حفظ پروژه‌های هوش مصنوعی در مسیر صحیح
وقتی در سال‌های 2018 و 2019، در نقش دانشمند داده در لینکدین مشغول به کار بودم، تنها گروه کوچکی از اعضای واحد علوم داده -شامل متخصص رشته‌های آمار یا علوم کامپیوتر – هوش مصنوعی را دنبال می‌کردند. اما اکنون هوش مصنوعی و به‌ویژه جدیدترین ستاره‌اش -یعنی هوش مصنوعی مولد- به یکی از محورهای جلسات هیئت‌مدیره، گفت‌وگوهای رهبران و مکالمات عادی میان کارکنانی تبدیل شده است که در صدد افزایش بهره‌وری خود هستند. اهمیت این مفهوم به قدری افزایش یافته است که دورۀ “علم داده برای مدیران” به یکی از دروس پیش‌‌نیاز مدرسۀ کسب‌وکار هاروارد تبدیل شده است؛ خود من یکی از طراحان این دوره بودم تا نحوۀ توسعه، بهره‌برداری و مدیریت هوش مصنوعی را به دانشجویان MBA بیاموزیم.
متأسفانه در پسِ این عنوان‌های آرمان‌گرایانه و قابلیت‌های وسوسه‌برانگیز، واقعیتی تلخ و تأمل‌برانگیز نهفته است: اکثر پروژه‌های هوش مصنوعی به نتیجه نمی‌رسند. برخی برآوردها ناکامی 80 درصدی این پروژه‌ها را نشان می‌دهند که تقریباً دوبرابر آمار شکست پروژه‌های فناوری اطلاعات در یک دهۀ گذشته است. درهرحال، راهکارهایی برای افزایش احتمال موفقیت این پروژه‌ها وجود دارند. طبق تجربیاتم در صنعت، دانشگاه و مشاوره‌هایم به سازمان‌ها، دریافته‌ام شرکت‌ها می‌توانند با برنامه‌ریزی دقیق برای پنج گام اساسی در هر پروژۀ هوش مصنوعی، ریسک ناکامی خود را کاهش دهند. پنج مرحلۀ تبدیل پروژه به محصول این‌ها هستند: انتخاب، توسعه، ارزیابی، بهره‌برداری و مدیریت. البته این مقاله تنها دربارۀ روش‌های جلوگیری از ناکامی‌ها نیست و با توجه به گسترش روزافزون هوش مصنوعی در چشم‌انداز کسب‌وکارها، دربارۀ فرایندهای موسوم به “عملیات هوش مصنوعی و علم داده‌ها” برای کمک به رقابت و بقای شرکت‌ها در این فضا نیز صحبت می‌کند.
هرچند اغلب رهبران به‌خوبی با اولویت‌بندی و تقطع پروژه‌ها آشنا هستند، برخی ویژگی‌های خاص پروژه‌های هوش مصنوعی باعث شده است ارزیابی اثرات و امکان‌سنجی آن‌ها به ملاحظات دقیق‌تری نیاز داشته باشند.
متأسفانه در پسِ این عنوان‌های آرمان‌گرایانه و قابلیت‌های وسوسه‌برانگیز، واقعیتی تلخ و تأمل‌برانگیز نهفته است: اکثر پروژه‌های هوش مصنوعی به نتیجه نمی‌رسند. برخی برآوردها ناکامی 80 درصدی این پروژه‌ها را نشان می‌دهند که تقریباً دوبرابر آمار شکست پروژه‌های فناوری اطلاعات در یک دهۀ گذشته است. درهرحال، راهکارهایی برای افزایش احتمال موفقیت این پروژه‌ها وجود دارند. طبق تجربیاتم در صنعت، دانشگاه و مشاوره‌هایم به سازمان‌ها، دریافته‌ام شرکت‌ها می‌توانند با برنامه‌ریزی دقیق برای پنج گام اساسی در هر پروژۀ هوش مصنوعی، ریسک ناکامی خود را کاهش دهند. پنج مرحلۀ تبدیل پروژه به محصول این‌ها هستند: انتخاب، توسعه، ارزیابی، بهره‌برداری و مدیریت. البته این مقاله تنها دربارۀ روش‌های جلوگیری از ناکامی‌ها نیست و با توجه به گسترش روزافزون هوش مصنوعی در چشم‌انداز کسب‌وکارها، دربارۀ فرایندهای موسوم به “عملیات هوش مصنوعی و علم داده‌ها” برای کمک به رقابت و بقای شرکت‌ها در این فضا نیز صحبت می‌کند.
انتخاب
هرچند اغلب رهبران به‌خوبی با اولویت‌بندی و تقطع پروژه‌ها آشنا هستند، برخی ویژگی‌های خاص پروژه‌های هوش مصنوعی باعث شده است ارزیابی اثرات و امکان‌سنجی آن‌ها به ملاحظات دقیق‌تری نیاز داشته باشند.
نویسنده
یاوور بوجینوف استادیار واحد فناوری و مدیریت عملیات دانشکده‌ی کسب‌وکار هاروارد است. او سابقه‌ی همکاری به‌عنوان متخصص علم داده‌های لینکدین را دارد و رهبر طرح استنتاج علّی در این سازمان بود.
نظرات شما