«دادهٔ آمادهٔ هوش مصنوعی» به این معنا نیست که صفحهگستردههای شما دیجیتالاند، CRM شما ابری است یا انبار داده دارید. به این معناست که فرایندی که آن داده را تولید میکند به اندازهٔ کافی یکنواخت، مستند و منطبق با واقعیت است که یک سیستم هوش مصنوعی بتواند روی آن بنشیند بیآنکه همهٔ راهحلهای موقت مستندنشدهای را که تیم شما طی سالها بیصدا ساخته، به ارث ببرد. در همهٔ ممیزیهای آمادگی که امسال انجام دادهام، همین مورد دوم — نه اولی — شکاف واقعی از آب درآمد.
«آمادهٔ هوش مصنوعی» واقعاً یعنی چه
پیش از آنکه داده واقعاً برای پروژهٔ هوش مصنوعی آماده باشد، چهار چیز باید درست باشد و هیچیک در صفحهگسترده دیده نمیشود. قالب باید در کل گردش کار یکنواخت باشد، نه فقط در گوشهای از یک واحد. نباید استثناهای دستی مستندنشده وجود داشته باشد — همان مرحلهٔ «این یکی را جور دیگری انجام میدهیم» که همه از آن خبر دارند و هیچکس آن را ننوشته است. باید تبارنامهٔ قابلردیابی وجود داشته باشد، تا بتوانید بگویید یک عدد از کجا آمده و مطمئن باشید میان سیستمها تغییر نکرده است. و خودِ فرایند باید همانطور که واقعاً اجرا میشود ترسیم شده باشد، نه آنطور که اسلایدهای معارفه میگویند.
همین نکتهٔ آخر است که تقریباً همهٔ کسبوکارها در آن اشتباه میکنند، و دیر فهمیدنش بیشترین هزینه را دارد — پس از آنکه یک ابزار هوش مصنوعی روی فرایندی ساخته شده که هیچکس واقعاً آن را راستیآزمایی نکرده بود.
فرایندکاوی کجا شکاف را آشکار میکند
فرایندکاوی فرایندی را که کسبوکار شما واقعاً اجرا میکند، با استفاده از زمانها و لاگهای سیستم بازسازی میکند، نه با فلوچارتی که کسی سه سال پیش کشیده است. دادهٔ رویدادها را به آن بدهید — چه کسی چه چیزی را و چه زمانی لمس کرد — تا هر مسیری را که یک پرونده واقعاً طی کرده نشانتان دهد، نه سه یا چهار مسیری که افراد فرض میکنند وجود دارد.
این الگو بهطرز چشمگیری ثابت است. فرایندی که بهعنوان یک تأیید تمیز سهمرحلهای توصیف میشود، پس از کاوش، دوازده گونهٔ واقعی یا بیشتر از آب درمیآید — پروندههایی که یک مرحله را رد کردهاند، پروندههایی که برای اصلاح برگشتهاند، و پروندههایی که بهطور غیررسمی از طریق ایمیل ارجاع شدهاند و هرگز به سیستمی که قرار بود پیگیریشان کند نرسیدهاند. هیچیک از اینها از روی نمودار سازمانی یا سند خطمشی دیده نمیشود. فقط در دادهای دیده میشود که فرایند واقعاً از خود به جا گذاشته است.
الگویی که بارها با آن روبهرو میشوم
در کارهای آمادگی که امسال انجام دادهام، همان شکل خطا بارها و بارها تکرار میشود: تحویلی میان دو واحد که در آن تیم گیرنده اطلاعاتی را که تیم فرستنده از قبل داشت دوباره وارد میکند، چون دو سیستم هرگز واقعاً متصل نبودهاند — فقط فرض شده بود که هستند. هر مرحلهٔ ورود مجدد جایی است که داده بیصدا از منبع فاصله میگیرد، و این دقیقاً همان شکافی است که تا وقتی تلاش نکنید خودِ آن تحویل را خودکار کنید دیده نمیشود.
مسیرهای استثنا یافتهٔ ثابت دیگری است. هر فرایند یک «مسیر ایدهآل» دارد که طراحی و مستند میشود، و مجموعهای از استثناها که هر کسی آن روز فرصت داشته باشد، به هر شکلی که آن لحظه منطقی به نظر برسد، رسیدگیشان میکند. هوش مصنوعیای که فقط روی مسیر ایدهآل ساخته شود، نخستین بار که با یک استثنا روبهرو شود از کار میافتد — و استثناها معمولاً ۲۰ تا ۳۰ درصد حجم واقعیاند، نه خطای گردکردنی که افراد فرض میکنند.
پیش از شروع هر پروژهٔ هوش مصنوعی چه چیزی را بررسی کنیم
شروع این کار به ابزارهای گرانقیمت نیاز ندارد. پیش از سفارش هر ساخت هوش مصنوعی، ارزش دارد فهرست کوتاهی را در برابر فرایند واقعی — نه فرایند مستند — بررسی کنید:
- آیا یک نوع پرونده بیش از دو یا سه مسیر واقعاً متفاوت را در سیستم طی میکند؟
- آیا جایی میان دو سیستمی که متصل فرض شدهاند، مرحلهٔ ورود مجدد دستی وجود دارد؟
- آیا میتوانید بهصورت مکتوب بگویید در مسیر استثنا چه اتفاقی میافتد — نه فقط در مسیر استاندارد؟
- آیا در دوازده ماه گذشته کسی واقعاً اجرای سرتاسری فرایند را مشاهده کرده، یا همه بر اساس طراحی اولیه کار میکنند؟
دربارهٔ نویسنده — دکتر مهدی سیفی، PhD، MBA، مهندس
مشاور راهبرد و حاکمیت هوش مصنوعی مستقر در میلتون کینز. بنیانگذار و مدیر ارشد هوش مصنوعی VisionXY7، و مدرس ارشد و مدیر برنامهٔ کارشناسی ارشد تحلیلگری کسبوکار در دانشگاه نورتهمپتون. دکترا (تحلیلگری کسبوکار مبتنی بر هوش مصنوعی، دانشگاه لیورپول) · MBA · ممیز ارشد و مجری ISO/IEC 27001 · بیش از ۲۵ سال تجربهٔ فناوری اطلاعات و اجرا در بیش از ۱۰۰ پروژه.