آیا استراتژی هوش مصنوعی شما شکسته شده است؟ چگونه مدیران ارشد اجرایی از ترانسفورماتورها برای پیروزی بزرگ استفاده می کنند

بسیاری از مدیران عامل با همین فشار مواجه هستند: مشتریان انتظار خدمات سریع‌تری دارند، کارمندان زمان زیادی را صرف جستجوی اطلاعات می‌کنند و داده‌های کسب‌وکار همچنان در حال رشد هستند. نرم‌افزار سنتی می‌تواند قوانین روشنی را مدیریت کند، اما زمانی که کار شامل زبان، زمینه، اسناد یا بسیاری از پاسخ‌های ممکن باشد، با مشکل مواجه می‌شود. به همین دلیل است که برخی از رهبران تجاری روی هوش مصنوعی مبتنی بر ترانسفورماتور سرمایه گذاری می کنند. ترانسفورماتور نوعی مدل هوش مصنوعی است که برای درک روابط بین کلمات، تصاویر، کد یا سایر داده ها طراحی شده است. ChatGPT، Google Translate، Microsoft Copilot و بسیاری از ابزارهای زبان مدرن از مدل‌های ترانسفورماتور استفاده می‌کنند. جذابیت خود برچسب فناوری نیست. جذابیت ارزش تجاری است که وقتی یک شرکت آن را برای یک مشکل واضح اعمال می کند، می تواند ایجاد کند. من پنج دلیل عملی برای توجه مدیران عامل می بینم. 1. ترانسفورماتورها در بسیاری از وظایف تجاری کار می کنند ممکن است یک شرکت به ابزارهای جداگانه ای برای ایمیل های مشتری، اسناد محصول، گزارش های بازار و کد نرم افزار نیاز داشته باشد. یک مدل ترانسفورماتور می تواند چندین مورد از این وظایف را از طریق یک سیستم مشترک پشتیبانی کند. این می تواند به یک تیم خدماتی کمک کند: - طبقه بندی درخواست های مشتری - پیش نویس پاسخ ها - جستجوی خط مشی های داخلی - خلاصه کردن مکالمات طولانی - شناسایی شکایات رایج - ترجمه پیام ها به زبان ها این مدل جایگزین هر متخصصی نمی شود. این کار میزان خواندن و نوشتن روتین را کاهش می دهد که سرعت متخصصان را کند می کند. یک کارمند پشتیبانی ممکن است ده دقیقه را صرف جستجوی سیاست بازگشت و نوشتن پاسخ کند. یک دستیار هوش مصنوعی می تواند یک پیش نویس در چند ثانیه آماده کند. کارمند همچنان پاسخ را بررسی می کند و ارتباط با مشتری را مدیریت می کند، در حالی که سیستم بخشی از کارهای دستی را حذف می کند. 2. آنها به شرکت‌ها کمک می‌کنند از داده‌هایی استفاده کنند که جستجوی آن‌ها سخت بود بسیاری از کسب‌وکارها اطلاعات مفیدی دارند که در فایل‌های PDF، ایمیل‌ها، سوابق چت، قراردادها، صفحات محصول و فایل‌های آموزشی پخش شده‌اند. این اطلاعات ممکن است ارزشمند باشد، اما کارمندان اغلب نمی توانند آن را در صورت نیاز پیدا کنند. یک ترانسفورماتور می‌تواند یک سؤال را با محتوای مرتبط مرتبط کند، حتی زمانی که عبارت با سند اصلی مطابقت ندارد. به عنوان مثال، یک کارمند ممکن است بپرسد: "آیا مشتری می تواند کالای آسیب دیده را پس از 45 روز پس دهد؟" سند خط مشی ممکن است هرگز از آن جمله دقیق استفاده نکند. ممکن است «کالای معیوب»، «پنجره برگشتی» و «اثبات خرید» را ذکر کند. یک سیستم جستجو که با مدل‌های زبانی ساخته شده است، می‌تواند این ایده‌ها را به هم مرتبط کند و کارمند را به بخش درست راهنمایی کند. این می تواند سوالات مکرر مدیران را کاهش دهد و به کارکنان جدید کمک کند فرآیندهای شرکت را با پشتیبانی کمتر یاد بگیرند. یک مدیر عامل ممکن است این را به عنوان یک مشکل دانشی به جای یک مشکل هوش مصنوعی ببیند. این شرکت در حال حاضر مالک اطلاعات است. ترانسفورماتور راه عملی تری را برای دستیابی به آن در اختیار کارکنان قرار می دهد. 3. این فناوری می تواند زمان پاسخگویی مشتری را بهبود بخشد مشتریان همیشه خواهان مکالمه طولانی نیستند. آنها اغلب می خواهند پاسخ روشنی در مورد تحویل، صورتحساب، دسترسی به حساب یا استفاده از محصول داشته باشند. یک ترانسفورماتور می تواند به جای اینکه مشتریان را مجبور به انتخاب از یک منوی طولانی کند، از یک ربات چت پشتیبانی کند که زبان طبیعی را می فهمد. همچنین می تواند موارد دشوار را با خلاصه ای کوتاه از مکالمه به یک کارگر انسانی منتقل کند. این رویکرد زمانی بهترین نتیجه را دارد که شرکت محدودیت‌های واضحی را تعیین کند. سیستم باید به سوالاتی که توسط اطلاعات تایید شده پشتیبانی می شود پاسخ دهد. باید بگوید چه زمانی فاقد داده کافی است. نباید خط مشی بازپرداخت، پاسخ پزشکی، تاریخ تحویل یا ادعای حقوقی اختراع کند. بسیاری از شرکت‌ها این درس را پس از اینکه چت‌بات‌های اولیه پاسخ‌های مطمئن اما نادرست تولید کردند، آموختند. اگر مشتری باید دوباره با شرکت تماس بگیرد تا آن را اصلاح کند، پاسخ سریع ارزش کمی دارد. 4. ترانسفورماتورها می توانند بدون تغییر هر سیستمی از کارمندان پشتیبانی کنند یک کسب و کار نیازی به بازسازی کل پشته فناوری خود قبل از آزمایش یک مدل زبانی ندارد. یک شرکت ممکن است یک دستیار هوش مصنوعی را به موارد زیر متصل کند: - یک پلت فرم میز کمک - یک کتابخانه اسناد - یک سیستم ارتباط با مشتری - یک محیط کدگذاری - یک ابزار جستجوی داخلی این به رهبران اجازه می دهد تا یک گردش کار را آزمایش کنند و نتیجه را اندازه گیری کنند. یک شرکت نرم افزاری ممکن است با خلاصه بررسی کد شروع کند. یک شرکت تدارکات ممکن است استخراج اسناد از سوابق حمل و نقل را آزمایش کند. یک دفتر وکالت ممکن است از یک ابزار خصوصی برای یافتن بندهای قراردادها استفاده کند و یک وکیل تمام نتایج را بررسی می کند. هرچه پروژه اول کوچکتر باشد، شناسایی خطاها، محاسبه هزینه و جمع آوری بازخورد کارکنان آسان تر است. 5. مورد تجاری قابل اندازه گیری است مدیران عامل هوشمند سرمایه گذاری نمی کنند زیرا هوش مصنوعی هیجان انگیز به نظر می رسد. آنها سؤالات عملی می پرسند: - این فرآیند چند ساعت صرفه جویی می کند؟ - آیا کیفیت پاسخ بهبود می یابد؟ - مدل هر چند وقت یکبار خطا می کند؟ - سیستم به چه داده هایی دسترسی خواهد داشت؟ - هزینه هر درخواست چقدر است؟ - چه کسی خروجی را بررسی می کند؟ - آیا مشتریان فرآیند جدید را خواهند پذیرفت؟ این سوالات یک پروژه فناوری گسترده را به یک آزمون تجاری تبدیل می کند. فرض کنید یک تیم پشتیبانی هر ماه 20000 پیام را مدیریت می کند. یک ابزار هوش مصنوعی برای سؤالات متداول پاسخ‌ها را تهیه می‌کند، در حالی که کارمندان قبل از ارسال، آن‌ها را بررسی می‌کنند. این شرکت می تواند میانگین زمان رسیدگی، نرخ اصلاح، رضایت مشتری و هزینه عملیاتی را قبل و بعد از آزمایش مقایسه کند. نتیجه ممکن است ارزش قوی، مقدار محدود یا بدون ارزش را نشان دهد. هر نتیجه اطلاعات مفیدی به شرکت می دهد. نمونه های عمومی گستره موارد استفاده را نشان می دهد گوگل از سیستم های مبتنی بر ترانسفورماتور در محصولات جستجو و زبان استفاده کرده است. مایکروسافت دستیارهای هوش مصنوعی را به نرم افزارهای محل کار و ابزارهای کدنویسی اضافه کرده است. GitHub Copilot به توسعه دهندگان کمک می کند تا کد را تولید و توضیح دهند. این مثال‌ها نشان می‌دهند که چگونه مدل‌های ترانسفورماتور می‌توانند از جستجو، نوشتن، کدگذاری و کار دانش پشتیبانی کنند. نتایج برای هر شرکتی یکسان نیست. یک شرکت فناوری بزرگ ممکن است سیستم های داده قوی و تیم های متخصص داشته باشد. یک کسب و کار کوچک ممکن است به ابزار ساده تری با نیازهای ادغام کمتر نیاز داشته باشد. درس این است که طرح هوش مصنوعی شرکت دیگری را کپی نکنید. درس این است که قبل از انتخاب یک مدل، کار، داده ها و فرآیند بررسی را مطالعه کنید. مسیر ایمن تر با یک گردش کار باریک شروع می شود من از یک فرآیند ساده استفاده می کنم: 1. یک کار تکراری با یک نتیجه واضح انتخاب کنید. 2. مجموعه کوچکی از اسناد یا نمونه های تایید شده را جمع آوری کنید. 3. داده های خصوصی را که سیستم به آنها نیاز ندارد حذف کنید. 4. قوانینی را برای بازبینی انسانی تنظیم کنید. 5. مدل را با موارد معمولی و سخت تست کنید. 6. دقت، زمان، هزینه و بازخورد کاربر را پیگیری کنید. 7. فقط پس از اینکه اولین گردش کار نتایج پایدار را نشان داد، گسترش دهید. این فرآیند همچنین به کارکنان کمک می کند تا به ابزار اعتماد کنند. زمانی که افراد متوجه شوند که هوش مصنوعی چه کاری می تواند انجام دهد، چه کاری نمی تواند انجام دهد و چه کسی مسئول تصمیم نهایی است، بیشتر احتمال دارد از هوش مصنوعی استفاده کنند. حفاظت از داده ها از ابتدا نیاز به توجه دارد. یک شرکت باید بررسی کند که اعلان‌ها و اسناد کجا ذخیره می‌شوند، چه کسی می‌تواند به آنها دسترسی داشته باشد، چه مدت داده‌ها نگهداری می‌شوند و آیا فروشنده از محتوای مشتری برای آموزش مدل استفاده می‌کند یا خیر. اطلاعات حساس مالی، بهداشتی، حقوقی یا شخصی ممکن است نیاز به کنترل بیشتری داشته باشد. خروجی مدل نیز نیاز به بررسی دارد. ترانسفورماتورها زبان مفید را از الگوهای موجود در داده ها پیش بینی می کنند. آنها قضاوت انسانی ندارند. آنها می توانند حقایق نادرست، اطلاعات منسوخ، زمینه از دست رفته یا پاسخی را تولید کنند که بدون پشتیبانی مناسب قابل اعتماد به نظر برسد. دیدگاه من ساده است: مدیران عامل نباید روی ترانسفورماتورها به عنوان نماد تجارت مدرن شرط بندی کنند. آنها باید روی فرآیندهای روشنی که ترانسفورماتورها می توانند بهبود بخشند شرط بندی کنند. یک مدل ممکن است به یک تیم کمک کند سریعتر جستجو کند، پیش نویس بنویسد، اطلاعات را سازماندهی کند یا به سوالات معمول پاسخ دهد. داده‌های ضعیف، خط‌مشی‌های نامشخص، خدمات مشتری ضعیف یا فرآیندی که هیچ‌کس آن را درک نمی‌کند، تعمیر نخواهد کرد. قوی ترین طرح ترکیبی از یک مورد استفاده متمرکز، داده های قابل اعتماد، نظارت انسانی و نتایج قابل اندازه گیری است. هنگامی که آن قطعات وجود دارند، فناوری ترانسفورماتور می تواند به یک ابزار تجاری مفید تبدیل شود تا آزمایش گران قیمت دیگری.

