هوش تصمیم‌گیری | تعریف، روش‌ها و کاربرد

درباره نویسنده

کیسی کزیرکو (Cassie Kozyrkov)، رئیس هوش تصمیم‌گیری در گوگل است و متخصص هوش مصنوعی است. او در این مقاله به طور مفصل تمامی جنبه‌های تصمیم‌گیری را مورد بررسی قرار داده و تشریح می‌کند. این مقاله جزو پرطرفدارترین مقاله‌ها در مدیوم بوده است.

هوش تصمیم­‌گیری یک مفهوم جدید آکادمیک است که تمام جزئیات جوانب انتخاب بین گزینه‌­ها را در بر می‌­گیرد. این مفهوم با گردهم آوردن علوم کاربردی، علوم اجتماعی، و علوم مدیریتی و تبدیل آنها به یک زمینه تحقیقاتی واحد می‌تواند به مردم کمک کند تا با استفاده از اطلاعات به دست آمده، زندگی، کسب وکار و جهان اطراف خود را بهبود ببخشند. این یک علم حیاتی در زمینه هوش مصنوعی نیز به شمار میرود و همه­ مهارت­‌های مورد نیاز برای اجرای پروژه­‌های هوش مصنوعی را در هر مقیاسی تحت پوشش قرار میدهد.

هوش تصمیم‌­گیری، همان پروسه تبدیل اطلاعات به اقدام (تصمیم‌­گیری) بهتر در هر مقیاسی می­باشد.

تصمیم­گیری چیست؟

اطلاعات مفیدند، اما این تصمیماتند که مهم هستند. ما با تصمیمات – اقداماتمان – روی دنیای اطرافمان تاثیر میگذاریم.

در این واژه شناسی، تشخیص گربه در عکس، تصمیمی است که توسط هوش مصنوعی گرفته میشود، در حالی که تصمیم­‌گیری­ اینکه چنین سیستمی (سیستم هوش مصنوعی) استفاده شود، با وسواس زیاد توسط مدیر انسانی که مسئول پروژه است، گرفته می‌شود.

تصمیم­گیرنده کیست؟

در این مطلب تصمیم‌­گیرنده، آن سهام­دار یا سرمایه‌­گذاری نیست که طرح پروژه تیم را وتو میکند، بلکه شخصی است که مسئول سازمان­دهی محتوا و تصمیمات می‌باشد.

طبقه‌بندی هوش تصمیم­گیری

یکی از راه‌­های یادگیری و آشنایی با هوش تصمیم­‌گیری، تقسیم­‌بندی آن به روش سنتی و تبدیل آن به بخش کمی (که به شدت به علوم داده کاربردی شبیه است) و بخش کیفی (که اولین با توسط محققان در زمینه علوم اجتماعی و مدیریتی توسعه داده شد) می‌باشد.

بخش کیفی: علوم تصمیم­گیری

قوانینی که بخش کیفی را تشکیل می‌دهند، به طور سنتی به نام علوم تصمیم­‌گیری شناخته می‌شوند – که من واقعا دوست داشتم که به جای بخش کیفی، تمام مفهوم را در  بر می‌گرفت (افسوس که ما هیچ‌وقت به تمام آرزوهایمان نمی‌رسیم.)

علوم تصمیم­‌گیری مربوط به سوالاتی از این قبیل هستند:

• چطور معیارهای تصمیم­گیری خود را مشخص کنیم و معیارهایمان را طراحی کنیم؟
• آیا معیار­های انتخابی شما با انگیزه­هایتان سازگار است؟ ( از لحاظ اقتصادی )
• بهتر است این تصمیم را با چه کیفیتی بگیرید و چقدر پول برای اطلاعات کامل و بی­نقص صرف کنید؟ (تحلیل تصمیم)
• چگونه احساسات، تمایلات و یافته­ها روی تصمیم‌­گیری­ تاثیر میگذارند؟ ( روانشناسی )
• چگونه فاکتورهای بیولوژیکی مثل سطح کورتیزول روی تصمیم­‌گیری اثر میگذارد؟ ( علم اقتصاد عصبی )
• چگونه تغییر در ارائه اطلاعات روی رفتار انتخابی تاثیر میگذارد؟ ( اقتصاد رفتاری )
• چگونه نتایج خود را در زمان تصمیم­‌گیری‌­های گروهی بهینه‌­سازی کنیم؟( نظریه بازی­های تجربی )
• چگونه در طراحی تصمیم­‌گیری، بین محدودیت­‌های مختلف و اهداف چندمرحله‌­ای تعادل برقرار می‌کنید؟ (طراحی )
• تبعات این تصمیم روی چه کسی تاثیرگذار خواهد بود و گروه­های مختلف این تاثیرات را چگونه تفسیر می‌کنند؟ ( تحقیقات UX )
• آیا اهداف تصمیم اخلاقی هستند؟ ( فلسفه )

این فقط یک مقدمه است و مطالب خیلی بیشتری وجود دارد! همچنین این لیست هنوز هم فاصله زیادی با لیست کامل قوانین و مفاهیم دارد. به جای اینکه علم تصمیم‌گیری را در شکل ساده­ و ناپایدار آن ( روی برگه یا به شکل الکترونیکی) در نظر بگیرید، به شکل پیچیده‌­تر آن یعنی ( در مغز انسان ) فکر کنید.

استراتژی­‌هایی که بر اساس منطق ریاضی محض وجود دارند، ساده انگارانه هستند و در نهایت به شکل مطلوبی عمل نمی‌کنند.

استراتژی­‌هایی که بر پایه منطق محض هستند و بدون درک کیفی از تصمیم‌­گیری و رفتار انسانی طرح‌ریزی می‌شوند، نسبتا ساده لوحانه هستند و در مقابل آنهایی که با درنظر گرفتن هر دو بخش کمی و کیفی به نتیجه می‌رسند، محکوم به شکست خواهند بود.

انسان­ها بهینه­‌سازهای خوبی نیستند، ما منعطف هستیم، با هر شرایطی کنار می‌آییم، انسان­‌ها به دنبال کمال و بی‌­نقص‌بودن، نیستند و به خوب و کم‌نقص راضی میشوند.

بدیهی است که همین کمال­‌گرانبودن ما باعث می‌شود که از بهینگی نتایج­مان کاسته شود.

اگر شما فکر میکنید که هوش مصنوعی بر انسان­ها غلبه می‌کند، دوباره فکر کنید! به هرحال، همه­ تکنولوژی­‌ها بازتابی از خالق خود هستند و سیستم‌­های موجود میتوانند نقص­های انسان را مرتفع کنند، و همین مسئله یکی از دلایلی است که توسعه مهارت‌­های هوش تصمیم‌­گیری در زمینه هوش مصنوعی بسیار پر اهمیت شده است. 

شاید شما تصمیم­‌گیری نمی‌­کنید

گاهی اوقات تفکر عمیق روی معیارهای تصمیم­‌گیریتان باعث می‌شود تا بفهمید که هیچ حقیقتی در دنیا نمی‌تواند تصمیم شما را تغییر دهد – شما همین الان هم تصمیمتان را گرفته‌­اید و حالا فقط به دنبال راهی هستید که حس بهتری نسبت به تصمیمتان داشته باشید. این نظریه­ مفیدی است. – این باعث می‌شود تا کمتر وقت تلف کنید  و به شما کمک میکند تا از احساس بدی نداشته باشید و کاری که به هرحال قرار بود انجام دهید را، به انجام برسانید، در اینصورت دیگر اطلاعات ارزشی ندارند.

مگر اینکه تحت تاثیر یکسری واقعیات ناشناخته دیگر، اقدامات متفاوتی را در پیش بگیرید، اینجا دیگر تصمیم، معنایی ندارد؛ هرچند گاهی اوقات تمرین در تحلیل تصمیمات، به شما کمک می‌کند که این شرایط را واضح‌­تر ببینید.

تصمیم­گیری با اشراف کامل به اطلاعات

حالا تصور کنید که شما برای تصمیم‌­گیری بسیار با احتیاط عمل کردید و تمام واقعیات را در نظر گرفتید و توانستید با یک چشم‌به‌هم‌زدن به تمام اطلاعاتی که برای تصمیم­‌گیری نیاز داشتید، دست پیدا کنید. دیگر چه نیازی به علوم داده دارید؟ هیچ نیازی.

اولین کار هر کسب و کاری باید این باشد که بفهمند چگونه به واقعیات واکنش نشان دهند.

اطلاعات به چه دردتان می‌خورند؟

• شما می توانید از اطلاعات استفاده کنید و یک تصمیم مقدماتی مهم بگیرید. اگر به اندازه کافی مهم باشد، شما نیاز دارید تا بخش کیفی تصمیمتان را هم در نظر بگیرید تا بتوانید در نهایت تصمیمی عاقلانه­ای اتخاذ کنید.
• روانشناسان می‌دانند که اطلاعات می‌تواند طوری روی شما تاثیر بگذارند که به مذاقتان خوش نیاید، بنابراین آنها در زمینه انتخاب اطلاعاتی که شما پیشاپیش قبول خواهید کرد، حرف­های زیادی برای گفتن دارند.
• شما میتوانید از اطلاعات برای اثبات نظرات استفاده کنید ( به طوری که جمله “من انتظار دارم که هوای بیرون آفتابی باشد” به جمله “من می دانم که هوای بیرون آفتابی است” تبدیل شود. )
• شما می توانید از اطلاعات استفاده کنید تا یک تصمیم برپایه حقیقت بگیرید. تصمیمات برپایه حقیقت (” من همین الان یافتم که در اتاق کناری من، فردی بیماری ابولا دارد، بنابراین من سریعا اتاق را ترک میکنم”) تصمیماتی هستند که یکسری حقایقی که قبلا ناشناخته بودند و حالا آشکار شدند، باعث شود که چارچوب تصمیم­گیری شما دچار لغزش شده و بفهمید که این تصمیم از اول هم اشتباه پایه­گذاری شده.
• شما می‌توانید از اطلاعات استفاده کنید تا یک راه­حل بهینه برای یک مشکل پیدا کنید که کاملا قابل حل می‌باشد. این همان روش سنتی بهینه­سازی است. شما مثال­های زیادی را از این دست، در زمینه تحقیقات عملیات مشاهده خواهید کرد، که نشان می‌دهد که چطور با مدیریت محدودیت­ها به نتیجه ایده­آل برسیم، مثل انتخاب بهترین ترتیب در انجام دادن مجموعه­ای از کارها.
• می‌شود از اطلاعات برای انتخاب روش مواجهه با تصمیمات مهم آینده استفاده کرد. این بخشی از تجزیه تحلیل است، که مربوط به اطلاعات جزئی می‌شود. بعدا در ادامه مطلب، بازهم به این موضوع می‌پردازیم!
• با استفاده از اطلاعات، شما می‌توانید مشکلات را ارزیابی کنید. این به شما کمک می‌کند که بفهمید که چه نوع اطلاعاتی برای تصمیمات آینده در دسترس دارید و برای کسب اطلاعات بهتر برنامه­ریزی کنید.

فرض کنید که یک انبار(اطلاعات) بزرگ و تاریک به شما رسیده که پر از مواد اولیه است، پس تا زمانی که به درون آن نگاهی نیاندازید، نمی‌فهمید که چه چیزی درون آن است. خوشبختانه، تحلیل­گر شما یک چراغ­قوه و اسکیت به همراه دارد.

با تمرین و ممارست در علوم تصمیم­‌گیری، شما یاد می‌گیرید که تصمیمات سختی که نیاز به تجزیه تحلیل دارد را با تلاش کمتری به نتیجه برسانید، که در واقع این یعنی با همان مقدار تلاش ثابت می­‌توانید تصمیمات با کیفیت­تری در تمام زمینه­‌ها بگیرید. این مهارت باارزشی است، اما برای بهبود آن باید زحمت زیادی بکشید. برای مثال، دانشجویان اقتصاد رفتاری، عادت کرده­اند که معیارهای تصمیم‌­گیری را پیش از به دست آوردن اطلاعات مشخص کنند. درک آن برای امثال ما که تجربه یا تمرینی در مبحث علوم تصمیم­‌گیری نداریم، می‌تواند سخت باشد اما مثلا می‌توانیم قبل از این که به برچسب قیمت محصول نگاه کنیم، با خودمان فکر کنیم که چقدر حاضریم برای آن بپردازیم.

جمع­آوری اطلاعات و مهندسی اطلاعات

اگر ما واقعیت‌­ها (Fact) را در دست داشتیم، دیگر کاری برای انجام دادن نمی­‌ماند. اما افسوس ما در دنیای واقعی زندگی می­‌کنیم و اغلب باید برای به دست آوردن اطلاعات تلاش کرد. مهندسی اطلاعات از یکسری اصول و قوانین سطح بالا، حول محور دستیابی به اطلاعات قابل اتکا در هر مقیاسی بوجود آمده. زمانی که اطلاعات مربوطه به گونه­ای وجود داشته باشد که بشود آن را روی کاغذ نوشت و دسته بندی کرد، در این صورت مهندسی اطلاعات مثل آب خوردن، ساده می‌باشد.

مهندسی اطلاعات به نوعی خواهرخوانده و همکار کلیدی هوش تصمیم‌­گیری محسوب می‌شود و به طور کلی علوم تصمیم‌­گیری شامل مهار‌‌ت‌های طراحی و جمع­آوری و نگه­داری اطلاعات به‌دست‌­آمده می‌باشد.

بخش کمی: علوم داده­ در تصمیم‌گیری

زمانی که چارچوب تصمیمتان را مشخص کردید و با استفاده از موتور جستجو یا یک تحلیل­گر ( که به عنوان موتور جستجوی انسانی برای شما عمل می‌کند. ) به دنبال داده­ها و اطلاعاتی که نیاز داشتید گشتید، تمام چیزی که باقی می‌ماند این است که تصمیم نهایی را بگیرید. کار شما اینجا به اتمام رسیده! هیچ نیازی به علم داده­ها نیست. 

علوم داده زمانی جذاب می‌شود که شما مجبور باشید از مرز داده­‌ها و اطلاعات عبور کنید؛ اما مواظب باشید که زیاده­‌روی نکنید!

به طور طبیعی، زمانی که داده‌­هایی که در دست دارید، همان داده‌­هایی نباشند که نیاز دارید، بهتر است روش کارتان را تغییر دهید. شاید آن‌ها تکه­‌ای از یک پازل خیلی بزرگ­تر باشند ( به عنوان مشتی از یک خروار ). شاید آن‌ها پازل اشتباهی باشند، اما تنها منبعی هستند که در دست دارید ( مثل استفاده از گذشته برای پیش‌بینی آینده ).

• شما می‌توانید از اطلاعات جزئی استفاده کنید و از این طریق مقدمات تصمیم‌­گیریتان را با استنباط آماری پایه گذاری کنید، و کم کم اطلاعاتتان را با فرض تغییر اقداماتتان تکمیل کنید.
• شما می‌توانید از اطلاعات جزئی استفاده کنید و هر فرضیه‌­ای را به فرضیه­‌ای پرمحتواتر ( اما هنوز هم ناقص و شخصی) تبدیل کنید. این همان مکتب بیزین ( Bayesian ) است.
• اطلاعات جزئی شما ممکن است شامل حقایق و اطلاعاتی در مورد حقیقت هم باشد، به این معنی که شما می‌توانید از آنها در تصمیمات بر پایه حقیقت استفاده کنید ( رجوع شود به مطالب پیش­تر گفته شده )
• می‌توانید از اطلاعات جزئی استفاده کنید تا مشکلات اتوماسیون را حل کنید. با دیدن نحوه عملکرد سیستم، می‌توانید برپایه مشاهدات خود، برای سیستم کدنویسی انجام دهید. این روش بهتری نسبت به برنامه­نویسی سنتی است که در آن روش بدون اینکه اطلاعاتی در دست داشته باشند، انرژی زیادی برای فکر کردن به عملکرد سیستم صرف می‌کردند. این همان علم تجزیه و تحلیل است.
• شما می‌توایند از این اطلاعات جزئی، یک راه حل خوب برای یک مشکل قابل­‌حل اتوماسیون (خودکار سازی) ارائه دهید تا خودتان مجبور نباشید شخصا این مشکل را حل کنید. این همان یادگیری ماشینی و هوش مصنوعی است.
• شما می‌توانید از اطلاعات جزئی استفاده کنید تا مسیر و روش خود را برای رویارویی با تصمیمات مهم آینده مشخص کنید. این همان علم تجزیه و تحلیل است.
• با استفاده از اطلاعات جزئی شما درک می‌کنید که با چه مشکلی روبه‌­رو هستید ( رجوع شود به مطلاب بالا ) و توسعه اتوماسیون را با استفاده از تجزیه تحلیل پیشرفته سرعت می‌بخشید، برای مثال با ایجاد راه­‌های جدید برای ترکیب اطلاعات بایکدیگر و ایجاد یک مدل جدید ( به اصطلاح همان “مهندسی ویژگی­‌ها” ) یا با روش­‌های جدید برای آزمایش در یک پروژه هوش مصنوعی.
• شما می‌توانید از اطلاعات جزئی به صورت درهم استفاده کنید و تصمیمات بدون چارچوب بگیرید، اما آگاه باشید که زمانی که از اطلاعات سازمان­دهی نشده استفاده می‌کنید، کیفیت همیشه پایین­تر خواهد بود، به این دلیل که چیزی که شما در حال حاضر می‌دانید، یک قدم شما را به چیزی که می‌خواهید بدانید نزدیک­تر می‌کند.

برای همه­ این کاربردها، راهی برای ادغام اصول و سیستم­های جداگانه وجود دارد تا بتوان به سمت تصمیم­‌گیری بهتر و بهینه­‌تر حرکت کرد. تمام هوش تصمیم‌­گیری در همین جمله خلاصه می‌شود! هوش تصمیم‌­گیری مفاهیم مختلف و مربوط به تصمیم­گیری را گرد هم می­آورد و به مفهومی واحد و قدرتمند تبدیل می‌کند. به این صورت، این مفاهیم دست در دست هم می‌توانند از محدودیت­هایی که پیش­تر در زمینه تحقیقاتی قبلی خود درگیر آن بودند، رها شوند و تولدی دوباره را تجربه کنند.