خلاصه کتاب «ماشین‌های پیش‌بینی»؛ اقتصاد سادهٔ هوش مصنوعی برای مدیران

بیشتر بحث‌های مدیریتی دربارهٔ هوش مصنوعی یا آن‌قدر فنی است که مدیر را گم می‌کند، یا آن‌قدر هیجان‌زده که چیزی دستش نمی‌دهد. سه اقتصاددان دانشگاه تورنتو راه سومی پیدا کرده‌اند. آن‌ها می‌گویند برای فهم اثر این فناوری بر کسب‌وکار لازم نیست شبکهٔ عصبی بدانید؛ کافی است یک پرسش اقتصادی ساده بپرسید: این فناوری چه چیزی را ارزان می‌کند؟

پاسخ آن‌ها در یک کلمه خلاصه می‌شود: پیش‌بینی. «ماشین‌های پیش‌بینی» حاصل تجربهٔ نویسندگان در کار با صدها استارتاپ هوش مصنوعی است و تلاش می‌کند هیاهو را کنار بزند و ابزار فکری بدهد. کتاب پیش از موج هوش مصنوعی مولد نوشته شده، اما منطق اقتصادی آن کهنه نشده و هنوز یکی از بهترین نقطه‌های شروع برای مدیرانی است که می‌خواهند بدانند از کجا شروع کنند، چه چیزی را بسازند و چه چیزی را بخرند.

ارزان‌شدن، همه‌چیز را عوض می‌کند

نویسندگان از یک قاعدهٔ پایه‌ای اقتصاد شروع می‌کنند: وقتی چیزی ارزان می‌شود، بیشتر از آن استفاده می‌کنیم و آن را در جاهایی به کار می‌بریم که پیش‌تر به صرفه نبود. رایانه در اصل ماشینی بود که حساب را ارزان کرد. ابتدا همان کارهای محاسباتی قدیم را سریع‌تر انجام دادیم؛ سپس عکاسی، موسیقی و ارتباطات را به مسئلهٔ حساب تبدیل کردیم.

هوش مصنوعی همین کار را با پیش‌بینی می‌کند. پیش‌بینی در تعریف آن‌ها یعنی استفاده از اطلاعاتی که دارید برای ساختن اطلاعاتی که ندارید. با این تعریف، تشخیص تصویر، ترجمه، شناسایی تقلب، پیشنهاد محصول و حتی رانندگی خودکار همه مسئلهٔ پیش‌بینی‌اند. خودروی خودران در هر لحظه پیش‌بینی می‌کند که یک رانندهٔ خوب در این وضعیت چه می‌کرد. بخش بزرگی از نوآوری‌های این حوزه در واقع بازتعریف یک مسئلهٔ قدیمی به‌شکل مسئلهٔ پیش‌بینی است.

مکمل‌ها و جانشین‌ها

وقتی قیمت قهوه پایین می‌آید، تقاضا برای شکر و خامه بالا می‌رود و برای چای کم می‌شود. نویسندگان همین منطق را به کار می‌برند. جانشین پیش‌بینی ماشینی، پیش‌بینی انسانی است؛ پس ارزش مهارت‌هایی که فقط بر حدس‌زدن از روی الگو تکیه دارند پایین می‌آید.

اما مکمل‌ها گران‌تر می‌شوند. سه مکمل اصلی عبارت‌اند از داده که خوراک پیش‌بینی است، قضاوت که تعیین می‌کند کدام نتیجه چقدر می‌ارزد، و اقدام که پیش‌بینی را به نتیجه تبدیل می‌کند. مدیری که بپرسد «مکمل پیش‌بینی در کسب‌وکار من چیست؟» زودتر از کسی که فقط دنبال خرید ابزار است به مزیت می‌رسد. ارزش واقعی اغلب در مالکیت داده‌های منحصربه‌فرد و در توان تصمیم‌گیری پس از پیش‌بینی نهفته است، نه در خود الگوریتم.

کالبدشکافی یک تصمیم

کتاب تصمیم را به اجزایش تجزیه می‌کند. هر تصمیم با دادهٔ ورودی آغاز می‌شود؛ بر پایهٔ آن پیش‌بینی انجام می‌گیرد؛ قضاوت ارزش پیامدهای مختلف را می‌سنجد؛ اقدامی صورت می‌گیرد و نتیجه پدید می‌آید. نتیجه نیز به شکل بازخورد برمی‌گردد تا پیش‌بینی بعدی بهتر شود.

ماشین فقط یکی از این حلقه‌ها را بر عهده می‌گیرد. پزشکی را در نظر بگیرید که عکس رادیولوژی می‌بیند. تشخیص احتمال بیماری پیش‌بینی است و ماشین می‌تواند در آن بسیار خوب باشد. اما اینکه با احتمال بیست درصد، آیا نمونه‌برداری پرهزینه و دردناک می‌ارزد یا نه، قضاوت است و به ارزش‌ها، شرایط بیمار و هزینهٔ خطا بستگی دارد. پیش‌بینی بهتر، قضاوت را حذف نمی‌کند؛ آن را مهم‌تر می‌کند، چون حالا می‌توانیم تصمیم‌های ظریف‌تری بگیریم که پیش‌تر ممکن نبود.

