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 تبدیل به داغ‌ترین بحث دنیای تکنولوژی تبدیل کرد؛ بنابراین تصمیم گرفتیم تا در هفتمین قسمت از مجموعه مقالات «گذری بر داده‌محوری و مدیریت محصول» تمرکز بیشتری بر موضوع هوش مصنوعی داشته باشیم. البته در گذشته و در قسمت پنجم (شناسایی ناهنجاری به کمک جنگل ایزوله؛ زیر میز بزنید!) این مجموعه مقاله به بررسی یکی از الگوریتم‌های شناسایی ناهنجاری پرداختیم و کمی با علم داده و یادگیری ماشین آشنا شدیم. در این مقاله به‌صورت تخصصی‌تری به ترکیب هوش مصنوعی و یادگیری ماشین با فضای مدیریت محصول می‌پردازیم و اساساً فرایند کاری یک مدیر محصول هوش مصنوعی یا AI/ML Poduct Manager را با جزئیات بیشتری مورد بررسی قرار می‌دهیم. تمرکز اصلی این مقاله بر مسائل و چالش‌هایی واقعی از جنس کسب‌وکار است که به کمک هوش مصنوعی و یادگیری ماشین قابلیت حل آن‌ها 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، درنهایت به‌عنوان خروجی، محصولی ایجاد می‌شود که از آخرین و پیچیده‌ترین تکنولوژی‌های روز بهره‌مند است، اما هیچ مشتری بالقوه‌ای برای آن وجود ندارد 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 باز می‌گردیم؛ 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 نیز یک محصول لبه علم محسوب می‌شد و برای توسعه آن نیز تیم‌های مختلف گوگل نظیر Google X، تیم توسعه اندروید، Google Maps و... درگیر بودند، اما درنهایت این محصول به‌صورت کامل شکست خورد و از سال ۲۰۱۵ نیز 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 عبارتند از؛

• عدم وجود مخاطب هدف مشخص
• عدم تناسب با ساختار نیازمندی و مرسوم بازار

از همان ابتدا نیز مشخص نبود که گوگل گلس قرار است چه نیازمندی و مشکل کاربر را برطرف کند و اساساً این محصول به چه منظوری باید استفاده شود. با توجه ‌به قابلیت‌های گوگل گلس، علاوه بر استفاده روزمره، محصول پتانسیل استفاده در صنایعی نظیر پزشکی یا تولید صنعتی را داشت، اما هیچ‌کدام از این پتانسیل‌ها به‌قدری کافی نبود که بتوان آن را یک راه‌حل دانست. علاوه‌براین، 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، درنهایت همگی 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 به‌دنبال پاسخ یک سؤال اساسی باشید و آن هم این است که محصول شما قرار است چه نیاز و مشکل کاربر را برطرف کند. درنهایت هوش مصنوعی، یادگیری عمیق، یادگیری ماشین، محاسبات کوانتومی و... همگی ابزارهایی هستند که قرار است به شما کمک کنند تا محصولتان تناسب بیشتری با ساختار نیاز بازار (Product Market Fit) داشته باشد. بنابراین سعی کنید با استفاده از این ابزارها مسئله‌های موجود و پیش رو 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؟

همان‌گونه 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 مسائل را می‌توان به کمک هوش مصنوعی و یادگیری ماشین حل کرد. به‌طور کلی 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 قابل‌حل به کمک هوش مصنوعی را طبقه‌بندی کرده‌ایم و در ادامه به بررسی مبسوط آن‌ها به‌همراه ذکر مثال می‌پردازیم.

دسته‌بندی و برخورد کاربر با کلان‌داده (بیگ دیتا)

بعضی مواقع کاربر درحال جست‌وجو میان انبوهی از داده‌هاست؛ به‌طور مثال کاربر قصد خرید یک کاپشن را دارد و درحال جست‌وجو در پلتفرم فروش آنلاین نظیر دیجی‌کالا یا آمازون است. در هر کدام از این پلتفرم‌ها شاید بیش از ۲ هزار مدل کاپشن وجود داشته باشد و از آنجایی که 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.

به‌طور مثال سوابق خرید کاربر در دیجی‌کالا گویای این است که او در ۵ سال گذشته ۱۰ کاپشن خریده 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 به‌گونه‌ای طراحی کرد که کاپشن‌هایی که بیشترین شباهت را به علایق کاربر دارند، در ردیف‌های اول قرار گیرند. همین امر احتمال خرید و افزایش رضایت کاربر را به طور قابل‌توجهی افزایش می‌دهد. البته که مثال ذکرشده به‌طور قابل‌توجهی ساده‌سازی شده است 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 وی بتواند مجموعه داده را محدود کند تا درنهایت 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 به‌منظور 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 به‌طرز قابل‌توجهی افزایش می‌یابد. برای درک بهتر این موضوع سه سناریوی مختلف از سه جنس کسب‌وکار مختلف را بررسی می‌کنیم.

۱. فرض کنید شما مدیر زنجیره تأمین شرکت کاله 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 سازید و به‌طور مثال، با مسئله کمبود ناوگان روبه‌رو نشوید. از طرف دیگر می‌دانید که حدوداً چه مقدار شیر باید تولید کنید و با مسئله عدم تأمین تقاضا یا از سوی دیگر، اشباع بازار روبه‌رو نمی‌شوید. دقت کنید که هر کدام از این مسائل آسیب‌های جبران‌ناپذیری به کسب‌وکار شما وارد می‌کند. اگر شیر تولید‌شده توسط شرکت شما از تقاضای استان بیشتر باشد، درنهایت حجم قابل‌توجهی از شیر باقی می‌ماند و با توجه‌ به تاریخ انقضا اندک آن احتمالاً درنهایت دور ریخته خواهد شد و سازمان ضرر هنگفتی خواهد کرد. از سوی دیگر، اگر تقاضای مصرف شیر استان به‌طور 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 نیز 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 درنهایت کُند‌شدن 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 (Cuatomer Accusition Cost). بنابراین هرچه بتوانید ماندگاری کاربر را در سیستم خود افزایش دهید، ارزش طول عمر مشتری (Customer Lifetime Value) افزایش پیدا می‌کند 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 قابل استفاده باشد) و پس از آنکه الگو را ایجاد کرد، وضعیت فعلی را با الگوی ایجاد‌شده تطابق داده و درنهایت یک خروجی تخمینی به‌عنوان پیش‌بینی را به ما نشان دهد. به‌طور مثال، اگر تعداد سفارش‌های ۱۰ سال اخیر در ماه اسفند را در اختیار هوش مصنوعی بگذاریم، با انجام مجموعه‌ای از عملیات ریاضی می‌توان درنهایت به یک تخمین اولیه دست پیدا کرد که حدود سفارش‌های اسفند امسال چه مقدار خواهد بود و با انجام مجموعه‌ای از عملیات آماری و اعمال فاکتورهای دیگر به مسئله (به‌طور مثال مسائل اجتماعی) 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. به‌طور مثال حضرت حافظ در بیتی می‌فرماید:

در خِلاف‌آمدِ عادت، بطلب کام که من

کسب جمعیت از آن زلفِ پریشان کردم

ایشان در اینجا انجام کارهایی خلاف هنجار جامعه و متفاوت با آنچه همه مردم انجام می‌دهند را مقدمه‌ای بر موفقیت و کامیابی می‌دانند. حال اگر به دنیای تکنولوژی بازگردیم، احتمالاً برای شما هم این اتفاق اعصاب‌‌خردکن پیش آمده است که کلمه‌ای را در گوگل سرچ کرده‌اید و گوگل از شما خواسته باشد که ثابت کنید ربات نیستید. این موضوع بیشتر زمانی رخ می‌دهد که شما IP یا سرویس اتصال خود را تغییر داده‌اید. به‌طور 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 با توجه‌ به اینکه تمام اطلاعات قبلی شما نظیر اطلاعات حساب، مدل گوشی و... مانند گذشته است و به ناگاه 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 نیز احساس کرده باشید که روند شناسایی ناهنجاری تطابق وضعیت فعلی با یک الگوی ایجاد‌شده 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، به‌طور 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 سه‌برابر 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 و در صورتی که پاسخ مناسبی نیافتند، از طریق مراجع قضایی موضوع را بررسی کنند. به‌عنوان مثال دیگر، در طول سالیان اخیر میانگین تراکنش‌های حساب شما ۱۰ تراکنش در روز بوده است و این عدد در طول یک ماه اخیر به‌طور قابل‌توجهی افزایش یافته و به ۱۰۰ تراکنش در روز رسیده است. اکنون سیستم ناهنجاری را شناسایی کرده و آن را گزارش می‌دهد و کارشناسان وارد عمل می‌شوند تا موضوع را بررسی کنند. به‌طور مثال بررسی کنند که آیا شما در داخل یک باند پول‌شویی قرار دارید یا درحال 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 کرده و در صورتی‌ که تفاوت به 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. به‌طور 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 ۲۴ساعته دارند تا هر مرحله‌ای از سرویس‌دهی اگر کاربر دچار مشکل شود، امکان پاسخگویی به او و پشتیبانی 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 باشد. حال این سؤال پیش می‌آید که اگر یکی از این افراد پشتیبانی قصد سوءاستفاده از دسترسی ایجاد‌شده را داشته و به‌دنبال 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 در این رابطه انجام می‌دهند، این است که لاگ‌های (سیاهه) فعالیت افرادی را که دسترسی به اطلاعات دارند، ذخیره می‌کنند. بدین‌ترتیب مشخص می‌شود که هر شخص به چه بخش‌هایی وارد شده و چه عملی را انجام داده است، به‌طور مثال پشتیبانی که وارد صفحه سفارش مشتری شده است، صرفاً خوانش (Read) انجام داده یا از داده‌ها خروجی (Export) نیز 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 هنجارشده تعیین شود و متناسب با آن، سیستم به‌صورت خودکار واکنش‌ اولیه را انجام دهد. به‌طور 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 هر کدام 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 یک کلام، تعامل کاربر با کسب‌وکار را افزایش دهند. بررسی تجربه‌های کاربری و آزمون‌های انجام‌شده 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 در آن به‌منظور پیداکردن محتوای موردعلاقه است؛ بنابراین یکی از راهکارها برای برطرف‌کردن این نیازمندی، نمایش محتوای اختصاصی به کاربران است؛ یعنی به‌طور کلی یک محتوای ثابت را به همه کاربران نمایش ندهیم! برای حل این مشکل نیاز به وجود یک سامانه توصیه‌گر یا Recomender System است. کلیات عملکرد این سامانه بدین 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 شباهت را با آن الگوی رفتاری 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 به‌طور کلی کاربران کالاهای بیشتری را از طریق پلتفرم خریداری کنند. توسعه یک سامانه توصیه‌گر می‌تواند به شکل‌های گوناگون به رشد کسب‌وکار کمک کند؛

• به‌طور مثال، کاربر از طریق پلتفرم شما خریدهای مختلفی داشته است. همچنین بازدیدها و لیست علاقه‌مندی‌های وی مشخص است. بنابراین می‌توان یک الگوی رفتاری از علاقه‌مندی‌های کاربر ایجاد کرد و به‌طور مثال در صفحه اول سایت، دسته‌بندی‌ها و کالاهایی را که جذابیت بیشتری برای وی دارد، نمایش داد.
• سناریوی دیگر این است که کاربر وارد صفحه محصول شده است و سامانه توصیه‌گر کالاهای مشابه با آن محصول را نیز به کاربر نمایش دهد، تا اگر به هر دلیلی محصول فعلی موردپسند کاربر نبود، گزینه‌های جذاب دیگری برای کاربر وجود داشته باشند 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 پرتفولیو سبد خرید مشتریان است. به‌طور مثال، کاربر درحال مشاهده یا خرید گوشی آیفون است. در این حالت سامانه توصیه‌گر کالاهایی که معمولاً کاربران هنگام خرید آیفون تهیه می‌کنند، نظیر قاب، محافظ صفحه، آداپتور شارژ و... را نمایش می‌دهد و با توجه به اینکه کاربر درحال خریدکردن است، احتمال اینکه از کالاهای پیشنهادی نیز استقبال کند، بسیار بالاست و همین امر باعث می‌شود که ارزش طول عمر مشتریان شما افزایش قابل‌توجهی پیدا کرده و تعامل و وفاداری کاربران نیز افزایش یابد.

۲. فرض کنید، شما مدیر محصول نتفلیکس هستید. متریک‌های متفاوتی برای بررسی موفقیت محصول شما وجود دارد؛ یکی از مهم‌ترین متریک‌ها، میانگین مدت‌زمانی است که کاربر در پلتفرم شما می‌گذراند. با توجه ‌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 با توجه‌به سلیقه کاربر، از میان ده‌ها هزار محتوایی که در پلتفرم موجود است، محتوایی به کاربر پیشنهاد شود 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 به‌طور 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 و بُعدهای مختلفی برای آن ایجاد کرد و درنهایت آیتم‌هایی که بیشترین شباهت را به علاقه مخاطب دارند، به وی نمایش داد. همچنین از سامانه توصیه‌گر در پلتفرم‌هایی مانند شبکه‌های اجتماعی نیز می‌توان استفاده کرد و در آن هم پست‌هایی که بیشترین شباهت را به علایق کاربر دارند، به وی 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 درحال فعالیت است، بیشتر از ۶۶ میلیون مشتری فعال دارد و نزدیک به ۲۴۰ هزار کارمند را در سراسر دنیا استخدام کرده است. پاسخگویی و پشتیبانی از ۶۶ میلیون کاربر به‌صورت ۲۴‌ساعته در سراسر دنیا امری به‌شدت سخت و پرهزینه است. از طرفی با توجه ‌به توسعه کسب‌وکار، تعداد مشتریان روزبه‌روز افزایش خواهد یافت و اگر قرار باشد که امر پشتیبانی مشتریان به‌صورت کلاسیک انجام پذیرد، شما باید هر سال 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 می‌توان الگویی برای پاسخ‌دهی به آنان استخراج کرد. بدین‌ترتیب 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 نیز فراهم شود. لازم به ذکر است که بحث هوش مصنوعی در این زمینه همچنان درحال توسعه است؛ اگرچه همین امروز نیز اکثر بانک‌های برتر جهان از چت‌‌بات‌ به‌منظور پاسخگویی به مشتریان خود استفاده می‌کنند.

بدین‌ترتیب 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.

جمع‌بندی

گام اول برای یک مدیر محصول شناسایی نیازمندی و مسئله است؛ اما قطعاً گام آخر نیست! در این مقاله تمرکز اصلی بر 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 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.