در سازمان های مدرن یک موتور جدید، قدرتمند و به ظاهر جادویی نصب شده است. رهبران مسحور قدرت خام و وعده های تحول آفرین آن، تمام تمرکز خود را بر روی خود موتور، یعنی الگوریتم ها و پلتفرم های هوش مصنوعی، معطوف کرده اند، اما آنها از یک حقیقت مهندسی بنیادین غافل مانده اند؛ اینکه قدرتمندترین موتور جهان، اگر بر روی یک شاسی زنگ زده و در دستان رانندگانی قرار گیرد که هرگز برای رانندگی با چنین سرعتی آموزش ندیده اند، نه تنها به مقصد نخواهد رسید، بلکه کل وسیله نقلیه را متلاشی خواهد کرد. بزرگ ترین اشتباه شرکت ها در مورد آموزش هوش مصنوعی، همین است: تمرکز بر درخشش موتور به جای بازسازی شاسی و بازآموزی رانندگان. آنها فراموش کرده اند که این یک ارتقای ابزار نیست، بلکه ظهور نوعی کاملاً جدید از سواد است که باید در تار و پود کل سازمان بافته شود.
فراتر از زبان ماشین، به سوی زبان مسئله
اولین و رایج ترین تله مساوی دانستن آموزش هوش مصنوعی با آموزش کدنویسی است. این نگاه، که ریشه در یک درک سطحی و فنی از موضوع دارد، سازمان ها را به سمت سرمایه گذاری های پرهزینه در برنامه هایی سوق می دهد که برای اکثریت قاطع کارکنان، نه تنها غیرضروری، که کاملا نامرتبط هستند. واقعیت این است که تنها درصد بسیار کوچکی از نیروی کار نیاز دارند تا بدانند چگونه یک مدل هوش مصنوعی را بسازند، اما 100درصد آنها، از مدیرعامل گرفته تا کارمند بخش فروش، نیاز دارند تا بیاموزند چگونه با این موجودیت شناختی جدید همکاری کنند. سواد واقعی هوش مصنوعی، یک مهارت فنی نیست، این یک مهارت تفکر انتقادی است. این سواد، در توانایی طرح سوالات درست، درک محدودیت ها و سوگیریهای ذاتی الگوریتم ها و ترجمه خروجی های آماری به بینش های تجاری قابل اجرا نهفته است. آموزش موثر، نه بر زبان پایتون، که بر زبان مسئله شناسی تمرکز دارد.
شرکت خدمات حرفه ای دیلویت، این تمایز را به خوبی درک کرده است. این غول مشاور مدیریت، به جای آنکه تلاش کند تا صدها هزار حسابرس و مشاور خود را به دانشمندان داده تبدیل کند، بر روی توانمندسازی آنها برای تبدیل شدن به کاربران فوق العاده هوش مصنوعی سرمایهگذاری کرده است. برنامه های آموزشی آنها به یک حسابرس نمی آموزد که چگونه یک شبکه عصبی را برنامه نویسی کند، بلکه به او می آموزد که چگونه از یک ابزار هوش مصنوعی برای اسکن آنی میلیون ها سند مالی و شناسایی ناهنجاری هایی که پیش از این کشفشان هفته ها زمان می برد، استفاده کند. این آموزش، تمرکز را از «چگونه کار می کند» به «چه کاری می تواند برای من و مشتری ام انجام دهد» منتقل می کند. در نتیجه، هوش مصنوعی به جای آنکه یک تهدید شغلی به نظر برسد، به یک همکار قدرتمند تبدیل می شود که حسابرسان را از وظایف تکراری رها کرده و به آنها اجازه می دهد تا بر روی تحلیل های سطح بالاتر و ارائه مشاوره استراتژیک تمرکز کنند.
دموکراتیزه کردن هوش، نه انحصار آن
دومین خطای بزرگ، محبوس کردن دانش و ابزارهای هوش مصنوعی در برج عاج دپارتمان فناوری اطلاعات یا تیم های تخصصی علم داده است. این رویکرد، یک گروه انحصاری در سازمان ایجاد می کند که در آن، بقیه کارکنان به عنوان مصرف کنندگان منفعل و ناآگاه این فناوری جدید باقی می مانند. این مدل، نه تنها پتانسیل نوآوری را در سراسر سازمان خفه می کند، بلکه یک فرهنگ ما در مقابل آنها ایجاد کرده و پذیرش گسترده ابزارهای جدید را با مقاومت روبهرو می سازد. معماری یک سازمان آماده برای آینده، بر پایه اصل دموکراتیزه کردن هوش استوار است. در این معماری، هوش مصنوعی مانند برق یا اینترنت، یک زیرساخت فراگیر تلقی می شود که باید در دسترس همگان باشد. آموزش موثر، تنها متخصصان را هدف قرار نمی دهد، بلکه با ایجاد برنامه های متناسب با هر واحد، به مدیر بازاریابی نشان می دهد که چگونه از هوش مصنوعی برای شخصی سازی پیام ها استفاده کند و به مدیر زنجیره تامین می آموزد که چگونه الگوهای تقاضا را پیشبینی نماید.
