تقدیم به برادرم مهدی امیرپور، که در این دوران تاریک، سبز بودنش دلگرمی من است!
آشنایی با هوش مصنوعی؛ گام اول، شناسایی مسئلهها!
این روزها هوش مصنوعی و یادگیری ماشین به یکی از جذابترین و پرطرفدارترین موضوعات علم و تکنولوژی تبدیل شده است. در ماههای گذشته رونمایی از محصولی به اسم Chatgpt که توسط شرکت OpenAI توسعه داده شده ، بار دیگر هوش مصنوعی را به داغترین بحث دنیای تکنولوژی تبدیل کرد. بنابراین تصمیم گرفتیم که در این مقاله بهصورت تخصصیتری به ترکیب هوش مصنوعی و یادگیری ماشین با فضای مدیریت محصول بپردازیم و اساساً فرایند کاری یک مدیر محصول هوش مصنوعی یا AI/ML Poduct Manager را با جزئیات بیشتری مورد بررسی قرار دهیم. تمرکز اصلی این مقاله روی مسائل و چالشهایی واقعی از جنس کسبوکار است که به کمک هوش مصنوعی و یادگیری ماشین قابلیت حل آن وجود دارد.
شما یک مدیر محصول هستید!
یکی از اتفاقات رایج و عامل مشترک شکست بسیاری از کسبوکارهای مبتنی بر تکنولوژی، بهخصوص آنهایی که بر لبه علم حرکت میکنند، این است که تیم آنقدر غرق در تکنولوژی و توسعه محصول مبتنی بر آخرین فناوریهای روز میشود که اساساً بهکلی کاربر و مصرفکننده محصول فراموش میشود و پس از چندین ماه توسعه نفسگیر در نهایت بهعنوان خروجی، محصولی ایجاد میشود که از آخرین و پیچیدهترین تکنولوژیهای روز بهرهمند است. اما هیچ مشتری بالقوهای برای آن وجود نداشته و اساساً هیچ پرسونای مناسبی را بهعنوان کاربر محصول نمیتوان تعریف کرد.
گوگل گلس؛ سقوط از آسمانخراش تکنولوژی
برای درک بهتر این مسئله به سال ۲۰۱۳ نگاهی بکنیم؛ زمانی که شرکت گوگل از محصول جدید خود به نام گوگل گلس (Google Glass) رونمایی کرد. گوگل گلس فوراً به یکی از جذابترین موضوعات دنیای تکنولوژی تبدیل شد و به مدت چندین ماه رسانهها بهصورت مداوم اخبار مرتبط با این محصول را پوشش میدانند. Google Glass از لحاظ تکنولوژی ساخت و توسعه هم یک محصول لبه علم محسوب میشد و برای توسعه آن تیمهای مختلف گوگل مثل Google X، تیم توسعه اندروید، Google Maps و… درگیر بودند، اما در نهایت این محصول بهصورت کامل شکست خورد و از سال ۲۰۱۵ هم فروش آن متوقف شد.
دلایل مختلفی برای شکست این محصول وجود دارد، اما اگر بهعنوان یک مدیر محصول به این موضوع نگاه کنیم احتمالاً دو عامل اصلی برای این شکست میتوان در نظر گرفت که عبارتاند از؛
- عدم وجود مخاطب هدف مشخص
- عدم تناسب با ساختار نیازمندی و مرسوم بازار
از همان ابتدا هم مشخص نبود که گوگل گلس قرار است چه نیازمندی و مشکلی از کاربر را برطرف کند و اساساً این محصول به چه منظوری باید استفاده شود. باتوجه به قابلیتهای گوگل گلس، علاوهبر استفاده روزمره، محصول پتانسیل استفاده در صنایعی مثل پزشکی یا تولید صنعتی را داشت، اما هیچکدام از این پتانسیلها بهقدری کافی نبود که بتوان آن را یک راهحل دانست. علاوه بر این، محصول هیچ تناسبی با فضای آن زمان دنیای تکنولوژی نداشت، قیمت ۱۵۰۰ دلاری، چالشهایی از جنس نقض حریم شخصی کاربران و عدم بلوغ جامعه مخاطبان برای استفاده از چنین محصولی باعث شدند که گوگل گلس تبدیل به یک پروژه کاملاً شکستخورده شود.
بنابراین، شما بهعنوان یک مدیر محصول، فارغ از اینکه قرار است در چه زمینهای فعالیت کنید، خواه هوش مصنوعی و یادگیری ماشین یا چهبسا در سالیان آینده محاسبات کوانتومی، باید به دنبال پاسخ یک سوال اساسی باشید و آن هم این است که محصول شما قرار است چه نیاز و مشکلی را از کاربر برطرف کند. در نهایت هوش مصنوعی، یادگیری عمیق، یادگیری ماشین، محاسبات کوانتومی و… همگی ابزارهایی هستند که قرار است به شما کمک کنند، محصولتان تناسب بیشتری با ساختار نیاز بازار (Product Market Fit) داشته باشد. بنابراین سعی کنید با استفاده از این ابزارها مسئلههای موجود و پیشرو را حل کنید، نه اینکه مسئلهای بسازید که برای حل آن نیاز به استفاده از هوش مصنوعی باشد!
چه مسائلی را میتوان به کمک هوش مصنوعی و یادگیری ماشین حل کرد؟
همانطور که اشاره کردیم هوش مصنوعی و… همگی ابزارهایی هستند که قرار است به ما کمک کنند که مسئله را بهتر و دقیقتر حل کنیم؛ بنابراین باید یک دید کلی داشته باشیم که اساساً چه جنس مسائلی را میتوان به کمک هوش مصنوعی و یادگیری ماشین حل کرد. بهطورکلی مسائلی قابلیت حل با این ابزارها را دارند که دو ویژگی مهم داشته باشند؛ یکی اینکه داده کافی موجود و مجموعه داده بزرگ باشد و دوم اینکه مسئله از جنس یافتن الگویی تکرارشونده باشد. یعنی احتمالاً مسئله به شکلی است که یک الگوی کلی با کمی تغییر هر بار به شکلهای گوناگون تکرار میشود. برای فهم بهتر این بخش، مسائل قابل حل به کمک هوش مصنوعی را طبقهبندی کردهایم و در ادامه به بررسی کامل آنها به همراه مثال میپردازیم.
دستهبندی و برخورد کاربر با کلانداده (بیگ دیتا)
بعضی مواقع کاربر در حال جستوجو میان انبوهی از دادهها است. به طور مثال کاربر قصد خرید یک کاپشن را دارد و در حال جستوجو در پلتفرم فروش آنلاین مثل دیجیکالا یا آمازون است. در هرکدام از این پلتفرمها شاید بیش از ۲ هزار مدل کاپشن وجود داشته باشد و با توجه به اینکه بررسی تکبهتک دو هزار کاپشن برای کاربر عملی سخت، زمانگیر و احتمالاً خستهکننده خواهد بود، ترتیب نمایش این کاپشنها اهمیت ویژهای پیدا میکند. این مسئله به شکلهای دیگری در شبکههای اجتماعی یا موتور جستوجو تکرار میشود. هوش مصنوعی و یادگیری ماشین، ابزار مناسبی برای حل مسائلی از این جنس است.
