افسون زدایی از هوش مصنوعی و یادگیری ماشینی برای مدیران اجرایی [مصاحبه با تمیم صالح]

تمیم صالح،‌ متخصص و تحلیل‌گر داده، در گفت‌وگو با مکنزی می‌گوید:

مدیران نباید از هوش مصنوعی و یادگیری ماشین بترسند

در این مصاحبه تمیم صالح (یکی از متفکران پیشرو در زمینهٔ تحلیل داده و از اعضای برجستهٔ شرکت مشاورهٔ مکنزی) از هیاهوی پیرامون هوش مصنوعی و روش‌های درست استفاده از آن برای مدیران اجرایی کسب‌وکارها می‌گوید.

در این اپیزود پادکست «در اتاق استراتژی» (Inside the Strategy Room)، تمیم صالح از کارشناسان ارشد همکار مکنزی، از هیاهوی پیرامون هوش مصنوعی (AI) می‌گوید و مدیران اجرایی را دربارهٔ اینکه چگونه و کجا می‌توان از هوش مصنوعی برای پیشبرد کارها بهره برد، راهنمایی می‌کند. تمیم صالح از امکانات دیدِ ماشینیِ (machine vision) مبتنی بر هوش مصنوعی، آیندهٔ تشخیص صدا (voice recognition) و دستاوردهای جدید علم تحلیل پیشرفته، دستیاران مجازی (virtual assistants) و علم رباتیک می‌گوید و چالش‌هایی را که شرکت‌ها برای به خدمت گرفتن هوش مصنوعی با آنها مواجه خواهند شد، شرح می‌دهد. نقشهٔ راهی هم برای مدیران ترسیم می‌کند که بر اساس آن بر مشکلات فائق آیند.

شان براون: من شان براون از مؤسسهٔ مکنزی هستم. به این قسمت از «در اتاق استراتژی» خوش آمدید. امروز تمیم صالح در دفتر جهانی مدیریت مالی ما در لندن، به من پیوسته است و قرار است که از هوش مصنوعی و یادگیری ماشینی حرف بزنیم.

تمیم! یکی از چیزهایی که تو دربارهٔ هوش مصنوعی مطرح کرده‌ای، مربوط می‌شود به پنج دستاورد مختلف در زمینهٔ به‌کارگیری هوش مصنوعی. ابتدا می‌خواهم دربارهٔ اثر دید ماشینی بر هوش مصنوعی حرف بزنیم.

تمیم صالح: یادگیری ماشین و هوش مصنوعی محدودیت‌هایی دارند. یادگیری ماشین وابسته به تأمین اطلاعات آموزشی توسط ما انسان‌هاست و خب! ما هم کند هستیم و هم ممکن است در واردکردن اطلاعات اشتباه کنیم؛ اما یکی از فناوری‌هایی که با سرعت زیادی در حال پیشرفت است، به‌دست‌آوردن داده از طریق تحلیل تصاویر و خروجی دوربین‌هاست. زیبایی کار اینجاست که دید ماشینی بر اساس داده‌های تصویرهایی کار می‌کند که دوربین‌ها ثبت می‌کنند و دوربین‌ها دچار اشتباه‌هایی که ما درگیرش می‌شویم، نمی‌شوند و اشیاء را همان گونه که هستند، ثبت می‌کنند و جهان را مثل ما نمی‌بینند. در واقع، دامنهٔ دید ماشین‌ها از دامنهٔ بینایی ما هم فراتر است و هم طیف گسترده‌تری از نور مرئی مانند امواج فروسرخ و از این‌ قبیل پوشش می‌دهد.

مشخص است که این فناوری می‌تواند کاربردهای زیادی در کسب‌وکارها داشته باشد و مشکلات زیادی را در کسب‌وکارهای متفاوت حل کند. برای مثال، در صنعت معدن، به‌صورت سنتی، یک شخص متخصص (مثلاً یک زمین‌شناس) باید از سنگ معدن و نمونه‌های آن بازدید کند و سپس گزارشی از مشاهدهٔ خود تهیه کند.

سپس بر اساس این گزارش، جهت و مسیر حفاری‌ها تنظیم شود. البته که این کار باید هر هفته تکرار شود تا خاک‌برداری و استخراج به بهترین شکل انجام شود. با استفاده از دید ماشینی، می‌توان تمام این کارها را بلادرنگ (real time) انجام داد. دوربین‌هایی وجود دارد که می‌توانند نشانه‌های معدنی را در معدن تحت‌نظر گیرند و هر لحظه مسیر بهینهٔ حفاری را ترسیم کنند. چنین امکانی برای یک شرکت معدنی، صدها میلیون دلار می‌ارزد.

دید ماشینی می‌تواند در زمینهٔ ایمنی در صنایع هم کاربرد داشته باشد. برای مثال، این فناوری می‌تواند برای نظارت بر حرکت افراد در محیط کار در صنعت نفت و گاز استفاده شود تا با شناسایی سهل‌انگاری‌های احتمالی، در صورت نیاز، برای حفظ ایمنی هشدار دهد. در واقع صدها و صدها کاربرد مختلف از این فناوری در صنایع مختلف و شرکت‌ها قابل‌تصور است. این فناوری این امکان را به وجود می‌آورد که تنها با کمک تصویر مسائل مختلف را حل کرد.

ببینید، میزان اطلاعاتی که شما با ترکیب کردن تصاویر و حسگرهای دیگر دریافت می‌کنید، میلیاردها برابر بیشتر از روش‌های سنتی است. وقتی چنین حجم عظیمی داده در اختیار دارید، امکان آموزش سریع مدل‌های یادگیری ماشین را نیز خواهید داشت و این تازه اول کار است.

شان براون: و چه مشکلاتی هستند که باعث تعلل شرکت‌ها در استفاده از فناوری دید ماشینی می‌شوند؟

تمیم صالح: دو مشکل به‌صورت مشخص وجود دارد که البته هیچ کدامشان ارتباطی به خود فناوری ندارند. اولین موضوع، کمبود نیروی متخصص و کاردانی است که بداند چگونه باید از تحلیل تصاویر برای مقاصد تجاری در کسب‌وکارها استفاده کند. در واقع، ما در میانهٔ یک انقلاب جهانی هستیم. انقلابی که در آن شرکت‌های مختلف، به‌تدریج، سراغ استفاده از قابلیت‌های فناوری پیشرفته می‌روند، اما نیروی متخصص لازم برای ارتباط برقرار کردن بین مسائل کاری این شرکت‌ها و توانایی‌های هوش مصنوعی کم است و این باعث شده روند تغییرات کند باشد.

مشکل دوم، منطبق کردن روش‌های فناورانه با مدل‌های موجود کسب‌وکار (existing business model) شرکت‌هاست که مشخص نیست دقیقاً چگونه باید این دو را با هم تطبیق داد. برای مثال، در شرکت‌های بیمه‌ای، برای بررسی اعتبار درخواست مشتری برای دریافت خسارت، هنوز لازم است هم فرم‌های مختلفی پر شوند و هم با مرکز پاسخگویی برای صحبت با کارشناس بیمه تماس گرفته شود. اما، حالا بعضی شرکت‌های بیمه شروع به بازبینی این روند کرده‌اند. آنها با خود می‌گویند که شاید با دریافت تصاویر حادثه و بررسی الگوریتمی این تصاویر به نتایجی بهتری برسیم تا اینکه یک نفر با ما تماس بگیرد و ماجرا را برای ما شرح دهد. چرا که در روش سنتی در وهلهٔ نخست مشتری ممکن است به‌سادگی دروغ بگوید؛ اما می‌توان از نتایج الگوریتم‌ها برای تکمیل فرم‌ها استفاده کرد. این کار شدنی است: ولی رسیدن به این نقطه کمی طول خواهد کشید.

شان براون: پس، یعنی شرکت بیمه باید تصاویری از تصادف داشته باشد؟

تمیم صالح: دقیقاً.

شان براون: چه جالب! شما از یادگیری ماشین هم حرف زدید و اشاره کردید که یکی از مهم‌ترین پیشرفت‌های فناوری هوش مصنوعی مربوط به یادگیری ماشین است. لطفاً بیشتر برایمان توضیح دهید. اینکه یادگیری ماشین چیست، چگونه کار می‌کند و برای آنکه کار کند به چه چیزهایی نیاز خواهیم داشت؟

تمیم صالح: هیاهوی زیادی پیرامون یادگیری ماشین جریان دارد که باعث پس زدن و مرعوب شدن افراد غیرمتخصص شده است. در واقع، یادگیری ماشین مفهوم ساده‌ای دارد. یادگیری ماشین یعنی آمار. وقتی یک الگوریتم برای حل مسئله‌ای فعال می‌شود، نتیجهٔ کارش پیش‌بینی یک پاسخ برای یک مسئلهٔ مشخص خواهد بود. مثلاً، این سؤال که «احتمال اینکه یک مشتری از بازپرداخت وامش بازبماند چقدر است؟» الگوریتم یادگیری ماشین پاسخی را که به این سؤال داده شده، با آنچه واقعاً برای مشتریان مختلف رخ‌داده، مقایسه می‌کند. سپس الگوریتم پیش‌بینی‌کننده را اندکی تغییر می‌دهد تا خطای پیش‌بینی آن کمتر و دقتش بیشتر شود. همین.

یادگیری ماشین خصوصاً زمانی که با توانایی انسانی از جمله تصمیم‌گیری و قضاوت انسان‌ها آمیخته شود، بسیار قدرتمند می‌شود. نه اینکه دیگر نیازی به انسان‌ها نباشد. با کمک انسان‌ها و جمع‌آوری داده‌های بسیار زیاد می‌توان دقت الگوریتم‌های یادگیری ماشین را تا بسیار ارتقا داد. مثلاً خودروهای بدون راننده که با استفاده از یادگیری ماشین کار می‌کنند. برای این کار الگوریتم یادگیری ماشین با تماشای رانندگی انسان به‌مرور می‌آموزد که چگونه باید ماشین را هدایت و کنترل کند. با این روش می‌توان به طور پیوسته دقت الگوریتم را افزایش داد.

شان براون: یعنی همین‌طور که انسان‌ها رانندگی می‌کند و اشتباه‌های ماشین را تصحیح می‌کند، فرایند یادگیری پیش می‌رود؟

تمیم صالح: همین‌طور است. در واقع ما باید یادگیری ماشین را شامل دو بخش بدانیم: ماشین و انسان و نه‌ فقط ماشین.

شان براون: شما دربارهٔ دستیار مجازی هم کارهایی کرده‌اید. گمان نمی‌کنم ویدئوی گوگل را دیده باشید که در آن دستیار صوتی مجازی گوگل به یک سالن آرایش زنگ می‌زند و از طرف کاربر، از صاحب سالن آرایش وقت می‌گیرد. لطفاً کمی دربارهٔ این موضوع برایمان توضیح دهید که دستیارهای مجازی امروز چطور کار می‌کنند و چه آینده‌ای برای آنها قابل‌تصور است؟

تمیم صالح: در این مورد هم بگویم که برخلاف هیاهوی زیادی که دربارهٔ دستیارهای مجازی وجود دارد، این فناوری هنوز بسیار ابتدایی است. اما، با توجه ‌به رشد توان پردازشی و بهبود فناوری‌های نرم‌افزاری و البته حمایتی که از طرف صنایع بزرگ از این فناوری می‌شود، در شش تا هشت سال آینده، شکل ارتباط ما با ماشین‌ها تغییر خواهد کرد.

در نسل من باید اطلاعات را دستی وارد ماشین‌ها می‌کردید. مثلاً مجبور بودید تایپ کنید. برای نسل بعد از ما، ماشین‌ها دستیارهای باهوشی هستند که می‌توان با آنها حرف زد. شما خواهید توانست با استفاده از صدا و تصویر با ماشین‌ها ارتباط برقرار کنید. ماشین‌ها هم خواهند توانست با شما صحبت کنند و توصیه‌های خود را با زبان به شما منتقل کنند. نوعی فرایند واکنشی پیوسته که تبادل افکار و ایده‌ها را بین انسان و ماشین ممکن خواهد ساخت. ما هنوز به آنجا نرسیده‌ایم، اما آن دوره از راه خواهد رسید و هنگامی‌که از راه برسد، شکل کار کردن را، به نحو شگفت‌انگیزی، در همهٔ زمینه‌ها متحول خواهد کرد. شکل کار هم در شرکت‌های مربوط به حوزهٔ نیرو و انرژی عوض خواهد شد، هم کسی که در کارخانه مشغول  کنترل کیفیت تولید است و هم کسی که پشت میزش در حال سروکله زدن با داده‌های مالی است و تلاش می‌کند از داده‌ها و گزارش‌ها بینش عمیق‌تری کسب کند، ‌دیگر مثل گذشته کار نخواهد کرد. این فناوری برای همه انقلابی خواهد بود. انقلابی که اکنون شاهد سرآغازهایش هستیم.

شان براون: رباتیک چطور؟ ارتباط رباتیک با این انقلاب چگونه خواهد بود؟

تمیم صالح: دربارهٔ ربات‌ها همواره باید یادمان باشد که دو نوع ربات وجود دارد: یکی ربات‌های نرم‌افزاری و دیگری ربات‌های فیزیکی. ربات‌های نرم‌افزاری که همین حالا هم وجود دارند و کارهایی از قبیل پردازش متون، تشخیص تصویر و نامه‌نگاری خودکار (automated letter writing) و کارهایی از این دست را به‌خوبی انجام می‌دهند. هنگامی‌که شما این دستیارها را با هم ترکیب کنید، کارهای روزمره‌ای که مکرر تکرار می‌شوند، با استفاده از ربات‌های نرم‌افزاری،‌ واقعاً هربار بهتر از بار قبل، انجام خواهد شد و در عوض، انسان‌ها بیشتر روی تصمیم‌گیری‌ها و قضاوت شرایط و تصمیم‌ها تمرکز می‌کنند. یعنی دیگر  وظیفهٔ انجام کارهای تکراری، به‌مرور به ماشین‌ها منتقل می‌شود. چنین ربات‌هایی امروز هم وجود دارند و از آنها استفاده می‌شود. اینها عملکرد بسیار خوبی دارند، روزبه‌روز هم بهتر می‌شوند. در کمتر از  سه سال آینده، دیگر استفاده از آنها در مراکز پاسخگویی تلفنی به‌عنوان راهنمای مشتریان، چیزی عادی خواهد بود. این ربات‌ها خود با مشتری صحبت می‌کنند و به شکل درلحظه به کسی که تماس گرفته، توصیه‌های لازم را ارائه خواهند کرد. تایپ کردنی در کار نخواهد بود. مشتریان در گفتگو با ماشین اطلاعات مورد نیازشان را درخواست خواهند کرد و ربات‌ها به آنها کمک خواهند کرد. این، یعنی شیوهٔ ارتباطی بهتر شده که تأثیر مثبتی بر بهره‌وری خواهد داشت. اثر استفاده از این فناوری برای بعضی شرکت‌ها می‌تواند به افزایش ۵۰ تا ۶۰ درصدی بهره‌وری منجر شود.

اما، دربارهٔ ربات‌های فیزیکی هم باید حواسمان باشد که آن دسته از ربات‌هایی را که دهه‌هاست در صنایع از آنها استفاده می‌شود، با ربات‌های مبتنی بر یادگیری ماشینی یکسان در نظر نگیریم. بیش از ۳۰ سال است که بخش عمدهٔ کارهای تکرارشونده را در خطوط تولید خودروها، ربات‌ها انجام می‌دهند. اما، این ربات‌ها از یادگیری ماشین استفاده نمی‌کنند و برنامهٔ مشخصی دارند که کاری خاص را بدون تغییر انجام دهند. اما ربات‌های آینده که سروکله‌شان به‌مرور دارد پیدا می‌شود، باتوجه‌به تجربه‌ای که کسب می‌کنند، شکل کارشان را بهبود می‌دهند. این ربات‌ها از یادگیری ماشین و تحلیل تصویر و صوت استفاده می‌کنند و این توانایی را دارند که با افراد وارد مکالمه شوند و به این شکل، به‌مرور، کارشان را بهینه‌تر و بهتر پیش ببرند. این ربات‌ها، همواره با آموزش بهتر و بهتر خواهند شد که خودِ این موضوع می‌تواند یک تحول مهم به وجود آورد.

شان براون: کمی هم دربارهٔ فناوری تشخیص و تحلیل صدا (voice recognition) برایمان توضیح دهید.

تمیم صالح: تحلیل گفتار (Voice analytics) هم از آن دسته فناوری‌هایی است که به‌سرعت درحال‌رشد است. در مراکز پاسخگویی تلفنی بسیار زیادی در سراسر ایالات متحده و اروپا و مناطق دیگر جهان، امروزه، از این سیستم‌ها برای تسریع پاسخگویی به مشتریان استفاده می‌شود. این سیستم می‌تواند محتوای کلام مشتری را شناسایی و ثبت کند. در صورت نیاز آن را درلحظه به متن تبدیل کند و بر اساس الگوهایی که در آن نهفته است، مجموعه‌ای از دستورالعمل‌ها را پیگیری کند. ممکن است اثر انگشت کلامی شما را ثبت کند و از روی آن حدس بزند شما چه حسی دارید. مثلاً، اگر شما با یک مرکز پاسخگویی تلفنی تماس بگیرید و بگویید «ببینید، این سومین دفعه است که من تماس می‌گیرم و می‌گویم نسبت به این قبض اعتراض دارم» آنچه گفته‌اید پردازش می‌شود و «اعتراض دارم» ثبت می‌شود. همچنین «قبض» و «سومین دفعه» هم ثبت می‌شود تا با استفاده از این اطلاعات برای وضعیت راه‌حلی پیدا شود. سیستم با تشخیص روحیات شما می‌تواند درصورتی‌که شما از مشتریان معتبر باشید، شما را به اول صف انتظار پاسخگویی منتقل کند تا سریع‌تر به درخواستتان پاسخ داده شود.

شان براون: پس این، مثلاً یعنی اگر لازم باشد شما می‌توانید سریع‌تر با مدیران صحبت کنید.

تمیم صالح: هزاران کاربرد برای پردازش صوتی در زمینه‌های مختلف وجود دارد که به‌سرعت هم در حال گسترش است. این فناوری همراه با پردازش تصاویر و فناوری مربوط به حسگرها، بخشی از فناوری‌هایی را تشکیل می‌دهد که به‌صورت روزانه با آنها سروکار خواهیم داشت. بسته به آنکه شما چطور شرکتی باشید و ارتباطاتتان مصرف‌کنندگان (B2C) باشد و یا سازمانی (B2B)، به‌طورقطع، این فناوری در پیشبرد کارهایتان مفید خواهد بود.

شان براون: تحلیل ویدئو چطور؟ اگر صدا و تصویر را با هم ترکیب کنید، نتیجه آن چه خواهد بود؟

تمیم صالح: این فناوری هم در حال شکوفا شدن است. کاربردهای تحلیل ویدئو هم بسیار متنوع‌اند، اما با کاربردهای پردازش صدا فرق دارند. این کاربردها دسته‌ای مجزا از امکانات را در برمی‌گیرند، اما همهٔ اینها با هم یک علم کلی را می‌سازد. درست مانند عملکرد گروه‌‌ها که برای  بهبود عملکردشان تلاش می‌شود تا همکاری اعضای گروه با استفاده از ترکیب‌های مختلف بهینه شود. مثل گروه تحقیق و توسعهٔ شرکت که به گروه مالی کمک می‌کند و از آن کمک می‌گیرد تا عملکرد خود را بهبود بخشد. همانند بخش‌های مختلف شرکت‌ها استفاده از این فناوری‌ها هم باید با توجه به  محدودیت‌ها  و قوانین مربوط به هربخش، تنظیم شود.

شان براون: اجازه دهید کمی دربارهٔ داده‌ها صحبت کنیم. بعضی از مثال‌هایی که شما زدید، حجم عظیمی از داده‌ها را در برمی‌گیرد. شرکت‌ها چطور باید از این داده‌ها محافظت کنند تا از آنها برای مقاصد و کارهای منفی استفاده نشود؟

تمیم صالح: سرعت رشد به‌کارگیری این فناوری‌ها بسیار بالاست و شرکت‌ها در حال یادگیری این مسائل هستند. بگذارید مثالی بزنم؛ یک شرکت بریتانیایی از داده‌های ویدئویی برای تحلیل بلادرنگ چهرهٔ افرادی که از کنار تابلوهای تبلیغاتی‌اش عبور می‌کردند استفاده کرد تا تصاویر تبلیغات را به‌منظور جلب‌توجه بیشتر رهگذران، بهینه کند.

کمی بعد این سؤال برای مردم پیش آمد که چه کسی به این داده‌ها دسترسی دارد؟ و با این داده‌ها چه می‌کنند؟ هنوز نمی‌توان در مقررات وضع شده، برای سطح دسترسی و کارهایی که می‌توان با چنین داده‌هایی انجام داد، پاسخی پیدا کرد؛ اما مقررات و شرکت‌ها در حال تطبیق دادن خود با شرایط هستند. شرکت‌های فعال در اروپا برای تطبیق با مقررات GDPR «قانون حفاظت از داده‌های عمومی اتحادیهٔ اروپا» (the European Union’s General Data Protection Regulation) در حال تلاش هستند تا بتوانند قابلیت‌هایی را کسب کنند که ضمن رعایت این مقررات به کار ادامه دهند. شرکت‌ها ضرورتاً باید تلاش کنند در چهار مورد درست عمل کنند:

• اول اینکه شرکت‌ها باید تلاش کنند تا همواره برای این دو پرسش توجیه مناسبی داشته باشند: اینکه چرا داده‌هایی خاص را در اختیار می‌گیرند و اینکه با داده‌ها چه می‌کنند.
• دوم اینکه شرکت‌ها باید تلاش کنند مسیر تولید داده‌ها را بهتر ردیابی کنند، یعنی تلاش کنند بفهمند هر داده از کجا و چه زمینه‌ای می‌آید و متعلق به چه کسانی است.
• سوم اینکه شرکت‌ها باید بیاموزند پاسخ‌هایشان به پرسش‌ها (چه پرسش‌های مردم عادی و چه پرسش‌های مقامات دولتی) باید شفاف باشد.
• و در آخر، آنها باید قادر باشند که حتی پیش از وقوع مشکلات برای جلوگیری از بروز آنها، دست‌به‌کار شوند. البته مواردی که برشمردم، همیشه سرراست و مشخص نیستند. خصوصاً که با داده‌های مفهومی و تصویری هم مواجه باشید که پیچیدگی خود را دارند. بااین‌حال در پنج سال آینده شاهد پیشرفت قابل‌توجهی در این زمینه‌ها خواهیم بود.

شان براون: خب فرض کنید شما مدیرعامل شرکتی باشید که تا امروز از هیچ‌یک از فناوری‌هایی که به آنها پرداختید، استفاده نکرده است. نه از دید ماشینی و نه از دستیاران مجازی و یادگیری ماشین. نخستین گام‌های لازم برای استفاده از این فناوری‌ها چیست؟ فرض کنید شرکت شما یک شرکت صنعتی باشد که به بنگاه‌های دیگر خدمات می‌دهد و قصد دارد در مسیری صحیح به سمت هوشمند شدن حرکت کند.

تمیم صالح: اگر من مدیرعامل چنین شرکتی باشم، نخستین کاری که انجام می‌دهم این است که تمام گروه مدیریتی شرکت را جمع می‌کنم تا طی یک یا شاید هم دو روز، ابتدا از چیستی تحلیل پیشرفتهٔ صحیح سر دربیاوریم و سپس ببینیم که این تکنیک‌ها چیستند. درک اینکه این فناوری‌ها چیستند و چه کارهایی می‌توانند انجام دهد، بسیار مهم است. من، معمولاً زمان زیادی را با گروه مدیریتی یا نیروهای رده‌بالای شرکت‌هایی که مشتری‌مان هستند، سپری می‌کنم تا مطمئن شوم آنها از امکانات این فناوری‌ها درک درستی دارند.

گام بعدی من این پس از آشنایی این خواهد بود که به طور دقیق مشخص کنم که ارزش‌های موردنظر شرکت من کجاها قرار گرفته است. مثلاً، اگر شرکتی که من مدیرعاملش هستم از جمله شرکت‌هایی باشد که در حوزه سازمانی (B2B) فعال باشد، از خودم می‌پرسم تحلیل پیشرفته چه دستاوردهایی برایمان خواهد داشت؟ چگونه می‌تواند بر بهره‌وری بخش فروش اثر بگذارد؟ آیا برای تخمین تقاضای آینده (demand forecasting) می‌توان از این روش‌ها و فناوری‌ها بهره برد؟ یا اینکه آیا این فناوری‌ها به درد پیش‌بینی دیگر بخش‌های زنجیرهٔ تأمین (supply chain) خواهد خورد؟ از خودم خواهم پرسید که ارزش شرکت ما چیست؟ ارزش‌های ما در حوزه عملیات (value on operation) چیست؟ ارزش‌های ما در حوزه قیمت‌گذاری (value on pricing) چیست؟ درک این موضوع بسیار مهم است و حتماً اینها دومین گام من برای شروع به‌کارگیری این فناوری‌های پیشرفته خواهد بود.

گام سومی که برمی‌دارم به نیروهای انسانی شرکت مربوط خواهد بود. فناوری‌های جدید مشکل‌ساز نیستند، بلکه نبود نیروهای متخصص و ذهنیتی که برای استفاده از فناوری لازم است، کارها را مشکل خواهد کرد. راه‌حل این مسئله را هم نمی‌توان در استخدام نیروهای جدید از خارج از سازمان جستجو کرد. چرا که اولاً چنین افرادی حتی بیرون شرکت هم به تعداد کافی وجود ندارند و همین باعث می‌شود دستمزدشان بسیار بالا باشد. پاسخ را باید در بازآموزی کارکنان با توجه ‌به نوع کارها و مسائل تجاری هر شرکت و اولویت‌بندی‌های کاری کارکنان جست. به کمک بازآموزی و طرح مسیرهای پیشرفت مشخص برای دانشمندان داده، مهندسان و رابطان فناوری و غیره، می‌توان مشکل انسانی استفاده از فناوری را در شرکت مرتفع ساخت. پس از ۱۸ ماه که شما این تغییرات را گام‌به‌گام پیش ببرید، همین‌که در هر گام نتایج این تغییرات به خلق ارزش و بازگشت سرمایه برسد، شما پتانسیلی از توانایی‌های لازم برای استفاده از فناوری پیشرفته را در شرکت خود به وجود آورده‌اید. حالا دیگر خیالتان راحت خواهد بود که حرکتی را آغاز کرده‌اید که قابل متوقف کردن نیست. اما پیش از همه، شما، به‌عنوان مدیرعامل، باید خودتان شروع کنید به یادگیری بیشتر.

شان براون: این روزها شرکت‌ها برای کسب مشتریان بیشتر مجبور به خلق مازاد مصرف‌کننده (consumer surplus) هستند که در آن مصرف‌کنندگان ارزش کمتری برای استفاده از محصولات شرکت پرداخت می‌کنند. نقش هوش مصنوعی را در خلق ارزش بیشتر برای شرکت‌ها (قصد ندارم آن را ضد مازاد مصرف‌کننده بنامم) چطور می‌بینید؟ اینکه آیا شرکت‌ها بدون آنکه مجبور باشند قیمت‌های بسیار پایین برای جلب مشتریان تعیین کنند، می‌توانند مشتریانی وفادار برای خود دست‌وپا کنند؟ یعنی، این امکانات تحلیلی پیشرفته از چه راهی به شرکت‌ها کمک خواهد کرد که سوددهی بیشتری داشته باشند؟

تمیم صالح: از روش‌های متفاوت. با استفاده از تحلیل پیشرفته، شرکت‌ها به‌مرورزمان شناخت بسیار، بهتری از مشتریانشان به دست می‌آورند. امروز بخشی از مسئله این است که ما بینش یک‌پارچه و قابل اتکایی از مشتریان نداریم. در واقع اصلاً داده‌هایی که الان در اختیار داریم قابل‌اتکا نیستند؛ بنابراین، ما راهی برای استخراج داده‌های دیگر و تطبیق آنها با داده‌های مشتریان نداریم. تا حد زیادی می‌توان این مشکل را با استفاده از امکانات تحلیل پیشرفته، مثل پردازش معماری باز (open architecture)،‌ که امکان تحلیل داده‌های غیر ساخت یافته (unstructured data) را ممکن می‌سازند، برطرف کرد.

اتفاقی که رخ می‌دهد این است که مثلاً شما جای آنکه مشتریانتان را به هشت گروه کلی تقسیم کنید، می‌توانید آنها را به ۱۵ هزار ریز گروه (microsegment) تقسیم کنید. حتی بیش از این می‌توانید برای هر مشتری یک DNA خاص ایجاد کنید و روی این داده‌ها جستجو کنید تا همبستگی آماری بین سویه‌های مختلف رفتار مشتریان را پیدا کنید؛ اعم از اینکه چه می‌خرند تا اینکه عضو چه گروه و طبقهٔ اجتماعی هستند و کجا زندگی می‌کنند و چیزهایی از این‌ قبیل. به این طریق می‌توانید تخمین بزنید که چقدر ممکن است مشتری متمایل (propensity) به خرید کالا یا خدمات شما باشد یا اینکه به چه پیامی چگونه واکنش نشان می‌دهد یا از چه چیزی خوشش می‌آید یا بدش می‌آید و مطمئن شوید که در مواجهه با او روش درستی پیش گرفته‌اید.

مسائل اخلاقی این تحلیل‌ها بسیار مهم هستند. شما باید در مواجهه با مشتری با استفاده از این ریز گروه‌ها، رفتار خود را شکل دهید. برای مثال، شما می‌توانید به شکل درلحظه موقعیت افراد را در شعاع ۳۰۰ متری با دقتی بالا رصد کنید. با توجه‌ به اینکه شما مشتریانتان را می‌شناسید، ترکیب این داده‌ها قابلیت‌هایی به شما خواهد داد که تا پیش ‌از این کسی حتی تصورش را هم نمی‌کرد. شما با استفاده از شناخت بهتری که از مشتری خود کسب کرده‌اید، می‌توانید قیمت‌گذاری‌ها و تخفیف‌های ویژه‌ای به او ارائه کنید و برای این کار می‌توانید از کانال‌های دیجیتال خود استفاده کنید.

شان براون: چه زمانی این شکل استفاده برای ارائه‌دهندهٔ خدمات بدل به چیزی نامعلوم خواهد شد؟ به‌عبارت‌دیگر، اگر مثلاً ۱۵ هزار ریز گروه برای مشتریانتان داشته باشید، این زیاد است یا کم؟ چطور می‌توان فهمید که کافی است؟ که برای هر مشتری کار درست را انجام می‌دهید؟ کمی قبل از یادگیری ماشین و همکاری انسان با آن صحبت کردید، در این مثال مربوط به ریز گروه‌بندی، چطور می‌توان از یادگیری ماشین با همکاری انسان، استفاده کرد؟

تمیم صالح: تحلیل یعنی آمار و همبستگی (correlation) مبتنی بر امور واقع، یعنی مبتنی بر اموری که پیشتر رخ داده است.

شان براون: واقعیت‌های قابل رصد (Observable facts).

تمیم صالح: همین‌طور است؛ بنابراین اگر شما ۱۵ هزار ریز گروه برای مشتریانتان دارید، این گروه‌بندی مربوط به نحوهٔ رفتار قبلی مشتریانتان است، یعنی مثلاً مربوط است به اینکه چطور به پیام‌های قبلی واکنش نشان داده‌اند، یا به خرید چه چیزهایی تمایل دارند. با استفاده از این واکنش‌های قبلی است که می‌توان رفتار آیندهٔ آنها را پیش‌بینی کرد. اگر شما الگوریتم‌هایتان را به‌درستی استفاده کنید و با استفاده یادگیری ماشین، دائماً عملکرد آنها را ارزیابی کنید، دیگر خیالتان باید جمع باشد که با دقت بالایی رفتار مشتریان و خواسته‌هایشان را می‌دانید.

اما توجه کنید این پاسخ طولانی به معنای آن نیست که خروجی این سیستم در سطح حدسیات است. نه. پیش‌بینی‌های این فناوری بر پایهٔ آمار و واقعیات است. شما با استفاده از داده‌ها و کشف همبستگی بین صدها میلیون داده، به ۱۵ هزار ریز گروه می‌رسید و این داده‌ها هستند که دستیابی به چنین دقتی در گروه‌بندی را برایتان ممکن می‌سازند. این گروه‌بندی ریز (granular) مشتریان می‌تواند بسیار دقیق به شما بگوید که باید چه پیامی به مشتری ارسال کنید و او در هر لحظه از شما چه انتظاری دارد و البته که خود این پیش‌بینی‌ها هم دائماً مورد آزمون قرار گرفته و تصحیح خواهند شد. اهمیت این امکان( مثلاً در مراکز پاسخگویی یا در کارهایی که باید مواجههٔ رودررو با مشتری داشت) آن است که اپراتورهای انسانی نمی‌توانند پیام‌ها یا تاکتیک‌هایی برای مواجهه با هزاران گروه از مشتریان داشته باشند و این جایی است که قدرت ابزار دیجیتال به شکل مشخصی نمایان می‌شود. می‌توان پیام‌ها و تاکتیک‌های مواجهه با مشتری را از این ابزارها دریافت کرد و آنها را به کاربرد.

شان براون: خب! برگردیم به دنیای واقعی. امروزه شرکت‌ها از این تکنیک‌های ریز گروه‌بندی برای چه کارهایی استفاده می‌کنند؟

تمیم صالح: در ژاپن، کرهٔ جنوبی و امریکا، بعضی شرکت‌های فروش محصولات مصرفی شروع به استفادهٔ آزمایشی از این فناوری کرده‌اند. مثلاً، وقتی یک مشتری برای خرید یک تلویزیون جدید به شما مراجعه می‌کند می‌توانید به او فرصت دهید که با یک انسان یا یک ماشین صحبت کند. جالب اینکه در کرهٔ جنوبی ۵۵ درصد افراد ترجیح می‌دهند با ماشین حرف بزنند. آنها از ماشین دربارهٔ محصول و مشخصاتش می‌پرسند و به ماشین اعتماد بیشتری دارند تا انسان. در این حالت، شما به شکل پیوسته در حال ثبت داده‌های مشتری هستید و خواهید دانست حس او، مثلاً نسبت به فلان تلویزیون چیست. چنین کاری در جهان واقعی در حال انجام است. مشتری واقعاً مشغول تصمیم‌گیری برای خرید است. محصولات را برمی‌دارد، بررسی و ارزیابی می‌کند و در این کار یک ماشین به‌عنوان راهنما همراه اوست. اگر هم یک مشتری بخواهد با فروشندهٔ انسانی سروکار داشته باشد، می‌توان تمامی تحلیل‌های ماشین را به‌عنوان راهنما در اختیار فروشنده گذاشت. مشخص است که در جهان واقعی، به‌مرور مرز میان خروجی ماشین و انسان محو خواهد شد. چون هر دو، در عمل، از امکانات ماشین بهره می‌برند. ممکن است شما مشغول صحبت با یک انسان باشید، به‌جای اینکه با ماشین حرف بزنید، درعوض، او با دسترسی به داده‌ها و بینش ماشین، شما را راهنمایی می‌کند.

شان براون: انگار در فروشگاه‌ها یک دستیار مجازی واقعی شما را برای خرید کمک کند.

تمیم صالح: همین‌طور است. دستیاری که به سیستم‌های مدیریت ارتباط با مشتری (CRM) هم متصل است. استفادهٔ آزمایشی از این فناوری آغاز شده است. گرچه اکنون تا حدودی، به بخشی عادی از کسب‌وکار شود بدل شده است، ولی در ابعاد بزرگ‌تر، هنوز در گام‌های نخست بهره‌گیری از این فناوری هستیم.

شان براون: آیا استفاده از هر پنج زمینهٔ مختلف هوش مصنوعی باید باهم باشد؟ یا باید گام‌به‌گام استفاده از آنها را شروع کرد؟ چون شما وقتی از رابطه بین یادگیری ماشین و دید ماشینی حرف می‌زدید به نظرم رسید که این دو قابلیت بسیار در هم تنیده‌اند. آیا تقدم‌ و تأخر مشخصی برای استفاده از هوش مصنوعی در هر یک از پنج زمینه وجود دارد؟

تمیم صالح: در حالت کلی شرکت‌ها در سه مرحله می‌توانند استفاده از یادگیری ماشین و هوش مصنوعی را آغاز کنند:

1. نخست، استفاده از داده‌های ثبت‌شدهٔ فعلی برای کسب بینش است. این مرحله تقریباً به صورت کامل متکی بر ابزار تحلیلی خواهد بود. شما با استفاده از ابزارهای پیشرفتهٔ تحلیلی، داده‌هایی را که در دست دارید، تحلیل می‌کنید.
2. در مرحلهٔ دوم، تحلیل تصویر و صوت را با یادگیری ماشین درهم می‌آمیزید. در این مرحله ماشین‌ها بیشتر به عوامل (agent) شرکت شبیه می‌شوند و سپس، به‌عنوان کارمند یا نمایندهٔ شرکت می‌توانند با مشتریان ارتباط برقرار کنند. اینجا دیگر، کارکنان و مشتریان با ماشین‌ها مراوده خواهند داشت و ماشین‌ها به شکل فعال داده‌ها و نتایج تحلیل‌هایشان را در اختیار ما می‌گذارند. امروز در آغاز این مرحله هستیم.
3. مرحلهٔ سوم، وقتی است که از ماشین‌ها در کارهای روزمره، در جهان واقعی استفاده شود. ربات‌هایی که مجهز به این فناوری‌ها هستند، کارهایتان را انجام می‌دهند. مثلاً، برایتان نان هم می‌خرند یا اگر دوست داشته باشید، ساندویچ یا قهوه حاضر می‌کنند یا جعبه‌هایتان را جابجا می‌کنند و کارهایی ازاین‌دست. نمونه‌هایی از هرکدام از این مراحل امروز در جهان وجود دارد، اما در ابعاد کلی ما هنوز در مرحلهٔ اول استفاده از قابلیت‌های هوش مصنوعی و یادگیری ماشین در جهان هستیم.

شان براون: آیا هیچ محدودیتی برای این فناوری‌ها وجود دارد؟ مثلاً آیا در زمینهٔ قانون مور (Moore’s law) (قانون مور، برگرفته از نام گوردون مور، مهندس آمریکایی، است که به طور خلاصه در سال ۱۹۶۵ پیش‌بینی کرده بود که سال‌به‌سال کامپیوترها کوچک‌تر و ارزان‌تر خواهند شد) به مشکل برنخواهیم خورد؟ آیا این فناوری‌ها فارغ از مشکلات این‌چنینی به‌پیش خواهند رفت؟

تمیم صالح: مسئلهٔ اصلی تأمین نیروی زبده، تغییر طرز فکر و تغییر شیوهٔ کار است. این موضوع ۷۰ تا ۸۰ درصد مشکلات را دربرمی‌گیرد. در مطالعاتی که ما انجام داده‌ایم، روشن شد که ۷۵درصد مشکلات بهره‌گیری از این فناوری‌ها، در این سه مورد خلاصه می‌شود: نیروی زبده، سازماندهی و طرز فکر.

اگر به سراغ فناوری‌های پیچیده‌تری مثل دستیارهای مجازی و ربات‌های واقعی برویم که از ترکیبی از امکانات مثل تحلیل تصاویر و غیره استفاده می‌کنند، می‌توان دید که هنوز جای کار زیادی هست و برای آن نیاز به افزایش توان پردازشی خواهیم داشت. برای مثال، برای کاهش مدت تأخیر عملکرد این فناوری‌ها در مواجهه با داده‌های بلادرنگ، باید توان پردازشی آنها بیشتر باشد. مسائل امنیتی سیستم‌ها هم مهم هستند و فهم شیوهٔ عملکرد ربات‌های واقعی هم، هنوز دشوار است. انجام کارهای ساده‌ای مانند گرفتن و جابه‌جا کردن چیزها هنوز در توان فناوری‌های امروز ما نیستند. اما، سرعت حرکت ما به جلو، باورنکردنی است. هر دو یا سه سال، مسیری معادل چند برابر کل سال‌های قبل طی می‌کنیم.

شان براون: شما به موضوعاتی دربارهٔ پیاده‌سازی و به‌کارگیری هوش مصنوعی در شرکت فرضی خود اشاره کردید. نخستین مورد داشتن بینشی صحیح از این فناوری و داشتن استراتژی برای استفاده از آن بود. در ادامه گفتید اگر مدیرعامل شرکتی باشید ابتدا همهٔ گروه مدیریتی را جمع خواهید کرد. آیا هدفتان از این کار این است که بقیهٔ مدیران هم بینش درستی از امکانات تحلیل پیشرفته کسب کنند و بدانند ارزشش چیست و در کجا و چگونه می‌تواند سودآور باشد؟ آیا برای شکل داده به بینشی مشترک، همه را گرد هم جمع می‌کنید؟

تمیم صالح: این کار آغاز مسیر فرایند فهم هوش مصنوعی و قابلیت‌هایش خواهد بود. اگر شما به‌عنوان یک مدیرعامل، بتوانید حقایق و توانایی‌های واقعی هوش مصنوعی را از هیاهویی که پیرامونش را گرفته، جدا کنید، دیگر مرعوب پیچیدگی‌های آن نخواهید شد. آنگاه خیلی بهتر و راحت‌تر می‌توانید شروع کنید به بحث و تبادل نظر در مورد این‌که در سطح استراتژیک، فناوری‌های پیشرفتهٔ تحلیلی چه فایده‌ای می‌توانند برایتان داشته باشند. تقریباً در تمامی فعالیت‌های کاری و تجاری، این فناوری‌ها می‌توانند فارغ از زمینهٔ کاری شرکت‌ها، برای خلق ارزش به کار گرفته شوند. چه ساخت یک مدل تجاری جدید باشد، چه تولید محصولی جدید و غیره. کار باید با آموزش آغاز شود، اما در گام بعد که رسیدن به آن چندان هم طول نخواهد کشید، شما باید به طور مشخص به سراغ فعالیت خود بروید و بپرسید این فناوری‌ها برای تجارت من، از چه طریقی می‌توانند مفید واقع شوند؟ فرصت‌های معینی که با استفاده از این فناوری‌ها، برای شرکت فراهم می‌شود، چه خواهد بود؟ ارزشی که برایم خلق می‌کنند چقدر است و کجاها و چگونه می‌توانم از آن در شرکت خود استفاده کنم؟

شان براون: آیا در طراحی مدل سازمان هوش مصنوعی، برای آنکه بهتر بتوان از هوش مصنوعی استفاده کرد، چیزی هست که باید از آن دوری کرد؟ یا چیزهای دیگری که برای تسریع به‌کارگیری مؤثر هوش مصنوعی در شرکت، بتوان به آن توجه بیشتری کرد؟

تمیم صالح: بله. ما انسان‌ها همه مثل هم هستیم. مهم هم نیست که در آفریقا باشیم یا آمریکای شمالی یا آسیا. همهٔ ما اشتباهاتی مشابه را تکرار می‌کنیم. به گمانم سه یا چهار چیز هست که در این باره مهم هستند:

نخست اینکه همه چیز را در یک نقطه جمع نکنید. نمی‌توانید همهٔ قابلیت‌های تحلیلی را در یک مکان جمع کنید و بعد انتظار داشته باشید سایر بخش‌های شرکت، به‌مرور، آن را بپذیرند و به کار ببرند. تصور کنید یک گروه از دانشمندان داده و تکنسین‌ها و غیره استخدام کرده‌اید. حال اگر این تازه‌واردان به سراغ نیرویی بروند که سی‌سال در شرکت شما کارکرده است و به او بگویند که باید از امروز بر اساس این مدل سازمانی جدید، کارکرد. فکر می‌کنید چه می‌شود؟ خیلی‌خیلی بعید است که او حاضر به پذیرش حرفشان شود. درعین‌حال از آن طرف بام هم نباید افتاد. آشوب راه نیندازید و به هر کس در هر سطح و جایگاهی اجازه ندهید که شروع به آزمون‌ و خطا با قابلیت‌های فناوری کند. کسانی که زبان و درک مشترکی از روش‌ها، پروتکل‌ها، روش‌شناسی‌های مدل‌سازی ریاضیاتی ندارند، نمی‌توانند این کارها را به‌درستی انجام دهند. این کار تنها به پیچیدگی اوضاع اضافه می‌کند و هرگز هم قادر نخواهید بود چنین سازوکاری را در ابعاد بزرگ به کار گیرید. باید به تعادلی بین این دو وضعیت برسید که درعین‌حال، هم کارکنان آزادی عمل داشته باشند و هم از مسیر مشخصی که شرکت ترسیم کرده، تبعیت کنند. مسیری که مجموعه‌ای از روش‌های استاندارد و جمعیِ طراحی شده برای یک شرکت به‌خصوص است. در واقع، اصلاً آنچه در جهان بیشتر اتفاق می‌افتد هم همین است. شرکت‌ها گروه‌های کوچکی از متخصصان دارند که رویکردها و روش‌های کاری و ابزارهای موردنیاز را تعریف می‌کنند و به بقیه کارکنان آموزش می‌دهند. اما درون بخش‌های مختلف گروه‌های چابکی هم هستند که از تحلیل داده‌ها برای کاربری‌های گوناگون، در بخش‌های مختلف شرکت استفاده می‌کنند.

دوم اینکه شما باید دقت زیادی روی تعریف وظایف و نقش‌ها داشته باشید. یک دانشمند داده کیست؟ مهندس داده چه؟ معمار داده چه می‌کند و نقش مترجم داده در این ‌بین چیست؟ این‌ها باید مشخص باشند تا به‌درستی در سازوکار فعلی شرکتتان بتوانید از آنها استفاده کنید. اگر شما تعریفی مشخص از این نقش‌ها نداشته باشید و برای مثال، ندانید دانشمند داده چه کسی است، بعید است این افراد در شرکت شما باقی بمانند. چرا که اگر نقش‌ها را مشخص نکنید، همه خودشان را دانشمند داده می‌نامند و به دلیل مشخص نبودن دامنهٔ نقش‌ها، همه سرخورده خواهند شد. برای آنکه آنها را حفظ کنید باید مسیر پیشرفت شغلی مشخصی برایشان تدارک دیده باشید. برنامه‌های آموزشی و گواهینامه برایشان تدارک ببینید تا آنها را مشتاق به کار برای شرکتتان نگاه دارید. بسیاری از شرکت‌ها این کار را نمی‌کنند.

و در نهایت سومین چیز مهمی که شما به‌عنوان یک مدیرعامل باید متوجه آن باشید این است که به‌کارگیری هوش مصنوعی تنها به ریاضی و علم داده مربوط نیست. در واقع بخش مهمی از ارزشی که با استفاده از این فناوری‌ها کسب می‌شود وابسته به کارکنان فعلی شرکت است. آنها اطلاعاتی از کار دارند که می‌توان با استفاده از علم داده آنها را به مدل‌های کارا تبدیل کرد. پس لازم است ۱۰ تا ۱۵درصد کارکنان شرکت را حین کار آموزش دهید. آموزششان دهید تا در نقش مترجم، دسترسی دانشمندان داده به اطلاعات کاری شرکت را فراهم کنند. بدون این کار، تقریباً به طور یقین، در به‌کارگیری گسترده فناوری‌های تحلیلی در کسب‌وکار خود شکست خواهید خورد.

شان براون: بیایید فرض کنیم شما مدیر مالی یک شرکت هستید، به نظرتان مهم‌ترین چیزی که یک مدیر مالی باید در عصر طلوع فناوری‌های تحلیل پیشرفته به آنها توجه کند تا بتواند سازمانش را در مسیر موفقیت قرار دهد، چیست؟

تمیم صالح: مدیران مالی در آینده از جمله کسانی هستند که بیشترین منفعت را از فناوری‌های تحلیلی پیشرفته خواهند برد. چرا؟ چون اطلاعاتی که امروز مدیران مالی دریافت می‌کنند در اکثر مواقع اطلاعات بلادرنگ (real time) نیستند و خیلی هم دقت بالایی ندارند. حالا تصور کنید که در شرکت خود از تحلیل تصویر استفاده کنید. در مراکز پاسخگویی از تحلیل صوتی بهره ببرد و در کنار پیش‌بینی تقاضا (demand forecasting) از سامانه‌های مدیریت انبارداری (inventory management) هوشمند، استفاده کند. اگر سازمانی از قابلیت‌های فناوری‌های تحلیل پیشرفته در کار خود استفاده کند، مدیر مالی آن باید اطمینان حاصل کند (و این اولین کاری است که باید انجام دهد) که این استفاده در راستای بهبود عملکرد مالی سازمان و با توجه ‌به شاخص‌های کلیدی عملکرد طراحی شده است و همهٔ اینها باعث بهبود عملکرد مالی شرکت می‌شود.

به‌ مرور زمان، شما یک مرکز اطلاعاتی خواهید داشت که امکان فعالیت بیشتری به شما خواهد داد. وقتی درخواست‌های خرج هزینه از طریق الگوریتم‌ها انجام گیرند، این اطلاعات به دست مدیر مالی هم خواهد رفت و زمینهٔ خرج هزینه‌ها و ارتباطش با تصویر بزرگ کار سازمان مشخص خواهد شد. حالا اگر این را کنار صدها نکتهٔ دیگر بگذارید، مدیر مالی تبدیل خواهد شد به یک رهبر در مرکز اطلاعات شرکت (information-center leader) که با دیدگاه استراتژیک، فعالانه امور را اداره می‌کند. دیگر نمی‌توان نقش مدیر مالی را به مراقبت از حساب و کتاب، فروکاست.

در ضمن، گرچه لازم است که مدیر مالی، متخصص امور مالی باشد تا بتواند از امکانات تحلیلی برای تحلیل هزینه‌ها، کنترل حساب‌های دریافتنی و حساب‌های پرداختنی accounts receivable) accounts payable) و ترازکردن ستون‌های بدهکار و بستانکار و چیزهای دیگری که همواره مدیریت ریسک آنها را برعهده دارد، استفاده کند. اما فرصتی که این فناوری‌ها به ارمغان می‌آورند بسیار گسترده‌تر از کارکردهای صرف مالی است.

شان براون: و اگر شما بخواهید به یک مدیر مالی که علاقه‌مند به یادگیری این موضوعات است و می‌خواهد سریع از فناوری‌های تحلیلی پیشرفته، سر در بیاورد، کتابی یا محتواهای دیگری وجود دارد که به او پیشنهاد کنید؟

تمیم صالح: مدیران مالی هم مانند مدیران دیگر بین واقعیت‌های این فناوری‌ها و هیاهوها فرق بگذارد. به طور مشخص، یک دورهٔ آموزشی یک یا دو روزه بسیار مفید خواهد بود. جاهای زیادی هم وجود دارد که می‌توان در آن‌ها این دوره‌ها را گذراند. کتاب‌ها هم خوب هستند؛ اما باید احتیاط کرد، کتاب‌های زیادی هم هستند که خودشان بیشتر بخشی از هیاهو و جنجال پیرامون این ماجرا هستند.

شان براون: حتی شاید قدیمی هم باشند.

تمیم صالح: دقیقاً. اما یادگیری و درک پایه‌های آمار و تحلیل پیشرفته و شکل استفاده از آنها مهم است. مفاهیمی مثل گروه‌‌های چابک (agile teams) و آزمایشگاه‌ها بسیار اهمیت دارند. این جایی است که به‌خاطر اشتباهات یا تعارض با منطق ریاضیاتی، سروکلهٔ شکست‌ها پیدا می‌شود. بعد باید به این سؤال فکر کنیم که حالا که در گروه خود امکانات و قابلیت‌های لازم را فراهم کرده‌ایم، چطور باید از آن در ابعاد بزرگ‌تر کل سازمان بهره برد؟ این موضوع اهمیت بسیار زیادی دارد. اگر در آغاز کار پیاده‌سازیی تغییرات و استفاده از فناوری هستید، به عنوان مدیر مالی در این کار مشارکت داشته باشید. پس از پیاده‌سازی تغییرات به عنوان یک منبع تحلیل اطلاعات می‌توانید در پیشرفت شرکت سهم داشته باشید.

شان براون: تمیم! خیلی ممنون که به ما وقت دادی، لطف بزرگی بود.

تمیم صالح: خواهش می‌کنم.