چرا شکست پروژه‌های هوش مصنوعی، بیشتر شکست معماری سازمان است تا شکست مدل‌های هوش مصنوعی؟

اگر  یک پروژه‌ی هوش مصنوعی به نتیجه‌ی مطلوب نرسد، نخستین واکنش چیست؟

در بسیاری از سازمان‌ها، پاسخ تقریباً قابل پیش‌بینی است. می‌گویند مدل هوش مصنوعی به اندازه‌ی کافی دقیق نبود. یا داده‌های ما کیفیت لازم را نداشت. یا زیرساخت سخت‌افزاری ضعیف بود. گاهی نیز گفته می‌شود که مدل دیگری در بازار وجود دارد که اگر از آن استفاده کنیم، نتیجه بهتر خواهد شد.

این واکنش‌ها طبیعی است، زیرا ساده‌ترین راه برای توضیح یک شکست، جست‌وجوی علت در آخرین حلقه‌ی زنجیره است؛ همان بخشی که بیش از همه دیده می‌شود.

ساده‌ترین راه برای توضیح یک شکست، جست‌وجوی علت در آخرین حلقه‌ی زنجیره است؛ همان بخشی که بیش از همه دیده می‌شود.

امروز نیز آخرین حلقه، هوش مصنوعی است. اما آیا واقعاً مشکل همیشه از همان‌جاست؟

فرض کنید در یک کارخانه، بهترین دستگاه برش لیزر دنیا نصب شده است، اما برنامه‌ی تولید هر روز تغییر می‌کند، مواد اولیه با تأخیر می‌رسد، تعمیرات پیشگیرانه انجام نمی‌شود و هماهنگی میان فروش و تولید وجود ندارد. اگر کیفیت محصول پایین باشد، آیا نخستین متهم باید دستگاه برش باشد؟ احتمالاً نه.

مدیران باتجربه‌ی صنعت می‌دانند که عملکرد یک تجهیز، تابع عملکرد کل سامانه است. به همین دلیل، وقتی یک خط تولید به ظرفیت مورد انتظار نمی‌رسد، مهندسان تنها به خود دستگاه نگاه نمی‌کنند. آن‌ها جریان مواد، برنامه‌ریزی، نگهداری، نیروی انسانی، کنترل کیفیت و ده‌ها عامل دیگر را نیز بررسی می‌کنند.

نکته‌ی جالب اینجاست که همین مدیران، هنگام ورود هوش مصنوعی، گاهی این نگاه سیستمی را فراموش می‌کنند. به محض اینکه خروجی یک سامانه‌ی هوش مصنوعی رضایت‌بخش نباشد، نگاه‌ها فوراً به سمت مدل برمی‌گردد. در حالی که مدل، تنها یکی از اجزای یک سامانه‌ی بسیار بزرگ‌تر است.

واقعیت این است که هوش مصنوعی، برخلاف تصور رایج، به‌تنهایی تصمیم نمی‌گیرد. هوش مصنوعی بر اساس داده‌هایی که دریافت می‌کند، هدفی که برای آن تعریف شده، محدودیت‌هایی که برایش تعیین شده و محیطی که در آن فعالیت می‌کند، پیشنهاد ارائه می‌دهد.

واقعیت این است که هوش مصنوعی، برخلاف تصور رایج، به‌تنهایی تصمیم نمی‌گیرد. هوش مصنوعی بر اساس داده‌هایی که دریافت می‌کند، هدفی که برای آن تعریف شده، محدودیت‌هایی که برایش تعیین شده و محیطی که در آن فعالیت می‌کند، پیشنهاد ارائه می‌دهد.

اگر هر یک از این عناصر دچار نقص باشند، طبیعی است که کیفیت خروجی نیز کاهش یابد. اما این نقص، الزاماً نقص مدل نیست.

اجازه دهید مثال دیگری بزنیم. فرض کنید از سه معمار برجسته بخواهیم برای یک زمین مشخص، طرحی ارائه دهند. اگر به نفر اول اطلاعات کامل از زمین داده شود، به نفر دوم تنها بخشی از اطلاعات و به نفر سوم اطلاعات اشتباه، آیا می‌توان کیفیت طرح‌های آن‌ها را با یکدیگر مقایسه کرد؟ بدیهی است که نه.

اختلاف نتیجه، الزاماً ناشی از توانایی معماران نیست؛ بلکه ناشی از کیفیت محیطی است که در آن تصمیم گرفته‌اند. هوش مصنوعی نیز دقیقاً در چنین وضعیتی قرار دارد. مدل، در خلأ تصمیم نمی‌گیرد. هر پاسخی که تولید می‌کند، حاصل تعامل میان مدل، داده، هدف، فرآیند، سیاست‌های سازمان، کیفیت اطلاعات و شیوه استفاده از آن است. به همین دلیل، تمرکز بیش از حد بر انتخاب مدل، گاهی سازمان را از دیدن مسئله‌ی اصلی بازمی‌دارد.

امروز رقابت شدیدی میان شرکت‌های توسعه‌دهنده‌ی مدل‌های هوش مصنوعی وجود دارد. هر چند هفته یک‌بار، مدلی جدید معرفی می‌شود که سریع‌تر، ارزان‌تر یا دقیق‌تر از نسل قبل است. این پیشرفت‌ها ارزشمندند و بدون تردید آینده‌ی هوش مصنوعی را متحول خواهند کرد.

اما یک پرسش اساسی همچنان باقی می‌ماند؛ اگر سازمانی نتواند از مدل امروز ارزش خلق کند، آیا با مدل قوی‌تر فردا موفق خواهد شد؟ پاسخ، اغلب منفی است. زیرا مشکل، در بسیاری از موارد، نه قدرت مدل، بلکه ناتوانی سازمان در استفاده مؤثر از آن است. این همان خطایی است که در گذشته نیز بارها تکرار شده است.

سازمان‌هایی که تصور می‌کردند خرید یک ERP جدید، تمام مشکلات مدیریتی آن‌ها را حل خواهد کرد، خیلی زود دریافتند که نرم‌افزار، جایگزین فرآیندهای درست نمی‌شود.

سازمان‌هایی که تحول دیجیتال را صرفاً با خرید فناوری برابر دانستند نیز پس از مدتی متوجه شدند که تحول، بیش از آنکه یک پروژه فناوری باشد، یک پروژه مدیریتی است. هوش مصنوعی نیز از این قاعده مستثنا نیست.

اگر معماری سازمان، فرآیندهای تصمیم‌گیری، مسئولیت‌ها و ارتباط میان واحدها اصلاح نشود، پیشرفته‌ترین مدل‌های جهان نیز تنها خروجی‌های هوشمندتری تولید خواهند کرد؛

اگر معماری سازمان، فرآیندهای تصمیم‌گیری، مسئولیت‌ها و ارتباط میان واحدها اصلاح نشود، پیشرفته‌ترین مدل‌های جهان نیز تنها خروجی‌های هوشمندتری تولید خواهند کرد

اما این خروجی‌ها لزوماً به تصمیم‌های بهتر برای سازمان تبدیل نخواهند شد.

اینجاست که باید میان «هوشمندی مدل» و «هوشمندی سازمان» تفاوت قائل شویم. مدل می‌تواند بسیار هوشمند باشد، اما سازمان همچنان تصمیم‌های ناهماهنگ بگیرد.

باید میان «هوشمندی مدل» و «هوشمندی سازمان» تفاوت قائل شویم. مدل می‌تواند بسیار هوشمند باشد، اما سازمان همچنان تصمیم‌های ناهماهنگ بگیرد.

در مقابل، سازمانی که معماری مناسبی برای تصمیم‌گیری دارد، حتی با ابزارهای ساده‌تر نیز می‌تواند عملکردی بهتر از رقبای خود داشته باشد. شاید به همین دلیل است که پرسش اصلی این مقاله، از همان ابتدا درباره‌ی مدل‌ها نبود.

پرسش اصلی این است که: چرا برخی سازمان‌ها با استفاده از فناوری‌های تقریباً مشابه، نتایجی کاملاً متفاوت به دست می‌آورند؟

پاسخ این پرسش را باید نه در مشخصات فنی مدل‌ها، بلکه در معماری سازمان جست‌وجو کرد.