هیجان پیرامون هوش مصنوعی میتواند سازمان را مستقیم به سمت انتخاب ابزار ببرد. اما ابزار، آخرین بخش تصمیم است. ابتدا باید روشن شود چه کاری قرار است بهتر شود، سیستم با چه دادهای یاد میگیرد یا پاسخ میدهد و چه شاهدی موفقیت را نشان میدهد.
سؤال اول: دقیقاً کدام تصمیم یا کار باید بهتر شود؟
عبارتهایی مثل «میخواهیم از AI در فروش استفاده کنیم» صورتمسئله نیستند. یک سناریوی قابل اجرا کاربر، ورودی، خروجی، زمان و هزینه خطا دارد. برای مثال: کارشناس فروش باید از میان صد سرنخ روزانه، ده مورد اولویتدار را همراه با دلیل ببیند.
صورتمسئله خوب چه اجزایی دارد؟
- کاربر نهایی و تصمیمی که باید بگیرد
- ورودی قابل دسترس در زمان تصمیم
- خروجی مطلوب و شکل استفاده از آن
- پیامد پاسخ غلط یا ناقص
سؤال دوم: داده نماینده واقعیت است یا فقط در دسترس است؟
وجود فایل و پایگاه داده به معنی آمادگی داده نیست. باید بدانیم داده چگونه تولید شده، چه چیزی را پوشش نمیدهد، چه خطاهایی دارد و آیا اجازه استفاده از آن وجود دارد. داده راحت اما جانبدارانه، خروجی سریع اما گمراهکننده میسازد.
حداقل کنترل داده
- مالک و مجوز استفاده را مشخص کنید.
- نمونهای از حالتهای عادی و استثنا جمع کنید.
- کیفیت، تازگی و شکافهای داده را مستند کنید.
- اطلاعات حساس را پیش از انتقال یا پردازش طبقهبندی کنید.
سؤال سوم: موفقیت را با چه مقایسهای میسنجیم؟
دقت مدل بهتنهایی کافی نیست. زمان انجام کار، نرخ اصلاح توسط انسان، هزینه هر خروجی و اثر بر تصمیم نهایی هم اهمیت دارند. خط مبنا همان روش فعلی است؛ بدون آن، بهترشدن قابل اثبات نیست.
جمعبندی
پیش از خرید ابزار یا توسعه سیستم، یک برگه یکصفحهای بسازید: سناریو، داده، معیار، ریسک و مالک تصمیم. اگر این پنج مورد روشن باشند، انتخاب فناوری سادهتر و احتمال ساخت ارزش واقعی بیشتر میشود.