https://virgool.io/feed/@alidasmeh من یک کتاب خوار و پژوهشگر هوش مصنوعی و ارتباط آن با انسان در انستیتو مکس پلانک آلمان هستم. اینجا مطالبی درباره کتاب های و تحقیقاتی که در گروه پژوهشیمون انجام میدیم به زبان نسبتا ساده قرار میدم. fa 2026-04-14 22:19:34 https://files.virgool.io/upload/users/51689/avatar/43iiNL.jpg?height=120&width=120 https://virgool.io/@alidasmeh https://virgool.io/@alidasmeh/%D9%86%D8%A6%D9%88%D9%84%DB%8C%D8%A8%D8%B1%D8%A7%D9%84-%DA%A9%D9%BE%DB%8C%D8%AA%D8%A7%D9%84%DB%8C%D8%B3%D9%85-%D9%90%D8%B6%D8%AF%D9%90-%D8%AF%D9%85%D9%88%DA%A9%D8%B1%D8%A7%D8%B3%DB%8C-y00gcumgapgs امروز کتاب «راهی به آزادی» نوشته اقتصاددان برجسته دکتر ژوزف اشتیگلیتز - برنده جایزه نوبل و صاحب مناسب مهم در دولت آمریکا و سازمان های مالی جهان - تمام کردم. در فصل آخر در یک بخش، همه نکات خود در رد تفکر نئولیبرال-کپیتالیسم را مطرح کرده بود، که آنچنان مختصر و رسا بود که بنظرم آمد هر کسی میخواهد این کتاب را بخواند از اینجا باید شروع کند. آن چند صفحه را ترجمه کردم و در ادامه قرار دادم.مختصرا می‌گوید:‌نئولیبرالیسم با ترویج بازارهای بی‌قید و بند و کاهش نقش نظارتی دولت، برخلاف ادعای متفکرانی چون هایک و فریدمن، نه تنها ضامن آزادی نیست بلکه با ایجاد نابرابری‌های عظیم اقتصادی و تمرکز قدرت در دست اقلیتی ثروتمند، پایه‌های دموکراسی را ویران می‌کند. این سیستم با تضعیف اعتماد اجتماعی، اولویت دادن به نفع شخصی افراطی و تبدیل قدرت مالی به نفوذ سیاسی، منجر به دوقطبی شدن جامعه و ناکارآمدی فرآیندهای دموکراتیک مانند مصالحه می‌شود؛ وضعیتی که در نهایت با ناامید کردن توده‌ها، جاده را برای ظهور پوپولیسم و نسخه‌ای مدرن از اقتدارگرایی فاشیستی هموار می‌سازد که در آن حقیقت قربانی قدرت شده و آزادی‌های واقعی اکثریت فدای منافع عده‌ای معدود می‌گردد.اما به تفصیل:‌نئولیبرالیسم و دموکراسی پایداربرای مدتی طولانی، جناح راست تلاش کرده است تا انحصار فراخوانی واژه «آزادی» را به دست گیرد؛ گویی که علامت تجاری آن را در اختیار دارد. زمان آن فرا رسیده است که جناح راست را به چالش بکشیم و این واژه را بازپس بگیریم.میلتون فریدمن و فردریش هایک استدلال می‌کردند که آزادی‌های اقتصادی و سیاسی پیوندی ناگسستنی دارند و اولی پیش‌نیاز دومی است. اما من استدلال کرده‌ام که سیستم اقتصادی تکامل‌یافته – که عمدتاً تحت تأثیر این متفکران و هم‌فکرانشان بوده – دموکراسی معنادار و آزادی سیاسی را تضعیف می‌کند. آزادی سیاسی معنادار تنها در بستر یک سیستم اقتصادی مانند «سرمایه‌داری پیشرو» تضمین می‌شود؛ سیستمی که حداقلِ رفاه مشترک را تأمین کند و در آن قدرتِ برخاسته از پول، نقشی نامناسب در نتایج ایفا نکند.فحوا و جان‌مایه استدلال فریدمن و هایک این بود که بازارهای آزاد و بی‌قید و بند، به خودی خود کارآمد هستند. آن‌ها معتقد بودند اگر دولت دور نگه داشته شود، بازارهای رقابتی مکانیسم‌هایی خودکفا و ضروری برای تداوم چرخ دموکراسی خواهند بود. از نظر آن‌ها، برای جلوگیری از سقوط به ورطه «بردگی»، باید دولت را کوچک نگه داشت، از آن عمدتاً برای اجرای حقوق مالکیت و قراردادها استفاده کرد و آن را از ارائه کالاهای عمومی، مقررات‌گذاری یا توزیع مجدد ثروت دور نگه داشت.من توضیح داده‌ام که چرا آن‌ها (و بی‌شمار کسان دیگری که دیدگاهشان را به اشتراک می‌گذارند) در اشتباهند. بازارها به تنهایی اساساً هرگز کارآمد نیستند.آیا بازارهای آزاد بدون یک دموکراسی قوی‌تر پایدار می‌مانند؟ چرا سرمایه‌داری نئولیبرال خود را می‌بلعد؟اقتصادهای نئولیبرال نه تنها ناکارآمد هستند، بلکه نئولیبرالیسم به عنوان یک سیستم اقتصادی پایدار نیست. دلایل زیادی وجود دارد که باور کنیم یک اقتصاد بازار نئولیبرال مستعد «خودخواری» است. یک اقتصاد بازار بر پایه اعتماد می‌چرخد. آدام اسمیت با تأکید بر اهمیت اعتماد، تشخیص داد که اگر مردم به جای کدهای اخلاقی مناسب، وقیحانه صرفاً به دنبال منافع شخصی خود باشند، جامعه زنده نمی‌ماند:«توجه به قوانین کلی رفتار، همان چیزی است که به درستی حس وظیفه‌شناسی نامیده می‌شود؛ اصلی با بیشترین پیامد در زندگی بشر و تنها اصلی که توده مردم از طریق آن قادر به هدایت کنش‌های خود هستند... بقای جامعه بشری به رعایتِ قابل‌تحملِ این وظایف بستگی دارد؛ جامعه‌ای که اگر مردم عموماً نسبت به آن قوانین مهمِ رفتاری حرمت قائل نبودند، به هیچ تبدیل می‌شد.»به عنوان مثال، قراردادها باید محترم شمرده شوند. هزینه اجرای تک‌تک قراردادها از طریق دادگاه‌ها غیرقابل تحمل خواهد بود. و بدون اعتماد به آینده، چرا کسی باید پس‌انداز کند؟ انگیزه‌های سرمایه‌داری نئولیبرال بر نفع شخصی و رفاه مادی تمرکز دارد و کارهای زیادی برای تضعیف اعتماد انجام داده است (که به وضوح در بخش مالی در آستانه بحران ۲۰۰۸ مشاهده شد). بدون مقررات کافی، افرادِ بسیاری در پیگیری منافع شخصی خود، به شیوه‌ای غیرقابل اعتماد رفتار خواهند کرد، به لبه‌های قانون خواهند لغزید و از مرزهای اخلاق عبور خواهند کرد. ما همچنین دیده‌ایم که نئولیبرالیسم چگونه به خلق انسان‌های خودخواه و غیرقابل اعتماد کمک می‌کند. یک «کاسب» مانند دونالد ترامپ می‌تواند سال‌ها، حتی دهه‌ها، با سوءاستفاده از دیگران رشد کند. اگر ترامپ به جای استثنا، به قاعده و هنجار تبدیل می‌شد، چرخ تجارت و صنعت از حرکت می‌ایستاد.ما همچنین به مقررات و قوانینی نیاز داریم تا اطمینان حاصل کنیم که قدرت اقتصادی متمرکز نمی‌شود. ما دیده‌ایم که نه تنها بیزنس‌ها به دنبال تبانی هستند، بلکه حتی در چارچوب قوانین فعلی نیز تمایل شدیدی به انباشت قدرت وجود دارد. آرمان لیبرالِ «بازارهای آزاد و رقابتی»، بدون مداخله دولت، گذرا و ناپایدار خواهد بود.ما همچنین دیده‌ایم که صاحبان قدرت اغلب هر کاری از دستشان بربیاید برای حفظ آن انجام می‌دهند. آن‌ها قوانین را برای حفظ و تقویت قدرت خود می‌نویسند، نه برای مهار آن. قوانین رقابت از درون تهی شده و ناتوان از پاسخگویی به فناوری‌های جدید و روش‌های نوین شرکت‌ها برای اعمال قدرت در بازار هستند. در این دنیای سرمایه‌داری نئولیبرال، ثروت و قدرت مدام در حال اوج‌گیری هستند.