چگونه داده‌های بدون ساختار، موتور محرک ایجنت‌های هوش مصنوعی در سازمان‌ها می‌شوند؟

داده‌های بدون ساختار شباهت زیادی به کتابخانه‌ای بی‌انتها دارند که کتاب‌هایش فاقد عنوان، شناسنامه یا قفسه‌بندی مشخص هستند؛ تمامی دانش و اطلاعات ارزشمند در آنجا گرد آمده است، اما تا زمانی که نظم و ساختاری پیدا نکند، دسترسی و استفاده از آن ناممکن خواهد بود.

با وجود افزایش چشمگیر سرمایه‌گذاری شرکت‌ها در حوزه هوش مصنوعی طی سال‌های اخیر، کمتر از نیمی از این پروژه‌ها در دو سال گذشته نتایج تجاری ملموس و قابل اندازه‌گیری به‌همراه داشته‌اند. در حالی که به‌کارگیری این فناوری همچنان هدف اصلی کسب‌وکارهای سراسر جهان محسوب می‌شود، این آمار نشان می‌دهد که دستیابی به ارزش واقعی و بازدهی ملموس، بزرگ‌ترین چالش این صنعت است.

با این حال، نتایج نامتوازن سال‌های گذشته دستاورد ارزشمندی به‌همراه داشته است. این آزمون و خطاها ریشه اصلی مشکلی را آشکار کرده‌اند که سال‌هاست گریبان‌گیر سازمان‌ها است؛ شرکت‌ها پیش از آنکه به فکر هوش مصنوعی باشند، حتی زیرساخت‌های بنیادین لازم برای نوآوری دیجیتال را در اختیار ندارند و مدیران ارشد اکنون به این واقعیت پی برده‌اند.

بخش کلیدی این زیرساخت در داده‌های بدون ساختار سازمان‌ها نهفته است. این داده‌ها شامل ایمیل‌ها، اسناد متنی، فایل‌های PDF، تصاویر، ویدیوها، سوابق گفتگوها، فرم‌ها، گزارش‌ها و تعاملات روزمره با مشتریان هستند که در پایگاه‌های داده سنتی ذخیره نمی‌شوند و بین ۸۰ تا ۹۰ درصد از کل محتوای هر سازمان را تشکیل می‌دهند.

این حجم عظیم از داده‌های بدون ساختار، نقشی حیاتی در پیاده‌سازی موفق هوش مصنوعی و اتوماسیون مبتنی بر ایجنت ایفا می‌کند؛ زیرا بافتار و زمینه کاری لازم را در اختیار ایجنت‌های سازمانی می‌گذارد تا اقدامات خود را کاملاً منطبق بر اهداف تجاری سازمان تنظیم کنند و با تغییرات پویای محیط کار هماهنگ شوند. زمانی که این فرایند با حاکمیت داده و نظارت انسانی مقیاس‌پذیر همراه شود، ایجنت‌های سازمانی می‌توانند با ترکیب داده‌های آماده، درک عمیق تجاری و تخصص صنعتی عملکردی فوق‌العاده ارائه دهند.

هوش مصنوعی خودمختار یا ایجنت‌ها رفتاری متفاوت از کدهای برنامه‌نویسی سنتی دارند و بیشتر شبیه به یک همکار واقعی عمل می‌کنند. دقیقاً به‌دلیل همین توانمندی گسترده است که ورود شتاب‌زده و بدون برنامه به این حوزه ریسک بسیار بالایی به‌همراه دارد. گزارش‌های اخیر کمیته حساب‌های عمومی بریتانیا نشان می‌دهد که داده‌های بی‌کیفیت و حبس‌شده در سیستم‌های قدیمی، مانع اصلی توسعه هوش مصنوعی هستند؛ موضوعی که ثابت می‌کند داده‌های پراکنده، نبود حاکمیت ساختاریافته و اهداف مبهم می‌توانند پروژه‌های ایجنت‌های هوش مصنوعی را پیش از تثبیت پایه‌ها با شکست مواجه کنند.

