اولین کاری که باید در دفترتان خودکار کنید — و سه کاری که نباید

وقتی از یک مدیر می‌پرسم کدام کار را می‌خواهد خودکار کند، جواب معمولاً همان کاری است که بیشترین شکایت را درباره‌اش شنیده.

این تقریباً همیشه انتخاب اشتباهی است.

کاری که بیشترین شکایت را دارد، معمولاً پیچیده‌ترین است — به همین دلیل هم آزاردهنده است. شروع‌کردن از آنجا یعنی شروع‌کردن از سخت‌ترین نقطه، با کمترین شانس موفقیت، و بیشترین احتمال اینکه کل ایده‌ی هوش مصنوعی در سازمان بدنام شود.

معیار انتخاب اولین کار

چهار شرط. اگر کاری هر چهار را داشت، نامزد خوبی است.

۱. تکرارشونده است. روزی چند بار یا هفته‌ای چند ده بار اتفاق می‌افتد. کاری که ماهی یک‌بار انجام می‌شود، حتی اگر کاملاً خودکار شود، صرفه ندارد.

۲. ورودی و خروجی‌اش مشخص است. می‌توانید در یک جمله بگویید چه چیزی وارد می‌شود و چه چیزی باید بیرون بیاید. اگر نمی‌توانید، مدل هم نمی‌تواند.

۳. اشتباهش گران نیست. یا قابل تشخیص است، یا قابل برگشت، یا هر دو. این مهم‌ترین شرط است و بیشتر از بقیه نادیده گرفته می‌شود.

۴. پاسخ درستش را می‌شود از قبل تعیین کرد. یعنی می‌توانید بیست نمونه بیاورید و برای هرکدام بگویید خروجی درست چه بود. اگر نمی‌توانید، معیار پذیرش هم نخواهید داشت.

سه نامزد خوب در دفتر ایرانی

بر اساس کارهایی که دیده‌ام، این سه معمولاً هر چهار شرط را دارند.

دسته‌بندی نامه‌های ورودی

نامه یا ایمیل می‌آید، باید برود به واحد درست. امروز یک نفر می‌خواندش و تصمیم می‌گیرد.

چرا نامزد خوبی است: تکرار بالا، ورودی و خروجی روشن، و مهم‌تر از همه — اشتباهش گران نیست. نامه‌ای که به واحد اشتباه برود، همان روز برمی‌گردد. کسی آسیب نمی‌بیند.

نکته‌ی مهم: دسته‌ای به‌نام «نامطمئن» بگذارید. سامانه‌ای که مجبور باشد همه‌چیز را دسته‌بندی کند، روی موارد مبهم حدس می‌زند. سامانه‌ای که اجازه داشته باشد بگوید «نمی‌دانم»، در عمل بسیار مفیدتر است.

استخراج داده از فاکتور و فرم

عدد و تاریخ و نام از یک سند نیمه‌ساختاریافته بیرون کشیده می‌شود و در سامانه وارد می‌شود.

چرا خوب است: خروجی کاملاً قابل راستی‌آزمایی است. مجموع اقلام باید با جمع کل بخواند. تاریخ باید معتبر باشد. کد ملی باید رقم کنترلی درست داشته باشد.

این ویژگی طلاست: می‌توانید بخش بزرگی از خطاها را بدون دخالت انسان تشخیص بدهید و فقط موارد مشکوک را برای بازبینی بفرستید.

خلاصه‌سازی صورت‌جلسه

جلسه ضبط یا یادداشت می‌شود و باید تبدیل به خلاصه و فهرست اقدامات شود.

چرا خوب است: خروجی همیشه توسط انسانی که در جلسه بوده بازبینی می‌شود. یعنی انسان در حلقه به‌طور طبیعی وجود دارد، بدون اینکه رویه‌ی اضافه‌ای بسازید.

هشدار: اگر جلسات حاوی بحث محرمانه‌اند، سطح داده‌تان محرمانه است، نه داخلی. این تغییر، معماری استقرار را عوض می‌کند.

سه کاری که نباید با آن‌ها شروع کنید

تصمیم‌های پرسنلی

غربال رزومه، ارزیابی عملکرد، تصمیم درباره‌ی ارتقا.

دلایل: خطا مستقیماً به یک انسان آسیب می‌زند، سوگیری در داده‌ی تاریخی احتمالاً وجود دارد و به‌سادگی دیده نمی‌شود، و «پاسخ درست» اغلب قابل تعریف نیست.

می‌شود بعداً و با احتیاط سراغش رفت. برای اولین پروژه، نه.

تصمیم‌های مالی مستقیم

تأیید پرداخت، تعیین اعتبار، تشخیص تخلف با اثر مستقیم.

مسئله فقط خطر مالی نیست — الزام نظارتی است. این تصمیم‌ها معمولاً در دسته‌ی پرریسک قرار می‌گیرند و مستندسازی‌شان بسیار سنگین‌تر است.

پاسخ مستقیم به مشتری بدون بازبینی

چت‌بات مستقلی که بدون نظارت با مشتری حرف می‌زند.

دو ریسک هم‌زمان: پاسخ ساختگی که مطمئن به‌نظر می‌رسد، و افشای داده‌ی یک مشتری به مشتری دیگر.

نسخه‌ی درستش برای شروع: سامانه پیش‌نویس پاسخ بسازد و اپراتور تأیید کند. همین کار وقت اپراتور را کم می‌کند، بدون اینکه ریسک را روی مشتری بگذارد.

سه مسئله‌ی خاص فارسی

این‌ها را ابزارهای عمومی معمولاً درست حل نمی‌کنند.

نرمال‌سازی متن. «ی» و «ک» عربی در برابر فارسی، اعداد فارسی و لاتین و عربی، نیم‌فاصله، و کشیده. دو متن که برای انسان یکسان‌اند، برای ماشین دو رشته‌ی متفاوت‌اند. اگر پیش از پردازش نرمال‌سازی نشود، دقت به‌طور نامحسوس افت می‌کند.

سند اسکن‌شده. بخش بزرگی از مکاتبات اداری در ایران هنوز کاغذی است. کیفیت تشخیص نوری متن فارسی، به‌ویژه روی سند مهرخورده و اسکن کج، به‌طور محسوسی از انگلیسی پایین‌تر است. اگر پروژه‌تان به این وابسته است، پیش از هر تصمیم دیگری کیفیتش را روی نمونه‌ی واقعی خودتان بسنجید.

تاریخ شمسی. تبدیل تاریخ، تشخیص فرمت‌های مختلف، و محاسبه‌ی بازه‌ها. ابزارهای عمومی اغلب تاریخ شمسی را اشتباه می‌فهمند یا اصلاً نمی‌شناسند.

یک مثال کامل: از انتخاب تا تحویل

بگذارید یک مسیر واقعی را از اول تا آخر ببینیم. دفتری با دوازده کارمند که روزانه حدود شصت نامه و ایمیل ورودی دارد.

هفته‌ی اول — اندازه‌گیری وضعیت فعلی. پیش از هر کاری، وضعیت امروز را بسنجید. چند نامه در روز؟ هر نامه چقدر طول می‌کشد تا به واحد درست برسد؟ چند درصدشان اشتباه مسیر می‌روند؟

بدون این عدد، هر ادعایی درباره‌ی بهبود بی‌معناست. و جالب اینکه در بیشتر سازمان‌ها همین اندازه‌گیری ساده خودش چیزهایی را روشن می‌کند که کسی نمی‌دانست.

هفته‌ی دوم — ساختن مجموعه‌ی ارزیابی. دویست نامه‌ی واقعی از ماه گذشته بردارید و دسته‌ی درست هرکدام را مشخص کنید. صد تا برای ساختن و تنظیم، صد تا کنار گذاشته می‌شود و تا آخر کار دست‌نخورده می‌ماند.

اینجا معمولاً یک کشف اتفاق می‌افتد: دو نفر از تیم روی دسته‌ی بعضی نامه‌ها اختلاف نظر دارند. اگر انسان‌ها توافق ندارند، نمی‌شود از ماشین انتظار داشت. آن موارد را یا تعریفشان را روشن کنید، یا در دسته‌ی نامطمئن بگذارید.

