چرا گردش‌های کاری بهینه‌شده با هوش مصنوعی همیشه برای تجارت بهترین نیستند

ناکارآمدی گردش کار و فرآیند می تواند تا 40 درصد از درآمد سالانه یک شرکت هزینه داشته باشد. در بسیاری از موارد، شرکت‌ها به دنبال حل این مشکل با اجرای الگوریتم‌های زمان‌بندی هوش مصنوعی (AI) هستند. این به عنوان یک ابزار سودمند برای مدل‌های کسب‌وکار که به سرعت و کارایی بستگی دارد، مانند خدمات تحویل و بخش لجستیک، دیده می‌شود.

در حالی که هوش مصنوعی مطمئناً به برخی از وظایف زمان‌بر و اغلب غیرقابل پیش‌بینی مرتبط با زمان‌بندی کارگران در بخش‌ها کمک کرده است، این مدل هنوز کامل نیست. گاهی اوقات، مشکلات را بدتر می کند و بهتر نمی کند.

هوش مصنوعی فاقد توانایی انسان برای نگاه کردن فراتر از بهینه سازی صرفاً برای بهره وری تجاری است. این بدان معناست که ظرفیتی برای متغیرهای “انسانی” مانند ترجیحات کارگران ندارد. محدودیت‌های برنامه‌ریزی هوش مصنوعی اغلب می‌تواند منجر به شیفت‌های نامتعادل یا کارگران ناراضی شود، که در موقعیت‌هایی به اوج می‌رسد که «کمک» هوش مصنوعی ارائه‌شده به منابع انسانی در واقع مانع از جریان کاری روان می‌شود.

وقتی بهینه‌سازی اشتباه پیش می‌رود: هوش مصنوعی نمی‌تواند انسان‌ها را در پشت نقاط داده ببیند

زمان‌بندی خودکار هوش مصنوعی در سال‌های اخیر محبوبیت زیادی به دست آورده است. بین سال‌های 2022 تا 2027، انتظار می‌رود بازار جهانی سیستم زمان‌بندی هوش مصنوعی شاهد CAGR 13.5 درصدی باشد و 77 درصد از شرکت‌ها یا در حال حاضر از هوش مصنوعی استفاده می‌کنند یا به دنبال افزودن ابزارهای هوش مصنوعی برای بهینه‌سازی گردش کار و بهبود فرآیندهای تجاری هستند.

با این حال، توجه به این نکته مهم است که هوش مصنوعی هنوز نمی تواند بدون نظارت انسان برنامه ریزی کند. متخصصان منابع انسانی هنوز نیاز به بررسی و تنظیم برنامه های تولید شده به صورت خودکار دارند، زیرا هنوز یک نقص بزرگ و آشکار در الگوریتم های هوش مصنوعی وجود دارد: فقدان “پارامترهای انسانی”.

هوش مصنوعی در مرتب سازی داده ها و یافتن راه هایی برای به حداکثر رساندن کارایی در فرآیندهای تجاری بسیار عالی است. بهینه‌سازی گردش کار از طریق الگوریتم‌هایی که از داده‌های تاریخی استفاده می‌کنند، بر اساس اطلاعاتی مانند تبلیغات بازاریابی، الگوهای آب‌وهوا، زمان روز، تخمین‌های سفارش ساعتی و میانگین زمان انتظار مشتری، برای پیش‌بینی مواردی مانند حجم سفارش و تعداد کارگران مورد نیاز ایده‌آل است.

مشکل از ناتوانی هوش مصنوعی در محاسبه «پارامترهای انسانی» ناشی می‌شود، که آن را به‌عنوان کاهش کارایی به جای شیوه‌های تجاری بهتر درک می‌کند.

به عنوان مثال، اگر یک شرکت کارمندان مسلمانی دارد که مراقب باشند، آنها به استراحت های کوچک در روزهای کاری خود برای رعایت اوقات نماز نیاز دارند. اگر یک کسب‌وکار، مادران تازه‌کار را استخدام کند، ممکن است به زمان‌های داخلی برای پمپاژ شیر مادر نیز نیاز داشته باشند. اینها چیزهایی هستند که در حال حاضر فراتر از توانایی های هوش مصنوعی هستند تا به درستی توضیح داده شوند، زیرا نمی تواند از همدلی و استدلال انسانی استفاده کند تا ببیند که این “برنامه های ناکارآمد” از دیدگاه شادی کارکنان در دراز مدت بسیار کارآمدتر هستند.

