ابزارهای استخراج دانش در آغاز عصر دانش و تحول هوشمند!

برخی مدیران دانش بر این باورند که دانش تنها توسط کارکنان سازمان تولید شده و با روش‌هایی چون مصاحبه یا انجمن خبرگی، قابل استخراج است. از این رو تلاش سازمان بر آموزش و ارتقاء فرهنگ تبادل دانش متمرکز شده و می‌کوشد با طراحی نظام‌های پاداش و انگیزش، افراد را به ثبت و انتشار تجارب خود ترغیب کند. همین موضوع مقدمه‌ای است برای غفلت از ابزارهای استخراج دانش! 

روش‌های نوین استخراج دانش

نهادینه ساختن فرآیندهای مدیریت دانش و توجه به درس‌آموخته‌های کارکنان به ‌منظور حفظ منابع دانشی و بقای سازمان، ضرورتی انکار ناپذیر است اما با توسعه دانش محاسبات نرم و علوم داده، روش‌هایی برای استخراج دانش پدید آمده است که در آن تمایل و تعامل افراد شرط نبوده و دانش سازمانی با تحلیل رفتار و انواع داده‌های ثبت شده، استخراج و در راستای استراتژی سازمان به‌کار گرفته می‌شود. 

مثالی از تحول هوشمند ابزارهای استخراج دانش در ژاپن

به عنوان نمونه‌ای از تحول ابزارهای استخراج دانش، در ژاپن غربالگری کرونا با تحلیل الگوی جستجوی اینترنتی کاربران و استخراج اطلاعات مکانی آن‌ها از طریق دستگاه‌های تلفن همراه، انجام می‌شود. با این شیوه ضمن کشف موارد مشکوک به کرونا حتی با علائم ضعیف، خوشه‌های انتشار بیماری نیز شناسایی شده است. 
در این مدل، غربالگری از طریق تحلیل الگوی رفتار مجازی کاربران و بدون اتکا به تماس تلفنی، تکمیل پرسشنامه و یا مراجعه به مراکز درمانی انجام شده و کارآمدی خود را به اثبات رسانده است.
یکی از مسائل مطرح جامعه پزشکی در دوران کرونا، استخراج و انتقال دانش تشخیص عفونت‌های کرونایی برمبنای تصاویر رادیوگرافی است. چراکه بدست آوردن نتایج تست‌های (RT-PCR) زمان‌بر بوده و میزان موفقیت آن‌ها حدود 70 درصد برآورد می‌شود؛ از طرفی کیت‌های آزمایشی در تمام مناطق و به تعداد کافی در دسترس نیست.
لذا استخراج و انتقال دانش تشخیص کرونا بر مبنای رادیوگرافی قفسه سینه به پزشکان عمومی، پرستاران و متخصصان بهداشت خصوصا در مناطق روستایی اهمیت ویژه‌ای دارد. به همین منظور با بهره‌گیری از راهکارهای هوش مصنوعی، مطالعاتی در راستای کاهش وابستگی به کیت‌های آزمایشی انجام شده است.
 Md Manjurul Ahsan و همکارانش، از روش غربالگری مبتنی بر رادیوگرافی قفسه سینه (اشعه ایکس) استفاده کرده و توانسته‌اند هوش مصنوعی را با دقت 93.94٪ جایگزین تشخیص انسانی کنند. با این رویکرد، هوش مصنوعی می‌تواند به پزشکان و پرستارانی کم‌تجربه در زمینه تشخیص عفونت‌های کرونایی کمک کند تا بر مبنای رادیوگرافی قفسه سینه این بیماری را با دقت بالا تشخیص دهند. 

استفاده از دانش در مسیریاب‌های اینترنتی!

امروزه استفاده از مسیریاب‌های اینترنتی به عادت روزمره رانندگان و مسافران تبدیل شده است. به گونه‌ای که حتی در مسیرهای آشنا برای فرار از ترافیک و زودتر رسیدن به راهنمایی این نرم‌افزارها نیاز داریم. 
اما چگونه مسیریاب در شرایط متنوع آب و هوایی و در روزها و ساعت‌های مختلف، ترافیک مسیر شما را به درستی تشخیص می‌دهد؟ آیا تا به حال در هیچ یک از این نرم‌افزارها گزارش ترافیک ثبت کرده‌اید؟ اساسا با ثبت چند گزارش انسانی در سراسر جهان می‌توان چنین برآورد دقیقی از ترافیک مسیرهای اصلی و فرعی ارائه داد؟
اغلب مسیریاب‌ها برآورد خود را بر مبنای دو نوع داده شامل اطلاعات پیشین و متوسط زمان پیمایش هر مسیر در روزها و زمان‌های خاص به همراه اطلاعات سرعت حرکت ماشین‌ها محاسبه می‌کنند. در این یادگیری عظیم هیچ مصاحبه یا پرسشنامه‌ای وجود نداشته و کاربران بدون آنکه متوجه باشند از طریق دستگاه‌های تلفن هوشمند، تجربه سفر خود را با دیگران به اشتراک می‌گذارند. 

