وقتی یک فرایند کند است، نخستین پیشنهاد معمولا خرید ابزار یا ساخت یک دستیار هوشمند است. اما اگر مسیر کار پر از تأییدهای تکراری، ورود دوباره اطلاعات و استثناهای نامشخص باشد، اتوماسیون فقط همان آشفتگی را سریع‌تر می‌کند. کشف فرایند کمک می‌کند پیش از انتخاب فناوری بفهمیم کار در عمل چگونه انجام می‌شود؛ نه اینکه در آیین‌نامه چگونه توصیف شده است.
هدف، ترسیم نموداری زیبا برای بایگانی نیست. باید گلوگاه، دوباره‌کاری، تصمیم‌های وابسته به تجربه و داده‌ای را پیدا کنیم که برای هر مرحله لازم است. خروجی این بررسی مشخص می‌کند کدام بخش با یک قانون ساده حل می‌شود، کجا به مدل زبانی نیاز داریم و کدام تصمیم باید همچنان در اختیار کارشناس بماند.
کار واقعی را مشاهده کنید
مصاحبه با مدیر فرایند کافی نیست. چند پرونده واقعی را از ابتدا تا پایان دنبال کنید و از کارشناس بخواهید صفحه‌ها، فایل‌ها و پیام‌هایی را که استفاده می‌کند نشان دهد. تفاوت میان مسیر رسمی و مسیر واقعی معمولا در همین مشاهده آشکار می‌شود؛ برای مثال اطلاعاتی که باید در سامانه ثبت شود، ابتدا در پیام‌رسان تأیید و سپس دوباره تایپ می‌شود.
نقشه وضع موجود چه چیزهایی را ثبت کند؟
- رویدادی که فرایند را آغاز می‌کند و خروجی قابل تحویل؛
- نقش مسئول هر مرحله و زمان انتظار میان دو مرحله؛
- سامانه، فایل و منبع داده مورد استفاده؛
- قواعد روشن و تصمیم‌هایی که به قضاوت کارشناس وابسته‌اند؛
- استثناها، برگشت کار و علت‌های رایج دوباره‌کاری؛
- نقطه‌هایی که ثبت رویداد یا ردگیری تصمیم در آن‌ها ضروری است.
هر مسئله‌ای به هوش مصنوعی نیاز ندارد
اگر ورودی ساختاریافته و قانون تصمیم ثابت است، اتوماسیون معمولی معمولا ارزان‌تر و قابل پیش‌بینی‌تر است. مدل زبانی زمانی ارزش دارد که بخشی از کار شامل فهم متن، استخراج مفهوم از سند، خلاصه‌سازی یا انتخاب میان چند مسیر بر اساس زمینه باشد. حتی در این حالت نیز ثبت نهایی رکورد یا اجرای عمل حساس می‌تواند با قواعد قطعی و تأیید انسان انجام شود.
استثناها را پیش از مسیر عادی بشناسید
نسخه نمایشی معمولا با پرونده کامل و مرتب کار می‌کند، در حالی که هزینه عملیاتی از موارد ناقص می‌آید. ده تا بیست نمونه ناموفق، دیررس یا برگشتی را بررسی کنید. برای هرکدام مشخص کنید سامانه باید سؤال بپرسد، پرونده را متوقف کند، به صف انسانی بفرستد یا با یک مقدار پیش‌فرض ادامه دهد. این تصمیم‌ها بعدا به سناریوهای آزمون تبدیل می‌شوند.
خط مبنا را ثبت کنید
پیش از تغییر، زمان چرخه، زمان کار واقعی، نرخ برگشت، تعداد انتقال میان واحدها و درصد پرونده‌های کامل را اندازه بگیرید. بدون خط مبنا نمی‌توان فهمید بهبود حاصل شده یا فقط کار از یک واحد به واحد دیگر منتقل شده است. شاخص باید نتیجه کسب‌وکار را نشان دهد؛ نه صرفا تعداد درخواست‌هایی که از مدل عبور کرده‌اند.
یک ماتریس ساده برای اولویت‌بندی بسازید
هر مرحله را از نظر حجم، زمان، نرخ خطا، حساسیت تصمیم، آمادگی داده و امکان بازگشت امتیاز دهید. نقطه شروع مناسب معمولا حجم قابل توجه، تصمیم محدود، داده در دسترس و پیامد قابل بازگشت دارد. مرحله‌ای با ریسک بالا و مالک نامشخص، حتی اگر فنی جذاب باشد، گزینه خوبی برای پایلوت اول نیست.
پایلوت چهارمرحله‌ای
- مشاهده: نمونه‌های واقعی و مسیر فعلی ثبت شود.
- طراحی: مرز اتوماسیون، کنترل انسانی و معیار پذیرش روشن شود.
- آزمایش محدود: راهکار روی یک نوع درخواست و گروه کوچک اجرا شود.
- مقایسه: نتیجه با خط مبنا سنجیده و درباره توسعه، اصلاح یا توقف تصمیم گرفته شود.
خروجی کشف فرایند باید اجرایی باشد
در پایان باید یک نقشه وضع موجود، فهرست استثناها، منابع داده، ریسک‌ها، خط مبنا و تعریف روشن پایلوت داشته باشید. اگر هنوز معلوم نیست مسئول خروجی چه کسی است یا موفقیت با چه عددی سنجیده می‌شود، برای ساخت زود است.
برای انتخاب اولین کاربرد، راهنمای ارزیابی آمادگی سازمان برای هوش مصنوعی و برای محاسبه منفعت، مقاله بازگشت سرمایه هوش مصنوعی را بخوانید. برای بررسی یک فرایند مشخص نیز می‌توانید از مرکز پشتیبانی سوهاب AI درخواست مشاوره ثبت کنید.