تحول هوشمند در مرکز ملی شمارهگذاری کالا و خدمات ایران
استفاده از هوش مصنوعی برای ارتقای کیفیت دادهها، بهبود فرآیندها و توسعه خدمات نوین
چشمانداز تحول دیجیتال
چالشهای کنونی
مرکز ملی شمارهگذاری با بیش از ۴٫۱ میلیون قلم کالا ثبتشده از ۹۱ هزار تأمینکننده، با افزایش حجم دادهها، نیاز به استانداردسازی و کاهش خطای انسانی روبروست. فرآیندهای فعلی عمدتاً دستی هستند که با رشد تقاضا، فشار عملیاتی را افزایش میدهند.
فرصتهای پیشرو
هوش مصنوعی میتواند فرآیندها را خودکار، دادهها را استاندارد و خدمات را هوشمند کند. این تحول نهتنها بهرهوری داخلی را افزایش میدهد، بلکه زمینهساز خدمات و محصولات نوین مبتنی بر AI است که ارزش افزوده و درآمد جدید ایجاد میکند.
معرفی مرکز ملی شمارهگذاری
مرکز ملی شمارهگذاری کالا و خدمات ایران (GS1 ایران) تنها مرجع رسمی ارائهدهنده خدمات استانداردهای جهانی GS1 در ایران است. این مرکز که در سال ۱۳۷۴ تأسیس شده، یک مؤسسهٔ غیرتجاری و غیرانتفاعی است که وظیفه ایجاد نظام شناسایی یکنواخت کالاها و خدمات را بر عهده دارد.
با عضویت رسمی در سازمان بینالمللی GS1، این مرکز مسئول صدور شناسهها و کدهای استاندارد نظیر بارکدهای GTIN (با پیششماره ۶۲۶ مخصوص ایران) و کد مکانیابی جهانی GLN در کشور است. همچنین طراح و مجری نظام ملی طبقهبندی و کدگذاری کالا و خدمات (ایرانکد) میباشد که با معرفی رسمی در سال ۱۳۸۵، به یک زبان مشترک ملّی برای تبادل اطلاعات کالاها و خدمات تبدیل شده است.
ماموریتهای استراتژیک
استانداردسازی
توسعه سیستم شمارهگذاری و بهکارگیری فناوریهای مبتنی بر استانداردهای بینالمللی در بازار
شفافیت تجاری
ایجاد زبان مشترک اطلاعاتی در زنجیره تأمین داخلی و ارتقای شفافیت در تبادل دادههای کالا
توسعه کسبوکار
گسترش کاربرد بارکد و تجارت الکترونیکی برای افزایش بهرهوری در عرصه تجارت ملی و بینالمللی
ایرانکد: زبان مشترک کسبوکار
ایرانکد یک کد ۱۶ رقمی ملی است که در کنار بارکدهای بینالمللی روی برچسب کالا درج میشود و ضمن ارتباط با نظام دستهبندی ملّی، کاربردهای گستردهای در تدارکات، انبارداری و مدیریت زنجیره تأمین کشور دارد. این نظام اطلاعات پایه زنجیره تأمین را تحت کنترل درآورده و کلیه اطلاعات اعتباری کالاها و خدمات را ثبت، ذخیره، ساماندهی و منتشر میگردد.
بر اساس قوانین مصوب، مرکز بهعنوان نهاد اصلی صدور "شناسنامهٔ الکترونیکی محصولات و خدمات" در ایران شناخته شده و تمام تولیدکنندگان کشور ملزم به دریافت شماره ملی کالا (ایرانکد) و درج آن روی محصولات خود هستند. این امر زیرساخت لازم برای برنامههایی چون مبارزه با قاچاق، تنظیم بازار و توسعه تجارت الکترونیک را فراهم کرده است.
ساختار سازمانی و فرآیندها
بخشهای اصلی
- واحد عضویت و کدینگ کالا
- واحد استانداردها و آموزش
- واحد فناوری اطلاعات
- واحد امور استانها
- واحد بازرسی و پایش دادهها
فرآیند ارائه خدمت
ابتدا شرکتها در پرتال عضویت ثبتنام کرده و اطلاعات هویتی را ثبت میکنند. سپس برای هر کالای جدید، درخواست کد ارائه مینمایند که شامل ورود اطلاعات پایه کالا است. این اطلاعات توسط نماینده استانی بررسی، سپس توسط کارشناسان مرکز اعتبارسنجی و در نهایت کد ملی کالا تخصیص مییابد.
چالشهای کلیدی موجود
حجم بالای دادهها
اجرای طرحهایی نظیر سامانه مؤدیان مالیاتی در سالهای اخیر باعث موج جدیدی از تقاضا برای دریافت شناسه کالا/خدمت شده است. این افزایش حجم، فشار زیادی بر فرآیندهای بررسی دستی وارد کرده و ممکن است باعث کندی پاسخگویی یا انباشته شدن کارها شود.
یکنواختی اطلاعات
دادههای کالاها توسط صدها هزار کاربر مختلف وارد سیستم میشود که هر یک ممکن است از ادبیات، نگارش و قالبهای متفاوتی استفاده کنند. تضمین استفاده از اصطلاحات استاندارد، واحدهای یکسان، املای درست و قالب نویسهای صحیح چالشبرانگیز است.
دستهبندی صحیح
نظام ایرانکد بر پایه یک ساختار طبقهبندی ملی بنا شده و رعایت آن ضروری است. انتخاب دقیق گروه و طبقه مناسب برای هر کالا توسط کاربر همیشه ساده نیست و نیازمند بازبینی کارشناسان است.
فرآیندهای زمانبر
هرچند لایههای بررسی برای اطمینان از صحت اطلاعات ضروری است، اتکا صرف به نیروی انسانی باعث طولانی شدن زمان صدور کد و تحمیل هزینههای عملیاتی میشود. با افزایش حجم کار، احتمال بروز خطای انسانی نیز بالا میرود.
ضرورت بهکارگیری هوش مصنوعی
روندهای جهانی نشان میدهد که سازمانهای دادهمحور برای حل مشکلات مشابه، رو به راهکارهای هوش مصنوعی آوردهاند. هوش مصنوعی (بهویژه یادگیری ماشین و پردازش زبان طبیعی) ابزار قدرتمندی برای شناسایی الگوها، تصحیح خودکار خطاها، استانداردسازی دادهها و تصمیمگیریهای هوشمند فراهم میکند.
GS1 در سطح بینالمللی بر ارتقای کیفیت دادهها تأکید ویژه دارد و استانداردهایی مانند چارچوب کیفیت داده GS1 و برنامههایی نظیر Verified by GS1 را برای بهبود صحت و یکتایی دادههای کالا ایجاد کرده است. برخی مؤسسات عضو GS1، پروژههای نوآورانهای با استفاده از هوش مصنوعی مولد برای بهبود مجموعهدادههای محصولات آغاز کردهاند.
تجربیات موفق بینالمللی
GS1 هلند
با استفاده از رویکرد Open Decision Intelligence توانستهاند قوانین اعتبارسنجی دادهها را بهشکلی چابک مدیریت کنند. تغییر در قواعد کیفی ظرف چند ساعت تا چند روز میسر است (بهجای چند هفته) و مدل تصمیمگیری شفافتر شده است.
GS1 آمریکا
در حال بررسی استفاده از هوش مصنوعی مولد برای بهبود مجموعهدادههای محصولات و حل مشکلات کیفیت داده است. دستیار هوشمند GTIN با یادگیری قوانین پیچیده استانداردگذاری، به کسبوکارها در مدیریت کدها کمک میکند.
شرکتهای بزرگ
شرکتهای بزرگ زنجیره تأمین و خردهفروشی (مانند آمازون و والمارت) سالهاست از الگوریتمهای یادگیری ماشین برای پاکسازی و غنیسازی دادههای محصول در کاتالوگهای آنلاین خود بهره میبرند.
محورهای راهکارهای پیشنهادی
01
پایش هوشمند و بهبود کیفیت دادهها
بهرهگیری از AI برای همگنسازی، استانداردسازی، شناسایی و اصلاح خطاها و ناهنجاریها در دادههای ورودی و موجود در مراحل مختلف ثبت و تأیید
02
افزایش بهرهوری عملیاتی
خودکارسازی فرآیندهای تکراری و زمانبر انسانی، استفاده از رایانش رباتیک و اسکریپتهای هوشمند، و ارائه دستیارهای مجازی برای پاسخگویی
03
خدمات و محصولات جدید
ایجاد سرویسهای پاکسازی و اعتبارسنجی داده، تحلیلهای پیشرفته بازار، خدمات رهگیری و مبارزه با قاچاق هوشمند، و یکپارچهسازی با سامانههای تجارت
04
زیرساخت و ظرفیتسازی
ارتقای زیرساخت فنی، آموزش و فرهنگسازی کارکنان، و شروع مرحلهای با امکان مقیاسپذیری برای گسترش به کل سازمان
پیشنهاد ۱: افزونهٔ مرورگر هوشمند
راهنمایی در زمان ورود اطلاعات
یک افزونه سبک برای مرورگرها توسعه داده شود که روی پرتال اعضا فعال شده و به محض اینکه کاربر مشغول تکمیل فرم مشخصات کالا است، بهصورت آنی دادههای واردشده را تحلیل میکند. این افزونه با استفاده از پردازش زبان طبیعی روی فیلدهای متن اعمال میشود.
قابلیتها شامل اصلاح املای کلمات، پیشنهاد معادلهای استاندارد، درج خودکار نیمفاصلههای صحیح در عبارات فارسی، و استانداردسازی واحدهای اندازهگیری است. پیادهسازی چنین افزونهای بدون نیاز به تغییر کدهای سرور و فقط با افزودن یک لایه راهنما در مرورگر امکانپذیر است.
پیشنهاد ۲: تشخیص خودکار دستهبندی
یک مدل یادگیری ماشین میتواند بر اساس متن توصیف کالا و ویژگیهای واردشده، بهترین دستهبندی (یا کد HS/ایرانکد) مرتبط را پیشبینی کند. این مدل را میتوان با استفاده از دادههای تاریخی مرکز که شامل میلیونها رکورد کالا و دسته متناظر آنهاست آموزش داد.
افزونه یا سامانه میتواند هنگام وارد کردن نام و توضیحات کالا، چند دستهبندی پیشنهادی را به کاربر نشان دهد. کاربر میتواند در صورت تطابق یکی را انتخاب کند یا اگر پیشنهادها دقیق نبودند، خودش انتخاب کند. این کار بهویژه برای کاربران جدید ارزشمند است و از طبقهبندی اشتباه جلوگیری میکند. حتی اگر کاربر دستهای را انتخاب کرد، سیستم میتواند امتیاز اطمینان تخصیص دهد و موارد پرریسک را علامتگذاری کند.
پیشنهاد ۳: تطبیق مترادفها و نامهای تجاری
شناسایی مترادفها
ایجاد لغتنامهٔ پویا از مترادفهای رایج در حوزههای مختلف کالا مانند گوشی همراه، موبایل و تلفن همراه
پیشنهاد استاندارد
هنگام ورود داده اگر کاربری یک مترادف غیرمتداول بهکار برد، معادل رایجتر آن پیشنهاد میشود
یکپارچهسازی داده
در پایش کل پایگاه داده، موارد یک چیز با واژگان مختلف شناسایی و گروهبندی میشود
این کار باعث میشود جستجوها در کاتالوگ کالا مؤثرتر شود چون کاربر با هر اصطلاحی جستجو کند، نتایج کامل را مییابد و گزارشهای تحلیلی دقیقتر میشود چون پراکندگی کلمات کاهش یافته و دادهها تجمیعشدهتر هستند.
پیشنهاد ۴: تصحیح خودکار خطاهای نگارشی
سیستم تصحیح هوشمند
یک ماژول AI میتواند بهصورت دورهای یا آنی، متون واردشده در فیلدهای کالا را بررسی کرده و اشتباهات تایپی یا نگارشی را بیابد. این سیستم مشابه ابزارهای غلطگیری املاء عمل میکند، با این تفاوت که بر دامنه واژگان تخصصی بازرگانی و کالا آموزش دیده است.
برای مثال، اگر کاربری به جای "Cola" نوشته باشد "Colaا" (ترکیب حرف انگلیسی و فارسی) یا "پلیمیر" به جای "پلیمر"، سیستم این موارد را تشخیص داده و اصلاح میکند. به منظور اجتناب از تصحیحات اشتباه، این اصلاحات نیاز به تأیید نماینده استان یا کارشناس مرکز دارند.
پیشنهاد ۵: موتور تطبیق و جلوگیری از تکراریها
با رشد پایگاه داده، احتمال اینکه یک کالا یا خدمت مشابه توسط چند شرکت با کمی تفاوت در اسم و جزئیات ثبت شود وجود دارد. این مسأله میتواند منجر به دادههای تکراری در بانک اطلاعاتی شود که مطلوب نیست.
یک الگوریتم تطبیق هوشمند میتواند هنگام ثبت یک درخواست جدید، آن را با رکوردهای موجود مقایسه کند و در صورت شباهت زیاد با موارد قبلی، به کاربر و نماینده استان هشدار دهد. این شباهتسنجی میتواند فراتر از تطابق لغوی ساده باشد و از تکنیکهای پردازش زبان طبیعی مثل محاسبهٔ تشابه معنایی جملات استفاده کند تا اگر مثلاً "چراغ LED سقفی ۶۰ وات" قبلاً با عنوان "پنل روشنایی LED توان ۶۰W" ثبت شده، سیستم تشخیص دهد که احتمالاً یکی هستند.
پیشنهاد ۶: داشبورد هوشمند نمایندگان استانی
اولویتبندی خودکار
درخواستهای ورودی بر اساس معیارهایی مانند قدمت، سطح پیچیدگی و احتمال وجود خطا اولویتبندی میشوند
چکلیست هوشمند
قبل از تایید هر درخواست، سیستم چکلیستی از آیتمهای کنترل تولید میکند که بر اساس نوع کالا پویا تغییر میکند
پیشنهاد اصلاحات
اگر AI موردی را غلط یا مشکوک یافته، در داشبورد نماینده جمعبندی نمایش میدهد تا با یک کلیک اعمال شود
این داشبورد نقش دستیار دیجیتال نماینده را ایفا میکند و ضمن سرعتبخشی، باعث میشود رویه کار در تمام استانها یکسان و با کیفیت ثابت انجام شود.
پیشنهاد ۷: اعتبارسنجی خودکار دادههای عددی
قوانین هوشمند
بسیاری از فیلدهای اطلاعاتی (نظیر وزن، ابعاد، توان، ولتاژ) یا کدها (مانند GTIN، کد تعرفه HS) دارای الگوها یا حدود معینی هستند. یک سیستم AI میتواند قوانین اعتبارسنجی پیچیده را که در حال حاضر به صورت دستی یا Hard-Coding اعمال میشود، یاد گرفته و اجرا کند.
برای مثال، اگر کالایی دسته "لبنیات" است، وزن آن معمولاً کمتر از حد مشخصی است؛ یا اگر عنوان کالا شامل "DC" است، ولتاژ برق باید DC باشد. همچنین GTINهای واردشده باید با الگوریتم Check Digit مطابقت کنند و پیششماره درست داشته باشند.
کاهش خطا
بهجای آنکه کارشناس همه این موارد را بهخاطر بسپرد، سیستم پیش از تایید نهایی همه را چک کرده و موارد تخطی را گزارش میکند. ابزارهای Rule Engine مبتنی بر AI اجازه میدهد ترکیبی از قواعد ساده و مدلهای یادگیری ماشین بهکار رود.
این پیشنهاد در راستای استاندارد ISO 8000 است که بر کیفیت و سازگاری داده تاکید دارد؛ هوش مصنوعی میتواند تضمین کند دادهها از نظر صحت صوری و معنایی با الزامات اعلامی همخوانی دارند.
پیشنهاد ۸: چتبات هوشمند راهنمایی کاربران
حجم زیادی از تماسها و سوالات دریافتی مرکز مربوط به ابهامات کاربران در فرآیند ثبتنام، دریافت کد و رفع خطاها است. یک دستیار مجازی (چتبات) که با استفاده از مدلهای پردازش زبان فارسی ساخته شده، میتواند ۲۴ ساعته به این سوالات پاسخ دهد.
این چتبات را میتوان در وبسایت مرکز و پرتال اعضا و همچنین در پیامرسانهای پرمخاطب مستقر کرد. دانش پایه این چتبات میتواند از سوالات متداول موجود و محتوای آموزشی مرکز تغذیه شود. با بهرهگیری از یک مدل زبان بزرگ که بر روی دادههای مرکز تنظیم شده، چتبات قادر خواهد بود زبان طبیعی کاربر را درک کرده و پاسخ مناسب بدهد. در صورت پیچیدهبودن پرسش، بات میتواند تماس را به اپراتور انسانی هدایت کند اما تخمین زده میشود که درصد بالایی از سوالات تکراری و سادهاند که بات به خوبی پوشش خواهد داد.
پیشنهاد ۹: دستیار هوشمند داخلی کارشناسان
دسترسی به دانش سازمانی
علاوه بر کاربران بیرونی، کارکنان و کارشناسان مرکز نیاز به دسترسی سریع به اطلاعات و راهنماییها دارند. یک دستیار مبتنی بر AI میتواند به سؤالات داخلی پاسخ دهد یا راهنمای تصمیمگیری باشد.
استفاده از مستندات
با تغذیه مستندات داخلی (آییننامهها، راهنماهای GS1، مصوبات و سوابق تصمیمات) به یک مدل هوشمند، میتوان سیستم پرسش و پاسخ هوشمندی راهاندازی کرد که در پورتال داخلی یا از طریق یک ربات روی پیامرسان سازمانی در دسترس باشد.
تسهیل آموزش
این دستیار برای آموزش نیروهای جدید بسیار مفید است؛ چرا که آنها میتوانند در هنگام یادگیری کار، سوالات خود را از سیستم بپرسند و توضیحات مرحلهای دریافت کنند. این پیشنهاد سرمایه انسانی مرکز را توانمندتر میکند.
پیشنهاد ۱۰: رایانش رباتیک برای وظایف تکراری
بسیاری از فعالیتهای اداری و فنی مرکز را میتوان با ابزارهای خودکار انجام داد. برای مثال، استخراج گزارشهای دورهای (مثل تعداد کدهای صادرشده در ماه، فهرست کدهای نزدیک به انقضا) یا بهروزرسانی اطلاعات مشترکین کارهایی هستند که در حال حاضر احتمالاً دستی و زمانبر انجام میشوند.
ابزارهای RPA این امکان را میدهند که بدون نیاز به API رسمی، انجام کلیکها و ورود اطلاعات در واسط وب را خودکار کنیم. به عنوان نمونه، یک RPA میتواند هر شب وارد سیستم شده، لیست کالاهایی را که بیش از مدت مشخصی بهروزرسانی نشدهاند استخراج کند و برای صاحبان آنها ایمیل یادآوری ارسال کند. مزیت عمدهٔ این کار، آزاد شدن ظرفیت کارکنان برای کارهای باارزشتر است. در یک محاسبه سرانگشتی، اگر هر کارشناس روزانه ۱ ساعت کار تکراری داشته باشد و RPA آنرا انجام دهد، در مقیاس سالانه صدها ساعت صرفهجویی نیروی انسانی خواهیم داشت.
پیشنهاد ۱۱: پایش مستمر کیفیت دادهها
داشبورد مدیریتی
سامانهای بهصورت متمرکز در ستاد مرکز عمل میکند و وظیفه دارد به طور مداوم پایگاه دادهٔ کالا و خدمات را رصد کرده و هرگونه ناهنجاری یا افت کیفیت را گزارش کند
شاخصهای کیفیت
درصد کالاهای بدون ویژگیهای کامل، موارد مشکوک به تکراری، الگوهای غیرعادی و روند تغییرات کیفیت داده در طول زمان نمایش داده میشود
هشدار پیشگیرانه
با شناسایی الگوها و آنومالیها به تیم پایش مرکزی کمک میکند پیش از بروز مشکل جدی اقدام کنند و نقاط ضعف را برطرف نمایند
این سامانه نقش کنترل کیفی دائمی را ایفا میکند و تضمین میکند که با رشد مداوم سیستم، کیفیت تحت نظارت است.
پیشنهاد ۱۲: الگوریتم تفکیک کالاهای مشابه
تمایز هوشمند
یکی از چالشهای ظریف در دادههای محصول، تمایز بین موارد واقعاً متفاوت علیرغم شباهت زیاد است. برای مثال، دو مدل از یک محصول الکترونیکی که فقط در ظرفیت حافظه متفاوتند، یا کالاهایی که جایگزین هم هستند اما توسط شرکتهای مختلف تولید شدهاند.
الگوریتمی مبتنی بر یادگیری ماشین میتواند ویژگیهای کلیدی تمایز را در هر گروه کالایی بیاموزد. مثلاً در دسته گوشی همراه، "مدل/شماره سریال" یا "ظرفیت حافظه" فیلدهای کلیدی تفکیکاند؛ در حالی که در اقلام خوراکی "برند" و "وزن بستهبندی" ممکن است مهم باشند. این کار بهخصوص برای قابلیت ردیابی و رهگیری مهم است.
پیشنهاد ۱۳: تشخیص تصویر برای صحتسنجی
در صورت امکان جمعآوری تصویر محصولات، میتوان از بینایی کامپیوتر بهره برد. مدلهای تصویرشناسی میتوانند کنترل کنند که تصویر آپلودشده با شرح متن کالا سازگار است یا نه. برای مثال، اگر کالایی "جعبه ۵۰ تایی ماسک پزشکی آبی" توصیف شده ولی تصویر یک بسته داروی قرص باشد، سیستم هشدار عدم تطابق میدهد.
یا حتی بدون تصویر ورودی، با استفاده از پایگاه تصاویر موجود، AI میتواند یک تصویر نمونه مرتبط پیشنهاد دهد تا کارشناس تأیید کند. هرچند این مورد کاملاً ضروری نیست، اما در برخی حوزهها (مثل کالاهای سلامتمحور یا دارای شناسه رهگیری) تأیید بصری مکمل خوبی است. با پیشرفت فناوری، حتی میتوان اپلیکیشن موبایلی برای بازرسان فراهم کرد که بارکد یا ایرانکد کالا را اسکن کرده و تصویر کالا را تشخیص دهد.
پیشنهاد ۱۴: بهینهسازی توزیع کار با AI
پیشبینی بار کاری
یک الگوریتم AI میتواند با پیشبینی حجم بار کاری هر استان در روزها/هفتههای آینده به مدیریت کمک کند تا برنامه تخصیص منابع را تنظیم کند
توزیع هوشمند
اگر در برههای حجم درخواستها در یک استان بسیار بالا برود، شاید نیاز باشد کارشناس کمکی از استان دیگر یا مرکز وارد عمل شود
هشدار بهموقع
در سطح ستاد، اگر واحد پایش یا واحد صدور در حال انباشته شدن کار باشند، سیستم هشدار میدهد تا پیش از جدی شدن مشکل مدیریت شود
پیشنهاد ۱۵: ترجمه ماشینی چندزبانه
تبادل بینالمللی
با توجه به عضویت ایران در شبکه جهانی GS1، ممکن است نیاز باشد بخشی از دادههای محصولات به زبان انگلیسی (برای استفاده در GDSN یا ثبت در پایگاههای بینالمللی) ارائه شود. یک مدل ترجمه خودکار تخصصی میتواند برای این منظور استفاده شود تا معادل انگلیسی عبارات فارسی را با دقت خوب تولید کند.
برعکس آن نیز ممکن است: برخی شرکتهای بزرگ شاید مستندات محصولشان را به انگلیسی دارند و کاربر بخواهد همان را درج کند؛ سیستم میتواند یک ترجمه فارسی مناسب برای بانک ایرانکد پیشنهاد دهد تا ورود دو زبانه اطلاعات تسهیل شود.
تطبیق استانداردها
علاوه بر ترجمه، تطبیق اصطلاحات فنی با معادلهای استاندارد بینالمللی مهم است. مثلاً اگر استانداردی در متن به فارسی آمده، سیستم به کد بینالمللی یا عنوان انگلیسی آن هم اشاره کند.
این امر در همگنسازی دادههای داخلی با خارج کمک میکند و باعث میشود مرکز ایران بتواند گزارشهای تطبیقی بینالمللی تولید کند. چنین قابلیتی به ویژه در همکاریهای فرامرزی ارزشمند خواهد بود.
پیشنهاد ۱۶: سنجش تطابق با استانداردهای صنعت
در برخی صنایع (مثل صنایع غذایی، دارویی، قطعات خودرو)، استانداردها و مقررات خاصی برای محصولات وجود دارد. مرکز میتواند از AI برای اعتبارسنجی انطباق دادههای واردشده با این استانداردها استفاده کند.
برای مثال، اگر کالایی در دسته "مکمل غذایی" ثبت میشود و قانوناً باید مجوز سازمان غذا و دارو داشته باشد، سیستم چک کند که فیلد مربوطه پر شده یا شماره مجوز قالب درستی دارد. یا اگر محصولی اشاره به یک استاندارد بینالمللی دارد، بررسی کند که شماره استاندارد معتبر است. این کار شبیه ایجاد یک چکلیست هوشمند قانونی است که هم به نفع تولیدکننده است و هم به نفع نهادهای نظارتی. خروجی این اقدام، کاهش عدم انطباقهای قانونی و ارتقای سطح اعتماد حاکمیت به دادههای ایرانکد خواهد بود.
پیشنهاد ۱۷: گواهی کیفیت داده برای اعضا
85%
کیفیت عالی
اعضایی که دادههای بدون خطا و کامل ارسال میکنند
12%
نیاز به بهبود
اعضایی که خطاهای جزئی در ثبت اطلاعات دارند
3%
نیازمند آموزش
اعضایی که نیاز به آموزش و راهنمایی تخصصی دارند
مرکز میتواند یک برنامه ارزیابی کیفیت داده برای شرکتهای عضو راهاندازی کند. در این برنامه، هر شرکت تولیدی/تأمینکننده، بازخوردی از مرکز در خصوص وضعیت کیفیت دادههای ارسالیاش دریافت میکند. AI نقش تحلیلگر را ایفا میکند و شرکتهایی که کیفیت داده بهتری دارند میتوانند گواهی یا نشان "عضو با دادههای باکیفیت" دریافت کنند. این کار مشوقی خواهد بود تا شرکتها نیز در سمت خود مکانیزمهای بهبود داده را پیاده کنند.
پیشنهاد ۱۸: مدلهای زبانی بومی
استقلال تکنولوژیک
یکی از دغدغههای بهکارگیری AI، حفظ محرمانگی دادهها و هزینههای سرویسهای خارجی است. خوشبختانه جامعه متنباز مدلهای متعددی ارائه کرده که میتوان آنها را بهصورت محلی اجرا کرد.
پیشنهاد میشود مرکز در فازهای آزمایشی، از مدلهای زبان فارسی مثل ParsBERT، RoBERTa فارسی یا مدلهای بزرگ چندزبانه Llama 2 استفاده کند تا وابستگی به اینترنت و سرویس بیرونی نباشد. این مدلها میتوانند روی یک سرور قدرتمند یا کلاستر داخلی اجرا شوند. استفاده از اینها ضمن کاهش هزینههای بلندمدت، امنیت داده را نیز افزایش میدهد.
پیشنهاد ۱۹: پرتال گزارشدهی تحلیلی
مدیران عالی مرکز و همچنین مدیران سیاستگذار در وزارتخانههای مرتبط، نیازمند گزارشهای بهنگام و تحلیلی از عملکرد نظام کدگذاری هستند. یک پلتفرم هوش تجاری مجهز به AI میتواند دادههای مرکز را به صورت داستانوار و داشبورد ارائه کند.
برای مثال، داشبوردی که بگوید: "در سهماهه گذشته، تعداد مشخصی قلم کالای جدید ثبت شده که درصد مشخصی نسبت به دوره قبل رشد داشته است. بیشترین رشد در دسته مواد غذایی بوده و استانهای خاص بالاترین سهم را داشتهاند." این قبیل گزارشهای خودکار متنی توسط تکنیک تولید زبان طبیعی ساخته میشود. علاوه بر آن، مدیر میتواند هر سوال تحلیلی را در سیستم بپرسد و AI با مراجعه به دادهها پاسخ دهد. خروجی چنین ابزاری، افزایش سرعت و دقت تصمیمگیری مدیریتی است.
پیشنهاد ۲۰: سامانه مشاوره هوشمند
1
تحلیل نیاز
سیستم با پرسیدن چند سوال از مشتری درباره نیازهایش، بهترین راهحل را شناسایی میکند
2
پیشنهاد بسته
بر اساس پاسخها، مناسبترین بسته خدماتی (ایرانکد، GTIN، GLN) پیشنهاد میشود
3
راهنمایی گامبهگام
دستورالعملهای مرحلهای برای دریافت خدمات و تکمیل فرآیند ارائه میشود
برخی مشتریان نیاز به مشاوره دارند که کدام یک از خدمات مرکز برایشان مناسبتر است. این سیستم که میتواند بخشی از وبسایت عمومی باشد، عملاً نقش یک مشاور مجازی را بازی میکند و در هر زمان قابل دریافت است.
پیشنهاد ۲۱: تصدیق اصالت و مبارزه با قاچاق
مرکز هماکنون نیز در مقوله تأیید اصالت کالا و رهگیری ورود کرده است. با تقویت این بخش از طریق AI، میتوان یک سرویس عمومی راهاندازی کرد که هر فرد یا نهادی بتواند با وارد کردن کد کالا، مشخصات رسمی ثبتشده را مشاهده و صحتسنجی کند.
هوش مصنوعی میتواند الگوهای قاچاق یا تقلب را نیز تشخیص دهد. برای مثال، اگر مشاهده کند یک کد کالا بیش از حد معمول جستجو شده یا گزارش مردمی از عدم تطابق مشخصات داشته، آن را پرچمگذاری کرده و حتی به مراجع ذیربط اطلاع دهد. همچنین AI با تحلیل دادههای رهگیری میتواند مسیرهای مشکوک را شناسایی کند. ارائه این سرویس علاوه بر شفافیت تجاری، اعتماد به نظام ایرانکد را افزایش میدهد.
پیشنهاد ۲۲: خدمات پاکسازی داده
محصول قابل عرضه
بسیاری از شرکتها و سازمانها با مشکل دادههای محصول مواجهاند. مرکز ملی شمارهگذاری میتواند با تکیه بر تجربه و ابزارهای AI که برای خودش ساخته، خدمات پاکسازی و استانداردسازی داده به دیگران ارائه دهد
مدل کسبوکار
شرکتی میتواند فهرست اقلام و مشخصاتش را به مرکز بدهد و مرکز در مقابل یک خروجی تمیز با استاندارد ایرانکد تحویل دهد. یا سامانههای ERP و انبارداری شرکتها بتوانند از API مرکز استفاده کنند
نفوذ استانداردها
از منظر درآمدی، میتوان مدل اشتراک یا پرداخت به ازای هر رکورد برای این خدمات تعریف کرد. همچنین این کار باعث میشود استانداردهای کدگذاری مرکز عملاً در صنعت نفوذ بیشتری کند
پیشنهاد ۲۳: تحلیلهای بازار و مشاوره
گنجینه دادهها
بانک اطلاعات ایرانکد با میلیونها رکورد کالا، یک گنجینه از اطلاعات بازار ایران است. البته دادههای خرد محرمانه است، اما دادههای کلان و الگوهای استخراجشده از آن میتواند برای سیاستگذاران و پژوهشگران بسیار مفید باشد.
مرکز میتواند با مجوزهای لازم، از AI برای تحلیل دادههای کلان استفاده کرده و گزارشهایی نظیر روند ورود محصولات جدید در صنعت خاص، استانهای پیشرو در تولید، و شاخص تنوع کالا ارائه کند.
خدمات ارزشافزوده
چنین تحلیلهایی با ناشناسسازی دادهها میتواند در اختیار وزارت صمت، گمرک، سازمان مالیاتی یا حتی سرمایهگذاران قرار گیرد. بدینترتیب، مرکز نقش یک مرجع دادهکاوی ملی را بازی میکند.
این خدمت میتواند با فروش اشتراک گزارشها یا قراردادهای همکاری با سازمانهای دولتی نیز برای مرکز درآمدزا باشد. AI برای این منظور، دادههای عظیم را پردازش کرده و الگوهای پنهان را کشف میکند.
پیشنهاد ۲۴: بستر آزمون مدلهای AI
پیشنهاد میشود مرکز یک محیط آزمایشی فراهم کند که مدلهای AI را روی دادههای واقعی یا نزدیک به واقعی تست کند. این محیط میتواند بهصورت کنترلشده، بخشی از دادهها را در اختیار مدلهای توسعهیافته توسط تیم داخلی یا تیمهای دانشگاهی قرار دهد تا عملکردشان ارزیابی شود.
با این کار، مرکز از نوآوریهای بیرونی بهرهمند میشود و میتواند بهترین ایدهها را جذب کند. افزون بر آن، این اقدام باعث ارتباط نزدیکتر صنعت و دانشگاه در حوزه AI میشود که برای اعتبار مرکز نیز مفید است. حتی مرکز میتواند چالشهای سالانه برگزار کند و به بهترین مدلهای تشخیص خطا یا طبقهبندی جایزه دهد. دکتر دانیال سمیعی میتواند راهبری این تعامل را برعهده گیرد و شبکهای از پژوهشگران را پیرامون مسائل مرکز فعال سازد.
پیشنهاد ۲۵: هوشمندسازی کدینگ سازمانی
خدمات سازمانی
مرکز یک خدمت کدینگ سازمانی دارد که به شرکتهای بزرگ کمک میکند اقلام داخلی خود را کدگذاری و طبقهبندی کنند
ادغام هوش مصنوعی
AI میتواند با تحلیل ساختار انبار و دادههای ERP شرکت مشتری، پیشنهادهایی برای بهینهترین ساختار کدینگ ارائه دهد
بهبود کیفیت
در زمان ورود اطلاعات توسط کارکنان آن شرکت، همان الگوریتمهای تصحیح و استانداردسازی اعمال میشود
جذب مشتریان بزرگ
با هوشمندسازی کدینگ سازمانی، جذب مشتریان صنعتی بزرگ تسریع میشود و جایگاه مرکز تثبیت میگردد
پیشنهاد ۲۶: APIهای تجاری مبتنی بر AI
امروزه بسیاری از پلتفرمها بهجای خدمات انسانی، API ارائه میکنند تا برنامههای دیگر به صورت خودکار از خدماتشان بهره گیرند. مرکز ملی شمارهگذاری نیز میتواند مجموعهای از APIها را تعریف کند تا سایر سامانهها بهطور مستقیم از هوش و داده مرکز استفاده کنند.
نمونه APIها میتواند شامل: API اعتبارسنجی کالا، API طبقهبندی، API تبدیل واحد و استانداردسازی متن، API تطبیق کد ایرانکد با GTIN یا HS Code باشد. پشت هر API مدلهای AI قرار دارند که وظیفه خود را انجام میدهند. این APIها را میتوان به فروش رساند؛ مثلاً شرکتهای ERP داخلی یا فروشگاههای اینترنتی میتوانند با پرداخت اشتراک، دادههای خود را قبل از ثبت نهایی از این طریق تمیز کنند. این ایده از یک سو مأموریت مرکز در اشاعه استانداردها را محقق میکند و از سوی دیگر منبع درآمد نوینی خلق میکند.
پیشنهاد ۲۷: ارتقای سامانه عضوگیری
شناسایی اسناد خودکار
فرآیند عضویت شرکتها در مرکز نیازمند ارائه مدارکی است. به کمک AI میتوان این قسمت را تسریع کرد. تشخیص کاراکتر نوری روی تصاویر مدارک ارسالی، استخراج خودکار اطلاعات و سپس صحتسنجی آن با مراجع رسمی همگی قابل خودکارسازی است.
بدین ترتیب وقتی شرکتی ثبتنام میکند، بهجای منتظر ماندن برای بررسی دستی مدارک، سیستم در چند ثانیه نتیجه را اعلام میکند. موارد تأییدشده را عبور میدهد و موارد مغایر یا ناقص را برای بررسی انسانی علامت میزند.
این کاربرد AI در حوزه KYC بسیار رایج شده و خطا و تقلب را کاهش میدهد. مرکز با اجرای این پیشنهاد میتواند زمان پذیرش عضو جدید را کمینه کند که تجربهٔ کاربری بهتری ایجاد میکند.
پیشنهاد ۲۸: پیشبینی مالی با AI
23%
افزایش درآمد
پیشبینی رشد درآمد از محل خدمات جدید AI-محور
35%
کاهش هزینه
صرفهجویی در هزینههای عملیاتی از طریق خودکارسازی
42%
بهبود بهرهوری
افزایش ظرفیت پردازش درخواستها با منابع موجود
هوش مصنوعی در حوزه مدیریت مالی نیز کاربرد دارد. یک مدل یادگیری میتواند بر اساس دادههای گذشته پیشبینی کند که در سال آینده چه میزان درآمد از محلهای مختلف حاصل خواهد شد. یا اینکه اگر تعرفهها تغییر کند، چه تاثیری بر تعداد درخواستها خواهد داشت. با چنین بینشی، تصمیمگیری استراتژیک مدیران ارشد دقیقتر میشود. همچنین AI میتواند فرصتهای کاهش هزینه را نشان دهد و ROI پروژههای AI را محاسبه کند.
پیشنهاد ۲۹: شبیهساز دیجیتال زنجیره تأمین
این یک ایده بلندپروازانهتر و درازمدت است. با دادههایی که مرکز از جریان کالا و کدها دارد، میتوان یک شبیهساز دیجیتال از زنجیره تأمین کشور ساخت. هوش مصنوعی مولد میتواند بر اساس دادههای واقعی، سناریوهای فرضی را شبیهسازی کند.
مثلاً تاثیر یک سیاست جدید (مثل اجباری شدن کد رهگیری در صنعت خاص) بر جریان اطلاعات و تعداد کدهای درخواستی چگونه خواهد بود؛ یا اگر موجی از تقاضا برای کالای خاص شکل بگیرد، مدل پیشبینی میکند که ثبت ایرانکدهای مرتبط چقدر زیاد میشود و آیا ظرفیت رسیدگی باید افزایش یابد. این مفهوم به مدیران امکان میدهد تصمیمهای پیشدستانه بگیرند و برای شرایط آتی آماده باشند. همچنین میتوان آن را به عنوان پلتفرم آموزش تعاملی بهره برد. چنین پروژهای نیازمند همکاری پژوهشی و زمان است، اما نتیجه آن سازمان را در زمره پیشرفتهترینها قرار خواهد داد.
پیشنهاد ۳۰: واحد پایش و نوآوری هوش مصنوعی
ساختار سازمانی
اجرای موفق پیشنهادهای متعدد نیازمند یک ساختار سازمانی رسمی است. پیشنهاد میشود یک واحد یا کمیته تحت عنوان "کارگروه هوش مصنوعی و دادهکاوی" تشکیل شود
مسئولیتها
این واحد مسئول برنامهریزی، اجرا و نگهداشت پروژههای AI در مرکز خواهد بود. ترکیب آن شامل کارشناسان فناوری اطلاعات، نمایندگان واحدهای کسبوکاری و مشاوران دانشگاهی است
شاخصهای عملکرد
میتوان شاخصهای عملکرد مشخصی برای آن تعریف کرد مثل کاهش خطاها، افزایش بهرهوری صدور کد تا قابل پایش باشد
پیشنهاد ۳۱: برنامه آموزشی AI
توانمندسازی منابع انسانی
هر فناوری جدید زمانی موفق است که کاربران آن آموزش کافی دیده باشند. بنابراین موازی با توسعه ابزارهای AI، باید کارگاهها و دورههای آموزشی برای پرسنل مرکز (چه در ستاد و چه استانها) برگزار شود.
این آموزشها شامل مفاهیم پایه AI، نحوه کار با ابزارهای جدید و روشهای گزارش مشکلات خواهد بود. همچنین فرهنگ استفاده از AI باید جا بیفتد؛ کارکنان باید درک کنند که AI جایگزین آنها نیست بلکه دستیار آنهاست و کمک میکند کارشان را بهتر انجام دهند.
پیشنهاد ۳۲: حاکمیت داده و اخلاق AI
حفظ حریم خصوصی
در کنار شتاب در اجرای پروژههای AI، باید مطمئن شویم حریم خصوصی، امنیت و بیطرفی رعایت میشود. اگر از دادههای اعضا برای آموزش مدل استفاده میشود، نباید اطلاعات محرمانه فاش گردد
دستورالعمل اخلاقی
پیشنهاد میشود مرکز دستورالعمل اخلاقی استفاده از AI را تدوین کند. این دستورالعمل مشخص میکند چه دادههایی میتواند برای آموزش استفاده شود و چه تصمیماتی حتماً نیاز به تأیید انسانی دارد
امنیت سایبری
همچنین امنیت سایبری راهکارهای AI باید سنجیده شود. انطباق با استانداردهای مرتبط (مثل ISO 27001 برای امنیت اطلاعات) تصویر مسئولانهای از مرکز ارائه میدهد
پیشنهاد ۳۳: فازبندی و پایلوتها
1
فاز ۱: ۶-۱۲ ماه
بهبودهای سریع و کمهزینه - افزونه مرورگر، داشبورد نمایندگان، چتبات، تشکیل واحد AI و آموزش کارکنان
2
فاز ۲: ۱-۲ سال
یکپارچهسازی در سامانههای اصلی - اتصال موتورهای AI به سرور، پایش مستمر دادهها، توسعه APIها و الگوریتمهای پیشرفته
3
فاز ۳: مستمر
نوآوری و توسعه بلندمدت - ارزیابی اهداف، انطباق با فناوریهای نوظهور، همکاریهای بینالمللی و بروزرسانی مداوم
با توجه به تعدد پیشنهادات، ضروری است اجرای آنها مرحلهبندی شود. پیشنهاد میشود در سال اول روی چند پروژه Pilot که اثرگذاری بالا ولی پیچیدگی نسبتاً کم دارند تمرکز شود.
پیشنهاد ۳۴: شاخصهای کلیدی موفقیت
در ابتدای مسیر اجرای پیشنهادات، مرکز باید برای خود مشخص کند که موفقیت را چگونه اندازهگیری میکند. این شاخصها میتواند شامل مواردی چون کاهش میانگین زمان صدور کد، درصد کاهش خطاهای دادهی شناساییشده پس از تأیید نهایی، افزایش رضایت اعضا، میزان درآمد جدید کسبشده از سرویسهای AI، و میزان کاهش هزینههای عملیاتی باشد.
تعیین این شاخصها و پایش منظم آنها به مدیران کمک میکند اثربخشی سرمایهگذاری در AI را رصد کنند و در صورت لزوم مسیر را اصلاح نمایند. همچنین میتوان این نتایج را در گزارش سالیانه مرکز یا رسانهها اعلام کرد تا تصویر پیشرو از سازمان نمایش داده شود.
پیشنهاد ۳۵: همسوسازی با طرحهای کلان
اکوسیستم تحول دیجیتال
شایسته است مرکز ملی شمارهگذاری نقش فعال در اکوسیستم تحول دیجیتال کشور داشته باشد. بسیاری از راهکارهای مطروحه (از مبارزه با قاچاق گرفته تا شفافیت تجاری و دادهکاوی صنعتی) در اسناد بالادستی کشور مورد تأکید است.
مرکز میتواند با معرفی پروژههای AI خود به نهادهایی مانند وزارت ارتباطات، وزارت صمت، و کارگروه اقتصاد دیجیتال دولت از حمایتهای موجود بهرهمند شود یا حتی بودجههای پژوهشی/توسعهای دریافت کند. همچنین همکاری با سایر پایگاههای داده ملی در قالب یکپارچهسازی دادهها با هوش مصنوعی میتواند مصداق یک پروژه مشترک ملی باشد.
مزایای کلیدی تحول هوشمند
سرعت در خدماترسانی
کاهش زمان صدور کد از روزها به ساعات، پردازش خودکار درخواستها و کاهش زمان انتظار برای متقاضیان که تجربه کاربری بهتری ایجاد میکند
ارتقای کیفیت دادهها
استانداردسازی خودکار، تصحیح خطاهای نگارشی و تایپی، جلوگیری از ثبت تکراری و یکنواختی اطلاعات در سطح ملی
کاهش هزینههای عملیاتی
خودکارسازی فرآیندهای تکراری، کاهش نیاز به نیروی انسانی برای کارهای روتین و آزاد شدن ظرفیت کارشناسان برای وظایف حساستر
ایجاد خدمات نوین
توسعه محصولات و سرویسهای جدید مبتنی بر AI که منابع درآمدی تازه برای مرکز ایجاد میکند و ارزش افزوده برای اعضا خلق مینماید
چشمانداز آینده
اجرای پیشنهادهای این سند میتواند کیفیت و یکنواختی دادهها را بهطرز چشمگیری بهبود دهد، زمان و هزینهٔ پردازش درخواستها را کاهش دهد، دقت و سرعت خدماترسانی به اعضا را افزایش دهد و جایگاه مرکز را بهعنوان سازمانی پیشرو در بهکارگیری فناوریهای نوین در سطح ملی و بینالمللی تثبیت کند.
