هوش مبتنی بر همکاری: انسان‌ها و هوش مصنوعی به یکدیگر می‌پیوندند

نویسندگان: پل داهرتی, جیمز ویلسون

هوش مصنوعی در بسیاری از مشاغل «انسانی» – تشخیص بیماری، ترجمه‌ی زبان‌ها، ارائه خدمات مشتریان – به مهارت رسیده و به‌سرعت بهبود می‌یابد. طبیعتا این پیشرفت ترس را در دل افراد می‌اندازد که در نهایت هوش مصنوعی جایگزین نیروی انسانی در سرتاسر بخش‌های اقتصاد شود. اما چنین چیزی حتمی یا حتی محتمل نیست. پیش از این هیچ‌گاه ابزارهای دیجیتالی تا این حد به ما پاسخگو نبودند و ما هم به آن ابزارها پاسخگو نبودیم. اگرچه هوش مصنوعی موجب تحول در نحوه‌ی انجام امور و کنندگان کار می‌شود، اما تاثیر بزرگ‌تر فناوری در تکمیل و تقویت توانمندی‌های انسانی است، نه اینکه بخواهد جایگزین آن‌ها شود.

 


خلاصه مقاله انسان و هوش مصنوعی

دورنما

هوش مصنوعی در حال متحول کردن کسب‌وکار است – و با تقویت نیروی کار انسانی، بیشترین تاثیر را خواهد گذاشت نه اینکه بخواهد جایگزین آن‌ها شود.

 

جزئیات

کمپانی‌ها بزرگ‌ترین عواید عملکردی را در زمانی مشاهده می‌کنند که انسان‌ها و دستگاه‌های هوشمند با یکدیگر همکاری کنند. افراد باید دستگاه‌ها را تعلیم دهند، خروجی‌هایشان را تفسیر کنند و بهره‌برداری مسئولانه از آن‌ها را تضمین نمایند. از آن‌سو، هوش مصنوعی می‌تواند مهارت‌های شناختی و خلاقیت انسان‌ها را ارتقا دهد، بار اجرای وظایف رده‌پایین را از روی دوش کارگران بردارد و توانمندی‌های فیزیکی‌شان را گسترش دهد.

 

تجویز

کمپانی‌ها باید پروسه‌های کسب‌وکارشان را مورد تجدیدنظر قرار دهند و از هوش مصنوعی برای دستیابی به انعطاف‌پذیری یا سرعت عملیاتی، مقیاس بزرگ‌تر، تصمیم‌گیری بهتر یا افزایش شخصی‌سازی محصولات و خدمات بهره بگیرند.


 

انشان و ماشین در عصر هوش مصنوعی و یادگیری ماشینی

قطعا بسیاری از کمپانی‌ها از هوش مصنوعی برای اتوماسیون پروسه‌ها بهره گرفته‌اند، اما آن‌هایی که از هوش مصنوعی برای جایگزینی نیروی کار بهره می‌گیرند، صرفا عواید کوتاه‌مدتی را مشاهده خواهند کرد. در تحقیقی بر روی ۱۵۰۰ کمپانی، مشاهده کردیم که بیشترین بهبود بازده عملکرد شرکت‌ها در زمانی رخ می‌دهد که هوش مصنوعی و انسان با یکدیگر کار کنند (بخش «ارزش همکاری» را مشاهده کنید). انسان‌ها و هوش مصنوعی می‌توانند از طریق تشریک توانایی‌ها، نقاط قوت یکدیگر را ارتقا دهند: رهبری، کار گروهی، خلاقیت و مهارت‌‎های اجتماعی انسان‌ها و سرعت، عمل‌پذیری و توانمندی‌های کمّیِ هوش مصنوعی. امکان دارد ماشین برای اجرای مسائل طبیعی انسان (نظیر شوخی کردن) به مهارت نیاز داشته باشد و آنچه برای ماشین‌ها سرراست و ساده است (تحلیل چندین گیگابایت داده)، برای انسان‌ها غیرممکن باقی بماند. کسب‌وکارها به هر دو نوع توانمندی نیاز دارند. به‌منظور بهره‌برداری کامل از این همکاری، کمپانی‌ها باید بهینه‌‎ترین نحوه‌ی تحول ماشین‌ها توسط انسان‌، بهترین نحوه‌‎ی بارورسازی پتانسیل انسان‌ها توسط ماشین‌ها و نحوه‌ی تجدیدنظر پروسه‌های کسب‌وکار برای پشتیبانی از این همکاری را بلد باشند. با توجه به تحقیقات و مطالعات ما در این حوزه، دستورالعمل‌هایی را توسعه داده‌ایم که به کمپانی‌ها برای دسترسی به این اهداف یاری می‌رسانند و قدرت هوش مبتنی بر همکاریِ این دو را به کار می‌گیرند.

 

کمک انسان‌ها به ‌ماشین‌ها

انسان‌ها باید سه مسئولیت اساسی را انجام دهند. آن‌ها باید ماشین‌ها را برای اجرای برخی وظایف خاص تعلیم دهند؛ خروجی آن وظایف را توضیح دهند، علی‌الخصوص وقتی نتایج حاصله بر خلاف منطق یا بحث‌برانگیزند؛ و کاری کنند بهره‌برداری مسئولانه از ماشین‌ها تداوم یابد (مثلا نگذارند روبات‌ها به انسان‌ها آسیب بزنند).

آموزش: الگوریتم‌های یادگیری ماشینی باید آموزش ببینند تا همان کاری را که از آن‌ها خواسته شده انجام دهند. در این راستا، مجموعه‌ی عظیمی از داده‌های آموزشی جمع می‌شوند تا نحوه‌ی بررسی اصطلاحات و کنایه‌ها به اپ‌های ترجمه‌ی خودکار، نحوه‌ی تشخیص بیماری به اپ‌های پزشکی و پشتیبانی از تصمیمات مالی را به سیستم‌های توصیه‌گر بیاموزند. همچنین سیستم‌های هوش مصنوعی باید بهترین شکل تعامل با انسان‌ها را یاد بگیرند. درحالی‌که بخش‌های مختلف سازمان‌ها هم‎اکنون در مراحل اولیه‌ی ایفای مسئولیت‌هایشان قرار دارند، کمپانی‌های فناوری پیشرو و گروه‌های تحقیقاتی، پرسنل کاملا آموزش‌دیده و تخصص‌های لازم برای این همکاری را فراهم کرده‌اند.

کورتانا که دستیار هوش مصنوعی مایکروسافت است را در نظر بگیرید. این ربات برای توسعه‌ی شخصیت صحیح، به آموزش‌های فراوانی نیاز دارد: این ربات باید مطمئن، مراقب، مفید و به دور از هرگونه ارباب‌منشی باشد. به همین ترتیب، برای توسعه‌ی شخصیت سیری از اپل و الکسا از آمازون، به مربی انسانی نیاز داریم تا تضمین کند که این دستیاران هوش مصنوعی به‌خوبی برندهای کمپانی‌شان را منعکس می‌کنند.

 

همکاری انسان-ماشین، کمپانی‌ها را قادر می‌سازد که به شیوه‌های نوین و موثرتری با کارکنان و مشتریان ارتباط برقرار کنند.

 

هم‌اکنون دستیاران هوش مصنوعی آموزش می‌بینند تا خصایص انسانی پیچیده‌تر و ظریف‌تری همچون همدردی را از خود نشان دهند.

استارتاپ کوکو که یکی از شاخه‌های «آزمایشگاه رسانه‌ی ام‌آی‌تی» است، تکنولوژی خاصی را توسعه داده که می‌تواند به ابراز حس همدردی در دستیارهای هوش مصنوعی یاری برساند. مثلا اگر کاربر روز بدی را گذرانده باشد، سیستم کوکو یک پاسخ خشک و عصاقورت‌داده مثل «متاسفم که این موضوع را می‌شنوم» نمی‌دهد. در عوض امکان دارد سوالات بیشتری از شما بپرسد و سپس توصیه‌هایی را برای کمک ارائه کند تا شخص به‌گونه‌ای متفاوت به مشکلاتش بنگرد. مثلا اگر فرد استرس داشته باشد، کوکو می‌تواند حس مثبتی برای این استرس ایجاد کند و بگوید که برای اقدام صحیح، باید مقداری استرس داشته باشید.

توضیح: ازآنجایی‌که هوش مصنوعی از طریق پروسه‌های مبهم و غیرشفاف به نتیجه می‌رسد (همان مسئله‌ی جعبه‌سیاه معروف)، به متخصص انسانی نیاز دارد تا رفتارش را به کاربران غیرمتخصص توضیح دهد. این «توضیح‌دهنده‌ها» در صنایع مبتنی بر شواهد همچون حقوق و پزشکی اهمیت ویژه‌ای می‌یابند، زیرا در این صنایع اپراتور باید بداند که هوش مصنوعی از چه ورودی‌هایی استفاده کرده تا بتواند به فلان توصیه‌ی پزشکی برسد. به همین ترتیب توضیح‌دهنده‌ها برای بیمه‌‎گرها و مقامات اجرای قانون هم اهمیت دارند تا بگویند فلان ماشین خودران چه اقداماتی را انجام داده – یا انجام نداده – که به تصادف ختم شده است. و توضیح‌دهنده‌ها از اجزای اساسی صنایع قانون‌مدار هستند – همچنین در هر صنعتی که با مشتری مواجه می‌شود و خروجی یک دستگاه می‌تواند با برچسب‌های غیرمنصفانه، غیرقانونی یا اشتباه سنجیده شود. مثلا قانون جدید حفاظت از داده‌ی اتحادیه‌ی اروپا (GDPR) به مصرف‌کنندگان حق داده برای هر تصمیم مبتنی بر الگوریتم توضیح بخواهند، مثلا نرخی که الگوریتم برای کارت اعتباری یا وام در نظر می‌گیرد. این یکی از حوزه‌هایی است که هوش مصنوعی به افزایش استخدام نیروی انسانی یاری می‌رساند: متخصصین برآورد می‌کنند که کمپانی‌ها باید ۷۵ هزار شغل جدید ایجاد کنند تا بتوانند ملزومات GDPR را رعایت کنند.

تداوم: علاوه بر داشتن افرادی که می‌توانند خروجی‌های هوش مصنوعی را توضیح دهند، کمپانی‌ها به «تداوم‌دهنده» نیاز دارند – کارکنانی که مدام تلاش می‌کنند تا مطمئن شوند که سیستم‌های هوش مصنوعی به‌درستی، با ایمنی کامل و به‌صورت مسئولانه عمل می‌کنند.

مثلا گاهی اوقات یک مجموعه‌ از متخصصین را تحت عنوان مهندس ایمنی می‌شناسند که بر پیش‌بینی آسیب‌های ناشی از هوش مصنوعی و اقدام به جلوگیری از آن‌ها تمرکز می‌کند. توسعه‌دهندگان ربات‌های صنعتی که قرار است در کنار انسان‌ها فعالیت کنند، دقت زیادی به خرج می‌دهند تا مطمئن شوند که این ربات‌ها انسان‌های پیرامون را می‌شناسند و آن‎‌ها را به خطر نمی‌اندازند. همچنین این متخصصین تحلیل‌های توضیح‌دهندگان مبنی بر زمان آسیب‌رسانی هوش مصنوعی را مطالعه خواهند کرد، مثلا زمانی که یک ماشین خودران می‌تواند موجب یک تصادف مرگبار شود.

یک گروه دیگر از تداوم‌دهنده‌ها هستند که مطمئن می‌شوند سیستم‌های هوش مصنوعی به هنجارهای اخلاقی پایبند می‌مانند. مثلا اگر یک سیستم هوش مصنوعی که به‌منظور تایید اعتبار استفاده می‌گردد، برای افراد برخی از گروه‌های معین تبعیض قائل شود (که این اتفاق افتاده)، این مدیران مسئولیت بررسی و حل‌وفصل مشکل را بر عهده می‌گیرند. مدیران بررسی انطباق داده نیز نقش مشابهی را ایفا می‌کنند تا مطمئن شوند که داده‌های تزریق شده به سیستم‌های هوش مصنوعی، با مقررات حمایت از مشتری و GDPR همخوانی دارند.

یک مسئولیت مرتبط در زمینه‌ی بهره‌برداری از داده وجود دارد که تضمین می‌کند هوش مصنوعی، مدیریت اطلاعات را به شکل مسئولانه انجام می‌دهد. اپل نیز همانند بسیاری از کمپانی‌های فناوری، از هوش مصنوعی برای جمع‌آوری جزئیات شخصی درباره‌ی کاربرانی استفاده می‌کند که با دستگاه‌ها و نرم‌افزار کمپانی کار می‌کنند. هدف این است که تجربه‎‌ی کاربری را بهبود دهند، اما جمع‌آوری داده به شکل نامحدود می‌تواند حریم شخصی را به خطر بیندازد، مشتریان را بخروشاند و خلاف قانون باشد. این کمپانی یک «تیم حریم شخصی» دارد که بر پروسه‌ی جمع‌آوری اطلاعات توسط هوش مصنوعی نظارت می‌کند تا در عین کسب بیشترین اطلاعات آماری از گروه کاربران، حریم شخصی تک‌تک آن‌ها رعایت شود.

 


بخش جانبی 1: ارزش همکاری

کمپانی‌ها از بهینه‌سازی همکاری میان انسان و هوش مصنوعی منتفع خواهند شد. در این راستا ۵ اصل می‌تواند به آن‌ها کمک کند:

تجدیدنظر در پروسه‌های کسب‌وکار؛ تقدیر از آزمایش‌ها/اشتیاق نیروی کار؛ شرکت فعالانه در هدایت استراتژی هوش مصنوعی؛ جمع‌آوری داده به شیوه‌ی مسئولانه؛ و تغییر شرایط کاری به‌منظور به‌کارگیری هوش مصنوعی و ایجاد مهارت‌های مرتبط با نیروی کار. بررسی ۱۰۷۵ کمپانی در ۱۲ صنعت نشان داده که هرقدر کمپانی‌ها از تعداد اصل بیشتری بهره بگیرند، طرح‌های هوش مصنوعی‌شان از منظر سرعت، صرفه‌جویی در هزینه، درآمد یا سایر معیارهای عملیاتی بهتر عمل خواهد کرد.

تعداد اصولی که در همکاری میان انسان – ماشین به کار گرفته شده‌اند

عدد صفر نشان می‌دهد که صرفا از هوش مصنوعی پایه بدون همکاری استفاده شده است


 

کمک ماشین‌ها به انسان‌ها

ماشین‌های هوشمند به انسان‌ها کمک می‌کنند تا توانایی‌هایشان را به سه طریق افزایش دهند. آن‌ها می‌توانند نقاط قوت شناختی‌مان را تقویت کنند؛ با مشتریان و کارکنان تعامل می‌کنند تا ذهنمان برای انجام وظایف دشوارتر آزاد شود؛ و خود را در چارچوب جسم یک انسان جای می‌دهند تا توانمندی‌های فیزیکی ما گسترش یابد.

تقویت: هوش مصنوعی می‌تواند با فراهم‌سازی اطلاعات صحیح در زمان مناسب، توانمندی تحلیل و تصمیم‌گیری ما را ارتقا دهد. می‌تواند نوآوری‌مان را نیز افزایش دهد. عملکرد هوش مصنوعی دریم‌کچر از کمپانی اتودسک را در نظر بگیرید که چگونه توانسته تخیل طراحان را ارتقا دهد، حتی طراحانی که کارشان خارق‌العاده است. طراح، معیارها‎ی محصول مدنظرش را در اختیار دریم‌کچر می‌گذارد – مثلا به نرم‌افزار می‌گوید این صندلی باید تا ۳۰۰ پوند را تحمل کند، نشیمنگاهش ۱۸ اینچ با زمین فاصله داشته باشد، از موادی ساخته شود که کمتر از ۷۵ دلار هزینه دارند و غیره. او همچنین اطلاعات سایر صندلی‌هایی که به نظرش جالب هستند را فراهم می‌کند. سپس دریم‌کچر هزاران طرح که با آن معیارها همخوانی دارد را منتشر می‌کند. در میانشان ایده‌های درخشانی وجود دارند که شاید ابتدا به ذهن طراح نمی‌رسیدند.

سپس طراح می‎تواند نرم‌افزار را هدایت کند، بگوید که کدام صندلی‌ها را دوست دارد و بدین ترتیب سراغ راند جدید طراحی‌ها برود.

در سرتاسر این پروسه‌ی تکراری، دریم‌کچر محاسبات فراوانی را انجام می‌دهد تا مطمئن شود که طرح پیشنهادی با معیارهای تعیین شده همخوانی داشته باشد. بدین ترتیب طراح ذهنش آزاد می‌شود تا بر نقاط قوتی همچون قضاوت حرفه‌ای و حس زیبایی‌شناختی تمرکز کند که منحصرا در انسان وجود دارند.

تعامل: همکاری انسان-ماشین، کمپانی‌ها را قادر می‌کند که به شیوه‌های نوین و موثرتری با کارکنان و مشتریان ارتباط برقرار کنند. مثلا دستیار هوش مصنوعی همچون کورتانا می‌تواند ارتباط میان افراد یا ارتباط از طرف آن‌ها را تسهیل کند، مثلا از جلسات رونوشت بردارد یا یک نسخه‌ی جستجوی صوتی را میان غایبان در جلسه توزیع کند. چنین کاربردهایی ذاتا عملی هستند – مثلا یک ربات گفتگوی ساده می‌تواند خدمات روتین را به‌صورت هم‌زمان برای گروه بزرگی از مشتریان که در موقعیت‌های مکانی مختلف قرار دارند، فراهم کند.

اس‌ای‌بی که یکی از بانک‌های بزرگ سوئد است، هم‌اکنون از دستیار مجازی خودش به نام آیدا برای تعامل با میلیون‌ها مشتری بهره می‌گیرد. آیدا که می‌تواند مکالمات به زبان طبیعی را متوجه شود، به ذخایر داده‌ی گسترده‌ای دسترسی دارد و می‌تواند به بسیاری از سوالات رایج همچون نحوه‌ی افتتاح حساب یا نحوه‌ی انجام پرداخت‌های برون‌مرزی پاسخ بگوید. او همچنین می‌تواند سوالات متعاقب را از تماس‌گیرندگان بپرسد تا لحن صدایشان را تحلیل کند (مثلا لحن ناشی از درماندگی در تقابل با لحن تشکرآمیز) و از آن اطلاعات برای خدمات‌رسانی بهتر در آینده بهره بگیرد. هر زمان که سیستم نمی‌تواند یک مشکل را حل کند – که در ۳۰ درصد از مواقع چنین اتفاقی می‌افتد – تماس‌گیرنده را به یک نماینده‌ی انسانی در امور خدمات مشتریان ارجاع می‌دهد و بر تعامل این دو انسان نظارت می‌کند تا بعدها برای حل مشکلات از آن بهره بگیرد. با حضور آیدا که درخواست‌های پایه‌ای را حل می‌‎کند، نماینده‌های انسانی می‌توانند بر حل‌وفصل مشکلات پیچیده‌تر تمرکز کنند، علی‌الخصوص تماس‌گیرندگان ناراضی که نیاز به توجه بیشتری دارند.

اسکلت انسانی: بسیاری از هوش مصنوعی‌ها همچون آیدا و کورتانا اساسا موجودیت دیجیتال دارند، اما در سایر کاربردها، این اطلاعات در دل یک ربات فیزیکی جانمایی شده‌اند که نیروی کار انسانی را تقویت می‌کند. با توجه به سنسورها، موتورها و محرک‌های پیچیده‌ای که در آن‎ها قرار دارد، دستگاه‌های دارای قابلیت هوش مصنوعی می‌توانند افراد و اشیا را تشخیص دهند و به‌صورت ایمن در کنار انسان‌ها در کارخانه، انبار و آزمایشگاه کار کنند.

مثلا در پروسه‌ی تولید، ربات‌ها را ابتدا یک دستگاه صنعتی «خنگ» و دارای خطرات بالقوه می‌شناختند، اما اکنون به کوبوت‌های هوشمند و چارچوب‌شناس تبدیل شده‌اند. مثلا یک بازوی کوبوت می‌تواند عملیات تکرارپذیر که نیازمند لیفت سنگین است را انجام دهد، درحالی‌که فرد وظایف مکمل را اجرا می‌کند؛ همچون مونتاژ یک موتور دنده که نیازمند زبردستی و قضاوت انسانی است.

هیوندایی، مفهوم کوبوت را با بهره‌برداری از اسکلت بیرونی گسترش می‌دهد. این دستگاه‌های رباتیکِ قابل پوشش که با کاربر و موقعیت مکانی آن در زمان حاضر آداپته می‌شوند، کارگران صنعتی را قادر به اجرای مشاغلی می‌کنند که نیاز به توان و استقامتی فراتر از نیروی بشر دارند.

 

تجدیدنظر درباره‌ی کسب‌وکارتان

به‌منظور دریافت بیشترین بازده از هوش مصنوعی، عملیات باید مجددا طراحی شوند. بدین منظور کمپانی‌ها باید ابتدا یک ناحیه‌ی عملیاتی که می‌تواند بهتر شود را بیابند و توصیف کنند. امکان دارد صحبت از یک پروسه‌ی داخلی نافرمان و سمج (نظیر عملکرد کند منابع انسانی در تامین نیروهای موردنیاز) باشد یا یک مسئله‌ی پیش‌تر دشوار که هم‌اکنون می‎توان آن را با هوش مصنوعی حل‌وفصل کرد (همچون شناسایی سریع اثرات سوء دارو در میان گروه‌های مختلف بیماران). همچنین تعدادی از تکنیک‌های تحلیل پیشرفت و هوش مصنوعی‌های جدید هستند که می‌توانند مسائل پیش‌تر مبهم را با بهره‌برداری از راهکارهای هوش مصنوعی شفاف‌سازی کنند (کادر «افشای مشکلات نامشهود» را ببینید).

 

در مرسدس بنز، بازوهای کوبوت که توسط کارگران انسانی هدایت می‌شوند، قطعات سنگین را بلند کرده و در جایشان می‌گذارند و بدین ترتیب به یکی از بخش‌های جدید بدنه‌ی کارگری تبدیل شده‌اند.

 

در ادامه کمپانی‌ها باید راهکاری را از طریق هم‌افزایی توسعه دهند – اینکه ذی‌نفعان را مجبور کنیم نحوه‌ی همکاری‌شان را با سیستم‌های هوش مصنوعی در راستای بهبود پروسه تجسم کنند. یک کمپانی کشاورزی بزرگ را به‌عنوان نمونه در نظر بگیرید که می‌خواهد فناوری هوش مصنوعی را برای کمک به کشاورزان به کار بگیرد. داده‌های بسیار زیادی درباره‌ی ویژگی‌های خاک، الگوهای آب‌وهوایی، برداشت‌های پیشین و موارد مشابه وجود داشت و ایده‌ی اولیه این بود که یک برنامه‌ی هوش مصنوعی برای پیش‌بینی دقیق‌تر محصولات آتی ساخته شود. اما کمپانی طی گفتگو با کشاورزان، متوجه مشکلات بزرگ‌تری در میان آن‌ها شد. آنچه کشاورزان واقعا به آن نیاز داشتند، سیستمی بود که بتواند توصیه‌های آنی را درباره‌ی نحوه‌ی افزایش بهره‌وری فراهم کند – کدام محصولات باید کشت شوند، کجا پرورش داده شوند، چه میزان نیتروژن در خاک استفاده شود و غیره. کمپانی یک سیستم هوش مصنوعی را برای فراهم‌سازی چنین توصیه‌هایی توسعه داد و خروجی‌های اولیه امیدبخش بودند؛ کشاورزان از بازده محصولی که با راهنمایی هوش مصنوعی به دست آمده بود راضی بودند. سپس نتایج آزمون اولیه به دل سیستم خورانده شدند تا الگوریتم‌های مورد استفاده اصلاح شوند. در مرحله‌ی مکاشفه هم می‌توان از تکنیک‎‌های تحلیل و هوش مصنوعی برای هم‌افزایی بهره گرفت تا رویکردهای نوینی را برای بهبود پروسه‌ها پیشنهاد دهند.

سومین گام برای کمپانی‌ها، معیاربندی راهکار پیشنهادی و سپس حفظ آن‌ها است. مثلا اس‌ای‌بی ابتدا نسخه‌ای از آیدا را توسعه داد که به‌صورت داخلی به ۱۵ هزار کارمند بانک کمک می‌کرد، اما سپس این ربات گفتگو را به یک‌میلیون مشتری خودش عرضه کرد.

از طریق همکاری با صدها کمپانی، ۵ ویژگی پروسه‌های کسب‌وکار را شناسایی کردیم که کمپانی‌ها معمولا خواهان بهبودشان هستند: انعطاف‌پذیری، سرعت، مقیاس، تصمیم‌گیری و شخصی‌سازی. هنگام تجدیدنظر درباره‌ی پروسه‌ی کسب‌وکار، تعیین کنید که کدام‌یک از این ویژگی‌ها نقش محوری را در تحول مطلوبتان دارند.

انعطاف‌پذیری: پروسه‌های انعطاف‌ناپذیر و خشک یک چالش رو به رشد برای مدیران مرسدس بنز بود. پرسودترین مشتریان کمپانی بیش از پیش درخواست خودروی سدان کلاس اس را می‌کردند، اما سیستم‌های مونتاژ این خودروساز نمی‌توانستند سفارش‌های افراد را تحویل دهند.

