هوش مصنوعی و مدیریت دانش: دو روی یک سکه؟

با افزایش قدرت هوش مصنوعی (AI)، بزودی شاهد اثرات این فناوری در تمامی بخش‌ها و فعالیت‌های سازمانی از جمله مدیریت دانش (KM) خواهیم بود. وجه اشتراک هوش مصنوعی و مدیریت دانش، وجود هسته ‌مرکزی دانش است. به بیان دیگر، مدیریت دانش شرایطی را فراهم می‌کند تا درک دانش رخ دهد، در حالی که هوش مصنوعی قابلیت‌های گسترش، استفاده و ایجاد دانش را به روش‌هایی نوین و کارآمد فراهم می‌کند. جهت آشنایی بیشتر با ارتباط این دو حوزه، ابتدا یک معرفی اجمالی از ابعاد اساسی مدیریت دانش؛ ذخیره و بازیابی، به اشتراک‌گذاری و پیاده‌سازی دانش ارائه می‌دهیم. سپس نقش بالقوه هوش مصنوعی در هر یک از ابعاد را بررسی می‌نماییم. در نهایت به نمونه‌های کاربردی از برنامه‌های مدیریت دانش که از قدرت هوش مصنوعی بهره گرفته، اشاره می‌کنیم.

مدیریت دانش

مدیریت دانش (Knowledge Management) به مجموعه‌ای از روش‌های مربوط به ایجاد، اشتراک‌گذاری، استفاده و مدیریت دانش یک سازمان گفته می‌شود. به عبارت دیگر، مدیریت دانش یک رویکرد چند رشته‌ای برای دستیابی به اهداف سازمانی با استفاده بهینه از دانش می‌باشد.

پیشرفت‌های قابل توجه و سریع در فناوری‌های دیجیتال، سازمان‌ها را قادر ساخته تا داده‌های ساختاریافته و بدون ساختار را در مقیاسی عظیم جمع‌آوری، ذخیره و تجزیه و تحلیل کنند. بنابراین، مدیریت دانش کمک می‌کند تا به دیدگاه بهتری از نیازهای مشتری، عملیات تجاری و خدمات مشتری دست پیدا کنیم که می‌توان گفت بدون دسترسی به داده‌های بزرگ و تجزیه و تحلیل پیشرفته برای سازمان چندان امکانپذیر نخواهد بود. فعالیت‌های اصلی مدیریت دانش شامل ایجاد و کسب دانش، ذخیره‌سازی و فراخوانی آن، اشتراک‌گذاری و انتقال دانش و پیاده‌سازی و استفاده از آن، چهار بعدی است که تلاقی هوش مصنوعی و مدیریت دانش در آن‌ها اتفاق می‌افتد.

هوش مصنوعی و  ایجاد دانـش

فرآیند ایجاد دانش ممکن است گهگاه شامل توسعه ایده‌ها و راه‌حل‌ها از ابتدا باشد، اما اغلب به پیکربندی و یا ترکیب مجدد دانش پیش‌زمینه موجود می‌انجامد. این امر سازمان‌ها را قادر می‌سازد تا با موقعیت‌های جدید سازگار شوند. علاوه بر این، شرکت‌ها ممکن است دانش را از منابع خارجی کسب کنند. در نتیجه، ایجاد دانش ممکن است به شکل کسب دانش از طریق جستجو یا منبع‌یابی اطلاعات نیز باشد.

ایجاد دانش و هوش مصنوعی شرایط و قوانین مورد نیاز برای سیستم‌های مبتنی بر دانش را تعریف می‌کنند. سیستم‌های مبتنی بر دانش بر اساس فرآیند اولیه یافتن و مصاحبه با متخصصان و گرفتن دانش آنها از طرق مختلف عمل می‌نمایند. به عبارت دیگر، هر سازمانی با سرمایه‌گذاری روی مدیریت دانش سعی می‌کند تا دانش کارکنان خود را مکتوب و به بهترین نحو استفاده کند، فرآیندهای تجاری را مستند نماید، رویه‌های عملیاتی استاندارد خود را بیان کند، سوابق خود را ثبت کند و تمام اطلاعات مربوط به ارائه خدمات خود را در یک بستر یکپارچه جمع‌آوری کند. در این راستا، هوش مصنوعی جهت جستجوی راه‌حل‌های ممکن، استخراج اطلاعات پنهان در داده‌ها، ساخت مدل‌هایی از هوش انسانی و ساخت ماشین‌هایی که رفتار هوشمند انسان را شبیه‌سازی می‌کنند، مورد استفاده قرار می‌گیرد. برخی از کاربردهای هوش مصنوعی در این بخش از مدیریت دانش به شرح زیر می‌باشد:

– سیستم‌های هوش مصنوعی با بهره‌گیری از تکنیک‌های داده‌کاوی جهت توسعه محتوای جدید مورد استفاده قرار می‌گیرند. پیش‌بینی فروش و یا شناسایی الگوهای نهفته در بین داده‌ها توسط تکنیک‌های داده‌کاوی نمونه‌ای از کاربردهای هوش مصنوعی در این زمینه است.

