چهار استراتژی تجاری برای پیاده سازی هوش مصنوعی

امروزه هوش مصنوعی (AI) در حال بازآفرینی صنایع است. در چین هوش مصنوعی در بیش از 1700 مدرسه در 200 شهر به کودکان آموزش می‌دهد. در استرالیا هوش مصنوعی واکسن آنفلوانزایی را ایجاد کرده‌است که بسیار بهتر از سایر واکسن‌های آنفلوانزا موجود می‌باشد. در ایالات متحده یک ربات با کمک یادگیری ماشین به طور مستقل در حال پختن برگر است. بسیاری از پیاده‌سازی‌های واقعی و باورنکردنی AI در جهان وجود دارد و اکنون با کمک الگوریتم‌ پیشرفته‌ای به نام GPT-3 از مجموعه پیشگام OpenAI، راه‌حل‌های بسیار قدرتمند AI مانند باران در حال ریزش هستند. درحال‌حاضر توسعه‌دهندگان از GPT-3 برای نوشتن خودکار پست‌های ویروسی بلاگ، طراحی وب و ساخت بازی‌های نقش آفرینی استفاده می‌کنند.
فناوری‌های یادگیری ماشینی بیش از هر زمان دیگری در دسترس هستند اما یافتن مورد تجاری برای هوش مصنوعی همیشه ساده نیست. در این مقاله من می‌خواهم استراتژی‌های کسب و کار هوش مصنوعی را با پیاده سازی در چهار استراتژی هوش مصنوعی که می‌توانید برای بهبود هر فعالیتی که تصور می‌کنید، به کار ببرید. بعد از چهار راهکار، به شما کمک می‌کنم بفهمید کدام استراتژی را برای هر فعالیت خاصی استفاده کنید.

پیش فرض

ابتدا اینکه یک نکته اصلی در هوش مصنوعی وجود دارد که مهم است تا شما آن را درک کنید: هوش مصنوعی می‌تواند هر فعالیتی را از طریق اتوماسیون (Automation) یا هم افزایی (Augmentation) تقویت کند.

• اتوماسیون حذف انسان از یک فعالیت است.
• هم افزایی، توانمند سازی انسان در یک فعالیت است.

اتوماسیون و هم افزایی مخالف هم هستند و تعداد کمی از راه حل‌های هوش مصنوعی کاملاً خودکار یا کاملاً تقویت شده‌اند. اتوماسیون و هم  افزایی چهار استراتژی ما را در بر می گیرد.
1- استراتژی کارایی (efficiency)، که در آن فعالیت‎‌ها از طریق اتوماسیون بهینه می‌شوند.
2- استراتژی اثربخشی (effectiveness)، که در آن فعالیت‌ها به صورت یکپارچه ساخته می‌شوند، امکان ارتباط آسان‌تر را فراهم می‌کند.
3- استراتژی خبره (expert)، که در آن هوش مصنوعی به تصمیم گیری قدرت می‌بخشد.
4- استراتژی نوآوری (innovation)، که در آن هوش مصنوعی خلاقیت را امکان پذیر می‌کند.

استراتژی کارایی (efficiency)

برای بسیاری از افراد اولین چیزی که وقتی به فکر هوش مصنوعی می افتند به ذهنشان خطور می‌کند اتوماسیون است. که به زودی در مورد آن توضیح خواهیم داد. در حالیکه هوش مصنوعی چیزهای زیادی بیش از اتوماسیون دارد اما این استراتژی خاص فقط در همین مورد است.
از استراتژی کارایی می‌توان برای فعالیت‌هایی با قوانین و روال کاملاً مشخص استفاده کرد. شرکت‌ها این استراتژی را برای بهینه سازی فرایندهای خود و به طور کلی با هدف کاهش هزینه ها اتخاذ می‌کنند.
به عنوان مثال صنعت تاکسیرانی در معرض خطر اتوماسیون کامل در آینده‌ای نه چندان دور است زیرا اتومبیل‌های خودران بهتر از انسان عمل می‌کنند. قوانین بسیار واضحی برای نحوه رانندگی با وسیله نقلیه وجود دارد. بنابراین رانندگی می‌تواند بهینه شود. کشف تقلب نیز این روزها به طور کلی خودکار انجام می شود زیرا مشخص شد که کشف تقلب کاملاً ساده است. انبارها نیز به طور فزاینده ای با ربات‌های خودمختار پر می‌شوند و ما همچنین شاهد فروشگاه‌های بدون کارمند هستیم. توجه داشته باشید که فروشگاه‌های بدون پرسنل بدون مشکل هم نیستند. برخی از فعالیت‌ها مانند نگهداری مواد غذایی تازه، به طور خودکار چالش برانگیز است.
همانطور که روال‌های بیشتری برای فعالیت‌های پیچیده کشف می‌شود و هرچه الگوریتم‌های یادگیری ماشین در درک داده‌هایی که قبلاً پیچیده قلمداد می‌شدند مهارت بیشتری می‌یابند، می‌توان فعالیت‌های بیشتری را به طور خودکار انجام داد. با این حال، حتی اگر فعالیتی کاملاً واضح و خودکار باشد ، ممکن است ترجیح داده شود که به چند دلیل این کار را نکنید:
1- در برخی مشاغل مشتریان ممکن است به سطح بالایی از خدمات، فراتر از آنچه هوش مصنوعی یادگیری ماشین قادر به ارائه آن است، نیاز داشته باشند.
2- بسیاری از فرآیندهای پزشکی، نظامی و مالی می‌توانند از قبل با الگوریتم‌هایی که ما در سال 2021 در اختیار داریم خودکار شوند. با این حال، تصمیماتی که در این صنایع گرفته می‌شود اغلب عواقب سختی را به همراه دارد. به همین دلیل تصمیم گیرندگان در این معاملات ممکن است در انجام خودکار برخی فعالیت‌ها مردد باشند. گاهی اوقات ترجیح داده می‌شود راه‌حل‌های تقویت کننده هوش مصنوعی تقویت شود که تصمیم گیری انسان را تقویت کند تا اینکه بطور کلی تصمیم‌گیری انسان را جایگزین کند.
3- چالش‌های اخلاقی اتوماسیون اغلب بسیار بیشتر از آن است که تصور شود. حتی آمازون نیز که به دلیل شایستگی در یادگیری ماشین مشهور است یک هوش مصنوعی را برای سنجش رزومه توسعه داد که جنسیتی شد. همانطور که شرکت‌ها برای خودکارسازی فرآیندهای تجاری خود عجله می‌کنند، خطراتی که اخلاق از اولویت پایینی برخوردار است بسیار زیاد است. ایجاد یک الگوریتم تبعیض آمیز ناخواسته آسان است به همین دلیل است که باید مراقب خودکار کردن برخی فعالیت ها باشید.

استراتژی اثربخشی

استراتژی دوم حول استفاده از هوش مصنوعی برای توانمندسازی ارتباطات و هماهنگی کارگران است. در اینجا، هوش مصنوعی نقش یک دستیار را بر عهده می‌گیرد. به طور معمول، هدف از استراتژی اثربخشی این است که انسانها را از طریق حذف یا ساده کردن برنامه زمانبندی، برقراری ارتباط یا نظارت موثرتر سازد.
به لطف افزایش چت‌بات‌ها، استفاده از راه حل‌های اساسی هوش مصنوعی در سال‌های اخیر برای شرکت‌ها مد روز شده است. از هوش مصنوعی غالباً برای خودکار ساختن بخشی از امور پشتیبانی مشتری استفاده می‌شود. اگر حل مشاغل پشتیبانی برای AI بسیار دشوار باشد یک عامل انسانی می‌تواند به این کار بپیوندد. اتوماسیون جزئی برای فعالیت‌های ساخته شده برای این استراتژی هوش مصنوعی معمول است.
استراتژی اثربخشی را می توان برای فعالیت‌های پیچیده‌تر از پشتیبانی مشتری به کار برد. برای مثال می‌توان از هوش مصنوعی برای برنامه‌ریزی مستقل جلسات بین همکاران استفاده کرد. در شرکت‌های بزرگ مشاوره ای، براساس مهارت، تجربه و خواسته‌های کارکنان، می‌توان از هوش مصنوعی برای پیشنهاد دادن مشاور (مشاوران) به یک پروژه استفاده کرد.
برنامه‌هایی که برای سرویس‌هایی مانند Google Assistant ، Siri و Alexa ساخته شده اند در این استراتژی قرار می‌گیرند. از آنجا که بیش از یک سوم بزرگسالان آمریکایی بلندگوی هوشمندی برای خانه خود دارند، محصولات ساخته شده با در نظر گرفتن استراتژی اثربخشی برای شرکت‌های روبه مصرف بسیار مهم شده اند.

