استراتژی Moonshot و کاربرد آن در هوش مصنوعی و  BPMS

هوش مصنوعی امروز به یک فرصت استراتژیک برای سازمان‌ها تبدیل شده است؛ فرصتی که می‌تواند نحوه عملکرد یک شرکت را متحول کند، تصمیم‌گیری‌ها را هوشمندانه‌تر کند و حتی مدل کسب‌وکار را بازتعریف کند. با این حال، اجرای موفق AI برای اکثر سازمان‌ها یک چالش واقعی است. بسیاری از شرکت‌ها ابتدا به روش تقلید از غول‌های فناوری مثل گوگل، متا یا آمازون روی می‌آورند و تلاش می‌کنند همان مسیر آن‌ها را طی کنند. برخی دیگر رویاپردازانه تصور می‌کنند ربات‌ها و سیستم‌های AI همه کارها را انجام خواهند داد و سازمان آن‌ها به سرعت تحول پیدا خواهد کرد.

واقعیت این است که هیچ یک از این دیدگاه‌ها راه‌حل واقعی ارائه نمی‌دهد. سازمان‌ها برای موفقیت در AI باید مسیر مناسب خودشان را پیدا کنند و استراتژی‌هایی را به کار بگیرند که با اندازه، منابع و نیازهایشان همخوانی دارد. دو رویکرد اصلی برای اجرای AI وجود دارد:

1. تقسیم و غلبه (Divide & Conquer): پروژه‌های AI به واحدهای کوچک‌تر تقسیم می‌شوند و هر بخش به طور مستقل روی نیازهای خود کار می‌کند.
2. جهش بزرگ یا Moonshot: تمام منابع و تمرکز سازمان روی یک پروژه تحول‌آفرین متمرکز می‌شود که می‌تواند نه تنها شرکت، بلکه کل صنعت را تغییر دهد.

در این مقاله تمرکز ما بر استراتژی Moonshot است، با نگاهی به تاریخچه شکل‌گیری این مفهوم و یک مطالعه موردی واقعی از تسلا، تا ببینیم چگونه یک پروژه بلندپروازانه می‌تواند اثرگذارترین نتیجه را در مسیر تحول دیجیتال و بهینه‌سازی فرآیندهای سازمانی (BPMS) ایجاد کند.

استراتژی Moonshot در AI

اصطلاح Moonshot از برنامه سفر انسان به ماه گرفته شده است؛ پروژه‌ای بلندپروازانه، با ریسک بالا و هدفی تحول‌آفرین که می‌تواند دنیا را تغییر دهد. در دنیای سازمانی، استراتژی Moonshot به پروژه‌های AI گفته می‌شود که تمرکز همه منابع و استعدادها روی یک هدف بزرگ است و توانایی تغییر مدل کسب‌وکار یا صنعت را دارد.

این رویکرد در تضاد با روش Divide & Conquer (تقسیم و غلبه) است که پروژه‌ها را پراکنده و کوچک اجرا می‌کند. در رویکرد و استراتژی Moonshot ، شرکت یک ابتکار بزرگ و اثرگذار را به‌عنوان محور استراتژی AI خود قرار می‌دهد و همه سرمایه‌گذاری‌ها و توجه مدیریت را حول آن متمرکز می‌کند.

پیاده‌سازی عملی Moonshot

اجرای یک پروژه با استراتژی Moonshot نیازمند:

• یکپارچگی عمودی عمیق در سازمان
• سرمایه‌گذاری قابل توجه در منابع انسانی و مالی
• بازطراحی ساختار سازمانی برای پشتیبانی از پروژه
• همکاری بین دپارتمان‌ها شامل IT، عملیات، بازاریابی و حقوقی

مزایای این رویکرد شامل:

• رهبری صنعتی: اجرای موفق یک پروژه AI می‌تواند شرکت را به رهبر بی‌رقیب در صنعت تبدیل کند.
• اثر تحول‌آفرین: پروژه درست می‌تواند عملیات شرکت را متحول و جریان‌های درآمدی جدید ایجاد کند.

