اگه به تکنولوژی علاقه داشته باشی، احتمالا داغ بودن بحث هوش مصنوعی رو حسابی حس کردی! مخصوصاً از ژوئن ۲۰۲۳ که اون گزارش معروف مک‌کینزی درباره «پتانسیل اقتصادی هوش مصنوعی زایا» منتشر شد – همون مدلی که توش نشون می‌داد چقدر میشه با هوش مصنوعی (مثلاً Generative AI یعنی هوش مصنوعی‌ای که می‌تونه خودش متن یا تصویر بسازه) تو بهره‌وری جهش کرد و جلو افتاد. یه خورده شبیه همون کاری که آمازون چند سال پیش با تبلیغات سرویس ابری خودش کرد: چرا باید کلی پول برای خرید سرور بدی وقتی فقط با چند سنت میشه سرور مجازی داشت؟
خب حالا داستان چیه؟ همه این مدیرها و شرکت‌ها بعد این گزارش‌ها و تبلیغات خفن، شروع کردن پشت سر هم به تیم‌های آی‌تی و مدیرای فنی‌شون زنگ زدن و می‌پرسیدن: «ما با هوش مصنوعی چی‌کار داریم می‌کنیم؟!» بعضیا با ذوق شروع کردن، بعضیا با اعصاب‌خردی، ولی بالاخره همه یه جوری باید به این سوال جواب می‌دادن. اما مشکل اینجا بود که خیلی وقتا تو این شور و هیجان، کسی نپرسید این کار واقعاً برامون چی سودی داره؟ یا یهو از هر ابزاری که یه کم بوی AI می‌داد، استفاده میشد، بدون اینکه به بازدهی واقعی فکر کنن؛ یه چیزی میشد تو مایه‌های دستگاه‌های روب گلدبرگ (که یه کار ساده رو با کلی پیچیدگی انجام میدن!).
الان که آب‌ها یه کم از آسیاب افتاده، می‌خوام چندتا نکته باحال و کاربردی درباره اتوماسیون با هوش مصنوعی رو رفاقتی باهاتون درمیون بذارم.
اول یه چیزی روشن کنم؛ به گزارش وال‌استریت ژورنال (آوریل ۲۰۲۵)، خیلی از شرکت‌ها هنوز نتوستن واقعاً از پروژه‌های AI سودی دربیارن و بیشتر تو قدم اول یا همون PoCها (یعنی مرحله «آزمایش اولیه مفهومی») گیر افتادن. حتی MIT هم مجبور شد یکی از مقاله‌های AIش رو پس بگیره، چون نتایجش اثبات نمی‌شد. خلاصه: الکی شلوغش نکنید، هوش مصنوعی نوشدارو نیست، باید حواستون به واقعیت و ریسک‌ها باشه؛ ولی اگه هوشمندانه استفاده کنی، معرکه‌ست!
کجاها هوش مصنوعی برای شرکت‌ها ترکونده؟ دو تا محور اصلی داره می‌درخشه: یکی زبان (مثلاً ترجمه و تحلیل الگوها با NLP که یعنی «پردازش زبان طبیعی» و هرچی مربوط به درک و کار روی زبان آدم‌ها باشه)، یکی هم داده (از تغییر فرمت داده‌ها تا جستجو و کار با اطلاعات).
✌️ مثال اول: NLP و تحلیل زبان
شرکت‌های تولیدی مثل اینتل یه مشکل جدی دارن: تحلیل خرابی و اثرات‌شون (Failure Mode and Effects Analysis یا همون FMEA) خیلی حوصله سر بر و زمان‌بره. تازه خیلی وقتا وقتی دستگاه خراب شد تازه یادشون می‌افته FMEA انجام بدن که دیگه کار از کار گذشته. مشکل اینجاست که کارخونه‌ها ممکنه تو کشورهای مختلف باشن، با زبان‌های مختلف و اختلاف ساعت عجیب. مهندس‌ها باید کلی وقت بذارن تا بفهمن دقیقاً چه اتفاقی افتاده.
راه‌حل جالب: اومدن با استفاده از سرورهای CPU که از قبل داشتن، log یا گزارش دستگاه‌ها رو با NLP بررسی کردن. اینجوری حرفایی که تکنسین‌های هر منطقه نوشته بودن رو اتوماسیون می‌خونه، حتی تشخیص میده حرفشون مثبت یا منفی بوده (همون تحلیل احساس یا Sentiment Analysis)، و ظرف فقط یه دقیقه، کار چند هفته تحلیل رو انجام میده! عمر دستگاها رو بیشتر میکنه و از تعطیلی خطوط تولید تا حد زیادی جلوگیری میشه.
یه مثال دیگه از بانک‌ها و شرکت‌های مالی. اینجا معمولاً سیستم‌های قدیمی با زبون‌های برنامه‌نویسی ۳۰ سال پیش هست که برنامه‌نویس‌های امروزی دیگه بلدش نیستن. پس برای ارتقا و نگهداری سیستم، کلی مشکل دارن.
هوش مصنوعی و NLP کمک کرده کدهای قدیمی رو به زبون جدید ترجمه کنه. دیگه نیازی به ریسک نوشتن دوباره کل سیستم نیست؛ با کمترین هزینه میشه سرویس‌ها رو بهبود داد و به‌روز نگه داشت.
✌️ مثال دوم: AI زایا و RAG برای مستندسازی و چت‌بات
RAG یا Retrieval Augmented Generation رو دیدی؟ این تکنیک یعنی هوش مصنوعی بتونه علاوه بر جواب دادن، اطلاعات لازم رو از دیتاهای موجود بکشه بیرون و استفاده کنه. (یه جور ترکیب سرچ و تولید محتوا باهم)
در حوزه فروش، مثلاً خیلی وقتا باید دیتاهای محصول رو در فرمت خاصی بذاری تو سندهای مختلف (مثلاً پاورپوینت یا ورد) تا پاسخ RFP مشتری رو بدی (RFP یعنی “درخواست پیشنهاد قیمت یا خدمات” از سمت مشتری). این کار عادی هفته‌ها زمان از تیم فروش و فنی می‌گیره، به خصوص اگه بحث حقوقی هم وسط باشه!
با هوش مصنوعی زایا و RAG، میشه کل این یه عالمه دیتا رو در حد چند ساعت به هر فرمت و سندی که مشتری خواست تبدیل کرد؛ بدون اینکه خطا و اعصاب‌خردی جا‌به‌جایی داده پیش بیاد.
در بحث منابع انسانی یا HR هم ماجرا جالبه؛ گاهی روندهای اداری گیج‌کننده‌ست، اطلاعات شخصی یا حقوقی به خطر میفته و کارمندها نمی‌دونن از کی و چی بپرسن.
حالا اگه یه چت‌بات هوشمند رو با RAG قاطی کنی و اجازه بدی بر اساس هویت کارمند، دسترسی‌ها و دارایی‌هایی که داره پرسش و پاسخ‌ها رو انجام بده، خیلی راحت مشکلات گرفتن اطلاعات و راهنمایی رو حل می‌کنی. دیگه کسی سرگردون نمی‌مونه و سوالش سریع و امن جواب داده میشه.
⏰ چطور بهترین استفاده رو از AI در شرکتت داشته باشی؟
یه نکته مهم: بین ۸۰ تا ۹۰ درصد پروژه‌های آزمایشی AI اصلاً به مرحله اجرایی واقعی (production) نمی‌رسن. پس باید محتاط باشی. اولش یه استراتژی داده و بررسی حاکمیت داده (Data Governance – کنترل، امنیت و قوانین استفاده از داده‌ها) راه بنداز. وضع داده‌ها و فرایندهای داخلی رو شفاف کن. بعدش برو سراغ تجربه شرکت‌های مشابه؛ ببین کدوم مواردشون واقعاً جواب داده. جایی که قوانین و فرایندها شفاف و قابل اتوماسیونه، بهترین جا برای شروعه.
جاهایی که داده‌های پراکنده داری (مثلاً ویدیو، متن بدون ساختار، یا دیتابیس رسمی)، یا فرایند مبهم و غیرشفافه، بهتره تصمیمات کلیدی رو همچنان به آدم‌ها بسپری (Human-in-the-loop یعنی حضور انسانی وسط تصمیم‌گیری)، تا هم دیتا اشتباه لو نره، هم از پس هزینه‌های اضافه برمیای.
خلاصه؛ الان که هوش مصنوعی از فاز هایپ و هیجان الکی داره میاد پایین و شرکت‌ها دنبال نتایج واقعی‌ان، وقتشه همین الان دست بجنبونی و با کیس‌های تعریف‌شده، قدم‌به‌قدم اتوماسیون هوشمند رو تو شرکت راه بندازی – که نه فقط سال ۲۰۲۵ بلکه برای آینده هم حسابی می‌صرفه!
(این مطلب با همکاری اینتل تهیه شده و توسط تحریریه MIT Technology Review نوشته نشده)
منبع: +
