اگر هر روز پیام مشتری را می‌خوانید، اطلاعاتش را دوباره در نرم‌افزار ثبت می‌کنید و برای پیدا کردن مسئول رسیدگی چند بار پیگیری می‌کنید، یک فرایند مناسب برای بررسی دارید. اتوماسیون کسب‌وکار با هوش مصنوعی می‌تواند بخشی از خواندن، دسته‌بندی و آماده‌سازی این اطلاعات را انجام دهد تا کار با جزئیات کامل‌تر به فرد مسئول برسد.
نقطهٔ شروع، انتخاب یک کار مشخص است: مثلاً تبدیل پیام استعلام به پیش‌نویس سفارش. در ادامه، هشت کاربرد را با مثال کسب‌وکار و مرز اجرای خودکار بررسی می‌کنیم؛ سپس می‌بینیم چطور اولین فرایند را انتخاب و نتیجه‌اش را اندازه‌گیری کنیم.
اتوماسیون با هوش مصنوعی چه تفاوتی با اتوماسیون معمولی دارد؟
وقتی قاعده روشن است، نرم‌افزار معمولی کافی است. ارسال یادآوری سررسید، محاسبهٔ جمع فاکتور و انتقال سفارش ثبت‌شده از سایت به انبار، معمولاً به مدل هوش مصنوعی نیاز ندارند. اتصال سامانه‌ها و اجرای قواعد مشخص، این کارها را انجام می‌دهد.
هوش مصنوعی زمانی به کار می‌آید که ابتدا باید مفهوم ورودی تشخیص داده شود؛ مثلاً مشتری درخواستش را با جمله‌های آزاد نوشته، اطلاعات داخل یک تصویر است یا قرار است نکات یک مکالمه استخراج شود. مدل، اطلاعات را تفسیر می‌کند و گردش‌کار نرم‌افزاری مرحلهٔ بعد را اجرا می‌کند.
برای بسیاری از فرایندهای اداری، مسیر از پیش مشخص کافی است: دریافت، استخراج، بررسی و ارجاع. راهنمای طراحی سیستم‌های هوش مصنوعی Anthropic نیز شروع با ساده‌ترین راهکار مناسب و افزایش پیچیدگی در صورت نیاز را پیشنهاد می‌کند. استفاده از یک عامل خودمختار برای هر مسئله ضرورتی ندارد.
۸ مثال کاربردی از اتوماسیون کسب‌وکار با هوش مصنوعی
۱. دسته‌بندی و ارجاع درخواست‌های مشتری
یک شرکت خدماتی از سایت و ایمیل درخواست دریافت می‌کند. مدل می‌تواند موضوع پیام را از میان گزینه‌های مشخصی مثل فروش، پشتیبانی و امور مالی انتخاب کند و خلاصهٔ درخواست را کنار آن بگذارد. سپس سامانه آن را به صف مربوط می‌فرستد.
پیام «نسخهٔ جدید نصب شده ولی وارد حسابم نمی‌شوم» باید به پشتیبانی برسد؛ پیام مبهم یا شامل چند موضوع، به کارشناس ارجاع شود. نتیجهٔ قابل‌سنجش، کاهش ارجاع اشتباه و زمان رسیدن درخواست به مسئول درست است.
۲. آماده‌کردن پاسخ از روی اطلاعات تأییدشده
در یک مجموعهٔ آموزشی، پرسش‌هایی دربارهٔ برنامهٔ کلاس‌ها و شرایط ثبت‌نام تکرار می‌شوند. دستیار می‌تواند پاسخ را از اطلاعات به‌روز مجموعه پیدا کند و همراه منبع به کارشناس نشان دهد. پاسخ‌های ساده را نیز می‌توان پس از آزمون و با قواعد مشخص، مستقیم ارائه کرد.
اگر منبع معتبری برای پاسخ وجود ندارد، پرسش باید به فرد مسئول برسد. نمایش وضعیت سفارش یا اطلاعات پرونده هم به شناسایی کاربر و کنترل دسترسی نیاز دارد؛ داشتن متن سؤال برای دسترسی به اطلاعات شخصی کافی نیست.
۳. استخراج اطلاعات از فاکتور و اسناد
واحد خرید می‌تواند نام تأمین‌کننده، شمارهٔ فاکتور، تاریخ و اقلام را از فایل یا تصویر استخراج و برای ثبت آماده کند. ابزارهایی مانند AI Builder مایکروسافت برای بعضی فیلدهای استخراج‌شده امتیاز اطمینان ارائه می‌کنند؛ این امتیاز تضمین درستی داده نیست.
مبلغ، واحد پول، تعداد و جمع اقلام باید با قواعد حسابی و سند اصلی تطبیق داده شوند. در اسناد فارسی، کیفیت اسکن، ارقام فارسی و لاتین و قالب تاریخ را هم باید با نمونه‌های واقعی آزمود. خروجی این مرحله، پیش‌نویس قابل‌بررسی است؛ پرداخت خودکار، تصمیم جداگانه‌ای است.
۴. تبدیل پیام استعلام به پیش‌نویس سفارش
برای یک تولیدکننده، پیام «از مدل قبلی بیست عدد برای هفتهٔ بعد می‌خواهم» اطلاعات کاملی ندارد. مدل می‌تواند تعداد و زمان درخواستی را تشخیص دهد و نبودِ کد محصول و نشانی تحویل را مشخص کند. سامانه سپس تکمیل اطلاعات را از مشتری یا کارشناس می‌خواهد.
قیمت و موجودی باید از نرم‌افزار فروش یا انبار خوانده شوند. مدل نباید از روی گفت‌وگو، موجودی یا وعدهٔ تحویل بسازد. همچنین هر درخواست باید شناسه داشته باشد تا دریافت دوبارهٔ پیام، سفارش تکراری ایجاد نکند.
۵. ساخت پیش‌نویس مکاتبات و پیگیری‌ها
پس از ثبت نتیجهٔ جلسهٔ فروش، سیستم می‌تواند ایمیل پیگیری را با قالب مصوب شرکت آماده کند: موضوع درخواست، مدارک موردنیاز و اقدام بعدی. کارشناس متن را می‌بیند، اصلاح می‌کند و ارسال را تأیید می‌کند.
برای یادآوری‌های ساده، قالب ثابت ممکن است کافی باشد. تولید متن با مدل زمانی مفیدتر است که پیام به جزئیات هر پرونده وابسته باشد. قیمت، تعهد خدمات و تاریخ تحویل باید از دادهٔ ثبت‌شده وارد متن شوند.
۶. تبدیل صورت‌جلسه به فهرست اقدام‌ها
از متن جلسه می‌توان تصمیم‌ها، مسئول هر کار و موعدهای مطرح‌شده را استخراج کرد. پس از تأیید اعضا، این موارد به ابزار مدیریت پروژه منتقل شوند تا مسئولیت‌ها در پیام‌های پراکنده گم نشوند.
اگر مسئول یا مهلت مشخص نشده، سیستم باید همان مورد را برای تکمیل علامت بزند. تعیین یک تاریخ دلخواه یا نسبت‌دادن تصمیم به فرد اشتباه، کار پیگیری را دشوارتر می‌کند. ضبط و پردازش جلسه نیز باید با ضوابط مجموعه و اطلاع افراد انجام شود.
۷. تهیهٔ خلاصهٔ گزارش‌های مدیریتی
سامانهٔ گزارش‌گیری، اعداد فروش، سفارش‌های معطل و تیکت‌های باز را محاسبه می‌کند. مدل می‌تواند از همین داده‌ها یک خلاصهٔ خوانا بسازد و موارد نیازمند بررسی را برجسته کند؛ مثلاً افزایش سفارش‌های بدون تأیید در یک بازه.
عدد و نمودار باید به گزارش اصلی قابل‌ردیابی باشند. افت فروش به‌تنهایی علت آن را ثابت نمی‌کند؛ توضیح مدل دربارهٔ علت باید به‌عنوان فرضیه بررسی شود. محاسبات مالی نیز بهتر است در نرم‌افزار یا کد قابل‌آزمون انجام شوند.
