راهبرد هوش مصنوعی با انتخاب کارهایی که نمی سازیم شکل می گیرد

هر واحد فهرست کاربرد های هوش مصنوعی خودش را آورده است: خلاصه سازی تماس ها، دستیار منابع انسانی، عامل عملیات و کمک یار برنامه نویسی. همه جذاب اند، اما تیم مهندسی و وقت کارشناسان محدود است. کدام کار باید جلو برود و کدام فعلا نه؟

اگر جواب فقط «همه را آزمایش کنیم» باشد، سازمان هنوز راهبردی ندارد. راهبرد زمانی پدیدار می شود که بین گزینه های خوب هم انتخاب کنیم: به چه چیزی اولویت می دهیم، چه خطری نمی پذیریم و از چه کاری می گذریم تا کار مهم فرصت موفقیت پیدا کند.

هدف کلی هنوز راهبرد نیست

«هوش مصنوعی را وارد کسب و کار کنیم» جهت گیری است، نه راهنمای تصمیم روزمره. راهبرد باید بگوید کدام کار ها مناسب اند و کدام مرز را نباید رد کرد. مثلا ممکن است سازمان ابتدا دستیار داخلی برای جست وجوی سند بسازد، پیش از آنکه عامل به مشتری پاسخ خودکار بدهد. یا پیش از گسترش کاربرد ها، ارزیابی و ثبت رخداد را فراهم کند.

این انتخاب ها کار تیم را محدود می کنند، و همین فایده شان است. وقتی هر ایده ای هم راستا به نظر می رسد، پرصداترین درخواست معمولا برنده می شود. فهرست کاربرد ها می تواند محل دردسر و تقاضا را نشان دهد، اما نمی گوید سازمان برای پشتیبانی از هوش مصنوعی چه قابلیت هایی باید بسازد.

دو سازمان ممکن است فهرستی مشابه داشته باشند، اما یکی سند های مرتب و تیم ارزیابی آماده داشته باشد و دیگری با داده پراکنده، مالکیت مبهم و دسترسی های ناهماهنگ روبه رو باشد. برای دومی، گام راهبردی شاید اصلاح منابع دانش باشد، نه خرید مدل تازه. مسیر کم هیجان تر می تواند شرط موفقیت بعدی باشد.

هر انتخاب هزینه ای دارد

هوش مصنوعی بده بستان ها را زودتر آشکار می کند. مدل ممکن است زمینه نادرست بازیابی کند؛ دستور تازه رفتار را تغییر دهد؛ عامل ابزار را دوباره فراخوانی کند؛ تاخیر برای کاربر زیاد شود یا هزینه با استفاده رشد کند.

پس جمله «راهبرد ما استفاده از عامل هاست» را با پرسش های اجرایی کامل کنید: برای چه وظیفه ای؟ به چه داده ای دسترسی دارد؟ چه اقدامی می تواند انجام دهد؟ کدام خروجی باید تایید شود؟ کیفیت و هزینه چطور سنجیده می شوند؟

راهبردی که سرعت را بر کنترل ترجیح می دهد ممکن است انتخاب آگاهانه ای باشد، اما باید صریح باشد. همین طور انتخابِ محدود کردن عامل به کار داخلی، یا نگه داشتن مرحله ای انسانی برای تصمیم های پرپیامد. خطر در این نیست که بده بستان داریم؛ خطر وقتی است که وانمود می کنیم نداریم.

پروژه اول باید به سازمان چیزی یاد بدهد

شروع کوچک مفید است، به شرطی که پروژه واقعی باشد. نمایش روی چند سند تمیز شاید تنها ثابت کند نمونه ساختنی است. پروژه محدود اما ارزشمند می تواند یک گروه کاربر، مجموعه سند مشخص، ارجاع به منبع، مسیر گزارش خطا، آزمون های کوچک و شرط روشن برای پاسخ ندادن داشته باشد.

چنین کاری ابزار تحویل می دهد و همزمان نشان می دهد چه کسی محتوا را به روز می کند، چه کسی دسترسی را تایید می کند، چطور خرابی ثبت می شود و «به اندازه کافی خوب» یعنی چه. این یادگیری باید در تصمیم بعدی اثر بگذارد.

در مقاله «چطور برای بازار کار فنی امروز مهارت های کاربردی هوش مصنوعی بسازیم» درباره ساختن، آزمودن و توضیح دادن کار واقعی نوشته ام. سازمان هم به همین رویکرد نیاز دارد: به جای انبوه نمایش های نامرتبط، چند آزمایش بسازد که فرض های مهم را روشن کنند.

گاهی پاسخ درست «فعلا نه» است

اگر قاعده ای روشن و آزموده مسئله را حل می کند، مدل زبانی شاید فقط پیچیدگی اضافه کند. اگر مشکل از سند های قدیمی است، اول سند ها را اصلاح کنید. اگر تصمیم به قضاوت حساس نیاز دارد، شاید هوش مصنوعی فقط برای آماده کردن اطلاعات به کار رود، نه برای تصمیم نهایی.

پذیرفتن این جواب به تیم اجازه می دهد هوش مصنوعی را بر اساس تناسبش با کار انتخاب کند، نه مُد روز. این هم راهبرد است: تصمیم بگیریم چه چیزی را خودکار نکنیم، کجا ابتدا داده را سامان دهیم و کدام مسئله را با نرم افزار معمولی حل کنیم.

راهبرد باید در تصمیم های روزانه دیده شود

راهبردی که در اسلاید بماند، کمک چندانی نمی کند. از تیم بپرسید کدام کاربرد ها نوبت می گیرند، کدام منبع داده آماده است، چه کاری دستی می ماند، موفقیت را با چه چیزی می سنجیم و کدام سامانه ها در محدوده اختیار عامل قرار دارند.

اگر راهبرد روشن باشد، تیم می تواند بفهمد باید نمونه بسازد، داده را اصلاح کند، ارزیابی اضافه کند یا کار را متوقف سازد؛ لازم نیست برای هر تصمیم دوباره سراغ کمیته برود. این یعنی جهت مشترک، نه کنترل همه جزئیات.

در جلسه بعدی برنامه ریزی، از خود بپرسید: «از انجام کدام کار صرف نظر می کنیم تا کار مهمی که انتخاب کرده ایم وقت و پشتیبانی لازم را بگیرد؟» پاسخ به این پرسش از فهرست بلند کاربرد ها بیشتر درباره راهبرد شما می گوید.

هوش مصنوعی ساختن گزینه های بیشتر را آسان کرده است. موفقیت سازمان به انتخاب همه آن ها وابسته نیست؛ به انتخاب کاری بستگی دارد که با هدف، آمادگی، کاربر و توان اجرایی تناسب دارد. راهبرد را از همان انتخاب می شناسیم.

مهدی لطفی نژاد متخصص داده و هوش مصنوعی، مشاور و مدرس رسمی با نزدیک به ۲۰ سال تجربه صنعتی است. او به صدها متخصص در خاورمیانه و جنوب شرق آسیا آموزش داده و در DATATWEETS می نویسد تا این تجربه عملی را رایگان و خودآموز در اختیار همه بگذارد.