فرصت‌های استخراج دانش را در محیط کسب‌وکار خود بیابید

در محیط کار شما نیز مجموعه‎‌های متنوعی از داده‌ وجود دارد که دانش کلیدی کسب‌وکارتان را در خود پنهان کرده است. به منظور استخراج این دانش‌ نهفته با داده‌هایی نیمه ساخت یافته و گاها بدون ساختار مواجه هستید. شناسایی و تحلیل این داده‌ها به منظور استخراج دانش، نیازمند راهکاری متناسب با ویژگی‌های کسب‌وکار شماست که توسط مهندسان دانش ارائه می‌شود. 
مهندسی دانش شاخه‌ای از علوم کامپیوتر است که دانش کلیدی و نهفته کسب و کار شما را استخراج کرده و تحت عنوان سیستم پشتیبان تصمیم برای استفاده در اختیارتان قرار می‌دهد. 
امروزه با گذر از «عصر اطلاعات» و تمرکز سیستم‌ها بر استخراج دانش از داده‌ها، «عصر دانش» آغاز شده و با رواج اینترنت اشیاء تحولی عظیم در راه است. تعداد زیاد دستگاه‌های کوچک و ارزان با قابلیت سنجش، به یک منبع اطلاعاتی منحصر به فرد تبدیل شده و برای بهبود و بهینه‌سازی سیستم‌های مختلف، از اتوماسیون خانگی در مقیاس کوچک گرفته تا برنامه‌های بزرگی مانند نظارت بر کشاورزی ، تجارت و ... ، مورد استفاده قرار می‌گیرد. 

آینده و داده‌های بدون ساختار

بر اساس مطالعه [گانتز ، 2011] ، داده‌های بدون ساختار 90٪ کل داده‌های ایجاد شده در دهه آینده را تشکیل می‌دهند. این داده‌ها به عنوان یک منبع دانشی جدید و نسبتاً استفاده نشده، قادر به تعیین روابط و الگوهای مهمی هستند که شناخت و تشخیص آن‌ها بدون استفاده از ابزارهای هوش مصنوعی دشوار یا غیرممکن است.
همان‌طور که گفته شد برای همراه شدن با این تحول تکنولوژیک در حوزه مدیریت دانش به فارغ التحصیلان مهندسی دانش، محاسبات نرم و علوم داده احتیاج دارید. به منظور آشنایی بیشتر با این رشته‌ها، به سراغ آقای دکتر کیوان برنا مدیر گروه علوم‌کامپیوتر در دانشگاه خوارزمی رفتیم.
ایشان ضمن معرفی «علوم تصمیم و مهندسی دانش» به عنوان یکی از گرایش‌های اصلی رشته علوم‌کامپیوتر، چالش اصلی دانش‌آموختگان این رشته‌ها را عدم آشنایی مدیران صنایع و بی‌توجهی مشاوران حوزه مدیریت دانش به انفجار داده در عصر حاضر دانست. مشروح این گفتگو از زبان کیوان برنا به قرار زیر است:

گفتگو با آقای دکتر کیوان برنا

گرایش علوم تصمیم و مهندسی دانش ترکیبی از آمار و احتمال، بهینه‌سازی، الگوریتم و داده‌کاوی است. این رشته ارتباط تنگاتنگی با هوش مصنوعی داشته و می‌توان آن را شاخه‌ای از محاسبات نرم به حساب آورد. ویژگی اصلی این رشته حل مسائل واقعی با تاکید بر جزئیات مفهومی و روش‌های الگوریتمی بوده و استفاده از روش‌های ریاضی و آماری در مدل‌سازی، آن را از سایر رشته‌ها متمایز کرده است.
از دروس این رشته می‌توان به یادگیری ماشین، شبکه‌های عصبی، تصمیم‌گیری با معیارهای چندگانه، تصمیم‌گیری فازی، نظریه بازی‌ها، اطلاعات و عدم قطعیت، داده‌کاوی، متن‌کاوی، احتمال و آمار فازی اشاره کرد.
البته محتوا و کارکردهای این گرایش با هوش مصنوعی تفاوت قابل ملاحظه‌ای دارد؛ علوم تصمیم و مهندسی دانش با استفاده از تکنیک‌های آماری مختلف، بهینه سازی، یادگیری ماشین، داده کاوی و الگوریتم‌های کامپیوتری متنوع در صدد یافتن الگوهای پنهان در داده‌ها و طراحی سیستم‌های تصمیم‌یار است. در حالی که هوش مصنوعی انتقال استدلال به مدل داده و تقلید از شناخت و درک انسان را پیگیری می‌کند.  با استفاده از هوش مصنوعی قادر به ساخت ماشین‌هایی خواهیم بود که ضمن نقش آفرینی در ایجاد استراتژی و انجام کارها بتوانند در شرایط نامشخص فکر کنند و به راه‌حل‌های نوآورانه، خلاقانه و غیر قراردادی دست‌یابند. همچنین تعداد بسیار زیاد ابزارهای موجود در علوم تصمیم و مهندسی دانش از دیگر مزایای این گرایش به‌شمار می‌رود.

محاسبات نرم

محاسبات نرم یکی دیگر از گرایش‌های علوم کامپیوتر است که ارتباط تنگاتنگی با گرایش مورد بحث دارد. دانش محاسبات نرم که توسط پروفسور لطفی زاده دانشمند برجسته ایرانی معرفی شده است از روش‌های فازی و غیرقطعی تشکیل می‌شود. در این روش‌ها از قطعیت «کاملا درست» و «کاملا غلط» فاصله گرفته و سنجش‌ها در بازه‌های پیوسته انجام می‌شود. 

آشنایی با داده کاوی

داده‌کاوی گرایش دیگر رشته علوم کامپیوتر است که ممکن است با علوم داده اشتباه گرفته شود. داده‌کاوی به معنی استخراج اطلاعات ارزشمند از حجم گسترده بانک‌های داده به منظور شناسایی الگوها است. در حالی که علوم داده یک رشته مطالعاتی است که شامل آنالیز داده‌های حجیم، داده کاوی، پیش بینی مدل، مصورسازی داده‌ها، ریاضیات و آمار است. 
بنابراین می‌توان داده‌کاوی را به عنوان بخشی از علوم‌داده در نظر گرفت. علوم داده در سر فصل جدید وزارت علوم زیر مجموعه ریاضی کاربردی قرار گرفته و جنبه‌های آماری و احتمالی پر رنگی دارد. دانشمندان این رشته به فرآیندهای یادگیری با عدم قطعیت در محیط‌های همراه با نویز و روش‌های آشوب و بی‌نظمی (آنتروپی) می‌پردازند. 
در کسب‌وکارها و صنایع مختلف داده‌های بسیاری به صورت روزمره تولید می‌شود که استفاده از آن‌ها به منظور استخراج اطلاعات و دانش بسیار حائز اهمیت است. با مدل‌سازی و پردازش داده‌های موجود امکان ابراز نظر در رابطه با داده‌های جدید و تصمیم‌گیری بر اساس آن‌ها فراهم خواهد شد. در این بین تکنیک استفاده شده جهت آموختن از داده‌ها نقش کلیدی و تعیین کننده‌ای دارد.
فارغ‌التحصیلان علوم تصمیم و مهندسی دانش توان طراحی و تولید مدل با پاسخگویی بالا را دارند و می‌توانند به منظور یافتن الگوهای پنهان در داده‌ها و طراحی سیستم‌های تصمیم‌یار درکنار شرکت‌های مختلف قرار گرفته و ضمن شناسایی انواع داده‌های تولید شده، با ترکیب روش‌های آماری و هوش مصنوعی، مدل بهینه استخراج دانش را در راستای بهبود تصمیمات آتی ارائه دهند. البته در شرایط کنونی صاحبان صنایع شناخت و توجه کافی نسبت به این مقوله نداشته و داده‌های کسب‌وکار خود را محرمانه تلقی می‌کنند. در نتیجه ظرفیت‌های این رشته و دیگر رشته‌های مرتبط با علوم‌داده و محاسبات نرم به درستی در داخل کشور فعال نشده است.

منابع:
•    Hisada, S., Murayama, T., Tsubouchi, K. et al. Surveillance of early stage COVID-19 clusters using search query logs and mobile device-based location information. Sci Rep 10, 18680 (2020).
  https://doi.org/10.1038/s41598-020-75771-6
•    Ahsan, M.M.; Gupta, K.D.; Islam, M.M.; Sen, S.; Rahman, M.L.; Shakhawat Hossain, M. COVID-19 Symptoms Detection Based on NasNetMobile with Explainable AI Using Various Imaging Modalities. Mach. Learn. Knowl. Extr. 2020, 2, 490-504. 
https://www.mdpi.com/2504-4990/2/4/27
•    Antunes, Mário. (2018). Knowledge extraction from semi-structured sources. 10.13140/RG.2.2.25430.70726.
https://www.researchgate.net/publication/331114192_Knowledge_extraction_from_semi-structured_sources