لایو شماره 3: داده و نقش آن در تحقق شهر هوشمند
میهمان: خانم دکتر مریم ابوالقاسمی میزبان: آقای مهندس قریبی تاریخ برگزاری لایو: 13/05/1399
سوابق پژوهشی و دانشگاهی خانم دکتر مریم ابوالقاسمی:
- مدرک کارشناسی مهندسی صنایع از دانشگاه علم و صنعت ایران
- کارشناسی ارشد مهندسی صنایع
- دکتری مهندسی صنایع
- کارشناسی ارشد مهندسی دانش و علوم (زیرشاخه علوم کامپیوتر)
- دانشجوی دکتری داده‌شناسی از دانشگاه تهران
ایشان فعالیت خود را در حوزه داده از سال 1387 شروع کرده‌اند و تحقیقات و پژوهش‌های خود را نیز به سمت این حوزه سوق داده‌اند و همین‌طور در حوزه مدیریت دانش نیز به صورت تخصصی فعالیت داشته‌اند.
تعریف شهر هوشمند:
نمی‌توان تعریفی از شهر هوشمند ارائه داد چرا که در هر اکوسیستمی، هر کشوری و هر منطقه‌ای، شهر هوشمند تعریف جدایی پیدا می‌کند ولی در کل شهر هوشمند یک چارچوب پایدار و رو به رشد و توسعه مبتنی بر فناوری اطلاعات در فضایی است که زندگی می‌کنیم، کار می‌کنیم و در آن حضور داریم و تمام این موارد و زیرساخت این موارد را داده تامین می‌کند.
تعریف داده و لایه‌های آن:
داده اعم از داده‌های در زمینه اجتماعی، تخصصی و صنعتی، شهر هوشمند و هوشمندسازی و غیره جزء اساسی و جدایی‌ناپذیر زندگی الان ما است. داده در همه اکوسیستم‌ها، سازمان‌ها و کشورها به عنوان یک دارایی (اکسیژنی که برای بقاع به آن نیاز دارد) شناخته می‌شود که با شیوع کرونا، نقش آن پررنگ‌تر شده است.
در هرم نیازهای شهر هوشمند اولین لایه دیتا است. اگر دیتایی در زمینه هوشمندسازی و شهر هوشمند نباشد اصلا شهر هوشمند معنی پیدا نمی‌کند. برای رسیدن به هوشمندسازی، چالش‌هایی در ارتباط با جمع‌آوری داده‌ها وجود دارد که با چه رویکردی این داده‌ها باید جمع‌آوری شوند که بهترین تکنولوژی که الان وجود دارد IOT است که خود مبتنی بر داده است.
داده یک زیرساخت اساسی است ولی نحوه جمع‌آوری آن که از چه ابزارهایی استفاده کنیم یک چالش است و در اینجا فناوری است که می‌تواند کمک کند و این فناوری‌ها، فناوری‌هایی هستند که در شهر هوشمند هم به کار برده شده و استفاده می‌شوند. یکی از ساده‌ترین ابزارها، داده‌کاوی است.
داده یک دارایی ارزشمند است چه برای سازمان‌ها، چه برای دولت‌ها و چه برای کشورهای مختلف و حوزه‌های مختلف، اما اینکه چگونه از آنها استفاده کنیم برمی‌گردد به این مسئله که آن سازمان از چه ابزاری برای جمع‌آوری آن داده استفده می‌کند و چه خروجی می‌خواهد بگیرد به مدیر بستگی دارد و مدیر تصمیم‌گیرنده است که داده‌ها چگونه جمع‌آوری شوند و اگر مدیران پشتیبان این مسئله نباشند این روند به خوبی پیش نمی‌رود.
در هرم مربوطه، ابزارها دومین لایه هستند و سپس سیاست‌گذاری‌هایی که انجام می‌شوند و خروجی‌هایی که قرار است گرفته شوند. در انتها به خلق ارزش می‌رسیم و خود خلق ارزش بستگی به افراد و اکوسیستمی دارد که در آن سازمان است و همین‌طور فرهنگی که وجود دارد و یا فرهنگ‌سازی که انجام شود، داده‌ها به خوبی جمع‌آوری می‌شود. به عنوان مثال اگر در در صورت نیاز به نظرسنجی، همه افراد به خوبی پاسخ دهند در این صورت کمک بزرگی به جمع‌آوری داده و خروجی آن در سازمان مربوطه خواهد کرد.
