Των Καθηγητή – Ακαδημαϊκού Κωνσταντίνου Ζοπουνίδη* και Δρ. Άγγελου Κωστή**
Η τεχνητή νοημοσύνη αποτελεί πλέον πραγματικότητα ταράζοντας τα νερά του επιχειρηματικού κόσμου. Μάνατζερ, οι οποίοι ενδιαφέρονται να αντλήσουν αξία από εφαρμογές τεχνητής νοημοσύνης, έρχονται αναπόφευκτα αντιμέτωποι με την παρακάτω ερώτηση: τι σημαίνει η τεχνητή νοημοσύνη για το μέλλον των επιχειρήσεων και πώς μπορεί να διαχειρισθεί αποτελεσματικά; Στο παρόν άρθρο παρουσιάζουμε τους προβληματισμούς και τις σκέψεις μας οι οποίες προκύπτουν από την υπό εξέλιξη έρευνά μας σε σχέση με την παραπάνω κομβική ερώτηση. Επίσης, τα επιχειρήματά μας στο άρθρο αυτό στηρίζονται στο νέο βιβλίο των Waardenburg, Huysman, & Agterberg με τίτλο “Managing AI Wisely: from Development to Organizational Change in Practice”, Εκδόσεις Edward Elgar Publishing, 2021.
Η ανάγκη του να εμβαθύνουμε στο πώς μπορεί να διαχειρισθεί η τεχνητή νοημοσύνη (ΤΝ) με αποτελεσματικό τρόπο έτσι ώστε να προσφέρει τα υποσχόμενα οφέλη καλλιεργήθηκε στα μεθεόρτια του Ετήσιου Διεθνούς Συνεδρίου για Πληροφοριακά Συστήματα, που πραγματοποιήθηκε στο Austin του Τέξας στα μέσα του περασμένου Δεκέμβρη. Ως ένα από τα πιο εμβληματικά συνέδρια στον τομέα των Πληροφοριακών Συστημάτων με περισσότερους από 1500 συνέδρους, το συνέδριο αυτό αποτελεί πηγή γνώσης και πολυδιάστατου προβληματισμού σε σχέση με αναδυόμενα κοινωνικοτεχνικά φαινόμενα. Αν υπάρχει μια φράση για να συμπτύξει κανείς το θέμα που μονοπώλησε το ερευνητικό ενδιαφέρον και τις συζητήσεις των συνέδρων αυτή είναι η εξής: Διαχείριση Τεχνητής Νοημοσύνης (Managing Artificial Intelligence).
Η ΤΝ, η οποία συχνά αναφέρεται με το αρτικόλεξο ΑΙ (Artificial Intelligence), αποτελεί πεδίο της επιστήμης των υπολογιστών που δίνει έμφαση στην ανάπτυξη πληροφοριακών συστημάτων που έχουν τη δυνατότητα να αυτοματοποιήσουν ή να βελτιώνουν εργασίες οι οποίες διαχρονικά βασίζονταν στον ανθρώπινο παράγοντα και στην ανθρώπινη νοημοσύνη. Κάθε σύστημα ΤΝ χτίζεται στη βάση δύο συστατικών στοιχείων: δεδομένα (data) και αλγόριθμοι (algorithms). Τροφοδοτώντας αλγόριθμους με κατάλληλα δεδομένα δημιουργείται ένα σύστημα AI το οποίο μέσα από διαδικασίες ανεξάρτητης