بازگشت به نوشته‌ها

وقتی تجربه جای دستورالعمل را می‌گیرد!

سال‌ها پیش مستندی درباره هنرهای رزمی تماشا می‌کردم. در بخشی از آن، رزمی‌کاری ضربه‌ای کوتاه و ظاهراً ساده وارد کرد، اما اثر آن برای بیننده کاملاً غیرعادی به نظر می‌رسید. چیزی که بیش از خود حرکت توجهم را جلب کرد این بود که به‌نظر نمی‌رسید بتوان چنین مهارتی را صرفاً با تماشای چند حرکت یا حفظ کردن چند تکنیک منتقل کرد. گویی بخش مهمی از توانایی، حاصل نوعی درک تدریجی، تجربه زیسته و اصلاح مداوم در حین عمل بود.

شاید تفاوت اصلی میان «اجرای مکانیکی» و «حرفه‌ای‌گری» دقیقاً همین‌جا شکل می‌گیرد.

حرفه‌ای‌گری؛ فراتر از اجرای مکانیکی

در بخش سوم این مجموعه مقالات می‌خواهیم کمی از فضای تکنولوژی فاصله بگیریم و درباره خودِ مفهوم حرفه‌ای‌گری در معماری نرم‌افزار صحبت کنیم. در بسیاری از سازمان‌ها، معماری به مجموعه‌ای از الگوهای تکرارشونده، چک‌لیست‌ها و راهکارهای از پیش آماده تقلیل پیدا کرده است؛ گویی اگر شخصی تعداد کافی از این الگوها را حفظ کند، به‌صورت خودکار توانایی معماری پیدا خواهد کرد.

اما آیا واقعاً چنین است؟

آیا می‌توان صرفاً با تقلید گام‌به‌گام تصمیم‌های دیگران، به توانایی مواجهه با مسائل پیچیده و مبهم رسید؟ یا بخش مهمی از معماری، در جریان مواجهه واقعی با مسئله و بازاندیشی مداوم در حین عمل شکل می‌گیرد؟

برای نزدیک شدن به این موضوع، در این بخش از مفهوم «تفکر تأملی» (Reflective Practice) استفاده می‌کنیم؛ مفهومی که دونالد شون در کتاب The Reflective Practitioner درباره آن صحبت می‌کند.

شون معتقد است که بسیاری از حرفه‌ها، برخلاف مدل کلاسیک آموزش فنی، صرفاً با انتقال مجموعه‌ای از قواعد و تکنیک‌ها قابل یادگیری نیستند؛ بلکه متخصصان واقعی، در حین عمل فکر می‌کنند، فرضیات خود را اصلاح می‌کنند و از دل مواجهه با موقعیت‌های منحصربه‌فرد، فهم عمیق‌تری از کار خود به دست می‌آورند.

برای مثال زمانی که یک استاد در حال آموزش طراحی به دانشجو است، هم‌زمان که طراحی می‌کند، درباره اشکالات، محدودیت‌ها و تصمیم‌های خود توضیح می‌دهد. گویی بخشی از یادگیری دقیقاً در دلِ خودِ عمل اتفاق می‌افتد، نه صرفاً در انتقال مجموعه‌ای از قواعد از پیش آماده.

مسئله‌ها از پیش ساخته نشده‌اند

در پست آشنایی این مقاله اشاره کردم که بخشی از مشکلاتی که ما به‌عنوان مهندس نرم‌افزار، از دوران آموزش تا ورود به فضای حرفه‌ای با آن درگیر هستیم، از همین نقطه آغاز می‌شود.

سبک آموزش ما معمولاً بر این اساس است که:

  • مسئله از قبل مشخص شده،
  • مجموعه‌ای از ابزارها و تکنیک‌ها در اختیار ما قرار می‌گیرد،
  • و انتظار می‌رود با استفاده از آنها مسئله را حل کنیم.

اما در فضای حرفه‌ای، مسائل به این شکل ظاهر نمی‌شوند.

ما معمولاً با «وضعیت‌های مسئله‌ساز» (Problematic Situations) روبه‌رو هستیم؛ وضعیت‌هایی مبهم، نگران‌کننده و نامطمئن که حتی هنوز معلوم نیست مسئله واقعی آنها چیست.

یک حرفه‌ای، قبل از حل مسئله، ابتدا باید بتواند مسئله را صورت‌بندی کند. او باید از دل وضعیت‌های آشفته و نامفهوم، معنا استخراج نماید.

دونالد شون در کتاب خود جمله مهمی دارد:

“مسئله‌گذاری شرط لازم برای حل فنی مسئله است، اما خود یک مسئله فنی نیست.”

شاید بخش مهمی از تفاوت میان یک فرد باتجربه و شخصی که صرفاً مجموعه‌ای از الگوها را حفظ کرده، دقیقاً در همین نقطه شکل بگیرد.

وقتی به‌دنبال راه‌حل‌های آماده می‌رویم

حالا سؤال مهم این است که از کجا شروع کنیم؟

زمانی که هنوز به حد کافی حرفه‌ای نشده‌ایم، معمولاً به سمت راهکارهای آماده، استفاده مستقیم از تجربه دیگران و مدل‌های مرجع حرکت می‌کنیم. این تلاش‌ها الزاماً اشتباه نیستند، اما نقطه آغاز فهم مسئله نیز محسوب نمی‌شوند.

اجازه دهید با یک مثال ساده جلو برویم.

وقتی سرما می‌خوریم و بدون مراجعه به پزشک، بر اساس تجربه قبلی یک دوره آنتی‌بیوتیک مصرف می‌کنیم، در حقیقت در حال استفاده مستقیم از یک راهکار آماده برای مسئله‌ای هستیم که هنوز آن را بررسی نکرده‌ایم.

اما زمانی که به پزشک مراجعه می‌کنیم، ابتدا فرآیند تشخیص آغاز می‌شود:

  • معاینه بالینی انجام می‌شود،
  • شرح حال بیمار بررسی می‌شود،
  • ممکن است آزمایش درخواست گردد،
  • و در نهایت درباره مسیر درمان تصمیم‌گیری می‌شود.

در معماری نیز وضعیت بسیار مشابه است.

وقتی با مجموعه‌ای از سیستم‌ها روبه‌رو هستیم که می‌دانیم دچار مشکلات جدی هستند و نیاز به بهبود دارند، مسئله اصلی ما از همان ابتدا «بازطراحی سامانه‌ها» نیست.

ما ابتدا باید بتوانیم مسئله را کشف و صورت‌بندی کنیم؛ سپس بر اساس آن درباره هزینه، زمان، ریسک و مسیر تغییر تصمیم بگیریم.

تجربه اول؛ وقتی سیستم بیمار است

اجازه دهید مانند گذشته، این بخش را نیز با یک تجربه واقعی جلو ببریم.

مهاجرت مجموعه‌ای از سیستم‌های یک سازمان مالی از وضعیت نامطلوب جاری به سمت وضعیتی پایدارتر و قابل نگهداری‌تر.

اولین قدم، شناخت زمینه و محیط کسب‌وکار است:

  • ذی‌نفع‌ها چه کسانی هستند؟
  • فرآیندهای اصلی چگونه حرکت می‌کنند؟
  • ساختار قدرت چگونه شکل گرفته است؟
  • و سازمان اساساً چگونه کار می‌کند؟

بدون رسیدن به حداقل فهم از محیط کسب‌وکار، بسیاری از تصمیم‌های معماری صرفاً به جابه‌جایی تکنولوژی‌ها تقلیل پیدا می‌کنند.

پس از آن، نوبت به «معاینه بالینی» سامانه‌ها می‌رسد.

در این مرحله می‌توان به دنبال برخی از نشانه‌های بیماری بود:

  • استفاده از Share DB میان چند سامانه،
  • مرزهای نامشخص بین سیستم‌ها،
  • ورود سامانه‌ها به مالکیت داده‌های یکدیگر،
  • و وضعیت‌های متعدد و ناسازگار برای یک موجودیت واحد.

گاهی حتی می‌توان از روی تبدیل commandها و eventهای سیستم به وضعیت‌های متناقض موجودیت‌ها، نشانه‌هایی از بیماری ساختاری سیستم را مشاهده کرد.

در کنار این موارد، بررسی محدودیت‌های سازمانی نیز اهمیت زیادی دارد:

  • تاریخچه شکل‌گیری تیم‌ها چگونه بوده است؟
  • فرآیندهای کلیدی در اختیار چه بخش‌هایی قرار دارند؟
  • آیا برخی از جریان‌های اصلی کسب‌وکار عملاً به تیم یا افراد خاصی وابسته شده‌اند؟
  • و تغییر چه بخش‌هایی از سیستم، از نظر سازمانی پرهزینه یا حساس محسوب می‌شود؟

برخی از مشکلات، برخلاف ظاهرشان، صرفاً فنی نیستند؛ بلکه ریشه در ساختارهای سازمانی و تاریخی دارند.

در ادامه حتی طراحی مدل‌های داده نیز می‌تواند سرنخ‌های مهمی در اختیار ما قرار دهد. برای مثال، گاهی مشاهده می‌کنیم که مدل داده به‌تدریج علاوه بر نگهداری اطلاعات، بخشی از منطق و رفتار کسب‌وکار را نیز برعهده گرفته است؛ وضعیتی که معمولاً نشانه‌ای از فرسایش مرزهای معماری در طول زمان محسوب می‌شود.

تجربه دوم؛ ورود هوش مصنوعی به سازمان

این روزها ورود هوش مصنوعی به سازمان‌ها می‌تواند بسیار هیجان‌انگیز به نظر برسد. معمولاً اولین تصویری که شکل می‌گیرد، نصب ابزارها، آماده‌سازی داده‌ها و اتصال مدل‌ها به سامانه‌های موجود است.

اما آیا مسئله واقعاً همین است؟

شاید پیش از هر تصمیم فنی، ابتدا باید مسئله ورود هوش مصنوعی را طراحی کنیم.

اگر بخواهیم حرفه‌ای‌تر به این موضوع نگاه کنیم، احتمالاً نیاز به مجموعه‌ای از شاخص‌ها خواهیم داشت.

در بخش اول، شاخص‌های کسب‌وکاری قرار می‌گیرند:

  • آیا این ورود باعث کاهش هزینه‌های عملیاتی می‌شود؟
  • آیا بر کیفیت پشتیبانی یا کاهش تماس‌ها اثر دارد؟
  • آیا بهره‌وری را افزایش می‌دهد؟
  • و آیا در نهایت بر حاشیه سود یا کیفیت خدمات اثر واقعی خواهد گذاشت؟

در بخش دوم، باید به هم‌راستایی معماری توجه کرد:

  • آیا ورود هوش مصنوعی باعث تقویت سامانه‌های موجود می‌شود یا صرفاً یک جزیره جدید تولید می‌کند؟
  • آیا با اولویت‌های توسعه‌ای سازمان هم‌راستا است؟
  • و آیا اساساً سازمان آمادگی پذیرش چنین تغییری را دارد؟

در بخش سوم نیز مسئله پیچیدگی و ریسک‌های فنی مطرح می‌شود:

  • بلوغ داده‌های سازمان در چه سطحی قرار دارد؟
  • کیفیت داده‌ها تا چه اندازه قابل اتکاست؟
  • آیا بهره‌برداران آمادگی استفاده از چنین سامانه‌هایی را دارند؟
  • و مهم‌تر از همه، مسئولیت تصمیم‌های مبتنی بر هوش مصنوعی با چه کسی خواهد بود؟

آیا این سامانه‌ها صرفاً قرار است پیشنهاد ارائه دهند یا اجازه تصمیم‌گیری نیز خواهند داشت؟

شاید نکته مهم این باشد که ورود هوش مصنوعی، پیش از آنکه یک پروژه فنی باشد، نوعی بازتعریف مسئله در سطح سازمان است.

جمع‌بندی

شاید بخش مهمی از حرفه‌ای‌گری در معماری، نه در توانایی استفاده از ابزارها و الگوها، بلکه در توانایی دیدن، معنا کردن و صورت‌بندی درست مسئله‌ها شکل بگیرد.

بسیاری از تصمیم‌های معماری، پیش از آنکه تصمیم‌هایی فنی باشند، حاصل نوعی مواجهه تأملی با وضعیت‌های پیچیده و مبهم هستند.

و شاید به همین دلیل است که تجربه، در نقطه‌ای مشخص، جای دستورالعمل را می‌گیرد.