۵ دام بزرگ پروژه های هوش مصنوعی که باید از آن‌ها دوری کنید

چرا ۸۵٪ پروژه‌های هوش مصنوعی شکست می‌خورند؟ ۵ دام بزرگ که باید از آن‌ها دوری کنید

مقدمه: رویای هوش مصنوعی، کابوس اجرا

رویای تحول کسب‌وکار با هوش مصنوعی فراگیر شده است، اما واقعیت اجرا بسیار هشداردهنده است. طبق آماری که گارتنر (Gartner) در گزارش‌های تحلیلی خود، از جمله در مطلبی که وبسایت «فولانا» به آن استناد کرده، منتشر کرده، رقم حیرت‌انگیز ۸۵٪ از پروژه‌های هوش مصنوعی در رسیدن به اهداف خود ناکام می‌مانند. مشکل اصلی این است که گرچه هوش مصنوعی وعده دگرگونی می‌دهد، اما پروژه‌های آن به شکل منحصربه‌فردی پیچیده و مستعد شکست هستند. این مقاله با تحلیل پروژه‌های واقعی و دیدگاه‌های کارشناسان، پنج درس استراتژیک و گاهی غیرمنتظره را استخراج کرده است تا به شما کمک کند از این دام‌های رایج دوری کرده و پروژه‌های خود را با موفقیت به سرانجام برسانید.

۱. دام چشم‌انداز بزرگ: وقتی نقشه راه، به سراب تبدیل می‌شود

یکی از رایج‌ترین اشتباهات، داشتن یک چشم‌انداز بلندپروازانه و جامع بدون یک نقشه راه اجرایی، اولویت‌بندی‌شده و فازبندی‌شده است. برای مثال، طرح هوش مصنوعی برای یک رسانه ملی را در نظر بگیرید که لیستی طولانی از قابلیت‌های مطلوب را شامل می‌شود: از تولید زیرنویس و جستجوی معنایی گرفته تا سیستم‌های RAG و شخصیت‌های هوش مصنوعی. این رویکرد که همه چیز را با هم می‌خواهد، بدون مشخص کردن توالی و وابستگی‌ها، ریسک بزرگی را به همراه دارد: منابع محدود بین کارهای متعدد پخش شده و نتایج ملموس به تأخیر می‌افتد. این تأخیر باعث می‌شود ذی‌نفعان و مدیران ارشد به ارزش پروژه شک کنند و حمایت خود را از دست بدهند، که اغلب مرگبار است.

راه حل: نقشه راه مبتنی بر MVP (محصول حداقلی قابل ارائه)

به جای تلاش برای ساختن کل سیستم به صورت یکجا، باید یک نقشه راه فازبندی شده تدوین کرد که در هر فاز، یک قابلیت کوچک، قابل اندازه‌گیری و ارزشمند ارائه شود. این رویکرد تکرارشونده، که در قلب متدولوژی‌های چابک (Agile) قرار دارد، به تیم اجازه می‌دهد سریع‌تر بازخورد بگیرد، پیشرفت را به ذی‌نفعان نشان دهد و در صورت نیاز، مسیر را اصلاح کند.

یک مسیر MVP پیشنهادی برای پروژه آرشیو رسانه می‌تواند این‌گونه باشد:

1. MVP 1: تمرکز کامل بر پاک‌سازی داده‌های متنی آرشیو و پیاده‌سازی یک جستجوی کلیدواژه‌ای سریع و باکیفیت. این به تنهایی یک دستاورد بزرگ و کاربردی است.

2. MVP 2: معرفی قابلیت‌های اولیه جستجوی معنایی برای پیدا کردن بخش‌های مشابه در محتوا.

3. MVP 3 و بالاتر: حرکت به سمت ویژگی‌های پیچیده‌تر مانند RAG و شخصیت‌های هوش مصنوعی که به شدت به پایه محکمی که در فازهای قبلی ساخته شده، وابسته‌اند.

۲. دام «اول تکنولوژی»: ساختن محصولی که هیچ‌کس نمی‌خواهد

دومین دام بزرگ، شیفتگی نسبت به یک تکنولوژی (مانند هوش مصنوعی) به جای درک عمیق از یک مشکل واقعی کاربر است. همان‌طور که کارشناسان اشاره می‌کنند، یکی از دلایل اصلی شکست پروژه‌های AI، ساختن راه‌حلی است که به یک نیاز معنادار کسب‌وکار پاسخ نمی‌دهد. شرکت‌ها اغلب در دام پذیرش هوش مصنوعی می‌افتند چون یک فناوری پرطرفدار است، نه به این دلیل که به یک هدف روشن در استراتژی تجاری‌شان خدمت می‌کند.