αυτο-μάθησης (ανεξάρτητης από τον ανθρώπινο παράγοντα αυτο-μάθησης) μπορεί να προσφέρει προβλέψεις, να βελτιώσει αποφάσεις και να παρέχει προτάσεις μέσα από βαθύτερη κατανόηση του πλαισίου στο οποίο καλείται να λειτουργήσει μια επιχείρηση. Παραδείγματα εφαρμογών ΤΝ συναντώνται σε διάφορους τομείς, όπως στην εξυπηρέτηση πελατών μέσω chatbots τα οποία αυτοματοποιούν και βελτιστοποιούν την εμπειρία εξυπηρέτησης και στην ιατρική όπου συστήματα ΤΝ προσφέρουν βοήθεια σε χειρουργικές επεμβάσεις ή πραγματοποιούν προβλέψεις σε σχέση με τη διάγνωση ή αντιμετώπιση όγκων σε ασθενείς. Επίσης, έρευνες αναδεικνύουν τις δυνατότητες της τεχνητής νοημοσύνης για λήψη βέλτιστων αποφάσεων βάσει εξεργασίας μεγάλων δεδομένων και στοχευμένων προβλέψεων για διαδικασίες όπως αξιολόγηση και πρόσληψη ανθρώπινου δυναμικού, διαχείριση κρίσεων, χρηματοοικονομικές αναλύσεις, επενδύσεις, και εντοπισμό καινοτόμων υπηρεσιών και λύσεων παραγωγής. Η δυναμική της ΤΝ έχει προσελκύσει το ενδιαφέρον ακόμη και επιχειρήσεων που δραστηριοποιούνται σε λιγότερο τεχνολογικά προηγμένους τομείς γεγονός το οποίο αναδεικνύει τη ζωτική σημασία επενδύσεων σε εφαρμογές ΤΝ. Για παράδειγμα, εταιρία στη Σουηδία που δραστηριοποιείται στον κλάδο διαχείρισης δασών, ανανεώσιμων πηγών ενέργειας και εμπορίου προϊόντων ξύλου και χαρτικών ειδών έχει ήδη επενδύσει και βρίσκεται σε συζητήσεις για την εφαρμογή λύσεων ΑΙ για καινοτομίες στις υπάρχουσες διαδικασίες παραγωγής (π.χ. precision forestry).
Ενώ το ενδιαφέρον για την ΤΝ είναι έντονο, οι μάνατζερ δυσκολεύονται να αντιληφθούν τον τρόπο με τον οποίο τέτοιες λύσεις μπορούν να χρησιμοποιηθούν στις επιχειρήσεις τους. Βασιζόμενοι στους Waardenburg, Huysman και Agterberg, η έρευνά μας αναδεικνύει την ανάγκη για εστίαση σε τρεις βασικούς πυλώνες και διαχείριση αυτού που ο βραβευμένος με Νόμπελ Οικονομίας Daniel Kahneman αποκαλεί θόρυβο. Ο θόρυβος στη λήψη αποφάσεων στο πλαίσιο της τεχνητής νοημοσύνης είναι πολυδιάστατος και προκύπτει από την ασυνέπεια στην κρίση και στις διαφορετικές αποφάσεις που λαμβάνονται σε μια επιχείρηση για την ίδια διαδικασία (βλ. Κ. Ζοπουνίδης, θόρυβος και αποφάσεις, Ναυτεμπορική, 04 Νοεμβρίου 2021).
