اورلاندو ماچادو پیش از اینکه شغل «دانشمند علم داده» تبدیل به یکی از مشاغل خیلی مهم دنیای فناوری شود، این عنوان را کسب کرده است. ماچادو 20 سال از زندگی خودش را با فعالیت در دانشگاه، رسانه‌ها و شرکت‌های مختلف صرف استفاده از داده‌ها جهت پیش بینی و ایجاد تجربیات بهتر برای مصرف کنندگان کرده بود. در سال 2019، DataIQ در لیست افراد بانفوذ خودش در زمینه کسب و کارهای داده محور، ماچادو را به عنوان اولین چهره انتخاب کرد.
ماچادو از سال 2021 به عنوان مدیر ارشد داده در شرکت لگو مشغول به کار شده تا دانش خودش را به دنیای اسباب‌بازی‌ها هم منتقل کند. او در مصاحبه‌ای با دیوید دلالو از شرکت مک‌کنزی توضیح می‌دهد که چطور به شرکت لگو کمک می‌کند تا پایه‌های علم داده و هوش مصنوعی این تولید‌کنندهٔ معروف دنیای اسباب‌بازی را تقویت کند. در ادامه مطلب چکیده‌ای از این گفتگو را برای شما آماده کرده‌ایم.
دیوید دلالو: با توجه به اینکه لگو یک اسباب‌بازی فیزیکی است، ارتباط آن با داده و هوش مصنوعی چیست؟
اورلاندو ماچادو: همانطور که اشاره کردید، لگو بیشتر یک محصول فیزیکی است و همیشه این طور بوده. امسال نودمین سالگرد فعالیت این شرکت است، بنابراین مدتهاست که این شرکت بازی‌های فیزیکی تولید می‌کند. اما چیزی که ما می‌دانیم این است که مشتریان می‌خواهند تجربیات فیزیکی با تجربیات دیجیتال تکمیل شوند که این ارتقاء می‌تواند برای ایجاد تجربیات خرید آنلاین بسیار خوب باشد. اما در عین حال، می‌تواند به اسباب‌بازی و استفاده از آن هم مرتبط شود. بنابراین ما تعداد مختلفی بازی دیجیتال داریم تا به کاربران امکان دهیم که لگو بسازند. ما سعی داریم روزبه‌روز محصولات دیجیتال بیشتری بسازیم که مکمل محصولات فیزیکی باشند. این موضوع دربارهٔ همکاری داخلی هم صادق است. ما می‌خواهیم یک محیط کار امروزی روان بسازیم که زندگی افراد را با استفاده از فناوری راحت‌تر کند.
دیوید دلالو: به‌نظر شما هوش مصنوعی چه نقشی در این زمینه خواهد داشت؟
اورلاندو ماچادو: شرکت لگو هر کاری انجام می‌دهد از جمله طراحی محصول، توسعه محصولات جدید، تولید، خرده فروشی، کلی فروشی، زنجیره تأمین، تدارکات، برندسازی و تعامل با مشتریان. همه این فرایندها، داده مصرف کرده و تولید می‌کنند. بنابراین، می‌بینیم که هوش مصنوعی فرصتی است تا همه این فرایندها را بهبود ببخشیم. هوش مصنوعی می‌تواند به ما کمک تا ماشین‌ها را طوری مدل سازی کنیم که بهره وری بیشتری داشته باشند یا تعامل با مصرف کنندگان را بهبود ببخشیم و یا تجربیات آنلاین بسیار جذابی بسازیم تا به بچه‌ها امکان دهیم که هنگام استفاده از محصولات فیزیکی هم با هم بازی کنند.
دیوید دلالو: می‌توانید مثالی بزنید که تأثیر چشمگیر داده‌ها در بهبود یک فرایند را نشان دهد؟
اورلاندو ماچادو: ما اپلیکیشنی به نام Lego Life داریم. بچه‌ها می‌توانند در این اپلیکیشن عکس بارگذاری کنند. اما متوجه شدیم که می‌توانیم به راحتی یک هوش مصنوعی را آموزش دهیم تا تصویر نامناسب را رد کند. مثلاً ممکن است وقتی بچه‌ای از وسیله‌ای که با لگو طراحی کرده عکس می‌گیرد، چهره خودش هم در تصویر باشد. می‌توانیم یک عامل هوش مصنوعی را آموزش دهیم تا چنین تصاویری را بلافاصله رد کند. به این ترتیب، کار افرادی که بر محتوا نظارت دارند راحت‌تر می‌شود و فقط باید دور دوم نظارت را انجام دهند. در نتیجه، بهره وری افزایش پیدا می‌کند و برای بچه‌ها هم تجربه بسیار بهتری ایجاد می‌شود چون اگر قرار باشد محتوایی رد شود، خیلی بهتر است که فوراً رد شود نه اینکه منتظر بمانیم تا یک ناظر انسانی آنها را بررسی کند چون ممکن است کودک تا آن زمان طرحی را که با اشتیاق ساخته و در اپلیکیشن بارگذاری کرده، خراب کرده باشد. بنابراین سعی داریم نقطه توازن مناسب بین بهره وری، بهبود فرایند و ارتقای تجربیات کاربری را پیدا کنیم. به نظرم وقتی این کار را انجام دهیم، لحظات لذت بخشی برای کاربران ایجاد خواهیم کرد و ناگهان متوجه می‌شوند که این فناوری چیزی نیست که از آن بترسند بلکه می‌توانیم با استفاده مسئولیت پذیرانه، برای مشتریان خودمان لحظات لذت بخشی ایجاد کنیم.
دیوید دلالو: از آنجایی که لگو محصولاتی برای کودکان طراحی می‌کند، حتماً مشتریان این شرکت نگرانی‌های زیادی درباره حریم شخصی و هوش مصنوعی دارند. شما چطور به آنها اطمینان خاطر می‌دهید؟
اورلاندو ماچادو: به دو روش. یکی دیدگاه بسیار محافظه کارانه ما، در زمینه استفاده از داده‌های مربوط به کودکان در مقیاس عظیم است. احتمالاً برای خیلی‌ها شگفت آور است اما در رابطه با خیلی از تجربیاتی که برای کودکان ایجاد می‌کنیم، هیچ داده‌ای جمع آوری نمی‌کنیم چون همیشه با بیشترین سطح احتیاط عمل می‌کنیم. نکته دوم اینکه، ما سال پیش یک چارچوب اخلاق داده منتشر کردیم که بسیار سطح بالا است و درباره داشتن رویکرد مثبت، شفاف، عادلانه و مسئولیت پذیرانه صحبت می‌کند که اصول بسیار سطح بالایی هستند اما به ما امکان می‌دهند که با استفاده از یک چارچوب جدید، درباره کاربردهای جدید بحث و گفتگو داشته باشیم. قبلاً افرادی که نگرانی داشتند می‌توانستند از سیستم ما خارج شوند. اما حالا چارچوب مشخصی وجود دارد که می‌توانند در آن در رابطه با درستی یا غلط این فرضیات طبق ارزش‌های شرکت لگو بحث و گفتگو کنند. این یک گام رو به جلو است. افراد می‌توانند درک کنند که شاید یک بحث و گفتگو، جنبه‌های مختلفی داشته باشد. می‌توانیم به توافق برسیم و اگر به این نتیجه رسیدیم که استفاده از داده‌ها در نهایت برای مشتریانمان مفید خواهد بود، این کار را انجام دهیم.
