راه پرداخت
رسانه فناوری‌های مالی ایران

به‌کارگیری تفکر طراحی در توسعه راهکارهای مبتنی بر هوش مصنوعی

محمدمهدی علیزاده، مدیر محصول هوش مصنوعی / طی دو دهه اخیر گسترده نفوذ هوش مصنوعی در صنایع مختلف چشم‌گیر بوده و درک اهمیت بهره‌گیری از راهکارهای مبتنی بر هوش مصنوعی روزبه‌روز بیشتر می‌شود. بر اساس مطالعه‌ای، اندازه بازار هوش مصنوعی جهان در سال ۲۰۲۰ میلادی به ۵۱ میلیارد دلار رسیده و طبق پیش‌بینی‌ها تا سال ۲۰۲۸ این رقم به ۶۴۱ میلیارد دلار می‌رسد.

باوجود موفقیت شرکت‌های پیشرو در بهره‌برداری از قابلیت‌های هوش مصنوعی، چالشی که همواره وجود داشته این است که راهکارهای مبتنی بر هوش مصنوعی آن‌چنان شفاف، قابل‌درک و توصیف نیستند به همین خاطر از آنها با استعاره «جعبه سیاه» یاد می‌شود، زیرا فهم و توجیهشان برای بخش‌های مختلف سازمان‌ها و کاربران آنها امکان‌پذیر نیست. همچنین اغلب پروژه‌های هوش مصنوعی زمان‌بر و پرهزینه هستند و فرایند توسعه‌ آنها با پیچیدگی‌های گسترده‌ای همراه است. این پیچیدگی‌ باعث شده که فرایند توسعه آنها در چارچوب‌های متداول مدیریت پروژه نرم‌افزار مانند اسکرام نیز امکان‌پذیر نباشد. در این میان برخی کسب‌وکارها قابلیت‌های این تکنولوژی را درک کرده و آگاهانه از آن بهره می‌برند؛ اما گاهی این حجم از استقبال نسبت به محصولات و راه‌حل‌های هوش مصنوعی صرفاً به دلیل پر سروصدا بودن این تکنولوژی بوده و عملاً برخی از سازمان‌ها در سطح بین‌الملل، درک کافی از اینکه هوش مصنوعی به طور دقیق چه کمکی می‌تواند به کسب‌وکار آنها کند ندارند.

آنها صرفاً تلاش می‌کنند که از این موج عقب نمانده و همراه با آن پیش بروند. راب پالاسـیوس معاون اجرایی و سـرپرسـت آزمایشـگاه‌های کپیتال بانک تگزاس (TCB)، در نشـسـتی با محوریت اسـتفاده از هوش مصـنوعی برای ایجاد ارزش در سازمان‌های مالی و چگونگی بهره‌مندی حداکثری از این تکنولوژی این‌طور گفته که امکان دارد مردم علاقه مضـاعفی به هوش مصـنوعی نشـان دهند و آن را کلید طلایی تمامی مشـکلات خود بدانند. ازاین‌رو، مهم اســـت انتظاراتی که از پروژه‌های هوش مصـــنوعی وجود دارد به شـــکلی دقیق تعیین شود. بانک‌ها  باید بدانند که هوش مصـنوعی کلید طلایی تمامی مشـکلات نیسـت، ولی در گام‌های اولیه حل مشـکلات، کارآمدی بالایی دارد. او بر این نکته تأکید دارد که به‌جای تمرکز بر هوش مصـنوعی، به تغییری که شـرکت سـعی دارد در تجربه‌ مشـتری ایجاد کند، توجه شود و برای رسیدن به نتیجه مطلوب نیاز است که از عوامل دیگری نظیر تفکر طراحی و علوم داده نیز استفاده شوند.

تفکر طراحی به‌عنوان یک رویکرد نوآورانه از یک فرایند تکرارشونده در حل مسائل سخت و پیچیده استفاده می‌شود و به طور گسترده‌ای در صنایع مختلف در توسعه محصول به کار گرفته شده و تأثیر قابل‌توجهی بر نوآوری این صنایع داشته است. در تعریفی، تفکر طراحی رویکردی جهت افزایش درک نیازهای مشـــتری با درنظرگرفتن ابعاد فنی و اقتصـــادی اســـت که هدف آن رسـیدن به راهکاری است که هر سـه محور اقتضـائات فنی، نیازهای کاربران و استراتژی‌های کسب‌وکار در تعـادل بـاشـــنـد. این تفکر سال‌هاست که جایگاه خود را در صـنعت بانکداری نیز تثبیت کرده و بانک‌هایی نظیر Bank of America Citibank، BBVA و  Capital One از پیشـتازان این حوزه هسـتند.

طبق گزارش شـرکت  Capgemini که به برسی روندهای محبوب در حوزه بانکداری خرد پرداخته اسـت، تفکر طراحی به‌عنوان یک فرایند تکرارپذیر جهت درک بهتر نیازهای مشـتری معرفی شده که با به چالش کشـیدن فرضـیات و تعریف مجدد مسـئله به کاهش اثرات سـوگیری شـناختی از نیازهای کاربران می‌پردازد. یکی از دسـتاوردهای کاربست این تفکر مدیریت ریسک پروژه‌های حوزه خدمات مالی گزارش شده و دلیل آن تست سریع، ارزان و پرتکرار ایده‌ها است. کریس اسکینر نیز در کتاب بـانـک دیجیتـال، بـانـک‌هـا را موظف بـه ورود خلاقـانـه بـه مبحـث طراحی می‌دانـد و بـه همین دلیـل بر به‌کارگیری تفکر طراحی در بـانـک‌هـا تأکید کرده است.

در صنعت بانکداری جهان مثال‌های متعددی از به‌کارگیری تفکر طراحی در توسعه راهکارهای مبتنی بر هوش مصنوعی وجود دارد، برای مثال چت‌بات Elica از bank of America که جهت ارائه راهنمایی‌های مالی به مشتریان توسعه پیدا کرده و برای درک بهتر نیازها و ترجیحات کاربران و خلق تجربه بهتر از رویکرد تفکر طراحی در توسعه آن استفاده شده است. همچنین چت‌بات  Eno از Capital One نیز در فرایند توسعه خود از این رویکرد بهره‌مند شده است. در ایران نیز شرکت‌های پیشرو در حوزه خدمات مالی از کاربست موفق این تفکر در توسعه مواردی از راهکارهای بانکی خبر داده‌اند.

برای مثال در موردکاوی که توسط نویسنده در بانک ملی ایران و گروه داده‌ورزی سداد انجام شد، از کارگاه اسپرینت طراحی گوگل به‌عنوان ابزار پیاده‌سازی تفکر طراحی، در توسعه ‌ویژگی‌ جدید اپلیکیشن بام که مبتنی بر تکنولوژی یادگیری عمیق‌ است استفاده شده. این کارگاه با ایجاد درک مناسب از نیازهای واقعی کاربران بالقوه برای اعضای تیم توسعه و مدیران، باعث ارائه سریع محصول اولیه‌ قابل تست توسط کاربر و دریافت بازخورد آنها شد. همچنین نیازهای کلان سازمان در سطح استراتژی گروه سداد و بانک ملی و امکان‌سنجی پیاده‌سازی طرح از نظر فنی موردتوجه قرار گرفت.
در مجموع این‌طور می‌توان گفت که باتوجه‌به آغاز مسیر صنعت خدمات مالی کشور در استفاده مؤثر از قابلیت‌های هوش مصنوعی، بانک‌ها نیازمند آن هستند که در رویکرد خود در توسعه راهکارهای مبتنی بر هوش مصنوعی چابک باقی‌مانده و اطمینان حاصل کنند که راه‌حل‌هایی ارائه می‌شود که نه‌تنها نیازهای در حال تکامل مشتریان و ذی‌نفعان خود را برآورده کرده، بلکه از آنها فراتر هم می‌روند.

نویسنده همکار محمدمهدی علیزاده
ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.