هوش مصنوعی در سطح سازمان تغییر کرده است. چند سال پیش، متقاعد کردن مدیریت برای حتی آزمایش یادگیری ماشین یک نبرد دشوار بود. اکنون بودجهها وجود دارند. پروژههای آزمایشی تایید میشوند. موارد استفاده در نقشههای راه انباشته میشوند. با این حال، بسیاری از این پروژهها به آزمایشهای پرهزینهای تبدیل میشوند که هرگز نحوه اداره واقعی کسبوکار را تغییر نمیدهند. مدلها خوب هستند. مشکل، همه چیزِ دیگر است.
جایی که پروژههای آزمایشی میمیرند
همه عاشق دمو هستند. نمونه اولیه ریزش مشتری را با دقتی عجیب پیشبینی میکند. هیئت مدیره تایید میکند. بودجهها جاری میشوند. سپس سکوت. اثبات مفهوم تایید میشود، اما پیشرفت متوقف میشود. چه اتفاقی افتاد؟
تیمهای کسبوکار به یک داشبورد خیره میشوند و نمیتوانند بفهمند چگونه با گردش کار روزانه آنها سازگار است. خط لوله دادهای که مدل را تغذیه میکرد، یک استخراج دستی یکباره بود که هیچکس مسئولیت آن را بر عهده نداشت. قوانین انطباق در میانه راه تغییر میکنند. سیستم ورودیهای پاکی میخواهد که CRM هرگز تولید نکرده است. هوش مصنوعی در یک نوتبوک کار میکند. سازمان نمیداند با آن چه کند.
این یک شکست در تحویل است. مدلی با دقت ۹۵ درصد ممکن است در یک هکاتون برنده شود. اما اگر آن پنج درصد باقیمانده باعث کابوسهای حسابرسی یا نقض ایمنی شود، بخش عملیات آن را متوقف خواهد کرد. مهندسان نقاط عطف فنی را جشن میگیرند. واحدهای کسبوکار منتظر نتایجی هستند که هرگز نمیرسند. شکاف بین این دو، همان جایی است که پروژهها میمیرند.
شکاف ترجمه
نام واقعیاش را صدا بزنید. مدیران اجرایی خواهان رشد درآمد یا کاهش هزینهها هستند. بخش عملیات سرعت میخواهد بدون ایجاد هرجومرج. تیمهای داده طرحوارههایی (schemas) میخواهند که منطقی باشند. مهندسان پایداری (uptime) و APIهای تمیز میخواهند. هیچکدام از این خواستهها به طور طبیعی با هم همسو نیستند.
اگر رها شوند، هر گروه برای چیز متفاوتی بهینهسازی میکند. یک مهندس ممکن است هفتهها وقت صرف کاهش تأخیر در یک نقطه پایانی پیشبینی کند، در حالی که تیم فروش هنوز همه چیز را در اکسل صادر میکند چون رابط کاربری آنها را گیج میکند. یک دانشمند داده ممکن است روی رقم چهارم اعشار AUC وسواس داشته باشد، در حالی که تیم انبار به مدت شش ماه در حال ثبت مقادیر تهی (null) در یک فیلد حیاتی بوده است. هیچکس اشتباه نمیکند. آنها فقط به زبانهای متفاوتی صحبت میکنند.
این عدم همسویی، بزرگترین دلیل توقف هوش مصنوعی پس از مرحله آزمایشی است. موضوع کمبود GPU نیست. موضوع کمبود متخصصان دارای مدرک دکترا نیست. موضوع نبود کسی است که بتواند بین این گروهها قرار بگیرد و یک واقعیت مشترک بسازد.
مهندسان مستقر در خط مقدم (Forward Deployed Engineers) واقعاً چه کار میکنند
مهندسان مستقر در خط مقدم (FDEs) همان پل هستند. آنها جایگزین دانشمندان داده یا مهندسان پلتفرم شما نمیشوند. آنها در میان تیمهای کسبوکار، مهندسی، داده و محصول کار میکنند تا اصطکاک سازمانی را که فناوری را پیش از عرضه از بین میبرد، رفع کنند.
وقتی یک FDE وارد پروژهای میشود، با پرسیدن سوالات دشوار شروع میکند. یک صبح سهشنبه موفق برای کسی که از این ابزار استفاده میکند چگونه است؟ کدام سه سیستم قدیمی واقعاً این جریان داده را تغذیه میکنند؟ اگر مدل اشتباه باشد، چه اتفاقی برای فرآیند میافتد؟ آنها پاسخها را به تصمیمات فنی ترجمه میکنند تا تیمها ماهها وقت خود را برای ساختن راهکار اشتباه تلف نکنند.
در یک همکاری معمولی، یک FDE این کارها را انجام میدهد:
- شفافسازی اهداف با ذینفعان به جای پذیرش دستورالعملهای مبهم
- بررسی میدانی فرآیندها برای یافتن گلوگاههایی که هیچ تیکت Jira آنها را ثبت نمیکند
- شناسایی وابستگیهای دادهای که در مستندات موجود فراموش شدهاند
- ترجمه آن الزامات به تصمیمات فنی ملموس
- اعتبارسنجی زودهنگام فرضیات، اغلب از طریق شرکت در تماس با تیم عملیاتی که خروجی را تحویل خواهد گرفت
FDEها مشکلات سازمانی را حل میکنند، نه فقط مشکلات فنی را. آنها ممکن است متوجه شوند که یک مدیر عملیات به مدل بیاعتماد است زیرا هرگز در انتخاب دادههای آموزشی مشارکت داده نشده است. بنابراین آنها یک حلقه بازخورد میسازند که او واقعاً آن را درک کند. آنها ممکن است ببینند که یک گردش کار به دو تأییدیه نیاز دارد که سیستم جدید آنها را نادیده میگیرد، و آنها به جای تحمیل ابزار به یک فرآیند خراب، فرآیند انتقال را بازطراحی میکنند.
میزان پذیرش را بسنجید، نه فقط دقت را
موفقترین برنامههای هوش مصنوعی از شاخصهای متفاوتی استفاده میکنند. معیارهای مدل همچنان مهم هستند، اما شاخصهای واقعی در مراحل بعدی قرار دارند. آیا مردم استفاده میکنند