راهنمای استفاده از هوش مصنوعی در استراتژی فناوری؛ از ایده تا اجرا

این روزها هوش مصنوعی تقریباً همه‌جا حضور دارد؛ از دستیارهای برنامه‌نویسی و چت‌بات‌های پشتیبانی گرفته تا تحلیل داده و تولید محتوا.
 برای شرکت‌ها، مسأله دیگر فقط این نیست که «آیا باید از هوش مصنوعی استفاده کنیم؟» سؤال مهم‌تر این است که کجا و چگونه از آن استفاده کنیم؟
 وقتی یک فناوری جدید و قدرتمند وارد بازار می‌شود، وسوسه طبیعی این است که ابتدا فناوری را انتخاب کنیم و بعد دنبال کاربردی برای آن بگردیم. مثلاً بگوییم:
 «باید یک قابلیت مبتنی بر هوش مصنوعی به محصول اضافه کنیم.»
 اما سؤال بهتر این است:
 «کاربران کدام مشکل واقعی را هنوز به‌سختی حل می‌کنند و آیا هوش مصنوعی می‌تواند آن مشکل را بهتر حل کند؟ »
 همین تغییر ساده در زاویه دید، تفاوت میان استفاده واقعی از هوش مصنوعی و دنبال کردن یک ترند را مشخص می‌کند.

فناوری، خودش استراتژی نیست

 در بسیاری از سازمان‌ها یک اشتباه مشابه تکرار می‌شود: فناوری به‌عنوان خودِ استراتژی در نظر گرفته می‌شود، نه ابزاری برای اجرای آن.
 در دهه ۲۰۰۰، «تحول دیجیتال» به یکی از مهم‌ترین موضوعات دنیای کسب‌وکار تبدیل شد. بعد نوبت رایانش ابری، میکروسرویس‌ها، Kubernetes، بلاکچین و فناوری‌های دیگر رسید.
 خود این فناوری‌ها مسأله نبودند، مشکل زمانی ایجاد شد که سازمان‌ها ابتدا فناوری را انتخاب کردند و بعد به دنبال مسأله‌ای برای آن گشتند. هوش مصنوعی نیز از این قاعده مستثنی نیست. فناوری هرچقدر هم قدرتمند باشد، به‌تنهایی استراتژی نیست. ارزش آن زمانی مشخص می‌شود که بتواند یک هدف مشخص کسب‌وکار یا یک مشکل واقعی کاربر را بهتر حل کند.

هوش مصنوعی واقعاً چقدر ارزش ایجاد می‌کند؟

 هوش مصنوعی ظرفیت بسیار بالایی دارد، اما تبدیل این ظرفیت به نتیجه اقتصادی خودبه‌خود اتفاق نمی‌افتد. مطالعات و نظرسنجی‌های مختلف نیز نشان داده‌اند که بخشی از پروژه‌های AI هنوز نتوانسته‌اند بازگشت سرمایه مورد انتظار را ایجاد کنند. درعین‌حال، پژوهش‌های اقتصادی درباره اثر هوش مصنوعی بر بهره‌وری نیز تصویری پیچیده‌تر از روایت ساده «AI همه چیز را متحول می‌کند» ارائه می‌دهند.
 این یعنی هوش مصنوعی بی‌فایده است؟ نه. یعنی ارزش هوش مصنوعی به نحوه استفاده از آن بستگی دارد. همان‌طور که پایگاه داده یا زیرساخت ابری به‌تنهایی استراتژی کسب‌وکار نیست، هوش مصنوعی هم به‌تنهایی استراتژی محسوب نمی‌شود.

چرا «AI-first» همیشه جواب نمی‌دهد؟

 در سال‌های اخیر، شرکت‌های مختلفی رویکرد «AI-first» را در پیش گرفته‌اند. اما اجرای این رویکرد در عمل به سادگی یک شعار نیست. نمونه‌هایی از شرکت‌هایی مانند Duolingo و Klarna نشان داده‌اند که فاصله میان وعده‌های اولیه و اجرای واقعی می‌تواند قابل‌توجه باشد.
 برای مثال، Klarna ابتدا بر صرفه‌جویی حاصل از چت‌بات هوش مصنوعی خود تأکید داشت، اما بعداً با توجه به نگرانی‌هایی درباره کیفیت پاسخ‌ها، دوباره به استخدام نیروی انسانی روی آورد.
 این مثال‌ها به معنای بی‌فایده بودن AI نیستند. نکته مهم‌تر این است که خودکارسازی همیشه معادل بهبود نیست. ممکن است یک سیستم بتواند تعداد زیادی درخواست را پاسخ دهد، اما اگر کیفیت پاسخ‌ها پایین باشد، بخشی از ارزش مورد انتظار از بین می‌رود. در محصولات نرم‌افزاری نیز تولید سریع‌تر کد لزوماً به معنای توسعه سریع‌تر محصول نیست؛ اگر کد تولیدشده نیاز به بررسی، تست و اصلاح گسترده داشته باشد.

مراقب «تمایل به اقدام» باشید

 وقتی فناوری جدیدی با سرعت زیادی رشد می‌کند، طبیعی است که سازمان‌ها بخواهند سریع کاری انجام دهند. ابزار جدید را امتحان می‌کنند، یک نمونه اولیه می‌سازند و قابلیت جدیدی به محصول اضافه می‌کنند. مشکل زمانی ایجاد می‌شود که حرکت با پیشرفت اشتباه گرفته شود. ممکن است تیمی با سرعت زیادی حرکت کند، اما در مسیر اشتباه باشد.
 این موضوع در پروژه‌های هوش مصنوعی اهمیت زیادی دارد. فشار برای اقدام سریع می‌تواند باعث شود سازمان‌ها پروژه‌هایی را شروع کنند که هدف مشخصی ندارند، ریسک‌هایشان به‌درستی بررسی نشده و منابع زیادی مصرف می‌کنند. اینجاست که صبر راهبردی اهمیت پیدا می‌کند. صبر راهبردی به معنای کنار گذاشتن فناوری یا ترس از نوآوری نیست. یعنی قبل از اقدام، اطلاعات جمع شود، مسأله دقیق تعریف شود و مشخص باشد که مسیر انتخاب‌شده با اهداف کسب‌وکار هماهنگ است.

از مسأله شروع کنید، نه از هوش مصنوعی

 اگر قرار باشد فقط یک اصل از این مقاله به خاطر سپرده شود، همین است:
«از هوش مصنوعی برای حل یک مسأله واقعی استفاده کنید، نه برای اینکه صرفاً قابلیت AI داشته باشید.»

برای مدیران مهندسی، بهترین نقطه شروع معمولاً جاهایی است که:

• کارها تکراری و زمان‌بر هستند
• کارکنان یا کاربران زمان زیادی صرف آن‌ها می‌کنند
• گلوگاه مشخصی در فرایند وجود دارد
• حجم زیادی از داده باید بررسی شود
• یا کیفیت نتیجه فعلی قابل بهبود است

 اما پیش از شروع پروژه، چهار سؤال ساده باید پرسیده شود.
۱. دقیقاً چه مشکلی وجود دارد؟
 به‌جای اینکه گفته شود:
 «می‌خواهیم یک دستیار AI بسازیم.»
 بهتر است مسأله به شکل دقیق‌تری تعریف شود:
 «کاربران برای پیدا کردن پاسخ در مستندات، زمان زیادی صرف می‌کنند.»
 تعریف دوم یک مشکل قابل اندازه‌گیری است.
۲. چه کسی این مشکل را دارد؟
 کاربر نهایی؟ توسعه‌دهنده؟ تیم پشتیبانی؟ تیم فروش؟ اگر مشخص نباشد مشکل دقیقاً برای چه کسی اتفاق می‌افتد، ارزیابی ارزش راه‌حل هم دشوار می‌شود.
۳. آیا AI واقعاً بهترین راه‌حل است؟
 شاید یک جست‌وجوی بهتر، تغییر رابط کاربری، یک اسکریپت ساده یا اصلاح فرایند بتواند همان مشکل را با هزینه کمتر حل کند. اگر چنین باشد، استفاده از AI لزوماً تصمیم بهتری نیست. استفاده از هوش مصنوعی نباید هدف باشد.
۴. موفقیت چگونه اندازه‌گیری می‌شود؟
 قبل از شروع پروژه باید مشخص شود چه چیزی قرار است تغییر کند:

• زمان انجام کار کاهش پیدا کند؟ 
• تعداد خطاها کمتر شود؟ 
• هزینه پشتیبانی پایین بیاید؟ 
• کاربران سریع‌تر به پاسخ برسند؟ 
• توسعه‌دهندگان زمان کمتری برای خطایابی صرف کنند؟

 اگر معیار موفقیت مشخص نباشد، بعداً نمی‌توان فهمید پروژه واقعاً ارزش ایجاد کرده است یا نه.

به متخصصان فنی تیم گوش دهید

 یکی از بهترین منابع برای پیدا کردن کاربردهای واقعی AI، خود تیم فنی است. مهندسانی که هر روز با کد، تست، خطایابی، مستندات و زیرساخت سروکار دارند، معمولاً بهتر از هر کس دیگری می‌دانند کدام بخش‌های فرایند وقت‌گیر و تکراری هستند.
 یک سؤال ساده می‌تواند شروع خوبی باشد:
 «کدام کار را هر روز انجام می‌دهید که آرزو می‌کنید مجبور نبودید انجامش دهید؟ »
 پاسخ این سؤال می‌تواند نقطه شروع یک پروژه خوب باشد. در یک تیم نرم‌افزاری، حوزه‌هایی مثل خطایابی، تولید مستندات، بررسی کد، تحلیل لاگ‌ها، جست‌وجوی اطلاعات و تولید تست می‌توانند گزینه‌های مناسبی برای آزمایش باشند. البته هدف همیشه حذف انسان نیست. در بسیاری از موارد، بهترین نتیجه از همکاری انسان و AI به دست می‌آید.

