به گزارش پیوست، مدیران «هومص» در نشست خبری رونمایی از دستیار هوش مصنوعی «عیار» درباره زیرساخت فنی این سامانه، نحوه تامین GPU، دسترسی به دادههای صنعتی و معماری چندمدلی آن توضیح دادند؛ بر اساس توضیحات معاون فنی هومص، «عیار» از هشت مدل استفاده میکند که سه مدل آن داخلی و بدون نیاز به اینترنت هستند، اما لایه تحلیل عمیق سامانه به ChatGPT وابسته است و در صورت قطع اینترنت، این بخش و قابلیت جستوجوی اطلاعات رقبا از دسترس خارج میشود.
شرکت تسهیلگران صادرات هوش مصنوعی صنعتی «هومص» در نشست خبری خود از دستیار هوشمند «عیار» رونمایی کرد؛ سامانهای که با هدف ارزیابی استارتآپها و شرکتهای فناور، بررسی میزان آمادگی آنها برای جذب سرمایه و همچنین شناسایی ظرفیتهای قابل همکاری با صنایع طراحی شده است.سه مدل داخلی بدون نیاز به اینترنت؛ تحلیل عمیق وابسته به ChatGPT
مهران ضیابری، معاون فنی هومص، در پاسخ به پرسشهای «پیوست» درباره GPU، داده و مدل هوش مصنوعی مورد استفاده در عیار توضیح داد که این مجموعه برای زیرساخت پردازشی خود GPU تامین کرده و خدماتی در حوزه زیرساخت GPU و داده به مجموعهها ارائه میدهد.
او با اشاره به همکاری هومص با صنایع گفت: «ما در هومص GPU تامین کردیم و خدماتی که به مجموعهها میدهیم، خدمات زیرساخت GPU و خدمات داده است. همکاریهایی خوبی با صنعت برقرار کردیم و توانستیم ارتباط خوبی با صنعت برای گرفتن داده داشته باشیم؛ زیرا یکی از چالشهای شرکتها نبود داده است.»
ضیابری درباره معماری «عیار» نیز گفت که این سامانه از هشت مدل استفاده میکند و سه مدل از این مجموعه، مدلهای داخلی هومص هستند که برای استفاده از آنها نیازی به اینترنت وجود ندارد.
ضیابری درباره معماری «عیار» توضیح داد: «عیار از هشت مدل استفاده میکند، سه تا از این مدلها مدل داخلی خودمان است و احتیاج به اینترنت ندارد. یک مدل اصلی داریم که مدل تحلیل نهایی است؛ برای این بخش رسما از ChatGPT استفاده میکنیم و اگر اینترنت نباشد، لایه عمیق استفاده نمیشود.»
او سهم مدلهای داخلی در پاسخگویی به نیازهای کاربران را نیز بیش از ۸۰ درصد اعلام کرد، اما همزمان توضیح داد که این مدلها جای لایه تحلیل عمیق و جستوجوی اینترنتی را نمیگیرند.
ضیابری گفت: بالای ۸۰ درصد نیاز استارتآپها با مدلهای خودمان جواب میدهد اما تحلیل عمیق و جستوجوی اینترنت را نمیتواند انجام دهد که رقبا چه کردهاند.
یکی از محورهای صحبتهای معاون فنی هومص، مسئله داده بود. او نبود داده را یکی از چالشهای شرکتهای فعال در حوزه هوش مصنوعی عنوان کرد و گفت هومص برای توسعه خدمات خود با صنایع ارتباط برقرار کرده تا بتواند به دادههای صنعتی دسترسی پیدا کند.
عیار یک مدل اختصاصی واحد نیست که همه فرایندها را بهتنهایی انجام دهد، بلکه از ترکیبی از مدلهای داخلی و مدلهای موجود در اینترنت استفاده میکند. در نتیجه، استقلال عملیاتی سامانه نیز به نوع کاری که کاربر از آن میخواهد وابسته است. بخش عمدهای از نیازهای عادی میتواند با مدلهای داخلی پاسخ داده شود، اما برای تحلیل عمیق و جستوجوی اطلاعات بیرونی، اتصال اینترنتی همچنان ضروری است.مدل عیار از یک مدل واحد ساخته نشده است
محمدرضا معبودیان، مدیرعامل هومص، نیز در پاسخ به پرسش درباره مدل هوش مصنوعی مورد استفاده در «عیار» گفت: این سامانه بر مبنای یک مدل واحد توسعه نیافته است. هومص در فرایند طراحی این سامانه، پروندههای موفق و ناموفق را جمعآوری و احیا کرده و بر اساس آنها مدل هوش مصنوعی مورد استفاده در عیار را شکل داده است.
او همچنین توضیح داد که زیرساخت توانمندسازی هومص فقط به سرمایهگذاری محدود نمیشود و شرکتهای فعال در حوزه GPU و پلتفرمهای داده نیز در قالب شبکه پارتنر با این مجموعه همکاری دارند.
معبودیان ادامه داد: «برای توانمندسازی فقط سرمایه مطرح نیست، بلکه شرکتهایی که در حوزه GPU و پلتفرم داده خدمت میدهند، اینها را به عنوان شبکه پارتنر گرفتیم و از کمکها و دیتاهای اینها هم استفاده میکنیم.»
