وقتی موضوع هوش مصنوعی در یک سازمان مطرح میشود، بحث خیلی زود به ابزار، نرمافزار و انتخاب راهکار میرسد.
اما قبل از همه اینها یک سؤال مهمتر وجود دارد:
آیا سازمان برای شروع این پروژه آماده است؟
این آمادگی فقط به زیرساخت فنی یا حجم دادهها مربوط نیست. ممکن است یک سازمان اطلاعات زیادی داشته باشد و تیم فناوری اطلاعات آن هم توانمند باشد، اما هنوز مسئله مشخصی برای حل کردن نداشته باشد.
از طرف دیگر، ممکن است سازمان برای یک کاربرد محدود آماده باشد، اما برای یک پروژه بزرگتر هنوز نه.
پس بهتر است به جای اینکه بپرسیم «آیا سازمان ما برای هوش مصنوعی آماده است؟» بپرسیم:
برای حل کدام مسئله و با چه دامنهای آمادهایم؟
اول مسئله را مشخص کنید، نه راهکار را
یکی از سادهترین راههای سنجش آمادگی این است که برای چند دقیقه کلمه «هوش مصنوعی» را از بحث کنار بگذاریم.
مثلاً:
«میخواهیم یک دستیار هوش مصنوعی برای مهندسان بسازیم.»
این جمله بیشتر راهکار را توضیح میدهد تا مسئله را.
اما اگر بگوییم:
«مهندسان برای پیدا کردن اطلاعات معتبر در میان حجم زیادی از اسناد و نسخههای مختلف، زمان زیادی صرف میکنند.»
حالا مسئله روشنتر است.
میتوان بررسی کرد این مشکل چقدر اهمیت دارد، چه کسانی با آن درگیرند و آیا هوش مصنوعی اصلاً راه مناسبی برای حل آن هست یا نه.
اگر خود مسئله هنوز مبهم است، انتخاب فناوری زودهنگام است.
آیا فرایند فعلی را واقعاً میشناسیم؟
هوش مصنوعی قرار است وارد یک روند کاری موجود شود.
بنابراین باید بدانیم امروز کار چگونه انجام میشود.
اطلاعات از کجا میآید؟ چه کسی آن را بررسی میکند؟ کجا تصمیم انسانی لازم است؟ چه بخشی تکراری و زمانبر است؟ خروجی نهایی کجا استفاده میشود؟
در محیطهای صنعتی، همیشه همه جزئیات فرایند در دستورالعملها نوشته نشدهاند. بخشی از کار بر تجربه افراد و رویههای شکلگرفته در طول زمان استوار است.
اگر این بخشها شناخته نشوند، ممکن است راهکاری طراحی شود که از نظر فنی درست باشد، اما با کار واقعی تیم هماهنگ نباشد.
هدف نباید هوشمند کردن یک فرایند مبهم باشد. ابتدا باید بدانیم دقیقاً کدام بخش فرایند ارزش بهبود دارد.
داده زیاد کافی نیست
در بسیاری از سازمانهای صنعتی، مسئله فقط کمبود داده نیست.
اطلاعات ممکن است در فایلها، گزارشها، سامانههای مختلف، اسناد فنی، ایمیلها و آرشیو پروژههای قبلی پراکنده باشد.
بنابراین سؤال مهم این نیست که «چقدر داده داریم؟»
سؤال بهتر این است:
آیا برای این مسئله مشخص، داده مناسب و قابل اعتماد در دسترس داریم؟
برای مثال، اگر قرار است یک سامانه روی اسناد فنی پاسخ بدهد، باید معلوم باشد کدام اسناد معتبرند، آخرین نسخه کدام است، چه کسانی به آنها دسترسی دارند و اطلاعات تا چه حد قابل استفاده است.
قرار نیست قبل از اولین پروژه، تمام دادههای سازمان پاکسازی و یکپارچه شوند.
اما داده موردنیاز همان پروژه باید کیفیت قابل قبولی داشته باشد.
