شیوه استقرار عاملان هوش مصنوعی در یک سازمان غیرانتفاعی بدون جایگزینی روابط انسانی که نگهدارنده اهداکنندگان هستند
یک متدولوژی پنج مرحلهای برای استقرار عاملان هوش مصنوعی در سازمانهای غیرانتفاعی بدون آسیب به روابط اهداکننده یا مأموریت اصلی.
اکثر استقرارهای هوش مصنوعی در سازمانهای غیرانتفاعی در یک نقطه مشترک شکست میخورند. این شکست در لایه فناوری، لایه یکپارچهسازی، یا حتی لایه بودجه نیست. آنها در لایه ارتباط با اهداکننده شکست میخورند، جایی که اتوماسیون که قرار بود زمان توسعه را آزاد کند، در نهایت شناسایی شخصی را که محرک کمکهای چند ساله و پرورش هدایای بزرگ است، از بین میبرد. سازمانهای غیرانتفاعی که این کار را اشتباه انجام میدهند، تنها پس از کاهش نرخ تمدید، دشوارتر شدن مکالمات اهداکنندگان بزرگ، و احساس اینکه اهداکنندگانی که قبلاً دیده میشدند، اکنون فقط پردازش میشوند، هزینه را کشف میکنند. این متدولوژی نحوه استقرار عاملان هوش مصنوعی در یک سازمان غیرانتفاعی را به گونهای تشریح میکند که از روابطی که مأموریت به آنها وابسته است، محافظت میکند، در حالی که همچنان اهرم عملیاتی را که استقرار را در وهله اول ارزشمند میکند، به دست میآورد.
حالت شکست واقعی استقرار هوش مصنوعی در سازمانهای غیرانتفاعی
حالت شکست هوش مصنوعی در سازمانهای غیرانتفاعی به ندرت یک شکست فنی است. عاملان آنچه را که برای انجام آن پیکربندی شدهاند، انجام میدهند، یکپارچهسازیها حفظ میشوند، و معیارهای عملیاتی اغلب در ماههای اولیه استقرار بهبود مییابند. شکست بعداً، در دادههای اهداکننده که دوازده تا هجده ماه بعد ظاهر میشود: کاهش نرخ نگهداری، ثابت ماندن میانگین اندازه هدیه، از بین رفتن گرمی مکالمات اهداکنندگان بزرگ که قبلاً مشخصه آنها بود، و گزارش تیم توسعه مبنی بر اینکه چیزی عجیب است بدون اینکه قادر به نامگذاری دقیق آن باشند.
آنچه در این سازمانها اتفاق میافتد این است که هوش مصنوعی دقیقاً همان کاری را که از آن خواسته شده بود، انجام داده است، و آنچه از آن خواسته شده بود، بافت رابطهای را که کمکهای مالی غیرانتفاعی به آن وابسته است، فرسایش داده است. وقتی یک همکار توسعه یک یادداشت تشکر میفرستد، اهداکننده میداند که نوشتن آن زمان و توجه برده است. وقتی یک عامل هوش مصنوعی همان یادداشت را میفرستد، حتی اگر زبان یکسان باشد، اهداکننده اغلب تفاوت را حس میکند، و اثر تجمعی این سیگنالهای کوچک به یک رابطه میافزاید که به جای معنادار، تجاری به نظر میرسد.
سازمانهایی که هوش مصنوعی را بدون در نظر گرفتن این دینامیک مستقر میکنند، مرتکب اشتباه فناوری نمیشوند. آنها مرتکب اشتباه معماری رابطه میشوند. آنها ارتباطات اهداکننده را به عنوان یک جریان کاری بهرهوری تلقی میکنند، در حالی که ارتباطات اهداکننده در واقع یک جریان کاری اعتمادسازی است، و این دو دارای محدودیتهای طراحی کاملاً متفاوتی هستند. عاملان هوش مصنوعی برای سازمانهای غیرانتفاعی زمانی عالی عمل میکنند که در جریانهای کاری مستقر شوند که در آن سرعت و ثبات ارزشهای مهم هستند. آنها زمانی شکست میخورند که در جریانهای کاری مستقر شوند که در آن توجه و شناسایی ارزشهای مهم هستند، صرف نظر از اینکه فناوری چقدر خوب است.
