خالق Defaceid در مورد اینکه چرا هوش مصنوعی باید مشکلات توزیع منابع را حل کند و اینکه چگونه بازارهای نوظهور می توانند در سطح جهان رقابت کنند ، بحث می کند.
مطابق پیش بینی گارتنر، AI Agentic AI و Cryptography Post-Quantum برای سال 2025 به 10 روند برتر فناوری استراتژیک وارد شده اند. بازار فناوری blockchain تا سال 2030 با نرخ رشد سالانه 90.1 ٪ به 1.43 تریلیون دلار رشد خواهد کرد ، در حالی که بازار جهانی AI از 184 میلیارد دلار به 826 دلار افزایش می یابد ، و این به همان اندازه که دارای سیستم های واقعی هستند ، اما به عنوان یک برنامه های واقعی نیاز دارند. فن آوری های blockchain در شناسایی غیر متمرکز و اطمینان از حداکثر سطح محافظت. Koishybay ، کارشناس قزاقستان ، از محقق به رهبر پروژه ML دقیقاً در دوره ای که این فناوری ها از مرحله آزمایشی به اجرای انبوه منتقل می شوند ، با تمام چالش های معمولی مقیاس گذاری راه حل های هوش مصنوعی – کمبود داده ها ، محدودیت های سخت افزاری و الزامات دقیق پیش رفته است.
در اواخر سال 2024 ، متخصص ارشد یادگیری ماشین 28 ساله در BTSDigital به عنوان متخصص سال برای پروژه DefaceID-یک سیستم احراز هویت بیومتریک غیر متمرکز در رایانه اینترنتی ، جایزه ملی “فناوری ها و نوآوری ها” را به عنوان متخصص AI سال اهدا کرد. وی در حال حاضر در حال کار بر روی سیستم شناسه دیجیتال است ، که هر ساکن قزاقستان اکنون برای تأیید اعتبار در خدمات دولتی از آن استفاده می کند ، سیستم دوربین Targetai را برای بزرگترین شرکت های این کشور توسعه داده است ، در ایجاد پاداش های تجاری نخست برای شرکت های Fortune 500 از جمله اپل و تسلا در مادرید شرکت کرده و همچنین راه حل هایی را برای تشخیص خودکار تخلف ترافیک “Sergek” ایجاد کرده است. وی بینش هایی در مورد اهمیت عدم تمرکز نسبت به تنظیم در سیستم های هویت دیجیتال و احراز هویت بیومتریک به اشتراک گذاشت ، توضیح داد که چگونه رویکرد آمازون به تفکر در اکوسیستم بر او تأثیر گذاشت و تأکید کرد که AI نباید به عنوان جادو تلقی شود.
“معماری ، ذخیره سازی داده ها ، تأیید – همه چیز با توجه به اتصالات آینده بانکها ، خدمات ، درگاه های دولتی ساخته شده است.”
شما به عنوان دستیار تحقیقاتی در دانشگاه نظربایف با نشریات علمی در مورد زبان امضا به کار در آمازون در اسپانیا پیشرفت کرده اید. رویکردهای هوش مصنوعی در این مناطق چگونه متفاوت است؟
با کار در آمازون ، با مقیاس روبرو شدم که نیاز به سازگاری سریع داشت. در آنجا ، هر راه حل فنی بخشی از یک اکوسیستم پیچیده است که همه چیز از استانداردها پیروی می کند: از ورود به سیستم تا سازگاری معماری. همه چیز کاملاً مستند است و هر تغییر نتیجه تعامل با چند تیم است. این شما را سخت می کند: شما به عنوان یک دانشمند داده ، بلکه به عنوان مهندس در اکوسیستم با میلیون ها کاربر فکر می کنید.
