۳- طراحی قدر گرفته از هوش مصنوعی در عمل
برای آنکه ببینیم چطور تصویر شماره ۲ در عمل کار می‌کند، ما نمونه‌های نتفلیکس و ایر بی ان بی را مورد بررسی قرار داده‌ایم. ما این دو مورد را انتخاب کردیم ، زیرا در مرز برنامه‌های کاربردی هوش مصنوعی، نگاهی اجمالی به آینده طراحی در زمینه کارخانه‌های هوش مصنوعی دارند.
نتفلیکس به طور کامل حوزه مدیا را با استفاده از قدرت کلان‌داده و هوش مصنوعی تغییر داد. هسته مرکزی نتفلیکس داده‌ها و مدل عملیاتی مرکزی هوش مصنوعی آن است. این موضوع توسط زیر ساخت های نرم افزاری تامین می‌شود که داده‌ها را جمع آوری و الگوریتم‌های جدید را تربیت و اجرا می‌کند که تقریبا همه جنبه‌های کسب و کار را نیز شامل می‌شود، از شخصی سازی تجربه کاربر گرفته تا انتخاب موضوع برنده برای ساخت فیلم. در این بخش ما به جزئیات رویکرد نتفلیکس در طراحی خواهیم پرداخت و در بعضی از تکنیک‌های یادگیری ماشین که در چرخه حل مسئله نتفلیکس مستقر شده است عمیق خواهیم شد.
شروع نفوذ هوش مصنوعی به نتفلیکس برای تغذیه کردن موتور پیشنهادش به اوایل ۲۰۱۰ بر می‌گردد. در سال ۲۰۱۴ نتفلیکس این کارخانه را برای فهمیدن رفتار کاربران و توسعه جریان‌هایی از تجربه‌های خاص برای هر کاربر، گسترش داد. صفحه برنامه‌ای که امروز کاربران می‌بینند در همان لحظه توسط ماشین ساخته می‌شود. محدودیت‌ها و فراسنج‌های زیادی توسط طراحان - انسانی - در اغاز کار برای ماشین مشخص شده‌اند. اما اینکه کدام فیلم‌ها در صفحه اول نمایش داده شود، چطور نمایش داده شوند، کدام تصویر از آن فیلم نمایش داده شود، و خیلی از تصمیم‌گیری‌های طراحی دیگر، توسط هوش مصنوعی که در چرخه حل مسئله ادغام شده‌اند، انجام می‌گیرد. بگذارید تا در الگورتیم آن که به طور تاثیر‌گذاری شباهت به ابعاد پروسه‌های طراحی ما دارند، عمیق شویم.
معمول مسائلی که هوش مصنوعی برای حل آن‌ها استفاده می‌شود، شکل دادن طرح یک تجربه است که به پیش‌بینی خروجی‌ها مرتبط است. ابزار ساخت چنین پیش‌بینی الگوریتم‌ها هستند، قواعدی که یک ماشین برای حل کردن یک مسئله دریافت می‌کند. هوش مصنوعی می‌تواند انواع الگوریتم‌ها را برای کاربرد‌های متنوعی به کار بگیرد. بعضی از هیجان‌انگیز ترین الگوریتم‌ها یک پردازش داخلی برای بروزرسانی و بهتر شدن دارند، بیشتر آن‌ها بر اساس «فرآیند تصمیم مارکف» که به دنبال مدل کردن سکانس‌هایی از اعمال هستند، کار می‌کنند. در واقع هر کدام با یک سیاست شکل می‌گیرند و به دنبال پاداش هستند. یکی از آن‌ها الگوریتم نتلفلیکس برای بروزرسانی داینامیک صفحه کاربران بر اساس رفتار واقعی هر کاربر است. (زمانی که سیاست‌گذاری هوش مصنوعی می‌گوید چه ترکیبی را نمایش بده، هر کلیک یک پاداش محسوب می‌شود.)
اگرچه کاربرد‌های هوش مصنوعی در دهه گذشته به شدت در حال رشد است، پایه‌های الگوریتم‌ها تقریبا ثابت مانده است. توسعه مفهومی و ریاضی مدل‌های کلاسیک آمار مانند رگریسیون خطی، خوشه‌بندی، زنجیره مارکف به بیش از ۱۰۰ سال پیش بر می‌گردند. شبکه‌های عصبی امروزی در واقع در دهه ۱۹۶۰ پیدا کرده‌اند، اما امروزه در جایگاهی مقیاس پذیر و خروجی‌های اماده تولید قرار گرفته‌اند. بخش اعظمی از آماده تولید سامانه‌های عملیاتی هوش مصنوعی در نتفلیکس یکی از سه رویکرد اصلی را برای توسعه مدل‌های اماری جهت پیش‌بینی استفاده می‌کند، که معمولا به یادگیری ماشین شناخته می‌شوند. این سه رویکرد یادگیری نظارتی، یادگیری بدون ناظر و یادگیری تقویتی می‌باشند.
یادگیری نظارتی : هدف اولیه از الگورتیم نظارتی یادگیری ماشین نزدیک شدن ماشین به یک متخصص در پیش‌بینی خروجی‌های سیستم است. یک مورد کلاسیک آن تحلیل یک تصویر و پیش‌بینی کردن آن است که شی درون آن یک سگ است یا یک گربه. در این نمونه متخصص می‌تواند هر انسانی با قدرت بینایی خوب باشد که بتواند عکس های را به دو دسته گربه و سگ بر چسب بزند. مرحله اول برای شروع فرآیند یادگیری نظارتی آن است که یک مجموعه داده برچسب خورده برای آن ماشین - توسط ناظر - آماده شود. بعد از آن داده‌ها به دو دسته «اموزش» و «اعتبار سنجی» تبدیل می‌شود. ما از داده اعتبارسنجی استفاده خواهیم کرد تا توان پیش‌بینی ماشین را بر اساس تربیتی که از داده‌های اموزش یافته است بسنجیم. اگر نتیجه رضایت بخش نباشد می‌توانیم فرآیند را از ابتدا شروع کرده و یک رویکرد اماری دیگر را انتخاب کنیم، یا داده بیشتری جمع آوری کنیم و یا ویژگی‌های بیشتری از داده‌های موجود را که در پیش‌بینی کمک کننده خواهند بود را به داده آموزش اضافه کنیم. نتفلیکس از یادگیری ماشین در سناریو‌های بسیار متفاوتی استفاده می‌کند. برای سامانه توصیه کردن، نتفلیکس از داده‌های برچسب خورده‌ای استفاده می‌کند که با اعمال و نتایج کاربران (مثلا کاربران چه فیلم‌هایی را انتخاب و کدام ها را لایک کرده‌اند.) بدست آمده است. مجموعه داده های وسیعی از گزینه‌های کاربر که توسط ویژگی های کاربر و بستر تصمیم‌گیری کالیبره شده است می تواند به توصیه‌های موثرتری منجر شود.
توجه داشته باشید که یادگیری نظارتی شباهت‌هایی به عناصر طراحی انسانی که پیشتر در اولین مبنای طراحی گفته‌شد (مردم محور بودن) دارد. همانطور که طراحان همیشه خود را در بستر استفاده کاربران و مشاهده تجربه آن‌ها از جنبه‌های مختلف تجربه کاربر قرار می‌دهند، الگورتیم‌ها نیز با جریان‌هایی از داده‌های کاربران که به شکل قابل توجهی در بستر استفاده بدست آمده‌اند، تربیت می‌شود. تعداد مشاهده بیشتر و پردازش‌های بهتر، چرخه‌های حل مسئله‌ی موثر تری را فراهم می‌کند.
