ISDS شریف؛ جایی برای تبدیل دانش داده محور به فناوری اثرگذار
گروه سیستمهای اطلاعات و علوم داده شریف (ISDS) با مشارکت اعضای هیئت علمی حوزههای مهندسی برق، علوم ریاضی و مهندسی کامپیوتر شکل گرفته است؛ با یک نگاه میانرشتهای به مسئلهای که امروز فقط یک موضوع دانشگاهی نیست: چگونه از داده، سیستم و فناوری های نوین برای ساخت مزیت واقعی استفاده کنیم؟
مسیر ISDS از پژوهش بنیادی آغاز میشود، اما به مقاله محدود نمیماند؛ توسعه الگوریتم و نرمافزار، زیرساختهای پردازشی و سختافزاری، تربیت نیروی متخصص، ارتباط با صنعت، مشاوره تخصصی و ایجاد زمینه برای
شکلگیری فناوریها و کسبوکارهای نوآور، بخشی از اهداف این گروه است.
قرار گرفتن ISDS در پژوهشکده جامع علوم و فناوریهای همگرای دانشگاه صنعتی شریف نیز امکان تعامل با حوزههای نانو، زیستی، شناختی و کوانتوم را فراهم میکند؛ همان نقطهای که بسیاری از مسائل نسل بعد، دیگر در مرز یک رشته حل نمیشوند.
در این کانال از پژوهش صرفاً برای گفتن «چه چیزی ممکن است» صحبت نمیکنیم؛ بیشتر دنبال این هستیم که ببینیم چه چیزی را میتوان ساخت، ارزیابی کرد و به مسئلهای واقعی در صنعت و جامعه متصل کرد.
ISDS | Information Systems & Data Science — Sharif University of Technology
گروه سیستمهای اطلاعات و علوم داده شریف (ISDS) با مشارکت اعضای هیئت علمی حوزههای مهندسی برق، علوم ریاضی و مهندسی کامپیوتر شکل گرفته است؛ با یک نگاه میانرشتهای به مسئلهای که امروز فقط یک موضوع دانشگاهی نیست: چگونه از داده، سیستم و فناوری های نوین برای ساخت مزیت واقعی استفاده کنیم؟
مسیر ISDS از پژوهش بنیادی آغاز میشود، اما به مقاله محدود نمیماند؛ توسعه الگوریتم و نرمافزار، زیرساختهای پردازشی و سختافزاری، تربیت نیروی متخصص، ارتباط با صنعت، مشاوره تخصصی و ایجاد زمینه برای
شکلگیری فناوریها و کسبوکارهای نوآور، بخشی از اهداف این گروه است.
قرار گرفتن ISDS در پژوهشکده جامع علوم و فناوریهای همگرای دانشگاه صنعتی شریف نیز امکان تعامل با حوزههای نانو، زیستی، شناختی و کوانتوم را فراهم میکند؛ همان نقطهای که بسیاری از مسائل نسل بعد، دیگر در مرز یک رشته حل نمیشوند.
در این کانال از پژوهش صرفاً برای گفتن «چه چیزی ممکن است» صحبت نمیکنیم؛ بیشتر دنبال این هستیم که ببینیم چه چیزی را میتوان ساخت، ارزیابی کرد و به مسئلهای واقعی در صنعت و جامعه متصل کرد.
ISDS | Information Systems & Data Science — Sharif University of Technology
۲
رسانه دیجیتال فقط «محتوا» نیست؛ یک مسئله پیچیده داده است.
هر روز حجم عظیمی از متن، صدا، تصویر و ویدئو در خبرگزاریها، وبسایتها
و شبکههای اجتماعی تولید میشود. اما مسئله فقط بزرگی داده نیست؛ این دادهها زمانمند، چندرسانهای، ناهمگون و اغلب فاقد Ground Truth قابل اتکا هستند.
مثلاً وقتی میخواهیم اعتبار یک خبر یا حتی یک ادعا را ارزیابی کنیم، همیشه پاسخ قطعی و ازپیشمعلومی برای مقایسه وجود ندارد. از طرف دیگر، روشی که روی یک پل
تفرم، زبان یا قالب داده خوب کار میکند، لزوماً در محیطی دیگر قابل تعمیم نیست.
همین ویژگیها، رسانههای دیجیتال را به نقطه تلاقی حوزههایی مانند پردازش زبان طبیعی، یادگیری ماشین، علوم شبکه، آمار، علوم کامپیوتر و علوم اجتماعی تبدیل کرده است.
