|  درخواست عضويت  |  رمز خود را فراموش کرده ايد؟  |  ورود اعضا [Sign in]
جستجوي پيشرفته مطالب   |  
 جستجو:  
روزنامه دنياي اقتصاد97/7/14: آنچه هر مديري بايد در مورد هوش مصنوعي بداند
magiran.com  > روزنامه دنياي اقتصاد >  فهرست مطالب شماره
مشخصات نشريه
آخرين شماره
آرشيو شماره هاي گذشته
جستجوي مطالب
سايت اختصاصي
تماس با نشريه
شماره جديد اين نشريه
شماره 4660
يك شنبه 30 تير 1398


 راهنمای موضوعی نشريات
اين نشريه در گروه(های) زير قرار گرفته است:

?????


 
MGID3360
magiran.com > روزنامه دنياي اقتصاد > شماره 4440 14/7/97 > صفحه 28 (مديران) > متن
 
 


آنچه هر مديري بايد در مورد هوش مصنوعي بداند
سه كاربرد هوش مصنوعي براي متحول كردن حساب سود و زيان شركت ها

نويسنده: Abhijit Akerkar
مترجم: مريم رضايي
برگرفته از: London Business School

  هوش مصنوعي(AI) به شركت ها امكان مي دهد در مورد چيزي فكر كنند كه قبلا فكر كردن به آن غيرممكن بود. با اين حال، در شرايطي كه غول هاي تكنولوژي مثل مايكروسافت، آمازون، فيس بوك، گوگل و بيدو، هوش مصنوعي را در هسته كسب وكارشان قرار داده اند و دائما پتانسيل آن را مهار مي كنند، بيشتر شركت هاي غيرتكنولوژيك ديگر تازه شروع به روي آوردن به فرصت هايي كرده اند كه هوش مصنوعي در اختيارشان قرار مي دهد.

تعداد مديران عاملي كه فهميده اند هوش مصنوعي مي تواند به آنها كمك كند به اهداف كسب وكارشان برسند و حساب سود و زيان خود را شكل دهند، زياد نيست. آنها مي دانند چگونه از بازطراحي سازمان، كاهش هزينه ها، ادغام و تملك، معرفي محصول جديد و توسعه جغرافيايي استفاده كنند، اما نمي توانند ببينند كه هوش مصنوعي يك ابزار قدرتمند است كه مي تواند به جعبه ابزارشان اضافه شود. از آنجا كه بيشتر مديران عامل شركت هاي غيرتكنولوژيك نمي توانند هوش مصنوعي را با استراتژي هاي كسب وكار خود تلفيق كنند، امور مربوط به آن را به تيم هاي ديجيتال خود محول مي كنند. اما اين تيم ها بيشتر از جنبه تكنولوژي به هوش مصنوعي نگاه مي كنند، نه از چشم انداز سود و زيان شركت. بنابراين به راهبري مديران ارشد نياز دارند تا دقيق بدانند هوش مصنوعي چطور مي تواند به آنها كمك كند. در اين مقاله تاثير هوش مصنوعي را بر سه مقوله رشد، بازگشت سرمايه و ريسك پذيري كسب وكارهاي امروزي بررسي مي كنيم.

  هوش مصنوعي و رشد

حفظ رشد بالا: بياييد با نگاهي به رشد شروع كنيم. حفظ كردن رشد بالا كار سختي است و فرمول برنده اي براي آن وجود ندارد. اما به نظر مي رسد شركت هاي موفق معجوني درست و حسابي از استراتژي، تخصيص سرمايه، نوآوري، توسعه بازار و برتري در فروش و بازاريابي دارند. سه اهرم آخري كه نام برده شد، در مركز توجه اولين كاربران هوش مصنوعي بوده است.

ايجاد چيزهاي جديد: راز پيش بردن رشد خوب، جسور بودن و توسعه يك محصول كاملا جديد است كه قبلا وجود نداشته است. مثال الكسا، اسپيكر هوشمند آمازون را در نظر بگيريد كه حالا در خانه يك خانوار از هر 6 خانوار آمريكايي پيدا مي شود. الكسا يك نوآوري است كه همه سيستم هاي خانگي را كه غول هاي تله كام و توليدكنندگان گوشي داشتند، پشت سر گذاشت.

دسترسي به طيف گسترده تري از مشتريان: شركت هايي كه نگاه به جلو دارند، استفاده از هوش مصنوعي را شروع كرده اند تا به مشترياني كه پيش از اين در مركز توجهشان نبودند خدمات رساني كنند. مساله اعتبار را در نظر بگيريد. يادگيري ماشيني مي تواند داده هايي مثل عادت هاي خريد گذشته افراد و وضعيت پرداخت قبوض و بدهي هاي آنها را بررسي كند تا به تصويري از شايستگي اعتبار او برسد. يك شركت با چنين اطلاعاتي مي تواند در مورد وام دادن يا ندادن به فرد تصميم گيري كند. هوش مصنوعي هم مي تواند اطلاعاتي مثل حجم فروش، بررسي مشتريان و داده هاي به دست آمده از شبكه هاي اجتماعي و وضعيت يك شركت را سبك سنگين كند تا ببيند آيا توان پرداخت بدهي دارد يا نه.

دستاورد بيشتر از مشتريان موجود: هوش مصنوعي در آستانه فراهم كردن امكان شخصي سازي انبوه است. اين تكنولوژي داده هاي سنتي را با اطلاعات جزئي در مورد رفتار مشتريان كه از منابعي مثل جست وجوي اينترنتي، رسانه هاي اجتماعي و ابزارهاي پوشيدني جمع شده، تلفيق مي كند. اين باعث مي شود محصول مناسب در زمان مناسب با پيام مناسب به مشتري داده شود. موسسه مك كينزي ارزيابي كرده كه چنين شخصي سازي انبوهي مي تواند فروش را تا 10 درصد يا بيشتر افزايش دهد.

به عنوان مثال، آمازون از طريق يادگيري ماشيني پيشنهادهايي به مشتريان موجود مي دهد و مثلا «محصول بعدي براي خريد» را با توجه به پروفايل جمعيت شاختي، خريدهاي گذشته و خريدهاي مشترياني كه پروفايل مشابه دارند، به آنها پيشنهاد مي كند. حدود 30 درصد فروش آمازون از اين طريق افزايش يافته است.

داشتن قيمت مناسب: هيچ قانوني در طبيعت نيست كه بگويد هر مشتري براي يك كالا يا خدمت مشخص، يك قيمت ثابت بپردازد. شركت اوبر بهترين نمونه از قيمت گذاري متغير را ارائه مي كند. وقتي در يك منطقه تقاضا براي گرفتن ماشين به نسبت تعداد راننده ها بالا است، قيمت كرايه بالاتر مي رود.

افزايش بهره وري فروش: حدود دوسوم زمان يك فروشنده با كارهاي روتيني مثل تماس گرفتن با مشتريان بالقوه، تنظيم قرارها، سفارش گرفتن و آماده كردن قراردادها پر مي شود. برخي شركت ها اتوماتيك سازي اين فعاليت ها را شروع كرده اند و وقت فروشنده هاي خودشان را آزاد كرده اند تا آنها به قرارداد بستن، پرورش روابط و مديريت قراردادهاي خارج از برنامه برسند. شركتي كه اين كار را انجام داده، نسبت به رقباي خودش به يك مزيت مي رسد. به علاوه، شركت ها با استفاده از هوش مصنوعي كليه مكالمات و جلسات فروش را ضبط، استخراج و تجزيه و تحليل مي كنند.

اثربخش تر كردن هزينه هاي بازاريابي: شخصي سازي اين روزها در مركز بازاريابي قرار گرفته است و مي تواند دستاوردهاي بزرگي در بازدهي حاصل از هزينه هاي بازاريابي داشته باشد.

اما بازارياب هايي كه نگاه رو به جلو دارند مي توانند فراتر از اين هم بروند. تحليل رفتار مشتري تنها شروع كار است. شركت ها حالا مي توانند بازاريابي خود را به شيوه اي كه با رفتار، اولويت ها و احساسات يك مشتري همخواني دارد، هدف گذاري كنند و محتوايي هوشمند كه از نظر احساسي به شخصيت فرد مي خورد ايجاد كنند.

  هوش مصنوعي و بازگشت سرمايه

تضمين يك بازگشت سرمايه سالم و مناسب همزمان با پيشبرد رشد، چالشي كليدي براي همه رهبران كسب وكار است. كاهش هزينه ها مسيري روشن به سوي تحقق اين هدف فراهم مي كند. اما پيشرفت هايي كه در سود عملياتي حاصل مي شود بايد هوشمندانه باشد و به رشد بلندمدت منجر شود. هوش مصنوعي مي تواند مجموعه اي از روش ها را در اختيار ما بگذارد تا بهره وري را افزايش دهيم، قدرت پيش بيني بهتري داشته باشيم، زمان پرت كار را كاهش دهيم و هزينه هاي بالاسري اضافه توليد، زنجيره تامين، تداركات، توجه به مشتري و اداري را كاهش دهيم. راهكارهاي مورد نظر عبارتند از:

افزايش كارآيي در شركت هاي خدماتي: روبات هاي نرم افزاري مثل Blue Prism، Pega و UiPath وظايف روتيني مثل دسترسي به اپليكيشن ها، وارد كردن داده و محاسبات را انجام مي دهند. آنها فعاليت هايي را كه انسان ها انجام مي دهند شبيه سازي مي كنند تا سيستم هاي IT اصلي تغيير نكنند.

بسياري از شركت ها اين روبات ها را نصب كرده اند تا صرفه جويي هاي مالي فوري داشته باشند. البته شركت هايي كه موفق شده اند از پتانسيل كامل تكنولوژي هاي هوش مصنوعي استفاده كنند، به جاي اينكه فقط روبات ها را پيگيري كنند، يك رويكرد كل نگرانه دارند. آنها فرآيندها و ساختار سازماني را مورد بازنگري قرار داده و انواع تكنولوژي ها مثل يادگيري ماشيني و اپليكيشن هاي شناختي را در كنار روبات ها به كار گرفته اند. استفاده از تكنولوژي هاي هوش مصنوعي در كنار ساده سازي فرآيند و ديجيتال سازي گاهي اوقات حتي 30 تا 70 درصد صرفه جويي براي اين شركت ها به دنبال دارد.

افزايش بازدهي توليد در شركت هاي توليدي: در دو دهه گذشته، شركت ها از اتوماسيون براي كاهش اتلاف زمان و افزايش كارآيي استفاده كرده اند. براي اين شركت ها AI مثل يك ناجي به افزايش بهره وري كمك كرده است.

? تركيب پيشرفت هايي كه در اينترنت اشيا (IoT) به دست آمده و داده ها را از ماشين هاي صنعتي جمع آوري مي كند با هوش مصنوعي، به شركت ها امكان داده از هدر رفتن دارايي هاي خود جلوگيري كنند. الگوريتم هاي مبتني بر هوش مصنوعي، نشانه هاي صوتي يا گرمايي را در تجهيزات مختلف مورد نظارت قرار مي دهند و داده هاي ديگري مثل الگوهاي آب وهوا و گزارش هاي پشتيباني و تعميرات را در كنار آن قرار مي دهند. اگر سيستم ببيند اتفاقي غيرعادي رخ داده، مي تواند نياز به پشتيباني را تشخيص دهد و در نتيجه زمان توقف كار را كاهش دهد.

? استفاده از روبات هاي مشاركت كننده كه برخي كارهاي يدي را در مشاغلي كه به طور كامل امكان اتوماتيك سازي ندارند انجام مي دهند، بهره وري نيروي كار را بالا مي برد. بينش كامپيوتر به روبات امكان مي دهد نسبت به محيط اطرافش آگاهي داشته باشد. نيروي كار انساني مي تواند به روبات برنامه بدهد و وظايف دلخواه خود را از آنها طلب كند. در اين گونه مشاغل وجود نيروي انساني لازم است، اما در كنار روبات بهره وري آنها افزايش قابل توجهي مي يابد.

? هوش مصنوعي مي تواند اثر بزرگي بر مصرف انرژي بگذارد. يك نمونه برجسته DeepMind گوگل است كه انرژي مصرفي براي سرد كردن مراكز داده را تا 40درصد كاهش داده است. الگوريتم ها داده هاي تاريخي آيتم هايي مثل دما، برق و سرعت پمپ موتور را بررسي مي كنند تا دماهاي آينده را پيش بيني كنند و سپس در مورد تنظيمات بهينه اي كه براي به حداقل رساندن مصرف برق لازم است، تصميم گيري كنند. رويكرد مشابهي را مي توان در صنايعي مثل توليد آلومينيوم، سيمان و كاغذ كه مصرف برق در آنها بالا است، به كار برد.

چابك تر كردن زنجيره تامين: يادگيري ماشيني و روباتيك در حال حاضر به شركت هايي كه در حوزه خرده فروشي كالاهاي مصرفي بسته بندي شده يا بخش هاي تكنولوژي پيشرفته فعاليت مي كنند، امكان مي دهد زنجيره هاي تامين خود را به يك منبع مزيت رقابتي تبديل كنند. شركت ها از هوش مصنوعي استفاده مي كنند تا تقاضاي مشتري را براي آيتم هاي مختلف و متنوع به شكل دقيقي پيش بيني كنند. سپس اين پيش بيني را با عرضه منعطف و كارآمد تكميل مي كنند.

آمازون از روبات هايي به نام كيوا (Kiva) استفاده مي كند كه بسته بندي ها را از انبار مي آورند و تحويل نيروهاي انساني مي دهند. به اين ترتيب، ظرفيت موجودي كالاي اين شركت تا 50 درصد افزايش يافته و هزينه هاي عملياتي 20 درصد كمتر شده است.

  هوش مصنوعي و ريسك

مديريت ريسك هم در حفاظت از ارزش كسب وكار و هم در افزايش بازگشت سرمايه مبتني بر ريسك بسيار مهم و حياتي است. تعجبي ندارد كه بانك ها در استفاده از هوش مصنوعي براي مديريت ريسك، بزرگ ترين قدم ها را برداشته اند.

از گذشته، شركت ها بر حذف ريسك هاي عملياتي نامطلوب متمركز بوده اند. در دنياي هوش مصنوعي، واحدهاي ريسك از طريق مشاركت با ديگر واحدها مثل بازاريابي، امور مالي و متخصصان علوم رفتاري، ارزش بيشتري ارائه مي كنند، مثلا مي توانند با قيمت گذاري شخصي سازي شده، مشتريان را افزايش دهند؛ يا با انتشار هشدارهاي اوليه در مورد مشتريان بدحساب، بدهي هاي بد را كاهش دهند.

هيچ مدير مالي نمي خواهد هدف سودآوري خود را از دست بدهد. يادگيري ماشيني مي تواند رويدادها را در رشد اقتصادي، قيمت هاي كالا، تورم و نرخ ارز دنبال كند و موقعيت رقابتي يك شركت، هزينه هاي ورودي، تقاضاي مشتري، سلامت كانال هاي توزيع و تاثيرپذيري عملكرد شركت ها را پيش بيني كند.

محافظت در برابر حملات سايبري: يادگيري ماشيني مي تواند ميليون ها رويداد را براي شناسايي ناهنجاري ها موشكافي كند. اين ويژگي اصلي تلاش هايي است كه براي امنيت سايبري صورت مي گيرد. كسي كه حمله سايبري مي كند، قبل از وقوع آسيب واقعي به طور ميانگين 101 روز را در يك شبكه مي گذراند. يادگيري ماشيني شرايط نرمال يك شبكه را بررسي مي كند به شناسايي انحرافات و اتفاق هاي غيرعادي به صورت آني مي پردازد. در اين صورت، شركت مي تواند قبل از عملي شدن يك حمله سايبري واقعي اقدام كند.

مبارزه با بدهي هاي بد: هيچ كسب وكاري از ريسك مشترياني كه درگير مشكلات مالي مي شوند، مصون نيست. در آمريكا به تنهايي، بيش از 789 هزار كسب وكار در سال 2017 دچار ورشكستگي شدند. شركت ها مي توانند با تشخيص نشانه هاي اوليه مشكلات مالي يك مشتري، با تهديد مواجه شدن با بدهي هاي بد مقابله كنند. مثلا بانك ها با آناليز سيگنال هايي مثل افزايش چك هاي بي محل، ديركرد پرداخت اقساط، استفاده از خطوط اعتباري، تغيير مالكيت و ديگر اخبار منفي، مشترياني كه در معرض ريسك هستند را 6 تا 9 ماه قبل از اينكه اتفاقي جدي رخ دهد، شناسايي كنند.

ارتقاي ارزيابي ريسك اعتباري: توانايي شركت ها براي ارزيابي ريسك با يادگيري ماشيني بهبود قابل توجهي يافته است. يادگيري ماشيني ريسك بدهي هاي معوق را به طور دقيق مي سنجد و خطاهاي قضاوتي را كاهش مي دهد. هوش مصنوعي هم به شركت ها امكان مي دهد داده هاي غيرسنتي را پردازش كنند تا تاريخچه هاي اعتبار شخصي براي افراد ايجاد شود.

برخي شركت ها از اين هم فراتر رفته اند. آنها از ارزيابي ريسك پيشرفته استفاده مي كنند تا قيمت گذاري هاي خود را تنظيم كنند و علاوه بر ريسك بدهي هاي معوق، قيمت هايي كه مشتريان مي پردازند را از طريق الگوهاي خريد مشابه، ارزش طول عمر مشتري و سهم هزينه كرد مشتري، شناسايي كنند. مسلما موسسات مالي بيشترين نفع را از اين امكانات مي برند.

  چگونه وارد عمل شويم

براي برداشتن گام هاي بعدي بايد سه R را در نظر داشته باشيد؛ يعني Relevance (ارتباط)، Resolve (تصميم گرفتن) و Readiness (آمادگي).

ارتباط: مثال هايي كه در اين مقاله ذكر شد مي توانند به شما كمك كنند كل فرصت هايي را كه براي كسب وكارتان وجود دارد بشناسيد. اما ميزان ارتباط آنها با كسب وكار شما از نظر نرخ بازگشت سرمايه و اثرات جانبي، تفاوت دارد، چون هوش مصنوعي در تحليل نهايي كمتر به تكنولوژي ارتباط پيدا مي كند و بيشتر در مورد افراد، ذهنيت ها و روش هاي كار آنها است.

تصميم گيري: استفاده از كاتاليزورهاي متحول كننده اي مثل هوش مصنوعي در سطح يك بنگاه اقتصادي، نيازمند تصميم گيري رهبران ارشد سازمان است. دنياي كسب وكار گورستاني از اقدامات و سرمايه گذاري هاي مرده است كه همواره بزرگ مي شود، چون تصميم گيري رهبران سازمان ناكافي و ناپايدار است.

آمادگي: شما در ارتباط با زيرساخت ها، اكوسيستم داده، فرهنگ داده -محور و كنترل هايي كه بايد در كنار در نظر گرفتن منافع همه ذي نفعان صورت بگيرد، به يك خط ديد واضح و دقيق نياز داريد و بايد زمان بگذاريد تا مهارت هاي افراد را تقويت كنيد.

به هر حال، درگير شدن با هوش مصنوعي به سرمايه گذاري هنگفت قابل توجهي نياز ندارد. بسياري از مدل ها، ابزارها و مجموعه داده هاي يادگيري ماشيني به عنوان منابع باز و از طريق واسط هاي برنامه ريزي اپليكيشن (APIs) كه شركت هاي قديمي و بزرگ توليد مي كنند، در دسترس هستند. بنابراين، مديران عامل با دانستن اينكه هوش مصنوعي چه كارهايي براي آنها انجام مي دهد و چه كارهايي انجام نمي دهد، آن را به جعبه ابزارشان وارد مي كنند تا كل كسب وكار و در نتيجه حساب سود و زيان خود را متحول كنند.

آنچه هر مديري بايد در مورد هوش مصنوعي بداند


 روزنامه دنياي اقتصاد، شماره 4440 به تاريخ 14/7/97، صفحه 28 (مديران)

لينک کوتاه به اين مطلب:   
 


    دفعات مطالعه اين مطلب: 24 بار

 

 
 
چاپ مطلب
ارسال مطلب به دوستان

معرفی سايت به ديگران
گزارش اشکال در اطلاعات
اشتراک نشريات ديگر



 

اعتماد
ايران
جام جم
دنياي اقتصاد
رسالت
شرق
كيهان
 پيشخوان
فصلنامه پژوهش در بهداشت محيط
متن مطالب شماره 1 (پياپي 501)، بهار 1398را در magiran بخوانيد.

 

 

سايت را به دوستان خود معرفی کنيد    
 1397-1380 کليه حقوق متعلق به سايت بانک اطلاعات نشريات کشور است.
اطلاعات مندرج در اين پايگاه فقط جهت مطالعه کاربران با رعايت شرايط اعلام شده است.  کپی برداري و بازنشر اطلاعات به هر روش و با هر هدفی ممنوع و پيگيرد قانوني دارد.
 

پشتيبانی سايت magiran.com (در ساعات اداری): 77512642  021
تهران، صندوق پستی 111-15655
فقط در مورد خدمات سايت با ما تماس بگيريد. در مورد محتوای اخبار و مطالب منتشر شده در مجلات و روزنامه ها اطلاعی نداريم!
 


توجه:
magiran.com پايگاهی مرجع است که با هدف اطلاع رسانی و دسترسی به همه مجلات کشور توسط بخش خصوصی و به صورت مستقل اداره می شود. همکاری نشريات عضو تنها مشارکت در تکميل و توسعه سايت است و مسئوليت چگونگی ارايه خدمات سايت بر عهده ايشان نمی باشد.



تمامي خدمات پایگاه magiran.com ، حسب مورد داراي مجوزهاي لازم از مراجع مربوطه مي‌باشند و فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است