یک نمونه آزمایشی از گروه نوآوری دیجیتال:
ساخت یک دستیار صوتی مبتنی بر هوش مصنوعی برای صنعت نمایشگاهی چقدر پیچیده است؟
یکی از بهترین جنبههای صنعت ما، روحیه باز و مشارکتی آن است. ما در بهاشتراکگذاری و همکاری تردید نمیکنیم. کنجکاوی جای رقابت را میگیرد و هیجان بر بیتفاوتی غلبه میکند و هیچجا این موضوع بهاندازه گروه کاری نوآوری دیجیتال UFI دیده نمیشود.
برای کسانی که با آن آشنا نیستند، گروه کاری نوآوری دیجیتال UFI (یا به اختصار DIWG) جمعی از افراد علاقهمند به فناوری از دنیای نمایشگاههاست که بیشتر بهصورت آنلاین و گاهی حضوری دور هم جمع میشوند تا درباره فناوری، تبادل ایده و بهبود استفاده از آن در صنعتمان گفتگو کنند.
وقتی دور هم جمع میشویم، گاهی ایدههای دیوانهواری به ذهنمان میرسد. اما ایده داشتن آسان است، اجرا سختتر. به همین دلیل، گاهی با هم تیم میشویم تا یک ایده را به واقعیت تبدیل کنیم و یک نمونه اثبات مفهوم (PoC) بسازیم تا نشان دهیم ایده شدنی است. این، داستان یکی از همان ایدههاست.
ماه مارس، اعضای DIWG در پاریسِ سرد برای یک روز بحث، تبادل نظر، خوشگذرانی، غذا خوردن و کمی دوچرخهسواری تقریباً انتحاری در بلوارهای شلوغ شهر دور هم جمع شدند. طبیعی است که بخش زیادی از گفتگوها حول هوش مصنوعی و کاربردهایش در صنعت ما میچرخید. آنجا بود که یک ایده مطرح شد: آیا میشود یک دستیار صوتی ساخت که واقعاً در صنعت ما مفید باشد؟ همین سؤال کافی بود تا کودک هشتسالهی (نسبتا خوابآلودِ) درون بعضی از ما بیدار شود و تصمیم بگیریم این را امتحان کنیم و نتایجش را در هفته رویدادهای اروپایی UFI در ماه ژوئن، در تسالونیکی ارائه دهیم.
مسیر یادگیری
نکته قشنگ این جور آزمایشها این است که بیرون از کار روزمرهمان اتفاق میافتند. بله، چند شب و آخرهفته را صرف بازیکردن با ابزارها کردیم، اما بدون چارچوبهای شرکتی، بدون اینکه مجبور باشیم زمان صرفشده را توجیه کنیم، و بدون هیچ بودجهای جز پول خودمان. همین ما را مجبور میکند خلاق و محتاط باشیم. سرگرمی و یادگیری ناب؛ نوعی خودتوسعهدهی در بهترین شکلش، که البته بهطور غیرمستقیم نه فقط به کسبوکار خودمان، بلکه به کل جامعه صنعت نمایشگاهی هم کمک میکند.
اولین قدم، انتخاب ابزارهاست. هر هفته تقریباً «اسباببازی»های جدیدی در قفسههای دیجیتال ظاهر میشوند و انتخاب سخت است، چون انتخابکردن یعنی از بقیه چشمپوشیکردن و هرکدام هم نقطهقوتهای خاص خودشان را دارند. در اینجا سرعت حیاتی است: اینکه بتوانی خیلی سریع یک ابزار را تست کنی و تصمیم بگیری ادامه بدهی یا نه. تجربهها را صادقانه به اشتراک بگذاری، چه خوب و چه بد. این حوزه آنقدر جدید است که نمیشود به بازخوردهای گسترده بازار تکیه کرد. بودجهای هم نداریم که از متخصصها کمک بگیریم. پس باید خودمان متخصص خودمان بشویم.
کشف، راهاندازی، تست، تصمیم، تکرار. هرچه سریعتر.
این کار را هم با تماسهای منظم انجام دادیم و هم با یک گفتگوی واتساپی همیشهفعال، پر از جملههایی مثل «تازه فهمیدم که…»، «میتونی اینو امتحان کنی…» و «ببین چقدر باحاله…». همآفرینی در بهترین شکلش.
دستیار
از آنجا که قرار بود یافتههایمان را در کنفرانس هفته رویدادهای اروپایی UFI ارائه کنیم، تصمیم گرفتیم یک «مشاور کنفرانسِ صوتی» بسازیم. باید میتوانست با او تماس گرفت یا حتی خودش به شرکتکننده زنگ بزند، خودش را معرفی کند و یک گفتگو را شروع کند تا بفهمد علایق و انگیزههای فرد چیست. بعد، بر اساس این اطلاعات و با تکیه بر شناخت عمیق از برنامه کنفرانس، بهترین نشستها و سخنرانها را پیشنهاد بدهد و همچنین اطلاعات اجرایی مثل زمان استراحتها، ناهار، تورهای بعد از کنفرانس و غیره را توضیح دهد.
و چون دوست نداریم کارها خیلی ساده باشد، تصمیم گرفتیم از AI برای جمعآوری اطلاعات مربوط به خود کنفرانس، برنامه و سخنرانها هم استفاده کنیم.
چگونه
ساخت این دستیار سه چالش اصلی داشت: جمعآوری دادههای کنفرانس، غنیسازی آن با اطلاعات سخنرانها، و دادن یک «صدا» به آن که مردم واقعاً بتوانند با آن تماس بگیرند. نکته جالب اینکه در کل پروژه حتی یک خط کد را هم خودمان دستی ننویشتیم؛ همهچیز توسط دستیارهای کدنویسی مبتنی بر هوش مصنوعی تولید شد. ما توضیح میدادیم چه میخواهیم، روی نتایج اصلاح میکردیم، و اجرا را به AI میسپردیم.
استخراج داده
اولین قدم، استخراج اطلاعات نشستها و سخنرانها از وبسایت هفته رویدادهای اروپایی UFI بود. در نگاه اول ساده به نظر میرسد، اما وبسایتهای کنفرانسی معمولاً برای استخراج داده طراحی نشدهاند. این سایت از « Lazy loading» استفاده میکرد؛ یعنی محتوا فقط وقتی ظاهر میشد که اسکرول میکردی و این روش بسیاری از اسکریپتهای ساده استخراج داده را از کار میاندازد.
با کمک یک دستیار کدنویسی AI، یک اسکریپر پایتون ساختیم که بتواند با این چالشها کنار بیاید. جالب اینکه وقتی از AI خواستیم مستقیماً صفحه را اسکرپ کند، بارها شکست خورد، اما وقتی از او خواستیم اسکریپتی بنویسد که این کار را انجام دهد، بعد از چند بار اصلاح به نتیجه رسیدیم. یادآوری خوبی بود که «چطور» سؤال میپرسی، به اندازه «چه» میپرسی مهم است. اسکریپر نهایی ۵۰ نشست و ۴۸ سخنران یکتا را استخراج کرد و همهچیز را بهصورت JSON ساختاریافته شامل عنوان نشستها، توضیحات، زمانها و اطلاعات پایه سخنرانها (نام، عنوان شغلی، شرکت) خروجی داد.
غنیسازی اطلاعات سخنرانها
وبسایتهای کنفرانس معمولاً اطلاعات کمی درباره سخنرانها میدهند: اسم، عنوان و شرکت، اما بهندرت یک بیوگرافی درستوحسابی. ما میخواستیم دستیارمان سخنرانها را مثل یک فرد آشنا به صنعت بشناسد، بنابراین یک خط لوله غنیسازی ساختیم؛ باز هم فقط با توضیحدادن نیازمان و گذاشتن کار کدنویسی به عهده AI.
فرآیند اینطور بود: برای هر سخنران، اسکریپت با استفاده از SerpAPI در وب جستوجو میکرد و برای دقت بیشتر، نام سخنران را با نام شرکتش ترکیب میکرد. چالش این بود که مطمئن شویم به فرد درست رسیدهایم؛ مثلاً جستوجوی «John Smith» هزاران نتیجه میدهد. پس اسکریپت، تطابق نتایج را با نام شرکت و عنوان شغلی بررسی میکرد و با برآورد احتمال، میزان اطمینان را میسنجید.
اینکه صرفاً اولین نتیجه جستوجو را بگیریم قابل اعتماد نبود؛ گاهی نتیجه اول مربوط به یک فرد بیربط یا یک صفحه عمومی شرکت بود. بنابراین اسکریپت بین نتایج میگشت تا به اطلاعات بیوگرافیکی کافی و مرتبط برسد. بعد، محتوای خام وب به GPT-4 از طریق API داده میشد تا اطلاعات را اعتبارسنجی کند، موارد نامربوط را حذف کند و در نهایت آن را به یک بیوگرافی چندجملهای مناسب کنفرانس تبدیل کند. کل این فرآیند برای هر ۴۸ سخنران فقط چند دقیقه زمان برد.
دادن صدا به دستیار
وقتی دیتاست غنیشده آماده شد، فایل JSON را در پلتفرم Conversational AI شرکت ElevenLabs بارگذاری کردیم. ساختار داده برای عامل توضیح داده شد تا بتواند نشستها، سخنرانها، زمانها و توضیحات را بفهمد. با یک نمونه ضبط ۲۰ ثانیهای، یک صدای سفارشی ساختیم و یک پرامپت سیستمی نوشتیم که دستیار را بهعنوان عضوی مفید از تیم کنفرانس معرفی میکرد.
برای در دسترسبودن دستیار، آن را از طریق یکپارچهسازی بومی Twilio با ElevenLabs به یک شماره تلفن وصل کردیم. بدون نیاز به میانافزار اختصاصی؛ فقط تنظیمات. گاهی تأخیرهای کوچکی در پاسخها بود، اما نه آنقدر که جریان طبیعی گفتگو را بههم بزند.
چه چیزهایی میشد پرسید؟
نتیجه، یک دستیار واقعاً مکالمهمحور بود که میتوانست به سؤالهای واقعی شرکتکنندگان پاسخ بدهد. مثلاً اگر میپرسیدی «آیا کسی از JMIC در کنفرانس سخنرانی میکند؟» درباره جیمز ریس، رئیس شورای مشترک صنعت جلسات، توضیح میداد و زمان نشست او را میگفت. یا اگر میگفتی «به فرصتهای برگزاری نمایشگاه در یونان علاقهمندم»، نشستهای مرتبط را پیشنهاد میکرد، توضیح میداد چه موضوعاتی را پوشش میدهند و میگفت بهتر است با کدام سخنرانها ارتباط بگیری. این یک موتور جستوجوی ساده با تطبیق کلمات کلیدی نبود؛ یک گفتگو بود، با سؤالهای پیگیری، شفافسازی و پیشنهادهایی متناسب با چیزهایی که قبلاً گفته بودی.
چندزبانه شدن
برای ارتقای نهایی، دستیار را چندزبانه کردیم. بهجای ساختن چند عامل جدا یا ترجمه پایگاه دانش، یک عامل واحد را طوری تنظیم کردیم که تشخیص دهد تماسگیرنده به چه زبانی صحبت میکند و بر همان اساس پاسخ بدهد. AI ترجمه را بهصورت لحظهای از دادههای منبع انگلیسی انجام میداد. در تستها، وسط مکالمه بین انگلیسی، فرانسوی و ایتالیایی جابهجا شدیم و گذارها کاملاً روان بود؛ هر پاسخ با لهجهای طبیعی ارائه میشد.
زمان و هزینه
کل این پروژه حدود سه هفته، در شبها و آخرهفتهها طول کشید. هزینه کل تقریباً ۶۵ دلار شد: حدود ۲۰ دلار برای ElevenLabs، ۲۰ دلار برای Twilio، ۵ دلار برای تماسهای API با ChatGPT، و ۲۰ دلار برای اعتبار. SerpAPI با این سرمایهگذاری — و بدون نوشتن حتی یک خط کد توسط خودمان — به یک دستیار صوتی چندزبانه و کاملاً کاربردی با دانش واقعی درباره کنفرانس رسیدیم؛ دستیاری که دو بار بهصورت زنده روی صحنه ارائه شد، بدون اینکه خطای عجیبوغریب یا «توهم» محسوسی از خودش نشان بدهد.
البته این نمونه اثبات مفهوم، یک راهحل عمومی و آماده تولید در مقیاس صنعتی نیست، اما با این حال قدرت چشمگیر AI و بهویژه مدلهای زبانی بزرگ را بهخوبی نشان میدهد.
نمایش به دنیا
ارائه و سخنرانی زیاد داشتهایم، اما اینکه دستیار را روی صحنه، در یونان، جلوی چند صد نفر از حرفهایهای صنعت نمایشگاهی به دنیا نشان بدهیم، برای هر دوی ما کمی استرسزا بود.
اول چالش صدا و تصویر بود: روی صحنه باید در لحظه با دستیار تماس میگرفتیم، صدا را هم به دستیار در فضای ابری میفرستادیم و هم به مخاطبان سالن. بعد هم باید مطمئن میشدیم سؤالها و پیشنهادهایش برای حضار قابل فهم است. خوشبختانه تیم فنی عالی بود و مشکلی پیش نیامد.
بعد نوبت خود دستیار بود. چون از یک مدل زبانی عمومی با آموزش و تست محدود استفاده کرده بودیم (یادتان باشد پروژه جانبی و بدون بودجه بود)، همیشه خطر «توهم» وجود داشت. اگر شرکتکننده میگفت به پایداری علاقه دارد و دستیار پیشنهاد میداد به جلسه پختن بیسکویت جلبکی توسط تیلور سویفت برود چه؟
اما در نهایت، همهچیز خوب پیش رفت…
بعدش چه؟
ساختن چنین PoCای فوقالعاده سرگرمکننده و آموزنده است. با کمی وقت و تقریباً بدون هزینه، کلی دانش به دست آوردیم و امیدواریم چیزی هم به صنعتمان اضافه کرده باشیم. غرور (و استرس) نشاندادن کار خود به دنیا روی صحنه را هم دستکم نگیرید!
فناوریهای AI و کلاد بهراحتی در دسترس و در مقیاس کوچک بسیار ارزان هستند. این بهترین محیط برای تجربهکردن و یادگرفتن است. ابزارهایی که دیدید، دانش فنی خیلی عمیقی نمیخواهند. یوتیوب هم پر از آموزشها و دموهای عالی است.
پس منتظر چه هستید؟
نوشته مایکیتا فاستوِتس و استفان فورسِی، اعضای گروه کاری نوآوری دیجیتال UFI
19 ژانویه 2026
یادداشت
صنعت نمایشگاهی پدیده عجیبی است؛ چیزی میان بازار، جشنواره، شبکهسازی انسانی و زیرساخت اقتصادی. هزاران نفر وارد یک فضای فیزیکی میشوند تا اطلاعات، کالا، فناوری و رابطه مبادله کنند. حالا تصور کنید همین فضای پرهیاهو به یک لایه نامرئی از هوش دیجیتال مجهز شود؛ لایهای که مثل یک راهنمای همیشه حاضر، میتواند به هر سؤال پاسخ دهد. دقیقاً همین ایده موضوع آزمایشی بود که در انجمن جهانی صنعت نمایشگاهی (UFI) مطرح شد.
در این آزمایش که توسط گروه نوآوری دیجیتال UFI انجام شد، پژوهشگران تلاش کردند ببینند آیا میتوان با ابزارهای فعلی هوش مصنوعی یک دستیار صوتی کاربردی برای صنعت نمایشگاهی ساخت. چیزی شبیه یک راهنمای هوشمند که بازدیدکننده بتواند از او بپرسد: «غرفه شرکت X کجاست؟»، «برنامه امروز چیست؟»، «کدام نشست درباره کشاورزی برگزار میشود؟» و بلافاصله پاسخ بگیرد. نتیجه جالب بود: ساخت چنین سیستمی نهتنها ممکن است، بلکه پیچیدگی آن کمتر از چیزی است که بسیاری تصور میکنند.
این تجربه در نگاه اول یک پروژه فناوری به نظر میرسد، اما در واقع پیامی مهم برای آینده صنعت نمایشگاهی دارد. اگر کمی دقیقتر نگاه کنیم، چند درس مهم برای صنعت نمایشگاهی ایران در دل این تجربه پنهان است.
اولین درس این است که نوآوری لزوماً به پروژههای عظیم و پرهزینه نیاز ندارد. بسیاری از سازمانها تصور میکنند ورود به حوزههایی مانند هوش مصنوعی به زیرساختهای پیچیده و سرمایهگذاریهای سنگین نیاز دارد. در حالی که تجربه UFI نشان میدهد یک تیم کوچک نیز میتواند با استفاده از ابزارهای موجود، نمونهای عملی از یک راهکار هوشمند بسازد. گاهی یک «آزمایش کوچک» مهمتر از یک برنامه تحول دیجیتال چندساله است.
