برای حل مشکلات، چه زمانی باید از هوش مصنوعی استفاده کرد؟

ظهور هوش مصنوعی موجب شده است در ویژگی‌های تصمیم‌گیرندگان اجرایی -که مدت‌هاست برایشان ارزش قائل هستیم-، شک‌هایی را ایجاد کند. الگوریتم‌ها اقداماتی را که زمانی به صورت پیش‌فرض خوش شانسی در نظر گرفته می‌شد، اصول تصمیم‌گیری که زمانی اثبات نشدن آن‌ها را مقدس می‌دانستند و اعتقاداتی را که کوته‌بینی می‌دانستند، افشا کرده است. برای متوجه شدن نقایص روش‌های تصمیم‌گیری انسانی، کافی است عملکرد صندوق‌های سرمایه‌گذاری با مدیریت فعال را ببینید. به استثنای چند مورد، بسیاری از این صندوق‌ها توسط سرمایه‌گذاران مشهور مدیریت می‌شوند، که در بلندمدت عملکرد ضعیف‌تری در صندوق‌های شاخص دارند، در حالی که معاملات الگوریتمیِ هوش مصنوعی معمولاً بهتر از نوع انسانی آن عمل کرده است.

به این زودی‌ها هوش مصنوعی جایگزین تصمیم‌گیری شهودی نخواهد شد. اما مدیران اجرایی برای بهره‌برداری كامل از توانایی‌های هوش مصنوعی، نیاز خواهند داشت که از شیوه‌های تصمیم‌گیری خودشان دست بردارند. آنها باید اعتقادات خود را با داده‌ها خوی بدهند، اعتقادات خود را با آزمایش تست کنند و هوش مصنوعی را برای حمله به مشکلات اصلی هدایت کنند. همانطور که سبدگردان‌ها دریافته‌اند که باید یاد بگیرند بهترین الگوریتم را به جای بهترین سهام انتخاب کنند، مدیران اجرایی در سایر زمینه‌ها با دو راهی روبرو خواهند شد: کار با ماشین را بیاموزند یا جایگزین آن بشوند.

نردبان علیت

بیایید بررسی کنیم که چه چیزی هوش مصنوعی (AI) را در حل انواع خاصی از مشکلات نسبت به انسان برتر می‌کند و چگونه می‌تواند رویکرد مدیران به فناوری را آگاه کند. در سال‌های اخیر، هوش مصنوعی (AI) قهرمانان جهان را در پوکر، شطرنج، ژئوپاردی (Jeopardy) و گو (Go) شکست داده است. مردم از این پیروزی‌ها شگفت‌زده شده‌اند، ولی این موضوع که چه مقدار حافظه و منطق ریاضی برای پیروزی در این بازی ها لازم است را دست کم می‌گیرند. و در مورد پوکر و شطرنج، بیش از حد بر نقش شهود و بینش در رفتار انسان تاکید می‌کنند.

توماس سندهولم (Tuomas Sandholm)، دانشمند کامپیوتر در کارنگی ملون (Carnegie Mellon)، لیبراتوس اِی آی (Libratus AI) را ایجاد کرد که برترین بازیکنان پوکر جهان را شکست داد. وی الگوریتم‌های خود را بیشتر به عنوان ماشین پیش‌بینی احتمالی توصیف کرد و تشخیص داد که برای پیروزی در مورد رفتارهای مخالفان هوش مصنوعی (نکات و گفته‌های آن‌ها و غیره) نیازی به مطالعه نیست. با استفاده از تئوری بازی و یادگیری ماشین،  لیبراتوس اِی آی (Libratus AI) مخالفان را به سادگی با بازی احتمالات شکست داد. حتی در پوکر سطح قهرمانی، درک قوانین احتمال بسیار مهم‌تر از خواندن رفتارهای حریف است.

بنابراین کلید تصمیم‌گیرندگان در بهینه‌سازی کار خود با هوش مصنوعی این است که تشخیص دهند کدام یک از مشکلات را باید به هوش مصنوعی بسپرند و کدام یک از ذهنیت‌های مدیریتی را به طور کامل قطع کنند تا مسایل بهتر حل شوند. کار دانشمند تحسین‌شده کامپیوتر، جودا پِرل (Judea Pearl)، راهنمایی را ارائه می دهد. پیرل (Pearl) نردبان علیت معروف را مطرح کرد، که سه سطح از تفکر استنباطی را توصیف می‌کند، که برای اهداف ما، می‌تواند نقشه راهی برای خود اختلال ایجاد کند. همانطور که پیرل (Pearl) در کتاب -کتاب چرا: علم جدید علت و معلول- نوشته است، «هیچ دستگاهی نمی‌تواند از داده‌های خام توضیحاتی را بدست آورد. این به یک فشار نیاز دارد.» اولین پله نردبان استنتاج انجمنی است (اگر A، سپس B). بعد، استنتاج مداخله است (اگر ورودی  X را تغییر دهید، نتیجه Y چه می‌شود؟)؛ و آخرین استنتاج با استفاده از ضد واقعیت‌ها: سازه‌های غیرشهودی که به نظر مغایرت با واقعیت‌ها دارند، منجر به بینش جدید می‌شوند.

انجمن

این ارتباط شامل بررسی همبستگی بین دو متغیر است: وقتی قیمت‌ها را بالا می‌بریم، سود چه می شود؟ هوش مصنوعی در جستجوی مقادیر گسترده‌ای از داده‌ها برای کشف ارتباطات بسیار خوب است. به عنوان مثال، شبکه‌های اجتماعی بر اساس رفتار قبلی کاربران، از الگوریتم‌های انجمنی برای پیش‌بینی اینکه کدام پست‌ها بیشترین بازدید را دارند، استفاده می‌کنند.

انسان‌ها در این مورد مهارت چندانی ندارند، هم سرعت کمتری دارند و اغلب بیشتر دچار تعصبات می‌شوند. در نتیجه، مدیران اجرایی که فقط براساس ارتباطات شهودی تصمیم می‌گیرند می‌توانند در مورد علت و معلول نتیجه‌گیری نادرستی داشته باشند -به عنوان مثال، به اشتباه تصور می‌کنیم که یک عمل خاص منجر به نتیجه مطلوبی شده است. یک نکته در این مورد به نقل از باب سو (Bob Suh): هنگامی که گروه استراتژی داخلی شرکت را در شرکت اکسنچر (Accenture) مدیریت می‌کردم، زمان و سرمایه زیادی را به توسعه خدمات متمایز اختصاص دادیم ، زیرا به نظر می‌رسید مشتریان مایل به پرداخت هزینه بیشتر برای آن‌ها هستند و سود بیشتری کسب می‌کنند. اما وقتی بعداً سودآوری مشتریانی را دریافت کردیم که خدمات متمایز در مقابل تمایزنیافته دریافت می‌کنند، دریافتیم که این روابط شخصی با مشتریان است (نه تمایز خدمات) که باعث سود می شود. رابطه آشکار بین خدمات و سودهای متمایز یک اصل اثبات نشده بود که ما سال‌ها از آن پیروی می‌کردیم.

مداخله

مداخله فرآیند اغدام و مشاهده تأثیر مستقیم آن بر یک نتیجه است، در اصل، دستکاری یک متغیر آزمایشی. تصمیم‌گیرندگان تجاری این کار را همیشه انجام می‌دهند. به عنوان مثال، آن‌ها ممکن است قیمت محصول را تنظیم کنند و سپس تأثیر آن را بر فروش یا سود اندازه بگیرند. اما وقتی بیش از حد نسبت به نتیجه پیش‌بینی شده اعتماد به نفس داشته باشند به مشکل برمی خورند. مداخله موثر مستلزم این است که بخواهیم ورودی های متنوعی، حتی ضدخودی را آزمایش کنیم تا ببینیم چگونه ممکن است نتیجه را تغییر دهند. در اینجا انسان می‌تواند از هوش مصنوعی برخوردار باشد.

به نقل از باب سو (Bob Suh): چندین سال پیش، شرکت تازه تأسیس من دو محصول امیدوارکننده تولید کرده بود: یک هوش مصنوعی فروش و یک راه حل هوش مصنوعی فینتک برای عملیات. ما برای اجرای سناریوهای پیش‌بینی، براساس ارزیابی بازار احتمالی برای هر محصول، از هوش مصنوعی استفاده کردیم. با مدل‌سازی مشخص شد که محصول فروش بهترین عملکرد را خواهد داشت، حتی اگر در بازار شلوغی روانه بازار شود. اما با کمال میل تصمیم گرفتیم کمپین‌هایی را برای هر دو محصول در کنار هم اجرا کنیم تا بررسی کنیم که آیا این محصول فینتک (fintech) ممکن است از مزیت غیرمنتظره‌ای نسبت به راه حل فروش برخوردار باشد یا خیر، زیرا بازار آن کمتر رقابتی بود. همانطور که مشخص شد، ظرف 90 روز محصول فینتک با فروش بیش از حد از راه حل فروش، سریعاً سهم بیشتری از بازار کوچک‌تر را به دست آورد.

خلاف واقعه

مفهوم خلاف واقع در فیلم کلاسیک It's a Wonderful Life به زیبایی به تصویر کشیده شده است، که در آن فرشته کلارنس یک واقعیت تاریک و جایگزین را برای جیمی استوارت آشکار می‌کند: جهانی که او هرگز متولد نمی‌شد. استنباط خلاف واقع شامل این عمل خلاقانه است که تصور می‌کند چه اتفاقی رخ داده است، اگر متغیر خاصی در یک آزمایش -یا در مورد ما، یک فعالیت تجاری- داشته باشد، با توجه به هر چیز دیگری که می‌دانیم متفاوت بوده است.

به نقل از Bob Suh: هنگامی که من یک مشاور جوان بودم، مدیر ارشد اجرایی مک‌دونالد از من خواست تا در توجیه بودجه تحقیق و توسعه شرکت شرکت کمک کنم. او پرسید «روش شما برای انجام این کار چیست؟». مدت طولانی سکوت کردم و پاسخ دادم: "بیایید تصور کنیم اگر شرکت‌های بزرگ تحقیق و توسعه را انجام ندهند و این کار را به صاحبان امتیاز بسپارند چه اتفاقی می‌افتد." خلاف واقعیت در آنجا واقعیت خیالی وجود داشت که تحقیق و توسعه شرکتی وجود نداشت. مدیر ارشد اجرایی ممکن است انتظار داشته باشد که در آن جهان درآمد کاهش یابد.

اگرچه بدون ماشین زمان، آزمایش رابطه خلاف واقعه، واقعی برای یک تصمیم تجاری قبلاً اجراشده، غیرممکن است، اما می‌توانید شواهدی راجع به واقعیت خلاف واقعه به دست آورید. در مورد مک‌دونالد، من پیشنهاد کردم که هر محصول اخیر را بررسی کنیم و ببینیم از کجا منشا گرفته است. این تمرین آشکار و شگفت‌آور بود: بسیاری از بازدیدها، مانند Big Mac و Filet-O-Fish ، از میدان انجام شده بود، در حالی که برخی از بزرگترین فلاپ‌ها، مانند Deluxe، ایده شرکت‌ها بودند. آزمایش فکر خلاف واقع ما منجر به تصویر واضح‌تری از نقش نسبی تحقیق و توسعه شرکت در نوآوری محصولات این شرکت شد.

انسان + ماشین

در نظر بگیرید که چگونه انسان‌ها و هوش مصنوعی با ترکیب رویکردهای انجمنی، مداخله‌ای و خلاف واقعه، هواپیمای سرنگون‌شده را پیدا کردند. در ژوئن 2009، ایرفرانس 447 با 228 مسافر و خدمه در طوفان در سواحل برزیل ناپدید شد. دولت فرانسه دو سال در جستجوی لاشه بود، اما نتیجه‌ای نداشت.

پس از چهار تلاش ناموفق، تیمی از ریاضیدانان را به همراه داشت. تیم با استفاده از هوش مصنوعی، یک روش آماری بیزین را به کار برد که پیش‌بینی احتمال را با در دسترس قرار دادن اطلاعات جدید به روز می‌کند -در این حالت، احتمال وجود هواپیما در یک مکان خاص در کف اقیانوس بود.

نکته قابل توجه اینکه، تیم تنها طی یک هفته هواپیما را پیدا کرد. چطور؟ پیش‌بینی اولیه آن با پشتیبانی هوش مصنوعی امیدوارکننده‌ترین منطقه جستجو بود، منطقه‌ای که دولت قبلاً آن را پوشش داده بود. اما برای درک اطلاعات "جدید" در مورد شکست‌های قبلی که تیم دولتی فکر نکرده بودند، بینش و شهود انسانی لازم بود و یک متغیر مهم جستجو را تغییر داد تا تأثیر آن را بر نتیجه ببیند. کلید این مساله این سوال بود که آیا ممکن است فانوس هواپیما از کار افتاده باشد یا خیر، این می‌تواند باعث شود دولت محل سقوط را از دست بدهد. در حقیقت، فرضیه مربوط به یک چراغ راهنمای ناموفق، درست بود و لاشه هواپیما در محلی که پیش‌بینی‌های قبلی آن را قرار داده بود، پیدا شد.

هوش مصنوعی ابزاری قدرتمند برای تصمیم‌گیری است، اما اگر عملکرد را در آخر بازی در نظر بگیریم، رهبران و سایر تصمیم‌گیرندگان اجرایی باید در مورد چگونگی استفاده از بهترین بهره، تجدیدنظر کنند. این به معنای واگذاری تصمیم‌گیری به ماشین‌ها نیست. بلکه نیاز به تصمیم‌گیرندگانی دارد که بر تفکر خلاقانه، مداخله‌گرانه و خلاف واقع متمرکز شوند که انسان‌ها منحصراً در این موارد خوب هستند در حالی که با اتکا به هوش مصنوعی برای انجام پیش‌بینی و تجمیع وظایف و پردازش حجم بالا داده که هوش مصنوعی در آن واقعاً برتری دارد. هرچه انسان و ماشین ‌ها به طور فزاینده‌ای همکاری می‌کنند، امیدوارم که معادل قانون مور (Moor’s Law) را در کار ببینیم: سال به سال دو برابر کردن توانایی تصمیم‌گیری ترکیبی انسان‌ها و ماشین‌ها. اما این تنها در صورتی اتفاق می‌افتد که ابتدا تصمیم‌گیری خود را قطع کنیم.