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.
در این مرحله، ابتدا پروژه‌های داخلی و خارجی را از یکدیگر جدا کنید. پروژه‌های داخلی برای کمک به کارمندان حین انجام دادن وظایفشان طراحی می‌شوند؛ برای نمونه، اکنون سازمانها از هوش مصنوعی در این زمینه‌ها استفاده می‌کنند: ارائۀ بینش‌هایی به تیم‌های فروش برای انتخاب مشتریان هدف و محصولات، بهبود مدیریت زنجیرۀ تأمین از طریق تحلیل پیش‌نگرانه، یا افزایش بازده واحد منابع انسانی با به‌کارگیری بات‌های هوشمند به منظور پاسخگویی به پرسش‌های کارکنان. پروژه‌های خارجیْ توسعه و استفاده از هوش مصنوعی برای کاربران نهایی یا همان مشتریان شرکت را شامل می‌شوند. این پروژه‌ها ملموس‌ترین کاربردهای هوش مصنوعی هستند و شرکت‌های فناوریْ پرچم‌دار توسعۀ آن‌ها بوده‌اند؛ برای نمونه می‌توان به موتور توصیۀ نت‌فلیکس، نتایج جست‌وجوی گوگل و الگوریتم تطبیق اوبر اشاره کرد.
برای فرایند انتخاب می‌توانید از چک‌لیست زیر استفاده کنید.
همسویی استراتژیک: “آیا پروژه با اهداف و استراتژی کلان سازمان همسوست؟” با اینکه خیلی بدیهی به نظر می‌رسد، بسیاری از دانشمندان داده درک جامعی از استراتژی شرکت ندارند و در نتیجه بر پروژه‌هایی تمرکز می‌کنند که تحولی اساسی در سازمان ایجاد نمی‌کند و ارزش چندانی ندارد. دانشمندان داده و سایر متخصصان فنی اغلب جدا از سایرین کار می‌کنند و تعامل چندانی با سایر بخش‌های سازمان ندارند. بنابراین غلبه بر چنین مانعی می‌تواند چالش‌برانگیز باشد. برخی شرکت‌ها، نظیر پراکتر اند گمبل، دانشمندان داده را موقتاً وارد واحدهای سازمان می‌کنند. سایر سازمانها، مثل لینکدین، ساختار گزارش‌دهی متمرکزی دارند، اما واحدهای مختلف سازمانْ تیم‌هایی مختص تحلیل داده دارند که درون واحدها مستقر هستند و همکاری‌ها را افزایش می‌دهند. چنین استراتژی‌هایی موجب افزایش اطلاعات کارشناسان فنی دربارۀ کسب‌وکار می‌شوند و در نتیجه به انتخاب پروژه‌هایی همسو با استراتژی سازمان کمک می‌کنند.
سنجش‌پذیری تأثیر: “آیا می‌توانیم مزایای احتمالی عملیاتی و مالی پروژه را اندازه بگیریم؟” هدف و جهت‌گیری پروژه را در مرکز توجه قرار دهید. رهبران با تعیین معیارهایی برای موفقیت پروژه می‌توانند تیم‌ها را پیرامون اهدافی معین همسو کنند و خواهان مسئولیت‌پذیری آن‌ها برای تحقق این اهداف شوند. یکی از چارچوب‌های مفید برای انتخاب چنین معیارهایی، الگوی “اگر، سپس، به واسطۀ، زیرا” است: “اگر” این پروژه اجرا شود، “سپس” فلان خروجی کسب‌وکار یا شاخص کلیدی عملکرد بهبود می‌یابد و فلان بهبود “به واسطۀ” این تأثیر قابل‌انتظار رخ می‌دهد، “زیرا” چنین منطقی برای این تأثیرگذاری وجود دارد. شرکت‌هایی با فرهنگ داده‌محور پیشگامان این رویکرد علمی فرضیه‌محور هستند. از طرفی با کمّیت‌سنجی هر تأثیر می‌توان پروژه‌های گوناگون را به‌طورمستقیم مقایسه کرد؛ چنین روشی بر خلاف گرایش ذاتی تیم‌های فنی مبنی بر به‌کارگیری جدیدترین و پیشرفته‌ترین فناوری‌ها است و کمک می‌کند تأثیرگذارترین پروژه‌ها در اولویت قرار گیرند.
