سعید قنبری|مدیریت رسانه

0 %
سعید قنبری
دکتری مدیریت رسانه
پژوهشگر تاب‌آوری برند و رسانه
  • محل سکونت:
    تهران
  • شهر:
    تهران
  • سن:
    33
زبان‌ها
عربی
انگلیسی
کردی
مهارت‌ها
پژوهش کیفی
خبرنویسی
تدریس
سئو
تحلیل کسب‌وکار
کدنویسی وب
ابزارها
  • فتوشاپ
  • آفیس
  • وردپرس
  • MaxQDA
  • SPSS

۴ ستون به‌کارگیری هوش مصنوعی در سازمان‌ها

1403-08-01

مؤسسه گارتنر در مطلبی با عنوان “راهنمای برنامه‌ریزی GenAI” تلاش داشته تا به سازمان‌ها کمک کند به شکلی ساختاریافته و استراتژیک از هوش مصنوعی مولد (Generative AI یا GenAI) استفاده کنند.

من تلاش کردم تا این راهنما را به شکل مناسب خلاصه‌سازی کنم. گارتنر در این راهنما اهمیت برنامه‌ریزی برای پیاده‌سازی GenAI را توضیح می‌دهد.

در مقدمه این راهنما آمده است که GenAI به سرعت مورد توجه سازمان‌ها قرار گرفته، اما تعداد محدودی از سازمان‌ها تجربه و موفقیت قابل‌توجهی در پیاده‌سازی این تکنیک‌های هوش مصنوعی در بخش‌های مختلف کسب‌وکار و فرآیندهای خود دارند.

براساس تحقیقات شرکت Gartner، تنها ۱۰ درصد از سازمان‌هایی که در حال آزمایش هوش مصنوعی هستند، در استفاده از آن به بلوغ کامل رسیده‌اند. با این حال، این سازمان‌های پیشرفته می‌توانند به عنوان نمونه‌ای برای دیگر سازمان‌ها عمل کنند.

گارتنر ذکر کرده که هدف اصلی این راهنما کمک به سازمان‌هاست تا بتوانند از این تجربیات بهره‌برداری کرده و به‌صورت استراتژیک در پیاده‌سازی GenAI گام بردارند.

بر اساس نظر گارتنر، این راهنما به رهبران کسب‌وکار و فناوری اطلاعات کمک می‌کند تا گفتگوهای خود را درباره بهترین شیوه‌های استفاده از هوش مصنوعی مولد متمرکز کنند و به آن‌ها اجازه می‌دهد روی پروژه‌هایی تمرکز کنند که هم ارزش‌افزا و هم قابل تحقق هستند.

چهار ستون استراتژی GenAI

گارتنر در این راهنمای عمل و در بخش “اقدامات مرتبط با ۴ ستون استراتژی GenAI” توضیح داده است که چگونه سازمان‌ها می‌توانند پیاده‌سازی هوش مصنوعی مولد را به‌صورت مؤثر و استراتژیک پیش ببرند. این چهار ستون کلیدی شامل:

  1. تعیین چشم‌انداز GenAI: در این ستون، سازمان‌ها باید تعیین کنند که GenAI چگونه به دستیابی به اهداف سازمانی کمک خواهد کرد. این شامل تعیین مزایای اصلی، شاخص‌های موفقیت و چگونگی ارزیابی تأثیر هوش مصنوعی در بهبود فرآیندهای کسب‌وکار است. در این مرحله، چشم‌انداز روشنی از اینکه GenAI چگونه در راستای اهداف شرکت قرار می‌گیرد، ضروری است.
  2. رفع موانع سازمانی برای به دست آوردن ارزش: موانع سازمانی و ساختاری که می‌توانند مانع از بهره‌وری کامل GenAI شوند باید شناسایی و رفع شوند. این شامل اقداماتی برای اصلاح فرآیندها، ایجاد تیم‌های همکار و افزایش تعاملات بین واحدهای فناوری اطلاعات و تجاری برای تسهیل پذیرش هوش مصنوعی است.
  3. شناسایی و ارزیابی ریسک‌ها: هر پروژه مرتبط با GenAI با خطراتی مواجه است که می‌تواند شامل ریسک‌های قانونی، اعتباری، مهارتی، فناورانه و دیگر موارد باشد. این ستون بر ارزیابی و مدیریت این ریسک‌ها متمرکز است، به‌ویژه با توجه به موارد جدیدی مانند “هالوسینیشن” یا نتایج نادرست در هوش مصنوعی.
  4. اولویت‌بندی پذیرش GenAI:سازمان‌ها باید پروژه‌های GenAI را براساس ارزش آن‌ها و قابلیت اجرایی شدن اولویت‌بندی کنند. بهترین پروژه‌ها آن‌هایی هستند که دارای ارزش بالا و امکان‌پذیری فنی بالا هستند. این فرآیند شامل ارزیابی پروژه‌ها بر اساس معیارهایی مانند قابلیت دسترسی به داده‌ها، فناوری، پشتیبانی مدیران و تراز بودن آن با اهداف سازمان است.

ستون اول: تعیین چشم‌انداز هوش مصنوعی مولد

تعیین چشم‌انداز هوش مصنوعی مولد سازمان‌ها را تشویق می‌کند که دلایل استفاده از GenAI را با اهداف کلان کسب‌وکار خود پیوند دهند و این اهداف را با دقت بررسی کنند. در این مسیر، سازمان‌ها باید اهداف کلیدی سازمان را مشخص کنند و سپس ببینند که GenAI چگونه می‌تواند این اهداف را پشتیبانی کند. همچنین، بررسی شود که چه موارد کاربردی (use cases) وجود دارند که بیشترین ارزش را به همراه خواهند داشت. این اهداف و موارد کاربردی در ادامه باید در مرحله «پذیرش» بررسی شوند تا از نظر قابلیت اجرایی و ارزش‌آفرینی تأیید شوند. مثال‌هایی از چگونگی کمک GenAI به دستیابی به اهداف سازمانی:

  1. رشد درآمد: GenAI می‌تواند تغییراتی در مدل‌های کسب‌وکار ایجاد کند و فرصت‌های جدید تجاری را پدید آورد. برای مثال، استفاده از تجزیه و تحلیل رفتاری یا مدیریت چرخه عمر قراردادها، راهکارهایی برای رشد درآمد ارائه می‌دهد.
  2. بهبود رضایت مشتری: تحلیل‌های عمیق‌تر از رفتار مشتریان و ایجاد ارتباطات نزدیک‌تر با آن‌ها از طریق GenAI می‌تواند به افزایش رضایت مشتری منجر شود. یک مثال واضح، استفاده از دستیارهای مجازی برای پاسخگویی به نیازهای مشتری است.
  3. کاهش هزینه‌ها: با خودکارسازی فرآیندها و وظایف تکراری، سازمان‌ها می‌توانند هزینه‌های عملیاتی خود را کاهش دهند. مدیریت ریسک یا بهینه‌سازی عملکرد دارایی‌ها نمونه‌هایی از این نوع کاربردها هستند.
  4. افزایش بهره‌وری کارکنان: با کمک هوش مصنوعی، کارکنان می‌توانند از انجام وظایف یکنواخت آزاد شوند و بیشتر بر روی وظایف ارزشمندتر تمرکز کنند. مثال‌هایی از این دست شامل تولید محتوا یا مدیریت دانش است که GenAI می‌تواند آن را بهبود بخشد.
  5. بهبود دسترسی به خدمات: این هدف به بهبود میزان دسترسی و پایداری خدمات دیجیتال اشاره دارد. هدف این است که خدمات ارائه‌شده به مشتریان، بدون وقفه و با کارایی بیشتری در دسترس باشند و قطع یا اختلال در ارائه خدمات به حداقل برسد.

تعیین چشم‌انداز و اهداف همواره با مشخص کردن شاخص‌های موفقیت همراه است. لذا گارتنر در این راهنمای عمل پیشنهاد کرده که معیارهای موفقیت باید توأمان با همین گام مشخص شود. جدول معیارهای موفقیت شامل موارد زیر است:

  • هدف کسب‌وکار (Business Goal): اهداف کلان سازمانی مانند رشد درآمد، کاهش هزینه‌ها یا بهبود رضایت مشتری.
  • معیارهای موفقیت مناسب (Appropriate Success Metric): معیارهای مشخصی که برای سنجش موفقیت استفاده می‌شوند. این معیارها ممکن است شامل مواردی مانند شاخص رضایت مشتری (NPS یا CSI)، میزان رشد درآمد، کاهش زمان پردازش یا کاهش هزینه‌های عملیاتی باشد.
  • زمان تکمیل (Completion Date): یک تاریخ مشخص که در آن باید ارزش‌های تعیین شده از پروژه‌ها قابل اندازه‌گیری و ارزیابی باشند.

ستون دوم: رفع موانع سازمانی برای به دست آوردن ارزش

هدف اصلی این گام این است که سازمان‌ها را تشویق کند تا از همان ابتدا موانعی که ممکن است مانع از تحقق ارزش واقعی پروژه‌های هوش مصنوعی مولد شوند، شناسایی و برطرف کنند.

سازمان‌ها باید اطمینان حاصل کنند که پروژه‌های GenAI با اهداف کلان هماهنگ هستند، معیارهای قابل اندازه‌گیری و معتبری برای سنجش موفقیت دارند و ساختارهای مسئولیت‌پذیری رسمی در سازمان به وجود آمده‌اند. برخی از این موانع به‌صورت زیر توضیح داده شده‌اند:

  1. هماهنگی پروژه‌ها با اهداف کلان سازمان: پروژه‌های GenAI که با اهداف کلان و استراتژیک سازمان همخوانی دارند، به احتمال بیشتری موفق می‌شوند. برای اطمینان از این هماهنگی، سازمان باید مستندات دقیق از اهداف کلان و استراتژی‌های هوش مصنوعی تهیه کند و همچنین از رویکرد مدیریت پورتفولیو (portfolio approach) برای مدیریت پروژه‌ها استفاده کند. برای مثال، پیشنهاد می‌شود حداکثر پنج پروژه یا محصول اولیه به‌عنوان آزمایشی اجرا شوند تا ریسک‌های مرتبط مدیریت و کنترل شوند.
  2. انتخاب معیارهای قابل‌اعتبار: استفاده از معیارهای مناسب برای اندازه‌گیری ارزش پروژه‌ها اهمیت بسیاری دارد. این معیارها باید به نتایج مالی و ارزیابی‌های ریسکی که پروژه‌ها ایجاد می‌کنند، مرتبط باشند. انتخاب معیارهای مناسب می‌تواند به مشروعیت‌بخشی به پروژه‌ها و کمک به یادگیری برای پروژه‌های آینده کمک کند. در اینجا پیشنهاد می‌شود که مدیران مالی (CFO) با مدیران داده و تحلیل‌ها همکاری کنند تا معیارهای اندازه‌گیری مناسبی برای پروژه‌ها انتخاب شود.
  3. ایجاد ساختارهای رسمی مسئولیت‌پذیری: داشتن ساختارهای رسمی برای مسئولیت‌پذیری در پروژه‌های GenAI، نتایج موفق‌تری را به همراه دارد. این ساختارها به سازمان کمک می‌کنند تا افراد و تیم‌هایی که مسئولیت موفقیت پروژه‌ها را بر عهده دارند، به وضوح تعریف شوند. در اینجا پیشنهاد می‌شود که یک ماتریس RACI (مسئول، حسابرس، مشاور و آگاه) تهیه شود تا وظایف و مسئولیت‌ها به‌طور دقیق مشخص شوند.

ستون سوم: شناسایی و ارزیابی ریسک‌ها

ارزیابی و کاهش ریسک‌ها شامل شناسایی انواع ریسک‌هایی است که ممکن است هنگام استفاده از GenAI به وجود آیند. این ریسک‌ها نه تنها ریسک‌های متداول در پروژه‌های فناوری، بلکه ریسک‌های خاص مرتبط با GenAI مانند هالوسینیشن‌ها (نتایج نادرست) یا سوگیری مدل‌ها (biased results) را نیز شامل می‌شوند. برای مدیریت مؤثر این ریسک‌ها، سازمان‌ها باید لیستی از ریسک‌های اصلی تهیه کنند تا بتوانند به‌طور دقیق هر یک را ارزیابی کرده و اقدامات مناسبی برای کاهش آن‌ها انجام دهند. انواع ریسک‌ها به شرح ذیل است:

  • ریسک‌های قانونی (Regulatory Risks): این دسته شامل قوانین و مقرراتی است که ممکن است در حوزه استفاده از AI اعمال شوند. قوانین جدید ممکن است محدودیت‌هایی برای سازمان‌ها ایجاد کنند که عدم رعایت آن‌ها موجب جریمه یا محدودیت می‌شود.

نحوه کاهش: در این زمینه، سازمان باید از آخرین تغییرات قانونی مطلع باشد و با همکاری نزدیک با واحدهای حقوقی و مدیریت ریسک، ریسک‌های قانونی را ارزیابی و کاهش دهد. همچنین پیشنهاد شده که یک دفتر مدیریت ریسک AI ایجاد شود که به‌صورت مستقل نتایج پروژه‌ها را بررسی کند.

  •  ریسک‌های شهرت (Reputational Risks): استفاده نادرست از GenAI می‌تواند منجر به آسیب به اعتبار سازمان شود، به ویژه اگر نتایج AI نادرست یا غیرقابل اعتماد باشند.

نحوه کاهش: برای کاهش این ریسک، امنیت و پایداری مدل‌های AI باید تقویت شود. این شامل افزایش کنترل‌های امنیتی، حفظ یکپارچگی داده‌ها و نظارت بر مدل‌های هوش مصنوعی است. همچنین پیشنهاد می‌شود از منابع خارجی برای افزایش امنیت سیستم‌های AI استفاده شود.

  • ریسک‌های مهارتی و فنی (Competency Risks): بدهی فنی (technical debt) و کمبود مهارت‌های لازم در کارکنان می‌تواند اجرای پروژه‌های GenAI را با مشکل مواجه کند.

نحوه کاهش: در این زمینه، سازمان‌ها باید استراتژی AI خود را با استراتژی‌های ابری (cloud strategies) همسو کنند و از زیرساخت‌های ابری به عنوان پایه‌ای برای اجرای هوش مصنوعی مولد استفاده کنند. همچنین توسعه نقشه راه فناوری برای به‌روز‌رسانی زیرساخت‌های داده و تحلیل بسیار مهم است. ایجاد برنامه‌هایی برای کاهش بدهی فنی و نوآوری تدریجی از طریق برنامه‌های شتاب‌دهنده استارتاپی نیز پیشنهاد می‌شود.

ستون چهارم: اولویت‌بندی پروژه‌ها بر اساس ارزش و قابلیت اجرایی

این گام به سازمان‌ها نشان می‌دهد که چگونه پروژه‌های GenAI را ارزیابی و رتبه‌بندی کنند تا بهترین استفاده از منابع و سرمایه‌گذاری‌ها انجام شود. برای این کار از معیارهایی برای سنجش ارزش تجاری (Business Value) و امکان‌پذیری فنی (Technical Feasibility) استفاده می‌شود.

معیارهای امکان‌پذیری فنی: این معیارها ارزیابی می‌کنند که آیا از لحاظ فنی می‌توان پروژه را با موفقیت اجرا کرد. عوامل کلیدی برای سنجش امکان‌پذیری فنی شامل:

  • دسترسی به داده‌های برچسب‌گذاری‌شده (Access to Labeled Data): پروژه‌هایی که به داده‌های قابل‌استفاده و برچسب‌گذاری‌شده دسترسی دارند، از شانس بالاتری برای موفقیت برخوردارند.
  • معماری و فناوری (Architecture and Technology Feasibility): آیا سازمان از فناوری و معماری مناسبی برای اجرای پروژه GenAI برخوردار است؟
  • مهارت‌ها و افراد (Have Skills/People to Execute): آیا سازمان تیمی با مهارت‌های لازم برای اجرای این پروژه دارد؟

معیارهای ارزش تجاری: این معیارها به ارزیابی تأثیر بالقوه پروژه‌ها بر کسب‌وکار می‌پردازند. عوامل کلیدی شامل:

  • همخوانی با مأموریت و ارزش‌های سازمان (Aligns With Our Mission and Values): پروژه‌ای که با مأموریت و اهداف اصلی سازمان هماهنگ باشد، احتمال موفقیت بیشتری دارد.
  • پشتیبانی از سوی اسپانسرها (Sponsor Support): پروژه‌هایی که از سوی مدیران ارشد و اسپانسرهای اجرایی حمایت می‌شوند، شانس بیشتری برای موفقیت دارند.
  • قابلیت اندازه‌گیری KPIها (KPIs Measurable): پروژه‌هایی که دارای معیارهای قابل‌اندازه‌گیری هستند، امکان نظارت و ارزیابی موفقیت آن‌ها بیشتر است.

برای هر پروژه، سازمان‌ها باید دو شاخص اصلی را ارزیابی کنند:

  1. ارزش تجاری: بر اساس مقیاسی از 1 تا 10، ارزش پروژه برای کسب‌وکار را ارزیابی کنید، به‌طوری که عدد 10 نشان‌دهنده بالاترین ارزش است.
  2. امکان‌پذیری فنی: مشابه ارزش تجاری، امکان‌پذیری فنی پروژه را نیز بر اساس مقیاسی از 1 تا 10 ارزیابی کنید.

در نهایت، پروژه‌هایی که دارای ارزش تجاری بالا و امکان‌پذیری فنی قوی هستند باید در اولویت قرار گیرند. این ارزیابی‌ها به سازمان‌ها کمک می‌کند تا از پیگیری پروژه‌هایی با ارزش پایین و ریسک بالا خودداری کرده و تمرکز خود را بر روی پروژه‌هایی بگذارند که احتمال موفقیت بیشتری دارند.

ارسال شده در یادداشت علمی
یک دیدگاه بنویسید