چالش ها و فرصت‌های پیاده‌سازی هوش مصنوعی در سازمان‌ها

در دومین پنل رویداد AI Summit که با عنوان «چالش‌ها و فرصت‌های پیاده‌سازی هوش مصنوعی در سازمان‌ها» برگزار شد، چهار مدیر و کارشناس برجسته صنعت فناوری تجربیات عملی خود از به‌کارگیری هوش مصنوعی را به اشتراک گذاشتند. این پنل که به راهبری «محمد شکاری»، مدیر مسئول«هوشیو» برگزار شد، نگاهی واقع‌بینانه به موفقیت‌ها و شکست‌های پیاده‌سازی AI در کسب‌وکارهای ایرانی داشت.

شکاری با ترسیم چارچوبی ساختاریافته بحث را آغاز کرد: «هوش مصنوعی بر پایه سه رکن سوار شده: زیرساخت و توان پردازشی، حوزه داده و الگوریتم‌ها و مدل‌های بنیادی. بعد از این سه لایه می‌رسیم به کاربردها و اپلیکیشن‌ها.» او استراتژی پنل را اینگونه توضیح داد: «من می‌خواهم از لایه بالاتر شروع کنیم و تا جایی که زمان اجازه بدهد بیاییم به پایین‌تر نگاه کنیم.»

سوال کلیدی؛ چگونه شروع کنیم؟

شکاری اولین سوال را اینگونه مطرح کرد: «موضوع اساسی این است که آیا در یک سازمان باید هسته اصلی کسب و کار(core business) را درگیر هوش مصنوعی کنیم؟ یا مثلاً برویم سمت منابع انسانی، مارکتینگ یا لجستیک که کار اصلی آن بیزنس نیست؟ چطور باید اولویت‌بندی کنیم؟»

انقلاب رام کردن داده‌ها

«مسعود کاویانی»، تحلیلگر ارشد داده در «فیلیمو»، در پاسخ به این سوال با طرح یک مفهوم جذاب بحث را آغاز کرد: «انقلاب هوش مصنوعی در واقع انقلاب رام کردن داده است. اگه برگردیم به ۶۰ هزار سال پیش، انسان آتش را اختراع نکرد، فقط آن را رام کرد. ۱۰ هزار سال پیش عدس و گندم را رام کردیم که انقلاب کشاورزی شد. انقلاب صنعتی هم رام کردن بخار بود.» او با اشاره به تجربه آپارات توضیح داد: « ما تازه ۱۰-۲۰ ساله یاد گرفتیم که داده‌ها را رام کنیم. در سازمان‌ها هم شما اول باید ببینید کدام بخش داده دارد و کدام بخش داده‌ای دارد که می‌توانید رام کنید.»

از یک و نیم روز به ۱۲ ثانیه

کاویانی یکی از موفق‌ترین پروژه‌های آپارات را تشریح کرد: «ما یک تیم ۳۰-۴۰ نفره داشتیم که تمام ویدیوهایی را که کاربران آپلود می‌کردند، یکی‌یکی بررسی می‌کردند تا ببینند آیا مغایر با قوانین است یا نه. این کار به طور میانگین یک و نیم روز طول می‌کشید.»

او ادامه داد: «ما داده‌های سه_چهار ساله ویدیوها را از دیتابیس‌های مختلف جمع‌آوری کردیم و رام کردیم. این شد خوراک الگوریتم هوش مصنوعی ما. الان ما این کار را به ۱۲ ثانیه رساندیم. یوتیوب این را به ۴.۵ ثانیه رسانده، اما ما از یک و نیم روز به زیر ۲۰ ثانیه رسیدیم.»

نتیجه این پروژه چشمگیر بود: «آن ۳۰ نفر دیگر رفتند سراغ کارهای باارزش‌تر و الان انرژی بهتری به بیزینس می‌دهند.»

رقص گروهی؛ استعاره‌ای برای موفقیت

شکاری سپس به سمت «حمیدرضا قاضی مقدم»، مدیر بازاریابی «ویپاد»، رفت: «شما در ویپاد به عنوان یکی از مجموعه‌های بزرگ که به عنوان یک بانک دیجیتال شناخته می‌شود، بیشتر در فضای مارکتینگ کار را دنبال می‌کنید. می‌خواهم ببینم در ویپاد چه ظرفیت‌هایی برای استفاده از هوش مصنوعی وجود دارد و چه کارهای عملیاتی انجام دادید؟» قاضی مقدم با طرح استعاره‌ای جذاب گفت: «کاربردAI  در سازمان را به مثابه یک رقص گروهی در نظر بگیریم. اگر AI خودش یک گوشه بایستد و به تنهایی رقص کند، رقص نامفهوم و به‌هم‌ریخته می‌شود.»

او افزود: «کنار AI، باید HI (Human Intelligence)، BI (Business Intelligence)، OI(Organization Intelligence) و GI(Government Intelligence) هم حضور داشته باشند. بدون این اعضا، رقص کامل نمی‌شود.»

از پایین به بالا؛ تحولی متفاوت

شکاری با بیان مشاهده جالبی رو به «دکتر حامد قناد‌پور»، مدیرعامل و عضو هیئت مدیره «تارا»، گفت: «در ایران معمولاً در مدیریت تکنولوژی، تکنولوژی از بالای سازمان به پایین می‌رود و از سمت لایه مدیران ارشد به اجبار می‌آید. ولی در هوش مصنوعی به نظر می‌رسد برعکس است؛ کارکنان خودشان درگیر هوش مصنوعی شدند و انگار جابه‌جایی قدرت دارد شکل می‌گیرد. آیا شما این را حس کردید و موافقید؟ این یک چالش است یا فرصت؟»

دکتر حامد قناد‌پور با تأیید این مشاهده گفت: «سوال جالبی بود. بله، در هوش مصنوعی این اتفاق دارد می‌افتد. ما معمولاً در فناوری‌های جدید یک چرخه‌هایی را تکرار می‌کنیم: اول مقاومت، بعد انکار، بعد پذیرش. در هوش مصنوعی چرخه متفاوت بود.»

او از تجربه تارا گفت: «اول مدیران می‌گفتند چرا بچه‌ها دارند با AI گزارش درست می‌کنند. اما وقتی به راندمان و بهره‌وری که حاصل می‌شد نگاه کردیم، الان در نقطه‌ای هستیم که ما داریم اکانت ChatGPT Plus به همکاران می‌دهیم. ما هزینه می‌کنیم که آن‌ها استفاده کنند.»

قناد‌پور تأکید کرد: «هوش مصنوعی یکی از فناوری‌هایی بود که چرخه مقاومت تا پذیرش را خیلی سریع طی کرد. توانست از همه لایه‌های سیستم اطلاعاتی، از سیستم‌های تراکنشی تا سیستم‌های پشتیبانی تصمیم رسوخ کند.»

مقاومت لایه‌های سازمان

شکاری سپس به سمت «محمدجواد اتابکی»، هم‌بنیانگذار و مدیرعامل «آپتایم»، رفت و سوال کلیدی را مطرح کرد: «در بیزینس شما core business مستقیماً هوش مصنوعی است. مساله این است که صنعت لجستیک و سازمان‌های FMCG که لجستیک برایشان معنای جدی دارد، یک مقدار سنتی‌تر هستند؛ مدیرانشان چه از هیئت‌مدیره چه مدیران ارشد. چطور می‌توانیم با این افراد تعامل کنیم و قانعشان کنیم که خدمت ما مفید است؟ این را به عنوان فرصت می‌بینید یا چالش جدی در روزمره‌تان؟»

اتابکی با صراحت گفت: «سوالی که پرسیدی خیلی سخت است. شاید در این چند ساله که داشتیم روی آن کار می‌کردیم، خودمان هم هنوز داریم یاد می‌گیریم که چطور باید پاسخ بدهیم.»

اتابکی داستانی عجیب از پیاده‌سازی سیستم بهینه‌سازی مسیر در صنعت لجستیک روایت کرد: «ما سیستم Route Optimizer را برای دیجی‌کالا توسعه دادیم که تصمیم می‌گیرد هر روز چه تعداد ماشین لازم است، هر ماشین کدام تکه از شهر را باید کالا برساند و به چه اولویتی.»

او ادامه داد: «وقتی می‌خواستیم این را پیاده کنیم، دیدیم هیچ‌کدام از لایه‌های اجرا با مدیریت هم‌صفحه نیستند. در بهترین حالت فکر می‌کنند می‌خواهید جای آن‌ها را بگیرید. مقاومتی که وجود داشت راجع به این نبود که سیستم خوب است یا بد.» اتابکی با ذکر مثالی عینی گفت: «روز اول در یکی از شرکت‌های پخش خیلی سنتی، راننده‌ها تهدید کردند که اگر بیایید بیرون، با ماشین زیرتان می‌کنیم.»

۴۰ درصد صرفه‌جویی در هزینه لجستیک

اتابکی از دستاوردهای کمی این سیستم‌ها گفت: «این تصمیم‌گیری شهودی و عدم داده‌محور بودن باعث می‌شد این شرکت‌ها تا ۴۰ درصد هزینه ارسالشان افزایش پیدا کند.»

