آیا هوش مصنوعی رقیبی برای منابع انسانی است یا خیر؟

هوش مصنوعی در زمینه‌های مختلف، مانند تشخیص بیماری‌ها، ترجمه زبان‌ها و ارائه خدمات به مشتریان، پیشرفت‌های چشمگیری داشته است. پیشرفت هوش مصنوعی بسیار چشمگیر است و می‌توان درک کرد که چرا برخی از این لحاظ ترس دارند که بتواند جایگزین کارکنان انسانی شود. با این حال، لزوما اینطور نیست. ما قبلا هرگز فناوری دیجیتالی نداشته‌ایم که پاسخگوی نیازهای ما باشد، و همچنین هرگز پاسخگوی ابزارهای خود نبوده‌ایم. اگرچه هوش مصنوعی بدون شک روش انجام کار و انجام‌دهنده آن را متحول خواهد کرد، اما تأثیر اولیه آن به جای جایگزین کردن توانایی‌های انسانی، تکمیل و ارتقای آنها خواهد بود.

استفاده از هوش مصنوعی (AI) برای اتوماتیک‌سازی فرآیندهای تجاری به یک روش رایج برای بسیاری از شرکت‌ها تبدیل شده است. با این حال، آنهایی که تنها به هوش مصنوعی برای جایگزینی کارکنان انسانی متکی هستند، تنها شاهد دستاوردهای کوتاه مدت در بهره وری خواهند بود. تحقیقات گسترده ما، که شامل مطالعه 1500 شرکت بود، نشان داد که کسب‌وکارها زمانی که انسان‌ها و ماشین‌ها با هم کار می‌کنند، به مهمترین پیشرفت‌ها در عملکرد دست می‌یابند. این امر از طریق هوش مشترک حاصل می‌شود که در آن انسان‌ها و هوش مصنوعی به طور فعال نقاط قوت یکدیگر را تقویت کرده و نقاط ضعف یکدیگر را جبران می‌کنند. با اینکه انسان‌ها در رهبری، کار گروهی، خلاقیت و مهارت‌های اجتماعی برتری دارند، ماشین‌ها از لحاظ سرعت، مقیاس پذیری و قابلیت‌های کمی‌مجهزتر هستند. درک این نکته ضروری است که آنچه برای انسان‌ها آسان است، مانند شوخی کردن، می‌تواند برای ماشین‌ها چالش برانگیز باشد، در حالی که تجزیه و تحلیل گیگابایت داده‌ها کاری است که عملاً برای انسان غیرممکن است. برای موفقیت در دنیای تجارت، شرکت‌ها به توانایی‌های انسانی و ماشینی نیاز دارند.

همکاری یک دارایی ضروری است که ارزش قابل توجهی در دستیابی به موفقیت در زمینه‌ها و صنایع مختلف دارد.

شرکت‌ها می‌توانند با افزایش همکاری بین کارکنان انسانی و هوش مصنوعی از مزایایی بهره مند شوند. برای رسیدن به این هدف، آنها می‌توانند پنج اصل راهنما را دنبال کنند. اولا، آنها باید در فرآیندهای تجاری خود تجدیدنظر کنند. دوما، آنها باید آزمایش و مشارکت کارکنان را تشویق کنند. سوما، آنها باید نقش فعالی در هدایت راهبرد هوش مصنوعی خود داشته باشند. چهارم، آنها باید داده‌ها را به شیوه مسئولانه جمع آوری کنند. در نهایت، آنها باید شیوه‌های کاری خود را برای ترکیب هوش مصنوعی و تقویت مهارت‌های مرتبط با کارمندان اصلاح کنند. یک نظرسنجی اخیر از 1075 شرکت در 12 صنعت نشان داد که هرچقدر یک شرکت اصول بیشتری را اتخاذ کند، ابتکارات هوش مصنوعی آنها مؤثرتر است. این مساله در افزایش سرعت، صرفه جویی در هزینه، درآمد و سایر معیارهای عملیاتی بازتاب پیدا می‌کند.

تعداد اصول اتخاذشده برای همکاری انسان و ماشین  (0 به استفاده از فقط هوش مصنوعی اولیه و غیرمشترک اشاره دارد)

منبع: «هوش مشترک: انسان‌ها و هوش مصنوعی نیروهایشان را با هم یکی می‌کنند.» نوشته اچ. جیمز ویلسون و پل آر. دافرتی، جولای-آگوست 2018

برای استفاده کامل از این همکاری، ضروری است که شرکت‌ها کارآمدترین روش‌های تقویت ماشین‌ها توسط انسان‌ها، و همچنین چگونگی تقویت نقاط قوت انسان توسط ماشین‌ها را درک کنند. علاوه بر این، برای شرکت‌ها ضروری است که فرآیندهای تجاری خود را مجدداً پیکربندی کنند تا این مشارکت را تسهیل کنند. تحقیقات گسترده و تجربه عملی ما را به ایجاد دستورالعمل‌های جامعی سوق داده است که می‌تواند به شرکت‌ها در دستیابی به این هدف کمک کند و در نتیجه پتانسیل هوش مشترک را برای پیشبرد کسب‌وکارشان آزاد کند.

دستیاری دستگاه مکانیکی با کمک دخالت انسان یک سناریوی قابل قبول است.

برای انجام الزامات یادگیری ماشین، از انسان انتظار می‌رود که سه نقش محوری را ایفا کند. اولا، آنها باید دانش را برای انجام وظایف خاص به ماشین‌ها منتقل کنند. دوما، آنها باید نتایج چنین وظایفی را مشخص کنند، به ویژه زمانی که نتایج غیرمنتظره یا قابل بحث ایجاد می‌کنند. در نهایت، آنها برای اطمینان از استقرار اخلاقی ماشین‌ها با جلوگیری از آسیب رساندن ربات‌ها به انسان، مسئول هستند. این سه نقش اساسی ضروری هستند و برای دستیابی به نتایج مطلوب باید با نهایت دقت اجرا شوند.

آموزش

الگوریتم‌های یادگیری ماشینی برای انجام وظایف تعیین‌شده خود به آموزش زیادی نیاز دارند. این امر مستلزم جمع آوری مجموعه بزرگی از داده‌ها برای آموزش برنامه‌های کاربردی ترجمه ماشینی در مدیریت عبارات اصطلاحی، برنامه‌های پزشکی در تشخیص بیماری و موتورهای توصیه برای کمک به تصمیم گیری مالی است. علاوه بر این، سیستم‌های هوش مصنوعی (AI) باید برای تعامل با انسان‌ها به مؤثرترین شکل ممکن آموزش ببینند. با اینکه سازمان‌های بخش‌های مختلف هنوز در مراحل اولیه پر کردن موقعیت‌های آموزشی هستند، شرکت‌های برجسته فناوری و گروه‌های تحقیقاتی قبلا کارکنان آموزشی با تجربه استخدام کرده‌اند و دارای تخصص زیادی هستند. این سازمان‌ها به منابع و دانش لازم برای توسعه و ارتقای بیشتر الگوریتم‌های یادگیری ماشینی مجهز هستند که به نوبه خود منجر به کاربردهای کارآمدتر و خلاقانه‌تر در آینده نزدیک خواهد شد. استفاده مداوم از این تکنیک‌های آموزشی، همراه با اجرای فناوری‌های پیشرفته، امکان تکامل و رشد مداوم یادگیری ماشینی را فراهم می‌کند.