مثال ایده «شخصیت هوش مصنوعی شهید مطهری» را در نظر بگیرید. ایده بسیار جذابی است، اما قبل از نوشتن حتی یک خط کد، باید به سوالات استراتژیک زیر پاسخ داد:

• مخاطب اصلی کیست؟ یک جوان با سوالات دینی، یک طلبه یا یک پژوهشگر اندیشه؟ نیازهای هر کدام کاملاً متفاوت است.

• چه نیازی را برطرف می‌کند؟ این شخصیت مجازی چه ارزشی ارائه می‌دهد که خواندن کتاب‌های ایشان یا جستجو در گوگل نمی‌تواند؟

• ارزش پیشنهادی منحصربه‌فرد آن چیست؟ آیا مزیت آن سرعت پاسخ‌دهی است، تعاملی بودن آن، یا توانایی‌اش در برقراری ارتباط بین مفاهیم مختلف در آثار ایشان؟

برای جلوگیری از ساخت محصولات فنی چشمگیر اما بی‌کاربرد، ضروری است که برای هر محصول کلیدی، یک فاز «کشف» (Discovery Phase) رسمی تعریف شود. در این مرحله باید پرسونا و نیازهای کاربر به دقت مشخص شده و یک ارزش پیشنهادی شفاف برای محصول تدوین گردد.

۳. دام «فقط فنی»: نادیده گرفتن بزرگ‌ترین مانع، یعنی خود سازمان

بسیاری از مواقع، بزرگ‌ترین چالش‌های پروژه‌های هوش مصنوعی فنی نیستند، بلکه سازمانی هستند. این چالش‌ها تنها یک برداشت شخصی نیست؛ از تحلیل‌های آکادمیک در مورد بخش دولتی (نظیر مقاله بابائیان و همکاران) گرفته تا بررسی موانع در صنایع سنگین مانند نفت و گاز و پیشنهادهای پروژه‌های واقعی در رسانه ملی، یک پیام مشترک شنیده می‌شود: بزرگترین میدان نبرد هوش مصنوعی، خود سازمان است.

این چالش‌های سازمانی عبارتند از:

• بوروکراسی و کندی تصمیم‌گیری: در سازمان‌های بزرگ و بوروکراتیک (مانند رسانه ملی یا شرکت‌های دولتی نفت و گاز)، فرآیندهای طولانی برای تصویب بودجه، تشکیل تیم و گرفتن تاییدیه‌های مدیریتی می‌تواند پروژه‌ها را ماه‌ها به تاخیر بیندازد، صرف نظر از اینکه از نظر فنی چقدر امکان‌پذیر هستند.

• فقدان درک مدیریتی: مدیرانی که درک عمیقی از هوش مصنوعی ندارند، ممکن است انتظارات غیرواقعی داشته باشند، منابع کافی تخصیص ندهند، یا تعهد بلندمدت برای پیگیری پروژه تا رسیدن به نتیجه را از دست بدهند.

• سیلوهای سازمانی: ساختارهای سنتی که در آن تیم‌های توسعه، بازاریابی و مالی به صورت جداگانه کار می‌کنند، مانع همکاری بین‌رشته‌ای می‌شوند که برای توسعه چابک و محصول‌محور ضروری است.

• مقاومت در برابر تغییر: کارمندان ممکن است از این بترسند که هوش مصنوعی جایگزین آن‌ها شود. این در حالی است که داده‌ها نشان می‌دهند هوش مصنوعی بیشتر تقویت‌کننده قابلیت‌های انسانی است تا جایگزین آن. طبق مطالعه PwC که در منبع «فولانا» به آن اشاره شده، انتظار می‌رود هوش مصنوعی بین سال‌های ۲۰۱۷ تا ۲۰۳۷، باعث ایجاد خالص ۲۰۰,۰۰۰ شغل جدید شود.

همسو کردن ذی‌نفعان کسب‌وکار و فنی از همان ابتدا حیاتی است. همان‌طور که Maciej Karpicz به درستی اشاره می‌کند:

مرحله «کشف» فازی از پروژه است که با هدف گردآوری اطلاعات انجام می‌شود تا هم مشتری و هم تیم بتوانند تصمیماتی داده‌محور اتخاذ کرده و تمام ریسک‌های مرتبط با توسعه محصول را کاهش دهند.

۴. دام «برنامه بی‌نقص»: غفلت از مهم‌ترین دارایی، یعنی تیم محصول

تمرکز سنتی بر تدوین یک برنامه جامع و بی‌نقص در ابتدای پروژه، در دنیای هوش مصنوعی که هر روز در حال تحول است، یک امر غیرمنطقی به نظر می‌رسد. همان‌طور که در یکی از تحلیل‌ها اشاره شده، «هر روز در هوش مصنوعی اتفاقات جدیدی می‌افتد که زمان‌بندی‌ها را دچار تغییر می‌کند». چنین برنامه‌هایی به سرعت منسوخ می‌شوند و تیم را از انطباق با تغییرات باز می‌دارند.

یک رویکرد مدرن‌تر، که در پیشنهاد پروژه هوش مصنوعی صداوسیما نیز به آن اشاره شده، این است که موتور واقعی موفقیت، برنامه نیست، بلکه تیم محصول است. یک تیم محصول توانمند، «قلب و مغز سیستم» است که می‌تواند عدم قطعیت را مدیریت کرده و تمام تصمیمات لازم در مورد برنامه‌ریزی، فازبندی و اجرا را اتخاذ کند.

این ایده که تیم، و نه برنامه، محور اصلی است، پایه و اساس طراحی سازمان‌های مدرن فناوری‌محور است. شرکت‌هایی مانند اسپاتیفای با جایگزین کردن سیلوهای عملکردی سنتی با تیم‌های محصول مستقل (اسکوادها)، این مدل را به اثبات رسانده‌اند. این تیم، که توسط یک مدیر محصول هوش مصنوعی ماهر رهبری می‌شود، به مرکز هوشمندی و چابکی پروژه تبدیل می‌شود.

۵. دام «الگوریتم همه‌کاره»: وقتی محتوا، پاشنه آشیل پروژه می‌شود

در سیستم‌های هوش مصنوعی که با تولید یا مدیریت محتوا سروکار دارند، بی‌نقص بودن الگوریتم کافی نیست. چالش واقعی، حاکمیت بر خروجی سیستم است. طرح‌های فنی اغلب این سوالات حیاتی را نادیده می‌گیرند:

• چطور از هم‌راستایی خروجی هوش مصنوعی با ارزش‌ها و سیاست‌های سازمان اطمینان حاصل کنیم؟ این موضوع به ویژه در یک رسانه ملی که سیاست‌های مشخصی دارد، بسیار حیاتی است.

• چه کسی مسئول نظارت بر کیفیت و بی‌طرفی محتوای تولیدشده است؟ آیا فرآیندی برای بازبینی و کنترل کیفیت خروجی‌ها وجود دارد؟

• چگونه با ریسک‌های اخلاقی مانند حریم خصوصی داده‌ها و امنیت برخورد می‌کنیم، به‌ویژه در چارچوب سند ملی هوش مصنوعی که هدف آن قرار دادن ایران در ده کشور برتر جهان است؟

نادیده گرفتن این جنبه‌ها و تمرکز صرف بر تکنولوژی، یک مسیر مستقیم به سوی شکست است. یک استراتژی محتوای قدرتمند و یک چارچوب حاکمیتی شفاف، به اندازه خود مدل هوش مصنوعی اهمیت دارند.

جمع‌بندی: هوش مصنوعی استراتژی را تقویت می‌کند، نه جایگزین آن

پروژه‌های هوش مصنوعی به دلیل ترکیب پیچیدگی فنی، سازمانی و استراتژیک، مستعد شکست هستند. با دوری از پنج دام بزرگ—چشم‌انداز رویایی بدون نقشه، فناوری بدون مشکل، نادیده گرفتن سازمان، اولویت دادن برنامه به تیم، و غفلت از حاکمیت محتوا—می‌توانید شانس موفقیت خود را به شکل چشمگیری افزایش دهید. در نهایت، هوش مصنوعی استراتژی را تقویت می‌کند، اما جایگزین آن نمی‌شود. پروژه‌های موفق، نه آن‌هایی که پیچیده‌ترین الگوریتم‌ها را دارند، بلکه آن‌هایی هستند که به سخت‌ترین سوالات کسب‌وکار، شفاف‌ترین پاسخ‌ها را داده‌اند.

با توجه به این دام‌های رایج، بزرگ‌ترین ریسک پیش روی پروژه هوش مصنوعی بعدی شما کدام است و اولین قدمی که امروز برای خنثی کردن آن برمی‌دارید چیست؟