برنامه توسعه هلدینگهای صندوق بازنشستگی بر فناوری استوار میشود
تاریخ انتشار: ۲۲ اسفند ۱۴۰۱ | کد خبر: ۳۷۳۱۷۵۲۶
به گزارش روز دوشنبه ایرنا از صندوق بازنشستگی کشوری، نعمتالله ترکی در مراسم امضای تفاهمنامه با دانشگاه صنعتی شریف و با حضور مدیرعامل شرکت سرمایهگذاری صندوق بازنشستگی کشوری و مدیران دانشگاه صنعتی شریف، افزود: خدمترسانی به بازنشستگان مهمترین ماموریت صندوق بازنشستگی کشوری است.
وی اظهار داشت: صندوق بازنشستگی کشوری ۲ کارکرد عمده اجتماعی (حمایت از بازنشستگان) و اقتصادی دارد که فعالیتهای اقتصادی آن برای تامین منابع مورد نیاز در حوزه اجتماعی است.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
وی افزود: هدف مطلوب این است که واحدهای تولیدی و مجموعههای اقتصادی صندوق بتوانند منابع مورد نیاز مصارف اجتماعی صندوق را تامین کنند. برای رسیدن به این هدف، باید جایگاه هلدینگها و شرکتها را از نظر تولید و سودآوری با اتکا به شیوههای نوآورانه ارتقا داد.
ترکی با بیان اینکه ایران از نظر علم و فناوری و نیز برخورداری از نیروی تحصیلکرده جوان، کشور ثروتمندی است، گفت: عدم ارتباط مجموعههای اقتصادی و صنعتی با حوزههای علمی و فناوری باعث عدم توسعه شده است.
وی اضافه کرد: در برنامههای توسعهای صندوق بازنشستگی کشوری، فناوری و دانش، بدنه و پایه اصلی صنعت را شکل میدهد. فناوری باید در خدمت خلق حلقه های صنعتی و پردازش امور در صنعت باشد. در این صورت، میتوانیم امیدوار باشیم که بخش قابل توجهی از منابع مورد نیاز صندوق از آورده شرکتهای تابعه تامین شود.
شرکت سرمایهگذاری صندوق بازنشستگی به دنبال افزایش سهم در تولید ناخالص ملی است
علیرضا زمانپور، مدیرعامل و نائبرییس هیات مدیره شرکت سرمایههای گذاری صندوق بازنشستگی کشوری، به برنامههای توسعهای این هلدینگ اشاره کرد و گفت: شرکت سرمایهگذاری صندوق بازنشستگی کشوری به دنبال افزایش سهم خود در تولید و خدمات و همچنین تولید ناخالص ملی است تا در شرایط کنونی اقتصادی، سهم قابل توجهی از بازار را از آن خود و صندوق بازنشستگی نماید.
وی افزود: برای رسیدن به این امر مهم، با الهام از نامگذاری سال ۱۴۰۱ با عنوان سال «تولید، دانشبنیان و اشتغالآفرین»، توسط مقام معظم رهبری، این هلدینگ توجه به فعالیتهای دانشبنیان و استفاده از اکوسیستم نوآوری شرکتی را به عنوان یکی از اولویتهای اصلی خود دنبال میکند.
زمانپور ادامه داد: با به کارگیری اکوسیستم نوآوری شرکتی و استفاده از دانش و فناوری در حل چالشها و مسائل شرکتهای صنعتی و تولیدی ذیل هلدینگ و به کارگیری روشهای تامین مالی نوین بینالمللی و همچنین استفاده از تنوع ابزارهای نوین سرمایهگذاری در بورس اوراق بهادار تهران میتوان طرحهای صنعتی را توسعه و تولید را افزایش داد.
مدیرعامل شرکت سرمایهگذاری صندوق بازنشستگی کشوری، سیاستهای مدیرعامل صندوق بازنشستگی کشوری در سرمایهگذاری پروژههای موجود در این شرکت را تشریح کرد و گفت: ما سرمایهگذاری در این پروژهها را هم از طریق جذب سرمایهگذاری خارجی همانند کشورهای عضو پیمان شانگهای و هم از طریق جذب سرمایههای ریسکپذیر فعال در اکوسیستم نوآوری پیگیری میکنیم.
زمانپور با اشاره به بیانات مقام معظم رهبری درباره جایگاه علم و فناوری گفت: حضور ما در دانشگاه صنعتی شریف به عنوان مرجع علمی و فناوری برای انتقال فناوری و طراحی اکوسیستم شرکتی میتواند بخشی از منویات مقام معظم رهبری باشد که میفرمایند؛ «العلم سلطان».
وی ادامه داد: ما اینجا هستیم تا دانش اساتید و دانشجویان کشور را در کنار نیازهای فناورانه و تخصص و ظرفیت شرکتهای ذیل هلدینگ تحت «پردیس علم و فناوری صنعتی» قرار دهیم و با امضای تفاهمنامه، قدمی در بینیاز کردن کشور به نوآوری با سطح بالا برداریم.
رسول جلیلی، رئیس دانشگاه شریف نیز در این نشست به معرفی ظرفیتهای زیستبوم دانشگاه صنعتی شریف پرداخت و حرکت در جهت گسترش فناوری و توسعه منابع درآمدی دانشگاه و تلاش برای حل چالشهای موجود در صنعت را از دغدغههای دانشگاه دانست.
وی ابراز امیدواری کرد که این تفاهمنامه همکاری مشترک بتواند ضمن بررسی و استفاده از ظرفیتهای هر دو مجموعه، سبب شود این مجموعه ها به سمت توسعه دستاوردهای صنعتی و فناورانه حرکت کنند.
جامعه رفاه و تأمین اجتماعی ۰ نفر مهناز بیرانوند برچسبها دانشگاه صنعتی شریف صندوق بازنشستگی کشوری سرمایه گذاری علم و فناوری بازنشستگانمنبع: ایرنا
کلیدواژه: دانشگاه صنعتی شریف صندوق بازنشستگی کشوری سرمایه گذاری علم و فناوری بازنشستگان دانشگاه صنعتی شریف صندوق بازنشستگی کشوری سرمایه گذاری علم و فناوری بازنشستگان شرکت سرمایه گذاری صندوق بازنشستگی گذاری صندوق بازنشستگی کشوری دانشگاه صنعتی شریف علم و فناوری شرکت ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.irna.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «ایرنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۷۳۱۷۵۲۶ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
دادههای آموزشی هوش مصنوعی عرصه جدید رقابت شرکتهای بزرگ فناوری
به گزارش خبرنگار مهر؛ با ظهور و توسعه روزافزون هوش مصنوعی طی سالهای اخیر، این فناوری تحولآفرین به بخشی جدایی ناپذیر از صنایع مختلف تبدیل شده است و فرآیندها و تصمیمگیری ها را به شکلی عمیق تحت تأثیر قرار داده است. همین امر سبب ظهور رقابتی شدید میان شرکتهای فناوری برای عرضه ارائه خدمات مبتنی بر هوش مصنوعی شده است. در چنین شرایطی، دادههای آموزشی در کنار توان محاسباتی و الگوریتمها، یکی از ارکان اساسی و تعیین کننده در توسعه این فناوری محسوب میشوند. دادههای آموزشی به عنوان پایهای برای الگوریتمهای یادگیری ماشینی جهت یادگیری و بهبود عملکرد هوش مصنوعی عمل میکنند و همین امر، دستیابی به دادههای مذکور را در مرکز رقابت استارتاپهای هوش مصنوعی و غولهای فناوری قرار داده است. بازیگران کلیدی این عرصه، رقابت برای دستیابی به دادههای آموزشی با کیفیت بالا را آغاز کردهاند.
دادههای آموزشی هوش مصنوعی (AI training data) به مجموعه اطلاعات مورد استفاده برای آموزش مدلهای هوش مصنوعی اطلاق میشود. بسته به نوع مدل هوش مصنوعی در حال توسعه، این داده ها میتوانند به اشکال مختلفی مانند متن، تصویر، ویدئو یا دادههای عددی مورد استفاده قرار گیرند.
به عقیده طیف گستردهای از کارشناسان، دادههای آموزشی آینده نوآوری در حوزه هوش مصنوعی را شکل میدهند.
نقش دادههای آموزشی در توسعه هوش مصنوعی
دادههای آموزشی نقش مهمی در شکل دادن به رفتار و قابلیتهای الگوریتمهای هوش مصنوعی ایفا میکنند. توسعهدهندگان میتوانند با قرار دادن مدلهای یادگیری ماشینی در معرض مقادیر زیادی از دادههای آموزشی برچسبگذاری شده، آنها را برای تشخیص الگوها، پیشبینی و انجام وظایف با دقت بالا آموزش دهند. همه انواع متنوع برنامههای مبتنی بر هوش مصنوعی از جمله تشخیص تصویر، پردازش زبان طبیعی یا رانندگی خودکار، برای دستیابی به عملکرد بهینه و افزایش توان، به شدت به مجموعههای داده آموزشی متنوع و غنی متکی هستند.
شرکتهای بزرگ فناوری و دادههای آموزشی هوش مصنوعی
غولهای فناوری آمریکایی مانند گوگل، آمازون، متا، مایکروسافت و اپل در خط مقدم تحقیق و توسعه هوش مصنوعی قرار دارند و از منابع وسیعی برای عبور از مرزهای نوآوری و پیشبرد فناوری استفاده میکنند. به عقیده کارشناسان، این شرکتها اهمیت استراتژیک دادههای آموزشی را در افزایش قابلیتهای سیستمهای هوش مصنوعی خود و به دست آوردن مزیت رقابتی در بازار میشناسند. در نتیجه، رقابت شدیدی بین غولهای فناوری برای به دست آوردن دادههای آموزشی با کیفیت بالا وجود دارد که میتواند به ابتکارات فناورانه آنها در بخش هوش مصنوعی کمک کند.
چالشها در دستیابی به دادههای آموزشی
در حالی که با توسعه روزافزون هوش مصنوعی و نیاز رو به رشد بازار تقاضا برای دادههای آموزشی همچنان در حال افزایش است، شرکتها با چالشهای مختلفی در دسترسی به منابع و استفاده مؤثر از دادهها مواجه هستند. نگرانیهای حریم خصوصی دادهها با قوانینی از جمله مانند مقررات عمومی حفاظت از داده اروپا (GDPR) که دستورالعملهای سختگیرانهای را در مورد جمعآوری و استفاده از دادههای شخصی اعمال میکند، به یک موضوع مهم تبدیل شده است. علاوه بر این، اطمینان از تنوع و نمایندگی دادههای آموزشی برای جلوگیری از تعصب، سوگیری و اطمینان از استحکام مدلهای هوش مصنوعی ضروری است.
راهبردهای موجود برای تولید دادههای آموزشی
شرکتهای بزرگ فناوری برای مقابله با چالشهای موجود در مسیر دستیابی به دادههای آموزشی، در حال بررسی استراتژیهای نوآورانه جهت تولید مجموعه دادههای متنوع و با کیفیت هستند. در چنین شرایطی پلتفرمهای جمعسپاری به سازمانها این امکان را میدهند که دادهها را از مجموعه بزرگی از مشارکتکنندگان جمعآوری کنند و آنها را قادر میسازد تا مجموعه دادههای خود را به طور مؤثر مقیاسبندی کنند. علاوه بر این، تکنیکهای تولید داده مصنوعی برای تقلید سناریوهای دنیای واقعی نیز بخشی کلیدی از دادههای آموزشی هستند که از سوی شرکتها مورد استفاده قرار میگیرند.
تأثیر کیفیت دادههای آموزشی بر عملکرد هوش مصنوعی
کیفیت دادههای آموزشی به طور مستقیم بر عملکرد و قابلیت اطمینان مدلهای هوش مصنوعی تأثیر میگذارد. مجموعه دادههای ضعیف یا دارای سوگیری میتوانند منجر به پیشبینیهای نادرست شوند و تعصبات موجود در سیستمهای هوش مصنوعی را تقویت کنند. برای کاهش این مسائل، شرکتها باید فرآیندهای تضمین کیفیت دادهها را اولویت بندی کنند و اقداماتی را برای شناسایی و اصلاح سوگیریها در دادههای آموزشی خود اجرا کنند.
چارچوبهای قانونی برای دادههای آموزشی هوش مصنوعی
در طول سالهای اخیر و به منظور پاسخ به نگرانیهای فزاینده در مورد حفظ حریم خصوصی دادهها و اخلاقیات، برخی چارچوبهای نظارتی برای کنترل مدیریت دادههای آموزشی در توسعه هوش مصنوعی ایجاد شدهاند. از همین روی، شرکتها ملزم به رعایت مقررات حفاظت از دادهها و اطمینان از شفافیت در شیوههای جمع آوری دادههای خود هستند. رعایت این مقررات برای ایجاد اعتماد در میان کاربران و ذینفعان و کاهش خطرات مرتبط با سو استفاده از دادهها ضروری است.
روندهای آینده در دادههای آموزشی هوش مصنوعی
با نگاهی به آینده، انتظار میرود که پیشرفت در روشهای جمعوری منابع داده، کیفیت و تنوع دادههای آموزشی در دسترس توسعهدهندگان هوش مصنوعی را افزایش دهد. تکنیکهایی مانند شبکههای زایای دشمنگونه (Generative Adversarial Networks) یادگیری انتقالی (transfer learning)، مدلها را قادر میسازد که از منابع داده محدود استفاده کنند و به طور مؤثر وظایف جدید را بیاموزند. علاوه بر این، اتخاذ رویکردهای یادگیری فدرال (federated learning) امکان آموزش غیرمتمرکز در مجموعه دادههای توزیع شده را فراهم و حریم خصوصی دادهها را حفظ میکند. این مدلها همچنین عملکرد مدل را بهبود میبخشند.
نتیجهگیری
رقابت بین شرکتهای بزرگ فناوری برای به دست آوردن دادههای آموزشی هوش مصنوعی بر اهمیت استراتژیک دادهها در هدایت نوآوری این فناوری افزوده است. از آنجایی که شرکتها پیچیدگیهای جمعآوری و استفاده از دادهها را درک میکنند، اطمینان از کیفیت، تنوع و انطباق آنها با مقررات بسیار مهم و حیاتی شده است. سازمانها با قرار گرفتن در خط مقدم روندهای نوظهور تولید و استفاده از دادههای آموزشی، میتوانند از پتانسیل کامل فناوری هوش مصنوعی بهره ببرند و راه حلهای تأثیرگذاری را برای چالشهای جهانی این حوزه ارائه دهند.
چشمانداز دادههای آموزشی هوش مصنوعی، با پیشرفت در تکنیکهای جمعآوری و افزایش حجم دادهها، به طور مداوم در حال تغییر است. با ادامه رشد تقاضا برای برنامههای کاربردی هوش مصنوعی در صنایع، نیاز به دادههای آموزشی با کیفیت بالا و متنوع افزایش مییابد. در چنین شرایطی شرکتهایی که میتوانند بهطور مؤثر چالشهای کسب و استفاده از دادههای آموزشی را پشت سر بگذارند، در بازار هوش مصنوعی مزیت رقابتی به دست خواهند آورند و نوآوری در این زمینه را هدایت خواهند کرد.
در عصر پیشرفت سریع هوش مصنوعی، رقابت برای دادههای آموزشی این حوزه صرفاً به دست آوردن حجم وسیعی از دادهها نیست؛ بلکه اطمینان از کیفیت، ارتباط و استفاده اخلاقی از دادهها نیز مسائل کلیدی این حوزه محسوب میشوند. شرکتها میتوانند با اولویت دادن به یکپارچگی و تنوع دادهها، مدلهای هوش مصنوعی قوی، بیطرفانه و توانمند بسازند. با تشدید رقابت بین شرکتهای بزرگ فناوری، کسب مزیت در استفاده از دادههای آموزشی همچنان یک تمایز کلیدی در چشمانداز هوش مصنوعی خواهد بود.