تقویت یا جایگزینی: “آیا این سیستم عملیات‌های دستی کنونی را تقویت می‌کند یا جایگزین یکی از فرایندهای دستیِ فعلی می‌شود؟” پاسخ به چنین پرسشی مستلزم آگاهی از هزینه‌های اشتباه کردن (یا خطاهای پیش‌بینی) است. وقتی هزینۀ اشتباه پایین باشد، اغلب می‌توان آن فرایند را اتوماسیون کرد؛ اما در صورت بالا بودن هزینه‌ها، تلفیق سیستم هوش مصنوعی با تصمیمات انسانی مناسب‌تر خواهد بود. برای نمونه پیشنهاد کردن محصول را در نظر بگیرید: اگر محصولی به مشتری پیشنهاد شود اما او علاقه‌‌ای به خریدش نداشته باشد، هزینۀ چندانی به سازمان تحمیل نمی‌شود. در نتیجه خودکارسازی چنین وظیفه‌ای خطری ندارد. در مقابل، تشخیص نه چندان دقیق یک بیماری جدی ریسک بسیار بالایی دارد. به همین دلیل اگرچه پزشکان از توصیه‌های هوش مصنوعی استفاده می‌کنند، کماکان تصمیم نهایی با خودشان است.
رهبران از طریق ارزیابی تأثیر پروژه می‌توانند به قابلیت‌هایش پی ببرند و پروژه‌هایی را دنبال کنند که ارزش چشمگیری برای کسب‌وکارشان به ارمغان می‌آورد. از طرفی می‌توان اطلاعات حاصل از این ارزیابی را در اختیار تیم‌ها و بخش‌های مختلف سازمان نیز گذاشت. این کار موجب ایجاد درک مشترک و بهبود متقابل ایده‌ها می‌شود.
همچنین باید امکان اجرای هر پروژۀ هوش مصنوعی را بسنجید: هزینه‌های اولیۀ پروژه را برآورد و بررسی کنید که سازمان منابع کافی برای انجام دادن آن را دارد یا نه. این فرایند شامل بررسی چهار موضوع است.
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.
در این مرحله، ابتدا پروژه‌های داخلی و خارجی را از یکدیگر جدا کنید. پروژه‌های داخلی برای کمک به کارمندان حین انجام دادن وظایفشان طراحی می‌شوند؛ برای نمونه، اکنون سازمانها از هوش مصنوعی در این زمینه‌ها استفاده می‌کنند: ارائۀ بینش‌هایی به تیم‌های فروش برای انتخاب مشتریان هدف و محصولات، بهبود مدیریت زنجیرۀ تأمین از طریق تحلیل پیش‌نگرانه، یا افزایش بازده واحد منابع انسانی با به‌کارگیری بات‌های هوشمند به منظور پاسخگویی به پرسش‌های کارکنان. پروژه‌های خارجیْ توسعه و استفاده از هوش مصنوعی برای کاربران نهایی یا همان مشتریان شرکت را شامل می‌شوند. این پروژه‌ها ملموس‌ترین کاربردهای هوش مصنوعی هستند و شرکت‌های فناوریْ پرچم‌دار توسعۀ آن‌ها بوده‌اند؛ برای نمونه می‌توان به موتور توصیۀ نت‌فلیکس، نتایج جست‌وجوی گوگل و الگوریتم تطبیق اوبر اشاره کرد.
برای فرایند انتخاب می‌توانید از چک‌لیست زیر استفاده کنید.
همسویی استراتژیک: “آیا پروژه با اهداف و استراتژی کلان سازمان همسوست؟” با اینکه خیلی بدیهی به نظر می‌رسد، بسیاری از دانشمندان داده درک جامعی از استراتژی شرکت ندارند و در نتیجه بر پروژه‌هایی تمرکز می‌کنند که تحولی اساسی در سازمان ایجاد نمی‌کند و ارزش چندانی ندارد. دانشمندان داده و سایر متخصصان فنی اغلب جدا از سایرین کار می‌کنند و تعامل چندانی با سایر بخش‌های سازمان ندارند. بنابراین غلبه بر چنین مانعی می‌تواند چالش‌برانگیز باشد. برخی شرکت‌ها، نظیر پراکتر اند گمبل، دانشمندان داده را موقتاً وارد واحدهای سازمان می‌کنند. سایر سازمانها، مثل لینکدین، ساختار گزارش‌دهی متمرکزی دارند، اما واحدهای مختلف سازمانْ تیم‌هایی مختص تحلیل داده دارند که درون واحدها مستقر هستند و همکاری‌ها را افزایش می‌دهند. چنین استراتژی‌هایی موجب افزایش اطلاعات کارشناسان فنی دربارۀ کسب‌وکار می‌شوند و در نتیجه به انتخاب پروژه‌هایی همسو با استراتژی سازمان کمک می‌کنند.