مرکز میتواند خود را نه فقط به عنوان مرجع شمارهگذاری بلکه به عنوان مرجع داده و هوشمندسازی زنجیره تأمین معرفی کند که برای ارکان مختلف بازار خدمات ارزشمند ارائه میدهد. این امر درآمدهای جدیدی ایجاد میکند و ماموریت مرکز را پایدارتر و وسیعتر خواهد کرد. در بعد بینالمللی هم، اعلام اینکه GS1 ایران در حال اجرای ابتکارات AI است، جایگاه بینالمللی مرکز را ارتقا میدهد و شاید امکان کسب کرسی یا نقش بیشتر در پروژههای جهانی GS1 فراهم آید.
ریسکها و چالشهای پیادهسازی
مقاومت در برابر تغییر
ممکن است برخی کارکنان در ابتدا نسبت به فناوریهای جدید احساس نگرانی کنند یا آن را تهدیدی برای شغل خود بدانند. راهحل: آموزش مناسب، شفافیت در اهداف و تأکید بر نقش AI بهعنوان دستیار نه جایگزین
کمبود تخصص فنی
پیادهسازی برخی راهکارهای پیشرفته نیازمند تخصصهای فنی خاصی است که ممکن است در ابتدا در سازمان موجود نباشد. راهحل: همکاری با دانشگاهها، استخدام متخصصان یا استفاده از خدمات مشاورهای
محدودیت منابع
سرمایهگذاری اولیه در زیرساخت، نرمافزار و آموزش نیاز به بودجه دارد. راهحل: شروع با پروژههای کوچک و کمهزینه، نمایش ROI و جلب حمایت برای فازهای بعدی
مسائل امنیتی و حریم خصوصی
استفاده از AI با دادههای حساس نیازمند رعایت دقیق اصول امنیتی است. راهحل: تدوین دستورالعملهای اخلاقی، استفاده از مدلهای محلی و رمزنگاری دادهها
عوامل کلیدی موفقیت
حمایت مدیریت ارشد
تعهد و حمایت قاطع مدیران عالی سازمان برای تخصیص منابع و رفع موانع بوروکراتیک ضروری است
ارتباط مؤثر
انتقال چشمانداز روشن به تمام ذینفعان و ایجاد درک مشترک از اهداف و مزایای تحول دیجیتال
رویکرد چابک
شروع با پروژههای کوچک، یادگیری سریع از شکستها و موفقیتها، و تطبیق مداوم برنامهها با بازخوردها
همکاری بینبخشی
ایجاد همافزایی بین واحدهای مختلف، کسبوکار و فناوری، و بهرهگیری از تخصصهای متنوع
نقش مشاور هوش مصنوعی
دکتر دانیال سمیعی
مشاور هوش مصنوعی مرکز و استادیار دانشگاه، نقش کلیدی در راهبری این تحول ایفا میکند. ایشان میتوانند انتقال دانش و نظارت بر پیشرفت طبق برنامه را تسهیل کنند و شبکهای از پژوهشگران را پیرامون مسائل مرکز فعال سازند.
همچنین از ظرفیت دانشگاه آزاد و سایر دانشگاهها در پروژههای تحقیقاتی مرتبط بهره گرفته شود تا مرکز به پیشرفتهترین دانش و فناوریهای روز دسترسی داشته باشد. برای اطلاعات بیشتر و تماس با مشاور: danial.samiei@iau.ac.ir یا مراجعه به gs1.samiei.ai
همکاری با دانشگاهها و مراکز تحقیقاتی
پروژههای مشترک
ایجاد فرصتهای تحقیقاتی برای دانشجویان و اساتید در حل مسائل واقعی مرکز، که همزمان به پیشبرد علم و توسعه راهکارهای کاربردی کمک میکند
چالشهای نوآوری
برگزاری مسابقات سالانه برای بهترین مدلهای AI در حوزه کیفیت داده، طبقهبندی و تشخیص خطا با اهدای جوایز مناسب
انتقال دانش
استفاده از نتایج پژوهشهای دانشگاهی در بهبود سیستمهای مرکز و به اشتراکگذاری تجربیات عملی با جامعه علمی
تجربیات موفق داخلی و بینالمللی
بررسی تجربیات موفق جهانی نشان میدهد که سازمانهای پیشرو در حوزه استانداردسازی داده، سرمایهگذاری در هوش مصنوعی را به عنوان یک ضرورت استراتژیک در نظر گرفتهاند. GS1 هلند با پیادهسازی پلتفرم تصمیمیاری هوشمند، توانسته زمان تغییر قواعد کیفی را از هفتهها به روزها کاهش دهد و شفافیت تصمیمگیری را افزایش دهد.
GS1 آمریکا با توسعه دستیار هوشمند GTIN، تجربه کاربری اعضای خود را بهطور چشمگیری بهبود بخشیده است. این نمونهها نشان میدهند که سرمایهگذاری در کیفیت داده از طریق هوش مصنوعی چقدر برای بهبود عملیات داخلی و رضایت مشتری مؤثر بوده است. ایران نیز با ظرفیتهای موجود در حوزه AI و پردازش زبان فارسی، میتواند الگویی موفق در منطقه باشد.
تأثیر بر اکوسیستم تجارت ملی
شفافیت بازار
دادههای باکیفیت و قابل اعتماد زمینهساز تصمیمگیری بهتر برای تمام ذینفعان زنجیره تأمین است
افزایش کارایی
استانداردسازی اطلاعات باعث کاهش خطاها، سرعت در معاملات و کاهش هزینههای تراکنش میشود
اعتماد مصرفکننده
امکان تأیید اصالت کالا و رهگیری مسیر تأمین، اعتماد عمومی به بازار را افزایش میدهد
پشتیبانی سیاستگذاری
دادههای جامع و تحلیلشده به سیاستگذاران کمک میکند تصمیمات آگاهانهتری بگیرند
توسعه صادرات
انطباق با استانداردهای بینالمللی، مسیر صادرات محصولات ایرانی را هموارتر میکند
نقشه راه اجرایی: فاز اول
ماه ۱-۲: آمادگی و برنامهریزی
تشکیل کارگروه هوش مصنوعی، تعیین اهداف و شاخصهای کلیدی، بررسی زیرساختهای موجود و شناسایی نیازها
ماه ۳-۵: توسعه ابزارهای اولیه
طراحی و توسعه افزونه مرورگر هوشمند، شروع کار بر روی چتبات پشتیبانی، انتخاب و تنظیم مدلهای زبانی فارسی
ماه ۶-۸: آزمایش پایلوت
اجرای آزمایشی ابزارها در تعداد محدودی از استانها، جمعآوری بازخورد کاربران، اصلاح و بهبود بر اساس تجربیات
ماه ۹-۱۲: گسترش و ارزیابی
استقرار کامل ابزارهای تأییدشده در تمام استانها، ارزیابی عملکرد بر اساس شاخصها، تهیه گزارش نتایج فاز اول
نقشه راه اجرایی: فاز دوم
در فاز دوم که طی ۱۲ تا ۲۴ ماه بعدی اجرا میشود، تمرکز بر یکپارچهسازی عمیقتر AI در سیستمهای مرکزی است. این شامل اتصال موتورهای AI به بکاند سامانهها، توسعه داشبورد پایش مستمر کیفیت دادهها، و راهاندازی APIهای تجاری برای استفاده بیرونی است.
همچنین در این فاز، الگوریتمهای پیشرفتهتر مانند تشخیص تصویر و کشف الگوهای تقلب توسعه مییابند. این مرحله نیازمند سرمایهگذاری بیشتر در زیرساخت و احتمالاً همکاری با پیمانکاران نرمافزاری متخصص است. در پایان فاز دوم، انتظار میرود که AI بهطور کامل در فرآیندهای روزمره مرکز نفوذ کرده باشد و شاخصهای کیفیت داده بهطور قابلملاحظهای بهبود یافته باشند. خروجی این فاز، یک سیستم کاملاً هوشمند و کارآمد است که میتواند الگو برای سایر سازمانهای دولتی قرار گیرد.
نقشه راه اجرایی: فاز سوم و فراتر
نوآوری مستمر
فاز سوم که پس از دو سال آغاز میشود، در واقع یک فرآیند مداوم نوآوری و بهبود است. در این مرحله، مرکز بهطور منظم فناوریهای نوظهور را ارزیابی کرده و در صورت مناسب بودن، آنها را جذب میکند.
همکاریهای بینالمللی گسترش مییابد و مرکز میتواند تجربیات خود را با سایر کشورها به اشتراک گذاشته و از بهترین شیوههای جهانی بهره ببرد. سرمایهگذاری مجدد در زیرساختها و نیروی انسانی ادامه مییابد تا اطمینان حاصل شود که مرکز همواره در خط مقدم تحولات فناوری قرار دارد.
جایگاه منطقهای
در این مرحله، مرکز ملی شمارهگذاری ایران میتواند به یک الگوی موفق در منطقه تبدیل شود و حتی خدمات مشاورهای و فناوری خود را به کشورهای همسایه صادر کند.
این نهتنها منبع درآمدی جدیدی است، بلکه جایگاه ایران در عرصه فناوری منطقه را نیز تقویت میکند. هدف نهایی، تبدیل مرکز به یک سازمان دانشمحور و نوآور است که نهتنها خدمات استانداردسازی ارائه میدهد، بلکه پیشتاز در بهکارگیری فناوریهای پیشرفته در خدمت تجارت و صنعت ملی است.