چه کسی صاحب مسئله است؟
هوش مصنوعی نباید فقط پروژه واحد فناوری اطلاعات باشد.
فناوری اطلاعات در امنیت، زیرساخت و اتصال سامانهها نقش مهمی دارد، اما بخش کسبوکار هم باید صاحب مشخصی برای مسئله داشته باشد.
اگر موضوع مربوط به مهندسی است، تیم مهندسی باید از ابتدا در تعریف نیاز حضور داشته باشد.
اگر مسئله به نگهداری تجهیزات مربوط است، متخصصان همان حوزه باید در طراحی راهکار نقش داشته باشند.
یک سؤال ساده میتواند وضعیت را روشن کند:
اگر پروژه موفق شود، چه کسی مسئول استفاده واقعی از نتیجه آن خواهد بود؟
اگر پاسخ مشخصی وجود ندارد، احتمالاً پروژه هنوز از نظر سازمانی به اندازه کافی آماده نیست.
اگر راهکار فردا آماده شود، چه اتفاقی میافتد؟
این سؤال بسیاری از ابهامها را آشکار میکند.
فرض کنیم سامانه فردا آماده است.
چه کسی از آن استفاده میکند؟ در کدام بخش کار؟ خروجی فقط یک پیشنهاد است یا وارد تصمیمگیری میشود؟ چه کسی آن را بررسی میکند؟ بعد از دریافت نتیجه چه اقدامی انجام میشود؟
اگر پاسخ این سؤالها روشن نباشد، احتمال دارد یک نمونه آزمایشی جذاب ساخته شود که جای مشخصی در کار روزانه سازمان ندارد.
ارزش هوش مصنوعی زمانی ایجاد میشود که به یک مسئله واقعی متصل شود و در یک نقطه مشخص از کار یا تصمیمگیری نقش داشته باشد.
کاربران را در انتهای پروژه وارد نکنید
یکی از خطاهای رایج این است که راهکار طراحی شود و بعد از کاربران خواسته شود آن را بپذیرند.
در حالی که افرادی که هر روز با یک فرایند کار میکنند، معمولاً جزئیاتی را میبینند که در جلسات مدیریتی دیده نمیشود.
ممکن است مسئله اصلی چیزی متفاوت از تصور اولیه باشد. ممکن است خروجی برای کاربر قابل اعتماد نباشد یا سامانه جدید، به جای کم کردن کار، یک مرحله دیگر به فرایند اضافه کند.
حضور کاربران در تعریف مسئله و آزمایش راهکار فقط موضوع مدیریت تغییر نیست. بخشی از طراحی درست پروژه است.
هوش مصنوعی زمانی ارزش بیشتری ایجاد میکند که بخشی از کارهای تکراری را کم کند و فرصت بیشتری برای تحلیل، قضاوت و تصمیمگیری تخصصی ایجاد کند.
لازم نیست سازمان کاملاً آماده باشد
آمادگی برای هوش مصنوعی به معنی داشتن داده بینقص، فرایندهای کامل و زیرساخت نامحدود نیست.
آنچه اهمیت دارد، انتخاب یک مسئله مناسب برای شروع است؛ مسئلهای که ارزش حل کردن داشته باشد، دامنه آن مشخص باشد، داده موردنیاز آن در دسترس باشد، صاحب مشخصی در سازمان داشته باشد و معلوم باشد نتیجه قرار است کجا استفاده شود.
اگر این موارد تا حد قابل قبولی روشن باشند، میتوان یک شروع محدود و کنترلشده داشت.
اگر بیشتر آنها هنوز مبهماند، شاید قدم بعدی خرید ابزار یا شروع توسعه نباشد.
اول باید مسئله را بهتر شناخت.
در مقاله بعدی، همین موضوع را روی یک مثال عملی بررسی میکنیم: یک واحد مهندسی که میخواهد برای جستوجو و استفاده از اسناد فنی، دستیار هوش مصنوعی راهاندازی کند.