[ad_1]

رهبران تجارت اغلب به تصمیم گیری بصری خود افتخار می کنند. آنها از نظر رباتیک برخی از چک لیست های مدیریتی ، نتوانسته اند رئیس بخش ها و مدیرعامل ها باشند. البته ، شهود و غریزه می تواند ابزار مهمی برای رهبری باشد ، اما اگر به طور بی رویه اعمال شود نه.

ظهور هوش مصنوعی نقایصی را در صفاتی آشکار کرده است که مدت هاست در ارگان های حاکمیتی ارزش آنها را قائل هستیم. الگوریتم ها عملیاتی را نشان می دهند که قبلاً فال گرفته ، اصول تصمیم گیری که قبلاً مقدس ، اثبات نشده و اعتقادی تزلزل ناپذیر به نزدیک بینی قلمداد می شده اند. برای دیدن کاستی های رویکردهای تصمیم گیری بشر که به احترام به وقت احترام گذاشته اند ، به نتایج صندوق های سرمایه گذاری که به طور فعال مدیریت می شوند ، نگاه نکنید. به استثنای موارد نادر ، این وجوه ، که بسیاری از آنها توسط سرمایه گذاران مشهور مدیریت می شوند ، در طولانی مدت عملکرد ضعیفی دارند و معاملات الگوریتمی هوش مصنوعی تمایل به پیشی گرفتن از معاملات انسانی دارد.

بزودی هوش مصنوعی جایگزین تصمیم گیری بصری نخواهد شد. اما مدیران برای استفاده کامل از توانایی های هوش مصنوعی ، باید سبک های تصمیم گیری خود را به هم بزنند. آنها باید باورهای خود را با داده ها نرم کنند ، اعتقادات خود را به صورت تجربی آزمایش کنند و هوش مصنوعی را برای حمله به موضوعات مناسب هدایت کنند. همانطور که مدیران پورتفولیو دریافتند که باید یاد بگیرند بهترین الگوریتم و نه بهترین سهام را انتخاب کنند ، مدیران در زمینه های مختلف با انتخاب خودتخریبی روبرو خواهند شد: رانندگی را یاد بگیرید یا ماشین جایگزین آنها شوید.

نردبان علی

بیایید ببینیم چه چیزی باعث می شود هوش مصنوعی در حل انواع خاصی از مشکلات بهتر از انسان باشد و چگونه می تواند رویکرد مدیران به فناوری را آگاه کند. در سال های اخیر ، هوش مصنوعی قهرمانان جهان را در پوکر ، شطرنج ، Jeopardy و Go نگران کرده است. اگر مردم از این پیروزی ها شگفت زده شوند ، میزان بردن این بازی ها به حافظه و منطق ریاضی را دست کم می گیرند. و در مورد پوکر و شطرنج ، آنها نقشی را که بینش در رفتار انسان بازی می کند ، بیش از حد ارزیابی می کنند.

Tuomas Sandholm ، دانشمند کامپیوتر در Carnegie Mellon ، Libratus AI را ایجاد کرد که بهترین بازیکنان پوکر جهان را شکست داد. وی الگوریتم های خود را بیشتر به عنوان ماشین پیش بینی احتمالی توصیف کرد و اذعان داشت که مطالعه رفتار مخالفان هوش مصنوعی – مشخصات و “داستان” آنها و غیره – برای پیروزی لازم نیست. با استفاده از تئوری بازی و یادگیری ماشینی ، Libratus مخالفان را به سادگی با بازی در اختلاف خرد می کند. حتی در پوکر قهرمان ، درک قوانین احتمال بسیار مهمتر از خواندن رفتار حریف است.

بنابراین ، کلید تصمیم گیرندگان در بهینه سازی کار خود با هوش مصنوعی این است که تشخیص دهند کدام نوع از مشکلات را به هوش مصنوعی منتقل می کنند و کدام یک از ذهن مدیریتی را که به درستی دچار نقص شود ، در حل بهتر می کند. کار دانشمند تحسین شده کامپیوتر ، جودا پرل ، راهنمایی می کند. مروارید “نردبان علausی” را به خوبی تصور کرده است که سه سطح تفکر افتراقی را توصیف می کند که می تواند برای اهداف ما نقشه راهی برای خودباختگی فراهم کند. همانطور که مروارید در آن یادداشت می کند کتاب چرا: علم جدید علت و معلول“هیچ دستگاهی نمی تواند توضیحات را از داده های خام استخراج کند. نیاز به تقویت دارد. “اولین مرحله از نردبان نتیجه گیری با تداعی است (اگر A ، سپس B) ؛ سپس نتیجه گیری با مداخله (اگر ورودی X را تغییر دهید ، نتیجه Y چه می شود؟) ؛ و در نهایت نتیجه گیری با استفاده از تقلبی: ساختارهای غیر شهودی که برخلاف واقعیت ها به نظر می رسند و منجر به بینش جدید می شوند.

اتحادیه

این انجمن شامل مطالعه رابطه بین دو متغیر است: وقتی قیمت ها را افزایش می دهیم ، سود چه می شود؟ هوش مصنوعی در الک کردن مقدار زیادی از داده ها برای آشکار کردن ارتباطات بسیار خوب است. به عنوان مثال ، شبکه های اجتماعی با استفاده از الگوریتم های انجمنی پیش بینی می کنند کدام پست ها براساس رفتار کاربر قبلی بیشترین بازدید را دارند.

مردم در این زمینه مهارت چندانی ندارند زیرا هم سرعت کمتری دارند و هم غالباً مغرض ترند. در نتیجه ، مدیرانی که فقط براساس ارتباطات شهودی تصمیم می گیرند ممکن است در مورد علت و معلول نتیجه گیری غلطی داشته باشند – به عنوان مثال ، به اشتباه تصور می کنیم که یک عمل خاص منجر به نتیجه مطلوب شده است. مثال: هنگامی که گروه استراتژی داخلی شرکت را در Accenture هدایت می کردم ، ما زمان و سرمایه زیادی را صرف توسعه خدمات متمایز کردیم زیرا به نظر می رسید مشتریان مایل به پرداخت هزینه بیشتر برای آنها هستند و سود بیشتری کسب می کنند. اما وقتی بعداً سودآوری مشتریانی را دریافت کردیم که خدمات متمایز در مقابل تمایز نیافته دریافت می کنند ، دریافتیم که این روابط شخصی با مشتریان است و نه تمایز خدمات که منجر به سود می شود. پیوند واضح بین خدمات متمایز و سود یک اصل اثبات نشده بود که ما سالها از آن پیروی می کردیم.

مداخله

مداخله فرآیند اقدام و مشاهده تأثیر مستقیم آن بر یک نتیجه است – اساساً دستکاری یک متغیر آزمایشی. تصمیم گیرندگان تجاری این کار را همیشه انجام می دهند. به عنوان مثال ، آنها می توانند قیمت محصول را تنظیم کنند و سپس تأثیر آن را بر فروش یا سود اندازه بگیرند. اما وقتی بیش از حد به نتیجه پیش بینی شده اطمینان داشته باشند با مشکل روبرو می شوند. مداخله موثر نیاز به تمایل به آزمایش انواع داده ها ، حتی داده های غیر شهودی دارد ، تا ببیند چگونه آنها می توانند نتیجه را تغییر دهند. در اینجا افراد می توانند نسبت به هوش مصنوعی برتری داشته باشند.

چند سال پیش ، با راه اندازی من دو محصول امیدوار کننده تولید شده بود: هوش مصنوعی برای فروش و هوش مصنوعی fintech برای عملیات. ما برای اجرای سناریوهای پیش بینی براساس تخمین های احتمالی بازار برای هر محصول ، از هوش مصنوعی استفاده کردیم. با مدل سازی مشخص شد که محصول فروش بهترین عملکرد را خواهد داشت ، اگرچه وارد بازار شلوغی می شود. اما در انتظار ، ما تصمیم گرفتیم که کمپین هایی را برای هر دو محصول در کنار هم اجرا کنیم تا ببینیم آیا محصول fintech می تواند برتری غیر منتظره ای نسبت به راه حل تجاری داشته باشد ، زیرا بازار فروش آن کمتر است. همانطور که مشخص شد ، در طی 90 روز ، محصول fintech بسیار فراتر از تصمیم فروش بود و به سرعت سهم بیشتری از بازار کوچکتر را به دست آورد.

تقلبی

مفهوم تقلبی در فیلم کلاسیک به زیبایی به تصویر کشیده شده است این یک زندگی شگفت انگیز است ، که در آن فرشته کلارنس واقعیت متناوب و تاریک جیمی استوارت را آشکار می کند: جهانی که اگر او هرگز متولد نشود. نتیجه جعلی شامل عمل خلاق تصور این است که اگر یک متغیر خاص در یک آزمایش – یا در مورد ما یک فعالیت تجاری – با توجه به هر چیز دیگری که می دانیم ، ممکن است اتفاق بیفتد.

