صياغة مهمة المستخدم قبل اختيار الذكاء الاصطناعي

من شكوى إلى مهمة قابلة للتحسين يقول مدير خدمة العملاء: «فريقنا بطيء؛ نحتاج ذكاءً اصطناعيًا يوزع الرسائل». هذه جملة مفيدة لفتح النقاش، لكنها ليست تعريفًا للمنتج. البطء قد يكون في وصول الرسالة إلى الموظف المناسب، أو في البحث عن إجابة بعد وصولها، أو في انتظار موافقة لا يملكها الموظف. إذا درّب الفريق مصنفًا لتوجيه الرسائل بينما التأخير الحقيقي في الموافقة، فسيرتفع مقياس دقة النموذج من دون أن يتحسن وقت حل المشكلة. تبدأ استراتيجية المنتج هنا بتحديد المهمة التي يحاول المستخدم إنجازها، ثم قياس وضعها الحالي، قبل اختيار التقنية. لنسمّ المهمة «الحصول على جواب صحيح من الجهة القادرة على التصرف من أول إحالة». مستخدم المنتج المباشر هو موظف الخدمة، والمتأثر النهائي هو صاحب الطلب. مدير الفريق يريد تقليل التحويلات والتأخير، لكنه قد ينظر إلى النجاح بعدد الرسائل الموزعة آليًا. هذه الأهداف لا تتطابق تلقائيًا. نكتب في بطاقة الفرصة: من يبدأ المهمة؟ ما الإشارة التي يعرف منها اكتمالها؟ وما الضرر إن أخطأنا؟ لا يجيب لفظ «تصنيف» عن أي من هذه الأسئلة. نرسم المسار من استلام الرسالة إلى تعيين الفئة ثم تعيين الفريق ثم حل الحالة، ونضع زمن الانتظار وأخطاء التحويل في كل خطوة. بهذا نعزل عنق الزجاجة بدل أن ننقل العبء إلى نقطة أخرى. تعني «القاعدة الأساسية» هنا قياس العملية القائمة التي سنقارن بها القرار الجديد. افترض أن المركز يتلقى 1,000 طلب أسبوعيًا. خلال أسبوع معايرة، صُنّف 720 طلبًا من أول إحالة إلى الفريق الذي حله، واحتاج 180 إلى تحويل واحد، و100 إلى تحويلين أو أكثر. نسبة الإحالة الصحيحة من أول مرة هي 720÷1,000=72%. هذا لا يعني أن 28% «أخطاء موظفين»: قد تكون الرسالة ناقصة أو حدود الفرق ملتبسة أو سياسة التصعيد غير واضحة. نراجع عينة من كل فئة قبل تقرير نوع الحل. ونحدد المقام: جميع الطلبات الواردة، لا الطلبات المكتملة فقط؛ وإلا اختفت الحالات الصعبة من الرقم. إذا كانت قنوات الهاتف مستبعدة من البيانات، نقول إن المؤشر يخص الرسائل الرقمية وحدها.

بدائل قابلة للاختبار البديل الأول تحسين نموذج الاستقبال: حقل واضح لموضوع الطلب، وأمثلة على الخيارات، وقاعدة تحول طلبات الفوترة إلى فريق الفوترة. البديل الثاني جدول قواعد يطابق كلمات أو اختيار المستخدم مع فريق، مع مسار «غير واضح» يراجعه إنسان. البديل الثالث مصنف تعلم آلي يتنبأ بالفريق من النص. قد يعطي النموذج فائدة عندما تختلف صياغة الطلبات وتكثر الفئات، لكنه يحتاج أمثلة ممثلة، ومعيار خطأ واضحًا، وطريقة للتعامل مع الثقة المنخفضة. لا نختار البديل الثالث لمجرد أنه يبدو متقدمًا. نختبر أولًا ما إذا كان إصلاح الحقل أو توضيح حدود الملكية يزيل جزءًا كبيرًا من المشكلة بتكلفة ومخاطر أقل. إرشاد Google في قواعد التعلم الآلي يفضّل الأساس البسيط والبنية الموثوقة قبل تعقيد النموذج؛ وهو إرشاد هندسي لا برهان على أن القواعد ستفوز في هذه الحالة بعينها. لنفترض أن مراجعة 100 من الطلبات المحوّلة كشفت 40 طلبًا يحمل موضوعًا صريحًا اختار له العميل خيارًا قديمًا، و35 طلبًا مبهمًا يحتاج سؤال متابعة، و25 طلبًا واضح النص لكن القاعدة الحالية لا تتعرف على صياغته. إصلاح القائمة يعالج مرشحًا 40 حالة، وسؤال متابعة موجّه قد يعالج 35، بينما النموذج قد يستهدف جزءًا من 25. لا يجوز جمع هذه الأعداد على أنها 100 حالة مؤكدة الإنقاذ: المراجعة عينة مشروطة على المحوّلات، وقد يتداخل أثر الإصلاحات. الاختبار التالي يقارن بدائل منفصلة على عينة جديدة قبل تقدير أثرها الأسبوعي. هذه الخطوة تحمي الفريق من بناء نموذج لحل مشكلة واجهة أو سياسة.

بطاقة القرار وما الذي يفنّدها نكتب فرضية قابلة للتكذيب: «إذا جعلنا موضوع الطلب أوضح وأضفنا مسارًا للحالات المبهمة، سترتفع الإحالة الصحيحة من أول مرة من 72% إلى 80% على الأقل، من دون زيادة وقت الإرسال الوسيط بأكثر من 30 ثانية أو ارتفاع تحويل الحالات الحساسة». الرقم 80% هدف قرار افتراضي اختاره الفريق، وليس نتيجة دراسة منشورة. نقيسه على طلبات جديدة تُوسم بعد الحل بواسطة فريق لم يرَ توصية الأداة، مع تعريف ثابت للفئة والفترة والقناة. إذا تحسن توجيه الطلبات السهلة فقط وبقيت الحساسة تتعثر، لا نطلق حلاً شاملاً بناء على المتوسط. بعد اختبار الإصلاح البسيط، يمكن اختبار النموذج على الباقي لا على كل الطلبات، فتتغير تكلفة بناء النظام وحجم البيانات اللازمة. تكمل البطاقة أربعة أسطر: النتيجة المرغوبة للعميل هي وصول أسرع إلى جهة قادرة على الحل؛ مقياس المنتج هو الإحالة الصحيحة من أول مرة مع وقت الحل وحالات التصعيد حواجزَ حماية؛ البدائل هي تحسين الاستقبال والقواعد والتنبؤ؛ وأول دليل مطلوب هو تحليل أسباب التحويل ثم اختبار ميداني محدود. يظل تعريف «صحيح» تابعًا للجهة التي حلت الحالة، لا للاسم الذي توقعه النموذج. إذا كان فريقان قادرين على الحل، نتفق على معيار وظيفي مثل أقل تحويلات مع جودة حل متساوية بدل إكراه البيانات على تسمية واحدة. هذه نقطة استراتيجية: هدف المنتج ليس تقليد تاريخ قرارات التوجيه، بل تحسين نتيجة العميل تحت قيود المؤسسة.

افحص التعريف قبل الاستثمار يمكن أن يخفي متوسط 72% اختلافًا مهمًا. إذا كانت 800 رسالة اعتيادية تحقق 75% إحالة أولى صحيحة، و200 رسالة حساسة تحقق 60%، فالمجموع 600+120=720، لكنه لا يبرر تطبيق سياسة واحدة على المجموعتين. قد تكون كلفة توجيه طلب استرداد حساس إلى جهة خاطئة أعلى من كلفة نقل استفسار عادي. لذلك تسجل البطاقة شرائح القرار قبل التجربة: نوع الطلب، اللغة، القناة، ودرجة الحساسية إن كانت مسجلة بمبرر مشروع. لا نضيف شرائح كثيرة إلى درجة يصير كل رقم غير مستقر؛ نختار ما يرتبط بآلية الخطأ والضرر. وحين يقل عدد الحالات في شريحة، نعرض العدد الخام مع النسبة ولا ندعي دقة لا تسمح بها العينة. توجد أيضًا مشكلة «الملصق المتأخر»: الفريق الذي أغلق التذكرة قد لا يكون الأنسب لبدء حلها، لأن الإغلاق حدث بعد تعاون فرق عدة. في عينة تدقيق صغيرة، يقرأ مراجعان الرسالة الأصلية وسجل التصرف من دون رؤية تنبؤ النموذج، ويحددان إن كانت إحالة أولى بديلة ستغير عدد النقلات أو زمن الحل. الخلاف بينهما ليس ضوضاء نطمسها؛ قد يكشف غموضًا في سياسة الملكية. إذا اتفقا على أن فئتين مقبولتان، تعدل المهمة ومقياسها قبل جمع أمثلة التدريب. البيانات التاريخية تسجل طريقة عمل المؤسسة السابقة، ولا تحولها وحدها إلى معيار نجاح مستقبلي. تفيد هذه المراجعة في تحديد قرار الاستثمار التالي. عندما تكون معظم الأخطاء قابلة للإصلاح بواجهة أو قاعدة، تكون تجربة الحل الأبسط اختبارًا لقيمة التعلم أيضًا: تبين هل يستجيب العملاء للحقول الجديدة، وهل يتغير سلوك الموظفين، وما المتبقي للنموذج. وإذا فشلت التجربة، لا نستنتج أن الذكاء الاصطناعي هو الحل تلقائيًا. ربما كان تصنيف السبب خاطئًا، أو لم يستخدم العملاء الحقل، أو ظلت الموافقات هي القيد. نعود إلى مسار المهمة ونختبر تفسيرًا محددًا. هذه دورة قرار قابلة للفحص، لا وعد بأن كل طلب يستحق أتمتة.