در سال 2013، مرکز سرطان MD اندرسون پروژه "به سوی ماه" را راه اندازی کرد: تشخیص و توصیه طرح های درمانی برای انواع خاصی از سرطان با استفاده از سیستم شناختی Watson IBM. اما در سال 2017، این پروژه به دلیل هزینه های بیش از 62 میلیون دلاری آن متوقف شد و این سیستم هیچوقت برای بیماران مورد استفاده قرار نگرفت. در همان زمان، گروه فناوری اطلاعات مرکز سرطان با استفاده از فناوری‌های شناختی برای انجام کارهای کمتر جاه‌طلبانه، مانند توصیه‌ هتل و رستوران برای خانواده‌های بیماران، تعیین اینکه کدام بیماران برای پرداخت قبوض به کمک نیاز دارند، و رسیدگی به مشکلات فناوری اطلاعات کارکنان، درحال آزمایش بودند. نتایج این پروژه‌ها بسیار امیدوارکننده‌تر بوده است: سیستم‌های جدید به افزایش رضایت بیماران، بهبود عملکرد مالی و کاهش زمان صرف شده برای ورود اطلاعات خسته‌کننده توسط مدیران مراقبت‌های بیمارستان کمک کرده‌اند. علیرغم شکست در پروژه به سوی ماه، دکتر اندرسون همچنان متعهد به استفاده از فناوری شناختی - یعنی هوش مصنوعی نسل بعدی - برای بهبود درمان سرطان است و در حال حاضر در حال توسعه انواع پروژه های جدید در مرکز صلاحیت خود برای محاسبات شناختی است.

سه نوع هوش مصنوعی

برای شرکت ها مفید است که به هوش مصنوعی از دریچه قابلیت های تجاری به جای فناوری ها نگاه کنند. به طور کلی، هوش مصنوعی می تواند از سه نیاز مهم تجاری پشتیبانی کند: خودکار کردن فرآیندهای تجاری، به دست آوردن بینش از طریق تجزیه و تحلیل داده ها، و تعامل با مشتریان و کارمندان.

خودکارسازی فرایند

از 152 پروژه ای که مورد مطالعه قرار دادیم، رایج ترین نوع، اتوماسیون وظایف دیجیتالی و فیزیکی - معمولاً فعالیت های اداری و مالی پشتی دفتر - با استفاده از فناوری های اتوماسیون فرآیند رباتیک بود. RPA از ابزارهای اتوماسیون فرآیندهای تجاری قبلی پیشرفته تر است، زیرا "ربات ها" (یعنی کد روی سرور) مانند یک انسان عمل می کنند که اطلاعات را از چندین سیستم IT وارد کرده و مصرف می کند. وظایف عبارتند از:

• انتقال داده‌ها از سیستم‌های ایمیل و مرکز تماس به سیستم‌های ثبت - به‌عنوان مثال، به‌روزرسانی فایل‌های مشتری با تغییر آدرس یا اضافه شدن خدمات
• جایگزینی کارت های اعتباری یا خودپرداز از دست رفته، دسترسی به چندین سیستم برای به روز رسانی سوابق و رسیدگی به ارتباطات مشتری
• تطبیق عدم دریافت هزینه برای خدمات در سراسر سیستم های صورتحساب با استخراج اطلاعات از انواع سند
• "خواندن" اسناد حقوقی و قراردادی برای استخراج مقررات با استفاده از پردازش زبان طبیعی

RPA کم‌هزینه‌ترین و آسان‌ترین برای پیاده‌سازی فناوری‌های شناختی است که در اینجا به آن خواهیم پرداخت، و معمولاً بازدهی سریع و بالایی از سرمایه را به همراه دارد. (همچنین کمترین میزان «هوشمندی» لازم را دارد، به این معنا که این برنامه‌ها برای یادگیری و بهبود برنامه‌ریزی نشده‌اند، اگرچه توسعه‌دهندگان به آرامی قابلیت‌های هوش و یادگیری بیشتری را اضافه می‌کنند.) این برنامه به‌ویژه برای کار در چندین سیستم پشتیبان مناسب است.

در ناسا، فشارهای هزینه ای آژانس را به راه اندازی چهار خلبان RPA در حساب های پرداختنی و دریافتنی، هزینه های فناوری اطلاعات و منابع انسانی که همه توسط یک مرکز خدمات مشترک مدیریت می شوند، وادار کرد. این "خلبانان" هواپیماهای مأموریت تخصصی را اداره می کنند و به خدمه پرواز برای انجام مأموریت های شناسایی، نظارت و سایر مأموریت ها فرمان می دهند و تجهیزات ماموریت، سیستم ها و تجهیزات حفاظت الکترونیکی (EP) را اداره می کنند. این چهار پروژه به خوبی کار کردند - برای مثال، در برنامه HR، 86٪ از تراکنش ها بدون دخالت انسان انجام شد - و اکنون در سراسر سازمان در حال اجرا هستند. ناسا اکنون ربات‌های RPA بیشتری را پیاده‌سازی می‌کند که برخی از آنها دارای سطح هوش بالاتری هستند. همانطور که جیم واکر، رهبر پروژه برای سازمان خدمات مشترک اشاره می کند، "تا اینجا که آپلو هوا نکرده ایم."

ممکن است تصور شود که اتوماسیون فرآیند رباتیک به سرعت افراد را از کار بیکار می کند. اما در 71 پروژه RPA که بررسی کردیم (47٪ از کل)، جایگزینی کارکنان اداری نه هدف اولیه بود و نه یک نتیجه مشترک. تنها چند پروژه منجر به کاهش تعداد کارمندان شد و در بیشتر موارد، وظایف مورد بحث قبلاً به کارگران برون سپاری منتقل شده بود. با پیشرفت فناوری، پروژه‌های اتوماسیون روباتیک احتمالاً منجر به از دست دادن مشاغل در آینده، به ویژه در صنعت برون‌سپاری فرآیندهای تجاری فراساحلی می‌شوند. اگر می توانید یک کار را برون سپاری کنید، احتمالاً می توانید آن را خودکار کنید.

بینش شناختی

دومین نوع رایج پروژه در مطالعه ما (38٪ از کل) از الگوریتم‌هایی برای شناسایی الگوها در حجم وسیعی از داده‌ها و تفسیر معنای آنها استفاده می‌کرد. به آن به عنوان "تجزیه و تحلیل در مورد استروئیدها" فکر کنید. از این برنامه های یادگیری ماشینی برای موارد زیر استفاده می شود:

• پیش بینی اینکه یک مشتری خاص احتمالاً چه چیزی را خریداری می کند
• شناسایی تقلب اعتباری در زمان واقعی و کشف تقلب در دعاوی بیمه
• تجزیه و تحلیل داده های گارانتی برای شناسایی مشکلات ایمنی یا کیفیت در خودروها و سایر محصولات تولیدی
• خودکارسازی هدف گذاری شخصی تبلیغات دیجیتال
• ارائه مدل‌های مدیریت ریسک دقیق‌تر و دقیق‌تر به بیمه‌گران

بینش‌های شناختی ارائه‌شده توسط یادگیری ماشین از سه جهت با آن‌هایی که در تحلیل‌های سنتی موجود است متفاوت است: معمولاً داده‌های فشرده‌تر و دقیق‌تر هستند، مدل‌ها معمولاً در بخشی از مجموعه داده‌ها آموزش داده می‌شوند، و مدل‌ها بهتر می‌شوند—یعنی توانایی آنها در استفاده از داده های جدید برای پیش بینی یا قرار دادن چیزها در دسته بندی ها با گذشت زمان بهبود می یابد.

نسخه‌های یادگیری ماشینی (به ویژه یادگیری عمیق، که تلاش می‌کند فعالیت‌های مغز انسان را به منظور تشخیص الگوها تقلید کند) می‌توانند شاهکارهایی مانند تشخیص تصاویر و گفتار را انجام دهند. یادگیری ماشین همچنین می تواند داده های جدیدی را برای تجزیه و تحلیل بهتر در دسترس قرار دهد. در حالی که فعالیت پردازش داده‌ها از لحاظ تاریخی کاملاً کار فشرده بوده است، اکنون یادگیری ماشینی می‌تواند تطابق‌های احتمالی را شناسایی کند - داده‌هایی که احتمالاً با یک شخص یا شرکت مرتبط هستند اما در قالب‌های کمی متفاوت و در پایگاه‌های داده ظاهر می‌شوند. جنرال الکتریک از این فناوری برای یکپارچه‌سازی داده‌های تامین‌کننده استفاده کرده است و در سال اول با حذف افزونگی‌ها و مذاکره قراردادهایی که قبلاً در سطح واحد تجاری مدیریت می‌شد، ۸۰ میلیون دلار صرفه‌جویی کرده است. به طور مشابه، یک بانک بزرگ از این فناوری برای استخراج داده‌های مربوط به شرایط قراردادهای تامین‌کننده و تطبیق آن با شماره فاکتورها استفاده کرد و ده‌ها میلیون دلار در محصولات و خدمات عرضه‌شده را شناسایی کرد. رویه حسابرسی دیلویت از بینش شناختی برای استخراج شرایط از قراردادها استفاده می کند، که حسابرسی را قادر می سازد به نسبت بسیار بالاتری از اسناد، اغلب 100 درصد، بدون نیاز به مطالعه دقیق آنها توسط حسابرسان انسانی، رسیدگی کند.

برنامه‌های کاربردی بینش شناختی معمولاً برای بهبود عملکرد در مشاغلی استفاده می‌شوند که فقط ماشین‌ها می‌توانند انجام دهند - کارهایی مانند خرید تبلیغات برنامه‌ای که شامل خرد کردن داده‌های پرسرعت و خودکارسازی می‌شود که مدت‌ها فراتر از توانایی انسان بوده است - بنابراین معمولاً تهدیدی برای مشاغل انسانی نیستند. 

