هوش مصنوعی سازمانی می‌تواند پیشنهادهایی ارائه دهد، وظایف را خودکار کند و به سازمان‌ها کمک کند سریع‌تر تصمیم بگیرند. اما حتی مدل‌های قدرتمند هم اگر ندانند کسب‌وکارها در عمل چگونه کار می‌کنند، ممکن است محدودیت‌ها و ارتباطاتی را نادیده بگیرند که تعیین می‌کنند آیا یک تصمیم درست است یا نه. حالا که شرکت‌ها می‌کوشند هوش مصنوعی را از مرحله آزمایش به عملیات روزمره وارد کنند، چالش پیش رو این است که فناوری را به زمینه و اطلاعات لازم مجهز کنند تا بتواند در فرایندهای پیچیده کسب‌وکار، مفید عمل کند.

از نظر Devavrat Shah، دانشمند ارشد هوش مصنوعی سازمانی در Celonis، این زمینه در قلب چیزی قرار دارد که او «هوشمندی تصمیم» می‌نامد. به‌گفته او، عامل‌های هوش مصنوعی می‌توانند در انجام وظایف منفرد در چارچوب فرایندهای بزرگ‌تر تصمیم‌گیری پشتیبان باشند، اما باید نقش هر وظیفه و شرایط کسب‌وکاری پیرامون آن را درک کنند. او می‌گوید: «نمی‌توانید این کار را در خلأ انجام دهید.» بدون زمینه عملیاتی مناسب، ممکن است عامل‌ها محدودیت‌های مهم را نادیده بگیرند، اشتباه‌های پرهزینه مرتکب شوند یا برای فهمیدن آنچه باید بدانند، منابع محاسباتی بیش‌ازحدی مصرف کنند.

راه‌حل با پیوند دادن هوش مصنوعی به فرایندها و داده‌هایی آغاز می‌شود که سازمان‌ها از قبل به کار می‌گیرند. یک لایه زمینه‌ساز می‌تواند به عامل‌ها کمک کند گردش‌کارها را بفهمند، در چارچوب محدودیت‌های مشخص‌شده عمل کنند و پیشنهادهایی ارائه دهند که افراد بتوانند بررسی و تأیید کنند. Shah به سازمان‌ها توصیه می‌کند کار را با یک تصمیم مشخص کسب‌وکاری شروع کنند، دشوارترین گام‌های آن را شناسایی کنند و بسنجند که آیا هوش مصنوعی می‌تواند آن‌ها را بهبود دهد یا نه. سپس اندازه‌گیری دستاوردها از نظر سرعت و ارزش می‌تواند نشان دهد که آیا گسترش یک کاربرد به‌صرفه است یا خیر.

این رویکرد می‌تواند شیوه گذراندن وقت کارکنان را نیز تغییر دهد. خودکارسازی کارهای تکراری و دستی و هماهنگ‌کردن وظایف میان تیم‌ها می‌تواند به افراد فرصت دهد بر تصمیم‌های راهبردی پیچیده‌تر تمرکز کنند. بااین‌حال، تحقق این مزیت مستلزم سرمایه‌گذاری در آموزش نیروی کار است تا کارکنان بتوانند خروجی‌های هوش مصنوعی و پیامدهای آن‌ها را درک کنند، نه اینکه صرفاً تصمیم‌گیری را به عامل‌ها بسپارند.

Shah در چشم‌انداز آینده، فرصت‌هایی را می‌بیند که از وظایف روزمره عملیاتی تا برنامه‌ریزی در سطح کل سازمان، در حوزه‌هایی مانند امور مالی، مدیریت نیروی کار، بازاریابی و فروش، گسترده می‌شوند. هوش مصنوعی با برخورداری از زمینه مناسب می‌تواند به سازمان‌ها کمک کند گزینه‌ها را ارزیابی کنند و سریع‌تر تصمیم‌های مهم بگیرند. به‌گفته Shah: «شاید [برنامه‌ریزی منابع] دیگر نباید این‌قدر طول بکشد و افراد بتوانند سریع‌تر انتخاب‌های درستی انجام دهند.»

این قسمت از Business Lab با همکاری Celonis تولید شده است.

متن کامل گفت‌وگو

Megan Tatum: من Megan Tatum هستم و از MIT Technology Review، به Business Lab خوش آمدید؛ برنامه‌ای که به رهبران کسب‌وکار کمک می‌کند فناوری‌های جدید را که از آزمایشگاه راهی بازار می‌شوند، بهتر درک کنند.

این پادکست با همکاری Celonis تولید شده است.

هوش مصنوعی سازمانی اکنون در نقطه عطفی قرار دارد. پس از سال‌ها آزمایش، نمایش و اجرای طرح‌های آزمایشی، تیم‌های مدیریتی خواهان شواهد روشنی هستند که نشان دهد گسترش استفاده از هوش مصنوعی بر سود نهایی شرکت تأثیر مثبت می‌گذارد؛ اما بسیاری از آن‌ها بخش مهمی از پازل را نادیده می‌گیرند. هوش مصنوعی سازمانی و عامل‌های هوش مصنوعی، وقتی بدون زمینه عملیاتی عمل می‌کنند، با کمبود چشمگیری روبه‌رو می‌شوند. آن‌ها اصول کلی را در موقعیت‌های خاص به کار می‌گیرند، اما نتیجه مطلوبی نمی‌گیرند؛ درنتیجه، مدیران کسب‌وکار به‌درستی قانع نمی‌شوند و ظرفیت‌های هوش مصنوعی نیز محقق‌نشده باقی می‌ماند.

دو کلمه برایتان دارم: زمینه اهمیت دارد.

مهمان امروز من Devavrat Shah، دانشمند ارشد هوش مصنوعی سازمانی در Celonis است.

خوش آمدید، Devavrat.

Devavrat Shah: سلام، Megan. ممنون که دعوتم کردید.

Megan: خیلی ممنون که امروز در کنار ما هستید. Devavrat، برای شروع، چرا ضروری است که سازمان‌ها همین حالا به زمینه عملیاتی در ارتباط با هوش مصنوعی سازمانی توجه کنند؟ چه چیزی آن را به بخشی حیاتی از گذار از مرحله آزمایش به گسترش استفاده تبدیل می‌کند؛ همان گذاری که به آن اشاره کردم؟

Devavrat: پرسش فوق‌العاده‌ای است. همان‌طور که به‌درستی اشاره کردید، در آستانه گذار هوش مصنوعی از مرحله آزمایشی به استفاده فراگیر هستیم. همان‌طور که می‌دانید، بیش از دو دهه است که به‌عنوان استاد در MIT هوش مصنوعی تدریس می‌کنم؛ بنابراین جای تعجب نیست که نسبت به آینده هوش مصنوعی در سازمان‌ها بسیار خوش‌بین باشم.

به‌نظر من، هوش مصنوعی بیشترین تأثیر را در سازمان‌ها می‌تواند بر تصمیم‌گیری بگذارد؛ یعنی به سازمان‌ها کمک کند تصمیم بگیرند. به بیان دیگر، چطور می‌توانیم هوشمندی تصمیم را به سازمان‌ها بیاوریم؟ اگر به تصمیم‌هایی که امروز می‌گیریم فکر کنیم، می‌بینیم که در هر سازمان بزرگی، چه MIT Tech Review، چه Celonis و چه MIT، انواع مختلفی از تصمیم‌ها وجود دارد. به‌طور کلی، برخی از آن‌ها تصمیم‌های راهبردی و مقطعی‌اند و برخی دیگر تصمیم‌های عملیاتی هستند که باید با بسامد بالا گرفته شوند. در هر دو نوع، فرایندهایی داریم: اول این کار را انجام می‌دهید، بعد آن کار را، بعد کار دیگری را و همین‌طور ادامه می‌دهید. افراد زیادی به هماهنگی این امور کمک می‌کنند و بسیاری از ما در این فرایندها نقش‌هایی داریم؛ همان چیزی که Jensen Huang آن را «وظیفه» می‌نامد. وقتی این کارها را گام‌به‌گام انجام می‌دهید، در نهایت به تصمیم می‌رسید.

هوش مصنوعی می‌تواند به‌شکلی جزءبه‌جزء، قدرت عامل‌محور خود را در همین وظایف یا، به‌قول من، نقش‌ها به کار بگیرد؛ به‌این‌ترتیب می‌توانیم دست‌کم بخشی از تصمیم‌ها، و نه لزوماً همه آن‌ها، را تقویت و پشتیبانی کنیم و گاهی هم کارهای دشوار را خودکار کنیم. اما برای اینکه بدانیم کدام نقش یا وظیفه را باید انجام دهیم، لازم است زمینه را بشناسیم. نمی‌توان این کار را در خلأ انجام داد. به همین دلیل، ترکیب درست زمینه و هوش مصنوعی می‌تواند چیزی را که من «هوشمندی تصمیم» می‌نامم، به سازمان‌ها بیاورد. به‌نظر من، بزرگ‌ترین تحول در همین حوزه رخ خواهد داد.

Megan: بسیار خوب. برای اینکه کمی دقیق‌تر به موضوع بپردازیم، می‌دانیم که همان‌طور که گفتید، بسیاری از سازمان‌ها در حال حاضر به استقبال هوش مصنوعی عامل‌محور می‌روند؛ فناوری‌ای که ظرفیت تصمیم‌گیری هرچه مستقل‌تر را دارد. اگر هم‌زمان زمینه لازم فراهم نشود، چه ریسک‌های تجاری‌ای در میان است؟

Devavrat: عالی است. بیایید همان وضعیتی را در نظر بگیریم که توصیف کردم. بسته به نوع تصمیم و وظیفه، می‌خواهیم انجام یک نقش را خودکار کنیم، از آن پشتیبانی کنیم یا آن را تقویت کنیم. حالا برای لحظه‌ای تصور کنیم که همه آزمایشگاه‌های پیشرو، به‌اصطلاح، مدل‌ها و زیرساخت‌های هوش مصنوعی شگفت‌انگیزی ساخته‌اند؛ به‌طوری‌که هرآنچه در جهان رخ داده و احتمالاً رخ خواهد داد، در اختیار آن‌هاست.

حالا تصمیم کوچکی داریم که باید در زمینه‌ای کاملاً مشخص بگیریم. اگر سیستم عظیم و فوق‌العاده هوشمند به این زمینه دسترسی نداشته باشد، سرانجام با پرسیدن پرسش‌های فراوان ــ همان‌طور که ما انسان‌ها این کار را می‌کنیم ــ موضوع را درمی‌یابد و در نهایت تصمیم درستی می‌گیرد. مسئله این است که رسیدن به این نقطه مستلزم انجام محاسبات بسیار زیادی خواهد بود؛ درنتیجه، برای انجام کارهای ساده، منابع محاسباتی عظیمی مصرف می‌کنیم. این یک سناریو است.

اما در واقعیت، ماجرا به این شکل پیش نمی‌رود؛ بخشی از زمینه مهم، یکی از محدودیت‌های اساسی یا یکی از چارچوب‌های حفاظتی را از دست می‌دهیم و بعد اشتباه می‌کنیم. گاهی این اشتباه ایرادی ندارد؛ مثل اینکه به شما پیشنهاد کنم به رستوران A بروید و شاید از شام لذت نبرید. اما گاهی اشتباه‌ها بسیار پرهزینه‌اند؛ مثلاً اگر پیش‌بینی مالی‌ای به شما بدهم که به‌نحوی باعث نابودی شرکت شود.

Megan: درست است. در محیط سازمانی، تصمیم‌هایی که گرفته می‌شوند واقعاً برای کسب‌وکار حیاتی‌اند؛ بنابراین اگر اشتباه کنیم، پیامدها بسیار جدی‌تر خواهد بود، درست است؟ از نظر عملی، سازمان‌ها به چه روش‌هایی می‌توانند این لایه زمینه‌ساز را که درباره‌اش صحبت می‌کنیم اضافه کنند؟ برای مثال، Celonis چطور این زمینه عملیاتی را از طریق یک همزاد دیجیتال بلادرنگ از سازمان فراهم می‌کند؟

Devavrat: حتماً. شاید بد نباشد کمی به تاریخچه Celonis بپردازیم. همان‌طور که می‌دانید، Celonis با این مأموریت و هدف شکل گرفت که به سازمان‌ها کمک کند به فرایندهای ایدئال خود پایبند بمانند، فرایندهای بهتری بسازند و امکان کار افراد را با چند فرایند مرتبط با یکدیگر فراهم کند. می‌توان گفت این مأموریت، DNA اصلی شرکت را شکل داده است: چیزی که من آن را «هوشمندی فرایند» می‌نامم. این یعنی سازمان‌ها چطور چندین کار را به هم پیوند می‌دهند، آن‌ها را دیجیتالی می‌کنند، به افراد امکان می‌دهند فرایندهایشان را بهبود دهند و مشکلات را بشناسند؛ سپس چطور فرایندها را درون سازمان بازطراحی می‌کنند تا کارها بهتر پیش برود.

حالا اگر بخواهیم هوشمندی تصمیم را به این مجموعه اضافه کنیم، باید عامل‌ها را به کار بگیریم تا در هر گام از فرایند ــ گام‌هایی که پیش‌تر احتمالاً متخصصان و افراد انجام می‌دادند ــ به ما کمک کنند. ترکیب شناخت زمینه فرایند در سازمان با عامل‌های هوش مصنوعی، یا چیزی که من «عامل‌های دارای نقش» می‌نامم، دقیقاً راهی مناسب برای واردکردن هوشمندی تصمیم به سازمان‌هاست. Celonis از همین روش برای فراهم‌کردن زمینه‌ای استفاده می‌کند که به سازمان‌ها در تصمیم‌گیری بهتر کمک می‌کند.

Megan: بسیار خوب. از نظر سازوکار، لایه زمینه‌ساز چه ارتباطی با لایه زیرین، یعنی لایه سامانه‌های ثبت، و لایه بالایی، یعنی لایه عامل‌محور، دارد؟

Devavrat: پرسش فوق‌العاده‌ای است، Megan. لایه زیرین عمدتاً شامل ابزارهای گردش‌کار و گزارش‌های رویدادی‌ای است که این ابزارها تولید می‌کنند؛ می‌توان آن را «سامانه ثبت» نامید. در لایه بالایی، یا کاربران متخصص کسب‌وکار اطلاعات را مصرف می‌کنند یا این اطلاعات را از طریق عامل‌هایی دریافت می‌کنند که بر پایه همان لایه زمینه‌ساز فعالیت می‌کنند. مدل زمینه‌ای، آن‌طور که Celonis آن را می‌نامد، به‌گونه‌ای طراحی شده که سه کار را هم‌زمان انجام دهد. نخست، انتزاع مناسبی از لایه زیرین فراهم کند تا بخش‌های درست فرایند را بتوان به عامل‌ها سپرد. دوم، عامل‌های دارای نقش را برای هر یک از این بخش‌ها، به‌شکلی ساختاریافته و در چارچوب محدودیت‌های حفاظتی، به کار بگیرد. سوم، از ابتدا برای عامل‌ها طراحی شده باشد تا زیرساخت‌های عامل‌محور دیگری که از قبل به آن متصل‌اند بتوانند به‌طور طبیعی با آن ارتباط برقرار کنند. درنتیجه، خروجی مناسب در اختیار افراد یا متخصصان قرار می‌گیرد تا آن را بررسی کنند، ببینند و تأیید کنند و گاهی نیز کار را خودکار سازند.

