رویکردی گزینشی به خودکارسازی می‌تواند به شرکت‌ها امکان دهد بیشتر تصمیم‌های تکراری را به هوش مصنوعی واگذار و همچنین نقش انسان را در بهبود عملکرد الگوریتم‌ها حفظ کنند. در یکی از کاربردهای پژوهشی این روش، امکان خودکارسازی حدود ۸۴ درصد از توصیه‌های الگوریتمی وجود داشت، بدون آنکه اصلاحات ارزشمند کارشناسان از دست برود.
ایده اصلی این روش، پیش‌بینی موقعیت‌هایی است که با دخالت انسان می‌تواند توصیه الگوریتم را بهبود ببخشد. بر این اساس، تصمیم‌هایی که بررسی انسانی تاثیر چندانی بر بهبود آنها ندارد، به‌صورت خودکار اجرا می‌شوند اما تصمیم‌هایی که بهره‌گیری از تخصص افراد می‌تواند به نتیجه بهتری منجر شود، همچنان به انسان واگذار می‌شوند.
پژوهشگران بر داده‌های چهار سال سفارش در شرکت بزرگ تولیدی تمرکز کردند. آنان در این ارزیابی به مسئله کاربردی پرداخته‌اند که خودکارسازی تصمیم‌ها ممکن است بازخوردهایی را از بین ببرد که یک سامانه برای ادامه یادگیری به آنها نیاز دارد.
بسیاری از شرکت‌ها از نرم‌افزارهای پشتیبان تصمیم‌گیری برای پیشنهاد اقدام‌هایی مانند ثبت سفارش‌های خرید و تامین کالا استفاده می‌کنند. در این فرایند، برنامه‌ریز می‌تواند پیشنهاد نرم‌افزار را بررسی و تایید کند یا با تکیه بر تجربه و اطلاعات بیشتر، آن را تغییر دهد.
با این حال، بررسی انسانی همیشه همه توصیه‌ها را بهبود نمی‌بخشد، زمانی که نرم‌افزار عملکرد خوبی دارد، بررسی تک‌تک تصمیم‌ها ممکن است وقت زیادی بگیرد، بی‌آنکه فایده چندانی داشته باشد. حتی گاهی اصلاحات انسانی می‌تواند نتیجه را بدتر کند، اما حذف کامل نیروی انسانی نیز خطر دیگری به همراه دارد. شرایط همواره در حال تغییر است و الگوریتمی که بر اساس تصمیم‌های گذشته آموزش دیده، اگر دیگر از قضاوت و اصلاحات مفید انسان‌ها بازخورد دریافت نکند، ممکن است به‌تدریج دقت خود را از دست بدهد.
پژوهشگران بیش از ۴۷۵ هزار تصمیم مرتبط با سفارش‌گذاری را بررسی کردند تا مشخص شود در چه شرایطی برنامه‌ریزان توانسته‌اند توصیه‌های سامانه را بهبود دهند. سپس مدل‌های یادگیری ماشین را آموزش دادند تا موقعیت‌هایی را شناسایی کنند که در آنها مداخله مشابه انسان می‌تواند مفید باشد.
این روش فقط تصمیم‌های پیچیده را برای بررسی به انسان واگذار نمی‌کند، بلکه موقعیت‌هایی را شناسایی می‌کند که دخالت فرد می‌تواند به بهبود نتیجه کمک کند حتی اگر آن تصمیم در ظاهر پیچیده نباشد.
این رویکرد هنگام تعیین میزان خودکارسازی، ارزش یادگیری در آینده را نیز در نظر می‌گیرد. بررسی بخشی از تصمیم‌ها توسط انسان، اصلاحات جدیدی فراهم می‌کند که می‌توان آنها را دوباره به مدل‌ها بازگرداند تا در فرایند یادگیری مورد استفاده قرار گیرند.
در محیط مورد بررسی، این روش حدود ۸۴ درصد از توصیه‌ها را خودکار و در مقایسه با خودکارسازی تصادفی، سه برابر اصلاحات بهبودیافته برنامه‌ریزان را حفظ کرد. این مقایسه به نحوه انتخاب تصمیم‌ها در همین کاربرد پژوهشی مربوط است و نباید آن را به تمام فعالیت‌های مبتنی بر هوش مصنوعی تعمیم داد.
پژوهشگران همچنین بررسی کردند که آیا با تغییر داده‌ها در طول زمان، می‌توان عملکرد سامانه را حفظ کرد یا خیر. یافته‌های آنان بر ضرورت ایجاد تعادل میان افزایش بهره‌وری در کوتاه‌مدت و ارزش مستمر بازخورد انسانی تاکید دارد.
این نتیجه به معنای امکان جایگزینی ۸۴ درصد از کارکنان یا مشاغل یک شرکت نیست. توصیه‌های الگوریتمی به تصمیم‌های جداگانه در یک فرایند کاری مربوط می‌شوند، در حالی که هر شغل می‌تواند مسئولیت‌ها و مهارت‌های دیگری نیز داشته باشد.
همچنین، رقم ۸۴ درصد، هدفی ثابت و قابل تعمیم برای خودکارسازی نیست. میزان مناسب خودکارسازی به نوع وظیفه، ارزش اصلاحات انسانی و توانایی سازمان در سنجش دقیق پیامدهای تغییرات اعمال‌شده بستگی دارد.
سایت نوریج گزارش کرد که دستاورد این پژوهش، ارائه روشی برای تشخیص موقعیت‌هایی است که حضور انسان در آنها هدف مشخصی دارد. خودکارسازی می‌تواند بررسی‌های تکراری را کاهش دهد و همچنین امکان استفاده از قضاوت کارشناسان برای سازگار شدن سامانه با شرایط جدید را حفظ کند، به جای آنکه فرض شود هرچه میزان خودکارسازی بیشتر باشد، نتیجه نیز بهتر خواهد بود.
نتایج این پژوهش در نشریه Production and Operations Management منتشر شده است.
انتهای پیام
