1404/02/23

در دومین جلسه از سلسله رویدادهای «AI Journey» که با هدف بازخوانی تجربه‌های عملی و واقعی در توسعه محصولات هوش مصنوعی برگزار شد، یکی از مدیران باسابقه حوزه محصول با پیشینه فعالیت در شرکت‌هایی نظیر تپسی، همراه اول، یکتانت و نیز بنیان‌گذاری استارتاپی در حوزه واقعیت مجازی، به بررسی سه محور کلیدی در مدیریت استراتژیک محصولات مبتنی بر هوش مصنوعی پرداخت.

در بخش نخست، تمرکز اصلی بر «مدیریت استراتژیک محصول در بسترهای داده‌محور» بود. در این قسمت، محصول هوش مصنوعی به‌مثابه سیستم بازخوردی معرفی شد که برخلاف محصولات نرم‌افزاری کلاسیک، مسیر خلق ارزش در آن نه صرفاً از طریق نیاز کاربر بلکه از طریق کشف الگوهای نهفته در داده شکل می‌گیرد. به همین دلیل، «تعریف مسئله» در این فضا به جای فرآیند اولیه، به یک فرآیند بازنگری شونده و پویا تبدیل می‌شود. سخنران بر این نکته تأکید داشت که در محصولات مبتنی بر مدل‌های یادگیری ماشین، مسیر حرکت بیشتر شبیه «کشف مداوم» (iterative discovery) است تا اجرای نقشه‌ای از پیش ترسیم‌شده. در چنین ساختاری، موفقیت محصول نیازمند تعریف شاخص‌های عملکرد ترکیبی است که بتواند بین دقت الگوریتم، رضایت کاربر و قابلیت استقرار عملیاتی تعادل برقرار کند.

محور دوم جلسه به «چالش‌های تیم‌های چند تخصصی» اختصاص داشت. یکی از اصلی‌ترین موانع در توسعه محصولات هوش مصنوعی، اختلاف زبان و ادراک میان نقش‌هایی چون دیتا ساینتیست، مهندس نرم‌افزار، مدیر محصول، و ذی‌نفعان کسب‌وکار بود. در این بخش، ارائه‌دهنده از تجربه‌هایی در سازمان‌های گوناگون مثال آورد که چگونه نبود زبان مشترک یا ناتوانی در تبیین تصمیمات فنی برای سطوح غیرتخصصی می‌تواند منجر به تعارضات تصمیم‌گیری یا حتی شکست پروژه شود. استفاده از اسناد هم‌فهم‌ساز مانند «منشور محصول» (Product Charter)، ترسیم نقشه ذی‌نفعان، و بهره‌گیری از جلسات تسهیل‌گرانه به‌عنوان ابزارهایی برای ارتقاء انسجام تیمی معرفی شدند.

در بخش سوم، مجموعه‌ای از «درس‌آموخته‌ها در پیاده‌سازی محصولات هوش مصنوعی» ارائه شد که ناظر بر تجارب عملی در سازمان‌های مختلف بود. یکی از کلیدی‌ترین آموزه‌ها، اهمیت پذیرش ذات تجربی و ناپایدار سیستم‌های یادگیرنده بود؛ به‌ویژه در فازهای اولیه که داده ناکامل است، مدل‌ها دقت کافی ندارند و فرضیات به‌سرعت تغییر می‌کنند. در چنین شرایطی، آنچه موفقیت پروژه را تضمین می‌کند، نه قطعیت مدل بلکه ظرفیت تیم برای «مدیریت ابهام» و «یادگیری مستمر» است. در این میان، نقش مهارت‌های نرم همچون شنیدن فعال، توانمندی در تسهیل گفت‌وگوهای میان‌رشته‌ای، مدیریت تنش در زمان شکست مکرر مدل‌ها و ذهنیت رشد (growth mindset) به‌عنوان منابع پنهان اما حیاتی در پیشبرد پروژه‌ها برجسته شد.

این جلسه بر ضرورت تلفیق دانش نظری، همکاری میان‌رشته‌ای و توانمندی در مواجهه با شرایط پیچیده و متغیر در مسیر توسعه محصولات هوش مصنوعی تأکید داشت. چنین تجربه‌هایی می‌توانند نقشی کلیدی در شکل‌گیری ارتباط مؤثر میان دانشگاه، صنعت و زیست‌بوم نوآوری ایفا کرده و زمینه‌ساز انتقال دانش و ترویج فناوری‌های پیشرفته باشند.

فایل ارائه رویداد از طریق این لینک قابل دریافت است.