سطح به‌کارگیری هوش مصنوعی در زندگی و کسب و کار ،در حد نام پرآوازه‌ی اون نیست. این جمله‌ایه که خیلی میتونه جالب توجه باشه. واقعا چرا چیز به این جذابی هنوز نتونسته جای خودش در حد و اندازه‌ی اسمش باز کنه؟ در این نوشته مطالبی که براساس تجربه و مطالعه به ذهنم میرسه رو بیان می‌کنم. امیدوارم اگر نکته‌ای در مورد این موارد به ذهنتون میرسه اون رو از من دریغ نکنید.
کارمندی رو تصور کنید که در رزومه‌اش نوشته من همه کار بلدم! مواجه شدن با همچین آدمی به شدت گیج کننده است. چون نمی‌دونید دقیقا باید ازش چی بخواید. نمی‌دونید کجا میشه بهش تکیه کرد و از اون مهم تر کجا نمیشه بهش تکیه کرد. مشکل اول هوش مصنوعی در دنیای امروز اینه بیشتر آدما فقط چند جلوه‌ی محدود از هوش مصنوعی رو دیدن و دقیقا حد و مرزی برای توانایی های اون در ذهن ندارند. این نادقیق بودن مرز توانایی بیشترین ضربه رو به هوش مصنوعی زده. و توضیح این مرز برای دیگران(غیر متخصص‌ها) هم خیلی کار سختیه.
همون طور که طراحی اشتباه معماری یک نرم‌افزار میتونه طراح و تیم رو به خاک سیاه بشونه، طراحی نادرست معماری یه سازمان هم میتونه همین بلا رو سر اون سازمان بیاره. این یه جمله‌ی بدیهیه و تقریبا همه قبولش دارن. اما این جمله چه ربطی به هوش مصنوعی داره؟ یکی از اشتباهات سازمان‌ها تعبیه‌ی یک جزیره به عنوان هوش مصنوعی در سازمانه. البته برای همه‌ی سازمان‌ها شاید این مسأله اشتباه نباشه. یا حتی برای مدتی این کار پذیرفتنی باشه. اما به هرحال باید همه‌ی طراحان معماری یک سازمان متوجه باشند که تاسیس یه واحد مجزا برای هوش مصنوعی مثل اینه که ما در یه شرکت نرم‌افزاری واحد طراحی الگوریتم داشته باشیم. پس باید دیر یا زود یه فکری به حالش بکنیم!
وقتی در مورد هوش مصنوعی صحبت می‌کنیم داریم در مورد یه تکنولوژی سطح بالا (های‌تک) صحبت می‌کنیم. این سطح بالای فناوری ایجاب می‌کنه که تنها افراد متخصص در اون دست به نوآوری بزنن. از طرفی برای مطرح شدن در صحنه‌ی اجتماع به انواع دانش‌های مدیریت و بازاریابی و به قول خودمون بیزینسی احتیاج داریم و البته تجربه‌ی زیاد در اون‌ها. معمولا در فناوری‌هایی که وارد بازار می‌شن این خلا با آدم‌های چند رشته‌ای پر میشه. افرادی که می‌تونن با شناخت خوب بازار از یه طرف و پیشنهاد یه محصول یا فیچر از طرف دیگه، توسعه‌ی محصول رو راهبری کنن.مثلا ممکنه یه متخص بازاریابی پیشنهاد یه فیچر توی رابط کاربری نرم افزار بده. اما در مورد هوش مصنوعی یه خلأ بزرگ داریم. این خلأ باعث میشه وقتی فرد آشنا به بازار وقتی نیازی رو می‌بینه نتونه تشخیص بده که آیا هوش مصنوعی میتونه این نیاز رو برطرف کنه یا نه. یا از اون طرف وقتی راه حل میده آیا اصلا از دیدگاه متخصص هوش مصنوعی این راه حل اجرایی هست یا نه. خود متخصص هوش مصنوعی هم که مجال بازارسنجی و کارای بیزینسی رو نداره. خوب نتیجه‌اش میشه همینی که الان هست. تل‌انبار مقالات جذاب هوش مصنوعی که هیچ کدوم در زندگی مردم حضور ندارن. پس باید به فضایی وجود داشته باشه تا بشه دلار و ریال رو به گیگابایت و ترابایت ترجمه کرد و بالعکس!
یه سازمان پر از آدم پرحوصله هم میتونه در سطح سازمانی بی‌حوصله باشه. به دلایل مختلف مثل کم‌بود منابع، تعهدات کاری و غیره... . توسعه و به کارگیری هوش مصنوعی در یه مسأله‌ی واقعی این قدر به قول معروف پیچ و مهره داره که بعضی وقتا حتی نمیشه براش زمان بندی مشخصی ارائه کرد. پس اگر شما مدیر یه سازمان کم حوصله هستید بهتره قید هوش مصنوعی رو بزنید.
جذابیت بیش از حد هوش مصنوعی باعث میشه که یه سازمان از پاسخ به این سوال غافل بشه که واقعا من چه انتظاری از کاربرد هوش مصنوعی دارم؟ آیا قراره فروشم رو بیشتر کنه؟ آیا قراره نرخ بازگشت سرمایه‌ام رو تغییر بده؟
در کاربرد هوش مصنوعی هم مثل هر صورت مسأله‌ی دیگری باید انتظارات رو مشخص کنیم و بعد از اجرای پروژه رسیدن یا نرسیدن به اون انتظارات رو مورد مطاله‌ی دقیق قرار بدیم.در یک جمله: لازم هست که توقعمون از هوش مصنوعی رو بر اساس KPI به شکل روشنی تبیین کنیم.
قیمت بالای نیروهای متخصص هوش مصنوعی از یه طرف و حس خوش‌خیالی مدیران از طرف دیگه باعث میشه که اون‌ها به استخدام نیروهای تازه‌کار در حوزه‌ی هوش مصنوعی روی بیارن. اما واقعیت چیز دیگه‌ایه. پیچیدگی هوش مصنوعی اون قدر خیلی زیاده که دانش‌آموخته‌ی هوش مصنوعی هم برای به کارگیری در محیط واقعی بیش از هر رشته‌ی دیگه‌ای به زمان احتیاج داره. پس اگه میخواید خیلی سریع به نتیجه برسید یه متخصص باتجربه رو به کار بگیرید و همون لحظه بی خیال نتیجه‌ی سریع بشید!. البته یه منتورمیتونه در این مسیر کمک‌کارتون باشه که خوب اون یه بحث دیگه است.
جالبه که سادگی در شروع تقریبا یه اصل جا افتاده است اما باز به دلیل توقع زیاد از هوش مصنوعی، این اصل مهم فراموش میشه. پیچیدگی میتونه باعث جذابیت محصول بشه اما از طرفی توسعه و تحویل به مشتری رو به تاخیر می‌اندازه. باید بین این دو چالش ،تعادل منطقی برقرار کرد.
استفاده‌ی حداکثری از هوش مصنوعی میتونه تجربه‌ی کاربری محصول شما رو بسیار متفاوت کنه. این تفاوت همون قدر که میتونه باعث تمایز شما از دیگران بشه میتونه باعث سردرگمی کاربر بشه. پس این جا هم با یه تعادل یا بده بستان (trade-off) مواجه هستیم. برای جلوگیری از این مشکل حتما باید با با روش‌هایی - مثلا دموهای متعدد و ارائه‌های متنوع پیش از توسعه‌ی محصول- مطمئن بشید که واقعا این موجود، مطلوب کاربران هست یا نه.
فناوری همیشه رقیب مشاغل سنتی بوده و هست. مثلا در انگلستان وقتی ماشین نساجی ساخته شد مدتی طولانی مجال مطرح شدن -حتی از سمت حکومت‌ها- به اون داده نشد. الان هم این ترس وجود داره. ممکنه شما بخواید از هوش مصنوعی برای مکانیزه کردن یه فرآیند در درون سازمان خودتون استفاده کنید. در این شرایط اون کارمندی که داشته کار مربوطه رو انجام میداده نگران آینده‌ی شغلیش میشه. حالا فرض کنید که شما شرکتی هستید که محصولتون در ابعاد یک کشور قراره عده‌ای رو بیکار کنه. دیگه تکلیف معلومه. باید منتظر اتفاقات بزرگ‌تر باشید.
موضوع داده به تنهایی یک چالش چند وجهی و پیچیده است. چون هم زمان به زیر ساخت‌های سازمانی (شامل ساختارها و دستورالعمل‌ها و فرهنگ‌ها ) و زیر ساخت فنی سازمان ارتباط پیدا می‌کنه. واقعیت اینه که هوش مصنوعی در بستر یه سازمان داده-پیشران(Data-Driven) بهتر رشد می‌کنه. (برای آشنایی بیشتر با این مفهوم کتاب Creating a Data-Driven Organization رو پیشنهاد می‌کنم بخونید. حداقل بخش اول). محور هوش مصنوعی در سال های جاری، یادگیری ماشینه. وقتی صحبت از یادگیری ماشین می‌کنیم دیگه وجود داده اجتناب ناپذیره. چون ماشین از روی داده یاد می‌گیره. امیدوارم بتونم در یه پست مستقل این موضوع رو بیشتر بررسی کنم. اما حداقل برای نشون دادن اهمیت این موضوع این جمله رو با صدای بلند میگم که "اگر داده‌ی خوب در اختیار ندارید قید هوش مصنوعی رو بزنید!".
حوصله، دقت، برنامه‌ریزی و بازخورد چهار واژه‌ی اصلی به حساب میاد. نه فقط در به کارگیری هوش مصنوعی. اما به دلیل حساسیت، پیچیدگی و ریسک بالا باید در بالاترین سطح ممکن صاحب این کلمه باشیم تا بتونیم یه مسیر موفق رو در بهره‌گیری از هوش‌مصنوعی در کسب وکار تجربه کنیم.لطفا اگر درتکمیل یا اصلاح این مطلب نکته‌ای به نظرتون میرسه اون رو از من دریغ نکنید.
