هوش مصنوعی همکار جدید شماست؛ نه جایگزین

بسیاری از مدیران عامل و شرکت‌ها هنوز نتوانسته‌اند به‌خوبی از تأثیرات هوش مصنوعی بهره‌مند شوند؛ زیرا دیدگاهی کلی و به‌قول‌معروف «همه‌فن‌حریف» نسبت به آن دارند. اما بهره‌وری واقعی زمانی حاصل می‌شود که هوش مصنوعی با خط جریان کاری خاص هر تیم به‌صورت جداگانه و منحصر‌به‌فرد، ترکیب و هماهنگ شود. برای رسیدن به این هدف، مدیران عامل و شرکت‌ها می‌بایست:

1. با ترسیم نحوه انجام کارها به شکل یک «نمودار کار» آغاز کنند،
2. از این نقشه برای تنظیم و تطبیق ابزارهای هوش مصنوعی استفاده کنند،
3. رویکردی مستمر برای بهبود و بازبینی ابزارها و مدل‌های هوش مصنوعی در پیش بگیرند.

در ادامه و با گریزی به گزارش «Teach AI to Work Like a Member of Your Team» از «مدرسه کسب‌وکار هاروارد» به بررسی و معرفی راهکارهایی کاربردی برای بهره‌مندی هرچه بیشتر سازمان‌ها از قابلیت‌های هوش مصنوعی در جریان‌های کاری سازمانی می‌پردازیم.

ابزار یا کاربر

مدل‌های هوش مصنوعی عمومی معروف به چند دلیل اولین گزینه هستند. این مدل‌ها به‌قول‌معروف امتحان خود را پس داده‌اند، افراد آشنایی بیشتری با آن‌ها دارند و نسبت به ابزارهای تخصصی دردسترس‌تر و حتی ارزان‌قیمت‌تر هم هستند. اگر ابزارهای رایگان را در نظر نگیریم؛ روال رایج این‌گونه است که مدیران ارشد در نقطه‌ای به این نتیجه می‌رسند که اکنون نیاز است یک مدل یا ابزار هوش مصنوعی برای افزایش بهره‌وری سازمان تهیه شود و در اختیار کارمندان قرار بگیرد. ابزار هوش مصنوعی خریداری شده و در اختیار کارمندان قرار می‌گیرد با این امید و انتظار که بهره‌وری و کارایی قرار است با سرعت موشک افزایش پیدا کند. اما در اکثر موارد چنین اتفاقی نخواهد افتاد و خروجی واقعی کارمندان و سازمان تغییر چندانی نمی‌کند. در اینجا سؤالی که پیش می‌آید این است که آیا واقعاً هوش مصنوعی ناکارآمد است یا ایراد از کاربران آن است؟

در یک نظرسنجی که مدرسه کسب‌وکار هاروارد از ۳۰ شرکت در صنایع مختلف انجام داده؛ شرکت‌کنندگان اعلام کردند که ابزارهای عمومی هوش مصنوعی معمولاً در انجام وظایف خاص در جریان‌های کاری منحصربه‌فرد کمکی نمی‌کنند، چون بیش از حد عمومی هستند. حتی ابزارهایی که برای حوزه‌هایی تخصصی مانند امور مالی یا منابع انسانی ریزتنظیم یا به‌اصطلاح فنی فاین‌تیون (Fine-tune) شده بودند، ارزش افزوده چندانی نداشتند؛ چرا که همچنان برای برآوردن نیازها و هنجارهای خاص یک سازمان، تیم یا فرایند به‌اندازه لازم و با داده‌های کافی آموزش ندیده بودند. به همین دلیل، کاربران اغلب اظهار کردند که این ابزارها «کار نمی‌کنند» یا «بیش از حد عمومی هستند».

این شکاف میان قابلیت‌های عمومی هوش مصنوعی و نیازهای خاص و در حال تحول تیم‌ها، به یک چالش عمیق‌تر اشاره دارد؛ ابزارهای امروزی برای درک نحوه واقعی انجام کار طراحی نشده‌اند. در ادامه دو مفهوم کلیدی می‌توانند به پر کردن این شکاف کمک کنند را معرفی می‌کنیم:

1. نمودارهای کار (Work Graphs): نقشه‌های دیجیتال از نحوه انجام کار در تیم‌ها
2. بومی‌سازی مکانیکی معکوس (Reverse Mechanistic Localization): روشی برای تنظیم دقیق مدل‌های هوش مصنوعی متناسب با نیاز تیم‌ها

این دو ایده توضیح می‌دهند که چرا هوش مصنوعی سنتی در روند تحول دیجیتال سازمانی، اغلب ناکام می‌ماند و چگونه سازمان‌ها می‌توانند سامانه‌هایی طراحی کنند که با جریان‌های کاری واقعی، کاربران واقعی و زمینه‌های واقعی سازگار باشند.

پارادوکس بهره‌وری

ابزارهای هوش مصنوعی در بسیاری از موارد در کاربردهای سازمانی، نتوانسته‌اند آن طور که انتظار می‌رود مؤثر و کاربردی باشند. فرض کنید برای تنظیم قراردادهای تجاری در سازمان خود از هوش مصنوعی کمک می‌گیرید. این فرایند بر اساس تکمیل یک متن استاندارد و از پیش نوشته‌شده (Boilerplate) به کمک هوش مصنوعی انجام می‌شود. اما در انتها زمان زیادی صرف بازنویسی و اصلاح دستی آن می‌شود. دلیل این موضوع این است که خروجی مدل‌های هوش مصنوعی عمدتاً بر مبنای محتوای عمومی، در دسترس عموم و موجود در اینترنت تولید می‌شود و فاقد بینش‌های دقیق، خاص و متناسب با حوزه خاص قراردادهای تجاری است؛ لذا در عمل نمی‌توان تأثیر ملموسی در کاهش حجم و زمان کار یا افزایش بهره‌وری احساس کرد.

این مثال یک نمونه عینی از پدیده «پارادوکس بهره‌وری» (Productivity Paradox) در هوش مصنوعی است؛ فناوری فوق‌العاده‌ای که بدون انطباق عمیق با زمینه واقعی کار، نمی‌تواند بهبود محسوسی در بهره‌وری ایجاد کند. پدیده‌ای که «رابرت سولو» (Robert Solow)، اقتصاددان فقید و برنده جایزه نوبل اقتصاد ۱۹۸۷، به‌خوبی آن را توصیف کرده بود:

«عصر رایانه را همه‌جا می‌بینید، به‌جز در آمار بهره‌وری.»

“You can see the computer age everywhere but in the productivity statistics.”

مدل‌های قدرتمند هوش مصنوعی، چون با حجم عظیمی از داده‌های عمومی آموزش دیده‌اند، عملکرد خوبی دارند. اما همین عمومیت و جامعیت یک شمشیر دو لبه است. از یک سو، این مدل‌ها می‌توانند طیف وسیعی از وظایف را انجام دهند، اما از سوی دیگر، اغلب نمی‌توانند خود را با زمینه‌های تخصصی، فرایندهای منحصر‌به‌فرد و نیازهای منحصربه‌فرد تیم‌ها تطبیق دهند. در نتیجه، استفاده از مداوم از چنین مدل‌هایی ممکن است فرصت‌های واقعی برای افزایش بهره‌وری سازمانی را از بین ببرد.

