چه زمانی اصلاً به هوش مصنوعی نیاز داریم؟
اگر قانون کار روشن است، همان اتوماسیون معمولی بهتر و مطمئنتر است. مثلاً وقتی پرداخت تأیید شد، وضعیت سفارش تغییر کند. اینجا نیازی نیست هوش مصنوعی وارد ماجرا شود.
هوش مصنوعی زمانی مفید است که ورودی متن، تصویر یا اطلاعات نامنظم باشد؛ مثلاً لازم است موضوع یک پیام تشخیص داده شود یا چند داده مشخص از یک سند بیرون بیاید. معمولاً بهترین نتیجه از ترکیب هوش مصنوعی با قواعد ساده و روشن به دست میآید.
برای شروع دنبال چه کاری بگردیم؟
یک کار خوب برای شروع معمولاً زیاد تکرار میشود، زمان میگیرد و نمونههای واقعی از آن داریم. مهمتر از همه، میتوانیم بهروشنی بگوییم خروجی قابل قبول و خروجی اشتباه چه تفاوتی دارند.
اگر یک اشتباه میتواند پیامد مالی، حقوقی یا انسانی جدی داشته باشد، نتیجه هوش مصنوعی نباید خودکار اجرا شود. در چنین شرایطی بهتر است سیستم پیشنهاد بدهد و یک نفر آن را تأیید کند.
یک نمونه جذاب با یک سیستم قابل استفاده فرق دارد
در یک دمو، ورودی تمیز است و همهچیز درست پیش میرود. در کار واقعی، اطلاعات ناقص میرسند، سرویسها قطع میشوند و بعضی نتیجهها مبهماند. سیستم باید برای همه این حالتها پاسخ مشخصی داشته باشد.
ثبت اتفاقها، تلاش دوباره در زمان مناسب، کنترل هزینه و ارجاع موارد مشکوک به انسان جزئیات اضافی نیستند. همینها تعیین میکنند راهکار فردا هم قابل استفاده باشد یا نه.
چطور بفهمیم خروجی واقعاً خوب است؟
پیش از استفاده روزانه، تعدادی نمونه واقعی و متفاوت جمع میکنیم و برای هرکدام نتیجه مطلوب را مینویسیم. بعد مدلها یا دستورهای مختلف را روی همان نمونهها امتحان میکنیم تا مقایسه منصفانه باشد.
فقط دقت مدل مهم نیست. باید ببینیم تیم چقدر وقت ذخیره کرده، چند خروجی هنوز نیاز به اصلاح دارد و چند بار کل فرایند با خطا متوقف شده است.
آیا اجرای این ایده میارزد؟
قبل از شروع، تعداد دفعات انجام کار و زمانی را که هر بار میگیرد یادداشت کنید. بعد هزینه مدل، زیرساخت، نگهداری و زمانی را که هنوز برای بازبینی انسانی لازم است کنار صرفهجویی واقعی بگذارید.
گاهی یک ایده از نظر فنی جذاب است اما چون ماهی چند بار بیشتر استفاده نمیشود، ارزش اقتصادی ندارد. در مقابل، چند دقیقه صرفهجویی در کاری که هر روز صدها بار تکرار میشود میتواند بسیار مهم باشد.
یک شروع ساده و کمریسک
یک کار مشخص انتخاب کنید، چند ده نمونه واقعی کنار بگذارید و بنویسید چه نتیجهای قابل قبول نیست. بعد یک نمونه محدود بسازید و اجازه دهید کسی که واقعاً آن کار را انجام میدهد با آن کار کند.
اگر نمونه در عمل مفید بود، دامنه را بزرگتر کنید. این مسیر شاید هیجان کمتری از شروع یک پروژه بزرگ داشته باشد، اما احتمال رسیدن به نتیجه واقعی خیلی بیشتر است.
رضا دوستیپور
کارم را با توسعه نرمافزار شروع کردم و بعد در شبکه، مدیریت عملیات و فروش سازمانی تجربه به دست آوردم. امروز از ترکیب همین تجربهها برای سادهترکردن فرایندهای کاری استفاده میکنم.
مشاهده معرفی و سوابقیک کار وقتگیر دارید که فکر میکنید میشود بهتر انجامش داد؟
کافی است کوتاه بنویسید امروز کار چطور انجام میشود و کدام بخش آن آزاردهنده یا وقتگیر است.