ایرانیان AI
وقتی دو گزینه هرکدام مزیت متفاوتی دارند، یک پاسخ کلی مثل «گزینهٔ اول بهتر است» کمک زیادی نمی‌کند. مقایسهٔ گزینه‌ها با هوش مصنوعی زمانی قابل بررسی می‌شود که معیارها، داده‌ها و فرض‌ها مشخص باشند. در این مقاله یک مثال فرضی برای انتخاب شیوهٔ برگزاری کارگاه می‌سازیم و نشان می‌دهیم چرا تغییر وزن معیارها می‌تواند نتیجه را عوض کند.
گزینه‌ها را با داده‌های هم‌سطح توصیف کنید
دو گزینهٔ فرضی داریم: کارگاه حضوری و کارگاه آنلاین. اگر برای حضوری هزینهٔ کامل و برای آنلاین فقط هزینهٔ نرم‌افزار را وارد کنید، مقایسه نابرابر است. برای هر دو، آماده‌سازی، اجرا و پشتیبانی را در یک بازهٔ زمانی یکسان در نظر بگیرید. دادهٔ نامعلوم را هم جدا علامت بزنید.
پیش از امتیازدهی، محدودیت‌های قطعی را بررسی کنید. اگر یک گزینه با ظرفیت یا زمان در دسترس شما سازگار نیست، نمرهٔ خوب در معیارهای دیگر آن را قابل اجرا نمی‌کند. شرط‌های لازم را از ترجیح‌ها جدا کنید؛ این کار جلوی انتخاب ظاهراً برنده اما غیرعملی را می‌گیرد.
معیار، وزن و امتیاز را از هم جدا نگه دارید
برای تمرین، سه معیار «هزینهٔ کمتر»، «آماده‌سازی سریع‌تر» و «تعامل بیشتر» انتخاب کنید. وزن‌های فرضی آن‌ها به‌ترتیب ۴۰، ۳۰ و ۳۰ درصد است. امتیازها را از یک تا پنج بدهید و از ابتدا مشخص کنید پنج در همهٔ ستون‌ها یعنی وضعیت مطلوب‌تر.
در مثال فرضی، حضوری امتیازهای ۲، ۲ و ۵ و آنلاین امتیازهای ۴، ۴ و ۳ می‌گیرد. امتیاز وزنی حضوری برابر ۲٫۹ و آنلاین برابر ۳٫۷ می‌شود. این اعداد دربارهٔ کارگاه واقعی شما نیستند؛ فقط محاسبه را نشان می‌دهند. امتیاز واقعی باید با دلیل یا دادهٔ قابل بررسی همراه باشد.
تحلیل حساسیت: اگر اولویت عوض شود چه؟
حالا فرض کنید تعامل مهم‌ترین هدف کارگاه باشد و وزن آن را ۷۰ درصد بگذارید؛ هزینه و سرعت هرکدام ۱۵ درصد. با همان امتیازهای فرضی، حضوری ۴٫۱ و آنلاین ۳٫۳ می‌شود. گزینهٔ برتر تغییر می‌کند، چون تعریف موفقیت تغییر کرده است.
از ابزار بخواهید دو یا سه ترکیب وزن معقول را مقایسه کند و بگوید نتیجه به کدام فرض حساس‌تر است. لازم نیست ده‌ها سناریوی تصادفی بسازید؛ سناریوها باید از محدودیت و هدف واقعی شما بیایند. اگر جابه‌جایی کوچک یک وزن نتیجه را عوض می‌کند، تصمیم نیازمند بررسی دقیق‌تر است.
| گزینه | هزینهٔ کمتر | سرعت | تعامل | امتیاز ۴۰/۳۰/۳۰ | امتیاز ۱۵/۱۵/۷۰ |
|---|---|---|---|---|---|
| حضوری | ۲ | ۲ | ۵ | ۲٫۹ | ۴٫۱ |
| آنلاین | ۴ | ۴ | ۳ | ۳٫۷ | ۳٫۳ |
خروجی تحلیل را به یک اقدام کوچک تبدیل کنید
نتیجهٔ مفید فقط رتبه‌بندی نیست. شاید دادهٔ تعامل آنلاین نامطمئن باشد و قبل از انتخاب نهایی لازم باشد یک جلسهٔ آزمایشی کوتاه برگزار کنید. هزینه و زمان این آزمون را مشخص کنید و بنویسید چه نتیجه‌ای نظر شما را تغییر می‌دهد.
از هوش پیشرفته برای مرتب‌کردن معیارها و بررسی سناریو استفاده کنید، سپس محاسبات و داده‌های اصلی را بازبینی کنید. به ابزار اجازه ندهید دادهٔ نامعلوم را بی‌توضیح به امتیاز متوسط تبدیل کند. ماتریس، قضاوت شما را آشکار و قابل بحث می‌کند؛ تصمیم را به‌طور خودکار درست نمی‌کند.
آماده برای شخصی‌سازی
نمونهٔ درخواست
دو گزینهٔ فرضی حضوری و آنلاین را مقایسه کن. معیارها: هزینهٔ کمتر، آماده‌سازی سریع‌تر، تعامل بیشتر. وزن‌ها: ۴۰٪، ۳۰٪، ۳۰٪. امتیاز حضوری: ۲،۲،۵؛ آنلاین: ۴،۴،۳. محاسبه را نشان بده؛ سپس وزن تعامل را ۷۰٪ و دو وزن دیگر را ۱۵٪ کن. دادهٔ تازه نساز و حساسیت نتیجه را توضیح بده.
پیش از ادامه بررسی کنید
- محدودیت‌های قطعی پیش از امتیازدهی بررسی شده‌اند.
- وزن‌ها جمعاً صد درصد و جهت امتیازها یکسان است.
- دادهٔ نامعلوم و دلیل امتیازها روشن است.
پرسش‌های رایج
آیا امتیاز بالاتر همیشه یعنی انتخاب بهتر؟
خیر؛ نتیجه فقط در چارچوب معیارها، وزن‌ها و داده‌های واردشده معنی دارد. محدودیت قطعی یا دادهٔ مهمِ حذف‌شده می‌تواند انتخاب را عوض کند.
وزن معیارها را چه کسی تعیین کند؟
صاحب مسئله و افراد درگیر باید اولویت‌ها را تعیین کنند. ابزار می‌تواند ناسازگاری‌ها را نشان دهد و سناریوها را محاسبه کند.