دستیار هوش مصنوعی مایکروسافت، کورتانا، با این هدف توسعه داده شد که به آن شخصیتی بدهد که اعتماد، مراقبت و کمک‌رسانی را بدون اینکه رئیس‌وار به نظر برسد، به وجود آورد. دستیابی به این امر مستلزم آموزش و تلاش قابل توجهی از سوی تیمی‌متشکل از یک شاعر، یک رمان‌نویس و یک نمایشنامه‌نویس بود. به طور مشابه، توسعه شخصیت سیری اپل [1] و الکسای آمازون نیز نیازمند مشارکت مربیان انسانی بود که تضمین می‌کردند دستیاران برندهای شرکت مربوطه خود را به دقت نشان دهند. برای مثال، سیری اپل، نشانه‌ایی از جسارت نشان می‌دهد که ممکن است مشتریان از این شرکت انتظار داشته باشند. بدیهی است که توسعه یک دستیار هوش مصنوعی با شخصیتی مرتبط و جذاب برای کاربران نیاز به سرمایه گذاری قابل توجهی در زمان، منابع و تخصص دارد. با این وجود، نتیجه نهایی یک دستیار هوش مصنوعی است که نه تنها کارآمد است، بلکه دارای شخصیت منحصر به فرد و کاملاً مشخصی است.

دستیاران هوش مصنوعی در حال حاضر در حال گذراندن دوره آموزشی هستند تا ویژگی‌های انسانی پیچیده‌تر و ظریف‌تری مانند همدلی را نشان دهند. کوکو، استارت آپی که از آزمایشگاه رسانه MIT شکل می‌گیرد، فناوری نوآورانه‌ای ایجاد کرده است که می‌تواند به دستیاران هوش مصنوعی کمک کند تا دلسوزتر به نظر برسند. به عنوان مثال، اگر یک کاربر روز سختی را سپری می‌کند، سیستم کوکو به سادگی با یک پیام خودکار مانند «از شنیدن آن متاسفم» پاسخ نمی‌دهد. بلکه، ممکن است جزئیات بیشتری را جویا شود و سپس راهنمایی‌هایی را برای کمک به فرد برای مشاهده مشکلات خود از منظر دیگری ارائه دهد. اگر کاربر استرس داشته باشد، کوکو ممکن است پیشنهاد کند که آن استرس را به عنوان یک احساس مثبت ببیند که می‌تواند برای انجام آن کار استفاده شود. این فناوری پتانسیل توسعه انقلابی در شیوه برقراری ارتباط دستیاران هوش مصنوعی با کاربران را دارد، تجربه کاربری را بهبود می‌بخشد و دستیاران را شبیه انسان می‌کند.

تفسیر موضوعات

همزمان با اینکه هوش مصنوعی (AI) بیشتر رواج پیدا می‌کند، به طور فزاینده‌ای بر فرآیندهای غیرشفاف تکیه می‌کند، که درغیراین‌صورت به عنوان مشکل جعبه سیاه شناخته می‌شود. این یک چالش است زیرا متخصصان انسانی را ملزم می‌کند که رفتار هوش مصنوعی را برای افراد غیرمتخصص توضیح دهند. در صنایعی که به تصمیم گیری مبتنی بر شواهد مانند قانون و پزشکی متکی هستند، توضیح دهندگان اهمیت ویژه‌ای پیدا می‌کنند. آنها به افراد دخیل کمک می‌کنند بفهمند هوش مصنوعی چگونه اهمیت ورودی‌ها را برای تصمیم‌گیری‌هایی مانند توصیه‌های پزشکی یا جزایی تعیین می‌کند. هوش مصنوعی قابل توضیح همچنین در صنایعی مانند بیمه و اجرای قانون مهم است، که می‌تواند به درک دلیل اینکه یک اتومبیل خودران تصمیمات خاصی گرفته است که منجر به تصادف می‎شود، مهم است. در صنایع تحت نظارت و صنایعی که با مصرف‎کننده روبرو هستند، که خروجی ماشین‌ها ممکن است به صورت ناعادلانه، غیرقانونی یا نادرست به چالش کشیده شود، توضیح دهندگان اهمیت فزاینده‌ای پیدا می‌کنند. بنابراین، هوش مصنوعی قابل توضیح در حصول اطمینان از اینکه ماشین‌ها هنگام تصمیم‌گیری که می‌تواند تأثیرات قابل توجهی بر افراد و جامعه به‌عنوان یک کل داشته باشد، پاسخگو و شفاف باشند، بسیار مهم است. مقررات عمومی‌حفاظت از داده‌های (GDPR) اتحادیه اروپا (EU) به مصرف کنندگان این امتیاز را داده است که برای هر تصمیمی‌که مبتنی بر الگوریتم است، مانند نرخ پیشنهادی برای وام مسکن یا کارت اعتباری، توضیح درخواست کنند. در این حوزه هوش مصنوعی (AI) نقش مهمی‌در ایجاد فرصت‌های شغلی بیشتر خواهد داشت. به گفته کارشناسان، برآورد می‌شود که سازمان‌ها برای مدیریت الزامات GDPR مجبور به ایجاد حدود 75000 موقعیت شغلی جدید شوند.

پشتیبانی

شرکت‌ها به پرسنلی نیاز دارند که قادر به تفسیر نتایج هوش مصنوعی باشند، و همچنین «پشتیبانی» که به طور مستمر مسئول اطمینان از عملکرد مؤثر، ایمن و آگاهانه سیستم‌های هوش مصنوعی هستند.

پیاده‌سازی هوش مصنوعی این پتانسیل را دارد که ظرفیت تحلیل و تصمیم گیری ما را افزایش دهد و در عین حال پتانسیل خلاقانه ما را نیز تقویت کند.

گروهی از متخصصان که معمولاً به عنوان مهندسان ایمنی شناخته می‌شوند، در طرح ریزی و کاهش آسیب‌های احتمالی ناشی از هوش مصنوعی تخصص دارند. به ویژه، توسعه دهندگان ربات‌های صنعتی که با همکاری انسانها کار می‌کنند، اقدامات دقیقی انجام داده‌اند تا تضمین کنند که این ربات‌ها قادر به تشخیص حضور انسان و اجتناب از هرگونه خطر احتمالی هستند. در شرایطی که هوش مصنوعی باعث آسیب شده است، از جمله در مورد تصادف وسایل نقلیه خودران، این متخصصان ممکن است گزارش‌های توضیح دهندگان را ارزیابی کنند. کارشناسان فوق نقش حیاتی در تضمین ایمنی و امنیت افراد در حضور هوش مصنوعی دارند.

سایر تیم‌های حامی‌اطمینان می‌دهند که استانداردهای اخلاقی توسط سیستم‌های هوش مصنوعی حفظ می‌شوند. در صورت تشخیص اینکه یک سیستم هوش مصنوعی برای تایید اعتبار علیه گروه‌های خاصی از افراد تبعیض آمیز عمل می‌کند، مانند آنچه در گذشته رخ داده است، این مدیران اخلاقی مسئول بررسی و حل مسئله هستند. افسران انطباق داده‌ها، که عملکرد مشابهی دارند، تلاش می‌کنند تضمین کنند که داده‌های استفاده شده در سیستم‌های هوش مصنوعی با GDPR و سایر قوانین حمایت از مصرف کننده مطابقت دارد. موقعیت دیگر استفاده از داده، تضمین این است که هوش مصنوعی اطلاعات را به شیوه مسئولانه مدیریت می‌کند. این افراد همچنین اطمینان حاصل می‌کنند که از داده‌ها به گونه‌ای استفاده می‌شود که با اولویت‌های حریم خصوصی مصرف کنندگان سازگار باشد. طی این تلاش‌ها، سیستم‌های هوش مصنوعی می‌توانند به شیوه اخلاقی‌تر و مسئولانه‌تر عمل کنند.

مانند بسیاری از شرکت‌های فناوری دیگر، اپل از هوش مصنوعی (AI) برای به دست آوردن اطلاعات شخصی مربوط  به کاربران در هنگام تعامل با محصولات و خدمات شرکت استفاده می‌کند. هدف اصلی استفاده از هوش مصنوعی افزایش تجربه کاربر است. با این حال، جمع آوری لجام گسیخته داده‌ها می‌تواند حریم خصوصی را به خطر بیندازد، مشتریان را ناراحت کند و قانون را نقض کند. «تیم حریم خصوصی متمایز» در اپل مسئولیت دارد که اطمینان حاصل کند که ضمن اینکه هوش مصنوعی تلاش می‌کند تا حد ممکن دانش گروهی کاربران را در یک زمینه آماری به دست آورد، همزمان از حریم خصوصی کاربران محافظت می‌کند. تعهد این تیم به حفظ حریم خصوصی کاربران، گواهی بر تعهد اپل برای ارائه تجربه کاربری ایمن و دلپذیر است.

ماشین‌ها به انسان‌ها کمک می‌کنند

ماشین‌های هوشمند به سه روش متمایز به بهبود زندگی بشریت کمک می‌کنند. اولاً، آنها می‌توانند توانایی‌های شناختی ما را تقویت کنند، در نتیجه به ما اجازه می‌دهند به شاهکاری‌هایی دست پیدا کنیم که قبلاً ممکن نبود. دوما، این ماشین‌ها می‌توانند با مشتریان و کارمندان درگیر شوند و ما را برای کارهای پیچیده‌تری که نیاز به مداخله انسانی دارند آزاد کنند. در نهایت، آنها می‌توانند مهارت‌های انسانی را تکرار کنند، در نتیجه توانایی‌های فیزیکی ما را فراتر از آنچه که ما به طور طبیعی قادر به دستیابی هستیم، گسترش می‌دهند.

تقویت موضوعات

هوش مصنوعی این پتانسیل را دارد که با ارائه اطلاعات مربوطه در زمان مناسب، توانایی‌های شناختی و تصمیم گیری ما را افزایش دهد. با این حال، می‌تواند تأثیر مثبتی بر خلاقیت ما نیز داشته باشد. نمونه بارز این موضوع، هوش مصنوعی دریم‌کچر[2]Autodesk  است که توانایی تقویت تخیل طراحان، حتی آن‌هایی که در حال حاضر استثنایی هستند را دارد. هنگام استفاده از دریم‌کچر ((Dreamcatcher، یک طراح می‌تواند معیارهای خاصی را برای محصول مورد نظر ارائه دهد، مانند صندلی که می‌تواند تا 300 پوند را تحمل کند، ارتفاع صندلی 18 اینچی که از موادی ساخته شده است که قیمت آنها کمتر از 75 دلار است و غیره. علاوه بر این، طراح می‌تواند اطلاعاتی در مورد صندلی‌های دیگری که از نظر زیبایی‌شناختی دلپذیر است، ارائه دهد. سپس دریم‌کچر هزاران طرحی را ایجاد می‌کند که با این معیارهای خاص مطابقت دارند، که اغلب باعث ایجاد ایده‌های جدیدی می‌شود که ممکن است طراح در ابتدا در نظر نگرفته باشد. سپس طراح می‌تواند نرم‌افزار را راهنمایی کند و نشان دهد که کدام طرح‌های صندلی را ترجیح می‌دهد و کدام را نه، که منجر به دور جدیدی از طرح‌ها می‌شود. این فرآیند را می‌توان چندین بار تکرار کرد تا زمانی که طرح مورد نظر به دست آید. در نهایت، استفاده از ابزارهای هوش مصنوعی مانند دریم‌کچر می‌تواند منجر به ایجاد طرح‌های خلاقانه و منحصربه‌فرد شود که در غیر این صورت دستیابی به آن‌ها دشوار بود. پتانسیل هوش مصنوعی برای افزایش خلاقیت در زمینه‌های مختلف بسیار زیاد است و انتظار می‌رود استفاده از آن در آینده افزایش یابد.

دریم‌کچر محاسبات متعددی را در طول فرآیند تکراری انجام می‌دهد تا تضمین کند که هر طرح پیشنهادی الزامات تعیین شده را برآورده می‌کند. این امر به طراحان امکان می‌دهد تا بر استفاده از قضاوت حرفه‌ای و حساسیت‌های هنری خود، که ویژگی‌های منحصر به فرد انسانی هستند، تمرکز کنند. در نتیجه، قابلیت‌های دریم‌کچر به طراحان اجازه می‌دهد تا طرح‌هایی تولید کنند که نه تنها کاربردی هستند، بلکه از نظر زیبایی‌شناختی نیز دلپذیر هستند.

تعامل

همکاری انسان و ماشین به شرکت‌ها این فرصت را می‌دهد تا با کارمندان و مشتریان خود به روش‌های خلاقانه و بسیار سازنده درگیر شوند. به عنوان مثال، عوامل هوش مصنوعی مانند کورتانا می‌توانند در برقراری ارتباط بین افراد یا حتی از طرف افراد، مانند رونویسی یک جلسه و به اشتراک گذاری نسخه قابل جستجوی صوتی با افرادی که قادر به شرکت در آن نیستند، کمک کنند. چنین برنامه‌هایی ذاتاً مقیاس پذیر هستند و می‌توان از آنها برای ارائه خدمات معمول مشتری به طور همزمان به تعداد زیادی از مردم، صرف نظر از موقعیت مکانی آنها، استفاده کرد. این امکان را برای کسب‌وکارها فراهم می‌کند که کارآمدتر عمل کنند، در زمان و منابع صرفه‌جویی کنند و به طور همزمان تجربه مشتری را بهبود بخشند.

SEB، یک بانک برجسته سوئدی، اخیرا یک دستیار مجازی به نام آیدا را برای تعامل با میلیون‌ها مشتری ادغام کرده است. آیدا برای مدیریت مکالمات به زبان طبیعی به خوبی مجهز است و به حجم وسیعی از داده‌ها دسترسی دارد و به او امکان می‌دهد به سؤالات متداول، مانند افتتاح حساب یا پرداخت‌های بین مرزی، پاسخ دهد. علاوه بر این، آیدا می‌تواند برای حل مشکلات مشتریان و تجزیه و تحلیل لحن صدای آنها، سؤالات بعدی را بپرسد و از این اطلاعات برای ارائه خدمات بهتر در آینده استفاده کند. آیدا تماس گیرنده را به نماینده خدمات مشتری انسانی منتقل می‌کند در صورتی که سیستم نتواند به نگرانی آنها رسیدگی کند. این امر تقریباً در 30٪ موارد اتفاق می‌افتد. سپس تماس نظارت می‌شود تا نحوه حل مشکلات مشابه در آینده را بیاموزید. با رسیدگی به درخواست‌های اساسی آیدا، نمایندگان انسانی می‌توانند بر حل مسائل پیچیده‌تر تمرکز کنند، به‌ویژه تماس‌گیرندگان ناراضی که ممکن است به کمک بیشتری نیاز داشته باشند. این ادغام آیدا نشان دهنده پیشرفت قابل توجهی در خدمات مشتریان است که SEB را قادر می‌سازد تا کمک‌های سریع و کارآمد را به مشتریان خود ارائه دهد.