بهره وری همیشه بهترین سیاست نیست. آیا راه حلی وجود دارد؟

در حال حاضر، ابزارهای زمان‌بندی خودکار فقط می‌توانند نقاط داده را از منابع محدودی مانند برگه‌های زمانی و تاریخچه گردش کار جمع‌آوری کنند تا ساعات کار را به طور مساوی به روشی که به نظر می‌رسد بهینه می‌داند توزیع کنند. ابزارهای زمان‌بندی هوش مصنوعی به کمک نیاز دارند تا بفهمند چرا بد است که همان کارمند یک روز در شیفت پایانی کار کند و روز بعد برای شیفت افتتاحیه بازگردد. آنها همچنین نمی توانند ترجیحات فردی کارگر یا امکانات موجود را در نظر بگیرند.

یکی از راه‌حل‌های ممکن برای این مشکل، ادامه افزودن پارامترها به الگوریتم‌ها است، اما این مشکلات خاص خود را دارد. اول، هر بار که پارامتر جدیدی را معرفی می کنید، احتمال عملکرد خوب الگوریتم را کاهش می دهد. دوم، الگوریتم ها فقط به اندازه داده هایی که به آنها داده می شود، کار می کنند. اگر ابزارهای هوش مصنوعی با داده‌های ناقص، نادرست یا نادقیق ارائه شوند، زمان‌بندی می‌تواند مانع کارایی گردش کار شود و کار بیشتری برای مدیران یا کارکنان منابع انسانی ایجاد کند. افزودن فیلترها یا محدودیت های بیشتر به الگوریتم کمکی به عملکرد بهتر آن نمی کند.

پس راه حل چیست؟ متأسفانه، تا زمانی که راه‌هایی برای القای هوش مصنوعی با قابلیت‌های استدلال همدلانه کشف نکنیم، احتمالاً همیشه نیاز است که انسان‌ها در برنامه‌ریزی کارگران نقش داشته باشند.

با این وجود، شرکت‌ها می‌توانند در جهت ایجاد رابطه مثبت و هم افزایی بین ابزارهای زمان‌بندی هوش مصنوعی و افرادی که از آنها استفاده می‌کنند، کار کنند.

برای مثال، شرکت‌های تحویل‌دهنده می‌توانند داده‌های تاریخی را به ابزارهای هوش مصنوعی وارد کنند تا اثربخشی خروجی‌های برنامه اولیه خود را افزایش دهند. این مقداری از بار را برای مدیران منابع انسانی و برنامه ریزی کاهش می دهد. به نوبه خود، زمان‌بندی انسانی اکنون یک برنامه پایه بهینه‌سازی شده برای کار دارد، بنابراین آنها می‌توانند زمان کمتری را صرف نصب کارگران در بازه‌های زمانی مورد نیاز کنند.

هوش مصنوعی ممکن است کاملاً کارآمد باشد، اما همچنان برای خوشحال کردن کارمندان به کمک انسانی نیاز دارد

بشریت هنوز به سختی در حال کار بر روی توسعه هوش مصنوعی است که «هوش عمومی» را نشان می‌دهد، که اصطلاحی است که برای هوشی که در انسان‌ها و حیوانات دیده می‌شود به کار می‌رود. حل مسئله را با احساسات و عقل سلیم ترکیب می کند، دو چیز که هنوز در هوش مصنوعی تکرار نشده اند.

وقتی برای یافتن ناکارآمدی‌ها و روش‌های کاری بهتر نیاز دارید کارهای تکراری را خودکار کنید یا حجم عظیمی از داده‌ها را تجزیه و تحلیل کنید، هوش مصنوعی تقریباً هر بار از انسان‌ها پیشی می‌گیرد. با این حال، به محض اضافه کردن نکات ظریف، احساسات یا هوش کلی، مانند زمان‌بندی وظایف، انسان‌ها همچنان باید حرف آخر را برای ایجاد تعادل بین گردش کار بهینه با رضایت کارکنان و رشد بلندمدت شرکت داشته باشند.

ویتالی الکساندروف یک کارآفرین سریالی و بنیانگذار و مدیر عامل Food Rocket، یک سرویس تحویل سریع مواد غذایی مستقر در ایالات متحده است.