معایب و چالش‌ها:

• ریسک بالای شکست
• سرمایه‌گذاری اولیه سنگین
• ریسک گرفتار شدن در هزینه‌های انجام‌شده
• چالش‌های قانونی و سازمانی

مطالعه موردی: تسلا

تمرکز تسلا بر دستیابی به قابلیت رانندگی کامل خودران، صرفاً یک پروژه جانبی نیست؛ این تمرکز، هسته‌ی چشم‌انداز بلندمدت شرکت برای تحول از یک خودروساز سنتی به رهبر جهانی خدمات حمل‌ونقل اشتراکی است. تسلا سرمایه‌گذاری سنگینی در تحقیق و توسعه هوش مصنوعی انجام داده است، از جمله طراحی تراشه‌های AI اختصاصی، جمع‌آوری مجموعه داده عظیمی از میلیون‌ها خودرو، و استخدام استعدادهای برتر هوش مصنوعی. این ابتکار نیازمند یکپارچگی عمیق بین تیم‌های مهندسی، نرم‌افزار و سخت‌افزار و سرمایه‌گذاری مداوم در زیرساخت‌ها برای پشتیبانی از مدل‌های AI مورد استفاده در قابلیت‌های رانندگی خودران بوده است.

ویژگی متمایز رویکرد تسلا، یکپارچگی عمودی در سراسر زنجیره AI است—کاری که حتی برای پیشرفته‌ترین شرکت‌های فناوری نیز نادر است. در بخش سخت‌افزار، تسلا کامپیوتر Full Self-Driving (FSD) خود را طراحی کرده که مجهز به تراشه‌های اختصاصی شبکه عصبی است و به‌طور ویژه برای تصمیم‌گیری در زمان واقعی رانندگی بهینه شده‌اند. این تراشه‌ها حجم عظیمی از داده‌های تصویری را مستقیماً روی خودرو پردازش می‌کنند، تا تأخیر را کاهش داده و ایمنی را افزایش دهند.

تسلا همچنین کنترل کامل جریان داده را در اختیار دارد. هر خودروی تسلا به عنوان یک حسگر عمل می‌کند و در ایجاد احتمالاً بزرگ‌ترین مجموعه داده ویدیویی جهان برای سناریوهای رانندگی مشارکت دارد. با میلیاردها مایل رانندگی و پتابایت‌ها فیلم واقعی، تسلا مزیت عظیمی در آموزش مدل‌ها دارد. سیستم‌های خودکار برچسب‌گذاری AI، داده‌های ویدیویی را در مقیاس وسیع حاشیه‌نویسی می‌کنند و امکان تکرار سریع آموزش مدل را فراهم می‌آورند.

در بخش نرم‌افزار، تسلا زیرساخت آموزش AI خود را ساخته است، از جمله ابرکامپیوتر اختصاصی Dojo که برای آموزش شبکه‌های عصبی مبتنی بر ویدیو طراحی شده است. این امکان به تسلا اجازه می‌دهد تا مرزهای خودران مبتنی بر تصویر را توسعه دهد، بدون نیاز به حسگرهای گران‌قیمت LiDAR و تمرکز بر تحقیق بنیادی در بینایی ماشین. برای این منظور، تیم AI تسلا در سطح جهانی عمل می‌کند.

پاداش‌های بالقوه این پروژه جهش بزرگ عظیم است. اگرچه تسلا هنوز رانندگی کاملاً خودران را محقق نکرده، اما پیشرفت‌های دهه گذشته—از سطح صفر تا SAE Level 2 فقط با استفاده از بینایی ماشین و بدون حسگرهای تخصصی—قابل توجه است. رسیدن به خودران کامل می‌تواند جریان‌های درآمدی جدیدی برای تسلا ایجاد کند، مانند خدمات اشتراک خودران، و جایگاه بازار آن را با ارائه قابلیت منحصربه‌فرد به‌طور چشمگیری تقویت کند. در عین حال، ریسک‌ها نیز بالاست؛ شکست در دستیابی به خودران کامل در بازه زمانی معقول، می‌تواند مدل کسب‌وکار تسلا را به خطر بیندازد، خصوصاً با پیشرفت رقبا در تکنولوژی‌های مشابه.