تجسم

هوش مصنوعی مانند آیدا و کورتانا در درجه اول به عنوان موجودیت‌های دیجیتال وجود دارد. با این حال، در موارد خاص، هوش در یک ربات گنجانده می‌شود که فرآیندهای کاری انسان را بهبود می‌بخشد. ماشین‌های مجهز به هوش مصنوعی دارای حسگرها، موتورها و محرک‌های پیشرفته هستند و اکنون می‌توانند افراد و همچنین اشیاء را شناسایی کنند و در محیط‌هایی مانند کارخانه‌ها، انبارها و آزمایشگاه‌ها به طور ایمن با انسان‌ها کار کنند. توانایی فناوری هوش مصنوعی برای تکمیل عملکرد انسان و افزایش قابلیت‌های ما، ما را قادر می‌سازد تا به بهره‌وری و کارایی بیشتری در زندگی روزمره خود دست یابیم.

در زمینه تولید، ربات‌ها در حال تبدیل شدن از حالت قبلی خود به عنوان تجهیزات صنعتی احتمالا خطرناک و غیرهوشمند به شکلی هوشمندتر و آگاه به زمینه هستند که به آن «کوبات» می‌گویند. بازوی کوبات ممکن است برای انجام کارهای تکراری که نیاز به فعالیت بدنی قابل توجهی دارند استفاده شود، در حالی که یک کارگر انسانی کارهایی مانند مونتاژ یک موتور دنده را انجام می‌دهد که نیاز به مهارت و قضاوت انسانی دارند.

شرکت هیوندای با گنجاندن اسکلت‌های بیرونی در کارنامه خود، دامنه مفهوم کوبات را گسترش می‌دهد. این دستگاه‌های رباتیک پوشیدنی نوآورانه قابلیت تنظیم با کاربر و محیط را در زمان واقعی دارند. در نتیجه، کارگران صنعتی اکنون توانایی انجام کار خود را با قدرت و استقامت استثنایی فراتر از محدودیت‌های انسانی خواهند داشت.

طراحی مجدد کسب و کار شما

به منظور بهینه سازی کامل پتانسیل هوش مصنوعی، بازسازی عملیات ضروری است. با شناسایی و تعریف یک منطقه عملیاتی که پتانسیل بهبود دارد، می‌توان به این مهم دست یافت. این حوزه می‌تواند یک فرآیند داخلی، مانند تأخیر منابع انسانی در پر کردن پست‌های کارکنان، باشد که مانع پیشرفت شده است. روش دیگر، می‌تواند یک مشکل طولانی مدت باشد که قبلا غیرقابل حل بود، اما اکنون می‌توان با استفاده از هوش مصنوعی، مانند شناسایی واکنش‌های نامطلوب دارویی در جمعیت‌های مختلف بیماران، با آن مقابله کرد. علاوه بر این، چندین تکنیک هوش مصنوعی نوآورانه و تکنیک‌های تحلیلی پیشرفته وجود دارد که می‌تواند مسائلی را که قبلاً پنهان بودند، آشکار کند، اما اکنون می‌توان به طور موثر از طریق راه حل‌های هوش مصنوعی به آنها پرداخت. در اصل، کلید باز کردن تمام مزایای هوش مصنوعی در توانایی طراحی مجدد عملیات با در نظر گرفتن هوش مصنوعی نهفته است.

فاش کردن مشکلات پنهان

دونالد رامسفلد، وزیر دفاع اسبق ایالات متحده، به طور معروف بین سه نوع دانش تمایز قائل شد: «معلومات معلوم»، «ناشناخته‌های شناخته شده» و «ناشناخته‌های ناشناخته». با اینکه مدیریت دو مورد اول نسبتاً آسان است، این دسته سوم است که بزرگترین چالش را ایجاد می‌کند. با این حال، در سال‌های اخیر، برخی از شرکت‌ها استفاده از هوش مصنوعی (AI) را برای کشف این «ناشناخته‌های ناشناخته» در تجارت خود آغاز کرده‌اند. یکی از این شرکت‌ها GNS Healthcare است که از نرم‌افزار یادگیری ماشینی برای شناسایی روابط نادیده گرفته شده بین داده‌ها در پرونده سلامت بیماران و جاهای دیگر استفاده می‌کند. هنگامی‌که یک رابطه شناسایی شد، نرم افزار فرضیه‌های متعددی را برای توضیح آن ایجاد می‌کند و سپس پیشنهاد می‌کند که کدام یک از آنها قابل قبول ترین هستند. این رویکرد GNS را قادر می‌سازد تا یک تداخل دارویی جدید را که قبلاً در یادداشت‌های بدون ساختار بیمار پنهان شده بود، آشکار کند.

به گفته مدیرعامل کالین هیل، این یک مورد ساده داده کاوی برای یافتن ارتباط نیست. در عوض، پلت فرم یادگیری ماشینی GNS طوری طراحی شده است که فراتر از تشخیص الگو و همبستگی باشد و در عوض، بر کشف پیوندهای علّی متمرکز شده است. با انجام این کار، شرکت قادر به ارائه بینش و شناسایی فرصت‌هایی است که در غیر این صورت پنهان می‌ماندند. علاوه بر این، پلت فرم GNS می‌تواند برای پیش بینی اثربخشی درمان‌های مختلف برای بیماران فردی مورد استفاده قرار گیرد، که می‌تواند به پزشکان کمک کند تا تصمیمات آگاهانه تری در مورد مراقبت از خود بگیرند.

یکی از مزایای کلیدی اکتشاف مبتنی بر هوش مصنوعی این است که می‌تواند به شرکت‌ها کمک کند تا مشکلات پیچیده و چند بعدی را که کشف آنها برای انسان دشوار است، هدایت کنند. به عنوان مثال، پلت فرم GNS برای شناسایی علل ریشه ای بیماری‌های مزمن مانند دیابت و بیماری‌های قلبی، که تحت تأثیر طیف گسترده ای از عوامل ژنتیکی، سبک زندگی و محیطی قرار دارند، استفاده شده است. نرم‌افزار GNS با تجزیه و تحلیل مجموعه‌های داده‌های بزرگ و متنوع، می‌تواند مهم‌ترین محرک‌های این شرایط را مشخص کند و به محققان کمک کند تا درمان‌های جدیدی را توسعه دهند که آن عوامل خاص را هدف قرار می‌دهد.

به طور کلی، استفاده از هوش مصنوعی برای کشف «ناشناخته‌های ناشناخته» هنوز در مراحل اولیه است، اما مزایای بالقوه آن بسیار زیاد است. این فناوری‌ها با کمک به شرکت‌ها و محققان در درک مجموعه‌های داده‌های پیچیده و شناسایی الگوها و بینش‌های پنهان، پتانسیل تغییر طیف وسیعی از صنایع و بهبود زندگی میلیون‌ها نفر در سراسر جهان را دارند. همانطور که این فناوری به تکامل و بهبود ادامه می‌دهد، می‌توان انتظار داشت که در سال‌های آینده شاهد پیشرفت‌های هیجان‌انگیزتری باشیم.

شرکت‌ها باید برای ایجاد راه‌حل‌هایی که شامل همکاری با سیستم‌های هوش مصنوعی به منظور بهبود فرآیندهای مختلف است، با ذینفعان همکاری کنند. به عنوان مثال، یک شرکت بزرگ کشاورزی که هدفش استقرار فناوری هوش مصنوعی برای کمک به کشاورزان بود، به مقادیر زیادی داده در مورد ویژگی‌های خاک، الگوهای آب و هوا، برداشت‌های تاریخی و سایر عوامل مرتبط دسترسی داشت. برنامه اولیه این شرکت طراحی یک برنامه کاربردی هوش مصنوعی بود که بازده محصولات آینده را به دقت پیش بینی کند. با این حال، قبل از انجام این کار، لازم بود که سهامداران در تجسم نحوه کار با سیستم هوش مصنوعی برای رسیدن به این هدف مشارکت کنند.

در جریان تعامل با کشاورزان، سازمان نیاز متوجه فوری تری شد. به طور خاص، کشاورزان سکویی را می‌خواستند که بتواند توصیه‌هایی را در زمان واقعی در مورد چگونگی افزایش بهره وری ارائه دهد. چنین توصیه‌هایی طیفی از مسائل را شامل می‌شود، از جمله اینکه چه محصولاتی باید کشت شود، کجا کشت شود و چه مقدار نیتروژن در خاک استفاده شود. در پاسخ به این نیاز، این سازمان یک سیستم هوش مصنوعی ایجاد کرد که می‌تواند چنین توصیه‌هایی را ارائه دهد. نتایج اولیه این ابتکار با ابراز رضایت کشاورزان از بازده محصول با استفاده از مشاوره هوش مصنوعی، دلگرم کننده بود. سپس نتایج این آزمایش اولیه برای بهبود الگوریتم‌های بکار رفته در سیستم ادغام شد. همانند مرحله کشف، هوش مصنوعی و تکنیک‌های تحلیلی جدید می‌توانند از ابتکارات هم‌آفرینی حمایت کنند و پیشنهاداتی برای رویکردهای جدید برای بهبود فرآیندها ارائه دهند.

هنگامی‌که راه حلی پیشنهاد شد، گام اساسی بعدی برای شرکت‌ها، بهبود آن و سپس حفظ آن است. یک مثال عینی را می‌توان در مورد SEB مشاهده کرد که در ابتدا نسخه ای از آیدا را برای کمک به 15000 کارمند بانک خود پیاده سازی کرد. متعاقباً، این شرکت یک چت بات را برای یک میلیون مشتری خود راه اندازی کرد تا دامنه دسترسی خود را بیشتر کند.

از طریق همکاری گسترده با شرکت‌های متعدد، ما بابه طور موفقیت‌آمیز پنج ویژگی کلیدی فرآیندهای تجاری را که اغلب تمرکز تلاش‌های بهبود هستند شناسایی کرده‌ایم: انعطاف‌پذیری، سرعت، مقیاس، تصمیم‌گیری و شخصی‌سازی. هنگام انجام وظیفه بازنگری یک فرآیند تجاری خاص، تعیین اینکه کدام یک از این ویژگی‌ها کانون اصلی تحول مورد نظر است، ضروری است. علاوه بر این، ارزیابی اینکه چگونه می‌توان از همکاری هوشمند برای پرداختن به این حوزه تمرکز استفاده کرد، و شناسایی مجدد ترازها و معاوضه‌های لازم با سایر ویژگی‌های فرآیند بسیار مهم است.

مرسدس بنز بازوهای کوبات را به طور یکپارچه با بدن انسان ادغام می‌کند و به طور موثری به عنوان امتداد بدنه مذکور عمل می‌کند.

انعطاف پذیری

از نظر مدیران مرسدس بنز، فرآیندهای غیرقابل انعطاف یک چالش رو به رشد ایجاد کرد. سودآورترین مشتریان این شرکت به طور فزاینده‌ای خواستار خودروهای سدان کلاس S فردی بودند، اما سیستم‌های مونتاژ خودروساز نمی‌توانست سفارشی‌سازی مورد نظر مردم را ارائه دهد.

در گذشته، ساخت خودروها فرآیندی سفت و سخت و غیرقابل انعطاف بوده است که شامل استفاده از مراحل خودکار انجام شده توسط روبات‌های «گنگ» بوده است. با این حال، به منظور افزایش انعطاف‌پذیری، مرسدس بنز تصمیم گرفته است تا برخی از این ربات‌ها را با ربات‌های مجهز به هوش مصنوعی جایگزین کند و فرآیندهای خود را برای تمرکز بر همکاری‌های انسان و ماشین دوباره طراحی کرده است. در کارخانه این شرکت واقع در نزدیکی اشتوتگارت، آلمان، بازوهای کوبات که توسط کارگران انسانی هدایت می‌شوند، اکنون مسئول برداشتن و قرار دادن قطعات سنگین هستند و عملاً تبدیل به امتداد بدن کارگر می‌شوند. این سیستم خاص به کارگر قدرت می‌دهد تا کنترل ساخت هر وسیله نقلیه را در دست بگیرد، که مستلزم کار دستی کمابیش مشابه کار «خلبانی» با ربات است. در اصل، همکاری بین انسان و ماشین منجر به یک فرآیند تولید خودرو کارآمدتر و انعطاف‌پذیرتر شده است که با پیشرفت‌های تکنولوژی امروزی مطابقت دارد. مرسدس با استفاده از ربات‌های مجهز به هوش مصنوعی، استانداردی در صنعت تعیین کرده است که سایر خودروسازان بدون شک از آن پیروی خواهند کرد.

سازگاری تیم‌های انسان و ماشین به کار گرفته شده توسط این شرکت قابل توجه است. کوبات‌های موجود در کارخانه تولید را می‌توان به راحتی با استفاده از یک تبلت دوباره برنامه ریزی کرد و این به آنها اجازه می‌دهد تا وظایف مختلفی را بسته به تغییرات در جریان کار انجام دهند. این سطح از چابک‌سازی در کمک به تولید کننده برای دستیابی به سطوح بی‌سابقه‌ای از سفارشی سازی بسیار مفید بوده است. به عنوان مثال، مرسدس می‌تواند تولید خودرو را بر اساس انتخاب‌های بلادرنگ مصرف کنندگان در نمایندگی‌ها شخصی سازی کند. این سفارشی‌سازی می‌تواند به کوچک‌ترین جزئیات مانند اجزای داشبورد، چرم صندلی و درپوش سوپاپ‌های لاستیک گسترش یابد، به این معنی که هیچ دو خودرویی که در کارخانه اشتوتگارت تولید می‌شوند یکسان نیستند. استفاده این شرکت از فناوری، فرآیند تولید را متحول کرده است و گواهی بر مزایایی است که می‌توان از ادغام موثر نیروی انسانی و ماشینی به دست آورد.

تقویت عملکرد

در صنایع مختلف، هوش مصنوعی و انسان در سازمان‌های مختلف با هم کار می‌کنند.

سرعت

در برخی از شیوه‌های تجاری، تأکید بر مصلحت است. یکی از این روش‌ها به شناسایی موارد فریبکاری کارت اعتباری مربوط می‌شود. شرکت‌ها برای تشخیص اینکه آیا باید معامله خاصی را مجاز کنند یا نه، محدود به چند ثانیه هستند. در صورتی که تشخیص داده شود که کلاهبرداری است، شرکت احتمالاً باید زیان مربوطه را جبران کند. با این حال، اگر آنها یک معامله قانونی را رد کنند، کارمزد آن فروش را از دست می‌دهند و به طور بالقوه مشتری را بیگانه می‌کنند. در نتیجه، داشتن سیستمی‌که بتواند به سرعت بین فعالیت قانونی و متقلبانه کارت اعتباری تمایز قائل شود، ضروری است.

