كوئرا اولين رويداد تخصصي توسعه‌دهندگان ارشد شركت‌هاي ايراني را برگزار كرد

سري رويدادهاي Traceway قرار است فضايي براي انتقال تجربه و شبكه‌سازي توسعه‌دهندگان ارشد كشور باشد. در هر رويداد، توسعه‌دهندگان ارشد سازمان‌هاي ايراني و بين‌المللي تجربيات خود را با ساير توسعه‌دهندگان به‌اشتراك خواهند گذاشت و با تشريح تجربيات متخصص خود در طراحي و پياده‌سازي فناوري‌هاي روز دنيا، مسير پيش روي ساير سازمان‌ها را در استفاده از هر فناوري روشن‌تر خواهند كرد.

اولين رويداد از سري رويدادهاي Traceway با حضور مديران متخصص و توسعه‌دهندگان ارشد سازمان‌ها و استارتاپ‌هاي ايراني چهاردهم آذر در دانشگاه صنعتي شريف برگزار شد. تمركز اين دوره بر «هوش مصنوعي و يادگيري ماشين» بود و رويداد از سه بخش اصلي تشكيل مي‌شد:

• بخش اول: ارائه‌هاي بلند: در اين بخش، توسعه‌دهندگاني از چهار شركت ديجي‌كالا، مسيرياب بلد، كافه‌بازار و تپسل تجربيات خود را در استفاده از «هوش مصنوعي» در محصولاتشان به‌تفصيل بيان كردند؛
• بخش دوم: ارائه‌هاي كوتاه: در اين بخش سه شركت سلام‌سينما و ويرگول و واكاويك در قالب Ignite (سخنراني‌هاي كوتاه پنج‌دقيقه‌اي) بخش متخصص محصول خود را معرفي كردند؛
• بخش سوم: شبكه‌سازي: اين بخش براي ايجاد ارتباط بين مهمانان رويداد با يكديگر و درادامه‌ي پرسش‌وپاسخ با سخنرانان در بازه‌ي زماني يك‌ساعته برگزار شد.

در ابتداي رويداد محمدباقر تبريزي، مديرعامل كوئرا، مسير طي‌شده در اين استارتاپ را از ابتدا تاكنون روايت كرد. كوئرا چهار سال پيش به‌عنوان سيستم كمك‌يادگيريي در دانشگاه صنعتي شريف شروع به كار كرد و در‌حال‌حاضر، سرويس‌هاي مختلفي براي جامعه‌ي برنامه‌نويسان ايران ارائه كرده است.

تبريزي در Traceway گفت عمده‌ي فعاليت كوئرا در زمينه‌هاي يادگيري تعاملي برنامه‌نويسي و برگزاري مسابقات براي برنامه‌نويسان و كاريابي نيروهاي ماهر اين حوزه بوده است. دركنار اين فعاليت‌ها، كوئرا سعي مي‌كند با برگزاري رويدادهاي تخصصي مانند Traceway بستري مناسب براي همكاري و انتقال تجربه بين توسعه‌دهندگان ايراني بسازد.

عباس حسيني در Traceway شرح داد چگونه تپسل با پيش‌بيني رفتار متخصصان در مواجهه با هر آگهي، مرتبط‌ترين تبليغ را به هر متخصص نمايش مي‌دهد. حسيني ابتدا روند كار پلتفرم‌هاي تبليغات ديجيتال را توضيح داد و در‌اين‌باره گفت:

اكوسيستم تبليغات به اين صورت است كه هميشه گروهي از تبليغ‌دهندگان را داريم كه مي‌خواهند تبليغ خودشان را نشان دهند و مخاطبان بيشتري به‌دست آورند. درمقابل، رسانه‌هايي نيز داريم كه مي‌خواهند ازطريق اين تبليغات درآمدزايي كنند. چالش اصلي اين است كه اين دو گروه به‌صورت يك‌به‌يك نمي‌توانند باهم ارتباط برقرار كنند. DSP يا به‌عبارتي Demand Side Platformها بسترهايي هستند كه به تبليغ‌دهندگان سرويس مي‌دهند و هدفشان اين است كه با كمترين هزينه و بهترين حالت بتوانند تبليغ‌دهندگان را به اهدافشان برسانند. ناگفته نماند SSPها يا به‌ عبارت ديگر، Supply Side Platformها به نمايش‌دهندگان متصل مي‌شوند و سعي مي‌كنند با بيشترين ارزش فضاي تبليغاتي را بفروشند.

