دیزاین در عصر هوش مصنوعی (بخش سوم)

۴- بحث

از زمانی که هوش مصنوعی در جوامع منتشر شد، پژوهندگان طراحی و طراحان متعجب بودند که این موضوع چگونه می‌تواند بر طراحی تاثیر بگذارد. ایا این موضوع بر روی شیوه‌ طراحی تاثیر خواهد گذاشت؟ و اگر تاثیر گذار است، ایا از روی مبانی اصلی نیز سوال خواهد کرد؟ با پاسخ اولین سوال شروع می کنیم.

۱-۴- هوش مصنوعی و رویه طراحی

تا به امروز تکنولوژی‌های دیجیتال به طور عمده در مدیریت سازمان‌ها وارد شدند و باعث کاهش هزینه‌ها و زمان تولید، و ارسال محصولات و سرویس‌ها شده‌اند. اما طراحی آن محصولات و خدمات اساسا یک فرآیند انسان محور بوده. به تصوری شماره یک بازگردیم، حتی اگر ساخت محصولات سریع و ارزان بود، طراحی یک کار زمان بر و پر مصرف بود. طراحی اساسا یک فعالیت متناوب، به صورت گه‌گاه و برای بخشی از کاربران انجام می‌شد.

هوش مصنوعی این سناریو را به شکل قابل توجهی به مرکزیت مطالعات خلاقیت تغییر داد :‌ حرکت اتوماسیون‌های دیجیتالی فضا‌های طراحی. در ساده ترین سطح خود، این توانایی‌های اتوماسیون در کارهایی بود که پیش از این انجام می‌دادند اما با سرعت بالاتر. برای مثال، ایر‌بی‌ان‌بی یک سامانه هوش مصنوعی دارد که کار های معمول طراحی را اتوماسیون می‌کند : تبدیل کردن طرح‌های موکاپ طراحان به اجزای فنی که مهندسین نرم افزار به آن نیاز دارند. کار سیستم بر اساس استاندارد سازی و دسته‌بندی همه اجزا طراحی انجام می‌شود. هوش مصنوعی می‌تواند اجزا طرح‌های ایر‌بی‌ان‌بی را بشناسد - که ممکن است به شکل دستی طراحی شده ‌باشند - و آن‌ها به اطلاعات فنی و سورس‌کد ها تبدیل کند که در مرحله پروتایپ به کار می‌آیند.

اگر استفاده از هوش مصنوعی محدود به کارهای‌ طراحی موجود باشد، مانند مثال بالا، عصاره رویه‌های طراحی دست نخورده باقی ‌می ماند. اگرچه در نمونه‌های نتفلیکس و ایر‌بی‌ان‌بی که پیش از این صحبت شد، نشان دادیم که تاثیرات هوش مصنوعی در طراحی به چیزی بیش از اتوماسیون سازی رویه‌های موجود می‌رود، این به طور ژرفی طراحی را تغییر داد. به عبارت دیگر، هوش مصنوعی یک نشانه از تجلی روشی است که ما به طراحی نگاه می‌کنیم (ورگانتی، ۲۰۰۹ و ۲۰۱۱).

آنچه اساس در بازسازی رویه‌های طراحی را ایجاد می‌کند، توانایی حل مسئله در هوش مصنوعی است. از طریق یادگیری ماشین، آنچه طراحان معمولا انتخاب میکنند را هوش مصنوعی میسپاریم : کدام رابط برای نمایش به کاربر مناسب است، کدام محتوا می‌بایست ایجاد شود و چگونه موقعیت محصول را در مقایسه با رقبا تعیین شود. این پیامدهای عمیقی در هدف و فرآیند طراحی دارد.

اولین تغییر مهم در هدف رویه طراحی (چیستی طراحی) می‌باشد. به طور سنتی، طراحان راه‌حل‌هایی (محصول، خدمت، تجربه) می‌سازند در مقیاس بزرگ ارائه شوند. به طور سنتی انچه مشتری تجربه می‌کرد پیش از آن توسط طراح تصور شده و توسعه داده شده بود، حتی تا سطح جزئیات آنک برای مثال یک تصویر می‌بایست در صفحه نمایش داده شود. از طرف دیگر، با هوش مصنوعی راه حل خاصی که یک کاربر تجربه می‌شود، نه تنها در همان لحظه برای کاربر ارسال می‌شود بلکه در همان لحظه توسط چرخه حل مسئله طراحی شود. به عبارت دیگر، در حوزه هوش مصنوعی، طراحان راه حل را طراحی نمی‌کنند بلکه چرخه‌های حل‌مسئله را طراحی می‌کنند.