پیش‌تر تولید خودرو یک پروسه‌ی خشک با گام‌های خودکار بود که توسط ربات‌های «خنگ» اجرا می‌شد. به‌منظور بهبود انعطاف‌پذیری، مرسد برخی از این ربات‌‎ها را با کوبوت‌های دارای قابلیت هوش مصنوعی جابجا کرد و پروسه‌هایش را پیرامون همکاری میان انسان و ماشین طراحی نمود. در کارخانه‌ی این کمپانی در نزدیکی اشتوتگارتِ آلمان، بازوهای کوبوت که توسط کارگران انسانی هدایت می‌شوند، قطعات سنگین را جابجا کرده و بدین ترتیب به یکی از بخش‌های جدید بدنه‌ی کارگری تبدیل شده‌اند. این سیستم پروسه‌ی تولید هر خودرو را تحت کنترل کارگر می‌گذارد، کار یدی کمتری از او می‌خواهد و بیشتر مسئولیت «هدایتِ» ربات را به او می‌دهد.

تیم‌های انسان-ماشین در کمپانی می‌توانند در طول مسیر آداپته شوند. در کارخانه، کوبوت‌ها می‌توانند به‌سادگی و با استفاده از تبلت مجددا برنامه‌نویسی شوند و بدین ترتیب می‌توانند بسته به تغییر جریان کاری، وظایف متفاوتی را بر عهده بگیرند. این چابکی به تولیدکننده اجازه می‌دهد که به حجم غیرمنتظره‌ای از شخصی‌سازی دست یابد. مرسدس می‌تواند تولید وسیله را بر اساس انتخاب‌های آنی مشتریان در معامله‌ها تغییر دهد و همه‌چیز از اجزای داشبورد گرفته تا چرم صندلی و سرپیچ‌های تایر را بنا به درخواست آن‌ها طراحی کند. در نتیجه هیچ دو ماشینی که از خط مونتاژ کارخانه‌ی اشتوتگارت خارج می‌شوند، ظاهر کاملا یکسانی ندارند.

سرعت: برای برخی از فعالیت‌های کاری، سرعت مهم است. یکی از این فعالیت‌ها، ردیابی جعل در کارت اعتباری است. کمپانی‌ها تنها چند ثانیه فرصت دارند که یک تراکنش معین را تایید یا رد کنند. اگر جعلی باشد، آن‌ها احتمالا باید ضررها را متحمل شوند. اگر هم یک تراکنش مشروع را انکار کنند، احتمالا پورسانت خودشان از آن خرید را از دست می‌دهند و مشتری را خشمگین می‌کنند.

همانند اکثر بانک‌های بزرگ، اچ‌اس‌بی‌سی هم یک راهکار مبتنی بر هوش مصنوعی را توسعه داده که سرعت و دقت ردیابی فساد را بهبود می‌دهد. هوش مصنوعی میلیون‌ها تراکنش روزانه را رصد و حساب می‌کند و از داده‌های مربوط به موقعیت مکانی خرید و رفتار مشتری، آدرس آی‌پی و سایر اطلاعات برای شناسایی الگوهای ظریفی که خبر از فساد احتمالی می‌دهند، بهره می‌گیرد. اچ‌اس‌بی‌سی ابتدا این سیستم را در ایالات متحده اجرا کرد که به طرز قابل توجهی نرخ جعل‌های ردیابی‌نشده را کاهش داد و سپس آن را در انگلستان و آسیا منتشر نمود. یک سیستم هوش مصنوعی متفاوت توسط دانسکه بانک استفاده شد که نرخ ردیابی فساد را به میزان ۵۰ درصد بهبود داد و تراکنش‌های جعلیِ کشف نشده هم ۶۰ درصد کمتر شدند. کاهش تعداد تراکنش‌های جعلیِ کشف نشده، باعث می‌شود بازرس‌ها بیشتر روی تراکنش‌های مبهمِ شناسایی شده توسط هوش مصنوعی متمرکز شوند، زیرا این وظیفه به قضاوت انسانی نیاز دارد.

نبرد علیه فساد مالی همچون یک مسابقه‌ی تسلیحاتی است. ردیابی بهتر باعث می‌شود مجرمان دغل‌کارتر شوند، همین دغل‌کاری بیشتر به بهبود ردیابی ختم می‌شود و این چرخه ادامه می‌یابد. بنابراین الگوریتم و مدل‌های مبارزه با فساد، عمر کوتاهی دارند و باید دائما به‌روزرسانی شوند. همچنین کشورها و مناطق مختلف از مدل‌های مختلفی استفاده می‌کنند. بنا به همین دلایل، گروه‌های تحلیل‌گر داده، حرفه‌ای‌های حوزه‌ی فناوری اطلاعات و متخصصان فساد مالی باید در حدفاصل میان انسان‌ها و دستگاه‌ها قرار بگیرند تا این نرم‌افزار همیشه یک گام از مجرمان جلوتر باشد.

مقیاس: در بسیاری از پروسه‌های کاری، مقیاس‌بندی ضعیف یکی از موانع اولیه‌ی بهبود است. این امر علی‌الخصوص برای پروسه‌هایی که به حضور شدید نیروی انسانی و کمک حداقلی از سوی دستگاه‌ها نیاز دارند صدق می‌کند. مثلا پروسه‌ی استخدام نیرو در یونیلیور را در نظر بگیرید. این غول عرصه‌ی کالاهای مصرفی، به دنبال راهی برای افزایش گوناگونی در مجموعه پرسنل ۱۷۰ هزار نفری خودش است. منابع انسانی اعلام کرده که باید بر استخدام‌‌های رده‌پایین تمرکز کنند و سپس بهترین‌ها را به سمت مدیریت ببرند. اما پروسه‌های کنونی کمپانی نمی‌توانستند نیروهای بالقوه را به تعداد کافی شناسایی کنند – و توجه کافی را به هر متقاضی انجام دهند – و بدین ترتیب نمی‌شد یک جامعه‌ی ناهمگن از استعدادهای خارق‌العاده را تضمین کرد.

رویکرد یونیلیور برای ترکیب توانمندی‌های انسان و هوش مصنوعی و مقیاس‌بندی استخدام افراد چنین بود: در دور اول از پروسه‌ی استخدام، از کاندیداها خواسته شد که بازی‌های آنلاین انجام دهند، زیرا این کار به ارزیابی خصایصی همچون ریسک‌گریزی کمک می‌کند. این بازی‌ها هیچ پاسخ صحیح یا غلطی نداشتند، اما به هوش مصنوعی یونیلیور کمک می‌کردند که بهترین افراد را برای هر موقعیت بخصوص بیابد. در دور بعدی، از متقاضیان خواسته شد که یک ویدئو ارسال کنند و در آن به سوال‌های مخصوصی که برای موقعیت مدنظر خودشان طراحی شده، جواب بدهند. پاسخ‌هایشان توسط یک سیستم هوش مصنوعی تحلیل شد که نه‌تنها گفته‌های آن‌ها بلکه زبان بدن و لحن صدایشان را تحلیل می‌کرد. بهترین کاندیداهای این راند توسط هوش مصنوعی قضاوت و سپس برای مصاحبه‌ی شخصی به یونیلیور دعوت می‌شدند و پس از این مصاحبه‎ها بود که انسان‌ها تصمیمات نهایی استخدام را اتخاذ می‌کردند.

