
در قسمت اول از مقاله قوانین استفاده از هوش مصنوعی به بررسی ۲ قانون از ۵ قانون استفاده از هوش مصنوعی پرداختیم. قسمت اول این مقاله را اینجا بخوانید.
قانون سوم: با تجزیه مدل هوش مصنوعی به کوچکترین بخشهای ممکن، بر پیچیدگی آن غلبه کنید
پیچیدگی بر دنیای رقابتهای یادگیری ماشین حکومت میکند. دانشمندان علوم داده سیستمهای الگوریتمی گسترده و غیر قابل نفوذی را فراهم میکنند تا هوشمندی یک ماشین را به رخ بکشند. مشکل اینجاست که این سیستمها برای رسیدگی به مسائلی که یک کسبوکار ممکن است با آنها روبهرو شود، نسبتا بلااستفاده هستند. شرکتها میتوانند به جای تکرار نتایج موفقیتآمیز این رقابتها، با طراحی زیرمدلهای قابل تفسیرتری که منطق تجاری مشکلات مشخص را نشانه میگیرد، ظرافت یک مدل هوش مصنوعی را به کار ببندند.
برای توضیح بهتر این موضوع به این مثال دقت کنید: یک توزیعکننده B2B مصالح و تجهیزات ساختمانی قصد داشت که برای تیمهای فروش خود که با پیمانکارهای فرعی کوچک تا متوسط کار میکردند، یک سیستم توصیهگر محصول بر مبنای هوش مصنوعی ایجاد کند. سیستمهای توصیهگر معمولی، مانند مواردی که در نتفلیکس یا آمازون استفاده میشوند، عادتهای خرید و تاریخچه مرور افراد را تجزیهوتحلیل کرده و فهرست طویلی از پیشنهادهایی را که ممکن است با علایق آنها مطابقت کند، به آنها ارائه میدهد. در این وضعیت، مصرفکننده بهندرت به این موضوع توجه میکند که تعدادی از پیشنهادها کاملا بیربط هستند و این بهندرت روی خرید نهایی او یا ادامه تعامل او با وبسایت اثر میگذارد. اما در کسبوکار B2B که فروشنده باید پیشنهادهای مرتبط را رودررو مطرح کند و در غیر این صورت احتمالا مشتری را از دست خواهد داد، امکان کمی برای چندین پیشنهاد نادرست وجود دارد.
با در نظر داشتن این مسائل، شرکت B2B از یک الگوریتم هوش مصنوعی سهمرحلهای استفاده کرد. اولین مرحله حدود پروژه را تعیین میکند، مثلا آیا سفارش اولیه نشان میدهد که مشتری نیازمند تعمیرات است یا به تاسیسات کاملا جدیدی نیاز دارد. الگوریتم دوم تعیینکننده این است که برای تکمیل پروژه به کدام محصولات نیاز است و الگوریتم سوم نیز نشان میدهد که کدام SKUها، شرایط ویژه پروژه را به بهترین شکل برآورده میکنند. نکته مهم این است که سلسلهمراتب پیشنهادها طبیعتا از ارائه فروش پشتیبانی میکنند؛ اولی خود پروژه را مشخص میکند، دیگری فعالیتهایی که به پروژه مربوط است و در نهایت در مرحله سوم محصولاتی که برای اجرای بخشهای ثانویه پروژه لازم است، تعیین میشوند. این رویکرد یادگیری ماشین باعث افزایش دو درصدی فروش این توزیعکننده شد.
قانون چهارم: یادگیری ماشین باید به اتخاذ تصمیمهای مشخص در کسبوکار کمک کند
سیستمهای یادگیری ماشین اغلب بر اساس دقت دیدگاهی که از آینده به دست میدهند، مورد ارزیابی قرار میگیرند، اما پیشبینیهای بینقص، لزوما موجب اتخاذ تصمیمات بهینه نمیشوند. در عوض، عملکرد این سیستمها باید بسته به ارزشی ارزیابی شوند که شرکت بهطور تدریجی در اثر اتخاذ تصمیماتی کسب میکند که این سیستمها عامل آنها هستند. ارائه پیشبینی تقاضا بدون یک ابزار پشتیبانی از تصمیمات مربوط به آن که عرضه را با تقاضا تنظیم کند، بیشترین ارزش ممکن را به شرکت اضافه نمیکند.
اینجاست که الگوریتمهای بهینهسازی وارد میدان میشوند. یک موتور بهینهسازی از پایگاه دانش هوش مصنوعی استفاده میکند تا تصمیماتی را توصیه کند که به بهترین شکل متناسب با هدف است، مانند بهبود حاشیه، محدودکردن هزینهها یا رسیدن به بهترین زمان فرآوری.
الگوریتمهای بهینهسازی تمام تصمیمات ممکن را بررسی و مواردی که بیشترین تاثیر را داشته و در عین حال محدودیتهای کسبوکار را نیز در نظر میگیرند، شناسایی میکنند. این الگوریتمها این امکان را برای کاربران فراهم میآورند تا ابزارهای شبیهسازی و برنامهریزی خاصی طراحی کنند که گفتوگویی را بین سیستم هوش مصنوعی و افرادی که در بخش تجاری شرکت مشغول هستند، شکل میدهند. در مقابل هم اغلب این اتفاق به تحلیل پیشرفته رفتار مخاطب منجر میشود که دانش شرکت را در زمینه عملیاتها و بهترین روشها برای رسیدن به عملکرد بهینه گسترش میدهد.
برای مطالعه ادامه مطلب « قوانین استفاده از هوش مصنوعی (قسمت دوم)» به وبلاگ گروه سرمایهگذاری پرسال مراجعه کنید: