مدیریت هوش مصنوعی چیست؟ | مدیریت هوش مصنوعی چگونه انجام می شود؟

مدیریت هوش مصنوعی (AI Management) چیست؟

مدیریت هوش مصنوعی مفهومی فراتر از طراحی و اجرای مدل‌های یادگیری ماشین است. این مفهوم به مجموعه‌ای از سیاست‌ها، فرآیندها، چارچوب‌ها و تصمیمات راهبردی اشاره دارد که سازمان‌ها برای هدایت، کنترل، پایش و بهینه‌سازی سرمایه‌گذاری‌های خود در حوزه هوش مصنوعی به کار می‌گیرند. مدیریت هوش مصنوعی کل چرخه عمر پروژه‌های AI را پوشش می‌دهد؛ از مرحله ایده‌پردازی و تعیین اهداف، تا توسعه، استقرار، ارزیابی مستمر و حتی بازطراحی یا کنارگذاری مدل‌ها.

در حقیقت، مدیریت هوش مصنوعی نقش واسطی میان قابلیت‌های فنی این فناوری و اهداف عملیاتی و راهبردی سازمان ایفا می‌کند. این رویکرد به دنبال پاسخ به پرسش‌های کلیدی است: چگونه می‌توان اطمینان یافت که پروژه‌های هوش مصنوعی در راستای اهداف کلان کسب‌وکار حرکت می‌کنند؟ چگونه می‌توان ریسک‌هایی مانند سوگیری الگوریتمی، تهدیدهای امنیتی و نقض حریم خصوصی را کنترل کرد؟ چگونه می‌توان ارزش واقعی و بازگشت سرمایه قابل اندازه‌گیری از پروژه‌های AI ایجاد کرد؟ و در نهایت، چگونه می‌توان استفاده‌ای اخلاق‌مدار و مسئولانه از هوش مصنوعی داشت؟

واقعیت این است که بسیاری از سازمان‌ها هنوز تعریف شفافی از «مدیریت» در حوزه هوش مصنوعی ندارند. تمرکز بیش از حد بر جذابیت‌های فنی و توانمندی‌های پیشرفته AI، بدون توجه به چارچوب‌های راهبری، می‌تواند منجر به پروژه‌هایی شود که یا از مسیر اهداف سازمانی منحرف می‌شوند، یا هزینه‌های قابل‌توجهی بدون دستاورد مشخص ایجاد می‌کنند. از این رو، درک صحیح و جامع از مفهوم مدیریت هوش مصنوعی، نخستین گام برای بهره‌برداری اثربخش از این فناوری محسوب می‌شود.

بیشتر بخوانید: یادگیری عمیق در کسب وکار چیست؟| کاربرد یادگیری عمیق در کسب وکار

مولفه های کلیدی مدیریت هوش مصنوعی در سازمان

یک نظام کارآمد برای مدیریت هوش مصنوعی، از مجموعه‌ای از مولفه‌های به‌هم‌پیوسته تشکیل می‌شود که در کنار هم، بستری پایدار برای توسعه و استفاده از AI فراهم می‌کنند:

استراتژی: تعیین چشم‌انداز، اهداف کلان و مسیر حرکت هوش مصنوعی در سازمان، به‌گونه‌ای که با اهداف بلندمدت کسب‌وکار همسو باشد. این مولفه شامل شناسایی فرصت‌ها، اولویت‌بندی پروژه‌ها و تخصیص هوشمندانه منابع است.

حاکمیت: طراحی چارچوب‌های سیاست‌گذاری، استانداردها و مسئولیت‌ها برای تصمیم‌گیری در حوزه هوش مصنوعی. حاکمیت مناسب به کاهش ریسک‌ها، افزایش شفافیت و انطباق با مقررات کمک می‌کند.

توسعه و پیاده‌سازی: مدیریت فرآیندهای فنی شامل جمع‌آوری و آماده‌سازی داده‌ها، انتخاب الگوریتم‌ها، آموزش مدل‌ها و ارزیابی عملکرد آن‌ها پیش از ورود به محیط عملیاتی.

استقرار و عملیات: انتقال مدل‌ها از محیط توسعه به فضای واقعی کسب‌وکار و نظارت بر عملکرد آن‌ها در طول زمان. این بخش با مفاهیمی مانند MLOps و مدیریت چرخه عمر مدل‌ها گره خورده است.

