پرودکسهوش مصنوعی صنعتی

اولین پایلوت هوش مصنوعی: چطور مسئلهٔ درست را انتخاب کنیم

اولین پایلوت هوش مصنوعی در سازمان صنعتی را از مسئله شروع کنید نه ابزار: پنج پرسش برای رتبه‌بندی مسئله‌ها، معیار موفقیت مکتوب و شرط توقف.

بودجه‌ای برای هوش مصنوعی تصویب شده، ولی هنوز صاحب یک مسئله نیست. فروشنده‌ها زودتر از صورت‌مسئله رسیده‌اند، هر کدام دمویی آورده‌اند و جلسه با «یک نفر بررسی کند» تمام شده. این وضعیت آشناست، و راه خروجش از انتخاب ابزار نمی‌گذرد: از انتخاب مسئله می‌گذرد.

این مقاله یک روش ساده برای انتخاب اولین مسئله می‌دهد و نشان می‌دهد پایلوت خوب چه شکلی دارد.

چرا اول مسئله، بعد ابزار؟

چون ابزار را می‌شود عوض کرد و مسئلهٔ اشتباه را نه. پایلوتی که برای نمایش قابلیت ساخته شود، معمولاً قابلیت را نشان می‌دهد و به تصمیمی گره نمی‌خورد. پایلوتی که برای یک تصمیم مشخص ساخته شود، در پایان یک جواب دارد: ادامه، تغییر یا توقف.

پنج پرسش برای هر مسئلهٔ نامزد

فهرستی از ده مسئلهٔ ممکن بنویسید و هر کدام را با این پنج پرسش بسنجید:

۱. کدام تصمیم به آن وابسته است؟ «گزارش بهتر» تصمیم نیست. «تصمیم می‌گیریم کدام مسیر را کم کنیم» تصمیم است. اگر مسئله تصمیمی ندارد، ارزشش را نمی‌شود سنجید.

۲. دادهٔ لازم را همین حالا دارید؟ نه دادهٔ آرزویی، دادهٔ موجود: فایل شیفت، لیست سفرها، تیکت‌ها، لاگ ماشین. مسئله‌ای که اول به خرید حسگر یا ثبت جدید نیاز دارد، شاید ارزشمند باشد، اما اولین پایلوت نیست.

۳. در حدود دو ماه قابل سنجش است؟ پایلوتی که معیار موفقیتش «سال دیگر معلوم می‌شود» باشد، پایلوت نیست.

۴. هزینهٔ وضع فعلی را می‌توانید برآورد کنید؟ لازم نیست دقیق باشد، ولی باید بازه‌ای داشته باشید: ساعت کار تیم روی گزارش دستی، ساعت توقف، کیلومتر خالی. بدون آن، بازده را نمی‌شود با هزینه مقایسه کرد.

۵. تصمیم نهایی با انسان می‌ماند؟ در اولین پایلوت، سامانه پیشنهاد بدهد و انسان تأیید کند. نوشتن روی ماشین یا ثبت خودکار برای فاز بعد است، اگر اصلاً لازم شد.

رتبه‌بندی: بازده تقسیم بر زحمت

بعد از پاسخ به پنج پرسش، مسئله‌ها را مرتب کنید: آن‌هایی که بازده برآوردی بیشتر و زحمت (دادهٔ لازم، وابستگی به واحدهای دیگر، ریسک) کمتری دارند بالا بروند. معمولاً دو یا سه مسئله بالای فهرست می‌مانند و بقیه می‌شوند «بعداً».

نکتهٔ مهم: این رتبه‌بندی را مدیر و مالک داده با هم انجام دهند. مدیر می‌داند تصمیم کجاست؛ مالک داده می‌داند داده واقعاً چه کیفیتی دارد.

بازده را چطور برآورد کنیم؟

یک فرمول شفاف بنویسید: مثلاً «ساعت هفتگی × ۵۲ هفته × هزینهٔ هر ساعت × سهمی که حذف می‌شود». برای «سهمی که حذف می‌شود» یک عدد قطعی ننویسید؛ بازه بدهید: کمینه، میانه، بیشینه. آنچه در این مرحله می‌نویسید «فرض» است، و باید هم به‌عنوان فرض ثبت شود تا در پایلوت با اندازه‌گیری واقعی عوض شود. هر برآوردی که ضریبش منبع ندارد، باید برچسب «نمونه» یا «فرض» بخورد.

یک مثال از رتبه‌بندی (فرضی، فقط برای نشان‌دادن روش)

فرض کنید شرکتی سه نامزد دارد: کاهش ساعت گزارش‌سازی دستی تیم، کاهش توقف بی‌دلیل یک خط، و پیش‌بینی تقاضای سال آینده. با پنج پرسش بالا:

  • گزارش‌سازی دستی: تصمیم روشن است (کدام گزارش را حذف کنیم)، داده موجود است (همان فایل‌ها)، در دو ماه قابل سنجش است (زمان‌سنجی تیم)، هزینه برآوردپذیر است (ساعت × هزینهٔ ساعت) و تصمیم با انسان می‌ماند. امتیاز بالا.
  • توقف بی‌دلیل یک خط: تصمیم روشن است، داده تا حدی موجود است (باید دلیل‌ها ثبت شوند)، قابل سنجش و هزینه‌اش برآوردپذیر است. امتیاز خوب، ولی ثبت بهتر لازم دارد.
  • پیش‌بینی تقاضا: تصمیم مهم است، اما دادهٔ تاریخی چندساله می‌خواهد و سنجشش در دو ماه ممکن نیست. برای اولین پایلوت مناسب نیست.

نتیجه: دو مورد اول نامزد پایلوت‌اند و سومی بعداً. رتبه‌بندی در سازمان شما ممکن است جور دیگری دربیاید؛ مهم روش است، نه این مثال.

چه کسانی باید در اتاق باشند؟

برای هر مسئله چهار نقش لازم است و هر چهار باید اسم داشته باشند:

  • صاحب تصمیم: کسی که اگر پایلوت موفق شد، تصمیم را اجرا می‌کند.
  • مالک داده: کسی که می‌داند داده کجاست و چقدر قابل اتکاست.
  • کاربر نهایی: سرپرست شیفت، کارشناس میز خدمت، دیسپچر؛ کسی که روزانه با خروجی کار می‌کند. اگر او در اتاق نباشد، پایلوت در عمل استفاده نمی‌شود.
  • حامی اجرایی: کسی که وقت و اجازه را فراهم می‌کند.

اگر یکی از این چهار نقش خالی است، پیش از شروع همان را پر کنید.

پایلوت خوب چه دارد؟

سه چیز، پیش از شروع، مکتوب:

  • معیار موفقیت. مثلاً «توقف بی‌دلیل ثبت‌شدهٔ این خط در هفتهٔ آخر به X کاهش یابد»، که X از ارزیابی و اندازه‌گیری وضعیت فعلی درمی‌آید، نه از حدس.
  • دامنهٔ بسته. یک مسئله، یک واحد یا چند دکل، نه کل سازمان.
  • شرط توقف. اگر در یک نقطهٔ مشخص معیار نزدیک نشد، چه می‌کنیم؟ ادامه، تغییر یا پایان؟ این را پیش از شروع بنویسید، وگرنه بعداً اندازه‌گیری جای خود را به بحث می‌دهد.

اگر معیار موفقیت را پس از شروع بنویسید، پایلوت همیشه موفق به نظر می‌رسد.

سه اشتباه رایج

  • خریدن ابزار پیش از تعریف مسئله.
  • انتخاب مسئله‌ای که ارزش دارد ولی داده‌اش را ندارید.
  • رها کردن پایلوت در مرز «تقریباً کار می‌کند» بدون تصمیم ادامه یا توقف.

ما چه می‌کنیم؟

ما دقیقاً همین مسیر را می‌رویم. ارزیابی فرصت پرودکس، با نام «۲۱ روز تا سود»، یعنی نقشهٔ اولین پایلوت سودآور شما، ۲۱ روز طول می‌کشد و ۷۵ میلیون تومان است (مالیات بر ارزش افزوده جداست). خروجی‌اش یک برگه است: مسئله، دادهٔ لازم، معیار موفقیت و بازده برآوردی یک پایلوت ۸ هفته‌ای. قیمت پایلوتِ بعد از ارزیابی، بسته به دامنه‌اش، در بازهٔ ۲۵۰ تا ۴۰۰ میلیون تومان است؛ عدد دقیق در برگهٔ شما می‌آید. اگر در پایان ۲۱ روز دست‌کم یک پایلوت پیدا نکردیم که بازده برآوردی‌اش از قیمت همان پایلوت بیشتر باشد، تمام ۷۵ میلیون تومان را برمی‌گردانیم؛ به شرط دسترسی ما به دادهٔ توافق‌شده در هفتهٔ اول و برگزاری ۲ جلسهٔ کاری.

سهم شما دسترسی به دادهٔ موجود و ۲ جلسهٔ کاری است. درخواست ارزیابی را ثبت کنید. اگر اول می‌خواهید ببینید محصولات ما روی دادهٔ نمونه چه می‌کنند، مرکز دمو بدون ثبت‌نام باز است.

اگر در تولید هستید، راهنمای هفت مسئلهٔ تولید را بگیرید؛ برای هر مسئله می‌گوید دادهٔ لازم را همین حالا دارید یا نه و پایلوت چه نشان می‌دهد.

پرسش‌های متداول

پایلوت هوش مصنوعی چقدر باید طول بکشد؟
پایلوتی که روی یک مسئله و دادهٔ موجود تعریف شده باشد، باید در حدود دو ماه به جواب روشن برسد؛ پایلوت‌های پرودکس ۸ هفته‌ای طراحی می‌شوند. اگر پایلوتی بی‌انتها شد، معمولاً مسئله یا معیار موفقیتش درست تعریف نشده بود.
اگر دادهٔ ما مرتب نیست، هنوز می‌شود شروع کرد؟
بله، به شرط اینکه بدانید داده کجاست و چقدر قابل اتکاست. بخشی از ارزیابی همین است: دیدن اینکه کدام مسئله با دادهٔ فعلی قابل حل است و کدام اول به ثبت بهتر نیاز دارد.
ارزیابی با پایلوت چه فرقی دارد؟
ارزیابی ۲۱ روز طول می‌کشد و برگه‌ای می‌دهد: مسئلهٔ انتخاب‌شده، دادهٔ لازم، معیار موفقیت و بازده برآوردی. پایلوت ۸ هفته روی همان مسئله کار می‌کند و با همان معیار سنجیده می‌شود.

در ۲۱ روز بفهمید اولین پایلوت سودآور هوش مصنوعی شما کجاست؛ روی داده‌ای که همین حالا دارید.

اگر در پایان ۲۱ روز دست‌کم یک پایلوت پیدا نکردیم که بازده برآوردی‌اش از قیمت همان پایلوت بیشتر باشد، تمام ۷۵ میلیون تومان را برمی‌گردانیم؛ به شرط دسترسی ما به دادهٔ توافق‌شده در هفتهٔ اول و برگزاری ۲ جلسهٔ کاری.

۳ ارزیابی در پاییز ۱۴۰۵، حداکثر ۲ هم‌زمان

شواهد این عدد

از کجا آمده
چطور به دست آمده
برچسب

منبع داده‌ی شما کجاست؟ در دمو نشان بدهید.

پروگپ
پروگپدستیار پرودکس

پروگپ، دستیار پرودکس: پاسخ‌های از پیش نوشته‌شده روی داده‌ی نمونه؛ در دمو همین را روی دادهٔ شما می‌پرسید.