جستار · از تصمیم شروع کنید

از تصمیم شروع کنید، سپس هوش مصنوعی را بسازید

یک محصول هوش مصنوعی زمانی جایگاه خود را به دست می‌آورد که به کسی کمک کند تصمیمی مفید بگیرد و بر اساس آن اقدام کند.

نوشته احمدرضا صمدی · ۲۵ سپتامبر ۲۰۲۶ · به‌روزرسانی ۱۰ اکتبر ۲۰۲۶

وقتی ایده یک محصول هوش مصنوعی را ارزیابی می‌کنم، از یک پرسش کسب‌وکاری شروع می‌کنم: امروز کدام تصمیم دشوار است و چه چیزی آن را آسان‌تر می‌کند؟

این پرسش نقطه شروعی کاربردی هم برای راهبرد محصول و هم برای مهندسی است. مشخص می‌کند چه کسی به نتیجه نیاز دارد، کدام اطلاعات اهمیت دارد و سیستم فراتر از تولید یک پاسخ باید چه کاری انجام دهد.

این محصول هوش مصنوعی باید به گرفتن کدام تصمیم کمک کند؟

یک ابزار فرضی برای پژوهش درباره املاک را در نظر بگیرید. «تحلیل املاک با هوش مصنوعی» بسیاری از انتخاب‌های محصول را بی‌پاسخ می‌گذارد. «کمک به سرمایه‌گذار برای تشخیص اینکه کدام املاک ارزش بررسی بیشتر دارند» مشخص‌تر است؛ یک اقدام و نقطه‌ای از فرایند کار را نشان می‌دهد که اطلاعات بهتر می‌تواند در آن کمک کند.

این تمایز اهمیت دارد، چون یک ابزار پژوهشی مفید ممکن است لازم باشد شواهد پشتیبان را نشان دهد، مقایسه را آسان کند و اطلاعات ناقص را مشخص کند. یک امتیاز واحد فقط بخشی از این کار را پوشش می‌دهد.

از تصمیم به سمت شواهد برگردید

وقتی تصمیم روشن شد، بپرسید فرد برای گرفتن مسئولانه این تصمیم به چه شواهدی نیاز دارد. در این مثال، این شواهد ممکن است شامل تصاویر، تاریخ ثبت آن‌ها، ویژگی‌های مرتبط ملک و محدودیت‌های آنچه می‌توان از آن‌ها استنباط کرد باشد.

سپس بپرسید آیا داده‌های لازم در دسترس، به‌اندازه کافی به‌روز و برای این کاربرد مناسب‌اند. این پرسش‌ها به مراحل اولیه توسعه محصول تعلق دارند، چون پاسخ آن‌ها می‌تواند وعده محصول را تغییر دهد.

اقدام پس از پاسخ را طراحی کنید

یک خروجی زمانی مفید می‌شود که با قدم بعدی جور باشد. آیا مشتری یک فرصت را در فهرست کوتاه قرار می‌دهد، اطلاعات بیشتری درخواست می‌کند یا پرونده را برای بازبینی انسانی می‌فرستد؟

همین اقدام، رابط کاربری و معماری را شکل می‌دهد. تعیین می‌کند کدام اطلاعات باید نگه داشته شود، کدام یکپارچه‌سازی‌ها مهم‌اند و فرد در کجا باید بتواند سیستم را زیر سؤال ببرد یا اصلاح کند.

در این مثال فرضی، کل فرایند کار را چگونه ارزیابی می‌کردم؟

برای این ابزار فرضی، چند پرسش را با هم ارزیابی می‌کنم:

• آیا اطلاعاتی را نشان می‌دهد که به تصمیم پژوهشی مربوط است؟
• آیا کاربر می‌تواند شواهد و محدودیت‌های آن را بفهمد؟
• پیش از قدم بعدی چه میزان بازبینی لازم است؟
• وقتی اطلاعات ناقص است یا سیستم اشتباه می‌کند چه اتفاقی می‌افتد؟
• آیا ارزش این کمک، هزینه ارائه آن را توجیه می‌کند؟

یک معیار مدل می‌تواند به این پرسش‌ها کمک کند، اما نمی‌تواند به همه آن‌ها پاسخ دهد. ارزیابی محصول باید تجربه فردی را که از نتیجه استفاده می‌کند نیز بررسی کند.

کوچک‌ترین تعهد مفید را انتخاب کنید

ترجیح می‌دهم محصول اولیه را حول یک تصمیم تعریف کنم که بتوانیم به‌خوبی از آن پشتیبانی کنیم، تا اینکه وعده‌ای گسترده بدهم که ارزیابی‌اش دشوار است. دامنه متمرکز به تیم راه روشن‌تری می‌دهد تا از مشتریان بیاموزد و درباره قدم بعدی ساخت تصمیم بگیرد.

رویکرد من پیوند دادن تصمیم مشتری، شواهد پشتیبان، فرایند کار محصول و تلاش مهندسی است. در همین پیوند است که توان فنی به یک پیشنهاد کسب‌وکاری تبدیل می‌شود.

روش را به کار بگیرید

راهنمای تعاملی پیش از ساخت هوش مصنوعی این پرسش‌ها را به یک برگه تصمیم تعاملی تبدیل می‌کند. برای کاربردهای مرتبط، مقاله‌های هزینه هوش مصنوعی به‌ازای هر نتیجه تأییدشده و Jev، مدل تصمیم‌گیر هوش مصنوعی را بخوانید.

برای آشنایی با زمینهٔ حرفه‌ای علاقه‌ام به فرایندهای پژوهش دربارهٔ املاک، کار من در Appraiva را ببینید. مثال این مقاله همچنان فرضی است.

این نوشته ترجمه نسخه انگلیسی منتشرشده در ۱۳ سپتامبر ۲۰۲۶ است.