اگر این روند به عنوان یک فرهنگ جا افتاده باشد که داده‌ها به خوبی جمع‌آوری شوند و یک پایگاه داده‌ای معماری شده داشته باشیم، این روند منجر به خلق ارزش فوق‌العاده‌ای می‌شود. به عنوان مثال در این زمینه می‌توان به جرائم رایانه‌ای و یا جرائمی که نیروی انتظامی بررسی می‌کند، اشاره کرد که خود این در مدیریت جامعه کمک می‌کند و قابل برنامه‌ریزی است.
فضا و مالکیت داده‌ها:
درست است که داده‌هایی که مربوط به جامعه است، متعلق به تمام افرادی است که در آن جامعه زندگی می‌کنند ولی ممکن است به دلایل امنیتی در اختیار تمام افراد قرار نگیرد ولی ارگان‌ها و سازمان‌هایی که این داده‌ها را در اختیار دارند، می‌توانند برای کمک به بعد امنیت، اقتصادی و غیره از خروجی این داده‌ها استفاده کنند. در مورد شهر هوشمند نیز چنین است که برای چالش‌های شکل‌گیری شهر هوشمند، راهکارهایی در زمینه‌های حمل و نقل، دولت هوشمند و سایر قسمت‌هایی که مرتبط با دولت، مردم و اقتصاد است در نظر گرفته شده است که اگر این داده‌ها از زیرساخت خوبی برخوردار نباشند یا با تکنیک خوبی جمع‌آوری نشده باشند، ما واقعا به مشکل برمی‌خوریم چرا که خروجی همین داده‌ها است که به ما کمک می‌کند.
فضای داده‌ها فضای قابل لمسی نیست که به صورت فیزیکی قابل بیان و توضیح باشد بلکه داده‌ها باید در فضا یا محیط قابل لمس باشد و خروجی داده‌ها هم منجر به فرهنگ آن محیط می‌شود. اگر به سازمانی که داده‌محور است، وارد می‌شویم واقعا قابل لمس است و به عنوان نمونه می‌توان به مرکز رشد و همین‌طور مرکز تحقیقات اشاره کرد.
مالکیت داده به فضا و اکوسیستمی که در آن هستیم، بستگی دارد و داده ممکن است متعلق به همه ملت ایران باشد مثل داده‌های مربوط به آب و هوا و هواشناسی و یا ممکن است به دلایل امنیتی و حریم خصوصی نتوانیم به همه داده‌ها دسترسی داشته باشیم و محدودیت‌های در این زمینه ایجاد شود ولی خروجی‌هایی که از طریق تحلیل همین داده‌ها در اختیار سازمان‌ها قرار می‌گیرد مانند دیتاهایی مربوط به جرایم و ترافیک گر چه به لحاظ استفاده از داده محدودیت دارند اما خروجی آنها مطمئنا به نفع همه افراد خواهد بود و در اختیار همه افراد قرار خواهد گرفت.
چالش‌های ایران در زمینه هوشمندی:
در ایران از کشورهای پیشرفته خیلی عقب نیستیم و در طی سال‌های اخیر، پیشرفتهای خوبی داشتیم. به عنوان مثال کشورهای پیشرفتهای چون کانادا در سیستم بانکداری خود به صورت کامل از سیستم‌های هوشمند استفاده می‌کنند ولی آنها هنوز وابسته به کاغذ و سیستم‌های کاغذی هستند و یا در سیستم استفاده از کارت‌های اعتباری، بانکداری ایرانی امنیتی بیشتری را برقرار کرده است بنابراین ما خیلی از کشورهای پیشرفته عقب نیستیم ولی از لحاظ زیرساختی نیاز به کار بیشتری داریم به عنوان مثال زیرساخت IOT را هنوز آن طور که باید بهش نرسیده‌ایم که از دلایل آن می‌توان به کندی اینترنت یا قوانین موجود در این زمینه اشاره کرد. ولی در سال‌های اخیر به خصوص امسال به دلیل وجود کرونا و به خصوص در قوه قضائیه پیشرفت بهتری داشته‌ایم.
علاوه بر فناوری و تکنولوژی‌های زیرساختی در زمینه قانون‌گذاری و استانداردها نیز ضعف داریم، قوانینی که مختص خود ایران باشد حتی ممکن است هر استان و هر شهر استاندارد خودش را داشته باشد، مقوله فرهنگ‌سازی در حوزه داده نیز به این زمینه برمی‌گردد به عنوان مثال بررسی‌هایی که روی شهرها و استان‌های مختلف انجام می‌شود و دیتاهای آنها موجود است ولی دسترسی به این دیتاها یک مقدار سخت است. خروجی‌هایی که منجر به خلق ارزش‌هایی چون اینکه چه قوانینی برای هر استان یا برای هر منطقه باید ایجاد شود، واقعا جای کار دارد ولی این روند در حال تسهیل شدن و امیدوارکننده است که این دیتاها در اختیارمان قرار گیرد تا هر چه سریع‌تر قوانین و استانداردهایی که نیاز است، ایجاد شود.
و همین‌طور در ایران تئوری را خیلی خوب جلو می‌بریم ولی در اجرا همسو با تئوری نیستیم یعنی هم سازمان‌ها و هم افراد اگر با همین تئوری چشم‌انداز و سند توسعه بتوانیم پیش برویم و اجرا را همسو با آن پیش ببریم، مطمئنا قدم بزرگی را برداشته‌ایم و در کوتاه‌مدت به یکی از بهترین کشورها در منطقه تبدیل خواهیم شد.
بررسی نمونه امارات:
امارات از داده‌ها برای برنامه‌ریزی طولانی‌مدت (15 ساله) استفاده کرده است و 15 سال بعد به چشم‌اندازی که طرح کرده است، رسیده است. توسعه فناوری که در طی این 15 سال داشته است بر اساس داده بوده است و این داده‌ها را بر اساس نیازی که فرهنگ امارات داشته است، بررسی کرده است به این صورت که 24 تا حوزه در مقوله هوشمندسازی و شهر هوشمند طراحی کرده‌اند و سه حوزه را در اولویت قرار داده‌اند که اولین الویت آنها آموزش بوده است یعنی فرهنگ‌سازی را از تحصیلات و مقاطع پایین شروع کرده‌اند که بتوانند نیروی تحصیل‌کرده و مطابق خواست خودشان را آموزش دهند و دانشگاه‌هایی را در حوزه هوش مصنوعی و استفاده از داده تاسیس کردند. موفقیت این کشورها در گرو این موضوع بوده است که تئوری با عملش یکی بوده است.
دسته‌بندی کاربردهای داده:
هیچ وقت داده را تعریف نمی‌کنیم زیرا داده، دارایی است و دارایی ممکن است برای هر سازمانی متفاوت باشد و آن دارایی یا فیزیکی است و یا غیر فیزیکی است. وقتی که داده را به صورت غیر فیزیکی جمع‌آوری می‌کنیم، خروجی را می‌توانیم به صورت فیزیکی نمایش دهیم که منجر به تصمیم‌گیری می‌شود بنابراین نمی‌توانیم یک دسته‌بندی واحد برای داده ارائه دهیم فقط ممکن است در کتاب‌ها و دروس دانشگاهی، یک دسته‌بندی برای داده ارائه داده شود. در واقع، داده در هر حوزه‌ای به عنوان اکسیژن آن سازمان است و نمی‌توان آن را دسته‌بندی کرد. مدیر یا بالاسری که ذهنیت مدیریت داده را داشته باشد و این را سرلوحه کار خود قرار دهد که داده باید جمع‌آوری شود و بر روی آن برنامه‌ریزی صورت گیرد، در واقع کاربرد خود داده را نشان داده است یعنی تصمیم‌گیری مدیران برای استفاده از داده، کاربرد آن داده را نشان می‌دهد و خیلی دسته‌بندی داده مهم نیست.
نقش داده در تحقق شهر هوشمند و هوشمندسازی:
شهر هوشمند باید یک سری زیرساخت فنی داشته باشد و غیر از زیرساخت‌های فنی و فیزیکی باید کمک کنند که داده هم جمع‌آوری شود. در بحث فرهنگ‌سازی یکی از گام‌های اصلی هوشمندسازی، افراد و مردم هستند که به عنوان Smart People مطرح می‌شوند که بتوانند در فضای Smart City زندگی بکنند. این داده‌ها کمک می‌کنند به شناسایی افراد که حالا افرادی که از این سیستم استفاده می‌کنند تا چه اندازه با شبکه‌های اجتماعی آشنایی دارند؟ از شبکه‌های اجتماعی به چه میزان استفاده می‌کنند؟ چه میزان تحصیلات دارند؟ آیا دیتاهایی که خودشان دارند را به اشتراک می‌گذارند؟ بحث حریم خصوصی در این حوزه خیلی مطرح است. اگر در یک مقیاس کوچک یک کارخانه را بررسی کنیم و کارگران را آموزش دهیم که دیتاهای خودشان از قبیل میزان تحصیلات، میزان ساعتی که آموزش دیده‌اند، چقدر می‌توانند با مدیر تعامل کنند و غیره را به اشتراک بگذارند، خیلی کمک‌کننده خواهد بود.
یکی از پروژه‌هایی که اجرا شده، سنسورهایی بود که در کارخانه قرار داده شده بود و میزان حوادث در کارخانه توسط آنها ثبت می‌شده است و نتایج نشان داد که بیشتر حوادث مربوط به رانندگان لیفتراک بوده است و این خروجی‌ها منجر شد که خود آنها (رانندگان لیفتراک) اعتراف کنند که آموزش ندیده‌اند و نیازهایشان را مطرح کردند و این باعث شد که نیازشان برطرف شد، دیتاهایشان را خودشان به اشتراک بگذارند و این کمک کرد به فرهنگ‌سازی و اشتراک‌گذاری داده و زیرساخت داده که چطور می‌توانیم داده‌ها را بر اساس نیاز اینکه چه قسمتی می‌خواهد هوشمندسازی شود، جمع‌آوری کنیم. و این دیتاها باید طبق معماری داده خاصی تحلیل شود چرا که این داده‌ها مربوط به افراد و محیط هستند و هر کدام کتگوری جدا دارند و واقعا یکی از نیازهای اصلی هوشمندسازی و شهر هوشمند، وجود داده و کلان‌داده است.
الان بحث Smart Data هم مطرح است، داده‌هایی که در هر لحظه دارند تولید می‌شوند و این داده‌ای که تولید می‌شود بر اساس آن داده‌ای که توسط پردازنده‌هایی که قرار داده می‌شوند، تولید می‌شود. در بحث شهر هوشمند داده‌ها در لحظه تحلیل می‌شوند و خروجی آن به دست افراد تصمیم‌گیرنده می‌رسد و بحث Smart Data در شهر هوشمند قابل گسترش است. در ضمن در ایران، گرفتن داده و استفاده از آن و خروجی دادن خیلی سخت است.
تعریف شهر هوشمند و جایگاه آن در ایران:
برای شهر هوشمند نمی‌توانیم تعریفی ارائه دهیم و بر اساس نیاز باید شهر هوشمند را تعریف کرد. اولا اینکه روی افراد باید کار کنیم روی اینکه باید فرهنگ‌سازی شود که افراد با این فضا آشنا شوند و حتی بتوانند با محیط بانک الکترونیک، دولت الکترونیک و غیره کار بکنند، به نیاز اینکه داده باید ثبت شود، پی ببرند و داده‌های حقیقی را در اختیار سازمان قرار دهند. در ایران روی مفهوم شهر هوشمند کار شده است ولی خیلی جای کار دارد به خصوص در قسمت زیرساخت، قوانین و مقررات و اینکه هوشمندی که برای ایران است برای هر شهر و منطقه باید نیازسنجی شود و نه اینکه برای تمام شهرها و مناطق طبق یک الگوی خارجی واحد پیش برویم. این پروسه خیلی زمان‌بر است و ما خیلی این مسیر را کند طی می‌کنیم و بهتر است یک مقدار تسریع کنیم که بتوانیم با پیشرفت‌ها و فناوری‌هایی که در زمان حال با آن سر و کار داریم، بتوانیم جلو برویم و به دلیل این کند بودن از محیط و منطقه عقب نمانیم به خصوص منطقه خلیج فارس که کشورهای عضو آن در حال جدا کردن اقتصاد و فضای کسب و کار خود از نفت و جایگزین کردن آن با داده هستند. یعنی دیگر داده به عنوان سرمایه و دارایی اساسی برای کشورها مطرح است.
تفاوت علم داده با داده‌کاوی:
داده‌کاوی فقط یک ابزار است اما علم داده یک جور فضای تحلیلی، مدیریتی و تصمیم‌گیری دارد و صفر تا صد داده از معماری داده تا تصمیم‌گیری و بهبود شرایط را شامل می‌شود.
شروع علم داده:
- مطالعه آکادمیک یا غیر آکادمیک در حوزه Machine Learning، Data Mining و غیره.
- مطالعه علوم ریاضی و آمار مرتبط با داده‌کاوی و علم داده.
- اشراف به مباحث مدیریتی با استناد به علم داده در سازمان‌ها.
قابلیت خرید و فروش داده‌ها:
داده‌ها انواع مختلف دارند مانند داده‌های مرتبط با گاز و نفت، داده‌های مرتبط با مردم، داده‌های مرتبط با آموزش و غیره. هر دیتایی که در فضای اجتماع و صنعت می‌تواند به عنوان یک سرمایه برای آن کشور به حساب بیاید، اگر محدودیتی برای آن کشور ایجاد نکند، می‌تواند خرید و فروش شود و این مورد نیز بستگی به قوانین و مقررات حاکم بر آن کشور دارد.
موانع و مشکلات اصلی در حوزه داده و هوشمندسازی در ایران:
- عدم دسترسی به داده‌ها به دلیل نبود قوانین و استانداردها در ایران
- فضای فرهنگ‌سازی و آموزش: هنوز به آن سطح از فرهنگ‌سازی نرسیده‌ایم که دیتا را صرفا جمع نکنیم بلکه هزینه کنیم و خروجی از آن بگیریم و این خروجی به عنوان یک ارزش در سازمان باشد که این ارزش می‌تواند یک خروجی اقتصادی خوب باشد یا در فرهنگ‌سازی آن شرایط کمک کند.
- فضای داده و هوشمند شدن ناملموس است چون خروجی فیزیکی و ملموسی در اختیار قرار نمی‌دهد و برای اینکه بتوانیم خروجی را برای همه قابل درک کنیم نیاز به فرهنگ‌سازی است.
- کار کردن به صورت جزیره‌ای در ایران یعنی هر سازمانی به صورت جداگانه یک سری قوانین و مقررات برای خودش وضع می‌کند. به عنوان مثال امارات، عمان و کشورهای پیشرو، چشم‌اندازی دارند که همه سازمان‌ها طبق آن چشم‌انداز پیش می‌روند یعنی یکپارچه هستند و این یکپارچگی خیلی مهم است. در ایران ارگان‌هایی مثل وزارت اطلاعات، اتاق بازرگانی، قوه قضائیه و غیره در راستای تدوین قوانین پیشرو هستند اما ما در ایران خیلی جداگانه پیش می‌رویم و یکپارچگی نداریم و بین تئوری و عمل‌مان پلی وجود ندارد.
- ناآگاه بودن دانشجویان و غنی نبودن رشته‌های دانشگاهی.
ترکیب شهر هوشمند با مدیریت دانش و سرمایه دانش:
خود شهر هوشمند برای اینکه مدیریت شود نیاز به مدیریت دانشی دارد. یکی از لایه‌های شهر هوشمند افراد و دولت است که نیاز به مدیریت دارند و همیشه مدیریت دانش، بالاسری جمع‌آوری دیتا و تحلیل دیتا است و خروجی آن خلق ارزش است. در شهر هوشمند، فضای مدیریتی باید مدیریت دانش باشد چون که در فضای مدیریت دانش، Knowledge Sharing خیلی اهمیت پیدا می‌کند. وجود هوشمندی در گرو مباحث و مطالبی است که در مدیریت دانش مطرح می‌شود. داده باعث ایجاد مدیریت دانش شده است و اگر مدیریت دانش نباشد، شهر هوشمند هم وجود نخواهد داشت.
علوم اجتماعی و رایانشی بخشی از شهر هوشمند:
علوم اجتماعی و رایانشی چون یکی از الزامات علم داده هستند یکی از ابزارها و رویکردهایی هستند که در علم داده استفاده می‌شوند و می‌توانند در شهر هوشمند استفاده شوند. هر چیزی که مرتبط با داده است در شهر هوشمند ماهیت وجودی پیدا می‌کند و می‌تواند به عنوان یک رویکرد یا پارادایم از آن استفاده شود که این بستگی به اکوسیستم و فضایی که قرار است استفاده شود و به هوشمندی برسد، بستگی دارد.
