در بسیاری از شرکت‌ها فاصلهٔ میان طرح یک ایده و ساخت نخستین نمونه با ماه شمرده می‌شود، نه با هفته. بخش بزرگی از این ماه‌ها صرف ساختن چیزی نمی‌شود؛ صرف جست‌وجو در پیشینهٔ کار، بحث بر سر گزینه‌های ممکن و انتظار برای نتیجهٔ آزمون‌هایی می‌شود که هر یک نوبت خود را دارند.

ارزش هوش مصنوعی در تحقیق‌وتوسعه هم دقیقاً همین‌جاست: نه در خلق ایدهٔ نو، که در کوتاه کردن زمان یادگیری. تیمی که در هر فصل بتواند ده فرضیه را بیازماید، بر تیمی که سه فرضیه می‌آزماید مزیتی دارد که با استعداد بیشتر جبران نمی‌شود؛ او فقط بیشتر یاد می‌گیرد.

وقت در کدام مرحله تلف می‌شود

• مرور پیشینه: جست‌وجو در مقالات، اسناد ثبت اختراع و گزارش‌های داخلی، پیش از آنکه کار تازه‌ای آغاز شود.
• تولید گزینه: رسیدن به چند طرح جایگزین برای یک نیاز، که در عمل به دو یا سه گزینهٔ آشنا محدود می‌ماند.
• انتظار آزمون: صف نمونه‌سازی و آزمون فیزیکی، که هر تکرار را به یک رویداد گران تبدیل می‌کند.

سه نقطه‌ای که ماشین چرخه را فشرده می‌کند

• خواندن در مقیاس: خلاصه‌سازی و دسته‌بندی صدها سند و بیرون کشیدن آنچه به مسئلهٔ شما مربوط است، کاری چندروزه را به چند ساعت می‌رساند.
• گستردن فضای طراحی: مدل ده‌ها گزینه با قید مشخص تولید می‌کند؛ ارزش کار در همان گزینه‌های نامتعارفی است که تیم به آن‌ها فکر نمی‌کرد.
• پیش‌غربال با شبیه‌سازی: پیش‌بینی رفتار گزینه‌ها پیش از ساخت، تا نمونهٔ فیزیکی فقط برای نامزدهای جدی ساخته شود.

چرا شکست ارزان مهم‌تر از موفقیت سریع است

در چرخهٔ سنتی هزینهٔ هر آزمون بالاست و همین باعث می‌شود تیم دیر بفهمد مسیری بی‌نتیجه است؛ گاه پس از آنکه سرمایه‌گذاری مالی و عاطفی روی آن انجام شده. وقتی هزینهٔ آزمودن پایین می‌آید، کنار گذاشتن یک فرضیه از شکست به داده تبدیل می‌شود. سود اصلی نه سرعت رسیدن به پاسخ درست، که سرعت خارج شدن از پاسخ‌های غلط است.

مرزی که باید محترم بماند

برونداد مدل فرضیه است، نه نتیجه. متنی که برای مرور پیشینه تولید می‌شود می‌تواند منبعی را که وجود ندارد با اطمینان کامل نقل کند، و گزینهٔ طراحی‌ای که در شبیه‌سازی بی‌عیب است می‌تواند در ساخت به مانع مادی بخورد. هر برونداد باید پیش از تصمیم به منبع اصلی یا آزمون واقعی گره بخورد. تیمی که این مرز را رعایت نکند، سرعت را به بهای اعتبار می‌خرد.

واقعیت شرکت‌های ایرانی

در ایران بودجهٔ تحقیق‌وتوسعه معمولاً کوچک است و تأمین قطعه یا تجهیز آزمایشگاهی زمان می‌برد؛ در چنین شرایطی هر تکرار فیزیکی که حذف شود ارزش مضاعف دارد. از سوی دیگر بخشی از دانش فنی سازمان‌ها در ذهن چند نفر و در پروندهٔ پروژه‌های قدیمی مانده است. مرتب کردن همین آرشیو داخلی و قابل‌جست‌وجو کردنش، اغلب پیش از هر ابزار تازه‌ای بازده می‌دهد.

یک نمونهٔ عملی

تیمی را در نظر بگیرید که برای هر طرح تازه نخست دو هفته صرف بررسی می‌کرد که آیا پیش‌تر جایی چنین کاری انجام شده است. با قابل‌جست‌وجو کردن آرشیو پروژه‌های خودشان و افزودن یک لایهٔ خلاصه‌سازی روی منابع بیرونی، این مرحله به دو روز رسید. اثر جانبی مهم‌تر بود: چند بار معلوم شد راه‌حل مسئلهٔ تازه در پروندهٔ پروژه‌ای پنج‌ساله بوده و کسی از آن خبر نداشته.

مسیر ۹۰ روزهٔ شروع

• ماه نخست: زمان واقعی چرخهٔ ایده تا نمونه را اندازه بگیرید و بگویید کدام مرحله بیشترین وقت را می‌برد؛ بدون این عدد، بهبود قابل اثبات نیست.
• ماه دوم: همان یک مرحله را هدف بگیرید و کوچک‌ترین ابزار ممکن را روی آن بیازمایید، در کنار روش فعلی و نه به‌جای آن.
• ماه سوم: شمار فرضیه‌های آزموده‌شده در فصل را با پیش از شروع مقایسه کنید و اگر جابه‌جا شده بود، همان الگو را به مرحلهٔ بعدی ببرید.

خطاهای رایج

• پذیرفتن برونداد مدل بدون بازگشت به منبع؛ یک ارجاع نادرست در گزارش فنی، اعتبار کل کار را می‌برد.
• خودکارسازی مرحله‌ای که گلوگاه نیست؛ بهبود بخشی که وقت زیادی نمی‌برد، اثری بر چرخه ندارد.
• سنجیدن موفقیت با شمار ایده‌های تولیدشده، به‌جای شمار فرضیه‌های آزموده‌شده.
• کنار گذاشتن دانش کارشناس ارشد، به این گمان که ابزار جای قضاوت او را می‌گیرد.

پرسش‌های پرتکرار

• برای تحقیق‌وتوسعهٔ کوچک هم صرف می‌کند؟
  بله، و بیشتر. هرچه ظرفیت آزمون کمتر باشد، غربال درست پیش از ساخت ارزش بیشتری دارد.
• مالکیت فکری طرحی که ماشین پیشنهاد داده چه می‌شود؟
  پیش از هر کار جدی، قواعد استفاده از ابزار و ثبت مسیر تصمیم را روشن کنید؛ این پرسش حقوقی است، نه فنی.
• از کجا بفهمیم زود است؟
  اگر آرشیو فنی سازمان مرتب نیست، نخست همان را مرتب کنید؛ ابزار روی آرشیو آشفته، آشفتگی سریع‌تر تولید می‌کند.

جمع‌بندی

تحقیق‌وتوسعه رقابت بر سر داشتن ایدهٔ بهتر نیست؛ رقابت بر سر سرعت فهمیدن است. هر ابزاری که چرخهٔ آزمون را کوتاه کند همان مزیت را می‌سازد، به شرط آنکه داوری نهایی نزد کارشناس بماند.

واژه‌نامه

• چرخهٔ تکرار: فاصلهٔ میان طرح یک فرضیه و دیدن نتیجهٔ آزمون آن.
• طراحی مولد: تولید خودکار گزینه‌های طراحی بر پایهٔ قیدهایی که مهندس تعیین می‌کند.
• شبیه‌سازی: آزمودن رفتار یک طرح در محیط محاسباتی، پیش از ساخت نمونهٔ فیزیکی.
• توهم مدل: تولید محتوای نادرست با لحنی مطمئن؛ خطر اصلی در مرور پیشینه.
• نمونهٔ اولیه: نسخهٔ ناقص و ارزان یک طرح، ساخته‌شده برای آزمودن یک فرضیه.

اقدام این هفته

این هفته، یک بازهٔ زمانی ۹۰ دقیقه‌ای برای اندازه‌گیری زمان واقعی چرخهٔ ایده تا نمونه در یکی از پروژه‌های جاری خود اختصاص دهید. برای آخرین پروژه‌ای که به نتیجه رسیده، گام‌به‌گام ثبت کنید که هر مرحله (مرور پیشینه، تولید گزینه‌ها، انتظار برای آزمون) چند روز وقت برده است. سپس پروندهٔ پروژه‌های قدیمی‌تر تیم را مرور کنید و ببینید آیا پاسخ مسئلهٔ فعلی شما در آرشیو داخلی وجود دارد که کسی از آن بی‌خبر مانده باشد. در پایان هفته، یک عدد واحد بنویسید: سهم هر مرحله از کل زمان چرخه، به درصد. همین عدد، نقطهٔ شروع هر بهبود بعدی خواهد بود.

منابع

• چگونه هوش مصنوعی مولد می‌تواند تحقیق‌وتوسعه را شتاب دهد — هاروارد بیزینس ریویو
• هوش مصنوعی و تحقیق‌وتوسعه: مرز بعدی — مکنزی
• کاربرد یادگیری ماشین در کشف مواد و شتاب‌دهی به آزمون‌های آزمایشگاهی — نیچر
• هوش مصنوعی در مدیریت نوآوری: مرور نظام‌مند — تکنولوژی این سوسایتی