پنج اشتباه مدیران در معرفی هوش مصنوعی

ابزارهای هوش مصنوعی از الگوریتم‌‌‌ها استفاده می‌کنند تا در مورد مسائلی که مدت‌‌‌ها در اختیار انسان‌‌‌ها بوده، تصمیم‌گیری کنند. اما آنها با یک مانع بزرگ مواجه هستند: همان انسان‌‌‌هایی که این تصمیم‌‌‌ها را می‌‌‌گرفتند. استفاده کارکنان از تکنولوژی‌‌‌، به اندازه اطمینان از اینکه این سیستم‌ها در مرحله اول کارآیی دارند، اهمیت دارد. برای اینکه بدانیم این چالش‌های انسانی چقدر دشوارند - و چگونه باید بر آنها غلبه کنیم - می‌توانیم نگاهی به صنعت مد داشته باشیم که محققان زمان زیادی را صرف مطالعه در مورد آن کرده‌‌‌اند.  بهره‌‌‌برداری از اتوماسیون هوش مصنوعی، در صنعت مد که بر توانایی‌‌‌های خلاقانه بنا شده، برای مدیران این صنعت در ابتدا جذاب نبود. اما از آنجا که وارد عصر ابردیجیتال شده‌‌‌ایم، این تکنولوژی می‌تواند کسب و کارها را در هر حوزه‌‌‌ای متحول کند و رشد  صنعتی و درآمدزایی قابل‌توجهی در مقایسه با رقبایی که همچنان از روش‌های سنتی استفاده می‌کنند، به‌بار آورد.

با وجود ماهیت تثبیت‌‌‌شده صنعت مد، هوش مصنوعی می‌تواند این بخش را - از مرحله‌‌‌ای که کسب و کارها آیتم‌‌‌ها را تهیه می‌کنند، تا ترویج و فروششان - به طور اساسی متحول کند. این تحول، طراحی، تولید، ارسال، بازاریابی و فروش را دربرمی‌گیرد. استفاده از هوش مصنوعی در کسب‌وکارهای مد و لباس، از سال 2020 به چنان رشدی رسیده که می‌توان گفت کسب و کارهایی که از آن استفاده نمی‌‌‌کنند، با خطر جا ماندن و ورشکستگی مواجه هستند.  در نتیجه پیش‌بینی شده سرمایه‌گذاری جهانی صنایع مد و خرده‌‌‌فروشی در تکنولوژی هوش مصنوعی، تا پایان 2022 سالانه به 3/ 7‌میلیارد دلار برسد. الگوریتم‌‌‌ها این قابلیت را دارند که سبک‌‌‌های مد جدید را پیش‌بینی کنند، زنجیره تامین را مدیریت کنند، تصمیم‌‌‌های بهینه در قیمت‌گذاری بگیرند و ضایعات را به حداقل برسانند. اما مشکل، در اولیه‌‌‌ترین سطح ممکن این است که تکنولوژی‌‌‌ها اغلب با خرد چند ساله کارشناسانی که بنیان این صنعت محسوب می‌‌‌شوند، در تعارضند: طراحان، خریداران، برنامه‌‌‌ریزان، صنعتگران کارخانه و بازرگانانی که در خط مقدم خانه‌‌‌های مد هستند. البته تحقیقات نشان داده این تعارض آنقدرها هم مهلک نیست. پنج روشی را که مدیران صنعت مد با آن خود را به اشتباه می‌‌‌اندازند و چگونگی اجتناب از این اشتباه‌‌‌ها را در ادامه توضیح می‌‌‌دهیم.

  اشتباه 1: تمرکز بر جایی که الگوریتم‌‌‌ها بیشترین اثر را خواهند داشت.

میل به بهره‌‌‌برداری حداکثری از مزایای هوش مصنوعی در سریع‌‌‌ترین زمان ممکن، منطقی است. اگر مدیری معتقد باشد که یک الگوریتم می‌تواند کسب و کارش را متحول کند،  چرا صبر کند؟ به عنوان مثال، در یک سازمان خرده‌فروشی، رهبران کسب و کار امید داشتند یک سیستم الگوریتمی معرفی کنند تا یکی از اثرگذارترین حوزه‌‌‌های کسب و کار را مورد بررسی قرار دهند: یعنی کمک به «خریداران مد» برای انتخاب سبک‌‌‌ لباس‌‌‌هایی که در فصل آینده مورد استفاده قرار می‌‌‌گیرند. خریداران مد، افرادی هستند که تصمیم‌گیری خرید را برای یک خرده‌‌‌فروشی لباس، بر اساس تاریخچه فروش و روندهای آینده انجام می‌دهند. این کار مستلزم داشتن یک ذهن تحلیلگر و چشمانی تیزبین برای تشخیص نیاز بازار است.

مشکل این بود که این سیستم الگوریتمی، خریداران مد را از کاری که خیلی دوست داشتند انجام دهند، محروم می‌کرد؛ یعنی خلاقیت به خرج دادن برای انتخاب سبک‌‌‌های جدید. اصلا همین ویژگی دلیل اصلی آنها برای ورود به این صنعت بوده است. آنها عاشق این هستند که به سراسر دنیا سفر کنند تا آخرین مدل‌‌‌های هفته‌‌‌های مد را ببینند و انتخاب کنند، با طراحان مختلف دیدار داشته باشند، لباس‌‌‌ها را جمع‌‌‌آوری کنند، پارچه‌‌‌ها را از نزدیک لمس کنند و دانش مد خود را با یک منطق کسب‌وکار که بتواند در فصل آینده بازار را از آن خود کند، ترکیب کنند.

بنابراین، مدیران این پروژه در عوض از خریداران مد پرسیدند که کدام بخش از کارشان را دوست ندارند و آنها در پاسخ، به حجم کار عملی زیادی که برای تبدیل دیدگاه‌‌‌های زیبایی‌‌‌شناختی خود به طرح‌‌‌های عینی موردنیاز است، اشاره کردند. این مدیران، سپس این کارهای عملی خسته‌‌‌کننده را به شیوه‌‌‌ای که به خریداران در استفاده از سیستم اختیار می‌‌‌داد، اتوماتیک‌‌‌سازی کردند.

وقتی خریداران مد از سیستم استفاده ‌‌‌کردند و با آن احساس راحتی داشتند، مدیران پروژه متوجه شدند آنها دوست دارند سطح استفاده خود را گسترده‌‌‌تر کنند ؛حتی برای کارهایی که در ابتدا در برابر آن مقاومت می‌کردند. مثلا وقتی خریداران از سیستم برای کارهای عملی مثل محاسبه اتوماتیک بودجه موردنیاز طرح‌‌‌ها یا آماده‌‌‌سازی سفارش‌‌‌های خرید استفاده کردند، متوجه شدند این سیستم می‌تواند برای کارهای خلاقانه‌‌‌تر یا انتخاب سبک‌‌‌هایی که می‌توانند برای فصل آینده مناسب باشند هم کاربرد داشته باشد.

  درس اول: اول بر چیزی تمرکز کنید که کارکنان بیشتر از همه از آن بدشان می‌‌‌آید. تغییرات بزرگ‌تر خودشان ایجاد می‌‌‌شوند.

  اشتباه 2: وقتی مدیران تکنولوژی‌‌‌های الگوریتمی معرفی می‌کنند، در اصل باعث اصطکاک‌‌‌های فنی و ترس‌‌‌ از نوآوری می‌‌‌شوند.

مدیران در تمرکز بر چالش‌های فنی و احساسی، ممکن است یک موضوع بسیار مهم را نادیده بگیرند:

 روشی را که الگوریتم‌‌‌ها، دیدگاه کارکنان نسبت به خودشان را تغییر می‌دهند. به طور خاص، کارکنان فکر می‌کنند الگوریتم‌‌‌ها تهدیدی هستند که آنها را به مترسک‌‌‌هایی بی‌‌‌اراده و کسل‌‌‌کننده تبدیل می‌کنند. موفق‌‌‌ترین تلاش‌‌‌هایی که در جهت توسعه هوش مصنوعی انجام می‌‌‌شوند، باعث تحولات هویتی می‌‌‌شوند. به عنوان مثال، وقتی تکنولوژی‌‌‌های اینترنت، کار اصلی متصدیان کتابخانه‌‌‌ها را مختل کردند، آنها هویتشان را از «توانمندی در جست‌‌‌وجو» به «رابطان مردم و اطلاعات» تغییر دادند. به طور مشابه، در شرکت خرده‌‌‌فروشی مورد مطالعه ما، حتی وقتی خریداران مد شروع به استفاده از سیستم الگوریتمی جدید کردند تا سبک‌‌‌های جدید را انتخاب کنند، مدیران پروژه متوجه شدند که آنها ترجیح می‌دهند برخی از توصیه‌‌‌های استراتژیک‌‌‌تر را نادیده بگیرند مثلا حجم زیادی از یکسری سبک‌‌‌ها که خوب جواب داده‌‌‌اند را ذخیره می‌کردند.

چرا؟ چون این سیستم نقش خریداران مد را از «ریسک‌‌‌کننده‌‌‌های زیرک» به «بهینه‌‌‌سازان سود» تغییر داده بود. یعنی به جای اینکه روی یک کالکشن لباس ریسک کنند، سیستم آنها را ملزم کرده بود کالکشن‌‌‌های مختلفی از سبک‌‌‌های لباس را امتحان کنند تا کشف کنند کدام کالکشن بیشترین سودآوری را خواهد داشت. خریداران در برابر نقش جدیدشان به عنوان بهینه‌‌‌ساز، مقاومت کردند تا اینکه مدیران توصیف نقش آنها را به «تصویرسازان» تغییر دادند. وقتی مدیران به این ایده رسیدند که سیستم جدید به خریداران کمک می‌کند «کالکشن‌‌‌های جدید را تصویرسازی کنند» و خریداران به «تعیین‌‌‌کنندگان استراتژی» تبدیل شدند، مقاومت آنها شکست و حالا بیشتر از توصیه‌‌‌هایی که قبلا نادیده می‌‌‌گرفتند، استقبال کردند.

 به عنوان مثال، قبلا پیشنهادهایی را که مطابق روش‌‌‌ قدیمی خرید کردن آنها نبود، نمی‌‌‌پذیرفتند. اما وقتی دیدند نقششان به «تعیین‌‌‌کننده استراتژی» تغییر پیدا کرده، توصیه‌‌‌های سیستم‌‌‌ را برای ذخیره‌‌‌سازی سبک‌‌‌هایی که بیشتر مورد استقبال هستند (مثل انواع مشخصی از جین‌‌‌های تیره رنگ) دنبال کردند تا تعداد کمتر سبک‌‌‌های پرریسک (مثل شلوارهای جاگر جیر) را جبران کنند.

  درس دوم: نقشی را که هویت فردی ایفا می‌کند فراموش نکنید، حتی اگر این نقش نمادین باشد.

  اشتباه 3: تاکید صرف بر اینکه الگوریتم‌‌‌ها چگونه می‌توانند به حداکثرسازی درآمد و سودآوری کمک کنند.

هیچ اشکالی ندارد که به کارکنان خود بگویید یک الگوریتم می‌تواند سود شرکت را افزایش دهد. آنها بدشان نمی‌‌‌آید که شرکت پول بیشتری داشته باشد، به‌‌‌ویژه اگر باعث امنیت شغلی و افزایش حقوقشان شود. اما اینکه کارکنان را تشویق کنید بر سوگیری حفظ وضعیت موجود غلبه کنند و خودشان را در معرض ریسک از بین رفتن آنچه ساخته‌‌‌اند قرار دهند، به اندازه کافی قانع‌‌‌کننده نیست.  مدیرانی که یک الگوریتم بهینه‌‌‌سازی قیمت‌گذاری برای بازرگانان خرده‌‌‌فروشی درست کرده بودند، ابتدا تمرکزشان بر این بود که این الگوریتم چگونه می‌تواند به بازرگانان کمک کند اقلام هر چه بیشتر با بهترین قیمت ممکن را به فروش برسانند. وقتی آنها تاکید کردند که الگوریتم این پتانسیل را دارد که علاوه بر افزایش سود، از شکست مالی بازرگانان جلوگیری کند، موفقیت بیشتری به دست آوردند. این موضوع با این نکته در امور مالی رفتاری که می‌‌‌گوید «درد از دست دادن از نظر روانی دو برابر قدرتمندتر از لذت به دست آوردن است»، همخوانی داشت. وقتی آنها بازرگانان را متقاعد کردند که الگوریتم قیمت‌گذاری به آنها کمک می‌کند سختی‌‌‌های روانی کاهش اجباری قیمت آیتم‌‌‌ها را به حداقل برسانند، میزان استفاده از سیستم جدید بیشتر شد.

  درس سوم: این وعده که الگوریتم می‌تواند به کارکنان در اجتناب از شکست کمک کند، قدرتمندتر از پتانسیل آن برای افزایش

 سود است.