درس‌های کلیدی از رویکرد تسلا:

1. کنترل کل زنجیره: تسلا به‌جای تکیه صرف بر راهکارهای آماده، تراشه‌های خود، داده‌های خود و زیرساخت آموزش خود را ساخت. این یکپارچگی، انعطاف و سرعت نوآوری بی‌نظیری ایجاد می‌کند.
2. استفاده از مقیاس برای مزیت داده‌ای: میلیون‌ها خودرو روی جاده به جمع‌آوری داده کمک می‌کنند و یک چرخه بازخورد ایجاد می‌کنند که عملکرد واقعی را مستقیماً به بهبود مدل‌ها مرتبط می‌سازد.
3. ساخت برای مورد استفاده خاص: ابرکامپیوتر Dojo و تراشه‌های اختصاصی تسلا برای AI عمومی طراحی نشده‌اند؛ بلکه برای بینایی ماشین در زمان واقعی بهینه شده‌اند، که اهمیت زیرساخت سفارشی در پروژه‌های متمرکز را نشان می‌دهد.
4. سرمایه‌گذاری در تحقیق بنیادی: تسلا تکنیک‌های نوآورانه بینایی ماشین متناسب با رانندگی ارائه کرده، که نه تنها در پیاده‌سازی بلکه در علوم پایه مدل‌های آن مزیت ایجاد می‌کند.
5. پذیرش ریسک به عنوان بخشی از استراتژی: تسلا روی یک کاربرد AI خاص و بزرگ شرط‌بندی کرده که می‌تواند آینده شرکت را تعیین کند؛ این نیازمند سرمایه‌گذاری مستمر و مقاومت در برابر تأخیرها، چالش‌های فنی و موانع قانونی است.

استراتژی AI تسلا نشان می‌دهد که گاهی بزرگ‌ترین دستاوردها از پراکنده کردن AI در همه دپارتمان‌ها حاصل نمی‌شود، بلکه از شرط‌بندی بزرگ روی یک کاربرد تحول‌آفرین و ساخت همه عناصر لازم برای تحقق آن به دست می‌آید

نتیجه‌گیری

استراتژی Moonshot در AI نشان می‌دهد که بزرگ‌ترین دستاوردها اغلب با تمرکز منابع و توجه روی یک پروژه تحول‌آفرین به دست می‌آید، نه با پراکندن تلاش‌ها در سراسر سازمان. اجرای یک پروژه بلندپروازانه، درست مانند پروژه‌های تسلا یا مدرنا، می‌تواند باعث شود سازمان‌ها:

• رهبری صنعتی پیدا کنند،
• عملیات و مدل کسب‌وکار خود را بازتعریف کنند،
• جریان‌های درآمدی جدید ایجاد کنند،
• و به یک فرهنگ سازمانی مبتنی بر نوآوری و یادگیری مداوم دست پیدا کنند.

همین فلسفه می‌تواند در پیاده‌سازی BPMS و تحول دیجیتال سازمان‌ها هم به کار رود. به جای اینکه همه فرایندها را یک‌باره دیجیتالی کنیم یا تغییرات کوچک و پراکنده ایجاد کنیم، می‌توانیم یک یا چند پروژه کلیدی و اثرگذار را به‌عنوان Moonshot انتخاب کنیم. این پروژه‌ها می‌توانند فرایندهای حیاتی سازمان را به‌طور کامل بهینه کنند، جریان اطلاعات و تصمیم‌گیری را هوشمندسازی کنند و یک استاندارد جدید برای کل سازمان ایجاد کنند.

به عبارت دیگر، BPMS Moonshot یعنی:

• انتخاب یک یا چند فرایند کلیدی برای تحول دیجیتال،
• اختصاص منابع و توجه ویژه برای طراحی و پیاده‌سازی کامل آن‌ها،
• ایجاد یک الگوی موفق که سایر فرایندها بتوانند از آن الگو برداری کنند،
• و استفاده از داده‌ها و اتوماسیون به حداکثر برای بهبود بهره‌وری و کیفیت تصمیم‌گیری.

با این روش، سازمان نه تنها در مسیر تحول دیجیتال موفق می‌شود، بلکه تجربه‌ای قابل تعمیم و پایدار برای سایر واحدها و فرایندها ایجاد می‌کند. استراتژی Moonshot در اجرای یک نرم افزار BPMS، در واقع ترکیبی از نوآوری بزرگ، تمرکز و اجرای دقیق است که سازمان را برای آینده آماده می‌کند و فراتر از پیاده‌سازی نرم‌افزار، ارزش واقعی کسب می‌کند.