1ος Πυλώνας Διαχείρισης ΑΙ: Θόρυβος Άγνοιας και Οργάνωση για data-driven AI
Ενώ ΑΙ= data + algorithms, οι επιχειρήσεις συχνά εστιάζουν στο τι μπορεί να προσφέρει η ΤΝ και όχι στα δεδομένα τα οποία μπορούν να συλλέξουν. Η υπό εξέλιξη έρευνά μας δείχνει ότι οι επιχειρήσεις που επιθυμούν να καρπωθούν τα οφέλη της ΤΝ καλούνται να εστιάσουν αρχικά στα δεδομένα τα οποία κατέχουν όπως επίσης και στο να αναβαθμίσουν τους τρόπους με τους οποίους τα συλλέγουν και τα αποθηκεύουν. Μικρομεσαίες επιχειρήσεις έχουν παραδοσιακά παραβλέψει τη σημαντικότητα της συστηματικής συλλογής δεδομένων που θα μπορούσαν να αποτελέσουν χρυσό για αποφάσεις με τη χρήση AI. Η συστηματική καταγραφή στοιχείων, η εισαγωγή νέων πηγών δεδομένων (όπως sensors και άλλα παρόμοια εργαλεία), και η δημιουργία επιχειρησιακών ρόλων που εστιάζουν στις διαδικασίες datafication for AI αποτελούν διαδικασίες που θα διασφαλίσουν ότι υπάρχουν τα κατάλληλα δεδομένα για μια εφαρμογή AI (slack data). Σημαντικό σε σχέση με αυτόν τον πυλώνα είναι να υπάρξει διαχείριση του θορύβου με τον οποίο έρχονται αντιμέτωπες πολλές επιχειρήσεις λόγω του ότι δύο μάνατζερ έχουν διαφορετικές κρίσεις και παίρνουν διαφορετικές αποφάσεις σε σχέση με το πώς και γιατί συλλέγονται, αποθηκεύονται και επεξεργάζονται τα δεδομένα. Για παράδειγμα, σε μια επιχείρηση που επιθυμεί να εισάγει ΑΙ για διαδικασίες στελέχωσης, δύο μάνατζερ ανθρωπίνου δυναμικού λαμβάνουν αντίθετες αποφάσεις για το πώς συλλέγονται και αποθηκεύονται δεδομένα σε σχέση με προηγούμενους υποψηφίους όπως επίσης για το ποια χαρακτηριστικά ενός/μιας υποψηφίου πρέπει το σύστημα AI να επεξεργασθεί για να πραγματοποιήσει προβλέψεις και αποφάσεις για το πώς θα στελεχωθεί μια επιχείρηση.
2ος Πυλώνας Διαχείρισης ΑΙ: Θόρυβος Εμπειρογνωμοσύνης και Ενσωμάτωση Επιστημόνων Δεδομένων
Η εφαρμογή ενός συστήματος ΑΙ απαιτεί γνώσεις από διαφορετικούς τομείς και συνένωση διαφορετικών κλάδων (π.χ. data scientists, προγραμματιστές, χρήστες και μάνατζερ). Οι χρήστες και οι μάνατζερ (domain experts) γνωρίζουν τι σημαίνουν τα δεδομένα για τον κλάδο ενώ οι προγραμματιστές και data scientists (AI experts) έχουν γνώση των δυνατοτήτων και απαιτήσεων διαφορετικών αλγορίθμων που μπορούν να χρησιμοποιηθούν. Η συνεργασία των δύο αυτών ομάδων είναι επιβεβλημένη για τη δημιουργία ενός συστήματος ΑΙ. Παρόλα αυτά, η συνεργασία ανθρώπων με διαφορετική εξειδίκευση μπορεί να οδηγήσει σε αυτό που ονομάζουμε θόρυβο εμπειρογνωμοσύνης. Το ότι υπάρχουν άτομα με διαφορετική τεχνογνωσία στο πλαίσιο της δημιουργίας ενός συστήματος AI μπορεί να οδηγήσει σε θόρυβο και αντίθετες αποφάσεις για το τι απαιτείται και τι προβλέψεις θα παρέχει το σύστημα. Τέτοιος θόρυβος υπάρχει λόγω διαφορετικών προσδοκιών σχετικά με τις δυνατότητες και τις απαιτήσεις της τεχνητής νοημοσύνης. Η γνώση σχετικά με την επιστήμη των δεδομένων συχνά δεν υπάρχει στις επιχειρήσεις, γεγονός που μπορεί να οδηγήσει σε εσφαλμένες ή πολύ υψηλές προσδοκίες σχετικά με το σύστημα ΤΝ. Για την αντιμετώπιση αυτού, οι επιχειρήσεις καλούνται να εκπαιδεύσουν τους εργαζομένους τους σχετικά με τον τομέα της επιστήμης δεδομένων και να ενσωματώσουν data scientists τόσο εσωτερικά της επιχείρησης όσο και μέσω στρατηγικών συμμαχιών με επιχειρήσεις που δραστηριοποιούνται στον τομέα της επιστήμης δεδομένων (τους οποίους θα πρέπει να τροφοδοτούν με σημαντικές πληροφορίες για τον domain).