آیا نئولیبرالیسم از نظر سیاسی پایدار و با دموکراسی سازگار است؟نئولیبرالیسم از نظر اقتصادی پایدار نیست و پایداری دموکراسی را نیز تضعیف می‌کند؛ دقیقاً برعکس ادعای هایک و فریدمن.ما یک چرخه معیوب از نابرابری اقتصادی و سیاسی ایجاد کرده‌ایم؛ چرخه‌ای که آزادی بیشتری برای ثروتمندان و آزادی کمتری برای فقرا تثبیت می‌کند؛ حداقل در ایالات متحده که پول نقش بزرگی در سیاست دارد. راه‌های زیادی وجود دارد که قدرت اقتصادی به قدرت سیاسی ترجمه می‌شود و ارزش بنیادی دموکراتیکِ «هر نفر یک رأی» را زیر سوال می‌برد. واقعیت این است که صدای برخی افراد بسیار بسیار بلندتر از دیگران است. در برخی کشورها، این موضوع به وقاحتِ «خرید رأی» است، اما در کشورهای پیشرفته، ثروتمندان از نفوذ خود در رسانه‌ها برای خلق «روایت‌ها» استفاده می‌کنند. آن‌ها در بهترین موقعیت هستند تا روایت خود را به «خرد جمعی» تبدیل کنند. به عنوان مثال، آن‌ها ادعا می‌کنند که قوانین و مداخلات دولتی که به نفع ثروتمندان است، در واقع به نفع «منافع ملی» است و اغلب در متقاعد کردن دیگران موفق می‌شوند.«ترس» ابزار کلیدی قدرتمندان برای همراه کردن دیگران با برنامه‌هایشان است: «اگر بانک‌ها نجات نیابند، سیستم اقتصادی فرو می‌پاشد و همه آسیب می‌بینند.» یا «اگر نرخ مالیات شرکت‌ها کاهش نیابد، آن‌ها به کشورهای دیگر می‌روند.»آیا جامعه آزاد جامعه‌ای است که در آن عده‌ای معدود شرایط بازی را دیکته کنند؟ که در آن عده‌ای محدود رسانه‌های اصلی را کنترل کنند تا تصمیم بگیرند مردم چه اخباری را ببینند؟ مردم غرب مدت‌هاست از پروپاگاندای نازی‌ها و کمونیست‌ها انتقاد می‌کنند، اما ما خود در کابوسِ پروپاگاندای «مرداک» و بدتر از آن، رسانه‌های اجتماعی تحت کنترل «ماسک» و «زاکربرگ» گرفتار شده‌ایم که اجازه دارند هر چه می‌خواهند را وایرال کنند. در نتیجه، جهانی دوقطبی ایجاد کرده‌ایم که گروه‌های مختلف در آن در جهان‌های متفاوتی زندگی می‌کنند و نه تنها بر سر ارزش‌ها، بلکه بر سر «واقعیت‌ها» نیز اختلاف نظر دارند.دموکراسی قوی با اقتصاد نئولیبرال به دلیل دیگری نیز نمی‌تواند تداوم یابد. نئولیبرالیسم منجر به ظهور «رانت‌های» عظیم شده است؛ سودهای انحصاری که منبع اصلی نابرابری‌های امروز هستند.دموکراسی برای پایدار ماندن نیاز به «مصالحه» دارد، اما در جامعه دوقطبی امروز، یافتن زمین مشترک دشوار شده است. نئولیبرالیسم با ایجاد شکاف‌های اقتصادی عظیم به این وضعیت دامن زده است. وقتی قدرت اقتصادی و سیاسی زیادی در میان باشد، مصالحه دشوار می‌شود. تعجبی ندارد که جناح راست رویکرد «برنده صاحب همه چیز» را در پیش گرفته است. حتی زمانی که بوش و ترامپ با اقلیت آرای مردمی به قدرت رسیدند، به جای سیاست‌های میانه‌رو، این دیدگاه را داشتند که «انتخابات پیامد دارد» و پیروزی به آن‌ها اجازه می‌دهد هر کاری می‌خواهند انجام دهند؛ از جمله کاهش مالیات ثروتمندان به قیمت فشار بر شهروندان عادی و تلاش برای کاهش خدمات بهداشتی.این فقدان مصالحه منجر به بی‌ثباتی در سیاست‌ها و برنامه‌ها می‌شود. بی‌ثباتی و عدم قطعیت در محیط اقتصادی (مقررات و مالیات)، شرکت‌ها را از سرمایه‌گذاری برای رشد باز می‌دارد. اقتصاددانان اغلب از این نوسانات پاندولی انتقاد می‌کنند، اما به مشکل زیربنایی نمی‌نگرند: اگر شکاف‌های اجتماعی کوچک‌تر بود، شدت این نوسانات و پیامدهای مخرب آن‌ها نیز کمتر می‌شد.گاردریل‌هابه عبارت دیگر، اقتصاد نئولیبرالِ بازار آزاد در ترکیب با دموکراسی لیبرال، یک تعادل پایدار ایجاد نمی‌کند؛ مگر اینکه «نرده‌های محافظ» قوی و اجماع اجتماعی گسترده‌ای برای مهار نابرابری ثروت و نقش پول در سیاست وجود داشته باشد. این نوع دموکراسی قوی برای حفظ یک اقتصاد رقابتی ضروری است. اینکه آیا سیستم سیاسی و اقتصادی امروز آمریکا محافظ‌های کافی برای حفظ آزادی‌های معنادار را دارد یا خیر، جای تردید است.ما به چک و کنترل (Checks and Balances) نیاز داریم؛ نه فقط در داخل دولت، بلکه در کل جامعه. دموکراسی قوی با مشارکت گسترده بخشی از الزامات است، که به معنای تلاش برای لغو قوانینی است که هدفشان کاهش مشارکت دموکراتیک (مانند سرکوب رای‌دهندگان) است.این نرده‌های محافظ، قلب «سرمایه‌داری پیشرو» هستند. امروزه حتی در قوی‌ترین سوسیال‌دموکراسی‌ها نیز فشار دائمی برای برداشتن این محافظ‌ها وجود دارد. در ایالات متحده، این محافظ‌ها بسیار لرزان به نظر می‌رسند. برخی مانند مارتین ولف نگرانند که اوضاع چنان بد است که آمریکا ممکن است به زودی دیگر یک دموکراسی کارآمد نباشد.مسیر پوپولیسمنئولیبرال‌ها و راست‌های رادیکال تحت نام «آزادی»، سیاست‌هایی را ترویج کرده‌اند که فرصت‌ها و آزادی‌های اکثریت را به نفع اقلیت محدود می‌کند. این شکست‌های اقتصادی منجر شده تا بخش بزرگی از مردم به سمت پوپولیسم و چهره‌های اقتدارگرا مانند ترامپ، بولسونارو، پوتین و مودی متمایل شوند. این مردان به دنبال «بز طلیعه» (مقصر فرضی) می‌گردند تا مشکلات را گردن آن‌ها بیندازند و پاسخ‌های ساده‌لوحانه به سوالات پیچیده می‌دهند.ما نمی‌توانیم به نتیجه‌ای جز برعکسِ ادعای فریدمن و هایک برسیم. آن‌ها تاریخ را اشتباه خواندند (من شک دارم که عمدی بوده باشد). رژیم‌های هیتلر، موسولینی و استالین ناشی از نقشِ بیش از حد دولت‌ها نبودند، بلکه واکنشی افراطی به این بودند که دولت‌ها «به اندازه کافی» کار انجام ندادند. اقتدارگرایی در کشورهای سوسیال‌دموکراسی با دولت‌های بزرگ ظهور نکرد، بلکه در کشورهایی با نابرابری شدید و بیکاری بالا جوانه زد. کشورهایی که اصول نئولیبرالیسم را پذیرفتند، در «جاده پوپولیسم و بردگی» گام برداشته‌اند.به طور خلاصه، هایک و فریدمن اشتباه می‌کردند. سرمایه‌داری نئولیبرال و بی‌قید و بند، ضد دموکراسی پایدار است. کتاب مشهور هایک، «در راه بردگی»، ادعا می‌کرد که دولتِ بیش از حد بزرگ راه را برای از دست دادن آزادی هموار می‌کند. اما امروز بدیهی است که بازارهای آزاد و بی‌قید و بندِ مورد حمایت آن‌ها، ما را در راه فاشیسم قرار داده است؛ نسخه‌ای از اقتدارگرایی قرن بیست و یکمی که با پیشرفت علم و فناوری بدتر هم شده است؛ اقتدارگراییِ جورج اورولی که در آن نظارت همه‌جایی حاکم است و حقیقت قربانی قدرت شده است.در حالیکه یکی از دو حزب اصلی آمریکا که فعالانه برای سرکوب آرا و حفظ قدرت به هر قیمتی تلاش می‌کند، قابل درک است که چرا بسیاری فکر می‌کنند کشور به سمت فاشیسم می‌رود. آمریکا ممکن است اولین کشوری باشد که در این مسیر قدم می‌گذارد، اما کشورهای دیگر ممکن است چندان عقب نباشند. Ali Dasmeh Ali Dasmeh Wed, 17 Dec 2025 23:08:21 +0330 https://virgool.io/@alidasmeh/%D8%A2%DB%8C%D8%A7-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%D8%A2%D8%B2%D8%A7%D8%AF-%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7-%D8%B1%D8%A7-%D8%AF%D8%B1-%D8%AC%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-%D9%87%D8%A7%DB%8C-%D8%A8%D9%87%D8%AA%D8%B1%DB%8C-%D9%82%D8%B1%D8%A7%D8%B1-%D8%AF%D8%A7%D8%AF-zhasn5zxlvux همه بحث های اقتصادی که عموما مردم می‌کنند مثل بزرگی GDP نهایتا قرار است یک تاثیر غیر مالی در زندگی مردم داشته باشد. هدف که خود پول نبوده و نیست، هدف چیزی است که با پول بدست می‌آید. در مطلب می‌خواهم کشور های گروه G7 را در چند شاخصه غیر مالی مقایسه کنم.گروه G7 یک انجمن غیررسمی متشکل از هفت کشور دموکراتیک صنعتی پیشرفته - کانادا، فرانسه، آلمان، ایتالیا، ژاپن، بریتانیا و ایالات متحده - است. تنوع رویکرد های اقتصادی در این کشور ها نسبتا زیاد است. از فشار برای تحقق بازار کاملا آزاد، مثل آمریکا تا کشور هایی که به هیچ عنوان کوچک شدن دولت را نمی پسندند مثل آلمان. مثلا در حالی که در آلمان و بریتانیا، سیستم درمان تقریبا رایگان است، در آمریکا تقریبا سیستم سلامت رایگانی وجود ندارد. یا درحالی که در آلمان و ایتالیا آموزش مدرسه و دانشگاه رایگان (یا اغلب رایگان) و یکسازی شده است، در آمریکا سیستم مشابه ایران است - دو بخش دولتی و خصوصی دارد و سیستم دولتی‌ (علی الخصوص در مدارس) به طور کامل ناکارآمد است - بخش دولتی اهداف سیستم آموزشی را برآورده نمی‌کند. مقایسه کشور‌های G7 در مسائل غیر مالیدر ادامه چند مقایسه از شاخص های غیر مالی این کشور‌ها را با معیار های جهانی عرض خواهم کرد. بهداشت و درمانیکی از مهم ترین شاخص های عمومی سلامت در جهان «طول عمر» (Longevity - Life Expectancy) می باشد. به طور مشخص مردم این کشور ها در این بازه زمانی به طور میانگین طول عمر بیشتری را - به طور میانگین حدود ۷ سال - به دست آوردند. بازه مورد ارزیابی در حدود سال های ۱۹۸۵ تا به آخرین گزارش (بین سال ۲۰۲۳-۲۵) است، زیرا که در این مدت نظام سیاسی-اقتصادی هیچ کدام از کشور ها (به جز آلمان ۱۹۸۹) تغییر جدی نکرده است. به ترتیب طول عمر در سال ۲۰۲۳ کشور های اینطور رتبه بندی می‌شوند:بر اساس World Health System Factsهمانطور که مشهود است نرخ تغییرات در کشور هایی مثل آلمان، ایتالیا و ژاپن که در بخش درمان رایگان یا بخش قابل توجهی پوشش داده شده توسط دولت هستند (مثلا ژاپن بیش از ۷۰ درصد توسط دولت پوشش داده می‌شود) تغییرات بیشتری در افزایش طول عمر را داشته اند. در حالی که آمریکا که آزاد ترین بازار در زمینه سلامت در جهان را دارد (حتی بیشتر از ایران) هم در نرخ تغییرات و هم در طول عمر در مقام آخر قرار دارد. به علاوه، در مدت زمان همه‌گیری کرونا سرعت رشد طول عمر کاهش پیدا کرد که در همین میان مجدد آمریکا بیشترین کاهش سرعت را در بین این گروه داشت. به گزارش برنی سندرز سناتور مطرح آمریکایی بیش از نیم میلیون نفر در سال در آمریکا بخاطر مسائل پزشکی ورشکسته شده اند (تصویر زیر پیام برنی سندرز در توییتر و ایسنتاگرام). برنی سندرز درباره ورشکستی مردم بخاطر مسائل درمانیمنبع این بخش: World Health System Factsکیفیت محیط زیستاین شاخص ارزیابی میکند کارآمدی اقدامات جلوگیری کننده از تغییرات اقلیمی و کیفیت و پاکیزگی هوا، آب و خاک و سرزندگی اکوسیستم (Ecosystem Vitality) مانند تنوع زیستی، جنگل‌داری، شیلات، منابع آب در کشور ها چطور بوده است. نمره این کشور های در بین سال های ۲۰۱۴ تا ۲۰۲۴ اینطور اعلام شده است: بر اساس Environmental Performance Indexهمانطور که مشهود است چنین موضوعی که در بخش خصوصی به هیچ عنوان مورد توجه نیست در بازار آزاد به فراموشی سپرده می‌شود و کوچک بودن دولت، قانون گذاری و اعمال قانون را غیر ممکن می‌کند. نهایتا این دو عامل باعث شده است کشور های اروپایی - که عموما سوسیال تر هستند و بازار به معنی آمریکایی و تئوریک آن آزاد نیست - در قانون گذاری و اعمال آن بهتر عمل کرده و نتایج بهتری بگیرند.مختصرا عرض کردم ، به گفته اقتصاددان بزرگ ژوزف اشتیگلیتز محیط زیست یکی از مهم ترین ارکان آزادی (freedom) است، نه تنها در یک نسل مشخص بلکه تضمین کننده کوچک نشدن مجموعه فرصت‌ها (opportunity set) در نسل‌های آینده است.منابع این بخش: Environmental Performance Indexامنیت و جرمشاید برای یک شهروند در هر لحظه از زندگی در یک دولت-ملت مدرن چیزی مهم تر از امنیت نیست. یعنی حداقل درخواست یک شهروند این است که جان و اموال او در امنیت باشند و هزینه جانبی برای حفظ این دو مورد نپردازد. شاخص های متعددی برای ارزیابی این موضوع وجود دارد اما مهم ترین آن‌ها حمله‌های تروریستی، قتل، خشونت با اسلحه، جرائم خشونت آمیز خیابانی، مسائل امنیت شهری و … است. در معتبر ترین رتبه بندی این زمینه یعنی «شاخص صلح جهانی» (Global Peace Index) کشور های گروه G7 به این شکل دسته بندی می‌شوند: بر اساس Global Peace Index 2024رتبه این کشور ها به طور چشم گیری در ۱۰ سال گذشته تغییری نکرده است، تنها آمریکا از سال ۲۰۱۴ تا سال ۲۰۲۴ از رتبه ۱۴۹ به رتبه ۱۳۲ رسیده است که بهبود چشم‌گیری محسوب می‌شود. به طور نسبتا واضحی می‌توان گفت که رابطه معکوسی بین فراگیری بازار آزاد و امنیت وجود دارد. مهم ترین عللی که رتبه فرانسه را نزول داده است حمله های موفق تروریستی در این کشور بوده. همچنین مهم ترین دلائل نمره نا مطلوب آمریکا خشونت‌های خیابانی مسلح، درگیری های خشونت آمیز و مسائل امنیتی بوده است. منابع این بخش: Global Peace Index 2024برابری جنسیتیدر حدود نیمی از هر کشوری متشکل از زنان و دختران آن کشور می‌باشد. فراهم کردن برابری در فرصت‌ها یکی از مهم ترین ایجاد رضایت در این بخش جامعه می‌باشد. «شاخص جهانی شکاف جنسیتی» (Global Gender Gap Index) فراهم بودن یا نبودن فرصت‌های برابر را برای این بخش از جامعه ارزیابی میکند.