در این مطلب به بررسی مدیریت دانش در عصر ماشین‌های هوشمند می‌پردازیم.
از سال 2012 تا به امروز، هر ساله گردهمایی مدیریت دانش جهانی در واشنگتن اجرا می‌گردد. در نوامبر سال 2019 در سخرانی اصلی این گردهمایی با موضوع مدیریت دانش در عصر ماشین‌های هوشمند، در مورد نیاز به تنوغ افکار و اندیشه در توسعه الگوریتم برنامه‌های یادگیری ماشین بحث شد.
قدرتی که مدیریت دانش برای یک سازمان به ارمغان می‌آورد، توانایی در استفاده از تنوع است. فقط از تنوع نژاد، جنسیت و یا دین صحبت نمی کنیم، موضوعی که بر آن تاکید داریم تنوع اندیشه است. تاکید بر اهمیت نظرات مختلف، تجارب مختلف و زمینه‌های مختلف فرهنگی برای تحریک تنوع اندیشه به منظور همکاری، اشتراک دانش و استفاده مجدد از دانش، بسیار مهم است. این تنوع فکری منجر به نوآوری در سازمان می‌شود. نوآوری سازمانها را قادر می‌سازد تا محصولات و خدمات منحصر به فرد یا بهبود یافته را به مشتریان خود ارائه دهند و همچنین شیوه کار سازمان را بهبود بخشند.
تنوع افکار امروزه توسط شرکت‌ها برای حمایت از تنوع در هیئت مدیره‌هاشان اعمال می‌شود، مورد تشویق و استفاده قرار می‌گیرد. این مهم از طریق برنامه‌های اقدام مثبت (Affirmative Action)، برای ترویج نیروی کار متنوع، و از طریق تعداد بی شماری از سازمانها که متوجه هستند تنوع اندیشه همه چیز را- از سیستم آموزشی گرفته، تا سیستم مراقبت‌های بهداشتی، ایجاد مشاغل جدید و نحوه همکاری رهبران ما را بهبود می‌بخشد- صورت می‌پذیرد. نیاز به تنوع اندیشه، همانندکاتالیزوری برای فرهنگ ما است تا شیوه زندگی، کار ما را بهبود بخشد.
همچنین، در گردهمایی سال 2019 مدیریت دانش جهانی این مسئله مطرح شد که ماشین های هوشمند در همه موارد جایگزین انسان در انجام وظایف نیستند، بلکه باعث تقویت یا کمک به انسان در انجام امور می‌شوند. ماشین‌های هوشمند شامل ربات‌ها، اتومبیل‌های خودران و سایر سیستم‌های محاسبات شناختی هستند که برای کار کردن بدون دخالت انسان طراحی شده‌اند. بسیاری از ماشین‌های هوشمند می‌توانند در انجام یک کار جای انسان را بگیرند. به عنوان مثال ربات‌های خودکار در تاسیسات تولیدی می‌تواند جایگزین کارگران انسانی شود. اما برخی از ماشین‌های هوشمند، مانند آنهایی که برای تشخیص بیماری‌ها و توصیه بهترین روش‌های درمانی استفاده می‌شوند ، برای انسانها کار می‌کنند نه به جای آن‌ها.
یک شرکت تحقیقات فناوری به نام Gartner Inc پیش‌بینی کرده است که ماشین های هوشمند تا سال 2021 وارد جریان اصلی کسب و کار می‌شوند. این شرکت محاسبات شناختی، هوش مصنوعی، اتوماسیون هوشمند، یادگیری ماشین و یادگیری عمیق را زیر چتر ماشین‌های هوشمند قرار می‌دهد.
یادگیری ماشین، مطالعه‌ی علمی الگوریتم‌ها و مدل‌های آماری مورد استفاده‌ی سیستم‌های کامپیوتری است که بجای استفاده از دستورالعمل‌های واضح از الگوها و استنباط برای انجام وظایف سود می‌برند. به عنوان زیر مجموعه‌ای از هوش مصنوعی، الگوریتم‌های یادگیری ماشین یک مدل ریاضی بر اساس داده‌های نمونه یا “داده‌های آموزش” به منظور پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی آشکار، ایجاد می‌کنند.
یادگیری ماشینی
شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل انجام می‌دهید، در این حالت یادگیری ماشینی انجام می‌شود چراکه نرم‌افزار یادگیری ماشینی گوگل چگونگی رتبه‌بندی برای یک صفحه وب را درک کرده‌است. هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص می‌کند نیز به همین دلیل است که رایانه‌ی شما آموخته‌است که هرزنامه را از غیرهرزنامه تشخیص دهد. این همان یادگیری ماشین است. این علمی است که باعث می‌شود رایانه‌ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.
هدف یادگیری ماشین این است که رایانه‌ها و سامانه‌ها بتوانند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفهٔ مورد نظر پیدا کند. گسترهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.
طیف پژوهش‌هایی که در یادگیری ماشین می‌شود گسترده‌است. به لحاظ نظری پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مؤلفه‌هایی از هر دو رویکرد هستند.
یادگیری ماشین کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها می‌کند. به عنوان مثال در صنعت نفت و پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه و تحلیل داده‌ها، الگوریتم‌هایی تنظیم می‌شود که در حفاری‌های بعدی استخراج پربازده و بهینه‌تری داشته باشیم.
منبع:
http://knowledgemanagementdepot.com/2019/11/29/knowledge-management-in-the-age-of-smart-machines/
