Grab: کاهش کارهای مکانیکی تحلیلی با عامل‌های هوش مصنوعی

Grab با به‌کارگیری عامل‌های هوش مصنوعی سهم کارهای تکراری و مکانیکی در جریان‌های تحلیلی را از 44% در فوریه به 30% در ژوئن رساند و هم‌زمان زمان پاسخ به پرسش‌های کسب‌وکار را به‌طرز چشمگیری کاهش داد.

مدل خودمختاری پنج‌سطحی؛ ترکیب هوش ماشینی و نظارت انسانی

هسته این تحول یک مدل پنج‌سطحی خودمختاری است که مشخص می‌کند کدام بخش از جریان کاری تحلیلی به عامل‌ها سپرده می‌شود و کدام بخش‌ها نیازمند نظارت یا قضاوت انسانی باقی می‌ماند.

شبکه کلی سطوح

• سطح 1 — عملیات دستی: انسان‌ها همه مراحل را اجرا و بازبینی می‌کنند.
• سطح 2 — همراهی: ابزارها کارهای کم‌اهمیت را تسهیل می‌کنند، اما تصمیم‌گیری اصلی با انسان است.
• سطح 3 — خودکارسازی تکمیل‌شده با بازبینی: انسان پرسش را چارچوب‌گذاری و نتیجه را بازبینی می‌کند؛ عامل‌ها کشف داده، نوشتن و اجرای پرس‌وجو، اعتبارسنجی نتایج و تهیه پیش‌نویس تحلیل را انجام می‌دهند.
• سطح 4 — ارکستراسیون: عامل‌ها برنامه‌ریزی و ارکستراسیون جریان‌ها را مدیریت می‌کنند؛ انسان‌ها فقط دروازه‌های کلیدی را بازبینی می‌کنند.
• سطح 5 — خودمختاری انتها به انتها: عامل‌ها فرایندها را به‌طور خودکار اجرا می‌کنند؛ انسان‌ها اهداف، آستانه‌های کیفیت و قواعد تشدید را تعیین و مسئولیت نهایی تفسیر علت‌وار و تصمیم‌های تجاری را حفظ می‌کنند.

Spartan؛ پردازش زبان طبیعی و مسیر‌یابی تحلیلی

سیستم Spartan درخواست‌های تحلیلی زبان طبیعی — از جمله پرسش‌های ارسال‌شده از طریق اسلک — را دریافت و به جریان‌های کاری مناسب هدایت می‌کند. Spartan بیش از 50 مهارت و 120 چارچوب تحلیلی را به‌کار می‌گیرد تا بر اساس نوع پرسش بهترین مسیر تحلیلی را انتخاب کند: پرسش‌های ریشه‌ای به آنالیز شاخص‌ها و ابعاد مرتبط می‌انجامند و پرسش‌های مربوط به آزمایش‌ها می‌توانند به‌جای اجرای مجدد روی دریاچه داده‌ها، کارت امتیاز (scorecard) موجود را فراخوانی کنند.

زمینه داده‌ای قابل اتکا

برای تولید نتایج قابل اعتماد، Grab سرمایه‌گذاری گسترده‌ای در ساخت لایه‌های زمینه‌ای انجام داده است: بیش از 5,000 جدول و شاخص مصدق، 4,000 سند زمینه‌ای و 2,000 رکورد طلایی نگهداری می‌شوند. سیستم ContextIQ چرخه حیات این منابع را مدیریت می‌کند؛ همگام با تغییر ابزارهای اندازه‌گیری به‌روزرسانی می‌شود و اصلاحات حاصل از خطاها در محیط تولید را ثبت می‌کند. ایجاد چنین لایه‌هایی شرط لازم برای خروجی‌های قابل استناد از سوی عامل‌های تحلیلی است. برای درک مفهومی از عامل‌های نرم‌افزاری می‌توان به Wikipedia مراجعه کرد.

عملیات تحلیلی خودکار و مدیریت خطا

عامل‌ها صرفاً برای تولید تحلیل به‌کار نمی‌روند؛ آنها در عملیات تحلیلی و مدیریت رخدادها نیز نقش دارند. عامل Scarlet مسئول تحلیل علت ریشه‌ای در مواجهه با شکست‌های پایپلاین است و می‌تواند در مواردی که راهنمای اجرایی یا دروازه‌های از پیش تعریف‌شده کافی نیستند، مشکل را اصلاح یا به تیم مناسب ارجاع دهد. خودکار شدن این واکنش‌ها زمان بازیابی سرویس را کاهش داده و بار فکری تیم‌های دِواپس و مهندسی داده را کم کرده است.

خودکارسازی گزارش‌ها، تفسیر شاخص‌ها و پلتفرم توسعه جریان کاری

عامل‌ها در تولید پیش‌نویس تفسیر شاخص‌ها و گزارش‌های مرتبط با OKR نقش دارند: حرکات قابل‌توجه را شناسایی، بین کشورها و بخش‌ها تفکیک و با تغییرات عملیاتی یا نتایج آزمایش‌ها همبسته می‌کنند. پورتال BriX برای توسعه جریان‌های کاری تحلیلی تصویب و از سپتامبر استفاده از آن بیش از ده برابر رشد کرده است؛ در نیمه اول سال تیم Grab گزارش داده است 31 استقرار در تولید، 283 درخواست ادغام و 60 قابلیت جدید انجام شده است.

نتایج عددی و شاخص‌های پاسخ‌گویی

• سهم پاسخ‌های سلف‌سرویس برای درخواست‌های شاخص: از 53% به 67%.
• سهم خودخدمتی در کشیدن داده‌ها: از 63% به 90%.
• پاسخ اولیه به درخواست‌های SQL: از 50% به 81%.
• حدود 75% رشته‌ها از خارج تیم تحلیل آغاز می‌شوند و 85% از آنها پاسخ اولیه را ظرف 1 دقیقه دریافت می‌کنند.

این تغییرات نشان‌دهنده کاهش بار کاری مکانیکی تحلیل‌گران و فراهم شدن فرصت بیشتر برای تمرکز روی جریان‌های سلف‌سرویس و تحلیل‌های عمیق‌تر است. برای بررسی نقش هوش تجاری در کسب‌وکارها می‌توان به Wikipedia مراجعه کرد.

نقش تحلیل‌گر پس از خودکارسازی

ماناس پراباهکار، سرپرست تیم تحلیل در Grab، پرسیده است که پس از خودکارسازی چه کاری برای تحلیل‌گران باقی می‌ماند. رویکرد عملیاتی Grab بازتعریف نقش تحلیل‌گر را نشان می‌دهد: طراحی جریان‌های تحلیلی، تعیین معیارهای کیفی، تفسیر علت‌وار و قرار دادن نتایج در زمینه استراتژی کسب‌وکار؛ وظایفی که نیازمند قضاوت انسانی و دانش زمینه‌ای هستند و کمتر قابل خودکارسازی‌اند.

پیام برای تیم‌های تحلیلی

نمونه Grab نشان می‌دهد تلفیق عامل‌های خودکار با چارچوب‌های محک‌خورده و داده‌های زمینه‌ای غنی، کارایی و زمان پاسخ‌دهی را بهبود می‌بخشد، در حالی که تصمیم‌گیری و تفسیر پیچیده همچنان نیازمند حضور انسان است. پیاده‌سازی موفق مستلزم سرمایه‌گذاری مداوم در سازمان‌دهی داده، مستندسازی فرایندها و تعریف معیارهای کیفیت است؛ تیم‌هایی که به دنبال افزایش مقیاس تحلیل و کاهش کارهای مکانیکی هستند می‌توانند از این الگو درس‌های عملی بگیرند.