آیندهنگاری در عصر هوش مصنوعی و اصول راهبردی مطالعات
موج ورود ماشینهای محاسباتی به اتاقهای فکر مدیران رسیده و نگاه به مطالعات راهبردی را تغییر داده است. وقتی ابزاری توانایی دارد در کسری از ثانیه حجم عظیمی از دادهها را پردازش کند پرسش مهمی درباره جایگاه ذهن انسان در طراحی مسیرهای پیش رو مطرح میشود. موسسه آیندهها (IFTF) با سالها تجربه در ارزیابی فناوریهای نوظهور سراغ بررسی همین موضوع رفته است تا چارچوب روشنی برای محققان ترسیم کند. بشر از دیرباز تجهیزاتی مانند ماشین چاپ را برای گسترش توانمندیهای ارتباطیاش اختراع کرد و امروز الگوریتمهای هوشمند نیز نقش دستیارانی توانمند را بر عهده میگیرند. این سیستمهای نوین ظرفیتهای انسانی را در پروژههای آیندهپژوهی پشتیبانی میکنند و با افزایش سرعت تحلیلها مسیر تصمیمگیری را برایمان هموارتر میسازند.
یادگیری مبانی آیندهپژوهی برای عبور از ابهامهای محیط پیرامون سودمند به نظر میرسد و پژوهشگران را برای مواجهه با تغییرات آماده میکند. در این فضا آشنایی با استانداردهای کار با هوش مصنوعی برای حفظ اصالت تحقیقات اهمیت زیادی دارد.
مطالعه بیشتر: آینده پژوهی در عصر هوش مصنوعی؛ چرا سرعت ماشین جایگزین استراتژی نمیشود؟
مطالعه بیشتر: آیندهنگاری استراتژیک در عصر هوش مصنوعی: همکاری انسان و ماشین در کشف ناشناختهها
مطالعه بیشتر: آیندهنگاری در عصر هوش مصنوعی: اعتماد یا تله؟
مبانی آیندهپژوهی و حفظ ظرافتهای تحلیلی
شناخت روشهای آیندهپژوهی راهی برای دیدن جهان و تفسیر رویدادهای اطراف ماست تا بتوانیم آیندهی دلخواهمان را بسازیم. طی کردن این مسیر به قدرت تشخیص ظرافتها و درک عمیق بسترها نیاز دارد و پژوهشگر همواره پیامدهای اخلاقی تصمیمها را میسنجد. نرمافزارهای تحلیلی معمولا طراحی میشوند تا ظرفیت فکری تیمها را گسترش دهند و متخصصان این عرصه تقابل ماشین با ذهن انسان را نمیپذیرند. استفاده از الگوریتمهای هوشمند در جریان فعالیتهایی مثل افقپویی (Horizon scanning) میتواند فرایند کشف پیچیدگیهای محیط را هموارتر کند. تیمهای ارائهدهندهی خدمات آیندهنگاری فناوری (Technology foresight) تلاش میکنند این ظرافتهای تحلیلی را در کارهایشان حفظ کنند تا خروجی گزارشها اعتبار کافی داشته باشد و درک روشنی از اجرای عملی پروژهها به خوانندگان بدهد.
زمانبندی درست در کنار سرعت پردازش ماشینها
کاهش دقت و از بین بردن ظرافتهای تحلیلی به کیفیت کار آسیب میزند و ممکن است نتایج مرحلهی سناریونگاری (Scenario planning) را در سازمانها با خطای محاسباتی روبهرو کند. زمانبندی درست در استفاده از نرمافزارها مسئلهی مهمی در اجرای پروژهها به حساب میآید و فهم جهان فرایندی کاملا ذهنی است. سپردن زودهنگام فرایندهای فکری به هوش مصنوعی پیشنهاد نمیشود و ذهن پژوهشگر را کمتحرک میکند. در سیستمهای آموزشی پیش از یادگیری مفاهیم پایهی ریاضی به کودکان ماشینحساب نمیدهند تا درک شهودیشان از اعداد شکل بگیرد و پایههای فکریشان قوی شود.
آیندهنگاری راهبردی و نظارت انسانی بر سناریوها
در پروژههای آیندهنگاری راهبردی (Strategic foresight) نیز تحلیلگران پیش از هر کاری مفاهیم اولیه را درونی میکنند و کاربرد آنها را در فضاهای واقعی میشناسند. شناخت نشانههای تغییر در ابزارهایی مثل رادار روند (Trend radar) پیشنیاز استفاده از میانبرهای نرمافزاری است و برنامههای جایگزین توان تحلیلی افراد گزینههای مناسبی برای پیشبرد کارها نیستند. نظارت فردی روی پیشبینیها اصل اساسی دیگری در چارچوبهای مطالعاتی تلقی میشود و اعتبار تحقیقات را بالا میبرد. سیستمهای کامپیوتری توانایی دارند در چند ثانیه صدها داستان باورپذیر بسازند و ذهن مخاطب را درگیر کنند.
تولید انبوه محتوا حتی در روشهای مشارکتی مثل دلفی (Delphi method) هدف اصلی تحقیقات به شمار نمیرود و رسیدن به بینش عمیق زمانبر است. تحلیلگران باتجربه روی تمام خروجیها نظارت میکنند و گاهی از مدلهای محدود برای تمرینهای گروهی کمک میگیرند تا افراد فضای متفاوتی را تجربه کنند. محققان خروجی نهایی را قدمبهقدم بررسی میکنند و پیشنهادهای اصلاحیشان را برای بهبود فرایندها ارائه میدهند. نگاه دقیق به گذشته با کمک روشهایی مثل پسنگری (Backcasting) به این افراد کمک میکند مسیرهای طیشده را واکاوی کنند و راهنمای خوبی برای پیادهسازی صحیح این ابزارها در کسبوکارها در اختیار داشته باشند.
اقتصاد سیاسی و مدیریت منابع محیطی
توجه به اقتصاد سیاسی (Political economy) دیدگاه محققان را نسبت به نوآوریها بازتر میکند و تصویر روشنتری به آنها میدهد. توسعهی برنامههای محاسباتی همیشه تحت تاثیر نیروهای اجتماعی قرار دارد و متغیرهایی مثل دسترسی به سرمایه یا هنجارهای فرهنگی روی آنها اثر مستقیم میگذارد.
این متغیرهای پیرامونی تعیین میکنند منافع یک نوآوری به چه کسانی برسد و چه گروهی متحمل ریسکهای آن شوند. مجموعههای فعال در این عرصه تا جای ممکن دادهها و مدلهای شفاف را به کار میبرند تا خطای محاسباتی کمتری داشته باشند و دوری از رویکردهای استثماری در انتخاب پلتفرمها عدالت بیشتری در فضای عمومی شکل میدهد. اجرای مدلهای بزرگ پردازشی مصرف آب و انرژی چشمگیری به همراه دارد و انتخاب مدلهای کوچکتر میتواند آسیبهای محیطزیستی را کاهش دهد. کارهای روزمره با داشتن روشهای جایگزین احتیاجی به پردازشهای سنگین ماشینی ندارند و استفاده از راهکارهای سادهتر معقولتر به نظر میرسد.
حفظ حریم خصوصی در پروژههای مطالعاتی
اطلاعات اختصاصی سازمانها ارزش بالایی دارند و محافظت از آنها اولویت مدیران ارشد است. وارد کردن دادههای حساس پروژهها به سامانههای دارای استانداردهای امنیتی پایین ریسک بزرگی به همراه دارد و اعتبار سازمان را تهدید میکند. سازمانهای معتبر سیاستهای استفادهشان از مدلهای محاسباتی را بهروشنی اعلام میکنند و همکاری با منابع شفاف را ترجیح میدهند. ثبت مراحل کار رهگیری دادهها را در روزهای بعد آسانتر میکند و شفافیت فرایندها را بالا میبرد.
با پیشرفت دانش مرز بین استفادهی عادی و نوآورانهی ابزارها جابهجا میشود و چارچوبها متناسب با تغییرات تکامل پیدا میکنند تا کیفیت مطالعات پایدار بماند. پیگیری مستمر این چارچوبها در منابع تخصصی به علاقهمندان کمک میکند همواره با بهروزترین استانداردها همراه باشند و مهارتهای تحلیلیشان را گسترش دهند.