۸. پیدا کردن داده‌های ناقص و نام‌های ناسازگار
در فهرست کالاها، یک محصول ممکن است با چند نام ثبت شده باشد. قواعد ثابت، فیلد خالی و کد تکراری را پیدا می‌کنند؛ مدل می‌تواند نام‌های ظاهراً متفاوت اما مشابه از نظر معنا را برای بررسی پیشنهاد دهد.
نتیجه باید فهرستی از موارد مشکوک همراه دلیل باشد. ادغام کالا یا پروندهٔ مشتری با تأیید مسئول و امکان بازگشت انجام شود. اگر مسئلهٔ اصلی شما فایل‌های متعدد و ورود دوبارهٔ اطلاعات است، راهنمای نشانه‌های کافی نبودن اکسل برای کسب‌وکار به انتخاب مسیر کمک می‌کند.
کدام فرایند برای شروع مناسب‌تر است؟
فرایندی را انتخاب کنید که تکرار می‌شود، نمونهٔ ورودی آن در دسترس است و درستی خروجی‌اش را می‌توان بررسی کرد. این جدول، نقطهٔ شروع چند مسئلهٔ رایج را نشان می‌دهد:
| مسئلهٔ فعلی | اولین خروجی قابل‌استفاده | کنترل ضروری |
|---|---|---|
| پیام‌ها بین واحدها می‌چرخند | موضوع و صف پیشنهادی | بررسی پیام‌های مبهم |
| ورود دستی اطلاعات اسناد | پیش‌نویس فیلدهای سند | تطبیق فیلدهای مهم با اصل |
| پاسخ‌های پرتکرار | پاسخ همراه منبع | به‌روزبودن منبع و دسترسی |
| گزارش‌های طولانی | خلاصهٔ متصل به گزارش | کنترل اعداد و تفسیرها |
پیش از انتخاب، چند نمونه را با فردی که هر روز این کار را انجام می‌دهد بررسی کنید. اگر ورودی ناقص است یا مسئول هر مرحله معلوم نیست، ابتدا همین بخش‌ها را اصلاح کنید. افزودن مدل به یک فرایند نامشخص، مشکل هماهنگی را حل نمی‌کند.
یک نمونهٔ عملی: از پیام مشتری تا ارجاع به واحد مالی
فرض کنید مشتری می‌نویسد: «سفارشم رسیده اما فاکتور برایم نیامده.» یک گردش‌کار محدود می‌تواند این مسیر را داشته باشد:
- دریافت: پیام با شناسهٔ یکتا ثبت می‌شود تا دوباره پردازش نشود.
- تشخیص: مدل، موضوع «درخواست فاکتور» و خلاصهٔ پیام را پیشنهاد می‌دهد.
- تکمیل: اگر شمارهٔ سفارش وجود ندارد، سامانه آن را از مسیر مجاز دریافت می‌کند.
- ارجاع: درخواست به واحد مالی می‌رسد و کارشناس، سفارش و هویت درخواست‌کننده را بررسی می‌کند.
- اقدام: فاکتور از سامانهٔ اصلی ارسال و نتیجه در پرونده ثبت می‌شود.
در این طراحی، هوش مصنوعی مسئول فهم پیام است. اطلاعات سفارش، مجوز دسترسی و ارسال فاکتور را سامانه‌های مربوط مدیریت می‌کنند. برای تعریف ورودی‌ها، نقش‌ها و حالت‌های خطا می‌توانید از چک‌لیست شرح نیازمندی نرم‌افزار استفاده کنید.
چطور هزینه و نتیجهٔ اتوماسیون را بسنجیم؟
هزینهٔ پروژه به تعداد اتصال‌ها، کیفیت داده، حجم استفاده، نوع مدل و میزان بررسی انسانی بستگی دارد. اشتراک ابزار یا مصرف مدل، فقط بخشی از هزینه است؛ آماده‌سازی داده، اتصال نرم‌افزارها، آزمون و نگهداری هم باید محاسبه شوند.
پیش از اجرا، زمان رسیدگی دستی را ثبت کنید. سپس در دورهٔ آزمایشی، زمان بررسی و اصلاح خروجی را هم حساب کنید. کاهش زمان تولید پیش‌نویس وقتی ارزش دارد که مجموع کار موردنیاز کمتر شود و کیفیت افت نکند.
