کار تکرارشونده و دانش مشترک تیمی چگونه بر عملکرد پروژه‌های یادگیری ماشین در شرایط عدم‌قطعیت تأثیر می‌گذارند؟

Host: سلام و به پادکست A.I.S. Insights خوش آمدید. من آنا آیوی سامرز هستم و امروز به همراه همکارم، الکس ایان ساترلند، به بررسی یک مطالعه جدید در حوزه مدیریت فناوری می‌پردازیم. عنوان این مطالعه «همپوشانی دانش و توسعه تکرارشونده در پروژه‌های یادگیری ماشین: دیدگاهی مبتنی بر پردازش اطلاعات» است که توسط Oliver Krancher، Ilan Oshri و Julia Kotlarsky در International Conference on Information Systems سال ۲۰۲۴ ارائه شده است. این مطالعه بررسی می‌کند که چگونه تیم‌های یادگیری ماشین با استفاده از توسعه تکرارشونده و دانش بین‌رشته‌ای، عدم‌قطعیت را در توسعه پروژه‌ها مدیریت می‌کنند. الکس، خوش آمدید.

Expert: سلام آنا. خوشحالم که در این گفتگو همراه شما هستم. این پژوهش با تحلیل داده‌های ۱۴۱ تیم پروژه، نشان می‌دهد که همپوشانی دانش میان دانشمندان داده و متخصصان حوزه کسب‌وکار، در کنار رویکرد توسعه تکرارشونده، چگونه بر کارایی پروژه و اثربخشی راهکار نهایی اثر می‌گذارد.

Host: برای ورود به بحث، بیایید مسئله اصلی را بررسی کنیم. بسیاری از پروژه‌های یادگیری ماشین با وجود سرمایه‌گذاری‌های سنگین، در محیط عملیاتی با چالش روبه‌رو می‌شوند. این مطالعه ریشه این مسئله را در کجا شناسایی کرده است؟

Expert: مطالعه دو منبع اصلی عدم‌قطعیت را مطرح می‌کند. منبع اول، «عدم‌قطعیت مورد کاربرد» است؛ یعنی تیم‌ها در شناسایی نیازهای واقعی کسب‌وکار و تبدیل آن‌ها به مشخصات فنی دقیق، با ابهام مواجه هستند. منبع دوم، «مبهم بودن مدل» یا همان ماهیت جعبه سیاه در الگوریتم‌های پیچیده یادگیری ماشین است که درک چرایی و چگونگی خروجی‌ها را برای اعضای تیم دشوار می‌سازد. از منظر نظریه پردازش اطلاعات، این دو عامل بار تبادل داده و هماهنگی میان بخش فنی و تجاری را به شدت افزایش می‌دهند.

Host: پژوهشگران برای بررسی رفتار تیم‌ها در برابر این عدم‌قطعیت‌ها از چه روشی استفاده کردند؟

Expert: آن‌ها داده‌های پیمایشی مربوط به ۱۴۱ تیم پروژه یادگیری ماشین در سازمان‌های مختلف را گردآوری و تحلیل کردند. این مطالعه به طور خاص سنجیده است که تیم‌ها تا چه اندازه از چرخه‌های سریع بازخورد یا توسعه تکرارشونده بهره می‌برند، و اینکه اعضای تیم تا چه حد از تخصص یکدیگر آگاهی دارند؛ یعنی دانشمندان داده چقدر از حوزه کسب‌وکار می‌دانند و کارشناسان موضوعی چقدر از علم داده سردرمی‌آورند.

Host: یافته‌های آماری حاصل از تحلیل این ۱۴۱ تیم چه نتایجی را نشان دادند؟

Expert: نتایج نشان داد که اثر ابزارهای مدیریتی به نوع عدم‌قطعیت پروژه وابسته است. نخست، دانش علم داده در میان متخصصان کسب‌وکار، به طور کلی با کارایی بالاتر پروژه همبستگی دارد؛ و در شرایطی که عدم‌قطعیت مورد کاربرد بالاست، این دانش اثربخشی راهکار را نیز افزایش می‌دهد. دوم، دانش حوزه کسب‌وکار در میان دانشمندان داده، به‌ویژه زمانی که مدل‌ها بسیار مبهم و ناآشکار هستند، عاملی تعیین‌کننده در دستیابی به اثربخشی راهکار است. در نهایت، رویکرد توسعه تکرارشونده با کارایی بیشتر پروژه، به‌ویژه در زمان بالا بودن عدم‌قطعیت الزامات، همبستگی مثبت دارد.

Host: این یافته‌ها از دیدگاه کاربرد مدیریتی و تصمیم‌گیری در کسب‌وکارها چه معنایی دارد؟

Expert: پیام عملی این است که مدیران نباید به همه پروژه‌های یادگیری ماشین با یک رویکرد یکسان نگاه کنند. اگر پروژه با عدم‌قطعیت در تعریف مسئله و الزامات تجاری روبه‌رو است، آموزش دادن مفاهیم اولیه علم داده به کارشناسان کسب‌وکار و پیاده‌سازی چرخه‌های توسعه تکرارشونده بیشترین بهره‌وری را ایجاد می‌کند. در مقابل، اگر پروژه از مدل‌های بسیار پیچیده و غیرقابل‌تفسیر استفاده می‌کند، سازمان باید دانشمندان داده‌ای را به کار گیرد که با زمینه و منطق تجاری آن حوزه به‌خوبی آشنا هستند تا بتوانند خطاهای پنهان مدل را شناسایی کنند.

Host: بنابراین، تطبیق دقیق مهارت‌های بین‌رشته‌ای و فرایند توسعه با نوع خاص عدم‌قطعیت، کلید موفقیت عملیاتی است. الکس، از تحلیل روشن و دقیق شما سپاسگزارم. از شما شنوندگان گرامی نیز برای همراهی با این قسمت از A.I.S. Insights متشکرم. تا گفتگوی بعدی، خدانگهدار.