چالش واقعی از جایی شروع میشود که باید دادههای ساختارمند و بدون ساختار را همزمان ذخیره، مدیریت، یکپارچه و تحلیل کنیم.
در این گروه، هدف ما پرداختن به همین جنس از مسائل است:
تعریف مسئلههای واقعی از دنیای واقعی، و ساختن روشهایی که بتوا
نند از پیچیدگی داده به فهم قابل اتکا برسند.
هر روز حجم عظیمی از متن، صدا، تصویر و ویدئو در خبرگزاریها، وبسایتها
و شبکههای اجتماعی تولید میشود. اما مسئله فقط بزرگی داده نیست؛ این دادهها زمانمند، چندرسانهای، ناهمگون و اغلب فاقد Ground Truth قابل اتکا هستند.
مثلاً وقتی میخواهیم اعتبار یک خبر یا حتی یک ادعا را ارزیابی کنیم، همیشه پاسخ قطعی و ازپیشمعلومی برای مقایسه وجود ندارد. از طرف دیگر، روشی که روی یک پل
تفرم، زبان یا قالب داده خوب کار میکند، لزوماً در محیطی دیگر قابل تعمیم نیست.
همین ویژگیها، رسانههای دیجیتال را به نقطه تلاقی حوزههایی مانند پردازش زبان طبیعی، یادگیری ماشین، علوم شبکه، آمار، علوم کامپیوتر و علوم اجتماعی تبدیل کرده است.
چالش واقعی از جایی شروع میشود که باید دادههای ساختارمند و بدون ساختار را همزمان ذخیره، مدیریت، یکپارچه و تحلیل کنیم.
در این گروه، هدف ما پرداختن به همین جنس از مسائل است:
تعریف مسئلههای واقعی از دنیای واقعی، و ساختن روشهایی که بتوا
نند از پیچیدگی داده به فهم قابل اتکا برسند.
۲
در تلکام، داده فقط خروجی شبکه نیست؛ بخشی از مزیت رقابتی است.
اپراتورهای مخابراتی هر روز با حجم بزرگی از دادههای شبکه، مصرف
،
رفتار کاربران و تعاملات خدماتی روبهرو هستند. ارزش واقعی زمانی ایجاد میشود که این دادهها به تصمیم تبدیل شوند.
علوم داده میتواند در سه نقطه کلیدی نقش مستقیم داشته باشد:
بهبود عملکرد شبکه، افزایش سودآوری و طراحی هوشمندانهتر استراتژیهای بازار.
با رشد مداوم حجم دادههای مبادلهشده در بسترهای مخابراتی، تصمیمگیری صرفاً مبتنی بر تجربه دیگر کافی نیست. صنعت تلکام بیش از گذشته به راهکارهایی نیاز دارد که بتوانند از دل داده، الگو، پیشبینی و اقدام قابل اجرا استخراج کنند.
در چنین فضایی، علوم داده یک ابزار جانبی نیست؛
بخشی از زیرساخت تصمیمگیری نسل بعدی اپراتورهاست.
اپراتورهای مخابراتی هر روز با حجم بزرگی از دادههای شبکه، مصرف
،
رفتار کاربران و تعاملات خدماتی روبهرو هستند. ارزش واقعی زمانی ایجاد میشود که این دادهها به تصمیم تبدیل شوند.
علوم داده میتواند در سه نقطه کلیدی نقش مستقیم داشته باشد:
بهبود عملکرد شبکه، افزایش سودآوری و طراحی هوشمندانهتر استراتژیهای بازار.
با رشد مداوم حجم دادههای مبادلهشده در بسترهای مخابراتی، تصمیمگیری صرفاً مبتنی بر تجربه دیگر کافی نیست. صنعت تلکام بیش از گذشته به راهکارهایی نیاز دارد که بتوانند از دل داده، الگو، پیشبینی و اقدام قابل اجرا استخراج کنند.
در چنین فضایی، علوم داده یک ابزار جانبی نیست؛
بخشی از زیرساخت تصمیمگیری نسل بعدی اپراتورهاست.
۱
علوم داده در تلکام؛ از شناخت مشتری تا هوشمندی شبکه
در صنعت تلکام، ارزش داده فقط در گزارشگیری نیست؛ در ا
ین است که بتوان از آن برای تصمیم بهتر و اقدام سریعتر استفاده کرد.