کار بر روی برنامه تخفیف در آمازون – بخشی از Business Prime Rewards – من یاد گرفتم که از نظر فکر کنم مسئولیت و تحمل گسل ما راه حل هایی را برای محاسبه بازپرداخت سالانه برای مشتریانی مانند اپل و تسلا تهیه کردیم – خطاهای محاسبه می تواند میلیون ها دلار هزینه داشته باشد.
در قزاقستان ، سرعت دیگری. تصمیمات سریعتر گرفته می شود، تیم ها جمع و جور هستند ، انعطاف پذیری زیادی دارند. این اتاق را برای خلاقیت، اما اغلب فاقد بلوغ فرآیند است: بدون استانداردهای MLOPS واضح ، کنترل نسخه مدل. آنچه در آمازون طبیعی است – خط لوله Rollback یا نظارت A/B – در اینجا ، شما باید از ابتدا بسازید. اما پس از انجام این کار ، درک عمیق تری از چرخه کامل ML به دست می آورید-نه فقط مدل سازی بلکه استقرار ، نظارت و نگهداری طولانی مدت. این شما را به یک سازنده تبدیل می کند ، نه فقط یک کاربر ابزار.
Business Prime Rewards توسط شرکت های اپل ، گوگل ، تسلا و Fortune 500 استفاده می شود. چگونه تجربه کار بر روی چنین سیستم جهانی بر پروژه های محلی شما مانند شناسه دیجیتال تأثیر گذاشت؟
این تجربه پایه و اساس کار من در شناسه دیجیتال را ایجاد کرد. اگرچه این پروژه به سمت بازار محلی گرایش یافته است ، ما در ابتدا آن را با مقیاس بندی و ادغام با زیرساخت های دولتی در ذهن طراحی کردیم. معماری ، ذخیره سازی داده ها و تأیید همه با اتصالات آینده بین بانک ها ، خدمات و درگاه های دولتی در ذهن ساخته شده است. بدون درک سیستم های بین المللی در مقیاس بزرگ ، این غیرممکن بود.
“Defaceid فقط فناوری نیست ، بلکه گامی به سوی استقلال دیجیتال شخصی است”
defaceid شما در رایانه اینترنتی به عنوان بهترین پروژه هوش مصنوعی سال شناخته شده است. blockchain برای بیومتریک – آیا عدم تمرکز آینده است؟
عدم تمرکز فقط یک روند نیست – این یک پاسخ ساختاری به بحران رو به رشد اعتماد دیجیتال است. در سیستم های متمرکز ، داده های بیومتریک توسط اشخاص ثالث ذخیره می شود و یک نقطه از شکست را ایجاد می کند. یک نشت ، و کاربر به طور دائم کنترل هویت خود را از دست می دهد.
Defaceid اساساً متفاوت است: این یک سیستم تأیید هویت کاملاً غیر متمرکز است. هر دو مدل منطق و هوش مصنوعی-از جمله شبکه های عصبی برای تشخیص زندگی و تطبیق چهره-مستقیماً در زنجیره ای در رایانه اینترنتی مستقر می شوند. این تضمین می کند که هیچ یک از طرفین متمرکز نمی توانند روند تأیید را رهگیری یا دستکاری کنند.
الگوهای بیومتریک هرگز ذخیره یا منتقل نمی شوند. درعوض ، کاربران خود را از طریق اثبات آگاهی صفر و اجرای مدل زنجیره ای ، همه در قوطی های بدون اعتماد و ضد دستکاری ، تأیید می کنند. این باعث می شود Defaceid یکی از اولین سیستم های بیومتریک واقعاً غیر متمرکز – ترکیب حریم خصوصی ، شفافیت و امنیت رمزنگاری بدون به خطر انداختن مقیاس پذیری باشد.
آیا می توانیم بگوییم این یک جایگزین Web3 برای شناسه پاک یا چهره است؟ ایالات متحده و اتحادیه اروپا به طور فعال تنظیم AI را تنظیم می کنند. چگونه باید شناسایی و بیومتریک غیرمتمرکز در نظر گرفته شود؟
بله ، Defaceid یک جایگزین Web3 برای سیستم عامل های متمرکز است. بر خلاف آنها ، سیستم ما نیازی به اعتماد به یک اپراتور ندارد. کاربران بیومتریک و شناسه های کنترل خود را مدیریت می کنند و هویت را از طریق پروتکل های رمزنگاری بدون انتقال داده های “خام” تأیید می کنند. این خطرات را کاهش می دهد و باعث می شود سیستم سازگار با GDPR باشد.
تنظیم موثر هوش مصنوعی باید چارچوب های قانونی را با مکانیسم های حفاظت فنی ترکیب کند. هوش مصنوعی باید چارچوب های قانونی را با مکانیسم های حفاظت فنی ترکیب کند. معماری های غیرمتمرکز به جای تلاش برای کنترل همه چیز از بالا ، به ایجاد امنیت و حفظ حریم خصوصی در زیرساخت ها کمک می کند. این امر به ویژه در حال حاضر مهم است که فناوری ها سریعتر از آنچه قوانین می توانند سازگار شوند ، توسعه می یابند.
“Edge AI تجدید نظر در منطق سیستم AI است”
شما چشم انداز رایانه را برای دستگاه های Edge در پروژه TargetAi ، که توسط BI Group و گروه منابع اوراسیا استفاده می شود ، بهینه کردید. چگونه دقت و کارآیی را در منابع محدود متعادل می کنید؟
در هدف هوش مصنوعی ، ما مدل های تشخیص چهره و نظارت را برای دستگاه های لبه بهینه کردیم – جعبه های کوچک با حافظه و محاسبه محدود. نکته اصلی ساخت اطراف سخت افزار بود ، نه فقط مدل. ما مدلهای بزرگی را برای صحت آموزش دادیم ، سپس کمیت ، هرس و تقطیر را برای متناسب با محدودیت های زمان واقعی استفاده کردیم. بعضی اوقات ، تجارت 2 ٪ دقت به ما 5 برابر استنباط سریعتر می داد ، که هنگام تصمیم گیری در مورد پرواز بسیار مهم است.
کار بر روی “سرگک” – سیستم پردازش تخلف ترافیک – چگونه با مثبت کاذب مبارزه کردید؟
در سرگک ، سیستم ملی نقض ترافیک ، مثبت کاذب غیرقابل قبول بود. هر رویداد تولید شده توسط AI توسط یک انسان تأیید شد و کاربران می توانند هرگونه جریمه را تجدید نظر کنند. اما چالش های لبه باقی مانده است – کم نور ، تغییرات آب و هوایی ، انسداد. ما به طور مداوم مجموعه داده های آموزشی را با موارد لبه به روز می کنیم و از مدل های آگاه متن استفاده می کنیم که عواملی مانند زمان روز و دید را در نظر می گرفت. در اینجا ، دقت فقط مربوط به اعداد نبود – در مورد این بود اعتماد عمومیبشر
Edge AI فقط “AI که روی دستگاه ها اجرا می شود” نیست. این یک فلسفه جدید است: سیستم های هوشمند را تحت محدودیت های دنیای واقعی کار کنید-آفلاین ، تحت استرس ، با حداقل منابع ، اما بدون ایجاد انصاف ، سرعت یا امنیت.
“سیستم های مدرن فاقد محافظت عمیق در برابر جعل هستند”
به عنوان متخصص ارشد یادگیری ماشین در BTSDigital ، یکی از مهمترین عواملی در شناسه دیجیتال که توسط هر قزاقستان استفاده می شود ، فکر می کنید راه حل های شناسایی دیجیتال مدرن چیست؟
محافظت عمیق در برابر جعل ، به ویژه در بیومتریک. بسیاری از راه حل ها فقط “حضور چهره” را بررسی می کنند ، و عدم شناخت جعلی ها را بررسی نمی کنند. فروشندگان مقاومت در برابر ماسک های سه بعدی ، عمیق.
