بیش از ۷۰ درصد از مسائلی که مدیران کسبوکار با عنوان هوش مصنوعی یا یادگیری ماشین نزد ما میآورند، با ۱۰ تا ۲۰ قاعده کسبؤکار مشخص و چند کوئری ساده SQL با هزینه و زمان بسیار کمتر حل میشوند. یادگیری ماشین تنها زمانی ضرورت پیدا میکند که روابط بین متغیرها غیرخطی باشد، دادهها ابعاد بالایی داشته باشند، یا الگوی تصمیمگیری با سرعت بالا تغییر کند و از توان تحلیل انسانی خارج شود.
اگر در مجموعه خود کمتر از ۱۰ هزار داده تاریخی تمیز و ساختاریافته دارید، یا اگر منطق تصمیمگیری شما باید ۱۰۰ درصد برای ممیز، بازرس یا مشتری قابل توضیح باشد، رفتن به سراغ یادگیری ماشین یک اشتباه مالی و عملیاتی است. سیستمهای مبتنی بر قانون در مراحل اولیه بسیار سریعتر پیادهسازی میشوند و نرخ خطای قابل پیشبینیتری دارند.
قواعد ساده چیست و چرا باید نقطه شروع باشد
سیستم مبتنی بر قانون، برنامهای است که بر اساس شرطهای منطقی صریح نوشته میشود. اگر متغیر الف بزرگتر از یک حد مشخص باشد و متغیر ب برقرار باشد، اقدام ج انجام میشود. این شرطها بر اساس تجربه بدنه مدیریتی یا تحلیلهای آماری توصیفی ساده شکل میگیرند.
استفاده از قواعد ساده چند مزیت کلیدی دارد که معمولاً در شور و شوق استفاده از هوش مصنوعی نادیده گرفته میشوند:
- سرعت پیادهسازی بالا: ساخت و مستقرکردن یک موتور قاعده ساده معمولاً بین چند روز تا دو هفته زمان میبرد.
- شفافیت کامل: هر تصمیمی که سیستم میگیرد دقیقاً قابل ردیابی است و علت رد یا قبول یک درخواست مشخص است.
- هزینه نگهداری پایین: نیازی به زیرساختهای پردازشی سنگین، خطوط لوله بازآموزی داده و تیم متخصص علوم داده وجود ندارد.
- لغو نیاز به دادههای انبوه: برای نوشتن شرطهای منطقی، نیازی به داشتن چند سال داده تاریخی برچسبخورده ندارید.
در بسیاری از پروژههای اعتبارسنجی مالی یا کشف تخلف در ایران، یک مجموعه از شرطهای سختگیرانه روی مبلغ تراکنش، فاصله زمانی خریدها و سابقه مشتری، بیش از ۸۰ درصد خطاهای عمده را پوشش میدهد.
چه زمانی قواعد ساده دیگر پاسخگو نیستند
نقطه شکست سیستمهای مبتنی بر قانون زمانی رخ میدهد که پیچیدگی مسئله از حد معینی بگذرد. در چنین شرایطی، افزودن شرطهای جدید باعث تداخل شرطهای قبلی شده و نگهداری کد را غیرممکن میکند.
چهار نشانه اصلی که نشان میدهد باید به سمت یادگیری ماشین حرکت کنید عبارتند از:
- روابط غیرخطی و چندبعدی: وقتی قیمتگذاری یک محصول به فصل، قیمت منافس، میزان موجودی، نرخ تورم و رفتار هفته گذشته مشتری وابسته است و تاثیر این عوامل بر یکدیگر خطی نیست.
- حجم زیاد دادههای غیرساختاریافته: پردازش تصویر، متن، صوت یا دادههای سری زمانی پیچیده که نمیتوان برای آنها شرط نوشتاری تعریف کرد.
- تغییر مداوم الگوها: در مسائلی مانند کشف تقلبهای پیشرفته در درگاههای پرداخت، مهاجمان بهمحض کشف قواعد شما، رفتار خود را تغییر میدهند.
- مقیاس بالای تصمیمگیری: زمانی که باید در هر ثانیه هزاران پیشنهاد اختصاصی برای کاربران یک فروشگاه اینترنتی تولید کنید.
