در طی قرنها دانش بهصورت مکتوب و ازطریق کارآموزی به دیگران منتقل میشد. بهطورکلی در گذشته آموزش، آموزش رسمی، تجربه فرهنگی و آموزههای عامیانه راههای عمده انتقال دانش بودند. بعد از پیوند مدیریت دانش با ابزارهای دیجیتال، ابزارهای همکاری اولیهای مانند بحثهای آنلاین، تابلوهای اعلانات و همچنین خدمات شرکتهای «گروهافزار» مانند Lotus Notes و SharePoint، توسط مدیریت دانش درجهت انتقال اطلاعات و دانش به کار گرفته شدند. بااینحال، نیاز بهاشتراکگذاری دانش و تخصص کارکنان مدتها قبل از آن احساس شده و روشهایی برای این منظور پیشبینی شده بود. در سال 1968، مفاهیم مرتبط با محاسبات شخصی مطرح شد که بعدها توسط زیراکس پارک شرح داده شده و توسط اپل تجاری شدند. میتوان گفت مدیریت دانش در این زمان مجدداً احیا شد؛ زیرا با به خدمت گرفتن هوش مصنوعی قابلیتهای خود را نشان داد و ارزش آن به طور فزایندهای شناخته شد.
«ما به مدیریت دانش و اطلاعات آنلاین دقیقتر و گستردهتری نیاز داریم.» این نقلقول بیانگر مشکلی بود که یکی از مشتریان من در اوایل دهه 90، زمانی که شرکتم را راهاندازی کردم عنوان کرد و حق با او بود. در آن زمان آنچه درمورد دسترسی گسترده به دانشِ جهانی گفته میشد، هنوز فاصله زیادی با واقعیت داشت اما حجم روبهانفجار محتوا و اطلاعات انباشتهشده در اینترانت شرکتها و وبها مکانیزمی را میطلبید که تمامی کارکنان بهآسانی و به شکلی جامع به این اطلاعات دسترسی داشته باشند. چندی بعد آیبیام و لوتوس با Discovery Server عرضه شدند که محتوا را فهرستبندی میکرد تا امکان بازیابی و مکانیابی تخصصی اطلاعات فراهم شود. اما این ابزار به IBM Omnifind که نوعی پلتفرم جستجوی سازمانی است تبدیل شد و مدیریت دانش در محاسبات شناختی (واتسون) مورداستفاده قرار گرفت.
وابستگی هوش مصنوعی به دانش
منطقی است که مجموعهای از فناوریهای شناختی مانند واتسون با مدیریت دانش آغاز شدند. عبارتِ «محاسبات شناختی» یک کامپیوتر دارایِ ذهن را به ذهن متبادر میسازد. درحالیکه این عبارت، یک استعاره است؛ چراکه کامپیوترها، هرچقدر هم که پیچیده باشند، بهجای انسان فکر نمیکنند، بلکه تنها از فرآیندهای شناختی ذهن انسان پشتیبانی میکنند. درواقع هوش مصنوعی مقداری از «بارِ شناختی» را از دوش انسان برمیدارد. این موضوع به ما کمک میکند تا اطلاعات را با سرعتی بیشتر و با کار ذهنی کمتری پردازش کرده و درصورت نیاز با حاضر کردن سریع اطلاعات، دست به تصمیمگیری بزنیم. «اطلاعات درست، در زمان مناسب برای شخص مناسب» که سالها شعار مدیریت دانش بوده است، همان هدفی است که امروزه الگوریتمهای شخصیسازی و توصیهگر[1] دنبال میکنند.
هر کاری که یک سازمان انجام میدهد بر اساس جریان دانش در آن سازمان است. آنها دانش و اطلاعات را میگیرند و دانش و اطلاعات تولید میکنند. بهعبارتدیگر، محصولات سازمانها عبارتاند از مواد اولیه بهعلاوه دانش. محصولاتی که امروزه توسعه مییابند، صرفنظر از صنایع آنها، نسبت به محصولاتی که چند سال پیش تولید شدهاند، محصول دانش فشردهتری هستند و از مواد فیزیکی کمتری نیز استفاده میکنند.