بسیاری از شرکت‌ها از ابزارهای هوش مصنوعی استفاده می‌کنند، اما استراتژی هوش مصنوعی آنها ممکن است همچنان عقب بماند. من اغلب همین الگو را می بینم: یک تیم دسترسی به یک چت بات را خریداری می کند، چند پروژه آزمایشی ایجاد می کند و منتظر نتایج تجاری است. ابزار کار می کند، اما روند یکسان باقی می ماند. کارمندان داده ها را بین سیستم ها کپی می کنند. مدیران نمی توانند توضیح دهند که کدام پروژه ها مهم هستند. مشتریان متوجه پاسخ‌های آهسته می‌شوند در حالی که تیم‌های داخلی وقت خود را صرف آزمایش ابزار بدون هدف مشخص می‌کنند. استراتژی هوش مصنوعی فهرستی از اشتراک های نرم افزاری نیست. این یک طرح عملی است که نیازهای تجاری، داده ها، افراد، ریسک و نتایج قابل اندازه گیری را به هم مرتبط می کند. نشانه هایی که استراتژی هوش مصنوعی شما نیاز به بازنشانی دارد برنامه شما ممکن است نیاز به توجه داشته باشد زمانی که: - تیم های مختلف از ابزارهای هوش مصنوعی جداگانه و بدون قوانین مشترک استفاده می کنند. - کارمندان داده های حساس شرکت یا مشتری را در ابزارهای عمومی قرار می دهند. - پروژه های هوش مصنوعی مالک یا تاریخ بررسی ندارند. - رهبران تعداد آزمایش ها را به جای ارزش تجاری اندازه گیری می کنند. - کارکنان به ابزارها دسترسی دارند اما آموزش کمی دارند. - یک خلبان در یک محیط آزمایشی کار می کند اما در عملیات روزانه شکست می خورد. - مشتریان پاسخ‌های خودکاری دریافت می‌کنند که کلی به نظر می‌رسند یا مشکل واقعی را از دست می‌دهند. - داده های شما در قالب هایی ذخیره می شوند که سیستم های هوش مصنوعی نمی توانند با اطمینان استفاده کنند. این علائم به معنای شکست شرکت شما نیست. آنها نشان می دهند که پذیرش ابزار سریعتر از برنامه ریزی پیش رفته است. ** با یک مشکل تجاری شروع کنید ** من با این سوال شروع نمی کنم، "از کجا می توانیم از هوش مصنوعی استفاده کنیم؟" من می‌پرسم: «کدام کار تکراری باعث کاهش سرعت کسب‌وکار، ایجاد خطا یا محدود کردن کیفیت خدمات می‌شود؟» یک مشکل مفید معمولا مالک مشخص و هزینه قابل مشاهده دارد. این می تواند شامل موارد زیر باشد: - بررسی بلیط های پشتیبانی - ایجاد توضیحات محصول - خلاصه کردن تماس های فروش - بررسی اسناد برای اطلاعات از دست رفته - پیش بینی نیازهای موجودی - یافتن الگوها در داده های تجهیزات - کمک به کارکنان در جستجوی سیاست های داخلی UPS یک مثال مفید ارائه می دهد. سیستم ORION آن برای پشتیبانی از برنامه ریزی مسیر تحویل استفاده شده است. چالش تجاری صرفاً «استفاده از هوش مصنوعی» نبود. هدف کمک به رانندگان و برنامه ریزان برای مدیریت مسیرهایی با سفر کمتر بود. این نوع پروژه با یک نیاز عملیاتی شروع می شود و فناوری را به یک جریان کاری خاص متصل می کند. قبل از انتخاب ابزار، روند فعلی را یادداشت کنید. زمان مورد نیاز، افراد درگیر، خطاهای رایج و نتیجه دریافتی مشتریان را ثبت کنید. یک پروژه کوچک با معیار مفید انتخاب کنید یک پایلوت باید آنقدر باریک باشد که بتواند مدیریت کند و آنقدر معنادار باشد که چیزی به شما بیاموزد. به عنوان مثال، یک تیم پشتیبانی می تواند خلاصه های بلیط تولید شده توسط هوش مصنوعی را آزمایش کند. این تیم ممکن است اندازه گیری کند: - زمان صرف شده برای خواندن هر بلیط - تعداد خلاصه هایی که نیاز به اصلاح دارند - زمان پاسخگویی پس از ایجاد خلاصه - رضایت مشتری - مواردی که نیاز به بررسی انسانی دارند هدف حذف افراد از فرآیند نیست. هدف این است که بیاموزیم هوش مصنوعی کجا می‌تواند کارهای روزمره را کاهش دهد در حالی که مردم قضاوت، همدلی و استثنائات را مدیریت می‌کنند. پروژه ای که چند دقیقه صرفه جویی می کند اما کار مروری جدیدی ایجاد می کند ممکن است مفید نباشد. پروژه ای که انتقال بین تیم ها را بهبود می بخشد، می تواند ارزش بیشتری داشته باشد، حتی اگر تغییر چشمگیری در یک کار ایجاد نکند. داده