پروکتر اند گمبل با سبد گسترده ای از برندهای کالاهای مصرفی این استراتژی دموکراتیزه کردن را با موفقیت پیاده کرده است. این شرکت به جای ایجاد یک تیم متمرکز و منزوی، شهروندان دانشمند داده را در سراسر واحدهای کسب وکار خود پرورش میدهد. این افراد، متخصصان بازاریابی، مالی یا تولید هستند که آموزش های تخصصی دریافت کرده اند تا بتوانند از پلتفرم های هوش مصنوعی سلف سرویس برای حل مسائل حوزه خود استفاده کنند. یک مدیر برند در پروکتر اند گمبل، بدون نیاز به صف ایستادن برای منابع تیم مرکزی داده، می تواند به سرعت یک مدل برای تحلیل احساسات مشتریان در مورد بسته بندی جدید یک محصول ایجاد کند. این رویکرد، نه تنها سرعت نوآوری را به شدت افزایش می دهد، بلکه با تزریق سواد داده محوری به رگ های کل سازمان، کیفیت تصمیم گیری را در تمام سطوح بهبود می بخشد.
یادگیری به مثابه یک جریان زنده
بسیاری از سازمان ها با آموزش هوش مصنوعی مانند یک واکسیناسیون برخورد می کنند، یک رویداد یک باره که پس از آن کارمند در برابر جهل ایمن می شود. آنها کارکنان را به یک کارگاه دو روزه می فرستند، یک گواهینامه صادر کرده و تیک آموزش را در چک لیست خود می زنند. این رویکرد، در دنیایی که قابلیت های هوش مصنوعی هر هفته و نه هر سال در حال تکامل است، به طرز مضحکی ناکارآمد است. دانش کسب شده در چنین کارگاهی، در عرض چند ماه منسوخ می شود. آموزش موثر هوش مصنوعی، یک رویداد نیست، این یک جریان مستمر، پویا و جاسازی شده در خود فرآیندهای کاری است. بهترین شکل یادگیری، یادگیری در لحظه نیاز است. این به معنای ساختن یک اکوسیستم از منابع آموزشی خرد مانند ویدئوهای کوتاه، راهنماهای تعاملی و دستیارهای هوشمند است که دقیقا در زمانی که یک کارمند با یک چالش جدید روبهرو می شود، به کمک او میآیند.
مایکروسافت، در فرآیند عرضه گسترده دستیار هوشمند خود، کوپایلت، این مدل یادگیری جریانی را به نمایش گذاشت. این شرکت به جای برگزاری کارگاه های آموزشی سنتی و طولانی، رویکردی چندلایه را اتخاذ کرد. آنها یک کتابخانه عظیم از «میکرو-یادگیری ها» ایجاد کردند، ویدئوهای دو دقیقه ای که یک کاربرد مشخص از ابزار را نشان می دهند. مهمتر از آن، آنها خود ابزار را به یک پلتفرم یادگیری تبدیل کردند.
کوپایلت به طور پیش دستانه براساس کاری که کاربر در حال انجام آن است نکته ها و پیشنهادهایی را ارائه می دهد. این رویکرد، آموزش را از یک فعالیت جداگانه به بخشی طبیعی و نامرئی از تجربه روزمره کار تبدیل می کند و تضمین می نماید که یادگیری، نه یک خاطره از یک کلاس درس، که یک مهارت زنده و در حال تکامل باقی بماند.
مهندسی رابط انسانی با ماشین
شاید بزرگترین و در عین حال نامحسوسترین اشتباه در آموزش هوش مصنوعی، تمرکز انحصاری بر مهارت های فنی و نادیده گرفتن کامل مهارت های انسانی مورد نیاز برای کار با آن است. با خودکار شدن وظایف تحلیلی و تکراری ارزش انسان در محیط کار به سمت قابلیت هایی حرکت می کند که ماشین ها در آن ضعیف هستند. این قابلیت ها، که زمانی مهارت های نرم نامیده می شدند، اکنون به حیاتی ترین مهارت های سخت در اقتصاد جدید تبدیل شده اند. تفکر انتقادی برای به چالش کشیدن یک توصیه الگوریتمی، خلاقیت برای حل مسائلی که داده ای برای آنها وجود ندارد، هوش هیجانی برای رهبری تیمی که با ابزارهای جدید کار می کند و قضاوت اخلاقی برای نظارت بر کاربردهای هوش مصنوعی، همگی در این دسته قرار می گیرند. برنامه های آموزشی که تنها بر روی چگونگی استفاده از ابزار تمرکز کرده و به چگونگی انسان ماندن در کنار ابزار نمی پردازند، در حال ساختن یک نیروی کار شکننده و نامتعادل هستند.
منابع:
https://www.inc.com/kimberly-mccarten/heres-what-most-companies-get-wrong-about-ai-training/91279898