او به یک نکته کلیدی اشاره کرد: «مک‌کنزی در سال ۲۰۲۳ گفت موفق‌ترین شرکت‌ها در پیاده‌سازی AI آن‌هایی هستند که قبل از اجرای پروژه، سرمایه‌گذاری فرهنگی روی دانش از مدیران ارشد تا لایه اجرا انجام می‌دهند. این باعث می‌شود شانس موفقیت حداقل ۵۰ درصد افزایش پیدا کند.»

آموزش؛ کلید ورود به دنیای  AI

اتابکی تأکید کرد: «در تجربه ما، بیشتر از توسعه محصول، روی آموزش و فرهنگ‌سازی کار کردیم. ورکشاپ برگزار کردیم، ایونت برگزار کردیم. باید روی مدیران ارشد سرمایه‌گذاری فرهنگی کرد تا شانس موفقیت بالا برود.»

۲۵ درصد کاهش نیرو در یک کارخانه

کاویانی مثال دیگری زد: «رفتیم سراغ یک شرکت تولید کاشی و سرامیک با مدیر سنتی از دهه ۳۰. گفتیم آن ۳۰ نفری که در خط تولید دارید ۷ نفر می‌شوند و سودتان افزایش پیدا می‌کند. اول می‌خندید.»

او ادامه داد: «یک دوربین گذاشتیم بالای کاشی‌هایی که از روی نوار رد می‌شد. با الگوریتم‌های ساده مثل Random Forest و XGBoost توانستیم تشخیص دهیم کاشی درجه یک است یا درجه دو. آن ۳۰ نفر شدند یک نفر! مدیر خیلی خوشحال شد.»

سوال چالش‌برانگیز؛ بیکار کردن یا ایجاد فرصت؟

شکاری سوال حساسی را مطرح کرد: «شما فکر می‌کنید این تفکر درست است که افراد با استفاده از هوش مصنوعی در سازمان‌ها بیکار می‌شوند و مدیران خوشحالترند؟ یا باید جور دیگری تحول دیجیتال را دید و فرصت‌هایی ایجاد کرد؟»

قناد‌پور پاسخ داد: «افراد با این پیشرفت سریع به هر حال بیکار می‌شوند. یک زمانی بحث اسنپ مطرح شد که آژانس‌های مسافرتی بیکار می‌شوند. نشدند؟ شدند. ولی در مجموع اسنپ چقدر توانست اشتغالزایی کند؟ این مهاجرتی است که از یک سری شغل‌ها به سری دیگر اتفاق می‌افتد.»

هشدار درباره سطحی‌شدن فکر

او با جدیت افزود: «چالش‌های AI این نیست. من یک چالش دیگر می‌خواهم بگویم. سوشال مدیا که آمد، انتقال ساده پیام ما را خیلی سطحی کرد. من واقعاً نگرانم که  Generative AI قدرت تحلیل را از ما بگیرد. اگر آن سطحی بودن را به ما داد و عمیق بودن را گرفت، آفت بزرگی است.»

پاشنه آشیل پیاده‌سازی

شکاری در بخش پایانی از قاضی مقدم پرسید: « شما پاشنه آشیل به‌کارگیری هوش مصنوعی در سازمان‌ها را چه می‌بینید؟»

قاضی‌مقدم چند پاشنه آشیل مهم را برشمرد:

۱. هیجان و شتاب‌زدگی: اگر سازمان خیلی هیجانی و شتاب‌زده نسبت به اجرای پروژه‌های AI  ورود کند، آن رقص گروهی به‌هم می‌ریزد.

۲. احساس تهدید نیروی انسانی: اگر نیروی انسانی احساس کند تخصصش مورد تهدید قرار می‌گیرد، باعث می‌شود رقص زیبا اجرا نشود.»

۳. بی‌صبری در نتیجه‌گیری: پیاده‌سازی AI به خصوص در ابتدا زمان می‌برد. نیاز به صبر زیاد دارد ولی سازمان نمی‌داند باید صبر داشته باشد. با اولین نشانه‌های شکست، مایوس می‌شوند.

۴. ضعف در مفاهیم پایه: خیلی از افرادی که می‌خواهند در پروژه‌های AI کار کنند با پوسته آشنایی دارند ولی با هسته سخت مفاهیم آشنایی ندارند.

۵. نبود هدف مشخص: اگر ندانیم برای چه داریم پروژه AI اجرا می‌کنیم، خیلی راحت در دام به‌کارگیری AI نمایشی و بی‌نتیجه می‌افتیم.

این پنل نشان داد که موفقیت در پیاده‌سازی هوش مصنوعی تنها به تکنولوژی وابسته نیست. «رام کردن داده‌ها»، «آموزش و فرهنگ‌سازی»، «مدیریت مقاومت‌ها» و «ایجاد همکاری بین لایه‌های مختلف سازمان» عوامل کلیدی موفقیت هستند.