درک و بافت معنایی

دلیل ناکارآمدی ابزارهای هوش مصنوعی در سازمان‌ها، دقیقاً همان دلیلی است که ممکن است یک کارمند جدید نیز در ابتدای کار دچار مشکل شود. به بیان دیگر، هوش مصنوعی در ابتدای امر نمی‌داند جریان‌های کاری چگونه انجام می‌شوند، مسئولیت دقیق اعضا تیم چیست، اطلاعات موردنیاز را از کجا باید پیدا کند و دقیقاً چه کاری باید با آن اطلاعات انجام دهد. در واقع، هوش مصنوعی در ابتدای شروع فعالیت خود در یک تیم، فاقد زمینه (Context) و بافت معنایی لازم برای مشارکت مؤثر در روند انجام کارهاست.

یک راه‌حل موثر برای رفع این چالش، ترسیم خط‌جریان فرآیندها و تولید چیزی به‌نام نمودارهای کار (Work Graphs) است. نمودار کار یک نمای پویا و لحظه‌ای از این‌که «تیم‌ها چگونه در سراسر سازمان جریان‌های کاری را اجرا می‌کنند» را نمایش می‌دهد. نمودار کار فقط صرفا فهرست وظایف نیست بلکه نشان می‌دهد تصمیم‌های تیمی چگونه گرفته می‌شوند، چه داده‌هایی ارجاع داده می‌شوند و چه سامانه‌هایی درگیر انجام چه کارهایی هستند. این موضوع آنجایی اهمیت پیدا می‌کند که دو تیم حتی اگر از ابزارهای مشابهی استفاده کنند، نحوه کار آن‌ها ممکن است کاملاً متفاوت باشد.

نمودار کار را می‌توان برای آموزش و حتی فاین‌تیون کردن ابزار هوش مصنوعی به کار برد؛ زیرا این گراف تمام مواردی که برای تیم و روند انجام صحیح کارها اهمیت دارد را در خود ثبت می‌کند. این کار سبب می‌شود تا بافت معنایی لازم برای انجام کار به همان نحوی که یک نیروی انسانی آن را انجام می‌دهد، در اختیار مدل قرار بگیرد و مدل بتواند کاری را انجام دهد که با نحوه واقعی عملکرد تیم منطبق و هماهنگ است.

اما رسیدن به موفقیت در این مسیر، صرفاً به داشتن داده‌های مناسب محدود نمی‌شود؛ بلکه نیازمند یک رویکرد صحیح در نحوه اجرا و استقرار آن است. برخلاف خودکارسازی سنتی که اغلب به دنبال جایگزینی انسان است؛ هدف اصلی این فرایند سفارشی‌سازی هوش مصنوعی برای عملکرد بهتر تیم‌ها با بازتاب نحوه واقعی کار آن‌هاست

برای دستیابی موفق به این هدف، می‌توان از رویکردی به نام «بومی‌سازی مکانیکی معکوس» (Reverse Mechanistic Localization) یا به‌اختصار RML استفاده کرد. درک نحوه عملکرد هوش مصنوعی هرچند که فرایندی بسیار سخت و پیچیده است و در اکثر موارد به نتیجه مطلوبی نمی‌انجامد؛ اما معمولاً از طریق مهندسی معکوس مدل، از دیدگاه انسانی انجام می‌شود. اما در رویکرد RML، قضیه برعکس است؛ در روش بومی‌سازی مکانیکی معکوس هدف اصلی این است که بفهمیم انسان‌ها چگونه کار می‌کنند. برای این امر، جریان‌های کاری واقعی، تصمیم‌ها و زمینه‌های آن‌ها به‌دقت تجزیه‌وتحلیل می‌شود و سپس از این دانش برای بازآموزش، ریزتنظیم و شخصی‌سازی مدل هوش مصنوعی استفاده می‌شود تا بتواند روندهای کاری را بهتر درک کند و به طور مؤثرتری در خدمت تیم باشد. چنین رویکرد کاملاً منطبق بر فلسفه و اصول همکاری متقابل ماشین و ماشین است و نه جایگزینی ماشین با انسان.

استقرار RML

رویکرد RML در هوش مصنوعی را به‌نوعی می‌توان مشابه سفارشی‌سازی (Customization) در پلتفرم‌های نرم‌افزاری دانست. اما با این تفاوت که در نرم‌افزارها، سفارشی‌سازی بیشتر به تغییر ظاهر و تجربه کاربری مربوط می‌شود؛ ولی در RML؛ اساساً این «درک» مدل است که تغییر می‌کند؛ لذا این نوع سفارشی‌سازی بسیار عمیق‌تر، زمینه‌محورتر و در نهایت، بسیار قدرتمندتر از نوع سنتی و نرم‌افزاری آن است. به پیشنهاد نویسندگان HBR و بر اساس تجربه یک نمونه عملی (تهیه پیش‌نویس قراردادهای مذاکره با تأمین‌کنندگان)، برای استقرار و پیاده‌سازی رویکرد بومی‌سازی مکانیکی معکوس در سازمان می‌توان مطابق با این ۳ گام عمل کرد.

۱. تهیه نمودارهای کار

در ابتدا، تمام مراحل و تعاملات انسان-ماشین که اعضای تیم در جریان کارهای خود انجام می‌دهد ثبت می‌شود. این مراحل، هم شامل اقدامات صریح می‌شود و هم الگوهای تصمیم‌گیری ضمنی که زیربنای جریان‌های کاری تیم هستند. این داده‌های دقیق و با جزئیات بالا، درون‌مایه آن چیزی هستند که «زمینه داخلی» (Local Context) یک تیم را می‌سازند؛ یعنی نشانه‌ها و سرنخ‌هایی که اعضا از آن‌ها استفاده می‌کنند، اطلاعاتی که از نظر اعضا مهم‌تر است و شیوه‌ای که در موقعیت‌های مختلف خود را با آن تطبیق می‌دهند.

در هر سازمانی، همین داده‌ها هستند که مشخص می‌کند یک تیم واقعاً چگونه کار می‌کند. وقتی این بافت غنی و چندلایه از اطلاعات در اختیار ابزار هوش مصنوعی قرار می‌گیرد، می‌توان مدل عمومی را به ابزاری تخصصی و منطبق با درک مفهوم درون‌سازمانی از جریان‌های کاری تبدیل کرد. بنابراین، برای مدیران ارشد سازمانی بسیار ضروری و حیاتی است که روی جمع‌آوری این دست داده‌ها سرمایه‌گذاری کنند و از آن‌ها به‌عنوان منبعی برای شخصی‌سازی و بازآموزش مدل‌های هوش مصنوعی عمومی برای استفاده‌های تخصصی در کاربردهای اختصاصی تیم‌ها استفاده کنند.

۲.  فاین‌تیونینگ مدل

پس از تهیه نمودار کار، از بینش‌های دقیق حاصل از آن به‌عنوان زمینه و بافت معنایی برای ریزتنظیم و فاین‌تیون کردن ابزار و مدل عمومی هوش مصنوعی استفاده می‌شود. این مرحله، یعنی واردکردن زمینه داخلی جریان‌های کاری تیم‌ها به درون ابزار هوش مصنوعی؛ کلیدی‌ترین بخش استقرار رویکرد RML است؛ زیرا الگوهای کاری و داده‌های مرتبط به طور کامل و مستقیم به‌عنوان ورودی در اختیار مدل قرار می‌گیرند. اهمیت این مرحله در این است که مدل بر اساس همین الگو‌ها و داده‌ها مجدداً آموزش می‌بیند و در نهایت به تولید خروجی می‌پردازد.

۳. بهبود مستمر

سازمان‌ها به طور پیوسته در حال تغییروتحول هستند. فرایندها تغییر می‌کنند، فناوری‌های جدید وارد می‌شوند و شرایط و اولویت‌ها عوض می‌شوند. در چنین شرایطی، شرکت‌ها باید به طور پیوسته نمودارهای کاری را به‌روزرسانی کرده و الگوهای جدید را به مدل تزریق کنند تا ابزارهای هوش مصنوعی به‌روز و کارآمد باقی بمانند. از طرفی می‌بایست به‌صورت مداوم و دوره‌ای بازخوردهایی درباره کیفیت نتایجی که مدل تولید می‌کند به آن داد. این نوع تعامل مستقیم انسان با ماشین که با عنوان «یادگیری تقویتی با بازخورد انسانی» (RLHF) شناخته می‌شود، برای تنظیم دقیق‌تر و بهبود مدل مورداستفاده قرار می‌گیرد. در نتیجه، مدل هوش مصنوعی بر اساس آنچه از کاربر بازخورد گرفته است، به‌مرور خود را با نیازهای تیم تطبیق می‌دهد و دقت بالای خود را در طول زمان حفظ می‌کند.

برای آشنایی بیشتر با روش RLHF پیشنهاد می‌شود بخش «ارزش‌گذاری‌های انسانی» در مقاله «آنچه آسیموف فاش کرد» در رسانه تخصصی هوش مصنوعی هوشیو را مطالعه کنید.

تیم‌های سازمانی اغلب بر پایه دانشی تجربی، غیرمدون و نانوشته که به‌عنوان «دانش بومی سازمانی» (Tribal Knowledge) شناخته می‌شود، کار می‌کنند. دانش بومی سازمانی، دانشی ضمنی درباره نحوه انجام کارها در هر تیم و راه‌حل‌های خاص و کاملاً منحصر‌به‌فرد هر سازمان یا حتی تیم است که برای پاسخ به چالش‌ها در ذهن اعضا نهفته شده است. با استخراج الگوهای این دانش و تنظیم مدل‌ها بر اساس آن، می‌توان مدل‌هایی دقیق‌تر، زمینه‌محورتر و منطبق با واقعیت تیم‌ها طراحی کرد که عملکرد بهتری در انجام کارها داشته باشند.

نقش CXOها

جدای از چالش‌ها و مسائل امنیتی‌ای که ورود داده‌های اختصاصی سازمانی به مدل‌های عمومی ایجاد می‌کند؛ این ابزارها با وجود گستردگی چشمگیر، معمولاً نمی‌توانند زمینه‌های درون‌سازمانی و جزئیاتی را که باعث بهره‌وری و دقت واقعی می‌شود را درک کنند. مدیران ارشد باید درک کنند که هوش مصنوعی فناوری‌ای نیست که یک‌بار تنظیم شود و سپس رها شود (Set it and forget it). بلکه ارزش واقعی آن زمانی نمایان می‌شود که سیستم با الگوهای کاری و تصمیم‌گیری‌های خاص سازمان هماهنگ باشد.

با سرمایه‌گذاری روی مدل‌های سفارشی‌سازی‌شده، شرکت‌ها می‌توانند میزان خطا را کاهش دهند، هزینه‌های عملیاتی را کم کنند و نرخ بازگشت سرمایه (ROI) بسیار بالاتری را از ابتکارات هوش مصنوعی خود به دست آورند. در چشم‌انداز رقابتی امروز، نادیده‌گرفتن این لایه از درک زمینه‌ای، یعنی چشم‌پوشی از پول و مزیت رقابتی استراتژیک. به بیان ساده اگر راهبرد هوش مصنوعی سازمان شما صرفاً بر پایه ابزارهای آماده در بازار (Off-the-shelf) بنا شده باشد، احتمالاً از یک تحول واقعی که بهره‌وری را افزایش و ریسک را کاهش می‌دهد، محروم خواهید ماند.

بنابراین، یک راهبرد کامل برای هوش مصنوعی باید شامل بهبود مستمر بر پایه بینش‌های درون‌سازمانی و زمینه‌محور باشد تا تضمین کند که سرمایه‌گذاری‌های فناورانه، هم در کوتاه‌مدت و هم در بلندمدت، بازدهی قابل‌توجهی را به همراه خواهند داشت.