هوش مصنوعی و بهینه سازی فرایند

هوش مصنوعی و بهینه سازی فرایند، درست یا غلط؟

یک نقش کلیدی برای هر مدیر در واحد IT این است که اطمینان حاصل نماید که فناوری پشتیبانی کننده فرآیندهای کسب و کار تا حد امکان روان هستند.
امروزه موضوع هوش مصنوعی و بهینه سازی فرایند ها سر زبان ها افتاده و این سوال مطرح است که آیا از هوش مصنوعی میتوانیم برای بهبود فرایند ها استفاده کنیم یا خیر؟
CIO و تیمی از معماران سازمانی و تحلیلگران و مشاوران نیز هرجا که ممکن است، به دنبال استفاده از IT برای ساده‌سازی فرآیندهای ناکارآمد یا دستی از طریق مدیریت فرآیندهای کسب‌وکار (BPM) هستند.
درواقع تعدادی از فناوری ها گرد هم آمده اند تا به BPM درخشش جدیدی ببخشند. یکی از این موارد استفاده از هوش مصنوعی (AI) برای هدایت اتوماسیون است.
آخرین نظرسنجی مربوط به سرمایه‌گذاری رهبری ارشد در فناوری اطلاعات از CCS Insight، که در ماه جولای انجام شد، گزارش می‌دهد که 80 درصد از شرکت‌ها اکنون هوش مصنوعی را آزمایش کرده و یا آن را در فرآیندهای تولید خود مورد استفاده قرار می‎دهند.
این داده ها نسبت به سال 2019 افزایش قابل توجهی نشان می دهد، که در آن 55 درصد از شرکت ها گفته بودند که تنها هوش مصنوعی را آزمایش می کنند.
مقاله گارتنر با عنوان حرکت فراتر از RPA برای ارائه ابَراتوماسیون، تعدادی از حوزه‌ها را شناسایی می‌کند که می‌توان در آنها از هوش مصنوعی و یادگیری ماشین (ML) برای اتوماسیون فرآیند استفاده کرد.
اولین مورد، انجام یادگیری مداوم با کمک داده های جمع آوری شده در فرآیندهای اتوماسیون است که سپس برای به روز رسانی مدل ها به صورت پویا استفاده می شود. هوش مصنوعی تنظیماتی را برای بهبود کیفیت اتوماسیون انجام می دهد.
دومین حوزه ای که می توان هوش مصنوعی را به کار گرفت، استفاده مجدد از مدل های یادگیری است که قبلاً روی مجموعه داده های مشابه آموزش دیده اند.
به گفته گارتنر، چنین مدل‌هایی را می‌توان به صورت مدلی از مشتریان جدید در نظر گرفت، که زمان و داده‌های مورد نیاز برای ساخت و استقرار یک مدل را به حداقل می‌رسانند.

محرک رشد کسب و کار

کمپانی استرالیایی انرژی AGL ، محیطی را برای تولید به وجود آورده که بسیار پراکنده است. هر باتری خورشیدی منبعی غنی از ابرداده ها فراهم می کند، اما این شرکت به دلیل ماهیت تصادفی داده های انرژی خورشیدی در مقیاس بزرگ نیاز به استفاده از یادگیری ماشین دارد.
AGL هم برای آموزش و هم برای استنباط، از سرویس یادگیری ماشین Microsoft Azure ، همراه با سایر نرم افزارهای تحلیلی و مبتنی بر Kubernetes استفاده کرد تا محیط استانداردی را برای مدیریت کدها، یادگیری ماشین اتوماتیک، عملیات یادگیری ماشین (MLOps) و نظارت لحظه به لحظه بر عملکرد و بازآموزی لحظه به لحظه مدل ایجاد نماید.
یکی از مدیران ارشد سازمان می‌گوید که نیروگاه مجازی AGL نه تنها جوایز متعددی را در زمینه افزایش پایداری انرژی در استرالیا کسب کرده، بلکه تقاضا برای برق در بازار انرژی را نیز تغییر داده است و اساساً به مشتریان برای پشتیبانی از شبکه پاداش می‌دهد.
این امر نویدبخش بهبود قابلیت اطمینان شبکه و کمک به مشتریان برای صرفه جویی در قبوض انرژی است. AGL ادعا می‌کند که معماری زیربنایی، این شرکت را قادر می‌سازد تا هزاران مدل یادگیری ماشین را حتی اگر برای بیستمین بار مورد نیاز باشد، آموزش دهد.

او می گوید: “آنچه که بسیار جذاب است سطح اتوماسیونی ست که در جریان است، به ویژه در زمینه تجارت انرژی مازاد در بازار آزاد. این جنبه، بدون یادگیری ماشین در مقیاس بزرگ غیرممکن بود.”
“من اخیراً با دیوید برورن، مدیر کل فناوری انرژی یکپارچه AGL صحبت کردم. او تاکید کرد که ارائه دهنده اتوماسیون، مجموعه داده های بیشتری مانند سطوح برف و پوشش ابری را نیز اضافه کرد تا قدرت پیش بینی را به کمک یادگیری ماشین بهبود بخشد.
او همچنین به فرصت‌های جدید زیادی برای گسترش عمیقتر مفهوم انرژی مجازی به خانه‌ها و صنایع از طریق اتصال اقلامی فراتر از باتری‌های خورشیدی به شبکه، همچون وسایل نقلیه الکتریکی، ژنراتورهای پشتیبان و مراکز داده ها اشاره کرد.”

همانطور که مثال AGL مک کوایر نشان می دهد، شرکت هایی که در بخش خدمات آب و برق فعالیت می کنند، از اتوماسیون سود زیادی می برند. ماهیت این بخش به این معنی است که فرآیندهای اصلی بر اساس تکنولوژی ای اجرا می شوند که طی سالیان متمادی ساخته و به آن اضافه شده است.
چنین رویکردی در اغلب مواقع، دیگر کارآمدترین راه را برای اداره کسب و کار ارائه نمی دهد. شرکت Goto.energy تازه وارد بازار انرژی با پشتیبانی نیروی کار دیجیتال هوشمند مبتنی بر ابر Blue Prism، تعداد مشتریان خود را بیش از 200 درصد در عرض 12 ماه افزایش داده است.

مدرن سازی جریان داده های 40 ساله

بازار داخلی گاز و برق بریتانیا مبتنی بر داده بوده و تحت تسلط شش تامین کننده اصلی می باشد. ایوان سالوی، یک مدیر ارشد مالی از شرکت Goto.energy ، می‌گوید: هنگامی که در سال 2018 راه‌اندازی شد، Goto.energy برای درک چگونگی راه‌اندازی کسب‌وکار، تمام فرآیندهای تجاری مورد نیاز یک ارائه‌دهنده انرژی را در بخشی با حاشیه‌ سود کم ترسیم کرد.
او در ادامه می‌گوید با تکامل صنعت آب و برق، ماژول‌های زیادی به سیستم‌های اصلی اضافه شدند. به عنوان مثال، مشاغل در ابتدا تعرفه‌های دوگانه سوز را ارائه نمی‌کردند، بنابراین وقتی این تعرفه‌ها اضافه شدند، به جریان‌های داده‌های مختلف زیادی نیاز داشتند که باید میان شرکای این صنعت مبادله می‌شد. برخی از سیستم‌های بخش سرور 40 سال قدمت دارند و بر اساس تکنولوژی اوایل دهه 1980 می باشند.
سالوی می‌گوید: «ما 200 صفحه فلوچارت داشتیم و مکان‌هایی را که موارد تکراری وجود داشت نیز، ترسیم کردیم. یکی از موارد ناکارآمدی در یک سازمان این است که ممکن است صدها جریان داده برای یک مشتری وجود داشته باشد که اغلب به ورودی های دستی نیاز دارند.
در حالی که مدت زمان مدیریت سفارشات مشتریان جدید در این صنعت به طور میانگین 21 روز است، Goto.energy قادر است کل فرآیند را با سرعت بسیار بیشتری تکمیل نماید. به طور معمول، بخش عمده ای از اپلیکیشن های مشتریان جدید دریافت شده از طریق سایت های مقایسه‎ای شخص ثالث محبوب، یک شبه دریافت می شوند.
Goto.energy به‌جای ارسال مکرر انواع جریان داده‌های مشابه، از Blue Prism برای ایجاد «کارگران دیجیتال» استفاده کرده است، که به موجب آن این جریان‌های داده‎ای تکراری در یک فرآیند دسته‌ای قرار می‌گیرند و به سیستم سرور قدیمی ارسال شده و یک شبه اجرا می گردند.
در واقع، کارگران دیجیتال با استفاده از پردازش دسته ای ، جزئیات را در برابر چندین پایگاه داده یک شبه تأیید می کنند، و این بدین معنا است که کارگران انسانی مجبور نیستند بازرسی ها را به صورت دستی انجام دهند.
قابلیت‌های شناختی از پیش ادغام‌شده نیز در کارگران دیجیتال Blue Prism برای حذف خطاها و تاخیر در چرخه صورت‌حساب ها استفاده می‌شوند. ده ها هزار مورد خواندن کنتور در ماه برای شروع فرآیند صورتحساب گیری جمع آوری می شوند.
بخش بزرگی از آنها از طریق ایمیل ارسال می گردند؛ در حالیکه قبلاً می بایست به صورت دستی در سیستم ها کلید می خوردند. کارگران دیجیتال در Goto.energy این اطلاعات را به طور خودکار خوانده و استخراج می کنند. وجود اشتباهات در صورتحساب ها باعث ایجاد یکسری کاغذ بازی با مشتریان می شود.
سالوی می‌گوید که این شرکت می‌خواست هزینه‌ها را پایین نگه دارد و در عین حال درجه بالایی از خدمات مشتریان را نیز ارائه دهد.
او می‌گوید که شرکت برای متمایز کردن خود از رقبای موجود، به جای استفاده از مسیر کم‌هزینه راه‌اندازی یک مرکز تماس برون مرزی، یک مرکز تماس مستقر در بریتانیا راه‌اندازی کرد :” اگر بتوانیم از هوش مصنوعی و نیروی کار دیجیتال استفاده کنیم، می‌توانیم یک مرکز تماس در بریتانیا راه‌اندازی کنیم و نسبت تعداد مشتریان به ازای هر کارمند را کاهش دهیم.”

بهینه سازی فرآیندها

همانطور که مثال Goto.energy نشان می دهد، اتوماسیون روباتیک فرآیند می تواند مراحل دستی را کاهش دهد. AGL نمونه ای از هوش مصنوعی است که برای تقویت فرآیندهای تجاری جدید مورد استفاده قرار می گیرد. همچنین می‌توان از هوش مصنوعی برای کشف بهینه‌سازی‌های فرآیندهای جدید کسب‌وکار و خودکارسازی آنها استفاده کرد.
اپلیکیشن رزرو تاکسی Lyft یکی از نمونه‌هایی است که در گزارش توسعه اثر هوش مصنوعی توسط گروه مشاوره بوستون با مشارکت MIT Sloan Management Review ارائه شده است.
Lyft از یک الگوریتم برای ارزیابی درخواست ماشین های سواری در مکان هایی که راننده وجود دارد و سایر پویایی‌های سیستم برای به حداکثر رساندن درآمد استفاده می‌کند.
در این گزارش، الیزابت استون، معاون سابق علمی Lyft، توضیح می‌دهد که چگونه هوش مصنوعی توانست الگوریتم بهتری را شناسایی نماید.
این الگوریتم جدید متوجه شد که بین مشتریانی که برنامه Lyft را باز می‌کنند و کسانی که در نهایت از طریق اپلیکیشن تاکسی سفارش می‌دهند، همبستگی قوی وجود دارد.
به طور مشابه، هوش مصنوعی می تواند برای خواندن خط به خط کد منبع در اپلیکیشن های قدیمی استفاده شود تا مشخص گردد که چه کاری انجام می دهند.
یکی از اساتید بخش علوم کامپیوتر در دانشگاه ایالتی کارولینای شمالی، می‌گوید: وقتی چنین بینش‌هایی با آنالیز هوش مصنوعی بر روی فرآیندهای کسب‌وکار ترکیب می‌شوند که مبتنی بر منطق اپلیکیشن های قدیمی هستند، فرصت‌هایی برای مدرن‌سازی فرآیندهای کسب‌وکار به وجود می آید.
او می افزاید: “حتی برای درک فرآیندهای کسب و کار هنگام ارائه مشاوره در تحلیل های سطح پایین نیز به هوش مصنوعی نیاز است. “
در واقع، هر گونه تجزیه و تحلیل کدها که مبتنی بر هوش مصنوعی باشد بر قدرت اپلیکیشن های فرآیندهای کسب و کار تأثیر خواهد داشت.
این حوزه جدید تحقیقاتی امکان استفاده از هوش مصنوعی را به عنوان بخشی از استراتژی نوسازی مستمر فرآیندهای کسب و کار فراهم می کند.
در این سناریو، الگوریتم‌ها به‌طور مداوم بهینه‌سازی شده و کدهای منبع اصلی اصلاح می گردند، زیرا پیش‌فرض‌هایی که هوش مصنوعی درباره فرآیند کسب‌وکار در طول زمان ایجاد می‌کند، تغییر خواهد کرد.
اتوماسیون هوشمند فرآیندهای کسب‌وکار در نهایت می‌تواند منجر به بهینه‌سازی و توسعه مجدد کدهای سیستم‌ هوش مصنوعی شود که زیربنای نحوه عملکرد کسب‌وکارها هستند.

منبع