در بحبوحه بحث‌های فراوان درباره اینکه آیا هوش مصنوعی یک حباب است یا نه، صنایع زنجیره تامین و لجستیک به بستری برای کاربردهای به ظاهر واقعی این فناوری تبدیل شده‌اند. شرکت‌هایی مانند Flexport، Uber Freight و ده‌ها استارتاپ دیگر در حال توسعه برنامه‌های مختلفی هستند و مشتریان بزرگ و معتبری را جذب می‌کنند.
اما در حالی که هوش مصنوعی به شرکت‌های بزرگ کمک می‌کند تا سود خود را افزایش دهند (و اخراج‌های بعدی را برای وال استریت توجیه کنند)، استفاده درست از این فناوری برای کسب و کارهای کوچک‌تر نیز مفید واقع شده است.
Netstock، یک شرکت نرم‌افزاری مدیریت موجودی که در سال ۱۳۸۸ تاسیس شده، در حال کار بر روی همین موضوع است. این شرکت اخیراً یک ابزار مبتنی بر هوش مصنوعی به نام “موتور فرصت” را راه‌اندازی کرده که در داشبورد مشتریان فعلی آن قرار می‌گیرد. این ابزار اطلاعات را از نرم‌افزار برنامه‌ریزی منابع سازمانی مشتری استخراج می‌کند و از آن اطلاعات برای ارائه توصیه‌های منظم و در لحظه استفاده می‌کند.
Netstock ادعا می‌کند که این ابزار باعث صرفه‌جویی هزاران دلاری برای این کسب و کارها می‌شود. روز پنج‌شنبه، این شرکت اعلام کرد که تاکنون یک میلیون توصیه ارائه کرده است و ۷۵ درصد از مشتریان آن پیشنهادی از موتور فرصت به ارزش ۵۰,۰۰۰ دلار یا بیشتر دریافت کرده‌اند.
در حالی که این موضوع وسوسه‌انگیز است، یکی از این مشتریان – Bargreen Ellingson، یک شرکت تامین‌کننده رستوران خانوادگی با قدمت ۶۵ سال – در ابتدا از استفاده از یک محصول هوش مصنوعی نگران بود.
جیکوب مودی، مدیر ارشد نوآوری، به خبرنگار گفت: “شرکت‌های قدیمی خانوادگی به تغییرات ناگهانی اعتماد نمی‌کنند. من نمی‌توانستم وارد انبارمان شوم و بگویم: ‘هی، این جعبه سیاه می‌خواهد شروع به مدیریت کند.'”
در عوض، مودی هوش مصنوعی Netstock را در داخل شرکت به عنوان ابزاری معرفی کرد که مدیران انبار می‌توانند “انتخاب کنند که از آن استفاده کنند یا نکنند” – فرآیندی که او آن را “با اشتیاق، اما با احتیاط نوک انگشتانمان را وارد آب کردن” در هوش مصنوعی توصیف می‌کند.
مودی می‌گوید که این ابزار به جلوگیری از اشتباهات کمک می‌کند، تا حدی به این دلیل که گزارش‌های متعددی را که کارکنانش برای تصمیم‌گیری در مورد موجودی استفاده می‌کنند، بررسی می‌کند. او اذعان کرد که خلاصه‌های هوش مصنوعی از این اطلاعات ۱۰۰٪ دقیق نیستند، اما گفت که به “ایجاد سیگنال از میان نویز” به سرعت، به خصوص در ساعات غیر کاری، کمک می‌کند.
به گفته مودی، تغییر “عمیق‌تر” که متوجه شده این است که این نرم‌افزار برخی از کارکنان کم‌تجربه‌تر انبار Bargreen Ellingson را “موثرتر” کرده است.
او به کارمندی در یکی از ۲۵ انبار Bargreen اشاره کرد که به مدت دو سال در آنجا کار کرده است. این کارمند دارای مدرک دیپلم دبیرستان است اما مدرک دانشگاهی ندارد. به گفته او، آموزش این کارمند برای درک تمام ابزارهای مدیریت موجودی و اطلاعات پیش‌بینی که Bargreen برای برنامه‌ریزی سطوح موجودی استفاده می‌کند، زمان‌بر خواهد بود.
او گفت: “اما او مشتریان ما را می‌شناسد، می‌داند که هر روز چه چیزی را روی کامیون می‌گذارد، بنابراین برای او، می‌تواند به سیستم نگاه کند و این بینش ساده مبتنی بر هوش مصنوعی را داشته باشد و خیلی سریع بفهمد که منطقی است یا نه. بنابراین او احساس قدرت می‌کند.”
کاکوک، یکی از بنیانگذاران Netstock، به خبرنگار گفت که او نگرانی در مورد فناوری‌های جدید را درک می‌کند – به خصوص به این دلیل که بسیاری از محصولات اساساً چت‌بات‌های متوسطی هستند که به نرم‌افزارهای موجود متصل شده‌اند.
او موفقیت اولیه موتور فرصت Netstock را به چند چیز نسبت می‌دهد. این شرکت بیش از یک دهه داده از کار با خرده‌فروشان، توزیع‌کنندگان و تولیدکنندگان سبک دارد. این داده‌ها به شدت محافظت می‌شوند تا از چارچوب‌های ISO پیروی کنند، اما این همان چیزی است که مدل‌هایی را که توصیه‌ها را ارائه می‌دهند، تغذیه می‌کند. (او گفت که Netstock از ترکیبی از فناوری هوش مصنوعی از جامعه منبع باز و شرکت‌های خصوصی استفاده می‌کند.)
هر توصیه می‌تواند با یک علامت لایک یا دیس‌لایک رتبه‌بندی شود، اما مدل‌ها همچنین با این موضوع تقویت می‌شوند که آیا مشتری اقدام پیشنهادی را انجام می‌دهد یا خیر.
در حالی که این نوع یادگیری تقویتی می‌تواند منجر به نتایج عجیب و غریب و گاهی مضر هنگام استفاده در مواردی مانند رسانه‌های اجتماعی شود، کوکوک گفت که او به دنبال انگیزه‌های متفاوتی است.
او گفت: “من واقعاً به بازدیدکننده‌ها اهمیت نمی‌دهم، می‌دانید؟ فیسبوک و اینستاگرام به بازدیدکننده‌ها اهمیت می‌دهند، بنابراین می‌خواهند شما به مطالب آن‌ها نگاه کنید. ما به این اهمیت می‌دهیم که: ‘نتیجه برای مشتری چیست؟'”
کوکوک به دلیل محدودیت‌های فناوری فعلی هوش مصنوعی مولد، از گسترش این تعاملات محتاط است. در حالی که ممکن است برای یک مشتری منطقی باشد که با هوش مصنوعی Netstock در مورد اینکه چرا یک توصیه مفید است یا نیست، صحبت کند، کوکوک گفت که این در نهایت می‌تواند منجر به از بین رفتن دقت شود.
او گفت: “راه رفتن روی یک طناب باریک است، زیرا هر چه آزادی بیشتری به کاربران بدهید، آزادی بیشتری به یک مدل زبانی بزرگ می‌دهید تا شروع به توهم زدن کند.”
این موضوع مکان موتور فرصت را در داشبورد معمول مشتری Netstock توضیح می‌دهد. پیشنهادات برجسته هستند، اما به راحتی قابل رد شدن هستند. این مانند Google Docs نیست که ۲۰ ویژگی هوش مصنوعی را به زور به کاربر تحمیل می‌کند.
مودی گفت که او از اینکه هوش مصنوعی توهین‌آمیز نیست، قدردانی می‌کند.
او گفت: “ما اجازه نمی‌دهیم که موتور هوش مصنوعی هیچ تصمیمی در مورد موجودی بگیرد که یک انسان آن را بررسی و غربال نکرده باشد و نگفته باشد: ‘بله، من با آن موافقم.’ اگر و زمانی که به نقطه‌ای برسیم که با ۹۰ درصد از چیزهایی که پیشنهاد می‌دهد موافق باشند، شاید گام بعدی را برداریم و بگوییم ‘اکنون کنترل را به شما می‌دهیم.’ اما هنوز به آنجا نرسیده‌ایم.”
این یک شروع امیدوارکننده در زمانی است که به نظر می‌رسد بسیاری از استقرار سازمانی هوش مصنوعی مولد به جایی نمی‌رسند.
اما مودی گفت که اگر فناوری بهتر شود، نگران پیامدهای آن است.
او گفت: “شخصاً، من از معنای این موضوع می‌ترسم. فکر می‌کنم تغییرات زیادی رخ خواهد داد و هیچ‌کدام از ما واقعاً مطمئن نیستیم که این تغییرات در Bargreen چگونه خواهد بود.” او پیشنهاد کرد که این می‌تواند منجر به کاهش تعداد متخصصان علم داده در بین کارکنان شود. اما او گفت که حتی اگر این به معنای انتقال این کارمندان از انبار به دفتر مرکزی باشد، حفظ دانش مهم است.
Bargreen به افرادی نیاز دارد که “تئوری و فلسفه را عمیقاً درک کنند و بتوانند توجیه کنند که Netstock چگونه و چرا توصیه‌های خاصی را ارائه می‌دهد” و “مطمئن شوند که ما کورکورانه در مسیر اشتباه قدم نمی‌گذاریم.”
منبع: techcrunch.com