هفته‌ی سوم — قاعده‌ی داده و انتخاب ابزار. مشخص کنید نامه‌ها در چه سطحی از حساسیت‌اند. اگر بین نامه‌ها مواردی با داده‌ی هویتی یا مالی هست، سطح کل جریان بالا می‌رود و گزینه‌های ابزار محدود می‌شود.

ترتیب این کار مهم است: اول سطح داده، بعد انتخاب ابزار. برعکسش یعنی ابزاری بخرید و بعد بفهمید اجازه‌ی استفاده‌اش را ندارید.

هفته‌ی چهارم — اجرا با انسان در حلقه. سامانه دسته را پیشنهاد می‌دهد، اپراتور تأیید یا اصلاح می‌کند. هر اصلاح ثبت می‌شود.

این مرحله دو کار هم‌زمان می‌کند: کار واقعی انجام می‌شود، و داده‌ای تولید می‌شود که کیفیت واقعی سامانه را نشان می‌دهد — نه کیفیتش روی نمونه‌های آزمایشگاهی.

پایان — سنجش روی صد نمونه‌ی کنارگذاشته. حالا عدد واقعی به دست می‌آید و می‌شود با معیار پذیرش مقایسه‌اش کرد.

چطور نتیجه را به مدیر نشان بدهید

یک اشتباه رایج در گزارش‌دهی: نشان‌دادن درصد دقت به‌تنهایی.

«دقت هشتاد و پنج درصد» برای مدیری که تصمیم می‌گیرد، عدد بی‌معنایی است. چیزی که برایش معنا دارد این است:

از شصت نامه‌ی روزانه، چند تا حالا بدون دخالت انسان درست مسیردهی می‌شوند؟ چند تا به بازبینی می‌روند؟ و از آن‌هایی که خودکار رفتند، چند تا اشتباه بودند و اشتباهشان چه هزینه‌ای داشت؟

سه عدد، نه یکی. و هر سه به زبان کار روزمره، نه به زبان مدل.

نکته‌ی آخر و مهم: عددی که گزارش می‌کنید باید شرایطش را هم داشته باشد — روی چند نمونه، از چه بازه‌ای، و آیا آن نمونه‌ها در ساختن استفاده شده بودند یا نه. عددی بدون این شرایط، حتی اگر درست باشد، قابل دفاع نیست.

معیار پذیرش برای اولین کار

بدون این، کار شروع نمی‌شود.

فرض کنید دسته‌بندی نامه را انتخاب کرده‌اید. معیار پذیرش می‌تواند این شکل باشد:

روی ۲۰۰ نامه‌ی واقعی که خارج از داده‌ی توسعه انتخاب شده‌اند، سامانه باید حداقل به نرخ دقت توافق‌شده برسد، و هیچ نامه‌ی محرمانه‌ای نباید در دسته‌ی عمومی قرار بگیرد. موارد نامطمئن به‌جای حدس‌زدن، به صف بازبینی انسانی می‌روند.

سه ویژگی این معیار: عدد دارد، شرط دارد، و روی داده‌ای سنجیده می‌شود که در ساختن استفاده نشده.

توجه کنید که خود عدد را اینجا ننوشتم. عدد باید در گفت‌وگو با شما و بر اساس وضعیت فعلی کار دستی‌تان تعیین شود. عددی که بدون شناخت کار شما نوشته شود، تبلیغ است نه معیار.

اقدام مشخص این هفته

یک هفته، کارهای تکراری دفترتان را یادداشت کنید. فقط دو ستون: عنوان کار، و زمان تقریبی هر بار.

آخر هفته، هر کار را با آن چهار شرط بسنجید. کاری که هر چهار را دارد و بیشترین زمان تجمعی را می‌گیرد، اولین نامزد شماست.

این تمرین معمولاً یک نتیجه‌ی جانبی دارد که از خود پروژه مفیدتر است: بعضی از آن کارها اصلاً لازم نیستند و باید حذف شوند، نه خودکار.