- کیفیت خروجی: چه سهمی از درخواست‌ها درست دسته‌بندی یا استخراج شده‌اند؟ خطاهای حساس را جدا بررسی کنید.
- زمان واقعی: دریافت، پردازش، انتظار و اصلاح انسانی در مجموع چقدر طول می‌کشد؟
- هزینهٔ هر کار: مصرف سرویس، زیرساخت و بازبینی برای هر درخواست چه مقدار است؟
- بار رسیدگی دستی: چند مورد به کارشناس برمی‌گردد و علت برگشت چیست؟
مسیر اجرای اولین فرایند در شرکت
- یک مسئله انتخاب کنید: ورودی، خروجی، مسئول و معیار پذیرش را بنویسید.
- نمونهٔ آزمون بسازید: با دادهٔ مجاز، حالت‌های عادی، ناقص و مبهم را پوشش دهید؛ پاسخ درست را کارشناس مشخص کند.
- ابتدا موازی اجرا کنید: سیستم پیشنهاد بدهد و خروجی با کار دستی مقایسه شود؛ هنوز اقدام قطعی انجام ندهد.
- اجرای محدود را فعال کنید: فقط مرحله‌هایی را خودکار کنید که آزمون را گذرانده‌اند؛ مسیر اصلاح، ثبت خطا و توقف مشخص باشد.
دسترسی مدل را به اطلاعات و ابزارهای لازم محدود کنید. متن ایمیل یا فایل ورودی نباید اجازهٔ تغییر قواعد سیستم را داشته باشد. محل پردازش و مدت نگهداری داده‌ها نیز باید از ابتدا روشن شود. چارچوب NIST برای هوش مصنوعی مولد، خطای محتوایی و حریم خصوصی را از موضوعات مهم ارزیابی این سیستم‌ها می‌داند.
اگر یک کار پرتکرار برای بررسی دارید، نمونهٔ ورودی، خروجی موردانتظار و نام نرم‌افزارهای فعلی را آماده کنید. در صفحهٔ خدمات هوش مصنوعی و اتوماسیون داپا می‌توانید مسیر بررسی و اجرای راهکار متناسب با فرایند کسب‌وکارتان را ببینید.
پرسش‌های متداول
آیا کسب‌وکار کوچک هم به اتوماسیون با هوش مصنوعی نیاز دارد؟
اگر کاری پرتکرار و وقت‌گیر دارید، ارزش بررسی دارد. ابتدا ببینید با اصلاح فرم، قالب ثابت یا اتصال دو نرم‌افزار حل می‌شود یا نه. برای تفسیر پیام‌ها و اسناد متنوع، استفاده از مدل می‌تواند مفید باشد.
آیا برای شروع باید مدل اختصاصی آموزش بدهیم؟
همیشه لازم نیست. در بعضی کاربردها، مدل آماده همراه اطلاعات تأییدشده و گردش‌کار مشخص کفایت می‌کند. نیاز به آموزش یا تنظیم اختصاصی پس از آزمون با داده‌ها و معیارهای همان مسئله معلوم می‌شود.
آیا اتوماسیون می‌تواند به نرم‌افزار فعلی شرکت وصل شود؟
به امکانات آن نرم‌افزار بستگی دارد. وجود API یا روش مجاز تبادل داده، اتصال را ساده‌تر می‌کند. اگر چنین امکانی نباشد، باید روش‌های جایگزین، هزینهٔ نگهداری و محدودیت‌هایشان پیش از اجرا بررسی شوند.
چطور اطلاعات محرمانهٔ شرکت را در این فرایند مدیریت کنیم؟
ابتدا مشخص کنید چه داده‌ای لازم است، کجا پردازش می‌شود و چه کسی به آن دسترسی دارد. داده‌های غیرضروری را حذف کنید و سیاست نگهداری سرویس را بررسی کنید. برای اطلاعات حساس، معماری و کنترل دسترسی متناسب با ضوابط شرکت انتخاب شود.