زمانی هدف طراحی از ساخت راه حل به ساخت چرخه حل‌مسئله تغییر می‌کند، مسیر طراحی نیز (چگونگی طراحی) عوض می‌شود. این موضوع در مقایسه تصویر ۱ و ۲ مشهورد است : در بستر کارخانه هوش مصنوعی فرآیند طراحی به دو تکه تقسیم می‌شود، اول، فاز طراحی توسط انسان، جایی که فضای راه حل تصور و چرخه حل مسئله طراحی ‌می‌شود و دوم، فاز هوش مصنوعی که توسط الگوریتم برای هر کاربر راه‌حل خاصی طراحی ‌می‌شود. تکه دوم فرآیند تقریبا هزینه و زمانی نمی‌برد و توسعه راه حل می‌تواند به ازای هر کاربر در قیقا در موقع ایجاد درخواست صورت گیرد. که به نوبه خود استفاده از جدید ترین داده ها و یادگیری‌ را فراهم می‌کند بنابراین هربار راه حل بهتری ارائه می‌دهد. هیچ محصول یا خدماتی دیگری -مانند هوش مصنوعی- وجود ندارد که نسخه اولیه آن مانند حائل مابین طراحی و استفاده قرار گیرد. طراحی، ارسال و استفاده، همگی در یک جا و همزمان صورت می‌گیرد.

اگرچه این رویه جدید در حوزه تجربیات دیجیتالی مبتنی بر نرم افزار (مانند نتفلیکس و ایر‌بی‌ان‌بی) به وضوح قابل مشاهده است‌، اما در صنایع مبتنی بر محصولات فیزیکی نیز در حال پیشرفت است. برای مثال مورد تسلا را نظر بگیرید. مدل عملیاتی نتفلیکس یا ایر‌بی‌ان‌بی را منعکس می کند، زیرا مقدار زیادی داده از حسگرهای داخلی و خارجی ماشین را برای طراحی تجارب کاربر منحصر به فرد جمع‌آوری می‌کند. با این حال، تسلا برای فعال کردن حلقه‌های حل مسئله با یک مانع محسوس روبرو است: خودرو. سخت افزار (هنوز) به صورت همزمان، از راه دور و به صورت خودکار قابل طراحی نیست. برای استفاده از قدرت هوش مصنوعی ، تسلا مجبور شد تا در طراحی ماشین، متنوع عمل کند. ابتدا همه عناصر متقابل فیزیکی (به عنوان مثال دکمه ها) برای جاسازی اکثر کنترل‌ها در رابط کاربر دیجیتال‌ به صفحه لمسی مرکزی بزرگ قرار دهد(Lambert، 2018). دوم، این موضوع باعث می‌شود ماشین بیش از حد داده جمع آوری کنند. داده‌ها از منابع خارجی (معمولاً تجهیزات فراصوتی ، ورودی GPS ، دوربین ها ، فرستنده های راداری و LIDAR) و همچنین از حسگرهای داخلی تأمین می شوند. با حرکت اتومبیل‌ها، سنسورها اطلاعات را با فرکانس بالا برای تقویت مجموعه داده‌های تسلا جمع آوری می‌کنند و الگوریتم‌های یادگیری آن را آموزش می‌دهند. برخی از سنسور‌ها در موقع خرید فعال نیستند و بعد و بعد از جمع آوری داده از کابر پس از عرضه محصول از راه دور فعال می شوند تا چرخه‌های جدیدی فراهم شوند و خدمات جدیدی به مشتریان ارائه دهند. به عنوان مثال، مدل ۳ از سال ۲۰۱۷ با دوربین رو به کابین که در آینه عقب قرار دارد مسلح است. این دوربین در ابتدا خاموش بود (لمبرت ۲۰۱۷). در ژوئن ۲۰۱۹ از این دوربین ، به لطف به روزرسانی های جدید نرم افزاری، برای شناسایی سرنشینان استفاده شده و اجزای قابل تنظیم مانند صندلی‌ها، آینه‌های خودرو ، تنظیمات موسیقی یا حالت رانندگی را مطابق با مشخصات کاربر سازگار می‌شوند (لمبرت ۲۰۱۹).