بنابراین هر سازمان پیش از صرف زمان، هزینه و بودجه هنگفت باید به دو پرسش کلیدی پاسخ دهد: آیا زیرساخت‌های سازمان برای میزبانی از ایجنت‌های هوش مصنوعی آماده است و آیا اهداف و خروجی‌های مورد انتظار به شکلی شفاف و دقیق تعریف شده‌اند؟

آماده‌سازی پیش از پیاده‌سازی

برخلاف مدل‌های هوش مصنوعی کمکی که صرفاً به دستورات متنی پاسخ می‌دهند، ایجنت‌های سازمانی برای اقدام و انجام وظایف طراحی شده‌اند. از آنجا که این ایجنت‌ها فراتر از یک دستیار ساده عمل کرده و کارهای عملیاتی را اجرا می‌کنند، به‌کارگیری آنها نیازمند بازبینی دقیق جریان‌های کاری و جریان داده‌ها است. برای خلق ارزش واقعی، این ابزارها باید در همان مسیرهایی حرکت کنند که کارکنان در آن فعالیت دارند؛ یعنی سامانه‌های ثبت عملکرد، کانال‌های تعامل با مشتریان و چارچوب‌های قانونی حاکم بر سازمان.

چنین رویکردی نیازمند یک راهبرد سنجیده و حاکمیت شفاف است. اگر با ایجنت‌ها مانند افزونه‌های ساده نرم‌افزاری برخورد کنید، احتمال دوباره‌کاری، ایجاد گلوگاه‌های عملیاتی و انجام اقدامات ناخواسته افزایش می‌یابد؛ امری که در نهایت بار کاری کارکنان را به‌جای کاهش، سنگین‌تر خواهد کرد.

به همین دلیل، آماده‌سازی باید پیش از مرحله استقرار آغاز شود. کسب‌وکارها قبل از آغاز پروژه‌های هوش مصنوعی به پلتفرمی نیاز دارند که بتواند ترابایت‌ها داده بدون ساختار را به یکدیگر پیوند بزند؛ داده‌هایی که در گذشته دسترسی به آنها دشوار بوده و مدیریت و بهره‌گیری از آنها در مقیاس بزرگ چالش‌های فراوانی داشته است.

محتواهایی مانند ایمیل‌ها، تصاویر و ویدیوها اطلاعات ارزشمندی درباره بافتار کاری فراهم می‌کنند تا ایجنت‌ها با دقت و کارایی بیشتری عمل کنند. با این حال تا به امروز، بخش اعظمی از این اطلاعات در جزیره‌های اطلاعاتی حبس شده‌اند و به‌جای آموزش سامانه‌های هوشمندتر، در گوشه سرورها خاک می‌خورند.

راهبرد پیش از مقیاس‌پذیری

یک اشتباه رایج در هنگام پذیرش فناوری‌های جدید این است که سازمان‌ها پیش از یاد‌گیری اصول اولیه، به دنبال نتایج بزرگ و سریع می‌روند. هرچند تصور اینکه ایجنت‌های هوش مصنوعی کل فرایندهای کسب‌وکار را دگرگون می‌کنند هیجان‌انگیز است، اما گام نخست همیشه شناخت حوزه‌هایی است که اتوماسیون می‌تواند در آنها ارزش عملیاتی ایجاد کند.

بخش حسابداری و امور مالی نمونه بارز این موضوع است. در این بخش، وظایف تکراری و مبتنی بر قوانین مشخص، بستر مناسبی برای ایجنت‌ها فراهم می‌کنند. ایجنت‌ها می‌توانند فاکتورها را از کانال‌های مختلف دریافت کرده، آنها را به داده‌های ساختاریافته و تمیز تبدیل نمایند، اطلاعات کلیدی را ارزیابی کنند و پیش از ثبت نهایی در سیستم مالی، فرایند تطبیق سه‌جانبه میان فاکتور، سفارش خرید و رسید انبار کالا را انجام دهند.

نکته مهم این است که به‌دلیل ادغام ایجنت‌ها با زیرساخت‌های نرم‌افزاری موجود، مدیران و تأییدکنندگان نیازی به جابه‌جایی میان برنامه‌های مختلف ندارند و امکان تأیید اسناد در گوشی‌های هوشمند، سرعت چرخه‌های کاری را بالا نگه می‌دارد. از آنجا که تمام مراحل به‌دقت ثبت می‌شوند، بررسی‌های نظارتی و کنترل تقلب به‌صورت پیش‌فرض در دل جریان کاری قرار دارند و نیازی به افزونه‌های جداگانه نیست.

با وجود اینکه این سطح از خودکارسازی ساعت‌ها در زمان صرفه‌جویی می‌کند، نظارت انسانی همچنان عامل اصلی انسجام سیستم است. ایجنت‌ها می‌توانند بخش عمده کارهای روزمره را به دوش بکشند، اما تصمیم‌گیری نهایی در گلوگاه‌های حیاتی باید به قضاوت انسان سپرده شود.

هدف‌گذاری دقیق پیش از خودکارسازی

هوش مصنوعی دیگر یک پروژه آزمایشی و دانشگاهی نیست. شرکت‌های پیشرو در حال حاضر از این فناوری در مقیاس عملیاتی استفاده می‌کنند و سازمان‌هایی که همچنان به آن نگاهی آزمایشی دارند، از رقبایی که پایه‌های خود را محکم ساخته‌اند عقب خواهند ماند. دوره آزمون و خطا به پایان رسیده است و کسب‌وکارها باید از تجربیات و اشتباهات خود و دیگران درس بگیرند.

شروع درست به معنای اجرای بی‌نقص پایه‌ها است. این امر شامل پالایش داده‌های موجود و پیاده‌سازی زیرساخت‌های متصلی است که همگام با نوآوری گسترش می‌یابند. سرمایه‌گذاری در این حوزه بسیار فراتر از یک ارتقای نرم‌افزاری ساده است؛ این تغییرات شیوه تصمیم‌گیری در سازمان را دگرگون ساخته و کسب‌وکار را برای آینده آماده می‌کنند.

برندگان این عصر جدید سازمان‌هایی نیستند که زودتر از دیگران کار را آغاز کرده‌اند، بلکه مجموعه‌هایی هستند که برای تدوین راهبرد وقت گذاشته‌اند، مسیرهای اثر‌بخش اتوماسیون را شناسایی کرده‌اند و زیرساخت‌های مورد نیاز سامانه‌های هوشمند را برای شکوفایی سازمان فراهم ساخته‌اند.

چشم‌انداز تحولات پیش رو

طی سال آینده، ایجنت‌های سازمانی از ابزارهای کمکی ساده به گردانندگانی تحت نظارت تبدیل خواهند شد که می‌توانند محتوای بدون ساختار را در مقیاس کلان تفسیر، راستی‌آزمایی و اجرا کنند. استقلال عمل مبتنی بر سیاست‌های سازمانی، نظارت پیوسته انسانی و اتصال هوشمند محتوا، همکاری چندایجنت را به یک الگوی استاندارد در جریان‌های کاری بدل خواهد کرد.

غربالگری، اعتبارسنجی اسناد، انطباق با قوانین و هماهنگی یکپارچه میان بخش‌های مالی، منابع انسانی، خدمات مشتریان، درمان، دولت و بیمه به امری رایج تبدیل خواهد شد. اتوماسیون مبتنی بر زبان طبیعی نیز رابط کاربری فراگیر کسب‌وکارها خواهد بود و به تیم‌ها اجازه می‌دهد بدون نیاز به کدنویسی پیچیده، فرایندهای کاری را طراحی و شبیه‌سازی کنند؛ در حالی که چرخه‌های بازخورد پیوسته، سرعت پردازش و مدیریت خطاها را به‌طور مستمر بهبود می‌بخشند.

هم‌زمان با این تحولات، الگوهای تخصصی و بسته‌های مهارتی آماده، سرعت به‌کارگیری این فناوری را دوچندان کرده و مدل‌های عملیاتی صنعتی را پیش خواهند برد. ایجنت‌ها جریان‌های کاری را رصد کرده، پیشنهادات بهینه‌سازی ارائه می‌دهند و ذیل نقش‌های تعریف‌شده با قابلیت بازگشت به مراحل قبل و ثبت کامل سوابق، امور را با امنیت بالا اجرا می‌کنند.

ستون فقرات این تحول، یک لایه مدیریت محتوای یکپارچه است که پایگاه‌های داده و برنامه‌ها را بدون نیاز به مهاجرت‌های اجباری داده‌ها به یکدیگر پیوند می‌دهد. از این طریق ایجنت‌ها می‌توانند با اطمینان زمینه موضوعی را درک کنند، اسناد منبع را با شواهد تطبیق دهند و اقداماتی ثمربخش را به اجرا درآورند.

کسب‌وکارهایی که از هم‌اکنون پایه‌های داده، حاکمیت ساختاریافته و ابزارهای توانمندسازی خود را بنا کنند، با سرعت، هوشمندی و امنیت بیشتری از اتوماسیون هوش مصنوعی بهره‌مند خواهند شد. در نقطه مقابل، سازمان‌هایی که تعلل کنند، نظاره‌گر رقبایی خواهند بود که انبوه داده‌های بدون ساختار خود را به موتور پیشران کسب‌وکار تبدیل کرده‌اند و به ناچار از مسیر رقابت حذف خواهند شد.