کوئرا اولین رویداد تخصصی توسعه‌دهندگان ارشد شرکت‌های ایرانی را برگزار کرد

سری رویدادهای Traceway قرار است فضایی برای انتقال تجربه و شبکه‌سازی توسعه‌دهندگان ارشد کشور باشد. در هر رویداد، توسعه‌دهندگان ارشد سازمان‌های ایرانی و بین‌المللی تجربیات خود را با سایر توسعه‌دهندگان به‌اشتراک خواهند گذاشت و با تشریح تجربیات فنی خود در طراحی و پیاده‌سازی فناوری‌های روز دنیا، مسیر پیش روی سایر سازمان‌ها را در استفاده از هر فناوری روشن‌تر خواهند کرد.

اولین رویداد از سری رویدادهای Traceway با حضور مدیران فنی و توسعه‌دهندگان ارشد سازمان‌ها و استارتاپ‌های ایرانی چهاردهم آذر در دانشگاه صنعتی شریف برگزار شد. تمرکز این دوره بر «هوش مصنوعی و یادگیری ماشین» بود و رویداد از سه بخش اصلی تشکیل می‌شد:

• بخش اول: ارائه‌های بلند: در این بخش، توسعه‌دهندگانی از چهار شرکت دیجی‌کالا، مسیریاب بلد، کافه‌بازار و تپسل تجربیات خود را در استفاده از «هوش مصنوعی» در محصولاتشان به‌تفصیل بیان کردند؛
• بخش دوم: ارائه‌های کوتاه: در این بخش سه شرکت سلام‌سینما و ویرگول و واکاویک در قالب Ignite (سخنرانی‌های کوتاه پنج‌دقیقه‌ای) بخش فنی محصول خود را معرفی کردند؛
• بخش سوم: شبکه‌سازی: این بخش برای ایجاد ارتباط بین مهمانان رویداد با یکدیگر و درادامه‌ی پرسش‌وپاسخ با سخنرانان در بازه‌ی زمانی یک‌ساعته برگزار شد.

در ابتدای رویداد محمدباقر تبریزی، مدیرعامل کوئرا، مسیر طی‌شده در این استارتاپ را از ابتدا تاکنون روایت کرد. کوئرا چهار سال پیش به‌عنوان سیستم کمک‌آموزشی در دانشگاه صنعتی شریف شروع به کار کرد و در‌حال‌حاضر، سرویس‌های مختلفی برای جامعه‌ی برنامه‌نویسان ایران ارائه کرده است.

تبریزی در Traceway گفت عمده‌ی فعالیت کوئرا در زمینه‌های آموزش تعاملی برنامه‌نویسی و برگزاری مسابقات برای برنامه‌نویسان و کاریابی نیروهای ماهر این حوزه بوده است. درکنار این فعالیت‌ها، کوئرا سعی می‌کند با برگزاری رویدادهای تخصصی مانند Traceway بستری مناسب برای همکاری و انتقال تجربه بین توسعه‌دهندگان ایرانی بسازد.

عباس حسینی در Traceway شرح داد چگونه تپسل با پیش‌بینی رفتار کاربران در مواجهه با هر آگهی، مرتبط‌ترین تبلیغ را به هر کاربر نمایش می‌دهد. حسینی ابتدا روند کار پلتفرم‌های تبلیغات دیجیتال را توضیح داد و در‌این‌باره گفت:

اکوسیستم تبلیغات به این صورت است که همیشه گروهی از تبلیغ‌دهندگان را داریم که می‌خواهند تبلیغ خودشان را نشان دهند و مخاطبان بیشتری به‌دست آورند. درمقابل، رسانه‌هایی نیز داریم که می‌خواهند ازطریق این تبلیغات درآمدزایی کنند. چالش اصلی این است که این دو گروه به‌صورت یک‌به‌یک نمی‌توانند باهم ارتباط برقرار کنند. DSP یا به‌عبارتی Demand Side Platformها بسترهایی هستند که به تبلیغ‌دهندگان سرویس می‌دهند و هدفشان این است که با کمترین هزینه و بهترین حالت بتوانند تبلیغ‌دهندگان را به اهدافشان برسانند. ناگفته نماند SSPها یا به‌ عبارت دیگر، Supply Side Platformها به نمایش‌دهندگان متصل می‌شوند و سعی می‌کنند با بیشترین قیمت فضای تبلیغاتی را بفروشند.

 پس از این معرفی اولیه، عباس حسینی درباره موضوعاتی مانند DSP Turnover Rate و مکانیزم‌ها و فرمول‌های یادگیری ماشین و روش‌های Deep و Factorization Machines برای پردازش و مدیریت Requestهای شبکه‌های تبلیغاتی صحبت کرد.

درادامه، علی چلمقانی محصول پردازش زبان‌های طبیعی (NLP) کافه‌بازار را تشریح کرد. توضیحات چلمقانی درباره‌ی استفاده‌هایی از این محصول در «چت دیوار» و نتایجی بود که بعد از آن در پی داشته است. چلمقانی در ابتدا به ساختار تیم‌های کافه‌بازار در سه محصول اصلی بازار و دیوار و بلد اشاره کرد که هرکدام زیرمحصول و تیم‌های جدا دارند. سپس، درباره‌ی چت دیوار و زمان انتشار این محصول صحبت کرد و نشان داد چگونه با تحلیل محتوای متنی چت دیوار و دسته‌بندی داده‌ها، توانستند میزان موفقیت آگهی‌های دیوار را افزایش دهند.

یکی از چالش‌های این حوزه آماده‌کردن دیتاست در حوزه‌ی چت محسوب می‌شد که کار آسانی نبود و نمی‌توانستند مدلی از داده‌ها به‌وجود بیاورند تا به Intent Classification چت برسند؛ ازاین‌رو، برای این کار محتوای چت‌ها را دسته‌بندی کردند. برای مثال، چت‌هایی که درباره‌ی تجهیزات فنی ماشین‌ها مثل بیمه، مدل و... را در یک دسته قرار دادند و همین‌طور این روش را برای املاک و... امتحان کردند. حتی مزاحمت‌هایی که در دیوار اتفاق می‌افتاد، ازطریق دلیل بلاک‌کردن کاربر متوجه می‌شدند و درواقع، همه‌ی این کارها را یادگیری ماشین برایشان انجام می‌داد. در‌حال‌حاضر نیز سیستمی که در حال بهبود آن هستند، Smart Suggestions است که ازطریق یادگیری ماشین قرار است پیش‌بینی کند سؤال بعدی کاربر  چه خواهد بود.

پیام آراسته در Traceway دربار‌ی پیش‌بینی ترافیک مسیریاب بلد صحبت کرد؛ موضوعی که می‌تواند با کم‌کردن زمان و مسافت سفرها، مهم‌ترین برتری تکنولوژی مسیریاب‌ها محسوب شود. آراسته داستان تخمین‌زدن ترافیک در سطح شهر در اپلیکیشن بلد را بازگو کرد و گفت دانستن میزان ترافیک در زندگی‌مان قطعاً تأثیرگذار خواهد بود. او سخنانش را این‌چنین ادامه داد:

ممکن است فکر کنید داده‌هایی که برای ترافیک به‌دست می‌آوریم، ازطریق دوربین‌های سطح شهر یا تصاویر ماهواره‌ای هستند. درواقع، هرکدام از این‌ روش‌ها مشکلاتی دارند که باعث می‌شود از آن‌ها استفاده نکنیم. درعوض، مسیریاب‌ها دقیقا از داده‌های خود کاربران استفاده می‌کنند؛ یعنی ازطریق GPS سیگنال‌ها به سرورهای ما فرستاده می‌شود که می‌توانیم از آن‌ها استفاده کنیم.

 آراسته درادامه درباره‌ی جزئیات فنی این کار توضیحات بیشتری داد و گفت:

برای اینکه بتوانیم به‌درستی این کار را انجام دهیم، از Big Data و Hadoop استفاده کردیم و برای بحث حریم خصوصی (Privacy)، زمانی‌که با اطلاعاتتان مثل شماره‌تماس یا ایمیل وارد اپلیکیشن می‌شوید، توکن‌هایی به‌صورت تصادفی ایجاد می‌شود که ازطریق سیستم Map Matching می‌تواند سیگنال‌هایی ارسال کند تا بتواند مسیر را تشخیص دهد.

تشخیص Live Mapping ازطریق ویندوها، کاربرد نمودار گوسی، Recency و Frequency و فرمول‌های استفاده‌شده‌ی یادگیری ماشین مواردی بودند که درادامه پیام آراسته تخصصی‌تر درباره‌اش صحبت کرد.

حامد دهقانی به‌عنوان نخستین سخنران بخش ارائه‌های بلند ماجرای سیستم توصیه‌گر (Recommendation System) دیجی‌کالا را تعریف کرد؛ سیستمی که تا همین چند هفته پیش، از سرویس‌های خارجی استفاده می‌کرد؛ اما حالا با طراحی و پیاده‌سازی کامل آن در دیجی‌کالا، علاوه‌بر کاهش هزینه، نتایج بهتری هم در تشخیص علاقه‌مندی‌های کاربران داشته است. دهقانی در Traceway گفت:

دیجی‌کالا درزمینه‌ی سیستم توصیه‌گر از داده‌هایی مثل Business Data و User Event Data استفاده می‌کند که درنهایت، به Big Data Storage دیجی‌کالا تبدیل می‌شود تا اپلیکشین‌های توصیه‌گر به‌خوبی کار کنند. این اپلیکیشن‌ها ویژگی‌هایی از جنس Personalize و Non personalize دارند که این سیستم برای پیشنهادها از Related Product ،Aslo bought ،Top category و... استفاده می‌کند.

وی به این موضوع نیز اشاره کرد که دیجی‌کالا می‌توانست از Third Party Recommendation استفاده کند؛ اما ترجیح داد خودش با استفاده از یادگیری ماشین سیستمی طراحی کنند که علاوه‌بر کاهش هزینه، نتایج بهتری نیز داشته باشد.

در‌ادامه و در بخش ارائه‌های کوتاه، هادی راسخ استفاده از هوش مصنوعی برای پیشنهاد فیلم در سلام‌سینما را شرح داد و گفت:

در سلام‌سینما از Recommendation System برای پیشنهاد فیلم مطابق سلیقه‌ی کاربران استفاده کردیم. برای شروع از سرویس Prediction.io بهره بردیم؛ ولی محدودیت‌هایی وجود دارد که می‌کوشیم با استفاده از الگوریتم‌های دیگر آن‌ها را برطرف کنیم.

آرمان فاطمی، از واکاویک، به اهمیت داده‌های بزرگ و کوچک در کسب‌وکار اشاره و درادامه، معرفی واکاویک، سرویس پردازش هوشمند متن فارسی با استفاده از هوش مصنوعی را معرفی کرد. فاطمی از اهمیت و پیشرفت هوش مصنوعی در کسب‌کارهای مرتبط با منابع انسانی هم صحبت کرد.

علی آجودانیان نیز درباره‌ی پیشنهاد مطالب در ویرگول این‌چنین توضیح داد:

پیشنهاد پست‌ها را با‌توجه‌به فعالیت‌های کاربران درزمینه‌ی خواندن مقاله‌های مختلف انجام دادیم و با استفاده از تجزیه‌ی متن، مطلبی را پیشنهاد می‌دادیم که با سلیقه‌ی کاربر یکسان بود. درحال‌حاضر هم در حال آزمایش سیستمی هستند که این روند را بهبود داده است.

اگر به دیدن سخنرانی‌های این رویداد علاقه دارید، می‌توانید با مراجعه به وب‌سایت کوئرا و با استفاده از کد تخفیف zoomit به ویدئوهای ضبط‌شده دسترسی داشته باشید.