آماده‌سازی داده برای هوش مصنوعی؛ از فایل‌هایی که همین حالا در دفتر دارید

داده همیشه برای یک هدف مشخص آماده است، نه به‌طور کلی. یک بایگانی پروژه ممکن است برای پرسش «تمام نقشه‌هایی که برای این پیمانکار ارسال شده کدام‌اند؟» آماده باشد و برای «وزن فولاد برج بعدی چقدر است؟» کاملاً ناکافی.

برای هدفی که انتخاب می‌کنید، داده‌ی آماده پنج ویژگی دارد:

• قابل‌دسترس: ابزار به آن دسترسی دارد و داده فقط روی لپ‌تاپ یک نفر نگهداری نمی‌شود.
• یکدست: هر موضوع در همه‌جا با یک نام، یک قالب تاریخ و یک واحد ثبت شده است.
• به‌روز: نسخه‌های قدیمی علامت‌گذاری شده‌اند، تا پاسخ از روی یک ویرایش منسوخ داده نشود.
• دارای مالک: فردی مسئول درستی داده است و می‌تواند نادرست‌بودن آن را اعلام کند.
• دارای مجوز: مشخص است ابزار اجازه‌ی خواندن چه داده‌هایی را دارد و چه داده‌هایی را نباید بخواند.

در مطالعه‌ی IBM روی مدیران ارشد داده، تنها ۲۶ درصد اطمینان داشتند که داده‌هایشان می‌تواند از درآمدهای جدید مبتنی بر هوش مصنوعی پشتیبانی کند. فاصله معمولاً در مدل نیست، در همین پنج ویژگی است.

پرهزینه‌ترین روش آماده‌سازی داده برای هوش مصنوعی، تلاش برای آماده‌سازی همه‌ی داده‌هاست. پاک‌سازی تمام پوشه‌های دفتر پروژه‌ای بدون پایان و بدون معیار مشخصی برای موفقیت است.

پرسشی را انتخاب کنید که دفتر بارها می‌پرسد و پاسخ آن را دیر پیدا می‌کند. کدام پروژه‌های پیشین سیستم سازه‌ای مشابهی داشتند؟ هزینه‌ی پروژه‌های بازسازی بیمارستانی پیشین چقدر بود؟ کدام اتاق‌های این مدل هنوز نازک‌کاری ندارند؟

پرسش مناسب برای شروع سه ویژگی دارد: هر هفته مطرح می‌شود، پاسخ آن در فایل‌های خود دفتر وجود دارد و کسی در دفتر می‌تواند پاسخ درست را از پاسخ نادرست تشخیص دهد.

سپس مسیر را برعکس طی کنید: کدام فایل‌ها پاسخ را در خود دارند، چه کسی می‌تواند درستی آن‌ها را تأیید کند و پاسخ درست چه شکلی دارد. بخش آخر همان معیار موفقیت است و باید پیش از ساخت هر چیزی تعیین شود. در کار تحقیق و توسعه‌ی آرتینکست نیز همین قاعده برقرار است: معیار، پیش از ساخت.

در یک شرکت عمومی، داده در سامانه‌ی مدیریت مشتری و نرم‌افزار حسابداری قرار دارد. در یک دفتر فنی، ارزشمندترین داده‌ها در فایل‌هایی نگهداری می‌شوند که برای ترسیم ساخته شده‌اند، نه برای خوانده‌شدن:

• مدل‌های Revit: مساحت اتاق‌ها، تایپ المان‌ها، مقادیر و پارامترها، در صورتی که تکمیل شده باشند.
• مجموعه‌های نقشه‌ی CAD و PDF: اطلاعاتی که برای یک فرد قابل‌مشاهده است و برای یک برنامه عمدتاً قابل‌خواندن نیست.
• صفحه‌گسترده‌ها: برآوردها، اسکجوال‌های خروجی‌گرفته‌شده از مدل‌ها و جدول‌های پیگیری‌ای که یک نفر نگهداری می‌کند.
• ایمیل و پیام‌رسان‌ها: جایی که تصمیم‌ها واقعاً گرفته شده‌اند و در هیچ جای دیگری ثبت نشده‌اند.
• سامانه‌های حسابداری و کارکرد: که هزینه‌ی پروژه را می‌دانند، اما محتوای آن را نمی‌دانند.

برای هر منبع بنویسید کجا نگهداری می‌شود، مالک آن کیست و یک برنامه چگونه می‌تواند آن را بخواند. این فهرست، اولین خروجی واقعی هر ارزیابی آمادگی هوش مصنوعی است و معمولاً اولین باری است که دفتر همه‌ی منابع خود را یک‌جا می‌بیند. پراکندگی داده میان سامانه‌ها هزینه‌ی مستندی دارد: NIST هزینه‌ی ناسازگاری سامانه‌ها در صنعت تأسیسات سرمایه‌ای آمریکا را برای سال ۲۰۰۲، ۱۵٫۸ میلیارد دلار برآورد کرد و آن را رقمی احتمالاً محافظه‌کارانه دانست.

