کاربرد هوش مصنوعی در کسب‌وکار؛ از کجا شروع کنیم و هر کاربرد چه داده‌ای لازم دارد

سه سطح آمادگی

سطح الف: همین حالا

با ابزارهای آماده و هوش مصنوعی مولد، روی متن و فایل‌هایی که همین امروز دارید. مثل نوشتن شرح شغل، خلاصه‌ی تماس یا پاسخ به پرسش‌های پرتکرار.

سطح ب: بعد از یکپارچه شدن داده

نیاز به داده‌ی تمیز و یک‌جا در نرم‌افزار (مثلاً ERP) دارد. مثل پیش‌بینی فروش، نقطه‌ی سفارش انبار یا بخش‌بندی مشتری.

سطح ج: با سرمایه‌گذاری بیشتر

حسگر، داده‌ی برچسب‌خورده یا متخصص داده لازم دارد. مثل نگهداری پیش‌بینانه یا تشخیص عیب با بینایی ماشین.

کاربردها به تفکیک واحد

چرا پیش‌بینی فروش دست‌کم دو سال داده می‌خواهد؟

فروش بیشتر کسب‌وکارها فصلی است: نوروز، شب یلدا، بازگشایی مدارس. مدلی که قرار است فصل را یاد بگیرد، باید دست‌کم دو دوره‌ی کامل فصلی را دیده باشد؛ این حداقلی است که در ادبیات پیش‌بینی (Hyndman و Kostenko) هم آمده و هرچه داده نویزی‌تر باشد، داده‌ی بیشتری لازم است. یک نکته‌ی ایرانی هم مهم است: با تورم بالا، سابقه‌ی ریالی فروش گمراه‌کننده است؛ پیش‌بینی را روی تعداد یا مقدار بسازید، نه مبلغ.

از کجا شروع کنیم؟

1. یک کاربرد سطح الف را همین ماه امتحان کنید. سریع، ارزان و قابل‌دیدن؛ تیم با هوش مصنوعی آشنا می‌شود.
2. پیش‌نیاز داده‌ی کاربرد سطح ب را بنویسید. مثلاً برای پیش‌بینی فروش: کد کالای ثابت و فروش ماهانه در نرم‌افزار.
3. داده را یکپارچه کنید. فروش، انبار و مالی در یک سیستم؛ این قدم معمولاً بیشترین اثر را دارد، حتی پیش از هوش مصنوعی.
4. بعد مدل را بسازید و نتیجه را با یک شاخص روشن بسنجید: خطای پیش‌بینی، کاهش کسری انبار یا زمان پاسخ‌گویی.

یک مزیت پنهان در ایران: صورتحساب الکترونیکی

چون بسیاری از کسب‌وکارها حالا صورتحساب را از طریق سامانه‌ی مودیان صادر می‌کنند، سابقه‌ی دیجیتال فروش و خرید در سطح کالا در حال شکل گرفتن است. اگر کدهای کالا در فاکتورها یکدست باشند، همین داده نقطه‌ی شروع ارزانی برای پیش‌بینی و تحلیل است.

پرسش‌های رایج درباره‌ی کاربرد هوش مصنوعی در کسب‌وکار