هوش مصنوعی مولد (GenAI) با توانمندسازی سازمان‌ها برای استفاده از مدل‌های زبان بزرگ (LLM) دسترسی به ابزارهای هوشمند را برای بسیاری از کسب‌وکارها ممکن کرده است. از بهبود پشتیبانی مشتری گرفته تا خودکارسازی تولید محتوا و فرآیندهای عملیاتی، سرمایه‌گذاری در هوش مصنوعی در دو سال گذشته عمدتاً از طریق اثبات مفهوم (POCs) و پروژه‌های آزمایشی، افزایش‌یافته است. بااین‌حال، برای بسیاری از سازمان‌ها، این تلاش‌ها نتوانسته است نتایج پیش‌بینی‌شده متناسب با سرمایه‌گذاری‌هایشان را به همراه داشته باشد. بر اساس گزارش گارتنر با عنوان «چرخه هایپ برای هوش مصنوعی، 2024» (اخیراً منتشرشده است)، هوش مصنوعی وارد «مرحله ناامیدی» شده است.
برای مطالعه‌ی مقالات تخصصی مدیریت دانش به پایگاه دانش مراجعه فرمایید.
مدل زبان بزرگ (LLM) یک سیستم هوش مصنوعی است که برای وظایف پردازش زبان طبیعی طراحی‌شده است و قادر به درک و تولید زبان انسانی با تجزیه‌وتحلیل و یادگیری از مقادیر گسترده داده‌های متنی است. این مدل‌ها از الگوریتم‌های پیچیده برای پیش‌بینی کلمات بعدی در یک دنباله استفاده می‌کنند که آن‌ها را برای کارهایی مانند تولید زبان، ترجمه و تحلیل احساسات مؤثر می‌سازد.اثبات مفهوم (POC) فرآیند جمع‌آوری شواهد برای پشتیبانی از امکان‌سنجی یک پروژه است. مدیران پروژه قبل از اینکه زمان و منابع زیادی را به پروژه اختصاص دهند، یک POC را در مراحل اولیه توسعه انجام می‌دهند.
ما شاهد این هستیم که سازمان‌ها برای رسیدگی به پروژه‌های هوش مصنوعی که به دلیل چالش‌های محتوا و داده متوقف‌شده‌اند، نیازمند استخدام و یا کمک از متخصصین بیرونی هستند. بسیاری هنوز با چگونگی اطمینان از کیفیت و تنوع محصولات هوش مصنوعی خود دست‌وپنجه نرم می‌کنند. شواهد نشان می‌دهند که بزرگ‌ترین مانع، فقدان یا کمبود دانش نهادی و حوزه‌های خاص سازمانی است که هوش مصنوعی برای ارائه نتایج معنادار متناسب با یک سازمان خاص به آن نیاز دارد.
واقعیت این است که الگوریتم‌های آموزش داده‌شده در یک شرکت یا مجموعه داده‌های عمومی ممکن است کارایی مناسبی برای حل مشکلات سازمانی را نداشته باشند، به‌ویژه در حوزه‌هایی که ترجیحات و الزامات مختلف بر تصمیم‌ها، رویه‌ها یا نتایج تأثیر می‌گذارند. به‌عنوان‌مثال، در حوزه‌هایی مانند آموزش یا فناوری، درک نیازهای خاص صنعت برای آموزش و توسعه مهارت‌های مرتبط، بسیار مهم است؛ بنابراین، دانش سازمانی پیش‌نیاز موفقیت است، نه‌فقط برای هوش مصنوعی مولد، بلکه برای همه برنامه‌های کاربردی هوش مصنوعی سازمانی و راه‌حل‌های علم داده. اینجاست که تجربه و بهترین شیوه‌ها در مدیریت دانش و مدیریت داده‌ها بر فضای هوش مصنوعی تأثیر گذاشته و رویکردهای مؤثر و اثبات‌شده‌ای برای نحوه به اشتراک گذاشتن مؤثر دانش حوزه‌ها و دانش نهادی ارائه می‌دهد. در زیر، سه روش برتر برای گنجاندن یا ادغام دانش تخصصی در زمینه‌های خاص با دانش سازمانی و توانمندسازی راه‌حل‌های هوش مصنوعی سازمانی ارائه‌شده است.
- لایه معنایی
این لایه‌ها، بدون زمینه، داده‌های خام و اغلب نامرتب، قدیمی، زائد و بدون ساختار هستند و استخراج و استفاده معنادار را برای الگوریتم‌های هوش مصنوعی دشوار می‌کنند. گام کلیدی برای رسیدگی به این مشکل هوش مصنوعی شامل توانایی اتصال و ارتباط انواع دارایی‌های دانش سازمانی، (به‌عنوان‌مثال، استفاده از زبان مشترک، شامل کارشناسان، داده‌های مرتبط، محتوا، ویدئوها، بهترین شیوه‌ها و بینش‌های عملیاتی) از سراسر سازمان است. به‌عبارت‌دیگر، برای بهره‌مندی کامل از دانش و اطلاعات یک سازمان، هم اطلاعات ساختاریافته و بدون ساختار و هم دانش تخصصی باید توسط ماشین‌ها ارائه و درک شوند.
لایه معنایی، یک چارچوب برنامه‌نویسی برای هوش مصنوعی فراهم می‌کند تا زمینه سازمانی، محتوا و دانش حوزه‌های خاص را قابل‌خواندن ماشینی کند. تکنیک‌هایی مانند برچسب‌گذاری داده‌ها، توسعه طبقه‌بندی، واژه‌نامه‌های تجاری، هستی‌شناسی و ایجاد نمودار، دانش لایه معنایی را برای تسهیل این فرآیند تشکیل می‌دهند.
یک لایه معنایی، چگونه زمینه را برای داده‌های ساخت‌یافته فراهم می‌کند؟
- فراداده‌های متنی و واژه‌نامه‌های تجاری: یک لایه معنایی چارچوبی را برای افزودن فراداده‌های متنی و واژه‌نامه‌ها به داده‌های ساختاریافته از طریق تعاریف، مثال‌ها، سلسله داده‌ها، برچسب‌های دسته‌بندی و غیره فراهم می‌کند. اهمیت یک مجموعه داده در مقایسه با دیگری و توانایی آن‌ها را برای همسویی در استفاده از داده‌های مناسب برای تحلیل، معیارها و مدل‌های هوش مصنوعی بهبود می‌بخشد.
- ساختارهای سلسله مراتبی (Taxonomy): پیاده‌سازی ساختارهای سلسله مراتبی در لایه معنایی امکان دسته‌بندی و زیر دسته‌بندی، داده‌ها را فراهم می‌کند. این ساختار به مدل‌های هوش مصنوعی کمک می‌کند تا روابط و وابستگی‌های گسترده‌تر/ محدودتر را با داده‌ها شناسایی کرده و استخراج و درک چارچوب‌های سازمانی را برای الگوریتم‌های هوش مصنوعی آسان‌تر می‌کند. برای مثال، دسته‌های محصول یا خدمات به مدل‌های هوش مصنوعی اجازه می‌دهند تا روابط بین نقاط داده مرتبط در آن حوزه‌ها را تحلیل و درک کنند و داده‌ها یا خدمات مشابه یا مرتبط را توصیه کنند. این به تیم‌های داده اجازه می‌دهد تا مفاهیم تجاری پنهان را برای هوش مصنوعی درک و ترکیب و اطلاعات جدیدی را کشف کنند که تاکنون به دنبال آن نبودند یا از وجود آن‌ها خبر نداشتند.
- رمزگذاری منطق کسب‌وکار (هستی‌شناسی): با استفاده از طرح‌واره‌های مدل‌سازی داده‌های استانداردشده، مانند هستی‌شناسی، یک لایه معنایی اجازه می‌دهد تا قوانین تجاری و منطقی را که بر روابط، موجودیت‌ها و محدودیت‌های داده حاکم است، به‌صورت برنامه‌ای اعمال کنند. با ترکیب این منطق، مدل‌های هوش مصنوعی درک عمیق‌تری از زمینه عملیاتی که داده‌ها در آن وجود دارند، به دست می‌آورند که منجر به بینش‌های مرتبط‌تر و کاربردی‌تر می‌شود. برای مثال، مشتریان در صنعت داروسازی از هستی‌شناسی برای تعریف صریح دامنه‌های خود استفاده می‌کنند و اطلاعات مربوط به داروها، بیماری‌ها و مسیرهای بیولوژیکی را به یکدیگر متصل می‌کنند. این، مدل‌های هوش مصنوعی را قادر می‌سازد تا اهداف دارویی بالقوه را شناسایی کنند، تداخلات دارویی یا عوارض جانبی را پیش‌بینی کنند و روند کشف داروهای جدید را تسریع بخشند.
- تجمیع داده‌ها و نگاشت معنایی (نمودار / گراف‌های دانش): یک نمودار دانش، داده‌ها را از منابع ساختاری متعدد (مانند پایگاه‌های داده، مخازن داده، سیستم‌های CRM و غیره) در یک نمای یکپارچه بدون نیاز به جابجایی فیزیکی یا انتقال داده‌ها جمع‌آوری می‌کند. با انجام این کار، دید جامعی از دارایی‌های دانش سازمانی برای مدل‌های هوش مصنوعی ارائه می‌کند و هوش مصنوعی را قادر می‌سازد تا دانش و بینش را از منابع گسترده‌تر استخراج کند. علاوه‌براین، نمودارهای دانش به سازمان‌ها اجازه می‌دهند تا نگاشت معنایی بین طرح‌واره‌های داده مختلف ایجاد کنند (به‌عنوان‌مثال، نگاشت «شناسه مشتری» در یک سیستم به «شناسه مشتری» در سیستم دیگر) و به هوش مصنوعی کمک می‌کند معنا و روابط فیلدهای داده را درک کند و مدل‌های بعدی داده‌ها را به‌طور پیوسته تفسیر کنند. همچنین کیفیت داده‌ها که از منابع مختلف گردآوری‌شده‌اند را حفظ می‌کند
یک لایه معنایی، چگونه دانش را از محتوای بدون ساختار استخراج می‌کند؟
- پردازش زبان طبیعی (NLP): مدل‌های مبتنی بر زبان طبیعی به تجزیه‌وتحلیل متن بدون ساختار برای شناسایی موجودیت‌ها، مفاهیم و روابط از مجموعه بزرگی از محتوای بدون ساختار کمک می‌کنند، عبارات یا احساسات کلیدی را از اسناد و متن استخراج می‌کند و هوش مصنوعی را قادر می‌سازد تا متن و معنا را درک کند. به‌عنوان‌مثال، در یک موسسه تحقیقات سیاست جهانی، با نظارت بر اخبار صنعت و رسانه‌های اجتماعی و استخراج اطلاعات در مورد روندهای خبری برای ایجاد ساختارهای طبقه‌بندی و اطلاع‌رسانی به موتور توصیه‌ای که توصیه‌های سیاستی هدفمند را ارائه می‌کند، از LLM برای NLP استفاده می‌شود.
- شناسایی موجودیت نام‌گذاری شده (NER) و طبقه‌بندی: سازمان‌ها با شناسایی و طبقه‌بندی خودکار موجودیت‌هایی مانند افراد، مکان‌ها و چیزها در محتوای بدون ساختار برای ایجاد طبقه‌بندی سازمانی و نمودارهای دانش، توسعه مدل دانش را تقویت می‌کنند. برای مثال، با استخراج و طبقه‌بندی نهادهایی مانند نام بیماران، تشخیص‌ها، داروها و روش‌ها از سوابق پزشکی بدون ساختار، ارائه‌دهندگان مراقبت‌های بهداشتی دانش مرتبط با این نهادها را برای تحقیقات بالینی و بهبود نتایج مراقبت از بیمار به هم متصل کرده و به کار می‌برند. نمایش ساختاریافته موجودیت‌ها در متن، به هوش مصنوعی اجازه می‌دهد تا از اطلاعات برای پاسخ‌ها و تجزیه‌وتحلیل دقیق‌تر استفاده کند.