استراتژی خبره

برخلاف دو استراتژی هوش مصنوعی که در بالا ذکر شد استراتژی خبره با هم افزایی ارتباط دارد. برای فعالیت‌هایی که شامل فرایندهای کاری پیچیده است معمولاً با وظایف موقت می‌توان از استراتژی خبره برای ارتقا تصمیم گیری انسان استفاده کرد. در این استراتژی انسان همیشه حرف آخر را می زند. سیستم‌های خبره از مقادیر زیادی پول تا جان انسانها سر و کار دارند، به این معنی که انسانها همیشه باید در برابر عواقب تصمیمات اتخاذ شده مسئول باشند.
از سیستم‌های خبره هوش مصنوعی می‌توان برای توانمند سازی متخصصان در تمام صنایع استفاده کرد. پزشکان، وکلا، قضات، سیاستمداران، کارمندان نظامی، مشاوران مالی و معلمان تنها چند نمونه از مشاغلی هستند که هوش مصنوعی میتواند به آنها کمک کند. راه حل‌های هوش مصنوعی می‌توانند به معلمان در ایجاد آزمون، ارزیابی دانش آموزان، تعیین بهترین روش برای کمک به دانش آموزان، پیشنهاد برنامه درسی و موارد دیگر کمک کنند. مشاوران مالی می‌توانند بینش قدرتمندی برای تصمیم گیری های مالی دریافت کنند. پزشکان می توانند در تشخیص بیماری از آن استفاده کنند. این لیست ادامه دارد، اما الگوی معمول این است که انسانها همیشه تصمیم نهایی را می گیرند.
توسعه محصول حوزه ای است که شخصاً مرا بسیار فریب می‌دهد. با همکاری انسان و هوش مصنوعی، شرکت‌ها و دانشمندان انواع جدیدی از واکسن، عطر و ادویه جات را اختراع کرده اند. احتمالاً در آینده شاهد محصولات بسیار بیشتری از اختراع هوش مصنوعی خواهیم بود.
مثالهای بالا همه مشاغل تخصصی هستند اما توجه داشته باشید که نام این استراتژی می‌تواند اندکی گمراه کننده باشد. در این زمینه، واژه متخصص لزوماً به معنای متخصص به معنای سنتی نیست. به عنوان مثال هاپر بر اساس استراتژی خبره‌ای كه بهترین زمان برای رزرو بلیط پرواز را پیش بینی می‌كند، برنامه‌ای مجهز به هوش مصنوعی ساخته است. وقتی هوش مصنوعی پیش بینی می‌کند که بلیط آن در کمترین قیمت باشد، این برنامه به مصرف کنندگان این قدرت را می‌دهد تا بلیط خریداری کنند. در این سناریو مصرف کننده خبره است.
استراتژی خبره می‌تواند مشاغل پیچیده را قابل کنترل تر کند و به کارگران در انتقال از نقشهایی که خودکار شده اند کمک کند. بعضی از مشاغل که در حال حاضر به سه تا پنج سال تحصیل در دانشگاه نیاز دارند ، ممکن است در آینده به چنین آموزشهای طولانی نیاز نداشته باشند زیرا هوش مصنوعی هم افزا باعث می شود که مشاغل پیچیده بیشتر قابل کنترل باشند.

استراتژی نوآوری

سرانجام استراتژی نوآوری پیشرفته ترین استراتژی AI است. قطب مخالف استراتژی کارآیی، این استراتژی حول تقویت انسان برای ایجاد خلاقیت است.
تصور کنید یک آهنگساز موسیقی از برخی نرم افزارها برای ایجاد آهنگ جدید استفاده می‌کند. آهنگساز پیانو، گیتار و مقداری درام اضافه می‌کند. ناگهان الگوریتم یادگیری ماشین که سبک موسیقی آهنگساز را با مشاهده آنها یاد گرفته است، پیشنهاد می‌کند یک باس خاص اضافه کنید. آهنگساز به باس ارائه شده توسط هوش مصنوعی گوش می‌دهد و خود تصمیم می‌گیرد که آیا آن را در آهنگ قرار دهد یا نه. سپس هوش مصنوعی از تصمیم آهنگساز یاد خواهد گرفت. دقیقاً مانند استراتژی متخصص، استراتژی نوآوری در تصمیم گیری به انسان آزادی کامل می بخشد.
استخدام کنندگان در حال انجام مصاحبه با مشتاقان شغلی می‌توانند با هوش مصنوعی تقویت شوند که سوالات پیگیری را در زمان واقعی پیشنهاد می‌کند. در همین حال، نویسندگان می‌توانند با هوش مصنوعی تقویت شوند که نه تنها به آنها در مورد واژگان و دستور زبان توصیه می‌کند بلکه حتی در مواردی که برخی موضوعات باید به طور واضح تری توضیح داده شوند، آنها را مطلع می کند.
وقتی در حال پاسخ به نامه الکترونیکی با Gmail هستید، ممکن است نرم افزار پاسخ سریع شما را براساس ایمیل و سبک نوشتن شما پیشنهاد دهد. این یک نمونه اساسی از استراتژی نوآوری در عمل است.

کدام استراتژی را باید اتخاذ کنید؟

برای درک اینکه چه استراتژی ای را برای هر فعالیت خاصی اتخاذ کنیم، باید دو متغیر را بررسی کنیم: پیچیدگی داده‌ها (data complexity) و پیچیدگی کار (work complexity). بر اساس پیچیدگی موجود در یک فعالیت، می توانیم بفهمیم از چه استراتژی هوش مصنوعی استفاده کنیم.

فعالیتهایی با پیچیدگی کم داده به طور معمول ساختار یافته و ساده هستند: این فعالیتها معمولاً از متن یا اعداد ساده تشکیل شده اند. تفسیر این داده‌ها برای رایانه آسان است. از طرف دیگر پیچیدگی زیاد داده‌ها غالباً ساختاری ندارد و قابل تفسیر است. تصاویر، فیلم‌ها، موسیقی و صداها نمونه‌هایی از داده‌های پیچیده هستند. اگرچه یک الگوریتم یادگیری ماشین می‌تواند تشخیص دهد که موضوع عکس یک گربه است یا یک انسان اما تفسیر ذهنی برای تعیین اینکه آیا انسان خسته، آزرده، ناراحت یا فقط به صورت خود استراحت می‌کند، بستگی به تفسیر ذهنی دارد.
پیچیدگی کار در واقع تعیین این است که آیا یک فعالیت دارای قوانین و روال مشخصی است یا نه. اگر فعالیتی دارای قوانین و روال معمول باشد قابل پیش بینی می‌شود و از پیچیدگی کاری پایینی برخوردار است. با این حال، اگر فعالیت به طور کلی غیرقابل پیش بینی و موقت باشد، به مهارت تصمیم گیری نیاز دارد، که نتیجه آن پیچیدگی کار بالا است. توجه داشته باشید که زمان لازم برای انجام یک فعالیت در این زمینه به پیچیدگی آن بی اهمیت است.
با تجزیه و تحلیل پیچیدگی یک فعالیت تقریباً می توانیم استراتژی مناسب AI را تعیین کنیم:

• کم بودن اطلاعات و پیچیدگی کار: استراتژی کارایی.
• داده زیاد اما پیچیدگی کم کار: استراتژی اثربخشی.
• داده کم اما پیچیدگی کار بالا: استراتژی خبره.
• داده ها و پیچیدگی کاری بالا: استراتژی نوآوری.

توجه داشته باشید که همیشه این روال نیست. همانطور که قبلا ذکر شد ، هنگام تعیین اینکه آیا فعالیت به طور خودکار انجام می شود ، عوامل دیگری نیز می توانند وارد عمل شوند. علاوه بر این ، آنچه پیچیده در نظر گرفته می شود ، همیشه در حال تغییر است. داده هایی که امروزه پیچیده تلقی می شوند ممکن است در آینده ساده تلقی شوند. بعلاوه ، اگر فعالیتی فاقد روال و قوانین مشخص باشد ، آیا ایجاد آنها ممکن است؟ فعالیتهایی که امروز آنها را غیرقابل پیش بینی می دانند ممکن است فعالیتهایی باشند که بتوانیم در آینده ساده کنیم.

از وقتی که برای مطالعه این مقاله صرف کردید سپاسگزارم.