– چت‌بات‌ها در تعامل با مشتریان و یا حتی کارکنان به منظور رسیدگی و پاسخگویی به درخواست‌های آنها، داده‌های جدیدی تولید می‌کنند که فرایند تبدیل دانش فردی به دانش سازمانی را تسهیل می‌نماید.

هوش مصنوعی در ذخیره‌سازی و فراخوانی دانش

یکی دیگر از وظایف کلیدی مدیریت دانش، ایجاد و حفظ حافظه سازمانی است که منابع دانشی تولید شده و اکتسابی را ردیابی می‌کند. استراتژی های ذخیره‌سازی و بازیابی موثر یکی از مکانیسم‌های اولیه برای حفظ حافظه سازمانی است. این فرآیند به طور خاص در استخراج دانش، صریح ساختن آن و در نهایت ثبت سیستماتیک آن برای استفاده‌های آتی، ملموس می‌گردد که اغلب از طریق مخازن دانش متمرکز بهره گفته می‌شود.

الگوریتم‌های خودآموز هوش مصنوعی مبتنی بر داده، امکانات جدیدی جهت جمع‌آوری، طبقه‌بندی، سازمان‌دهی، ذخیره‌سازی و بازیابی داده‌های (بزرگ) تولید شده در سازمان‌ها فراهم می‌کند که قبلاً تجزیه آن‌ها غیرقابل تحمل و دشوار بود. برای مثال، هوش مصنوعی می‌تواند سوابق قانونی قبلی مرتبط با یک مورد جدید را جستجو، سازماندهی و خلاصه کند.

کاربرد هوش مصنوعی در اشتراک‌گذاری دانش

توزیع دانش در سراسر سازمان، پیش‌نیاز بکارگیری مؤثر آن در حل مسئله و تصمیم‌گیری است. با این حال، به اشتراک‌گذاری دانش اغلب با موانع زمانی، مکانی و عملکردی مواجه است. در نتیجه، در بسیاری از سازمان‌ها، اشتراک دانش به صورت محلی و پراکنده اتفاق می‌افتد. هوش مصنوعی از دو طریق می تواند در شکستن این موانع سازمانی نقش داشته باشد: (1) با گرد هم آوردن افرادی که در زمینه مشابه کار می‌کنند ولی از منظر جغرافیایی با یکدیگر فاصله دارند. و (2) ایجاد سیستم‌های هماهنگ‌کننده مرتبط‌تر و یا توزیع موثر دانش با پیش‌بینی حوزه‌های دانشی در حال رشد و شناسایی حوزه‌های دانشی مناسب بر اساس تعامل کارمندان با محتوای مربوطه. به طور کلی کارکردهای هوش مصنوعی و مدیریت دانش در این زمینه را می‌توان در موارد زیر خلاصه کرد:

– هوش مصنوعی با استفاده از سیستم‌های پیشنهاددهنده، باعث می‌گردد اشتراگ‌کذاری دانش به درستی انجام شود.

– هوش مصنوعی با استفاده از الگوریتم‌های قدرتمند خود، روابط بین افراد و پروژه‌ها، اسناد و سایر اعضای تیم را کشف می‌کند.

– سیستم‌های مجهز به هوش مصنوعی می‌توانند بسیار در تسهیل کسب دانش وب، طبقه‌بندی سلسله مراتبی اسناد، جستجوی هوشمند و اشتراک‌گذاری دانش مبتنی بر وب مؤثر واقع شوند.

– چت‌بات‌ها با نظارت بر احساسات مشتریان جهت ارائه بازخورد در لحظه به متخصصان بازاریابی می‌تواند کمک شایان توجهی نماید.

هوش مصنوعی در پیاده‌سازی و استفاده از دانش

استفاده از دانش به عملی‌کردن آن پس از بازیابی یا اشتراک‌گذاری اشاره دارد که اغلب شامل بسته‌بندی مجدد منابع دانشی موجود (مثلاً مجموعه‌ای از بهترین شیوه‌ها) در راه‌حل‌های قابل اجرا یا ارائه محصولات و خدمات جدید در یک حوزه جدید است. با فراهم کردن دسترسی سریعتر و مؤثرتر به منابع دانشی و همچنین کدگذاری و خودکارسازی فرایندهای مربوطه به نیروی انسانی کمک می‌گردد که دانش تخصصی را راحتتر و سریعتر اعمال و ادغام کند. استفاده از دانش زمانی اتفاق می‌افتد که افراد از دانشی که دیگران در اختیار دارند بدون اینکه واقعاً آن دانش را کسب کنند، استفاده می‌کنند. این امر از طریق سیستم‌های خبره، سیستم‌های پشتیبان تصمیم‌گیری، سیستم‌های مشاور، سیستم‌های تشخیص عیب و به طور کلی در مواردی که معمولاً نیاز به مشورت با یک یا چند متخصص انسانی است، به دست می‌آید. برخی از اثرات هوش مصنوعی در این بخش از مدیریت دانش در ذیل اشاره شده است:

– هوش مصنوعی گراف‌های دانش را به عنوان یک ساختار داده قدرتمند ایجاد می‌کند که اطلاعات را در قالب گرافیکی نشان می‌دهد.

– فناوری هوش مصنوعی توسعه ابزارهای انتخاب و تجزیه و تحلیل را برای بهینه‌سازی پایگاه‌های داده با در نظر گرفتن منابع باز و ساختار ضعیف، مانند اینترنت، امکان پذیر می‌کند.

– هوش مصنوعی مدیریت سریع داده‌های بزرگ و ادغام در سیستم‌های مدیریت دانش را تضمین می‌کند.

– سیستم‌های هوش مصنوعی بر نتایج یادگیری نظارت می‌کنند و از آنها برای ایجاد دانش جدید استفاده می‌نمایند.

– سیستم‌های هوش مصنوعی فرآیندهای تصمیم‌گیری مبتنی بر شواهد را بهینه و تقویت می‌کنند.

نمونه‌هایی از برنامه های کاربردی مدیریت دانش مرتبط با هوش مصنوعی

برنامه‌های کاربردی هوش مصنوعی و مدیریت دانش را می‌توان در نمونه‌های زیادی در سطوح مختلف یافت. به عنوان نمونه، در بخش آموزش خودکارسازی وظایف اداری نظیر نمره‌دهی امتحانات و ارائه پاسخ به دانش‌آموزان، خودکارسازی طبقه‌بندی و پردازش مدارک، فراهم نمودن سیستم‌های آموزشی و محتوای هوشمند از جمله نمونه‌های هوش مصنوعی و مدیریت دانش است.

در تولید، تشخیص به موقع خرابی‌ها یا عیوب برای سازمان‌ها می‌تواند سود زیادی را به همراه داشته باشد. به عنوان مثال، جنرال موتورز از یک سیستم بینایی کامپیوتری برای تجزیه و تحلیل تصاویر دوربین‌های نصب شده روی ربات‌های مونتاژ استفاده می‌کند تا نشانه‌های اولیه خرابی قطعه رباتیک را تشخیص دهد، که به جلوگیری از وقوع هزینه‌های خرابی کمک می‌کند. BMW تصاویر اجزای خط تولید خود را برای شناسایی لحظه‌ای انحرافات از کیفیت استاندارد محصول تجزیه و تحلیل می‌کند. نیسان با حفظ تأثیر تغییرات در خودروهای موجود و سپس استفاده از این اطلاعات هنگام طراحی خودروهای جدید خود، مطابقت با مقررات جدید را تضمین می کند. اعمال بازخورد و یادگیری مرتبط با وظایف هوش مصنوعی که در بالا ذکر شد در یک سیستم مدیریت دانش، امکان شناسایی زود هنگام خرابی‌ها را به همراه دارد و یک رویکرد یکپارچه برای مدیریت دانش در تولید را فراهم می‌کند.

صنعت سلامت و پزشکی از هوش مصنوعی در بسیاری از برنامه‌ها استفاده می‌کند. با استفاده از رویکرد جامع AI-KM، بیمارستان‌های دانشگاه ژنو (HUG)، ارائه‌دهنده پیشرو مراقبت‌های بهداشتی سوئیس، از پیشنهادات سرطان‌شناسی دقیق IBM Watson Health به نام Watson Genomics® استفاده می‌کند. HUG از Watson Genomics برای دسته‌بندی سریع‌تر داده‌های کلان ژنومی (مربوط به ژنتیک) برای انواع مختلف سرطان و مقیاس انکولوژی دقیق برای بیماران خود استفاده می‌کند. انکولوژیست ها می توانند مراقبت‌های شخصی و مبتنی بر شواهد را به بیماران ارائه دهند. Watson Genomics® با استفاده از اطلاعات استخراج شده از مقالات بررسی شده و تأیید شده توسط متخصصان، گزارشی را برای پزشکان تهیه می‌کند که تغییرات ژنتیکی در تومور بیمار را طبقه بندی می‌کند و درمان‌های مرتبط و آزمایشات بالینی را برای موارد قابل عمل، ارائه می‌دهد.

تیم مدیریت دانش بانک جهانی فعالیت اصلی بانک و نیازهای برآورده نشده آن را مشخص کرد: استفاده مجدد از دانش موجود هنگام هدایت یک پروژه جدید. در طول سال‌ها بانک جهانی بیش از 22000 پروژه را اجرا کرده است. مرتب‌سازی دستی تمام اطلاعات از پروژه‌های مختلف و ارائه ده پروژه برتر مورد بررسی، همراه با مرتبط‌ترین اطلاعات و دانش در هر یک، فرآیندی طولانی است. بسته دانش پیش‌طراحی بانک جهانی (The World Bank Pre-design Knowledge Package) مجموعه‌ای از دانش است که از منابع متعدد جمع‌آوری شده است و بر جنبه‌های مختلف پروژه‌های گذشته از طریق رویکرد KM-AI تمرکز دارد. شناسایی دانش با استفاده از ترکیبی از الگوریتم‌های پیشرفته یادگیری ماشین بدون نظارت و مدیریت دانش دستی انجام شده است.