- طبقه‌بندی، هستی‌شناسی و ساخت نمودار: با تعریف روابط بین مفاهیم، هستی‌شناسی‌های خاص که محتوای بدون ساختار را در چارچوبی ساختاریافته سازمان‌دهی می‌کنند، راه‌حل‌های هوش مصنوعی را قادر می‌سازند تا دانش را از محتوا به‌طور موثرتری درک و استنتاج کنند. یک لایه معنایی می‌تواند نمودارهای دانش را از داده‌های بدون ساختار ایجاد کند و همچنین موجودیت‌ها (استخراج‌شده با NLP/NER) و ویژگی‌های آن‌ها را به هم پیوند دهد. این نمایش نقشه مانند اطلاعات، به سیستم‌های هوش مصنوعی کمک می‌کند تا روابط پیچیده را هدایت کنند و با شفاف‌سازی دانش درباره نحوه اتصال داده‌ها به یکدیگر، بینش ایجاد کنند.
- 2. جذب دانش و تخصص حوزه‌های خاص
سیستم‌های هوش مصنوعی باید از محتوا و داده‌های آشکار و همچنین بینش و شهود متخصصان انسانی بیاموزند. اینجاست که مدیریت دانش و هوش مصنوعی به‌طور فزاینده‌ای درهم‌تنیده می‌شوند. از یک‌سو، چالش‌های سنتی کسب، اشتراک‌گذاری و انتقال دانش بارزتر می‌شوند، زیرا بسیاری از سازمان‌ها با نیروی کار بازنشسته، نرخ جابجایی بالا، فرآیندهای کند ارتقای مهارت و محدودیت‌های سیستم‌های هوش مصنوعی که اغلب از انتظارات خارج می‌شوند، دست‌وپنجه نرم می‌کنند. کسب و انتقال دانش حتی برای سازمان‌ها یکپارچه‌تر می‌شود تا جریان دانش را در میان کارشناسان و توانایی کسب، انتشار و استفاده از دانش را فراهم کند.
از سوی دیگر، چشم‌انداز در حال گسترش هوش مصنوعی، فرصت‌های جدیدی را برای مدیریت دانش به‌ویژه در خودکارسازی رویکردهای کسب و انتقال دانش فراهم می‌کند. به‌عنوان‌مثال، در بسیاری از پروژه‌ها، متخصصان باتجربه حوزه‌های خاص دانشی و مهندسان هوش مصنوعی برای تعریف قوانین و اکتشاف‌هایی که منعکس‌کننده خرد سازمانی هستند با یکدیگر همکاری می‌کنند و با ایجاد درخت‌های تصمیم‌گیری، توسعه راه‌حل‌های مبتنی بر قوانین و یا استفاده از NLP و معناشناسی برای استخراج و استنتاج دانش متخصصین از اسناد و مکالمات به سازمان کمک می‌کنند. رویکردهای خاصی که این فرآیند را فعال می‌کنند عبارت‌اند از:
- منابع، مخازن دانش و کتابخانه‌ها: مطالعات موردی، مخازن و منابع اطلاعات و موارد استفاده از آن‌ها، ازجمله استخراج دانش از تصاویر و ویدیوها که نشان‌دهنده حوزه‌های تخصصی دانش است را در عمل با ساختن یک مخزن ساختاریافته از حقایق و روابط بین آن‌ها، هوش مصنوعی را قادر می‌سازد از برنامه‌ها و سناریوهای دنیای واقعی بیاموزد.
- نگاشت‌های خبرگان: درگیر کردن کارشناسان برای نگاشت مجموعه داده‌ها با اطلاعات متنی و منطق تجاری یا مفاهیم عملیاتی (با استفاده از ابر داده، طبقه‌بندی، هستی‌شناسی) با آشکار ساختن دانش پنهان، درک مدل‌های هوش مصنوعی را افزایش می‌دهد.
- ثبت خودکار دانش: کاربردهای پیشرفته رویکرد نگاشت تجارب متخصصین، استفاده از ابزارهای کشف دانش مبتنی بر هوش مصنوعی است که به‌طور خودکار دانش را از متن یا صدا با استفاده از تکنیک‌های NLP تجزیه‌وتحلیل و استخراج می‌کند و توسعه نمودارهای دانش را تقویت می‌کند. این رویکرد امکان کشف دانشی را فراهم می‌کند که به‌طور پنهان در روابط بین محتواها وجود دارد تا به‌طور سیستماتیک آن را برای آموزش هوش مصنوعی ارائه دهد.
- حلقه‌های بازخور: برای اطمینان از همسویی با دانش حوزه‌های تخصصی، بسیاری از سازمان‌ها و راه‌حل‌های مدیریت دانش و هوش مصنوعی باید یک حلقه بازخورد را ترکیب کنند. این شامل ارائه یک فرآیند و ابزارهای به کار گرفته‌شده توسط کارشناسان برای بررسی خروجی‌های هوش مصنوعی و ارائه اصلاحات یا بهبود است. این بازخورد می‌تواند برای اصلاح مدل‌های مبتنی بر برنامه‌های کاربردی دنیای واقعی و تغییرات سازمانی استفاده شود.
- 3. نسل افزوده بازیابی (RAG)
معماری نسل افزوده بازیابی (RAG) مکانیزمی است برای ارائه اطلاعات و دانش سازمانی مرتبط با مدل‌های زبان بزرگ (LLM). بااین‌حال، مدل‌های زبان بزرگ که مبتنی بر محتوای قدیمی آموزش دیده‌اند، منجر به اشتباهاتی در تصمیم‌گیری شده‌اند که پیامدهای واقعی برای سازمان دارد.
چندین معماری RAG برای انتقال دانش‌های خاص در سازمان‌هایی که با آن‌ها کار می‌کنیم استفاده می‌شود. جدول زیر مقایسه‌ای از این رویکردها و سناریوهای ایده‌آل برای کاربردها یا استفاده مؤثر را ارائه می‌دهد.
| مدل‌های زبان بزرگ عمومی | مبنای نسل افزوده بازیابی |
نمودار نسل افزوده بازیابی |
|
| ملاحظات | تمرکز بر پردازش و تولید مقادیر متون، صرفاً بر اساس داده‌های آموزشی آن‌ها، بدون در نظر گرفتن محتوای سازمانی خاص است. | تمرکز بر افزودن اطلاعات حوزه‌های خاص با تکیه بر ارتباط و شباهت‌های موضوعی است و آن را برای تجزیه اطلاعات مرتبط با محتواها و یا مجموعه داده‌هایی که اغلب تغییر نمی‌کنند، ایده‌آل می‌کند. | تمرکز بر ایجاد محتوای تجاری و روابط بین حوزه‌ها با تکیه بر ساختارهای نمودار دانش و ایده‌آل کردن ثبت و نحوه ارتباطات بین داده‌ها و ارائه پاسخ‌های کامل که به‌دقت بالاتری نیاز دارد. |
| محدودیت‌ها | مدل‌های زبان بزرگ، توانایی درک روابط بین دسته‌بندی‌های مختلف اطلاعات را ندارند. | راه‌حل‌های اصلی برای نسل افزوده بازیابی، فاقد محتوای خاص سازمانی موردنیاز برای تعیین نوع مناسب یا اطلاعات مرتبط هستند که بر توانایی آن‌ها برای ارائه پاسخ یا نتایج مناسب (مخصوصاً برای خلاصه‌سازی و مقایسه) تأثیر می‌گذارد. | راه‌حل‌های نموداری نسل افزوده بازیابی به کیفیت داده‌های نمودار وابسته هستند و طراحی و حفظ نمودارهای دانش باکیفیت امری بی‌اهمیت نیست. علاوه‌براین، ممکن است مشکلات مقیاس‌پذیری با بازیابی اطلاعات از نمودارهای بزرگ بر اساس راه‌حل‌های نمودار در حال استفاده وجود داشته باشد. |
| مورداستفاده | بهترین کار برای کارهای تولید محتواهای عمومی، مانند نوشتن خلاقانه یا پاسخگویی ساده به سؤال که در آن محتوا کمتر مهم است، مدل‌های زبان بزرگ
عمومی برای یک سازمان شبیه خواندن یک پاراگراف از یک آیتم محتوا در یک کتابخانه وسیع بدون دانستن اینکه به کدام سند یا کتاب اشاره دارد، از دست دادن محتوا موردنیاز برای درک جامع یا عمیق‌تر است. |
بهترین راه برای پشتیبانی عمومی از پرسش و پاسخ برای بازیابی اطلاعات ساده و ارائه توصیه‌های هدفمند است.
برای سازمان‌ها، نسل افزوده بازیابی اولیه شبیه به یک سیستم یا فرآیند برچسب‌گذاری است که امکان یافتن محتوا را بر اساس کلمات کلیدی سازمانی یا واژه‌ها را فراهم می‌کند تا مدل زبان بزرگ عمومی را با اطلاعات و دانش سازمان تقویت کند. |
بهترین برای شناسایی ارتباطات بین موضوعات و پرداختن به موارد استفاده که به روابط پیچیده بین داده مختلف نیاز دارد و شامل دانش ساختاریافته و استنتاج روابط است.
برای یک سازمان، این بسیار شبیه به نقشه شهر در GPS است که چشم‌انداز اطلاعات و داده‌هایی را که با روابط آشکار مرتبط است به هوش مصنوعی نشان می‌دهد و محتوای مرتبط را بر اساس این محتوا توصیه می‌کند. |
بسیاری از سازمان‌ها نتایج بهتری را از به‌کارگیری رویکردهای ترکیبی برای پاسخگویی به موارد استفاده و راه‌حل‌های خاص می‌بینند. به‌عنوان‌مثال، یکی از برترین شرکت‌های خدمات مالی و مالیاتی موردمطالعه، از تکنیک‌های «مسیریابی معنایی» استفاده می‌کند تا با ارزیابی درخواست کاربران و تعیین بهترین مسیر، دقیق‌ترین و خاص‌ترین اطلاعات بهترین راه‌حل‌های خود با استفاده از سه رویکرد اشاره‌شده برای واکشی، ترکیب و ارائه پاسخ به درخواست‌های کاربر، انتخاب کند.
نتیجه‌گیری
تزریق موفقیت‌آمیز دانش سازمانی به هوش مصنوعی تنها یک چالش فنی نیست، بلکه یک تصمیم استراتژیک سازمانی است که نیازمند تغییر در طرز فکر و همکاری بین دانش، محتوا، داده‌ها، تیم‌ها و راه‌حل‌های هوش مصنوعی است.
- کارشناسان سازمانی می‌دانند که چگونه داده‌ها را تفسیر کنند و چگونه با منابع ازدست‌رفته و موارد غیرضروری برخورد کنند. این موارد برای شناسایی منابع داده مربوطه، تفسیر اطلاعات با ظرایف محتوایی و کمک به حفظ کیفیت داده‌ها و مسائل سوگیری بسیار مهم هستند.
- تیم‌های مدیریت دانش و محتوا برای همکاری مؤثر به سواد هوش مصنوعی برای ارائه تخصص در بازیابی دانش و اطمینان از آمادگی و کیفیت محتوا برای راه‌حل‌های هوش مصنوعی، نیاز دارند.
- تیم‌های داده و هوش مصنوعی باید درک عمیقی از دانش حوزه‌های خاص سازمان، اهداف تجاری و دسترسی به داده‌های قابل‌اعتماد بدون توجه به نوع و مکان آن داشته باشند.
لایه معنایی و رویکردهای استخراج/کاربرد دانش که در بالا موردبحث قرار گرفت، این ادغام را تسهیل می‌کند و تضمین می‌کند که هوش مصنوعی می‌تواند نه‌تنها به‌عنوان یک ابزار، بلکه به‌عنوان یک شریک سازمانی هوشمند که تفاوت‌های منحصربه‌فرد یک سازمان را درک می‌کند و هوش دانش را قادر می‌سازد، عمل کند.
