الإلمام بالذكاء الاصطناعي؛ الخطوة الأولى هي تحديد المشاكل!

في هذه الأيام، أصبح الذكاء الاصطناعي والتعلم الآلي أحد أكثر المواضيع جاذبية وشعبية في العلوم والتكنولوجيا. في الأشهر الماضية، أدى الكشف عن منتج يسمى Chatgpt، الذي طورته شركة OpenAI، إلى جعل الذكاء الاصطناعي الموضوع الأكثر سخونة في عالم التكنولوجيا مرة أخرى. لذلك، في هذه المقالة، قررنا الجمع بين الذكاء الاصطناعي والتعلم الآلي مع مساحة إدارة المنتج بطريقة أكثر تخصصًا وفحص عملية عمل مدير منتج الذكاء الاصطناعي أو مدير منتج الذكاء الاصطناعي/تعلم الآلة بمزيد من التفاصيل. ينصب التركيز الرئيسي لهذه المقالة على قضايا وتحديات العمل الحقيقية التي يمكن حلها بمساعدة الذكاء الاصطناعي والتعلم الآلي.

أنت مدير المنتج!

أحد الأحداث الشائعة والسبب الشائع لفشل العديد من الشركات القائمة على التكنولوجيا، وخاصة تلك التي تتحرك على حافة العلم، هو أن الفريق ينغمس في التكنولوجيا وتطوير المنتجات بناءً على أحدث التقنيات الحالية لدرجة أن يتم نسيان المستخدم والمستهلك للمنتج بشكل أساسي، وبعد عدة أشهر من التطوير المذهل، أصبح الناتج منتجًا يستفيد من أحدث التقنيات وأكثرها تطورًا في الوقت الحالي. ولكن لا يوجد عملاء محتملون له ولا يمكن تعريف أي أشخاص مناسبين كمستخدمين للمنتج.

نظارات جوجل؛ السقوط من ناطحة سحاب التكنولوجيا

لفهم هذه القضية بشكل أفضل، دعونا ننظر إلى عام 2013؛ عندما كشفت جوجل عن منتجها الجديد المسمى Google Glass. أصبحت Google Glass على الفور واحدة من أكثر المواضيع إثارة للاهتمام في عالم التكنولوجيا، ولعدة أشهر قامت وسائل الإعلام بتغطية الأخبار المتعلقة بهذا المنتج بشكل مستمر. يعتبر Google Glass منتجًا متطورًا من حيث تكنولوجيا التصنيع والتطوير، وقد شاركت في تطويره فرق Google المختلفة مثل Google X وفريق تطوير Android وخرائط Google وغيرها، ولكن في النهاية فشل هذا المنتج تمامًا و منذ عام 2015 كما توقفت عن البيع.

هناك أسباب مختلفة لفشل هذا المنتج، ولكن إذا نظرنا إلى هذه المشكلة كمدير منتج، فمن المحتمل أن نأخذ في الاعتبار عاملين رئيسيين لهذا الفشل، وهما؛

• غياب جمهور مستهدف محدد
• عدم الملاءمة مع الطلب والهيكل التقليدي للسوق

منذ البداية، لم يكن من الواضح أن Google Glass من المفترض أن يحل احتياجات المستخدم ومشاكله، وفي الأساس لأي غرض يجب استخدام هذا المنتج. وفقًا لإمكانيات Google Glass، بالإضافة إلى الاستخدام اليومي، كان للمنتج إمكانية استخدامه في صناعات مثل الطب أو الإنتاج الصناعي، لكن لم تكن أي من هذه الإمكانات كافية لاعتباره حلاً. بالإضافة إلى أن المنتج لم يتناسب مع أجواء عالم التكنولوجيا في ذلك الوقت، سعره 1500 دولار، وتحديات مثل انتهاك خصوصية المستخدمين وعدم نضج مجتمع الجمهور لاستخدام مثل هذا المنتج جعلت Google Glass فاشلاً تمامًا مشروع.

لذلك، أنت كمدير منتج، بغض النظر عن المجال الذي ستعمل فيه، سواء كان الذكاء الاصطناعي والتعلم الآلي أو ربما في السنوات القليلة المقبلة الحوسبة الكمومية، يجب أن تبحث عن إجابة لسؤال أساسي واحد، و هذا هو ما سيفعله منتجك وهو حل احتياجات المستخدم ومشاكله. وأخيرًا، الذكاء الاصطناعي والتعلم العميق والتعلم الآلي والحوسبة الكمومية وما إلى ذلك كلها أدوات من المفترض أن تساعدك، سيكون منتجك أكثر ملاءمة لهيكل احتياجات السوق (Product Market Fit). لذلك، حاول حل المشكلات القائمة والمتقدمة باستخدام هذه الأدوات، بدلاً من خلق مشكلة تتطلب استخدام الذكاء الاصطناعي لحلها!

ما هي المشاكل التي يمكن حلها بمساعدة الذكاء الاصطناعي والتعلم الآلي؟

وكما ذكرنا فإن الذكاء الاصطناعي و… كلها أدوات من المفترض أن تساعدنا في حل المشكلة بشكل أفضل وأكثر دقة؛ لذلك، ينبغي أن يكون لدينا نظرة عامة على نوع المشاكل التي يمكن حلها بمساعدة الذكاء الاصطناعي والتعلم الآلي. بشكل عام، يمكن حل المشكلات باستخدام هذه الأدوات التي تتمتع بميزتين مهمتين؛ الأول هو أن هناك بيانات كافية ومجموعة البيانات كبيرة، والثاني هو أن المشكلة تكمن في العثور على نمط متكرر. أي أن المشكلة ربما تكمن في تكرار النمط العام بطرق مختلفة مع تغيير بسيط في كل مرة. لفهم أفضل لهذا القسم، قمنا بتصنيف المشكلات التي يمكن حلها بمساعدة الذكاء الاصطناعي، وسنستمر في فحصها بالكامل مع الأمثلة.

التصنيف وتفاعل المستخدم مع البيانات الضخمة

في بعض الأحيان يقوم المستخدم بالبحث في الكثير من البيانات. على سبيل المثال، يريد المستخدم شراء سترة ويبحث على منصة مبيعات عبر الإنترنت مثل Digikala أو Amazon. في كل منصة من هذه المنصات، قد يكون هناك أكثر من 2000 نموذج سترة، وبالنظر إلى أن التحقق من ألفي سترة واحدة تلو الأخرى سيكون أمرًا صعبًا ويستغرق وقتًا طويلاً وربما مملًا للمستخدم العملي، فإن ترتيب عرض هذه السترات يصبح مهمًا بشكل خاص. وتتكرر هذه المشكلة بطرق أخرى في شبكات التواصل الاجتماعي أو محركات البحث. يعد الذكاء الاصطناعي والتعلم الآلي من الأدوات المناسبة لحل مثل هذه المشكلات.

على سبيل المثال، تُظهر سجلات الشراء الخاصة بالمستخدم في Digikala أنه اشترى 10 سترات في آخر 5 سنوات، ومن بين هذه السترات العشر، 8 سترات جلدية، و7 سترات بنية، و6 من هذه السترات كانت ذات غطاء للرأس. لذلك، ربما يكون المستخدم المقصود أكثر اهتمامًا بالسترات الجلدية والبنية والسترات ذات القلنسوة، لذلك بمساعدة الذكاء الاصطناعي والتعلم الآلي، يمكن تصميم ترتيب العرض بطريقة تجعل السترات الأكثر تشابهًا مع السترات يتم وضع اهتمامات المستخدم في الصفوف الأولى. ونتيجة لذلك، فإنه يزيد بشكل كبير من احتمالية الشراء وزيادة رضا المستخدمين. بالطبع المثال المذكور مبسط بشكل كبير ومشاكل التصنيف لها تعقيداتها الخاصة، وأهمها هو تعريف المقياس أو البعد نفسه في البيانات الضخمة؛ لذلك، توفر معظم الأنظمة الأساسية التي تدعم البحث أدوات للمستخدم للحد من مجموعة البيانات، بحيث تكون نتائج محرك البحث أكثر دقة في النهاية.

التنبؤ والتقدير، منارة الأعمال

إذا تحدثت إلى العديد من أصحاب الأعمال، فمن المحتمل أن يتفقوا جميعًا على أن “التنبؤ بالمستقبل بشكل صحيح” هو أحد أهم العوامل لبقاء الأعمال ونموها. في الأساس، تعتمد كلمة الإستراتيجية والأدبيات المتعلقة بها على التنبؤ بالمستقبل والقيام بمجموعة من الأنشطة من أجل الاستعداد بشكل أفضل للمستقبل. ولذلك، كلما كانت رؤية المنظمة للمستقبل أكثر دقة وقربًا من الواقع، زادت احتمالية بقائها ونموها. لفهم هذه المشكلة بشكل أفضل، قمنا بفحص ثلاثة سيناريوهات مختلفة من ثلاثة أنواع مختلفة من الأعمال؛

