چگونه هوش مصنوعی می تواند بر اثربخشی کارکنان دانشی کمک کند.

هوش مصنوعی به سمتی پیشرفت کرده است که می‌تواند راهکارهای شگفت انگیز جدیدی برای همکاری بین کارکنان دانشی و ماشین، ارائه دهد. متخصصان حوزه هوش مصنوعی توانسته‌اند نوع تازه‌ای از ورودی‌ها را برای یادگیری ماشین و بهبود کیفیت خروجی تحلیل، به ماشین‌ها تخصیص دهند. این پیشرفت به طوری است که ماشین‌ها را قادر می‌سازد، مهارت‌های خاص انسانی را به عنوان ورودی آموزش خود بگیرد و  حتی گاهی مواقع، مهارت جدید بهبود یافته ای به عنوان خروجی ارائه دهد.

در واقع دنیای یادگیری ماشین‌ها به سمتی در حال حرکت است که از دریافت ورودی‌های روتین ساده به دریافت ورودی‌های تخصصی، دانشی و نزدیک‌تر شدن به هوش و دانش انسان رسیده است. 


طبق تحقیق انجام شده این پیشرفت می‌تواند بر ۴۸ درصد از نیروی انسانی فعلی در ایالات متحده که کارکنان دانشی هستند و بیش از ۲۳۰ میلیون دانشکار در سراسر دنیا تاثیرگذار باشد؛ پس برای استفاده از این قدرت جدید هوش مصنوعی شرکت‌ها باید فرایندها و مشاغل دانشی خود را باز-طراحی نمایند. 
در این مقاله، کارکنان دانشی یا دانشکاران افرادی تعریف می‌شوند که در شغل خود استدلال می‌کنند، خلق می‌کنند، تصمیم می‌گیرند و تحلیل‌ها را در فرایندهای غیر روتین پیاده سازی می‌کنند. 
در یک نظرسنجی جهانی درباره استفاده از هوش مصنوعی در سازمان‌ها حدود ۶۰ درصد از افراد بیان کردند که شرح شغل قبلی آن‌ها برای استفاده از ویژگی‌های جدید هوش مصنوعی، مشکلاتی ایجاد کرده است. حدود ۷۰ درصد از افراد مدعی شدند که نیاز به آموزش و باز-آموزی مهارت‌ها به منظور استفاده از هوش مصنوعی وجود دارد و همچنین ۸۵ درصد معتقدند که مدیران ارشد شرکت‌ها باید در باز-طراحی شرح مشاغل و فرایند‌ها درگیر شوند


حال به بررسی ویژگی‌های جدید هوش مصنوعی که با دانش افراد ترکیب خواهد شد، پرداخته می‌شود: 

  1.  کارکنان دانشی، می‌توانند ویژگی‌های مهم مدنظر خود را به ماشین ارائه دهند: 

  1. یک موقعیت تشخیص پزشکی را در نظر بگیرید. زمانی که علائم یک بیمار توسط پزشک به الگوریتم‌های هوش مصنوعی ارا‌ئه می‌شود و چگونگی بدست آمدن خروجی (تشخیص بیماری) توسط ماشین از دید پزشک واضح نیست و در عین حال باید به یبمار توضیحاتی درباره این چگونگی ارائه کند. 
    ویژگی جدید گوگل با نام Google Brain سیستمی است که این چگونگی را توصیف می‌کند و در اختیار پزشک و بیمار قرار می‌دهد. مثال این مورد، پزشکی است که برای تشخیص سرطان از الگوریتم‌های هوش مصنوعی استفاده کرده است و می‌خواهد بداند در منطق مدل بدست آمده ، ماشین چه فاکتورهایی (سن، سابقه خانوادگی و ... ) را برای این تشخیص مهم‌تر در نظر گرفته است. 
    در سیستم Google Brain متخصصان می‌توانند مواردی که از دید آن‌ها حائز اهمیت بیشتری است به ماشین ارائه دهند و همینطور فرضیه‌های خود را نیز مورد ارزیابی قرار دهند. در واقع بجای ارائه ویژگی‌های ثابت به الگوریتم، ویژگی‌های متنوع دلخواه با درجه اهمیت‌های متفاوت به ماشین داده می‌شود. 
     

  1. مدل های بدست آمده توسط ماشین ها، تطابق بیشتری با درک مشترک افراد خواهند داشت:‌

برای مثال در برقراری امنیت فضای سایبری، کارشناسان حوزه تجربیات و دانش خود درباره مسائلی همچون انگیزه هکرها و واکنش آن‌ها در شرایط مختلف بیان می‌کنند، برنامه نویسی و مدل کردن این موارد خاص انجام می‌گیرد و در صورت بروز اتفاق مشابه، سیستم در زمانی خیلی زودتر رخداد را تشخیص می‌دهد. 
 

۲. کمک به کارکنان دانشی برای پیشرفت سریع تر

برای مثال در یک مرکز تماس (Call Center) با نوشتن یک برنامه، توانسته اند ماشین را برای یادگیری اینکه تشخیص دهد «میکرو-مهارت» های هر اپراتورچیست، توانا سازند. به این صورت که ماشین تشخیص می دهد یک اپراتور بیشتر تماس های خدمات پس از فروش را با کیفیت بهتری مدیریت می کند و به صورت خودکار تماس ها با درخواست های مشخص را به اپراتوری که مهارت مرتبط دارد انتقال می دهد. نتیجه این موضوع ۴۰ درصد بهبود در بازدهی تماسها و ۵۰ درصد کاهش در نرخ انتقال تماس ها بوده است. 

 
۳. کمک تکنیک‌های جدید هوش مصنوعی به مدل‌سازی فرایندهای کاری از دانش افراد

از آنجا که برخی دانش‌ها و تخصص‌ها بسیار کمیاب هستند مقدار کمی داده از آن‌ها موجود است و اما با استفاده از یادگیری عمیق می‌توان سیستم‌های بالا به پایینی ساخت که نیاز به داده زیاد نباشد و در عین حال مهارت‌های کمیاب توسط ماشین‌ها یاد گرفته شوند. 
مثال در دسترس این موضوع در یکی از دانشکده‌های پزشکی فرانسه اجرا شده است. یک ماشین هوش مصنوعی طی ۶ هفته با ۵۰ ویدیوی عمل جراحی آب مروارید چشم، که ۴۸ عمل توسط جراح با تجربه، ۱ عمل توسط جراح با یک سال سابقه و ۱ عمل بوسیله انترن آموزش دیده، منتشر شده است و روش اجرای عمل و تکنیک‌های به کار رفته در ویدیوها توسط ماشین استخراج شده است.

این سیستم قابلیت گزارش‌دهی، آموزش جراحی به پزشکان تازه کار و پشتیبانی از تصمیمات در زمان‌های حساس برای جراحان را در خود دارد.

منبع: HBR

نظر شما درباره این مقاله چیست؟

ثبت ایمیل در خبر نامه

اگر از این مقاله خوشتان آمده ایمیل خود را وارد کنید تا مقالات مشابه را برایتان بفرستیم!

2/2 اعتبار مقاله باقیمانده در این ماه