رویای دستیار هوش مصنوعی وزارت نفت پیشبینی آینده مخازن نفتی با AI
نئوپدیا: دستیار هوش مصنوعی وزارت نفت در فاز غائی توسعه قادر خواهد بود با تحلیل داه های گذشته و سناریوهای مختلف، آینده مخازن نفتی را پیش بینی نماید و تاثیر تصمیمات امروز بر تولید فردا را نشان دهد.
به گزارش نئوپدیا به نقل از مهر، بهمن ماه سال قبل بود که معاونت علمی ریاست جمهوری پروژه توسعه دستیارهای هوش مصنوعی نهادهای اجرایی را با کمک دانشگاه ها کلید زد. در ایام اخیر از نسخه اولیه دستیارهای هوش مصنوعی تعدادی از وزارتخانه ها پرده برداری شد. این پروژه در چهار فاز بازگذاری قوانین و مقررات، بارگذاری قوانین کاربردی، مدل سازی پیشبینی ها و در نهایت کاربردی شدن دستیارهای هوش مصنوعی برای تصمیم سازی هدف گذاری شده است. در این راه دانشگاه تهران مسئولیت پروژه توسعه دستیار هوش مصنوعی وزارت نفت را بر عهده داشته است. در گفتگو با مجری این پروژه جزییات پشت پرده توسعه این دستیار هوش مصنوعی و چالش های آنرا مرور می نماییم.
محمودرضا هاشمی؛ مجری پروژه توسعه دستیار هوش مصنوعی وزارت نفت در گفتگو با گزارشگر مهر در مورد این پروژه اظهار داشت: همگی ما بصورت روزانه از دستیارهای هوشمند استفاده می نماییم ولی اگر بخواهیم با هدف خاصی از آنها استفاده نماییم، باید خاص منظوره و متناسب با هدفمان این ابزارها را تیون (tune) و آماده سازی نماییم. بعنوان مثال آنرا به دستیار چت بات مرکز تماس و یا دستیار پاسخ به سوالات در مورد بخشنامه ها و صورت جلسات تبدیل نماییم.
وی افزود: کاری که برای طراحی دستیار هوش مصنوعی وزارت نفت انجام شده، این بوده که یک مدل زبانی بزرگ (LLM) را بعنوان هسته مرکزی قرار دادیم و از آن خواستیم که پاسخ های آن برمبنای قوانین و بخشنامه های در رابطه با وزارت نفت باشد و پاسخ های آن باید مستند باشد.
دانشیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با اشاره به اینکه یکی از ریسک های مدلهای هوش مصنوعی این است که می توانند پاسخ هایی را بسازند و به معنای دیگر توهم پیدا می کنند، اظهار داشت: برای اینکه ما این مشکل را از بین ببریم، آنرا به هسته ای از داده ها محدود می نماییم تا حتما به این داده ها استناد کند و مبتنی بر آن داده ها پاسخ بگوید. کاری که انجام گرفته این است که یک هسته مدل زبانی بزرگ برگزیده شد و این مدل زبانی را برای زبان فارسی و قوانین و مقررات بهسازی کردیم.
فازهای مختلف توسعه دستیار هوش مصنوعی وزارت نفت
هاشمی در پاسخ به این سؤال که آیا در آینده این دستیار هوش مصنوعی امکانات بیشتری فراتر از پاسخ در مورد قوانین و مقررات وزارت نفت خواهد داشت یا خیر؟ اظهار داشت: مرحله اول پروژه دستیارهای هوش مصنوعی عرضه پاسخ در مورد قوانین و مقررات نهادهای اجرایی است. این هدف شاید با این نگاه تبیین شده که هم سازمان ها بتوانند جلوی تصمیم های متناقض را بگیرند و مبتنی بر قوانین عمل کنن و شاید نگاه دیگر این بوده که دسترسی مردم به قوانین را تسهیل نماید تا آنها هم بتوانند از آنها استفاده نمایند.
وی افزود: ما در دانشگاه تهران بعنوان مسئول پروژه دستیار هوش مصنوعی وزارت نفت، مرحله دوم را مصوبات و صورتجلسات شرکت های تابعه درنظر گرفتیم. چونکه یکی از چالش های سازمان ها این است که مصوبات و صورتجلسات گوناگونی دارند ولی امکان جستجوی سریع در این مصوبات وجود ندارد که مورد پیگیری قرار گیرد.
پیش بنی آینده مخازن نفتی با هوش مصنوعی
عضو هیأت علمی دانشگاه تهران با اشاره به فاز سوم این طرح اظهار داشت: مرحله بعد این پروژه این است که داده های عملیاتی را هم در این ابزار وارد نماییم تا بتوان با این دستیار هوش مصنوعی در مورد داده های عملیاتی هم گفتگو داشته باشیم؛ بعنوان مثال میزان تولید یک مخزن نفت یا گاز و یا میزان رشد تولید یا روند تولید آنرا پیدا نماییم.
هاشمی در رابطه با فاز نهائی این پروژه توضیح داد: اگر این مراحل انجام بگیرد، قدم بعدی و پیچیده ترین مرحله این است که بتوانیم بوسیله این داده ها سناریونویسی کنیم؛ بعنوان مثال اگر یک تصمیمی گرفته شود، در افزایش یا نرخ رشد تولید یک مخزن چه اثری خواهد داشت. برای انجام این کار دستیار هوش مصنوعی هم باید به داده های گذشته دسترسی داشته باشد و هم بتواند پیش بینی نماید که داده های آینده متناسب با یک تصمیم چیست.
وی اشاره کرد: ازاین رو این پروژه فازهای مختلفی دارد و نخستین قدم آن قوانین و بخشنامه ها بود و هدف عالی که ما امیدواریم در فازهای مختلف به آن دسترسی پیدا نماییم این است که بتوانیم داده ها را بصورت ساده استخراج نماییم و پیشبینی های آینده و آزمون سناریوهای مختلف را داشته باشیم.
مجری پروژه دستیار هوش مصنوعی وزارت نفت در پاسخ به این سؤال که اکنون چه اشخاصی به این دستیار هوش مصنوعی دسترسی دارند و می توانند از آن استفاده کنند؟، اظهار داشت: تصمیم گیری در مورد دسترسی، سطوح دسترسی و شیوه در اختیار قرار دادن این دستیارها با معاونت علمی ریاست جمهوری است و ما بعنوان پیمانکار و مجری طرح در این رابطه تصمیم گیر نیستیم. سیاستها و سطوح دسترسی و محل استقرار این سامانه نکاتی هستند که معاونت علمی هنوز درحال کار بر روی آنها است.
دستیار هوش مصنوعی وزارت نفت یک مدل بومی است؟
هاشمی در پاسخ به این سؤال که برای پروژه دستیار هوش مصنوعی آیا یک مدل زبانی بزرگ بومی استفاده شده است یا از مدلهای زبانی موجود استفاده شده است؟ اظهار داشت: توسعه یک هسته مدل زبانی بزرگ، حجم زیادی از داده ها را می طلبد. هر یک از مدلها در دنیا با استفاده از چند صد هزار جی پی یو (GPU) پرقدرت برای چند ماه توسعه پیدا کردند و بدیهی است که شرکت های محدودی در دنیا توان و زمان و امکانات ضروری جهت این کار را دارند. ازاین رو در همه دنیا مبنا را یکی از هسته های مدلهای زبانی بزرگی که قبلاً با چندصد هزار جی پی یو توسعه پیدا کرده اند، قرار می دهند و سپس آنرا متناسب با نیاز خودشان بهسازی می کنند.
وی در جواب اینکه در این پروژه از کدام مدلهای زبانی بزرگ بعنوان هسته مرکزی دستیار هوش مصنوعی استفاده شده است؟ به تشریح مراحل مختلف طراحی دستیار هوش مصنوعی پرداخت و اظهار داشت: برای طراحی دستیار هوش مصنوعی نخستین قدم این است که ما سوال فرد را متوجه شویم. با عنایت به اینکه افراد از زبان محاوره استفاده می نمایند، نخستین قدم درک سوال فرد است. قدم دوم این است که سوال را تحلیل نماییم و ببینیم که مبحث این سوال چیست و دسته ای از اسناد که مرتبط با این پرسش است را پیدا نماییم. سپس در استناد، باید محتواهای مرتبط با این پرسش که می تواند جواب آن سوال باشد را پیدا نماییم و در آخر باید پاسخ یافته شده را با زبان طبیعی به فرد عرضه نماییم.
مجری پروژه دستیار هوش مصنوعی وزارت نفت اظهار نمود: در هر یک از این مراحل، مدل زبانی متفاوتی استفاده می شود. کاری که ما انجام دادیم و دلیل اینکه توانستیم نتیجه خوبی بگیریم این است که در هر یک از مراحل، انواع مدلهای موجود را اجرا کردیم. همینطور با عنایت به اینکه مدلهای زبانی ابعاد مختلفی دارند (کوچک، متوسط، بزرگ و خیلی بزرگ) و هر چه ابعاد آنها بزرگ تر باشد، هنگام اجرا منابع بیشتری می طلبند. بنابراین در هر مرحله ضمن اینکه ما همه این مدلها را با یکدیگر مقایسه کردیم، برای هر یک سایز مناسب را مورد استفاده قرار دادیم و در هر مرحله متناسب با آن کوچک ترین سایز مدل زبانی را انتخاب کردیم. ازاین رو در این پروژه از یک مدل زبانی خاص استفاده نشده است.
وی اشاره کرد: همینطور کوشیدیم در هر یک از مراحل از نسخه های متن باز استفاده نماییم. نسخه های متن باز مزیتی که دارند این است که محدودیت در هزینه ندارند و اطلاعات کافی در مورد آنها وجود دارد و کمک می نماید که ما چشم بسته و در تاریکی حرکت نکنیم.
چالش های طراحی یک دستیار؛ از داده های پراکنده تا کمبود جی پی یو
هاشمی در مورد چالش های این پروژه اظهار داشت: نخستین قدم در هر پروژه هوش مصنوعی، دسترسی به داده است و چالش اصلی که همه مجریان طرح به آن اشاره دارند، این موضوع است. قسمتی از این چالش ها این است که داده های ما بصورت متمرکز و ساخت یافته در خیلی از سازمان ها وجود ندارد و قسمتی از آنها پراکنده است. برخی از سازمان ها بلوغ سازمانی بالاتری دارند و دارای سامانه بخشنامه ها، صورتجلسات و مصوبات هستند و این داده ها و اسناد بصورت سازمان یافته نگهداری می شود و دسترسی به آنها ساده است؛ ولی بسیاری از سازمان ها در این مرحله هنوز زیرساخت لازم و کافی را ندارند.
وی با اشاره به چالش یکپارچه سازی داده ها افزود: چالش بعدی در لایه داده ها این است که در سطح وزارتخانه ای که ذیل آن سازمان های تابعه بسیار گسترده و دارای استقلال نسبی وجود دارد، هر یک از آنها داده های خویش را با یک مدل سیستم نگهداری کردند و یکپارچه سازی داده ها دشوار می شود. این ها پروژه های زیرساختی هستند که سازمان ها باید خودشان آنها را انجام دهند و آمادگی بیشتری پیدا کنند برای اینکه بتوان دستیارهای هوش مصنوعی را برای آنها توسعه داد.
عضو هیأت علمی دانشگاه تهران چالش دیگر را دسترسی به منابع پردازشی و جی پی یو دانست و اظهار داشت: مبحث دیگر در این راه که ما را با چالش بسیاری مواجه می کند، دسترسی به منابع پردازشی است. این مدلهای زبانی به جی پی یو نیاز دارند و جی پی یوهای پر قدرت در کشور محدود هستند و دسترسی مجریان طرح به جی پی یو یکی از چالش هایی بود که مجریان طرح دستیاران هوش مصنوعی با آن مواجه بودند.
وی اشاره کرد: با وجود همه این چالش ها، نقطه ای که در آن قرار گرفتیم، نقطه بسیار خوبی است و چشم انداز خوبی را پیش رو قرار می دهد. بطور خلاصه، عضو هیات علمی دانشگاه تهران ضمن اشاره به فاز سوم این طرح عنوان کرد: مرحله بعد این پروژه اینست که داده های عملیاتی را هم در این ابزار وارد نماییم تا بتوان با این دستیار هوش مصنوعی در مورد داده های عملیاتی هم گفتگو داشته باشیم؛ برای مثال میزان تولید یک مخزن نفت یا گاز و یا میزان رشد تولید یا روند تولید آن را پیدا نماییم. همچنین با توجه به این که مدل های زبانی ابعاد مختلفی دارند (کوچک، متوسط، بزرگ و خیلی بزرگ) و هر چه ابعاد آنها بزرگ تر باشد، هنگام اجرا منابع بیشتری می طلبند. وی ضمن اشاره به چالش یکپارچه سازی داده ها اضافه کرد: چالش بعدی در لایه داده ها اینست که در سطح وزارت خانه ای که ذیل آن سازمان های تابعه بسیار گسترده و دارای استقلال نسبی وجود دارد، هر یک از آنها داده های خود را با یک مدل سیستم نگهداری کردند و یکپارچه سازی داده ها دشوار می شود.
این مطلب نئوپدیا را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب