دکتر مـیلاد یگانـه

توضیحات:

1. Bias Detection in Language Models

🕓 2015 – 2016 – University of Toronto

تحلیل بایاس فرهنگی در مدل Word2Vec با معیار WEAT و انتشار نتایج در ACL Workshop.

2. Fairness Audit for Hiring Algorithms

🕓 2016 – 2017 – IBM Research Zurich

ارزیابی Fairness در مدل‌های SVM استخدامی با ابزار AIF360 و مستندسازی شکاف فرصت < 5 %.

3. Explainable Admissions System

🕓 2017 – 2018 – Imperial College London

طراحی dashboard شفاف با LIME برای تصمیمات پذیرش تحصیلات تکمیلی.

4. Privacy‑Preserving Medical AI

🕓 2018 – 2019 – Mayo Clinic – USA

به‌کارگیری Differential Privacy در دادهٔ قلب بیماران؛ حفظ دقت 91 ٪ با پارامتر ε < 1.

5. Ethical Recommender Framework

🕓 2019 – 2020 – ETH Zürich

طراحی متریک Justice & Diversity در Recommender Systems به‌کاررفته در MovieLens.

6. Federated Learning for User Data Protection

🕓 2020 – 2021 – Google AI Research Berlin

پیاده‌سازی PySyft برای آموزش فدرال مدل CNN بدون اشتراک دادهٔ شخصی.

7. Global AI Ethics Monitoring Platform

🕓 2021 – 2022 – Stanford + Oxford Collab

طراحی سیستم وب پایش اخلاقی پروژه‌های AI و محاسبۀ شاخص Ethical Risk برای 300 پروژه در دنیا.

توضیحات:

۱. تحلیل سوگیری در مدل‌های زبانی

🕓 ۲۰۱۵ ◆ دانشگاه تورنتو (آنلاین)

تحلیل داده‌های متنی باز (Word2Vec و GloVe) و طراحی شاخص بی‌طرفی زبانی؛ انجام کامل به‌صورت دورکاری.

۲. جعبه‌ابزار ممیزی عدالت الگوریتمی

🕓 ۲۰۱۶ ◆ IBM Research زوریخ – همکاری مجازی

توسعه قابل‌سهم در کد باز AIF360 برای ارزیابی عدالت در مدل‌های استخدامی؛ هماهنگی تیم از راه دور.

۳. پروژه هوش مصنوعی قابل تبیین در پذیرش دانشجو

🕓 ۲۰۱۷ ◆ امپریال کالج لندن – Remote Collab

ساخت نمونه‌اولیۀ سیستم پذیرش با XGBoost و LIME از طریق دسترسی Git و داده‌های باز.

۴. حریم خصوصی در یادگیری ماشین پزشکی

🕓 ۲۰۱۸ ◆ Mayo Clinic (همکاری آنلاین)

آزمایش Differential Privacy با داده‌های شبه‌واقعی؛ بدون دسترسی به اطلاعات واقعی بیماران.

۵. چارچوب اخلاقی برای سیستم‌های توصیه‌گر

🕓 ۲۰۱۹ ◆ ETH زوریخ (پروژه غیرحضوری)

تحلیل عدالت و تنوع در توصیه‌گرهای فیلم با داده‌های IMDb و اجرای محاسبات در کلاد.

۶. یادگیری فدرال برای حفاظت از داده

🕓 ۲۰۲۰ ◆ Google AI Research برلین (Remote Pilot)

پیاده‌سازی فدرال CNN با PySyft؛ اعضای تیم در چهار کشور از راه دور همکاری کردند.

۷. پلتفرم پایش اخلاقی پروژه‌های AI

🕓 ۲۰۲۱ – ۲۰۲۲ ◆ همکاری استنفورد و آکسفورد (Distributed)

طراحی زیرساخت نظارتی ابری برای ارزیابی ریسک اخلاقی در ۳۰۰ پروژه؛ کل مدیریت از راه دور.

توضیحات:

طراحی و ساخت اولین و تنها سرویس هوش مصنوعی کاملاً بومی‌سازی‌شده و بدون هیچ بازوی API خارجی با نام:

دست راست من (نسخه اندروید)

و

دست راست من پلاس (نسخه وب)

یک دستیار هوشمند چندسطحی است که بر اساس نیاز و میزان مهارت کاربران، خدمات تخصصی متنوعی ارائه می‌دهد:

✅ سطح مبتدی:

آموزش مفاهیم پایه، ترجمه، خلاصه‌سازی، تولید محتوای کوتاه و راهنمایی گام‌به‌گام.

✅ سطح متوسط:

مدیریت پروژه‌های کوچک، نگارش ساختاریافته، ویرایش حرفه‌ای متون، کدنویسی و حل مسئله.

✅ سطح پیشرفته:

طراحی معماری سیستم‌ها، بهینه‌سازی الگوریتم‌ها، توسعه هوش مصنوعی پیشرفته و تحلیل داده.

✅ سطح حرفه‌ای:

معماری داده‌های کلان، امنیت سایبری، مشاوره استراتژیک و توسعه مدل‌های یادگیری ماشین.

✨ امکانات ویژه:

تطبیق لحن متناسب با کاربر، پشتیبانی چندزبانه، طراحی ابزارهای عملیاتی و ارائه مسیرهای یادگیری شخصی‌سازی‌شده.

توضیحات:

هوش مصنوعی مالی

بـرای اولـیـن بـار در ایـران

هوش مصنوعی مالی، یک پلتفرم هوشمند مالی و حسابرسی سامانه‌ای یکپارچه و هوشمند است که با هدف خودکارسازی، تحلیل پیشرفته و تصمیم‌سازی دقیق در حوزه‌های مالی، حسابداری و حسابرسی طراحی می‌شود. این پلتفرم با استفاده از الگوریتم‌های یادگیری ماشین، پردازش زبان طبیعی و تحلیل داده‌های کلان، قادر است داده‌های مالی را از منابع مختلف جمع‌آوری، پاک‌سازی و تحلیل کند و بینش‌های دقیق و قابل اتکا در اختیار کاربران قرار دهد.

از مهم‌ترین امکانات این پلتفرم می‌توان به ثبت و پردازش هوشمند اسناد مالی، تطبیق خودکار حساب‌ها، کشف تقلب و خطاهای مالی، تحلیل ریسک، پیش‌بینی جریان نقدی، بودجه‌بندی هوشمند و تهیه گزارش‌های مالی و حسابرسی مطابق با استانداردهای داخلی و بین‌المللی اشاره کرد. همچنین داشبوردهای تعاملی، گزارش‌گیری لحظه‌ای، هشدارهای هوشمند، امکان اتصال به نرم‌افزارهای مالی موجود و شخصی‌سازی بر اساس نقش کاربر (مدیر، حسابدار، حسابرس) از دیگر قابلیت‌های کلیدی آن است.

در فرآیند طراحی و توسعه، تمرکز بر امنیت داده‌ها، مقیاس‌پذیری، دقت الگوریتم‌ها و تجربه کاربری ساده و قابل فهم قرار دارد تا این پلتفرم بتواند نیازهای سازمان‌ها، شرکت‌ها و حتی کاربران فردی را به‌صورت جامع و کارآمد پوشش دهد.

توضیحات: جهت استعلام نام لاتین پروژه مورد نظر را به همراه کد پرسنلی میلاد یگانه: 67771MYC برای گوگل: Google@teachers.com ارسال کنید.

توضیحات: جهت استعلام نام سایت مورد نظر را به همراه کد پرسنلی میلاد یگانه: 67771MYC برای گوگل: Google@teachers.com ارسال کنید.