 پس از اين معرفي اوليه، عباس حسيني درباره موضوعاتي مانند DSP Turnover Rate و مكانيزم‌ها و فرمول‌هاي يادگيري ماشين و روش‌هاي Deep و Factorization Machines براي پردازش و مديريت Requestهاي شبكه‌هاي تبليغاتي صحبت كرد.

درادامه، علي چلمقاني محصول پردازش زبان‌هاي طبيعي (NLP) كافه‌بازار را تشريح كرد. توضيحات چلمقاني درباره‌ي استفاده‌هايي از اين محصول در «چت ديوار» و نتايجي بود كه بعد از آن در پي داشته است. چلمقاني در ابتدا به ساختار تيم‌هاي كافه‌بازار در سه محصول اصلي بازار و ديوار و بلد اشاره كرد كه هركدام زيرمحصول و تيم‌هاي جدا دارند. سپس، درباره‌ي چت ديوار و زمان انتشار اين محصول صحبت كرد و نشان داد چگونه با تحليل محتواي متني چت ديوار و دسته‌بندي داده‌ها، توانستند ميزان موفقيت آگهي‌هاي ديوار را افزايش دهند.

يكي از چالش‌هاي اين حوزه آماده‌كردن ديتاست در حوزه‌ي چت محسوب مي‌شد كه كار آساني نبود و نمي‌توانستند مدلي از داده‌ها به‌وجود بياورند تا به Intent Classification چت برسند؛ ازاين‌رو، براي اين كار محتواي چت‌ها را دسته‌بندي كردند. براي مثال، چت‌هايي كه درباره‌ي تجهيزات متخصص ماشين‌ها مثل بيمه، مدل و... را در يك دسته قرار دادند و همين‌طور اين روش را براي املاك و... امتحان كردند. حتي مزاحمت‌هايي كه در ديوار اتفاق مي‌افتاد، ازطريق دليل بلاك‌كردن متخصص متوجه مي‌شدند و درواقع، همه‌ي اين كارها را يادگيري ماشين برايشان انجام مي‌داد. در‌حال‌حاضر نيز سيستمي كه در حال بهبود آن هستند، Smart Suggestions است كه ازطريق يادگيري ماشين قرار است پيش‌بيني كند سؤال بعدي متخصص  چه خواهد بود.

پيام آراسته در Traceway دربار‌ي پيش‌بيني ترافيك مسيرياب بلد صحبت كرد؛ موضوعي كه مي‌تواند با كم‌كردن زمان و مسافت سفرها، مهم‌ترين برتري تكنولوژي مسيرياب‌ها محسوب شود. آراسته داستان تخمين‌زدن ترافيك در سطح شهر در اپليكيشن بلد را بازگو كرد و گفت دانستن ميزان ترافيك در زندگي‌مان قطعاً تأثيرگذار خواهد بود. او سخنانش را اين‌چنين ادامه داد:

ممكن است فكر كنيد داده‌هايي كه براي ترافيك به‌دست مي‌آوريم، ازطريق دوربين‌هاي سطح شهر يا تصاوير ماهواره‌اي هستند. درواقع، هركدام از اين‌ روش‌ها اشكالاتي دارند كه باعث مي‌شود از آن‌ها استفاده نكنيم. درعوض، مسيرياب‌ها دقيقا از داده‌هاي خود متخصصان استفاده مي‌كنند؛ يعني ازطريق GPS سيگنال‌ها به سرورهاي ما فرستاده مي‌شود كه مي‌توانيم از آن‌ها استفاده كنيم.

