شد و یکی از خبره‌ترین و معروف‌ترین بازیکنان چینی در مقابل چشم همگان در بازی «گو» از هوش مصنوعی شکست خورد.
چین؛ سرمایه‌گذار عمده هوش مصنوعی در جهان
این اتفاق در ابتدا با واکنش‌های منفی در چین مواجه شد تا اینکه چینی‌ها پذیرفتند که برای هم‌جهت‌شدن با دنیا در پیشرفت علم و فناوری باید هوش مصنوعی را جدی بگیرند. در چندسال اخیر که دنیار در حال دست و پنجه نرم کردن با پاندمی کرونا بود چینی‌ها ۴۸ درصد از کل سرمایه‌گذاری‌های انجام‌شده در حوزه هوش مصنوعی را به خود اختصاص داده‌اند و این آمار برای ایالات متحده حدود ۴۲ درصد است.
مختاریان در ادامه این توضیحات در خصوص صنعت هوش مصنوعی در ایران گفت: «ایران نیز در استفاده از هوش مصنوعی و بهره‌گیری از فواید آن چیزی از کشور چین کم ندارد. ما در ایران به computing power دسترسی داریم و علاوه برآن با کمک استعدادهای خوب و منابع مالی موجود می‌توانیم مدل‌ها را شبیه‌سازی کنیم. مهم‌ترین موضوعی که در خصوص صنعت هوش مصنوعی در کشور می‌توان به آن اشاره کرد این است که ما به نسبت کشورهای اروپایی و ایالات متحده وضعیت خوبی در بحث «داده» داریم. در ایران به دلیل ایجاد محدودیت کمتر توسط قوانین محدودکننده دسترسی به داده‌ها و حریم شخصی عملیات مربوط به داده‌کاوی راحت‌تر انجام می‌شود. مهم‌ترین چیزی که باید روی آن کار کنیم داده‌های بیشتر با کیفیت بالاتر است.»
در ادامه این رویداد علی الهی، مدیر واحد هوش مصنوعی تپسی نیز در خصوص تأثیر هوش مصنوعی در افزایش کیفیت، دقت و رضایت کاربران از سفرهای انجام‌شده با تپسی مطالبی را به حضار ارائه کرد.
روایت کاربرد هوش مصنوعی برای کسب رضایت مشتری
در این رویداد علی زارع‌زاده، مدیر تیم هوش مصنوعی کارگزاری مفید همچنین، روایت طراحی یک مدل اختصاصی برای کسب رضایت مشتری را برای حضار توضیح داد.
طبق توضیحات او مرکز خدمات مشتریان مفید با چندمیلیون کاربر این کارگزاری جز ۱۰ مرکز تماس بزرگ ایران است. واحد هوش مصنوعی مفید در اواسط سال ۹۹ با تمرکز بر مسائل اصلی سرویس سنتر و باهدف بهبود خدمات‌رسانی به مشتریان راه‌اندازی شد.
جالب است بدانید بر اساس آخرین نظرسنجی که از مدیران اجرایی شرکت‌های بزرگ انجام شده، دلیل اصلی استفاده از هوش مصنوعی در این شرکت‌های بزرگ کسب رضایت مشتریان است نه کاهش هزینه‌های شرکت.
زارع‌زاده ادامه داد: «اولین مسئله‌ای که در کارگزاری مفید با آن مواجه بودیم، کی‌وای‌سی یا ثبت نام مشتریان و احراز هویت آن‌ها بود که برای کاهش خطا در این عملیات ناگزیر به استفاده از هوش مصنوعی بودیم. بر همین اساس در پایان سال ۹۹ از نسخه اولیه هوش مصنوعی مفید، رونمایی کردیم. در این فرآیند، اصلی‌ترین مسئله تشخیص زنده‌بودن تصویر بود که برای آن یک ماژول طراحی شده است که به خوبی می‌تواند تصاویر زنده را تشخیص دهد. در واقع تلاش ما در کارگزاری مفید در این مسیر پیش می‌رفت که نرخ پذیرش اشتباه به صفر برسد؛ نرخی که در آن مقطع روی تستر خودمان حدود دو درصد بود.»
او گفت: «هدف اصلی در مرکز خدمات مشتریان مفید این است که همه تماس‌ها پایش شود نه اینکه صرفا مثل مدل‌های سنتی چند تماس به طور گزینشی مورد بررسی قرار گیرد. می‌دانیم که هر تماس دو سمت دارد؛ یک سوی تماس مشتری‌ها و سوی دیگر کارشناس‌های ما قرار گرفته‌اند و در چنین بستری بسیار مهم است که میزان رضایت مشتری‌ها تحلیل و تا حد امکان اندازه‌گیری شود. همچنین به شکل مستمر باید این پایش صورت بگیرد که آیا اپراتورها کار خود را به درستی انجام می‌دهند؟ هوش مصنوعی همه تماس‌ها را پایش می‌کند و تماس‌های دارای مشکل را به شما برمی‌گرداند. در این فرمول، با توجه به ظرفیت واحد پایش، روز به روز کیفیت خدمات سرویس‌دهی بالاتر خواهد رفت.»
مدیر تیم هوش مصنوعی کارگزاری مفید توضیح داد: «در همین راستا تصمیم گرفتیم که فردی مثل مسئول پایش کارگزاری مفید به کمک ابزار هوش مصنوعی و با در نظرگرفتن فاکتورهای مختلفی مثل میانگین زمان پاسخ‌گویی، صدای افراد، میزان سکوت آن‌ها در صوت و … به میزان رضایت هر مشتری دست پیدا کرده و بتواند وضعیت رضایت کلی مشتریان را تحلیل کند. در اینجا چالش دیگری اما به وجود آمد. بررسی ویژگی‌های کمی صوت قرار است چگونه انجام شود؟ میزان عصبانیت و رضایت مشتری را چطور می‌توان به درستی درک کرد؟ ناچار بودیم که صوت‌ها را به متن مکتوب تبدیل کنیم تا بررسی آن‌ها آسان‌تر شود. همه می‌دانیم دستیار صوتی گوگل این امکان را فراهم کرده و استفاده از آن می‌توانست برای ما یک مزیت باشد اما تبدیل گفتار به متن توسط گوگل به ما نشان داد که این ابزار گوگل با درصد خطای ۸۰ درصد، ابزار قابل اتکایی به شمار نمی‌آید.»
او ادامه داد: «اینجا بود که فهمیدیم باید خودمان دست به کار شویم و در همان ابتدای کار با تخمینی که زدیم متوجه شدیم نیاز به شش ماه زمان داریم. اما کار عملیاتی شدن این ایده برای ما از کجا شروع شد؟ مثل طراحی هر مدل دیگری مرحله اول جمع آوری دیتاها بود. این مرحله شاید ساده‌ترین بخش به نظر برسد اما چالشی‌ترین بخش هم بی‌شک همین بخش است. در کارگزاری مفید روزانه چند هزار ساعت تماس داشتیم و همین باعث شد که دوباره با مسئله تازه‌ای مواجه شویم. انتخاب کردن دیتای مورد نیاز از بین اینهمه داده باید چگونه باشد که تنوع لهجه، جنسیت، سن و … درآن لحاظ شود؟ در نهایت تصمیم گرفتیم با طراحی چند قانون به فیلتر هوشمند داده‌ها دست بزنیم. و در نهایت مرحله بعدی مرحله طراحی مدلینگ بود. این مرحله مورد علاقه تعداد بسیاری از افراد است که تنوع و پیچیدگی بسیاری هم دارد اما در نهایت فرآیند کار در مفید به گونه‌ای پیش رفت که لیستی از خطاهای آنالیز و …تهیه شد که بر اساس و تجمع آن‌ها در بخش‌های مختلف باید به تصمیم نهایی می‌رسیدیم، اینکه کدام مسئله در اولویت حل کردن گذاشته شود تا بیشترین سود را به مشتری برساند؟»
در این روند بارها و بارها دست به اصلاح قانون‌هایی که خودمان طراحی کرده بودیم زدیم و بعضی ساز و کارها را به طور کلی بازنویسی کردیم و در نهایت به مدل اختصاصی خودمان رسیدیم، اینکه درصد خطا را از ۸۰ درصد به ۲۰ درصد کاهش دادیم و تعداد خطاها را در یک صوت مشخص از ۸۴ خطای موجود در دستیار صوتی گوگل به ۴ خطا در دستیار صوتی مفید رساندیم و این مسیر برای ما تا همیشه ادامه دارد…»
زارع‌زاده در انتهای ارائه خود دلیل برگزاری چنین رویدادی را توسط کارگزاری مفید این چنین عنوان کرد: «هدف اصلی ما این بود که بستری را برای انتقال تجربه‌ها در اکوسیستم و تغییر نگاه آکادمیک افراد به نگاهی که با صنعت سازگار است فراهم کنیم. بیان متدولوژی و KPIها و حتی نام مدل‌های به کار رفته در بخش هوش مصنوعی یک کسب‌وکار منافع سازمان را به خطر نمی‌اندازد چراکه موضوع اصلی این صنعت داده‌کاوی است نه مدلینگ. افراد باید به دنبال رفع نقایص و مدل‌سازی براساس داده‌های کسب‌وکار و حوزه فعالیت خود باشند و وجود بسترهایی نظیر این رویداد و انتقال تجربه می‌توان هم‌افزایی خوبی برای رشد هوش مصنوعی در صنعت ایجاد کرد بدون آنکه منافع سازمان‌ها به خطر بیفتند.»
او در خصوص کاربرد هوش مصنوعی برای پیش‌بینی بازار سرمایه با بیان اینکه در هوش مصنوعی هم مانند سایر حوزه‌ها باید از افراط و تفریط پرهیز کرد گفت: «با توجه به ذات اصلی بازار سرمایه و حالت رقابتی آن نمی‌توان با استفاده از هوش مصنوعی مدلی طراحی کرد که همه در آن سود کنند چراکه پس از شناسایی این مدل در بازار سرمایه همه به دنبال استفاده از آن می‌روند و این مدل شکست می‌خورد. از طرفی نمی‌توان گفت که هوش مصنوعی هیچ کاربردی در بازار سرمایه ندارد چرا که با استفاده از آن می‌توان به آمار و داده‌های بسیار مفیدی از معاملات دسترسی یافت که بسیار کمک‌کننده خواهند بود. این عملیات در حال حاضر در واحد هوش مصنوعی کارگزاری مفید انجام می‌شود و در حال بسط و توسعه است.»