تاثیر هوش مصنوعی (AI) بر مدیریت دانش چیست؟

علل علاقه‌مندی سازمان‌ها به هوش مصنوعی 

• امکان ثبت تجارب خبرگان در آستانه خروج را میسر کرده و با ذخیره حافظه سازمانی به ایجاد یک پایگاه دانشی موثر برای سازمان می‌پردازد؛
• اجرای فرآیندهای تکراری، به طوریکه بخش قابل توجهی از وظایف افراد با این کار کاهش می‌یابد؛
• تجزیه و تحلیل داده‌های ورودی و ارائه راه‌حل‌های موثر در نتیجه ایجاد پایگاه دانشی به خصوص در شرایط بروز بحران؛
• امکان فعالیت مستمر بدون توجه به شرایط محیطی و خستگی.

قدرت هوش مصنوعی در تحقق ابزارهای مدیریت دانش

آیا هنوز نقشی برای متخصصین مدیریت دانش با هوشمندی رایانه‌ها وجود دارد؟

• در وهله اول دانش ضمنی خبرگان سازمان باید کسب شود. در بسیاری از سازمان‌ها، اغلب دانش حیاتی در ذهن افراد قرار دارد و هوش مصنوعی نمی‌تواند به این دانش دسترسی پیدا کند. 
• پیش‌بینی از رویدادهای آتی سازمان و راهکارهای احتمالی باید جمع‌آوری شود. در واقع این موضوع به دانشی که هنوز بدست نیامده اشاره دارد. ارائه راه‌حل در بحران‌های جدید تنها با ایده‌ها و تجارب خبرگان سازمان امکان‌پذیر است؛ چرا که هوش مصنوعی هیچگونه داده‌ای از رویدادهای احتمالی ندارد. 
• فیلتر کردن داده‌های ورودی به پايگاه دانش همچنان بر عهده مدیران دانش سازمان است. بزرگترین مشکل هوش مصنوعی عدم امکان تفکیک صحیح داده‌های ضعیف و مدنظر است. در حالیکه نتایج حاصل از هوش مصنوعی کاملا به داده‌های ورودی وابسته است.
• نظارت بر آموزش هوش مصنوعی باید توسط مدیران دانش به صورت متناوب انجام گیرد. هوش مصنوعی‌ باید آموزش ببیند و این می‌تواند کار بزرگی باشد.
• معنا بخشیدن به داده‌های ورودی تنها توسط یک انسان قابل انجام است. بدین شکل امکان جستجوی معنایی برای هوش مصنوعی وجود دارد، می‌تواند سؤال را معنا کند و دسته‌هایی از پاسخ‌ها را از مستندات موجود شناسایی کند. بدون شک این کار باید توسط مدیر دانش با کمک کارشناسان صورت گیرد.
• الگوریتم هوش مصنوعی متناسب با نیاز سازمان باید تنظیم شود. هر هوش مصنوعی الگوریتم درستی ندارد و یک الگوریتم اشتباه می‌تواند منجر به بروز مشکلات متعددی شود. در زمان نگارش، هوش مصنوعی قبل از اینکه بتواند به تنهایی کار کند، به راهنمایی‌های زیادی نیاز دارد.
• بهبود مستمر زنجیره تامین دانش با اضافه نمودن دانش‌های جدید به پایگاه داده. عملکرد شرکت باید به صورت متناوب ردیابی شده و دانش‌های حاصل به ثبت برسد. چرا که در برخی از موارد هوش مصنوعی نیاز به اصلاح دارد. 

یادگیری ماشینی، در محیطی با قوانین و تعداد زیادی از داده بهترین عملکرد را دارد. این ممکن است با خودروهایی که در ترافیک سنگین تحت کنترل قوانین اداره می‌شوند، یا با دستیابی به بهترین قیمت برای فروش یک بلوک بزرگ از سهام کارساز باشد. اما در مواردی که داده‌ها و قوانین به صورت ساختاریافته در دسترس نیستند، ممکن است به خوبی کار نکند. به عنوان مثال هوش مصنوعی در تصمیم‌گیری برای سرمایه‌گذاری پول در یک صندوق، یا توصیه محصولات به مشتریان بدون اطلاعات قبلی عملکرد ضعیفی دارد.

در دنیای مبهم و پیچیده امروز، سازمان به شبکه‌های دانش و جوامع عملی نیاز دارد تا بتوان از تجربه ضمنی جمعی آن استفاده کرد. کمک به ساخت و حفظ این شبکه‌ها بخشی از نقش مدیر دانش است زیرا هوش مصنوعی قادر به کسب دانش ضمنی افراد نیست. 

افزایش نیاز به مدیران دانش در دنیای هوش مصنوعی 

طبق گزارش بلومبرگ، استخدام یک تحلیلگر داده می‌تواند بیش از 200000 دلار هزینه داشته باشد. با این وجود شرکت‌های مطرح دنیا همچنان به جذب و حفظ آن‌ها تمایل دارند. شرکت زیمنس بیش از 200 متخصص هوش مصنوعی دارد که پروژه‌های مختلف را به اجرا در می‌آورند. فیس‌بوک در حال استخدام 3000 ناظر محتوا، علاوه بر 4500 مدیر موجود است. بخش هوش مصنوعی آمازون، بالغ بر 341000 کارمند دارد که از سال ۲۰۱۲ سه برابر شده است.