ملاحظات زیرساختی و فنی
زیرساخت سختافزاری
نیاز به سرورهای قدرتمند با GPU برای اجرای مدلهای یادگیری عمیق، فضای ذخیرهسازی کافی برای دادهها و بکآپهای منظم
پلتفرم نرمافزاری
انتخاب فریمورکهای مناسب برای توسعه (PyTorch, TensorFlow)، ابزارهای ارکستریشن (n8n)، و سیستمهای مدیریت داده
امنیت و پشتیبانگیری
پیادهسازی پروتکلهای امنیتی، رمزنگاری دادهها، کنترل دسترسی چندسطحی و برنامههای پشتیبانگیری منظم
مدیریت تغییر سازمانی
موفقیت در پیادهسازی هوش مصنوعی تنها به فناوری محدود نمیشود؛ مدیریت تغییر سازمانی نیز نقش حیاتی دارد. باید فرهنگی ایجاد شود که نوآوری و یادگیری مستمر را تشویق کند و در عین حال نگرانیهای کارکنان را جدی بگیرد.
ارتباطات شفاف با تمام سطوح سازمان، از مدیران ارشد تا کارشناسان استانی، ضروری است. جشن گرفتن موفقیتهای کوچک و به اشتراکگذاری داستانهای موفقیت میتواند انگیزه را بالا نگه دارد. همچنین مهم است که به کارکنانی که در حال یادگیری مهارتهای جدید هستند، حمایت و تشویق کافی ارائه شود. ایجاد کانالهای بازخورد و گوش دادن به نظرات و پیشنهادات کارکنان در بهبود فرآیندها بسیار کمککننده است. در نهایت، باید به یاد داشت که تحول دیجیتال یک سفر است نه یک مقصد، و صبر و پایداری در این مسیر کلیدی خواهد بود.
اندازهگیری بازگشت سرمایه
2-3
سال بازگشت سرمایه
براساس تجربیات مشابه، انتظار میرود سرمایهگذاری اولیه ظرف ۲ تا ۳ سال بازگشت داشته باشد
40%
کاهش هزینه عملیاتی
خودکارسازی فرآیندها میتواند تا ۴۰٪ از هزینههای عملیاتی را کاهش دهد
60%
افزایش سرعت پردازش
زمان صدور کد و پردازش درخواستها میتواند تا ۶۰٪ کاهش یابد
علاوه بر صرفهجوییهای مستقیم، مزایای غیرمستقیم مانند افزایش رضایت اعضا، بهبود کیفیت دادهها، و ایجاد فرصتهای درآمدی جدید نیز باید در نظر گرفته شود. این مزایا هرچند در کوتاهمدت قابل اندازهگیری مستقیم نیستند، اما در بلندمدت ارزش قابلتوجهی برای سازمان ایجاد میکنند.
بودجهبندی و منابع مالی
سرمایهگذاری مرحلهای
پیشنهاد میشود بودجهبندی بهصورت مرحلهای انجام شود. برای فاز اول که شامل توسعه ابزارهای اولیه و آموزش است، سرمایهگذاری نسبتاً محدود مورد نیاز است. این شامل هزینههای نرمافزار، آموزش کارکنان و احتمالاً استخدام یا قرارداد با چند متخصص AI است.
در فاز دوم، که یکپارچهسازی عمیقتر انجام میشود، نیاز به سرمایهگذاری بیشتری در زیرساخت سختافزاری (سرورها) و توسعه نرمافزار خواهد بود. با این حال، در این مرحله بخشی از هزینهها میتواند از طریق درآمدهای حاصل از خدمات جدید AI-محور جبران شود.
منابع تأمین بودجه
- بودجه عملیاتی سالانه مرکز
- کمکهای بلاعوض پژوهشی از وزارتخانهها
- اعتبارات ملی تحول دیجیتال
- درآمدهای حاصل از خدمات جدید
- همکاریهای پژوهشی با دانشگاهها
شاخصهای پایش پیشرفت
90%
رضایت کاربران
هدف رسیدن به حداقل ۹۰٪ رضایت اعضا از سرعت و کیفیت خدمات
95%
دقت دادهها
هدف کاهش خطاهای داده به کمتر از ۵٪ در مراحل نهایی
70%
خودکارسازی
هدف خودکارسازی حداقل ۷۰٪ از فرآیندهای تکراری
50%
کاهش زمان
هدف کاهش حداقل ۵۰٪ در زمان متوسط صدور کد
گزارشدهی و پاسخگویی
یکی از عوامل کلیدی موفقیت در پروژههای تحول دیجیتال، گزارشدهی منظم و شفاف به تمام ذینفعان است. پیشنهاد میشود واحد AI بهصورت ماهانه گزارش پیشرفت به مدیرعامل و هیئت مدیره ارائه کند که شامل دستاوردها، چالشها، شاخصهای کلیدی عملکرد و برنامههای آتی باشد.
همچنین گزارشهای فصلی جامعتری تهیه شود که بتوان آن را با مراجع بالاتر (مانند وزارت صمت) به اشتراک گذاشت. این گزارشها نهتنها شفافیت را تضمین میکنند، بلکه به جلب حمایت و تأمین منابع بیشتر نیز کمک میکنند. علاوه بر گزارشهای داخلی، انتشار گزارش سالانه عمومی که دستاوردهای مرکز در حوزه هوش مصنوعی را برجسته کند، میتواند به ارتقای جایگاه و اعتبار مرکز در سطح ملی و بینالمللی کمک کند.
استانداردها و چارچوبهای مرجع
ISO 8000
استاندارد بینالمللی کیفیت داده که بر صحت، کامل بودن و سازگاری دادهها تأکید دارد و چارچوبی برای مدیریت دادههای مرجع فراهم میکند
ISO 27001
استاندارد مدیریت امنیت اطلاعات که اطمینان میدهد دادههای حساس بهدرستی محافظت میشوند و اصول حریم خصوصی رعایت میگردد
ISO 42001
استاندارد نوظهور حکمرانی هوش مصنوعی که چارچوبی برای استفاده مسئولانه و اخلاقی از AI ارائه میدهد
رعایت این استانداردها نهتنها به بهبود کیفیت کار کمک میکند، بلکه اعتبار و قابلیت اعتماد مرکز را در سطح بینالمللی افزایش میدهد.
یکپارچهسازی با سامانههای ملی
فرصتهای همکاری
یکی از مزایای مهم هوشمندسازی مرکز، امکان یکپارچهسازی بهتر با سایر سامانههای ملی است. سامانه جامع تجارت، سامانه مالیاتی، سیستمهای گمرکی و بانکهای اطلاعاتی استاندارد همگی میتوانند از دادههای باکیفیت و هوشمند مرکز بهره ببرند.
از سوی دیگر، مرکز نیز میتواند با دسترسی به برخی دادههای این سامانهها (در چارچوب قوانین)، اعتبارسنجیهای دقیقتری انجام دهد. برای مثال، تأیید خودکار فعال بودن یک شرکت از طریق استعلام از سامانه ثبت شرکتها یا بررسی صحت اطلاعات مالیاتی از طریق اتصال به سامانه مؤدیان.
پروژههای مشترک
میتوان پروژههای مشترک با این نهادها تعریف کرد؛ مثلاً یک پروژه با گمرک برای شناسایی هوشمند کالاهای وارداتی و تطبیق خودکار آنها با کدهای ایرانکد، یا همکاری با سازمان مالیاتی برای اطمینان از صحت شناسههای کالا/خدمت در صورتحسابهای الکترونیکی.
این همکاریها علاوه بر ایجاد همافزایی، به کاهش بار کاری تمام طرفها و افزایش دقت دادهها در سطح ملی کمک میکند. چنین یکپارچگیای در واقع گامی به سوی تحقق دولت الکترونیکی واقعی است.
نقش در اقتصاد دیجیتال ایران
مرکز ملی شمارهگذاری با هوشمندسازی خدمات خود، میتواند نقش کلیدی در توسعه اقتصاد دیجیتال کشور ایفا کند. دادههای استاندارد و باکیفیت پیشنیاز اساسی برای رونق تجارت الکترونیک، بازارهای آنلاین و پلتفرمهای فروش دیجیتال است.
وقتی فروشگاههای اینترنتی بتوانند بهراحتی از APIهای مرکز برای اعتبارسنجی و غنیسازی اطلاعات محصولات خود استفاده کنند، تجربه کاربری بهبود مییابد و اعتماد مشتریان افزایش مییابد. همچنین امکان مقایسه قیمتها و ویژگیهای محصولات مشابه برای مصرفکنندگان فراهم میشود که به رقابت سالم و شفافیت بازار کمک میکند. در نهایت، نقش مرکز فراتر از یک صادرکننده کد است؛ مرکز میتواند به عنوان تسهیلکننده اقتصاد دیجیتال و پایهگذار یک زیرساخت دادهای قوی برای کشور عمل کند.
پایداری و نگهداری بلندمدت
بهروزرسانی مستمر مدلها
مدلهای یادگیری ماشین نیاز به آموزش مجدد دورهای با دادههای جدید دارند تا دقت خود را حفظ کنند
پایش عملکرد
سیستمهای خودکار باید بهطور مستمر پایش شوند تا مطمئن شویم که بهدرستی کار میکنند و نیاز به تنظیم مجدد ندارند
مستندسازی کامل
تمام فرآیندها، کدها و تصمیمات طراحی باید بهخوبی مستند شوند تا انتقال دانش و نگهداری آسان باشد
تیم پشتیبانی
باید تیمی مسئول نگهداری و پشتیبانی مداوم سیستمهای AI تعریف شود که به مشکلات سریعاً رسیدگی کند
چشمانداز ۵ ساله
1
2
3
4
5
1
سال ۵
مرجع منطقهای AI در استانداردسازی
2
سال ۳-۴
صادرات خدمات و فناوری به کشورهای منطقه
3
سال ۲-۳
ارائه کامل خدمات AI-محور و درآمدزایی از آنها
4
سال ۱-۲
یکپارچهسازی AI در تمام فرآیندها و عملیات
5
سال ۱
استقرار ابزارهای اولیه و آموزش کارکنان
این چشمانداز نشان میدهد که مرکز در طی پنج سال میتواند از یک سازمان سنتی به یک مرجع پیشرو و نوآور در منطقه تبدیل شود.
انتظارات از ذینفعان مختلف
مدیران ارشد
- تعهد به تخصیص منابع
- حمایت از تغییرات سازمانی
- ترسیم چشمانداز روشن
- رفع موانع بوروکراتیک
کارشناسان و نمایندگان
- انعطاف در پذیرش ابزارهای جدید
- ارائه بازخورد سازنده
- مشارکت در آموزشها
- بهاشتراکگذاری تجربیات
اعضا و مشتریان
- صبر در دوره انتقال
- گزارش مشکلات و پیشنهادات
- استفاده از ابزارهای جدید
- همکاری در بهبود کیفیت داده
درسهای آموخته از پروژههای مشابه
شروع کوچک، فکر بزرگ
موفقترین پروژههای تحول دیجیتال با پایلوتهای کوچک شروع شدهاند و بهتدریج گسترش یافتهاند. این رویکرد ریسک را کاهش میدهد و فرصت یادگیری فراهم میآورد
مشارکت کاربران از ابتدا
پروژههایی که کاربران نهایی را از همان ابتدا در طراحی و توسعه مشارکت میدهند، میزان پذیرش و موفقیت بالاتری دارند
توازن بین کمالگرایی و سرعت
منتظر راهحل کامل نمانید؛ نسخههای اولیه را عرضه کنید، بازخورد بگیرید و بهبود دهید. رویکرد چابک کلید موفقیت است
سرمایهگذاری در آموزش
بخش قابلتوجهی از بودجه باید به آموزش و فرهنگسازی اختصاص یابد. بهترین فناوری بدون کاربران آموزشدیده بیفایده است
تهدیدها و فرصتهای محیطی
تحلیل محیط بیرونی نشان میدهد که چندین فرصت و تهدید بر پروژه تحول هوشمند مرکز تأثیرگذار است. از جمله فرصتها میتوان به رشد سریع فناوریهای AI و کاهش هزینه آنها، افزایش آگاهی عمومی نسبت به اهمیت کیفیت داده، و حمایت دولت از پروژههای تحول دیجیتال اشاره کرد.
از سوی دیگر، تهدیداتی نظیر تحریمها و محدودیت دسترسی به برخی فناوریهای پیشرفته، رقابت با راهحلهای غیررسمی در بازار، و احتمال تغییرات مدیریتی که ممکن است پیوستگی پروژه را تحتتأثیر قرار دهد، وجود دارد. استراتژی مناسب این است که با تمرکز بر فناوریهای متنباز و بومیسازی، وابستگی به خارج را کاهش داده و با ایجاد نتایج سریع و ملموس، حمایت مستمر را تضمین کنیم. همچنین ایجاد ساختارهای رسمی (مانند واحد AI) میتواند تداوم پروژه را در برابر تغییرات احتمالی مدیریتی محافظت کند.
نقش رسانهها و ارتباطات عمومی
اطلاعرسانی شفاف
استفاده از رسانهها و کانالهای ارتباطی برای اطلاعرسانی به اعضا و عموم درباره پیشرفتها و خدمات جدید بسیار مهم است. انتشار خبرنامههای ماهانه، برگزاری وبینارهای آموزشی، و بهروزرسانی منظم وبسایت میتواند شفافیت را افزایش دهد.
همچنین پوشش رسانهای دستاوردهای مرکز در رسانههای ملی و تخصصی میتواند به ارتقای جایگاه و اعتبار مرکز کمک کند. ایجاد محتوای آموزشی (ویدیوهای کوتاه، اینفوگرافیکها) که مفاهیم پیچیده AI را به زبان ساده توضیح میدهد، نیز میتواند درک و پذیرش عمومی را بهبود بخشد.
جمعبندی و توصیههای کلیدی
1
تعهد مدیریت ارشد حیاتی است
بدون حمایت قاطع و مستمر مدیران عالی، پروژههای تحول دیجیتال به ندرت به نتایج مطلوب میرسند. مدیران باید چشمانداز روشن ترسیم کرده و منابع لازم را تخصیص دهند
2
شروع سریع با پروژههای کمریسک
بهجای تلاش برای تغییر همهچیز بهیکباره، با چند پایلوت کوچک شروع کنید، نتایج را اندازهگیری کنید و سپس گسترش دهید. موفقیتهای اولیه اعتماد میسازند
3
سرمایهگذاری در منابع انسانی
آموزش و توانمندسازی کارکنان به اندازه فناوری مهم است. فرهنگسازی، مدیریت تغییر و ایجاد انگیزه در تیم باید در اولویت باشد
4
ارتباط مستمر با مشاور و خبرگان
حفظ ارتباط با مشاوران AI و بهرهگیری از شبکه دانشگاهی میتواند مسیر را هموار کند و از تکرار اشتباهات دیگران جلوگیری نماید
نتیجهگیری نهایی
مرکز ملی شمارهگذاری کالا و خدمات ایران در آستانه یک تحول بنیادین قرار دارد. با بیش از دو دهه تجربه و زیرساخت قوی، این مرکز میتواند با بهرهگیری هوشمندانه از فناوریهای هوش مصنوعی، الگویی موفق برای سایر سازمانهای دولتی و نیمهدولتی باشد. بیش از ۳۵ پیشنهاد عملی ارائهشده در این سند، مسیری روشن برای دستیابی به این هدف ترسیم میکند.
اجرای این پیشنهادها نهتنها کیفیت دادهها را ارتقا میدهد و فرآیندها را کارآمدتر میسازد، بلکه فرصتهای درآمدی جدید و خدمات نوآورانهای را خلق میکند که جایگاه مرکز را از یک صادرکننده صرف کد، به یک مرجع هوشمند داده و استانداردسازی ارتقا میدهد. این تحول همراستا با اسناد بالادستی کشور در حوزه اقتصاد دیجیتال و تجارت الکترونیک است و میتواند الگویی برای منطقه باشد. با عزم جدی، برنامهریزی دقیق و اجرای مرحلهای، موفقیت در این مسیر قطعی است. حال زمان اقدام فرا رسیده است.
اقدامات فوری پیشنهادی
تشکیل جلسه هیئت مدیره
ارائه این سند به هیئت مدیره و اخذ تصویب اولیه برای شروع فاز اول پروژه تحول هوشمند، تعیین بودجه و منابع اولیه
تشکیل کارگروه AI
انتخاب اعضای کارگروه هوش مصنوعی از بین مدیران و کارشناسان کلیدی، تعیین مسئول پروژه و تدوین شرح وظایف دقیق
تهیه برنامه تفصیلی
تدوین برنامه اجرایی ۶ ماهه اول با جزئیات کامل، تعیین تیمهای اجرایی، زمانبندی دقیق و شاخصهای اندازهگیری موفقیت
شروع پایلوت اول
آغاز توسعه افزونه مرورگر هوشمند و چتبات بهعنوان اولین پایلوت، با هدف نتیجهگیری در ۳ ماه آینده
این اقدامات فوری میتوانند ظرف ۴ تا ۶ هفته آینده به انجام برسند و مرکز را به مسیر تحول هوشمند وارد کنند.
دعوت به همکاری
فراخوان مشارکت
تحقق این چشمانداز بلندپروازانه نیازمند مشارکت و همکاری همه ذینفعان است. از مدیران ارشد که چشمانداز را ترسیم میکنند، تا کارشناسانی که روزانه با دادهها سروکار دارند، از نمایندگان استانی تا اعضای محترم مرکز، همه نقش حیاتی در این تحول دارند.
دانشگاهها و مراکز تحقیقاتی میتوانند با ارائه دانش روز و مشارکت در پروژههای تحقیقاتی، شرکتهای فناوری با توسعه راهحلهای نوآورانه، و سازمانهای دولتی با همکاری در یکپارچهسازی سیستمها، به این حرکت ملی کمک کنند. این فرصت تاریخی را از دست ندهیم.
اطلاعات تماس
برای کسب اطلاعات بیشتر، مشاوره تخصصی یا ابراز تمایل به همکاری:
دانیال سمیعی
مشاور هوش مصنوعی مرکز ملی شمارهگذاری
استادیار دانشگاه آزاد اسلامی
مشاور هوش مصنوعی مرکز ملی شمارهگذاری
استادیار دانشگاه آزاد اسلامی
رایانامه: danial.samiei@iau.ac.ir
وبسایت پروژه: gs1.samiei.ai
وبسایت پروژه: gs1.samiei.ai
با هم، آیندهای هوشمند برای تجارت و صنعت ایران میسازیم.