سنجش‌پذیری تأثیر: “آیا می‌توانیم مزایای احتمالی عملیاتی و مالی پروژه را اندازه بگیریم؟” هدف و جهت‌گیری پروژه را در مرکز توجه قرار دهید. رهبران با تعیین معیارهایی برای موفقیت پروژه می‌توانند تیم‌ها را پیرامون اهدافی معین همسو کنند و خواهان مسئولیت‌پذیری آن‌ها برای تحقق این اهداف شوند. یکی از چارچوب‌های مفید برای انتخاب چنین معیارهایی، الگوی “اگر، سپس، به واسطۀ، زیرا” است: “اگر” این پروژه اجرا شود، “سپس” فلان خروجی کسب‌وکار یا شاخص کلیدی عملکرد بهبود می‌یابد و فلان بهبود “به واسطۀ” این تأثیر قابل‌انتظار رخ می‌دهد، “زیرا” چنین منطقی برای این تأثیرگذاری وجود دارد. شرکت‌هایی با فرهنگ داده‌محور پیشگامان این رویکرد علمی فرضیه‌محور هستند. از طرفی با کمّیت‌سنجی هر تأثیر می‌توان پروژه‌های گوناگون را به‌طورمستقیم مقایسه کرد؛ چنین روشی بر خلاف گرایش ذاتی تیم‌های فنی مبنی بر به‌کارگیری جدیدترین و پیشرفته‌ترین فناوری‌ها است و کمک می‌کند تأثیرگذارترین پروژه‌ها در اولویت قرار گیرند.
تقویت یا جایگزینی: “آیا این سیستم عملیات‌های دستی کنونی را تقویت می‌کند یا جایگزین یکی از فرایندهای دستیِ فعلی می‌شود؟” پاسخ به چنین پرسشی مستلزم آگاهی از هزینه‌های اشتباه کردن (یا خطاهای پیش‌بینی) است. وقتی هزینۀ اشتباه پایین باشد، اغلب می‌توان آن فرایند را اتوماسیون کرد؛ اما در صورت بالا بودن هزینه‌ها، تلفیق سیستم هوش مصنوعی با تصمیمات انسانی مناسب‌تر خواهد بود. برای نمونه پیشنهاد کردن محصول را در نظر بگیرید: اگر محصولی به مشتری پیشنهاد شود اما او علاقه‌‌ای به خریدش نداشته باشد، هزینۀ چندانی به سازمان تحمیل نمی‌شود. در نتیجه خودکارسازی چنین وظیفه‌ای خطری ندارد. در مقابل، تشخیص نه چندان دقیق یک بیماری جدی ریسک بسیار بالایی دارد. به همین دلیل اگرچه پزشکان از توصیه‌های هوش مصنوعی استفاده می‌کنند، کماکان تصمیم نهایی با خودشان است.
رهبران از طریق ارزیابی تأثیر پروژه می‌توانند به قابلیت‌هایش پی ببرند و پروژه‌هایی را دنبال کنند که ارزش چشمگیری برای کسب‌وکارشان به ارمغان می‌آورد. از طرفی می‌توان اطلاعات حاصل از این ارزیابی را در اختیار تیم‌ها و بخش‌های مختلف سازمان نیز گذاشت. این کار موجب ایجاد درک مشترک و بهبود متقابل ایده‌ها می‌شود.
همچنین باید امکان اجرای هر پروژۀ هوش مصنوعی را بسنجید: هزینه‌های اولیۀ پروژه را برآورد و بررسی کنید که سازمان منابع کافی برای انجام دادن آن را دارد یا نه. این فرایند شامل بررسی چهار موضوع است.
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