چگونه هوش مصنوعی می‌تواند شناسه‌های گم‌شده را در لاگ فرایندها برای افزایش دقت تحلیل بازیابی کند؟

Host: سلام و درود به همه شنوندگان گرامی. به پادکست A.I.S. Insights، ارائه‌شده توسط Living Knowledge خوش آمدید. من آنا آیوی سامرز هستم و امروز در کنار همکار ارشد و تحلیل‌گر عزیزم، الکس ایان ساترلند، به بررسی یک نوآوری بسیار هیجان‌انگیز در حوزه هوش مصنوعی و بهینه‌سازی فرایندها می‌پردازیم. موضوع گفت‌وگوی امروز ما پیرامون یک مطالعه ارزشمند با عنوان «شناسه مورد در اینجا آشکار شد: روش ترکیبی ترمیم موارد گریزان برای ارتقای لاگ رویداد فرایند کسب‌وکار مبتنی بر ترنسفورمر» است. این مطالعه به روشی نوین به نام HERE می‌پردازد که هوش مصنوعی مولد بر پایه معماری ترنسفورمر را با دانش خبرگان حوزه ترکیب می‌کند تا لاگ‌های فرایندی معیوب را بازسازی نماید. الکس، خیلی خوش آمدی!

Expert: سلام آنا، و سلام به همه شنوندگان عزیز. بسیار خوشحالم که اینجا هستم. این مطالعه دقیقاً دست روی یکی از گلوگاه‌های پنهان اما حیاتی در دنیای تحول دیجیتال گذاشته است.

Host: برای شروع، بیا از پایه صحبت کنیم. چرا کیفیت لاگ‌های رویداد در سازمان‌ها تا این حد اهمیت دارد و اصولاً مشکل بزرگی که این مطالعه به آن پرداخته چیست؟

Expert: ببین آنا، امروزه بسیاری از کسب‌وکارها برای مشاهده جریان واقعی کارها از فناوری «فرایندکاوی» یا همان Process Mining استفاده می‌کنند؛ ابزاری که مثل عکس‌برداری با اشعه ایکس از کارکرد درونی سازمان عمل می‌کند. اما این ابزار یک پیش‌شرط قطعی دارد: نیاز به لاگ رویداد یا Event Log تمیز دارد. در این لاگ‌ها، هر عمل باید به یک «شناسه مورد» یا Case ID متصل باشد؛ مثلاً شماره سفارش، شماره فاکتور یا پرونده بیمار. مشکل اینجاست که در سامانه‌های واقعی، به دلیل خطاهای سیستمی یا انسانی، پیوند برخی از این رویدادها قطع می‌شود و بدون شناسه می‌مانند. در این مطالعه، به این رویدادهای گم‌شده «موارد گریزان» یا Elusive Cases گفته می‌شود.

Host: و اگر این شناسه‌ها گم شوند، چه اتفاقی برای تحلیل‌های کسب‌وکاری می‌افتد؟ روش‌های سنتی چطور با این چالش برخورد می‌کردند؟

Expert: پیامدها فاجعه‌بار است! شما تصاویری تحریف‌شده از واقعیت سازمان به دست می‌آورید. راه‌حل‌های سنتی معمولاً یکی از این سه اشکال بزرگ را داشتند: یا سعی می‌کردند بدون هوشمندی تمام رویدادها را دوباره گروه‌بندی کنند که باعث خراب شدن داده‌های سالم می‌شد؛ یا نیازمند هفته‌ها کار دستی پرهزینه توسط کارشناسان بودند؛ و یا به داده‌های جانبی سنگینی تکیه می‌کردند که اصلاً در دسترس نبود. نتیجه نهایی این بود که مدیران بر اساس بینش‌های کاملاً غلط، تصمیم‌گیری می‌کردند.

Host: کاملاً مشخص است که این موضوع یک چالش عملیاتی پرهزینه است. حالا این مطالعه چه رویکرد متفاوتی را برای حل مسئله پیشنهاد داده است؟

Expert: این مطالعه روشی به نام HERE را طراحی کرده که ترکیبی هوشمندانه از دو دنیاست: اول، هوش مصنوعی پیشرفته مبتنی بر ترنسفورمرها؛ دقیقاً مشابه همان معماری که زیربنای مدل‌های زبانی بزرگ است. ترنسفورمر می‌تواند الگوها و توالی زمانی میان فعالیت‌ها را متوجه شود و حدس بزند هر رویداد معلق متعلق به کدام جریان کاری است. دوم، چارچوب «انسان در حلقه» یا استفاده از قوانین کسب‌وکاری تعریف‌شده توسط متخصصان. این قوانین حوزه‌ای هم قبل از آموزش مدل و هم پس از خروجی آن به عنوان یک محافظ و ارزیاب عمل می‌کنند تا مانع از حدس‌های غیرمنطقی مدل شوند.

Host: پس یعنی هوش مصنوعی به تنهایی رها نشده، بلکه تجربه و منطق انسانی آن را مهار می‌کند. الکس، این مطالعه در بخش نتایج و ارزیابی‌ها به چه یافته‌های کلیدی دست پیدا کرده است؟

Expert: یافته‌ها بسیار تحسین‌برانگیز هستند. نخستین دستاورد این است که این روش توانسته شناسه‌های گم‌شده را با دقتی چشمگیر بازیابی کند، بدون اینکه دست به رکوردهای سالم قبلی بزند؛ مشکلی که در روش‌های پیشین رایج بود. دوم، نتایج نشان داد که حضور قوانین حوزه‌ای در قالب محافظ‌های پیشینی و پسینی، به‌ویژه در سناریوهایی که داده‌ها اندک هستند یا خطای سیستم بالاست، نجات‌بخش عمل می‌کند. سوم، در مجموعه‌داده‌های بزرگ با نرخ مفقودی معقول، مدل ترنسفورمر توانست تمام الگوریتم‌های سنتی یادگیری ماشین را شکست دهد. علاوه بر این، پژوهشگران با ۲۱ خبره ارشد صنعت مصاحبه کردند و همگی بر کاربردی بودن و آماده‌بودن این روش برای استقرار در جریان‌های کاری سازمان تأکید داشتند.

Host: این فوق‌العاده است. بیایید روی ارزش عملی این دستاورد برای مدیران و رهبران کسب‌وکار متمرکز شویم. این مطالعه چطور می‌تواند به سودآوری یا کارایی شرکت‌ها کمک کند؟

Expert: بزرگ‌ترین اثر تجاری آن، آزادسازی زمان و منابع است. در پروژه‌های علم داده، نزدیک به هشتاد درصد زمان صرف آماده‌سازی و پالایش داده‌ها می‌شود. این روش، بخش بزرگی از پاک‌سازی لاگ‌ها را خودکار می‌کند. از طرف دیگر، قابلیت اطمینان به داشبوردها و گزارش‌های فرایندی را به شدت افزایش می‌دهد. وقتی مدیر بداند گلوگاه‌های شناسایی‌شده ناشی از داده‌های ناقص نیست، می‌تواند با اطمینان در اتوماسیون یا بازمهندسی فرایندها سرمایه‌گذاری کند و میلیون‌ها دلار جلوی هدررفت منابع را بگیرد.

Host: در واقع، پلی است میان داده‌های کثیف و نامرتب دنیای واقعی و تصمیم‌گیری‌های استراتژیک و بی‌نقص.

Expert: دقیقاً همین‌طور است آنا. این مطالعه به زیبایی نشان می‌دهد که ترکیب هوش مصنوعی مولد با خرد انسانی، چطور می‌تواند ارزش‌های نهفته در سیستم‌های قدیمی را احیا کند.

Host: یک درس فوق‌العاده برای تمام رهبران فناوری و کسب‌وکار! بسیار سپاسگزارم الکس از توضیحات روشن و پرنکته‌ات.

Expert: از تو هم ممنونم آنا، و همین‌طور از شنوندگان خوبمان.

Host: از شما شنوندگان عزیز هم برای همراهی با این اپیزود از A.I.S. Insights صمیمانه تشکر می‌کنیم. فراموش نکنید که دانش، زمانی به رشد شما کمک می‌کند که به بینش‌های قابل اجرا تبدیل شود. تا برنامه بعدی، خدانگهدار.