های خود را قبل از مقیاس بندی آماده کنید ابزارهای هوش مصنوعی به کیفیت و قوانین دسترسی به اطلاعاتی که استفاده می کنند بستگی دارد. اگر نام محصول در سیستم‌ها متفاوت باشد، سوابق مشتری حاوی موارد تکراری باشد یا اسناد قدیمی باشد، ممکن است اعتماد به خروجی دشوار باشد. توصیه می کنم بررسی کنید: 1. محل ذخیره داده ها 2. چه کسی می تواند به آن دسترسی داشته باشد 3. هر چند وقت یکبار به روز می شود 4. کدام فیلدها حاوی اطلاعات شخصی یا محرمانه هستند 5. چگونه خطاها تصحیح می شوند 6. چه مدت داده ها باید حفظ شوند. می‌تواند یک فرآیند را انتخاب کند، داده‌های مورد نیاز را تعریف کند و مشکلاتی را که بر آن فرآیند تأثیر می‌گذارد برطرف کند. این رویکرد کار را قابل مدیریت نگه می دارد و به تیم دید بهتری از نیازهای آینده می دهد. به کارمندان قوانین و فضایی برای گزارش مشکلات بدهید مردم به چیزی بیش از ورود به سیستم و یک نسخه نمایشی محصول کوتاه نیاز دارند. یک خط‌مشی مفید داخلی هوش مصنوعی می‌تواند توضیح دهد: - کارمندان از چه ابزارهایی می‌توانند استفاده کنند - چه اطلاعاتی نباید وارد شوند - چه زمانی نیاز به بررسی انسانی است - چگونه محتوای تولید شده توسط هوش مصنوعی را بررسی کنیم - چگونه خروجی‌های نادرست یا ناایمن را گزارش کنیم - چه کسی صاحب تصمیم نهایی است آموزش باید از وظایفی استفاده کند که کارکنان هر هفته انجام می‌دهند. یک تیم فروش می تواند خلاصه کردن تماس ها را تمرین کند. یک تیم مالی می‌تواند توضیحی را که توسط هوش مصنوعی درباره یک گزارش تهیه شده است، بررسی کند. یک تیم پشتیبانی می تواند پیش نویس های خودکار را با پاسخ های تایید شده مقایسه کند. هدف این نیست که هر کارمندی متخصص هوش مصنوعی شود. این برای کمک به مردم است تا بفهمند ابزار چه کاری می تواند انجام دهد، کجا ممکن است از کار بیفتد، و چه زمانی باید متوقف شود و درخواست کمک کند. یک فرآیند بررسی ساده ایجاد کنید هر پروژه هوش مصنوعی به یک مالک نیاز دارد. آن شخص باید پروژه را ردیابی کند، بازخورد جمع آوری کند و تصمیم بگیرد که آیا آزمایش باید ادامه یابد، تغییر کند یا متوقف شود. بررسی ماهانه می‌تواند موارد زیر را پوشش دهد: - پروژه به چه مشکلی رسیدگی می‌کند - چه چیزی در جریان کار تغییر کرده است - چه داده‌ها نشان می‌دهند - کدام خطاها ظاهر شده است - چه کارمندان و مشتریان گزارش کرده‌اند - آیا پروژه باید گسترش یابد یا خیر. این می تواند یک ایده ضعیف را از مصرف منابع باز دارد و در عین حال به یک پروژه مفید پشتیبانی لازم را می دهد. راهبردی بسازید که بتواند تغییر کند ابزارهای هوش مصنوعی و نیازهای محل کار مدام در حال تغییر هستند. یک برنامه ثابت ممکن است قبل از اینکه شرکت آن را کامل کند قدیمی شود. من یک استراتژی با اصول پایدار و پروژه های انعطاف پذیر را ترجیح می دهم. این اصول ممکن است شامل حفاظت از داده ها، بررسی انسانی، مالکیت واضح و اندازه گیری صادقانه باشد. پروژه ها می توانند با ظاهر شدن اطلاعات جدید تغییر کنند. شرکتی که از هر ابزار جدید استفاده می کند ممکن است در عین ایجاد سردرگمی فعال به نظر برسد. شرکتی که منتظر اطمینان کامل است ممکن است یادگیری ارزشمند خود را از دست بدهد. یک مسیر عملی بین این انتخاب ها قرار دارد: مشکلات واقعی را انتخاب کنید، آنها را با دقت آزمایش کنید، تأثیر را اندازه گیری کنید، و آنچه را که تیم می آموزد به اشتراک بگذارید. اگر استراتژی هوش مصنوعی شما عقب مانده است، به جای خرید ابزار دیگر، با مرور یک گردش کار شروع کنید. با افرادی که کار را انجام می دهند صحبت کنید، از داده هایی که استفاده می کنند محافظت کنید، و معیاری را تعیین کنید که منعکس کننده نیاز واقعی یک کسب و کار باشد. این فرآیند می‌تواند فعالیت‌های پراکنده هوش مصنوعی را به برنامه‌ای تبدیل کند که مردم می‌فهمند و می‌توانند از آن استفاده کنند.

