تسهیل تصمیم‌گیری‏‏‌های مدیریتی با هوش مصنوعی

 تاخیر در ارسال برای یک تامین‌‌‌کننده مهم، خرابی سیستم‌‌‌های آی‌‌‌تی یا برخورد اشتباه با مشتری ناراضی در رسانه‌های جمعی همه می‌توانند به سرعت از کنترل خارج شوند و برای شرکت‌ها بدنامی و خسارات سهمگینی در پی داشته باشد. به همین دلیل هر روز کسب‌‌‌وکارهای بیشتری به تکنولوژی‌‌‌های مبتنی بر هوش مصنوعی روی می‌‌‌آورند تا به بستن شکاف بین داده و ادراک کمک کنند و توانایی تصمیم‌گیری‌‌‌شان در موقعیت‌‌‌های پرفشار و فوری را بهبود ببخشند. این تکنولوژی‌‌‌ها طیف وسیعی از ابزارها را در بر می‌گیرند؛ از دستیار مجازی گرفته تا واقعیت افزوده و مجازی، ابزارهای کشف فرآیند و استخراج کار و طیفی از پلتفرم‌‌‌های تحلیل داده و هوش کسب‌‌‌وکار. اخیرا هوش مصنوعی مولد و مدل‌های زبانی بزرگ هم بسیار پرطرفدار شده‌‌‌اند؛ طبقه کاملا متفاوتی از الگوریتم‌‌‌ها که این قابلیت را دارند که انبوهی از داده را جذب (مثل متن، ‌‌‌عدد، کد نرم‌‌‌افزاری، تصویر، فیلم، فرمول و...)، ساختار احتمالی‌‌‌شان را کشف و خلاصه، پاسخ، شبیه‌‌‌سازی و سناریوهای جایگزین تولید کنند. مدل‌های هوش مصنوعی مولد مشهور و شناخته‌‌‌شده، شامل چت جی‌‌‌پی‌‌‌تی شرکت اوپن ای‌‌‌آی، بارد گوگل (Bard)، لیاما 2 متا (Llama 2) و آنتروپیک (Anthropic) می‌شود، اما مدل‌های بسیار بیشتری وجود دارند.

این نوشته به سه سوال مهم پیش روی تصمیم‌گیران برای استفاده از  این تکنولوژی‌‌‌ها می‌‌‌پردازد:  1-  تکنولوژی‌‌‌های تصمیم‌گیری هوش مصنوعی در چه بستری می‌توانند مفید باشند؟ 2- چالش‌‌‌ها و ریسک‌‌‌های استفاده از این تکنولوژی‌‌‌ها چیست؟ 3-‌ رهبران کسب‌و‌کارها چگونه می‌توانند از این تکنولوژی‌‌‌ها بهره ببرند و هم‌‌‌زمان ریسک‌‌‌هایشان را کاهش دهند؟

 بهبود تصمیم‌گیری با سیستم‌‌‌های هوش‌مصنوعی

تکنولوژی‌‌‌های مبتنی بر هوش مصنوعی می‌توانند حداقل از سه راه مهم به تصمیم‌گیری بهتر و سریع‌‌‌تری منجر شوند: پیگیری لحظه‌‌‌ای و پیش‌‌‌بینی بهتر توسعه‌های میدانی، تمرین مجازی برای آموزش سناریوهای کسب‌‌‌وکاری واقعی به کارکنان و ابزارهای هوش مصنوعی مولد نوظهور که می‌توانند به سوالات پاسخ دهند و برای تصمیم‌گیران به عنوان مشاور و گروه ارزیابی مجازی عمل کنند.