جوامع می‌توانند دموکراتیک و مدرن باشند اما هنوز در گیر پابند‌های سنت‌های دینی و فرهنگی هم باشند، از همین جهت تفکر سیاسی-اقتصادی می‌توانند تحت تاثیر این عامل پنهان نیز قرار بگیرند. طبق «شاخص جهانی شکاف جنسیتی» در سال ۲۰۲۳ این ۷ کشور اینطور رتبه بندی شده اند:بر اساس World Population Reviewایالات متحده، بریتانیا، کانادا و فرانسه پس از دهه‌ها بهبود، وضعیت مشابهی دارند (حدود ۷۵ تا ۷۹ درصد). ژاپن و ایتالیا عقب مانده‌اند، که عمدتاً به دلیل نمایندگی سیاسی و مشارکت کم زنان در نیروی کار است. تغییرات قابل توجه شامل حضور بیشتر زنان در پارلمان و هیئت مدیره شرکت‌ها در تمام کشورهای عضو گروه هفت است. گفته میشود مهم ترین دلیلی که آلمان در این سال ها پیشرفت بسیاری داشته و سردَم دار کاهش شکاف جنسیتی است، آن است که دولت قدرت اعمال و نظارت بر اجرا قانون را دارد و نهایتا می‌تواند در شرایطِ خاصِ بانوان - مثل دوران بارداری - حمایت‌های مشخصی برای جلوگیری از آسیب دیدن این بخش از جامعه بکند. سایر کشور هایی که به بازار آزاد گرایش بیشتری دارند، با عدم حمایت از زنان در دوران بارداری خطر بیکاری این افراد را در این دوره بالا برده و از همین جهت خیلی از زنان ترجیح میدهند بارداری را به تعویق بندازند یا نقش مادری خود را در سال های اولیه زندگی نوزاد کمرنگ تر کنند تا موقعیت شغلی خود را حفظ کنند.منبع این بخش: World Population Reviewنتیجه گیری منقطعا هیچ کدام از این آمار باز نمایاننده تمام واقعیت نیستند و خطاهایی در آن ها وجود دارد، اما بهترین چیزهاییست که در دست داریم و می‌شود با آن تصمیم‌گیری کرد. بسیار از پارامتر‌های دیگری مانند تحرک اجتماعی (social mobility)، کیفیت و برابری آموزش، توانمندی های علمی و … دیگر وجود دارند که در اینجا بحث نشد و می‌بایست بشوند.فکر نمی‌کنم که هیچ اقتصاددانی هدف نهایی خود را بر روی مطالعه صرف پول گذاشته باشد، بلکه رابطه ای بین وجود پول و پارامتر‌های غیر مالی وجود دارد. پس اگر هدف نهایی آن مسائل کیفی زندگی و … است بهتر گاه به گاه به طور مستقیم و مستقل از پول آن‌ها را بررسی کنیم و ببینیم آیا رابطه‌ی مفروش بین پول و آن پارامتر‌ها بر قرار است یا خیر. به وضوح مشهود است که رابطه‌ای بین بازار آزاد (در همین راستا دولت کوچک) و کیفیت زندگی وجود ندارد یا اگر وجود دارد، معکوس است. یعنی بنظر میرسد. گرایش کمتر به بازار آزاد و دخالت دولت باعث بهبود پارامتر‌های غیر مالی می‌شود. ختم و خلاصه کلامنکته اصلی من این است، بازار آزاد رویایی است که فقط روی کاغذ کار میکند (من در مقاله دیگری نشان دادم که چرا در عمل کار نمی‌کند) و فروش این رویا توسط چهره دانشگاهی مانند دکتر غنی‌نژاد و چهره های شبکه اجتماعی/رسانه‌ای مانند جناب آقای تدینی پر مخاطره است. اندازه دولت آنچنان مهم نیست، کارآمدی دولت مهم است. بازار آزاد آرمانی عملاً هیج نقطه ای از تاریخ وجود نداشته و آنچه بازار به حد زیادی آزاد (نه کاملا آزاد) آمریکا آورد مشکلات اقتصادی مانند ۲۰۰۴ و ۲۰۰۸ و یحتمل حباب هوش مصنوعی پیش روست، که هر موقع هم شکست میخورد پول مالیات مردم معمولی برای پرداخت بدهی آن‌ها داده می‌شود. در همین حال کشور هایی مثل نوردیک‌‌ها و آلمان بدون اینکه بدهی‌ای ایجاد کنند، از شرکت های خصوصی و دولتی در شرایط بحرانی مثل کرونا پیشتیبانی کردند - در حالی همه ساله خدمات درمانی و آموزشی با کیفیت و رایگان در اختیار همه قرار دادند. حد فاصل بین «ایده آرمانی بازار آزاد» و «بازار آزاد ممکن» باید توسط ساز و کاری به نام دولت پر بشود که در واقع از ساز و کار را به گونه اساسی تغییر می‌دهد و اسم آن را شاید دیگر - نئولیبرال-کپیتالیست‌ها - بازار آزاد نگذارند. این موضوع را در مطلب دیگری بر اساس کتاب آخر برنده جایزه نوبل اقتصاد سال ۲۰۲۳ - ژوزف اشتیگلیتز - توضیح خواهم داد. Ali Dasmeh Ali Dasmeh Mon, 08 Dec 2025 17:29:03 +0330 https://virgool.io/@alidasmeh/%D9%85%D9%81%D8%B1%D9%88%D8%B6%D8%A7%D8%AA-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%D8%A2%D8%B2%D8%A7%D8%AF-%DA%A9%D8%A7%D8%B1%D8%A2%D9%85%D8%AF-%D8%B3%D8%B1%D8%A7%D8%A8%DB%8C-%DA%A9%D9%87-%D8%B1%DB%8C%D8%A7%D8%B6%DB%8C%D8%A7%D8%AA-%D9%86%D8%B4%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF-%D9%85%D9%85%DA%A9%D9%86-%D9%86%DB%8C%D8%B3%D8%AA-eanhrwsachik در این مقاله مختصر، قصد دارم ۴ شرط آرمانی و دست نیافتنی برای رسیدن به بازار آزاد ایده آل که گفته می‌شود همه در آن برنده هستند را تعریف کنم.اخیرا کتاب آخر ژوزف استیگلیتز برنده جایزه نوبل سال ۲۰۲۳ به اسم «مسیرِ به آزادی» را مطالعه میکردم. در پارت اول کتاب چندین مورد را از عدم کارآمدی رویکرد نئولیبرال-کپیتالیسم مطرح می‌کند و در بین این شواهد حتی به کار های بزرگان شناخته شده لیبرالیسم مانند آدام اسمیت و هایک هم اشاره میکند و تناقض های درونی آن ها را با مثال هایی که عملا در قرن ۲۱ رخ داده‌اند، نمایان می‌کند. در بین این افراد شاخص به دو اقتصاددان لیبرال برنده نوبل اقتصاد نیز اشاره میکند: کِنِث اَرو (Kenneth Arrow) و جرارد دِبرِو (Gérard Debreu). قدم مهم این دو اقتصادان بزرگ ارائه یک مدل ریاضی برای نمایش وجود یک تعادل رقابتی‌ (competitive equilibrium) عمومی، تحت مجموعه‌ای از فرضیات، بود. در ارائه این شاهد ریاضی یک اتفاق مهم افتاد: ۴ شرط آرمانی مفروض گرفته شد. در اینجا هر کدام از این ۴ شرط را مختصرا با مثالی شرح خواهم داد. البته این توضیحات در کتاب «مسیرِ به آزادی» نیامده و خلاصه مطالعه من از اصل کار های این دو اقتصادان و نقد هاییست که به آن‌ها شده است. شرط ۱- رقابت کامل (Perfect Competition) رقابت کامل یعنی همه مصرف‌کنندگان و تولیدکنندگان قیمت گذار (price taker) هستند. به این معنی که هیچ فرد یا شرکتی آنقدر بزرگ نیست که بتواند بر قیمت بازار هیچ کالایی تأثیر بگذارد. در مدل اَرو-دِبرِو قیمت صرفا از پیشنهاد آزادانه دو طرف یک معامله می‌آید. نمونه مهم این چنین مسئله ای در بحث تبلیغات آنلاین و به طور کلی تبلیغات در قرن ۲۱ رخ داد! شرکت های بزرگ مثل گوگل، آمازون، متا (فیس‌بوک) با فاصله بزرگ‌ترین ارائه کننده خدمات این زمینه هستند و قابلیت رقابت برای هیچ کسی در سطح جهانی وجود ندارد. فرض کنید شما خریدار سرویس مشخصی هستید، به فروشنده ۱ مراجعه میکنید و قیمت مورد توافق شما ۸۰ تومن خواهد بود (تصویر ۱). در همان زمان فروشنده دیگری، کاملا مستقل از فروشنده ۱، به شما قیمت ۶۰ تومن را پیشنهاد می‌دهد. قطعا فروشنده ۲ از فروش خود در طولانی مدت قرار نیست ضرر کند و شما هم خوشحال هستید که توانسته اید به قیمت پایین تر سرویس مد نظر خود را بخرید. این یک رقابت کامل است. تصویر ۱ - فرض یک رقابت کامل در تفکر بازار آزاداما آن چیزی که عملا در بازار امروز رخ می‌دهد در عمده‌ای از سرویس ها شما با فروشنده‌های متفاوتی برخورد نمیکنید (تصویر ۲) در واقع همه فروشنده (یا بخش بسیار بزرگی از آن‌ها)‌ به یک مرکز متصل هستند و قیمت گذاری آن ها مستقل نیست. پس شما به عنوان خریدار به هر کدام از آن ها مراجعه کنید قیمت یکسانی میگیرید و در واقع اجازه تصمیم‌گیری ندارید. و این یعنی رقابت طبق تعریف کامل نیست. تصویر ۲ - نقیض فرض بازار کامل در تفکر بازار آزادشرط ۲- بازار کامل (Complete Market) بازار کامل یعنی هیچ ریسک یا شگفتی‌ای وجود ندارد؛ چون برای همه چیز از قبل، قرارداد و قیمت تعیین شده است. تمام رویدادهای ممکن در آینده، امروز در معاملات بازار «قیمت‌گذاری» شده‌اند. باید بگویم که این عملا ضد ایده مرکزی‌ای است که بازار بورس را شکل داد (این قسمت بی‌پلاس رو ببینید). مثلا پاندمی کرونا را در نظر بگیرید، اگر بازار کامل بود، باید یک بازار (یک شرکت بیمه یا ابزار مالی) وجود می‌داشت که به یک رستوران کوچک اجازه دهد در برابر ریسک «تعطیلی کامل به مدت ۶ ماه به دلیل دستور دولت برای مهار یک ویروس جهانی» به طور کامل بیمه شود. اما در عمل وجود نداشت. اما چرا وجود نداشت، چون پاندمی کرونا ناشناخته و اندازه‌گیری آن بسیار سخت بود. این درباره خیلی پدیده‌های بیولوژیک، اقتصادی و اجتماعی دیگر هم صادق است. پس در صورتی بازار آزاد لیبرالیست‌های قدیم، نئولیبرال‌-کپیتالیست‌ها جدید ممکن است رخ دهد که تمام سناریو ‌های پیشرو شناخته شده و قیمت‌گذاری شوند. یعنی عملا هیچ سورپرایزی وجود نداشته باشد. شرط ۳- عوامل عقلانی (Rational Agents)پیش از اقتصاد رفتاری ، در اقتصاد کلاسیک تصور می‌شد که همه عوامل دخیل در اقتصاد ، تک به تک به طور کاملا عقلانی رفتار میکنند، یعنی: آنها می‌دانند چه چیزی را دوست دارند و بیشتر را همیشه به کمتر ترجیح می‌دهند و تنها هدف تولید کننده حداکثر کردن سود است. این اصلِ تفکرِ بزرگانی مثل هایک و اسمیت‌ها بود. اما اقتصاد رفتاری در شرایط کاملا کنترل شده بار‌ها و بار‌ها نشان داد این فرض غلط است و عملا هیچ موجودی به طور کامل عقلانی رفتار نمی‌کند. دنیل کانمن با ایده ۲ سیستم سریع و کند و وجود شورت‌کات های شناختی (heuristic) ها و رالف هردویگ (Ralph Hertwig) با ایده عقلانیت تطبیقی (adaptive rationality) این موضوع را نشان دادند. اجازه بدهید این را مفروض بداریم که در هر لحظه همه عاملان بازار باید همه اطلاعات را داشته باشند تا بتوانند تصمیم یکسانی بگیرند. که در عمل ممکن نیست. این خود یک بحث مفصل دیگری است که از حوصله این مطلب خارج است.برای شرح بیشتر بزارید از معروف ترین آزمایش علوم رفتاری یعنی معمای زندانی استفاده کنم. فرض کنید متهم الف و متهم ب در دو اتاق جداگانه هستند. هر دو آن ها در یک کار خلاف شریک بودند اما کار‌آگاه پرونده مدرکی ندارد. به هر دو آن ها میگوید اگر بگویند که دیگری مجرم است (خیانت)، خودشان ازاد و دیگری ۴ سال زندان میرود. اگر هر دو سکوت کنند (یعنی با هم دیگر همکاری کنند)، هر دو یک سال زندان میروند. ولی اگر هر دو بگویند که دیگری مجرم است هر دو، دو سال زندان میروند (تصویر ۳). تصویر ۳ - ماتریس بازدهی در معما زندانینظریه بازی‌ها، یک عامل منطقی را به عنوان کسی تعریف می‌کند که به دنبال به حداکثر رساندن سود خود (در این مورد، به حداقل رساندن حکم زندان خود) است. استدلال متهم الف این است که ب ساکت می‌ماند (همکاری می‌کند). اگر ب ساکت بماند، الف بین ۱ سال (اگر همکاری کند) و صفر سال (اگر خیانت کند) حق انتخاب دارد. اگر ب خیانت کند، الف بین ۴ سال (اگر همکاری کند) و ۲ سال (اگر خیانت کند) حق انتخاب دارد. پس در هر صورت خیانت کردن الف منطقی تر است. همین برای ب هم صادق است. پس هر دو به جای اینکه یک سال بروند زندان دو سال میروند. تعمیم این مثال به بازار ازاد چیست؟ بازار‌ آزاد می‌گوید بهینه ترین نتیجه باید رخ دهد (با همه مفروضاتش) یعنی صفر سال. اما چون این فرض عقلانیت عامل در بازار آزاد وجود ندارد، پس عملا بهینه ترین رخ نمی‌دهد.شرط ۴ - عدم افزایش بازده در مقیاس (No Increasing Returns to Scale)این شرط می‌گوید، برای ایجاد شدن یک بازار آزاد، فناوری‌های تولید نباید با دو برابر کردن ورودی‌ها، خروجی را بیش از دو برابر کند. این امر تضمین می‌کند که شرکت‌ها نسبتاً کوچک باقی بمانند و با فرض رقابت کامل سازگار باشند. و این عملا همان قاعده مهم کسب‌وکار های نرم افزاری و مفهوم مرکزی استارتاپ است یعنی مقیاس‌پذیری یا scalable بودن. در واقع وجود این نوع کسب و کار ضد بازار آزاد است (عملا هم شرکت‌های بزرگ تکنولوژی این را نشان می‌دهند).