بسیاری از مدیران عامل از هوش مصنوعی برای جلب توجه استفاده نمی کنند. آنها از آن برای حل یک مشکل تجاری استفاده می کنند که قبلاً هزینه، زمان یا اعتماد مشتری را به همراه دارد. این تفاوت مهم است. من اغلب می بینم که شرکت ها قبل از اینکه ابزار هوش مصنوعی را تعریف کنند، یک ابزار هوش مصنوعی را خریداری می کنند. نتیجه یک لیست طولانی از آزمایش‌ها، داده‌های پراکنده و کارمندانی است که مطمئن نیستند این سیستم چگونه با وظایف روزانه‌شان مطابقت دارد. یک رویکرد بهتر با یک نیاز تجاری واضح شروع می شود. یک مدیر عامل می‌تواند هوش مصنوعی را با اتصال آن به یک هدف قابل اندازه‌گیری به یک دارایی تجاری مفید تبدیل کند، مانند: - کاهش زمان انتظار پشتیبانی مشتری - کمک به تیم‌های فروش برای آماده شدن برای جلسات - پیدا کردن الگوهایی در هزینه‌های عملیاتی - پشتیبانی از کارکنان با کارهای معمول اسناد - بهبود پیش‌بینی‌های تقاضا - دسترسی سریع‌تر به مدیران به اطلاعات داخلی فناوری تنها بخشی از فرآیند است. تصمیم تجاری در مورد آن وزن بیشتری دارد. من با گردش کار شروع می‌کنم، نه با نرم‌افزار ** وقتی یک پروژه هوش مصنوعی را بررسی می‌کنم، یک سوال ساده می‌پرسم: "کدام کار تکراری سرعت تیم را کند می‌کند؟" یک تیم خدمات مشتری ممکن است ساعت‌ها به جستجوی پاسخ‌ها در صفحات محصول، فایل‌های خط‌مشی و بلیط‌های قدیمی بپردازد. یک تیم فروش ممکن است بخشی از هر روز را صرف تهیه یادداشت های حساب کند. یک تیم مالی ممکن است گروه های بزرگی از اسناد را قبل از تصمیم گیری یک مدیر بررسی کند. این وظایف هزینه قابل مشاهده ای دارند. آنها همچنین ساختار کافی برای یک سیستم هوش مصنوعی برای پشتیبانی از آنها دارند. UPS یک مثال مفید ارائه می دهد. سیستم ORION آن با بررسی داده های تحویل و پیشنهاد مسیرهای کارآمدتر برای رانندگان، از برنامه ریزی مسیر پشتیبانی می کند. این سیستم جایگزین دانش راننده از شرایط محلی نمی شود. این به کسب و کار منبع راهنمایی دیگری می دهد. این یک استفاده عملی از هوش مصنوعی است: یک گردش کار تعریف شده، داده های مفید و انسانی که همچنان درگیر است. **من هدفی را انتخاب می کنم که قابل اندازه گیری باشد هدف مبهم نتایج مبهم ایجاد می کند. مدیریت «استفاده از هوش مصنوعی در سراسر شرکت» دشوار است. "زمان مورد نیاز برای پاسخ به سوالات رایج پشتیبانی را کاهش دهید" مسیر روشن تری را به تیم می دهد. من معمولاً سه نوع اندازه گیری را دنبال می کنم: - زمان: کار قبل و بعد از اضافه شدن ابزار هوش مصنوعی چقدر طول می کشد؟ - کیفیت: آیا پاسخ ها، گزارش ها یا پیش بینی ها به اندازه کافی برای نقش دقیق هستند؟ - اثر تجاری: آیا این تغییر خدمات را بهبود می بخشد، کارهای قابل اجتناب را کاهش می دهد یا به تیم در تصمیم گیری بهتر کمک می کند؟ اندازه گیری نیازی به پیچیده بودن ندارد. یک مدیر پشتیبانی ممکن است میانگین زمان صرف شده برای یک بلیط را مقایسه کند. مدیر انبار ممکن است خطاهای پیش بینی را ردیابی کند. یک رهبر فروش ممکن است بررسی کند که نمایندگان چقدر زمان صرف آماده سازی تحقیقات مشتری می کنند. اندازه گیری های کوچک به مدیر عامل کمک می کند تا تصمیم بگیرد که آیا پروژه را گسترش دهد، تنظیم کند یا متوقف کند. من به کارمندان در طراحی نقش می دهم کارمندان اغلب یک فرآیند را بهتر از تیم اجرایی درک می کنند. آن‌ها می‌دانند کجا اطلاعات از دست رفته است، کدام مراحل باعث تأخیر می‌شوند و مشتریان کجا ناامید می‌شوند. من این کارمندان را قبل از انتخاب ابزار وارد پروژه می کنم. بازخورد آنها می تواند به سؤالات عملی پاسخ دهد: - کدام بخش از کار تکراری است؟ - کدام تصمیمات مستلزم قضاوت انسان است؟ - سیستم هوش مصنوعی هرگز نباید از چه اطلاعاتی استفاده کند؟ - چه چیزی اعتماد به ابزار را دشوار می کند؟ - چگونه یک فرد باید نتیجه نادرست را تصحیح کند؟ این مرحله می تواند از یک اشتباه رایج جلوگیری کند: ساختن سیستمی که در نمایش مفید به نظر می رسد اما مناسب کار نیست. یک دستیار پشتیبانی مشتری ممکن است پاسخ‌های سریع بدهد، اما کارکنان هنوز به راهی برای بررسی جزئیات خط‌مشی نیاز دارند. یک ابزار سند ممکن است بندهای کلیدی را پیدا کند، اما یک وکیل یا مدیر هنوز باید نتیجه را بررسی کند. هوش مصنوعی باید از مسئولیت پشتیبانی کند، نه اینکه آن را پنهان کند. من از داده های شرکت قبل از اتصال یک ابزار محافظت می کنم پروژه های هوش مصنوعی اغلب شامل سوابق مشتری، فایل های قیمت گذاری، اطلاعات کارمندان یا برنامه های داخلی می شوند. یک مدیر عامل باید بداند که این داده ها کجا می رود، چه کسی می تواند به آنها دسترسی داشته باشد و چه مدت ذخیره می شود. یک بررسی اساسی می‌تواند موارد زیر را پوشش دهد: - نوع داده‌های استفاده شده توسط سیستم - سطوح دسترسی برای کارکنان مختلف - قوانین مربوط به اطلاعات شخصی و محرمانه - نگهداری سوابق برای تصمیم‌گیری‌های ایجاد شده توسط هوش مصنوعی - بررسی انسانی برای کارهای حساس - فرآیندی برای گزارش خطا یا سوء استفاده از پلتفرم COiN JPMorgan برای کمک به بررسی قراردادهای وام تجاری استفاده شده است. ارزش از رسیدگی به بخش‌هایی از یک کار سنگین سند ناشی می‌شود، در حالی که کارکنان آموزش دیده مسئول تصمیم‌گیری‌ها باقی می‌مانند. آن مدل درس مفیدی ارائه می دهد. هوش مصنوعی می تواند اطلاعات را به سرعت پردازش کند، اما این شرکت همچنان به قوانین، بررسی و پاسخگویی نیاز دارد. ** من به افراد آموزش می دهم که خروجی را زیر سوال ببرند ** پاسخ هوش مصنوعی می تواند صیقلی به نظر برسد و همچنان حاوی خطا باشد. کارمندان به آموزش هایی نیاز دارند که فراتر از یادگیری این است که کدام دکمه ها را فشار دهند. به کارکنان آموزش می‌دهم که بررسی کنند: - آیا پاسخ از منبع درست استفاده می‌کند - آیا جزئیات کلیدی وجود ندارد - آیا اطلاعات فعلی است - آیا توصیه برای مشتری یا مورد تجاری مناسب است - آیا نتیجه باید توسط یک متخصص بررسی شود یا خیر، این به ویژه در امور مالی، مراقبت‌های بهداشتی، خدمات حقوقی، استخدام و سایر زمینه‌هایی که پاسخ ضعیف می‌تواند مستقیماً بر افراد تأثیر بگذارد مفید است. چک لیست بررسی کوتاه می تواند مفیدتر از یک سند خط مشی طولانی باشد. مردم به نمونه های واضحی از استفاده قابل قبول، استفاده محدود و موقعیت هایی که نیاز به تایید دارند نیاز دارند. فقط پس از جلب اعتماد خلبان گسترش می‌دهم یک خلبان باید به اندازه‌ای بزرگ باشد که یک الگو را نشان دهد، اما آنقدر کوچک باشد که بتوان آن را کنترل کرد. یک بخش، یک فرآیند و یک اقدام واضح ممکن است کافی باشد. در طول اجرای آزمایشی، من از سه گروه بازخورد جمع‌آوری می‌کنم: - کارمندانی که از ابزار استفاده می‌کنند - مدیرانی که کار را بررسی می‌کنند - مشتریان یا تیم‌های داخلی متاثر از تغییر دیدگاه‌های آنها ممکن است به مشکلاتی اشاره کند که داده‌های عملکرد از قلم افتاده است. یک ابزار ممکن است در زمان صرفه جویی کند اما کار ویرایش اضافی ایجاد کند. ممکن است سرعت را بهبود بخشد در حالی که باعث می شود پاسخ ها کمتر احساس شخصی کنند. ممکن است برای موارد رایج خوب کار کند اما با درخواست‌های غیرمعمول شکست بخورد. این جزئیات تصمیم بعدی را شکل می دهد. اگر ابزار از هدف پشتیبانی کند، شرکت می تواند آن را با دقت گسترش دهد. اگر اینطور نیست، توقف پروژه نیز یک تصمیم تجاری مفید است. پولی که قبلاً خرج شده است نباید یک سیستم ضعیف را مجبور به استفاده گسترده تر کند. مدیران عاملی که ارزش ماندگاری از هوش مصنوعی به دست می آورند، تمایل دارند آن را به عنوان یک تغییر تجاری تلقی کنند، نه خرید نرم افزار. آنها مشکل را تعریف می کنند، افرادی که کار را انجام می دهند را درگیر می کنند، از داده های حساس محافظت می کنند، تأثیر را اندازه گیری می کنند و قضاوت انسانی را در این فرآیند حفظ می کنند. این رویکرد ممکن است نسبت به راه اندازی ده ها پروژه هوش مصنوعی کمتر چشمگیر به نظر برسد. عملی تر است. یک سیستم متمرکز که یک بار روزانه را از بین می برد، می تواند ارزش بیشتری نسبت به یک برنامه بزرگ بدون مالک یا معیار مشخص ایجاد کند.

