ایده‌پردازی با هوش مصنوعی: چطور از چند مدل ایده‌ی تازه بگیری و بعد درست غربالش کنی

نوشتهٔ تیمِ چندهوش · ۷ مهر ۱۴۰۵ · ۷ دقیقه مطالعه

بیشترِ ایده‌پردازی‌ها با هوش مصنوعی به یک فهرستِ ده‌تاییِ آشنا ختم می‌شود. این مقاله نشان می‌دهد چطور با چند مدل و نقش‌هایِ متفاوت ایده‌هایِ غیرتکراری بگیری و بعد، بدونِ گم شدن در فهرست، به دو سه گزینه‌ی جدی برسی.

ایده‌پردازی با هوش مصنوعی وقتی واقعاً به کار می‌آید که دو مرحله را از هم جدا کنی: اول تولیدِ ایده‌هایِ زیاد و متنوع، بدونِ قضاوت؛ بعد غربالِ همان فهرست با معیارهایِ روشن. اگر به‌جایِ یک مدل چند مدل با نقش‌هایِ مختلف رویِ ایده‌هایِ هم بسازند، فهرست کمتر تکراری می‌شود؛ و اگر غربال را هم به یک بحثِ جدا بسپاری، به‌جایِ صد ایده‌ی نیمه‌کاره، دو سه گزینه‌ی سنجیده در دست داری.

مشکلِ رایج این نیست که هوش مصنوعی ایده نمی‌دهد؛ مشکل این است که ایده‌هایش شبیهِ هم‌اند، شبیهِ چیزی‌اند که هر کسِ دیگری هم با همان سؤال می‌گیرد، و در آخر نمی‌دانی کدام را جدی بگیری. بیا هر دو گره را جدا باز کنیم.

چرا ایده‌هایِ یک مدلِ تنها زود تکراری می‌شوند

یک مدلِ زبانی در اصل محتمل‌ترین ادامه‌ی متن را می‌سازد. وقتی می‌پرسی «ده ایده برایِ اسمِ کافه بده»، جواب‌هایی می‌گیری که به میانگینِ همه‌ی اسم‌هایِ کافه نزدیک‌اند. اگر دوباره بپرسی، نسخه‌ی کمی متفاوتی از همان میانگین می‌گیری. این برایِ خیلی از کارها خوب است، اما ایده‌پردازی دقیقاً دنبالِ چیزی دور از میانگین است.

سه اتفاق کمک می‌کند از این دایره بیرون بزنی:

• مدل‌هایِ متفاوت: خانواده‌هایِ مختلفِ مدل، با داده و سلیقه‌ی متفاوت ساخته شده‌اند و معمولاً در جاهایِ متفاوتی «محتمل» می‌بینند. سبکشان هم با هر نسخه‌ی تازه عوض می‌شود، پس بهتر است رویِ موضوعِ خودت امتحانشان کنی.
• نقش‌هایِ متفاوت: مدلی که نقشِ «ایده‌پرداز» دارد با مدلی که نقشِ «عمل‌گرا» یا «منتقد» دارد، از یک صورتِ مسئله دو مسیرِ متفاوت می‌رود.
• ساختن رویِ ایده‌یِ دیگری: بهترین ایده‌ها معمولاً ترکیب یا چرخشِ یک ایده‌ی قبلی‌اند. وقتی مدل‌ها ایده‌هایِ هم را می‌بینند و گسترش می‌دهند، به جاهایی می‌رسند که هیچ‌کدام تنها نمی‌رسید.

اگر می‌خواهی ببینی جوابِ چند مدل به یک سؤال چقدر فرق دارد، در مقاله‌ی پرسیدن از چند هوش مصنوعی هم‌زمان روشِ دستی و روشِ یک‌میزه را مقایسه کرده‌ایم.

مرحله‌ی اول: جلسه‌ی «تولیدِ ایده‌ی عمیق»

در چندهوش برایِ همین مرحله یک نوعِ نشستِ جدا هست به اسمِ «تولیدِ ایده‌ی عمیق». فرقش با نشستِ پیش‌فرض («بحث و تصمیم») در هدف است: این‌جا قرار نیست میز به یک تصمیم برسد؛ قرار است ایده‌هایِ زیاد و متنوع تولید شود و صندلی‌ها رویِ ایده‌هایِ هم بسازند. یعنی کسی ایده‌ی دیگری را به‌خاطرِ عملی نبودن حذف نمی‌کند؛ اگر نقدی هست، در قالبِ «این را چطور می‌شود بهتر کرد» می‌آید.

چند توصیه برایِ این‌که خروجیِ این مرحله پربار باشد:

1. مسئله را بنویس، نه راه‌حل را. «چطور مشتری‌هایِ قدیمی دوباره سرِ بزنند» بهتر از «ایده برایِ کمپینِ پیامکی» است؛ دومی از اول نصفِ فضایِ ایده را بسته.
2. محدودیت‌هایِ واقعی را بگو. بودجه‌ی کم، تیمِ دونفره، مهلتِ یک‌ماهه. محدودیت خلاقیت را نمی‌کشد؛ جهتش می‌دهد.
3. نقش‌ها را متنوع بچین. مثلاً یک «ایده‌پرداز» که حدّ و مرز نمی‌شناسد، یک «عمل‌گرا» که هر ایده را به قدمِ اولش تبدیل می‌کند، و یک صندلی که از نگاهِ مشتری حرف می‌زند.
4. زمینه را پیوست کن. اگر نظرسنجیِ مشتری، فایلِ اکسلِ فروش یا لینکِ صفحه‌ی محصولت را داری، پیوستش کن تا ایده‌ها به وضعیتِ واقعیِ تو وصل باشند نه به یک کسب‌وکارِ فرضی.

یک نکته‌ی کوچک اما مهم: وسطِ جلسه می‌توانی خودت حرف بزنی. اگر دیدی ایده‌ها همه به یک سمت می‌روند، بنویس «سمتِ همکاری با کسب‌وکارهایِ همسایه را هم ببینید» یا با «@نامِ‌صندلی» از یک صندلیِ مشخص بخواه ایده‌ی قبلی را از زاویه‌ی دیگری باز کند.

مرحله‌ی دوم: از فهرستِ بلند به فهرستِ کوتاه

بعد از جلسه‌ی ایده، معمولاً فهرستی داری که هم ایده‌هایِ درخشان دارد هم ایده‌هایِ بامزه‌ی بی‌فایده. اشتباهِ رایج این است که همه را یک‌جا به یک مدل بدهی و بپرسی «بهترینش کدام است». جوابِ این سؤال معمولاً امن‌ترین ایده است، نه بهترینش.

به‌جایش خودت یک غربالِ سریع بکن. لازم نیست کامل باشد؛ فقط باید ایده‌هایی که با محدودیت‌هایت نمی‌خوانند بیرون بروند. این جدول کمک می‌کند:

اگر نمی‌خواهی غربال را کاملاً دستی انجام دهی، بعد از حکم می‌توانی سؤالِ تکمیلی بپرسی؛ مثلاً «با این چهار معیار، کدام ایده‌ها قطعاً کنار می‌روند و چرا؟». همان صندلی‌ها کوتاه جواب می‌دهند و بحث از اول شروع نمی‌شود. اما تصمیمِ کنار گذاشتن را خودت بگیر، چون فقط تو می‌دانی کدام محدودیت واقعاً سفت است و کدام قابلِ مذاکره.

بعد از این غربال، معمولاً سه تا پنج ایده می‌ماند. حالا وقتِ مقایسه‌ی جدی است؛ جایی که ایده‌پردازی با هوش مصنوعی از «زیاد فکر کردن» به «درست انتخاب کردن» می‌رسد.

مرحله‌ی سوم: مسابقه بینِ ایده‌هایِ منتخب

برایِ مقایسه‌ی چند ایده‌ی منتخب، نوعِ نشستِ «آرنا» ساخته شده: هر صندلی از پیشنهادِ خودش دفاع می‌کند، بعد از هر دورِ نقد، اگر رأیِ روشنی باشد، یکی از پیشنهادها حذف می‌شود و در پایان داور برنده را اعلام می‌کند. این قالب برایِ مرحله‌ی بعد از ایده‌پردازی مناسب است، چون ایده‌ها را مجبور می‌کند زیرِ نقدِ واقعی دوام بیاورند.

اگر فقط دو ایده مانده، «مناظره» یا یک نشستِ عادیِ «بحث و تصمیم» هم کافی است. و اگر ایده‌ی برنده یک کسب‌وکارِ تازه یا یک مسیرِ بزرگ است، قدمِ بعدی سنجیدنِ جدیِ خودِ آن ایده است؛ روشش را در بررسی ایده کسب‌وکار با هوش مصنوعی نوشته‌ایم.

یک هشدار: برنده‌ی آرنا یعنی ایده‌ای که در این بحث و با این اطلاعات قوی‌تر دفاع شد، نه ایده‌ای که حتماً در بازار جواب می‌دهد. حکمِ مکتوب را بخوان، مخصوصاً بخشی که می‌گوید چرا بقیه حذف شدند؛ گاهی دلیلِ حذفِ یک ایده چیزی است که تو می‌دانی و مدل‌ها نمی‌دانستند.

یک نمونه‌ی فرضی: ایده برایِ برگرداندنِ مشتری‌هایِ یک آموزشگاهِ زبان

این نمونه ساختگی است و فقط برایِ نشان دادنِ روش آمده؛ جلسه‌ی واقعی یا کاربرِ واقعی پشتش نیست.

فرض کن مدیرِ یک آموزشگاهِ کوچکِ زبان هستی و زبان‌آموزهایی که ترم را تمام می‌کنند، برایِ ترمِ بعد برنمی‌گردند.

حکمِ مکتوبِ جلسه‌ی دوم در چنین نمونه‌ای احتمالاً این‌ها را دارد: توافق‌ها (مثلاً این‌که مشکلِ اصلی فاصله‌ی بینِ ترم‌هاست نه قیمت)، اختلاف‌ها (مثلاً این‌که مسیرِ آزمون‌محور مخاطبِ متفاوتی را جذب می‌کند یا همان زبان‌آموزها را نگه می‌دارد)، قوی‌ترین مخالفتِ باقی‌مانده (مثلاً این‌که کلاسِ گفت‌وگوی آزاد بدونِ معلمِ خوب خیلی زود خلوت می‌شود) و توصیه: یک ایده‌ی برنده، به‌همراهِ قدمِ اولِ کوچکی برایِ آزمودنش. بعد از حکم هم می‌توانی سؤالِ تکمیلی بپرسی، مثلاً «برایِ آزمودنِ این ایده در یک ماه، دقیقاً چه چیزی را بشمارم؟».

اشتباه‌هایی که ایده‌پردازی با هوش مصنوعی را خراب می‌کنند

• قضاوتِ زودهنگام: اگر در همان جلسه‌ی ایده بخواهی «فقط ایده‌هایِ عملی»، خیلی از ایده‌هایِ خوب که نسخه‌ی اولشان عجیب است هیچ‌وقت شکل نمی‌گیرند.
• سؤالِ جهت‌دار: «ایده‌هایی برایِ تبلیغ در اینستاگرام» از قبل جواب را تعیین کرده. مدل‌ها هم معمولاً با چارچوبی که تو می‌دهی همراه می‌شوند؛ درباره‌ی این تمایل در چرا هوش مصنوعی همیشه با من موافق است نوشته‌ایم.
• نگه داشتنِ همه‌چیز: فهرستِ پنجاه‌تایی که هیچ‌وقت غربال نشود، عملاً فرقی با نداشتنِ ایده ندارد.
• باورِ کورکورانه به برنده: ایده‌ی برنده فرضیه است. قبل از خرجِ جدی، کوچک امتحانش کن.
• جلسه‌ی بی‌جهت عمیق: برایِ ایده‌هایِ کوچک، عمقِ «سریع» یا «عادی» کافی است. عمقِ بیشتر و مدل‌هایِ سنگین‌تر هزینه را بالا می‌برند؛ اهرم‌هایِ کم کردنِ هزینه را در کاهش هزینه استفاده از هوش مصنوعی ببین.

ایده‌پردازی کجا به کارت می‌آید

این روش فقط برایِ بازاریابی نیست. هرجا که به‌جایِ «جوابِ درست» دنبالِ «گزینه‌هایِ بیشتر» هستی، جواب می‌دهد: اسمِ محصول یا برند، موضوعِ محتوا برایِ یک فصل، راه‌هایِ کم کردنِ هزینه در یک پروژه، شکلِ تازه‌ی یک خدمت، حتی گزینه‌هایِ فنیِ اولیه پیش از آن‌که سراغِ تصمیمِ جدی بروی؛ که برایِ این آخری انتخاب معماری نرم‌افزار با هوش مصنوعی قدمِ بعدی است. فهرستِ کامل‌ترِ کاربردهایِ چندهوش در تصمیم‌گیری را هم می‌توانی در صفحه‌ی خودش ببینی.

جمع‌بندی

ایده‌پردازی با هوش مصنوعی سه مرحله دارد که نباید قاطی شوند: تولیدِ آزادِ ایده با چند مدل و نقشِ متفاوت، غربالِ سریع با معیارهایِ خودت، و مقایسه‌ی جدیِ چند ایده‌ی منتخب. جلسه‌ی «تولیدِ ایده‌ی عمیق» برایِ مرحله‌ی اول ساخته شده و «آرنا» برایِ مرحله‌ی سوم. آخرِ کار هم یادت باشد که ایده‌ی برنده هنوز یک حدس است؛ حکمِ مکتوب به تو می‌گوید چرا این حدس از بقیه قوی‌تر بود، و آزمودنش در دنیایِ واقعی با خودت است.