«دوستان عزیز

امروز، در روز دوم «کنگره جهانی انجمن بین‌المللی سامانه‌های فازی» و «کنفرانس سالانهٔ انجمن آمریکای شمالی پردازش اطلاعات فازی» (IFSA/NAFIPS ۲۰۲۵)،
بانف، کانادا، ۱۶ تا ۱۹ اوت ۲۰۲۵
یک پنل با موضوع «چرا صنعت، سامانه‌های مبتنی بر فازی را جذاب می‌یابد و آن‌ها را در محصولات کنونی/آتی می‌گنجاند» داشتیم
هماهنگ‌کنندهٔ پنل نیک ارنست، معمار ارشد در Thales Avionics از گروه تالِس بود
اعضای پنل (به‌ترتیب الفبا) عبارت بودند از:

• هانک هودرپول، بنیان‌گذار و مدیر عملیاتی (COO)، Brandrank

• توشار کولکارنی، بنیان‌گذار و مدیرعامل، Big Kitty Labs

• اسکات فیلیپس، Vice Nerd و رئیس مهندسی، Nexigen

• ماکسیم سرژین، بنیان‌گذار و مدیرعامل، Cybernetic Intelligence

• جان واکر، مدیر فنی، FLX UK

اعضای پنل ایده‌های جالب بسیاری ارائه کردند که از همهٔ آن‌ها سپاسگزاریم
خلاصه‌ای کوتاه از مباحث مطرح‌شده در ادامه می‌آید

1. نخستین پرسش از اعضای پنل این بود: «چرا فازی؟»
   پاسخ‌ها از ایدهٔ کلیِ انتظاراتشان از ابزارهای نرم‌افزاری ناشی می‌شد:

۱.A) ابزارهای نرم‌افزاری باید نتایجِ درست تولید کنند (با در نظر گرفتن عدم‌قطعیت) و ما باید بتوانیم بررسی کنیم—و دیگران را نیز納 قانع کنیم—که نتایج درست‌اند

۱.B) ابزارهای نرم‌افزاری باید نگهداشت‌پذیر باشند
اگر نتیجه‌ای نادرست از کار درآید، باید نسبتاً آسان بتوان تشخیص داد چه چیزی درست نیست و بخش مربوط را اصلاح کرد

۱.C) ابزارهای نرم‌افزاری باید مقرون‌به‌صرفه باشند

از همهٔ این جنبه‌ها، ابزارهای مبتنی بر فازی مزیت دارند

۱.A.۱) تکنیک‌های فازی از تکنیک‌های هوش مصنوعیِ مدرن قابل‌اعتمادترند—و می‌توانند شرکت را از دعاوی حقوقی و زیان‌های مرتبط نجات دهند

مدل‌های زبانی بزرگ (LLM) دچار «هَلوسینیشن/توهم‌زایی» می‌شوند—و با وجود چندین سال تلاش و صرف میلیون‌ها دلار، این مشکل همچنان حل نشده است
این برای کاربردهای حیاتی مانند امنیت سایبری پذیرفتنی نیست
در چنین کاربردهایی، این خطاها می‌تواند به فاجعه، شکایت‌های حقوقی—و از دست رفتن سود—بینجامد
توهم‌زایی، وکلا را—که باید حجم زیادی اطلاعات را پردازش کنند—می‌ترساند، چون موارد متعددی بوده که LLMها سوابق و اسناد را «اختراع» کرده‌اند
در مقابل، سامانه‌های مبتنی بر فازی با قواعد روشن کار می‌کنند و توهم‌زایی ندارند

۱.A.۲) سامانه‌های مبتنی بر فازی به‌طور خودکار با عدم‌قطعیت سروکار دارند

در مسائل عملی، بخش قابل‌توجهی از اطلاعات با عدم‌قطعیت همراه است
برخلاف روش‌های یادگیری ماشین و LLM که برای مواجهه با عدم‌قطعیتِ ورودی به ابزارهای اضافی نیاز دارند، تکنیک‌های فازی به‌طور خودکار این عدم‌قطعیت را در نظر می‌گیرند