بسیاری از شرکت ها قبل از اینکه تصمیم بگیرند چه مشکلی را حل کنند، هوش مصنوعی را به گردش کار خود اضافه می کنند. این انتخاب اغلب کار بیشتر، نتایج ناهموار و سردرگمی در مورد اینکه چه کسی مسئول نتیجه است ایجاد می کند. من تیم‌هایی را دیده‌ام که چندین ابزار هوش مصنوعی خریده‌اند، کارکنان را برای استفاده از آن‌ها آموزش می‌دهند، و هنوز هم با تصویب‌های کند، محتوای ضعیف و شیوه‌های داده نامشخص مبارزه می‌کنند. مشکل به ندرت تنها مربوط به نرم افزار است. مشکل عمیق تر، یک استراتژی هوش مصنوعی بدون هدف، مالک یا فرآیند بررسی مشخص است. یک طرح مفید هوش مصنوعی باید به افراد کمک کند تا در عین محافظت از کیفیت، اعتماد مشتری و داده های تجاری، بهتر کار کنند. ## با مشکل تجاری شروع کنید من با این سوال شروع نمی کنم، "کدام ابزار هوش مصنوعی را بخریم؟" من با این جمله شروع می کنم: - کجا کار کند می شود؟ - کدام کارها هر هفته تکرار می شوند؟ - کدام تصمیمات به داده های بهتری نیاز دارند؟ - مشتریان در کجا با تاخیر یا پاسخ های نامشخص مواجه می شوند؟ - کدام فرآیند هزینه های قابل اجتناب ایجاد می کند؟ ممکن است یک تیم خدمات مشتری برای مرتب کردن درخواست‌های پشتیبانی به کمک نیاز داشته باشد. یک تیم بازاریابی ممکن است به روش سریع تری برای ایجاد خلاصه محتوا نیاز داشته باشد. یک تیم فروش ممکن است پس از تماس مشتری به یادداشت های تمیزتری نیاز داشته باشد. اینها نیازهای متفاوتی هستند. یک ابزار ممکن است به همه آنها خوب عمل نکند. فرآیند، افراد درگیر، زمان صرف شده و نتیجه ای که انتظار دارید را بنویسید. این به تیم نقطه شروع مفیدی می دهد و به جلوگیری از پذیرش تصادفی ابزار کمک می کند. ## یک مورد استفاده متمرکز را انتخاب کنید پروژه‌های بزرگ هوش مصنوعی اغلب با شکست مواجه می‌شوند زیرا دامنه خیلی سریع رشد می‌کند. من یک آزمایش کوچک با نتیجه واضح را ترجیح می دهم. یک شرکت می‌تواند از هوش مصنوعی برای موارد زیر استفاده کند: - طبقه‌بندی ایمیل‌های پشتیبانی دریافتی - ایجاد اولین پیش‌نویس از توضیحات محصول - تبدیل یادداشت‌های جلسه به موارد اقدام - بررسی اسناد برای زمینه‌های گمشده - پیشنهاد مقالات پایگاه دانش داخلی - گروه‌بندی بازخورد مشتریان بر اساس موضوع. همچنین باید انسانی داشته باشد که بتواند خروجی را بررسی کند. به عنوان مثال، یک خرده فروش ممکن است از هوش مصنوعی بخواهد که اولین پیش نویس نسخه محصول را ایجاد کند. یکی از کارکنان هنوز اندازه محصول، مواد، جزئیات حمل و نقل و ادعاها را قبل از انتشار بررسی می کند. این رویکرد باعث صرفه جویی در زمان نوشتن می شود بدون اینکه اجازه دهد متن تایید نشده به مشتریان برسد. ## تنظیم یک استاندارد کیفیت واضح خروجی هوش مصنوعی به طور خودکار دقیق، مفید یا مناسب برای انتشار نیست. قبل از شروع یک خلبان، من تعریف می کنم که کار قابل قبول چگونه است. این استاندارد ممکن است شامل موارد زیر باشد: - اطلاعات محصول صحیح - سطح خواندن مناسب - صدای برند ثابت - بدون ادعاهای پشتیبانی نشده - بدون داده های مشتری خصوصی - مسیری روشن برای بررسی انسانی یک ربات چت پشتیبانی نباید به خودی خود به هر سوالی پاسخ دهد. ممکن است به درخواست های ساده رسیدگی کند و موارد حساس را برای یک کارمند آموزش دیده ارسال کند. یک دستیار محتوا ممکن است یک مقاله را پیش نویس کند، اما یک متخصص موضوع باید حقایق، لحن و هدف جستجو را بررسی کند. گوگل همچنین نشان داده است که پاسخ های تولید شده توسط ماشین می توانند حاوی خطا باشند. بحث عمومی پیرامون خلاصه‌های اولیه جستجوی هوش مصنوعی این را روشن کرد. نمایان بودن جستجو همچنان به محتوای مفید و دقیقی بستگی دارد که در خدمت مردم باشد. افزودن متن هوش مصنوعی به تنهایی باعث ایجاد اعتماد یا رتبه بندی پایدار نمی شود. ## قبل از اتصال ابزارها از داده ها محافظت کنید پروژه های هوش مصنوعی اغلب شامل سوابق مشتری، داده های فروش، اسناد داخلی یا اطلاعات کارمندان می شوند. هر منبع داده به یک قانون دسترسی واضح نیاز دارد. من این سوالات را قبل از اتصال ابزار می پرسم: - سیستم چه اطلاعاتی را دریافت خواهد کرد؟ - آن اطلاعات در کجا ذخیره می شود؟ - چه کسی می تواند به خروجی دسترسی داشته باشد؟ - آیا ارائه دهنده از داده های ارسالی برای آموزش مدل استفاده خواهد کرد؟ - چگونه شرکت می تواند بعداً داده ها را حذف کند؟ - اگر ابزار پاسخ اشتباه بدهد چه اتفاقی می افتد؟ ممکن است یک تیم نیازی به ارسال سوابق کامل مشتری به یک سیستم هوش مصنوعی نداشته باشد. ممکن است به جای آن از یک شماره مشتری، یک نوع مشکل کلی یا یک خلاصه کوتاه استفاده کند. محدودیت‌های ساده داده، قرار گرفتن در معرض را کاهش می‌دهد و توضیح فرآیند را برای کارمندان و مشتریان آسان‌تر می‌کند. ## به پروژه یک مالک بدهید مسئولیت مشترک می تواند بدون مسئولیت باشد. یک پروژه هوش مصنوعی به مالکی با نام نیاز دارد که هدف را ردیابی کند، عملکرد را بررسی کند، بازخورد جمع‌آوری کند و تصمیم بگیرد که چه زمانی گردش کار نیاز به تنظیم دارد. مالک نیازی به متخصص فنی ندارد. آنها به اختیار کافی برای هماهنگی بازاریابی، عملیات، بررسی قانونی، خدمات مشتری یا پشتیبانی فناوری اطلاعات در صورت نیاز نیاز دارند. تیم همچنین باید مشخص کند که چه کسی می‌تواند محتوا را تأیید کند، چه کسی خطاها را مدیریت می‌کند، و چه کسی سیستم را هنگام بروز مشکل متوقف می‌کند. این زمانی اهمیت پیدا می کند که هوش مصنوعی بخشی از یک فرآیند روزانه شود. یک اشتباه جزئی در پیش نویس ممکن است به راحتی برطرف شود. قیمت اشتباه، ادعای سلامت نادرست، یا پاسخ گمراه کننده مشتری می تواند مشکل بزرگتری ایجاد کند. ## نتایج مفید تجاری را اندازه گیری کنید استفاده از ابزار با ارزش تجاری یکسان نیست. یک تیم ممکن است گزارش دهد که کارمندان 2000 پیش نویس هوش مصنوعی تولید کرده اند. این عدد کمی در مورد کیفیت یا صرفه جویی می گوید. اقدامات بهتر عبارتند از: - میانگین زمان رسیدگی - زمان ویرایش انسانی - میزان خطا - زمان پاسخ مشتری - نرخ تبدیل - هزینه هر کار تکمیل شده - تعداد پرونده های ارسال شده به کارکنان انسانی - شکایات مشتری مرتبط با خروجی هوش مصنوعی استفاده از خط پایه قبل از شروع آزمایشی. اگر یک تیم 30 دقیقه را صرف نوشتن یک توضیح محصول می کند، اندازه گیری کنید که آیا پیش نویس بررسی شده آن زمان را بدون افزایش اصلاحات کاهش می دهد یا خیر. اگر کارکنان ساعات بیشتری را صرف رفع اشتباهات کنند، شمارش زمان کمتر نتیجه خوبی نیست. ## آموزش افراد برای زیر سوال بردن آموزش AI خروجی باید بیش از کلیک دکمه را پوشش دهد. کارمندان باید بدانند که چگونه دستورالعمل های مفید بنویسند، حقایق را بررسی کنند، از اطلاعات خصوصی محافظت کنند و خطاها را گزارش کنند. آنها همچنین باید بدانند که چه زمانی از هوش مصنوعی استفاده نکنند. یک راهنمای داخلی کوتاه می تواند شامل موارد زیر باشد: - ابزارهای تایید شده - داده های ممنوع - مراحل بررسی - نمونه هایی از خروجی ضعیف - تماس های افزایش یافته - قوانین ثبت سوابق همچنین از کارمندان می خواهم نمونه های ناموفق را به اشتراک بگذارند. این موارد اغلب بیشتر از نمایش‌های صیقلی را آموزش می‌دهند، زیرا نشان می‌دهند که سیستم کجا نیاز به محدودیت دارد. ## یک طرح سئو در مورد افرادی بسازید که هوش مصنوعی می تواند از محتوای جستجو پشتیبانی کند، اما نباید جایگزین تحقیق یا قضاوت تحریریه شود. یک گردش کار صحیح ممکن است به این صورت باشد: 1. سؤالاتی را که مشتریان می پرسند مطالعه کنید. 2. صفحات موجود را بررسی کنید و اطلاعات گم شده را شناسایی کنید. 3. یک طرح کلی ایجاد کنید که با هدف جستجو مطابقت داشته باشد. 4. از هوش مصنوعی برای پشتیبانی تحقیقاتی یا پیش نویس اولیه استفاده کنید. 5. تجربه متخصص، مثال های اصلی و توضیحات واضح را اضافه کنید. 6. حقایق، پیوندها، ادعاها و ساختار صفحه را بررسی کنید. 7. پس از انتشار مطالب را مرور کنید. موتورهای جستجو می توانند الگوهای تکراری، صفحات نازک و متنی را که ارزش کمی به آن اضافه می کند، درک کنند. انتشار بسیاری از صفحات مشابه ممکن است حجم کار را بدون ایجاد ترافیک جستجوی مفید افزایش دهد. من ترجیح می‌دهم صفحات کمتری را منتشر کنم که به سؤالات واقعی مشتری پاسخ دهد تا اینکه یک کتابخانه بزرگ از پیش‌نویس‌های کم عمق ایجاد کنم. ## برنامه را هر ماه مرور کنید، استراتژی هوش مصنوعی باید با یادگیری کسب و کار تغییر کند. هر ماه خلبان را مرور کنید: - چه وظیفه ای بهبود یافته است؟ - خطاها از کجا ظاهر شدند؟ - کدام کارمندان نیاز به حمایت بیشتری دارند؟ - آیا مشتریان تجربه بهتری را مشاهده کردند؟ - آیا این فرآیند خطرات جدیدی ایجاد کرد؟ - آیا شرکت باید موارد استفاده را گسترش دهد، تنظیم کند یا متوقف کند؟ این بررسی هوش مصنوعی را با نیازهای تجاری مرتبط نگه می دارد. همچنین این فرصت را به شرکت می دهد تا ابزارهایی را که دیگر ارزش کافی را ارائه نمی دهند حذف کند. هوش مصنوعی نیازی به کنترل تمام بخش های یک کسب و کار ندارد. گردش کار متمرکز، مدیریت دقیق داده ها، بررسی انسانی و اهداف قابل اندازه گیری می تواند مسیر پایدارتری ایجاد کند. تیم هایی که زود آماده می شوند همیشه تیم هایی با بیشترین بودجه نیستند. آن‌ها اغلب تیم‌هایی هستند که می‌دانند چه چیزی را می‌خواهند بهبود بخشند، چه چیزی را اندازه‌گیری خواهند کرد و یک فرد باید در کجا مسئولیت پذیر باشد. ما از سوالات شما استقبال می کنیم: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

Ashish Vaswani، Noam Shazeer، Niki Parmar، Jakob Uszkoreit، Llion Jones، Aidan N. Gomez، Łukasz Kaiser و Illia Polosukhin، 2017، Attention Is All You Need مؤسسه ملی استانداردها و فناوری، ژانویه 2023، مؤسسه مدیریت چارچوبی جهانی McAi. ژوئن 2023، پتانسیل اقتصادی هوش مصنوعی مولد: سازمان مرزی بهره وری بعدی برای همکاری و توسعه اقتصادی، مه 2019، توصیه شورای هوش مصنوعی Google Search Central، فوریه 2023، راهنمایی درباره محتوای هوش مصنوعی مولد در وب سایت شما JPMorgan Chase & Co, 201 موافقتنامه یادگیری COIN، Commercial Learning Programs، 201