خبر های ویژه
18 شهریور 1404
چرا پروژه‌های هوش مصنوعی در داروسازی شکست می‌خورند: مشکل انسانی پشت موفقیت فنی
*اریک کاروفسکی برگردان به فارسی * دانشجوی دارو سازی : آریا فرزان مهر
هوش مصنوعی (AI) یکی از پرگفت‌وگوترین پربحث ترین ابزارها در دنیای داروسازی است، نه به خاطر هیاهو، بلکه به دلیل پتانسیل عملی آن. اما بارها و بارها، پروژه‌های نویدبخش متوقف می‌شوند – یا به‌طور کامل شکست می‌خورند – نه به این دلیل که مدل‌ها اشتباه‌اند یا داده‌ها معیوب، بلکه چون مردم به سادگی از این ابزارها استفاده نمی‌کنند. حقیقت ناخوشایند چیست؟ بیشتر پروژه‌های هوش مصنوعی به دلیل فقدان پذیرش کاربر شکست می‌خورند. و این همان مشکل واقعی است که باید حل شود.
تبریز امروز:
هوش مصنوعی (AI) یکی از پرگفت‌وگوترین پربحث ترین ابزارها در دنیای داروسازی است، نه به خاطر هیاهو، بلکه به دلیل پتانسیل عملی آن. اما بارها و بارها، پروژه‌های نویدبخش متوقف می‌شوند – یا به‌طور کامل شکست می‌خورند – نه به این دلیل که مدل‌ها اشتباه‌اند یا داده‌ها معیوب، بلکه چون مردم به سادگی از این ابزارها استفاده نمی‌کنند.
حقیقت ناخوشایند چیست؟ بیشتر پروژه‌های هوش مصنوعی به دلیل فقدان پذیرش کاربر شکست می‌خورند. و این همان مشکل واقعی است که باید حل شود.
از «اثبات مفهوم» تا «اثبات اصطکاک»
در همکاری ما با یکی از ۱۰ شرکت برتر داروسازی، چند ابزار مبتنی بر هوش مصنوعی توسعه دادیم که هدفشان ساده‌تر کردن زندگی دانشمندان و پژوهشگران بود. از جمله:
-
سیستم‌هایی برای یافتن رویه‌های عملیاتی استاندارد (SOP) و اسناد رویه‌ای که در میان اشتراک‌گذاری‌های پراکنده فایل‌ها، سایت‌های SharePoint و پایگاه‌های داده قدیمی پنهان بودند – اغلب نتیجه سال‌ها خرید و ادغام و حکمرانی ناسازگار.
-
یک گراف شبکه‌ای برای شناسایی متخصصان داخلی بر اساس تجربه، توانمندی‌ها و تاریخچه انتشارات، برای پر کردن شکاف‌هایی که سیستم‌های منابع انسانی ناقص یا قدیمی برجای گذاشته بودند.
-
مخازن دانش بیماری‌محور که بینش‌های حاصل از تیم‌های تحقیقاتی، بالینی و امور پزشکی را در مناطق مختلف جهان گرد هم می‌آوردند، حتی با وجود داده‌های جداگانه، فرمت‌های ناسازگار و نبود مالکیت مرکزی.
هر پروژه به یک نیاز روشن کسب‌وکار پاسخ می‌داد. و از نظر فنی موفق بود. ما منابع داده پراکنده را متصل کردیم، از الگوریتم‌های هوشمند برای استنتاج روابط استفاده کردیم، و رابط‌هایی طراحی کردیم که بینش‌های کلیدی را در زمان واقعی نشان می‌دادند.
اما یک مشکل وجود داشت: دانشمندان از این ابزارها استفاده نمی‌کردند.
با وجود حمایت مدیران، معماری‌های زیبا، و پیش‌بینی‌های روشن بازگشت سرمایه، پذیرش پایین بود. شاخص‌های استفاده ثابت ماند. بازخوردها سرد بود. خیلی زود روشن شد که مشکل اصلی توان فنی نبود. مشکل واقعی این بود که راه‌حل‌ها قابل استفاده، قابل اعتماد، یا همسو با روش کار مردم نبودند. و وقتی عمیق‌تر بررسی کردیم، پروژه‌های بیشتری را یافتیم که با همان چالش روبه‌رو بودند – نوآورانه از نظر فنی، اما کم‌اثر از نظر پذیرش.
وقتی هوش مصنوعی به راه‌حلی در جست‌وجوی مسئله بدل می‌شود
بسیاری از پروژه‌های سازمانی هوش مصنوعی همان مسیر را طی می‌کنند:
-
مهندسان یک نمونه اولیه را در محیط آزمایشی می‌سازند.
-
تیم بودجه می‌گیرد تا آن را در کل سازمان گسترش دهد.
-
عرضه بر معیارهای فنی تمرکز دارد: دقت مدل، سرعت پردازش، یا حجم داده‌های یکپارچه‌شده.
اما disconnect اینجاست: کاربران تجاری تا زمان استقرار دخیل نمی‌شوند. و آن زمان، کشتی قبلاً حرکت کرده و به مقصد آن‌ها نمی‌رفت.
ما این را به‌ویژه در داروسازی می‌بینیم، جایی که هوش مصنوعی اغلب به راه‌حلی بدل می‌شود که دنبال مشکل می‌گردد. ابزارها ممکن است از نظر فنی چشمگیر باشند، اما با کار روزمره دانشمندان، پزشکان یا تیم‌های تجاری ارتباط برقرار نمی‌کنند. بدتر اینکه اغلب به‌جای کاهش اصطکاک، اصطکاک بیشتری ایجاد می‌کنند.
تجربه کاربری ضعیف دیوار می‌سازد، نه پل
تجربه کاربری (UX) اغلب نادیده گرفته‌شده‌ترین – و کم‌ارزش‌ترین – بخش پذیرش هوش مصنوعی است. معمولاً این‌ها را می‌بینیم:
-
رابط‌های غیر شهودی: کاربران نمی‌دانند چطور باید با ابزار تعامل کنند. طراحی مطابق با مدل ذهنی آن‌ها نیست.
-
گردش‌های کاری گیج‌کننده: وظایفی که باید در چند ثانیه انجام شوند، چند دقیقه طول می‌کشند (یا اصلاً کامل نمی‌شوند).
-
بارگذاری با اصطلاحات تخصصی: سیستم‌ها نیازمند آشنایی با واژه‌های فنی یا نام‌گذاری‌های پایگاه‌های قدیمی هستند که کاربران نه می‌دانند و نه علاقه‌ای به دانستن دارند.
-
داده‌های پراکنده: فرا‌داده‌های ناسازگار، مستندات قدیمی، و شِماهای ناهماهنگ منجر به نتایج ناقص یا گمراه‌کننده می‌شوند.
به زبان ساده: تجربه بد برابر است با اعتماد پایین و استفاده کم.
نمی‌توانی به چیزی که نمی‌فهمی اعتماد کنی
کاربران از سیستم‌هایی که نمی‌فهمند یا به آن‌ها اعتماد ندارند استفاده نمی‌کنند. و این disconnect معمولاً از سطح تجربه آغاز می‌شود، نه سطح فنی.
-
سند حیاتی‌ای هرگز ظاهر نمی‌شود، با اینکه کاربر می‌داند وجود دارد. برای او سیستم از اساس بی‌فایده است. مهندسان شاید به شاخص‌هایی مثل نرخ خطای واژه (WER) اشاره کنند، اما این برای کاربر بی‌معناست. آنچه مهم است، این است که ابزار کارش را درست انجام نداده.
-
ابزار مکرراً نتایج بی‌ربط یا گمراه‌کننده ارائه می‌دهد. پشت‌صحنه شاید به دلیل precision پایین یا false positive زیاد باشد، اما کاربر اهمیت نمی‌دهد. تجربه او ابزاری است که وقتش را تلف می‌کند – و همین کافی است تا آن را رها کند.
-
توصیه‌های تولیدشده توسط هوش مصنوعی بدون توضیح روشن ارائه می‌شوند. حتی اگر مدل انتخابی قابل دفاع داشته باشد، نبود شفافیت باعث می‌شود شبیه حدس به نظر برسد. در محیط‌های علمی که منطق و قابلیت پیگیری حیاتی‌اند، این نوع استدلال مبهم به سرعت اعتماد را از بین می‌برد.
نتیجه؟ این‌ها محدودیت‌های فنی صرف نیستند – شکست‌های تجربه‌اند. وقتی هوش مصنوعی در جایگاه کاربران قرار نگیرد، حتی پیشرفته‌ترین مدل‌ها هم بلااستفاده می‌مانند.
موضوع فقط UX نیست – روان‌شناسی سازمانی است
حتی وقتی ابزار قابل استفاده و قابل اعتماد باشد، مانع دیگری باقی می‌ماند: مقاومت سازمانی.
-
مردم نگران‌اند که هوش مصنوعی جایگزین نقششان شود.
-
مدیران از اختلال در فرایندهای موجود می‌ترسند.
-
رهبران IT محتاط‌اند درباره معرفی «یک سیستم دیگر».
این مقاومت غیرمنطقی نیست. نشانه‌ای است از اینکه پذیرش هوش مصنوعی فقط درباره نرم‌افزار نیست – بلکه درباره مدیریت تغییر است. و تا زمانی که استراتژی عرضه شامل روایتگری، همسویی ذی‌نفعان، و آموزش نباشد، حتی بهترین ابزارها هم به سختی جا می‌افتند.
راه بهتر: هوش مصنوعی انسان‌محور برای اثر واقعی در کسب‌وکار
اگر قرار است هوش مصنوعی به وعده‌هایش در داروسازی عمل کند، باید از «فناوری‌محور» به «انسان‌محور» حرکت کنیم. این یعنی:
۱. پژوهش در نیازهای کاربر
قبل از ساخت هر چیزی، بفهمید کاربران چه کسانی هستند و واقعاً چه می‌خواهند.
-
ناکامی‌های روزانه‌شان چیست؟
-
چگونه اطلاعات را پیدا می‌کنند یا تصمیم می‌گیرند؟
-
موفقیت در نگاه آن‌ها چگونه تعریف می‌شود؟
و یک نکته: مهندس، کاربر نیست.
باید با دانشمندان، کارکنان رگولاتوری، نویسندگان پزشکی – هرکسی که روزانه از سیستم استفاده می‌کند – بنشینید و دقیق گوش کنید. همیشه نیازها و دردهایی آشکار می‌شود که هیچ الگوریتمی به تنهایی نمی‌تواند پیش‌بینی کند.
۲. اکتشاف طراحی
به جای عجله در توسعه، تجربه مطلوب را جست‌وجو کنید.
-
گردش‌های کاری را بر اساس انواع کاربر و اهدافشان ترسیم کنید.
-
تعامل‌های کلیدی را نقشه‌برداری کنید.
-
نمونه‌های اولیه کم‌هزینه را پیش از کدنویسی آزمایش کنید.
ستاره شمالی خود را بیابید: چشم‌اندازی روشن و الهام‌بخش از بهترین حالت راه‌حل. سپس به عقب برگردید و یک «حداقل محصول پذیرفتنی» (MVP) تعریف کنید که ارزش فوری ارائه دهد و فضای رشد باقی بگذارد.
۳. الگوها و کتابخانه‌های رابط هوشمند
پروژه‌های تک‌باره هوش مصنوعی پرهزینه، کند و دشوار برای نگهداری‌اند. نیاز به پایه‌ای مشترک داریم: مجموعه‌ای از الگوها و کتابخانه‌های طراحی برای سیستم‌های هوشمند.
هدف تنها UX بهتر نیست – UX تکرارپذیر است.
با استانداردهای مشترک برای نمایش اطلاعات، دریافت ورودی، توضیح تصمیم‌ها و راهنمایی اقدامات:
-
چرخه توسعه سریع‌تر می‌شود.
-
تجربه کاربری بین ابزارها و تیم‌ها یکسان می‌شود.
-
حتی در کاربردهای جدید، اعتماد و آشنایی قوی‌تر شکل می‌گیرد.
درست مانند دستور زبان. اگر هر پروژه ساختار جمله‌ای متفاوت داشته باشد، کاربران هر بار باید دوباره «خواندن» را یاد بگیرند. اما با زبان طراحی ثابت، به طور شهودی می‌دانند چه انتظاری داشته باشند و چگونه موفق شوند.
۴. آزمون‌پذیری
این مرحله اختیاری نیست. جایی است که ایده‌های خوب یا تکامل می‌یابند – یا می‌شکنند.
زود آزمایش کنید، مکرر آزمایش کنید، و با کاربران واقعی آزمایش کنید. ببینید کجا مکث می‌کنند، کجا سردرگم می‌شوند، یا از مسیر خارج می‌شوند. کشف کنید چه چیزی خوشایند است و چه چیزی آزاردهنده.
۵. سنجش آنچه اهمیت دارد
صبر نکنید تا پس از عرضه معیار موفقیت را تعریف کنید. معیارهای درست باید از ابتدا در پروژه تعبیه شوند – نه فقط برای عملکرد مدل، بلکه برای ارزش تجاری و رضایت کاربر.
به‌جای جشن گرفتن precision یا recall، بپرسید:
-
آیا کاربران ابزار را می‌پذیرند؟
-
آیا وقت صرفه‌جویی می‌شود یا دوباره‌کاری کاهش می‌یابد؟
-
آیا کیفیت انجام کار بهتر شده است؟
۶. عرضه و روایتگری
ابزار خوب همچنان به داستانی قوی نیاز دارد تا در سازمان جا بیفتد. با تیم‌های ارتباطات داخلی، آموزش و رهبران واحدهای تجاری همکاری کنید تا روایت قانع‌کننده‌ای بسازید:
-
چرا این اهمیت دارد؟
-
آیا کار مردم را آسان‌تر می‌کند؟
-
چه موفقیت‌های اولیه‌ای قابل جشن گرفتن‌اند؟
نرم‌افزار را فقط عرضه نکنید – شتاب ایجاد کنید. موفقیت‌های واقعی را برجسته کنید. بگذارید کاربران اولیه به حامیان بدل شوند.
جمع‌بندی: همیشه اول انسان
آینده داروسازی فقط با هوش مصنوعی پیش نمی‌رود. با این شکل می‌گیرد که چقدر خوب آن را حول انسان طراحی می‌کنیم. سیستم‌هایی موفق خواهند شد که هوش را با همدلی، دقت را با قابلیت استفاده، و نوآوری را با اعتماد پیوند دهند.
اگر از نیازهای انسانی آغاز کنیم، مسئله را به‌روشنی چارچوب‌بندی کنیم، و با ذهنیت پذیرش بسازیم، آنگاه هوش مصنوعی می‌تواند واقعاً به وعده‌هایش عمل کند: نه فقط به‌عنوان فناوری قدرتمند، بلکه به‌عنوان ابزار تحول‌آفرین در کسب‌وکار.
پس بیایید دست از ساخت ابزارهای هوشمندی که هیچ‌کس استفاده نمی‌کند برداریم و شروع کنیم به طراحی سیستم‌های هوشمندی که مردم به آن‌ها اعتماد کنند، برایشان ارزش قائل شوند، و به آن‌ها اتکا کنند.
درباره نویسنده
اریک کاروفسکی متخصص برجسته در پذیرش هوش مصنوعی است، با تمرکز بر طراحی تجربه کاربری که هوش مصنوعی را قابل فهم، قابل استفاده و قابل اعتماد می‌سازد. او بنیان‌گذار VectorHX، یک آژانس تجربه انسانی است و به شرکت‌ها کمک می‌کند شکاف میان فناوری پیشرفته و مشارکت واقعی را پر کنند. او بیش از ۲۰ سال تجربه در استراتژی تجربه مشتری (CX)، تجربه کاربری (UX)، و تجربه کارمند دارد و با برندهای بزرگی همچون Fidelity، The Hartford، Royal Caribbean، Michelin، Reebok، و مؤسسه ملی سلامت آمریکا همکاری کرده است. همچنین در مؤسسه Broad وابسته به MIT و هاروارد، هدایت UX و صدای مشتری را بر عهده داشته است. محور کار او این باور است که آینده هوش مصنوعی نه فقط به نوآوری، بلکه به تجربه انسانی وابسته است.
ارتباط با تبریز امروز
اخبار ، گزارشات ، عکسها و فیلم های خود را برای ما ارسال دارید . برای ارسال میتوانید از طریق آدرس تلگرامی یا ایمیل استفاده کنید.
اشتراک در خبرنامه
برای اطلاع از آخرین خبرهای تبریز امروز در کانال تلگرام ما عضو شوید.
فرم تماس با تبریز امروز
کلیه حقوق این سایت متعلق به پایگاه خبری تبریز امروز بوده و استفاده از مطالب آن با ذکر منبع بلامانع
است.
طراحی وتولید
توسططراح وب سایت