به طور مثال سوابق خرید کاربر در دیجیکالا نشاندهنده این است که او در ۵ سال گذشته ۱۰ کاپشن خریده است و از این ۱۰ کاپشن، ۸ عدد چرمی بودهاند، ۷ عدد رنگ قهوهای داشتهاند و ۶ عدد از این کاپشنها کلاهدار بودهاند؛ بنابراین احتمالاً کاربر موردنظر ما به کاپشنهای چرمی، قهوهای رنگ و کلاهدار علاقه بیشتری دارد، بنابراین به کمک هوش مصنوعی و یادگیری ماشین میتوان ترتیب نمایش را به گونهای طراحی کرد که کاپشنهایی را که بیشترین شباهت به علایق کاربر دارند را به در ردیفهای اول قرار داد. در نتیجه احتمال خرید و افزایش رضایت کاربر را به طور قابلتوجهی افزایش میدهد. البته که مثال ذکر شده بهطور قابلتوجهی سادهسازی شده و مسائل دستهبندی پیچیدگیهای خاص خود را دارند و مهمترین آنها تعریف مقیاس یا همان بُعد در کلانداده است؛ بنابراین اکثر پلتفرمهایی که قابلیت جستوجو دارند، ابزارهایی را در اختیار کاربر قرار میدهند تا او بتواند مجموعهداده را محدود کند، تا در نهایت خروجی موتور جستوجو دقیقتر باشد.
پیشبینی و تخمین، فانوس راه کسبوکار
اگر با بسیاری از صاحبان کسبوکار صحبت کنید، احتمالاً تمام آنها «پیشبینی صحیح آینده» را یکی از مهمترین عاملهای زندهماندن کسبوکار و توسعه آن میدانند. اساساً لغت استراتژی و ادبیات مرتبط با آن بر مبنای پیشبینی آینده و انجام مجموعهای از فعالیتها به منظور آمادگی بهتر برای آینده تدوین شده است. بنابراین هرچقدر دید یک سازمان نسبت به آینده دقیقتر و نزدیک به واقعیت باشد، احتمال زندهماندن و رشد آن سازمان به طرز قابلتوجهی افزایش مییابد. برای درک بهتر این موضوع سه سناریو مختلف از سه جنس کسبوکار مختلف را بررسی میکنیم؛
۱. فرض کنید شما مدیر زنجیره تأمین یک شرکت لبنیاتی هستید، اگر شما بتوانید تخمین بزنید که در ماه آینده مصرف شیر استان اصفهان چه مقدار خواهد بود، میتوانید پیشنیازهای عملیاتی برای ارسال و تأمین بهموقع شیر به استان اصفهان را فراهم کنید و به طور مثال با مسئله کمبود ناوگان روبهرو نشوید، از طرف دیگر میدانید که حدوداً چه مقدار باید شیر تولید کنید و با مسئله عدم تأمین تقاضا یا از سوی دیگر اشباع بازار روبهرو نمیشوید. دقت کنید که هرکدام از این مسائل آسیبهای جبرانناپذیری به کسبوکار شما وارد میکند. اگر شیر تولیدی توسط شرکت شما از تقاضای استان بیشتر باشد، در نهایت حجم قابلتوجهی از شیر باقی میماند و باتوجهبه تاریخ انقضای کوتاه، احتمالاً در نهایت دور ریخته خواهد شد و سازمان ضرر هنگفتی خواهد کرد. از سوی دیگر اگر تقاضای مصرف شیر استان به طور صحیح پوشش داده نشود، فضا برای ورود رقبای دیگر ایجاد میشود و این احتمال وجود دارد که رقبای دیگر سهم شما را در این بازار تصاحب کنند و در آینده درآمد شما از استان اصفهان کاهش یابد که این امر علاوه بر زیان مالی به برند سازمانی شما هم آسیب خواهد زد.
۲. فرض کنید شما مدیر عملیات شرکت دیجیکالا هستید، اگر شما بتوانید بهدرستی تخمین بزنید که در ماه اسفند چه تعداد سفارش خواهید داشت، میتوانید از قبل آمادهسازیهای لازم جهت استخدام کارمند انبار پارهوقت و تجهیز ناوگان لجستیک را انجام دهید. اما اگر نتوانید تخمین صحیحی داشته باشید و بخواهید کار را صرفاً با نیروهای تماموقت پیش ببرید، اگر تعداد نیروهای شما کمتر از میزان لازم باشد، طبیعتاً با مشکل عدم پردازش بهموقع سفارشها روبهرو خواهید شد و این امر نارضایتی مشتریان، کاهش سهم شما در بازار، آسیب به برند سازمانی و ایجاد فرصت برای ورود دیگر رقبا را ایجاد میکند. از سوی دیگر اگر تعداد نیروهای تماموقت شما بیشتر از مقدار موردنیاز باشد، این امر باعث کاهش درآمد سیستم، کاهش چابکی و در نهایت کند شدن روند توسعه سازمان میشود.
۳. فرض کنید شما مدیر مارکتینگ شرکت اسپاتیفای هستید، مهمترین منبع درآمد شرکت شما اشتراک ماهیانهای است که کاربران پرداخت میکنند. اگر شما بتوانید پیشبینی کنید که در ماه آینده چه تعداد کاربر و کدام کاربران با احتمال بیشتر از ۷۰ درصد اشتراک خود را تمدید نخواهند کرد، این فرصت را خواهید داشت که با انجام مجموعهای از کارهای مدیریت تجربه مشتری، مشکل و نارضایتی احتمالی کاربر را برطرف کنید و او را همچنان بهعنوان کاربر خود حفظ کرده و از یکریزش احتمالی جلوگیری کنید. همچنین در نظر داشته باشید که شما بهازای هر کاربری که وارد سیستم خود میکنید، هزینه بازاریابی پرداخت میکنید (Customer Acquisition Cost)، بنابراین هرچه بتوانید ماندگاری کاربر را در سیستم خود افزایش دهید، ارزش طول عمر مشتری (Customer Lifetime Value) افزایش پیدا کرده و این باعث رشد و سوددهی کسبوکار شما میشود.
در سه سناریویی که بررسی کردیم، متوجه اهمیتی بالای پیشبینی صحیح شدید. هوش مصنوعی و یادگیری ماشین یکی از بهترین ابزارها برای حل مسائل مرتبط با پیشبینی است. در هر سه حالتی که مطرح شد، هوش مصنوعی سعی میکند یک الگو از رفتارهای گذشته ایجاد کند (بنابراین بسیار مهم است که دادههای گذشته، موجود و قابلاستفاده باشد) و پس از آنکه الگو را ایجاد کرد، وضعیت فعلی را با الگوی ایجاد شده تطابق دهد و در نهایت یک خروجی تخمینی بهعنوان پیشبینی را به ما نشان بدهد. به طور مثال اگر تعداد سفارشهای ۱۰ سال اخیر در ماه اسفند را در اختیار هوش مصنوعی بگذاریم، با انجام مجموعهای از عملیات ریاضی میتوان در نهایت به یک تخمین اولیه دست پیدا کرد که حدود سفارشهای اسفند امسال چه مقدار خواهد بود. همچنین با انجام مجموعهای از عملیات آماری و اعمال فاکتورهای دیگر به مسئله (به طور مثال مسائل اجتماعی)، میتوان به یک جمعبندی اولیه در مورد تعداد سفارشها رسید و متناسب با آن برنامهریزی کرد. دقت کنید که هوش مصنوعی اساساً هیچوقت قرار نیست یک عدد دقیق به شما بگوید، این ابزار قرار است به شما کمک کند که رویکرد و استراتژی نزدیکتری نسبت به واقعیت اتخاذ کنید و ابزار پیشگویی و جادوگری نیست!
شناسایی ناهنجاری، پلیس بدون یونیفرم!
قرنها پیش از آنکه بشریت با مفهومی به نام علوم داده، آمار و هوش مصنوعی آشنا باشد با مفهومی به اسم ناهنجاری آشنا بوده است. ناهنجاری به بیان ساده عبارت است از انجام رفتاری متفاوت با آنچه همواره انجام شده است. به طور مثال حافظ در بیتی میگوید:
در خِلافآمدِ عادت، بطلب کام که من
کسب جمعیت از آن زلفِ پریشان کردم
او در اینجا انجام کارهایی خلاف هنجار جامعه و متفاوت با آنچه همه مردم انجام میدهند را مقدمهای بر موفقیت و کامیابی میداند. حالا اگر به دنیای تکنولوژی بازگردیم، احتمالاً برای شما هم این اتفاق اعصاب خردکن پیشآمده است که کلمهای را در گوگل سرچ کرده و گوگل از شما خواسته که ثابت کنید ربات نیستید. این موضوع بیشتر زمانی رخ میدهد که شما IP یا سرویس اتصال خود را تغییر دادهاید. به طور مثال اگر همواره از طریق سرورهای هلند به گوگل متصل میشدید، اکنون از سروری که به کانادا متصل است، موضوعی را در گوگل جستوجو کردهاید و باتوجهبه اینکه تمام اطلاعات قبلی شما مثل اطلاعات حساب، مدل گوشی و… شبیه گذشته است و حالا کاملا ناگهانی کشور شما از هلند به کانادا تغییر کرده است، این موضوع برای گوگل یک ناهنجاری بهحساب میآید و از شما میخواهد که یک احراز هویت اولیه انجام دهید.
شناسایی ناهنجاری کاربرد بسیاری در جلوگیری از انواع تقلبهای مالی، تکنولوژی، اداری و… دارد. احتمالاً تا همینجا هم احساس کرده باشید که روند شناسایی ناهنجاری، تطابق وضعیت فعلی با یک الگوی ایجاد شده در گذشته است. بنابراین میتوان حدس زد که هوش مصنوعی و یادگیری ماشین ابزارهای بسیار مناسب و جذابی برای حل این جنس مسائل هستند. برای درک بهتر چند مسئله از صنایع مختلف را بررسی میکنیم؛
۱. شما یک حساب بانکی دارید و در طول سالیان گذشته با توجه به الگوی فعالیت شما به طور حدودی مشخص است که میانگین میزان برداشت و واریز روزانه، میانگین تعداد تراکنش روزانه و… حساب شما چقدر است. حال اگر در یک روز مبلغی سه برابر مبلغ میانگین واریز به حساب شما واریز شود، این امر بهعنوان ناهنجاری تلقی میشود و احتمالاً سیستم بانکی هشداری را صادر خواهد کرد، تا کارشناسان علت احتمالی این واریز را بررسی کنند. درصورتیکه پاسخ مناسبی پیدا نکنند از طریق مراجع قضایی موضوع را بررسی خواهند کرد. یا به طور مثال در طول سالهای گذشته میانگین تراکنشهای حساب شما ۱۰ تراکنش در روز بوده است و این عدد در طول یک ماه گذشته به طور قابلتوجهی افزایشیافته و به ۱۰۰ تراکنش در روز رسیده است، اکنون سیستم ناهنجاری را شناسایی کرده و آن را گزارش میدهد. کارشناسان وارد عمل میشوند تا موضوع را بررسی کنند و به طور مثال میخواهند بداند که آیا شما در داخل یک باند پولشویی قرار دارید یا در حال فرار مالیاتی هستید؟ همانطور که اشاره شد، کاری که هوش مصنوعی انجام میدهد این است که تمام دادههای قبلی شما را مورد بررسی قرار داده و الگوهای مختلفی را از آن استخراج میکند. سپس وضعیت فعلی را با الگوهای قبلی مقایسه میکند و درصورتیکه تفاوت از یک مقدار قابلتوجهی بیشتر باشد، هشدار صادر میکند.
۲. در بسیاری از کسبوکارها و سازمانهایی که وظیفه سرویسدهی دارند، اطلاعات مختلفی از مشتریان ذخیره شده است. به طور مثال در حساب کاربری شما در آمازون تمام آدرسها، کالاهایی که تاکنون خریدهاید، اطلاعات حساب بانکی یا در حساب صرافی دیجیتال شما، ماندهحساب، تراکنشها و در حساب اسنپ شما تمام سفرها، مقصدهای منتخب و اطلاعاتی از این قبیل ثبت شده است. اکثر این جنس کسبوکارها تیم پشتیبانی و پاسخگویی ۲۴ ساعته دارند تا هر مرحلهای از سرویسدهی کاربر دچار مشکل شود، امکان پاسخگویی و پشتیبانی به او وجود داشته باشد؛ بنابراین نیاز است که امکان دسترسی به بخشهایی از اطلاعات شخصی کاربران برای تیم پشتیبانی وجود داشته باشد تا در مواقع لزوم با استفاده از آن، پاسخگویی دقیقتری به کاربر داشته باشند. حال این سؤال پیش میآید که اگر یکی از این افراد پشتیبانی قصد سوءاستفاده از دسترسی ایجاد شده را داشته باشد و به دنبال دسترسی به اطلاعات شخصی کاربران در جهت اهدافی غیر از پشتیبانی باشد، چگونه میتوان آن را شناسایی و از آن جلوگیری کرد؟
یکی از اولین کارهایی که سازمانها دراینرابطه انجام میدهند این است که لاگهای (سیاهه) فعالیت افرادی را که دسترسی به اطلاعات دارند را ذخیره میکنند. به این ترتیب مشخص میشود که هر شخص به چه بخشهایی وارد شده و چه عملی را انجام داده است، به طور مثال پشتیبانی که وارد صفحه سفارش مشتری شده است، صرفاً خوانش (Read) انجام داده یا از دادهها خروجی (Export) هم گرفته است. سپس میتوان یک الگوی رفتاری قابلقبول از نحوه پشتیبانی صحیح ایجاد کرد و با استفاده از هوش مصنوعی و یادگیری ماشین تمام رفتارهای خارج از الگو را شناسایی و بهعنوان ناهنجاری معرفی کرد. با توسعه این سیستم، گام بعدی این است که میزان ناهنجار بودن یک رفتار مشخص و فاصله آن تا الگوی هنجار شده تعیین شود و متناسب با آن، سیستم بهصورت خودکار واکنش اولیه را انجام دهد. به طور مثال اگر رفتار کاربر پشتیبانی یک صرافی دیجیتال فاصله زیادی با الگوی هنجارشده دارد، بهصورت موقت دسترسی او به سیستم قطع شده و یک هشدار برای تیم SecOps صادر میشود. لازم به ذکر است که الگوریتمهای مختلفی برای شناسایی ناهنجاری وجود دارد که هرکدام از این الگوریتمها راهکارهای متفاوتی برای شناسایی ناهنجاریها دارند.
سامانه توصیهگر، راهنمای تصمیمگیری کاربران
یکی از مهمترین دغدغههایی که مدیران محصول کسبوکارهای فروش خدمات و کالا دارند، این است که میانگین مبلغ خرید کاربران را بزرگتر کنند یا اینکه مدتزمان فعالیت کاربر در پلتفرم را افزایش دهند و در یککلام تعامل کاربر با کسبوکار را افزایش دهند. بررسی تجربههای کاربری و آزمونهای انجام شده بهوضوح به ما ثابت کرده است که تعامل کاربر با پلتفرمی که محتوای موردعلاقه خود را در آن راحت پیدا میکند به طور قابلتوجهی بیشتر از پلتفرمی است که کاربر مجبور به جستوجوی فراوان بهمنظور پیداکردن محتوای موردعلاقه است؛ بنابراین یکی از راهکارها برای برطرفکردن این نیازمندی نمایش محتوای اختصاصی به کاربران است و به طورکلی یک محتوای ثابت را به همه کاربران نمایش ندهیم!
برای حل این مشکل نیاز به وجود یک سامانه توصیهگر یا Recommender System است، کلیات عملکرد این سامانه به این شکل است که رفتارهای قبلی کاربر را مورد بررسی قرار داده و از آن یک الگوی رفتاری ایجاد میکند و پس از آن محتواهایی که بیشترین مشابهت با آن الگوی رفتاری را دارند به کاربر نمایش میدهد. برای درک بهتر این موضوع چند سناریو را مورد بررسی قرار میدهیم؛
۱. فرض کنید شما مدیر محصول دیجیکالا هستید، یکی از مهمترین اهداف شما این است که مبلغ میانگین سبد خرید کاربران را افزایش داده و بهطورکلی کاربران کالاهای بیشتری را از طریق پلتفرم خریداری کنند. توسعه یک سامانه توصیهگر میتواند به شکلهای گوناگون به رشد کسبوکار کمک کند؛
- به طور مثال کاربر از طریق پلتفرم شما خریدهای مختلفی داشته است، همچنین بازدیدها و فهرست علاقهمندیهای او مشخص است، بنابراین میتوان یک الگوی رفتاری از علاقهمندیهای کاربر ایجاد کرد و به طور مثال در صفحه اول سایت، دستهبندیها و کالاهایی که جذابیت بیشتری برای او دارد را نمایش داد.
- سناریو دیگر این است که کاربر وارد صفحه محصول شده است و سامانه توصیهگر کالاهای مشابه با آن محصول را هم به کاربر نمایش دهد، تا اگر به هر دلیلی محصول فعلی موردپسند کاربر نبود، گزینههای جذاب دیگری برای کاربر وجود داشته باشد و کاربر همچنان بهعنوان مشتری بالقوه باقی بماند و از چرخه خرید خارج نشود.
- یکی دیگر از کارهایی که سامانه توصیهگر میتواند انجام دهد گسترش پورتفولیو سبد خرید مشتریان است. به طور مثال کاربر در حال مشاهده یا خرید گوشی آیفون است، در این حالت سامانه توصیهگر کالاهایی که معمولاً کاربران هنگام خرید آیفون تهیه میکنند، مثل قاب، محافظ صفحه، آداپتور شارژ و… را نمایش میدهد و باتوجهبه اینکه کاربر در حال خرید کردن است، احتمال اینکه از کالاهای پیشنهادی هم استقبال کند، بسیار بالاست و همین امر باعث میشود که ارزش طول عمر مشتریان شما افزایش قابلتوجهی پیدا کرده و تعامل و وفاداری کاربران هم افزایش یابد.
۲. فرض کنید، شما مدیر محصول نتفلیکس هستید، متریکهای متفاوتی برای بررسی موفقیت محصول شما وجود دارد؛ یکی از مهمترین متریکها میانگین مدت زمانی است که کاربر در پلتفرم شما میگذراند. باتوجه به اینکه پلتفرم نتفلیکس در حوزه محتوای چندرسانهای فعالیت میکند، به هر میزان که محتوای پلتفرم برای کاربر جذابتر باشد، زمان بیشتری را صرف مشاهده محتوا و تعامل با پلتفرم میکند؛ بنابراین توسعه یک سامانه توصیهگر به شما این امکان را میدهد که باتوجهبه سلیقه کاربر، از میان دهها هزار محتوایی که در پلتفرم موجود است، محتوایی به کاربر پیشنهاد کنید که نزدیکترین شباهت را با علاقهمندی او دارد. این امر علاوه بر افزایش رضایت کاربران، احتمال ریزش کاربر و حذف اشتراک ماهیانه یا سالیانه را به طور قابلتوجهی کاهش میدهد. همچنین این سامانه به شما کمک میکند که محتواهای اختصاصی پلتفرم خود را بهصورت هدفمندتری ارتقا دهید و عملاً از ظرفیت درون پلتفرم خود در جهت دیدهشدن بیشتر محتواهای اختصاصی استفاده کنید.
برای توسعه یک سامانه توصیهگر هوش مصنوعی و یادگیری ماشین بهترین ابزار است. با استفاده از الگوریتمهای گوناگون یادگیری ماشین میتوان رفتار کاربر را تحلیل کرد و بُعدهای مختلفی برای آن ایجاد کرد و در نهایت آیتمهایی را که بیشترین شباهت به علاقه مخاطب دارند را به او نمایش داد. همچنین از سامانه توصیهگر در پلتفرمهایی مانند شبکههای اجتماعی هم میتوان استفاده کرد و در آن هم پُستهایی را که بیشترین شباهت به علایق کاربر دارد به او نمایش داد و هم کاربران مشابه را به هم متصل کرد.
پردازش زبان طبیعی و ربات پاسخگو
فرض کنید شما مدیر توسعه کسبوکار بانک جیپی مورگان هستید. این بانک در بیشتر از ۶۰ کشور دنیا در حال فعالیت است، بیشتر از ۶۶ میلیون مشتری فعال دارد و نزدیک به ۲۴۰ هزار کارمند در سراسر دنیا استخدام کرده است. پاسخگویی و پشتیبانی از ۶۶ میلیون کاربر بهصورت ۲۴ ساعته در سراسر دنیا امری بهشدت سخت و پرهزینه است. از طرفی باتوجه به توسعه کسبوکار تعداد مشتریان روزبهروز افزایش خواهد یافت و اگر قرار باشد که امر پشتیبانی مشتریان بهصورت کلاسیک انجام شود، شما باید هرسال تعداد بیشتری کارمند پشتیبانی استخدام کنید و همین امر باعث رشد نامتناسب کارمندان شده و جدا از اینکه هزینههای مالی سنگینی به شرکت تحمیل میکند، مانع چابکی سازمان میشود. از طرفی نگاهی اجمالی به درخواستها و سؤالات مشتریان این دید را به ما میدهد که این سؤالات بسیار تکرارشونده هستند و احتمالاً الگویی برای پاسخدهی به آنان استخراج کرد. به این ترتیب میتوان با استفاده از یادگیری ماشین و پردازش زبان طبیعی (NLP) چتباتی را طراحی کرد که امکان پاسخدهی به نیازهای اولیه کاربران و انجام تعدادی از عملیات ابتدایی را داشته باشد و در طول زمان و یادگیری بیشتر چتبات امکان انجام فعالیتهای متنوعتری هم فراهم شود. لازم به ذکر است که بحث هوش مصنوعی در این زمینه همچنان درحالتوسعه است، گرچه همین امروز هم بیشتر بانکهای برتر جهان از چتبات بهمنظور پاسخگویی به مشتریان خود استفاده میکنند.
در این بخش به بررسی مسائلی واقعی از جنس کسبوکار پرداختیم که با استفاده از هوش مصنوعی و یادگیری ماشین میتوان آن را حل کرد و سرعت توسعه و چابکی سازمان را افزایش داد.
کلام آخر
گام اول برای یک مدیر محصول شناسایی نیازمندی و مسئله است، اما قطعاً گام آخر نیست! در این مقاله تمرکز اصلی روی مسائلی بود که میتوان آنها را به کمک هوش مصنوعی حل کرد، اما این تمام راه نیست. پیادهسازی و توسعه این راهحلها در هر یک از این مسائل چالشهایی بسیار سخت و پیچیده دارد که سرعت پیشرفت پروژه را بسیار کُند و گاهی صفر میکند؛ بنابراین شما بهعنوان یک مدیر محصول پس از شناسایی مسئله باید مجموعهای از مهارتهای فنی را داشته باشید، تا با نحوه حل مسئله هم ارتباط برقرار کنید و تعامل با تیم فنی را بهدرستی پیش ببرید. در قسمت بعدی مقاله به مهارتهای لازم برای درک مسئله و چالشهای گوناگون پیادهسازی مدلهای هوش مصنوعی میپردازیم.