HSBC، در میان سایر بانک‌های بزرگ، راه حل مبتنی بر هوش مصنوعی را توسعه داده است که سرعت و دقت تشخیص تقلب را افزایش می‌کند. هوش مصنوعی با بررسی دقیق میلیون‌ها تراکنش هر روز، داده‌های مربوط به مکان خرید، رفتار مشتری، آدرس‌های IP و سایر عوامل مرتبط را تجزیه و تحلیل می‌کند تا هر گونه الگوی ظریفی را که ممکن است نشان‌دهنده کلاهبرداری احتمالی باشد، شناسایی کند. این سیستم که در ابتدا در ایالات متحده پیاده سازی شد، ثابت کرد که در کاهش وقوع تقلب‌های کشف نشده و موارد مثبت کاذب بسیار موثر است. پس از این موفقیت، HSBC این سیستم را در سراسر بریتانیا و آسیا معرفی کرد. به همین ترتیب، Danske Bank همچنین یک سیستم هوش مصنوعی متمایز را پیاده سازی کرده است که به طور قابل توجهی نرخ کشف کلاهبرداری خود را تا 50٪ بهبود بخشیده و موارد مثبت کاذب را تا 60٪ کاهش داده است. کاهش تعداد موارد مثبت کاذب، محققان را قادر می‌سازد تا توجه خود را بر روی تراکنش‌هایی متمرکز کنند که توسط هوش مصنوعی علامت‌گذاری شده‌اند و به دلیل شرایط مبهم نیاز به قضاوت انسانی دارند. به طور کلی، این سیستم‌های مجهز به هوش مصنوعی در ساده‌سازی فرآیند کشف تقلب و کاهش اثرات نامطلوب آن مؤثر بوده‌اند.

مبارزه با کلاهبرداری مالی را می‌توان به یک مسابقه تسلیحاتی در حال انجام تشبیه کرد، زیرا روش‌های شناسایی بهبودیافته مجرمان را به ابداع تاکتیک‌های پیچیده تر وادار می‌کند و نیاز به پیشرفت بیشتر در قابلیت‌های کشف دارد. این چرخه ثابت ایجاب می‌کند که الگوریتم‌ها و مدل‌های امتیازدهی مورد استفاده در مبارزه با تقلب، طول عمر بسیار کوتاهی داشته باشند و به به‌روزرسانی‌های معمولی نیاز داشته باشند. علاوه بر این، کشورها و مناطق مختلف مدل‌های متفاوتی را اتخاذ می‌کنند که وضعیت را پیچیده‌تر می‌کند. در نتیجه، ارتش بزرگی از تحلیلگران داده، متخصصان فناوری اطلاعات و کارشناسان کلاهبرداری مالی در تقاطع انسان‌ها و ماشین‌ها ضرورت دارد تا اطمینان حاصل شود که نرم افزار یک قدم جلوتر از مجرمان باقی می‌ماند. تنها طی تلاش‌های خستگی‌ناپذیر این متخصصان می‌توان امیدوار بود که از تهدید رو به رشد کلاهبرداری مالی پیشی بگیریم و از رفاه مالی افراد و سازمان‌ها در سراسر جهان محافظت کنیم.

مقیاس

مقیاس‌پذیری ضعیف اغلب می‌تواند مانع بزرگی برای بهبود فرآیندهای مختلف کسب‌وکار باشد، به‌ویژه مواردی که به شدت به نیروی انسانی با کمک ماشینی بسیار کم متکی هستند. به عنوان مثال، فرآیند استخدام کارمند در شرکت یونیلور، غول کالاهای مصرفی با 170000 نیروی کار، را در نظر بگیرید. بخش منابع انسانی نیاز به تنوع بخشیدن به نیروی کار را با تمرکز بر استخدام‌های سطح ابتدایی و سپس ارتقاء بهترین عملکردها به سمت‌های مدیریتی شناسایی کرد. با این حال، فرآیندهای موجود شرکت قادر به ارزیابی مؤثر تعداد زیادی از کاندیداهای بالقوه نبود در حالی که همچنان توجه هر یک را به صورت جداگانه جلب می‌کند. در نتیجه، این شرکت در تلاش بود تا مجموعه‌ای از استعدادهای استثنایی را جذب کند.

این یک مشکل رایج برای شرکت‌هایی است که به شدت به فرآیندهای دستی متکی هستند، زیرا اینها اغلب برای مقیاس‌بندی کارآمد تلاش می‌کنند. در دنیای تجاری پرشتاب امروزی، سازمان‌ها باید بتوانند به سرعت و به طور موثر نامزدهای بالقوه را ارزیابی کنند تا بتوانند در رقابت باقی بمانند. این امر مستلزم اجرای فرآیندهای خودکارتر و کارآمدتر است که بتواند حجم بیشتری از نامزدها را بدون به خطر انداختن کیفیت ارزیابی اداره کند. با انجام این کار، شرکت‌ها می‌توانند اطمینان حاصل کنند که استعدادهای برتر را جذب و حفظ می‌کنند، که برای موفقیت بلندمدت ضروری است.

خوشبختانه، بسیاری از شرکت‌ها شروع به درک اهمیت اتوماسیون در فرآیندهای استخدام خود کرده‌اند. این شرکت‌ها با بهره‌گیری از فناوری‌های پیشرفته مانند یادگیری ماشینی و هوش مصنوعی، می‌توانند بسیاری از کارهای خسته‌کننده‌تر مربوط به استخدام را خودکار کنند و پرسنل منابع انسانی را برای تمرکز بر فعالیت‌های راهبردی‌تر آزاد بگذارند. این نه تنها کارایی فرآیند استخدام را بهبود می‌بخشد، بلکه تجربه نامزد شغلی را نیز افزایش می‌دهد، که برای ایجاد یک برند کارفرمای قوی بسیار مهم است. در نهایت، با سرمایه‌گذاری در فرآیندهای استخدام خودکار مقیاس‌پذیر، شرکت‌ها می‌توانند خود را برای موفقیت بلندمدت در یک چشم‌انداز تجاری رقابتی فزاینده قرار دهند.

یونیلور با موفقیت هوش مصنوعی (AI) را با قابلیت‌های انسانی ادغام کرده است تا فرآیند استخدام را ساده کند. در دور اولیه فرآیند درخواست، از نامزدها خواسته می‌شود در بازی‌های آنلاینی شرکت کنند که ریسک‌گریزی آنها و سایر ویژگی‌هایی را که برای موقعیت خاص مهم هستند، ارزیابی می‌کند. این بازی‌ها هیچ پاسخ درست یا غلطی ندارند، اما نتایج آنها به هوش مصنوعی یونیلور در شناسایی افرادی که برای این کار مناسب هستند کمک می‌کند. در دور بعدی، متقاضیان باید ویدئویی را ارسال کنند که در آن به سوالات متناسب با موقعیت مورد علاقه خود پاسخ دهند. هوش مصنوعی نه تنها پاسخ‌های آنها را ارزیابی می‌کند، بلکه زبان بدن و لحن آنها را نیز در نظر می‌گیرد. سپس هوش مصنوعی نامزدهای برتر را برای مصاحبه حضوری در یونیلور انتخاب می‌کند. در نهایت، تیم استخدام انسانی تصمیمات نهایی استخدام را می‌گیرد. این رویکرد ترکیبی یونیلور را قادر می‌سازد تا ضمن صرفه جویی در زمان و منابع، بهترین نامزدها را شناسایی کند.

اثربخشی فرآیند جدید استخدام از نظر تولید کارکنان با کیفیت بهتر در این مقطع زمانی قابل تعیین نیست. این شرکت به‌طور مجدانه عملکرد استخدام‌های جدید را زیر نظر گرفته است، اما هنوز اطلاعات بیشتری برای ارزیابی دقیق مورد نیاز است. با این وجود، بدیهی است که سیستم جدید به طور قابل توجهی دامنه تلاش‌های استخدام یونیلیور را گسترش داده است. این تا حدودی به دلیل دسترسی آسان این سیستم از طریق تلفن‌های هوشمند است که منجر به دو برابر شدن تعداد متقاضیان به 30000 نفر در مدت یک سال شده است. علاوه بر این، تعداد دانشگاه‌های نماینده از 840 به 2600 دانشگاه افزایش یافته است و تنوع اجتماعی-اقتصادی استخدام‌های جدید نیز بهتر شده است. علاوه بر این، میانگین زمان صرف شده برای تصمیم گیری استخدام از چهار ماه به تنها چهار هفته کاهش یافته است و مدت زمانی که استخدام کنندگان صرف بررسی درخواست‌ها می‌کنند تا 75 درصد کاهش یافته است.

تصمیم گیری

هوش مصنوعی این پتانسیل را دارد که مهارت‌های تصمیم گیری کارمندان را با ارائه اطلاعات شخصی و راهنمایی افزایش دهد که می‌تواند بسیار سودمند باشد. این فناوری می‌تواند به ویژه برای کارکنانی که در موقعیت‌های عملیاتی کار می‌کنند مفید باشد، جایی که دقت تصمیم‌گیری‌ها می‌تواند به طور قابل‌توجهی بر نتایج سازمانی تأثیر بگذارد. با استفاده از هوش مصنوعی، کارمندان می‌توانند به مجموعه‌ای از ابزارهای مناسب برای تصمیم‌گیری آگاهانه‌تر و همسو با اهداف و ارزش‌های شرکت مجهز شوند.

استفاده از دوقلوهای دیجیتال، که نمایش مجازی تجهیزات فیزیکی هستند، تعمیر و نگهداری تجهیزات را بسیار بهبود بخشیده است. به عنوان مثال، جنرال الکتریک مدل‌های نرم افزاری توربین‌ها و سایر محصولات صنعتی خود را توسعه داده است و دائماً آنها را با داده‌های عملیاتی که از تجهیزات پخش می‌شود به روز می‌کند. این شرکت را قادر می‌سازد تا حجم وسیعی از اطلاعات را در مورد عملکرد عادی و غیرعادی با جمع آوری اطلاعات از ماشین‌های متعدد در این زمینه جمع آوری کند. نرم افزار پردیکس ((Predix جنرال الکتریک با استفاده از الگوریتم‌های یادگیری ماشینی می‌تواند خرابی قطعات خاص در ماشین‌های جداگانه را پیش‌بینی کند. این فناوری شیوه نگهداری تجهیزات را متحول کرده است و امکان تعمیر و نگهداری پیش بینی را فراهم می‌کند که می‌تواند از خرابی تجهیزات جلوگیری کند و زمان خرابی را کاهش دهد. استفاده از دوقلوهای دیجیتال به وضوح پتانسیل عظیم آنها را برای بهینه سازی فرآیندهای صنعتی و کاهش هزینه‌ها نشان داده است.

استفاده از این نوآوری تحولی اساسی در فرآیند تصمیم گیری که برای نگهداری تجهیزات صنعتی مورد نیاز است، ایجاد کرده است. به عنوان مثال، پردیکس قادر به تشخیص هرگونه سایش و پارگی غیرمنتظره روتور است که ممکن است در یک توربین وجود داشته باشد. همچنین می‌تواند تاریخچه عملیاتی توربین را تجزیه و تحلیل کند، مشخص کند که آسیب‌ها در طول چند ماه گذشته چهار برابر شده است و به طرف‌های مربوطه هشدار می‌دهد که در صورت عدم اقدام روتور ممکن است تا 70 درصد از عمر مفید خود را از دست بدهد. علاوه بر این، این سیستم می‌تواند توصیه‌هایی را در مورد اقدامات مناسب بر اساس وضعیت فعلی ماشین، محیط عملیاتی، و سایر داده‌های جمع‌آوری شده در مورد آسیب‌های مشابه و تعمیرات سایر ماشین‌ها انجام دهد. علاوه بر این، پردیکس می‌تواند اطلاعاتی در مورد هزینه‌های مرتبط و منافع مالی توصیه‌های خود تولید کند و همچنین سطح اطمینان 95 درصدرا برای مفروضات مورد استفاده در تجزیه و تحلیل خود ارائه دهد. تمامی‌ این ویژگی‌ها پردیکس را به ابزاری ارزشمند برای نگهداری تجهیزات صنعتی تبدیل می‌کند.

به لطف پردیکس، کارکنان تعمیر و نگهداری اکنون می‌توانند آسیب روتور را در مراحل اولیه تشخیص دهند، که در غیر این صورت در طول بازرسی‌های تعمیر و نگهداری معمولی مورد توجه قرار نمی‌گرفت. بدون چنین تشخیص زودهنگام، روتورها از کار می‌افتادند و منجر به خاموش شدن پرهزینه می‌شد. با استفاده از پردیکس، پرسنل تعمیر و نگهداری اکنون از مشکلات احتمالی قبل از بدتر شدن مطلع می‌شوند و به اطلاعات لازم برای تصمیم گیری آگاهانه دسترسی دارند که می‌تواند میلیون‌ها دلار در جنرال الکتریک صرفه جویی کند. در نتیجه، پردیکس بدون شک ثابت کرده است که دارایی ارزشمندی برای مدیریت نگهداری و عملیات جنرال الکتریک است.

شخصی سازی

ارائه تجارب برند شخصی و سفارشی به مشتریان همیشه هدف نهایی بازاریابی بوده است. با این حال، با فناوری در حال تکامل، به ویژه با هوش مصنوعی، سطح شخصی سازی به قله‌های جدیدی رسیده است که قبلا غیرقابل تصور بود. یک مثال عالی از این موضوع در سرویس پخش موسیقی پاندورا ((Pandora نهفته است که از الگوریتم‌های هوش مصنوعی برای تولید لیست‌های پخش شخصی شده برای میلیون‌ها کاربر بر اساس ترجیحات آنها در آهنگ‌ها، هنرمندان و ژانرها استفاده می‌کند. نمونه دیگر استارباکس (Starbucks) است که از هوش مصنوعی برای شناسایی دستگاه‌های تلفن همراه مشتریان، دسترسی به تاریخچه سفارش آنها و ارائه توصیه‌های شخصی به باریستاها استفاده می‌کند. این فناوری مبتنی بر هوش مصنوعی در حال بررسی و پردازش حجم وسیعی از داده‌ها برای ارائه پیشنهادات یا اقدامات خاص است، در حالی که عنصر انسانی شهود و قضاوت هنوز در تصمیم‌گیری نهایی یا انتخاب بهترین گزینه از میان مجموعه‌ای از انتخاب‌ها حیاتی است. به طور خلاصه، هوش مصنوعی با ارائه سطحی از شخصی سازی که زمانی دستیابی به آن غیرممکن بود، حوزه بازاریابی را متحول کرده است و برندها را تشویق کرده است تا بر ارائه یک تجربه منحصر به فرد و فردی به مشتریان خود تمرکز کنند.

استفاده از هوش مصنوعی توسط شرکت Carnival Corporation برای سفارشی کردن تجربه سفر دریایی برای میلیون‌ها مسافر از طریق یک دستگاه پوشیدنی به نام Ocean Medallion و شبکه‌ای که اتصال دستگاه‌های هوشمند را ممکن می‌سازد، تسهیل می‌شود. داده‌هایی که از مدال و از حسگرها و سیستم‌ها در سرتاسر کشتی جریان می‌یابند، به‌طور پویا توسط یادگیری ماشینی پردازش می‌شوند تا به مهمانان کمک کند تا بهترین بهره را از تعطیلات خود ببرند. این مدال فرآیند بارگیری و تخلیه بار را ساده می‌کند، فعالیت‌های مهمانان را ردیابی می‌کند، خرید را با اتصال کارت اعتباری آنها به دستگاه ساده می‌کند، به عنوان کلید اتاق عمل می‌کند و همچنین به سیستمی‌متصل می‌شود که اولویت‌های مهمانان را پیش بینی می‌کند و به اعضای خدمه امکان می‌دهد خدمات شخصی را به آنها ارائه دهند. هر مهمان با پیشنهاد برنامه‌های سفر متناسب با فعالیت‌ها و تجربه‌های غذاخوری مواجه است. با استفاده از هوش مصنوعی، میهمانان اکنون می‌توانند سطح بی نظیری از راحتی و آسایش را تجربه کنند که تجربه کلی تعطیلات آنها را بیشتر می‌کند و در نتیجه رضایت و وفاداری مشتریان را افزایش می‌دهد. این استفاده نوآورانه از فناوری یک تغییر دهنده بازی در صنعت سفر دریایی است و نقشه راهی را برای دیگران فراهم می‌کند تا از لحاظ استفاده از هوش مصنوعی برای شخصی‌سازی تجربه مشتری دنبال کنند.

