دمو عالی پیش رفت. روی پردهٔ بزرگ اتاق جلسه، مدل همهٔ قطعههای معیوب ویدئوی آزمایشی را پیدا کرد و مدیر کارخانه برای اولین بار در آن فصل لبخند زد. شش ماه بعد دوربین هنوز روی خط بود، مانیتور کنارش خاموش بود و اپراتورها یک برگ کاغذ رویش چسبانده بودند. کسی پروژه را لغو نکرده بود؛ فقط دیگر برای هیچکس مهم نبود.
در ۲۴ سال کار در صنعت تولید، پروژههای هوش مصنوعی را خیلی بیشتر در مرحلهٔ پایلوت دیدهام که میمیرند تا در مرحلهٔ ساخت. فناوری معمولاً به اندازهٔ کافی خوب کار میکند. چیزی که پروژه را میکشد، دور و بر آن است. پنج اشتباهی که بیشتر از همه دیدهام:
۱. شروع با ابزار به جای یک تصمیم واقعی؛ اگر نتوانید بگویید کدام آدم، کدام تصمیم را هر روز میگیرد، هنوز وقت انتخاب ابزار نیست.
۲. آموزش مدل با دادهٔ تمیزِ پایلوت و اجرا روی دادهٔ شلوغ خط؛ دقت ۹۶ درصدی پایلوت در ماه دوم به عددی رسید که هیچکس دلش نمیخواست اندازهگیریاش کند.
۳. نبودن صاحب در کارگاه؛ وقتی ساعت سه صبح هشدار اشتباه میآید و کسی خودش را مسئول نمیداند، اپراتور سادهترین درس را یاد میگیرد: صفحه را نادیده بگیر.
۴. اندازهگیری مدل به جای کارخانه؛ دقت مدل گزارش میشود، ولی ضایعات، توقف یا زمان تحویل تکان نمیخورد.
۵. نداشتن برنامه برای روز بعد از پایلوت؛ چه کسی نگهش میدارد، با چه بودجهای و وقتی خط عوض شد چه میشود.
آن کاغذِ روی مانیتور خرابکاری نبود؛ تنها راه بازخوردی بود که به اپراتور داده بودند.
یک بررسی کوتاه هم هست که قبل از اینکه حتی یک ریال خرج پایلوت شود با تیم انجام میدهم؛ همان که تعیین میکند پروژه جلو برود، شکلش عوض شود یا متوقف شود. این بررسی فقط کنار فرایند، داده و آدمهای همان کارخانه معنا پیدا میکند.
تقریباً هیچوقت مقصر خودِ هوش مصنوعی نبود؛ مقصر همهچیزِ دور و بر آن بود.
ماجرا ترکیبی از چند تجربه است و عددها فرضی هستند.
نویسنده: مهندس فرامرز احمدی