به گزارش رویداد جدید ، رفیعی در گفت‌وگو با خبرنگار رویداد جدید با اشاره به رسالت اصلی مگفا در هوشمندسازی، اظهار کرد: یکی از دستاوردهای بزرگ ما، راه‌اندازی شبکه اپراتور IOT با محوریت فناوری اطلاعات است که پایه‌گذار شهر هوشمند محسوب می‌شود. این پروژه‌ها در حوزه‌های امنیت زیرساخت و هوش مصنوعی، مگفا را در جایگاه پیشرو قرار داده است.

وی یکی از مهم‌ترین دستاوردها را “میدسا”، دستیار هوش مصنوعی وزیر صنعت، معدن و تجارت (صمت) معرفی کرد و توضیح داد: این دستیار به صورت کاملاً امن و بومی توسعه یافته و بر پایه داده‌های اختصاصی وزارت صمت آموزش دیده است. و در زمینه‌هایی مانند تدوین استراتژی و تصمیم‌گیری‌های بهینه به وزیر مشاوره می‌دهد. این دستیار در آینده می‌تواند در بدنه وزارتخانه نیز گسترش یابد.

رفیعی افزود: فراتر از این، ما توانمندی ارائه سرویس‌های مدل زبانی بزرگ (LLM) را در سازمان‌های مختلف داریم. و ما این توانایی را داریم که مدل‌های LLM را بر پایه زیرساخت‌های امن مگفا ارائه می‌دهیم. این سرویس برای سازمان‌های دولتی که امکان تهیه مدل‌های پیشرفته مانند GPT را ندارند، ایده‌آل است؛ جایی که فاقد نیروی آموزشی متخصص هستند، اما نیاز به استقرار مدل هوش مصنوعی امن برای استفاده داخلی دارند. ما این مدل‌ها را به صورت امن و بدون وابستگی به APIهای خارجی، در اختیار آن‌ها قرار می‌دهیم.

مدیر فناوری داده و هوش مصنوعی مگفا همچنین به پروژه بزرگ “دیتاسندباکس” اشاره کرد و گفت: این پروژه یکی از ابتکارات کلیدی ماست که چالش‌های امنیت و مقیاس‌پذیری داده‌های بزرگ را حل می‌کند. علاوه بر این، ما اخیراً بر روی تنظیم لوایح و قوانین هوش مصنوعی کار کرده‌ایم و پیش‌نویسی برای مجلس شورای اسلامی آماده کرده‌ایم که با قوانین موجود تضادی ندارد.

وی ادامه داد: در این راستا، یک “پایشگر” هوشمند توسعه داده‌ایم که نظرات عمومی مردم نسبت به قوانین پیشنهادی جدید را پایش می‌کند و بررسی می‌کند که آیا این قوانین مورد پسند جامعه هستند یا خیر. این ابزار همچنین تجربیات جهانی را رصد می‌کند؛ برای نمونه، نحوه اجرای قوانین مشابه در کشورهای اروپایی و آمریکا را تحلیل کرده و از قابلیت تحقیقاتی برای تنظیم دقیق قوانین بهره می‌برد. هدف، تصویب لوایحی است که با استانداردهای بین‌المللی همخوانی داشته باشد.

رفیعی در تشریح بستر داده‌های بزرگ مگفا، تأکید کرد: هرگاه سازمانی بخواهد پروژه هوش مصنوعی راه‌اندازی کند، با حجم عظیمی از داده‌ها روبرو است. برای جلوگیری از هذیان‌گویی مدل‌ها (hallucination)، نیاز به سازوکارهای دقیق انتقال داده وجود دارد. حتی اگر سازمان GPU کافی نداشته باشد، می‌تواند از مدل‌های سبک پیش‌بینی‌کننده یا دیپ لرنینگ بر روی داده‌های خود استفاده کند. اما چالش اصلی، امنیت داده‌هاست؛ داده‌های سازمانی اغلب ناقص، آلوده یا آسیب‌پذیر هستند .

وی افزود: در سازمان‌های بزرگ، روزانه ترابایت‌ها داده تولید می‌شود که ذخیره‌سازی آن‌ها منجر به “افزایش داده ها میشود” و سیستم توانایی پاسخگویی را ندارد و نیاز به افزایش منابع سرور را ایجاد می‌کند. ما با توسعه “دیتاسندباکس”، این دو مشکل – امنیت و مقیاس‌پذیری – را حل کردیم. این ابزار داده‌ها را از منابع متنوع (دیتابیس‌ها، اسناد، فایل‌های ساخت‌یافته یا بدون ساختار) جمع‌آوری می‌کند، بدون اینکه آن‌ها را در ETL (Extract, Transform, Load) سنتی بریزد.

در پایان رفیعی گفت: ما سخت‌افزار موجود مشتری را به صورت نرم‌افزاری “باکت‌بندی” می‌کنیم؛ یعنی داده‌ها را به buckets مجزا تقسیم کرده و شاربندی می‌کنیم. این رویکرد انحصاری نیست اما تیم ما با تحقیقاتی که در خارج از شرکت انجام دادیم، آن را بومی‌سازی کرده است. داده‌ها پیش‌پردازش شده و بر اساس نقش کاربر ارائه می‌شوند. این روش، محرمانگی داده را افزایش می‌دهد، بهره‌وری را بالا می‌برد و برای سازمان‌هایی که دیتاسنتر جدید راه‌اندازی می‌کنند، راهکاری اقتصادی و امن است. کل دنیا از این رویکرد نوین بهره می‌برد و ما آن را از صفر تا صد، متناسب با نیاز سازمان، اجرا می‌کنیم.