تقاضا برای موقعیت‌های شغلی جدید و افراد ماهر در نیروی کار امروزی بسیار مهم است.

تجسم مجدد یک فرآیند تجاری فراتر از یکپارچه سازی فناوری هوش مصنوعی است. این امر مستلزم اختصاص توجه زیادی برای پرورش کارکنان با آنچه ما «مهارت‌های تلفیقی» می‌نامیم – توانایی‌هایی که آنها را قادر می‌سازد به طور موثر در اتصال انسان و ماشین عمل کنند، دارد. در ابتدا، افراد باید بدانند که چگونه مسئولیت‌ها را به فناوری جدید محول کنند، مانند زمانی که پزشکان برای کمک به آنها در تفسیر اشعه ایکس و MRI به رایانه‌ها تکیه می‌کنند. علاوه بر این، کارکنان باید آگاه باشند که چگونه استعدادهای انسانی منحصر به فرد خود را با استعدادهای یک ماشین هوشمند ترکیب کنند تا به نتیجه ای بهتر از آنچه که هر کدام به تنهایی می‌توانند تولید کنند، برسند، همانطور که در جراحی با کمک ربات مشاهده می‌شود. کارمندان باید توانایی آموزش مهارت‌های جدید به عوامل هوشمند و دریافت آموزش برای عملکرد مؤثر در فرآیندهای تقویت‌شده هوش مصنوعی را داشته باشند. همه این توانایی‌ها اجزای حیاتی مهارت‌های تلفیقی هستند که برای اجرای موفقیت‌آمیز فناوری هوش مصنوعی در یک فرآیند تجاری لازم است.

برای به دست آوردن مؤثر اطلاعات مورد نیاز از یک عامل هوش مصنوعی، افراد باید در مورد مناسب ترین راه برای پرسیدن سؤالات دانش داشته باشند. علاوه بر این، برای شرکت‌ها بسیار مهم است که کارمندان اختصاصی داشته باشند، مانند آن‌هایی که متعلق به تیم حریم خصوصی متفاوت اپل هستند، که مسئول اطمینان از استفاده اخلاقی و قانونی از سیستم‌های هوش مصنوعی خود هستند. با در نظر گرفتن این اقدامات، سازمان‌ها می‌توانند تضمین کنند که استفاده از فناوری هوش مصنوعی با ارزش‌های آنها مطابقت دارد و به شیوه مسئولیت‌پذیرانه اجتماعی انجام می‌شود.

در سال‌های پیش رو، ما پیش‌بینی می‌کنیم که در نحوه ساختار شرکت‌ها نقش‌هایشان با تمرکز بر نتایج مطلوب فرآیندهای تجدیدنظر شده، تحول ایجاد شود. به جای عناوین شغلی سنتی و غیرقابل انعطاف، تغییری به سمت سازماندهی شرکت‌ها بر اساس مجموعه مهارت‌های مختلف صورت خواهد گرفت. شرکت AT&T در حال حاضر گام‌هایی در این راستا برداشته است، زیرا از خدمات تلفن ثابت به شبکه‌های تلفن همراه انتقال می‌یابد و تلاش می‌کند 100000 کارمند را برای موقعیت‌های جدید بازآموزی کند. به عنوان بخشی از این ابتکار، شرکت چارت سازمانی خود را با ساده‌سازی حدود 2000 عنوان شغلی در تعداد کمتری از دسته‌های گسترده‌تر که مهارت‌های مشابه را در بر می‌گیرد، بازنگری کرده است. برخی از این مهارت‌ها مانند مهارت در علم داده و بحث داده‌ها قابل پیش‌بینی‌تر هستند، در حالی که برخی دیگر، مانند توانایی استفاده از ابزارهای یادگیری ماشینی ساده برای فروش متقابل خدمات، چندان آشکار نیست. این تجدید ساختار به شرکت‌ها را کمک می‌کند تا زیرک تر و سازگارتر باشند و نیازهای روزافزون چشم انداز کسب و کار مدرن را تامین کنند.

نتیجه‌گیری

بیشتر عملیاتی که شامل تعامل انسان و ماشین است، افراد را ملزم به انجام وظایف جدید و متمایز می‌کند، مانند مربیگری یک ربات چت، و انجام وظایف به شیوه‌ای متفاوت، مانند استفاده از آن چت بات برای ارائه خدمات برتر به مشتریان. با این وجود، ما تنها چند شرکت را در نظرسنجی‌های تحقیقاتی خود مشاهده کرده‌ایم که شروع به تجسم مجدد فرآیندهای تجاری خود برای بهینه‌سازی هوش مشترک کرده‌اند. نکته اولیه کاملاً مشهود است: شرکت‌هایی که از ماشین‌ها صرفاً برای جایگزینی کارکنان از طریق اتوماسیون استفاده می‌کنند، در استفاده از پتانسیل کامل هوش مصنوعی شکست خواهند خورد. چنین راهبردی اساساً ناقص است. رهبران آینده کسانی خواهند بود که هوش مشارکتی را از صمیم قلب پذیرفته و عملیات، بازارها، صنایع، و مهمتر از همه، نیروی کار خود را بهتر کنند.

نسخه دیگری از این نوشته در شماره ژوئیه و آگوست 2018 (ص 114-123) مجله بررسی معتبر کسب و کار‌هاروارد ارائه شده است.

1- اچ. جیمز ویلسون دارای سمت مدیر جهانی مدیریت فکری و تحقیقات فناوری در شرکت ACCENTURE و مولف چندین کتاب، از جمله «انسان رادیکال: فناوری جدید چگونه کسب و کار و آینده ما را شکل می‌دهد» (انتشارات تجاری هاروارد، 2022) و «انسان + ماشین: تصور مجدد کار در عصر هوش مصنوعی» (انتشارات تجاری هاروارد، 2018) است.

2- پل دافرتی مدیر اجرایی گروه – فناوری و CTO در شرکت ACCENTURE است و همچنین کتاب‌های فوق الذکر را تالیف کرده است. این انتشارات به دلیل تجزیه و تحلیل هوشمندانه آنها از فناوری و تحول کسب و کار بسیار مورد تحسین قرار گرفته اند. ویلسون و دافرتی هر دو در زمینه‌های خود متخصصان شناخته شده هستند، و تجربه و دانش گسترده آنها باعث شده است که سخنرانان و مشاوران  معروفی باشند. مشارکت آنها در زمینه تحقیقات فناوری و نوآوری چشمگیر و تأثیرگذار بوده است، و آنها همچنان به الهام بخشیدن و آموزش نسل بعدی رهبران فکری ادامه می‌دهند.

[1] سیری یکی از دستیارهای مجازی اپل برای دستگاه‌های iOS، macOS، tvOS و watchOS است که از تشخیص صدا استفاده می‌کند و توسط هوش مصنوعی (AI) پشتیبانی می‌شود.

[2] دریم‌کچر یک نرم‌افزار طراحی سه‌بعدی مبتنی بر ابر است که به طراحان امکان بهینه‌سازی برنامه‌ریزی شده طرح‌های CAD سه‌بعدی را می‌دهد.