فرصت‌های هوش مصنوعی برای ITSM؛ سازمان‌ها باید چه کنند؟

شکی نیست که آینده‌ی مدیریت خدمات فناوری اطلاعات (ITSM) تا حد زیادی به امکانات هوش مصنوعی (AI) و یادگیری ماشین (Machine Learning)، به‌ویژه طی چند سال آینده، گره خورده است. اما این حرف از نظر عملیاتی چه معنایی دارد و سازمان‌ها برای اطمینان از به‌کارگیری فناوری هوش مصنوعی، برای بهبود قابلیت‌های‌شان، باید چه کارهایی انجام بدهند؟

در این مقاله کوشیده‌ایم به برخی از پرسش‌های اساسی‌ای که ممکن است شما و همکاران‌تان در مورد فناوری هوش مصنوعی و مدیریت خدمت فناوری اطلاعات داشته باشید، پاسخ بدهیم.

چالش همیشگی هنگام معرفی فناوری جدید

یکی از چالش‌های هر فناوری این است که ما شیفته‌ی آن و تمام کارهایی که می‌تواند انجام بدهد می‌شویم، اما اصول اولیه‌ی هر پروژه‌ای که خدمت جدیدی را منتشر می‌کند، فراموش می‌کنیم: اینکه هدف چیست؟ از کجا قرار است بفهمیم که موفق شده‌ایم؟ چه تأثیری (افزایش ارزش) برای ذی‌نفعان ما خواهد داشت؟ درک آنچه برای پشتیانی و بهبود هوش مصنوعی لازم است هم، برای موفقیت مداوم هر ابتکاری بسیار مهم است. استفاده از هوش مصنوعی چگونه با ارزش‌ها، اهداف و مقاصد سازمان شما همسو خواهد شد؟ صِرف اینکه می‌توانید با هوش مصنوعی یک کاری انجام بدهید، معنی‌اش این نیست که باید این کار را بکنید.

مردم اغلب فکر می‌کنند ابتکارات فناوری هوش مصنوعی محیط و ویژگی‌های منحصربه‌فرد آن‌ها را درک می‌کند، فراموش می‌کنند که آن‌ها همچنان دارند تکامل و تغییر پیدا می‌کنند. نه‌تنها لازم است اهداف را واضح و روشن کرد، بلکه درک چگونگی جذب، ساختار، استفاده‌ی مجدد و بهبود دانش فنی و سازمانی هم ضروری است. چگونه همه‌ی دانش ضمنی (Implicit Knowledge) در یک سازمان تبدیل به دانش تصریحی (Explicit Knowledge)^* خواهد شد تا فناوری یادگیری ماشین بتواند از آن، برای بهبود تجربه‌ی ذی‌نفعان، دوباره استفاده کند؟ آن تضمین کیفیتی که اطمینان بدهد تغییرات، مطابق با دستورالعمل‌ها و کنترل‌های حاکمیتی هستند کجاست؟

فرصت‌های هوش مصنوعی برای سازمان‌های ITSM

امروزه، با هوش مصنوعی، سه فرصتِ قابل توجه برای سازمان‌های مدیریت خدمات فناوری اطلاعات وجود دارد. نخست، توانایی ارائه‌ی پاسخ‌های تعاملی‌تر است که چت‌بات‌ها یا دستیاران مجازی نمونه‌ای از آن‌ها هستند. در سلف‌سرویس، نیازی نیست مشتری نحوه‌ی صورت‌بندی پرسش یا استفاده از اصطلاحات خاص را بلد باشد (حداقل کانسپت این است). همچنین، یک روش مدیریت دانشِ خوب می‌تواند با استفاده از فناوری هوش مصنوعی، چندین زبان را پشتیبانی کند؛ این یک مزیت فوق‌العاده برای سازمان‌هایی است که نیاز به پشتیبانی از زبان‌های گوناگون دارند. با این حال، چالش اینجاست که امروزه مردم همه‌ی اظهارات بیان‌شده را ترجمه می‌کنند و می‌توانند روی تعداد بی‌شماری از اصطلاحات مورد استفاده، برای چیزی که به نظر می‎‌رسد یک پرسش ساده باشد، تمرکز کنند.

حوزه‌‌ی دوم، استفاده از فناوری هوش مصنوعی برای کمک به نمایندگانِ پشتیبانی در مسائل پیچیده‌تر است. بیش‌تر مردم همه‌چیز را به یاد نمی‌آورند، به‌خصوص در محیطی که سرعت تغییر در آن زیاد است یا تعداد پاسخِ پرسش‌ها، در مورد یک موضوع خاص، کم است.

حوزه‌ی سوم، استفاده از یادگیری ماشین در تجزیه و تحلیل برای شناسایی هم‌بستگی‌ها و ارتباطاتی است که انسان نمی‌تواند از نظر هزینه، مقرون‌به‌صرفه انجام‌شان بدهد. سیستم‌های مدیریت خدمات داده‌های بسیار زیادی دارند، اما مقدار کمی از آن‌ها تجزیه و تحلیل می‌شوند یا از آن‌ها برای تصمیم‌گیری استفاده می‌شود. فناوری‌های هوش مصنوعی نه‌تنها می‌توانند علل را مرتبط و شناسایی کنند، بلکه می‌توانند عملکرد را براساس داده‌های تاریخی، پیش‌بینی کنند. از آنجا که مردم بنده‌ی عادت هستند، این داده‌های تاریخی می‌توانند زمینه را برای پیش‌بینی دقیق، تسهیل تصمیم‌گیری‌های بهتر و مدیریت ریسک بهتر فراهم کنند.

هوش مصنوعی و 5G

یک فناوری که پذیرش هوش مصنوعی را تسهیل می‌کند و ارزش خدمات مبتنی بر هوش مصنوعی را شتاب می‌بخشد، 5G است. قدرت محاسباتی تنها عامل تأثیرگذار در قابلیت استفاده و مقبولیت سیستم‌های مبتنی بر هوش مصنوعی نبوده‌اند، بلکه سرعت شبکه هم یکی از این عوامل بوده است. استفاده از یادگیری ماشین به مقدار قابل توجهی از داده‌ها نیاز دارد که غالباً باید به‌صورت بلادرنگ باشند که فقط سرعت 5G می‌تواند این نیاز را برآورده کند. این موضوع در مورد اینترنت اشیا (IoT) نیز صادق است، دستگاه‌هایی که در بسیاری از مکان‌ها تعبیه شده‌اند، اما به علت تأخیر سرعت در شبکه‌های فعلی کارآمد نیستند. به کمک 5G، پذیرش و استفاده از رباتیک مبتنی بر هوش مصنوعی، طی چند سال آینده، رشد چشمگیری خواهد داشت.

مردم و هوش مصنوعی

یک پرسش بی‌پاسخ این است که آیا کاربران باید بدانند که با فناوری هوش مصنوعی تعامل دارند، نه با یک شخص؟ در نهایت، کاربر دنبال آسان‌ترین مسیر برای یک راه‌حل می‌گردد، اما آیا آن‌ها باید بفهمند که چگونه از داده‌های‌شان دوباره استفاده خواهد شد؟ آیا باید بدانند که با یک شخص تعامل ندارند؟ چگونه مطمئن می‌شوید که بن‌بست یا لوپ‌های بی‌پایانی وجود ندارد که به‌سرعت، کاربران را ناامید کند، همانطور که امروزه سلف‌سرویس خطای 404 یا «صفحه پیدا نشد» را نشان می‌دهد؟

پایگاه دانش، هسته‌ی اصلی یک سرویس مجهز به هوش مصنوعیِ کارآمد است که برای اطمینان از در دسترس بودن پاسخ‌های درست، باید به‌سرعت (در زمان واقعی) به‌روزرسانی شود. این روش دانش (Practice) برای فناوری یادگیری ماشین، به منظور یافتن پاسخ‌ها و ویرایش / به‌روزرسانی آن‌ها بر اساس آموخته‌ها، ضروری است. خب، داده‌های اولیه‌ای که استفاده می‌کنید از کجا آمده است؟ فرصت جانبداری (Bias) در آن داده‌ها چقدر است؟ برای مثال، اگر فکر می‌کنید 80 درصد مسائلی که وارد پیشخوان خدمت می‌شوند، مشکلات شبکه هستند، چگونه این سوگیری برای موضوعاتی که پاسخ‌ آن‌ها را نمی‌داند، بر ارجاعات شما تأثیر می‌گذارد؟

هوش مصنوعی و جانبداری (Bias)

تفکر اولیه این بود که هوش مصنوعی و یادگیری ماشین جانبداری را کاهش می‌دهند. با این حال، یافته‌ها نشان می‌دهد که، بدون آموزش و تجزیه و تحلیل مناسب، حقوق گروه‌های آسیب‌پذیر ممکن است تحت‌تأثیر قرار بگیرد. هر زمان از بین دو اقدام، حق یک انتخاب وجود داشته باشد، فرصتی برای جانبداری از برخی متغیرهای غیربنیادی وجود دارد. سیستم‌های مبتنی بر هوش مصنوعی یاد می‌گیرند که براساس آموزه‌های‌شان (داده‌ها)، شامل نابرابری‌های اجتماعی یا تاریخی، تصمیم بگیرند، حتی وقتی متغیرهایی مانند جنسیت، نژاد یا گرایش جنسی برداشته شوند. با الگوریتم‌های آموزشی، آن‌ها از چگونگی انجام فعالیت‌ها توسط افرادی که فعالیت‌ها را انجام می‌دهند، تقلید می‌کنند و این الگوها را دنبال می‌کنند، مگر اینکه این الگوها تغییر کنند. اما الگوریتم‌های ردیابی جانبداری باید بخشی از هر سیستمی باشند که خودآموز است.

یک چالش مهم دیگر وقتی است که الگوریتم‌های یادگیری ماشین که با استفاده از داده‌ها، در یک زمینه آموزش داده شده‌اند، به زمینه‌ی دیگری، با قوانین متفاوتی درباره‌ی ویژگی‌هایی که می‌توان در نظر گرفت، منتقل می‌شوند. مسائل اخلاقی و قانونی، بدون داشتن کنترل‌های مناسب، ممکن است پیامدهایی داشته باشند که کسی از آن‌ها اطلاعی ندارد، تا زمانی که دیگر دیر شده باشد.

خلاصه‌ی کلام

نکات بسیاری وجود دارد که سازمان‌ها باید در مورد نحوه‌ی دستیابی به موفقیت در استفاده از فناوری‌های هوش مصنوعی یاد بگیرند. برخی از عوامل مهم موفقیت عبارت‌اند از:

• آیا مشتریان‌تان می‌دانند که با یک ربات هوش مصنوعی صحبت می‌کنند؟
• آیا سازمان شما با ذی‌نفعان خود شفاف است؟
• آیا سهام‌داران درکی از نحوه‌ی استفاده از داده‌های‌شان دارند؟
• چه کسی مسئله‌ی جانبداری را بررسی می‌کند؟
• آیا برای روش هوش مصنوعی‌تان راهنمای اخلاقی دارید؟
• آیا ربات‌ها و نمایندگان مجازی خوب و قوی هستند، یعنی بدون بن‌بست؟
• چگونه تأیید و اثبات می‌کنید که با مردم دارد عادلانه رفتار می‌شود؟
• آیا نتایج به‌دست آمده سازگار و قابل اعتماد هستند؟
• آیا ذی‌نفعان می‌توانند از به‌اشتراک‌گذاری داده‌های خود انصراف بدهند؟
• سطح ریسک با این فناوری چقدر است؟
• آیا به منابع دانشمندانِ داده، برای استفاده و بهینه‌سازی فناوری و سرمایه‌گذاری انسانی در هوش مصنوعی نیاز دارید؟

منبع:

https://itsm.tools/ai-impact-itsm/

* دانش ضمنی یا تلویحی به دانشی اشاره دارد که در پی تجربه‌ها و مهارت‌ها و دانش شخصی در ذهن افراد شکل می‌گیرد و به سادگی نمی‌شود آن را فرموله یا کدگذاری کرد و به دیگران انتقال داد. چالش اصلی مدیریت دانش نیز تبدیل هرچه بیش‌تر و بهتر دانش ضمنی به دانش تصریحی است.