مقایسه هزینهها و پیچیدگی عملیاتی
پیادهسازی یک الگوریتم یادگیری ماشین مانند درختهای تصمیم افزایشیافته یا شبکههای عصبی فقط شامل مرحله کدنویسی اولیه نیست. چرخه حیات یک مدل هوش مصنوعی هزینههای پنهانی دارد که باید در برآورد مالی پروژه لحاظ شوند.
توسعه یک سیستم مبتنی بر قانون نیازمند یک مهندس نرمافزار و یک تحلیلگر کسبوکار است. در مقابل، توسعه یک سیستم یادگیری ماشین نیازمند مهندس داده برای جمعآوری و پاکسازی، دانشمند داده برای آموزش و ارزیابی مدل، و مهندس یادگیری ماشین برای استقرار و پایش مداوم مدل است.
مدلهای یادگیری ماشین دچار تنزل عملکرد در طول زمان میشوند. این پدیده که به آن انحراف داده میگویند، باعث میشود مدلی که شش ماه پیش با دقت ۹۲ درصد کار میکرده، امروز دقتی زیر ۷۰ درصد داشته باشد. نگهداری مدل نیازمند خطوط لوله بازآموزی خودکار و پایش دائمی شاخصهای ارزیابی است.
دلایل صریح برای عدم استفاده از یادگیری ماشین
در موارد زیر، با وجود داشتن داده و بودجه کافی، نباید به سراغ یادگیری ماشین بروید:
- عدم تحمل خطا: اگر سیستم شما در بخش حسابداری یا کنترل کیفیت تجهیزات سختافزاری حیاتی قرار دارد که خطای تصادفی در آن غیرقابل قبول است.
- نداشتن داده برچسبخورده باکیفیت: اگر دادههای تاریخی شما حاوی اطلاعات غلط یا ناقص است، مدل یادگیری ماشین فقط همان اشتباهات انسانی گذشته را با سرعت بسیار بیشتری تکرار خواهد کرد.
- تغییرات ساختاری مداوم در کسبوکار: اگر قوانین تجارت، تامینکنندگان یا تعریف مشتری در شرکت شما هر سه ماه یکبار کلاً تغییر میکند، آموزش مدلهای یادگیری ماشین کاری بیفایده خواهد بود.
مسیر عملیاتی پیشنهادی برای شروع
بهترین روش برای ورود به این حوزه، اتخاذ یک رویکرد مرحلهای و سنجش مداوم بازگشت سرمایه است. برای مسئله خود از همان ابتدا مدلهای پیچیده طراحی نکنید.
مسیر منطقی شامل این گامهاست:
- گام اول: یک سیستم مبتنی بر قواعد ساده بنویسید و آن را بهعنوان مبنای سنجش قرار دهید.
- گام دوم: عملکرد سیستم ساده را با شاخصهای دقیق مانند دقت و فراخوانی اندازهگیری کنید.
- گام سوم: دادههای ورودی و خروجی تصمیمات سیستم ساده را بهصورت دقیق ذخیره و برچسبگذاری کنید.
- گام چهارم: اگر سیستم ساده به سقف عملکرد رسید و هزینه خطاهای باقیمانده از هزینه ساخت مدل بیشتر شد، یک مدل یادگیری ماشین ساده مانند رگرسیون لوجستیک یا درخت تصمیم بسازید.
- گام پنجم: تنها در صورت نیاز به دقت بالاتر، به سراغ الگوریتمهای پیچیدهتر مانند پیچشهای عصبی یا مدلهای یادگیری عمیق بروید.
اگر در حال حاضر تصمیم به شروع یک پروژه داده دارید، پیش از استخدامی جدید یا بستن قرارداد با مشاوران هوش مصنوعی، فرایند تصمیمگیری فعلی خود را شفاف کنید. لیستی از شرطهای منطقی که هماکنون استفاده میکنید تهیه کرده و نرخ خطای آن را محاسبه کنید. این عدد، مبنای واقعی شما برای تصمیمگیری درباره ضرورت ورود به دنیای یادگیری ماشین خواهد بود.