علوم داده امروز میتواند در سه جبهه مهم برای اپراتورها ارزش ایجاد کند
:
۱. شناخت و حفظ مشتری
از دستهبندی مشتریان و تحلیل احساسات تا پیشبینی ریزش، تخمین ارزش طول عمر مشتری، موتورهای توصیهگر و بهینهسازی قیمت.
۲. بهبود عملکرد و امنیت شبکه
تحلیل دادههای شبکه میتواند نقاط پرترافیک را شناسایی کند، ناهنجاریها را زودتر آشکار سازد و به مدیریت هوشمندتر
ترافیک، پایداری و تشخیص تقلب کمک کند.
۳. هوش مصنوعی در لبه شبکه
با توسعه IoT، 5G و سرویسهای حساس به تأخیر، بخشی از تحلیل و تصمیمگیری باید به محل تولید داده نزدیکتر شود؛ جایی که Edge Computing و AI به هم میرسند.
نقطه مشترک هر سه حوزه روشن است:
اپراتور آینده فقط شبکه را مدیریت نمیکند؛ داده، تصمیم و هوشمندی را نیز مدیریت میکند.
در صنعت تلکام، ارزش داده فقط در گزارشگیری نیست؛ در ا
ین است که بتوان از آن برای تصمیم بهتر و اقدام سریعتر استفاده کرد.
علوم داده امروز میتواند در سه جبهه مهم برای اپراتورها ارزش ایجاد کند
:
۱. شناخت و حفظ مشتری
از دستهبندی مشتریان و تحلیل احساسات تا پیشبینی ریزش، تخمین ارزش طول عمر مشتری، موتورهای توصیهگر و بهینهسازی قیمت.
۲. بهبود عملکرد و امنیت شبکه
تحلیل دادههای شبکه میتواند نقاط پرترافیک را شناسایی کند، ناهنجاریها را زودتر آشکار سازد و به مدیریت هوشمندتر
ترافیک، پایداری و تشخیص تقلب کمک کند.
۳. هوش مصنوعی در لبه شبکه
با توسعه IoT، 5G و سرویسهای حساس به تأخیر، بخشی از تحلیل و تصمیمگیری باید به محل تولید داده نزدیکتر شود؛ جایی که Edge Computing و AI به هم میرسند.
نقطه مشترک هر سه حوزه روشن است:
اپراتور آینده فقط شبکه را مدیریت نمیکند؛ داده، تصمیم و هوشمندی را نیز مدیریت میکند.
۲ISDS AI Helal Ahmar.pdf
۴.۵۸ مگابایت
معرفی توانمندی های مرکز سیستم های اطلاعات و علوم داده شریفدر حوزه های نوین هوش مصنوعی
۱
از «جزیرههای نرمافزاری» تا «جزیرههای هوش مصنوعی»
سالها سازمانها برای مالی، منابع انسانی، فروش، انبار و اتوماسیون، سامانههای جداگانه خریدند. نتیجه را میشناسیم: دادههای پراکنده، زیرساختهای مستقل و یکپارچهسازی پرهزینه.
حالا همان الگو در هوش مصنوعی در حال تکرار است؛
یک Chatbot اینجا، یک RAG آنجا، چند API مدل زبانی، یک Agent، چند GPU و یک مح
یط Data Science مستقل.
مسئله این است که داشتن ابزارهای AI به معنی داشتن قابلیت سازمانی AI نیست.
تحولات Data-Driven چند سال اخیر یک درس مهم داشتهاند: ارزش واقعی زمانی ایجاد میشود که Data، Compute، Model و Application در یک معماری یکپارچه به هم متصل شوند و چرخه توسعه، استقرار، امنیت، مانیتورینگ و حاکمیت نیز روی همان بستر مدیریت شود.
اینجاست که مفهوم AI Factory اهمیت پیدا میکند.
در معماری ISDS AI Factory، بهجای ساخت جزیرههای جدید، یک بستر مشترک برای:
Data → Compute → Models → Development → Model Serving → RAG → Agents & Workflows → AI Applications
ایجاد میشود.
روی چنین بستری میتوان دهها Use Case مختلف ساخت؛ از دستیار دانش سازمانی و تحلیل قراردادها ت
ا Agent مالی، سیستمهای پیشنهاددهنده، مدلهای ML، Computer Vision و اتوماسیون فرایندها.
نکته کلیدی همینجاست:
سازمان آینده قرار نیست دهها پروژه AI مستقل داشته باشد؛ باید یک زیرساخت هوش مصنوعی داشته باشد که بتواند دهها مسئله کسبوکار را روی آن حل کند.