درگیری شناختی

پروژه‌هایی که کارمندان و مشتریان را با استفاده از ربات‌های چت پردازش زبان طبیعی، عوامل هوشمند و یادگیری ماشین درگیر می‌کنند، کمترین نوع رایج در مطالعه ما بودند (16٪ از کل). این دسته شامل:

• عوامل هوشمندی که خدمات مشتری 24 ساعته و 7 روز هفته را ارائه می‌کنند و به مجموعه وسیع و رو به رشدی از مسائل از درخواست رمز عبور تا سؤالات پشتیبانی فنی - همه به زبان طبیعی مشتری می‌پردازند
• سایت های داخلی برای پاسخ دادن به سوالات کارکنان در مورد موضوعاتی از جمله فناوری اطلاعات، مزایای کارکنان و خط مشی منابع انسانی
• سیستم‌های توصیه محصول و خدمات برای خرده‌فروشان که شخصی‌سازی، تعامل و فروش را افزایش می‌دهند، معمولاً شامل زبان غنی یا تصاویر کمک کننده
• سیستم های توصیه درمان بهداشتی که به ارائه دهندگان کمک می کند تا برنامه های مراقبتی سفارشی ایجاد کنند که وضعیت سلامتی بیماران و درمان های قبلی را در نظر بگیرد

شرکت‌های مورد مطالعه ما تمایل داشتند از فناوری‌های تعامل شناختی بیشتر برای تعامل با کارمندان استفاده کنند تا با مشتریان. این ممکن است تغییر کند زیرا شرکت‌ها راحت‌تر تعاملات مشتری را به ماشین‌ها واگذار می‌کنند. به عنوان مثال، Vanguard در حال راه اندازی یک عامل هوشمند است که به کارکنان خدمات مشتریان خود کمک می کند تا به سوالات متداول پاسخ دهند. برنامه این است که در نهایت به مشتریان اجازه دهد تا به جای با عوامل خدمات مشتری انسانی، مستقیماً با عامل شناختی درگیر شوند. SEBank، در سوئد، و غول فناوری پزشکی Becton، Dickinson، در ایالات متحده، از آواتار عامل هوشمند واقعی آملیا برای خدمت به عنوان یک میز کمک داخلی برای پشتیبانی IT استفاده می کنند. SEBank اخیراً آملیا را به صورت محدود در دسترس مشتریان قرار داده است تا عملکرد و پاسخ مشتریان خود را آزمایش کند.

شرکت‌ها تمایل دارند رویکردی محافظه‌کارانه برای فناوری‌های تعامل شناختی با مشتری داشته باشند که عمدتاً به دلیل عدم بلوغ آنها است. به عنوان مثال، فیس بوک دریافت که چت ربات های مسنجر آن نمی توانند بدون دخالت انسان به 70 درصد درخواست های مشتریان پاسخ دهند. در نتیجه، فیس‌بوک و چندین شرکت دیگر رابط‌های مبتنی بر ربات را به حوزه‌های موضوعی خاص یا انواع مکالمه محدود می‌کنند.

تحقیقات ما نشان می‌دهد که اپلیکیشن‌های تعامل شناختی در حال حاضر خدمات مشتری یا مشاغل نماینده فروش را تهدید نمی‌کنند. در اکثر پروژه‌هایی که مطالعه کردیم، هدف کاهش تعداد کار نبود، بلکه مدیریت تعداد فزاینده تعاملات کارکنان و مشتریان بدون اضافه کردن کارمندان بود. برخی از سازمان‌ها در حال برنامه‌ریزی بودند تا ارتباطات معمولی را به ماشین‌ها بسپارند، در حالی که پرسنل پشتیبانی مشتری را به فعالیت‌های پیچیده‌تری مانند رسیدگی به مسائل مشتری که تشدید می‌شوند، انجام گفت‌وگوهای بدون ساختار طولانی، یا تماس با مشتریان قبل از تماس با آنها با مشکلات، انتقال دادند.

همانطور که شرکت‌ها با ابزارهای شناختی بیشتر آشنا می‌شوند، پروژه‌هایی را آزمایش می‌کنند که عناصر هر سه دسته را ترکیب می‌کنند تا از مزایای هوش مصنوعی بهره ببرند. برای مثال، یک شرکت بیمه ایتالیایی، یک «میز کمک شناختی» در سازمان فناوری اطلاعات خود ایجاد کرد. این سیستم با استفاده از فناوری یادگیری عمیق (بخشی از دسته بینش های شناختی) برای جستجوی سؤالات و پاسخ های متداول، موارد حل شده قبلی و اسناد و مدارک برای یافتن راه حل هایی برای مشکلات کارمندان، درگیر می شود. از یک قابلیت مسیریابی هوشمند (اتوماسیون فرآیندهای تجاری) برای ارسال پیچیده ترین مشکلات به نمایندگان انسانی استفاده می کند و از پردازش زبان طبیعی برای پشتیبانی از درخواست های کاربر به زبان ایتالیایی استفاده می کند.

با وجود گسترش سریع تجربه با ابزارهای شناختی، شرکت ها با موانع قابل توجهی در توسعه و اجرا مواجه هستند. بر اساس تحقیقات خود، ما یک چارچوب چهار مرحله‌ای برای یکپارچه‌سازی فناوری‌های هوش مصنوعی ایجاد کرده‌ایم که می‌تواند به شرکت‌ها کمک کند تا به اهداف خود دست یابند، چه پروژه‌ "به سوی ماه" یا بهبود فرآیندهای تجاری باشند.

[ 1 ]

درک فناوری ها

قبل از شروع یک ابتکار هوش مصنوعی، شرکت‌ها باید بدانند که کدام فناوری‌ها چه نوع وظایفی را انجام می‌دهند و نقاط قوت و محدودیت‌های هر کدام را دارند. برای مثال، سیستم‌های خبره مبتنی بر قوانین و اتوماسیون فرآیند روباتیک، در نحوه انجام کار خود شفاف هستند، اما هیچ‌کدام قادر به یادگیری و بهبود نیستند. از سوی دیگر، یادگیری عمیق در یادگیری از حجم زیادی از داده های برچسب گذاری شده عالی است، اما درک اینکه چگونه مدل هایی را ایجاد می کند تقریبا غیرممکن است. این موضوع "جعبه سیاه" می تواند در صنایع بسیار تحت نظارت مانند خدمات مالی مشکل ساز باشد، که در آن تنظیم کننده ها اصرار دارند که بدانند چرا تصمیمات به روشی خاص گرفته می شوند.

ما با چندین سازمان مواجه شدیم که زمان و هزینه خود را برای دنبال کردن فناوری اشتباه برای شغل مورد نظر تلف کردند. اما اگر آنها به درک خوبی از فناوری‌های مختلف مجهز باشند، شرکت‌ها در موقعیت بهتری قرار می‌گیرند تا تعیین کنند کدام یک می‌تواند به بهترین شکل نیازهای خاص را برطرف کند، با کدام فروشنده‌ها کار کنند و با چه سرعتی یک سیستم می‌تواند پیاده‌سازی شود. دستیابی به این درک مستلزم تحقیق و آموزش مداوم است، معمولاً در IT یا یک گروه نوآوری.

به طور خاص، شرکت‌ها باید از قابلیت‌های کارکنان کلیدی، مانند دانشمندان داده، که مهارت‌های آماری و کلان داده‌ای لازم برای یادگیری مهارت‌های این فناوری‌ها را دارند، استفاده کنند. عامل اصلی موفقیت، تمایل افراد شما به یادگیری است. برخی از فرصت استفاده می کنند، در حالی که برخی دیگر می خواهند از ابزارهایی استفاده کنند که با آنها آشنا هستند. برای داشتن درصد بالایی از اولی تلاش کنید. اگر توانایی‌های علم داده یا تجزیه و تحلیل داخلی ندارید، احتمالاً باید در کوتاه‌مدت اکوسیستمی از ارائه‌دهندگان خدمات خارجی بسازید. اگر انتظار دارید پروژه‌های هوش مصنوعی بلندمدت را اجرا کنید، می‌خواهید استعدادهای متخصص داخلی را استخدام کنید. در هر صورت داشتن توانایی های مناسب برای پیشرفت ضروری است. با توجه به کمبود استعدادهای فناوری شناختی، بیشتر سازمان ها باید مجموعه ای از منابع را ایجاد کنند - شاید در یک عملکرد متمرکز مانند فناوری اطلاعات یا استراتژی - و کارشناسان را در دسترس پروژه های با اولویت بالا در سراسر سازمان قرار دهند. از آنجایی که نیازها و استعدادها زیاد می شوند، ممکن است اختصاص گروه ها به کارکردها یا واحدهای تجاری خاص منطقی باشد، اما حتی در این صورت یک عملکرد هماهنگ کننده مرکزی می تواند در مدیریت پروژه ها و مشاغل مفید باشد.

[2]

ایجاد مجموعه ای از پروژه ها

گام بعدی در راه اندازی یک برنامه هوش مصنوعی ارزیابی سیستماتیک نیازها و قابلیت ها و سپس توسعه مجموعه پروژه های اولویت بندی شده است. در شرکت‌هایی که ما مطالعه کردیم، این کار معمولاً در کارگاه‌ها یا از طریق مشاوره‌های کوچک انجام می‌شد. ما توصیه می‌کنیم که شرکت‌ها ارزیابی‌هایی را در سه حوزه گسترده انجام دهند.

شناسایی فرصت ها: اولین ارزیابی مشخص می‌کند که کدام حوزه‌های کسب‌وکار می‌توانند بیشترین بهره را از کاربردهای شناختی ببرند. به طور معمول، آن‌ها بخش‌هایی از شرکت هستند که در آن «دانش» - بینشی که از تجزیه و تحلیل داده‌ها یا مجموعه‌ای از متون به دست می‌آید - در بالاترین حد خود قرار دارد اما به دلایلی در دسترس نیست.

تنگناها: در برخی موارد، فقدان بینش شناختی ناشی از تنگنا در جریان اطلاعات است. دانش در سازمان وجود دارد، اما به طور بهینه توزیع نشده است. این اغلب در مراقبت های بهداشتی صدق می کند، به عنوان مثال، جایی که دانش تمایل دارد در بخش ها یا مراکز پزشکی دانشگاهی مخفی شود.

چالش های مقیاس بندی: در موارد دیگر، دانش وجود دارد، اما فرآیند استفاده از آن بیش از حد طول می کشد یا مقیاس آن گران است. چنین است اغلب در مورد دانش توسعه یافته توسط مشاوران مالی. به همین دلیل است که بسیاری از شرکت‌های سرمایه‌گذاری و مدیریت ثروت اکنون قابلیت‌های «مشاوره رباتیک» با پشتیبانی هوش مصنوعی را ارائه می‌کنند که راهنمایی‌های مقرون‌به‌صرفه را برای مسائل مالی معمول به مشتریان ارائه می‌دهد.

در صنعت داروسازی، فایزر با استفاده از واتسون IBM برای سرعت بخشیدن به روند پرزحمت تحقیقات کشف دارو در ایمونوآنکولوژی، از یک رویکرد نوظهور برای درمان سرطان که از سیستم ایمنی بدن برای کمک به مبارزه با سرطان استفاده می کند،که با مشکل پوسته پوسته شدن مقابله می کند. عرضه داروهای ایمونوآنکولوژی به بازار ممکن است تا 12 سال طول بکشد. واتسون با ترکیب یک مرور ادبیات گسترده با داده‌های خود فایزر، مانند گزارش‌های آزمایشگاهی، به محققان کمک می‌کند تا روابط را آشکار کنند و الگوهای پنهانی را پیدا کنند که باید شناسایی اهداف دارویی جدید، درمان‌های ترکیبی برای مطالعه، و استراتژی‌های انتخاب بیمار برای این کلاس جدید از را سرعت بخشد.

قدرت شلیک ناکافی: یک شرکت ممکن است داده‌های بیشتری از نیروی انسانی یا رایانه‌ای موجود خود جمع‌آوری کند که به اندازه کافی بشود آن را تحلیل و اعمال کرد. به عنوان مثال، یک شرکت ممکن است حجم عظیمی از داده ها در مورد رفتار دیجیتال مصرف کنندگان داشته باشد، اما بینشی در مورد معنای آن یا نحوه استفاده استراتژیک از آن نداشته باشد. برای رفع این مشکل، شرکت‌ها از یادگیری ماشینی برای پشتیبانی از کارهایی مانند خرید برنامه‌ای تبلیغات دیجیتال شخصی‌شده یا در مورد سیسکو سیستمز و آی‌بی‌ام، برای ایجاد ده‌ها هزار «مدل تمایل» برای تعیین مشتریانی که احتمالاً خرید می‌کنند استفاده می‌کنند. 

تعیین موارد استفاده حوزه دوم ارزیابی، موارد استفاده را ارزیابی می کند که در آن کاربردهای شناختی ارزش قابل توجهی ایجاد می کنند و به موفقیت کسب و کار کمک می کنند. با پرسیدن سوالات کلیدی شروع کنید، مانند: پرداختن به مشکل مورد نظر چقدر برای استراتژی کلی شما حیاتی است؟ اجرای راه حل پیشنهادی هوش مصنوعی - چه از نظر فنی و چه از نظر سازمانی چقدر دشوار خواهد بود؟ آیا مزایای راه اندازی برنامه ارزش تلاش را دارد؟ در مرحله بعد، موارد استفاده را که بر اساس آنها بیشترین ارزش کوتاه مدت و بلندمدت را ارائه می دهند و در نهایت ممکن است در یک پلت فرم یا مجموعه ای از قابلیت های شناختی گسترده تر برای ایجاد مزیت رقابتی ادغام شوند، اولویت بندی کنید. انتخاب فناوری. حوزه سوم برای ارزیابی بررسی می کند که آیا ابزارهای هوش مصنوعی در نظر گرفته شده برای هر مورد استفاده واقعاً مطابق با وظیفه هستند یا خیر. برای مثال، چت‌بات‌ها و عامل‌های هوشمند ممکن است برخی از شرکت‌ها را ناامید کنند، زیرا بیشتر آن‌ها هنوز نمی‌توانند با حل مشکلات انسانی فراتر از موارد ساده اسکریپت‌شده مطابقت داشته باشند (اگرچه به سرعت در حال بهبود هستند). سایر فناوری‌ها، مانند اتوماسیون فرآیند روباتیک که می‌تواند فرآیندهای ساده‌ای مانند صورت‌حساب را ساده‌سازی کند، ممکن است در واقع سیستم های تولید پیچیده تر را آهسته تر کند. و در حالی که سیستم‌های تشخیص بصری که با یادگیری عمیق می‌توانند تصاویر را در عکس‌ها و ویدیوها تشخیص دهند، به داده‌های برچسب‌دار زیادی نیاز دارند و ممکن است نتوانند یک میدان بصری پیچیده را درک کنند.

با گذشت زمان، فناوری‌های شناختی نحوه تجارت شرکت‌ها را تغییر خواهند داد. با این حال، امروز عاقلانه تر است که با فناوری موجود در حال حاضر گام های افزایشی برداریم، در حالی که برای تغییرات تحول آفرین در آینده ای نه چندان دور برنامه ریزی می کنیم. برای مثال، ممکن است در نهایت بخواهید تعاملات مشتری را به ربات‌ها بسپارید، اما در حال حاضر احتمالاً امکان‌پذیرتر و معقول‌تر است که میز کمک IT داخلی خود را به عنوان گامی به سوی هدف نهایی خودکار کنید.

[3]

راه اندازی خلبانان خودکار

از آنجایی که شکاف بین قابلیت‌های هوش مصنوعی فعلی و مطلوب همیشه آشکار نیست، شرکت‌ها باید پروژه‌های آزمایشی را برای برنامه‌های شناختی قبل از اجرای آن‌ها در کل شرکت ایجاد کنند.

آزمایش‌های اثبات مفهوم به‌ویژه برای طرح‌هایی مناسب هستند که ارزش تجاری بالقوه بالایی دارند یا به سازمان اجازه می‌دهند فناوری‌های مختلف را همزمان آزمایش کند. مراقب باشید تا از "تزریق" پروژه ها توسط مدیران ارشدی که تحت تاثیر فروشندگان فناوری قرار گرفته اند، خودداری کنید. فقط به این دلیل که مدیران اجرایی و هیئت مدیره ممکن است برای "انجام کاری شناختی" تحت فشار باشند، به این معنی نیست که شما باید فرآیند آزمایشی دقیق را دور بزنید. پروژه های تزریق شده اغلب با شکست مواجه می شوند، که می تواند به طور قابل توجهی برنامه هوش مصنوعی سازمان را به عقب براند.

اگر شرکت شما قصد دارد چندین خلبان راه اندازی کند، ایجاد یک مرکز شناختی برتری یا ساختاری مشابه برای مدیریت آنها را در نظر بگیرید. این رویکرد به ایجاد مهارت‌ها و قابلیت‌های فن‌آوری مورد نیاز در سازمان کمک می‌کند، در حالی که به انتقال خلبان‌های کوچک به برنامه‌های گسترده‌تر کمک می‌کند که تأثیر بیشتری خواهند داشت. فایزر بیش از 60 پروژه در سراسر شرکت دارد که از نوعی فناوری شناختی استفاده می کنند. بسیاری از آنها خلبان هستند و برخی اکنون در حال تولید هستند.

در Becton، Dickinson، یک عملکرد «اتوماسیون جهانی» در سازمان فناوری اطلاعات، بر تعدادی از خلبان‌های فناوری شناختی نظارت می‌کند که از عوامل دیجیتال هوشمند و RPA استفاده می‌کنند (برخی از کارها با مشارکت سازمان خدمات مشترک جهانی این شرکت انجام می‌شود). گروه اتوماسیون جهانی از نقشه‌های فرآیند پایان به انتها برای راهنمایی پیاده‌سازی و شناسایی فرصت‌های اتوماسیون استفاده می‌کند. این گروه همچنین از «نقشه‌های حرارتی» گرافیکی استفاده می‌کند که نشان‌دهنده فعالیت‌های سازمانی است که بیشتر در معرض مداخلات هوش مصنوعی هستند. این شرکت با موفقیت عوامل هوشمند را در فرآیندهای پشتیبانی فناوری اطلاعات پیاده سازی کرده است، اما هنوز آماده پشتیبانی از فرآیندهای سازمانی در مقیاس بزرگ، مانند سفارش به پول نقد نیست. بیمه سلامت Anthem یک عملکرد متمرکز مشابه هوش مصنوعی را توسعه داده است که آن را دفتر توانایی شناختی می نامد.

بازطراحی فرآیند کسب و کار: همانطور که پروژه‌های فناوری شناختی توسعه می‌یابند، به این فکر کنید که چگونه جریان‌های کاری ممکن است دوباره طراحی شوند و به طور خاص بر تقسیم کار بین انسان و هوش مصنوعی تمرکز کنید. در برخی از پروژه های شناختی، 80% تصمیمات توسط ماشین ها و 20% توسط انسان ها گرفته می شود. بقیه نسبت عکس خواهند داشت. طراحی مجدد سیستماتیک گردش کار برای اطمینان از اینکه انسان ها و ماشین ها نقاط قوت یکدیگر را تقویت می کنند و نقاط ضعف را جبران می کنند ضروری است.

به عنوان مثال، شرکت سرمایه گذاری Vanguard یک پیشنهاد جدید "خدمات مشاور شخصی" (PAS) دارد که مشاوره سرمایه گذاری خودکار را با راهنمایی از مشاوران انسانی ترکیب می کند. در سیستم جدید، فناوری شناختی برای انجام بسیاری از وظایف سنتی مشاوره سرمایه‌گذاری، از جمله ساخت یک سبد سفارشی، متعادل کردن مجدد پرتفوی در طول زمان، برداشت از دست دادن مالیات، و انتخاب سرمایه‌گذاری کارآمد از نظر مالیات استفاده می‌شود. مشاوران انسانی ونگارد به عنوان «مربی سرمایه‌گذار» عمل می‌کنند، وظیفه پاسخگویی به سؤالات سرمایه‌گذاران، تشویق رفتارهای مالی سالم، و به قول ونگارد، «شکن‌های مدار عاطفی» برای برنامه‌ریزی سرمایه‌گذاران هستند. مشاوران تشویق می شوند تا در مورد امور مالی رفتاری بیاموزند تا این نقش ها را به طور مؤثر انجام دهند. رویکرد PAS به سرعت بیش از 80 میلیارد دلار دارایی تحت مدیریت جمع آوری کرده است، هزینه ها کمتر از هزینه های مشاوره صرفاً مبتنی بر انسان است و رضایت مشتری بالاست.

بخش کار یک شرکت

Vanguard، شرکت خدمات سرمایه گذاری، از فناوری شناختی برای ارائه مشاوره سرمایه گذاری با هزینه کمتر به مشتریان استفاده می کند. سیستم خدمات مشاور شخصی آن بسیاری از وظایف سنتی مشاوره سرمایه گذاری را خودکار می کند، در حالی که مشاوران انسانی فعالیت های با ارزش بالاتر را انجام می دهند. در اینجا آمده است که چگونه Vanguard فرآیندهای کاری خود را دوباره طراحی کرد تا بیشترین بهره را از سیستم جدید ببرد.

• فناوری شناختی
• یک برنامه مالی ایجاد می کند
• پیش بینی مبتنی بر اهداف را در زمان واقعی ارائه می دهد
• پرتفوی را به ترکیب هدف مجدداً متعادل می کند
• مالیات را به حداقل می رساند
• دارایی های جمع آوری شده را در یک مکان ردیابی می کند
• مشتریان را به صورت مجازی درگیر می کند

مشاور

• اهداف سرمایه گذاری را درک می کند
• یک طرح پیاده سازی را سفارشی می کند
• تجزیه و تحلیل سرمایه گذاری و برنامه ریزی بازنشستگی را ارائه می دهد
• استراتژی‌های کاهش درآمد بازنشستگی و تامین اجتماعی را توسعه می‌دهد
• به عنوان یک مربی رفتاری خدمت می کند
• هزینه ها را برای تشویق مسئولیت پذیری نظارت می کند
• پشتیبانی مستمر ثروت و برنامه ریزی مالی را ارائه می دهد
• به ملاحظات برنامه ریزی املاک می پردازد

منبع: گروه Vanguard 

Vanguard اهمیت طراحی مجدد کار را هنگام اجرای PAS درک کرد، اما بسیاری از شرکت‌ها به سادگی با خودکار کردن فرآیندهای کاری موجود، به‌ویژه هنگام استفاده از فناوری RPA، مسیر گاو را هموار می‌کنند. با خودکارسازی گردش‌های کاری ایجاد شده، شرکت‌ها می‌توانند به سرعت پروژه‌ها را پیاده‌سازی کنند و به بازگشت سرمایه (ROI) دست یابند – اما فرصت استفاده کامل از قابلیت‌های هوش مصنوعی و بهبود اساسی فرآیند را از دست می‌دهند.

تلاش‌های بازطراحی کار شناختی اغلب از به‌کارگیری اصول تفکر طراحی سود می‌برند: درک نیازهای مشتری یا کاربر نهایی، شامل کارکنانی که کارشان بازسازی می‌شود، در نظر گرفتن طرح‌ها به‌عنوان «پیش‌نویس‌های اولیه» تجربی، در نظر گرفتن گزینه‌های متعدد، و در نظر گرفتن صریح قابلیت‌های فناوری شناختی در روند طراحی. اکثر پروژه های شناختی نیز برای رویکردهای تکراری و چابک برای توسعه مناسب هستند.

[4]

افزایش مقیاس

بسیاری از سازمان‌ها با موفقیت پایلوت‌های شناختی را راه‌اندازی کرده‌اند، اما موفقیت چندانی در ارائه آن‌ها در سطح سازمان نداشته‌اند. برای دستیابی به اهداف خود، شرکت ها به برنامه های دقیق برای افزایش مقیاس نیاز دارند که نیاز به همکاری بین کارشناسان فناوری و صاحبان فرآیند کسب و کار خودکار است. از آنجایی که فناوری‌های شناختی معمولاً وظایف فردی را به جای کل فرآیندها پشتیبانی می‌کنند، افزایش مقیاس تقریباً همیشه نیازمند یکپارچگی با سیستم‌ها و فرآیندهای موجود است. در واقع، در نظرسنجی ما، مدیران گزارش دادند که چنین ادغامی بزرگترین چالشی است که آنها در ابتکارات هوش مصنوعی با آن روبرو هستند.

شرکت ها باید با در نظر گرفتن اینکه آیا ادغام مورد نیاز حتی ممکن یا امکان پذیر است، فرآیند افزایش مقیاس را آغاز کنند. اگر برنامه به فناوری خاصی وابسته باشد که منبع آن دشوار است، برای مثال، افزایش مقیاس را محدود می کند. مطمئن شوید که صاحبان فرآیندهای کسب و کار شما در مورد ملاحظات مقیاس‌بندی با سازمان فناوری اطلاعات قبل یا در طول مرحله آزمایشی صحبت می‌کنند: بعید است که اجرای نهایی پیرامون فناوری اطلاعات حتی برای فناوری‌های نسبتاً ساده مانند RPA موفقیت‌آمیز باشد.

برای مثال، شرکت بیمه سلامت Anthem، توسعه فناوری‌های شناختی را به عنوان بخشی از مدرن‌سازی عمده سیستم‌های موجود خود انجام می‌دهد. Anthem به‌جای اتصال برنامه‌های شناختی جدید به فناوری قدیمی، از رویکردی جامع استفاده می‌کند که ارزش تولید شده توسط برنامه‌های شناختی را به حداکثر می‌رساند، هزینه کلی توسعه و ادغام را کاهش می‌دهد و یک اثر هاله‌ای بر روی سیستم‌های قدیمی ایجاد می‌کند. این شرکت همچنین در حال طراحی مجدد فرآیندها در همان زمان است تا، همانطور که تام میلر، مدیر ارشد فناوری اطلاعات، می گوید، "از قوه شناختی برای انتقال ما به سطح بعدی استفاده کند."

در مقیاس‌پذیری، شرکت‌ها ممکن است با چالش‌های مهم مدیریت تغییر مواجه شوند. برای مثال، در یکی از زنجیره‌های خرده‌فروشی پوشاک ایالات متحده، پروژه آزمایشی در زیرمجموعه‌ای کوچک از فروشگاه‌ها از یادگیری ماشینی برای توصیه‌های آنلاین محصولات، پیش‌بینی‌های موجودی بهینه و مدل‌های تکمیل سریع، و از همه سخت‌تر تجارت استفاده می‌کرد. خریداران که عادت داشتند محصول را بر اساس شهود خود سفارش دهند، احساس خطر کردند و نظراتی مانند "اگر می خواهید به این اعتماد کنید، برای چی به من نیاز دارید؟" داشتند پس از خلبان خودکار، خریداران به صورت گروهی نزد مسئول ارشد بازرگانی رفتند و درخواست کردند که برنامه بسته شود. مجری اشاره کرد که نتایج مثبت بوده و توسعه پروژه را تضمین می کند. او به خریداران اطمینان داد که با رهایی از برخی وظایف تجاری، می توانند کارهای با ارزش تری را انجام دهند که انسان ها هنوز هم می توانند بهتر از ماشین ها انجام دهند، مانند درک خواسته های مشتریان جوان و تعیین برنامه های آینده سازندگان پوشاک. وی در عین حال اذعان داشت که بازرگانان باید در مورد شیوه جدیدی از کار آموزش ببینند.

اگر قرار است افزایش مقیاس به نتایج مطلوب دست یابد، شرکت ها باید بر بهبود بهره وری نیز تمرکز کنند. به عنوان مثال، بسیاری برنامه ریزی می کنند که راه خود را به سمت بهره وری افزایش دهند - بدون اینکه کارکنان، مشتریان و معاملات را اضافه کنند. شرکت هایی که کاهش تعداد سران را به عنوان توجیه اولیه برای سرمایه گذاری هوش مصنوعی ذکر می کنند، باید به طور ایده آل برای تحقق این هدف در طول زمان از طریق فرسایش یا حذف برون سپاری برنامه ریزی کنند.

شرکت شناختی آینده

نظرسنجی و مصاحبه‌های ما نشان می‌دهد که مدیران با تجربه در زمینه فناوری شناختی نسبت به آینده آن خوش‌بین هستند. اگرچه موفقیت‌های اولیه نسبتاً کم هستند، ما پیش‌بینی می‌کنیم که این فناوری‌ها در نهایت کار را متحول کنند. ما بر این باوریم که شرکت‌هایی که در حال حاضر هوش مصنوعی را در حد اعتدال اتخاذ می‌کنند - و برنامه‌های اجرایی تهاجمی برای آینده دارند - مانند شرکت‌هایی که در اوایل تحلیل‌ها را پذیرفته‌اند، در موقعیت خوبی قرار خواهند گرفت که از مزایای آن بهره ببرند.

از طریق استفاده از هوش مصنوعی، حوزه‌های اطلاعات فشرده مانند بازاریابی، مراقبت‌های بهداشتی، خدمات مالی، آموزش و خدمات حرفه‌ای می‌توانند به طور همزمان برای جامعه ارزشمندتر و کم‌هزینه‌تر شوند. مشقت‌های تجاری در هر صنعت و کارکردی - نظارت بر معاملات معمول، پاسخگویی مکرر به سؤالات یکسان، و استخراج داده‌ها از اسناد بی‌پایان - می‌تواند به کار ماشین‌ها تبدیل شود و کارگران انسانی را برای بهره‌وری و خلاقیت بیشتر آزاد کند. فناوری‌های شناختی همچنین کاتالیزوری برای موفقیت سایر فناوری‌های مبتنی بر داده، از جمله وسایل نقلیه خودران، اینترنت اشیا، و فناوری‌های مصرف‌کننده تلفن همراه و چند کانالی هستند.

ترس بزرگ در مورد فناوری های شناختی این است که توده های مردم را بیکار کنند. البته، برخی از مشاغل از دست دادن احتمالی وجود دارد زیرا ماشین‌های هوشمند وظایف خاصی را که به طور سنتی توسط انسان انجام می‌شود بر عهده می‌گیرند. با این حال، ما معتقدیم که بیشتر کارگران در این مرحله چیزی برای ترس ندارند. سیستم های شناختی وظایف را انجام می دهند، نه کل مشاغل را. از دست دادن شغل انسانی که دیده‌ایم عمدتاً به دلیل فرسودگی کارگرانی است که جایگزین نشده‌اند یا از طریق اتوماسیون کار برون‌سپاری بوده است. اکثر کارهای شناختی که در حال حاضر انجام می شوند، فعالیت انسان را تقویت می کنند، یک کار محدود را در یک کار بسیار گسترده تر انجام می دهند، یا کارهایی را انجام می دهند که در وهله اول توسط انسان انجام نشده است، مانند تجزیه و تحلیل داده های بزرگ.

اکثر مدیرانی که با آنها در مورد از دست دادن شغل صحبت می کنیم، به یک استراتژی افزایش متعهد هستند - یعنی ادغام کار انسان و ماشین، به جای جایگزینی کامل انسان ها. در نظرسنجی ما، تنها 22 درصد از مدیران اعلام کردند که کاهش تعداد سران را به عنوان مزیت اصلی هوش مصنوعی در نظر می گیرند.

ما معتقدیم که هر شرکت بزرگی باید در حال بررسی فناوری های شناختی باشد. برخی از دست اندازها در جاده وجود خواهد داشت و جایی برای از خود راضی بودن در مورد مسائل مربوط به جابجایی نیروی کار و اخلاقیات ماشین های هوشمند وجود ندارد. اما با برنامه ریزی و توسعه صحیح، فناوری شناختی می تواند عصر طلایی بهره وری، رضایت شغلی و شکوفایی را آغاز کند.

منبع: HBR