هوش مصنوعی و یادگیری ماشینی از چه راهی به مدیریت دانش و اطلاعات کمک میکنند؟
سالهاست که من درمورد ساختارهای دانشی حرف میزنیم که برای پشتیبانی از هوش مصنوعی به آنها نیاز داریم. در مقالهای که چندین سال پیش نوشته شد، یادآوری کردم که هوش مصنوعی نیازمند رویکردی خودآگاهانه به معماری اطلاعات است. فرض این است: «هوش مصنوعی بدون AI وجود ندارد» (هوش مصنوعی بدون معماری اطلاعات وجود ندارد.) من در طی این سالها تحقیق گستردهای روی برنامههایی که فرض میشد مبتنی بر «هوش مصنوعی» بودند، بهویژه برنامههایی مانند رباتها و دستیاران مجازی که به حوزه شناخت مرتبط هستند و در مراکز تماس و اتوماسیون خدمات مشتری به کار گرفته میشوند انجام دادهام. با نظرخواهی از بهکارگیرندگان این ابزارها به این نتیجه رسیدم که تنها چیزی که آنها میدانستند این بود که «شما حتی نیازی به تعریف مشکلی که باید حل شود ندارید.» اما پاسخ موردعلاقه من این بود: «اوه، مشتری یک پایگاه دانش دارد» واقعاً؟ مشتری پایگاه دانش دارد؟ در حقیقت مشکل اصلی ما در جای دیگری ریشه دارد: منبع دانش.
هوش مصنوعی جای خالی اطلاعات را پر نمیکند
هوش مصنوعی اساساً با طبقهبندی اطلاعات سروکار دارد. الگوریتمهای هوش مصنوعی سیگنالها را طبقهبندی میکنند تا آنها را از نویزها جدا کنند. تشخیص تصویر، این یکی تصویر را بهعنوان تصویر گربه و آنیکی را بهعنوان تصویر سگ طبقهبندی میکند. این اشعه ایکس بهعنوان سرطان یا غیر سرطان طبقهبندی میشود. قطعات خودرو یا باکیفیت و یا معیوب هستند. دستیارهای شناختی هوش مصنوعی ابتدا هر تغییر عبارت یا هر سیگنال را بهعنوان یک هدف طبقهبندی میکنند و سپس از آن سیگنال برای بازیابی اطلاعات منطبق استفاده میکنند. بهعبارتدیگر محتواها بهعنوان پاسخ مناسب به آن سیگنال طبقهبندیی میشود. بااینحال، هوش مصنوعی نمیتواند ارزش یک محتوا را قضاوت کند. بهعبارتدیگر هوش مصنوعی نمیتواند محتوایی را از پایه اصلاح کند.
اگر اطلاعاتی وجود نداشته باشد، هوش مصنوعی نمیتواند جای خالی آن را پر کند. هوش مصنوعی میتواند ازطریق نمایهسازی نیمهخودکار به بهبود، تنظیم و برچسبگذاری محتوا کمک کند، اما در ابتدا به معماری اطلاعات و دادههای مرجع نیاز داریم. راهحل مشکلات درواقع هستیشناسی اطلاعات و طبقهبندی آنهاست؛ همان چیزی که داربست دانش شرکت است. برای اینکه هوش مصنوعی بتواند روح کسبوکاری را درک کند، به یک ساختار نیاز دارد. آن روح شامل مشکلات، راهحلها، نقشها، فرآیندها، پرسشها، پاسخها، موضوعات، انواع محتواها، انواع مشتریان، دستههای محصول، انواع تجهیزات، ویژگیها، مناطق، حوزههای مهارت، حوزههای تحقیقاتی و هر مفهوم دیگری است که کسبوکار در عملیات خود از آن استفاده میکند. برای اینکه هوش مصنوعی عمل کند، باید همه این موارد بهخوبی تعریف و ترسیم شوند.
مشکل دانش
دستیاران شناختی به دنبال پاسخ به سؤالات و ارائه اطلاعات مناسب برای پشتیبانی از وظایف خاص و تعریفشده شناختی هستند. اما اطلاعات از کجا میآید؟ همه آن چیزهایی که برای تربیت ذهن انسان لازم است، برای تربیت دستیاران مجازی نیز لازم است. بااینحال خلق دانش فرآیندی منحصراً انسانی است و از بهکارگیری خلاقانه تجارب و تخصص انسان برای حل مشکلات ناشی میشود. هنگامی که مهندسان محصول منحصربهفردی طراحی میکنند، باید ویژگیها و عملکردها، روشهای نصب و راهنماها و محتوایی را که مشتریان و نمایندگیهای خدمات صحرایی یا مراکز تماس برای انجام وظایف خود به آن نیاز دارند را پشتیبانی کنند. در سازمان مقدار زیادی دانش به اشکالی مانند فرآیندها، رویهها، گردش کار، طراحی سیستم، نرمافزار، مواد مرجع، محتوای آموزشی، ارائهها، مقالههای سفید، روششناسی، الگوها، نمونهها و سایر کیفیتهای بالا مدون شده است که برای این منظور به کار گرفته میشوند؛ داراییهای دانشی بسیار ارزشمندی که مزیت رقابتی سازمان را تشکیل میدهد. شرکتها برای رقابت با همدیگر به دانش خود تکیه میکنند. این دانش، بخشی از وظایف شغلی کارکنان است، آنها در طی سالها نیازهای مشتری، نحوه برقراری ارتباط با مشتریان و آنچه در بین مخاطبان مختلف طنینانداز میشود را یاد میگیرند.
با گذشت زمان، سازمانها یاد میگیرند که چگونه بهترین خدمات را به مشتریان ارائه دهند، چگونه از رقبا متمایز شوند، چگونه در انتخاب محصولات به مشتریان کمک کنند، چگونه از دانش خود استفاده کرده و بیشترین بهره را از آن ببرند، چگونه محصولات خود را تعمیر و نگهداری کنند، چگونه آنها را ارتقا دهند، جایگزین کنند و غیره؛ بنابراین با گذشت زمان حجم بالایی از دانش در سازمان گرد آمده است؛ از نحوه تهیه قطعات و مواد اولیه گرفته تا بهترین راههای تولید، جابهجایی یا حملونقل کالاهای نهایی، زنجیره تأمین فیزیکی به طور جداییناپذیری به زنجیره تأمین دانش اتصال پیدا میکند.
در دوران پیش از دیجیتال، دانش موردنیاز کارکنان مستقیماً از سایر کارکنان یا مطالب مکتوب سرچشمه میگرفت. در دنیای دیجیتال امروزی، اکثر مردم بهخوبی با محصولات و گزینههای تهیه محصولات آشنا هستند، زیرا اطلاعات بهراحتی در دسترس آنها است. هنوز نقشی برای انسانها وجود دارد، اما این نقش، همانند گذشته ارائه آموزشهای اولیه نیست. یک بحران دانشی در حال ظهور در میان شرکتها وجود دارد و آن این است که تخصص انسانی در حال کمیاب شدن است. در بسیاری از موارد، تخصص و تسلط در یک حوزه به سالها تجربه نیاز دارد. کارکنان برای گذشتن از این مرحله نهتنها نسبت به گذشته صبر کمتری دارند، بلکه نیروی انسانی کمتری وارد سازمانها میشود که با سپری کردن ده یا بیست سال در آن صنعت، اندوختهای از دانش و تجربه گرد آورد. بهعبارت دیگر حجم کلی اطلاعات سازمان نسبت به گذشته چندان زیاد نیست. خوشبختانه، برنامهها و محصولات طراحیشده نسبت به گذشته تخصصیتر شدهاند، بنابراین سرویسدهی به کارکنان آسانتر و کارکرد برنامهها شفافتر است. بااینحال، برای انجام موفقیتآمیز این کار، لازم است ضمن مدیریت دانش و اطلاعات سازمان، قبل از بازنشستگی کارکنان یا تغییر شغل آنها و ترک موقیت فعلی خود به یک سازمان یا صنعت دیگر، تخصص آنها ثبت و مستند شود.
روزبهروز خدمات بیشتر و بیشتری از طریق کانالهای دیجیتال فعال میشوند، زیرا فناوریها، برخلاف تخصص انسانی، بهخوبی گسترش مییابند. اما باز هم دانشِ توسعه این فناوریها از کجا میآید؟ دانش باید بهگونهای جمعآوری و ساختارمند شود که ماشینهای دیجیتالی سازمان بتوانند از آن در یک زمینه خاص استفاده کنند و به کاربران خدمات بدهند. برای این منظور دفترچه راهنمای خدمات جامع باید تکهتکه شده و به اجزای کوچکتر تقسیمبندی شود تا امکان دسترسی آسان و مستقیم به اطلاعات موردنیاز برای پاسخ به یک سؤال مشخص فراهم شود. سالها پیش، در هنگام مراجعه به یک راهنمای خدمات بیمه پزشکی برای رسیدگی به خسارتها، پیدا کردن آنچه دقیقاً مدنظر بود کار دشواری بود. برای مثال اطلاعات مربوط به سیاست ادعاها در اسناد 300 صفحهای دفن شده بود. هنگامی که کارکنان بهدنبال اطلاعات خاصی میگردند نمیخواهند با صدها نتیجه جستجو روبرو شوند و سپس یکی از آنها را باز کنند که به نوبه خود یک سند 300 صفحهای است. آنها فقط جواب میخواهند! به همین دلیل است که قطعهقطعه کردن محتوا برای یک انسان بسیار مفید است و همان ساختاری که به انسان اجازه میدهد به یک سؤال پاسخ دهد، به یک ربات اجازه میدهد به یک سؤال پاسخ دهد. مزیت اطلاعاتی که بهخوبی سازماندهی شده و قابلجستجو باشند و بهطورکلی مدیریت دانش و اطلاعات همین است.
علاوهبراین، دانش طبقهبندیشده برای شخصیسازی اطلاعات نیز ضروری است. با ترکیب مجدد تکههای پیام و اجزای مختلف دانش میتوان آن را با تغییراتی جزئی به کاربران مختلف ارائه کرد. الگوریتمهای یادگیری ماشینی میتوانند انواع محتوا را برای مخاطبان و زمینههای خاص دانشی با دقت بیشتری تنظیم کنند. یک سازمان بزرگ فناوری، روزانه در زمینههای مختلفی مانند عملکرد سازمان در جنبههای مختلف بازاریابی، خدمات، پشتیبانی، تجارت الکترونیک، توسعه محصول و فرآیندهای داخلی که این تجربیات را امکانپذیر میسازد، خدمات دانشی ارائه میدهد. در این مقیاس، با دریافت سیگنالهای دیگری از کاربران، فرآیندهای خودکار قادر خواهند بود تا برای هریک از کارکنان پاسخی دقیق برپایه اطلاعاتی شخصی بهدستآمده از آنها فراهم آورند. صنعت، تجهیزاتِ تحت مالکیت، تنظیمات، تخصص فنی و سایر سیگنالهای ضعیف را میتوان با استفاده از طبقهبندی اطلاعات و ساختارمند کردن دانش، به همدیگر مرتبط کرد و به دیگران کمک کرد تا در شرایط مشابه با سهولت بیشتری اطلاعات را دستهبندی کنند. نکته این است که محتوا از نظر هوش مصنوعی، صرفاً یک محتوا است و ناگفته نماند که هرچند دستیاران مجازی در ساخت مواد آموزشی، انجام عملیاتی کامل ضرورت دارد، اما همین نظم و انضباطی که هوش مصنوعی رقم میزند، استفاده از اطلاعات و محتوا را برای همه آسانتر میکند و ضمن حل کردن مشکلات امروز، مسیر آینده را هموار میسازد.
منبع:
[1] سیستم توصیهگر یا پیشنهادگر (واژه سیستم گاهی با واژه های مترادفی مثل؛ «پلتفرم» یا «موتور» جایگزین میشود) زیرمجموعهای از سامانه پالایش اطلاعات است که بهدنبال پیشبینی «امتیاز» یا «اولویتیم» است، که کاربر به یک آیتم (داده، اطلاعات، کالا و …) خواهد داد. در سالهای اخیر سیستمهای توصیهگر بسیار متداول شده و در حوزههای مختلفی مورد استفاده قرار گرفتهاند. برخی از کاربردهای معروف آن در موارد زیر است: فیلمهای سینمایی، موسیقی، اخبار، کتابها، مقالات تحقیقاتی، جستوجوی پرسشها، تگهای اجتماعی و غالب محصولات. علاوهبراین سیستمهای توصیهگر برای؛ متخصصان، گروههای همکاران، طنزپردازیها، رستورانها، خدمات مالی، بیمه عمر، مسائل عاطفی (قرار و مدارهای آنلاین) و صفحات تویتر معمولاً سیستمهای توصیه گر، لیستی از پیشنهادات را به یکی از دو صورت زیر ارائه میدهند: ازطریق پالایش گروهی و محتوامحور (Collaborative and Content-based filtering) یا رهیافت شخصیتمحور (Personality-based approach)