یادگیری بدون ناظر : بر خلاف یادگیری نظارتی که سامانه برای شناسایی خروجی‌های شناخته شده استفاده می‌شود، کاربرد اصلی یادگیری بدون ناظر ان است که بینش‌هایی را از داده بدست آورد که کمترین پیش‌فرض‌ها را دارد. در یادگیری نظارتی داده‌های ورودی با خروجی‌هایشان برچسب خورده‌اند، این در حالی است که در الگوریتم‌های یادگیری بدون ناظر هدف آن است که داده‌های به طور طبیعی، بدون هیچ برچسبی، دسته‌بندی شوند و ساختار‌هایی کشف شود که برای بیننده (انسان) واضح نیستند. در مثال تصاویر گربه‌ها و سگ‌ها، یک الگورتیم یادگیری بدون ناظر ممکن است چندی دسته بندی داشته باشد. بر اساس اینکه خوشه‌ها چگونه ساختار یافته‌اند، ماشین می‌تواند سگ‌ها و گربه‌ها یا بیرونی یا داخلی بودن تصاویر را، یا شب یا روز بودن یا تقریبا همه چیز را از هم جدا کند. در این مثال‌ها ماشین نمی‌داند که باید به دنبال چه چیزی بگردد، اما برای هر نوع دسته مرتبطی در مابین داده جستجو می‌کند. نتفلیکس از یادگیری غیر نظارتی در کشف دسته‌بندی کابرانش استفاده می‌کند. این کار برای اهداف مختلفی مانند بازاریابی، یا ساختن نسخه‌های مختلف از رابط کاربری بر اساس الگو استفاده کاربر، انجام می‌شود. حتی حرفه‌ای تر از آن، نتفلیکس از داده‌ها و الگوریتم‌ها برای پیش‌بینی اینکه کدام محتوا از ابتدا می‌بایست ساخت شود دخالت می‌کند. اولین نوع این تحلیل در سال ۲۰۱۳ انجام شد و پتانسیل های فیلم «خانه پوشالی» در همکاری با شرکت media right capital سنجیده شد. سریال جدید یک موفقیت بود و نتفلیکس به توسعه ماشین‌هایی که با توجه به بازار و رفتار کاربران محتوای مناسب را پیش‌بینی کنند، ادامه داد. کیندی هولند، نائب رییس بخش اصالت محتوا، در یک مصاحبه اشاره کرد : « ما مدل‌های پیش‌بینی کننده‌ای داریم که به ما در فهمیدن اینکه یک ایده یا حوزه خاص با توجه به ویژگی‌هایش ممکن است چقدر مخاطب داشته باشد، به ما کمک می‌کنند. (اسپانگلر ۲۰۱۸)
توجه داشته باشید که یادگیری بدون ناظر یک چرخه طراحی بدون ساختار است، در حالی که الگو‌ها بدست آمده در انتهای فرآیند به طور مستقیم به مشاهدات ماشین از داده‌ها بر می‌گردد اما از طریق فرآیندهای بیرونی تعیین نشده‌اند. اگرچه هسته آن، الگوریتم القا کردن را شبیه‌سازی می‌کند، بر روی مقدار زیادی داده مدام این فرآیند را انجام دهد، یادگیری بدون ناظر دید‌گاه‌ها و فرضیه‌هایی را فراهم می‌کنند که منعکس کننده استدلال ربایشی انسان و یا ایده‌پردازی داینامیک و حتی طوفان‌فکری است. در نتیجه یادگیری بدون ناظر هم از مبانی چشم‌انداز تفکر طراحی در چرخه حل مسئله خود در کارخانه هوش‌مصنوعی به کار می‌برد.
یادگیری تقویتی : یادگیری تقویتی سومی پارادایم یادگیری ماشین است، و این نزدیک ترین ساختار به فرآیند طراحی سنتی است. کاربرد‌های یادگیری تقویتی ممکن است حتی از دو پارادایم قبلی بسیار تاثیر‌گذار تر باشد. یادگیری تقویتی بر عکس دو پارادایم قبلی تنها به نقطه آغاز و قواعد بازی - یا همان افعال عملکردی - نیاز دارد. سامانه از یک نقطه شروع به کار می‌کند، و فضای اطراف خود را سیر می‌کند و از راهنما‌ها (قواعد بازی) استفاده می‌کند تا متوجه شود عملکردش بهتر شده است یا بد تر. نقطه اصلی مسئله آن است که باید زمان بیشتری برای صرف جهان پیچیده اطراف کرد یا از مدل‌های ساخته شده برای تصمیم‌گیری و اقدامات استفاده کرد. فکر کنید ما از کوهی بلند با تلکابین بالا رفته‌ایم و پیاده می‌خواهیم باز گردیم. روز مه آلودیست و مسیر‌ها در کوه مشخص نیستند. چون مسیر ها را نمی‌بینیم باید اطراف را قدم بزنیم و گزینه‌های مختلف را کشف کنیم. یک بده بستان طبیعی مابین زمانی که صرف کشف کردن آن اطراف کرده ایم و پیدا کردن احساس نسبت به کوه وجود دارد. زمان صرف شده برای امده به سمت پایین، زمانی مشخص می‌شود که ما بهترین را برای رسیدن به پایین پیدا کرده باشیم. این یک بده بستان مابین اکتشاف و بهره برداریست. هر چه بیشتر زمان صرف اکتشاف می‌کنیم، بیشتر متقاعد می‌شویم که بهترین راه را پیدا کرده‌ایم، اما اگر ما خیلی زمان زیادی را صرف اکتشاف بکنیم، زمان کمتری برای بهره‌برداری از اطلاعات و رسیدن به پایین داریم.