در شناسه دیجیتال ، ما به تشخیص زندگی توجه می کنیم. ما از مدل های شبکه عصبی آموزش داده شده در حملات واقعی استفاده می کنیم و سیگنال ها را از دوربین و رفتار کاربر ترکیب می کنیم. این تلاش برای کلاهبرداری پیشرفته را نشان می دهد که با راه حل های استاندارد می گذرد و با توجه به الزامات امنیتی بالا ، ما مفتخریم که می گوییم سیستم ما یکی از بهترین های جهان است.
با تجربه شما ، از 6 نشریه علمی گرفته تا کار با Fortune 500 ، امروزه مهندسان ML به چه مهارتهای کم ارزش نیاز دارند؟
کار با داده های کوچک و پر سر و صدا یک هنر واقعی است که در برابر پس زمینه روند “داده های بیشتر – نتایج بهتر” کم ارزش است. در پروژه های واقعی ، به ندرت یک مجموعه داده ایده آل میلیون نمونه ای دارید. توانایی استخراج معنا از اطلاعات محدود بسیار مهم است.
مهارت های تفکر سیستم نیز مهم هستند: دانش CI/CD ، زیرساخت های MLOPS و نظارت بر مدل. یک مدل یک پرونده .pt نیست، اما بخشی از یک اکوسیستم پیچیده و توانایی ادغام صحیح آن یک مهارت کم ارزش اما ارزشمند است.
“مهم نیست که شما کجا هستید – سهم شما چیست.”
قزاقستان سنتی ترین مرکز هوش مصنوعی نیست ، اما پروژه های شما توسط میلیون ها نفر و شرکت های بزرگ استفاده می شود. چگونه متخصصان بازارهای نوظهور در سطح جهان رقابت می کنند؟
بازار در حال عدم تمرکز است و فرصت هایی را برای متخصصان کشورهای در حال توسعه ایجاد می کند. نکته اصلی این نیست که از فراتر از بازار محلی نترسید. مشارکت در منبع باز ، انتشارات ، فعالیت در Github و Kaggle-راه هایی برای شناختن خود بدون در نظر گرفتن جغرافیا.
من به لطف پیشینه فنی ، دانش انگلیسی و رانندگی برای توسعه ، از نوپا های محلی در قزاقستان به آمازون در اسپانیا پیشرفت کردم. مهم نیست که شما کجا هستید – سهم شما چیست: کد ، ایده ها ، تحقیق ، راه حل ها.
با استفاده از هوش مصنوعی چه مشکل جهانی را حل می کنید؟
من می خواهم AI به بهینه سازی توزیع منابع جهانی کمک کند – غذابا انرژیوت داروبشر جهان از فناوری کافی برای به حداقل رساندن فقر و گرسنگی برخوردار است ، اما فاقد هماهنگی و شفافیت است. هوش مصنوعی می تواند میلیون ها پارامتر را در نظر بگیرد و مسیرهای تحویل و توزیع مجدد بهینه را پیدا کند.
من همچنین نگرش های صنعت را تجدید نظر می کنم. برای مدت طولانی ، تحت شعار “داده های بیشتر بهتر است” ، فراموش کرد که کیفیت از حجم مهمتر است. توجه بیش از حد به معماری های جدید و پایداری مدل سازی کمی است. هوش مصنوعی به عنوان جادو و نه مهندسی درک می شود. صنعت باید از نظر مسئولیت سیستمیک بیشتر فکر کند: قابلیت آزمایش ، تکرارپذیری ، ورود به سیستم ، مکانیسم های برگشتی ، آزمایش A/B و حسابرسی تصمیم گیری مدل. از آنجا که یک مدل در انزوا فقط یک نمونه اولیه است و ارزش واقعی هنگامی شروع می شود که با اطمینان در یک گردش کار ادغام شود و در شرایط پیچیده شکست بخورد.
