چگونه تحول هوش مصنوعی را برای کمک به کسب و کار شتاب بخشیم؟
۲۶ مهر ۱۴۰۵ ساعت ۱۴:۱۷
#هوش مصنوعی#نوآوری
مقاله با موضوع : How to level up systematic innovation with AI منتشر شده دز سایت دانشکده مدیریت اسلون دانشگاه ام آی تی
نویسنده: بث استکپول (Beth Stackpole)
تاریخ انتشار: ۲۰ اکتبر ۲۰۲۶
مقدمه: هوش مصنوعی چگونه به نوآوری کمک می‌کند؟
سازمان‌ها در شرایطی قرار دارند که باید با سرعت بیشتری نوآوری کنند؛ زیرا خواسته‌های مشتریان دائماً تغییر می‌کند و بازارها نیز پیوسته در حال تحول‌اند. هوش مصنوعی می‌تواند محرکی برای تغییر شیوه‌های کاری باشد و ظرفیت سازمان‌ها را در زمینه نوآوری و خلاقیت به‌طور چشمگیری افزایش دهد.
بااین‌حال، برای دستیابی به این مزایا، سازمان‌ها باید رویکردی نظام‌مند در پیش بگیرند و انسان را در مرکز تصمیم‌گیری نگه دارند. این نکته‌ای است که استیون اپینگر (Steven Eppinger)، استاد مدیریت فناوری و نوآوری در دانشکده مدیریت اسلون MIT، بر آن تأکید می‌کند.
اپینگر در سخنرانی‌ای که پیش از برگزاری دوره آموزشی خود با عنوان «نوآوری نظام‌مند در محصولات، فرایندها و خدمات» ارائه کرد، توضیح داد که سازمان‌ها چگونه می‌توانند با استفاده از هوش مصنوعی، فرصت‌های بیشتری برای نوآوری ایجاد کنند و فرایندهایی مشارکتی‌تر، قابل تکرار و منظم‌تر بسازند.
از دیدگاه او، مسئله صرفاً استفاده از هوش مصنوعی نیست؛ بلکه باید مشخص شود این فناوری در کدام بخش از فرایند نوآوری ارزش ایجاد می‌کند، چگونه با فعالیت انسان هماهنگ می‌شود و چطور می‌توان کیفیت نتایج آن را تضمین کرد.
۱. فرایند نوآوری را به گام‌های کوچک‌تر تقسیم کنید
برای تقویت نوآوری نظام‌مند، باید فرایندهای کاری را به مجموعه‌ای از مراحل کوچک، مشخص و مجزا تقسیم کرد. این رویکرد چه زمانی که اعضای تیم انسان هستند، چه زمانی که از هوش مصنوعی استفاده می‌شود و چه زمانی که انسان و ماشین با یکدیگر همکاری می‌کنند، اهمیت دارد.
اپینگر این موضوع را به مدیریت گروهی از کارکنان مشتاق تشبیه می‌کند. اگر از افراد بخواهیم کاری را انجام دهند، باید وظایف کوچک و دستورالعمل‌های مشخصی در اختیارشان بگذاریم. در غیر این صورت، خودشان روشی برای انجام کار انتخاب می‌کنند که ممکن است با انتظارات ما مطابقت نداشته باشد.
همین منطق درباره هوش مصنوعی نیز صدق می‌کند.
دو دلیل اصلی برای این موضوع وجود دارد:
- پژوهش‌ها نشان می‌دهند که ابزارهای هوش مصنوعی معمولاً در انجام وظایف کوچک و مشخص، عملکرد بهتری نسبت به انجام کارهای بسیار بزرگ و پیچیده دارند.
- هرچند هوش مصنوعی می‌تواند برای خودش دستورالعمل تولید کند، این توانایی تضمین نمی‌کند که دستورالعمل‌های تولیدشده درست و مناسب باشند.
بنابراین، در کارهایی که سازمان از قبل با آنها آشنایی دارد، بهتر است انسان‌ها دستورالعمل‌های انجام کار را طراحی کنند و از هوش مصنوعی بخواهند بر اساس آنها عمل کند.
اپینگر تأکید می‌کند که باید وظایف هوش مصنوعی را دقیق و روشن تعریف کرد. به این ترتیب، انسان‌ها همچنان نقش ناظر را بر عهده خواهند داشت و مسئولیت تصمیم‌گیری نهایی را حفظ می‌کنند.
نکته کلیدی: به‌جای سپردن یک مسئله بزرگ و مبهم به هوش مصنوعی، آن را به مراحل کوچک‌تر تقسیم کنید، برای هر مرحله دستورالعمل مشخصی بنویسید و سپس عملکرد ابزار را ارزیابی کنید.
۲. انسان را در مرکز همکاری انسان و ماشین قرار دهید
اپینگر معتقد است سازمان‌ها باید از رویکردی استفاده کنند که در آن هوش مصنوعی بخشی از فرایند کاری باشد، اما انسان همچنان هدایت و کنترل آن را در اختیار داشته باشد.
او میان دو مفهوم تفاوت قائل می‌شود:
- انسان در حلقه (Human in the Loop): این عبارت ممکن است چنین برداشتی ایجاد کند که هوش مصنوعی فرایند را هدایت می‌کند و انسان فقط برای کنترل و بررسی نهایی وارد عمل می‌شود.
- هوش مصنوعی در حلقه (AI in the Loop): در این رویکرد، انسان همچنان مسئول هدایت فرایند است و هوش مصنوعی به‌عنوان یکی از اجزای آن به کار گرفته می‌شود.
اپینگر رویکرد دوم را ترجیح می‌دهد؛ زیرا معتقد است انسان باید مسئولیت تصمیم‌گیری را حفظ کند و هوش مصنوعی در خدمت فرایندهای انسانی قرار بگیرد.
فرصت اصلی برای خلق ارزش زمانی به وجود می‌آید که انسان و ماشین در کنار یکدیگر کار کنند، نه اینکه هوش مصنوعی صرفاً جایگزین مشارکت انسانی شود.
برای دستیابی به این هدف، تیم‌های نوآوری باید از طریق آزمایش‌های کنترل‌شده مشخص کنند:
- هوش مصنوعی کدام وظایف را به‌خوبی انجام می‌دهد؟
- کدام وظایف بیشتر به قضاوت، تجربه و مهارت انسانی نیاز دارند؟
- چگونه می‌توان این قابلیت‌ها را به شکلی مکمل در کنار یکدیگر قرار داد؟
پاسخ به این پرسش‌ها به سازمان‌ها کمک می‌کند فرایندهایی طراحی کنند که در آنها وظایف مناسب به هوش مصنوعی سپرده شوند، درحالی‌که انسان بر بخش‌هایی تمرکز کند که به قضاوت و تصمیم‌گیری نیاز دارند.
نکته کلیدی: هدف از استفاده از هوش مصنوعی، حذف نقش انسان نیست؛ بلکه باید از ترکیب توانایی‌های انسان و ماشین برای بهبود عملکرد کل فرایند استفاده کرد.
۳. هنر طراحی پرامپت و دستورالعمل را تقویت کنید
هوش مصنوعی بر اساس حجم بسیار زیادی از داده‌های موجود آموزش دیده است؛ اما نوآوری مستلزم تصور و خلق چیزهایی است که هنوز وجود ندارند.
از نظر اپینگر، یکی از راه‌های مواجهه با این چالش، ارائه دستورالعمل‌های بهتر به هوش مصنوعی است.
هوش مصنوعی به داده‌ها و توان محاسباتی گسترده‌ای دسترسی دارد. اگر این قابلیت‌ها با دستورالعمل‌های مناسب هدایت شوند، می‌توانند به تولید ایده‌های خلاقانه و راه‌حل‌های ارزشمند کمک کنند.
چرا هدف خروجی اهمیت دارد؟
صرفاً درخواست تولید یک خروجی مشخص کافی نیست. باید به هوش مصنوعی توضیح داد که خروجی قرار است در چه موقعیتی استفاده شود و چه هدفی را دنبال می‌کند.
برای مثال، فرض کنید از هوش مصنوعی می‌خواهید یک شخصیت فرضی از مشتری (پرسونا) طراحی کند.
پرسونایی که برای هدف‌گیری مشتریان در یک کمپین بازاریابی ساخته می‌شود، باید با پرسونایی که برای شناخت بهتر نحوه استفاده مشتری از یک محصول طراحی شده است، تفاوت داشته باشد.
در هر دو حالت، ممکن است اطلاعات مشابهی درباره مشتری مورد نیاز باشد؛ اما هدف، نوع اطلاعات مهم و شیوه ارائه نتیجه متفاوت خواهد بود.
برای دریافت خروجی مناسب‌تر، می‌توان دو کار انجام داد:
۱. هدف استفاده از خروجی را با جزئیات برای هوش مصنوعی توضیح داد.
۲. چند نمونه از خروجی‌های مطلوب را در اختیار آن قرار داد تا مشخص شود چه نوع نتیجه‌ای مورد انتظار است.
هرچه دستورالعمل روشن‌تر و متناسب‌تر با هدف باشد، احتمال دریافت نتیجه کاربردی افزایش می‌یابد.
نکته کلیدی: کیفیت خروجی هوش مصنوعی فقط به قابلیت مدل وابسته نیست؛ کیفیت تعریف مسئله و دستورالعملی که به آن می‌دهیم نیز اهمیت زیادی دارد.
۴. اعتبارسنجی و بازبینی را نادیده نگیرید
هوش مصنوعی می‌تواند ایده‌ها، راه‌حل‌ها و طرح‌های بسیار زیادی تولید کند؛ آن هم با سرعتی که انسان به‌سختی می‌تواند تمام آنها را بررسی کند.
در حالت ایدئال، می‌توان انتظار داشت که هوش مصنوعی علاوه بر تولید گزینه‌ها، آنها را نیز ارزیابی کند؛ برای مثال، هزار راه‌حل احتمالی را بررسی کند و ده گزینه امیدوارکننده‌تر را به انسان پیشنهاد دهد.
اما به گفته اپینگر، هنوز نمی‌توان این مسئله را به‌طور کامل و قابل اتکا حل‌شده دانست.
به‌جای بررسی همه گزینه‌ها، هوشمندانه جست‌وجو کنید
تا زمانی که ارزیابی خودکار گزینه‌ها به سطح مطلوب نرسیده است، سازمان‌ها می‌توانند از هوش مصنوعی برای بررسی مرحله‌به‌مرحله راه‌حل‌ها استفاده کنند.
به این معنا که به‌جای بررسی تمام مسیرهای ممکن، ابتدا حوزه‌هایی را شناسایی کنند که احتمال یافتن راه‌حل مناسب در آنها بیشتر است و سپس جست‌وجو را در همان مسیرها ادامه دهند.
اپینگر این رویکرد را با فرایند طراحی مقایسه می‌کند. در یک پروژه طراحی، معمولاً صد نسخه متفاوت از یک محصول ساخته نمی‌شود. تیم چند نمونه را تولید می‌کند، آنها را آزمایش می‌کند و سپس در مسیری که نتایج امیدوارکننده‌تری دارد، بررسی‌های دقیق‌تری انجام می‌دهد.
این روش کمک می‌کند منابع محدود به‌صورت مؤثرتری مصرف شوند و تیم به‌جای پراکنده‌کردن تلاش خود، روی مسیرهای امیدوارکننده تمرکز کند.
کنترل خطاها و توهمات هوش مصنوعی
سازمان‌ها همچنین باید مراحل اعتبارسنجی را در فرایندهای نوآوری خود بگنجانند تا خطاها و اطلاعات ساختگی تولیدشده توسط هوش مصنوعی شناسایی شوند.
این بررسی‌ها می‌توانند به‌وسیله انسان، ابزارهای هوش مصنوعی یا ترکیبی از هر دو انجام شوند.
برخی مراحل اعتبارسنجی و آزمایش نیز قابلیت خودکارسازی دارند. بااین‌حال، تصمیم درباره اعتبار نتایج و پذیرش راه‌حل نهایی باید با توجه به میزان ریسک و ماهیت مسئله اتخاذ شود.
نکته کلیدی: تولید سریع‌تر ایده‌ها به‌تنهایی کافی نیست. سازمان باید سازوکاری داشته باشد که ایده‌های ضعیف را کنار بگذارد، خطاها را شناسایی کند و گزینه‌های مناسب‌تر را برای بررسی عمیق‌تر انتخاب کند.
جمع‌بندی: سازمان‌ها باید از همین حالا شروع کنند
به‌کارگیری هوش مصنوعی در فرایندهای نوآوری همچنان در حال تکامل است؛ اما اپینگر معتقد است سازمان‌ها نباید منتظر بمانند تا همه مسائل این حوزه حل شوند.
از دیدگاه او، سازمان‌هایی که هوش مصنوعی را نادیده می‌گیرند، فرصت افزایش توانمندی‌های خود را از دست خواهند داد. در بلندمدت، بی‌توجهی به این فناوری می‌تواند به یک راهبرد ناموفق تبدیل شود.
بااین‌حال، بهره‌گیری مؤثر از هوش مصنوعی به معنای سپردن تمام فعالیت‌های نوآوری به آن نیست. سازمان‌ها باید فرایندهای موجود را بشناسند، وظایف را به‌درستی تقسیم کنند، دستورالعمل‌های مناسب بنویسند و سازوکارهای بازبینی و کنترل کیفیت را در نظر بگیرند.
در نهایت، هوش مصنوعی زمانی بیشترین ارزش را ایجاد می‌کند که در یک فرایند نظام‌مند و با نظارت انسانی به کار گرفته شود.