هنوز خیلی زود است که بخواهیم درباره‌ی این پروسه‌ی استخدام جدید و نتایج آن قضاوت کنیم. کمپانی از نزدیک به رهگیری موفقیت این استخدام‌ها پرداخته و کماکان به داده‌های بیشتری نیاز داریم. اما مشخص است که این سیستم جدید به طرز قابل توجهی مقیاس استخدام یونیلیور را افزایش داده است. ازآنجایی‌که جویندگان کار می‌توانند از طریق گوشی هوشمند دسترسی آسانی به سیستم داشته باشند، تعداد متقاضیان یک سال دوبرابر شده و تا ۳۰ هزار مورد بالا رفت، تعداد دانشگاه‌های ارائه شده از ۸۴۰ به ۲۶۰۰ مورد رسید و گوناگونی اجتماعی-اقتصادی استخدامی‌های جدید افزایش یافت. همچنین با اینکه مسئولان گزینش ۷۵ درصد زمان کمتری را برای مرور درخواست‌ها گذاشتند، اما متوسط زمان سپری شده از پروسه‌ی تقاضا تا تصمیم استخدام از ۴ ماه به تنها ۴ هفته کاهش یافت.

تصمیم‌گیری: هوش مصنوعی اطلاعات و دستورالعمل‌های اصلاح شده را در اختیار کارکنان می‌گذارد و به آن‌ها در راستای تصمیم‌گیری بهتر یاری می‌رساند. این امر می‌تواند ارزش ویژه‌ای را برای کارکنان رده‌پایین داشته باشد، چرا که تصمیم صحیح آن‌ها می‌تواند تاثیر زیادی بر سود و زیان کلی داشته باشد.

بهبود پروسه‌ی تعمیر و نگه‌داری که با استفاده از «دوقلوهای دیجیتال» – مدل‌های مجازی تجهیزات فیزیکی – به وجود آمد را در نظر بگیرید.

جنرال الکتریک این مدل‌های نرم‌افزاری را برای توربین‌ها و سایر محصولات صنعتی‌اش می‌سازد و دائما آن‌ها را با داده‌های عملیاتی برگرفته از تجهیزات، به‌روز می‌کند. با جمع‌آوری مطالعات حاصل از دستگاه‌های بزرگ در این حوزه، جنرال الکتریک اطلاعات ارزشمندی را درباره‌ی عملکرد معمول و بی‌عیب و نقص جمع‌آوری کرده است. برنامه‌ی پردیکسِ این کمپانی که از الگوریتم‌های یادگیری ماشینی استفاده می‌کند، هم‌اکنون می‌تواند زمان نقصان و خرابی یک قطعه‌ی بخصوص در فلان دستگاه را پیش‌‌بینی کند.

این تکنولوژی اساسا پروسه‌ی نگه‌داری تجهیزات صنعتی که به‌شدت به تصمیم‌گیری بستگی دارد را تغییر داده است. مثلا پردیکس احتمالا می‌تواند برخی از خوردگی‌ها و پارگی‌های غیرمنتظره در روتور توربین را شناسایی کند، تاریخچه‌‎ی عملکرد توربین را مورد بررسی قرار دهد، چهار برابر شدنِ آسیب‌ها طی چند ماه گذشته را گزارش کند و هشدار دهد که اگر اقدامی در این مورد صورت نگیرد، روتور ۷۰ درصد از عمر مفید برآوردشده‌ی خود را از دست خواهد داد. بنابراین این سیستم می‌تواند با در نظر گرفتن شرایط کنونی ماشین، محیط عملیاتی و داده‎هایی که درباره‌ی آسیب‌‎های مشابه و تعمیرات سایر دستگاه‌ها وجود دارند، اقدامات مناسب را پیشنهاد کند. در کنار این توصیه‌ها، پردیکس می‌تواند اطلاعاتی را درباره‌ی هزینه‌ها و عواید مالی طرح منتشر کرده و ضریب اطمینان مفروضات مورد استفاده در تحلیلش را اعلام کند (فرضا ۹۵ درصد).

اگر پردیکس نبود، کارکنان باید به‌صورت شانسی و طی بازبینی‌های دوره‌ای روتور، متوجه آسیب‌های وارده می‌شدند. امکان دارد چنین آسیبی از نظرها پنهان بماند تا اینکه بالاخره روتور معدوم شود و تعطیلی‌های پرهزینه‌ای را برای کارخانه به همراه بیاورد. با حضور پردیکس، کارکنان بخش نگه‌داری می‌توانستند پیش از بروز مشکلات جدی، درباره‌ی احتمال وقوعشان هشدار بدهند و اطلاعات موردنیاز را برای اتخاذ تصمیمات خوب در اختیار داشتند – اطلاعاتی که گاهی اوقات باعث صرفه‌جویی میلیون‌ها دلار برای جنرال الکتریک می‌شد.

شخصی‌سازی: اینکه بتوانید تجربه‌ی هر مشتری از برندتان را شخصی‌سازی کنید، یکی از اصول مقدس بازاریابی محسوب می‌شود. هم‌اکنون و با استفاده از هوش مصنوعی، می‌توان با دقتی مافوق تصور و مقیاسی وسیع به شخصی‌سازی دست یافت. به رویکردی که سرویس‌های استریم موزیک همچون پاندورا برای بهره‌برداری از الگوریتم‌های هوش مصنوعی دارند توجه کنید که می‌توانند بسته به آهنگ‌ها، هنرمندها و ژانرهای ارجح کاربران، فهرست پخش‌های شخصی‌سازی شده را برای آن‌ها بسازند. یا استارباکس را در نظر بگیرید که با اجازه‌ی مشتریان، از هوش مصنوعی برای تشخیص موبایل‌ها و فراخوانی تاریخچه‌ی سفارش‌هایشان استفاده می‌کند تا باریستاها بتوانند توصیه‌های خودشان را به مشتریان ارائه بدهند. تکنولوژی هوش مصنوعی بیشترین تلاش خودش را انجام می‌دهد و مقادیر زیادی از داده را زیرورو می‌کند تا بتواند اقدامات یا پیشنهادهای خاصی را توصیه کند. انسان‌ها هم بهترین تلاششان را انجام می‌دهند و از بینش و قضاوت خود بهره می‌گیرند تا توصیه‌های لازم را ارائه دهند یا از میان مجموعه انتخاب‌های ممکن بهترین مورد را برگزینند.

