امیرحسین ضیغمی‌نژاد | تیم توسعه کسب‌وکار HCG
برگرفته از مجله کسب‌وکار هاروارد | 2022 September
اخیراً، پلتفرم‌های رایانش ابری، مدل‌های یادگیری ماشین قابلیت‌های پیشرفته را در حوزه داده در دسترس شرکت‌های قرار داده است. در پایان سال 2021، بیش از نیمی از شرکت‌ها از هوش مصنوعی حداقل در یک پروژه تجاری استفاده کرده بودند و بیش از یک چهارم همه شرکت‌ها گزارش دادند که حداقل 5 درصد از EBITDA ( سود قبل از بهره، مالیات، استهلاک ) به مسائل مرتبط با هوش مصنوعی تخصیص داده شده. مدل های یادگیری ماشینی تولید انبوه در همه جا در حال فراگیر شدن است.
این یک تغییر قابل توجه است با ابزارهای هوش مصنوعی، شرکت‌های غیرتکنولوژیکی می‌توانند از داده‌هایی که از قبل در اختیار دارند به طور کلی برای بهبود فروش، تدارکات و عملیات استفاده کنند.
- در استفاده از داده‌ها خود را آموزش دهید
اولین گام برای درک نحوه استفاده از دادههای خود این است که بدانید چه دادههای باید جمع‌آوری کنید. فرآیندهای کسب‌وکار خود را فهرست کنید تا مشخص شود کدام یک به طور ذاتی باعث تولید “داده” می‌شود. پرسش‌‌های زیر می‌تواند به شما در این مسیر کمک کند:
- شرکت چه چیزی را ثبت و ضبط می کند؟
- چه چیزی را وارد نمی کنیم و چرا نه؟
- چه اطلاعاتی را دور می ریزیم که می توانستیم نگه داریم؟
هنگامی که فهرستی از دادههای خود دارید، با نگاه کردن به روش‌هایی که شرکت‌های دیگر در ذخیره کردن و استفاده از دادههای مشابه در جهت بهبود عملکردهای تجاری خود، استفاده می‌کند را آموزش ببینید.
به عنوان مثال، سایر شرکت‌های چگونه از کیفیت دادههای ضبط شده خود استفاده می‌کنند؟ آیا آنها از الگوریتم‌های یادگیری ماشین در جهت شناسایی نقاط ضعف و قوت خود در فروش استفاده می‌کنند؟آیا شرکت‌ها نمایندگان خود را بر اساس نتایج علمی حاصل از داده آموزش می‌دهند؟ در مورد دادههای زنجیره تامین و لجستیک چطور؟ آیا شرکت‌های دیگر از این داده‌ها برای طراحی برنامه‌هایی بهینه در جهت هدایت موثر موجودی استفاده می‌کند؟
به عنوان مثال، ما می دانیم که شرکت‌های دیگر شروع به استفاده از دادههای تاریخی در مورد تاسیسات و تعمیرونگهداری ساختمان کرده اند تا در هزینه‌های آینده صرفه جویی کنند. به این فکر کنید که گوگل با اتصال دادههای مصرف انرژی خود به هوش مصنوعی DeepMind چه دستاوردی داشت. با گرفتن اطلاعات تاریخی در مورد دما، توان، سرعت پمپ و دیگر موارد که توسط هزاران حسگر جمع‌آوری شده بود و استفاده از آن برای آموزش شبکه‌های عصبی عمیق، DeepMind AI، سبب ارائه مجموعه‌ای از توصیه‌هایی شد که میزان انرژی مصرفی برای خنک‌سازی مراکز داده گوگل را تا 40 درصد کاهش داد.
همچنین، در مورد داده‌هایی که شرکت‌های دیگر به صورت عمومی جمع‌آوری می‌کنند، انتقادی بیندیشید و از آن اطلاعات برای به دست آوردن بینش در مورد مشکلاتی که سعی در حل آنها دارند استفاده کنید. به عنوان مثال، گوگل از شما می خواهد چه تصویری را در CAPTCHA خود انتخاب کنید و چرا؟ احتمالاً گوگل می‌خواهد که از این اطلاعات توسعه محصولات خود استفاده کند. مشاهده و استدلال درباره داده‌هایی که شرکت‌های دیگر جمع‌آوری می‌کنند به شما کمک می‌کند تا درک بهتری از فرآیندهای داده‌ای که باید در آنها نگهداری و سرمایه‌گذاری کنید.
- نسخه برداری کنبد (کپی و پیست کنید)
پس از اینکه متوجه شدید که شرکت‌ها چگونه از داده‌ها استفاده می‌کنند، بررسی کنید که چگونه جدیدترین استارت‌آپ‌های تکنولوژیکی از داده‌ها ارزش کسب می‌کنند.
مشارکت استارت‌آپ‌های اولیه(early-stage startup) با اثبات قراردادهای مفهومی یا ایجاد قراردادهای اشتراک داده با استارت‌آپ‌های مرحله اولیه(seed-satge) در نظر بگیرید. از هکاتون‌های (یک رویداد برنامه نویسی اجتماعی )شرکتی حمایت کنید که استعدادهای فناوری را جذب کرده و به شما کمک می‌کنند تا راه‌حل‌های هوش مصنوعی مبتنی بر داده را برای چالش‌های عملیاتی دیرینه خود پیدا کنید. منابع خبری که منبع آنها بنیانگذاران استارت آپ و اینفلوئنسرهای برنامه‌نویسی است مانند Hacker News و ML Substacks درجهت دستیابی به جدیدترین محصولات و ایده های پیشرفته منابع را بخوانید.مثلا 10 سال پیش، Stripe محصول خود را در کنفرانس Fortune 500 معرفی نکرد بلکه آن را در هکر نیوز راه اندازی کرد. به این برنامه ها نگاه کنید و ببینید آیا می توانید آنها را به تجارت خود ترجمه کنید. فناوری‌های نوآور را نادیده نگیرید به این فکر کنید که چگونه از آنها برای نیازهای تجاری خود استفاده کنید.