۲-۴- هوش مصنوعی و مبانی طراحی

مثال‌های ما نشان دادند در بستر کارخانه هوش‌مصنوعی، رویه‌های طراحی به طور چشم‌گیری تغییر کردند، هم در اهداف طراحی و هم در فرآیند آن. آیا هوش مصنوعی اصول اساسی طراحی را هم به زیر میکشد؟ به عبارت دیگر، آیا در این رویه جدید طراحی آیا مردم محور بودن، استدلال ربایشی و تکرار هنوز وجو دارد؟ یا در مبانی دیگری ریشه خواهد داشت؟

طبق مشاهدات ما بنظر می‌رسد که هوش مصنوعی مبانی تفکر طراحی را زیر سوال نمی‌برد، بلکه آن‌ها را تقویت می‌کند.

برای حمایت از گفته بالا، در نظر بگیرید که چطور هوش مصنوعی محدودیت‌های طراحی انسانی سنتی را حذف کرد. مطالعه‌ ما نشان میدهد که هوش مصنوعی بر مدل عملیاتی یک سازمان با از بین بردن سه محدودیت، تاثیر گذار است : مقیاس پذیری، قلمرو و یادگیری. با حذف کردن این محدودیت‌ها، هوش مصنوعی توانایی طراحی را تقویت میکند، تا مردم محور باشد و استدلال ربایشی درست کند و در تکرار ها خلاق باشد.

مقیاس پذیری و مردم محوری. رویه‌های سنتی طراحی به طور قابل توجهی در مقیاس پذیری محدود بودند. این فعالیت یکی از فعالیت های انسانی بود که نیاز به صرف منابع و زمان قابل توجه داشت، علی الخصوص در خلال توسعه که چندین تصمیم می‌بایست گرفته می‌شد. این بسیار بی منطق بنظر می‌رسید که هر بار که کاربر نیازی داشت راه حلی طراحی شود. به استثنای سیستم‌های سفارش مهندسی که تمام هزینه طراحی بازگردانده می‌شد، راه حل ها در فرم‌های محصول و خدمات طراحی می‌شدند و چندین کاربر یا دسته‌ای از مشتری را هدف قرار می‌دادند. اگرچه بعضی از فرم‌های شخصی سازی در مراحل تولید و ارسال ممکن بود، مرحله طراحی در پروژه‌ها گاه به گاه انجام می‌شد، ، در این مرحله کاربران میانگینی از کهن الگو ها در نظر گرفته می‌شدند (در نتیجه از پرسونا در فرآیندهای کلاسیک تفکر طراحی استفاده می‌شد.) این محدودیت در مقیاس پذیری برای مردم محور بودن طراحی محدودیت‌های قابل توجهی ایجاد می‌کرد.

هوش مصنوعی قادر است تا محدودیت مقیاس پذیری طراحی را به شکل چشم گیری حذف کند، همانطور که توسعه یک راه‌حل توسط ماشین انجام می‌شود. اول این ماشین‌ها قواعد طراحی که ذاتا مردم محور بودن در خود اذغام کردند. همانطور که در نمونه نتفلیکس دیدیم، یادگیری نظارتی یک جریان داده را از هر کاربر دریافت می‌کرد. دوم اینکه این تمرکز بر روی افراد می‌تواند بدون هیچ محدودیتی مقیاس شود، بدون هیچ محدودیتی در تعداد کاربران و یا پیچیدگی داده. یک راه‌حل جزئی که یک کاربر خاص تجربه می‌کند برای آن کاربر مشخص بر اساس داده آن کاربر توسعه داده شده است. به طور شگفت انگیزی رابطه مابین مقیاس پذیری و مردم محور بودن الان بر عکس شده است. در طراحی انسانی تعداد بیشتر کاربران و پیچیدگی بینش‌ها باعث سخت تر شدن تمرکز بر روی افراد می‌شد، اما در بستر کارخانه هوش‌مصنوعی هرچه تعداد کاربران و پیچیدگی جریان داده بیشتر شود، پیش بینی ماشین از رفتار هر فرد بهتر می‌شود. مثال حرفه‌ای تر آن توسط ایر‌بی‌ان‌بی ساخته شد. در این مثال سازمان با تعداد دسته‌های مختلفی از افراد به طور همزمان سر و کار دارد. نه تنها چرخه‌های یادگیری با افزایش این پیچیدگی اذیت نمی‌شوند، بلکه ان‌ها از مزایای ترکیب شدن داده‌های هر دو سوی مارکت استفاده می‌کنند.

قلمرو و استدلال ربایشی. رویه‌های طراحی انسانی در قلمرو خود نیز محدودیت‌های چشم گیری داشتند. محصولات برای صنایع مشخصی و مقاصد معنی طراحی می‌شدند. به محض اینکه یک پروژه طراحی خاتمه پیدا می‌کرد، بعید بود که در زمینه دیگری نیز اعمال شود. یک ماشین برای هدف حمل و نقل طراحی می‌شد. جا به جا شدن از یک جا به سمت خدمات تفریحی بعید بود که رخ دهد. و این یعنی نیاز به یک محصول جدید بود. حتی محدود بودن قلمرو طراحی در یک صنعت مشخص هم دیده میشد. مثال تفکر طراحی گروه هتل‌های بین‌قاره‌ای را به یاد بیاورید. راه حل را شرکت ایدیو برای حل مشکل مسافرت‌های کوتاه مدت حل کرد و هدف مسافران بیزینسی قرار گرفتند که نوآوری متفاوتی نیاز داشتند، با تیم متفاوتی اما تحت همان برند و همان سازمان به توسعه آن پرداختند. محدودیت طراحی‌های انسانی به طور چشم‌گیری احتمال استدلال ربایشی را محدود می‌کرد. خلاصه طراحی قلمرو فضای طرح مشخص می‌کرد. وقتی که آن خلاصه طراحی تعریف می‌شد دیگر خلاقیت تنها در فضای آن می‌توانست انجام شود.

هوش مصنوهی قادر است که محدودیت قلمرو را حذف کند. در بستر کارخانه هوش مصنوعی، خلاصه طراحی سیال است و حتی پس از پخش شدن محصول می‌تواند بازنویسی شود. برای مثال دیدیم که چطور نتفلیکس با استفاده از یادگیری بدون ناظر الگو‌های جدید سلقیه مشتریان را پیدا کرد در حالی که بیرون از فرآیند برای آن هیچ تنظیماتی قرار نداده بود. این پیش‌بینی برای استدلال‌های ربایشی برای تصور فیلم‌های جدید استفاده می‌شود. این سیالیت در قلمرو طراحی ممکن است قادر باشد تا در فضاهای جدید طراحی کاوش کند. ایر‌بی‌ان‌بی را در نظر بگیرید، که با پیشنهاد دادن اسب سواری در ساحل یا استخدام موزیسین تجربه سفر را گسترش داد. برای ورود به صنعت جدید ایر‌بی‌ان‌بی از نفوذ همان هوش مصنوعی استفاده که سرویس‌های هتل‌داری سنتی داشتند. مشابه آن ، تسلا چرخه یادگیری را در ماشین های خود ادغام کرد تا در مسیر سفر به مسافران سرگرمی پیشنهاد دهد. این موفقیت در تولید خودرو به دلیل عدم محدودیت در قلمرو طراحی توسط هوش مصنوعی بود.

یادگیری و تکرار. رویه‌های طراحی سنتی در یادگیری در نهایت محدود می‌شدند. در حقیق ، چرخه طراحی-ساخت-ازمایش که تغذیه کننده یادگیریست به پروژه محصور میشد. به محض اینکه پروژه خاتمه یافت، و محصول توزیع میشد، چرخه قطع می‌شد. درس‌ها جدید که از دیدن استفاده واقعی محصول بدست می‌امد برای نسخه اینده قابل استفاده بود. نواوری به طور اپیزودیک صورت می ‌گرفت و بستر که راه حل در ان توسعه پیدا کرده بود به سرعت قدیمی می‌شد.

هوش مصنوعی محدودیت‌های یادگیری را به شدت از بین برد. توجه داشته باشد که کارخانه هوش مصنوعی ذاتا بر اساس تکرار است. آن‌ها از طریق چرخه یاد میگیرند. همانطور که در نمونه نتفلیکس ترسیم شد، هر زمان که یک کاربر به خدمت دسترسی پیدا میکند، هوش مصنوعی فعال می‌شود و چرخه حل مسئله را راه می‌اندازد. این چرخه جدید چون داده‌ها و الگوریتم‌های جدید تری دارد، میتواند فرصت‌های جدیدی را پیشنهاد دهد. الگوریتم، به طور خاص، می‌تواند استراتژی یادگیری به سمت بهبود هول بدهد، یعنی، با تعریف کردن فراسنج‌های بهتر به حل مسئله کمک کند، یا فرصت‌های جدید را کاوش کند. این تعادل مابین کاوش و اقدام توسط یادگیری تقویتی تسهیل می‌شود، و این فرآیند در تمام چرخه حیات محصول ادامه پیدا می‌کند. پیامد ها از نظر نوآوری قابل توجه است.

