شرکت من در زمینه کمک به شرکت های دیگر، محصولات و خدمات جدیدی را ایجاد می کند که هم از نظر کاربردی،  مفید هستند و هم از نظر احساسی، با مشتریان تشدید می شوند. به عنوان بخشی از این کار، ما مواد آنلاین را از مشتریان و مشتریان بالقوه شرکت می خواهیم. در یک سال خاص، ما حدود ۱۳ میلیون ارسال متن بدون ساختار و بیش از ۳۰۷،۰۰۰ مورد عکس و فیلم از حدود ۱۶۷،۰۰۰ تن متقاضی مختلف دریافت کردیم، که همه آنها پاسخ به سوالات بازی بود که توسط ما مطرح شده بود و همچنین گفتگوهای خود ایشان در ارتباط با موضوعاتی بود که منتخب خود ایشان بود. چالش ما: اغلب پیدا کردن نیازهای ناخوشایند و تمایلات ناخواسته در این ثروت محتوا. برای انجام این کار، ما از یک روش یادگیری ماشین تحت نظارت انسان استفاده می کنیم که فکر می کنیم شرکت های دیگر می توانند از آن یاد بگیرند. طرز کار آن اینجاست.

برنامه نویسی سنتی بر این اساس است که مجموعه ای از قوانین صریح برای کامپیوتر را دنبال می کند. به عنوان مثال: اگر عبارت حاوی کلمه “mad” باشد، کد آن را به عنوان منفی تلقی می کند یا اگر شیء در تصویر دارای چهار چرخ باشد، آن را به عنوان یک ماشین تگ می کند (برچسب می زند). اما چه اتفاقی می افتد وقتی که جسم چهار چرخ در یک جعبه کراکر جاکس یا یک وعده غذایی برای شادی همراه باشد؟ آیا باید به عنوان یک اسباب بازی برچسب زده شود؟ یا به عنوان چیزی که خطر بلع دارد؟.

شما می توانید محدودیت های این رویکرد مبتنی بر قواعد را در هنگام تلاش برای درک بیان انسانی بدون ساختار ببینید. “mad” بودن، یعنی دیوانه یا عصبانی است؛ “mad about” بودن،  کاملا متضاد آن است. و نه تنها می تواند اشیاء چهار چرخ را جارو برقی و یا اسباب بازی های کشیدنی تلقی کند، بلکه اتومبیل نیز می تواند سه چرخ داشته باشد.

هیچ کس نمی تواند تمام قوانین را برای طبقه بندی همه چیزها بنویسد یا بیان کند و قطعا نمی تواند همه شیوه های بیان احساسات انسانی را مستند کند. به عنوان انسان، ما یاد می گیریم، طبقه بندی می کنیم و بر اساس شناخت الگو و ارتباطات گذشته عمل می کنیم. ما بر مبنای الگوها، هدف و محتوا، سریع پیش بینی – مثل رعد و برق-  می کنیم.

همچنین نوع یادگیری ماشین که ما استفاده می کنیم – یادگیری ماشین تحت نظارت – بر یادگیری از همبستگی های قبلی متکی است. با ارائه نمونه هایی که قبلا طبقه بندی شده است، کامپیوتر می تواند بدون تجربه برنامه ریزی شده از تجربه “یاد بگیرد” و در طول زمان، با تجمع این تجربه ها دقیق تر می شود.

یادگیری ماشین تنها یک ابزار در مجموعه ابزار همیشه در حال توسعه است. اما به دلایل متعددی، بسیار مفید است – و یک رویکرد که نشان دهنده تعهد ما به ایجاد شرکت های انسانی است – .

به عنوان مثال، کسب و کار به طور طبیعی، به آنچه در تلاش های خود برای ارزیابی و بهبود عملکرد و تجربه مشتریان به راحتی اندازه گیری می شود، تمرکز دارد. این تعصب در تحقیقات بازار سنتی تقویت شده است، که معمولا از مردم سوالات بسته و سوالاتی با مقیاس درجه بندی شده، پرسیده می شود که پاسخ های عملکردی به راحتی قابل اندازه گیری و قابل تکرار می باشند. اما اغلب، بیشترین بینش در گفتگوهای خود به خودی مشتریان پیدا می شود، نه در نظرسنجی آنلاین که خریداران از مشتریان می خواهد تا تکمیل کنند، همچنین در عکس هایی که آنها می گیرند، توییت هایی که پست می کنند، و مشاوره هایی که در انجمن های آنلاین ارائه می دهند. بنابراین به جای اینکه افراد را مجبور کنیم که نقش “پاسخ دهندگان” را بازی کنند و ورودی آنها را تنها در پاسخ به سوالاتی که فکر می کنیم بپرسیم، محدود کنیم، ما اعضای جامعه را تشویق می کنیم تا دانستن اینکه یادگیری ماشین، ما را در تفسیر بسیاری از اشکال بیان انسانی و بدون ساختار موثرتر می کند، به روش های مختلف به اشتراک بگذارند. به این معنا، ما قادر می شویم که بیشتر انسان و مشتری محور باشیم.

یادگیری ماشین ما را از نیاز به (و لذت بردن از) اکتشاف، رهایی نمی بخشد. در عوض، آن به عنوان آشکارساز فلز ما عمل کرده، سیگنال های موجود در داده ها را به نمایش می گذارد و به ما هشدار می دهد که برای استخراج طلا، کجا را حفاری کنیم. برای مثال، زمانی که در یک انجمن خصوصی که برای افرادی که مبتلا به اسکیزوفرنی بودند، پیش می رفتیم، انتظار داشتیم که گفتمان زیادی در مورد علائم، داروها و عوارض جانبی داشته باشیم. اما هنگامی که ما متن بدون ساختار را در آن گروه تجزیه و تحلیل کردیم،  موارد زیادی از ارجاعات به هنر، موسیقی و نویسندگی را مشاهده کردیم. به این ترتیب ما به اهمیت بیان خلاقانه در زندگی این بیماران بیشتر دقت کردیم، که به نوبه خود ما را نسبت به پیام های مشتری و برنامه های پشتیبانی در راه های جدید و قدرتمند آگاه میکرد.

این نوع تجزیه و تحلیل ها با خطرات و محدودیت هایی همراه است. در میان آنها تعصب هایی است که خود را در مجموعه های آموزشی، نشان می دهند، ، که می تواند منجر به نتیجه اشتباه، بی اثر و یا حتی غیر منتظره شود. علاوه بر این، کامپیوتر ها کنجکاو نیستند. ماشین نمی تواند بپرسد: “چشم انداز چه کسی را ما درخواست نکرده ایم؟”  ماشین نمی تواند پیشنهاد کند ” چه می شود اگر ما پرسش ها را متفاوت مطرح کنیم؟”  انجام این کار ما را به عنوان افراد متفکر و خودآگاه نشان می دهد، و همچنین برای بررسی الگوریتم های ما برای تعصب، صورت می گیرد.

علاوه بر این، ماشین آلات دارای ویژگی های انسانی نیستند که برای رشد کسب و کار بسیار ضروری می باشد. در حالی که می توان آنها را آموزش داد تا احساسات را تشخیص دهند،  نمی توان آنها را آموزش داد تا احساس کنند. تحریک هیجانی برای هدایت تغییرات فردی و سازمانی و ایجاد روابط مصرف کننده بسیار مهم است. و از آنجا که رایانه ها احساسات ندارند، آنها قدرت همدردی با ما یا تحریک ما را ندارند. این کمبود عاطفی – که به نوبه خود باعث ایجاد کمبود رابطه می شود – دلیل این است که چرا ما تمایل داریم ماشین ها را به عنوان ابزار، نه به عنوان همکار، تلقی کنیم.

همانطور که کرت گری در یک مقاله جذاب HBR مشاهده کرد، “اعتماد به اعضای تیم نیاز به حداقل سه مورد دارد: نگرانی متقابل، یک حس مشترک از آسیب پذیری، و اعتقاد به صلاحیت.  نگرانی متقابل – دانستن اینکه هم تیمی ها، مراقب رفاه شما هستند – شاید پایه ای ترین عنصر اعتماد باشد … ما به ,AI نه به این دلیل که به نظر می رسد فاقد هوش هیجانی است، بلکه به دلیل عدم آسیب پذیری، اعتماد نداریم. از آنجا که مهم ترین عنصر حیاتی اعتماد – نگرانی متقابل – می باشد، ما به ارزش و استفاده از یادگیری ماشین ادامه خواهیم داد، اما “مربوط” به ماشین نیست. اما هنگامی که این عناصر انسانی موجود است، شرکت ها می توانند ارتباطات قوی و پایای مصرف کننده را ایجاد کنند و دستگاهی که نمی تواند به ساختن این روابط کمک کند، چگونه میخواهد از پس جایگزینی آن بربیاید.

منبع: Hardvard Business Review
ترجمه شده در گروه  TFE|TIMES به قلم دکتر لیلا کثیری، بهزاد عظیمی ، مجید اسدی بوالحسنی