مدیرعامل هومص در ادامه، درباره وابستگی «عیار» به مدلهای عمومی نیز توضیح داد: «ما از یک مدل در دستیار استفاده نکردهایم، بلکه از مدلهای موجود در اینترنت و هم مدل شخصی سازمان استفاده کردهایم و از مجموع خدمات پاسخها را دریافت میکنیم.»محمدرضا معبودیان، مدیرعامل هومص
مدیرعامل هومص درباره مسئلهای که اساسا به طراحی عیار منجر شد، به تجربه این مجموعه در ارزیابی استارتآپها اشاره کرد. به گفته معبودیان، هومص در یک سال ۳۳۸ پرونده استارتآپی در حوزه هوش مصنوعی صنعتی را شناسایی کرده است. از میان این پروندهها، ۲۲۳ مورد وارد انتخاب اولیه شدند، ۱۵۹ پرونده تیم داشتند، ۴۶ پرونده چیزی قابل ارزیابی ارائه کردند، ۳۷ مورد به جلسه ارزیابی رسیدند و در نهایت تنها هشت پرونده به بررسی موشکافانه راه یافتند.
این آمار به گفته مدیرعامل هومص نشان میدهد فاصله قابل توجهی میان تعداد فرصتهای شناساییشده و تعداد پروندههایی که واقعا قابلیت بررسی جدی دارند، وجود دارد.
معبودیان درباره این مسئله گفته بود که مشکل همه این پروندهها الزاما ضعف فناوری نبوده است. در مواردی بازار و مشتری مشخص نبوده، مدل مالی اتکاپذیری وجود نداشته یا تیم نمیتوانسته مبلغ مورد نیاز و محل مصرف سرمایه را به شکل قابل دفاع توضیح دهد.
مدیرعامل هومص تاکید کرد که توانمندسازی مجموعهها فقط به تزریق سرمایه محدود نمیشود و شرکتهایی که در حوزه GPU، پلتفرم داده و خدمات فنی فعالیت میکنند نیز میتوانند در این شبکه نقش داشته باشند.
به این ترتیب، مدل مورد نظر هومص فقط رابطه سرمایهگذار و استارتآپ نیست؛ بلکه تلاش میکند مجموعهای از سرمایه، زیرساخت پردازشی، داده، خدمات فنی، صنعت و بازار را در کنار هم قرار دهد.۹ مرحله برای تبدیل یک ارائه به پرونده
مهران ضیابری، معاون فنی هومص، در بخش دیگری از نشست درباره نحوه کار عیار توضیح داد که این سامانه صرفا یک فرم پذیرش یا ابزار ساخت ارائه نیست.
او گفت: عیار در ۹ مرحله به تیم کمک میکند ادعاهای خود را با عدد، سند و منطق پشتیبانی کند و ابهامها و تناقضهای موجود در پاسخها را مورد توجه قرار دهد. عیار قرار نیست جای سرمایهگذار یا داور انسانی را بگیرد. نقش آن در مرحله پیش از تصمیمگیری است؛ یعنی جایی که باید نقاط ضعف پرونده مشخص شود و تیم برای مواجهه با پرسشهای جدی آماده شود.
در تجربه اعلامشده از سوی این مجموعه، برخی تیمها فناوری یا محصول قابل توجهی داشتهاند، اما نتوانستهاند درباره بازار، مشتری، مدل درآمدی، میزان سرمایه مورد نیاز یا نحوه مصرف آن توضیح روشنی ارائه دهند. در نتیجه، یک ایده یا محصول فناورانه پیش از رسیدن به مرحله بررسی عمیق، از فرایند خارج میشود.
ضیابری در این نشست تاکید کرد که مسئله صرفا تولید چند اسلاید جذاب نیست. به گفته او، تیم باید پیش از طراحی ارائه، خود کسبوکار را منسجم کند؛ یعنی ادعاها با شواهد، روایت با عدد و درخواست سرمایه با برنامه مشخص مرتبط باشد.
از این منظر، خروجی مورد انتظار عیار یک فایل ارائه صرف نیست، بلکه پروندهای است که بتوان درباره آن پرسش مطرح کرد و تصمیم گرفت.
ضیابری گفت که هومص توانسته با صنایع برای دریافت داده همکاریهایی ایجاد کند و این دادهها در کنار زیرساخت GPU و خدمات داده، بخشی از ظرفیت فنی مجموعه را تشکیل میدهند.مهران ضیابری، معاون فنی هومص
تمایز اصلی اعلامشده برای عیار در این نشست، بیش از آنکه ساخت یک مدل پایه مستقل باشد، به ترکیب مدلها، دادهها، تجربه ارزیابی پروندههای استارتآپی و اتصال این سامانه به شبکه هومص و صنایع مربوط است.
با توجه به توضیحات ارائهشده در نشست، این سامانه سه مسئله را همزمان دنبال میکند؛ غربال و ارزیابی اولیه استارتآپها، آمادهسازی آنها برای گفتوگو با سرمایهگذار و شناسایی شرکتهایی که میتوانند با صنایع همکاری کنند.
مدیران هومص گفتند که بخش مهمی از مزیت مورد نظر آنها در داده، تجربه پروندههای موفق و ناموفق، ارتباط با صنایع، زیرساخت GPU و شبکه شرکتهای همکار شکل گرفته است؛ مولفههایی که قرار است در کنار مدلهای هوش مصنوعی، پایه عملکرد عیار را تشکیل دهند.