به تصویر ۴ نگاه کنید، خط ابی رنگ نمونه شرکتی است که از قاعده «عدم افزایش بازده در مقیاس» پیروی میکند، یعنی ۱۰۰ واحد تولید کند یا میلیارد ها واحد از یک محصول فرقی در قیمت نهایی محصول و سود شرکت ندارد. اما خط قرمز رنگ نمونه یک استارتاپ نرم افزاری است، مثل اسنپ، دیجیکالا، آمازون و …. تولید اولین نمونه محصول ممکن است میلیارد ها هزینه داشته باشد، اما چه ۱۰۰ نفر آن را بریزند چه هزاران نفر هزینه جدیدی ندارد (هزینه نگه داری کمی دارد). پس در نتیجه با زیاد شدن تعداد کاربران میانگین قیمت هر واحد محصول کاهش یافته ، سود شرکت قرمز رنگ بیشتر می‌شود. یعنی از قاعده «عدم افزایش بازده در مقیاس» پیروی نمی‌کند. و عجیب هست نیست پولدار ترین های جهان تقریبا همگی به این نوع‌ها کسب و کار ها ربط دارند. تصویر ۴ - وجود و عدم وجود شرط «عدم افزایش بازده در مقیاس»نتیجه گیری من آن طور اَرو و دِبرِو خود می‌گویند، عدم وجود هر یک از این پیش‌فرض ها یا انحراف از حالت ارمانی آن ها تمام مزایای پیشنهاد شده برای بازار آزاد را از بین می‌برد.ما در قرن ۲۱ نه تنها از بعضی از این فرضیات انحراف داریم، بلکه بعضی را به طور مطلق نداریم. بازار آزاد آرمانی تصویر شده امروزی, که قرار است همه چیز ها رو به همگان برساند (با دولت کوچکی که رسما نظارت حداقلی دارد و صرفا در موقع دعاوی وارد می‌شود) سرابی بیش نیست. مداخله دولت‌های دموکراتیک در بازار برای حل مسائلی که عدم وجود ۴ شرط بالا به وجود می‌آورند، حیاتی است. در یک مطلب دیگر به نکات جدید تر ژوزف استیگلیتز درباره بازار آزاد و نیاز به وجود دولت بسیار محکم و مستقر خواهم پرداخت. ۴ شرط ناممکن رسیدن به بازار آزاد آرمانی Ali Dasmeh Ali Dasmeh Fri, 05 Dec 2025 21:32:18 +0330 https://virgool.io/@alidasmeh/%D8%AF%DB%8C%D8%B2%D8%A7%DB%8C%D9%86-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%AE%D8%B4-%D8%B3%D9%88%D9%85-h9tbldwudzzw لوگو شرکت ایربی‌ان‌بی یکی از شرکت‌های پیشرو در استفاده از هوش مصنوعی۴- بحثاز 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 طراحیتا 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 طراحیمثال‌های 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 مصنوعیاگر 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- نتیجه‌گیریهوش 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 :‌ https://virgool.io/@alidasmeh/design-in-the-age-of-ai-bvhiumykuqer https://virgool.io/@alidasmeh/deisgn-in-the-age-of-ai-2-j8xdqyehrfad Ali Dasmeh Ali Dasmeh Fri, 20 Aug 2021 11:28:42 +0430 https://virgool.io/@alidasmeh/deisgn-in-the-age-of-ai-2-j8xdqyehrfad ۳- طراحی قدر گرفته از هوش مصنوعی در عملبرای 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 کردنتفلیکس 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…ـدر 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: https://virgool.io/@alidasmeh/%D8%AF%DB%8C%D8%B2%D8%A7%DB%8C%D9%86-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%AE%D8%B4-%D8%B3%D9%88%D9%85-h9tbldwudzzw Ali Dasmeh Ali Dasmeh Tue, 03 Aug 2021 07:37:31 +0430 https://virgool.io/@alidasmeh/design-in-the-age-of-ai-bvhiumykuqer من دانشجو علوم شناختی هستم، و اخیرا در مطالعاتم به مقاله ای از دکتر ورگانتی بر خورد کردم که درباره دیزاین و هوش مصنوعی است، من در چند بخش این مقاله ۳۰ صفحه ای را ترجمه کرده و قرار خواهم داد. باشد که برای سایرین مفید واقع شود. چکیدههوش مصنوعی در حال تاثیر گذاری بر سناریو هایی است که خلاقیت در آن‌ها جای دارند. چه تاثیراتی بر فهم از طراحی خواهد گذاشت؟ آیا هوش مصنوعی یک دیگر از تکنولوژی های دیجیتال است، مانند خیلی‌های دیگر، که سوالات قابل ملاحظه‌ای درباره دانش ما از طراحی نخواهد پرسید؟ یا اینکه هوش مصنوعی تغییری در طراحی ایجاد خواهد کرد که چارچوب های حاضر قابل به توضیح آن نخواهند بود؟برای مشخص کردن سوالات، ما دو نمونه پیشگام از ه.م. را بررسی کردیم، نتفیلیکس و ایربی‌ان‌بی (بعلاوه با تحلیل مایکروسافت و تسلا آن را تکمیل کردیم.) که دریچه‌ای خاص آینده تکامل طراحی خواهد بود.ما متوجه این موضوع شدیم که هوش مصنوعی مبانی اولیه تفکر طراحی (مردم محور بودن، استدلال ربایشی و تکرار شوندگی ) را زیر سوال نمی‌برد، بلکه بر محدودیت های گذشته (مقیاس، دامنه و یادگیری) و فرآیند های طاغت فرسا برای انسان غلبه می‌کند. در زمینه استفاده از هوش مصنوعی در بستر کارخانه، هوش مصنوعی حتی کاربر محور تر (حد بالایی از شخصی‌سازی) و خلاق‌تر است و از طریق چرخه‌های یادگیری بر روی کل چرخه حیات محصول بروزرسانی می‌شود. با این همه ، ما دریافتیم که هوش مصنوعی به طور ژرفی عمل طراحی را تغییر می دهد. وظایف حل مسئله ، که به طور سنتی توسط طراحان انجام می شود ، اکنون در چرخه‌های یادگیری که بدون محدودیت حجم و سرعت کار می کنند ، به طور خودکار انجام می‌شوند. روند تفکر در این چرخه‌ها به طور کامل با روند یک طراح متفاوت است : هوش مصنوعی مشکلات بسیار پیچیده را به ساده‌ترین شکل با تکرار‌های زیاد حل می‌کند. این مقاله نهایتا یک فریم‌ورک جدید برای درک بهتر عمل طراحی در عصر هوش مصنوعی پیشنهاد می‌کند. همچنین درباره پیامد‌های آن درباره طراحی و تئوری خلاقیت صحبت خواهیم کرد. بخصوص، مشاهده خواهیم کرد، آن زمانی که الگورتیم به طور قابل توجهی خلاقیت حل مسئله را بر عهده می‌گیرد، فعالیت انسان طراح به یک سازنده احساس تبدیل خواهد شد، یعنی، کدام مسئله می‌بایست حل شود. این جا به جایی در تمرکز به یک تئوری جدید نیاز دارد و طراحی را به رهبری، که ذاتا فعالیت معنا بخشی است، نزدیک می‌کند.۱- مقدمهبه کار گیری هوش مصنوعی توجه زیادی را به خود جلب کرده و تقریبا در همه محیط‌های صنعتی مورد تاکید است، از سلامت تا کارخانه خودروسازی. از ترکیب فراگیر شدن سنسور‌های دیجیتالی، شبکه‌ها و خودکار‌سازی ‌ نرم‌افزاری، هوش مصنوعی اقتصاد را متحول و عصر جدید از صنعتی‌سازی را تعریف می‌کند. از علی‌بابا تا ایر بی‌ان‌بی، این «عصر هوش مصنوعی» جدید با ظهور نوع جدیدی از شرکت‌ها ، مبتنی بر مدل عملیاتی دیجیتالی ، فرصت ها و چالش های بی سابقه‌ای را ایجاد کرده است. (لانسیتی و لاخانی، ۲۰۲۰)زمانی که استقبال شرکت‌ها از مدل‌های عملیاتی هوش مصنوعی محور افزایش پیدا می‌کند، آن‌ها خیلی از پروسه‌های کسب و کار خود را دیجیتالی کرده و نیرو انسانی و مدیریتی را از بخش‌های حیاتی اجرایی در بیشتر فعالیت‌های عملیاتی حذف می‌کنند. بر خلاف فرآیند‌های شرکت‌های قدیمی، این کارمند‌های نیستند که قیمت محصولات را تعیین می‌کنند، یا در بانک‌ها کارمند‌ها دیگر وظیفه تایید صلاحیت کسب‌وکار ها برای دریافت وام را بر عهده ندارند. انسان‌ها با توسعه الگوریتم‌ها و نوشتن نرم‌افزار ها باعث شدند ساخت حل مسائل بلادرنگ توسط تکنولوژی‌های دیجیتالی خودکار شود.در حالی که اقتصاد پیوسته در حال تغییر است، فرآیند طراحی نیز با سرعت تغییر می‌کند، استفاده از سنسورها، شبکه‌های دیجیتالی و الگوریتم‌ها. محصولات مدرن به طور فزاینده ای به سازمان‌هایی که ان‌ها طراحی کرده‌اند متصل هستند و به طور پیوسته جریان‌های اطلاعاتی را از وجوه تجربه کار آن‌ها فراهم می‌آورند، چه محصولات به طور کامل در نرم افزار‌ها قرار گرفتند، مانند اپ‌های ایفون، و چه مانند خودرو تسلا، درون سخت‌افزار‌های سنتی جا گرفته باشند. بعلاوه، نرم‌افزار‌های تعبیه شده در محصولات ، خود جریان دیگری از اطلاعات را از سمت طراح به کاربر، جهت شخصی‌سازی راه حل‌ها، فراهم می‌کنند، و این یعنی بهبود تجربه کاربر به طور پیوسته و همزمان. این چرخه بازخورد پیوسته و دو طرفه امروزه به طور فزاینده‌ای در محصولات و خدمات دیده می‌شود، از نتفلیکس گرفته تا تسلا.هوش مصنوعی ممکن است به طور ژرفی باعث تغییر بستر هایی شود که طراحی در آن جای دارد. پیامد‌های عملی طراحی و درک ما از نوآوری طراحی-محور چیست ؟ این مقاله به بررسی تغییراتی که هوش مصنوعی به طراحی خواهد آورد، از طریق جستجو مابین استراتژی‌های سازمان‌های پیشرو در هوش‌مصنوعی و طراحی، می‌پردازد.تحلیل‌های ما به سه سوال پاسخ خواهد داد:هوش مصنوعی و رویه‌ طراحی : تا چه حد هوش مصنوعی در رویه‌ طراحی تاثیر گذار خواهد بود؟ آیا این تغییرات باعث تغییر فرآیند و اهداف طراحی خواهد شد؟هوش مصنوعی و مبانی طراحی : اگر هوش مصنوعی تغییرات قابل توجهی را در طراحی ایجاد کند، آیا این تغییرات آنچنان عمیق خواهد بود که اصول طراحی مانند کاربر محور بودن زیر سوال برود؟ آیا رویه‌ طراحی در عصر هوش مصنوعی با مبانی متفاوت قابل توجهی عرضه خواهد شد؟تئوری طراحی : پیامد‌های چارچوب‌های نظری که برای طراحی استفاده می‌کنیم چیست ؟ آیا عصر هوش مصنوعی به سوالات پژوهشی جدیدی نیاز دارد تا به فهمی از نوآوری طراحی محود در سازمان برسد؟این مقاله به این شکل ساختار یافته است :‌ ابتدا به معرفی شیوه و مبانی طراحی خواهیم پرداخت که پاسخ‌های دو سوال اول در فهرست بالا را خواهند داد. مبانی در تئوری های موجود تفکر طراحی ریشه دارند. رویه‌های‌ طراحی بر اساس چارچوب‌هایی که به مقایسه ذات طراحی متمرکز انسانی با طراحی در عصر هوش مصنوعی، بنا شده اند. این چارچوب‌ها از طریق نمونه برداری از شرکت‌های نتفلیکس و ایر بی ان بی ارائه خواهند شد. بعد از آن، درباره تحلیل وسعت تاثیر پذیری شیوه‌ها و مبانی طراحی از هوش مصنوعی بحث خواهد شد. سپس با تجزیه و تحلیل پیامدهای تئوری‌های طراحی و نقش جدید طراحان در شرکت های مبتنی بر هوش مصنوعی نتیجه‌گیری می‌کنیم.۲- طراحی و بستر عملیاتی آنبرای بررسی اینکه هوش مصنوعی در کل بر طراحی تاثیر خواهد کرد یا خیر و اینکه این تاثیرات تا چه حد خواهد بود، ما بحث خود را با تحلیل دو بحث مختلف شروع می‌کنیم : شیوه و مبانی. رویه‌ طراحی به پدیدارشناسی طراحی در بستر خاصی اشاره دارد : فرآیند طراحی (چگونگی طراحی، مانند فاز‌ها، روش‌ها، ابزار‌ها و شیوه‌های گروهی طراحی) و هدف طراحی (راه‌حل‌هایی که طراحی می‌سازد.). مبانی طراحی به چشم‌انداز و فلسفه طراحی اشاره دارد که اطلاعاتی از عمل طراحی و هستی‌شناسی طراحی چیست. فاصله‌گذاری مابین این دو سطح از تحلیل ما را قادر می‌کند تا ذات تاثیرات هوش مصنوعی بر طراحی را بهتر تمیز دهیم. آیا هوش مصنوعی رویه‌ طراحی ما را تغییر خواهد داد؟ یا اینکه حتی در سطحی عمیق‌تر، چارچوب‌های مبانی اولیه طراحی را دستخوش تغییر کند؟ برای پاسخ به این سوالات، با معرفی مبانی طراحی شروع خواهیم کرد، که از بحث تئوری‌های طراحی امروزی بیرون می‌اید. بعد از آن، چگونگی تاثیرات این مبانی بر طراحی را - قبل اختراع هوش مصنوعی- ترسیم خواهیم کرد، در نهایت، یک قالب جدید را برای تحلیل این مبانی در بستر جدید کار‌خانه‌های هوش مصنوعی مطرح می‌کنیم.۲-۱- مبانی طراحیهمیشه طراحی کردن به معنی «تدبیر کردن اصولی بوده است که شرایط حاضر را به شرایط دلخواه تغییر دهد.»‌(سایمون، ۱۹۸۲). برای حرکت به سمت شرایط دلخواه، طراحی راه‌حل‌های خلاقانه‌ای را به کار می‌گیرد که برای مردم معنا دار باشد (کریپدورف ۱۹۸۹ و ۲۰۰۶، ورگانتی ۲۰۰۸ و ۲۰۰۹). مبانی طراحی‌ای که این شیوه‌ها را می‌سازند چیست؟ مجادله‌های علمی بر سر هستی شناسی طراحی به طور قابل توجهی در حوزه نظریات طراحی - مشارکت زیادی - توسعه پیدا کرده است (برای مثال مراجعه کنید به : مارگولین ۱۹۸۹، مارگولین و بوکانون ۱۹۹۶، لاو ۲۰۰۰، گاله ۲۰۰۲). با توجه به تمرکز ما بر روی رویه‌های‌ طراحی در بستر‌ سازمان‌ها، ما به توسعه‌های اخیر در جریان‌های خاص پژوهش رسیده‌ایم : تفکر طراحی. اگرچه این اصطلاح دچار ابهاماتی است، تلاش پژوهشگران مدیریت در گرفتن عصاره طراحی در بستر سازمان‌ها، تحت سه مبنای اساسی زیر پوشش داده می‌شود (سیدل و فیکسن ۲۰۱۳، میشلی و همکارانش، ۲۰۱۹، لیدکا ۲۰۱۵) :مردم-محور : نوآوری، زمانی که بر محور طراحی باشد، از همدلی کردن با کاربران الهام گرفته می‌شود. طراحی-محور بودن نوآوری ریشه در فهم مسئله، دیدگاه کاربر و پیش بینی معنا دار بودن نوآوری برای کاربر دارد. برای مثال در پژوهش قوم‌شناسی میتوان این مبنا را مشاهده کرد.ربایی : طراحی دیدگاه سازنده‌ای برای ساخت راه حل ها دارد. بیش از استفاده از استدلال قیاسی (چگونگی اوضاع و احوال) و استدلال استقرایی (چگونگی احتمال وقوع)، طراحی از استدلال ربایی برای ساختن استفاده می‌کند، یعنی با ساختن فرضیه‌هایی که هر چیز باید چگونه باشد. ربایی بودن معمولا باعث می‌شود که مشکل و سوالات را دوباره چارچوب بندی‌ کنیم. برای مثال: میتوان این مبنا را در طوفان فکری مشاهده کرد.