شبکه اطلاع رسانی روابط عمومی ایران (شارا)، ما در عصری شگفت انگیز زندگی می‏کنیم. از سویی مردم انگلستان به خروج از اتحادیه اروپا رای می‎دهند و از سوی دیگر شاهد موفقیت یک تاجر، سرمایه‎دار و ستاره تلویزیون در رقابت‎های ریاست‌جمهوری آمریکا هستیم. چنین رویدادهایی به روشنی در نوع خود بی نظیر هستند. اما نکته جالب این است که هر دو مورد مذکور با وجود پیش‎بینی‏های حاصل از نتایج صدها نظرسنجی و برخلاف نظرات تحلیل‏گران سیاسی رخ داده‏اند، دقیقا در عصری که پیشرفت‏ در زمینه کلان داده، تجزیه و تحلیل اطلاعات و هوش مصنوعی بیش از هر زمان دیگری در تاریخ بشری سر و صدا به پا کرده است.

این دوران قطعا عصری شگفت‏انگیز برای پیش‏بینی‌های داده‏محور است. به‌طور مثال انتخابات از جمله رویدادهایی است که در سراسر جهان مورد توجه تمامی اقشار جامعه است و شامل مجموعه‏ای از اصول و قوانین مشترک است که نتیجه‌ای تقریبا ساده نیز در پی دارد که البته مجموعه‌ای از اطلاعات در دسترس و تاریخی در آن دخیل هستند. اما روزنامه‏نگاری پس از انتخابات اخیر آمریکا چنین نوشت: «این روز، روزی بود که اطلاعات مرد.» هم‏زمانی این رویدادها با پیشرفت‏های اخیر در حوزه تجزیه و تحلیل اطلاعات و هوش مصنوعی و همچنین ادعاهای جسورانه و فزاینده در خصوص تاثیرات آنها بر زندگی ما موضوعی قابل توجه است. به نظر می‏رسد اطلاعات و الگوریتم‏های هوشمند می‌توانند ارزش‏های فوق‌العاده‏ای برای کسب‏وکارها به ارمغان بیاورند، چه از طریق بهبود اثربخشی تبلیغات و بهره‏وری عملیاتی و چه به واسطه فعال کردن موتورهای پیشنهاد خودتنظیم. هنوز هم برگزیت و انتخابات ریاست جمهوری دونالد ترامپ این موضوع را به ما یادآوری می‏کنند که اطلاعات و ابزارهای تجزیه و تحلیل می‌توانند به راحتی منجر به گمراهی همه شوند.

تجارب تلخ دنیای سیاست در سال گذشته به خوبی ثابت کرد که تجزیه و تحلیل‌های پیشرفته می‏توانند به راحتی جایگزین نبوغ، خلاقیت و ابتکار انسانی شود. چنین وقایعی برخی ایده‏ها پیرامون چالش‏های پیش‎روی کسب‏وکارها در زمینه بهره‏برداری از مزایای الگوریتم‌های هوشمند و نیاز به تعامل انسان و ماشین‏ها را تقویت کرد. در ادامه به ۴ نکته اصلی برای رهبران کسب‎وکار پرداخته می‎شود.

۱) نبوغ انسانی مکملی برای بهره‏برداری از فناوری در موقعیت‏های ناشناخته. ترکیب اطلاعات و الگوریتم‏های پیچیده در موقعیت‏ها و وضعیت‏های آشنا راهکاری به شدت قدرتمندانه است. نیت سیلور (Nate Silver)، روزنامه نگار و آمارگر آمریکایی توانست نتایج انتخابات تمامی ۵۰ ایالت آمریکا در انتخابات ریاست جمهوری سال ۲۰۱۲ میلادی را به درستی پیش‌بینی کند، چرا که این رویداد همچون کسب وکاری معمول بود که به دست شخصیت‌هایی شناخته شده اداره می‌شد. با این حال تصمیم‌های مردم هنوز هم مزیتی قاطع در قبال هدایت موقعیت‏های ناشناخته دارند و مبارزات انتخاباتی اخیر چیزی بود جز آن کسب‏وکار معمول. بنابراین، کارشناسانی که نتایج را با وضوح بیشتری می‎بینند، افرادی که توجهی به کسب‎وکار معمول ندارند و بر جنبه‏های انسانی و غیر قابل سنجش اطلاعات توجه دارند، موفقیت بیشتری در این حوزه دارند.

