چگونه هوش مصنوعی می تواند بر اثربخشی کارکنان دانشی کمک کند.
سخن مشاور مدیریت:
قابلیت‌های جدید هوش مصنوعی که تشخیص زمینه، مفاهیم و معانی هستند، مسیرهای جدید شگفت‌انگیزی را برای همکاری بین دانشمندان و ماشین‌ها باز می‌کنند. متخصصان اکنون می‌توانند بخش بیشتری از ورودی‌های خود را را برای آموزش، کنترل کیفیت و تنظیم دقیق نتایج هوش مصنوعی ارائه دهند. ماشین‌ها می‌توانند تخصص همکاران انسان خود را تقویت کنند و گاهی به ایجاد متخصصان جدید کمک‌کنند. این سیستم‌ها، با تقلید دقیق‌تر از هوش انسانی، قوی‌تر از سیستم‌های بزرگ داده‌محور پیش از خود ظاهرشده‌اند.
و آنها می‌توانند عمیقاً بر 48درصد نیروی کار ایالات متحدۀ آمریکا را، که دانشمند هستند، و بیش از 230میلیون دانشمند در سطح جهانی تأثیر بگذارند؛ اما برای استفادۀ تام از امکانات این هوش مصنوعی هوشمندتر، شرکت‌ها باید فرایندها و مشاغل دانش‌کار خود را از نو طراحی کنند.
دانشکاران، کسانی که استدلال، خلق و تصمیم‌گیری می‌کنند، و در فرآیندهای شناختی غیرمعمول، بینش تزریق می‌کنند، عموماً با این نظر موافق هستند. از بیش از 150 متخصص از این نظرسنجی بزرگ جهانی در مورد هوش مصنوعی در این شرکت، تقریباً 60درصد می‌گویند شرح وظایف قدیمی آنها با توجه به همکاری جدید آنها با هوش مصنوعی، به‌سرعت در حال منسوخ‌شدن است. حدود ۷۰درصد از افراد مدعی شده‌اند که آموزش و بازآموزی مهارت‌ها (و یادگیری در حین کار)، به منظور استفاده از هوش مصنوعی نیاز است و همچنین ۸۵درصد معتقدند که مدیران ارشد شرکت‌ها باید در بازطراحی شرح مشاغل و فرایندها درگیر شوند. از آنجا که این مدیران قرار است از نو تصورکنند چگونه می‌توانند با استفاده از هوش مصنوعی، بهتر از دانش استفاده‌کنند، در اینجا اصولی وجود دارد که می‌توانند اعمال کنند:
اجازه دهید متخصصان آنچه را که برایشان مهم است، به هوش مصنوعی بگویند.
تشخیص پزشکی را در نظر بگیرید، جایی که هوش مصنوعی احتمالاً فراگیر خواهدشد. غالب اوقات، هنگامی که هوش مصنوعی تشخیصی را ارائه‌می‌دهد، استدلال الگوریتم برای پزشک واضح نیست، که درنهایت باید توضیحی برای بیمار ارائه‌دهد- مشکل جعبه‌سیاه. اما اکنون، Google Brain سیستمی را ایجادکرده‌است که این جعبه سیاه رو می‌گشاید و یک مترجم برای انسان‌ها ارائه‌می‌دهد. برای مثال، یک پزشک با توجه به تشخیص سرطان توسط AI، ممکن است بخواهد بداند مدل تا چه اندازه عوامل مختلفی را که او مهم می‌داند، درنظرگرفته است- سن بیمار، اینکه آیا بیمار قبلاً شیمی‌درمانی کرده‌است و غیره.
این سیستم گوگل، به متخصصان اجازه می‌دهد تا مفاهیمی را که از دید آنها حائز اهمیت بیشتری است، وارد کنند و فرضیات خود را مورد ارزیابی قراردهند. به‌عنوان مثال، ممکن است متخصص بخواهد ببیند که آیا در نظرگرفتن عاملی که سیستم قبلاً در نظرنگرفته بود - مانند شرایط سلول‌های خاص- تشخیص را تغییر می‌دهد یا خیر. بین کیم، که به توسعۀ سیستم کمک‌می‌کند، می‌گوید: "بسیاری از اوقات، در کاربردهای پرمخاطره، متخصصان دامنه لیستی از مفاهیمی که برایشان حائز اهمیت است، دارند. این را بارها و بارها در کاربردهای پزشکی خود در Google Brain مشاهده می‌کنیم. آنها نمی‌خواهند مجموعه‌ای از مفاهیم به آنها داده‌شود – آنها می‌خواهند مفاهیم موردعلاقۀ خود را به مدل بگویند."
مدل‌های به‌دست‌آمده توسط ماشین‌ها را برای عوام قابل‌فهم کنید.
با افزایش نگرانی‌های امنیت سایبری، سازمان‌ها استفاده از ابزارهایی را برای جمع‌آوری داده‌ها در نقاط مختلف شبکهٔ خود، جهت تجزیه و تحلیل تهدیدها افزایش داده‌اند. با این حال، بسیاری از این تکنیک‌های داده‌محور، داده‌های چندین منبع را ادغام نمی‌کنند. همچنین دانش متخصصان امنیت سایبری را که محدوده و انگیزه‌های مختلف مهاجمان را می‌دانند، تهدیدات معمول داخلی و خارجی و میزان خطر آن برای شرکت را درک می‌کنند، در نظر نمی‌گیرند.
از هوش مصنوعی، جهت کمک به تازه‌کاران برای تبدیل‌شدن به متخصصانی شناخته‌شده کمک بگیرید.
برای مثال، در یک مرکز تماس با نوشتن یک برنامه، توانسته‌اند ماشین را برای یادگیری اینکه تشخیص‌دهد «ریزمهارت»های هر مأمور اپراتور چیست، تواناسازند. به این صورت که ماشین تشخیص می‌دهد یک مأمور اپراتور تماس‌های خدمات پس از فروش را با کیفیت بهتری مدیریت می‌کند و به‌صورت خودکار، تماس‌ها با درخواست‌های مشخص را به ماموری که مهارت مرتبط دارد، انتقال می‌دهد. نتیجۀ این موضوع، ۴۰درصد بهبود کیفیت تماس اول و ۵۰درصد کاهش در نرخ تماس‌های منتقل‌شده بوده‌است.
برای نقشه‌برداری از فرایندهای کار انسان، از تکنیک‌های کارآمد هوش مصنوعی استفاده کنید.
از آنجا که بسیاری از انواع متخصصان نسبتاً کمیاب هستند، دادۀ زیادی تولید نمی‌کنند اما یادگیری عمیق و یادگیری ماشین، که بسیاری از پیشرفت‌های هوش مصنوعی بر آنها بنامی‌شود، برای آموزش و ساخت سیستم‌ها از پایه، به کوهی از داده نیاز دارند. در آینده، سیستم‌های از بالا به پایین بیشتری را خواهیم‌دید که برای ساخت و آموزش آنها، به داده‌های بسیارکمتری احتیاج است، که آنها را قادرمی‌سازد دانش تخصصی کارگران را جذب و تجسم کنند.
مثال در دسترس این موضوع، در رقابتی بود که اخیراً در یکی از دانشکده‌های پزشکی فرانسه اجراشده‌است. برندۀ رقابت یک ماشین هوش مصنوعی بود که طی ۶ هفته با ۵۰ ویدئوی عمل جراحی آب مروارید چشم آموزش‌داده‌شده‌بود - ۴۸ عمل توسط جراح با تجربه، ۱ عمل توسط جراح با یک سال سابقه و ۱ عمل توسط یک انترن. این سیستم قابلیت گزارش‌دهی، آموزش جراحی و حتی کمک به تصمیم‌گیری در اتاق جراحی برای جراحان را در خود دارد.
منبع: HBR