 آراسته درادامه درباره‌ي جزئيات متخصص اين كار توضيحات بيشتري داد و گفت:

براي اينكه بتوانيم به‌درستي اين كار را انجام دهيم، از Big Data و Hadoop استفاده كرديم و براي مباحثه حريم خصوصي (Privacy)، زماني‌كه با اطلاعاتتان مثل شماره‌تماس يا رايانامه وارد اپليكيشن مي‌شويد، توكن‌هايي به‌صورت تصادفي ايجاد مي‌شود كه ازطريق سيستم Map Matching مي‌تواند سيگنال‌هايي ارسال كند تا بتواند مسير را تشخيص دهد.

تشخيص Live Mapping ازطريق ويندوها، متخصصد نمودار گوسي، Recency و Frequency و فرمول‌هاي استفاده‌شده‌ي يادگيري ماشين مواردي بودند كه درادامه پيام آراسته تخصصي‌تر درباره‌اش صحبت كرد.

حامد دهقاني به‌عنوان نخستين سخنران بخش ارائه‌هاي بلند ماجراي سيستم توصيه‌گر (Recommendation System) ديجي‌كالا را تعريف كرد؛ سيستمي كه تا همين چند هفته پيش، از سرويس‌هاي خارجي استفاده مي‌كرد؛ اما حالا با طراحي و پياده‌سازي كامل آن در ديجي‌كالا، علاوه‌بر كاهش هزينه، نتايج بهتري هم در تشخيص علاقه‌مندي‌هاي متخصصان داشته است. دهقاني در Traceway گفت:

ديجي‌كالا درزمينه‌ي سيستم توصيه‌گر از داده‌هايي مثل Business Data و User Event Data استفاده مي‌كند كه درنهايت، به Big Data Storage ديجي‌كالا تبديل مي‌شود تا اپليكشين‌هاي توصيه‌گر به‌خوبي كار كنند. اين اپليكيشن‌ها ويژگي‌هايي از جنس Personalize و Non personalize دارند كه اين سيستم براي پيشنهادها از Related Product ،Aslo bought ،Top category و... استفاده مي‌كند.

وي به اين موضوع نيز اشاره كرد كه ديجي‌كالا مي‌توانست از Third Party Recommendation استفاده كند؛ اما ترجيح داد خودش با استفاده از يادگيري ماشين سيستمي طراحي كنند كه علاوه‌بر كاهش هزينه، نتايج بهتري نيز داشته باشد.

در‌ادامه و در بخش ارائه‌هاي كوتاه، هادي راسخ استفاده از هوش مصنوعي براي پيشنهاد فيلم در سلام‌سينما را شرح داد و گفت:

در سلام‌سينما از Recommendation System براي پيشنهاد فيلم مطابق سليقه‌ي متخصصان استفاده كرديم. براي شروع از سرويس Prediction.io بهره برديم؛ ولي محدوديت‌هايي وجود دارد كه مي‌كوشيم با استفاده از الگوريتم‌هاي ديگر آن‌ها را برطرف كنيم.

آرمان فاطمي، از واكاويك، به اهميت داده‌هاي بزرگ و كوچك در كسب‌وكار اشاره و درادامه، معرفي واكاويك، سرويس پردازش هوشمند متن فارسي با استفاده از هوش مصنوعي را معرفي كرد. فاطمي از اهميت و پيشرفت هوش مصنوعي در كسب‌كارهاي مرتبط با منابع انساني هم صحبت كرد.

علي آجودانيان نيز درباره‌ي پيشنهاد مطالب در ويرگول اين‌چنين توضيح داد:

پيشنهاد پست‌ها را با‌توجه‌به فعاليت‌هاي متخصصان درزمينه‌ي خواندن مقاله‌هاي مختلف انجام داديم و با استفاده از تجزيه‌ي متن، مطلبي را پيشنهاد مي‌داديم كه با سليقه‌ي متخصص يكسان بود. درحال‌حاضر هم در حال آزمايش سيستمي هستند كه اين روند را بهبود داده است.

اگر به ديدن سخنراني‌هاي اين رويداد علاقه داريد، مي‌توانيد با مراجعه به وب‌سايت كوئرا و با استفاده از كد تخفيف zoomit به ويدئوهاي ضبط‌شده دسترسي داشته باشيد.