  پیگیری و پیش‌‌‌بینی قوی‌‌‌تر

از آنجا ‌‌‌که داده‌های حاصل از پیگیری فنی زنجیره تامین روزبه‌‌‌روز خوش‌‌‌ساخت‌‌‌تر می‌شوند و ساختار مطلوب‌‌‌تری پیدا می‌‌‌کنند، حالا شرکت‌ها می‌توانند بفهمند که مواد خام و ورودی‌‌‌ها از کجا می‌‌‌آیند، چه کسی آنها را تولید یا تامین کرده و آیا به شکل اخلاقی و طبیعت مداری تولید و تامین شده‌‌‌اند یا نه. غول کالاهای مصرفی بریتانیایی-هلندی یونیلیور را در نظر بگیرید. این شرکت مجموعه‌‌‌ای از تکنولوژی‌‌‌های پیشرفته را به کار گرفته تا نشانه‌های در حال شکل‌‌‌گیری جنگل‌‌‌زدایی را در زنجیره تولید روغن پالم گسترده و بی‌‌‌در‌و‌پیکرش کشف کند؛ به‌‌‌خصوص در حلقه اول زنجیره تامین بین مزرعه و کارخانه که غالبا ریسک تولید غیرمجاز و جنگل‌‌‌زدایی بیشتر است. برای تولیدکنندگان صنعتی روغن پالم – ماده اصلی در تولید مواد غذایی، لوازم‌‌‌آرایشی و سوخت - جنگل‌‌‌زدایی در قسمت‌‌‌های پرت و دورافتاده از زنجیره تامین یک ریسک محیط زیستی همیشگی است. شرکت برای اینکه دید بهتری نسبت به شرایط میدانی به دست بیاورد از تحلیل‌‌‌های ناشناس سیگنال‌‌‌های تلفن همراه استفاده می‌‌‌کند تا روند تولید روغن پالم را تعقیب کند و به‌‌‌این‌‌‌ترتیب بتواند منابع تامین غیرمجاز یا غیرعادی را شناسایی کند. همچنین تجزیه‌‌‌وتحلیل‌‌‌های هوش مصنوعی از تصویربرداری‌‌‌های ماهواره‌‌‌ای هم می‌توانند تغییرات ناگهانی یا غیرمنتظره در پوشش جنگلی را مشخص کنند و خطرات جنگل‌‌‌زدایی احتمالی را به‌‌‌صورت لحظه‌‌‌ای به مدیران هشدار دهند تا آنها بتوانند اقدامات پیشگیرانه‌‌‌ای اتخاذ کنند.

  اجرای مجازی با شرایط دنیای واقعی

اکنون صنایع بسیاری تکنولوژی هوش مصنوعی را برای تجهیز کارکنان و مدیران به مهارت‌‌‌های تصمیم‌گیری در شرایط کسب‌‌‌وکاری متنوعی - هم معمول و پرتکرار و هم غیرمعمول و غیرمنتظره - به کار می‌گیرند. برای کارمندان جدید مرکز تماس، احتمالا سخت‌‌‌ترین تجربه سروکله زدن با مشتریان سخت، احساساتی یا مستاصل باشد. غول مخابراتی ورایزون آمریکا، ‌‌‌با استفاده از تکنولوژی استرایورز وی‌آر (Strivr’s VR) اپراتورهای کارآموزش را در محیط‌‌‌های مجازی قرار می‌دهد که در آن می‌توانند در جایگاه مشتری قرار بگیرند و مشکلات را از دید آنها ببینند. این تجربه مسحورکننده به کارآموزان این امکان را می‌دهد که بتوانند تصمیماتی بگیرند که به کاهش تنش و افزایش شیوایی کلامشان - یکی از عوامل کلیدی بهبود تعامل با مشتری - در مکالمات کمک کند. اپلیکیشن‌‌‌های واقعیت مجازی در حوزه‌های بسیاری برای آموزش تصمیم‌گیری به افراد در دسترس هستند؛ از امور پلیسی گرفته تا خدمات درمانی و طراحی مهندسی و نگهداری زیرساخت‌‌‌های خدماتی. به عنوان نمونه نیروی انتظامی فورت میرز فلوریدا از تکنولوژی‌‌‌های فراگیر استفاده می‌‌‌کند تا به افسرانش کمک کند یاد بگیرند چگونه در شرایط اورژانسی یا موقعیت‌‌‌های پرفشار تصمیمات حیاتی بگیرند   نجواگر، کمک‌‌‌خلبان و گروه ارزیابی مجازی