تحول دادهمحور، ما را از «خرید نرمافزار» به سمت ساخت قابلیت سازمانی برد.
تحول AI نیز بهاحتمال زیاد همین مسیر را طی خواهد کرد:
از خرید چند ابزار و مدل، به سمت ایجاد یک Enterprise AI Platform یکپارچه، قابلکنترل و توسعهپذیر.
ISDS AI Factory | از زیرساخت تا Use Case
سالها سازمانها برای مالی، منابع انسانی، فروش، انبار و اتوماسیون، سامانههای جداگانه خریدند. نتیجه را میشناسیم: دادههای پراکنده، زیرساختهای مستقل و یکپارچهسازی پرهزینه.
حالا همان الگو در هوش مصنوعی در حال تکرار است؛
یک Chatbot اینجا، یک RAG آنجا، چند API مدل زبانی، یک Agent، چند GPU و یک مح
یط Data Science مستقل.
مسئله این است که داشتن ابزارهای AI به معنی داشتن قابلیت سازمانی AI نیست.
تحولات Data-Driven چند سال اخیر یک درس مهم داشتهاند: ارزش واقعی زمانی ایجاد میشود که Data، Compute، Model و Application در یک معماری یکپارچه به هم متصل شوند و چرخه توسعه، استقرار، امنیت، مانیتورینگ و حاکمیت نیز روی همان بستر مدیریت شود.
اینجاست که مفهوم AI Factory اهمیت پیدا میکند.
در معماری ISDS AI Factory، بهجای ساخت جزیرههای جدید، یک بستر مشترک برای:
Data → Compute → Models → Development → Model Serving → RAG → Agents & Workflows → AI Applications
ایجاد میشود.
روی چنین بستری میتوان دهها Use Case مختلف ساخت؛ از دستیار دانش سازمانی و تحلیل قراردادها ت
ا Agent مالی، سیستمهای پیشنهاددهنده، مدلهای ML، Computer Vision و اتوماسیون فرایندها.
نکته کلیدی همینجاست:
سازمان آینده قرار نیست دهها پروژه AI مستقل داشته باشد؛ باید یک زیرساخت هوش مصنوعی داشته باشد که بتواند دهها مسئله کسبوکار را روی آن حل کند.
تحول دادهمحور، ما را از «خرید نرمافزار» به سمت ساخت قابلیت سازمانی برد.
تحول AI نیز بهاحتمال زیاد همین مسیر را طی خواهد کرد:
از خرید چند ابزار و مدل، به سمت ایجاد یک Enterprise AI Platform یکپارچه، قابلکنترل و توسعهپذیر.
ISDS AI Factory | از زیرساخت تا Use Case
۱
AI فقط نباید پاسخ بدهد؛ باید کار را جلو ببرد.Nexus Studio برای همین ساخته شده:فهم Context، برنامهریزی، اجرای ابزارها، کنترل دسترسی و اصلاح مسیر.
حرکت بعدی سازمانها از Data-Driven به Action-Driven AI است؛یعنی هوش مصنوعی که فقط تحلیل نمیکند، اقدام میکند.
Nexus Studio | از پاسخ هوشمند تا اجرای هوشمند
حرکت بعدی سازمانها از Data-Driven به Action-Driven AI است؛یعنی هوش مصنوعی که فقط تحلیل نمیکند، اقدام میکند.
Nexus Studio | از پاسخ هوشمند تا اجرای هوشمند
۱
حضور isds در الکامپ ۱۴۰۵
۱
نبض مدیران ایران در مواجهه با هوش مصنوعی | AI Executive Pulse 1405 ا این مطالعه کوتاه برای شناخت اولویتها، موانع و نیازهای واقعی مدیران ایرانی در مواجهه با AI انجام میشود. نتایج تجمیعی آن برای طراحی برنامه AI for Executives و گزارش AI Executive Pulse 1405 استفاده خواهد شد.زمان پاسخگویی: حدود ۳ دقیقه | پاسخها بهصورت تجمیعی تحلیل میشوند.
لینک مستقیم : https://survey.porsline.ir/s/DKkbreRp
لینک مستقیم : https://survey.porsline.ir/s/DKkbreRp
ISDS در نمایشگاه الکامپ ۱۴۰۵سالن ۳۸، غرفه ۱منتظر دیدار شما هستیم
۵