ناوبری اصلی

الگوی عملیاتی مهندسی با محوریت هوش مصنوعی

با ارزان‌تر شدن تولید نرم‌افزار، مزیت به سازمان‌هایی می‌رسد که بهتر تصمیم می‌گیرند و نتایج را ایمن اعتبارسنجی می‌کنند.

نکات کلیدی برای مدیران

  • با کاهش هزینه تولید نرم‌افزار به کمک هوش مصنوعی، دستیابی به مزیت رقابتی نیازمند تغییر الگوی عملیاتی است. سازمان‌هایی که به‌جای صرفاً استقرار دستیارهای هوش مصنوعی، شیوه کار تیم‌ها را بازطراحی می‌کنند، شانس بیشتری برای دستیابی به دستاوردهای پایدار دارند.

  • مهندسی با محوریت هوش مصنوعی دو قابلیت مکمل می‌خواهد: تیم‌های اپلیکیشن نزدیک به مشتری و مسئله، و تیم‌های پلتفرم یا «چارچوب آزمون» که اطلاعات زمینه‌ای، کنترل‌های حفاظتی، ارزیابی و حاکمیت مشترک را برای کار ایمن انسان‌ها و عامل‌های هوش مصنوعی در مقیاس وسیع فراهم کنند.

  • رهبری فناوری از مدیریت ظرفیت تحویل نرم‌افزار به طراحی سامانه تحویل تغییر می‌کند. رهبران باید چهار تصمیم را روشن کنند: مسئولیت تیم‌های اپلیکیشن، اطلاعات زمینه‌ای و کنترل‌های مشترک، موارد نیاز عامل‌ها به تأیید انسانی، و نحوه سنجش یادگیری مبتنی بر شواهد و ارزش برای مشتری.

در الگوی قدیمی، ظرفیت پیاده‌سازی محدودیت اصلی بود

بخش بزرگی از مهندسی مدرن در دنیایی شکل گرفت که ساخت نرم‌افزار پرهزینه بود. پرسش محوری این بود: چطور تیم‌های بیشتری می‌توانند نرم‌افزار بیشتری را با پیش‌بینی‌پذیری بالاتر عرضه کنند؟ این فرض به ساختار تیم‌ها، تأمین بودجه پلتفرم‌ها و سنجش تحویل در سازمان‌ها شکل داد. گسترش مقیاس اغلب به معنای افزایش نیرو بود و موفقیت معمولاً با حجم کار انجام‌شده در سامانه بیان می‌شد.

هوش مصنوعی این فرض را تغییر می‌دهد. از نظر ما، مهندسی با محوریت هوش مصنوعی همان مهندسی سنتی با ابزارهای بهتر نیست. الگوی عملیاتی متفاوتی لازم است: تیم‌های کوچک‌تر اپلیکیشن، نزدیک به مسائل مشتری و با پشتیبانی تیم‌های پلتفرم یا «چارچوب آزمون». «چارچوب آزمون» را محیط عملیاتی کنترل‌شده‌ای می‌نامیم که اطلاعات زمینه‌ای، ابزارها، مجوزها، حلقه‌های بازخورد و مرزهای لازم برای استفاده ایمن از هوش مصنوعی در مقیاس وسیع را به انسان‌ها و عامل‌ها می‌دهد.

این موضوع برای رهبران فناوری و داده مهم است، چون افزایش بهره‌وری فردی به‌تنهایی به پذیرش ایمن در سراسر سازمان نمی‌انجامد. بدون الگوی عملیاتی سنجیده، تیم‌ها با خطر پراکندگی ابزارها، تکرار الگوها، ابهام در پاسخ‌گویی، افشای کنترل‌نشده داده و کیفیت ناهماهنگ روبه‌رو می‌شوند.

پرسش سازمان‌ها باید از «چگونه به مهندسان کمک کنیم از هوش مصنوعی استفاده کنند؟» به این پرسش تغییر کند: «سامانه مهندسی را چگونه بازطراحی کنیم تا انسان‌ها و عامل‌ها در مقیاس سازمانی، ایمن ارزش‌آفرینی کنند؟»

هرچه تولید ارزان‌تر می‌شود، تصمیم‌ها مهم‌تر می‌شوند

هوش مصنوعی به مهندسان امکان می‌دهد ایده‌های بیشتری بررسی کنند، سریع‌تر نمونه اولیه بسازند و رویکردهای بیشتری بیازمایند. اما خروجی بیشتر خودبه‌خود ارزش بیشتری ایجاد نمی‌کند. بدون قضاوت سنجیده، اطلاعات زمینه‌ای مرتبط و ارزیابی مؤثر، ممکن است حجم کار سریع‌تر از توان سازمان برای تصمیم‌گیری درباره اعتماد، استقرار یا یادگیری از آن افزایش یابد.

هوش مصنوعی می‌تواند هزینه تولید کد و اجرای آزمایش را کاهش دهد. اما کاهش هزینه کل نرم‌افزار به کاری بستگی دارد که هنوز برای بازبینی، یکپارچه‌سازی، بهره‌برداری، نگهداری و دوباره‌کاری آن لازم است.

انتظار داریم مزیت مهندسی بیش‌ازپیش به چهار قابلیت وابسته شود:

  • تصمیم‌گیری درباره اینکه چه چیزی و چگونه ساخته شود و این انتخاب‌ها چگونه ثبت شوند.

  • متکی کردن انسان‌ها و سامانه‌های هوش مصنوعی به دانش سازمانی مناسب.

  • گسترش ایمن مقیاس با پلتفرم‌ها، کنترل‌ها و ارزیابی مشترک.

  • طراحی معماری‌هایی که ابزارها و اجزای جدید را بدون اختلال مکرر بپذیرند.

پس قابلیت کمیاب از تولید خروجی به افزایش بازده آن تغییر می‌کند: انتخاب کار درست، اتکا به اطلاعات زمینه‌ای، آزمودن کارایی آن و تشخیص اینکه چه چیزی نباید عرضه شود.

با ارزان‌تر شدن آزمایش، سوابق تصمیم‌ها نیز ارزشمندتر می‌شوند. سازمان‌ها باید بدانند چه چیزی آزموده شد، چه چیزی شکست خورد، چه آموختند و چرا یک مسیر را بر دیگری ترجیح دادند.

سامانه‌های مهندسی باید برای اعتبارسنجی سریع، اصلاح تکرارشونده ایمن و یادگیری مستند بهینه شوند، نه فقط سرعت تحویل. این تغییر هم نقش مهندس و هم تیم پیرامون او را دگرگون می‌کند.

مهندسان بخش بزرگ‌تری از سامانه را هماهنگ می‌کنند

برای مهندسان، این بیشتر حرکت به‌سوی شکل‌دهی، ارزیابی و هماهنگیِ آن چیزی است که ساخته می‌شود، نه فاصله گرفتن از ساختن.

نرم‌افزار تولیدشده با هوش مصنوعی نیاز به مهندس را از بین نمی‌برد. بلکه اهمیت افرادی را بیشتر می‌کند که محدودیت‌های سامانه را می‌فهمند، رابط تعریف می‌کنند، ارزیابی طراحی می‌کنند و کار انسان‌ها و عامل‌ها را هماهنگ می‌سازند. مهندسانی که عمق فنی را با قضاوت، درک محصول و مهارت ارزیابی ترکیب می‌کنند، اغلب بیش از کسانی ارزش می‌آفرینند که صرفاً اجزای منفرد را پیاده می‌کنند.

هوش مصنوعی حلقه یادگیری محصول و مهندسی را تقویت می‌کند

در گذشته، تیم‌های محصول تصمیم می‌گرفتند چه ساخته شود و تیم‌های مهندسی چگونگی ساخت را تعیین می‌کردند. امروزه بسیاری از سازمان‌ها محصول، طراحی و مهندسی را کنار هم می‌آورند. تغییر ویژه هوش مصنوعی درون همین تیم رخ می‌دهد: نمونه‌های اولیه ارزان‌تر، ایده را در یک چرخه از صورت‌بندی مسئله به پیاده‌سازی و ارزیابی می‌رسانند. تیم‌ها می‌توانند گزینه‌های بیشتری بیازمایند، ایده‌های ضعیف را زودتر کنار بگذارند و ایده‌های اعتبارسنجی‌شده را به بهره‌برداری نزدیک‌تر کنند.

این وضعیت به نفع تیم‌های کوچک چندتخصصی است که متخصصان محصول، طراحی، مهندسی و حوزه مربوط در یک حلقه یادگیری کار می‌کنند. قضاوت محصولی و فنی در یک نقش ادغام نمی‌شوند، اما باید به هم نزدیک‌تر باشند. رهبران محصول برای نمونه‌سازی و ارزیابی گزینه‌ها به تسلط فنی کافی نیاز دارند. مهندسان باید مشتری و کسب‌وکار را آن‌قدر بشناسند که به تعریف مسئله شکل دهند، نه اینکه فقط پاسخی ازپیش‌تعیین‌شده را پیاده کنند.

اطلاعات زمینه‌ای سازمان به دارایی راهبردی تبدیل می‌شود

سازمان‌های مهندسی به‌طور سنتی کد را دارایی اصلی دانسته‌اند. با آسان‌تر شدن تولید کد، سهم بیشتری از ارزش پایدار در پشتوانه آن قرار می‌گیرد: دانش تخصصی، شناخت مشتری، تجربه عملیاتی، داده اختصاصی، مجموعه‌داده ارزیابی، خط‌مشی ماشین‌خوان و تاریخچه تصمیم‌های معماری که چرایی عملکرد سامانه را توضیح می‌دهد.

بخشی از اهمیت پایگاه‌های کد این است که دانش دشواربه‌دست‌آمده درباره کسب‌وکار و مشتری را در خود دارند. هوش مصنوعی زحمت تولید کد را تغییر می‌دهد، اما تلاش لازم برای کسب آن دانش را حذف نمی‌کند. پس سازمان‌ها باید فراتر از حجم کد، در دارایی‌هایی سرمایه‌گذاری کنند که ارزششان انباشته می‌شود: داده اختصاصی با حاکمیت مناسب، سامانه‌های دانش کاربردی، شناخت عمیق مشتری و سوابق روشن تصمیم‌ها.

برای مدیران ارشد اطلاعات و داده، این یعنی معماری اطلاعات و حاکمیت داده در کانون عملکرد مهندسی قرار می‌گیرند. عامل‌های هوش مصنوعی فقط از اطلاعات زمینه‌ای استفاده می‌کنند که مجوز دسترسی و توان تفسیرش را داشته باشند. بنابراین دانش پراکنده، مالکیت مبهم داده و مجوزهای ناهماهنگ به محدودیت مهندسی تبدیل می‌شوند، نه صرفاً مشکل مدیریت اطلاعات.

وقتی اطلاعات زمینه‌ای بخشی از سامانه تولید شد، دیگر نمی‌تواند صرفاً مستنداتی منفعل بماند. بلکه به قابلیتی در پلتفرم تبدیل می‌شود.

تحویل فدرال هوش مصنوعی: تیم‌های محلی، کنترل‌های حفاظتی مشترک

وقتی اطلاعات زمینه‌ای، ارزیابی و حاکمیت بخشی از سامانه تولید می‌شوند، تحویل هوش مصنوعی را نمی‌توان کاملاً به تک‌تک تیم‌ها سپرد. همچنین نباید آن‌قدر متمرکز شود که تیم‌ها ارتباطشان را با مسائل واقعی مشتری از دست بدهند.

الگوی فدرال میان این نیازها تعادل برقرار می‌کند. تیم‌های مستقل اپلیکیشن نزدیک به مسئله می‌مانند و قابلیت‌های مشترک پلتفرم و چارچوب آزمون از آن‌ها پشتیبانی می‌کنند: ابزارهای قابل‌استفاده مجدد، دسترسی کنترل‌شده به اطلاعات زمینه‌ای، الگوهای ارزیابی، مجوزها و حاکمیت. این الگو فقط با مسئولیت روشن کار می‌کند: تیم اپلیکیشن مسئول گردش کار و نتیجه است؛ تیم چارچوب آزمون قابلیت‌های مشترک لازم برای پیشروی ایمن را فراهم می‌کند؛ و واحدهای ریسک، امنیت و حاکمیت نظارت مستقل را حفظ می‌کنند.

تیم‌های اپلیکیشن و متخصصان حوزه باید موارد ارزیابی ویژه هر وظیفه و حد پذیرش را تعریف کنند. تیم چارچوب آزمون باید زیرساخت ارزیابی، کنترل‌های مشترک و گزارش‌دهی لازم را برای اجرای یکدست این ارزیابی‌ها فراهم کند.

حوزه

تیم اپلیکیشن

تیم چارچوب آزمون

ریسک، امنیت و حاکمیت

محصول و نتیجه

مسئله، گردش کار، تجربه کاربری و سنجه‌های موفقیت را انتخاب می‌کند؛ مسئول نتیجه برای مشتری و کسب‌وکار است

الگوهای قابل‌استفاده مجدد، ابزارها و تله‌متری را فراهم می‌کند

وقتی مورد کاربرد ریسک چشمگیری ایجاد کند، محدودیت تعیین می‌کند

اطلاعات زمینه‌ای و دسترسی

اطلاعات و اقدامات موردنیاز گردش کار را مشخص می‌کند

رابط‌های اطلاعات زمینه‌ای، هویت عامل و مجوز ابزارها را فراهم می‌کند

دسترسی به داده‌های حساس و مرزهای کنترل را تأیید می‌کند

ارزیابی و انتشار

معیارهای پذیرش را تعریف و نتایج را بازبینی می‌کند

مجموعه‌های ارزیابی، گزارش‌های ممیزی و مسیرهای استقرار تأییدشده را نگهداری می‌کند

موارد کاربرد پرریسک، استثناها و تغییرات مهم را تأیید می‌کند

تأمین بودجه و پاسخ‌گویی

برای نتیجه اپلیکیشن بودجه می‌گیرد و پاسخ‌گوست

به‌عنوان قابلیتی مشترک بودجه می‌گیرد و با استفاده مجدد، پوشش و زمان رسیدن به بهره‌برداری ایمن سنجیده می‌شود

مسئول نظارت مستقل و تصمیم‌های کنترلی است

آهنگ کار و یادگیری

با متخصصان حوزه، کار را پیوسته اصلاح می‌کند و نتایج، مداخلات اصلاحی و رخدادها را بازبینی می‌کند

آموخته‌ها را به آزمون‌ها، کنترل‌ها و قابلیت‌های قابل‌استفاده مجدد تبدیل می‌کند

رخدادها و تغییرات را در مراحل تأیید توافق‌شده بازبینی می‌کند

این موضوع نگاه رهبران به اندازه تیم را هم تغییر می‌دهد. تولید نرم‌افزار بیشتر با تیم‌های کوچک‌تر، به‌خودی‌خود هدف نیست. هدف، قرار دادن قضاوت انسانی در جایی است که بیشترین ارزش را می‌آفریند: نزدیک به مسئله در تیم‌های اپلیکیشن، و در قابلیت‌های مشترکی که به آن‌ها اجازه می‌دهند سریع پیش بروند، بی‌آنکه کنترل را از دست بدهند.

پلتفرم به چارچوب آزمون برای انسان‌ها و عامل‌ها تبدیل می‌شود

با کوچک‌تر شدن تیم‌های اپلیکیشن و افزایش کمک هوش مصنوعی، سازمان‌ها به قابلیت‌های مشترک قوی‌تری نیاز دارند تا تحویل نرم‌افزار ایمن، یکدست و پاسخ‌گو بماند.

مهندسی سنتی پلتفرم عمدتاً بر افزایش بهره‌وری توسعه‌دهندگان متمرکز بوده و کاربران اصلی آن انسان‌ها بوده‌اند. پلتفرمی که بر محور هوش مصنوعی بنا شده، باید هم از انسان‌ها پشتیبانی کند و هم از عامل‌ها.

عامل مانند انسان از پلتفرم توسعه‌دهندگان استفاده نمی‌کند. عامل به دستورالعمل‌ها و ابزارهای در دسترس ماشین، مجوزهای صریح و روش‌های قابل‌اعتماد برای ارزیابی کارش نیاز دارد. چارچوب آزمون باید مشاهده‌پذیری، امنیت، انطباق با مقررات و مدیریت دانش را نیز لحاظ کند. هدف آن، سودمند کردن خودمختاری با قرار دادن آن در مرزهایی روشن و قابل‌اعمال است.

نمونه‌ای ملموس: پشتیبانی با کمک هوش مصنوعی در بانکی تحت نظارت

بانکی را در نظر بگیرید که گردش کاری با کمک هوش مصنوعی برای رسیدگی به اعتراض‌های مربوط به تراکنش‌های کارت راه‌اندازی می‌کند. تیم اپلیکیشن با کاری محدود شروع می‌کند: دسته‌بندی پرونده، بازیابی خط‌مشی مرتبط و تهیه پیش‌نویس پاسخ برای کارشناس پشتیبانی. این تیم مسئول گردش کار، تجربه کاربری، آستانه‌های ارجاع و معیارهای موفقیت است. اما خط‌مشی نظارتی تعیین نمی‌کند و مجوز تازه‌ای به عامل نمی‌دهد.

در این مثال، عامل‌ها می‌توانند به پیاده‌سازی کمک کنند، آزمون‌های ویژه هر وظیفه را اجرا کنند و نسخه‌ای آماده انتشار بسازند. تأیید استقرار در محیط عملیاتی همچنان با انسان‌هاست و نتایج این محیط به دور بعدی ارزیابی و توسعه جهت می‌دهد. کنترل‌های زمان اجرا جدا می‌مانند: عامل پشتیبانی مشتری فقط باید از ابزارها و داده‌های تأییدشده، در محدوده مجوزها و مسیرهای ارجاع مشخص استفاده کند.

  • اطلاعات زمینه‌ای: عامل به پرونده جاری، حداقل اطلاعات مشتری لازم برای حل مسئله، رویه‌های تأییدشده محصول و شکایات، و قواعد ماشین‌خوان ارجاع دسترسی دارد. به اطلاعات خام احراز هویت پرداخت یا سوابق نامرتبط مشتری دسترسی ندارد و نمی‌تواند در سامانه مدیریت پرونده چیزی ثبت کند.

  • ارزیابی: پیش از انتشار، سامانه باید در آزمون‌هایی برگرفته از پرونده‌های گذشته و موارد مرزی برچسب‌خورده توسط متخصصان قبول شود؛ این آزمون‌ها دقت دسته‌بندی، رعایت خط‌مشی، خودداری به‌جا از پاسخ، نشت داده‌های شخصی و ارجاع شکایات یا موارد حساس مالی را می‌سنجند.

  • تأیید: تصمیم‌گیری درباره محصول بر عهده تیم اپلیکیشن است. واحدهای ریسک، امنیت و انطباق، دسترسی به داده، تطبیق خط‌مشی و مسیر استقرار را تأیید می‌کنند. کارشناس پشتیبانی هر پیام خروجی را تأیید می‌کند؛ تصمیم‌های مؤثر بر پول یا حقوق مشتری خارج از اختیار مستقل عامل می‌مانند.

  • سوابق چارچوب آزمون: در هر اجرا، هویت عامل، نسخه مدل، اطلاعات زمینه‌ای و منابع بازیابی‌شده، ابزارهای فراخوانی‌شده، بررسی خط‌مشی، نتایج ارزیابی، ویرایش‌ها یا مداخلات انسانی و رخدادها ثبت می‌شوند. تیم، روش‌های موفق را به رابط‌های اطلاعات زمینه‌ای، موارد ارزیابی، الگوهای مجوز و مسیرهای استقرار تأییدشده و قابل‌استفاده مجدد تبدیل می‌کند. شکست‌ها و مداخلات اصلاحی به آزمون‌های تازه و بهبود گردش کار منجر می‌شوند.

این مثال نشان می‌دهد که می‌توان به عامل آزادی عمل داد، اما فقط با اطلاعات زمینه‌ای و ابزارهای تأییدشده؛ هر مرز مهم نیز شواهدی قابل‌بازبینی و استفاده مجدد تولید می‌کند. مسئولیت تصمیم‌های مهم همچنان با انسان‌هاست. بانک به‌مرور می‌تواند از پرونده‌های واقعی، موفقیت‌ها و شکست‌های عامل و مداخلات انسانی، برای بهبود گردش کار و تصمیم‌گیری درباره گسترش وظایف آن استفاده کند. خودمختاری محدود و یادگیری مبتنی بر شواهد در عمل چنین شکلی دارند.

این تقسیم مسئولیت در سامانه‌ها و کنترل‌های تحت مدیریت تیم چارچوب آزمون بازتاب می‌یابد. مسئولیت‌های تیم‌های چارچوب آزمون می‌تواند شامل این موارد باشد:

  • هویت عامل: صدور هویت سرویس، ثبت مسئول و محیط، و ردیابی نسخه مدل، اعلان و ابزارهای هر عامل.

  • مجوز ابزارها: تعیین محدوده خواندن و نوشتن، مرز دسترسی به داده، سقف نرخ درخواست، مراحل تأیید و قواعد منع پیش‌فرض برای اقدامات عامل.

  • رابط‌های اطلاعات زمینه‌ای: ارائه دانش و داده تأییدشده از طریق رابط‌های نسخه‌دار و تابع مجوز، با منشأ و میزان تازگی مشخص.

  • مجموعه‌های ارزیابی: نگهداری نمونه‌های نماینده، موارد مرزی، آزمون‌های ایمنی، امنیت و رگرسیون، و آستانه‌های انتشار.

  • گزارش‌های ممیزی و مشاهده‌پذیری: ثبت هویت عامل، اطلاعات بازیابی‌شده، ابزارهای فراخوانی‌شده، خروجی‌ها، تأییدها، مداخلات انسانی، شکست‌ها و رخدادها، با کنترل مناسب نگهداری و دسترسی.

  • مسیرهای استقرار تأییدشده: ارائه مسیرهای ایزوله، سایه، مرحله‌ای و عملیاتی با بررسی خودکار، سازوکار بازگشت و کنترل تغییرات.

تیم چارچوب آزمون صرفاً نام تازه‌ای برای همه وظایف فعلی پلتفرم نیست. تیم‌های عملیات یادگیری ماشین، امنیت، حاکمیت و پلتفرم همچنان مسئولیت‌های خود را دارند. تیم چارچوب آزمون این کنترل‌ها را به ساخت و اجرای گردش کار هوش مصنوعی پیوند می‌دهد: مجوزها و مراحل تأیید برای خط‌مشی، رابط‌های تحت نظارت برای اطلاعات زمینه‌ای، آزمون‌ها برای ارزیابی و گزارش‌ها برای ممیزی رفتار عامل و استفاده مجدد از آن.

نمودار الگوی عملیاتی مهندسی با محوریت هوش مصنوعی، با تیم‌های اپلیکیشن که پلتفرم و چارچوب آزمون مشترک از آن‌ها پشتیبانی می‌کنند.

تأمین نیرو، رهبری و سنجه‌ها باید تغییر کنند

با تفکیک کار مهندسی به تحویل اپلیکیشن و توانمندسازی مشترک، تأمین نیرو، رهبری و سنجش نیز باید تغییر کنند.

تیم‌های اپلیکیشن به قضاوت محصولی، مهندسی و تخصصیِ نزدیک به مسئله نیاز دارند. تیم‌های پلتفرم و چارچوب آزمون به افرادی نیاز دارند که محیط مشترک پشتیبان انسان‌ها و عامل‌ها را در مقیاس وسیع طراحی و اداره کنند.

رهبران فناوری طراح سامانه تحویل نرم‌افزار می‌شوند

چالش مدیران ارشد فناوری، داده و اطلاعات این است که کدام قابلیت‌ها را متمرکز فراهم کنند و کدام را به تیم‌ها بسپارند.

تیم‌های اپلیکیشن برای کار سریع و حفظ ارتباط نزدیک با مشتری به آزادی عمل نیاز دارند. نباید مجبور باشند قابلیت‌هایی مانند دسترسی امن به داده، مشاهده‌پذیری، ارزیابی و حاکمیت را از نو بسازند.

در سازمانی بناشده بر محور هوش مصنوعی، رهبران فناوری باید بخشی از توجه خود را از مدیریت ظرفیت تحویل به طراحی سامانه تحویل معطوف کنند. این تغییر شامل موارد زیر است:

  • استخدام و پرورش افراد با تمرکز بر قضاوت و کیفیت تصمیم‌گیری؛

  • سرمایه‌گذاری در پلتفرم‌های مشترک هوش مصنوعی، ارزیابی‌ها، کنترل‌های حفاظتی، مسیرهای تأییدشده، جریان دانش و الگوهای دسترسی؛

  • تعیین مرزهای عملیاتی برای عامل‌ها، انسان‌ها و گردش کار ترکیبی؛

  • سنجش یادگیری مبتنی بر شواهد، قابلیت اطمینان، تأثیر بر مشتری و استفاده مجدد ایمن؛ و

  • حفظ شناخت کافی از فناوری برای درک اینکه هوش مصنوعی کجا واقعاً اقتصاد تحویل نرم‌افزار را تغییر می‌دهد.

طراحی درست این سامانه، دسترسی به اطلاعات مناسب، آزمودن کار هوش مصنوعی، استفاده مجدد از الگوهای موفق و تشخیص نیاز به تأیید انسانی را برای تیم‌ها آسان‌تر می‌کند.

سنجه‌های فعلی مهندسی فقط بخشی از واقعیت را نشان می‌دهند

بسیاری از سنجه‌های مهندسی زمانی شکل گرفتند که تولید نرم‌افزار محدودیتی عمده بود. سرعت تیم، امتیاز داستان، توان عملیاتی و بسامد استقرار هنوز نشانه‌های عملیاتی مفیدی‌اند؛ اما با کاهش زحمت تولید نرم‌افزار به کمک هوش مصنوعی، به‌تنهایی گویایی کمتری دارند.

تیم ممکن است کد و آزمایش بیشتری تولید کند، اما همچنان تصمیم‌های ضعیف بگیرد، پیچیدگی بیهوده بسازد یا ریسک را افزایش دهد.

پس رهبران فناوری باید فراتر از میزان تولید نرم‌افزار یا گستردگی استفاده از ابزارهای هوش مصنوعی پرس‌وجو کنند. باید بدانند آیا هوش مصنوعی به یادگیری سریع‌تر، نتایج بهتر برای مشتری و عملکرد مطمئن در مرزهای توافق‌شده کمک می‌کند.

سنجه‌های مفید برای تیم‌های اپلیکیشن می‌تواند شامل این موارد باشد:

  • زمان رسیدن به یادگیری مبتنی بر شواهد؛

  • بهبود نتایج برای مشتری؛

  • ارزش ایجادشده برای کسب‌وکار؛

  • میزان پذیرش و تغییر رفتار؛ و

  • نرخ تبدیل آزمایش‌ها به تصمیم‌های مستند به شواهد.

زمان یادگیری مبتنی بر شواهد باید کل فاصله شروع آزمایش تا گردآوری شواهد کافی برای تصمیم‌گیری را پوشش دهد. تیمی که دوشنبه شروع می‌کند، چهارشنبه مستقر می‌کند و جمعه به تصمیمی مستند می‌رسد، چرخه یادگیری یک‌هفته‌ای دارد، نه چرخه تحویل دوروزه.

سنجه‌های مفید برای تیم‌های پلتفرم و چارچوب آزمون می‌تواند شامل این موارد باشد:

  • استفاده مجدد از الگوهای تأییدشده هوش مصنوعی؛

  • پوشش و اثربخشی ارزیابی؛

  • رخدادها و دوباره‌کاری‌های مرتبط با هوش مصنوعی؛

  • زمان از ایده تا بهره‌برداری ایمن؛

  • مشاهده‌پذیری اقدامات عامل؛ و

  • آمادگی برای ممیزی و انطباق با مقررات.

هر سنجه هزینه مرتبط باید مصرف مدل، بازبینی انسانی، تلاش‌های ناموفق، دوباره‌کاری و پشتیبانی عملیاتی هر نتیجه موفق را در بر بگیرد.

این سنجه‌ها همچنان به تعریف روشن، خط مبنا و روش ارزیابی نیاز دارند. هدف جایگزینی یک کارنامه همگانی با دیگری نیست؛ هدف سنجش این است که آیا سامانه تحویل، نتایج قابل‌اعتماد تولید می‌کند.

حتی این الگو هم ممکن است موقتی باشد

الگوی اپلیکیشن و چارچوب آزمون، پاسخی به مرحله کنونی مهندسی با محوریت هوش مصنوعی است. نباید آن را وضعیت نهایی و همیشگی دانست.

چند تحول ممکن است دوباره واحد پایه کار مهندسی را تغییر دهند:

  • بر عهده گرفتن گردش کار کامل توسط عامل‌ها؛

  • موقتی شدن برخی نرم‌افزارها به‌جای نگهداری چندساله؛

  • حرکت کاربران از رابط اپلیکیشن به تجربه‌های هدایت‌شده با عامل؛

  • جذب قابلیت‌های بیشتر پلتفرم در مدل‌های بنیادین؛ و

  • تبدیل ممیزی‌پذیری و پاسخ‌گویی به محدودیت اصلی مهندسی بر اثر مقررات.

این‌ها احتمال‌اند، نه نتایج قطعی. اگر محقق شوند، حتی تفکیک تیم‌های اپلیکیشن و پلتفرم هم ممکن است بیش از حد محدودکننده باشد.

سازمان‌هایی آماده‌ترند که الگوی عملیاتی خود را سازگارشونده بدانند. آن‌ها به‌جای ساختار ثابت تیم‌ها یا انتخاب ابزار، حول اصول روشن، اطلاعات زمینه‌ای قوی، خودمختاری محدود و یادگیری سریع سازمان می‌یابند.

پیشرفت قابل‌اعتماد، معیار تازه برتری مهندسی است

هوش مصنوعی اهمیت سامانه‌های مهندسی را کم نمی‌کند. بلکه ارزش طراحی درست آن‌ها را افزایش می‌دهد.

با ارزان‌تر شدن تولید نرم‌افزار، مزیت به سازمان‌هایی می‌رسد که بهتر تصمیم می‌گیرند، اطلاعات زمینه‌ای مفید را انباشته می‌کنند و ایمن عمل می‌کنند. مهندسی با محوریت هوش مصنوعی صرفاً استفاده از ابزارهای هوش مصنوعی نیست. بلکه بازطراحی شیوه کار حول محدودیت‌های تازه است: کیفیت تصمیم، اطلاعات زمینه‌ای مشترک، خودمختاری محدود و یادگیری سریع.

رهبران فناوری می‌توانند با روشن کردن چهار تصمیم آغاز کنند:

  1. کدام تصمیم‌های مشتری و محصول باید نزدیک به تیم‌های اپلیکیشن بمانند؟

  2. کدام اطلاعات زمینه‌ای، کنترل‌ها و قابلیت‌های ارزیابی باید مشترک باشند؟

  3. عامل‌ها کجا می‌توانند مستقل عمل کنند و کجا به تأیید انسانی نیاز دارند؟

  4. کدام سنجه‌ها یادگیری مبتنی بر شواهد، ارزش برای مشتری و عملکرد ایمن را نشان می‌دهند؟

پاسخ به این پرسش‌ها بیش از تعداد دستیارهای مستقر در سازمان، ارزش به‌کارگیری هوش مصنوعی را تعیین می‌کند.

نویسندگان

Abbie Manning،‏ Saurabh Singh