اول، یادگیری هیچ وقت تمام نمی‌شود. راه حلی که با یک کاربر خاص در یک موقع خاص تجربه شده است با تجربه همان محصول در روز اول یکی نیست. این حرفه‌ای ترین نوع طراحی است. به نوعی شاید باید گفت، راه حل همیشه جدید است. بخاطر منعطف بودن ذاتی تجربه‌ها در نرم افزار است که این موضوع مقدور است. در کارخانه هوش مصنوعی تمام چرخه یادگیری اتوماتیک است. این یعنی یک نسخه جدید از محصول زمانی هر لحظه که کاربر به ان خدمت دسترسی دارد توزیع می‌شود. دوم، یادگیری بر اساس استفاده واقعی است، در حالی که در گذشته، یادگیری در پروتایپ‌هایی که ساده سازی و شرایط محفوظ ساخته می‌شدند، رخ می‌داد، امروزه، یادگیری از استفاده واقعی از محصول واقعی رخ می‌دهد. سوم، یادگیری شخص محور شده است. در گذشته یک تجربه به یک فرد در حالی که بر اساس دست اورد‌ها از مردم دیگر بود پیشنهاد داده می‌شد. امروز نه تنها بینش‌هایی از داده مردم دیگر به ما کمک می ‌کند بلکه داده‌های خود فرد نیز کار امد است. چهارم، ارائه هر نسخه به کاربر نه تنها یک فرصت برای بهبود طرح است، بلکه یک فرصت برای ساخت یک تجربه جدید در فضایی ازاد از نوآوری‌های قابل توجه است. به این منظور، چرخه‌های یادگیری با منطق‌های مختلفی طراحی نسبت به محصولات سنتی طراحی می‌شوند. در عوض، کارخانه هوش مصنوعی با چرخه‌های طراحی شده‌ اند که از المان‌های مختلف سرشار شده اند. به عبارت دیگر، کارخانه هوش مصنوعی، صراحتا با افردنس‌های زائد طراحی شده اند (گیبسون ۱۹۷۷). همانطور که ما در مثال تسلا دیدیم، همان سنسورهایی رانندگی خودکار را مقدور ساختند، خود به الگوریتم‌ها پیچیدگی و تنوع واقعی خیابان‌ها را یاد دادند، اگرچه خیلی از ویژگی‌های ان‌ها فعال نیست و مانند ویژگی‌های مرتبط به دوربین‌های داخلی که برای دو سال فعال نبودند.

خلاصه، کارخانه هوش مصنوعی اصول تفکر طراحی را در خود گنجانده و تقویت می‌کند: بیش از آن که مردم‌محور باشد، تک‌فرد-محور است. خلاقیت را در مابین دسته‌ها، سهام‌داران و صنعت ها تسهیل کرده و استدلال ربایی را فرای قلمرو ها یک محصول مقدور ساخته. در نهایت، هوش مصنوعی ذاتا بر اساس تکرار است، انتقال یادگیری و نواوری از توسعه به چرخه حیات یک محصول.