داده خوب، قبل از مدل خوب

 هوش مصنوعی بدون داده مناسب، مثل موتور جت روی یک هواپیمای کاغذی است. اگر داده‌ها ناقص، قدیمی، پراکنده یا غیر قابل اعتماد باشند، حتی یک مدل قدرتمند هم نمی‌تواند نتیجه قابل اتکایی ایجاد کند. به همین دلیل، استراتژی AI فقط درباره انتخاب مدل نیست. باید درباره کیفیت داده، دسترسی، امنیت، حریم خصوصی و نحوه استفاده از اطلاعات نیز تصمیم گرفته شود. گاهی مهم‌ترین سرمایه‌گذاری قبل از توسعه یک مدل جدید، مرتب کردن داده‌هایی است که همین حالا در اختیار سازمان قرار دارند.

با یک آزمایش کوچک شروع کنید

 لازم نیست اولین پروژه AI یک پروژه بزرگ و چندماهه باشد. فرض کنید تیم پشتیبانی روزانه صدها درخواست دریافت می‌کند و بخش زیادی از آن‌ها تکراری هستند. به‌جای ساخت یک سیستم کاملاً خودکار، می‌توان ابتدا سیستمی ساخت که برای کارشناس پشتیبانی پاسخ پیشنهادی تولید کند. سپس می‌توان این موارد را اندازه گرفت:

• زمان پاسخ‌گویی چقدر کاهش پیدا کرده است؟ 
• چند درصد پاسخ‌ها نیاز به اصلاح دارند؟ کیفیت پاسخ‌ها چگونه است؟ 
• هزینه هر پاسخ چقدر است؟ 
• آیا رضایت کاربران تغییر کرده است؟

 اگر نتیجه مثبت بود، مرحله بعدی می‌تواند آغاز شود. اگر نتیجه مناسب نبود، پیش از اینکه منابع زیادی مصرف شود، مسیر تغییر می‌کند. یک آزمایش کوچک، ریسک تصمیمی بزرگ را کم می‌کند.

چه زمانی بهتر است از AI استفاده نکنیم؟

 این سؤال به اندازه «کجا از AI استفاده کنیم؟ » مهم است.
 اگر یک مسأله:

• با یک قانون ساده قابل حل است
• داده کافی ندارد
• خطای آن هزینه بسیار زیادی دارد
• به خروجی کاملاً قابل پیش‌بینی نیاز دارد
• یا راه‌حل ساده‌تر و ارزان‌تری برای آن وجود دارد

ممکن است AI انتخاب مناسبی نباشد.
 گاهی بهترین تصمیم فنی این است که از هوش مصنوعی استفاده نکنیم. این تصمیم به معنای عقب ماندن از فناوری نیست؛ یعنی فناوری در خدمت مسأله قرار گرفته است، نه برعکس.

یک چارچوب ساده برای تصمیم‌گیری

 برای بررسی یک ایده AI در تیم مهندسی، می‌توان از این چهار مرحله استفاده کرد:
 ۱. مسأله را تعریف کنید.
 دقیقاً چه چیزی درست کار نمی‌کند؟
 ۲. هزینه مسأله را اندازه بگیرید.
 این مشکل چقدر زمان، پول یا انرژی مصرف می‌کند؟
 ۳. راه‌حل‌ها را مقایسه کنید.
 آیا AI واقعاً بهترین گزینه است یا راه‌حل ساده‌تری وجود دارد؟
 ۴. یک آزمایش کوچک اجرا کنید.
 قبل از سرمایه‌گذاری بزرگ، با داده و کاربران واقعی نتیجه را بررسی کنید.

 اگر آزمایش موفق بود، توسعه دهید. اگر نبود، تغییر مسیر دهید.

جمع‌بندی

 هوش مصنوعی می‌تواند توسعه محصولات را سریع‌تر کند، تجربه کاربران را بهبود دهد، کارهای تکراری را کاهش دهد و امکان ساخت محصولات جدیدی را فراهم کند.
 اما ارزش واقعی آن زمانی مشخص می‌شود که در جای درست استفاده شود. برای مدیران مهندسی، هدف نباید این باشد که صرفاً سریع‌تر از دیگران AI را وارد محصولات کنند. هدف باید این باشد که مشخص کنند کجا استفاده از آن واقعاً ارزش ایجاد می‌کند.
 بنابراین دفعه بعد که این سؤال مطرح شد:
 «چطور می‌توانیم هوش مصنوعی را به محصول اضافه کنیم؟ »
 قبل از صحبت درباره مدل، API یا ابزار، یک سؤال ساده‌تر باید پرسیده شود:
 «کدام مشکل واقعی را می‌خواهیم حل کنیم؟ »
 اگر پاسخ این سؤال روشن باشد، انتخاب فناوری معمولاً خیلی ساده‌تر می‌شود.