سه نیاز مهم کسب‌و‌کارها که هوش مصنوعی می‌تواند از آن‌ها پشتیبانی کند

در روزهایی که هوش مصنوعی به حوزه‌های مختلف وارد شده، برای کسب‌وکارها مفیدتر آن است که به جای هراس از این فناوری نو، از نگاه قابلیت‌های تجاری به آن نگاه کنند. چراکه هوش مصنوعی می‌تواند از سه نیاز مهم کسب‌وکارها پشتیبانی کند: خودکار کردن فرآیندهای تجاری، به دست آوردن بینش از طریق تجزیه و تحلیل داده‌ها، و تعامل بهتر با مشتریان و کارمندان.

در ادامه، انواع مختلف هوش مصنوعی را که می‌تواند مورد استفاده قرار گیرد بررسی می‌کنیم و چارچوبی برای این‌که چگونه شرکت‌ها باید در چند سال آینده شروع به ایجاد قابلیت‌های شناختی خود برای دستیابی به اهداف تجاری‌شان کنند، ارائه می‌کنیم.

خودکارسازی فرآیند (Process automation): از 152 پروژه‌ای که در مقالۀ دانشگاه هاروارد مورد مطالعه قرار گرفته، رایج‌ترین نوع، خودکارسازی وظایف دیجیتالی و فیزیکی – معمولاً فعالیت‌های اداری و مالی روزانۀ اداری – با استفاده از فناوری‌های خودکارسازی فرآیند رباتیک بوده است. RPA از ابزارهای اتوماسیون فرآیندهای تجاری قبلی پیشرفته‌تر است، زیرا ربات‌ها مانند یک انسان عمل می‌کنند که اطلاعات را از چندین سیستم وارد کرده و مورد استفاده قرار می‌دهد. این وظایف عبارتند از:

• انتقال داده‌ها از سیستم‌های ایمیل و مرکز تماس به سیستم‌های ثبت – برای مثال، به‌روزرسانی فایل‌های مشتری با تغییر آدرس یا اضافه شدن خدمات
• جایگزینی کارت‌های اعتباری یا خودپرداز از دست‌رفته، دسترسی به چندین سیستم برای به‌روزرسانی سوابق و رسیدگی به ارتباطات مشتری
• تطبیق عدم دریافت هزینه برای خدمات در سراسر سیستم‌های صورتحساب با استخراج اطلاعات از انواع سند
• خواندن اسناد حقوقی و قراردادی برای استخراج مقررات با استفاده از پردازش زبان طبیعی

در ناسا، فشارهای هزینه‌ای موجب راه‌اندازی چهار RPA در accounts payable و receivable، آی تی و منابع انسانی که همه توسط یک shared services center مدیریت می‌شوند، راه‌اندازی شده است. این چهار پروژه به خوبی کار می‌کنند. ناسا اکنون ربات‌های RPA بیشتری را پیاده‌سازی می‌کند که برخی از آن‌ها دارای سطح هوش بالاتری هستند.

ممکن است تصور شود که خودکارسازی فرآیند رباتیک به سرعت افراد را از کار بیکار می‌کند. اما در میان 71 پروژه RPA که بررسی شده (47٪ از کل)، جایگزینی کارکنان اداری نه هدف اولیه بود و نه یک نتیجه مشترک. تنها چند پروژه منجر به کاهش تعداد کارمندان شد و در بیشتر موارد، وظایف مورد بحث قبلاً برون‌سپاری شده بود. البته با پیشرفت این فناوری، پروژه‌های خودکارسازی احتمالاً منجر به از دست دادن مشاغل در آینده، به ویژه در بخش برون‌سپاری می‌شوند. در واقع، اگر می‌توان یک کار را برون‌سپاری کرد، احتمالاً می‌توان آن را خودکار کرد!

بینش شناختی (Cognitive insight): دومین نوع رایج پروژه در پژوهش یادشده (38٪ از کل) از الگوریتم‌هایی برای شناسایی الگوها در حجم وسیعی از داده‌ها و تفسیر معنای آن‌ها استفاده می‌کرد. برای مثال:

• پیش‌بینی کردن اینکه که یک مشتری خاص احتمالاً چه چیزی را خریداری می‌کند
• شناسایی تقلب اعتباری در زمان واقعی و کشف تقلب در دعاوی بیمه
• تجزیه و تحلیل داده‌های گارانتی برای شناسایی مشکلات ایمنی یا کیفیت در خودروها و سایر محصولات تولیدی
• خودکارسازی هدف‌گذاری شخصی تبلیغات دیجیتال
• ارائۀ مدل‌های دقیق‌تر به بیمه‌گران

بینش‌های شناختی ارائه‌شده توسط یادگیری ماشین از سه جهت با آن‌هایی که از طریق تحلیل‌های سنتی به دست می‌آید، متفاوت است: معمولاً داده‌ها فشرده‌تر و دقیق‌تر هستند، مدل‌ها معمولاً در بخشی از مجموعه داده‌ها آموزش داده می‌شوند، و مدل‌ها به مرور بهتر می‌شوند (یعنی توانایی آن‌ها در استفاده از داده‌های جدید برای پیش‌بینی با گذشت زمان بهبود پیدا می‌کند).

مدل‌های یادگیری ماشین (به ویژه یادگیری عمیق، که تلاش می‌کند فعالیت‌های مغز انسان را به منظور تشخیص الگوها تقلید کند) می‌توانند شاهکارهایی مانند تشخیص تصاویر و گفتار را انجام دهند. یادگیری ماشین همچنین می‌تواند داده‌های جدیدی را برای تجزیه و تحلیل بهتر در دسترس قرار دهد. در حالی که پردازش داده‌ها از لحاظ تاریخی کاملاً فشرده بوده است، اکنون یادگیری ماشین می‌تواند تطابق‌های احتمالی را شناسایی کند (داده‌هایی که در پایگاه‌های داده احتمالاً با یک شخص یا شرکت مرتبط هستند اما در قالب‌های کمی متفاوت ظاهر می‌شوند). جنرال الکتریک از این فناوری برای یکپارچه‌سازی داده‌های تامین‌کننده استفاده کرده است و در سال اول با حذف افزونگی‌ها و مذاکره قراردادهایی که قبلاً در سطح واحد تجاری مدیریت می‌شد، ۸۰ میلیون دلار صرفه‌جویی کرده است.

تعامل شناختی (Cognitive engagement): پروژه‌هایی که کارمندان و مشتریان را با استفاده از ربات‌های چت پردازش زبان طبیعی (NLP)، عوامل هوشمند و یادگیری ماشین درگیر می‌کنند، کمترین نوع رایج در این مطالعه بودند (16٪ از کل را به خود اختصاص می‌دادند). این دسته شامل:

• عوامل هوشمندی که خدمات مشتری 24 ساعته و 7 روز هفته را ارائه می‌کنند و به مجموعه وسیع و رو‌به‌رشدی از مسائل از درخواست رمز عبور تا سؤالات پشتیبانی فنی – همه به زبان طبیعی مشتری می‌پردازند.
• سایت های داخلی برای پاسخ دادن به سوالات کارکنان در مورد موضوعاتی از جمله فناوری اطلاعات، مزایای کارکنان و خط مشی منابع انسانی
• سیستم‌های توصیه محصول و خدمات برای خرده‌فروشان که شخصی‌سازی، تعامل و فروش را افزایش می‌دهند
• سیستم‌های توصیه‌گر که کمک می کند تا برنامه‌های سفارشی ایجاد کنند که وضعیت سلامتی بیماران و درمان های قبلی را در نظر می‌گیرد.

شرکت‌های مورد مطالعه در این پژوهش، تمایل داشتند از فناوری‌های تعامل شناختی بیشتر برای تعامل با کارمندان استفاده کنند تا با مشتریان. این ممکن است تغییر کند زیرا شرکت‌ها راحت‌تر تعاملات مشتری را به ماشین‌ها واگذار می‌کنند. به عنوان مثال، Vanguard در حال راه‌اندازی یک عامل هوشمند است که به کارکنان بخش خدمات مشتریان خود کمک می‌کند تا به سوالات متداول پاسخ دهند. برنامه این است که در نهایت به مشتریان اجازه دهد تا به جای با عوامل خدمات مشتری انسانی، مستقیماً با عامل شناختی درگیر شوند. SEBank، در سوئد، و غول فناوری پزشکی Becton، Dickinson، در امریکا، از Amelia برای خدمت به عنوان یک هلپ‌دسک داخلی برای پشتیبانی IT استفاده می‌کنند. SEBank اخیراً آملیا را به صورت محدود در دسترس مشتریان قرار داده است تا عملکرد و پاسخ مشتریان خود را آزمایش کند.