سومین حوزه‌‌‌ای که تکنولوژی‌‌‌های هوش مصنوعی – به‌‌‌خصوص هوش مصنوعی مولد - می‌توانند نقش مهمی در تصمیم‌گیری ایفا کنند، مشاوران مجازی و گروه‌های ارزیابی است. ما با کنستانتین میتسوپولوس، دانشمند محقق در موسسه «شناخت انسان و ماشین» (IHMC) در فلوریدا مصاحبه کردیم که به ما گفت: «در اصل سیستم‌‌‌های هوش مصنوعی مولد می‌توانند به بعضی از مشکلاتی غلبه کنند که بر تصمیم‌گیری انسان تاثیر می‌‌‌گذارند؛ مثل حافظه کاری محدود، دامنه توجه کوتاه و خستگی ناشی از تصمیم‌گیری، به‌خصوص وقتی پای تصمیم‌گیری تحت‌‌‌فشار در میان باشد. ابزارهای هوش مصنوعی مولد این قابلیت را دارند که به تصمیم‌گیران کمک کنند در زمان صرفه‌‌‌جویی کنند، انرژی ذخیره کنند و به مسائل یا سوالاتی بپردازند که بیشترین اهمیت را دارند.» به عنوان‌‌‌مثال سیستم‌‌‌های هوش مصنوعی می‌توانند در بخش خدمات درمانی با انجام اموری از قبیل غربال و تلفیق خودکار داده‌های کلیدی موردنیاز برای تصمیم‌گیری موثر، کاهش حجم هشدارهای دارویی غیرضروری و فعال‌‌‌سازی خودکار کارها و ارتباطات لازم برای پیگیری وضعیت بیمار بار شناختی (به میزان تلاش ذهنی موردنیاز برای پردازش اطلاعات گفته می‌شود) پزشکان را کاهش دهند. اپلیکیشن‌‌‌های دیگری هم در دسترس هستند، از تداوم کسب‌‌‌وکار و مدیریت واکنش به بحران گرفته تا ارزیابی ریسک در انواع سرمایه‌‌‌گذاری‌‌‌های مالی. یکی از اپلیکیشن‌‌‌های نوظهور هوش مصنوعی مولد، توسعه «کمک‌‌‌خلبان‌‌‌های» تصمیم‌گیری است که می‌توانند در موقعیت‌‌‌های پویا اطلاعات را ارزیابی کنند، گزینه‌های ممکن و بهترین گام‌‌‌های بعدی را پیشنهاد دهند و کارها را کامل کنند. شرکت مدیریت ریسک «فیوژن» که برای مدیریت ریسک عملیاتی نرم‌‌‌افزار ارائه می‌دهد و مقرش در شیکاگوست، در حال توسعه دستیار مبتنی بر هوش مصنوعی مولدی به نام «رزیلینس کوپایلت» (Resilience Copilot، به معنای کمک خلبان تاب‌‌‌آور) است که برای غربال حجم انبوه داده، شناسایی عناصر مرتبط برای تصمیم‌گیران و تولید خلاصه‌های اجرایی، نظرات آنی و پیشنهاد‌‌‌های هوشمندانه و بهترین نمونه‌های پیشرفت از هوش مصنوعی استفاده می‌‌‌کند. هوش مصنوعی مولد در حوزه مدیریت شهرت هم به کمک سازمان‌ها می‌‌‌آید؛ مثلا از طریق ابزارهای «شنفت اجتماعی» (social listening‌ به این معنی است که بحث‌ها و گفت‌وگوهای صورت گرفته در شبکه‌های اجتماعی را پیگیری و آنها را تبدیل به فرصت‌‌‌هایی کنیم تا کاربران بیشتری جذب کرده و آگاهی افراد را از برند خود افزایش دهیم.) که به بازاریابی کمک می‌‌‌کنند و مدیران رسانه‌های اجتماعی بازخوردها و نظرات آنلاین را به‌‌‌صورت زنده دنبال می‌‌‌کنند و درباره نحوه پاسخگویی، تصمیمات موثری می‌گیرند. «رپیوتیشن» که یک شرکت تولید نرم‌‌‌افزار مدیریت شهرت در کالیفرنیاست خدماتی همچون نظارت لحظه‌‌‌ای نظرات آنلاین یک شرکت در شبکه‌های اجتماعی گوناگون را با هشدارهای لحظه‌‌‌ای برای اطلاع‌‌‌رسانی امتیازات منفی، رصد رویدادهای بحرانی و توصیه‌های قراردادی برای مدیران رسانه‌های اجتماعی که با نظرات منفی سروکار دارند، فراهم می‌‌‌کند. یکی از بزرگ‌ترین قابلیت‌‌‌های بالقوه هوش مصنوعی مولد در کنترل و تست ایده‌ها و تامین یک‌‌‌جور گروه ارزیابی مجازی است. مت جانسون، یکی از دانشمندان ارشد موسسه شناخت انسان و ماشین و خلبان سابق نیروی دریایی آمریکا، می‌گوید: «هوش مصنوعی مولد اگر به‌‌‌درستی مورد استفاده قرار گیرد می‌تواند همچون یک هم‌‌‌تیمی واقعا خوب عمل کند. دقیقا مثل موقعیتی که شاید من بخواهم مفصل درباره مشکلی با همکارم صحبت کنم؛ حتی با اینکه فکر می‌‌‌کنم خودم راه‌‌‌حلش را می‌دانم.  همچنین به‌‌‌صورت بالقوه حافظه سازمانی بلندی هم دارد که برای افرادی که ممکن است در یک سازمان تازه‌‌‌وارد باشند و می‌خواهند بدانند قبلا مشکلات چگونه رتق‌‌‌وفتق می‌شدند مفید باشد.»  در حقیقت احتمالا «جنبه خلاق» هوش مصنوعی مولد در آینده برای تصمیم‌گیران بسیاری از حوزه‌ها و صنایع گوناگون حتی مهم‌تر هم خواهد شد. یک دلیلش قابلیت آن برای تولید حجم عظیم داده‌های ساختگی است که می‌تواند ساختار احتمالی فرآیندها و رویدادهای جهان واقعی را اغلب از روی نمونه‌های بسیار کوچکی تقلید کند. از داده‌های ساختگی می‌توان برای ساخت مدل‌های تصمیم‌گیری و سناریوی رویدادهای بسیار تاثیرگذار که به‌‌‌ندرت رخ می‌دهند - به عنوان نمونه کلاهبرداری‌‌‌های فوق‌العاده هوشمندانه در بیمه که ممکن است از چشم بازرسان انسانی دور بماند- استفاده کرد. همچنین هوش مصنوعی مولد می‌تواند مجموعه‌های بسیار عظیمی از داده‌های مشتریان را به‌‌‌گونه‌‌‌ای تعدیل کند که حریم خصوصی افراد حفظ شود و بدین‌‌‌ترتیب اطلاعات تعدیل‌‌‌شده را چه برای تصمیم‌گیری‌‌‌های مبتنی بر هوش مصنوعی و چه برای تصمیم‌گیری‌‌‌های انسانی می‌توان با اطمینان و امنیت به اشتراک گذاشت.‌