3ος Πυλώνας Διαχείρισης ΑΙ: Θόρυβος Αμφιβολίας και Επιχειρησιακές Αλλαγές
Λόγω της πολύπλοκης φύσης των εφαρμογών ΤΝ, ο τρόπος με τον οποίο ο αλγόριθμος πραγματοποιεί προβλέψεις και λαμβάνει αποφάσεις δεν είναι κατανοητός από τους χρήστες. Με άλλα λόγια, οι χρήστες στις επιχειρήσεις καλούνται να πάρουν μια απόφαση (π.χ., να προσλάβουν έναν/μια υποψήφιο που προτείνει ο αλγόριθμος) χωρίς να μπορούν να κατανοήσουν πώς το σύστημα ΤΝ κατέληξε σε αυτήν την πρόταση. Το γεγονός αυτό μπορεί να έχει αρνητικές συνέπειες για το πόσο καλά οι χρήστες εμπιστεύονται τις προτάσεις ενός συστήματος και ως εκ τούτου, διαφορετικοί χρήστες ίσως να μην ακολουθήσουν την πρόταση του αλγορίθμου. Έτσι, θόρυβος αμφιβολίας μπορεί να δημιουργηθεί λόγω του ότι κάποιοι χρήστες έχουν διαφορετική μετάφραση και κρίση σε σχέση με τα αποτελέσματα που παρέχει ένα AI σύστημα. Οι επιχειρήσεις καλούνται επομένως να εστιάσουν σε ουσιαστικές αλλαγές στο εσωτερικό τους έτσι ώστε να υπάρχει εναρμονισμένη χρήση του συστήματος, όπως να δημιουργήσουν νέες διαδικασίες και νέους ρόλους όπως για παράδειγμα τον λεγόμενο «αλγοριθμικό μεσίτη» που βλέπουμε όλο και περισσότερο να αναδύεται σε επιχειρήσεις ώστε να βοηθά να γίνεται αντιληπτό (και δυνητικά να τροποποιεί) το πώς τα συστήματα AI καταλήγουν σε συγκεκριμένα αποτελέσματα, προβλέψεις και προτάσεις. Το παραπάνω υπογραμμίζει ότι η επιτυχία του ψηφιακού μετασχηματισμού δεν βασίζεται στην εισαγωγή ενός εξελιγμένου τεχνολογικού εργαλείου αλλά στις αλλαγές που πρέπει να λάβουν χώρα στο εσωτερικό του οργανισμού.
Συμπερασματικά, για να καρπωθεί μια επιχείρηση τα οφέλη της τεχνητής νοημοσύνης απαιτείται διαχείριση του πολυδιάστατου θορύβου που αντιμετωπίζει σε σχέση με τρεις βασικές διαδικασίες: οργάνωση για δεδομένα, ενσωμάτωση επιστημόνων δεδομένων, και απαιτούμενες επιχειρησιακές αλλαγές κρατώντας πάντα «the human in the loop».
* Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών
Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων
|Επίτιμος Δρ. ΑΠΘ
Πολυτεχνείο Κρήτης & Audencia Business School, France
** Μεταδιδακτορικός Ερευνητής στο Lab Τεχνητής Νοημοσύνης
Σουηδικό Κέντρο για Ψηφιακή Καινοτομία
Πανεπιστήμιο του Ούμεο, Σουηδία
Επισκέπτης Ακαδημαϊκός στο Πανεπιστήμιο του Στάνφορντ, Καλιφόρνια, Αμερική