تکرار پذیر بودن :‌ ربایی بودن به سرعت از طریق به کارگیری در چرخه تست بهبود می‌یابد. پروتوتایپ به عنوان یک زمین بازی برای مباحثه و یادگیری است. آن‌ها تیم و کاربران را درگیر می‌کنند و قادر می‌سازند تا درباره ایده‌ها، شکست، یادگیری صحبت کنند و مسیر را تا رسیدن به یک راه حل خوشایند ادامه دهند. برای مثال : می‌توانیم این اصل را در مراحل اولیه در ساخت موکاپ ببینیم.۲-۲- طراحی در بستر مدل عملیاتی سنتیاینکه این مبانی چگونه در رویه‌های‌ طراحی تاثیر بگذارد یقینا وابسته است به زمینه‌ی عملیاتی که طراحی در بستر آن جای گرفته است. بیشتر آن چیزی که امروزه در رویه‌های‌ طراحی می‌بینیم متکی بر کار و مدیریت است. طراحی یک محصول جدید مستلزم ساختن معماری‌های فرآیند‌ پیچیده ای است که بتواند به طور موثری محصول را مقیاس بزرگ ارائه دهد. برای حضور این چنین سازمان بزرگی، شرکت‌های سنتی محصولات را به طوری سریالی پخش می‌کردند و چرخه‌های پشت‌سر هم طراحی (تولید راه‌حل‌ معنا دار)، تولید ( تولید و تبلیغ راه حد در مقیاس بزرگ) و مصرف آن توسط کاربران تکرار می‌کردند. (تصویر ۱) این شیوه برای طراحی راه حل های مختلف برای هر کاربر به طور جداگانه نه عملی بود و نه اقتصادی. محصولات و خدمات برای «دسته»های کاربران طراحی می‌شدند.۱- رویه‌ طراحی در بستر مدل عملیاتی انسانی سنتی بعد از آنکه یک محصول پخش می‌شد، بستر تکامل پیدا می‌کرد. برای مثال، بازار تغییر می‌کرد، یا فرصت‌های تکنولوژی جدید ظهور می‌کردند. به علاوه، طراحان می‌توانستند دیدگاه‌های جدیدی از مشتریان واقعی محصول موجود، بگیرند. با این همه مدل عملیاتی مسلتزم صرف انرژی و سرمایه گذاری زیاد بود تا بتواند یک محصول را بازطراحی کند، به همین دلیل نوآوری‌ها تا زمانی که ارزش حاشیه‌ای یک محصول از هزینه طراحی آن بزرگ‌تر شود، به تعویق می‌افتاد. و در این موقع چرخه جدید طراحی مجدد شروع می‌شد.یک ساختار مشابه انچه بالا معرفی شد، در صورتی که در مورد استفاده قرار گیرد، باعث خواهد شد تا وقفه قابل توجهی مابین نوآوری طراحی پی‌آیند رخ دهد. در این بازه، چرخه یادگیری می‌ایستد، در نتیجه، راه‌حل به سرعت «کهنه» می‌شود. یادگیری‌ موارد و ایده‌های جدید تنها می‌توانند در راه‌حل های آتی مشارکت داده شوند. راه‌حل‌هایی که به شکل توده پخش برای دسته‌های مشتریان پخش می‌شوند.۲-۳- طراحی در بستر کارخانه‌های هوش مصنوعیبه طور سنتی، فعالیت طراحی به طور سنگینی مترکز بر انسان بود، اما هوش مصنوعی این سناریو را تکامل بخشید. اول، در بستر کارخانه‌های هوش مصنوعی، فرآیند طراحی می‌تواند با داده‌های همزمان تغذیه شود، داده‌هایی که از فعل و انفعال کاربران یا اکوسیستمی که شرکت بر آن متکی است، بدست می‌آید. بعلاوه، و حتی خیلی هیجان‌انگیز‌تر، این اطلاعات می‌توانند موتور هوش مصنوعی را مطلع کنند. این موتور توانایی حل مسئله دارند : اگر به درستی اماده شوند، آن‌ها میتوانند به طور خودکار -بدون دخالت نیرو انسانی- برای مشکل مشخص کاربران راه حل‌هایی بسازند (ایانسیتی و لاخانی، ۲۰۲۰). در بخش بعد درباره اینکه این سناریو چگونه کار می‌کند، درباره دو سازمان پیشرو این زمینه، صحبت خواهیم کرد. بیش از انکه به عمق بحث برویم، در اینجا تصویر ۲ را برای نمایش رویه‌ طراحی این نوآوری قرار دادیم.۲- رویه‌ طراحی در بستر کارخانه هوش مصنوعی طراحی کردن به معنی تصمیم گیری های متعدد است. بعضی از آن ها بسیار پیچیده هستند و نیازمند قدرت تصور و خلاقیت بسیاری هستند. اما بیشتر تصمیم‌ها، علی الخصوص در موقع توسعه، بیشتر به مهارت حل‌مسئله نیاز دارند تا تصور کردن. مثال‌های آن مانند، تصمیم‌گیری‌های جزئی هستند که برای شکل عملکردی یک شی هستند، یا طراحی ظاهر یک محصول برای یک کاربر و یا نمایش اطلاعات بر روی صفحه. تعداد زیادی مسائل جزئی وجود دارد که فرآیند طراحی حل می‌شوند. هوش مصنوعی یک خرد برای حل این مسائل پیشنهاد می‌دهد.در بستر کارخانه هوش مصنوعی، طراحان این فرصت را پیدا می‌کنند تا خود را از بار مسائل جزئی خلاص کنند. در هر چرخه حل مسئله ، یک راه خاص، یعنی یک راه حلی که یک کاربر مشخصا با آن فعل و انفعال دارد، توسط هوش مصنوعی طراحی می‌شود. این چرخه داده‌ها (بینش‌ها) را از یک کاربر جمع آوری می‌کند، آن‌ها را با داده‌های دیگر ترکیب می‌کند، و آن را در یک الگوریتم قرار می‌دهند، الگورتیمی که طراحی شده است تا بهترین راه حل را برای یک کاربر مشخص خروجی دهد. راه حل دقیقا همان لحظه که کاربر به آن نیاز دارد طراحی می‌شود. حتی بیشتر از آن، همینطور که داده‌های یبشتری به طور پیوسته جمع آوری می‌شود، وموتور‌های هوش مصنوعی قابلیت یادگیری در خود دارند، این چرخه حل مسئله پیش‌بینی خود را درباره نیاز‌ها و رفتارها کاربر بهبود می‌دهد و در نتیجه راه‌حل های بهتری را طراحی می‌کند. در واقع، راه‌حل‌ها پیوسته بهبود پیدا کرده و خلاق‌تر می‌شوند.در عصر هوش مصنوعی، کار طراحان این نیست که محصولاتی را ایده پردازی کنند که در مقیاس پذیری در سطح تجاری داشته باشند، بلکه طراحی چرخه‌های حل‌مسئله ای است به توسعه رساندن یک راه‌حل خاص به یک کاربر مشخص هستند. چرخه‌های حل مسئله شامل دو توانایی اصلی هستند. اول، جمع آوری، تمیز کردن، و نرمال کردن داده‌ها از سنسور هایی که در دریا داده ادغام شده‌اند. دوم، توانایی حل چالش‌های کاربرها : در این مقاله موتور هوش مصنوعی را به عنوان یک سری قواعد، تئوری‌ها، برنامه و الگورتیم‌ها می‌شناسیم که توانایی انجام کارهای هوشمنداره را دارند (از تشخیص وسائل تا پردازش زبان طبیعی، از پیش بینی کردن تا ترسیم نتایج)، و با توانمندی یادگیری ترکیب شده است (یادگیری ماشین)، این‌ها هوش مصنوعی را قادر می‌سازد تا نتایج را در روند زمان بهبود ببخشد.چرخه‌های حل مسئله از این رو سیستم‌های طراحی مستقل و بدون سرمایه انسانی هستند که وقتی صحبت از توسعه یک راه حل خاص می شود ، جایگزین قدرت محاسباتی افراد می شوند : آن‌ها نسبت به بی‌ثباتی در مقادر تاب آور هستند بدون آنکه نیاز به باز طراحی یا بروز رسانی مدل‌های علمیاتی داشته باشند، و می‌توانند تنوع کافی از راه‌حل ها را بدون نیاز به نیرو تحقیق و توسعه زیاد، فراهم کنند.این مقاله ادامه دارد ...اینجا بخوانید : https://virgool.io/@alidasmeh/deisgn-in-the-age-of-ai-2-j8xdqyehrfad Ali Dasmeh Ali Dasmeh Wed, 28 Jul 2021 09:44:16 +0430