این خیلی نزدیک به کاریست که در واقعیت نتفلیکس در پیشنهاد دادن فیلم ها و تصاویر معرف آن‌ها برای کاربران انجام می‌دهد. از طریق تحلیل داده کاربران، نتفلیکس متوجه شد که بینندگان بی‌شمار تنوع در سلیقه و ترجیحات خود دارند. از همین روی، آن‌ها تصمیم‌گرفتن به هر کاربر با توجه به داده‌های تحلیل شده آن فرد تصویری از فیلم را به عنوان تصویر معرف نمایش دهند که با دیگران متفاوت است. هر اثر می‌بایست جنبه‌هایی از کاربر را که به یک کاربر مشخص مربوط است را برجسته کند. اینکه مسئله که باید کدام بخش از فیلم را باید نمایش دهند و یا کدام اثر را به عنوان تصویر معرف فیلم به کاربر نمایش دهند تا بازخورد بهتری بگیرند برای تیم نتفلیکس بسیار پیچیده بود. یک فصل از یک سریال معمولی نزدیک به ۹ میلیون فریم را شامل می‌شود. اینکه از یک مدیر هنری بخواهیم که تمام فریم‌ها را برای پیدا کردن یک تصویر مناسب غربال کند، غیر ممکن و بی اثر است. طراحی کردن یک اثر برای هر کاربر مشخص بر اساس سلایق ان فرد غیر ممکن است. اما کارخانه هوش‌مصنوعی، علی الخصوص چرخه یادگیری تقویتی می‌تواند این مسئله را به طور موثری حل کند. در مثالی مانند مثال قبل (یافتن بهترین راه برای پایین امدن از کوه) نتفلیکس از یادگیری تقویتی استفاده می‌کند، تا مدتی را صرف کاوش مابین گزینه‌ها کند و گاهی بر روی یکی از مدل‌های پیشنهادی خود اقدام کند، برای اینکه گزینه‌های بصری را کاوش کند و مدل‌های پیش‌بینی را غربال کند، نتفلیکس به شکل رندم تصاویری را به کاربران نمایش می‌دهد. در نهایت بر اساس مدل بهبود یافته اقدام به نمایش تصاویر مشخص به کاربران مشخص می‌کند. این فرآیند پیوسته بهبود پیدا می کند، زیرا که این سیستم طراحی شده است تا سلایق یک انسان پیچیده را یاد بگیرد، و در یک فرآیند طولانی درگیری کاربر با سامانه را افزایش دهد.
توجه کنید که با تاکیدی یادگیری تقویتی بر روی تعادل کاوش کردن و اقدام کردن، در واقع شباها خود را به فرآیند طراحی (انسان) نشان می‌دهد که جنبه‌های زیادی دارد، علی الخصوص تکرار کردن که از مبانی بود که صریحا پیشتر توضیح داده شد. همانطور که در رویکرد سنتی طراحی می‌بینیم، باز کردن مسیر با کاوش گسترده می‌تواند ما را به سمت تصمیمات خلاق و جالب سوق دهد، اما با افزایش تعداد چالش ها باید مطمئن شد که هر فاز از اقدام یک راه‌حل قابل استفاده را پوشش می‌دهد.
در ابتدا سال ۲۰۰۰، مدل عملیاتی نتفلیکس شامل ارسال دی وی دی ها میشد. با اضافه شدن سرویس ایمیل به خدماتشان آن‌ها می‌توانند متوجه شوند کدام کاربر کدام اثر داده است، چه مدت دی وی دی را نگه داشته و چه نمره به آن اثر داده است، اما هنوز رفتار کاربران قابل مانیتور کردن نبود. اگرچه نتفلیکس می‌دانست که می‌بایست به داده‌های برای بهبود تجربه کاربری نیاز داد، اما سنگینی این ارزیابی و اقدامات آن‌ها را طراحی محدود می‌کرد. اما سال ۲۰۰۷ با ارائه خدمات سرویس پخش انلاین توسط نتفلیکس، شرکت این فرصت را پیدا کرد تا مدل عملیاتی خود را به کارخانه هوش مصنوعی برد. به کمک پخش آنلاین، نتفلیکس می‌توانست تمام تجربه کاربری را ردیابی کند ( چه موقع کاربر نگه داشت، کی ادامه داد، یا چقدر از فیلم را رد کرد، یا بر روی چه ابزاری فیلم را تماشا می‌کند.). این موضوع آن‌ها را قادر ساخت تا چندین چرخه حل مسئله طراحی کنند که مبانی طراحی را به بالاترین سطح ببرد: یک طراحی کاربر محور برای هر کاربر. و حتی بیشتر از آن، به طور مستمر در راه‌حل های هر کاربر خلاق‌تر شود. در نهایت کاربر شرایط معنا دار تری را در هر لحظه تجربه می‌کند. با قدردانی از این چرخه حل مسئله هر کاربر نتفلیکس شخصی سازی شده این را در لحظه تجربه می‌کند. همانطور که جوریس ایورت گفت : «۳۳ میلیون نسخه مختلف از نفلیکس وجود دارد.» (کآر ۲۰۱۳).
۲-۳- چگونه ایربیانبی شیوه طراحی را در صنعت هتل‌داری باز‌سازی کرد
نتفلیکس به ما نشان داد که چگونه یک سازمان از مدل عملیاتی سنتی خودش به کارخانه هوش مصنوعی تغییر کرد. بخصوص نشان داد که چرخه حل مسئله چگونه کار می‌کند، چه تنظیماتی می‌توانند به خود بگیرند، و چگونه قادر هستند که راه‌حل های مردم-محور ارائه دهند. چگونه این فرم جدید طراحی با سایر شیوه قابل مقایسه است؟ برای این منظور، صنعت هتل‌داری به ما بینش جالبی می‌دهد، زیرا در این زمین بازیکنان سنتی و مدل‌های عملیاتی هوش مصنوعی در رقابت هستند.
اتخاذ مردم محور بودن در کسب‌وکار هتل داری به طوری ذاتی کار بسیار پیچیده‌ای است، زیرا آن‌ها در اکوسیستم‌ها شخصیت پیدا کرده‌اند که تنوع فرهنگی ، سنی، پیشینه و اهداف سفر متنوعی دارند. برای مشخص کردن پیچیدگی مسئله فرهنگی ، به بخش چت‌بات وبسایت booking.com توجه کنید که بیش از ۴۳ زبان را شامل می‌شود و ترجمه می‌کند. در مواجهه با این پیچیدگی، مدل عملیاتی سنتی سرمایه گذاری عظیمی در املاک و فرآیندهای کارگری را بار می‌کرد، بعلاوه کلی کسانی که باید استخدام، تربیت و مدیریت می‌شدند. اتاق‌های شرکت‌های با سرمایه زیاد نیاز دارند تا با استاندارد های فشن روز طراحی شوند و برای مدت قابل توجهی ثابت بمانند. این مدل عملیاتی یک چالش قابل توجه را به وجود آورد : ارائه خدماتی که با هر کاربر متناسب باشد. برای حل این چالش‌ها، در یک دهه گذشته این صنعت شاهد ابتکارات محبوب و متدوالی بود که در تلفیق شیوه‌های تفکر طراحی به کار رفته بود. یکی از مثال‌های ابتکار در تفکر طراحی در این صنعت، پروژه شرکت ایدیو برای گروه هتل‌های بین قاره ای بود. به عنوان مثال، در یک پروژه، مسافران کوتاه مدت را هدف قرار داد و هدف آن ایجاد تجربه‌ای با اطمینان و با ثبات بود. پروژه دیگر مسافران تجاری را هدف قرار داد و منجر به طراحی فضاهای مناسب برای ملاقات و کار شد. یکی دیگر از پروژه‌ها بازطراحی همه چیز Holiday Inn Express بود، از نحوه ورود به سیستم تا ظاهر و احساس اتاق. (ویلسون ۲۰۱۵) همه این تجربه‌ها بر اساس رویه طراحی خطی بنا شده بود، یک مدل عملیاتی سنتی معمول : اجرای یک پژوهش مردم‌نگاری برای درک نیازهای ذینفعان ، ایده پردازی برای تدوین تجربیات موثر برای بخش هدف و نمونه‌سازی برای راه حل‌های شناسایی شده. به همین منظور، روند نوآوری در این بخش باعث ایجاد آزمایشگاه‌های نوآوری شد، مکان‌هایی وسیعی که تیم‌های طراحی می‌توانند اتاق‌ها را در مقیاس یک به یک بسازند و ایده‌های جدید را قبل از اجرای آن‌ها در مقیاس وسیع تر، تجسم کنند. گاهی اوقات نوآوری در طراحی اتاق به حدی زیاد میشد و مستقیماً در محل انجام می‌گرفت : Marriott and Hilton هتل واقعی را برای تست بتا انتخاب کردند، در واقع کاربران می‌توانستند به طور مستقیم ایده‌های جدید را لمس کنند، و برای نوآوری‌ها ارائه شده ارزیابی‌های بهتری انجام دهند. ـ…ـ
در بخش پایانی دهه ۲۰۰۰، تغییر قابل ملاحظه‌ای در زمینه هتل داری آغاز شد. شرکت‌های جدید با مدل‌های عملیاتی سبک تر در مواجهه با شرکت‌ها با مدل تجاری سنگین، وارد صنعت شدند. ایربیانبی سرویس‌های مشابه مریت را پیشنهاد داد : ارائه فضا به میهمانانی که نیازمند آن هستند. مسئولیت مدیریت عملیاتی بر عهده میزبان‌ها گذاشته شد، با این کار ایربیانبی توانست از تنگنا رشدی که در معماری مدل سنتی بود، یعنی ساخت اتاق‌ها در مقیاس بزرگ، عبور کند. گنجایش ایربیانبی در پیشنهاد دادن یک راه‌حل در وضعیت متاخر به طور کامل بر روی نیازهای هر کاربر مترکز بود، و در مقیاس کامل این موضوع به دو عامل وابسته است. اول، خلاقیت در گزینه‌های طراحی. برای مثال در سال ۲۰۱۷ ایربیانبی(که در سال ۲۰۰۷ تاسیس شده بود) در بیش از ۱۹۰ کشور و ۸۰،۰۰۰ شهر فعالیت می‌کرد و بیش از ۳ میلیون میزبان داشت، یعنی سه برابر تمام اتاق‌های شرکت مریت که در سال ۱۹۲۷ تاسیس شده بود. و، حتی بیش تر از آن، تمام این ۳ میلیون اتاق ایربیانبی از دیگری متفاوت است. سه میلیون طراحی متفاوت. این چنین تنوعی در خلاقیت و گزینه‌ها ممکن نیست که در رویه طراحی کسب‌وکار های سنتی و با ارزش‌دارایی زیاد رخ دهد. دوم، این خلاقیت بی‌شمار می‌بایست به نیازهای هر کاربر مرتبط باشد. و این آنجاییست که کارخانه‌های هوش مصنوعی وارد کار می‌شوند. ایربیانبی مقدار بیشماری داده از فعل و انفعال کاربران جمع آوری می‌کند. در سال ۲۰۱۶، تیم علوم داده یک سیستم ثبت وقایع گسترده از جریان‌های رزرو کاربران طراحی کرد که به ایربیانبی اجازه می‌داد تا بینشی درباره آنچه کاربران می‌بینند جمع آوری کند، کاربران چگونه به ظواهر مختلف واکنش نشان می‌دهند، چه مقدار زمان صرف صفحه فهرست می‌کنند، چقدر طول می‌کشد تا به انواع مختلف ظواهر واکنش نشان دهند، یا اینکه چه موقع آن‌ها تصمیم به جستجو بیشتر می‌گیرند؟ (دای ۲۰۱۷). وقتی مشتری با موتور جستجوی ایربیانبی ارتباط برقرار می‌کند، یک گزارش رویداد جدید (یعنی لیستی از داده فعالیت کاربر) به یک مخزن مرکزی ارسال می‌شود. این گزارش‌ها مشخصات مشتری را جمع و تشریح می‌کنند و حس، ترجیحات و رفتار وی را ترسیم می‌کند (میفیلد و همکاران 2016). هربار که مشتری برای جستجو یک تجربه سفر جدید به سرویس ایربیانبی وصل می‌شود، سامانه به کمک چرخه حل مسئله به سرعت پاسخ می‌دهد: داده‌های از یک مخزن گرفته می‌شوند و توسط یک موتور هوش مصنوعی پردازش می‌شوند تا یک راه حل جدید ساخته شود، شخصی سازی شده اما نه فقط برای آن کاربر مشخص، بلکه برای یک فعل و انفعال بخصوص. سامانه ایربیانبی مشابه نتفلیکس کار می‌کند. حتی ایربیانبی دو یک بازار دو طرفه دارد (C2C) یعنی به طور همزمان با دو دسته کاربر در حال فعل و انفعال است، از طرفی میهمان‌ها و از طرف دیگر میزبان‌ها. در نتیجه کارخانه هوش مصنوعی آن‌ها چرخه‌های متفاوتی از چرخه حل مسئله را دارد که برای انواع کاربران به طور موازی کار می‌کنند. یکی از مثال‌های چرخه حل مسئله که یکی از موثر ترین راه‌حل‌ها را برای سمت میزبان فراهم می‌کند مثال طراحی فهرست قیمت‌ها به طور لحظه‌ای و پویا می‌باشد: با تیک زدن یک خانه در فهرست، میزبان تایید می‌کند که موتور هوش مصنوعی نفوذ کند به جریان‌های داده تا قیمت‌های محل اسکان را بهینه کند. موتور هوش مصنوعی مقدار زیادی داده جمع آوری شده از اکوسیستم را پردازش می‌کند (چَنگ ۲۰۱۷)، مانند تغییر زمان ورود بر اساس نزدیک شدن به زمان ورود، یا فهرست کردن محبوب‌ترین‌ها، تاریخچه رزرو کاربران، که در نهایت بدست آورد که کاربران به چه قیمتی برای یک محل اسکان خاص واکنش نشان می‌دهند. نتیجه این است که قیمت در هر لحظه که مهمان درخواست آن محل خاص را می‌کند، طراحی می‌شود (سرینیواسان ۲۰۱۸).
با قدردانی از توانایی کاربر محور بود در دو سمت پلتفرم، از طریق استفاده چرخه‌های حل‌مسئله که از یک مجموعه داده یکسان استفاده می‌کنند، ایربیانبی تجربه کاربر محوری را فراهم می‌کند که از محدودیت‌های مدل عملیاتی سنتی کمتر رنج می‌برد. این استراتژی طراحی ایربیانبی را قادر ساخت تا به سرعت یکی از نود‌های اصلی شبکه شود. بنابراین مقیاس یک اثر موج دار ایجاد کرد ، به ایربیانبی اجازه می‌دهد اعتبار خود را بهبود بخشد، پایگاه کاربر را به دلیل تعداد میزبان زیاد غنی کند و به همین دلیل از سوی دیگر، میزبان جدید بدست آورد. این نهایت مردم محور بودن است که : با تمرکز بر روی هر فرد، از گروه‌های مختلف کاربر ، با روشی پویا، چرخه حل مسئله را بهبود ببخشد. دستیابی به آن با شیوه‌های سنتی طراحی غیرممکن بود.
ادامه مقاله را در لینک زیر بخوانید:
