چرا Over fitting باعث می‌شود مدل‌های آماده هوش مصنوعی گوگل و آمازون مناسب نباشند؟

درحالی که بسیاری از کشورها از هوش مصنوعی استفاده می‌کنند و بیشتر از موضوعات دیگر به آن می‌پردازند یا به فکر گسترش این تکنولوژی هستند اما در ایران هنوز این موضوع به خوبی درک نشده است. در کشور برخی‌ها فکر می‌کنند هوش مصنوعی قرار است همه کارهای ما را انجام بدهد ولی برخی‌ها فکر می‌کنند هوش مصنوعی چیزی نیست و اگر خطایی ببینند بیشتر به اینکه هوش مصنوعی به درد نمی‌خورد رأی می‌دهند.

به گزارش راه پرداخت، بحث هوش مصنوعی و اخیرا اینکه چرا Over fitting باعث می‌شود مدل‌های آماده هوش مصنوعی گوگل و آمازون مناسب نباشند باعث شد تا با محمد اکبری، مدیر دپارتمان هوش مصنوعی یوآیدی در این خصوص گفت‌وگویی داشته باشیم. به عقیده او در مورد شرکت‌های گوگل و آمازون که چرا تشخیص چهره دارند ولی برای توسعه خوب نیستند باید از زاویه دیگری نگاه کنیم. شرکت‌هایی مثل گوگل، آمازون و بایدو مسئله یادگیری ماشین را حل نکرده‌اند. این‌ها پلتفرمی را ارائه دادند که ما بتوانیم به صورت عمومی از این پلتفرم‌ها استفاده کنیم.

در ادامه اکبری از تجربه خود در خارج از کشور و در مورد مورد فرآیند فنی احراز هویت در سرویس و فیچرها و محصولاتی که یوآیدی دارد صحبت می‎کند.

برای شروع، لطفاً یک معرفی از خودتان بفرمایید.

من محمد اکبری متولد شهرستان بیرجند در خراسان جنوبی هستم و در حال حاضر به عنوان عضو هیئت علمی دانشگاه صنعتی امیرکبیر و مدیر دپارتمان هوش مصنوعی یوآیدی، می‌کنم. مقطع ابتدایی را در یکی از شهرستان‌های بیرجند به اتمام رساندم. در دوران دبیرستان 4 سال برنامه‌نویسی کار کرده بودیم و این باعث شد توانایی خودم را در برنامه‌نویسی کامپیوتر کشف کنم که باعث علاقه مضاعف من به رشته کامپیوتر شد. در مقطع کارشناسی، ورودی سال 77 رشته نرم افزار کامپیوتر در دانشگاه تربیت معلم تهران بودم و در سال 82 در مقطع کارشناسی ارشد دانشگاه صنعتی امیرکبیر در رشته علوم کامپیوتر قبول شدم. دانشکده کامپیوتر دانشگاه صنعتی امیرکبیر بیشتر در حوزه علوم کامپیوتر فعالیت می‌کرد و به تئوری علوم کامپیوتر ارزش زیادی قائل بودند. به همین دلیل کسانی که از آن دانشکده فارغ‌التحصیل می‌شدند در مباحث تئوری توانایی بالایی داشتند. بعد از فارغ‌التحصیلی به عنوان هیئت علمی دانشگاه آزاد شروع به کار کردم.

چگونه شد که تحصیلات خود را در خارج از کشور ادامه دادید؟ و به جز تحصیل، چه فعالیت‌های دیگری داشتید؟

در سال 89 از طریق دانشگاه با یکی از اساتید دانشگاه ملی سنگاپور آشنا شدم و به دعوت ایشان برای کار بر روی پروژه‌ای تحقیقاتی به مدت 6 ماه به سنگاپور رفتم.‌ در حین کار، به من در مورد بورس رقابتی دانشگاه ملی سنگاپور برای مقطع دکترا پیشنهاد شد. موقعیت‌های دیگری هم برای ادامه تحصیل برای من وجود داشت. اما با توجه به شرایط خودم و کارم، تصمیم گرفتم مدارک خود را در روزهای پایانی مهلت ارائه مدارک، به این دانشگاه ارسال کنم. بعد از اتمام کارم که به مدت 6 ماه طول کشید، به ایران برگشتم. حدود یک ماه از برگشت من گذشته بود که در اردیبهشت سال 90 از دو دانشگاه معتبر سنگاپور به من پیشنهاد بورس Phd شد و من نهایتاً دانشگاه ملی سنگاپور را برای گذراندن دکترا انتخاب کردم. تحقیقاتم در آن دانشگاه در زمینه Bio Informatic و در حوزه پزشکی بود و در یک دانشکده بین رشته‌ای و در حوزه Health Informatic فعالیت داشتم.

در دانشکده بین رشته‌ای معمولاً دانشجوها در دو دانشکده تحصیل می‌کنند. ساختار دانشکده‌های بین رشته‌ای به گونه‌ایست که یک دانشکده به اسم دانشکده بین رشته‌ای دارند و شما استاد راهنمای خودتان را از بین اساتید هردو دانشکده انتخاب می‌کنید. استاد راهنمای اول من از دانشکده علوم کامپیوتر بود و همانجا هم شروع به کار کردم. کار ما در طی این 4 سال در حوزه دیابت، شبکه‌های اجتماعی و کمک به بیماران دیابتی و به‌طور کلی بیماری‌های مزمن به منظور مدیریت بیماری خود از طریق تغییر سبک زندگی بیماران بود. کارهای زیادی در حوزه بینایی تابش و پردازش زبان طیفی انجام دادیم. به دلیل اینکه ورودی‌های زیادی از تصاویر در حوزه پزشکی و غیرپزشکی دریافت می‌کردیم. در سال 95 هنوز در حال دفاع از Phd بودم که از دانشگاه نیویورک برای پسا دکترا پذیرش گرفتم.

خوب سال 2017 سال خاصی بود. به دلیل اهمیت پروژه به سرعت در دانشگاه مشغول به کار شدم. چون به من از NYU به عنوان محقق غیرمقیم، ID و کارت و دسترسی دادند، چند ماه نیز به عنوان مدیر Data Scientist در شرکت SAP کار کردم. در طول این زمان از طریق پروژه‌های مشترک SAP با شرکت‌های Nvidia و google هم همکاری داشتم. در سال 2017 از یکی از گروه‌های تحقیقاتی دانشگاه UCL هم پذیرش گرفتم. ناگفته نماند که در سنگاپور با مرکز S.G Innovate که یک شتاب‌دهنده دولتی بود به عنوان کارآفرین کار می‌کردم و در لندن نیز با یک استارت‌آپ به نام Scout در حوزه Web Search و User Profiling کار می‌کردیم. بعد از اتمام تحقیقات، مراحل استخدامی من از دانشگاه امیرکبیر تکمیل شد.

با توجه به اینکه در سنگاپور و انگلیس تجربه‌های کاری متفاوتی داشتید و با شرکت‌های مختلفی همکاری داشتید تفاوت کار در این شرکت‌ها و کشورها با ایران را چطور می‌بینید؟

شرکت SAP یکی از بزرگترین شرکت‌های حوزه اتوماسیون اداری در دنیا است. از این جهت که یک شرکت چند ملیتی است. به همین خاطر هر تیم از شرکت در جایی از دنیا مستقر بود. ما روزانه تقریباً با 4 تیم همکاری داشتیم. یکی از آنها در هندوستان بود. یکی در چین، دیگری در آلمان و دیگری در آمریکا بود. برای همین شرکت سعی می‌کرد تیم‌های کوچیک داشته باشد. تیم‌ها حداکثر 10 نفری بودند و هر تیم شامل همه نوع تخصص‌هایی بود. مثل مدیر پروژه، برنامه‌نویس و دانشمند مفهوم داده و یادگیری ماشین. مرکز چین بیشتر در حوزه تجاری‌سازی کار می‌کرد. به همین خاطر بیشتر تیم‌های مستقر در چین بیشتر در زمینه تجاری متمرکز بودند. تیم‌های مستقر در سنگاپور و آمریکا نقش فرماندهی Data Machine Learning بودند و اسم تیم ما مرکز شبکه نوآوری بود. تیم سنگاپور یکی از بزرگترین تیم‌های یادگیری ماشین (Machine Learning) بود که اعضا و کارمندانش بیشتر از 1000 نفر بود. کار تیم ما فقط در حوزه یادگیری ماشین بود و تعداد افراد آن حدود 120 نفر بود. همه ما Data Scientist و برنامه‌نویس بودیم.

معمولاً در خارج از کشور مهمترین مسئله همکاری تیمی است یعنی در شرکت‌های بزرگ اگر نتوانید در فرآیندهای تیمی مخلوط شوید کار برای شما خیلی سخت می‌شود و این مسئله خصوصاً در شرکت‌های چند ملیتی پررنگ‌تر است و شما حتی ممکن است مدیرتان را نبینید و کسانی که با آنها کار می‌کنید شاید جای دیگری از دنیا باشند.

آنجا معمولاً یک جلسه هفتگی با مدیر مرکز داشتیم و ماهیت جلسه‌ی باز داشت. یعنی شما هر ایده نوآورانه‌ای که داشتید می‌توانستید آنجا مطرح کنید و اکثراً از آنها حمایت می‌کردند. به خصوص در سال‌های اخیر بحث نوآوری برای آنها مهم شده بود. اگر کارمند و برنامه‌نویس ساده ایده‌ای داشت می‌توانست خیلی راحت با مدیر ارتباط برقرار کند و مطرح کند. به نظر من این امر خیلی برای آنها مهم بود و باعث موفقیت آن‌ها شده بود. به طوری که دو استارت‌آپ‌ آن‌ها از کارمندان شروع شده بود. آن‌ها به شما به عنوان کارمند حقوق می‌دادند که روی ایده خودتان کار کنید و اگر استارت‌آپ موفق می‌شد سهامی از آن را به شما اختصاص می‌دادند.

در مورد شتاب‌دهنده‌هایی که در سنگاپور و انگلیس هستند که به آن‌ها هم اشاره کردید، توضیح مختصری بدهید.

شتاب‌دهنده‌ای که در سنگاپور بود S.G innovate بود. این شرکت از سال 2018 یک برنامه‌ریزی 20 ساله انجام داده و دولت سنگاپور هم تمایل دارد در حوزه هوش مصنوعی به عنوان پیشتاز مطرح شود و به خاطر همین از این استارت‌آپ‌ها حمایت می‌کند. از برنامه‌هایی که این مرکز داشت این بود که اگر شما با مدرک دکتری فارغ التحصیل می‌شدید و اگر ایده‌ای داشتید 100 هزار دلار سرمایه در اختیارتان می‌گذاشتند تا بتوانید روی ایده خودتان کار کنید و بعد در پیدا کردن سرمایه‌گذار به شما کمک می‌کردند. برای این که این شرکت‌ها موفق شوند معمولاً به Data Scientist نیاز داشتند. از چند شرکت مختلف برای مشاوره به آنهایی که نیاز به Data Scientist داشتند دعوت کرده بودند که به آنها مشاوره بدهند. از شرکت Sap هم دعوت کرده بودند و دو نفر از این شرکت، من و یکی از همکارانم به این استارت‌آپ‌ها کمک می‌کردیم.

گرنتی که من در انگلستان گرفته بودم نیز زیر مجموعه مستقیم U.K Innovate بود که یک مجموعه دولتی است که به استارت‌آپ‌ها بودجه پژوهشی می‌دهد. (گرنت پژوهشی، بودجه‌ای است که برای انجام طرح‌های پژوهشی در اختیار افراد یا گروه‌ها قرار می‌گیرد). چون من گرنت را از طرف دانشگاه گرفته بودم، مدیر پروژه بودم و در واقع ناظر استارت‌آپ‌ها از طرف دانشگاه بودم. به این شکل که استارت‌آپ‌ها توسط دو تن از فارغ التحصیلان دانشگاه شروع شده بود و بعد از جدا شدن از دانشگاه، نیم میلیون پوند بودجه داده بودند و من تقریباً به مدت یک سال و دو ماه به عنوان ناظر و مشاور علمی به آنها کمک می‌کردم.

در مورد یوآیدی صحبت کنیم. بعد آمدید ایران و امیرکبیر و بعد یوآیدی. با توجه به اینکه شما کارهای بزرگی کرده بودید حس شما در یوآیدی چه بود؟

قبل از ورود به مبحث یوآیدی، من یک تفاوت بزرگ بین فضای استارت‌آپی ایران و کشورهای دیگر به خصوص کشورهایی که در آنها تجربه کار دارم، دیدم که تمایل دارم بیان کنم. ببینید استارت‌آپ یک اکوسیستم است و شما نمی‌توانید بگویید من یک مقدار مشخصی هزینه صرف می‌کنم و استارت‌آپ موفق می‌شود. چنین چیزی اصلاً وجود ندارد. استارت‌آپ یک اکوسیستم است که از شرکت‌ها، سرمایه‌گذاران و دولت و مشتریان تشکیل شده است. مثلاً در بحث دولت انگلستان، اگر سرمایه‌گذار در اوایل سال در استارت‌آپی سرمایه گذاری کند یک سال معافیت مالیاتی دریافت می‌کند. نقش دولت در این دو کشور به صورتی بود که شرکت‌ها و استارت‌آپ‌ها و سرمایه گذاران را در یک رویدادی دور هم جمع می‌کرد و برای انگیزه دادن به دو طرف، امتیازاتی به هر دو طرف می‌داد ولی چنین چیزی در ایران به صورت منظم و سیستماتیک وجود ندارد و نمی‌توان انتظار داشت استارت‌آپ‌ها به این شکل موفق شود.

مورد دوم اینکه در کشورهایی که بودم اگر یک دانشجوی دکترا یا هر شخص دیگری یک ایده خلاقانه داشته باشد می‌تواند به راحتی جذب سرمایه کند و ایده را پیاده‌سازی کند. اما در ایران شرکت‌هایی هستند که نه توانایی خلاقیت دارند نه به دیگران اجازه می‌دهند که خلاقیت داشته باشند. اگر در کشورهای دیگر استارت‌آپ به یک مرحله قابل قبولی برسد می‌تواند ایده خود را به فروش برساند. در ایران متداول نیست که استارت‌آپ‌ها خریده شوند و باید خودشان بزرگ شوند و ثبات پیدا کنند.

یوآیدی برای من خیلی تجربه خاصی بود. از این جهت که یوآیدی تیم کوچکی بود و ما در این دو سال مثل همه استارت‌آپ‌ها خیلی از راه‌ها را امتحان کردیم و شکست خوردیم و مأیوس نشدیم. این چیزی بود که من در کشورهای دیگر نیز دیده بودم. چیزی که باعث شد یوآیدی موفق شود این بود که در هر جایی که شکست می‌خورد یک راهی پیدا می‌کرد و آن مشکل را حل می‌کرد و مهم نبود که این شکست در مارکتینگ بود یا فنی. دومین ویژگی، تیم کوچیک بود. تیم کوچک و چابک یوآیدی کمک می‌کند که هم در فنی و هم در مارکتیگ موفق شود. این باعث می‌شود که ایده‌ها سریع به مدیران برسد و باعث ایجاد خلاقیت شود.

کمی در مورد فرآیند فنی احراز هویت در سرویس یوآیدی صحبت کنیم. در مورد فیچرها و محصولاتی که یوآیدی دارد صحبت کنیم.

ما در یوآیدی از لبه تکنولوژی دنیا استفاده کردیم. احراز هویت دیجیتال و بحث بیومتریک و امنیت به خودی خود، یک مبحث بسیار پیچیده است و متخصصین در باجه‌های لب مرز باید تشخیص دهند که فلان سند یا شخص جعلی یا واقعی است.

ما در یوآیدی کار خود را با برداشتن قدم‌های کوچک شروع کردیم تا بتوانیم یک نمونه اولیه خیلی معقول تهیه کنیم. بنابراین ما از یادگیری ژرف و مجموعه داده‌ای که شرکت جمع‌آوری کرده بود استفاده کردیم تا بتوانیم به محصول و مدل اولیه‌ای که نیازهای اساسی کاربران را پوشش دهد برسیم. در مرحله بعد، از تکنیک‌های پیشرفته‌تر استفاده کردیم. مانند اینکه تشخیص دهیم عمق ویدیویی که برای ما ارسال می‌شود چقدر است. به این معنی که ویدیویی که برای ما ارسال می‌شود یک ویدیوی واقعی با عمق واقعی است یا ویدیویی از روی صفحه نمایش است که بازپخش می‌شود.

این فرآیند به ما کمک کرد که دید بهتری داشته باشیم و مدل اولیه را که مبتنی بر یادگیری ژرف بود را بازبینی کنیم. این فرایند در یوآیدی به صورت یک چرخه انجام می‌شود. ما یک مشکل از سیستم را پیدا می‌کنیم و دوباره بازطراحی می‌کنیم تا بتوانیم چالش را حل کنیم. کنولوژی‌هایی که در یوآیدی استفاده می‌شوند عبارتند از: یادگیری ژرف، مدل‌سازی سه بعدی، تشخیص چهره. همچنین زیرساخت سرویس ما مبتنی بر تکنولوژی روز دنیا مثل تنسور فلوی گوگل و GPU های Nvidia است.

مدل‌های زیادی در گیت هاب و گوگل وجود دارند که برای احراز هویت نیز می‌شود از آن استفاده کرد و آماده هستند. چه فرقی بین این مدل‌ها و مدل‌هایی که خودتان توسعه دادید وجود دارد؟ مگر الگوریتم‌های گوگل بهتر از همه نیست؟ چرا یوآیدی از این راهکارها استفاده نکرده است؟

وقتی در مورد یادگیری ماشین صحبت می‌کنیم دو بخش وجود دارند که معمولاً همدیگر را تکمیل می‌کنند. یکی الگوریتم‌ها و دیگری داده. مدل‌های آماده‌ای که در این پلتفرم‌ها وجود دارند معمولاً با داده‌های محدود و کاملاً غیرواقعی Train شده‌اند. بنابراین شما می‌توانید دقت الگوریتم تشخیص چهره آن‌ها را روی داده‌های خود آنها 99.9 درصد بگیرید. این مقدار عدد بالایی است ولی سؤال اینجاست که آیا این الگوریتم‌ها در سیستم واقعی خوب عمل می‌کنند؟ به عنوان مثال در فرآیند احراز هویت با ماسک می‌توانیم از زمان شروع کرونا مدل‌های زیادی را پیدا کنیم که یک برنامه‌نویس ساده بتواند در 24 تا 48 ساعت توسعه داده باشد. اما اگر این مدل‌ها را در محیط عملیاتی و واقعی استفاده کنیم عملاً خطاهای این سیستم که با عدد 99 دردصد که خودشان گزارش کردند تفاوت فاحشی خواهد داشت.

در هوش مصنوعی اصطلاحی داریم که به آن over fitting می‌گویند. یعنی مدل‌های آنها بر روی دادهایی که خودشان دارند عمل می‌کند. به بیان ساده می‌توانیم بگوییم که مدل، یک مجموعه داده را حفظ کرده و توانایی استنتاج ندارد. مثال ساده این است که شما یک آلبوم عکس بگیرید و این عکس‌ها تصاویری از صندلی‌های بوجود در بازار است. اگر صندلی با دیزاین جدیدی بیاید و با آن آلبوم عکس مقایسه شود، آن مدل این صندلی را تشخیص نمی‌دهد. این مشکل منابع موجود در گیت‌هاب است.

در مورد شرکت‌های گوگل و آمازون که چرا تشخیص چهره دارند ولی برای توسعه خوب نیستند از زاویه دیگری نگاه کنیم. شرکت‌هایی مثل گوگل، آمازون و بایدو مسئله یادگیری ماشین را حل نکرده‌اند. این‌ها پلتفرمی را ارائه دادند که ما بتوانیم به صورت عمومی از این پلتفرم‌ها استفاده کنیم. مثال خیلی ساده این است که ما می‌توانیم یک خودرو طراحی کنیم که مجموعه‌ای از ویژگی‌های کوچک را داشته باشد یا خودرویی که کارهای روتین و متداول را انجام بدهد ولی به درد حمل بار نمی‌خورد. وقتی که از مدل‌های گوگل و آمازون استفاده می‌کنیم یک مدل عمومی داریم. ممکن است از این مدل برای تشخیص اجسام، برای تشخیص چهره و صدا استفاده کنیم. این برای همه خوب است ولی برای همه بهترین نیست.

با توجه به وضعیتی که می‌بینید در ایران آینده شرکت‌های هوش مصنوعی در ایران را چطور می‌بینید؟ با توجه به تجربه‌تان در یوآیدی، آیا این مدل Learning By Doing در کشوری مثل ایران نیز جواب می‌دهد؟

به نظر من، هنوز هوش مصنوعی در ایران درک نشده است. یکی از مشکلاتش این است که معمولاً خیلی از گروه‌هایی که در این حوزه فعالیت دارند و در این حوزه کارشناس هستند دو طرف طیف را در نظر می‌گیرند. برخی‌ها فکر می‌کنند هوش مصنوعی قرار است همه کارهای ما را انجام بدهد ولی برخی‌ها فکر می‌کنند هوش مصنوعی چیزی نیست و اگر ببینند خطایی ببینند بیشتر به اینکه هوش مصنوعی به درد نمی‌خورد رأی می‌دهند.

این رویکرد خطرناکی است، به دلیل اینکه برمبنای تجربه‌های نرم‌افزاری است. در سال‌های گذشته تولید نرم‌افزار در کشور خیلی خوب بوده و اکنون همین رویکرد را به حوزه هوش مصنوعی گسترش داده‌ایم. بدون اینکه درکی از تولید نرم‌افزارهای هوش مصنوعی داشته باشیم و این رویکردی مضر، هم برای استارت‌آپ‌ها و هم به طور کلی برای فضای پیشرفت صنعت هوش مصنوعی در ایران است. الان خیلی از کشورهای صنعتی دنیا تنها بر روی صنایع پایه مانند نفت و پتروشیمی، خودروسازی و … سرمایه‌گذاری نمی‌کنند. بلکه تمرکز خود را در حوزه هوش منصوعی گذاشته‌اند. برای مثال سنگاپور، انگستان و حتی استونی به طور گسترده بر روی هوش مصنوعی سرمایه گذاری‌های زیادی انجام می‌دهند.

اما روی مثبت بحث هوش مصنوعی در ایران فارغ التحصیلان دانشگاه‌ها هستند. در این حوزه ما با کسانی در ارتباط هستیم که خیلی نوآورانه مسائل روز صنعت کشور را بررسی می‌کنند و ابزارها و محصولات هوش مصنوعی را برای این صنعت تولید می‌کنند. اگر بتوانیم از این جوانان، استارت‌آپ و ایده‌پردازان آنها برای طی سریع این مسیر استفاده کنیم موفق خواهیم بود.

به نظر من هوش مصنوعی در دنیا مانند یک قطار است که شروع به حرکت کرده و اگر شما الان سوار این قطار شوید قطعاً به همراه آن حرکت رو به جلویی خواهید داشت اما اگر قرار باشد که بایستیم و صبر کنیم و چند سال دیگر اقدام کنیم در این مسیر، بیشتر دنباله‌رو دیگران خواهیم بود.

شرکت‌هایی که از مدل‌های آماده استفاده می‌کنند به فضای احراز هویت دیجیتال ضرر نمی‌زنند؟

در ایران پتانسیل بالقوه فراوانی در حوزه هوش مصنوعی داریم. به ویژه دانشجویان و فارغ‌التحصیلان دانشگاه ما اگر به‌خوبی هدایت شوند می‌توانیم این حوزه را به یکی از صنعت‌های پیشگام در ایران و دنیا تبدیل کنیم. اما این نیروهای بالقوه نیازمند اکوسیستمی مناسب برای شکوفایی هستند در حال حاضر این نیروها تمایل دارند در مدت بسیار کوتاهی یک اپلیکیشن هوش مصنوعی توسعه بدهند. بنابراین راهکاری که ارائه می‌دهند از کدهای آماده اما نامناسب استفاده می‌کنند و سپس به مشتری سرویس ارائه می‌دهند دو مشکل در این میان وجود دارد:

• اول اینکه وقتی این سرویس و اپلیکیشن به بازار ارائه می‌شود و کاربران از آن‌ها استفاده می‌کنند در بسیاری از موارد آن کیفیت مناسب را ارائه نمی‌کنند. این رویکرد باعث نارضایتی در میان مشتریان و کاربران می‌شود که عملاً دید منفی را نسبت به این حوزه ایجاد می‌کند. این دید منفی می‌تواند عامل بازدارنده‌ای برای صنعت هوش مصنوعی باشد.

• اشکال دوم این است که اگر بازاری داشته باشیم که بسیاری از سرویس‌ها و اپلیکیشن‌ها جعلی و ناکارآمد باشند و راهکاری که شما ارائه می‌دهید واقعی و کارآمد داشته باشید اما هیچ معیاری برای تشخیص سیستم جعلی واقعی وجود نداشته باشد عملاً نوعی سردرگمی در این حوزه ایجاد می‌شود که می‌تواند باعث شکست راهکارهای مفید و سودمند نیز شود.

راهکار برون‌رفت از این فضا ارتباط قوی بین صنعت و دانشگاه است. همانطور که در سیلیکون ولی صنعت و دانشگاه و کارآفرین همگام و همزمان باعث پیشرفت تکنولوژی‌ها و فضای استارت‌آپی شده است ما نیز نیازمندیم این عوامل را در کنار هم قرار دهیم و سپس این اکوسیستم به خودی‌خود رشد خواهد کرد.