  اشتباه 4: استفاده از تکنولوژی الگوریتمی برای ارائه بازخورد آنی به کارکنان در مورد عملکردشان

شرکت‌ها علاوه بر به‌‌‌کارگیری ابزارهای پیش‌بینی الگوریتمی برای پیش‌بینی رویدادها، از این تکنولوژی‌‌‌ها برای ورود محصولات به بازار در کوتاه‌‌‌ترین زمان ممکن، استفاده می‌کنند. به عنوان مثال، مدیران کارخانه‌‌‌های پوشاک، برای همگام شدن با تقاضاهای فست فشن (تولید انبوه و سریع لباس با قیمت و کیفیت پایین)، یک تکنولوژی ردیابی معرفی کرده‌‌‌اند که بازخورد آنی و مداوم ارائه می‌کند و به کارگران کف کارخانه نشان می‌دهد سرعتشان در تولید یکسری محصولات چقدر است و آیا اهداف ضروری را محقق کرده‌‌‌اند یا نه. این تکنولوژی سرعت تولید را تا حدی بالا برد. در یک کارخانه پوشاک، کارگرانی که شلوار مردانه تولید می‌کردند، از این تکنولوژی استقبال کردند. آنها می‌‌‌گفتند این تکنولوژی کار کسل‌‌‌کننده آنها را به یک بازی تبدیل کرده است. خیلی از آنها انگیزه پیدا کرده بودند که بازدهی خود را بالا ببرند، چون می‌‌‌خواستند رکورد شخصی خودشان را بزنند. اما کارگرانی که کت تولید می‌کردند - یعنی کارشان پیچیده‌‌‌تر بود - گفتند این تکنولوژی مهارتی که آنها دارند را به میزان کافی اندازه‌‌‌گیری نمی‌‌‌کند. برای آنها، امتیازدهی به صورت آنی، انگیزه‌‌‌بخش نبود و حتی باعث کاهش بهره‌‌‌وری‌‌‌شان شد.

  درس چهارم: تکنولوژی‌‌‌های ردیابی، گوی جادویی نیستند و شرکت‌ها باید به شکل متناسب‌‌‌سازی شده از آنها استفاده کنند.

  اشتباه 5: توضیح بیش از حد در مورد چگونگی کار الگوریتم‌‌‌ها

از آنجا که یک الگوریتم یادگیری ماشینی، جعبه‌‌‌ سیاهی است که نشان نمی‌‌‌دهد چگونه توصیه‌‌‌هایش را مطرح می‌کند، کاربران نهایی گاهی در به کار بردن این توصیه‌‌‌ها تردید دارند، به‌‌‌ویژه اگر این توصیه‌‌‌ها با آنچه دلشان می‌‌‌گوید، همخوانی نداشته باشد. به همین دلیل، دانشمندان کامپیوتر سعی می‌کنند به دیگران توضیح دهند که چرا الگوریتم این توصیه‌‌‌ها را کرده، به امید اینکه به کارکنان اطمینان خاطر بدهند. اما این توضیحات می‌تواند نتیجه عکس داشته باشد. ممکن است آنقدر اطلاعات به دست آورند که توصیه‌‌‌ها را نپذیرند.

آنها در عوض می‌‌‌خواهند مطمئن شوند افرادی که دانش و تخصصی کافی داشته‌‌‌اند و می‌توان به آنها اعتماد کرد، در ساخت این تکنولوژی دست داشته‌‌‌اند و عملکرد الگوریتم‌‌‌ها را با وسواس کافی، آزمایش کرده‌‌‌اند. به‌عنوان مثال، در دنیای مد، کارشناسان توزیع‌‌‌کننده تصمیم می‌‌‌گیرند چه تعداد از هر سایز و سبک آیتم‌‌‌ها را در هر هفته به کدام فروشگاه بفرستند تا حجم فروش را به حداکثر برسانند و امکان اتمام موجودی را به حداقل برسانند.  نکته مهم این است که در شرکتی که مورد مطالعه قرار دادیم، برخی از توزیع‌‌‌کننده‌‌‌ها درگیر طراحی و توسعه سیستم الگوریتمی بودند. در نتیجه، وقتی سیستم معرفی شد، توزیع‌‌‌کننده‌‌‌ها گفتند دوست دارند به توصیه‌‌‌های سیستم جدید اعتماد کنند؛ با اینکه دلیل ارائه هر کدام از توصیه‌‌‌ها را نمی‌‌‌دانند. آنها وقتی این توصیه‌‌‌ها را به کار می‌‌‌گرفتند، نیازی به توضیحات در موردشان نداشتند، چون می‌‌‌دانستند تعدادی از همکارانشان و همچنین مهندسان نرم‌‌‌افزار، زمان زیادی را صرف کرده‌‌‌اند تا تضمین کنند مدل ارائه شده دقیق است. 

درس پنجم: برای کاربران نهایی، ورود ذی‌نفعان در چگونگی ارائه توصیه‌‌‌ها توسط تکنولوژی و آزمایش کردن عملکرد آن، مهم‌تر از این است که توضیح داده شود چرا این تکنولوژی فلان توصیه را ارائه داده است.