دانشیار، دکتر هوین تی تان بین: «بهینه‌سازی اغلب به معنای پیروی از طبیعت است»

چه فرصت ویژه‌ای شما را از دوران دانشجویی به دانشگاه علم و فناوری هانوی وابسته نگه داشته است؟ آیا شما کسی هستید که از تغییر محیط می‌ترسد؟

من عضوی از نسل سی و هفتم دانشجویان رشته فناوری اطلاعات (IT) در این مدرسه هستم، اما در واقع از دوران دبیرستان در رشته فناوری اطلاعات تحصیل کرده‌ام. سپس دانشگاه، کارشناسی ارشد، دکترا و... همه را در این مدرسه خواندم.

در واقع، مواقعی بود که قصد داشتم در ژاپن تحصیل کنم. وقتی در دانشگاه بودم، به مدت ۵ سال با حمایت دولت ژاپن برای ۲۰ دانشجوی ممتاز مقاطع K36 و K37 زبان ژاپنی خواندم. سپس، درست در رکود اقتصادی کشور همسایه قرار گرفت، بنابراین این برنامه به حالت تعلیق درآمد. سپس، وقتی مدرک کارشناسی ارشدم را گرفتم، پروفسور هو تو بائو من را به یک استاد بسیار معتبر در ژاپن معرفی کرد تا برای تحقیق به آنجا بروم، اما به دلایل شخصی از طرف خودم (ازدواج)، هنوز در دانشگاه فناوری ماندم. همچنین به دلایل شخصی و عینی است که هنوز دکترای خود را در این دانشگاه می‌خوانم و تا به امروز در آنجا تدریس می‌کنم.

اگر بگویم سرنوشت این بود، می‌ترسم کمی اغراق‌آمیز باشد، اما به طور ساده، این چیز به طور طبیعی و ملایم به سراغم آمد.

دانشیار، دکتر هوین تی تان بین، در کنفرانس پیشرو محاسبات تکاملی، ژوئیه 2023 در لیسبون، پرتغال، شرکت و گزارشی ارائه کرد.

در برخی از کنفرانس‌های اخیر، من شاهد بودم که شما اغلب نتایج تحقیقات خود را با بسیاری از دانشمندان زن دیگر ارائه می‌دهید. آیا این نشانه‌ای از نسل جدیدی از «فمینیسم» در علم در پلی‌تکنیک است؟

آخرین باری که در کنفرانس صندوق نوآوری وین‌گروپ (VINIF) شرکت کردم، دکتر نگوین فی لی، دکتر لی مین توی و من با هم ارائه دادیم و یک دانشجوی زن دیگر، دکتر نگوین کام لی، که در ژاپن بود و هنوز برنگشته بود، هم حضور داشت. این یک تصادف یا یک «همدردی» بین ما بود و نماینده هیچ نسل «فمینیستی» نبود. در بخش مهندسی دانشکده، گروه‌های کمی با تعداد اعضای زن به اندازه گروه من وجود دارند، احتمالاً فقط کمتر از گروه‌های تحقیقاتی در بخش‌های اقتصاد یا زبان‌های خارجی دانشکده. نکته ویژه دیگر این است که هر ساله، گروه من در کنفرانس‌های پیشرو در جهان مقاله منتشر می‌کند و سپس من و گروهم در کنفرانس شرکت می‌کنیم تا فرصت تبادل نظر با گروه‌های تحقیقاتی قوی را گسترش دهیم.

مشخص است که شما یک آزمایشگاه بزرگ را در مدرسه مدیریت می‌کنید و در عین حال تدریس نیز می‌کنید. برای انجام خوب این کار، آیا فرآیند بهینه‌سازی خاصی لازم است؟

من در حال حاضر رهبر یک گروه تحقیقاتی بهینه‌سازی با حدود ۴۰ نفر هستم. حجم کار را زیاد می‌دانم؛ معمولاً از صبح زود تا ساعت ۶-۷ بعد از ظهر، از جمله شنبه‌ها، کار می‌کنم. برای من، کار مانند غذا و نوشیدنی روزانه است و همیشه ظرف‌ها عوض می‌شوند زیرا هر هفته اکتشافات جدیدی از یک گروه یا گروه دیگر وجود دارد. این باعث می‌شود احساس هیجان کنم.

برای بهینه‌سازی کارم، اغلب باید اهدافی را تعیین کنم، برنامه‌ریزی کنم، زمان را به طور منطقی اختصاص دهم و هرگز مهلت‌ها را فراموش نکنم.

لحظات رویایی با رنگ‌ها و قلم‌موها

ظرفیت کاری چشمگیر، پشت یک اندام باریک؟

فکر می‌کنم یک بدن سبک به من کمک می‌کند انرژی بیشتری برای فکر کردن، تحقیق و خلق کردن داشته باشم. البته باید با وضعیت خود راحت باشید.

من همچنین پیانو یاد گرفتم، چون می‌خواستم در زندگی کاری هماهنگ انجام دهم، چیزی که طعم بیشتری داشته باشد. موسیقی در واقع ریاضیات است، شبیه به زبان یا توسعه چیزها در طبیعت.

برای متحد کردن اعضای آزمایشگاه، کدام سبک مدیریتی را انتخاب می‌کنید: قاطع یا انعطاف‌پذیر؟

هدیه‌ای از یکی از دانشجویان آزمایشگاه به او در هشتم مارس

ارتباط برقرار کردن اعضا در آزمایشگاه بسیار مهم است. بدون تبادل، به‌روزرسانی و اشتراک‌گذاری بین مسیرهای تحقیقاتی، انجام این کار دشوار خواهد بود. هر روز صبح در ابتدای هفته، یک سبد غذا و نوشیدنی برای اعضای آزمایشگاه می‌آورم و محاسبه می‌کنم که چقدر برای استفاده در طول هفته راحت است. سعی می‌کنم از اعضای گروه حمایت کنم تا بتوانند روی تحقیق تمرکز کنند، حواسشان پرت نشود و بتوانند از صبح تا شب کار کنند.

من هم باید مثل شما در آزمایشگاه حضور داشته باشم، با شما و سایر گروه‌های تحقیقاتی همکاری کنم، جلسه داشته باشم، بحث کنم. اگر نتوانم این کار را انجام دهم، هیچ هماهنگی بین مسیرهای تحقیقاتی وجود نخواهد داشت، یا ممکن است همپوشانی داشته باشند، از یکدیگر پشتیبانی نکنند، پیشرفت یکدیگر را به‌روز نکنند...

سبک مدیریتی من بسته به نقش متفاوت است. در مدرسه، با همکارانم بسیار ملایم هستم؛ در گروه تحقیق، خودم را کاملاً سخت‌گیر می‌دانم، بسیار دقیق در مورد برنامه‌ها و پیشرفت، با پاداش‌ها و تنبیه‌های مشخص. دلیل آن احتمالاً از تمایل به بهینه‌سازی در هر نوع کار متفاوت ناشی می‌شود و من این را بسیار طبیعی می‌دانم.

یک مثال عینی از اینکه چگونه ریاضیات می‌تواند به راه‌حل‌های بهینه منجر شود، چیست؟

در اصل، ریاضیات بسیار زیباست. بسیاری از مسائل زندگی به ریاضیات نیاز دارند. برای مثال، «چگونه می‌توان از دانشگاه علوم و فناوری هانوی به دریاچه هوان کیم در سریع‌ترین زمان ممکن و با کمترین چراغ قرمز رسید» مسئله‌ای است که برای یافتن پاسخ بهینه به یک الگوریتم نیاز دارد. بسیاری از مسائل اطراف ما، مانند مسائل مسیریابی برای تحویل و لجستیک، نیز مسائل بهینه‌سازی ترکیبی هستند... زندگی به کار بهینه نیاز دارد و برای بهینه‌سازی کار، به ریاضیات نیاز است. ریاضیات کاربردی اکنون یک حوزه رو به رشد است و نقش مهمی در زندگی ایفا می‌کند.

ما همیشه راه‌حل بهینه را پیدا نمی‌کنیم، برای مثال، برای مسائلی در تولید و لجستیک که پارامترهای آنها به طور مداوم در طول زمان تغییر می‌کند. این مسائل به روش‌های مکمل زیادی نیاز دارند، باید راه‌حل‌های قابل قبول پیدا کنند و از روش‌های تقریبی استفاده کنند. هدف ریاضیات اعداد مطلق است، اما انجام محاسبات با مقادیر تقریبی در واقع نزدیک شدن به ذات طبیعت است و به بهینه‌سازی نزدیک است.

از ریاضیات و بهینه‌سازی تا هوش مصنوعی (AI)، مسیری طولانی یا کوتاه؟

هوش مصنوعی در دهه‌های ۱۹۴۰ و ۱۹۵۰ آغاز شد. در آن زمان، آلن تورینگ مفهوم «ماشین تورینگ» را برای شبیه‌سازی نظریه کامپیوترهای هوشمند معرفی کرد. در دهه ۱۹۵۰، جان مک‌کارتی اصطلاح «هوش مصنوعی» را معرفی کرد و زبان را توسعه داد. در دهه‌های ۱۹۷۰ و ۱۹۸۰، مفاهیمی مانند سیستم‌های خبره و منطق فازی برای حل مسائل تصمیم‌گیری توسعه یافتند. دهه ۱۹۹۰ شاهد توسعه شبکه‌های عصبی و شبکه‌های عصبی عمیق بود. در دهه ۲۰۱۰، فناوری هوش مصنوعی در بسیاری از زمینه‌ها، از جمله خودروهای خودران، چت‌بات‌ها، تشخیص و پردازش زبان، ادغام شد. اخیراً، هوش مصنوعی چنان محبوب شده است که وارد هر جنبه‌ای از زندگی شده و موضوع مورد علاقه کشورها است. در آینده، هوش مصنوعی بازاری بسیار پربار برای توسعه بیشتر و عمیق‌تر خواهد بود و به فعالیت‌های بیشتری از زندگی نفوذ خواهد کرد.

با حضور دانشجویان تحصیلات تکمیلی و دانشجویانی که در کنگره جهانی IEEE 2018 در مورد هوش محاسباتی در ریودوژانیرو، برزیل در ژوئن 2018 شرکت کرده و گزارش می‌دهند

بسیاری از مردم معتقدند که تحقیقات و کاربردهای فعلی هوش مصنوعی هرگز به ایجاد «هوش» واقعی منجر نخواهد شد. نظر شما در مورد این دیدگاه چیست و به نظر شما چه چیزی تفاوت بین هوش انسان و ماشین را ایجاد می‌کند؟

در زمان آلن تورینگ، مردم معتقد بودند که اگر بتوان ماشینی ساخت که بتواند محاسبات را با یک سیستم داده بسیار بزرگ به خوبی پردازش کند، در مقطعی پیچیدگی آن با شبکه عصبی مغز انسان برابر خواهد شد - یعنی هوش مصنوعی می‌تواند به هوش انسانی برسد. پس از حدود ۸۰ سال توسعه در این مسیر با شرکت‌های بزرگی مانند گوگل، تاکنون، فکر می‌کنم هوش مصنوعی هنوز از رسیدن به آن هدف فاصله زیادی دارد. از نظر مکانیکی، می‌توان گفت که انسان‌ها اطلاعات را ترکیب می‌کنند، درک می‌کنند، یاد می‌گیرند، احساسات خود را ابراز می‌کنند... به روش‌هایی که قابل محاسبه و برنامه‌ریزی هستند؛ طبق این منطق، هوش مصنوعی می‌تواند به لطف پیشرفت در سرعت و داده‌ها به انسان نزدیک شود و از او پیشی بگیرد. با این حال، یک مکانیسم "غیرمنطقی" خاص در مغز انسان وجود دارد که به نظر من هوش مصنوعی از آن حالت دور است یا هرگز نمی‌تواند به آن برسد.

آیا زمانی فرا خواهد رسید که انسان‌ها از داده‌ها به عنوان سلاح، به جای اسلحه یا اقتصاد، استفاده کنند؟ عواقب این جنگ داده‌ها چه خواهد بود؟ آیا نیازی به یک استراتژی بهینه‌سازی/متعادل‌سازی بین دنیای انسان‌ها و دنیای ماشین‌ها وجود دارد؟

من می‌توانم کیف پولم را گم کنم، اما نمی‌توانم کامپیوتر و داده‌های داخل آن را از دست بدهم. به عبارت دیگر، داده‌ها بسیار مهم هستند. در جنگ با سلاح/اقتصاد، می‌توانیم تخلیه/مذاکره کنیم...؛ اما با داده‌ها، نمی‌توانیم کاری انجام دهیم. مردم حتی از کلان‌داده برای خدمت به رقابت/جنگ استفاده می‌کنند. هوش مصنوعی بدون داده‌ها بی‌معنی است.

عواقب جنگ داده‌ها وخیم خواهد بود. باید استانداردهای اخلاقی برای داده‌کاوی و استفاده از داده‌ها وضع شود.

شاید صحبت در مورد استراتژی تعادل انسان و ماشین کمی زود باشد، اما استراتژی محافظت از داده‌ها به عنوان یک دارایی ملی بسیار ضروری است. اکنون مردم نیز هنگام ارائه داده‌های شخصی به طرف مقابل محتاط می‌شوند. با وجود غول‌هایی مانند گوگل، فیس‌بوک یا تیک‌تاک...، اگر داده‌ها را به طور مؤثر کنترل و ایمن نکنیم، یک منبع ارزشمند را برای دستکاری و استفاده این شرکت‌ها شناور خواهیم گذاشت. دولت سیاست‌های مدیریت داده‌های بسیار خوبی برای مکان‌هایی که داده‌های شخصی زیادی مانند مدارس، بانک‌ها و... را ذخیره می‌کنند، دارد. اما مدیریت داده‌هایی که مردم "ناخودآگاه" در اختیار غول‌های فوق قرار می‌دهند، ساده نیست.

دانشیار، دکتر هوین تی تان بین و دانشجویان پلی تکنیک که در آگوست 2023 فارغ التحصیل می شوند

علاوه بر داده‌ها، بهینه‌سازی انتقال اطلاعات نیز مهم است و آیا به پروژه تحقیقاتی که روی آن کار می‌کنید مرتبط است؟

بله، این پروژه‌ای است که من و تیمم به آن بسیار افتخار می‌کنیم، زمانی که توسط بنیاد VINIF برای تحقیق در مورد یادگیری انتقالی برای حل مسائل بهینه‌سازی ترکیبی تأمین مالی شدیم. برای اینکه بتوانیم برای این پروژه بودجه دریافت کنیم، تیم من 9 ماه را صرف تهیه، نوشتن و اصلاح پروپوزال کرد تا آن را به بهترین و نزدیک‌ترین نتایجی که می‌توان در عمل به دست آورد، تبدیل کند. این پروژه شامل تحقیق در مورد انتقال بهینه دانش در تکامل، انتقال اطلاعات در تکامل مشترک و انتقال اطلاعات در شبکه‌های عصبی است.

انتقال در اینجا از ماشین به ماشین یا از فرد به فرد نیست، بلکه مطالعه انتقال/به اشتراک گذاری اطلاعات برای حل مؤثر مسائل بهینه‌سازی در زندگی است. به عنوان مثال، برخی از مسائل مهم: مسئله بازوی ربات، مسئله مسیریابی در حمل و نقل، برنامه‌ریزی در ارتش…

دانشیار، دکتر Huynh Thi Thanh Binh در دانشگاه استنفورد، ایالات متحده آمریکا

آمار اخیر نشان می‌دهد که پرسنل صنعت هوش مصنوعی در ویتنام جزو ۳ نفر برتر حقوق دریافت می‌کنند. به نظر شما، آیا هوش مصنوعی یک رشته تحصیلی پرطرفدار است؟

در گزارش کنفرانس اخیر، حقوق مهندسان هوش مصنوعی در ویتنام را نیز خلاصه کردم و متوجه شدم که بسیار خوب است. فرصت‌های شغلی زیادی مرتبط با هوش مصنوعی وجود دارد و فکر می‌کنم در آینده نزدیک، هوش مصنوعی همچنان یک حوزه بسیار جذاب، با مشاغل آسان و درآمد بالا خواهد بود.

از دیدگاه کسی که نسل‌های زیادی با دانشگاه فناوری در ارتباط بوده است، دانشجویان نسل Z فعلی را چگونه با فارغ‌التحصیلان قبلی مقایسه می‌کنید؟

نمی‌دانم کجا، اما با دانش‌آموزان نسل Z در باخ خوآ، می‌بینم که شما روز به روز بهتر می‌شوید. خیلی خوب. شما خیلی باهوش هستید، نه تنها در رشته تحصیلی‌تان، بلکه در زبان‌های خارجی و مهارت‌های نرم نیز خوب هستید. به خصوص، از زمانی که باخ خوآ به یک سیستم خودگردان روی آورده، دانش‌آموزان با استعداد بیشتری را جذب کرده است.

در دانشکده فناوری اطلاعات و ارتباطات که من در آن کار می‌کنم، دانشجویان در گذشته دسترسی کمی به آزمایشگاه‌های تحقیقاتی داشتند. با این حال، در سال‌های اخیر، اکثر دانشجویان از سال‌های اول تحصیل خود در آزمایشگاه‌ها بوده‌اند و با اشتیاق و خلاقیت کار کرده‌اند. برخی از دانشجویان حتی ابتکار عمل را به دست گرفته‌اند تا در مورد آزمایشگاه‌های ما اطلاعات کسب کنند و در آنها شرکت کنند.

ممنون بابت چت!

Thanhnien.v