“هوش مصنوعی، هوش مصنوعی، هوش مصنوعی، هوش مصنوعی، هوش مصنوعی… هوش مصنوعی امروزه همه‌جاست. اما شناسایی موارد استفاده مناسب از هوش مصنوعی برای محصول شما نیازمند کارهای زیادی است، مهارت‌های سخت محصول و طراحی، بررسی مداوم امکانات و آزمایشات.”
“آیا هوش مصنوعی می‌تواند این کار را انجام دهد؟
با یک نقل قول از پادکست لنی توسط پل آدامز، درباره محصول و هوش مصنوعی تمرین کنیم:”
“با آن چیزی که محصول شما انجام میدهد شروع کنید. چه اصل اصلی پشت آن است؟ چرا مردم از آن استفاده می‌کنند؟ چه مشکلی برای آنان حل می‌کند؟ به پایه‌ها بازگردید. و سپس سوال را بپرسید، ‘آیا هوش مصنوعی می‌تواند این کار را انجام دهد؟’ برای بسیاری از محصولات SaaS، پاسخ ‘بله’ خواهد بود. برای برخی، ‘بله، به صورت جزئی ممکن است.’ برای دیگران، ‘نمی‌تواند این کار را انجام دهد، حداقل هنوز.'”
“این روش بسیار ساده اما کارساز است. و حتی با سرعت پیشرفت‌های فناوری کنونی در نظر گرفتن موارد استفاده از هوش مصنوعی، نباید حتی خودمان را به آنچه که در حال حاضر قابل انجام است محدود کنیم. زمانی نخواهد گذشت که ماشین‌ها قادر به انجام بیشتر کارهای ذهنی به همان سطح انسان‌ها و شاید حتی فراتر از آن باشند. به عنوان مثال، حتی اگر هوش مصنوعی نتواند کارهای روتین یک وکیل را به طور کامل خودکار کند، یک پیشرفت در چند ماه آینده ممکن است این کار را ممکن کند. بنابراین، یک استراتژی خوب، حداقل برای شرکت‌های کوچکی که به تازگی شروع می‌کنند، آزمایش آنچه که امروز در دسترس است، زمینه‌های لازم را فراهم کرده و آماده شتاب زده شدن در صورت ظهور یک فناوری جدید می‌شود.”
“ارزیابی انسانی‌هوش مصنوعی:”
“در اینجا یک نقل قول دیگر از مقاله HBR است:”
“هوش مصنوعی‌ها ماشین‌های پیش‌بینی هستند. آن‌ها می‌توانند به شما احتمال باران امروز را بگویند، اما نمی‌توانند به شما بگویند که آیا باید چتر بیاورید یا خیر.”
“و حتی هوش مصنوعی ، با وجود هوش و خلاقیت ظاهری‌اش، اساسا همچنان ماشین پیش‌بینی است. با این حال، نحوه‌ای که هوش مصنوعی به تصمیم‌گیری انسان‌ها کمک می‌کند را قدرتمند می‌کند.”
“فناوری هوش مصنوعی کنونی اساسا از لمس انسانی در تصمیم‌گیری زمانه و تجربه شخصی کمبود دارد. ماشین‌ها در پردازش حجم عظیم داده‌ها، تشخیص الگوها و پیش‌بینی‌ها عالی عمل می‌کنند. در عوض، انسان‌ها در استدلال، همدردی و استخراج نتایج از تجربیات شخصی برجسته هستند. بنابراین، رویکرد بهینه برای تصمیم‌گیری یک ترکیب هماهنگ از دیدگاه‌های هوش مصنوعی و ارزیابی انسانی است.”
“تقویت:”
“هرچند جایگزینی کامل انسان‌ها در کار توسط هوش مصنوعی در آینده ممکن است ، اما اغلب کارآمدی کمکی، غیرقابل اعتماد و احتمالاً ناامن است. رویکرد همسو یا انسان-در-حلقه بیشتر مورد توجه است.”
“بسیاری از حرفه‌ای ها درباره افزایش هوش مصنوعی صحبت می‌کنند که شامل افزایش قابلیت‌های انسانی با اتوماسیون یا کمک به بخش‌های خاصی از یک وظیفه است. هوش مصنوعی ابزارها یا بینش‌هایی را فراهم می‌کند که به انسان‌ها کمک می‌کند نقش‌هایشان را به طور کارآمدتر و موثرتر انجام دهند. در اصل در پس‌زمینه کار می‌کند، داده‌ها را پردازش می‌کند و پیشنهاداتی بر اساس پارامترهای تعیین شده ارائه میدهد. دخالت انسان اساسی است، با هوش مصنوعی ارائه پشتیبانی میدهد.”
“به عنوان مثال، در دنیای حقوقی،وظیفه‌ای که وکلا معمولاً باید انجام دهند، تحقیقات حقوقی است. با تقویت، قادر خواهد بود که:”
- “یک دستیار هوش مصنوعی حقوقی می‌تواند از طریق حجم زیادی از قانون‌های قضایی، مقررات و مقالات حقوقی صافی بزند تا لیستی از استنادها و سابقه‌های مرتبط با یک پرونده خاص که وکیل در حال کار بر روی آن است، تولید کند.”
- “وکیل انسان سپس لیست تولید شده را بررسی می‌کند، پرونده‌های مربوطه را انتخاب کرده و آن‌ها را به داوری‌های حقوقی خود اضافه می‌کند.”
“ایجاد مشترک”
برخی افراد با استفاده از ایجاد مشترک یک حالت عملیاتی با هوش مصنوعی را تمایز می‌دهند که شامل تلاش همکارانه بین انسان‌ها و هوش مصنوعی برای تولید یک نتیجه یا خروجی است. هر دو موجود در یک گفتگو یا فرایند تکراری شرکت می‌کنند که ورودی یکی از تصمیمات یا اقدامات دیگر را تحت تأثیر قرار میدهد. یک تبادل پویا و اغلب به صورت زمان واقعی بین انسان و هوش مصنوعی وجود دارد. هوش مصنوعی ممکن است پیشنهاد ارائه کند، اما از بازخورد انسانی یاد می‌گیرد و عملکردها یا خروجی‌های خود را مطابق با آن تنظیم می‌کند.”
“فرض کنید یک طراح گرافیک با یک هوش مصنوعی برای طراحی پوستر همکاری می‌کند. طراح ممکن است یک موضوع یا حالت را ارائه دهد و هوش مصنوعی یک طراحی ایجاد کند. طراح بازخورد میدهد، مانند ‘آن را روشن‌تر کنید’ یا ‘از یک قلم دیگر استفاده کنید’ و هوش مصنوعی با تکرار به طراحی بر اساس آن بازخورد تنظیم می‌کند. DALL-E 3 یک نمونه عالی از این است.”
“فرایند پیدا کردن موارد استفاده از هوش مصنوعی
پیدا کردن موارد استفاده از هوش مصنوعی تولیدی کار زیبا و شیکی نیست، زیرا نیازمند کار زحمت‌آوری است که اغلب ارتباطی با هوش مصنوعی ندارد. شما باید هدف‌ها را دوباره ارزیابی کرده و گاهی حتی آن‌ها را تعریف کنید، تحقیق کنید و با ذینفعان ارتباط برقرار کرده و در عین حال در مشکلات تجاری عمیق وارد شوید. هیچ کس لذتی از انجام آن نمی‌برد و همه می‌خواهند چیزهایی بسازند. اما من مطمئن هستم که حتی اگر شما یک شرکت بزرگ و عملکرد خوب دارید، نقشه‌برداری مشتریان شما منسوخ شده است و شما به دیدی جامع از نحوه عملکرد کسب‌وکار ندارید.”
“فرآیند پیدا کردن یک مورد استفاده از هوش مصنوعی به شرح زیر است:”
- “تعریف مسأله و هدف.
- نقشه‌برداری وضعیت فعلی.
- نقشه‌برداری وضعیت آینده.
- شناسایی موارد استفاده از هوش مصنوعی ممکن.”
اینجا ترجمه‌ی متن فراهم شده به زبان فارسی است:
تعریف مسأله و هدف
همه چیز با تجزیه و تحلیل فرایند فعلی در شرکت شما شروع می‌شود، پیدا کردن مسأله‌ای که می‌خواهید حل کنید، و تعیین هدف نهایی که می‌خواهید برسید. رفع مسأله مناسب بسیار حیاتی است. هوش مصنوعی، به خصوص هوش مصنوعی تولیدی، یک قرص جادویی نیست؛ این فقط یک ابزار است که می‌تواند به شما در حل مسأله کمک کند.
همچنین، مفید است که از خود سوالات زیر را درباره مسأله انتخاب شده و یک راه حل فرضی از هوش مصنوعی بپرسید:
- این مسأله چرا مهم است؟
- انتظارات و اهداف شما چیست؟
- چگونه تجربه کاربر را بهبود خواهد داد؟
- برای کسب‌وکار چرا اهمیت دارد؟
- چرا الآن زمان مناسبی است؟
- اگر می‌خواهید عمیق‌تر بروید، از روش ۵ چرا برای هر سوال به صورت جداگانه استفاده کنید.
نقشه‌برداری وضعیت فعلی
راه‌های مختلفی برای کاوش در مورد وضعیت فعلی در شرکت و محصول شما وجود دارد. من تمرین‌های نقشه‌برداری را ترجیح می‌دهم. می‌توانید نگاه کلی را از اینجا بررسی کنید تا روشی را برای مورد خود انتخاب کنید:
- نقشه‌برداری هم‌درک
- نقشه‌برداری سفر مشتری
- نقشه‌برداری تجربه
- طراحی نقشه خدمات
- کتابی که همیشه ارزش خواندن دارد، “تجربه نقشه‌برداری” نوشته جیم کالباچ است. می‌توانید یک بخش از نسخه پیشین را بخوانید، اما من به شدت توصیه می‌کنم که کتاب کامل را بخوانید تا در نقشه‌برداری مهارت پیدا کنید. او همچنین این انواع نقشه‌ها را به ابزارها اضافه می‌کند:
- نقشه‌های مدل ذهنی
- نقشه‌های اکوسیستم
همچنین می‌توانید راهنمای من را برای پیدا کردن فرصت‌های جدید با نقشه تجربه و CJM بررسی کنید که برای کشف موارد استفاده از هوش مصنوعی کار می‌کند. به راحتی سوال “چطور ما می‌توانیم” را تغییر داده و به تمرکز بر روی استفاده از هوش مصنوعی تولیدی برای یافتن یک راه حل.”
“با تجربه‌ام، یک نقشه ترکیبی بهترین عمل می‌کند. ابتدا نیاز است که دامنه نقشه‌تان (بخش خاصی از محصول یا کسب‌وکارتان که تحقیق خواهید کرد) و کاربر را تعریف کنید، آیا آن‌ها داخلی هستند یا بیرونی. انتخاب یک دیدگاه حیاتی است، زیرا نقش این فرد در راه حل احتمالی مهم است. ما می‌خواهیم قدرت انسان را افزایش دهیم، نه آن را جایگزین کنیم.”
“پس می‌تواند مسیرهای زیر وجود داشته باشد:”
- فاز
- عمل (کار)
- نقطه تماس
- نقطه درد
واقعیت آینده را ترسیم کنید
محصولات و شرکت های ما بی نقص نیستند، بنابراین ساختن وضعیت آینده محصول شما راه خوبی برای همسو کردن همه با چشم انداز آینده است. این به ما کمک می‌کند راه‌هایی برای بهبود شرکت پیدا کنیم، همه ایده‌های ممکن را در یک مکان ثبت کنیم و دیدی جامع از کسب‌وکار داشته باشیم. حتی در تیم‌های کوچک، بینش‌ها در مورد فرآیند فعلی اغلب به صورت سیلو می‌شوند. در اینجا نگران هوش مصنوعی نباشید، زیرا راه‌های زیادی وجود دارد که می‌توانیم این فرآیند را حتی بدون آن بهبود دهیم. در این مقاله می توانید جزئیات بیشتری در مورد نحوه ترسیم وضعیت آینده پیدا کنید.
این مرحله بسیار وقت گیر و برای سازماندهی دشوار است، بنابراین اگر می خواهید به سرعت از هوش مصنوعی Generative بهره مند شوید، اختیاری است.
پیدا کردن پرونده هوش مصنوعی مولد
وقتی کار خسته کننده تحقیق و اکتشاف را تمام کردید، آن موقع است که قسمت هیجان انگیز شروع می شود. با این حال، هیچ الگوریتم جادویی برای شناسایی یک مورد خاص استفاده از هوش مصنوعی Generative برای مشکل شما وجود ندارد. برای اتصال نقطه ها، کافی است با تحقیق در زمینه، مطلع شدن از آخرین اخبار و آزمایش محصولات جدید، خود را با قابلیت های هوش مصنوعی Generative آشنا کنید.
اگر با هوش مصنوعی تازه کار هستید، این فهرست جامع ترین فهرست برای موارد استفاده از هوش مصنوعی مولد است که نقطه شروع خوبی به شما می دهد.
با این حال، من شخصاً چند قانون ساده را هنگام در نظر گرفتن موارد استفاده برای هوش مصنوعی Generative، به ویژه هنگام استفاده از تکنیک های نقشه برداری، ایجاد کرده ام:
- یک کار و نقطه درد مرتبط با آن را شناسایی کنید.
- آیا می توان این کار را به کارهای کوچکتر تقسیم کرد؟
- آیا راه حل ساده ای وجود دارد که به هوش مصنوعی نیاز نداشته باشد؟
- آیا واقعاً هوش مصنوعی برای این کار ضروری است؟
- آیا هوش مصنوعی می تواند این وظیفه را به طور موثر انجام دهد؟
- آیا نگرانی های اخلاقی مربوط به استفاده از هوش مصنوعی در این زمینه وجود دارد؟
- برای موفقیت آمیز بودن این کار چه داده هایی لازم است؟
- در حال حاضر چه داده هایی داریم؟
چه سطحی از افزایش نیاز است؟ (آیا به بررسی و اصلاحات کامل نیاز دارد یا فقط یک طرح انتخاب/تأیید؟)
کل نقشه را مرور کنید و به این ترکیب وظیفه/نقطه درد رسیدگی کنید. نقطه درد از اهمیت ویژه ای برخوردار است. هدف ما حل مشکلات واقعی با هوش مصنوعی به جای ایجاد ابزارهای درخشان و بی فایده هوش مصنوعی است.
خطوط زیر را به نقشه ترکیبی خود اضافه کنید:
- داده ها
- راه حل های غیر هوش مصنوعی
- موارد استفاده از هوش مصنوعی
هوش مصنوعی از ابزار یاب مورد استفاده می کند
بنابراین من تعجب کردم که آیا می توانم از هوش مصنوعی Generative برای خودکار کردن فرآیندی که توضیح دادم استفاده کنم و به افراد کمک کنم موارد استفاده از هوش مصنوعی مولد را برای جفت وظیفه / نقطه درد خود پیدا کنند؟
من یک ابزار کوچک ایجاد کرده‌ام که نسخه ساده‌شده نقشه سفر کاربر را که آن را نقشه کار نامیده‌ام، می‌گیرد و آن را برای یافتن موارد استفاده از هوش مصنوعی تجزیه و تحلیل می‌کند.
می توانید با استفاده از این لینک آن را امتحان کنید.
در اینجا پیش نمایش GIF است:
این ابزار تمام‌شده‌ای نیست و باید بگویم که در مقایسه با آنچه که از یک متخصص هوش مصنوعی انتظار دارم، هنوز نتایج رضایت‌بخشی ارائه نمی‌دهد. با این حال، از قبل چیزی است. من معتقدم که با برخی تنظیمات دقیق با استفاده از وظایف دنیای واقعی -> نقطه درد -> سناریوهای موردی استفاده از هوش مصنوعی مولد، پتانسیل ایجاد پیشنهادهایی را دارد که درست به خوبی پیشنهادهای یک مشاور هوش مصنوعی سطح متوسط هستند.
کلید یافتن موارد استفاده مناسب از هوش مصنوعی، تحقیق عمیق در زمینه، حوزه مورد علاقه یا محصول شما و همچنین آموزش مداوم در مورد فناوری های جدید و کشف مستمر است. این کار مداوم می تواند به شما کمک کند نقاط را به هم وصل کنید.
از کمک شما در آزمایش این ابزار بسیار سپاسگزارم. من شما را تشویق می کنم که آن را روی داده های خود آزمایش کنید.