درس دوم به موضوع داده برمیگردد؛ همان ماده خامی که هوش مصنوعی بدون آن تقریباً بیفایده است. یک دستیار هوشمند زمانی میتواند به سؤالات پاسخ دهد که اطلاعات نمایشگاه بهصورت دقیق و ساختارمند در اختیارش قرار گیرد. اطلاعات غرفهداران، برنامه رویدادها، نقشه سالنها، خدمات بازدیدکنندگان و حتی مسیرهای دسترسی. این یعنی آینده نمایشگاهها تنها به توسعه سالنها وابسته نیست؛ بلکه به کیفیت دادههایی بستگی دارد که درباره رویدادها تولید و مدیریت میشود.
درس سوم به تجربه بازدیدکننده مربوط میشود. نمایشگاههای بزرگ معمولاً با یک مشکل کلاسیک روبهرو هستند: بازدیدکننده نمیداند از کجا شروع کند. حجم اطلاعات زیاد است، سالنها متعدد هستند و زمان محدود. یک دستیار هوشمند میتواند مانند یک راهنمای شخصی عمل کند؛ بازدیدکننده را به غرفه مورد نظر هدایت کند، رویدادهای مرتبط را پیشنهاد دهد و حتی مسیر بهینه بازدید را پیشنهاد کند. در واقع فناوری میتواند تجربه حضور در نمایشگاه را از یک تجربه سردرگمکننده به یک تجربه هدایتشده تبدیل کند.
چهارمین درس به تحول ابزارهای دیجیتال نمایشگاهها مربوط میشود. بسیاری از مراکز نمایشگاهی در سالهای اخیر اپلیکیشنهای موبایلی طراحی کردهاند، اما واقعیت این است که استفاده از این اپلیکیشنها اغلب محدود بوده است. دلیلش ساده است: کاربران علاقهای به جستجو در منوهای پیچیده ندارند. آنها ترجیح میدهند سؤال بپرسند و پاسخ بگیرند. دستیارهای مبتنی بر هوش مصنوعی دقیقاً همین الگو را ممکن میکنند؛ تعامل طبیعی به جای جستجوی سنتی.
اما شاید مهمترین نکتهای که این تجربه یادآوری میکند، تغییر ماهیت رقابت در صنعت نمایشگاهی است. در گذشته رقابت میان نمایشگاهها بیشتر بر سر متراژ سالنها، تعداد غرفهها یا وسعت فضا بود. اما در آینده احتمالاً بخشی از این رقابت به کیفیت خدمات دیجیتال منتقل خواهد شد؛ اینکه یک نمایشگاه تا چه اندازه میتواند اطلاعات را هوشمندانه مدیریت کند و تجربه بازدیدکننده را بهبود دهد.
برای صنعت نمایشگاهی ایران که در حال تلاش برای افزایش بهرهوری و ارتقای جایگاه منطقهای خود است، توجه به چنین روندهایی اهمیت زیادی دارد. شاید هنوز فاصلهای تا استفاده گسترده از دستیارهای هوشمند در نمایشگاههای کشور وجود داشته باشد، اما اولین گام میتواند بسیار ساده باشد: طراحی یک نمونه آزمایشی در یک رویداد مشخص و بررسی نتایج آن.
تاریخ فناوری پر از مثالهایی است که نشان میدهد ایدههای بزرگ اغلب از آزمایشهای کوچک آغاز شدهاند. گاهی یک پروژه ساده میتواند دریچهای به آیندهای باز کند که تا دیروز فقط در حد تصور بود. در صنعت نمایشگاهی نیز شاید زمان آن رسیده باشد که در کنار توسعه فضاهای فیزیکی، به ساخت «فضای هوشمند» نمایشگاهها نیز فکر کنیم؛ فضایی که در آن داده، فناوری و تعامل انسانی در کنار هم تجربهای تازه از نمایشگاه را شکل میدهند.
جهان نمایشگاهی آرامآرام در حال ورود به چنین مرحلهای است. سؤال این نیست که آیا این تحول رخ خواهد داد یا نه؛ سؤال این است که چه کسانی زودتر آن را آزمایش خواهند کرد.
شیرین شریفیان
رئیس اداره امور بین الملل و پژوهش