۳-۴- طراحی برای هوش مصنوعی

اگر هوش مصنوعی به رویه‌های حرفه‌ای طراحی قدرت می‌بخشد، خلاف آن نیز صادق است :‌ طراحی می‌تواند در به کارگیری هوش مصنوعی انسان-محور و موثر تر قدت بدهد. به صنعت هتلداری فکر کنید. وبسایت booking و پتلفرم ایر‌بی‌ان‌بی هر تو از هوش مصنوعی شدیدا استفاده می‌کنند. برای مثال شخصی‌سازی فهرست‌ها و کمک به میزبان‌ها برای تصمیم‌گیری درباره قیمت. مسیر نواوری در booking کمتر با طراحی درگیر و بیشتر با تست آ/ب درگیر است. در booking ویژگی‌ها بیش از انکه توسط کاربران وارد شود توسط یک ازمایشگاه بیرونی وارد می‌شوند. از طرف دیگر، ایر‌بی‌ان‌بی در ذات خود تفکر طراحی را دارد، زیرا که موسسین آن از فارغ التحصیلان مدرسته طراحی روود از ایسلند هستند. در ۲۰۱۱ این شرکت پروژه ای به نام سفید برفی را راه‌اندازی کرد تا طراحی انسان محور را در همه سطوح سازمان وارد کند و استراتژی رقابتی را بازطراحی کرد. پروژه توسط ربکا سینکلر، مدیر تحقیقات و طراحی تجربه کاربری و یکی از مدیران ادیو، مدیریت شد. اون گفت : «اول کار ما مانند هر استارتاپی محصول خود را وبسایت و اپ خود می‌دانستیم. اما با رویه‌ تفکر طراحی ما به یک ماجرا دیگر تمرکز کردیم. رزرو های مشتریان را جمع آوری کردیم و ما دیدم که موقعیت‌های مهم معمولا افلاین هستند. این تجربه افلاین بودن، رفتن به پاریس و ماندن در خانه درختی، ان چیزیست که مشتریان می‌خرند، نه وبسایت و نه اپ. و در اینجا بود که ما رویکرد خود را عوض کردیم و گفتیم محصول ما سفر است.» نتیجه این رویکرد طراحی در مسیر نوآوری قابل مشاهده است، نه تنها در ظاهر این وبسایت در مقایسه با بوکینگ بلکه در قابلیت ایر‌بی‌ان‌بی برای هدایت هوش مصنوعی به سمت توسعه دسته های جدید تجاری ، مانند تجربه ایر‌بی‌ان‌بی.

مایکروسافت دیدگاه دیگری در مورد نقش اصلی طراحی برای پیاده سازی هوش مصنوعی ارائه می دهد. همانطور که مدیر عامل شرکت مایکروسافت ، ساتیا نادلا، اظهار داشت، هوش مصنوعی «زمان اجرا» جدید شرکت است. مدل عملیاتی آن اکنون حول هوش مصنوعی ساخته شده است. این شرکت را ملزم می کرد دارایی های آی‌تی و داده‌های خود را که در عملیات مختلف شرکت پراکنده شده بود، سازماندهی اساسی کند. جالب است که این تحول توسط یک مدیر آی‌تی یا کارشناسان فناوری اطلاعات انجام نشده است. در عو ، کل ابتکار عمل توسط کرت دل بنه، یک مدیر با تجربه محصول انجام شد، زیرا او رئیس سابق واحد تجاری آفیس بود. نادلا در واقع می خواست فرآیندهای عملیاتی شرکت و کارخانه هوش مصنوعی به عنوان محصولات به جای زیرساخت های فناوری اطلاعات طراحی شود.

در سال ۱۹۸۸ در مقابل پیشرفت‌های هوش کامپیوتر، و چالش‌های آن که درک‌ ما را از شناخت روشن کرد، میهالی سیکزنتویهالیی و هربرت سایمون شروع به مجادله بر سر ذات خلاقیت کردند. سایمون به کاوش در پتانسیل‌های برنامه ای کامپیوتری به اسم BACON پرداخت که او و همکارانش در دانشگاه کارنگی ملون توسعه داده بودند. این برنامه دیدگاهی از پردازش های شناختی میداد، در آن دیدگاه خلاقیت به عنوان فرآیند حل مسئله تفسیر می‌شود (بنابراین بخشی از ان در کامپیوتر ادغام شد.). در ادامه آن مقاله سیکزنتویهالیی این رویکرد را به چالش کشید:‌‌ «سایمون امیدوار بود که اثبات کند خلاقیت چیزی به جز حل مسئله نیست.» سیکزنتویهالیی به جای آن یک تعریف دیگر پیشنهاد داد‌ :«یافتن مسئله نشانه خلاقیت است» و بعد از سایمون در پاسخ به سیکزنتویهالیی پاسخ داد: «می‌بایست ادعا کنم، دقیقا همانطور که یافتن قاعده‌ای برای توضیح داده‌ها فرآیند حل مسئله محسوب می‌شود، پیدا کردن مسئله و یافتن داده برای حل آن بخشی از نوع معمول فرآیند حل مسئله است.» عصاره پاسخ سیکزنتویهالیی در مقدمه این بخش آمده است: حل مسئله و یافتن مسئله دو ذات متفاوت دارند. او انتظار داشت که تئوری های طراحی در سال‌های بعد پژوهشگران از طرفی پژوهشگرانی طراحی را اصولا حل مسئله بدانند و از طرف دیگر پژوهشگرانی طراحی را فرآیند چارچوب بندی مسئله یا به طور دقیق تر، معقول کردن* بدانند.

در دهه گذشته جریان اول (خلاقیت به عنوان حل مسئله) توجه بیشتری برای توسعه تئوری‌ها به خود جلب کرده‌اند. اگرچه این مورد چارچوب بندی مسئله را نیز شامل می‌شود ولی از نظر تئوری ریشه در تئوری حل مسئله سایمون دارد. این تمرکز در توسعه نظریه با این واقعیت توجیه شد که حل مسئله پیچیده است و بنابراین به مهمترین تلاش انسان‌ها نیاز دارد. انتشار فعلی هوش مصنوعی به طور چشمگیری این سناریو را تغییر می‌دهد. حل مسئله به طور فزاینده‌ای در چرخه‌های یادگیری خودکار کارخانه‌های هوش مصنوعی ادغام می‌شوند و هسته اصلی طراحی انسان را به سمت قالب‌بندی و ایجاد حس تغییر می‌دهد.

پیامدهای نظری آن قابل توجه است. اول، برای نظریه های حل مسئله. اکثر این نظریه ها (به ویژه در حوزه تفکر طراحی) با این فرض که مشکلات نوآوری توسط انسان حل شده است، ایجاد شده‌اند. چه اتفاقی می افتد که مسائل توسط ماشین حل شوند؟ قبلاً بحث کردیم که چرخه‌های هوش مصنوعی با تکرار قوانین ضعیف ساده کار می‌کنند. طراحان در عوض به مشکلات پیچیده به عنوان یک کلیت سیستمی می پردازند. مثال دیگر مربوط به پیامد چرخه‌ها این است: آن‌ها به صورت نمایی و سریع افزایش می‌یابند و نتایج ناخواسته‌ای را در مقیاس بزرگ، از جمله تقویت جانبداری‌ها ایجاد می کنند. چگونه می توان چارچوب‌های مناسب را به طراحان ارائه داد تا نتیجه نمایی طراحی آن‌ها را زودتر از موعد بدست آورد؟

دوم، نکته مرتبط تر اینکه ما باید لنزهای نظری‌ای را که برای درک فعالیت انسان در طراحی استفاده می‌کنیم تغییر دهیم: نه تنها به عنوان حل مسئله (که اکنون به طور فزاینده ای توسط ماشین ها انجام می شود) ، بلکه ، و به ویژه، به عنوان معقول کردن* نقش طراحان در کارخانه های هوش مصنوعی این است که بفهمند چه مشکلاتی منطقی‌تر است ، در کنار طراحی حلقه‌های یادگیری، و سپس تکامل مداوم، آن‌ها را به یک سمت معنی‌دار هدایت می کند. فقط به ذکر یک مثال ساده که سیکزنتویهالیی در بحث با سیمون مطرح کرده است توجه کنید: الگوریتمی که برای حل مسئله ایجاد شده است نمی‌تواند از حل آن امتناع ورزد. نمی تواند دوشاخه را بکشد (مگر اینکه این ماشه قبلاً در کد آن گنجانده شده باشد). یک انسان می‌تواند. اگر معنایی نداشته باشد، از نظر اخلاقی، عاطفی یا با انگیزه ذاتی می‌تواند از طراحی جلوگیری کند.

از آنجا که دانشمندان در گذشته بر حل مسئله تمرکز داشته اند، درک ما از طراحی به عنوان معقول کردن* هنوز بسیار محدود است. بنابراین یک فضای عظیم (و جذاب) پیش رو برای کاوش وجود دارد.

ما پیش بینی می‌کنیم که مهمترین تحولات نظری آینده در تفکر طراحی از یک تحقیق عمیق‌تر در زمینه طرح مسئله حاصل می‌شود و از تئوری‌های ساخت حس استفاده می‌کند. همچنین، ما پیش‌‌بینی می‌کنیم که طراحی به رهبری نزدیک‌تر شود، که یک عمل ذاتی ساختن حس است.

۵- نتیجه‌گیری

هوش مصنوعی مانند هیچ فناوری دیجیتالی دیگری نیست و فقط عملیات را خودکار نمی‌کند، بلکه یادگیری را خودکار می‌کند، که هسته اصلی نوآوری است. بنابراین فرصت‌های بی‌سابقه‌ای برای کاهش چشمگیر هزینه و زمان تهیه یک راه حل جدید فراهم می‌کند. در این مقاله، با بررسی استراتژی‌های شرکت های پیشگام در هوش مصنوعی: نتفلیکس، ایربی‌ان‌بی، تسلا و مایکروسافت، دریچه ای برای پیامدهای طراحی گشودیم.

موارد حاکی از آن است که هوش مصنوعی مفروضات و اصول تفکر طراحی را تضعیف نمی‌کند. بلکه با از بین بردن محدودیت‌های گذشته در مقیاس، دامنه و یادگیری، امکان ایجاد طرح‌های بیشتر در هسته خود را فراهم می‌کند: این شکل نهایی از مردم-محور بودن را درک می‌کند، با تجاربی که می تواند به طور مداوم بر اساس داده های هرکاربر برای هر فرد طراحی شود. هوش مصنوعی ممکن است با گسترش دامنه فضای طراحی فراتر از دسته بندی محصولات و صنایع ، خلاقیت را افزایش دهد. سرانجام، این تکرارها و آزمایشات را در هسته مدل‌های عملیاتی شرکت‌ها به ارمغان می‌آورد.

با این حال، عملکرد طراحی کارخانه‌های هوش مصنوعی با آنچه قبلاً می‌دانستیم کاملاً متفاوت است. ما چارچوبی را برای بحث در مورد این تحول و به دست آوردن ماهیت طراحی در زمینه جدید کارخانه‌های هوش مصنوعی معرفی کرده‌ایم. با ظهور هوش مصنوعی، بخش قابل توجهی از حل مسئله (عمدتا ، آنچه ما قبلاً توسعه می‌گفتیم) به الگوریتم‌ها منتقل می‌شود. آنها به لطف چرخه‌های یادگیری خود به نوآوری و جستجوی راه‌حل‌های بهتر ادامه می‌دهند. این الگوریتم‌ها به طرز قابل توجهی متفاوت از یک طراح فکر می‌کنند: آن‌ها در مورد کارهای کوچک گنگ فکر می‌کنند، که اگر هزاران بار یا حتی میلیون ها بار کوچک و تکرار می‌شوند، می‌توانند مشکلات پیچیده‌ای را برطرف کنند.

از نظر مدیران، درک ماهیت جدید رویه طراحی در عصر هوش مصنوعی امری اساسی است تا از به کار بردن اصول صحیح طراحی (که دست نخورده باقی مانده‌اند) از روندی غلط جلوگیری کنند.

برای محققان، مفاهیم نظریه‌های طراحی نیز قابل توجه است. ما به دو نوع چارچوب جدید نیاز داریم. اول، ما باید مدل‌های جدیدی را در اختیار طراحان قرار دهیم که آ‌ن‌ها را در کار جدیدشان پشتیبانی کند: نه طراحی راه‌حل، بلکه طراحی چرخه‌های حل مسئله که راه‌حل‌ها را توسعه می‌دهند. دوم، به مدیریت طراحی و نوآوری ، ما باید درک خود را از بعد استراتژیک طراحی تقویت کنیم: تعریف یک جهت معنادار. در کارخانه‌های هوش مصنوعی، جنبه انسانی طراحی به طور فزاینده‌ای به فعالیت معقول کردن* تبدیل می‌شود (تعریف اینکه کدام مشکلات برای حل معقول است). این امر طراحی را به مدیریت و به ویژه به رهبری نوآوری نزدیک‌تر می‌کند. به نوعی، فاصله انضباطی بین طراحی و مدیریت از دو دهه قبل شروع به کاهش کرده است. با این حال‌، در گذشته این تئوری مدیریت بود که به طراحی نزدیک تر شود‌ و چارچوب‌های جدیدی که می‌تواند حل مسئله را پشتیبانی کند جستجو کند. در عوض، ما انتظار داریم که طراحی به مدیریت نزدیک‌تر شود. و فاصله در بعد جدیدی کاهش می‌یابد: ابعاد حس سازی. فضای خاکستری بین این دو رشته ، و به ویژه بین طراحی (با تئوری های مربوط به قاب بندی و نقد) و رهبری (با تئوری های ساخت حس و گفتگو) ، مربوط است. به طور قابل توجهی استفاده نشده است و نوید می‌دهد که یکی از جذاب ترین ماجرا‌ها برای دانشمندان نوآوری در سال‌های آینده باشد.

پایان

برای مطالعه بخش های اول و دوم می‌توانید از لینک های زیر استفاده کنید :‌