 الزامات ساخت اعتماد بین انسان و ماشین

با اینکه سیستم‌‌‌های هوش مصنوعی به‌‌‌طور روزافزونی برای حمایت از تصمیم‌گیری انسانی به کار می‌‌‌روند و در برخی موارد حتی جایگزین آن هم می‌شوند، چالش‌‌‌ها و ریسک‌‌‌ها فراوان‌‌‌اند. این ریسک‌‌‌ها شامل مشکلاتی همچون احتمال سوگیری، نقض اخلاق، نگرانی‌‌‌های مربوط به منشأ داده و دقت و درستی می‌شوند و دقیقا همین ریسک‌‌‌ها سوالات حساسی برای کسب‌‌‌وکارهایی که روی این قبیل تکنولوژی‌‌‌ها سرمایه‌‌‌گذاری می‌‌‌کنند، به وجود می‌‌‌آورند. به عنوان یک تصمیم‌گیرنده، چه زمانی به ماشین بیش از انسان اعتماد می‌‌‌کنید؟ شرایط همکاری موثر انسان و ماشین چیست؟ تخصص و قضاوت انسانی موجود چگونه وارد معادله می‌شود؟ تحقیقات و تجربه ما چهار مورد ضروری را به رهبران کسب‌و‌کارها پیشنهاد می‌دهد:

  دامنه خاصی داشته باشید

 بااینکه از نظر تئوری مدل‌های هوش مصنوعی مولد می‌توانند در طیف گسترده‌‌‌ای از موقعیت‌‌‌های تصمیم‌گیری مورد استفاده قرار گیرند، غالبا در مواقعی که با استفاده از داده‌های سازمانی یا بازاری خوب و دقیق برای مسائل متمایز و جداگانه به کار می‌‌‌روند، بسیار موثرتر هستند.‌

  به منحنی تجربه توجه کنید

 تحقیقات نشان می‌دهد که مهارت و سابقه تجربی کارکنان - اینکه متخصص هستند یا مبتدی، یا جایی بین این دو - در چگونگی تعامل آنها با هوش مصنوعی بسیار تاثیرگذار است. به‌‌‌طور کلی، متخصصان تمایل دارند تا حد زیادی بر تجربه و شم درونی تکیه کنند و از ماشین‌‌‌ها فقط برای بررسی درستی راهکارشان یا پیشنهاد گزینه‌های جایگزین استفاده کنند؛ همچنین اگر مدت زیادی در یک حوزه فعالیت داشته باشند، ممکن است مهارت کمتری در تکنولوژی‌‌‌های جدید داشته باشند. کارکنان مبتدی می‌توانند از هوش مصنوعی استفاده کنند تا چم‌‌‌وخم کار را یاد بگیرند و سریع‌‌‌تر با سناریوهای گوناگونی آشنا شوند؛ اما برای جلوگیری از اتکا بیش ‌‌‌از حد به ماشین، به تمرین‌‌‌های واقعی احتیاج دارند. سطح مهارت، تجربه، دانش سازمانی و مهارت در تعامل با تکنولوژی همه عواملی هستند که رهبران کسب‌‌‌وکارها باید در طراحی استراتژی‌‌‌ها با دقت بسنجند و بررسی کنند.

  جریان تبحر را حفظ کنید

 هرچند ممکن است سازمان‌ها وسوسه شوند هوش مصنوعی مولد را به چشم میان‌‌‌بر کوتاه‌‌‌مدتی به خودکارسازی و صرفه‌‌‌جویی در هزینه‌ها ببینند؛ اما ریسک‌‌‌های بلندمدت‌‌‌تر کاهش مهارت‌‌‌های سازمان و کارکنان واقعی هستند. مت جانسون با استناد به تجربه‌‌‌اش به عنوان خلبان نیروی دریایی ایالات‌‌‌متحده می‌گوید: «حتی خلبان‌‌‌ها هم گاهی اوقات مجبور می‌شوند حالت پرواز خودکار را خاموش کنند و هواپیما را دستی فرود بیاورند. شبیه‌‌‌سازها برای تمرین چیزهایی که نمی‌خواهید در پرواز واقعی انجام دهید عالی هستند؛ اما شما نمی‌توانید فقط با شبیه‌‌‌ساز مهارتتان را حفظ کنید. مجبورید خود کار را به‌‌‌صورت واقعی انجام دهید... استفاده از هوش مصنوعی در بستر کسب‌‌‌وکار و مدیریت برای تصمیم‌گیری هم دقیقا همین‌‌‌طور است.»

  سوالات درست را بپرسید... به شکل درست

 هوش مصنوعی مولد منجر به ظهور حوزه جدیدی به نام مهندسی دستور (prompt engineering) شده است - معنایش به‌‌‌طور خلاصه نحوه سازمان‌‌‌دهی سوالات و دستوراتی است که به سیستم‌‌‌های هوش مصنوعی می‌‌‌دهیم تا بهترین پاسخ‌‌‌های ممکن را به دست بیاوریم. پژوهشگران نشان داده‌‌‌اند که متخصصان حوزه‌های مشخص بسیار بهتر از مبتدیان یا متخصصان حوزه‌های دیگر سوال طراحی می‌‌‌کنند. با توجه به اینکه در حال حاضر بسیاری از سازمان‌ها برنامه‌های «هوش مصنوعی شهروندی» (citizen AI) را اجرا می‌‌‌کنند تا استفاده از هوش مصنوعی را گسترش دهند، رهبران سازمانی باید سرمایه‌‌‌گذاری چشم‌‌‌گیری روی مهارت‌‌‌های مهندسی دستور در جای‌‌‌جای سازمانشان داشته باشند. امروزه رهبران و مدیران کسب‌و‌کارها نسبت به هر زمان دیگری داده‌های بیشتری دارند.  بااین‌‌‌حال، عجیب اینکه این سیل داده‌‌‌ فقط فشار روی مدیران را بیشتر کرده  است. ابزارهای هوش مصنوعی می‌توانند به چندین روش بار شناختی را کاهش دهند و کارآیی تصمیم‌گیری را بهبود ببخشند: پیگیری و شبیه‌‌‌سازی بهبودیافته، تمرین واقع‌‌‌گرایانه در محیط‌‌‌های مجازی و توصیه‌های آنی تصمیم‌گیری مبتنی بر هوش مصنوعی. اما برای بهره‌‌‌مندی از این مزایا، سازمان‌ها باید با چشم باز به همکاری انسان و ماشین بپردازند و به نقاط قوت، ضعف‌‌‌ و محدودیت‌‌‌های سیستم‌‌‌های هوش مصنوعی توجه کنند. از همه مهم‌تر، تصمیم‌گیران انسانی باید همچنان مهارت‌‌‌، تخصص و قضاوت خود را به‌‌‌روز کنند تا بتوانند از هوش مصنوعی به‌‌‌درستی استفاده کنند و درعین‌‌‌حال ریسک‌‌‌ها را کاهش دهند.