در قسمت اول از مقاله قوانین استفاده از هوش مصنوعی به بررسی ۲ قانون از ۵ قانون استفاده از هوش مصنوعی پرداختیم. قسمت اول این مقاله را اینجا بخوانید.
قانون سوم: با تجزیه مدل هوش مصنوعی به کوچک‌ترین بخش‌های ممکن، بر پیچیدگی آن غلبه کنید
پیچیدگی بر دنیای رقابت‌های یادگیری ماشین حکومت می‌کند. دانشمندان علوم داده سیستم‌های الگوریتمی گسترده و غیر قابل نفوذی را فراهم می‌کنند تا هوشمندی یک ماشین را به رخ بکشند. مشکل اینجاست که این سیستم‌ها برای رسیدگی به مسائلی که یک کسب‌وکار ممکن است با آنها روبه‌رو شود، نسبتا بلااستفاده هستند. شرکت‌ها می‌توانند به جای تکرار نتایج موفقیت‌آمیز این رقابت‌ها، با طراحی زیرمدل‌های قابل تفسیرتری که منطق تجاری مشکلات مشخص را نشانه می‌گیرد، ظرافت یک مدل هوش مصنوعی را به کار ببندند.
برای توضیح بهتر این موضوع به این مثال دقت کنید: یک توزیع‌کننده B2B مصالح و تجهیزات ساختمانی قصد داشت که برای تیم‌های فروش خود که با پیمانکار‌های فرعی کوچک تا متوسط کار می‌کردند، یک سیستم توصیه‌گر محصول بر مبنای هوش مصنوعی ایجاد کند. سیستم‌های توصیه‌گر معمولی، مانند مواردی که در نتفلیکس یا آمازون استفاده می‌شوند، عادت‌های خرید و تاریخچه مرور افراد را تجزیه‌وتحلیل کرده و فهرست طویلی از پیشنهادهایی را که ممکن است با علایق آنها مطابقت کند، به آنها ارائه می‌دهد. در این وضعیت، مصرف‌کننده به‌ندرت به این موضوع توجه می‌کند که تعدادی از پیشنهادها کاملا بی‌ربط هستند و این به‌ندرت روی خرید نهایی او یا ادامه تعامل او با وب‌سایت اثر می‌گذارد. اما در کسب‌وکار B2B که فروشنده باید پیشنهادهای مرتبط را رودررو مطرح کند و در غیر این صورت احتمالا مشتری را از دست خواهد داد، امکان کمی برای چندین پیشنهاد نادرست وجود دارد.
با در نظر داشتن این مسائل، شرکت B2B از یک الگوریتم هوش مصنوعی سه‌مرحله‌ای استفاده کرد. اولین مرحله حدود پروژه را تعیین می‌کند، مثلا آیا سفارش اولیه نشان می‌دهد که مشتری نیازمند تعمیرات است یا به تاسیسات کاملا جدیدی نیاز دارد. الگوریتم دوم تعیین‌کننده این است که برای تکمیل پروژه به کدام محصولات نیاز است و الگوریتم سوم نیز نشان می‌دهد که کدام SKUها، شرایط ویژه پروژه را به بهترین شکل برآورده می‌کنند. نکته مهم این است که سلسله‌مراتب پیشنهادها طبیعتا از ارائه فروش پشتیبانی می‌کنند؛ اولی خود پروژه را مشخص می‌کند، دیگری فعالیت‌هایی که به پروژه مربوط است و در نهایت در مرحله سوم محصولاتی که برای اجرای بخش‌های ثانویه پروژه لازم است، تعیین می‌شوند. این رویکرد یادگیری ماشین باعث افزایش دو درصدی فروش این توزیع‌کننده شد.
قانون چهارم: یادگیری ماشین باید به اتخاذ تصمیم‌‌های مشخص در کسب‌وکار کمک کند
سیستم‌های یادگیری ماشین اغلب بر اساس دقت دیدگاهی که از آینده به دست می‌دهند، مورد ارزیابی قرار می‌گیرند، اما پیش‌بینی‌های بی‌نقص، لزوما موجب اتخاذ تصمیمات بهینه نمی‌شوند. در عوض، عملکرد این سیستم‌ها باید بسته به ارزشی ارزیابی شوند که شرکت به‌طور تدریجی در اثر اتخاذ تصمیماتی کسب می‌کند که این سیستم‌ها عامل آنها هستند. ارائه پیش‌بینی تقاضا بدون یک ابزار پشتیبانی از تصمیمات مربوط به آن که عرضه را با تقاضا تنظیم کند، بیشترین ارزش ممکن را به شرکت اضافه نمی‌کند.
اینجاست که الگوریتم‌های بهینه‌سازی وارد میدان می‌شوند. یک موتور بهینه‌سازی از پایگاه دانش هوش مصنوعی استفاده می‌کند تا تصمیماتی را توصیه کند که به بهترین شکل متناسب با هدف است، مانند بهبود حاشیه، محدودکردن هزینه‌ها یا رسیدن به بهترین زمان فرآوری.
الگوریتم‌های بهینه‌سازی تمام تصمیمات ممکن را بررسی و مواردی که بیشترین تاثیر را داشته و در عین حال محدودیت‌های کسب‌وکار را نیز در نظر می‌گیرند، شناسایی می‌کنند. این الگوریتم‌ها این امکان را برای کاربران فراهم می‌آورند تا ابزارهای شبیه‌سازی و برنامه‌ریزی خاصی طراحی کنند که گفت‌وگویی را بین سیستم هوش مصنوعی و افرادی که در بخش تجاری شرکت مشغول هستند، شکل می‌دهند. در مقابل هم اغلب این اتفاق به تحلیل پیشرفته رفتار مخاطب منجر می‌شود که دانش شرکت را در زمینه عملیات‌ها و بهترین روش‌ها برای رسیدن به عملکرد بهینه گسترش می‌دهد.
اخیرا یک شرکت تولید محصولات مصرفی یک سیستم هوش مصنوعی را نصب کرد تا برنامه‌های تبلیغاتی خود در مغازه‌ها را ارزیابی کند. مولفه یادگیری ماشین در پایین‌ترین سطح خود در مورد بهبود وضعیت فروش برای هر محصولی که در نتیجه کمپین‌های تخفیفی یا تبلیغاتی مختلف ایجاد شده، پیش‌بینی‌هایی ارائه داده و برهه زمانی خاص سال، میزان پوشش تبلیغاتی، فعالیت رقبا و جذابیت محصول را نیز در نظر می‌گیرد. اما بدون تعیین تصمیمات مرتبط در مورد نوع برنامه‌های تبلیغاتی و برنامه‌ریزی زمانی برای آنها، با توجه به هر خرده‌فروش یا محصول خاصی که می‌تواند حداکثر سود بالاتر از سرمایه را در هوش مصنوعی ایجاد کنند، این پیش‌بینی‌ها ارزش کمی دارند.
طراحی چنین برنامه تبلیغاتی‌ای کاری طاقت‌فرساست؛ اول به‌دلیل تعداد بسیار زیاد احتمال‌ها و دوم به‌دلیل محدودیت‌های عملیاتی که باید در رابطه با تعدد تبلیغات رفع کند: همکاری با سایر فعالیت‌های بازاریابی، برنامه‌های استراتژیک برند، قراردادهای خرده‌فروشان و مسائل حقوقی دیگر. الگوریتم‌های بهینه‌سازی در برنامه هوش مصنوعی شرکت قادرند به‌آسانی از پس این محاسبات برآیند و در همین حین مدیران کسب‌وکار می‌توانند بر ارزیابی هزینه و کارایی تصمیمات متعدد در مورد برنامه‌های تبلیغاتی تمرکز کنند. شرکت تولید محصولات مصرفی با استفاده از چنین سیستمی، بسته به موقعیت جغرافیایی و اندازه کمپین خود، توانست از افزایش ۱۰ تا ۲۰ امتیازی در بازگشت سرمایه تبلیغاتی بهره ببرد.
قانون پنجم: از آن دسته از پیامدهای یادگیری ماشین که به نظر دقیق می‌آیند، اما ممکن است سودمند نباشند، اجتناب کنید
زمانی که رهبر یک کسب‌وکار هستید، امروز عمل می‌کنید تا رشد فردا را ممکن سازید. به همین منوال، زمانی که یک سیستم یادگیری ماشین می‌سازید، تمرکز بر دقت پیامدهای گذشته آن که به شرایط قبلی شرکت مربوط است و لزوما به موقعیت و مشکلاتی که در آینده پیش می‌آیند ارتباطی ندارند، کار نادرستی است.
رویکرد بهتر این است که اعتبار و سودمندی نتایج سیستم را با آنالیزهای حساسیت در برابر تمامی شرایط احتمالی بسنجیم که می‌توانند بر عملکرد کوتاه‌مدت و بلندمدت شرکت تاثیرگذار باشند. شاید حتی بهتر باشد که مجموعه‌ای قوی از داده‌ها را در مرحله توسعه به آن وارد کنیم. نتایج هوش مصنوعی اغلب معیوب هستند، زیرا داده‌ها بسیار کم یا کوته‌بینانه‌اند؛ مثلا تنها از فرایندهای تولید یا کمپین‌های بازاریابی‌ای جمع‌آوری می‌شوند که لزوما چند سالی است بدون هیچ تغییری به کار خود ادامه می‌دهند. الگوریتم‌هایی که بر اساس این داده‌ها به دست می‌آیند، احتمالا اطلاعات مربوط به نکات ظریف و تغییراتی را که بر فرایند کسب‌وکار حاکم هستند، نادیده می‌گیرند و تنها گذشته‌ای بدون تغییر و ساکن را بازتاب می‌دهند. برای از بین بردن این مشکل، الگوریتم‌ها باید با بازنمودی جامع و چندجانبه از فرایندهای کسب‌وکار ترکیب شوند؛ با جزئیاتی که تنها می‌توانند از افرادی در بخش تجاری به دست بیایند که عملیات‌های هرروزه را مدیریت می‌کنند.
ارزش این رویکرد در یک سیستم هوش مصنوعی مشهود است که ما برای یکی از مشتریان‌مان فراهم کردیم که تأسیسات صنعتی در مقیاس بزرگ را اداره می‌کند. این موتور تمام قوانین تجربی به‌دست‌آمده از منابع انسانی کارخانه را به شکلی ترکیب می‌کند که در حال حاضر از این سیستم برای آزمایش فرضیه‌های مربوط به تغییرات احتمالی در آن قوانین استفاده می‌شود. زمانی که این فرضیه‌ها مورد استفاده قرار می‌گیرند، پایگاه داده آموزشی خود سیستم را غنی‌تر می‌سازند و در نتیجه امکان توصیه‌های هوشمندانه‌تر و باکیفیت‌تر را فراهم می‌آورند. این شرکت با این سیستم خودفراگیر و قدرتمند به بالاترین سطوح عملکردی رسیده است؛ از جمله افزایش ۱۵درصدی تولید در صنعتی که افزایش بهره‌وری به میزان سه درصد نیز بسیار باارزش تلقی می‌شود.
این پنج قانونی که در این مقاله به آنها اشاره کردیم، مستلزم همکاری زیادی بین دانشمندان علوم داده و کارشناسان بخش تجاری هر شرکت هستند. به همین دلیل، شرکت‌ها برای بهره‌مندشدن از قدرت یادگیری ماشین باید تیم‌هایی با تخصص در چند رشته علمی تشکیل دهند تا فناوری و عملیات را به گونه‌ای ادغام کنند که سازمان بتواند از هر دو حوزه بهره ببرد. دانشمندان علوم داده با دانش تجاری و کارشناسان کسب‌وکاری می‌دانند که با یادگیری ماشین چه دستاوردهایی می‌توانند داشته باشند. این تیم‌ها می‌توانند در جهت دستیابی به اهداف تجاری از هوش مصنوعی استفاده کنند و در همین روند این امکان را برای کسب‌وکار فراهم آورند تا از جنبه‌ای از یادگیری ماشین بهره ببرد که بیشتر به فعالیت‌های روزمره آن مربوط می‌شود؛ جنبه‌ای از آن که می‌تواند بیشترین تأثیر را در عملکرد کسب‌وکار داشته باشد.