قضاوت: کاری که برای انسان می‌ماند

قضاوت در این کتاب معنای دقیقی دارد: تعیین پاداش و هزینهٔ هر اقدام در هر وضعیت. یک شرکت کارت اعتباری باید تصمیم بگیرد اگر تراکنش سالمی را به‌اشتباه مسدود کند چقدر زیان می‌بیند و اگر تقلبی را رد نکند چقدر. ماشین احتمال تقلب را می‌دهد؛ وزن این دو خطا را انسان تعیین می‌کند.

نویسندگان می‌گویند با ارزان‌شدن پیش‌بینی، تقاضا برای قضاوت بالا می‌رود. در موقعیت‌های پرتکرار می‌توان قضاوت را یک بار کدنویسی کرد و تصمیم را کاملاً خودکار ساخت. اما در موقعیت‌های نادر، تازه یا پرپیامد، انسان باید در حلقه بماند. نقش مدیر از «حدس‌زدن اینکه چه خواهد شد» به «تعیین اینکه چه چیزی مهم است» جابه‌جا می‌شود. این مهارتی است که با تجربه، اخلاق و شناخت بافت پرورش می‌یابد.

داده: سوخت، اما نه بی‌هزینه

داده سه نقش دارد: دادهٔ آموزشی که مدل را می‌سازد، دادهٔ ورودی که مدل روی آن پیش‌بینی می‌کند، و دادهٔ بازخورد که مدل را به‌روز نگه می‌دارد. جمع‌آوری هر کدام هزینه دارد و بازده آن نزولی است؛ ده‌هزارمین نمونه به اندازهٔ صدمین نمونه به دقت اضافه نمی‌کند.

بنابراین تصمیم دربارهٔ داده یک تصمیم سرمایه‌گذاری است. پرسش درست این نیست که «چقدر داده داریم؟»، بلکه این است که چه داده‌ای داریم که دیگران ندارند و آیا چرخه‌ای ساخته‌ایم که با استفادهٔ بیشتر، دادهٔ بهتری تولید کند؟ شرکت‌هایی که چنین چرخهٔ بازخوردی دارند، با هر مشتری تازه پیش‌بینی بهتری می‌کنند و فاصلهٔ خود را از رقیبان بیشتر. نویسندگان در کنار این مزیت، بده‌بستان دشوار آن را هم یادآوری می‌کنند: دادهٔ بیشتر یعنی حریم خصوصی کمتر.

جایی که ماشین کم می‌آورد

کتاب چهار وضعیت را از هم جدا می‌کند. در «دانسته‌های معلوم»، دادهٔ فراوان داریم و ماشین عالی عمل می‌کند. در «نادانسته‌های معلوم»، می‌دانیم که داده کم است، مثل رویدادهای نادر، و انسان با قیاس و استدلال بهتر است. در «نادانسته‌های نامعلوم» هیچ‌کدام خوب نیستند؛ رویدادی که هرگز رخ نداده در هیچ داده‌ای نیست.

خطرناک‌ترین وضعیت چهارمی است: ماشین با اطمینان پاسخ می‌دهد و پاسخ غلط است، چون همبستگی را با علیت اشتباه گرفته است. اگر داده‌ها نشان دهند هتل‌ها در فصل شلوغ گران‌ترند، مدلی خام نتیجه می‌گیرد که قیمت بالاتر مشتری می‌آورد. ماشین الگو را می‌بیند، نه سازوکار را. برای پرسش‌هایی از جنس «اگر این کار را بکنیم چه می‌شود؟» هنوز به آزمایش، دانش حوزه و قضاوت انسانی نیاز است.

از وظیفه تا شغل: بازطراحی کار

نویسندگان توصیه می‌کنند به‌جای پرسیدن اینکه «کدام شغل از بین می‌رود»، هر شغل را به وظایفش بشکنید. ماشین وظیفه‌ها را خودکار می‌کند، نه شغل‌ها را. وقتی وظیفهٔ پیش‌بینی به ماشین سپرده شود، بقیهٔ وظیفه‌ها برجسته‌تر می‌شوند.

مثال آن‌ها رانندهٔ سرویس مدرسه است. اگر خودرو خودش براند، آیا راننده حذف می‌شود؟ بخش مهمی از کار او مراقبت از کودکان و حفظ نظم است که با خودران‌شدن اتوبوس از میان نمی‌رود. ابزار عملی کتاب «بوم هوش مصنوعی» است؛ جدولی که برای هر تصمیم می‌پرسد: چه چیزی را پیش‌بینی می‌کنیم، قضاوت چیست، چه اقدامی می‌کنیم، نتیجه را چگونه می‌سنجیم و چه داده‌ای برای ورودی، آموزش و بازخورد لازم است. پرکردن این جدول اغلب نشان می‌دهد که مانع اصلی نه الگوریتم، بلکه نبود داده یا روشن‌نبودن هدف است.

وقتی پیش‌بینی، راهبرد را عوض می‌کند

بیشتر کاربردها بهبود تدریجی‌اند، اما گاهی دقت پیش‌بینی از آستانه‌ای می‌گذرد و مدل کسب‌وکار دگرگون می‌شود. مثال مشهور کتاب یک فروشگاه اینترنتی است که امروز بر الگوی «اول خرید، بعد ارسال» کار می‌کند. اگر پیش‌بینی خواسته‌های مشتری به اندازهٔ کافی دقیق شود، می‌توان الگو را وارونه کرد: کالا را پیشاپیش بفرست و بگذار مشتری آنچه نمی‌خواهد پس بدهد.

چنین تغییری زنجیرهٔ تأمین، سرمایه‌گذاری در لجستیک برگشت کالا و مرز شرکت را عوض می‌کند. درس نویسندگان برای مدیران ارشد این است که هوش مصنوعی را نمی‌توان فقط به واحد فناوری سپرد. وقتی نااطمینانی کم می‌شود، بده‌بستان‌هایی که راهبرد بر آن‌ها بنا شده بود جابه‌جا می‌شوند و این تصمیمی در سطح مدیرعامل است.

ریسک‌ها و پرسش‌های جامعه

کتاب خوش‌بین است اما ساده‌لوح نیست. نویسندگان چند ریسک را برمی‌شمارند: مدلی که سوگیری داده‌های گذشته را بازتولید می‌کند و مسئولیت حقوقی می‌سازد؛ خطاهایی که در شرایط تازه رخ می‌دهند؛ دست‌کاری داده‌های ورودی یا بازخورد از سوی رقیبان و مهاجمان؛ و وابستگی به پیش‌بینی‌هایی که سازمان دیگر توان بازبینی‌شان را ندارد.

در سطح جامعه نیز سه بده‌بستان مطرح است: بهره‌وری در برابر توزیع عادلانهٔ درآمد، نوآوری در برابر رقابت و خطر تمرکز بازار در دست چند شرکت پرداده، و عملکرد در برابر حریم خصوصی. کتاب پاسخ قطعی نمی‌دهد و می‌گوید این‌ها انتخاب‌های سیاسی و اجتماعی‌اند، نه مسئلهٔ فنی.

ایده‌های کلیدی کتاب در یک نگاه

از کتاب تا عمل: همین هفته چه کنیم؟

این کتاب از معدود آثار این حوزه است که مستقیماً به اقدام می‌رسد. برای شروع:

نقد و محدودیت‌ها

قوت کتاب در سادگی چارچوب آن است و ضعفش هم همین‌جاست. فروکاستن هوش مصنوعی به «پیش‌بینی» برای یادگیری ماشین کلاسیک بسیار روشنگر است، اما برای سیستم‌هایی که متن، تصویر و کد تولید می‌کنند یا چندمرحله‌ای استدلال و عمل می‌کنند، کمی تنگ به نظر می‌رسد. هرچند می‌توان تولید را هم نوعی پیش‌بینی دانست، پیامدهای مدیریتی آن فراتر از این کتاب است.

متن نیز در بخش‌هایی تکراری است و مثال‌ها عمدتاً از شرکت‌های بزرگ آمریکای شمالی آمده‌اند. دربارهٔ اثرات اجتماعی، نگاه اقتصاددانانهٔ نویسندگان گاهی هزینه‌های انسانی گذار را کم‌رنگ نشان می‌دهد. نویسندگان بعدها در کتاب دیگری به موانع سازمانیِ بهره‌برداری از این فناوری پرداختند که می‌تواند مکمل این اثر باشد.

این کتاب برای چه کسانی است؟

پرسش‌هایی برای تأمل

سخن پایانی

«ماشین‌های پیش‌بینی» کتابی است که آرامش می‌دهد؛ نه از آن جهت که خطرها را انکار کند، بلکه چون فناوری پرهیاهویی را به مفاهیم آشنای عرضه، تقاضا، مکمل و جانشین برمی‌گرداند. با این زبان، مدیر می‌تواند پرسش درست بپرسد.

درس ماندگار کتاب این است که ماشین‌ها نااطمینانی را کم می‌کنند، اما اینکه با این شفافیت تازه چه کنیم همچنان تصمیم ماست. هرچه پیش‌بینی ارزان‌تر شود، ارزش دانستن اینکه چه چیزی واقعاً مهم است بیشتر می‌شود.

این نوشته خلاصه و برداشت تحلیلی تیم بینش جدید از کتاب است و جای مطالعهٔ خود اثر را نمی‌گیرد.