راهنماهای عمومی جدول‌ها را فرض می‌گیرند. داده‌ی دفاتر فنی بیشتر به‌شکل فایل است و نام و پوشه‌ی هر فایل، فراداده‌ی آن است. نقشه‌ای با نام «plan-final-v2-NEW» برای یک فرد اطلاعات کمی دارد و برای یک برنامه هیچ اطلاعاتی ندارد.

پیش از آنکه هر ابزار هوش مصنوعی بایگانی پروژه‌ها را بخواند، سه موضوع باید قاعده داشته باشد: نام‌گذاری فایل‌ها، محل نگهداری هر نوع فایل و روش علامت‌گذاری نسخه‌های منسوخ. استانداردهایی مانند ISO 19650 ساختار نام‌گذاری مناسبی برای شروع ارائه می‌کنند. آنچه اهمیت دارد، انتخاب یک ساختار و اجرای آن است، نه به‌کارگیری تمام فیلدهای یک استاندارد.

قاعده‌ی نسخه‌ها از همه مهم‌تر است. ابزاری که از روی یک ویرایش منسوخ پاسخ دهد، پاسخی مطمئن، خوش‌نوشته و نادرست تحویل می‌دهد. این وضعیت از نبود پاسخ بدتر است، چون کسی پاسخ مطمئن را بررسی نمی‌کند.

مدل رویت یک پایگاه داده است که کسی با آن مانند پایگاه داده رفتار نمی‌کند. مساحت اتاق‌ها، تایپ دیوارها، تعداد درها و اطلاعات نازک‌کاری همگی در مدل وجود دارند، اما کیفیت آن‌ها به اندازه‌ی پارامترهایی است که واقعاً تکمیل شده‌اند.

دو مرحله این داده را قابل‌استفاده می‌کند. نخست، بررسی اینکه پارامترهایی که پرسش به آن‌ها وابسته است تکمیل و یکدست باشند، که دقیقاً کار چک‌لیست یک کنترل‌کننده مدل رویت است. دوم، استخراج این پارامترها در جدول‌هایی که یک برنامه می‌تواند بخواند، به‌طور منظم و نه یک‌بار. خروجی اکسل از اسکجوال رویت نسخه‌ی دستی همین مرحله است.

مجموعه‌های نقشه دشوارترند. متن یک PDF قابل‌استخراج است، اما معنای یک خط روی پلان عمدتاً قابل‌استخراج نیست. اگر پرسشی به اطلاعاتی وابسته است که فقط به‌صورت هندسه‌ی ترسیمی وجود دارد، پاسخ صادقانه این است که داده پیش از آماده‌شدن باید تبدیل شود.

نیمه‌ی دیگر دانش یک دفتر در مدارک متنی قرار دارد: مشخصات فنی، گزارش‌های طراحی، صورت‌جلسه‌ها، RFIها و ایمیل‌های مرتبط با آن‌ها. این همان داده‌ای است که بیشتر دستیارهای هوش مصنوعی ابتدا به آن متصل می‌شوند و کمتر از هر داده‌ی دیگری برای آن آماده است.

در همان مطالعه‌ی IBM، تنها ۲۶ درصد از مدیران ارشد داده اطمینان داشتند که سازمانشان می‌تواند از داده‌های بدون ساختار به‌گونه‌ای استفاده کند که ارزش تجاری ایجاد کند. برای یک بایگانی مدارک، آماده‌سازی به چهار موضوع برمی‌گردد:

• متن، نه تصویر متن: PDF اسکن‌شده پیش از هر جست‌وجویی به تشخیص نویسه نیاز دارد.
• یک نسخه‌ی معتبر: پیش‌نویس‌ها و نسخه‌های منسوخ حذف یا به‌وضوح علامت‌گذاری شده‌اند.
• برچسب‌های پایه: پروژه، تاریخ، رشته و وضعیت برای هر مدرک، در نام فایل یا در کنار آن.
• محدوده‌ی مشخص: پوشه‌هایی که دستیار اجازه‌ی جست‌وجو در آن‌ها را دارد، برای هر پروژه تعیین شده است.

دستیاری که در تمام پیش‌نویس‌های یک گزارش جست‌وجو کند، از روی اولین نسخه‌ای که پیدا کرده پاسخ می‌دهد.

پاک‌سازی، بخش کم‌جلوه‌ی میانی کار است: اصلاح واحدها، تاریخ‌ها، نام‌ها و موارد تکراری، به‌گونه‌ای که هر موضوع فقط به یک شکل ثبت شده باشد.

دفاتر فارسی‌زبان با مسئله‌ای روبه‌رو هستند که کمتر راهنمایی به آن اشاره می‌کند. نام یک کارفرما که در یک فایل با «ی» و «ک» عربی و در فایل دیگر با «ی» و «ک» فارسی تایپ شده، برای یک برنامه دو رشته‌ی متفاوت است. تاریخی با ارقام فارسی در کنار تاریخی با ارقام لاتین، یا تاریخ شمسی در کنار تاریخ میلادی نیز همین وضعیت را دارد. یک فرد آن‌ها را یکسان می‌خواند، اما جست‌وجو یا مدل هوش مصنوعی آن‌ها را یکسان نمی‌خواند.

موارد تکراری نیمه‌ی دیگر کار است. پروژه‌ای که با چند نام ذخیره شده یا مشاوری که با دو املای متفاوت ثبت شده، هر پاسخ را به چند بخش تقسیم می‌کند. این موارد را یک‌بار ادغام کنید و سپس در نقطه‌ی ورود داده قاعده‌ای بگذارید تا دوباره تکرار نشوند.

واحدها و تعریف‌ها نسخه‌ی مهندسی همین مسئله هستند. مساحت خالص در یک جدول و مساحت ناخالص همراه با دیوارها در جدولی دیگر، هر دو «مساحت» نامیده می‌شوند و عدد یکسانی نیستند. هر ستونی که ممکن است دو تعریف داشته باشد، باید تعریف خود را در کنار نام خود داشته باشد.

هر مجموعه‌داده به یک مالک نیاز دارد: فردی مشخص که مسئول درستی آن است و در صورت نادرست‌بودن داده به او اطلاع داده می‌شود. بدون مالک، داده‌ی پاک‌شده با رسیدن اولین موعد تحویل به وضعیت پیشین خود برمی‌گردد.

دسترسی، تصمیم دیگر است. قراردادها، حق‌الزحمه‌ها، اطلاعات شخصی و نقشه‌های محرمانه‌ی کارفرما ممکن است دقیقاً همان داده‌هایی باشند که یک پرسش به آن‌ها نیاز دارد و دقیقاً همان‌هایی که ابزار نباید بخواند. پیش از اتصال هر ابزاری، بنویسید چه داده‌هایی در محدوده قرار دارند و چه داده‌هایی خارج از آن. چارچوب مدیریت ریسک هوش مصنوعی NIST مرجع داوطلبانه و مفیدی برای بررسی این ریسک‌هاست.

مالکیت به مسیری برای گزارش خطا نیز نیاز دارد. وقتی ابزار پاسخ نادرستی می‌دهد، فاصله‌ی میان «این پاسخ نادرست است» و فایلی که باعث آن شده، باید کوتاه باشد. اگر کسی نتواند یک پاسخ را تا منبع آن دنبال کند، کسی نیز نمی‌تواند آن منبع را اصلاح کند.

ارزیابی مفید کوتاه است و به یک تصمیم ختم می‌شود. خروجی آن باید شامل این موارد باشد:

1. پرسش مشخص و شکل پاسخ درست آن.
2. منابعی که پاسخ را در خود دارند، همراه با مالک هرکدام.
3. بررسی نمونه‌ای این منابع: چه میزان از داده‌ها تکمیل‌شده، یکدست و به‌روز است.
4. قواعد دسترسی: چه داده‌هایی قابل‌خواندن است و چه داده‌هایی نیست.
5. نتیجه‌ی نهایی: آماده، آماده پس از یک پاک‌سازی مشخص، یا فاقد ارزش اجرا.

نتیجه‌ی سوم یک خروجی واقعی است. اگر پاسخ پرسش با یک گزارش یا یک اسکجوال فیلترشده به دست می‌آید، به هوش مصنوعی نیازی نیست و هیچ‌کس، از جمله ما، نباید آن را به شما بفروشد. اگر داده‌های پشت پرسش با هزینه‌ی معقول یکدست نمی‌شوند، نتیجه‌ی صادقانه توقف در همین نقطه است.

پاک‌سازی یک‌باره فقط تا زمانی آماده باقی می‌ماند که کسی به فایل‌ها دست نزند. داده زمانی آماده باقی می‌ماند که قواعد در نقطه‌ی تولید داده اجرا شوند: کنترل نام‌گذاری هنگام ذخیره، پارامتر الزامی در کنترل مدل و فهرست کشویی به‌جای متن آزاد.

استخراج داده نیز باید به‌طور خودکار و منظم، در یک منبع مرجع برای هر مجموعه‌داده انجام شود؛ موضوعی که در نوشته‌ی هوشمندسازی فرآیند کاری در صنعت ساختمان بررسی شده است. در این مرحله، هوش مصنوعی فقط یک خواننده‌ی دیگر برای داده‌هایی است که دفتر از پیش به آن‌ها اعتماد دارد و تنها در همین مرحله است که به مزیت تبدیل می‌شود.

پس از راه‌اندازی ابزار، معیار سنجش همان معیاری است که در ابتدا نوشته شد: آیا ابزار به پرسش انتخاب‌شده، بر اساس منابع به‌روز، پاسخ درست می‌دهد؟ هر ماه نمونه‌ای از پاسخ‌ها را با فایل‌ها مقایسه کنید و پاسخ‌های نادرست را ثبت کنید.

هر پاسخ نادرست به یکی از سه علت برمی‌گردد: داده‌ی ناموجود، داده‌ی ناهمگون یا داده‌ای که ابزار نباید آن را می‌خواند. در این مرحله هرکدام از این منابع مالک مشخصی دارد و دلیل تعیین مالک‌ها در ابتدای کار همین است.