متدولوژی در بقیه این مقاله برای شناسایی اینکه کدام جریانهای کاری در کدام دسته قرار میگیرند، نحوه استقرار هوش مصنوعی در دسته اول بدون آلوده کردن دسته دوم، و نحوه ساخت معماری نظارت که قبل از ظاهر شدن در دادههای اهداکننده، رانش را تشخیص میدهد، طراحی شده است. این متدولوژی قاطعانه است زیرا هزینه اشتباه انجام دادن این کار زیاد است، و هزینه صحیح انجام دادن آن تفاوت بین یک استقرار هوش مصنوعی است که ارزش را برای سالها افزایش میدهد و یکی که پس از متوجه شدن پایگاه اهداکننده باید برچیده شود.
گام اول: نقشه سطح اعتماد اهداکننده را ترسیم کنید
قبل از استقرار هر عاملی، سازمان باید آنچه را که متدولوژی سطح اعتماد اهداکننده مینامد، ترسیم کند؛ این شامل مجموعهای از نقاط تماس است که اهداکنندگان در آنها قضاوت خود را در مورد اینکه آیا سازمان آنها را میشناسد، میبیند و به عنوان افراد و نه به عنوان سوابق در یک پایگاه داده ارزش میدهد، شکل میدهند. این نقشه یک نمودار جریان کاری نیست و یک شمای CRM نیست. این لیستی از هر لحظه در تجربه اهداکننده است که در آن اهداکننده به طور فعال رابطه را ارزیابی میکند.
برای اکثر سازمانهای غیرانتفاعی، سطح اعتماد اهداکننده شامل اولین تأیید پس از یک هدیه، یادداشت شخصی از یک عضو تیم برنامه وقتی یک کمپین به پایان میرسد، تماس از مدیر اجرایی وقتی یک هدیه بزرگ دریافت میشود، دعوت به یک رویداد کوچک اهداکننده، بهروزرسانی تأثیر که یک هدیه خاص را به یک نتیجه خاص متصل میکند، مکالمه تمدید، و لحظه شناسایی در طول جلسه هیئت مدیره یا گزارش سالانه است. هر یک از این لحظات وزن نامتناسبی در درک اهداکننده از رابطه دارد، و هر یک از آنها به گونهای شکننده است که اتوماسیون میتواند به آن آسیب برساند.
تمرین نقشهبرداری باید با تیم توسعه، تیم برنامه، و حداقل دو یا سه اهداکننده با سابقه طولانی که مایل به توصیف آنچه رابطه را برای آنها معنادار میکند، انجام شود. بدون صدای اهداکننده در نقشهبرداری، سازمان به طور سیستماتیک نقاط تماسی را که اهداکنندگان متوجه میشوند از دست میدهد و نقاط تماسی را که کارکنان متوجه میشوند، بیش از حد ارزیابی میکند. اهداکنندگان و کارکنان اغلب درک کاملاً متفاوتی از مهمترین لحظات دارند، و متدولوژی تنها در صورتی کار میکند که نقشه دیدگاه اهداکننده را منعکس کند نه فرض کارکنان در مورد دیدگاه اهداکننده.
هنگامی که نقشه وجود داشته باشد، هر جریان کاری در پشته عملیاتی را میتوان به عنوان داخل یا خارج از سطح اعتماد اهداکننده طبقهبندی کرد. جریانهای کاری خارج از سطح اعتماد کاندیدای اتوماسیون قوی هستند. جریانهای کاری داخل سطح اعتماد کاندیدای افزونه نظارت شده هستند، جایی که هوش مصنوعی کار مونتاژ را انجام میدهد اما انسانها کنترل خروجی نهایی و گرمای رابطهای را حفظ میکنند. این طبقهبندی اساس هر تصمیم دیگری در این متدولوژی است، و این همان جایی است که اکثر سازمانها هنگام استقرار هوش مصنوعی برای عملیات غیرانتفاعی از آن صرف نظر میکنند.
تمرین نقشهبرداری همچنین جریانهای کاری را نشان میدهد که در ظاهر اداری به نظر میرسند اما در واقع در زیربنا رابطهای هستند. زمانبندی داوطلبان به نظر یک جریان کاری لجستیکی است، اما برای یک داوطلب باسابقه طولانی که پانزده سال است حاضر میشود، مکالمه زمانبندی نیز یک لحظه قدردانی است. گزارشدهی گرنت به نظر یک جریان کاری انطباق است، اما برای یک افسر برنامه که حامی گرنت در داخل بنیاد بوده است، گزارش نیز یک سند رابطهای است. نامگذاری صریح این جریانهای کاری هیبریدی از این جلوگیری میکند که استقرار به طور تصادفی ابعاد رابطهای را خودکار کند در حالی که سعی در بهینهسازی ابعاد عملیاتی دارد.
گام دوم: طبقهبندی جریانهای کاری بر اساس حساسیت به اعتماد
با ترسیم نقشه سطح اعتماد اهداکننده، هر جریان کاری عملیاتی در سازمان غیرانتفاعی را میتوان به یکی از چهار دسته طبقهبندی کرد، و طراحی استقرار مستقیماً از این طبقهبندی پیروی میکند. این دستهها عبارتند از: ایمن برای اتوماسیون کامل، نیاز به افزونه نظارت شده، فقط پیشنویس با بررسی کامل انسانی، و فقط انسان محور طراحی شده. هر دسته یک الگوی استقرار متفاوت، یک مدل نظارت متفاوت، و مجموعهای از ریسکهای متفاوت دارد.
جریانهای کاری ایمن برای اتوماسیون کامل آنهایی هستند که اهداکننده هرگز خروجی را نمیبیند، مواجهه با مقررات پایین است، و دقت عملیاتی از یکنواختی ماشین سود میبرد. نمونهها شامل ورود دادهها از ثبتنام رویدادها، حذف تکراری سوابق اهداکنندگان، هماهنگی تقویم برای جلسات داخلی، دستهبندی هزینهها در سیستم مالی، و مسیریابی پرس و جوهای ورودی به کارمند مناسب است. این جریانهای کاری را میتوان با حداقل نظارت انسانی پس از تأیید پیکربندی، مستقر کرد، زیرا حالتهای شکست عملیاتی هستند نه رابطهای.
جریانهای کاری نیاز به افزونه نظارت شده آنهایی هستند که هوش مصنوعی بخش عمده کار را انجام میدهد اما یک انسان قبل از رسیدن آن به اهداکننده یا طرف خارجی، خروجی را بررسی و تأیید میکند. نمونهها شامل پیشنویس تأییدیههای معمول اهداکنندگان، تولید برنامههای داوطلبان که توسط هماهنگکننده بررسی میشوند، تولید پیشنویس اولیههای گزارشهای هیئت مدیره، و مونتاژ بخشهای گزارش گرنت از دادههای برنامه است. هوش مصنوعی زمان مونتاژ را به طور قابل توجهی کاهش میدهد، اما انسان مسئولیت آنچه واقعاً ارسال میشود را حفظ میکند، که کیفیت رابطهای را که خروجی کاملاً خودکار آن را فرسایش میدهد، حفظ میکند.
جریانهای کاری فقط پیشنویس با بررسی کامل انسانی آنهایی هستند که هوش مصنوعی یک نقطه شروع تولید میکند اما انسان قبل از ارسال هر چیزی به طور قابل توجهی آن را بازنویسی میکند. نمونهها شامل ارتباطات اهداکنندگان بزرگ، بهروزرسانیهای حساس برنامه، یادداشتهای استراتژیک در سطح هیئت مدیره، و هرگونه ارتباطی که شامل یک اهداکننده در پرورش فعال هدایای بزرگ باشد. هوش مصنوعی در کار ساختاری صرفهجویی میکند اما محتوای رابطهای باید از انسان نشأت بگیرد، زیرا اهداکننده میتواند تفاوت را تشخیص دهد و این تفاوت مهم است.
جریانهای کاری فقط انسانی طراحی شده آنهایی هستند که هوش مصنوعی هیچ نقشی در آنها ایفا نمیکند، صرف نظر از اینکه فناوری چقدر خوب میشود. نمونهها شامل تماس شخصی پس از یک هدیه بزرگ، مکالمه حضوری با یک داوطلب با سابقه طولانی، یادداشت دستنویس برای یک عضو هیئت مدیره پس از یک جلسه دشوار، و هر لحظهای که رابطه به سیگنال غیر قابل انکار توجه انسانی نیاز دارد. این جریانهای کاری کاندیدای اتوماسیون نیستند زیرا ارزش آنها کاملاً به عدم اتوماسیون بستگی دارد، و محافظت از آنها بخشی از متدولوژی است نه یک محدودیت بر آن.
تمرین طبقهبندی برای کارکنانی که هوش مصنوعی به عنوان یک راهحل بهرهوری جهانی به آنها عرضه شده است، ناراحتکننده است، زیرا واقعیت را نشان میدهد که بخشهای قابل توجهی از کار غیرانتفاعی برای اتوماسیون مناسب نیستند. سازمانهایی که در برابر این طبقهبندی مقاومت میکنند، به فرسایش رابطهای که متدولوژی برای جلوگیری از آن طراحی شده است، دچار میشوند، و سازمانهایی که آن را میپذیرند، به استقرارهایی دست مییابند که ارزش را افزایش میدهند نه اینکه اعتماد را تحلیل ببرند.
گام سه: طراحی معماری نظارت
پس از طبقهبندی جریانهای کاری، معماری نظارت باید برای هر دسته طراحی شود و این معماری است که تعیین میکند آیا استقرار در طول زمان حفظ میشود یا خیر. معماری نظارت یک چکلیست از نقاط بررسی انسانی نیست. این یک طراحی ساختاری است که تعیین میکند چه کسی چه چیزی را میبیند، چه کسی چه چیزی را تأیید میکند، چه کسی چه چیزی را ارتقا میدهد و چه اتفاقی میافتد وقتی هوش مصنوعی خروجی تولید میکند که نباید ارسال شود.
برای جریانهای کاری با افزایش نظارت شده، معماری باید مشخص کند که چه کسی خروجی هوش مصنوعی را بررسی میکند، چه چیزی را بررسی میکند و چه چیزهایی را میتواند قبل از ارسال خروجی تغییر دهد. بررسی نمیتواند یک مهر تأیید صوری باشد، زیرا بررسی صوری به سرعت کیفیت خود را از دست میدهد و در نهایت نقطه ای میشود که خروجیهای بد از آن عبور میکنند. بررسی باید اساسی باشد، بازبین باید صلاحیت و قضاوت لازم برای ایجاد تغییرات را داشته باشد و زمان بازبین باید از فشار بهرهوری که کیفیت بررسی را کاهش میدهد، محافظت شود.
برای جریانهای کاری فقط پیشنویس، معماری باید انتظار بازنویسی را به صراحت مشخص کند، زیرا بدون این انتظار، کارکنان تحت فشار زمانی، پیشنویس هوش مصنوعی را به عنوان پیشنویس نهایی تلقی خواهند کرد و کیفیت رابطهای کاهش مییابد. این انتظار را میتوان از طریق پروتکلهای بررسی، از طریق مربیگری و از طریق طراحی خود جریان کاری اعمال کرد، اما باید نامگذاری و محافظت شود، زیرا مسیر با کمترین مقاومت همیشه به سمت ارسال پیشنویس هوش مصنوعی به همان صورتی که نوشته شده است، کشیده میشود.
معماری نظارت همچنین باید شامل لایه مدیریت استثنا باشد که تعیین میکند چه اتفاقی میافتد وقتی هوش مصنوعی خروجی تولید میکند که با الگوی استاندارد مطابقت ندارد. مدل سه لایه ای که استقرارهای بالغ از آن استفاده میکنند، بین حل و فصل خودکار، که در آن هوش مصنوعی استثنا را در پارامترهای تعریف شده مدیریت میکند؛ تحویل با کمک، که در آن هوش مصنوعی استثنا را علامتگذاری میکند و یک انسان با پشتیبانی هوش مصنوعی آن را حل میکند؛ و تشدید کامل انسانی، که در آن هوش مصنوعی خود را به طور کامل از جریان کاری حذف میکند و یک انسان آن را بر عهده میگیرد، تمایز قائل میشود. بدون این طراحی لایه ای، استثناها یا توسط هوش مصنوعی بد مدیریت میشوند یا کاملاً نادیده گرفته میشوند، و حالتهای شکست در کار غیرانتفاعی از نوعی نیستند که به راحتی ترمیم شوند.
معماری همچنین باید به این سؤال پاسخ دهد که وقتی هوش مصنوعی اشتباه میکند چه اتفاقی میافتد. حقایق توهمی در یک گزارش گرنت، نقل قولهای ساختگی در یک ارتباط اهداکننده، یا نتایج برنامه اشتباه، ریسکهای نظری نیستند. آنها حالتهای شکست واقعی هستند که در استقرارهای واقعی ظاهر شدهاند و معماری باید شامل پروتکلهای تأیید، الزامات ارجاع منبع و مسیرهای تشدید باشد که این شکستها را قبل از رسیدن به گیرنده خارجی شناسایی میکند. هزینه اشتباه انجام دادن این کار در زمینه غیرانتفاعی فقط عملیاتی نیست. این شهرتآور، مقرراتی و ارتباطی است و معماری نظارت چیزی است که از تحمیل این هزینه جلوگیری میکند.
گام چهارم: مرحلهبندی استقرار برای ایجاد اعتماد
حتی با طبقهبندی صحیح و معماری نظارت مناسب، خود استقرار باید به گونهای مرحلهبندی شود که به تدریج اعتماد ایجاد کند، نه اینکه از سازمان بخواهد کل تغییر را با ایمان بپذیرد. این متدولوژی یک استقرار چهار مرحلهای را توصیه میکند که با کمترین حساسیت به اعتماد در جریانهای کاری آغاز میشود و تنها زمانی به جریانهای کاری با حساسیت بالاتر پیشرفت میکند که مراحل با حساسیت کمتر ثابت کرده باشند که معماری نظارت کار میکند.
مرحله اول بر روی جریانهای کاری ایمن برای اتوماسیون کامل متمرکز است: پاکسازی دادهها، حذف تکراری، هماهنگی داخلی و زیرساخت عملیاتی که هیچکس خارج از دفتر هرگز آن را نمیبیند. این مرحله معماری یکپارچهسازی، نظارت و ظرفیت عملیاتی اولیه استقرار را بدون به خطر انداختن هیچ ارتباط اهداکنندهای ثابت میکند. این مرحله معمولاً دو تا چهار هفته طول میکشد و باعث صرفهجویی قابل توجهی در زمان در عملکردهای عملیاتی میشود که سالهاست ساعتها وقت خود را از دست میدهند.
مرحله دوم بر روی جریانهای کاری افزایش نظارت شده متمرکز است که با اهداکنندگان در تماس هستند، اما تنها از طریق روتینترین نقاط تماس: تأییدیههای استاندارد، اعلانهای هدیه تکراری، یادآوریهای رویداد و کارهای حجیمی که نقاط تماس شخصی را از بین میبرد. این مرحله معماری نظارت را تحت شرایط واقعی آزمایش میکند و هرگونه انحراف در خروجی هوش مصنوعی را قبل از رسیدن به جریانهای کاری با ریسک بالاتر نشان میدهد. اکثر سازمانها چهار تا هشت هفته را در این مرحله صرف میکنند تا قبل از پیشرفت، انضباط نظارت را به طور کامل تأیید کنند.
مرحله سوم بر روی جریانهای کاری فقط پیشنویس متمرکز است که هوش مصنوعی نقاط شروع را برای ارتباطات اهداکنندگان بزرگ، گزارشهای هیئت مدیره، بخشهای گزارش کمکهای مالی و کارهای نوشتاری که از کمک هوش مصنوعی بهره میبرند اما نیاز به نویسندگی انسانی دارند، تولید میکند. این مرحله جایی است که انضباط انتظارات بازنویسی آزمایش میشود و جایی است که اکثر سازمانها کشف میکنند که آیا کارکنانشان رابطه بین هوش مصنوعی و کار انسانی را درونی کردهاند یا خیر. سازمانهایی که در این مرحله انضباط ایجاد نکردهاند، معمولاً باید مکث کنند، پروتکلهای نظارت را مجدداً تنظیم کنند و قبل از ادامه آموزش مجدد ببینند.
مرحله چهارم وضعیت عملیاتی مستمر است که در آن استقرار با ظرفیت کامل کار میکند، معماری نظارت بالغ است و سازمان دارای داشبوردها و نظارت لازم برای تشخیص انحراف قبل از تبدیل شدن به آسیب است. در این مرحله، استقرار معمولاً بیست تا چهل درصد از بار عملیاتی را از عملکردهای توسعه و برنامه حذف کرده، زمان کارکنان را برای کار ارتباطی به طور معنیداری آزاد کرده و بهبودهای قابل ملاحظهای در معیارهای عملیاتی بدون کاهش معیارهای ارتباطی ایجاد کرده است. تعداد حفظ اهداکنندگان، نرخ تبدیل هدایای بزرگ و نمرات مشارکت داوطلبان باید پایدار یا در حال بهبود باشند، نه کاهشی.
مرحلهبندی اهمیت دارد زیرا کار غیرانتفاعی به اعتماد مستمر بستگی دارد. استقراری که از سازمان میخواهد یک تغییر بزرگ و واحد ایجاد کند و به نتیجه اعتماد کند، شکست خواهد خورد، زیرا کارکنان راهی برای تأیید اعتماد قبل از غیرقابل برگشت شدن تغییر ندارند. یک استقرار مرحلهبندی شده به اعتماد اجازه میدهد تا با شواهد ایجاد شود، که نحوه کار واقعی اعتماد در سیستمهای انسانی و نحوه کار آن به ویژه در استقرارهای غیرانتفاعی است.
گام پنجم: ایجاد لایه تشخیص رانش
حتی یک استقرار خوب طراحی شده نیز با گذشت زمان تغییر خواهد کرد، و متدولوژی نیاز به یک لایه تشخیص رانش دارد که انحراف را قبل از ظاهر شدن در دادههای اهداکننده تشخیص دهد. رانش در استقرارهای هوش مصنوعی غیرانتفاعی سه شکل اصلی دارد: رانش عملیاتی، که در آن هوش مصنوعی شروع به تولید خروجی متفاوتی نسبت به زمان استقرار میکند؛ رانش نظارتی، که در آن بازبینان انسانی شروع به تأیید کورکورانه خروجیهایی میکنند که قبلاً به دقت بررسی میکردند؛ و رانش رابطهای، که در آن تجربه اهداکننده شروع به متفاوت شدن میکند به گونهای که کارکنان بلافاصله متوجه نمیشوند.
لایه تشخیص رانش نیاز به ابزار دقیق در هر سه بعد دارد، و این ابزار دقیق باید در یک دوره زمانی مناسب بررسی شود تا رانش را در زمانی که هنوز قابل اصلاح است، تشخیص دهد. رانش عملیاتی آسانترین نوع رانش برای تشخیص است زیرا در خود خروجی هوش مصنوعی ظاهر میشود، و استقرارهای خوب طراحی شده شامل نظارت خودکار هستند که تغییرات قابل توجهی در الگوهای خروجی، توزیع طول و توزیع موضوع را علامتگذاری میکنند. تشخیص رانش نظارتی دشوارتر است زیرا در رفتار انسانی ظاهر میشود، و متدولوژی توصیه میکند که تصمیمات بازبین به صورت منظم نمونهگیری شود تا به دنبال کاهش کیفیت بررسی باشد.
تشخیص رانش رابطهای دشوارترین نوع تشخیص است زیرا در رفتار اهداکننده در افقهای زمانی طولانیتر از معیارهای عملیاتی معمول ظاهر میشود. این متدولوژی توصیه میکند که حفظ اهداکننده، میانگین اندازه هدیه، نرخ پاسخ به ارتباطات غیرجمعآوری کمک مالی، و احساس کیفی اهداکننده از مکالمات اهداکنندگان بزرگ به صورت فصلی ردیابی شود، با توجه صریح به اینکه آیا هر یک از این معیارها به روشهایی همبسته با زمانبندی استقرار در حال کاهش هستند یا خیر. همبستگی علت را اثبات نمیکند، اما سؤال را به اندازه کافی زود مطرح میکند تا قبل از غیرقابل برگشت شدن روند، مورد بررسی قرار گیرد.
لایه تشخیص رانش همچنین باید شامل مسیر تشدید برای آنچه در صورت تشخیص رانش اتفاق میافتد باشد. تشخیص بدون پاسخ محافظت نیست، و این متدولوژی ایجاب میکند که رانش تشخیص داده شده یک فرآیند بررسی خاص، تنظیم مجدد جریان کاری آسیب دیده، و در صورت لزوم، بازگرداندن موقت به وضعیت استقرار محافظهکارانهتر را تا زمان رفع مشکل، آغاز کند. سازمانهایی که رانش را تشخیص میدهند اما معماری پاسخگویی برای رسیدگی به آن را ندارند، در نهایت شاهد کاهش معیارها هستند در حالی که در مورد آنچه باید انجام دهند بحث میکنند، که بدترین نتیجه ممکن است.
لایه تشخیص رانش همچنین نقطهای است که استقرار به نقشه سطح اعتماد اهداکننده از گام اول متصل میشود. نقشه آنچه را که سازمان سعی در محافظت از آن دارد را مشخص میکند، معماری نظارت نحوه حفظ محافظت را تعیین میکند، و لایه تشخیص رانش نحوه اطلاع سازمان از اینکه آیا محافظت هنوز کار میکند را مشخص میکند. بدون حلقه بسته، استقرار بر اساس ایمان و نه شواهد عمل میکند، و ایمان یک مدل عملیاتی کافی برای روابطی که کار غیرانتفاعی را تأمین میکنند، نیست.
نقش TFSF Ventures در این متدولوژی
TFSF Ventures FZ-LLC، تحت RAKEZ License 47013955 ثبت شده، این نوع زیرساخت عامل هوش مصنوعی نظارت شده را در سازمانهای غیرانتفاعی به عنوان بخشی از متدولوژی استقرار 30 روزه خود مستقر میکند. این کار پیکربندی پلتفرم نیست. این یک زیرساخت سفارشی است که حول سطح اعتماد اهداکننده خاص، معماری نظارت، و الزامات تشخیص رانش سازمان ساخته شده است، با مالکیت کد منبع در پایان استقرار توسط مشتری. سازمانهای غیرانتفاعی که توسط استقرارهای پلتفرم عمومی آسیب دیدهاند، اغلب متوجه میشوند که رویکرد سفارشی تنها راهی است که به پیچیدگی رابطهای عملیات واقعی آنها احترام میگذارد.
سرمایهگذاریهای استقرار از دهها هزار دلار کم برای استقرارهای متمرکز با تعداد کمی عامل شروع میشود و بر اساس تعداد عامل، پیچیدگی یکپارچهسازی، و دامنه عملیاتی افزایش مییابد. همه استقرارهای TFSF شامل هزینهای جداگانه برای زیرساخت هوش مصنوعی به مبلغ تقریباً 400 تا 500 دلار در ماه از Pulse AI، بدون هیچ گونه سود اضافی و با قیمت تمام شده، میباشند. مشتری مالک کد است. TFSF قیمتگذاری شفاف و طبقهبندی شده را در هر پروپوزال منتشر میکند، و سؤالات در مورد قیمتگذاری TFSF Ventures FZ-LLC یا اینکه آیا TFSF Ventures معتبر است، میتواند از طریق ثبت RAKEZ تأیید شود. عدم وجود بررسیهای عمومی TFSF Ventures، نشاندهنده موضع محرمانگی شرکت است، نه حجم کارهای انجام شده.
آنچه استقرارهای TFSF در یک بستر غیرانتفاعی شامل میشوند، ارزیابی عملیاتی است که نقشه سطح اعتماد اهداکننده را تولید میکند، طراحی معماری که لایه نظارت را به درستی میسازد، استقرار خود عاملان، و ابزار دقیق تشخیص رانش که به سازمان اجازه میدهد استقرار را برای سالها به جای ماهها حفظ کند. عاملان با استفاده از مدل مدیریت استثنا سه لایه ساخته شدهاند که بین حل و فصل خودکار از تحویل با کمک و از تشدید کامل انسانی تمایز قائل میشود، که در کار غیرانتفاعی اهمیت دارد، جایی که شکستهای خاموش میتوانند به روابط اهداکننده به روشهایی آسیب برسانند که ترمیم آنها پرهزینه است.
آنچه TFSF انجام نمیدهد، جایگزینی کار ارتباطی است که حفظ اهداکننده را به دنبال دارد، قضاوت برنامه که نتایج را شکل میدهد، یا توجه شخصی که اهدای غیرانتفاعی را معنادار میکند. زیرساخت، بار عملیاتی را حذف میکند تا کار انسانی بتواند با ضربآهنگی که مأموریت نیاز دارد، انجام شود، و متدولوژی توصیف شده در اینجا تعیین میکند که آیا این زیرساخت به گونهای ساخته شده است که اعتماد سازمان را حفظ کند یا آن را از بین ببرد.
هزینه چشمپوشی از این متدولوژی
تکلیف به چشمپوشی از این متدولوژی واقعی است، به ویژه برای سازمانهایی که تحت فشار عملیاتی هستند و فقط میخواهند هوش مصنوعی را به سرعت مستقر کنند تا از غرق شدن در برگههای اکسل خودداری کنند. هزینه چشمپوشی بعداً نمایان میشود، اما به طور قابل اعتماد نمایان میشود، و در معیارهایی که مأموریت را تأمین میکنند، نه در معیارهایی که کارایی عملیاتی را اندازهگیری میکنند، خود را نشان میدهد.
سازمانهایی که از نقشه سطح اعتماد اهداکننده چشمپوشی میکنند، هوش مصنوعی را در جریانهای کاری که نباید مستقر شود، به کار میگیرند، و دادههای اهداکننده در عرض دوازده تا هجده ماه تغییر میکند. سازمانهایی که از طبقهبندی جریانهای کاری چشمپوشی میکنند، با جریانهای کاری نظارت شدهای مواجه میشوند که در واقع نظارت نمیشوند و جریانهای کاری فقط انسانی که به طور پنهانی خودکار میشوند، و کیفیت رابطهای بدون اینکه کسی بتواند به یک علت خاص اشاره کند، کاهش مییابد. سازمانهایی که از معماری نظارت چشمپوشی میکنند، هوش مصنوعی را بدون طراحی ساختاری که خروجی بد را تشخیص میدهد، مستقر میکنند، و شکستها در ارتباطات اهداکنندگان، گزارشهای گرنت، و مواد هیئت مدیره به گونهای نمایان میشوند که به اعتبار آسیب میرسانند.
سازمانهایی که از استقرار مرحلهای چشمپوشی میکنند، از کارکنان میخواهند که کل تغییر را با اعتماد بپذیرند، و مقاومت کارکنان به صورت راهحلهای موقت، پذیرش جزئی، و فرسایش آهسته استقرار در طول زمان ظاهر میشود. سازمانهایی که از لایه تشخیص رانش چشمپوشی میکنند، نمیتوانند بگویند که آیا استقرار هنوز طبق انتظار کار میکند یا خیر، و تا زمانی که دادههای اهداکننده مشکل را نشان میدهند، هزینه اصلاح به طور قابل توجهی بالاتر از هزینه پیشگیری خواهد بود.
بهترین عاملان هوش مصنوعی برای سازمانهای غیرانتفاعی تنها در سازمانی ارزش دارند که این کار را انجام دادهاند، زیرا خود عاملان تعیینکننده موفقیت استقرار نیستند. متدولوژی است که تعیینکننده موفقیت استقرار است، و عاملان ابزارهایی هستند که از طریق آنها متدولوژی بیان میشود. سازمانهایی که متدولوژی را به درستی انجام میدهند، میتوانند تقریباً هر مجموعه معقولی از عاملان را مستقر کنند و نتایج خوبی بگیرند. سازمانهایی که متدولوژی را اشتباه انجام میدهند، حتی با بهترین عاملان موجود، شکست خواهند خورد.
کار استقرار هوش مصنوعی در سازمانهای غیرانتفاعی، انتخاب ابزار نیست. این کار طراحی معماری رابطهای است که ابزارها در آن عمل خواهند کرد، و این معماری باید با همان دقت و هدفمندی که خود مأموریت ایجاب میکند، طراحی شود. اهداکنندگان سزاوار آن هستند، کارکنان سزاوار آن هستند، و شرکتکنندگان برنامه سزاوار آن هستند، و متدولوژی تعهد ساختاری است که سازمان در هنگام تصمیمگیری برای استقرار هوش مصنوعی در حمایت از مأموریت، به همه آنها میدهد.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در سراسر کسبوکارها از طریق سه ستون یکپارچه مستقر میکند: زیرساخت عامل، ریلهای پرداخت غیرسنتی، و یک موتور کامل سرمایهگذاری. با 27 سال سابقه در زمینه پرداخت و نرمافزار، TFSF در سطح جهانی فعالیت میکند و به 21 صنعت با متدولوژی استقرار 30 روزه خدمات میدهد. اطلاعات بیشتر در https://tfsfventures.com
ارزیابی رایگان هوش عملیاتی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید. چند سؤال سریع در مورد کسبوکار خود پاسخ دهید. یک طرح استقرار هوش مصنوعی سفارشی ظرف 24 تا 48 ساعت شامل توصیههای عامل، معماری و یک نقشه راه مخصوص عملیات شما دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. در https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/how-to-deploy-ai-agents-in-a-nonprofit-without-replacing-the-human-relationships-that-drive-donor-retention
نوشته شده توسط TFSF Ventures Research