پیدا کردن علت مشکل با هوش مصنوعی
برای مشکلی که مدام تکرار میشه، نشونه قابل دیدن رو از علت حدسی جدا کنید و با یک آزمایش کوچک بفهمید کدوم توضیح به واقعیت نزدیکتره.
پیدا کردن علت مشکل با هوش مصنوعی وقتی به کار میآد که تیم یک راه حل آماده داره ولی هنوز سر خود مسئله توافق نکرده. اسکیل problem-solver از ایجنتتون میخواد اول چیزی رو بنویسه که واقعا دیده شده. چه اتفاقی افتاده، چند بار تکرار شده و این رو از کجا میدونید؟ بعد نوبت فرضیههاست. برای هر علت احتمالی میتونید مشخص کنید چه مدرکی اون رو تقویت میکنه و چه نتیجهای ممکنه نشون بده اشتباه بوده.
مثلا سفارشهای هفتگی چند بار دیر بسته شدن و اولین پیشنهاد افزایش تعداد نفراته. شاید مشکل از کمبود نیرو باشه، شاید هم هر سفارش منتظر یک تایید تکراری میمونه. میتونید زمان انتظار یک نمونه کوچک رو از زمان کار واقعی جدا کنید و قبل از عوض کردن همه فرایند، تفاوت رو ببینید. اگر داده کافی نبود، خروجی جلسه میتونه یک آزمایش مشخص باشه، نه یک علت قطعی که فقط خوب به نظر میرسه.
کاربردها
- برای تعریف مسئله کاری بنویسید اتفاق موردنظر کجا و چه زمانی رخ میده و نتیجه قابل دیدنش چیه.
- در بررسی علت ریشهای، تفاوت بین گفته تیم، داده ثبتشده و برداشت اولیه رو نگه دارید.
- برای مقایسه فرضیهها یک مشاهده انتخاب کنید که جوابش بین دو توضیح تفاوت ایجاد کنه.
- در طراحی آزمایش کوچک، بگید چه کسی نتیجه رو ثبت میکنه و چه موقع به تصمیم برمیگردید.
- بعد از اصلاح، دوباره همون نشونه اولیه رو بسنجید تا معلوم بشه تغییر واقعا کمک کرده یا نه.
نصب و استفاده
- یک ایجنت، نمونهای واقعی از مشکل و داده یا یادداشتی که اجازه بررسیش رو دارید آماده کنید. در صورت نیاز، پوشهای برای ثبت فرضیه و نتیجه آزمایش بسازید.
- بگید «سفارشها دیر تایید میشن. قبل از پیشنهاد راه حل، کمک کن تفاوت زمان انتظار و زمان کار رو در چند مورد بسنجیم».
- پیش از تغییر فرایند، بررسی کنید فرضیه هنوز از مدرک جلو نزده باشه و تاریخ مرور نتیجه رو مشخص کنید.
سوالات متداول
منبع
ساخته Hieu T. Luu. نام اصلی: problem-solver، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub