وقتی AI جواب این مسئله نیست
در بررسی یک فرآیند پشتیبانی، سه مورد کاربرد ممکن بررسی شد. برای یکی از آنها پیشنهاد من فعلاً «انجام ندهید» بود — و دلیلش چیزی است که اغلب دیر فهمیده میشود.
در بررسی فرآیند پشتیبانی یک شرکت نرمافزاری، سه مورد کاربرد ممکن بررسی شد. برای دو مورد پیشنهاد مشخصی داشتم، اما برای دستهبندی خودکار تیکتها پیشنهاد من فعلاً «انجام ندهید» بود.
چرا الان ارزش ندارد
حجم فعلی تیکتها در ماه به حدی نیست که صرفهجویی حاصل، هزینه راهاندازی و نگهداری را جبران کند. به این اضافه کنید که داده برچسبخورده کافی برای سنجش دقت وجود ندارد — یعنی حتی اگر مدلی ساخته میشد، راهی برای اثبات درست کار کردنش نبود.
این دومی مهمتر از اولی است. پروژهای که معیار سنجش ندارد، شکست و موفقیتش هم قابل تشخیص نیست.
چه شرایطی آن را ارزشمند میکند
این مورد وقتی ارزشمند میشود که حجم ماهانه حداقل دو برابر شود یا تیم پشتیبانی گسترش یابد. هر دو شرط قابل اندازهگیریاند، پس میتوان دوباره سراغش رفت — نه بر اساس حدس، بلکه وقتی عدد به آن نقطه رسید.
جایگزین کوچکتر
تا آن زمان، یک اصلاح کوچکتر بازده بیشتری دارد: مرتبسازی فرم ثبت تیکت و افزودن سه فیلد اجباری.
این کار دو نتیجه دارد. اول اینکه همین حالا زمان دستهبندی دستی را کم میکند. دوم — و مهمتر — همان داده برچسبخوردهای را تولید میکند که مرحله بعد به آن نیاز دارد. یعنی اگر شش ماه دیگر حجم دو برابر شد، داده لازم برای تصمیمگیری از قبل جمع شده است.
نکته اجراپذیر
پیش از تصویب هر مورد کاربرد AI، دو سوال را بپرسید: صرفهجویی حاصل چقدر است و با چه دادهای قرار است دقت را بسنجید. اگر پاسخ سوال دوم روشن نیست، پروژه هنوز آماده شروع نیست — و معمولاً کار درست، ساختن همان داده است، نه ساختن مدل.