قسمت اول

مولفه یادگیری ماشین دو وجه دارد. رقابت‌های عجیبی وجود دارد که طی آنها استادان حرفه‌ای حوزه داده، با قوانین ثابتی به طراحی الگوریتم می‌پردازند و بدین ‌طریق مسابقاتی را راه‌ می‌اندازند تا جنبه‌هایی از مشکلات پیچیده‌ای چون اچ‌آی‌وی و ترافیک را حل کنند. آرشیوهای متن‌بازی نیز ایجاد شده‌اند که راه‌حل‌های برنده در این رقابت‌ها در آنها گردآوری شده و اجازه می‌دهند که از بخشی از آنها در آینده نیز استفاده شود. از آنجا که سرعت، مساله مهمی است، شناسایی الگوها و دستکاری داده‌ها معمولا به‌صورت خودکار صورت می‌پذیرد.

یکی دیگر از جنبه‌های یادگیری ماشین به این چالش فوری‌تر ارتباط دارد که چگونه یک فرایند تجاری منسوخ را برطرف کرده یا چگونه با استفاده از الگوریتم‌ها و برنامه‌ها به چالشی تجاری رسیدگی کنیم. محیط تجاری محیطی غیریکپارچه و مملو از عدم قطعیت است. این محیط به‌طور مکرر تغییر می‌کند و  فاقد مرزهای نسبتا سفارشی رقابت‌های یادگیری ماشین است. علاوه بر این، مسائل مربوط به کسب‌وکارها متنوع هستند؛ از پیش‌بینی وقایع نادر مانند ازکارافتادن تجهیزات گرفته تا تصمیم‌گیری‌های دشوار در رابطه با محصولات شخصی‌سازی‌شده برای مشتریان.

بنابراین جای تعجب نیست که به‌طور کلی استفاده از یادگیری ماشین در محیط کسب‌وکار، افراد را دلسرد می‌کند. پژوهشی که با همکاری شرکت «بی‌سی‌جی گاما» (BCG Gamma)، موسسه «بی‌سی‌جی هندرسون» (BCG Henderson) و مجله «ام‌آی‌تی اِسلون منیجمنت ریویو» (MIT Sloan Management Review) در سال ۲۰۲۰ انجام شد، نشان داد که از هر ۱۰ شرکت، تنها یکی از آنها با استفاده از هوش مصنوعی به مزایای چشم‌گیری دست یافته است. با وجود تمام تلاش متخصصان علم داده در این شرکت‌ها، اغلب نمی‌توانند راه‌حل‌های موفق رقابت‌های یادگیری ماشین را برای اخذ تصمیمات قابل ‌اعتماد و آینده‌نگر هرروزه، دوباره به کار ببرند.

شرکت بی‌سی‌جی برای پرکردن خلاء میان وعده‌های یادگیری ماشین و نتایج ناامیدکننده تصمیمات لحظه‌ای و سایر مسائل، اصل مطلب را در قوانینی که در این مقاله به آنها اشاره شده، خلاصه کرده است.

هدف‌گذاری ارزش کسب‌وکار

در بسیاری از شرکت‌ها، یادگیری ماشین و هوش مصنوعی (اصطلاحی فراگیر برای الگوریتم‌هایی که در زیرساخت فناوری و داده وجود دارند و یادگیری ماشین بخشی خودفراگیر از آن است)، به‌عنوان مشکلات فنی در نظر گرفته می‌شوند. اما برای اینکه هوش مصنوعی در یک سازمان ارزشی حقیقی داشته باشد، بخش تجاری شرکت نیز باید پتانسیل و همچنین محدودیت‌های آن‌ را درک کند تا انتظارات و پیامدهای واقع‌گرایانه‌ای در این مورد وجود داشته باشد.

«کای فو لی»، کارشناس جهانی هوش مصنوعی و مدیر شرکت «سینوویشن ونچرز»، به‌تازگی با بسط این موضوع این‌طور استدلال کرده که پیاده‌سازی خلاقانه و عمودی هوش مصنوعی، یعنی اپلیکیشن‌های خاص صنعت و متمرکز بر کسب‌وکار که به‌صورت سفارشی مثلا برای کارخانه‌های ماشین‌سازی یا بانک‌ها طراحی شده‌اند، در چند سال آینده مزایای رقابتی و تحولات دیجیتال را برای شرکت‌ها به همراه خواهند داشت. در مقابل، راه‌حل‌های بین‌صنعتی و افقی هوش مصنوعی، مانند اضافه‌کردن قابلیت تشخیص تصویر کالاهای غیرسفارشی به تجهیزات پزشکی یا دوربین‌ها، روزبه‌روز ارزش کمتری خواهند داشت.

به همین دلیل، شرکت‌ها باید از دیدگاه فرمول ۱۰-۲۰-۷۰ ارزش تجاری ملموس هوش مصنوعی را ارزیابی کنند. به این معنا که ۱۰ درصد از تلاش‌ها صرف ساخت مدل یادگیری ماشین مناسب خواهد شد که مجموعه قوانین یا دستورالعمل‌های الگوریتمی است؛ به این‌ منظور که سیستم به‌طور مستقل و به‌تنهایی یاد بگیرد، ۲۰ درصد از تلاش‌ها به نوآوری و پیاده‌سازی داده‌ها و فناوری‌های باکیفیت معطوف می‌شود و ۷۰ درصد نیز بر توسعه فرایندهای تجاری جدید با تغییر شکل شیوه عملکرد کسب‌وکار متمرکز است.

برای به‌کارگیری این فرمول و بالاترین میزان تقویت عملکرد با استفاده از هوش مصنوعی، شرکت‌ها باید گام‌هایی استراتژیک و تاکتیکی بردارند و قوانین زیر را به خاطر بسپارند.

قوانینی برای طراحی یک برنامه یادگیری ماشین موفق

قانون اول: کاربرد هوش مصنوعی باید با پیامدهای مطلوب مرتبط با کسب‌وکار هماهنگ باشد

حتی در یک مقوله واحد نیز، انواع زیادی از داده‌ها وجود دارد که می‌توان توسط آن یک الگوریتم یادگیری ماشین را تغذیه کرد. به‌عنوان مثال، اگر قرار است سیستم، میزان فروش را پیش‌بینی کند، می‌توان با استفاده از ارزش مطلق ارز از داده‌های مربوط به قیمت محصولات به‌عنوان داده ورودی بهره برد، اما نسبت به قیمت‌های مرجع، تخفیف‌ها به این موضوع مرتبط‌تر هستند؛ به‌خصوص زمانی که کشش تقاضا در اولویت است. از سوی دیگر، اگر دغدغه اصلی «کنیبالیزیشن» باشد، تفاوت نسبی با قیمت‌ محصولات مشابهی که شرکت‌های دیگر می‌فروشند، از اهمیت بیشتری برخوردار است (کنیبالیزیشن موقعیتی در بازار است که در آن محصول جدید یک برند با محصول قدیمی‌تر آن رقابت می‌کند).

امروزه می‌توان بسیاری از این تبدیل داده‌ها را در آرشیو‌های متن‌بازی چون AutoML یافت، اما اغلب شرکت‌ها به جای اینکه زمانی را به درک داده‌های ورودی مورد نیاز یک مشکل تجاری خاص اختصاص دهند، آن گزینه دیگر را برمی‌گزینند.

برای گنجاندن ویژگی‌هایی خاص در سیستم، باید با افرادی که مسئول رسیدگی به یک مشکل خاص هستند، همکاری کنیم. به‌عنوان مثال، اخیرا خرده‌فروشی که محصولات لوکس به‌روز می‌فروشد (عمدتا کیف ‌دستی‌ و لباس زنانه) قصد داشت فهرستی از مشتریان بالقوه خود تهیه کند، اما از آنجا که محصولات لوکس بسیار کم خریداری می‌شوند، یک سیستم هوش مصنوعی که از اطلاعات طبقه‌بندی‌ سنتی استفاده می‌کند (مانند اطلاعات جمعیتی یا سابقه خرید بر اساس نوع، قیمت یا لوکیشن خرید) نتایج مفیدی به دست نمی‌دهد.

پس از بحث و بررسی‌های طولانی با کارشناسان بازاریابی و فروش، آن خرده‌فروش مدل هوش مصنوعی خاصی را توسعه داد که از این داده‌ها استفاده می‌کرد؛ افرادی که بلافاصله پس از تولید یک محصول جدید به فروشگاه سر می‌زدند یا افرادی که از وب‌سایت فروشنده بازدید کرده و سپس به فروشگاه آمده بودند تا خرید کنند. اضافه‌‌کردن این اطلاعات جدید به داده‌های ورودی سیستم هوش مصنوعی، به ایجاد فهرستی از مشتریان بالقوه منجر شد که در مقایسه با فهرست ایجادشده با استفاده از رویکردهای معمول، در پیش‌بینی رفتار خرید واقعی مشتریان ۲۰ درصد موثرتر عمل کرد. به‌علاوه، افرادی که سیستم یادگیری ماشین به آنها اشاره کرده بود، ۸۰ درصد بیشتر از گروه دیگر برای محصولات آن خرده‌فروش هزینه کردند.

قانون دوم: از داده‌های خارجی استفاده کنید تا تاثیر تجاری را تقویت کنید

بسیاری از شرکت‌ها این تصور اشتباه را دارند که داده‌هایی که درون شرکت تولید شده‌اند، برای پیشرفت مدل‌های یادگیری ماشین کافی هستند. این درست مانند این است که تصور کنیم یک شرکت می‌تواند به‌تنهایی و جدا از دنیای اطراف فعالیت کند که چنین چیزی در چشم‌انداز پویای دنیای امروز بی‌معناست. گرچه گردآوری داده‌های خارجی مفصل، دقیق و مرتبط برای یادگیری ماشین مستلزم تلاش بسیاری است، اما این کار موجب مزیت رقابتی آشکاری می‌شود؛ زیرا امکان تصمیم‌گیری بر اساس تغییرات پویای این محیط را برای شما فراهم می‌کند.

به‌عنوان نمونه، بی‌سی‌جی با یک ایرلاین مطرح همکاری کرد تا یک ابزار پیش‌بینی برای آنها طراحی کند که با استفاده از آن بتوانند در دوران افزایش سفرها پس از پاندمی، تقاضای مشتری در مسیرهای مختلف را پیش‌بینی کنند. ما به جای اینکه صرفا به انبوه داده‌های تاریخی آنها بسنده کنیم، اطلاعات خارجی را نیز بررسی کردیم؛ از جمله الگوهای جست‌وجوی سفر در طبقه‌های مختلف، داده‌های تراکنشی ایرلاین‌های دیگر، محدودیت‌های احتمالی و واقعی سفر در مناطق خاص و فعالیت اقتصادی مصرف‌کننده بر اساس منطقه جغرافیایی.

با وجود این داده‌ها، پیش‌بینی‌های یادگیری ماشین از تعداد مسافران در هر مسیر ۲۰ درصد دقیق‌تر از مواردی بود که سیستم‌های پیش‌بینی‌کننده قدیمی ارائه داده بودند که این امر موجب بهبود وضعیت برنامه‌ریزی برای پروازها و خدمه پرواز و ۶۰‌ میلیون دلار صرفه‌جویی در هزینه‌ها در سال ۲۰۲۰ شد. سیستم هوش مصنوعی این ایرلاین از یک ابزار پشتیبانی از تصمیم‌گیری استفاده می‌کرد که موجب بهینه‌سازی مسیرها بر اساس تقاضای فرودگاه، مسیر، مقصد، روز و زمان پرواز می‌شد و به پرسنل ایرلاین کمک می‌کرد تا به تغییرات زمان‌بندی واکنش نشان داده و برنامه پرواز و خدمه را با این تغییر به‌وجودآمده در تقاضا هماهنگ کنند.

برای خواندن سه قانون دیگر استفاده از هوش مصنوعی به این لینک مراجعه کنید.