Megan: عالی است. با وجود همه مزایایی که گفتیم، آیا پیاده‌سازی یک لایه زمینه‌ساز هم چالش‌هایی دارد؟ برای نمونه، آیا بیشتر سازمان‌ها داده‌های مناسبی در اختیار دارند تا زمینه موردنیاز هوش مصنوعی را فراهم کنند؟ اگر نه، چه گام‌های عملی‌ای باید برای رفع این مشکل بردارند؟

Devavrat: این هم پرسشی اساسی برای عملی‌کردن موضوع است. می‌توانیم دنیایی ایدئال را تصور کنیم، اما اگر نتوانیم به آن برسیم، آن دنیا فقط ایدئال باقی می‌ماند. در این شرایط، همان‌طور که گفتیم، سه لایه داریم؛ یکی از آن‌ها لایه زیرین است که شامل سامانه ثبت و ابزارهای گردش‌کار می‌شود. این اجزا به‌نوعی از قبل وجود دارند. لازم نیست کامل باشند یا در تمیزترین شکل ممکن ارائه شوند. مدل زمینه‌ای، با معماری عامل‌محور خود، طوری طراحی شده که می‌تواند به این اجزا متصل شود و آن‌ها را درک کند.

لایه بالایی هم تا حد زیادی تحت کنترل زیرساخت Celonis است؛ بنابراین چندان پیچیده نیست. بااین‌حال، نکته مهم این است که وقتی وارد یک سازمان می‌شوید و مثلاً به سامانه ثبت، ابزار گردش‌کار یا گزارش‌های رویدادی آن دسترسی پیدا می‌کنید، باید از فرایندهای متعارف امنیت اطلاعات عبور کنید تا مطمئن شوید نرم‌افزار فروشنده‌ای که وارد سازمانتان می‌شود، قابل اعتماد است. به‌نظر من، این مرحله اصلی و حلقه واسط میان وضعیت پیش از ورود و پس از ورود است.

Megan: متوجه شدم. پس این گام واقعاً برای سازمان‌ها حیاتی است. حالا که عامل‌های هوش مصنوعیِ برخوردار از زمینه می‌توانند تصمیم‌های پیچیده‌تر و امیدواریم دقیق‌تری بگیرند، به‌نظر شما نقش هوش و دخالت انسان در آینده چه خواهد بود و سازمان‌ها چطور می‌توانند میان این دو تعادل برقرار کنند؟

Devavrat: این ماجرا هم مزیت‌هایی دارد و هم چالش‌هایی. مزیت‌ها روشن‌اند: اگر عامل‌های هوش مصنوعی مناسبی را در نقش‌های درست و در فرایندهای تصمیم‌گیری به کار بگیرید، امیدواریم کارها را سریع‌تر انجام دهند و درنتیجه تصمیم‌ها زودتر گرفته شوند؛ به‌این‌ترتیب، فرصت‌ها را از دست نمی‌دهید. تصمیم‌ها را به‌موقع می‌گیرید و می‌توانید بهتر برنامه‌ریزی کنید و غیره. این کار به‌ویژه زمانی سودمند است که وظایف بسیار دستی، تکراری و فرساینده‌اند و دسترسی به نیروی کار و هماهنگی میان افراد، بخش‌های مهم فرایند تصمیم‌گیری را تشکیل می‌دهند. در چنین مواردی، ارزش چشمگیری ایجاد می‌شود. روی دیگر ماجرا این است که افراد دیگر آن کارها را انجام نخواهند داد.

از سوی دیگر، نوع دیگری از تصمیم‌ها را همواره می‌گیریم: تصمیم‌های راهبردی. این تصمیم‌ها ممکن است کوچک یا بزرگ باشند، اما بسیاری از سازمان‌ها معمولاً ظرفیت کافی برای بررسی و اتخاذ آن‌ها ندارند. این فرصت فراهم خواهد شد و احتمالاً افراد و متخصصان بیشتری در این حوزه مشارکت خواهند کرد. به‌این‌ترتیب، پشتیبانی بهتری خواهند داشت تا گزینه‌های پیش رویشان را منطقی بررسی کنند و آن‌ها را با یکدیگر بسنجند. در نهایت، این سازمان است که باید تصمیم بگیرد کدام گزینه را انتخاب کند؛ زیرا این تصمیم به منافع سازمان و مسیری که می‌خواهد در پیش بگیرد مربوط می‌شود.

درنتیجه، به‌نوعی با جابه‌جایی در نوع کار نیروی انسانی روبه‌رو خواهیم شد: افراد کارهای تکراری کمتری انجام می‌دهند و بیشتر بر کارهای راهبردی متمرکز می‌شوند؛ بنابراین باید وقت خود را صرف این حوزه کنند.

حوزه دیگری که شخصاً نسبت به آن بسیار خوش‌بینم این است که هر تحول فناورانه‌ای کارهای تازه‌ای ایجاد می‌کند که پیش‌بینی آن‌ها در زمان وقوع تحول دشوار است. امیدوارم فرصت‌ها و کارهای دیگری نیز پدید بیاید و نیروی کارمان در آن‌ها مشارکت کند. روشن است که این وضعیت مستلزم آن است که با دقت درباره آموزش دوباره یا آموزش برخی از کارکنان فکر کنیم. از دید من که یک دانشگاهی و آموزگارم، سرعت این تغییرات بسیار زیاد است؛ بنابراین باید ما هم با سرعتی مشابه عمل کنیم.

Megan: تصمیم‌گیرندگانی که به این گفت‌وگو گوش می‌دهند، برای آغاز اجرای این تغییرات چه باید بکنند؟ برای مثال، چطور می‌توانند نیروی کار خود را آماده کنند؟ حاکمیت چه نقشی باید داشته باشد؟

Devavrat: پرسش خوبی است. اگر می‌خواهید شروع کنید، نخستین کار این است که تصمیمی را شناسایی کنید که می‌خواهید هوشمندی را در آن به کار بگیرید. فرایند مربوط به آن را مشخص کنید و گام‌های فرایند را یکی‌یکی بشناسید. مهم‌ترین و دشوارترین گام را انتخاب کنید و ببینید چطور می‌توانید از عامل‌های هوش مصنوعی برای کمک به انجام آن استفاده کنید. سپس میزان افزایش سرعت و ارزشی را که به دست می‌آورید بسنجید. این کار کمک می‌کند بفهمید آیا این اقدام ارزشش را داشته است یا نه. این نخستین نکته است.

نکته دوم، حاکمیت است. اگر قرار است هوش مصنوعی را برای هر وظیفه در یک نقش، به‌شکلی تجویزی به کار بگیریم، می‌توانیم به‌روشنی مشخص کنیم که آن نقش چه کارهایی را می‌تواند یا نمی‌تواند انجام دهد. Celonis برای این کار عامل‌های دارای نقشِ تأییدشده را پیشنهاد می‌کند. این رویکرد کمک می‌کند به‌روشنی مشخص کنید که چارچوب توافق‌شده برای این نقش چه چیزهایی را دربرمی‌گیرد.

نکته سوم هم نیروی انسانی است و اینجا موضوع اهمیت ویژه‌ای دارد: بخشی از کار خودکار می‌شود، اما در بخش دیگری متخصصان همچنان در جریان خواهند بود. آن‌ها باید خروجی‌های هوش مصنوعی، نحوه کار با این خروجی‌ها و پیامدهایشان را درک کنند. برای این منظور، هم به آموزش هوش مصنوعی و هم به آموزش ابزارها نیاز است.

Megan: بله، کاملاً. سرعت پیشرفت این حوزه شگفت‌انگیز است، این‌طور نیست؟ در همین زمینه، اگر بخواهیم گفت‌وگو را با نگاهی به آینده به پایان برسانیم، با فرض وجود زمینه مناسب، چه کاربردهایی برای هوش مصنوعی سازمانی در افق پیش رو قرار دارند که فکر می‌کنید بیشترین تأثیر را خواهند داشت یا خودتان بیش از همه به آن‌ها علاقه‌مندید؟

Devavrat: فکر می‌کنم بتوانم کاربردها را در سه دسته قرار دهم. همه آن‌ها به هوشمندی تصمیم و تصمیم‌گیری مربوط می‌شوند، اما سه نوع هستند. نخست، کارهای یدی، تکراری و پرزحمتی که به‌طور گسترده انجام می‌شوند.

دوم، کارهایی که به هماهنگی نیاز دارند. بخش زیادی از کاری که ما اکنون به‌عنوان نیروی کار اطلاعاتی انجام می‌دهیم، صرف هماهنگی می‌شود؛ به همین دلیل از ایمیل، صفحه‌گسترده و ابزارهای دیگر استفاده می‌کنیم. بخش زیادی از این کارها را می‌توان بسیار بهتر، سریع‌تر و به‌اصطلاح، کم‌خسته‌کننده‌تر انجام داد.

سوم، پشتیبانی از تصمیم‌گیرندگان انسانی و تقویت توانایی آن‌ها برای تصمیم‌گیری راهبردی. این دسته سوم از تصمیم‌ها را در نظر بگیرید. هر نوع برنامه‌ریزی در سازمان‌ها ــ برنامه‌ریزی مالی، نیروی کار، بازاریابی، فروش، محصول یا هر حوزه دیگری ــ شامل تصمیم‌های مهم کسب‌وکاری است که می‌گیریم و برایشان یک سال زمان می‌گذاریم. شاید دیگر لازم نباشد این فرایندها این‌قدر طول بکشند و افراد بتوانند سریع‌تر انتخاب‌های درستی انجام دهند.

Megan: فوق‌العاده می‌شود، نه؟ عالی بود. از این گفت‌وگوی درخشان بسیار ممنونم، Devavrat. مهمان ما Devavrat Shah، دانشمند ارشد هوش مصنوعی سازمانی در Celonis بود که از برایتون در انگلستان با او گفت‌وگو کردم.

این هم از این قسمت Business Lab. من Megan Tatum، مجری برنامه، هستم. ویراستار همکار و مجری بخش Insights، واحد تولید محتوای سفارشی MIT Technology Review، هستم. ما در سال ۱۸۹۹ در مؤسسه فناوری ماساچوست تأسیس شدیم و هر سال می‌توانید ما را در نسخه چاپی، وب‌سایت و رویدادهایی در سراسر جهان دنبال کنید. برای اطلاعات بیشتر درباره ما و این برنامه، به وب‌سایت technologyreview.com سر بزنید.

این برنامه را می‌توانید از هرجایی که پادکست‌هایتان را دریافت می‌کنید، گوش دهید. اگر از این قسمت لذت بردید، امیدواریم لحظه‌ای وقت بگذارید و به ما امتیاز بدهید و نظرتان را ثبت کنید. Business Lab محصول MIT Technology Review است و این قسمت را Giro Studios تولید کرده است. از اینکه شنونده ما بودید، بسیار سپاسگزاریم. بدرود.

این محتوا را Insights، واحد تولید محتوای سفارشی MIT Technology Review، تولید کرده است، نه بخش تحریریه این نشریه. این محتوا را انسان‌ها بررسی و نوشته‌اند و اگر از ابزارهای هوش مصنوعی استفاده شده باشد، کاربرد آن‌ها به فرایندهای تولید و تحت نظارت انسان محدود بوده است.