نظارت و ارزیابی: پایش مستمر خروجی‌ها و رفتار مدل‌های هوش مصنوعی، شناسایی انحرافات احتمالی و سنجش میزان تحقق اهداف کسب‌وکار به منظور بهبود مداوم.

اخلاق و مسئولیت‌پذیری: تضمین استفاده عادلانه، شفاف و ایمن از هوش مصنوعی و پیشگیری از تبعیض، سوگیری و پیامدهای ناخواسته اجتماعی یا سازمانی.

پیاده‌سازی صرف یک ابزار یا مدل هوش مصنوعی، تضمینی برای موفقیت نیست. بدون وجود استراتژی روشن، ساختار حاکمیتی مشخص و مکانیزم‌های نظارتی مستمر، پروژه های AI می‌توانند به منابعی پرهزینه و کم‌اثر تبدیل شوند. این مولفه‌ها به سازمان‌ها کمک می‌کنند تا از سرمایه‌گذاری‌های خود در هوش مصنوعی، نتایج پایدار و ارزشمند کسب کنند.

چرا مدیریت هوش مصنوعی برای کسب وکارها حیاتی است؟

در فضای رقابتی امروز، هوش مصنوعی دیگر محدود به شرکت‌های پیشرو یا صنایع خاص نیست؛ بلکه به‌سرعت در حال تبدیل شدن به یکی از ارکان اصلی رقابت‌پذیری در تمامی حوزه‌هاست. با این حال، ارزش واقعی هوش مصنوعی تنها زمانی محقق می‌شود که به‌درستی مدیریت شود. دلایل کلیدی اهمیت مدیریت هوش مصنوعی عبارت‌اند از:

همسویی با اهداف کسب وکار: بدون مدیریت، پروژه های AI ممکن است صرفاً بر اساس جذابیت فناوری انتخاب شوند، نه نیازهای واقعی سازمان. مدیریت تضمین می‌کند که هر پروژه هوش مصنوعی مستقیماً به تحقق اهداف استراتژیک مانند افزایش بهره‌وری، بهبود تجربه مشتری یا کاهش هزینه‌ها کمک کند.

کاهش ریسک ها: هوش مصنوعی با چالش هایی مانند سوگیری الگوریتمی، تهدیدهای امنیت داده و عدم شفافیت در تصمیم‌گیری همراه است. مدیریت هوش مصنوعی چارچوب‌هایی برای شناسایی و کنترل این ریسک‌ها فراهم می‌کند.

اطمینان از بازگشت سرمایه: پروژه های AI معمولاً هزینه‌بر هستند. مدیریت مؤثر به سازمان‌ها امکان می‌دهد ارزش تجاری واقعی این پروژه‌ها را اندازه‌گیری کرده، اولویت‌های درست را انتخاب کنند و از اتلاف منابع جلوگیری نمایند.

مقیاس پذیری و پایداری: یک رویکرد مدیریتی منسجم، موفقیت‌های اولیه هوش مصنوعی را به راهکارهایی قابل توسعه در سطح سازمان تبدیل می‌کند و امکان پشتیبانی و به‌روزرسانی آن‌ها را در بلندمدت فراهم می‌سازد.

تقویت نوآوری مستمر: مدیریت هوش مصنوعی صرفاً محدود به کنترل و نظارت نیست؛ بلکه بستر مناسبی برای آزمایش، یادگیری و نوآوری پیوسته ایجاد می‌کند و سازمان را قادر می‌سازد همگام با پیشرفت‌های سریع این حوزه حرکت کند.

در نهایت، پرسش اساسی این است: آیا سازمان ما از داده‌ها و توانمندی‌های هوش مصنوعی به شکلی هدفمند و اثربخش استفاده می‌کند؟ مدیریت هوش مصنوعی پاسخی نظام‌مند به این پرسش ارائه می‌دهد. در غیاب چنین مدیریتی، سازمان‌ها با خطر عقب‌ماندگی، اتلاف منابع و آسیب به اعتبار خود مواجه خواهند شد.

بیشتر بخوانید: مشاوره هوش مصنوعی

چارچوب ها و متدولوژی های مدیریت پروژه های هوش مصنوعی

پروژه های هوش مصنوعی از نظر ماهیت و شیوه اجرا، تفاوت‌های بنیادینی با پروژه‌های نرم‌افزاری سنتی دارند. ماهیت اکتشافی این پروژه‌ها، وابستگی شدید آن‌ها به داده، و سرعت بالای تغییر در الگوریتم‌ها، باعث می‌شود که استفاده از رویکردهای خطی و ثابت، کارایی لازم را نداشته باشد. از این رو، مدیریت پروژه‌های هوش مصنوعی نیازمند چارچوب‌ها و متدولوژی‌هایی انعطاف‌پذیر، تکرارشونده و تخصصی است.

تفاوت پروژه های هوش مصنوعی با پروژه های سنتی

در پروژه های نرم افزاری سنتی، معمولاً نیازمندی‌ها از ابتدا مشخص هستند و می‌توان فرآیند توسعه را به‌صورت خطی و مرحله به مرحله (مانند مدل آبشاری) پیش برد. اما در پروژه های هوش مصنوعی، مسئله اغلب در طول مسیر بهتر شناخته می‌شود. داده‌ها ممکن است ناقص، ناسازگار یا نیازمند پیش‌پردازش‌های پیچیده باشند و مدل‌ها نیز به تنظیمات و بازآموزی‌های مکرر نیاز داشته باشند. این ویژگی‌ها، پروژه‌های AI را به فرآیندی تکرارشونده با چرخه‌های بازخورد مستمر تبدیل می‌کند که مستلزم رویکردی چابک‌تر در مدیریت است.

متدولوژی‌های مناسب برای پروژه‌های هوش مصنوعی

۱. متدولوژی چابک (Agile)
رویکرد چابک با تمرکز بر تکرار، انعطاف‌پذیری و پاسخ سریع به تغییرات، تناسب بالایی با پروژه‌های هوش مصنوعی دارد. در این مدل، تیم‌ها می‌توانند در بازه‌های کوتاه زمانی، بخش‌هایی از مدل یا قابلیت‌های هوشمند را توسعه داده، آزمایش کنند و بر اساس بازخوردها آن‌ها را بهبود دهند. این رویکرد به‌ویژه در مراحل اولیه و اکتشافی پروژه بسیار اثربخش است.

۲. چارچوب CRISP-DM
CRISP-DM که در ابتدا برای پروژه‌های داده‌کاوی طراحی شده، شامل شش مرحله اصلی است: درک کسب‌وکار، درک داده، آماده‌سازی داده، مدل‌سازی، ارزیابی و استقرار. این چارچوب ساختاری منسجم برای مدیریت پروژه‌های هوش مصنوعی ارائه می‌دهد و به‌ویژه در بخش‌های مرتبط با داده و مدل‌سازی کاربرد بالایی دارد.

۳. MLOps
MLOps مجموعه‌ای از رویه‌ها و ابزارهاست که هدف آن، استقرار، پایش و نگهداری مدل‌های یادگیری ماشین در محیط عملیاتی به‌صورت پایدار و قابل اعتماد است. این رویکرد بر خودکارسازی فرآیندها، همکاری تیم‌های فنی و عملیاتی، و مدیریت چرخه عمر مدل‌ها تمرکز دارد و برای پروژه‌های هوش مصنوعی در مقیاس سازمانی ضروری است.

۴. رویکردهای ترکیبی
در بسیاری از سازمان‌ها، ترکیب چند متدولوژی بهترین نتیجه را به همراه دارد. به‌عنوان مثال، می‌توان از Agile برای مدیریت توسعه مدل‌ها، از CRISP-DM برای پوشش کامل مراحل پروژه و از اصول MLOps برای استقرار و نگهداری استفاده کرد.

بیشتر بخوانید: نقش هوش مصنوعی در مدیریت کسب و کار چیست؟

نقش تیم‌های چندوظیفه‌ای در پروژه‌های هوش مصنوعی

موفقیت پروژه های هوش مصنوعی به‌شدت وابسته به همکاری مؤثر میان تخصص‌های مختلف است. تیم‌های چندوظیفه‌ای که شامل دانشمندان داده، مهندسان هوش مصنوعی، تحلیل‌گران کسب‌وکار، خبرگان حوزه تخصصی و مدیران پروژه هستند، می‌توانند دیدگاه‌های متنوعی را در کنار هم قرار دهند. این تنوع، به درک عمیق‌تر مسئله، شناسایی بهتر سوگیری‌ها و طراحی راه‌حل‌های جامع‌تر کمک می‌کند.

این تیم‌ها نقش پل ارتباطی میان جنبه‌های فنی و عملیاتی را ایفا می‌کنند و اطمینان می‌دهند که هوش مصنوعی به‌درستی در فرآیندهای سازمانی ادغام شود.

حاکمیت، اخلاق و ریسک در مدیریت هوش مصنوعی چگونه است؟

قدرت بالای هوش مصنوعی، مسئولیت‌های قابل توجهی را نیز به همراه دارد. بی‌توجهی به ابعاد اخلاقی و حاکمیتی می‌تواند پیامدهای جدی و حتی جبران‌ناپذیری ایجاد کند. از این رو، مدیریت هوش مصنوعی باید این چالش‌ها را به‌صورت جدی و نظام‌مند پوشش دهد.

چالش‌های اخلاقی هوش مصنوعی

سوگیری (Bias):
مدل‌های هوش مصنوعی بر اساس داده‌ها آموزش می‌بینند. اگر داده‌ها دارای سوگیری‌های تاریخی یا اجتماعی باشند، مدل نیز این سوگیری‌ها را بازتولید یا تشدید می‌کند و ممکن است به تصمیم‌های ناعادلانه منجر شود.

شفافیت و قابلیت توضیح:
بسیاری از مدل‌های پیشرفته، به‌ویژه شبکه‌های عصبی عمیق، ماهیتی غیرشفاف دارند. دشواری در توضیح تصمیمات این مدل‌ها، اعتماد کاربران را کاهش داده و رفع خطاها را پیچیده می‌کند.

مسئولیت‌پذیری:
در صورت بروز خطا یا تبعیض، تعیین مسئولیت میان توسعه‌دهنده، سازمان استفاده‌کننده یا سیستم هوش مصنوعی، یک چالش اخلاقی و حقوقی مهم است.

حریم خصوصی:
استفاده از داده‌های حجیم و حساس، مدیریت دقیق حریم خصوصی و امنیت اطلاعات کاربران را به یک اولویت اساسی تبدیل می‌کند.

امنیت داده ها و مدل ها در مدیریت هوش مصنوعی

داده‌ها و مدل‌های هوش مصنوعی اهداف جذابی برای حملات سایبری هستند. حملاتی مانند دستکاری داده‌های آموزشی یا حملات خصمانه به مدل‌ها می‌تواند نتایج نادرست یا افشای اطلاعات حساس را در پی داشته باشد. بنابراین، مدیریت هوش مصنوعی باید شامل سیاست‌های امنیتی قوی و پیشگیرانه باشد.

تدوین چارچوب‌های حاکمیتی

حاکمیت هوش مصنوعی شامل مجموعه‌ای از سیاست‌ها و فرآیندها برای تضمین استفاده مسئولانه از این فناوری است، از جمله:

• سیاست‌های مدیریت داده

• استانداردهای توسعه و ارزیابی مدل

• فرآیندهای شناسایی و ارزیابی ریسک

• تعریف نقش‌ها و مسئولیت‌ها

• مکانیسم‌های نظارت و گزارش‌دهی

این چارچوب‌ها باید فراتر از صرفاً رعایت قوانین عمل کرده و به ایجاد فرهنگ مسئولیت‌پذیری در سازمان منجر شوند.

بیشتر بخوانید: نقش هوش مصنوعی در بازاریابی محتوا چیست؟

چگونه استراتژی هوش مصنوعی را در سازمان پیاده سازی کنیم؟

اجرای عملی مدیریت هوش مصنوعی نیازمند رویکردی مرحله‌ای و همسو با استراتژی کلان کسب‌وکار است. این فرآیند معمولاً شامل مراحل زیر است:

1. تعریف اهداف کسب‌وکار

2. شناسایی فرصت‌های کاربرد هوش مصنوعی

3. ارزیابی آمادگی سازمان

4. اولویت‌بندی پروژه‌ها

5. تدوین نقشه راه اجرایی

شناسایی فرصت‌ها و اولویت‌بندی

حوزه‌هایی مانند شخصی‌سازی تجربه مشتری، بهبود خدمات پشتیبانی، بهینه‌سازی عملیات، اتوماسیون فرآیندها و تحلیل پیشرفته داده‌ها، از رایج‌ترین فرصت‌های کاربرد هوش مصنوعی هستند. پروژه‌هایی که بازگشت سرمایه بالاتر، ریسک کمتر و همسویی بیشتری با اهداف استراتژیک دارند، باید در اولویت قرار گیرند.

شروع با پروژه‌های کوچک (Quick Wins)

آغاز مسیر با پروژه‌های کوچک و قابل مدیریت، مزایایی مانند کاهش ریسک، یادگیری سریع، ایجاد انگیزه در تیم‌ها و اثبات ارزش تجاری هوش مصنوعی را به همراه دارد.

آینده مدیریت هوش مصنوعی در کسب‌وکارها چگونه خواهد بود؟

تجربه پروژه‌های گذشته نشان می‌دهد که موفقیت در هوش مصنوعی به عواملی مانند همسویی با اهداف کسب‌وکار، کیفیت داده‌ها، تیم‌های توانمند، رویکرد تکرارشونده و مدیریت شفاف ریسک وابسته است. در مقابل، عدم وضوح اهداف، تمرکز صرف بر فناوری و نادیده گرفتن ابعاد اخلاقی، از دلایل اصلی شکست پروژه‌ها هستند.

نقش فرهنگ سازمانی

فرهنگ مبتنی بر نوآوری، یادگیری مستمر و پذیرش تغییر، نقش تعیین‌کننده‌ای در موفقیت پروژه‌های هوش مصنوعی دارد. آموزش، ارتباط شفاف و مشارکت کارکنان، کلید غلبه بر مقاومت‌های فرهنگی است.

نقش فرهنگ سازمانی در پذیرش هوش مصنوعی

فرهنگ سازمانی نقشی حیاتی در موفقیت یا شکست پروژه‌های هوش مصنوعی ایفا می‌کند. سازمانی که فرهنگ آن مبتنی بر نوآوری، یادگیری مستمر، همکاری و پذیرش تغییر است، آمادگی بیشتری برای پذیرش هوش مصنوعی دارد. ترس از دست دادن شغل به دلیل اتوماسیون، مقاومت در برابر داده‌محور شدن تصمیم‌گیری‌ها، یا عدم تمایل به اشتراک‌گذاری دانش، همگی موانع فرهنگی هستند که باید با مدیریت صحیح از میان برداشته شوند. آموزش، ارتباط شفاف و درگیر کردن کارکنان در فرآیند، می‌تواند به غلبه بر این چالش‌ها کمک کند.

بیشتر بخوانید: انقلاب هوش مصنوعی در بینش مشتری چگونه است؟

آماده‌سازی برای آینده با هوش مصنوعی

آینده، آینده‌ای است که در آن هوش مصنوعی نقش پررنگ‌تری در تمامی ابعاد زندگی ما خواهد داشت. سازمان‌ها باید نه تنها برای استفاده از ابزارهای هوش مصنوعی، بلکه برای همزیستی و همکاری مؤثر با آن‌ها آماده شوند. این آماده‌سازی شامل موارد زیر است:

• توسعه مهارت‌های جدید: آموزش کارکنان برای کار با سیستم‌های هوشمند و توسعه مهارت‌هایی که هوش مصنوعی قادر به جایگزینی آن‌ها نیست (مانند خلاقیت، هوش هیجانی، تفکر انتقادی).
• ایجاد زیرساخت‌های انعطاف‌پذیر: اطمینان از اینکه زیرساخت‌های فنی سازمان قادر به پشتیبانی از حجم فزاینده داده‌ها و پردازش‌های هوش مصنوعی هستند.
• تقویت چارچوب‌های اخلاقی و حاکمیتی: تدوین و به‌روزرسانی مداوم سیاست‌ها برای اطمینان از استفاده مسئولانه از هوش مصنوعی.
• پرورش فرهنگ یادگیری مستمر: تشویق به اکتشاف مداوم قابلیت‌های جدید هوش مصنوعی و انطباق با تغییرات.

شاید، آینده، مدیریتی ترکیبی از هوش انسان و ماشین باشد؛ جایی که انسان‌ها بر جنبه‌های استراتژیک، خلاقانه و اخلاقی تمرکز می‌کنند و ماشین‌ها وظایف تحلیلی، تکراری و محاسباتی را بر عهده می‌گیرند. مدیریت هوش مصنوعی، کلید دستیابی به این هم‌افزایی مؤثر خواهد بود.

مثال های کاربردی از مدیریت هوش مصنوعی در صنایع مختلف

مثال 1: خرده‌فروشی آنلاین یک پلتفرم آنلاین با شخصی‌سازی توصیه محصولات بر اساس تاریخچه بازدید و خرید هر کاربر، نرخ تعامل کاربران را تا 30% افزایش داد. این امر نیازمند مدیریتی دقیق برای اطمینان از صحت داده‌ها، به‌روزرسانی مداوم الگوریتم‌ها و مدیریت حریم خصوصی کاربران بود. تیم مدیریت هوش مصنوعی باید اطمینان حاصل می‌کرد که الگوریتم‌ها سوگیری ندارند و پیشنهادات واقعاً مرتبط با علاقه مشتری هستند

مثال 2: خدمات مخابراتی یک شرکت مخابراتی با پیاده‌سازی چت‌بات‌های هوشمند، زمان پاسخگویی به مشتریان را به کمتر از 30 ثانیه کاهش داد و نرخ حل مشکل در اولین تماس را افزایش داد. مدیریت این پروژه شامل آموزش مداوم چت‌بات برای درک بهتر سوالات پیچیده، نظارت بر رضایت مشتری از طریق بازخوردها، و تعیین معیارهایی برای سنجش اثربخشی آن بود.

مثال 3: نرم‌افزار به عنوان سرویس (SaaS) یک شرکت SaaS با استفاده از ابزارهای بهینه‌سازی خودکار کمپین‌های تبلیغاتی مبتنی بر هوش مصنوعی، هزینه هر جذب مشتری (CPA) خود را 20% کاهش داد. این موفقیت مدیریتی نیازمند درک عمیق از داده‌های بازاریابی، تنظیمات هوشمندانه پارامترهای الگوریتم، و پایش مستمر عملکرد کمپین‌ها بود. تیم مدیریت باید اطمینان حاصل می‌کرد که الگوریتم‌ها فقط بر اساس معیارهای سودآوری بهینه نمی‌شوند، بلکه با اهداف کلی برندینگ نیز همسو هستند. این مثال‌ها نشان می‌دهند که چگونه مدیریت مؤثر هوش مصنوعی می‌تواند به نتایج ملموس و قابل اندازه‌گیری منجر شود.

نتیجه گیری

مدیریت هوش مصنوعی فرآیندی مستمر و راهبردی است که به سازمان‌ها کمک می‌کند از این فناوری به‌صورت مؤثر، اخلاقی و پایدار استفاده کنند. تدوین استراتژی روشن، ایجاد چارچوب‌های حاکمیتی، شروع با پروژه‌های کوچک و تمرکز بر فرهنگ سازمانی، از مهم‌ترین عوامل موفقیت در این مسیر هستند.

چک‌لیست عملی مدیران

• تعریف اهداف روشن

• شناسایی فرصت‌های ارزش‌آفرین

• تدوین نقشه راه

• تشکیل تیم‌های چندوظیفه‌ای

• شروع با Quick Wins

• ایجاد چارچوب حاکمیتی و اخلاقی

• تضمین کیفیت داده‌ها

• فرهنگ‌سازی و آموزش

• نظارت و ارزیابی مستمر

• یادگیری و به‌روزرسانی مداوم

مدیریت هوش مصنوعی، سفری بلندمدت است که با نگاه استراتژیک و انسانی، می‌تواند سازمان‌ها را به آینده‌ای هوشمندتر و پایدارتر هدایت کند.

جهت ارتقاء سطح کیفی مقالات و تکمیل مباحث مربوط لطفا نظرات و دیدگاههای خود را در پایان این مقاله درج کنید، همچنین چند مقاله مرتبط با موضوع مدیریت هوش مصنوعی  برای مخاطبان سایت شریف استراتژی به اشتراک گذاشته شده است. شما میتوانید با ارائه درخواست مشاوره از طریق ارسال فرم، مشاوره رایگان در خصوص کسب و کار خود دریافت نمایید. پس از ارسال درخواست، کارشناسان شریف استراتژی در اسرع وقت با شما تماس خواهند گرفت.