۱.A.۳) تکنیک‌های فازی توضیح‌پذیرترند

یادگیری ماشین و LLMها «جعبهٔ سیاه»‌اند و توضیح نمی‌دهند چگونه به نتایج رسیده‌اند، حال آن‌که در بسیاری از کاربردها—مثل پزشکی—توضیح‌پذیری لازم است
در مقابل، تکنیک‌های فازی از قواعدِ زبانِ طبیعی استفاده می‌کنند—که آن‌ها را توضیح‌پذیرتر می‌کند

۱.A.۴) سامانه‌های مبتنی بر فازی—و سایر روش‌های سنتی‌تر—هنوز برای کاربردهای کنترلی لازم‌اند

در بسیاری از مسائل دنیای واقعی، باید سامانه را کنترل کنیم
LLMها در «کلمات» خوب‌اند، اما در «اعداد» چندان خوب نیستند، و کنترل به اعداد نیاز دارد
برای این منظور، روش‌های سنتی‌تر کنترل—از جمله تکنیک‌های فازی—هنوز لازم‌اند

۱.B) سامانه‌های مبتنی بر فازی نگهداشت‌پذیری بیشتری دارند

LLM می‌تواند بگوید چیزی اشتباه است، اما چون جعبهٔ سیاه است، نمی‌تواند دقیقاً توضیح دهد چرا پاسخش غلط شد و چطور باید آن را تعمیر کرد
در مقابل، در یک سامانهٔ فازی، اگر پاسخی غلط باشد، می‌توان مسیر را ردیابی کرد، قاعدهٔ خطادار را یافت و همان قاعده را تغییر داد

۱.C.۱) سامانه‌های مبتنی بر فازی مقرون‌به‌صرفه‌ترند و می‌توانند برای شرکت صرفه‌جویی به‌همراه داشته باشند

روش‌های هوش مصنوعیِ مدرن برای آموزش به منابع زیادی نیاز دارند
بسیاری از شرکت‌های کوچک—به‌ویژه استارتاپ‌های نو—این منابع را در اختیار ندارند
به تجربهٔ اعضای پنل، ۳۰ تا ۴۰ درصد مشتریان منابع کافی ندارند
سامانه‌های یادگیرِ مبتنی بر فازی شاید به آن دقت نرسند، اما منابع بسیار کمتری می‌طلبند، ارزان‌ترند—و چون توضیح‌پذیرند، کاربران را از زیان‌های احتمالیِ مسئولیت حقوقی محافظت می‌کنند

۱.C.۲) سامانه‌های مبتنی بر فازی می‌توانند به تحلیل بهترِ طراحی کمک کنند

همین نیاز کمتر به منابع، مزیت دیگری هم دارد
بهترین راه مطالعهٔ یک سامانهٔ بزرگ، ساخت «دوقلوهای دیجیتال» در مقیاس بزرگ است تا سناریوهای مختلف را روی آن‌ها بیازماییم
شرکت‌های بزرگ که از عهدهٔ روش‌های LLM برمی‌آیند، می‌توانند دوقلوهای دقیق و مفصل داشته باشند، اما اجرای آن‌ها منابع زیادی می‌خواهد
یک دوقلوی مبتنی بر فازی شاید به آن دقت نباشد، اما اجرای آن منابع کمتری می‌خواهد
پس با همان بودجهٔ کلّی، می‌توانیم سناریوهای بسیار بیشتری را اجرا کنیم و در نتیجه، فهم بسیار بهتری از رفتار سامانهٔ در حال تحلیل به‌دست آوریم

2. پرسش دوم این بود: آیندهٔ تکنیک‌های فازی—از دیدگاه سازمان شما—چیست؟
   پاسخ‌ها چنین بود:

• باید تکنیک‌های فازی را «بیزینس‌پسندتر» کنیم

• و در حالت ایده‌آل، تکنیک‌های فازی را با LLMها ترکیب کنیم تا مزایای هر دو را یک‌جا داشته باشیم

3. پرسش سوم این بود: جامعهٔ فازی برای افزایش پایگاه صنعتی چه می‌تواند بکند؟

این پرسش حیاتی است: شکاف و فاصله‌ای بین پژوهش و صنعت وجود دارد
چه کنیم که این شکاف را از میان برداریم—یا دست‌کم آن را کمتر کنیم؟

برای این منظور باید به‌خاطر داشته باشیم که صنعت به دنبال تکنیک‌هایی است که:

۳.A) احتمال موفقیت بالایی در کمک‌رسانی داشته باشند

۳.B) آسان برای استفاده باشند

۳.C) مقرون‌به‌صرفه باشند

۳.D) و صنعت آن‌ها را «بشناسد»

چگونه به این اهداف برسیم؟

۳.A.۱) چگونه شرکت‌ها را قانع کنیم که ابزارهای ما به آن‌ها کمک می‌کند؟
بهترین راه، گردآوری نمونه‌های موفق و تبلیغ آن‌هاست
در هر مطالعهٔ موردی باید روشن بگوییم به چه معنا روش‌های فازی بهتر کار کرده‌اند—و چگونه این امر به خط پایینِ شرکت (سود و زیان) کمک کرده یا می‌تواند کمک کند
به «فهرستی منتخب» از داستان‌های موفقیت نیاز داریم

پس از گردآوری این موفقیت‌ها باید فعالانه آن‌ها را ترویج کنیم و صنعت را دربارهٔ تکنیک‌هایمان آموزش دهیم
البته باید صادق باشیم و زیاده‌قول ندهیم: مزایا و محدودیت‌های تکنیک‌های فازی را شفاف بیان کنیم

وقتی شرکت‌ها بدانند تکنیک‌های فازی چه می‌توانند بکنند، با مسائلشان نزد ما می‌آیند—اما اکنون که اغلب با این تکنیک‌ها آشنا نیستند، شاید مسائلی داشته باشند که روش‌های ما حل‌شان می‌کند ولی ما را به‌عنوان «یاری‌دهندهٔ ممکن» نمی‌بینند

۳.A.۲) علاوه بر فهرست منتخب، باید یک «سخنرانی فروش» کوتاه ویژهٔ صنعت آماده کنیم—شاید هم نسخه‌های متفاوت برای حوزه‌های کاربردی گوناگون

۳.B) به یک «برگهٔ تقلب» (cheat sheet) برای استفاده از تکنیک‌های فازی نیاز داریم—شاید چند برگه برای حوزه‌های مختلف
به قالب‌هایی نیاز داریم که توضیح دهند چگونه از این تکنیک‌ها استفاده شود
باید توسعه‌دهندگان را فعالانه در استفاده از این ابزارها آموزش دهیم
این توضیحات باید در سطح فهم «کلاس هشتم» قابل‌درک باشد

همچنین باید نرم‌افزارهای «آسان‌برای‌استفاده» توسعه دهیم
شاید ایدهٔ خوبی باشد که هر نرم‌افزار تجاریِ پایه‌ای که در اختیار داریم را رایگان کنیم
شرکت‌های نرم‌افزاریِ مرتبطِ فازی ممکن است بخشی از سود احتمالی فروش نرم‌افزار را از دست بدهند، اما انتشار گستردهٔ این نرم‌افزارها به ترویج تکنیک‌های فازی کمک می‌کند—و در نتیجه، به کسب سود بیشتر از راه طراحی و نگهداشت (یا کمک به طراحی) سامانه‌های پیچیدهٔ مبتنی بر فازی می‌انجامد

نیاز به نرم‌افزارِ آسان‌برای‌استفاده ممکن است با «ایدهٔ دانشگاهیِ کمال‌گرایی» در تعارض باشد
دانشگاهیان معمولاً به‌دنبال «کمال»اند، اما از دید صنعت، «به‌اندازهٔ کافی خوب» پذیرفتنی است—این یکی از دلایلی است که صنایع بسیاری از LLMها استفاده می‌کنند، در حالی که به‌خوبی می‌دانند LLMها کامل نیستند
برخی کاربردها به کمال نیاز دارند، اما بسیاری چنین نیستند

نمونه‌ای از این بحث: یکی از سخنرانی‌های عمومی (plenary) IFSA ۲۰۲۵ به مشکلات «غیرفازی‌سازی به روش مرکز ثقل» (centroid defuzzification) اشاره کرد—مثلاً اینکه قواعد یکنواخت لزوماً به کنترل یکنواخت منجر نمی‌شوند
این درست است، اما در بسیاری از کاربردهای عملی، روش مرکز ثقل «به‌خوبی» کار می‌کند

۳.C) استارتاپ‌ها پول چندانی ندارند، پس معمولاً از ابزارهای رایگان استفاده می‌کنند
بنابراین باید نرم‌افزار فازیِ رایگان توسعه دهیم؛ این مورد با بند ۳.B مرتبط است

۳.D) برای اینکه مطمئن شویم تکنیک‌هایمان شناخته می‌شوند، باید فعالانه‌تر آن‌ها را ترویج کنیم:

۳.D.۱) باید از همهٔ فرصت‌های موجود برای تبلیغ موفقیت‌هایمان استفاده کنیم

لازم است موفقیت‌هایمان را در کنفرانس‌های متناظر فعالانه ترویج کنیم—کاربردهای پزشکی در کنفرانس‌های پژوهش پزشکی، کاربردهای مهندسی در کنفرانس‌های مهندسی و …
همچنین باید در کنفرانس‌های عمومیِ رایانش و IT نیز فعالانه مشارکت کنیم

۳.D.۲) علاوه بر استفاده از مجاریِ ازپیش‌سازمان‌یافته، باید فعالانه موفقیت‌هایمان را تبلیغ کنیم

باید از ارتباطات خود استفاده کنیم و بکوشیم با افراد ارشدِ شرکت‌های بزرگ مستقیماً در تماس باشیم
در شرکت‌های بزرگ، تصمیم‌ها معمولاً از بالا به پایین گرفته می‌شود
باید افراد ارشد را قانع کنیم که ابزارهای ما می‌تواند برایشان صرفه‌جویی به‌همراه داشته باشد
یک امکان این است که چنین افرادی را به نشست‌هایمان بیاوریم—و به آن‌ها نمونه‌های توانایی‌هایمان را نشان دهیم
وقتی یک فرد ارشد قانع شود که «فازی خوب است»، می‌تواند سایر مدیران ارشد را هم متقاعد کند—رهبران صنعت به حرف هم گوش می‌دهند

می‌توانیم آن‌ها را به کنفرانس‌هایمان دعوت کنیم
این کار آسان نیست؛ آن‌ها افراد پرمشغله‌ای هستند و مگر اینکه قانع شوند شرکت برای شرکت‌شان مفید است، نمی‌آیند

شاید آسان‌تر باشد که آن‌ها را به گروه پژوهشیِ یک دانشگاهِ نزدیک دعوت کنیم—چند ساعت را محلی صرف کردن ساده‌تر از چند روز سفر به یک کنفرانس است

فرصتِ خوب دیگر می‌تواند برگزاری یک «هکاتونِ هوشِ فازی» باشد و شاید جلب حمایت یک شرکت محلی—شرکت، دانشجویان مشتاق (کارکنان آینده) و فرصت‌های کاربردیِ ممکن را می‌بیند

در نهایت، باید پژوهشگران فازی را برای ارائهٔ سخنرانی در شرکت‌ها ترغیب کنیم
گروه‌های پژوهشیِ دیگر به‌طور فعال پژوهش خود را این‌گونه ترویج می‌کنند؛ مثلاً گروه «هوش مسئولانه» (Responsible AI) سخنرانان را به شرکت‌های بزرگ می‌برد—و پشتیبانی صنعتیِ بسیاری هم کسب کرده‌اند

۳ کلی) باید همهٔ این فعالیت‌ها «هماهنگ» شود

این هماهنگی باید از هر دو سو صورت گیرد

• از سوی جامعهٔ فازی، باید «سفیرانِ» فعالی را پرورش دهیم که موفقیت‌هایمان را به جهان بیرون ترویج کنند

• از سوی صنعت، باید «هیئت صنعتی» تشکیل دهیم که به ما کمک و ما را در مسیر درست هدایت کند

باهم باید «برنامهٔ ۳ تا ۵ سالهٔ همکاری با صنعت» با شاخص‌های کلیدی عملکرد (KPIs) روشن تدوین کنیم و «کمیتهٔ راهبری» برای اجرای اهداف آن تشکیل دهیم

به شرکت‌ها نیاز داریم تا «چالش‌ها» و «مسائلی که باید حل شوند» را در اختیارمان بگذارند—و در حل‌شان، ما می‌توانیم کمک کنیم
وقتی شرکتی از ما کمک خواست، مهم است که پژوهشگران فازی—به‌ویژه آن‌هایی که هنوز تجربهٔ صنعتی ندارند—به‌خوبی درک کنند که به‌طور کلی مردم—و به‌طور خاص، فعالان صنعت—در توضیح مسائل‌شان چندان خوب نیستند
گرایش طبیعی شاید این باشد که فوراً کدنویسی را آغاز کنیم، اما ابتدا باید مطمئن شویم «مسئله را درست فهمیده‌ایم»
باید درخواست کنیم به محل کارشان برده شویم، با افراد صف صحبت کنیم، تا بهتر بفهمیم مسئله چیست، قیود کدام‌اند و …

4. پرسش پایانی این بود: در کنفرانس‌های فازی چه می‌توانیم بکنیم تا همکاری با صنعت بهتر شود؟
   پاسخ‌ها:

۴.A) باید افراد صنعت را دعوت کنیم

۴.B) باید هر کنفرانس را «فرصتی برای نمایش موفقیت‌ها و توانمندی‌هایمان» قرار دهیم

جزئیات:

۴.A) برای کمک به دعوت از افراد صنعت، می‌توانیم از صنایعِ آشنا با مزایای تکنیک‌های فازی یاری بگیریم
هر یک از این افراد ۲–۳ نفر دیگر را می‌شناسد

برای جذاب‌تر کردن دعوت برای فعالان صنعت، می‌توانیم هزینهٔ حضورشان را تقبل کنیم—این کار بازده دارد

در نهایت، داشتن «محل برگزاریِ عالی» مهم است؛ دعوت را جذاب‌تر می‌کند

۴.B) چه موفقیت‌هایی را نمایش دهیم؟
از دید کاربردها، «فراگیر بودنِ» جامعهٔ ما هم نقطهٔ قوت است و هم ضعف
شرکت‌های مهندسی از موفقیت‌های ما در پزشکی تحت تأثیر قرار نمی‌گیرند و برعکس

پس به‌جای هدف‌گیریِ «همه»، شاید هر سال روی «یک صنعتِ خاص» تمرکز کنیم
هر حوزهٔ کاربردی ویژگی‌های خودش را دارد؛ داشتن کاربرد در یک حوزهٔ مشخص باعث می‌شود فعالان آن حوزه با اطمینان بیشتری ببینند که تکنیک‌های ما می‌تواند به شرکتشان کمک کند

برای نمایش موفقیت‌ها، desirable است «شاخه/تِرَک ویژهٔ کاربردهای صنعتی» داشته باشیم
شایسته است—بر خلاف رویهٔ رایج در کنفرانس‌ها—سخنرانی‌های نظری‌تر و ایده‌های مقدماتیِ عمل‌محور را با «کاربردهای صنعتی» درهم نیامیزیم، بلکه تِرک‌های جداگانهٔ مشخص برای این کاربردها داشته باشیم

برای نمایش کاربردهای «روتین‌تر»—که شاید به پذیرش در یک کنفرانسِ معتبر نینجامند—خوب است «نشست پوستر» برای چنین کاربردهایی برگزار کنیم
می‌توانیم آن را به «رقابت» تبدیل کنیم و «جایزهٔ بهترین پوسترِ کاربردیِ دانشجویی» بدهیم

۴.C) در نهایت، باید دانشجویان بیشتری را بیاوریم و از آن‌ها حمایت کنیم:

• دانشجویان آیندهٔ جامعهٔ پژوهشی ما هستند؛ بدون آن‌ها، جهت پژوهش ما دوام نمی‌آورد

• بیش‌ترِ دانشجویان ما پس از فراغت، در صنعت کار خواهند کرد؛ این فارغ‌التحصیلان سفیران ما برای تکنیک‌هایی خواهند بود که آموخته‌اند (از جمله تکنیک‌های فازی)

این‌ها ایده‌های بسیار خوبی هستند
بیایید دربارهٔ چگونگی اجرای آن‌ها گفت‌وگو کنیم!»