کارنوال کورپوریشن در حال استفاده از هوش مصنوعی است تا از طریق پوشیدن یک دستگاه به نام اوشن مدالیون و شبکه‌ای که امکان اتصال این دستگاه‌های هوشمند را می‌دهد، تجربه‌ی کشتی‌سواری را برای میلیون‌ها توریست شخصی‌سازی کند. یادگیری ماشینی دائما داده‌های حاصله از مدال و سنسورها و سیستم‌های سرتاسر کشتی را پردازش می‌کند تا به میهمانان کمک کند بهترین تجربه را در تعطیلاتشان داشته باشند. این مدال پروسه‌های ورود و خروج از کشتی را تسهیل می‌کند، فعالیت‌های مهمان را تحت نظر می‌گیرد، با اتصال کارت اعتباری‌شان به این وسیله خرید را ساده می‌کند و می‌تواند نقش کلید اتاق را داشته باشد. همچنین به سیستمی متصل می‌‎شود که ترجیحات مهمانان را حدس می‌زند، به خدمه‌ی کشتی کمک می‌کند سرویس شخصی‌سازی شده برای هر مهمان را به او ارائه دهند و توصیه‌هایی را برای اصلاح تجربیات صرف غذا و فعالیت‌های برنامه‌ی سفر مهمانان ارائه می‌دهد.

 


بخش جانبی 2: ارتقای عملکرد

در سازمان‌های تمامی صنایع مختلف، انسان‌ها و هوش مصنوعی همکاری می‌کنند تا ۵ المان پروسه‌های کسب‌وکار را ارتقا بدهند.

1. انعطاف‌پذیری

تولید خودرو (مرسدس بنز): ربات‌های مونتاژ به شکل کاملا ایمن در کنار انسان‌ها کار می‌کنند تا بتوانند اتومبیل‌ها را مطابق با ویژگی‌های مدنظر مشتریان تحویل دهند.

طراحی محصول (اتودسک): طراح پارامترهایی همچون مواد اولیه، هزینه و ملزومات عملکردی را تغییر می‌‎دهد و نرم‌افزار طرح‌های مفهومی جدید برای محصولات را پیشنهاد می‌کند.

توسعه‌ی نرم‌افزار (گیگستر): هوش مصنوعی به هر نوع پروژه‌ی نرم‌افزاری (صرف‌نظر از اندازه یا پیچیدگی آن‌ها) کمک می‌کند و انسان‌ها می‌توانند با بهره‎‌برداری از آن، برآورد سریعی را از میزان کار موردنیاز، سازمان‌دهی متخصصین و انطباق‌پذیری جریان‌های کاری در زمان کوتاه داشته باشند.

 

2. سرعت

ردیابی فساد (اچ اس بی سی): هوش مصنوعی، تراکنش‌های بانکی را رصد می‌کند تا بتواند در لحظه تراکنش‌های درست را تایید و تراکنش‌های مشکوک را به بازرس‌ها معرفی نماید تا آن‌ها را مورد ارزیابی قرار دهند.

مرکز سرطان (روش): هوش مصنوعی داده‌های بیماران را از سیستم‌های فناوری اطلاعات متفرقه جمع‌آوری می‌کند و همکاری میان متخصصین را سرعت می‌بخشد.

امنیت عمومی (دولت سنگاپور): تحلیل ویدئویی در حین همایش‌های عمومی، رفتار جمعیت را پیش‌بینی و کاری می‌کند که مسئولان به سریع‌ترین شکل ممکن رخدادهای امنیتی را حل‌وفصل کنند.

 

3. مقیاس

استخدام (یونیلیور): نظارت خودکار بر روی متقاضی می‌تواند منبع کاندیداهای شایسته‌ای که به مدیر استخدام ارجاع داده می‌شوند را گسترش دهد تا ارزیابی نهایی را روی آن‌ها انجام دهد.

خدمات مشتری (ویرجین ترینز): ربات به نیازهای پایه‌ی مشتریان پاسخ می‌گوید، حجم پردازش‌ها را دو برابر می‌کند و ذهن کارمندان را برای حل‌وفصل مشکلات پیچیده‌تر آزاد می‌کند.

مدیریت کازینو (جی‌جی‌اچ موروویتز): سیستم چشم کامپیوتری به انسان‌ها کمک می‌کند که دائما تمامی میزهای بازی در کازینو را رصد کنند.

 

4. تصمیم‌گیری

نگه‌داری تجهیزات (جنرال الکتریک): برنامه‌ی تشخیص «دوقلوهای دیجیتال» و پردیکس، توصیه‌های اصلاح شده به‌منظور نگه‌داری ماشین را برای تکنیسین‌ها فراهم می‌کند.

خدمات مالی (مورگان استنلی): مشاوران رباتیک، گستره‌ای از گزینه‌های سرمایه‌گذاری را بر اساس اطلاعات لحظه‌ای بازار پیشنهاد می‌کنند.

پیش‌بینی بیماری (مدرسه‌ی پزشکی ایکان در مانت سینای): سیستم دیپ پیشنت به پزشکان کمک می‌کند ریسک وقوع بیماری‌های خاص در افراد را پیش‌بینی کنند و اجازه‌ی مداخله‌ی بازدارنده را می‌دهد.

 

5. شخصی‌سازی

تجربه‌ی مهمان (کارنوال کورپوریشن): دستگاه هوش مصنوعی قابل پوشش که تدارکات در کشتی‌های کروز را تسهیل و ترجیحات مهمان‌ها را پیش‌بینی و بدین ترتیب ارائه‌ی خدمات برای پرسنل پشتیبانی را تسهیل می‌کند.

خدمات درمانی (فیزر): سنسورهای پوشیدنی برای بیماران پارکینسون که نشانه‌ها را در تمامی ساعات روز رصد کرده و درمان مختص هر شخص را میسر می‌کنند.

خرده‌فروشی عرصه‌ی مد (استیچ فیکس): هوش مصنوعی داده‌های مشتریان را تحلیل می‌کند تا به انسان‌های متخصص مد مشاوره بدهد و این انسان‌ها هستند که توصیه‌های طراحی و پوشاک را به تک‌تک مشتریان ارائه می‌کنند.