هنگامی که من یک مشاور جوان بودم ، مدیر عامل مک دونالد از من خواست که در توجیه بودجه تحقیق و توسعه شرکت شرکت کمک کنم. وی پرسید: “روش شما برای انجام این کار چیست؟” مدت طولانی سکوت کردم و سپس پاسخ دادم: “بیایید تصور کنیم اگر شرکت های بزرگ چه اتفاقی می افتند نه تحقیق و توسعه انجام دهید و آن را به حق امتیاز دهید. “بحث و جدال در آنجا واقعیت خیالی بود که در آن تحقیق و توسعه شرکت وجود نداشت. مدیر عامل ممکن است انتظار داشته باشد درآمد در این جهان کاهش یابد.

اگرچه بدون ماشین زمان آزمایش جعل واقعی یک تصمیم تجاری از قبل اجرا شده غیرممکن است ، اما می توانید به دنبال شواهدی از واقعیت تقلبی باشید. در مورد مک دونالد ، من پیشنهاد کردم که نگاهی به هر عرضه اخیر محصول بیندازیم و ببینیم از کجا تولید شده است. این تمرین آشکار و شگفت آور بود: بسیاری از بازدیدها ، مانند Big Mac و Filet-O-Fish ، از میدان مسابقه انجام شد ، در حالی که بزرگترین شکست ها ، مانند Deluxe ، یک ایده شرکتی بود. آزمایش مخالف ما به تصویر واضح تری از نقش نسبی تحقیق و توسعه شرکت در نوآوری های محصولات این شرکت منجر شد.

دستگاهی برای پلاس انسانی

در نظر بگیرید که چگونه انسانها و هوش مصنوعی با ترکیب ارتباط ، مداخله و رویکردهای مخالف ، هواپیمای ساقط شده را پیدا کردند در ژوئن 2009 ، ایرفرانس 447 با 228 مسافر و خدمه در طوفان در سواحل برزیل ناپدید شد. دولت فرانسه دو سال در جستجوی بقایای بدن بود ، اما نتیجه ای نداشت.

او پس از چهار تلاش ناموفق ، تیمی از ریاضیدانان را هدایت کرد. این تیم با استفاده از هوش مصنوعی ، یک روش آماری بیزی را به کار برد که پیش بینی احتمال را با ظهور اطلاعات جدید به روز می کند – در این حالت ، احتمال وجود هواپیما در یک مکان خاص در کف اقیانوس.

نکته قابل توجه اینکه تیم فقط یک هفته هواپیما را مستقر کرد. چگونه پیش بینی اولیه وی با حمایت هوش مصنوعی امیدوار کننده ترین منطقه جستجو را شناسایی کرد – منطقه ای که دولت قبلاً آن را پوشش داده بود. اما بصیرت انسانی برای بررسی اطلاعات “جدید” در مورد شکستهای قبلی که تیم دولتی فکر نکرده بودند و تغییر متغیر مهم جستجو برای دیدن تأثیر آن بر نتیجه لازم بود. نکته اصلی این بود که س askال شود آیا چراغ راهنمای هواپیما از کار افتاده است یا خیر ، که می تواند دولت را از محل سقوط بازدارد. در حقیقت ، فرضیه یک فانوس دریایی ناموفق درست بود و لاشه هواپیما در محلی که پیش بینی های قبلی آن را قرار داده بود پیدا شد.

هوش مصنوعی ابزاری قدرتمند برای تصمیم گیری است ، اما اگر عملکرد نهایی بازی باشد ، رهبران و سایر تصمیم گیرندگان باید در مورد چگونگی استفاده بهینه تجدید نظر کنند. این به معنای واگذاری تصمیم گیری به ماشین آلات نیست. بلکه نیاز به تصمیم گیرندگان این است که برای انجام کارهای پیش بینانه و فشرده ساز مشارکتی که واقعاً در آن برتری دارد ، به تفکر خلاقانه مداخله گرانه و مخالف ، که در آن افراد منحصر به فرد هستند با تکیه بر هوش مصنوعی ، متمرکز شوند. با همکاری هرچه بیشتر انسانها و ماشین آلات ، امیدوارم شاهد معادل قانون کار مور باشم: سال به سال دو برابر توانایی تصمیم گیری آنها. اما این تنها در صورتی اتفاق می افتد که ما ابتدا تصمیم گیری خود را نقض کنیم.

[ad_2]

منبع: bighat-news.ir