۲) درک فرضیه‌های اساسی پیرامون فناوری. حتی قدرتمندترین الگوریتم‎ها نیز مستلزم تبیین مساله و تعیین دامنه قطعی آن هستند. این الگوریتم‎ها از توان ارزیابی زمینه‎های موضوعی خارج از حوزه‎ای خاص برخوردار نیستند. هم‌اکنون فقط افراد هستند که از توان به چالش کشیدن مدل‎های مورد استفاده در این حوزه برخوردار هستند. همان‌طور که روشن شد، موسسه‎های نظرسنجی از مدل‎های مناسبی استفاده نمی‏کنند، الگوریتم‎های پیش‎بینی آنها به اندازه کافی دقیق بوده‏اند اما فرضیات به‌کار رفته در مدل نظیر میزان مشارکت رای‏دهندگان تا حد بسیار زیادی خطاپذیر بوده‌اند.

۳) به چالش کشیدن جعبه سیاه فناوری. انسان‏ها نقش قابل‌توجهی در استخراج ارزش از اطلاعات دارند. برای ایفای چنین نقشی، درک، بررسی، ارزیابی اعتبار خروجی الگوریتم‎ها و ارائه بازخورد از جمله مهم‏ترین الزامات به‌شمار می‏روند. هر تحلیلگر سیاسی تا پیش از برگزاری انتخابات بر این باور بود که رقابت‌های انتخاباتی اخیر رویدادی بی‌سابقه است و نتیجه نیز پیش‌بینی‌ها را اثبات کرد. خطری مشابه نیز در دنیای کسب‏وکار وجود دارد، الگوریتم‏های پیچیده کسب وکار می‏توانند به جعبه سیاهی تبدیل شوند که فرضیات بیان نشده و بی نظمی موجود در واقعیت‏ها را پنهان می‏کنند.

۴) عدم اتکا به پیش‌بینی‎های فاقد تجزیه‏ و تحلیل‏های ساختاری. تحلیلگران از توانایی تفکیک مدل‌های علی و پیش‌بینی برخوردار هستند. مدل‌های پیش‌بینی در تلاش هستند رویدادها را به دقت و بدون توجه به ساختار علی موجود میان متغیرهای ورودی و خروجی پیش‌بینی کنند. این در حالی است که مدل‌های علی به دنبال درک جداگانه روابط میان ورودی‏ها و خروجی‏ها هستند. به بیان دیگر، برخی مدل‏ها آینده را بدون درک آن پیش‌بینی می‏کنند، سایر مدل‌ها نیز بخش‌‏هایی از آینده را بدون برخورداری از توان پیش‌بینی جامع آن درک می‏کنند. تحلیل علی در قیاس با مدل‌های پیش‌بینی، نگاهی ناخوشایندتر به موضوع دارد اما امکان کشف روابط علت و معلولی پنهان که محرک عناصر کلیدی مدل‌های پیش بینی هستند، به واسطه این مدل‌ها فراهم می‏شود.

کلام آخر

این فرضیه که فناوری نقش انسان را به مرور کم‌رنگ‌تر خواهد کرد، اشتباهی اساسی است. برعکس، ابتکار و خلاقیت‌های انسانی بیش از گذشته مورد نیاز خواهند بود. انسان‏ها و ماشین‏ها مکمل یکدیگر هستند، بدین معنی که ارزش کسب وکار حاصل از الگوریتم‌ها و اطلاعات تنها به واسطه تعامل مناسب میان انسان‌ها و ماشین‌ها قابل بهره‌برداری خواهد بود. امروزه ترس اصلی این است که رویکرد کنونی نسبت به فناوری گرفتار دام مشابهی شود. حقایق موضوعی پیچیده و بی‌نظم هستند. بنابراین به جای استفاده جزمی از اطلاعات، باید به واسطه بهره‏مندی از منافع کثرت دیدگاه‏ها، ترکیب قابلیت‌های انسان‌ها و ماشین‌ها را امکان‌پذیر سازیم. به بیان دیگر، باید همواره به یاد داشته باشیم که مهم‏ترین بخش تفکر، به موضوع علم داده ارتباط دارد. رهبران کسب‌وکار باید نسبت به یکپارچه‌سازی اطلاعات و روش‌های تجزیه و تحلیل با فرآیندهای کسب‌وکار اقدام کنند. اما حتی در آینده‌ای که تحت عنوان «عصر ماشین‌ها» از آن یاد می‌شود، نبوغ انسانی هنوز هم کلید بهره‏برداری از قدرت فناوری است. به باور ما، این ایده باید در دستور کار رهبران کسب‌وکارها قرار بگیرد تا کسب ارزش با وجود پیشرفت در فرآیندهای تکنولوژیک امکان‏پذیر و امکان تقویت توانمندی‏های سازمانی در استفاده مناسب از آن فراهم شود.

منبع: روزنامه دنیای اقتصاد - شماره 4031