1. لنفترض أنك مدير سلسلة التوريد لشركة ألبان، إذا كان بإمكانك تقدير كمية الحليب التي سيتم استهلاكها في محافظة أصفهان في الشهر المقبل، فيمكنك توفير المتطلبات التشغيلية الأساسية لإرسال وتوريد الحليب إلى مقاطعة أصفهان في الوقت المحدد، وعلى سبيل المثال مع المشكلة لا تواجه نقصًا في الأسطول، ومن ناحية أخرى، فأنت تعرف تقريبًا كمية الحليب التي يتعين عليك إنتاجها ولا تواجه مشكلة عدم تلبية الطلب أو، من ناحية أخرى، تشبع السوق. كن حذرًا من أن كل مشكلة من هذه المشكلات تسبب ضررًا لا يمكن إصلاحه لعملك. إذا كان الحليب الذي تنتجه شركتك أكثر من طلب المقاطعة، فستبقى في النهاية كمية كبيرة من الحليب ونظرًا لتاريخ انتهاء الصلاحية القصير، فمن المحتمل أن يتم التخلص منه وستتكبد المنظمة خسارة فادحة. من ناحية أخرى، إذا لم يتم تغطية الطلب الاستهلاكي من حليب المحافظة بشكل صحيح، فسيتم خلق مساحة لدخول منافسين آخرين وهناك احتمال أن يستولي منافسون آخرون على حصتك في هذا السوق ودخلك من محافظة أصفهان سوف تنخفض في المستقبل، بالإضافة إلى الخسارة المالية، سيؤدي ذلك أيضًا إلى الإضرار بالعلامة التجارية لشركتك.

2. لنفترض أنك مدير العمليات في Digikala، إذا كان بإمكانك تقدير عدد الطلبات التي ستحصل عليها في شهر مارس بشكل صحيح، فيمكنك إجراء الاستعدادات اللازمة مسبقًا لتوظيف موظف مستودع بدوام جزئي وتجهيز الأسطول اللوجستي. لكن إذا لم تتمكن من إجراء تقدير صحيح وترغب في مواصلة العمل فقط مع العاملين بدوام كامل، إذا كان عدد العاملين لديك أقل من اللازم، فمن الطبيعي أن تواجه مشكلة عدم معالجة الطلبات في الوقت المحدد، وهذا سوف يسبب عدم رضا العملاء، يقلل من حصتك في السوق، ويسبب ضررًا للعلامة التجارية التنظيمية ويخلق فرصًا لدخول منافسين آخرين. ومن ناحية أخرى، إذا كان عدد موظفيك بدوام كامل أكثر من المبلغ المطلوب، فسيؤدي ذلك إلى تقليل دخل النظام وتقليل خفة الحركة وفي النهاية إبطاء عملية تطوير المنظمة.

3. لنفترض أنك مدير التسويق في Spotify، فإن أهم مصدر دخل لشركتك هو الاشتراك الشهري الذي يدفعه المستخدمون. إذا كان بإمكانك التنبؤ بعدد المستخدمين في الشهر التالي والمستخدمين الذين لن يجددوا اشتراكهم باحتمال أكبر من 70%، فستتاح لك الفرصة لحل المشكلة واستياء المستخدم المحتمل من خلال إجراء سلسلة من إدارة تجربة العملاء المهام واحتفظ به كمستخدم لك وتجنب الانخفاض المحتمل. ضع في اعتبارك أيضًا أنك تدفع رسوم تسويق لكل مستخدم تقوم بإحضاره إلى نظامك (تكلفة اكتساب العميل)، وبالتالي كلما تمكنت من زيادة الاحتفاظ بالمستخدم في نظامك، زادت القيمة الدائمة للعميل، وهذا ما سيؤدي إلى زيادة عملك ينمو ويكون مربحا.

في السيناريوهات الثلاثة التي استعرضناها، لاحظت الأهمية الكبيرة للتنبؤ الصحيح. يعد الذكاء الاصطناعي والتعلم الآلي أحد أفضل الأدوات لحل مشكلات التنبؤ. في جميع الحالات الثلاث، يحاول الذكاء الاصطناعي إنشاء نمط من السلوك الماضي (لذلك من المهم جدًا أن تكون البيانات السابقة متاحة وقابلة للاستخدام) وبعد إنشاء النمط، فإنه يطابق الوضع الحالي مع النمط الذي تم إنشاؤه أخيرًا أظهر لنا الناتج المقدر كتنبؤ. على سبيل المثال، إذا أعطينا عدد الطلبات للسنوات العشر الأخيرة في شهر مارس للذكاء الاصطناعي، من خلال إجراء سلسلة من العمليات الحسابية، فيمكننا أخيرًا الحصول على تقدير أولي لما ستكون عليه الطلبات في مارس من هذا العام. كما يمكن من خلال إجراء مجموعة من العمليات الإحصائية وتطبيق عوامل أخرى على المشكلة (القضايا الاجتماعية مثلاً) التوصل إلى ملخص أولي عن عدد الأوامر والتخطيط بناءً عليها. لاحظ أن الذكاء الاصطناعي في الأساس لن يخبرك أبدًا برقم محدد، من المفترض أن تساعدك هذه الأداة على اعتماد نهج واستراتيجية أقرب إلى الواقع، وهي ليست أداة للعرافة والسحر!