چرا سواد داده و هوش مصنوعی به چیزی بیش از مهارت‌های فنی نیاز دارد؟

سازمان‌هایی که در مسیر داده‌محور شدن و بهره‌گیری از هوش مصنوعی گام برمی‌دارند، معمولاً سرمایه‌گذاری زیادی روی آموزش‌های فنی انجام می‌دهند. دلیلش واضح است: کارکنان باید بتوانند به داده‌ها دسترسی داشته باشند، آن‌ها را پردازش و تحلیل کنند و بدون شک، مهارت‌های فنی و تسلط بر ابزارهای تحلیلی، سنگ بنای کار با داده است. اما موضوع اینجاست که دانش فنی کافی نیست!

در دنیای واقعی، موفقیت در تحلیل داده و هوش مصنوعی فراتر از صرفاً تسلط بر ابزارهای تکنیکال است. مهارت‌هایی مانند تفکر انتقادی، درک نیازهای کسب‌وکار و توانایی انتقال بینش‌های داده‌ای به دیگران، همان حلقه‌ی گمشده‌ای هستند که اغلب نادیده گرفته می‌شود. بدون این مهارت‌ها، حتی پیچیده‌ترین مدل‌های تحلیلی نیز ممکن است دردی از سازمان دوا نکنند!

تجربه سازمان‌های مختلف نشان می‌دهد که اگرچه آموزش کارکنان برای استفاده از ابزارها و سیستم‌ها مهم است، اما مهارت‌های فنی به تنهایی برای ایجاد تیم‌هایی که در داده و هوش مصنوعی بسیار باسواد هستند، کافی نیست.

سواد داده و هوش مصنوعی، توانایی خواندن، درک، ایجاد و برقراری ارتباط با داده‌ها در حین استفاده و ارزیابی انتقادی هوش مصنوعی است. اما سواد واقعی نیازمند مجموعه‌ای از ویژگی‌هایی است که بسیار گسترده‌تر از آنچه معمولاً در برنامه‌های آموزشی داده و هوش مصنوعی تدریس می‌شود است.

در ادامه برخی ویژگی‌های غیرفنی ضروری که مهارت‌های فنی را به سواد واقعی داده و هوش مصنوعی تبدیل می‌کنند،بررسی شده است.

آگاهی و مسئولیت اخلاقی

هیچ کس به کودکان اجازه استفاده از اجاق گاز را نمی‌دهد تا زمانی که متوجه شوند چقدر می‌تواند خطرناک باشد، و به افراد اجازه رانندگی داده نمی‌شود تا زمانی که قوانین ایمنی اساسی جاده را یاد گرفته باشند. به طور مشابه، نباید به تیم‌ها مهارت‌های فنی پیشرفته داده شود تا زمانی که یاد گرفته باشند با این مهارت‌ها چه آسیب‌هایی می‌تواند وارد شود.

با این حال، این دقیقاً همان کاری است که سازمان‌ها دهه‌ها است انجام می‌دهند، و به همین دلیل است که بسیاری از ابتکارات داده و پروژه‌های هوش مصنوعی نادرست پیش می‌روند. تیم‌ها اغلب قبل از اینکه پیامدهای اخلاقی کار خود را کاملاً درک کنند، به ابزارهای قدرتمند مجهز می‌شوند. نتیجه این امر از نقض حریم خصوصی گرفته تا تحلیل‌های نادرست تفسیر شده که باعث آسیب و منجر به زیان‌های پرهزینه کسب و کار می‌شود، متغیر بوده است. اخلاق داده و هوش مصنوعی مسئولانه دو سنگ بنای اساس سواد داده و هوش مصنوعی هستند، و ایجاد پایه‌ای محکم در اولویت قرار دارد.

نگرشی انتقادی اما با ذهنی باز

یکی از جنبه‌های نادیده گرفته شده سواد داده و هوش مصنوعی، توانایی باز ماندن به روی امکانات جدید در عین حفظ شکاکیت متعادل درباره فناوری است. اغلب این تمایل وجود دارد که افراد اعتماد بیش از حد به داده‌ها داشته باشند و به اشتباه باور کنند که هوش مصنوعی ورودی‌های عینی و بی‌نقص ارائه می‌دهد.

حقیقت این است که داده‌ها می‌توانند آلوده، نادرست و مغرضانه باشند. هوش مصنوعی که روی داده‌های ناقص آموزش دیده باشد، می‌تواند این نقص‌ها را منعکس کند. به همین دلیل، سازمان‌ها باید اعضای تیم خود را تشویق کنند تا خروجی‌های خود را به طور انتقادی ارزیابی کنند. اما آنها باید این کار را بدون بسته شدن نسبت به بینش‌هایی که می‌توانند ارائه دهند، انجام دهند. بین شکاکیت و بدبینی تفاوت زیادی وجود دارد؛ تیم‌ها باید به شکاکیت نزدیک‌تر باشند تا بدبینی.

برای شروع توسعه این ویژگی در سازمان‌ها لازم است که تیم‌ها تشویق شوند تا فرضیات خود را در حالی که نسبت به بینش‌های غیرمنتظره‌ای که از تحلیل آنها ظاهر می‌شود پذیرا هستند، به چالش بکشند و اعتبارسنجی کنند.

ذهنیت بهبود مستمر

متخصصان با تجربه بخش قابل توجهی از دوران حرفه‌ای خود را در بهبود مستمر، هدایت تیم‌ها و آموزش رهبران پروژه برای کاهش خطاهای پرهزینه و اتلاف در فرآیندهای کسب و کار صرف می‌کنند. دیدن جهان از طریق لنزی متمرکز بر فرآیند، چشم افراد را به فرصت‌های ارزشمندی که قبلاً از دست داده بودند، باز می‌کند.

اشتیاق روزافزون‌ سازمان‌های امروز به فناوری‌های نوظهور، توجه را از نگاه دقیق به فرآیندها منحرف کرده است. تیم‌هایی که در داده و هوش مصنوعی بسیار باسواد هستند، درک می‌کنند که ارزش از طریق فرآیندها ارائه می‌شود و فرآیندهای کارآمد و قابل اعتماد کلید سازمان‌های موفق هستند. اگر داده یکی از ارزشمندترین دارایی‌های سازمان باشد، مدیران نه تنها باید تیم‌های خود را به استفاده از آن تشویق کنند، بلکه باید آنها را به بهبود مداوم آن در یک چرخه مثبت هدایت کنند.

به نظر می‌رسد چیزی که امروز سازمان‌ها نیاز دارند نقشه‌برداری از فرآیندها از ابتدا تا انتهاست تا تیم‌ها بتوانند بزرگترین فرصت‌ها برای استفاده از داده‌ها برای بهبود عملکرد را شناسایی کنید.

روحیه همکاری در استفاده از داده و هوش مصنوعی

در دنیای امروز، مفهوم «فراگیری» (Inclusivity) فراتر از یک واژه‌ی رایج، به موضوعی بحث‌برانگیز با ابعاد سیاسی و اجتماعی تبدیل شده است. برخی آن را به عنوان یک ضرورت در تصمیم‌گیری‌ها می‌پذیرند، در حالی که برخی دیگر آن را زائد یا حتی مخرب می‌دانند. اما از منظر علمی و مدیریتی، تحقیقات نشان داده‌اند که تنوع در تیم‌ها به بهبود کیفیت تصمیم‌گیری، کاهش سوگیری‌های شناختی و افزایش نوآوری کمک می‌کند.

در دنیایی که تصمیمات کلیدی بر اساس داده و الگوریتم‌های هوش مصنوعی اتخاذ می‌شود، تیم‌هایی که بر این فناوری‌ها نظارت دارند باید از دیدگاه‌ها و تجربیات گوناگون بهره‌مند باشند. مطالعات نشان داده‌اند که تیم‌های همگن (از نظر فکری و تجربی) بیشتر دچار سوگیری تأییدی (Confirmation Bias) می‌شوند و ممکن است کاستی‌های موجود در داده‌ها یا تحلیل‌های خود را نادیده بگیرند.

اگر تیم‌های داده‌محور فاقد تنوع فکری و تجربی باشند، ممکن است مشکلات زیر بروز کنند:
سوگیری در داده‌ها: مطالعات نشان داده‌اند که داده‌های آموزشی برای مدل‌های هوش مصنوعی اغلب نماینده‌ی کل جامعه نیستند، که می‌تواند به تبعیض‌های سیستمی منجر شود.
نقاط کور در تحلیل‌ها: نبود دیدگاه‌های متنوع می‌تواند باعث نادیده گرفتن عوامل مهم در تصمیم‌گیری شود. به‌عنوان مثال، سیستم‌های پیش‌بینی ریسک مالی که فقط با داده‌های تاریخی آموزش دیده‌اند، ممکن است اثر نابرابری‌های اجتماعی و اقتصادی را در نظر نگیرند.
برای کاهش این ریسک‌ها، سازمان‌ها باید سیاست‌هایی را برای افزایش تنوع در تیم‌های داده و هوش مصنوعی اجرا کنند. این رویکرد نه‌تنها به نتایج عادلانه‌تر و دقیق‌تر منجر می‌شود، بلکه ارزش کسب‌وکار و اعتماد عمومی را نیز افزایش می‌دهد. داده، مانند هر فعالیت تیمی دیگر، به همکاری متنوع و همه‌جانبه نیاز دارد. در واقع «داده یک ورزش تیمی است!»

ارتباط مؤثر و حمایت‌گری در دنیای داده و هوش مصنوعی

در مسیر بهره‌گیری از داده و هوش مصنوعی، «مایل آخر» به تعاملات انسانی برمی‌گردد—جایی که نتایج تحلیل‌ها و توصیه‌های الگوریتمی به تصمیم‌گیرندگان و کاربران منتقل می‌شود. این مرحله شامل موقعیت‌هایی است که در آن یک تحلیلگر داده یافته‌های خود را به مدیران ارائه می‌دهد، یک متخصص هوش مصنوعی توصیه‌های سیستم را برای همکاران توضیح می‌دهد، یا تیم‌هایی اجرای تصمیمات مبتنی بر داده را در سازمان بر عهده دارند.

برای عبور موفق از این مایل آخر، متخصصان داده باید به جای توجه صرف به بعد فنی، به بعد انسانی نیز توجه کنند. در حالی که تبدیل، تحلیل و پردازش داده‌ها نیازمند دقت محاسباتی و مهارت‌های فنی است، اثرگذاری بر افراد در دنیای واقعی به مهارت‌های نرم مانند همدلی، صبر و حمایت‌گری نیاز دارد.

اگر سازمان‌ها به این بُعد انسانی بی‌توجه باشند، فرآیندهای داده‌محور ممکن است در مرحله‌ی اجرا دچار شکست شوند. بسیاری از پروژه‌های داده و هوش مصنوعی به دلیل عدم درک کاربران نهایی یا مقاومت در برابر تغییر، تأثیر مورد انتظار را ایجاد نمی‌کنند. داده‌ها زمانی ارزش واقعی پیدا می‌کنند که به تصمیمات عملی و قابل اجرا در دنیای واقعی تبدیل شوند.

سازمان‌ها باید تمرین ارائه داده به مخاطبان مختلف را در دستور کار قرار دهند و بر عنصر انسانی مدیریت تغییر تأکید کنند. این شامل آموزش متخصصان داده برای بیان مؤثر بینش‌ها، ایجاد زمینه برای گفت‌وگو با ذینفعان و درک بهتر نیازها و دغدغه‌های کاربران نهایی است.

در نهایت، داده‌ها به‌تنهایی کافی نیستند؛ بلکه توانایی انتقال آن‌ها به‌گونه‌ای که دیگران را متقاعد و همراه کند، کلید موفقیت در عصر داده و هوش مصنوعی است.

مسیر پیش رو

پس از بررسی کلیدهای غیرفنی موفقیت در داده و هوش مصنوعی، سازمان‌ها باید شناسایی کنند کدام یک از این ویژگی‌ها کمبود بیشتری دارند یا نیاز به توسعه بیشتر دارند. منابعی که رویکردهای جامعی برای توسعه این قابلیت‌ها ارائه می‌دهند، شامل عناصر فنی و غیرفنی، می‌توانند بسیار ارزشمند باشند. چنین منابعی، همراه با دوره‌ها و ارزیابی‌های مرتبط، می‌توانند به سازمان‌ها کمک کنند تا رویکردی جامع‌تر برای ایجاد این شایستگی‌های حیاتی اتخاذ کنند.

سازمان‌هایی که در دهه‌های آینده رشد می‌کنند، آنهایی خواهند بود که می‌توانند هم بر جنبه‌های فنی و هم غیرفنی تسلط یابند و از این طریق ارزش سواد واقعی داده و هوش مصنوعی را درک کنند.

منبع