دیوید دلالو: قبل از اینکه مدیر ارشد داده‌ها باشید، دانشمند داده بودید. چه چیزی باعث شد که این جابجایی را انجام دهید و سابقه کار به عنوان دانشمند داده، در سمت جدید چه کمکی به شما کرد؟
اورلاندو ماچادو: به نظرم، هنوز بیشتر شرکت‌ها از فرصت‌هایی که علم داده در اختیارشان قرار می‌دهد، استفاده نکرده‌اند. یکی از دلایل این موضوع، در دسترس نبودن پایه‌های لازم این کار است. جریان داده‌ها، حاکمیت، کیفیت، چارچوب‌های اخلاقی و آموزش‌های لازم در خیلی از شرکت‌ها در دسترس نیستند. من همیشه به علم داده علاقمند بودم و 25 سال در این حوزه فعالیت داشتم. من سعی داشتم یک کار تأثیرگذار در مقیاس عظیم انجام دهم و برای انجام این کار مسئولیت ایجاد همه این اجزای اساسی با من بود.
دیوید دلالو: حدود 18 ماه است که مدیر ارشد داده‌ها در شرکت لگو هستید. مسئولیت‌های اصلی خودتان را چه چیزهایی می‌بینید؟
اورلاندو ماچادو: به نظرم، مدیران ارشد داده از مسیرهای مختلف وارد این نقش می‌شوند. خود من به شخصه، از دانشگاه شروع کردم. من در زمینه مدل سازی آماری، یادگیری ماشینی و علم داده فعالیت داشتم بنابراین سعی دارم به شرکت لگو کمک کنم تا با داده‌هایی که در اختیار دارد ارزش آفرینی کند و فرصت‌های جدید استفاده از هوش مصنوعی، علم داده و یادگیری ماشینی پیشرفته را پیدا کند. اما برای انجام این کار نیاز به دسترسی به داده‌ها داریم. بنابراین کار من شامل آماده سازی پایه‌های لازم و پلتفرم‌های داده خودمان و فراهم کردن امکان گردش بی وقفه داده‌ها در سطح سازمان است. همچنین کار من مسائلی مثل مدیریت – نظارت بر کیفیت داده‌ها – را هم شامل می‌شود. ما یک مدل خیلی خوب برای مالکیت داده‌ها داریم که شامل اخلاق داده هم می‌شود. بنابراین سعی داریم فریم ورک‌هایی در اختیار مردم قرار دهیم تا به آنها برای انجام کارهای درست حتی در هنگام استفاده از تکنولوژی‌های بسیار جدید و پیشرفته‌ای که برای خودشان کاملاً قابل درک نیست، کمک کنیم. ما سعی داریم به افراد برای آشنایی با این حوزه پیچیده که به سرعت در حال تغییر است، کمک کنیم.
دیوید دلالو: مهم‌ترین اولویت‌های امروز شما چیست و چطور به آنها می‌پردازید؟
اورلاندو ماچادو: یکی از اولین کارهایی که قصد انجام آن را داریم، تهیه تکنولوژی است که امکان گردش مؤثرتر داده‌ها در سطح سازمان را فراهم کند و به جای مدل سنتی که در آن یک تیم مرکزی باید همه کارها را انجام می‌داد، در واقع یک مدل بازار مانند ایجاد کنیم که تولیدکنندگان داده را با مصرف کنندگان داده ارتباط دهد. این یک تغییر و پیشرفت بسیار بزرگ است.
علاوه بر این، ما در حال کار روی پذیرش فرهنگی و رفتارهای جدید و همچنین آموزش و ارتقای مهارت‌های مربوط به داده‌ها هستیم که همگی جزء مراحل هر تلاشی برای تغییر هستند. این بخش از مسیر همیشه طولانی‌تر است چون سعی داریم افراد را با فرصت‌های جدیدی که فناوری در اختیار آنها قرار داده و قبلاً با آنها کار نکرده بودند، آشنا کنیم. اما روزبروز شاهد روشن شدن هر چه بیشتر مزایای استفاده از فناوری هستیم. به محض اینکه برخی فرصت‌های تکنولوژی‌های داده محور را آشکار می‌کنیم و مردم شروع به درک آنها می‌کنند، شاهد ایجاد اشتیاق عظیم برای استفاده از آنها هستیم.
دیوید دلالو: با توجه به روش‌های بی شمار استفاده از داده‌ها، چگونه فعالیت‌ها را الویت بندی می‌کنید؟
اورلاندو ماچادو: خیلی سخت نیست. به عنوان شخصی که در مرکز و مدیریت کارها فعالیت دارد، نمی‌توانیم کار همه افراد را اولویت بندی کنیم. به همین دلیل است که از این روش توانمندسازی استفاده کرده‌ایم چون اگر بتوانیم حداکثر تعداد افراد ممکن را در سطح شرکت لگو توانمند کنیم تا در استفاده از داده‌ها مهارت پیدا کنند، در این صورت خود آنها می‌توانند کارهای خودشان را اولویت بندی کنند که به نظرم این روش برای حل چالش‌های بیزنسی که با آن روبرو هستیم، بسیار مؤثرتر است. مواردی که ما به صورت مرکزی اولویت بندی می‌کنیم، ایده‌های جدیدی هستند که باید تیم‌های تخصصی یا دانشمندان داده به آنها بپردازند. بنابراین، ما در اصل سه موضوع را در نظر می‌گیریم. اولی، وجود مزایای تاکتیکی کوتاه مدت است. گاهی اوقات، کاربردهایی برای علم داده شناسایی می‌کنیم که بسیار کوتاه مدت و قابل ارزیابی هستند.
موضوع دوم، استراتژی است: آیا این طرح نقشی در استراتژی طولانی مدت ما دارد؟ ما در زمینه موضوعاتی مثل پایایی، اهداف استراتژیک مشخصی داریم. بنابراین اگر کاربردی برای علم داده پیدا کنیم که به ما برای رسیدن به یک هدف استراتژیک کمک کند، آن را به عنوان یک اولویت در نظر می‌گیریم.
سومین مورد که کمی مبهم‌تر است، نمادین بودن اقدام مورد نظر است. گاهی اوقات، کاربردهایی برای علم داده و هوش مصنوعی پیدا می‌شود که مزیت کوتاه مدت ندارند و ممکن است کاملاً با استراتژی ما تطبیق نداشته باشند اما مزیت آموزشی آنها بسیار زیاد است – یعنی به ما کمک می‌کنند تا فرصت مورد نظر را برای مخاطبان زیادی به تصویر بکشیم – بنابراین در هر صورت آن را انجام می‌دهیم. مثلاً اگر بتوانیم در زمینه شمارش قطعات لگو به یک پیشرفت برسیم، موضوعی که مردم می‌توانند با آن ارتباط برقرار کنند، آن را به خاطر سپرده و کاری که هوش مصنوعی و علم داده انجام داده است را درک می‌کنند. در نتیجه وقتی به مشکلی برخورد کنند، علم داده و هوش مصنوعی را به عنوان یک راهکار بالقوه در نظر خواهند گرفت. ما همیشه سعی داریم به چند کاربردهایی که مزایای آموزشی دارند، اولویت بدهیم.
دیوید دلالو: چگونه به آموزش نیروی کار عظیم‌تر در زمینه استفاده از داده‌ها و تحلیل کمک می‌کنید؟
اورلاندو ماچادو: ما سعی داریم آموزش‌های مربوط به علم داده را در همه سطوح ارایه دهیم از جمله برای یک دانشمند داده که در این حوزه تخصص دارد اما به دنبال رسیدن به سطوح جدید است یا شخصی که صرفاً علاقه‌ای گذرا به این علم دارد – درباره آن شنیده و می‌خواهد بیشتر با آن آشنا شود. ما در ابتدای این مسیر هستیم و به تیم‌های تحلیل و هوش تجاری خودمان کمک می‌کنیم تا از نزدیک با دفتر داده مرکزی شرکت لگو همکاری کنند و بتوانند روش‌های جدیدی برای همکاری پیدا کنند چه از نظر استفاده از فناوری یا خدمات ما و چه در زمینه ارتقای مهارت‌ها و آموزش. ما شروع به همکاری با مخاطبانی کرده‌ایم که به کارهای تحلیلی یا هوش بیزنسی علاقه دارند و با علم داده آشنا هستند. اما هدف نهایی ما، برقراری ارتباط با همه است.
منبع: مک‌کنزی