چرا مدیریت دانش برای موفقیت هوش مصنوعی ضروری است؟
ارائه زمینه مناسب برای پیادهسازی هوش مصنوعی می تواند دقت آن را بهبود بخشیده و خطاهای آن را کاهش دهد.
در میان همه بحثهایی که پیرامون چگونگی اثرگذاری هوش مصنوعی بر کارآمد کردن کارهای تکراری و روتین و افزایش بهرهوری کارکنان، خوب است به این موضوع بپردازیم که هوش مصنوعی چه کاری را نمیتواند انجام دهد؟
علیرغم نام آن، هوش مصنوعی مولد – نوعی از هوش مصنوعی که قادر به ایجاد تصاویر، کد، متن، موسیقی و هر چیز دیگری است – نمیتواند از هیچ، چیزی بسازد. مدلهای هوش مصنوعی برمبنای اطلاعاتی که به آنها داده میشود آموزش میبینند. در مورد مدلهای زبان بزرگ (LLM)، این دادهها حجم زیادی از متن را دربرمیگیرند. اگر هوش مصنوعی به ارائه اطلاعاتی دقیق، بهروز و سازماندهیشده آموزشدیده باشد، تمایل دارد پاسخهایی دقیق، بهروز و مرتبط را در اختیار کاربران قرار دهد. تحقیقات MIT[1] نشان داده است که با ادغام یک پایگاه دانشی در یک LLM خروجیها بهبود یافته و میزان خطا و ارائه اطلاعات نامعتبر کاهش پیدا میکند. این بدان معنی است که پیشرفتهای هوش مصنوعی و یادگیری ماشینی، نیاز به مدیریت دانش را به یک ضرورت بدل میسازد.
کیفیت درونی و کیفیت بیرونی
مدلهای زبان بزرگی که بر روی اطلاعات کهنه و ناقص بنا شدهاند، مستعد پاسخگویی برمبنای «توهمات» (نتایج نادرست، از کمی غیرنامعتبر تا کاملاً نامنسجم) هستند. توهمات به پاسخهای نادرست و اطلاعات نامعتبر در مورد اشخاص و رویدادها اطلاق میشود.
قاعده محاسباتی کلاسیک «آشغال در داخل، زباله بیرون» در مورد هوش مصنوعی مولد نیز صدق میکند. مدل هوش مصنوعی شما به دادههای آموزشی که به آن ارائه میدهید، بستگی دارد. اگر این دادهها کهنه، دارای ساختار ضعیف یا پر از حفره باشند، هوش مصنوعی شروع به اختراع پاسخهایی میکند که کاربران را گمراه میکند و به سردرگمی و هرجومرج در سازمان شما منجر میشود.
اجتناب از توهم مستلزم بهکارگیری مجموعهای از دانشها است که عبارتنداز:
- دقیق و قابلاعتماد و تأییدشده توسط کاربران آگاه
- بهروز و با قابلیت بهروزرسانی آسان با ظهور موارد جدید داده/ لبه
- زمینهای، به این معنی که زمینهای را که در آن راهحلها جستجو و ارائه میشوند در برمیگیرد
- به طور مستمر در حال بهبود و خودپایداری است
رویکرد مدیریت دانشی که امکان گفتگو و همکاری را تسهیل میکند، کیفیت پایگاه دانش شما را بهبود میبخشد. زیرا این امکان را در اختیار شما قرار میدهد که با همکاران خود به بررسی پاسخهای هوش مصنوعی پرداخته و روی اصلاح ساختارها و بهبود کیفیت پاسخها کار کنید. این تعامل بهعنوان شکلی از یادگیری تقویتی در هوش مصنوعی عمل میکند: انسانها در مورد کیفیت و دقت خروجی تولیدشده توسط هوش مصنوعی قضاوت میکرده و با این روش به بهبود هوش مصنوعی (و انسانها) کمک میکنند.
برای مطالعهی مقالات تخصصی مدیریت دانش به پایگاه دانش مراجعه فرمایید.
سؤالات درست بپرسید
در مدلهای زبان بزرگ، ساختار پرسشهای کاربران بر کیفیت نتایج تأثیر میگذارد. به همین دلیل است که مهندسی سریع – درک نحوه ساختار پرسشهای کاربران برای به دستیابی به بهترین پاسخ از یک هوش مصنوعی – هم بهعنوان یک مهارت حیاتی شناخته میشود و هم بهعنوان حوزهای که هوش مصنوعی مولد قادر است به هر دو طرف گفتگو کمک کند.
طبق گزارش Solution Path for Knowledge Management: «مهندسی سریع، بهعنوان عمل فرمولبندی یک دستورالعمل یا سؤال برای یک هوش مصنوعی، خواهناخواه به یک مهارت حیاتی تبدیل خواهد شد. تعامل با دستیاران هوشمند به روشی تکراری و محاورهای، توانایی دانشکاران را برای بهکارگیری هوش مصنوعی درراستای وظایف مدیریت دانشی و به اشتراکگذاری دانش بهدستآمده با همکاران انسانی خود بهبود میبخشد.
از هوش مصنوعی برای متمرکز کردن اشتراک دانش استفاده کنید
به دست آوردن و به اشتراکگذاری دانش برای یک سیستم مدیریت دانش پویا ضروری است. جمعآوری دانش و غنیسازی محتوا با کمک دستیاران هوش مصنوعی به شما کمک میکنند تا شیوههای یادگیری و اشتراکگذاری دانش را به کل سازمان معرفی کنید و آنها را با فرایندهای کاری روزمره ادغام و جاری کنید.
با ادغام هوش مصنوعی و نرمافزار مدیریت دانش میتوان یک تالار یا انجمن پرسش و پاسخی با یک منبع دائمی دانش ایجاد کنید. کاربران میتوانند یک سؤال مستقیم به این انجمن ارسال کنند و به پاسخها رأی مثبت یا منفی تعلق میگیرد و بهترین پاسخ بهعنوان پاسخ برتر پین میشود. همه سؤالاتی که پاسخ داده شده است، قابلیت جستجو دارند و میتوان آنها را مانند هر منبع دانشی دیگری دستهبندی کرد. این رویکرد دارای مزیت دیگری است و آن این است که به اشتراکگذاری دانش در محور آن قرار دارد.
بر اساس یکی دیگر از گزارشهای گارتنر با عنوان «ارزیابی چگونگی هوش مصنوعی مولد، میتواند تجربه توسعهدهنده را بهبود بخشد (ژوئن 2023)» تأکید شده است که سازمانها برای توسعه مولد با کمک هوش مصنوعی، روشهای اثباتشدهای مانند مهندسی سریع و رویکردهای اعتبارسنجی کد را مورد آزمایش قرار بدهند و به مجموعهای از ابزارهای کاربردی دست پیدا کنند. این گزارش همچنین توصیه میکند که سازمانها با یادگیری و بهکارگیری این ابزارها و موارد استفاده از آنها در فرآیندهای موردتأیید سازمان، از داشتن مهارتها و دانش لازم برای موفقیت در استفاده از هوش مصنوعی مولد اطمینان حاصل کنند.
به صخره پیچیدگی توجه کنید
ابزارهای هوش مصنوعی مولد برای توسعهدهندگان جدید و کارکنان باتجربهتری که به دنبال یادگیری مهارتهای جدید یا گسترش مهارتهای موجود هستند، عالی هستند. اما یک پرتگاه وجود دارد: پس از یک نقطه خاص، توانایی هوش مصنوعی برای مدیریت تفاوتهای ظریف محتوا، وابستگیهای متقابل و زمینه یک مشکل و راهحل آن کاهش مییابد.
به طور خلاصه مدلهای زبان بزرگ برای توسعهدهندگان هوش مصنوعی بسیار مفید هستند و به آنها اجازه میدهند کارهای بیشتری، را با سرعت بالاتری به انجام برسانند. این امر به معنای آزمودن زبانها و فناوریهای فراتر از منطقه امن آنها است. اما این مدلهای پیشرفته جایگزین خوبی برای توسعهدهندگان روزمره نیستند. این درست نقطهای است که شما به انسانها نیاز پیدا میکنید، تا با کمک استعداد آنها در تفکر اصیل و توانایی آنها برای اعمال قضاوت مبتنی بر تجربه به هدف خود دست پیدا کنید. شما یک استراتژی مدیریت دانش نیاز دارید که از قدرت عظیم هوش مصنوعی برای پالایش و اعتبارسنجی دانش ساخت بشر استفاده میکند.
منبع:
https://stackoverflow.blog/2023/07/06/why-knowledge-management-is-foundational-to-ai-success/
