چگونه با پیاده سازی هوش مصنوعی به ارزش واقعی کسب و کار برسیم

از پروژه های نمایشی تا سود واقعی؛ نقشه راه اجرای هوش مصنوعی در کسب وکار

این روزها همه درباره پیاده سازی هوش مصنوعی حرف می زنند، اما داشتن چند ابزار هوشمند لزوما به معنی رسیدن به ارزش واقعی کسب وکار نیست. برای افزایش بهره وری، بهبود تجربه مشتری و دستیابی به بازگشت سرمایه هوش مصنوعی باید فناوری را به مسئله ای واقعی وصل کرد. اگر هوش مصنوعی فقط بخشی از ویترین تحول دیجیتال باشد، احتمالا هزینه می تراشد، ولی نتیجه ای که مدیران انتظار دارند تحویل نمی دهد.

ماجرا از جایی جدی می شود که سازمان بداند دقیقا دنبال چه تغییری است. کاهش زمان پاسخ گویی؟ پیش بینی بهتر تقاضا؟ کم کردن خطای انسانی؟ یا آزادکردن وقت کارکنان از کارهای تکراری؟ وقتی هدف مبهم باشد، خروجی هم چیزی جز چند گزارش جذاب، یک نسخه آزمایشی و کلی وعده قشنگ نخواهد بود.

مطالعه مقاله قبلی در دسته بندی کامپوتر با عنوان چگونه با سئو و تبلیغات پولی در نتایج هوش مصنوعی دیده شویم.

استفاده از هوش مصنوعی با ارزش آفرینی فرق دارد

راه اندازی یک چت بات، خرید اشتراک ابزارهای مولد یا اضافه کردن دستیار هوشمند به نرم افزارهای شرکت، به تنهایی موفقیت محسوب نمی شود. این ها فقط نشانه استفاده از فناوری اند. موفقیت واقعی وقتی اتفاق می افتد که نتیجه در درآمد، هزینه، سرعت انجام کار یا رضایت مشتری دیده شود.

خیلی از پروژه ها در همان مرحله آزمایشی گیر می کنند. تیم فناوری یک نمونه جذاب می سازد، مدیران در جلسه آن را تحسین می کنند و همه امیدوارند اتفاق بزرگی در راه باشد. چند ماه بعد، ابزار هنوز وارد کار روزانه نشده و کسی هم نمی داند باید با آن چه کند. این همان فاصله معروف میان آزمایش و نتیجه است.

برای بستن این فاصله، باید از سؤال «کجا می توانیم از هوش مصنوعی استفاده کنیم؟» عبور کرد و پرسید «کدام مشکل ارزش حل کردن دارد؟». این تغییر کوچک در ظاهر، مسیر تصمیم گیری را کاملا عوض می کند. حالا فناوری دیگر نقطه شروع نیست؛ نیاز کسب وکار نقطه شروع است.

هر کاربرد پیشنهادی باید یک معیار روشن داشته باشد. مثلا اگر سامانه هوشمند قرار است درخواست های پشتیبانی را دسته بندی کند، باید مشخص شود زمان رسیدگی چقدر کاهش پیدا می کند. اگر قرار است فروش را پیش بینی کند، باید دقت پیش بینی و اثر آن بر موجودی کالا اندازه گیری شود. بدون عدد، حرف زدن از ارزش واقعی کسب وکار بیشتر شبیه حدس است.

از مسئله مهم شروع کنید، نه از ابزار هیجان انگیز

مدل های تازه هر روز می آیند و قابلیت هایشان هم حسابی وسوسه کننده است. بااین حال، انتخاب مدل قبل از شناخت مسئله مثل خریدن کلید قبل از دیدن قفل است. شاید کلید خیلی براق باشد، اما معلوم نیست چیزی را باز کند.

یک نقطه شروع خوب، پیدا کردن فرایندهایی است که کند، پرهزینه، تکراری یا مستعد خطا هستند. کارهایی مثل بررسی اسناد، پاسخ به پرسش های پرتکرار، تحلیل بازخورد مشتریان، پیش بینی خرابی تجهیزات و تهیه پیش نویس گزارش ها معمولا ظرفیت خوبی برای هوشمندسازی دارند.

البته هر فرایند خسته کننده ای گزینه مناسبی نیست. باید حجم کار، کیفیت داده، میزان ریسک و اثر مالی آن را هم در نظر گرفت. گاهی خودکارسازی یک کار کوچک که روزانه هزاران بار تکرار می شود، بیشتر از ساختن یک سامانه پیچیده و پرزرق وبرق سود دارد.

تیم های موفق معمولا کاربردها را براساس دو عامل اولویت بندی می کنند: ارزش احتمالی و امکان اجرا. پروژه ای که ارزش بالایی دارد ولی داده یا زیرساخت لازم برایش آماده نیست، شاید فعلا انتخاب خوبی نباشد. از آن طرف، اجرای یک پروژه آسان اما بی اثر هم فقط وقت تیم را می گیرد.

این نگاه باعث می شود پیاده سازی هوش مصنوعی از یک مسابقه نمایشی به تصمیمی اقتصادی تبدیل شود. قرار نیست هر ایده ای اجرا شود. گاهی گفتن «نه» به یک پروژه کم ارزش، بهترین تصمیم برای محافظت از بودجه و تمرکز سازمان است.

داده، فرایند و زیرساخت را دست کم نگیرید

هوش مصنوعی بدون داده مناسب، بیشتر از آنکه کمک کند دردسر می سازد. اگر اطلاعات ناقص، قدیمی، پراکنده یا دارای سوگیری باشد، خروجی هوشمند هم قابل اعتماد نخواهد بود. هیچ مدل قدرتمندی نمی تواند آشفتگی داده های یک سازمان را با جادو ناپدید کند.

قبل از شروع پروژه باید معلوم باشد داده ها کجا قرار دارند، چه کسی مالک آن هاست و با چه مجوزی می توان از آن ها استفاده کرد. کیفیت، امنیت، حریم خصوصی و دسترسی به داده ها موضوعات فرعی نیستند؛ این ها پایه های اصلی پروژه اند.

اما داده تنها بخش ماجرا نیست. گاهی مشکل اصلی در خود فرایند قرار دارد. اگر یک کار از ابتدا پیچیده، نامنظم و پر از مرحله های غیرضروری باشد، هوشمندسازی آن فقط همان بی نظمی را سریع تر می کند. اول باید فرایند را ساده کرد و بعد سراغ اتوماسیون رفت.

زیرساخت فنی هم باید متناسب با نیاز انتخاب شود. همه سازمان ها به ساخت مدل اختصاصی یا خرید گران ترین تجهیزات احتیاج ندارند. در بسیاری از موارد، ترکیب یک مدل آماده با داده های داخلی و کنترل های امنیتی کافی است. مهم این است که راهکار بتواند با سامانه های فعلی ارتباط برقرار کند و در صورت افزایش استفاده، از نفس نیفتد.

این مرحله شاید به اندازه نمایش یک ابزار مولد هیجان انگیز نباشد، اما بیشترین اثر را بر بازگشت سرمایه هوش مصنوعی دارد. پروژه ای که از ابتدا روی پایه سست ساخته شود، دیر یا زود هزینه نگهداری، خطا و اصلاحاتش بالا می رود.

فناوری باید وارد جریان واقعی کار شود

کارکنان قرار نیست برای استفاده از یک ابزار تازه، هر بار چند سامانه را باز کنند، اطلاعات را دستی جابه جا کنند و در آخر خروجی را دوباره اصلاح کنند. اگر تجربه استفاده سخت باشد، حتی بهترین راهکار هم گوشه ای خاک می خورد.

هوش مصنوعی باید در همان محیطی قرار بگیرد که کار در آن انجام می شود. برای تیم فروش، یعنی حضور در نرم افزار ارتباط با مشتری. برای پشتیبانی، یعنی اتصال به سامانه ثبت درخواست. برای تیم مالی هم یعنی دسترسی کنترل شده به اسناد و فرایندهای تأیید.

اینجا طراحی تجربه کاربر اهمیت زیادی دارد. خروجی باید قابل فهم باشد، منبع یا دلیل پیشنهاد را تا حد ممکن نشان دهد و به کاربر اجازه اصلاح بدهد. یک پاسخ سریع اما مبهم، اعتماد ایجاد نمی کند. آدم ها باید بدانند چه زمانی می توانند به نتیجه تکیه کنند و چه زمانی بررسی انسانی لازم است.

بهتر است هوش مصنوعی را همکار کارکنان ببینیم، نه جانشین فوری آن ها. این فناوری می تواند اطلاعات را جمع کند، گزینه پیشنهاد دهد یا پیش نویس بسازد؛ اما تصمیم های حساس همچنان به تجربه، قضاوت و مسئولیت پذیری انسان نیاز دارند.

این رویکرد مقاومت داخلی را هم کمتر می کند. وقتی کارکنان احساس کنند ابزار جدید قرار است کارهای فرسایشی را کم کند، همکاری بیشتری نشان می دهند. ولی اگر پروژه با پیام مبهم حذف شغل معرفی شود، طبیعی است که ترس، بی اعتمادی و حتی مقاومت پنهان شکل بگیرد.

آموزش نیز نباید به یک جلسه کوتاه معرفی محصول محدود شود. افراد باید با کاربرد درست، محدودیت ها، خطر افشای اطلاعات و روش بررسی خروجی آشنا شوند. تحول دیجیتال بدون تغییر مهارت ها و عادت های کاری، فقط تعویض چند نرم افزار است.

حاکمیت هوش مصنوعی را برای روز مبادا نگذارید

وقتی یک آزمایش کوچک به ابزار مورد استفاده صدها کارمند تبدیل می شود، ریسک ها هم بزرگ تر می شوند. ممکن است اطلاعات محرمانه وارد مدل شود، پاسخ نادرست به مشتری برسد یا تصمیمی گرفته شود که توضیح دادنش سخت باشد. بنابراین قوانین باید پیش از بروز بحران مشخص شوند.

حاکمیت خوب به معنی ساختن کوهی از فرم و امضا نیست. هدف این است که نقش ها روشن باشند: چه کسی پروژه را تأیید می کند؟ چه کسی مسئول کیفیت داده است؟ خروجی ها چگونه کنترل می شوند؟ اگر مدل اشتباه کرد، چه کسی پاسخ گو خواهد بود؟

سطح کنترل باید با میزان خطر هماهنگ باشد. ابزاری که برای خلاصه کردن یادداشت های داخلی استفاده می شود، با سامانه ای که روی اعتبار مالی، سلامت یا استخدام افراد اثر دارد یکسان نیست. کاربردهای حساس به بررسی انسانی، ثبت رویدادها و ارزیابی منظم تری نیاز دارند.

امنیت هم باید از همان طراحی اولیه وارد پروژه شود. محدودیت دسترسی، ناشناس سازی اطلاعات، نگهداری امن سوابق و بررسی تأمین کنندگان، جلوی بسیاری از دردسرها را می گیرد. اضافه کردن امنیت در لحظه آخر معمولا هم گران تر است و هم ناقص تر.

حاکمیت درست جلوی نوآوری را نمی گیرد؛ اتفاقا سرعت استفاده مطمئن را بالا می برد. وقتی تیم ها محدوده مجاز و مسیر تأیید را بدانند، کمتر در بلاتکلیفی می مانند و ایده ها سریع تر به مرحله اجرا می رسند.

ارزش را از روز اول اندازه بگیرید

اگر سنجش نتیجه به پایان پروژه موکول شود، احتمالا هیچ خط پایه ای برای مقایسه وجود نخواهد داشت. پیش از پیاده سازی هوش مصنوعی باید بدانیم فرایند فعلی چقدر زمان می برد، چه هزینه ای دارد، نرخ خطایش چقدر است و مشتری چه تجربه ای از آن دارد.

بعد از اجرا نیز فقط تعداد کاربران یا دفعات استفاده را اندازه نگیرید. این آمارها مفیدند، اما ارزش اقتصادی را نشان نمی دهند. ممکن است یک ابزار هزاران بار باز شود، ولی هیچ تأثیری بر کیفیت یا سرعت کار نداشته باشد.

