دستیار هوشمند برای ارتباط با صنعت دانشگاه فردوسی مشهد

طراحی و پیاده‌سازی یک دستیار هوشمند مبتنی بر هوش مصنوعی برای تسهیل فرآیندهای ارتباط با صنعت

طرحی نوآورانه برای تسهیل فرآیندهای دانشگاه فردوسی مشهد

هادی صدوقی یزدی: استاد گروه کامپیوتر دانشگاه فردوسی مشهد، مشاور تخصصی در یادگیری ماشین و سیستم‌های داده
مدیر آزمایشگاه تشخیص الگو
عضو SCIIP - قطب علمی محاسبات نرم و پردازش اطلاعات هوشمند

دستیار هوشمند ارتباط با صنعت دانشگاه فردوسی مشهد

هدف

طراحی، پیاده‌سازی و استقرار عملیاتی یک دستیار هوشمند با رویکرد هوش مصنوعی زایشی (Generative AI) به منظور: تسهیل، تسریع و استانداردسازی کلیه فرآیندهای اداری و علمی حوزه ارتباط با صنعت.
پاسخگویی هوشمند، دقیق و ارجاع‌دهی شده به سؤالات متخصصان، اعضای هیئت علمی و مدیران صنایع.

مقدمه

دستیار هوشمند ارتباط با صنعت، راه‌حلی مبتنی بر هوش مصنوعی برای پاسخگویی به سوالات مرتبط با مقررات و آیین‌نامه‌های دانشگاهی است. این سیستم با تحلیل اسناد معتبر، پاسخ‌های دقیق و مستندی در اختیار اساتید و صنعتگران قرار می‌دهد و فرآیندهای ارتباط با صنعت را تسهیل می‌کند. دارای خصوصیات

تسریع و تسهیل دسترسی به اطلاعات مقرراتی
کاهش خطا و افزایش دقت در تفسیر مقررات
پاسخگویی به سوالات اساتید و صنعتگران

کلید تولید پاسخ‌های مستند Retrieval Augmented Generation است

مرحله ۱ - بازیابی (Retrieval): سیستم ابتدا با استفاده از تکنیک‌های جستجوی معنایی (Semantic Search)، دقیق‌ترین پاراگراف‌ها یا بخش‌های مرتبط با سؤال را از میان اسناد دانشگاهی بازیابی می‌کند. ∙ مرحله ۲ - تولید (Generation): سپس، یک مدل زبانی بزرگ (LLM)، با تکیه بر متون بازیابی‌شده، پاسخی دقیق، جامع و کاملاً مستندسازی شده تولید می‌کند. \textbf{مزیت کلیدی}: این رویکرد، مشکل “توهم” (Hallucination) در مدل‌های LLM را کاهش داده و پاسخ‌ها را به منابع رسمی دانشگاه پایبند می‌سازد.

چالش‌های اساسی موجود در فرآیندهای ارتباط با صنعت

پراکندگی و حجم عظیم مستندات: دشواری دسترسی سریع و جامع به اطلاعات مورد نیاز.
پیچیدگی تفسیر و ابهام در رویه‌ها: نیاز به تخصص کارشناسان برای درک دقیق مقررات.
زمان پاسخگویی طولانی و نامنظم: اتلاف وقت اساتید و صنعتگران در یافتن پاسخ‌های اداری.
بالا بودن احتمال خطای انسانی: به دلیل تکیه بر حافظه و سلیقه فردی در پاسخگویی.

هدر رفت توان بدنه اجرایی و مدیریت

پایگاه دانش طرح:

اسناد مرجع و پشتیبان سیستم (با ذکر اهمیت) با هدف اطمینان از پوشش کامل و جامع کلیه فرآیندها

برخی اسناد پشتیبان (تمرکز بر مقررات بالادستی و تخصصی)

دستورالعمل امتیازدهی به فعالیت‌های ارتباط با صنعت ۱۴۰۴
آیین‌نامه کمیسیون فناوری و نوآوری ۱۴۰۲
آیین‌نامه ارتقاء و مصادیق فعالیت‌های فناوری
آیین‌نامه دوره کارآموزی بلند مدت
شیوه‌نامه محاسبه هزینه‌های توسعه زیرساختی (دانشگاه)
مصوبه طرح‌های پاره‌وقت‌های برون دانشگاهی (پارسا)
کاربرگ تفاهم‌نامه فرصت مطالعاتی (الگوهای مورد نیاز)
آیین‌نامه طرح پسادکترای صنعتی
دستورالعمل امتیازدهی طرح‌های برون دانشگاهی (جزئیات محاسبه)

غرق در آیین نامه ها

مزایای پیاده سازی سیستم

مزایای فنی

دقت بالا در پاسخ‌دهی
به‌روزرسانی آسان دانش
مقیاس‌پذیری
امنیت داده‌ها

مزایای سازمانی

کاهش زمان پاسخگویی
یکپارچگی اطلاعات
پشتیبانی از تصمیم‌گیری
استانداردسازی فرآیندها

کاربردهای عملی

نمونه سوالات قابل پاسخ
«امتیاز فرصت مطالعاتی در صنعت چقدر است؟»
«مراحل دریافت طرح پسادکترای صنعتی چیست؟»
«هزینه‌های قابل قبول در طرح‌های برون‌دانشگاهی کدامند؟»
«شرایط اعطای پژوهانه رساله به دانشجویان دکتری چیست؟»

زمان‌بندی اجرا

جمع‌آوری و پیش‌پردازش اسناد
طراحی پایگاه دانش و نمایه‌سازی
توسعه و یکپارچه‌سازی مدل
تست و ارزیابی
استقرار و آموزش

نتایج مورد انتظار

کاهش ۷۰\% زمان پاسخگویی به سوالات
افزایش رضایت‌مندی اساتید و صنعتگران
کاهش خطای انسانی در تفسیر مقررات
تسهیل همکاری‌های صنعت-دانشگاه

روند پردازش سوالات

{دریافت سوال} از کاربر (استاد یا صنعتگر)
{جستجوی معنایی} در اسناد مرتبط
{استخراج متون مرتبط} با بالاترین شباهت
{تولید پاسخ} توسط مدل زبانی
{ارجاع به منابع} برای شفافیت

معماری سیستم

توضیح معماری سیستم دستیار هوشمند ارتباط با صنعت دانشگاه فردوسی این فلوچارت، معماری سیستم دستیار هوشمند ارتباط با صنعت را نشان می‌دهد که برای دانشگاه فردوسی مشهد طراحی شده است. این سیستم از فناوری پیشرفته RAG (Retrieval Augmented Generation) و AIG (Artificial Intelligence Generation) بهره می‌برد تا به سؤالات اساتید و شرکای صنعتی پاسخ دهد.

اجزای اصلی سیستم:

ورودی کاربر (User Input) اساتید و شرکای صنعتی سؤالات خود را وارد سیستم می‌کنند سؤالات می‌تواند در مورد آیین‌نامه‌ها، مقررات، فرآیندهای اداری و غیره باشد
پردازش سؤال (Question Processing) سؤال دریافتی تحلیل و پردازش اولیه می‌شود کلمات کلیدی و مفاهیم اصلی استخراج می‌شوند
جستجوی معنایی (Semantic Search) سیستم به جای جستجوی ساده کلیدواژه‌ها، مفهوم سؤال را درک می‌کند جستجو در پایگاه داده اسناد بر اساس معنا و مفهوم انجام می‌شود
پایگاه داده اسناد (Document Database) شامل تمام آیین‌نامه‌ها، دستورالعمل‌ها و اسناد مرتبط با ارتباط با صنعت اسناد به صورت ساختاریافته و قابل جستجو ذخیره شده‌اند
استخراج متون مرتبط (Relevant Text Extraction) بخش‌های مرتبط با سؤال از اسناد استخراج می‌شوند اطلاعات با بالاترین میزان ارتباط انتخاب می‌شوند
مدل زبانی بزرگ (Large Language Model - AIG) از فناوری هوش مصنوعی پیشرفته برای پردازش متون استفاده می‌کند اطلاعات استخراج شده را تحلیل و ترکیب می‌کند
تولید پاسخ (Response Generation) پاسخی دقیق، جامع و قابل فهم تولید می‌شود پاسخ شامل ارجاع به منابع اصلی برای شفافیت است ائه پاسخ به کاربر (Presenting Response to User) پاسخ نهایی به کاربر ارائه می‌شود امکان پیگیری و سؤالات تکمیلی فراهم می‌شود
جریان کار سیستم:

۱. کاربر (استاد یا شریک صنعتی) سؤال خود را وارد می‌کند ۲. سیستم سؤال را پردازش و تحلیل می‌کند ۳. جستجوی معنایی در پایگاه داده اسناد انجام می‌شود ۴. متون مرتبط از اسناد استخراج می‌شوند ۵. مدل زبانی بزرگ (AIG) اطلاعات را پردازش می‌کند ۶. پاسخ دقیق و جامع تولید می‌شود ۷. پاسخ به کاربر ارائه می‌شود

مزایای این معماری: دقت بالا: ترکیب جستجوی معنایی و هوش مصنوعی باعث افزایش دقت پاسخ‌ها می‌شود پاسخگویی سریع: کاهش زمان پاسخگویی به سؤالات از روزها به ثانیه‌ها شفافیت: ارجاع به منابع اصلی برای اعتبارسنجی پاسخ‌ها یکپارچگی: دسترسی به تمام اطلاعات و مقررات از یک درگاه واحد به‌روزرسانی آسان: امکان به‌روزرسانی پایگاه داده با اسناد و مقررات جدید این سیستم می‌تواند نقش مهمی در تسهیل فرآیندهای ارتباط با صنعت در دانشگاه فردوسی مشهد ایفا کند و باعث افزایش کارایی و اثربخشی همکاری‌های دانشگاه و صنعت شود.