پرامپت پنج چرا؛ ریشهٔ هر مشکل را با هوش مصنوعی پیدا کن

گام نخست: پنج چرا چیست و چرا جواب می‌دهد

روش پنج چرا را نخستین‌بار مهندسان تویوتا در خط تولید به کار بردند؛ ایدهٔ ساده‌اش این است که برای هر مشکل، پنج بار پشت سر هم بپرسی «چرا این اتفاق افتاد؟». هر پاسخ، پرسشِ «چرا»ی بعدی را می‌سازد و تو را یک پله عمیق‌تر می‌برد. عدد پنج مقدس نیست؛ گاهی در سه «چرا» به ریشه می‌رسی و گاهی به هفت تا نیاز داری. نکتهٔ اصلی این است که از لایهٔ نشانه عبور کنی و به جایی برسی که اگر آن را اصلاح کنی، مشکل دیگر تکرار نشود.

مدل‌های زبانی برای این کار عالی‌اند، چون خسته نمی‌شوند و سوگیری احساسی ندارند؛ اما به‌صورت پیش‌فرض عجول‌اند و دوست دارند سریع یک فهرست راه‌حل جلویت بگذارند. کار تو این است که با ساختار پرامپت، جلوی این عجله را بگیری. اگر تازه با مفهوم پرامپت آشنا شده‌ای، پیشنهاد می‌کنم اول نگاهی به راهنمای پرامپت‌نویسی برای مبتدی‌ها بیندازی تا پایهٔ کار دستت بیاید.

مثال: «نقش یک تحلیلگر ریشه‌یابی را بگیر. برای مشکلی که می‌گویم، روش پنج چرا را اجرا کن؛ اما قبل از هر کاری فقط در یک جمله توضیح بده پنج چرا چیست و چرا قرار است کمکم کند. مشکل: مشتری‌هایم بعد از اولین خرید دیگر برنمی‌گردند.»

گام دوم: تفاوت نشانه و ریشه را به مدل بفهمان

بزرگ‌ترین خطای ریشه‌یابی این است که نشانه را با علت اشتباه بگیریم. «فروش کم شد» یک نشانه است، نه ریشه. اگر همین‌جا متوقف شوی، راه‌حل‌هایی مثل «تخفیف بده» می‌گیری که فقط مُسکن‌اند. ریشه ممکن است چیزی باشد مثل «پیام تبلیغاتی ما با مخاطب درست حرف نمی‌زند». وقتی این تفاوت را صریح در پرامپت بگذاری، مدل می‌فهمد که پاسخ سطحی را نباید به‌عنوان پایان بپذیرد.

برای اینکه مدل تله‌ی «جهش به ریشه» را هم نشناسد، از او بخواه هر لایه را فقط یک قدم جلو ببرد و بین نشانه، علت میانی و علت ریشه‌ای به‌روشنی تفکیک قائل شود. این دقیقاً جایی است که فرق یک پرامپت حرفه‌ای با یک سؤال ساده مشخص می‌شود؛ اگر می‌خواهی عمیق‌تر با منطق پشت این مدل‌ها آشنا شوی، مقالهٔ توان و محدودیت‌های واقعی هوش مصنوعی دید خوبی می‌دهد.

مثال: «هر پاسخ را در سه ستون بنویس: نشانه، علت میانی، و آیا این علت ریشه‌ای است یا نه. تا وقتی به علتی نرسیده‌ای که اگر اصلاح شود مشکل دیگر تکرار نمی‌شود، ادامه بده. مشکل: تیم فروشم به سرنخ‌ها دیر جواب می‌دهد.»

گام سوم: اسکلت پرامپت پنج چرا

یک پرامپت پنج چرای خوب چهار بخش دارد: نقش (تحلیلگر ریشه‌یابی)، قاعده (هر بار فقط یک «چرا» و منتظر ماندن برای تأیید)، خروجی (زنجیرهٔ شماره‌دار)، و توقف (رسیدن به علت ریشه‌ای و بعد راه‌حل). قاعدهٔ «منتظر تأیید بمان» مهم‌ترین جزء است، چون تو را در هر پله وارد گفت‌وگو می‌کند و نمی‌گذارد مدل خودش پنج فرض بی‌پایه بسازد.

اگر دوست داری این الگو را کنار بقیهٔ تکنیک‌ها بگذاری و یک جعبه‌ابزار کامل بسازی، سری آموزش پرامپت‌نویسی ما را دنبال کن و آموزش‌های پایه را هم در بخش آموزش چت‌جی‌پی‌تی ببین.

مثال: «نقش: تحلیلگر ریشه‌یابی. قاعده: هر پیام فقط یک «چرا» بپرس و منتظر جواب من بمان؛ هیچ راه‌حلی تا رسیدن به ریشه نده. خروجی: زنجیره را شماره‌دار نگه دار. توقف: وقتی به علت ریشه‌ای رسیدی، بگو «ریشه پیدا شد» و یک راه‌حل پیشنهاد بده. مشکل اول: سایتم کند بارگذاری می‌شود.»

گام چهارم: یک نمونهٔ کامل، گام‌به‌گام

بیایید یک سناریوی واقعی را دنبال کنیم: «نرخ تبدیل صفحهٔ فروشم پایین است.» با پرامپت بالا، گفت‌وگو این‌طور پیش می‌رود. چرای اول: چرا نرخ تبدیل پایین است؟ چون بازدیدکننده‌ها به دکمهٔ خرید نمی‌رسند. چرای دوم: چرا نمی‌رسند؟ چون صفحه طولانی است و دکمه پایین پنهان شده. چرای سوم: چرا صفحه این‌قدر طولانی شده؟ چون هر توضیحی که به ذهنمان رسید اضافه کردیم. چرای چهارم: چرا بدون اولویت‌بندی اضافه کردیم؟ چون هیچ‌وقت ننوشتیم مخاطب اصلی چه کسی است و چه می‌خواهد. چرای پنجم: چرا مخاطب را تعریف نکردیم؟ چون پیش از ساخت صفحه هیچ تحقیقی دربارهٔ کاربر انجام ندادیم. ریشه پیدا شد: نبودِ تعریف روشن از مخاطب و نیاز او.

ببین چطور از یک نشانهٔ فنی («دکمه پایین است») به یک ریشهٔ راهبردی («مخاطب را نمی‌شناسیم») رسیدیم؛ این همان چیزی است که هیچ راه‌حل سطحی به آن نمی‌رسید. اهمیت این نوع ریشه‌یابی در کسب‌وکار را در مقالهٔ چرا هوش مصنوعی برای کسب‌وکار مهم است بیشتر توضیح داده‌ایم.

مثال: «این زنجیره را ادامه بده تا به ریشه برسی و در هر مرحله فقط یک «چرا» بپرس: نشانه این است که کاربران اپم را بعد از یک هفته پاک می‌کنند.»

گام پنجم: مدل را از پریدن به راه‌حل بازدار

مدل‌ها طوری آموزش دیده‌اند که «کمک‌کننده» باشند، و همین باعث می‌شود وسط زنجیره وسوسه شوند که راه‌حل بدهند. برای مهار این رفتار، یک قید صریح بگذار و حتی از مدل بخواه اگر خواست زودتر راه‌حل بدهد، اول از خودش بپرسد «آیا واقعاً به ریشه رسیده‌ام؟». این نوعِ خودنظارتی، کیفیت تحلیل را به‌شکل محسوسی بالا می‌برد.

اگر مدل باز هم عجله کرد، می‌توانی قاعده را سخت‌گیرانه‌تر کنی: «تا وقتی من نگفته‌ام ادامه بده، هیچ راه‌حلی ننویس.» تکنیک‌های کنترل رفتار مدل موضوعی است که در آموزش‌های دیگرِ این مجموعه هم به آن پرداخته‌ایم؛ تازه‌ترین‌شان را در بخش اخبار و تازه‌ها دنبال کن.

مثال: «قانون سخت: تا وقتی به پیام «ریشه پیدا شد» نرسیده‌ای، فقط «چرا» بپرس و هیچ پیشنهاد، راه‌حل یا توصیه‌ای نده. اگر وسوسه شدی راه‌حل بدهی، به‌جای آن یک «چرا»ی دقیق‌تر بپرس. فهمیدی؟»

گام ششم: از ریشه تا یک اقدام مشخص

پیدا کردن ریشه نصف کار است؛ نصف دیگر این است که ریشه را به یک اقدام قابل‌اجرا تبدیل کنی. اینجا از مدل بخواه که فقط برای همان علت ریشه‌ای راه‌حل بدهد، نه برای نشانه‌ها. یک راه‌حل خوب باید مشخص، سنجش‌پذیر و متصل به ریشه باشد؛ اگر راه‌حل به ریشه ربط نداشت، یعنی یا ریشه را اشتباه پیدا کرده‌ای یا مدل دوباره به سطح برگشته است.

برای اینکه راه‌حل در هوا نماند، از مدل بخواه یک معیار موفقیت و یک بازهٔ زمانی هم پیشنهاد دهد. این‌طوری خروجیِ تحلیل، به‌جای یک جملهٔ کلی، تبدیل می‌شود به یک برنامهٔ کوچک و قابل‌پیگیری.

مثال: «حالا که ریشه مشخص شده، فقط برای همین ریشه یک راه‌حل بده که این سه ویژگی را داشته باشد: مشخص باشد، یک معیار موفقیت عددی داشته باشد، و بگوید در چه بازهٔ زمانی نتیجه را بسنجم.»

گام هفتم: دام‌های رایج که تحلیل را خراب می‌کنند

سه دامِ همیشگی در پنج چرا کمین کرده‌اند. دام اول، «مقصر دانستن آدم‌ها» است؛ وقتی زنجیره به «چون فلانی اشتباه کرد» می‌رسد، معمولاً باید یک «چرا»ی دیگر پرسید: چرا سیستمی که داشتیم اجازه داد این اشتباه رخ دهد؟ دام دوم، «زنجیرهٔ تک‌خطی» است؛ بعضی مشکل‌ها بیش از یک ریشه دارند و بهتر است از مدل بخواهی دو یا سه شاخهٔ موازی را دنبال کند. دام سوم، «توقف زودهنگام» است؛ جایی که مدل به اولین پاسخِ نسبتاً عمیق قانع می‌شود و تو باید فشار بیاوری که یک لایه جلوتر برود.

برای عبور از دام تک‌خطی، می‌توانی پنج چرا را با نگاهی چندشاخه‌ای ترکیب کنی و از مدل بخواهی برای هر نشانه چند مسیر علّی جداگانه بسازد. این دقت در طراحی پرامپت همان چیزی است که خروجی حرفه‌ای را از خروجی معمولی جدا می‌کند.

مثال: «این‌بار به‌جای یک زنجیره، سه زنجیرهٔ پنج چرای موازی بساز که هرکدام یک علت ریشه‌ای متفاوت را دنبال کند، و در پایان بگو کدام ریشه محتمل‌تر است و چرا. نشانه: هزینهٔ جذب مشتری ماه‌به‌ماه بالا می‌رود.»

گام هشتم: ترکیب پنج چرا با تکنیک‌های دیگر

پنج چرا وقتی در کنار تکنیک‌های دیگر قرار بگیرد قوی‌تر می‌شود. می‌توانی اول با «وکیل شیطان» فرض‌هایت را به چالش بکشی، بعد با پنج چرا ریشه را پیدا کنی، و در آخر با یک «کالبدشکافی پیش‌مرگ» ریسک راه‌حل را بسنجی. همین ترکیب ساده، یک تحلیل سطحی را به یک جلسهٔ تصمیم‌گیری تمام‌عیار تبدیل می‌کند. برای شناخت بهتر ابزارها و شرکت‌های پشت این مدل‌ها هم می‌توانی مقالهٔ اوپن‌ای‌آی چیست را بخوانی.

نکتهٔ پایانی اینکه پنج چرا یک قالب خشک نیست؛ یک طرز فکر است. هرجا حس کردی داری نشانه را درمان می‌کنی، کافی است یک بار بپرسی «چرا؟» و بگذاری هوش مصنوعی بقیهٔ مسیر را با تو برود.

پرسش‌های پرتکرار

آیا حتماً باید دقیقاً پنج «چرا» بپرسم؟ نه. عدد پنج فقط یک راهنماست؛ مهم رسیدن به ریشه است، چه در سه «چرا» و چه در هفت تا. از مدل بخواه خودش تشخیص دهد کِی به ریشه رسیده‌اید.

اگر مدل وسط کار راه‌حل داد چه کنم؟ قاعدهٔ «تا رسیدن به ریشه هیچ راه‌حلی نده» را در پرامپت پررنگ‌تر کن و اگر باز هم عجله کرد، بنویس «هنوز نه، یک «چرا»ی دیگر بپرس».

پنج چرا برای چه نوع مشکل‌هایی خوب است؟ برای مشکل‌هایی که تکرار می‌شوند یا علت‌شان روشن نیست؛ از افت فروش و ریزش کاربر گرفته تا باگ‌های مکرر و تعارض‌های تیمی.