- بخر، نساز
برای بسیاری از مشکلاتی که در ضبط و مدیریت داده‌ها ایجاد می شود، راه حل های (Software as a service)SaaS از قبل وجود دارد. متأسفانه، شرکت‌ها اغلب سعی می‌کنند بجای خربد راه‌حل آماده این مشکلات ، آن را به صورت داخلی حل کنند. بسیاری از شرکت‌های بزرگ ابزارهای مدیریت داده را در درون سازمان می‌سازند، که منجر به زیرساخت‌های ضعیف و کندی می‌شود که در کنار سایر فناوری‌ها تکامل نمی‌یابد. هنگامی که شرکت‌های جدید تلاش می‌کنند این ابزارها را در در درون سازمان بسازند، زمان خود را برای بازاریابی افزایش می‌دهند و خطر از دست دادن مزیت اولین حرکت خود را دارند. خودتان را فریب ندهید که فکر کنید مورد استفاده شما آنقدر خاص است که به یک زیرساخت داخلی خاص نیاز دارد. ساخت ابزارهای زیرساخت دادههای داخلی ماه‌ها طول می‌کشد، نگهداری آنها پرهزینه است، و اغلب نتایج به خوبی محصولی نیست که در حال حاضر در بازار وجود دارد. در صورت امکان، باید ابزارهایی را که برای ساختار و مدیریت داده ها نیاز دارید، خریداری کنید – نه بسازید. اگر ابزارها هسته اصلی کسب و کار شما نیستند، آنها را در سازمان خودتان بازسازی نکنید. انجام این کار توسعه مدل یادگیری ماشین شما را کند می‌کند و این محصولی است که در هزینه شما صرفه جویی می‌کند و به شما کمک می کند از رقبا جلوتر بمانید.
- شروع به ساخت یک خندق داده کنید
جمع‌آوری مقادیر زیادی از داده‌ها در شرایط عادی کسب‌وکار می‌تواند به شرکت‌ها کمک کند تا خندقی از دادههای ساختاری بسازند که می‌تواند برای فعالیت‌های تولیدکننده با ارزش بالاتر استفاده شود. در نهایت، این خندق ممکن است به قدری بزرگ شود که دیگر شرکت ها نتوانند از آن عبور کنند، بنابراین داده‌ها مزیت رقابتی را برای شما فراهم می کند. مثال Waymo و Tesla، دو بازیگر اصلی در بازار خودروهای خودران را در نظر بگیرید. اولی مقدار قابل توجهی از منابع را صرف رانندگی در اطراف و پردازش هزاران ساعت ویدئو از فیلم رانندگی در خیابان می کند تا داده های مناسب را برای آموزش مدل های خود ثبت کند. دومی – با فروش نزدیک به 2 میلیون وسیله نقلیه الکتریکی – می تواند از داده های موجود به راحتی از هزاران مالک تسلا استفاده کند که از نرم افزار خودران وسایل نقلیه خود استفاده می‌کنند. این شرکت به اطلاعات مربوط به تصادفات، رفتار انسان و غیره دسترسی دارد. داشتن این داده های دنیای واقعی در مقیاس، تسلا را از رقبا متمایز می کند. علاوه بر این، اگر تسلا تصمیم بگیرد که آرزوهای AV خود را کنار بگذارد، این شرکت می تواند با فروش موجودی داده های ارزشمند خود به سایر شرکت های AV به کسب درآمد ادامه دهد. پس داده های خود را دور نریزید. آن را جمع آوری و ذخیره کنید تا زمانی که بتوانید از آن برای رسیدن به اهداف تجاری آتی استفاده کنید. به داستان راکفلر و محصولات جانبی نفت خام فکر کنید. اکثر مالکان پالایشگاه، محصولات جانبی تبدیل نفت خام به نفت سفید را به عنوان ضایعات می‌دانستند و دور می‌ریختند. راکفلر اما ارزش آنها را دید: او موم پارافین را جمع آوری کرد تا به شمع سازان بفروشد و ژله نفتی را به شرکت های تامین پزشکی فروخت. مثل راکفلر باشید و دادههای خود را نگه دارید تا بتوانید بعداً از آنها درآمدزایی کنید. و تنها به این دلیل که در حال حاضر این داده‌ها محصول اصلی شما نیست، آن را به عنوان یک محصول جانبی بی فایده تلقی نکنید.
دوران هوش‌مصنوعی و یادگیری ماشینی که فقط برای شرکت‌های بزرگ فناوری قابل دسترسی است، به پایان رسیده است در حالی که ابزارهای قدرتمند جدید بیش از هر زمان دیگری در دسترس هستند، شرکت ها باید یاد بگیرند که چگونه از آنها به صورت استراتژیک استفاده کنند و چگونه به داده هایی که آنها را قدرت می دهد فکر کنند. یادگیری انجام این کار جایی است که واقعاً مزیت رقابتی هوش مصنوعی را خواهید یافت.