معیارها باید به هدف اولیه وصل باشند. کاهش زمان انجام هر درخواست، رشد نرخ تبدیل فروش، کم شدن مرجوعی، افزایش حل مشکل در اولین تماس و کاهش توقف تجهیزات نمونه هایی از شاخص های ملموس اند. در کنار آن ها، کیفیت خروجی و رضایت کارکنان هم باید بررسی شود.

هزینه کامل پروژه را هم صادقانه حساب کنید. هزینه فقط اشتراک یا پردازش نیست؛ آماده سازی داده، اتصال سامانه ها، آموزش، نظارت، امنیت و نگهداری مداوم هم بودجه می خواهد. محاسبه ناقص، تصویری غیرواقعی از بازگشت سرمایه هوش مصنوعی می سازد.

اندازه گیری باید ادامه دار باشد، چون عملکرد مدل ها ثابت نمی ماند. داده ها تغییر می کنند، رفتار مشتری عوض می شود و نیازهای شرکت هم جلو می رود. مدلی که امروز دقیق است شاید شش ماه بعد افت کند. پس پایش کیفیت و اصلاح دوره ای بخشی از محصول است، نه یک کار جانبی.

از آزمایش کوچک به مقیاس واقعی برسید

شروع کوچک تصمیم عاقلانه ای است، به شرط اینکه پروژه آزمایشی راه خروج داشته باشد. از همان ابتدا باید معلوم باشد در صورت موفقیت، چه زیرساختی برای توسعه لازم است، مالک محصول چه کسی خواهد بود و بودجه نگهداری از کجا می آید.

نسخه آزمایشی باید یک فرض مشخص را بررسی کند. مثلا «آیا این دستیار می تواند زمان تهیه گزارش را ۳۰ درصد کم کند؟» اگر پاسخ مثبت بود، مرحله بعد روشن است. اگر منفی بود، تیم می تواند پروژه را اصلاح یا متوقف کند، بدون اینکه بودجه بزرگی هدر برود.

پس از اثبات ارزش، عجله برای گسترش سراسری هم خطرناک است. بهتر است ابزار مرحله به مرحله وارد تیم ها شود، بازخورد واقعی بگیرد و مشکلاتش برطرف شود. توسعه کنترل شده، اعتماد بیشتری می سازد و فشار کمتری به زیرساخت وارد می کند.

قابلیت استفاده دوباره نیز مهم است. اگر هر واحد سازمانی مدل، قرارداد، داده و روش ارزیابی جداگانه ای داشته باشد، هزینه خیلی زود از کنترل خارج می شود. ساخت اجزای مشترک برای دسترسی امن، پایش، ثبت بازخورد و مدیریت مدل ها، سرعت پروژه های بعدی را بالا می برد.

هدف نهایی، زیادکردن تعداد پروژه های هوش مصنوعی نیست. مهم این است که چند راهکار مفید، پایدار و قابل اندازه گیری داشته باشید. ده ها نمونه نمایشی ارزش کمتری از یک محصول هوشمند دارند که هر روز زمان کارکنان را ذخیره می کند یا تجربه مشتری را بهتر می سازد.

رسیدن به ارزش واقعی کسب وکار ترکیبی از انتخاب مسئله درست، داده قابل اعتماد، طراحی کاربردی، مشارکت کارکنان و اندازه گیری مداوم است. فناوری بخش مهمی از مسیر است، اما همه مسیر نیست. سازمانی برنده می شود که هیجان را کنار نتیجه بنشاند و هر پروژه را با یک سؤال ساده جلو ببرد: این کار دقیقا چه چیزی را بهتر می کند؟

در نهایت، پیاده سازی هوش مصنوعی یک خرید یک باره نیست؛ سفری برای تغییر شیوه کار و تصمیم گیری است. اگر این سفر با هدف روشن، مسئولیت پذیری و معیارهای واقعی پیش برود، هوش مصنوعی از یک ترند جذاب به موتور رشد، بهره وری و تحول دیجیتال تبدیل می شود.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید