نوتبوکهای هوش مصنوعی جای داشبوردهای ایستا را میگیرند
داشبوردهای ایستا فردا ناپدید نمیشوند، اما انحصار خود را بر نحوه بررسی دادهها توسط تیمها از دست میدهند. جایگزین جدیدتر نوتبوک هوش مصنوعی است: یک فضای کاری که داده، کد، توضیحات روایی، نمودارها و تحلیل مکالمهای را کنار هم قرار میدهد و به کاربران اجازه میدهد سوالات بعدی بپرسند و نمای داده را بدون ثبت درخواست برای یک تب جدید داشبورد تغییر دهند.
دلیل اهمیت این موضوع ظاهری نیست. داشبوردها برای دید تکراری به متریکهای شناختهشده بهینه شدهاند. زمانی بهترین کار را میکنند که سوالات ثابت باشند. اما بسیاری از تیمهای تجاری و عملیاتی دیگر در چنین شرایطی کار نمیکنند. آنها نیاز به بررسی ناهنجاریها، ترکیب متن ساختاریافته و بدون ساختار، مقایسه بازههای زمانی، آزمایش فرضیات و تولید خروجیهای قابل توضیح برای دیگران دارند. نوتبوکهای هوش مصنوعی بهتر با این نوع کار تطبیق دارند زیرا ذاتاً اکتشافی هستند.
داشبوردها وقتی سوال سریعتر از چیدمان تغییر میکند، شکست میخورند
داشبوردهای سنتی یک مشکل خاص را حل میکنند: نگهداشتن شاخصهای حیاتی در دید. این برای گزارشدهی اجرایی، نظارت بر سرویس، ردیابی مالی و مدیریت SLA همچنان مفید است. مسئله این است که منطق داشبورد معمولاً حول برشهای از پیش تعریفشده از داده ثابت میماند. وقتی یک تیم میخواهد یک سوال درجه دوم بپرسد، مثلاً چرا نرخ فعالسازی فقط در یک بخش پس از تغییر قیمت کاهش یافته، داشبورد اغلب به بنبست میرسد.
در آن نقطه، کاربران یا داده را به صفحات گسترده export میکنند، از تحلیلگران query سفارشی میخواهند، یا یک رابط مدلسازی BI باز میکنند که اکثر ذینفعان آن را درک نمیکنند. اصطکاک آشناست. داشبورد نشان میدهد چیزی اتفاق افتاده، اما نه چرا. نوتبوکهای هوش مصنوعی به این دلیل محبوب میشوند که شکاف بین دید و بررسی را پر میکنند. یک کاربر میتواند با یک نمودار شروع کند، از breakdown cohort بخواهد، توضیح outliers را بخواهد، یادداشتهای انتشار یا تمهای پشتیبانی را بیاورد و در همان artifact ادامه دهد.
این در تیمهای محصول، رشد، عملیات و تحقیق که سوالات سریع تغییر میکنند، بسیار جذاب است. یک داشبورد ایستا که برای بازبینی هفتگی رهبران ساخته شده، به ندرت بهترین رابط برای تشخیص یک هفته پر از مشکل میشود. تیمها به فضاهایی نیاز دارند که هم شواهد و هم استدلال را پشتیبانی کنند. نوتبوکها این کار را طبیعیتر از داشبوردها انجام میدهند زیرا اجازه میدهند تحلیل به صورت ترتیبی تکامل یابد.
چه چیزی یک نوتبوک هوش مصنوعی را از workflows قدیمی نوتبوک متفاوت میکند
نوتبوکها جدید نیستند. تحلیلگران و دانشمندان داده سالها از آنها استفاده کردهاند. تفاوت اکنون اضافه شدن رابطهای زبانی، تولید خودکار نمودار، آگاهی از ساختار (schema awareness)، بازیابی از اسناد ضمیمه شده و کمک در کارهای تحلیلی تکراری است. یک نوتبوک هوش مصنوعی میتواند نتیجه SQL را به زبان ساده توضیح دهد، queryهای دنبالهرو پیشنهاد کند، از یک جدول نمودار تولید کند، یک بخش نوتبوک را برای مخاطب اجرایی خلاصه کند، یا جایی که استدلال ضعیف است علامت بزند.
این مخاطب را تغییر میدهد. نوتبوکهای قدیمی قدرتمند اما انحصاری بودند. آنها فرض میکردند کاربر با کد، وابستگیها و وضعیت اجرای بهم ریخته راحت است. نوتبوکهای ارتقاءیافته با AI بخشی از این مانع را کاهش میدهند. یک مدیر محصول ممکن است هنوز SQL روان ننویسد، اما اغلب میتواند یک نوتبوک را بررسی کند، breakdown واضحتری بخواهد و مسیر تحلیلی را درک کند. این باعث نمیشود تخصص اختیاری شود. بلکه رسانه را همکاریپذیرتر میکند.
تغییر کلیدی از لایه ارائه به لایه کاری است. داشبوردها artifactهای نهایی هستند. نوتبوکهای هوش مصنوعی اسناد تحلیلی زنده هستند. آنها میتوانند شامل فرضیات، مراحل میانی، caveats، مسیرهای شکستخورده و تفسیرهای اصلاحشده باشند. این آنها را برای تصمیمگیری واقعی مناسبتر میکند، جایی که قطعیت به دست میآید نه فرض میشود.
چرا کسبوکارها در محیطهای پرتغییر آنها را ترجیح میدهند
زمینه تحلیلی را حفظ میکنند
یک داشبورد معمولاً نحوه رسیدن به نتیجه را پنهان میکند. فیلترها تغییر میکنند، محاسبات انتزاعی میشوند و زمینه روایی در جای دیگری در threadهای چت یا اسلایدها زندگی میکند. یک نوتبوک هوش مصنوعی میتواند query، نمودار، تفسیر و یادداشت تصمیم را کنار هم نگه دارد. این زمانی مهم است که یک تیم نیاز به بازبینی یک تحلیل قبلی و درک اینکه آیا نتیجه هنوز معتبر است دارد.
همکاری تکراری را پشتیبانی میکنند
در بسیاری از سازمانها، تحلیل همچنان از طریق handoffهای ناخوشایند حرکت میکند. یک نفر داده را میکشد، دیگری اسلاید میسازد، سومی یادداشت مینویسد و چهارمی درخواست بازبینی دارد که نیاز به اجرای دوباره کل فرایند دارد. یک نوتبوک میتواند این حلقهها را فشرده کند. تحلیلگر در همان جایی کار میکند که مدیر میخواند و نظر میدهد. لایه AI به خلاصهسازی، برشهای جایگزین و قالببندی کمک میکند به جای اینکه مجبور به شروع دوباره شود.
شواهد ترکیبی را بهتر مدیریت میکنند
سوالات تجاری مهم به ندرت فقط در جداول زندگی میکنند. بازخورد مشتری، یادداشتهای تماس فروش، برچسبهای پشتیبانی، برنامههای آزمایشی، changelog انتشار و timelines حادثه همگی تفسیر را شکل میدهند. داشبوردها در نگهداشتن این شواهد ترکیبی ضعیف هستند. نوتبوکهای هوش مصنوعی بسیار بهتر هستند زیرا میتوانند یک نمودار درآمد را با خلاصهای از تیکتهای پشتیبانی که افزایش بازپرداخت را توضیح میدهند، ترکیب کنند.
جایی که داشبوردهای ایستا همچنان برنده هستند
هیچکدام از اینها به این معنی نیست که داشبوردها منسوخ شدهاند. اگر یک تیم نیاز به یک کنترل پنل پایدار برای سلامت روزانه سرویس، مصرف بودجه یا snapshotهای قیف تبدیل دارد، داشبوردها همچنان کارآمد هستند. آنها به سرعت قابل مرور، توزیع آسان و برای نظارت تکراری خوب هستند. جایگزینی هر داشبورد با یک نوتبوک اشتباه است.
تغییر واقعی این است که داشبوردها به لایه بیرونی تبدیل میشوند نه تنها لایه. آنها به تیمها میگویند کجا نگاه کنند. نوتبوکهای هوش مصنوعی به تدریج به جایی تبدیل میشوند که تیمها واقعاً روی پاسخ کار میکنند. در عمل، این به این معناست که سازمانها از هر دو استفاده خواهند کرد، اما با انتظارات متفاوت. داشبورد برای دید. نوتبوک برای استدلال.
اشتباهات پیادهسازی که باید اجتناب کرد
اولین اشتباه این است که نوتبوکهای هوش مصنوعی را به عنوان یک لایه جادویی روی پایه داده بد در نظر بگیریم. اگر تعاریف متریک متناقض باشند، جداول منبع ضعیف مدیریت شوند و کنترل دسترسی شلخته باشد، نوتبوک به سادگی سردرگمی را با سرعت بیشتری تولید میکند. Semantic models، permissions و منابع مورد اعتماد همچنان مهم هستند.
دومین اشتباه این است که اجازه دهیم تحلیل تولیدشده بدون بازبینی معتبر به نظر برسد. نوتبوکهای هوش مصنوعی میتوانند کار اکتشافی را تسریع کنند، اما همچنین میتوانند خلاصههای قابل قبولی تولید کنند که caveats را نادیده میگیرد یا خیلی سریع علت را استنباط میکند. تیمها به عادتهای بازبینی سبک نیاز دارند: joinها را چک کنید، فیلترها را بررسی کنید، بازههای زمانی را تأیید کنید و جایی که تفسیر موقتی است علامت بزنید.
سومین اشتباه این است که بیش از حد روی زبان طبیعی تمرکز کنیم در حالی که reproducibility را نادیده میگیریم. بهترین نوتبوکها فقط مکالمهای نیستند. آنها قابل بررسی هستند. یک تحلیلگر دیگر باید بتواند مسیر query، transformها و زنجیره شواهد را ببیند. اگر ابزار خیلی از تعاملات چت را پنهان کند، مشکل شفافیتی را که داشبوردها از قبل دارند به شکل دیگری بازسازی میکند.
مراحل عملی بعدی برای تیمها
با workflows شروع کنید که محدودیتهای داشبورد در آنها دردناک است. تحلیل راهاندازی، بازبینی تجاری پس از حادثه، بررسی ریزش مشتری، آزمایشهای قیمتگذاری و برنامهریزی فصلی گزینههای خوبی هستند. این موقعیتهایی هستند که تیمها مکرراً بین نمودارها، یادداشتها و سوالات بداهه جابجا میشوند. یک workflow مبتنی بر نوتبوک میتواند بلافاصله context switching را کاهش دهد.
یک دامنه داده با تعاریف قابل اعتماد انتخاب کنید و آن را با یک گروه کاربری محدود جفت کنید. سپس ارزیابی کنید که آیا نوتبوک زمان تا insight را کوتاه میکند، کیفیت handoff را بهبود میبخشد و کار گزارشدهی تکراری را کاهش میدهد. موفقیت را با تازگی اندازه نگیرید. با این اندازه بگیرید که آیا افراد کمتری نیاز به بازسازی همان تحلیل به صورت موازی دارند.
نوتبوکهای هوش مصنوعی در حال رشد هستند زیرا با نحوه تفکر واقعی تیمهای مدرن هماهنگ هستند: به صورت تکراری، مشارکتی و با شواهد ترکیبی. داشبوردهای ایستا همچنان مهم هستند، اما به طور فزایندهای شبیه پوسترهای تمامشده روی دیوار به نظر میرسند. نوتبوک در حال تبدیل شدن به اتاقی است که کار در آن انجام میشود.