هوش مصنوعی در کسب‌وکار؛ از ایده تا اجرای قابل اندازه‌گیری
فاصلهٔ میان «باید از هوش مصنوعی استفاده کنیم» تا نتیجه‌ای که در صورت‌های مالی دیده شود، معمولاً جای درستی شروع نمی‌شود. چگونه اولین پروژه را طوری انتخاب کنیم که شکست نخورد.
This article is also available in English: AI in business: from idea to a measurable result
در دو سال گذشته، تقریباً هر مدیری که با او صحبت کرده‌ایم به شکلی این جمله را گفته است: باید از هوش مصنوعی استفاده کنیم. اما وقتی می‌پرسیم برای چه کاری، پاسخ معمولاً مبهم است. و پروژه‌ای که با هدف مبهم شروع شود، با نتیجهٔ مبهم تمام می‌شود — معمولاً یک دمو که همه تحسینش می‌کنند و هیچ‌کس استفاده‌اش نمی‌کند.
از مسئله شروع کنید، نه از فناوری
سؤال درست این نیست که «کجا می‌توانیم هوش مصنوعی بگذاریم»، بلکه این است که «کدام کار، امروز زمان زیادی می‌برد، تکرارشونده است، و خطای انسانی در آن گران تمام می‌شود». پاسخ این سؤال معمولاً چیزی بی‌جلوه است: دسته‌بندی درخواست‌های پشتیبانی، استخراج اطلاعات از فاکتورهای اسکن‌شده، پاسخ اولیه به استعلام قیمت، یا خلاصه‌سازی گزارش‌های بازدید میدانی. همین کارهای بی‌جلوه، بیشترین بازگشت سرمایه را دارند.
پیش‌نیازی که معمولاً نادیده گرفته می‌شود: داده
بیشتر پروژه‌های هوش مصنوعی به دلیل ضعف مدل شکست نمی‌خورند؛ به این دلیل شکست می‌خورند که دادهٔ قابل اتکایی برای کار کردن وجود ندارد. اگر سوابق مشتریان در سه سیستم مختلف با سه قالب متفاوت نگهداری می‌شود، اولین پروژهٔ هوشمند شما در واقع یک پروژهٔ یکپارچه‌سازی داده است. این بد نیست — فقط باید از ابتدا به‌درستی نامگذاری و زمان‌بندی شود.
چگونه بسنجیم که کار می‌کند
- وضعیت فعلی را پیش از شروع اندازه بگیرید: چند دقیقه، چند خطا، چند نفر-ساعت در ماه.
- یک معیار موفقیت واحد تعریف کنید که مدیر و تیم فنی هر دو آن را بپذیرند.
- مرحلهٔ موازی اجرا کنید: سیستم جدید و روش قدیمی هم‌زمان، تا اختلاف دیده شود.
- خطاها را جمع کنید و دسته‌بندی کنید؛ الگوی خطا ارزشمندتر از نرخ خطاست.
- تنها پس از عبور از آستانهٔ مورد توافق، روش قدیمی را کنار بگذارید.
نقش انسان را از ابتدا تعریف کنید
در اغلب کاربردهای سازمانی، بهترین نتیجه از جایگزینی انسان به دست نمی‌آید، بلکه از تغییر نقش او حاصل می‌شود: به‌جای انجام کار، بازبینی و تأیید آن. این یعنی رابط کاربری باید طوری طراحی شود که بازبینی سریع باشد — نمایش دلیل تصمیم، امکان اصلاح با یک کلیک، و ثبت اصلاح‌ها برای بهبود بعدی. سیستمی که فقط یک پاسخ نهایی می‌دهد و راهی برای اصلاح ندارد، خیلی زود کنار گذاشته می‌شود.
اگر کارکنان نتوانند به سیستم بگویند کجا اشتباه کرده، سیستم هرگز بهتر نمی‌شود.
جمع‌بندی
هوش مصنوعی برای کسب‌وکار، یک تصمیم فناورانه نیست؛ یک تصمیم عملیاتی است. پروژه‌ای را انتخاب کنید که امروز درد دارد، داده‌اش در دسترس است، خطایش قابل تحمل است و نتیجه‌اش قابل شمارش. یک موفقیت کوچک و قابل اثبات، بیشتر از یک طرح بلندپروازانهٔ شکست‌خورده، سازمان را جلو می‌برد.