بخش جانبی 3: افشای مشکلات نامشهود

یک بار دونالد رامسفلد ، وزیر دفاع پیشین آمریکا، در اظهارنظری معروف میان «معلوم‌های معلوم»، «مجهولات معلوم» و «مجهولات مجهول» – چیزهایی که حتی خودتان هم از عدم آگاهی نسبت به آن‌ها مطلع نیستید – تمییز قائل شده بود. هم‌اکنون برخی کمپانی‌ها از هوش مصنوعی برای افشای مجهولات مجهول در کسب‌وکارهایشان بهره می‌گیرند. مثلا جی‌ان‌اس هلث‌کِر نرم‌افزار یادگیری ماشینی را به کار گرفته تا روابط میان داده‌های موجود در اسناد سلامتی بیماران و داده‌های بخش‌های دیگر را بیابد. پس از شناسایی یک رابطه، نرم‌افزار نظریه‌‌های پرشماری را برای توجیه آن صادر کرده و سپس به محتمل‌ترین موارد اشاره می‌کند. این رویکرد کاری کرد که جی‌ان‌اس توانست نوعی تداخل دارویی پنهان را در نوشته‌های نامنظم یک بیمار پیدا کند. مدیرعامل آن‌ها کالین هیل می‌گوید که برای یافتن چنین روابطی نباید از داده‌کاوی معمول استفاده کنید. او می‌گوید «پلتفرم یادگیری ماشینی ما صرفا به مشاهده‌ی الگوها و روابط در داده‌ها نمی‌‎پردازد، بلکه در اصل به دنبال پیوندهای علّی می‌رود».


 

نیاز به مسئولیت‌ها و استعداد جدید

تجدیدنظر در یک پروسه‌‎ی کسب‌وکار، شامل اقداماتی فراتر از اجرای تکنولوژی هوش مصنوعی می‌شود؛ همچنین نیازمند تعهد قابل توجه کارکنان به مهارت‌هایی است که آن‌ها را «مهارت‌های همجوشی» می‌نامیم – مهارت‌هایی که به افراد اجازه می‌دهند همکاری موثری را با رابط کاربری انسان-ماشین داشته باشند.

در ابتدا افراد باید یاد بگیرند که وظایف را به این تکنولوژی جدید واگذار کنند، مثل پزشکانی که برای مطالعه‌‎ی عکس ام‌آرآی و اشعه‌ی ایکس به کامپیوتر اعتماد می‌کنند. همچنین کارکنان باید شیوه‌ی ترکیب مهارت‌های انسانی خودشان با مهارت‌های دستگاه هوشمند را بدانند تا بتوانند نتیجه‌ی بهتری از این همکاری بگیرند. جراحی با کمک ربات یکی از این همکاری‌ها است. کارکنان باید بتوانند مهارت‌های جدید را به عوامل هوشمند بیاموزند و آموزش‌های لازم برای همکاری صحیح در پروسه‌های مجهز به هوش مصنوعی را بگذرانند. مثلا آن‌ها باید نحوه‌ی طرح سوال از عامل هوش مصنوعی را بلد باشند تا بتوانند اطلاعات موردنیازشان را دریافت کنند. و باید کارکنانی شبیه به افراد حاضر در تیم حریم شخصی اپل داشته باشیم تا تضمین کنند که سیستم‌های هوش مصنوعی کمپانی‌هایشان به شکلی مسئولانه و به دور از اهداف غیرقانونی یا غیراخلاقی استفاده می‌شوند.

انتظار داریم که در آینده، مسئولیت‌های کمپانی پیرامون نتایج مطلوب حاصل از پروسه‌های بازبینی شده، شکل بگیرند و شرکت‌ها بیش از پیش به‌جای عناوین شغلی ثابت، به دنبال انواع مختلفی از مهارت‌ها بروند. ای‌تی‌اندتی از پیش این گذار را آغاز کرده بود و از سرویس‌های تلفن ثابت به سمت شبکه‌های موبایل حرکت کرد و ۱۰۰ هزار نیروی کار را برای مسئولیت‌های جدیدشان آموزش داد. در قالب بخشی از این تلاش‌ها، این کمپانی منشور سازمانی خودش را کاملا دگرگون کرد: تقریبا ۲۰۰۰ عنوان شغلی در قالب چند دسته‌ی گسترده و وسیع جای گرفتند که مهارت‌های مشابه در یک دسته قرار داده شدند. برخی از این مهارت‌ها قابل انتظار و مشهود هستند (مثلا مهارت در علوم داده‌‎ای و آماده‌سازی داده)، درحالی‌که برخی دیگر چندان واضح به نظر نمی‌رسند (مثلا قابلیت استفاده‌ از ابزارهای یادگیری ماشینی ساده برای خدمات فروش متقابل).

اکثر فعالیت‌هایی که در ارتباط میان انسان و دستگاه انجام می‌گیرند، به افرادی نیاز دارند که کارهای جدید و متفاوت را انجام دهند (مثل آموزش یک ربات گفتگو) و کارها را به شیوه‌ای متفاوت انجام دهند (استفاده از ربات گفتگو برای فراهم‌سازی خدمات بهتر به مشتریان). اما تاکنون تنها تعداد اندکی از کمپانی‌های تحت بررسی شروع به تجدیدنظر درباره‌ی پروسه‌های کسب‌وکار کرده‌اند تا هوش مبتنی بر همکاری را بهینه کنند. اما نتیجه‌ی کار روشن است: سازمان‌هایی که صرفا از دستگاه‌ها برای جایگزینی نیروی کار انسانی و اتوماسیون استفاده می‌کنند، از پتانسیل کامل هوش مصنوعی بهره نمی‌گیرند. این استراتژی از همان ابتدا راهش را درست نمی‌‎رود. رهبران فردا باید به خرد جمعی احترام بگذارند و عملیات، بازارها، صنایع و البته نیروی کارشان را متحول کنند.


 جیمز ویلسون مدیر مرکز تحقیق کسب‌وکار و فناوری اطلاعات مرکز اکسنچر است.

 پل داهرتی مدیر ارشد نوآوری و فناوری اکسنچر است.

آن‌‎ها نویسندگان «انسان + ماشین: تجدیدنظر درباره‌‎ی کارها در عصر هوش مصنوعی» (انتشارات مجله‌ی کسب‌وکار هاروارد، ۲۰۱۸) هستند.

این مقاله در شماره ی زیر منتشر شده است:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *