سیستم خبره (ES) چیست؟

حامد کوچک پور کارشناس ارشد مدیریت دانش در شرکت مشاوران توسعه آینده    حامد کوچک پور
   کارشناس ارشد مدیریت دانش
  

تاریخ انتشار:
1401/10/26
سیستم متخصص (خبره) یکی از شاخه‌های هوش مصنوعی است که با گردآوری دانش تخصصی و اطلاعات کارشناسی در یک حوزه خاص و استفاده از منطق، می‌کوشد تا در کنار متخصصان و همپای آنان به عرضه خدمات تخصصی بپردازد. به عبارت دیگر، این سیستم‌ها نرم‌افزارهای کامپیوتری هوشمندی هستند که در آن‌ها نقش تخصصی کارشناسان به‌صورت مجموعه‌های اطلاعات علمی گرد آمده است. به طورکلی سیستم‌های مبتنی بر دانش اغلب سیستم خبره نامیده می‌شوند. سیستم خبره از دانش انسانی برای حل مسائلی سود می‌جوید که نیازمند هوش می‌باشد. داده‌هایی که در چنین سیستمی مورد استفاده قرار می‌گیرد دانش تخصصی نامیده می‌شود. این داده‌ها سپس برای حل مسائل بکار می‌روند.

مثال هایی از قابلیت سیستم خبره

به عنوان مثال، سیستم‌های خبره می‌توانند:
  • تشخیص خرابی ماشین‌ها، وسایل نقلیه، دستگاه‌ها، شبکه‌های فناوری اطلاعات و توصیه نحوه تعمیر یا رفع خرابی؛
  • تشخیص مسائل/علائم پزشکی و توصیه برنامه‌های درمانی؛
  • مدیریت شرایط اضطراری و ارائه طرح‌های بازیابی/کاهش بلایا؛
  • و ...

اجزای سیستم خبره چیست؟

سیستم خبره از هشت عنصر نشان‌داده‌شده در شکل زیر تشکیل می‌شود:
اجزای سیستم خبره چیست؟

 کاربر

شخصی است که با سیستم ارتباط متقابل داشته و دسته‌بندی‌های مختلفی از آن وجود دارد. در بین این دسته‌بندی‌ها، کاربری که از هر جهت درگیر با پروژه سیستم باشد، نقش مهمی در موفقیت ایجاد سیستم‌های خبره دارد. ایجاد سیستم‌های خبره تا زمانی که مورد پذیرش کاربر قرارنگرفته باشند، سودی نخواهد داشت.

فرد خبره

شخصی که متخصص در یک زمینه خاص نه در تمام زمینه‌ها بوده و طی سال‌ها تجربه در حل مسائل مربوط به یک زمینه خاص، تخصص یافته است.

مهندس دانش

شخصی است که سیستم‌های خبره را طراحی کرده و می‌سازد. یک متخصص کامپیوتر که بر روش‌های هوش مصنوعی اشراف دارد و می‌تواند روش‌های متفاوت هوش مصنوعی را به طور مقتضی در حل مسائل واقعی به کار گیرد.

پایگاه‌داده

مجموع داده‌هایی درباره موضوع‌ها و وقایعی است که در پایگاه دانش، به‌منظور دست‌یابی به نتایج موردنظر به کار خواهد رفت.

پایگاه دانش

مشتمل بر دانش متخصص و شیوه‌های دادوستد با پایگاه‌داده برای دست‌یابی به نتایج موردنظر است.

موتور استنتاج

امکان تحلیل و نتیجه‌گیری از ارتباط بین پایگاه‌داده و پایگاه دانش را فراهم می‌کند.

سیستم توضیح

چگونگی دست‌یابی سیستم به یک نتیجه خاصی را برای کاربر تشریح می‌نماید. این موضوع از اهمیت ویژه‌ای برخوردار است زیرا پذیرش و تأیید کاربر را افزایش می‌دهد و به شناسایی و تصحیح خطا و  مشکلات ساده سیستم نیز کمک می‌کند.

قسمت اکتساب دانش

فرآیند استخراج، طراحی و ارائه دانش است. در‌ اغلب موارد، استخراج دانش متخصص از طریق تکنیک مصاحبه صورت می‌گیرد.

انواع روش‌های ایجاد سیستم‌های خبره

در این قسمت به بررسی انواع روش‌های ایجاد سیستم‌های خبره در سازمان می‌پردازیم:

خریداری سیستم خبره آماده

یکی از مشهورترین مثال هایی از سیستم خبره آماده، "مشاور مالی" است که توسط شرکت "پالادین سافت‌ور" به بازار عرضه شده است. این نرم‌افزار به مدیران در زمینه تجزیه و تحلیل سرمایه‌گذاری در یک واحد صنعتی تازه، انبار، فرآورده یا خرید شرکتی دیگر، یاری می‌رساند. در این سیستم، دانش و تجربه‌های تخصصی فراوانی از شرکت‌های گوناگون ذخیره شده و پایگاه دانش آن را تشکیل داده است .

صدف هوش مصنوعی

رویکرد دیگری که در ایجاد سیستم‌های خبره به کار گرفته می‌شود و ساخت آن به کمک یک صدف هوش مصنوعی است. این صدف، نرم‌افزاری است که از راهبردی از پیش تعیین شده پیروی نموده و زبانی نسبتاً ساده و محدود دارد. در این روش، باید اطلاعات موردنیاز را به صدف هوش مصنوعی وارد نمود و این با خرید یک بسته نرم‌افزاری خبره بسیار متفاوت است. از نمونه‌های خوب صدف هوش مصنوعی، 1M محصول شرکت "تکنالج" است که در میکرو کامپیوترها استفاده می‌شود و نوع بسیار گسترده آن را نیز می‌توان در کامپیوترهای بزرگ (مین فریم ها) به کار برد.

سیستم‌های سفارشی

در این روش مهندس ماهری با فرد یا افراد خبره پایه دانشی سیستم مصاحبه نموده و بنا به نیازهای آن‌ها، قاعده‌ها و چهار چوب‌های تصمیم‌گیری را تنظیم می‌کند. این مهندسان آگاه که در امر استخراج اطلاعات و شناخت نیازهای خبرگان و کارکنان ماهر سازمان ورزیده‌اند، ابتدا نمونه و پیش‌الگوی سیستم را می‌سازند سپس با تبادل نظر، و کار با افراد خبره، کاستی‌های آن را یکی پس از دیگری بر طرف می‌کنند تا سیستمی دلخواه به وجود آید. این روش پرهزینه است و تنها شرکت‌های بسیار بزرگ دست به برپایی چنین سیستم‌هایی می‌زنند.

سیستم‌های خبره و مدیریت دانش

هدف اصلی انباشت، ذخیره و مدیریت دانش جدید تولید شده در هر سازمان، حفظ آن دانش و ارجاع به آن برای نیازهای آتی در موارد تجاری مرتبط است. پذیرش تکنیک‌های سیستم‌های خبره مبتنی بر دانش در مدیریت دانش، مزایای مهمی را نسبت به شیوه‌های سنتی فعلی مدیریت دانش فراهم می‌کند. این تکنیک‌ها، دانش‌های مدیریت شده را به سبکی آرشیو می‌کنند که در هنگام ارائه مشاوره برای استنباط دانش جدید یا ارائه توصیه‌ها یا تصمیمات برای حل مشکلات تجاری آینده، مانند متخصصان تعامل‌گر عمل کند. سیستم‌های خبره به‌عنوان یک تکنیک هوش مصنوعی، برای مدت طولانی مورداستفاده قرار گرفته‌اند. با این حال گسترش آن با پتانسیل‌های بالای ذاتی آن همخوانی ندارد. اکنون مهم است که تمرکز بیشتری برای اتخاذ سیستم‌های خبره در مدیریت دانش وجود داشته باشد. در ادامه بیان می‌کنیم که سیستم‌های خبره چگونه کار می‌کنند و مدیریت دانش چگونه می‌تواند از آن بهره‌مند شود.

فراوانی تولید دانش جدید

فراوانی تولید دانش جدید به منبع و ماهیت دانش بستگی دارد. شناخت دو دسته مرتبط با سیستم‌های خبره زیر در تولید دانش جدید مهم است:

  1. دانش ایستا یا شبه ایستا: شامل دانشی از علم ناب، دانش، مشخصات خاص و سایر دانش‌هایی است که میزان تغییر یا تولید دانش جدید در آن‌ها کم یا بسیار پایین است.
  2. دانش پویا: شامل شیوه‌های تجاری، دانش مرتبط با مشتری، رفتارها یا روندها، فرآیندهای عملیاتی و غیره است. این نوع دانش در معرض تغییرات نسبتاً بالایی یا تولید دانش جدید است.
  3. سیستم‌های خبره چندین مزیت اساسی نسبت به سیستم‌های کامپیوتری معمولی دارند:
  4. تصمیم‌گیری منسجم: زیرا از مکانیسم‌ها و الگوریتم‌های مشخصی پیروی می‌کنند که به طور خاص برای یک مورد مشخص جهت استنتاج راه‌حل‌ها یا تصمیمات بهینه طراحی شده‌اند.
  5. سیستم‌های خبره سطح کیفیت و اطلاعات را حفظ می‌کنند.
  6. برای تصمیمات توصیه شده استدلال ارائه می‌کنند.

ارائه دانش در هوش مصنوعی

پژوهش‌های هوش مصنوعی علیرغم ارتباط با روان‌شناسی شناختی به طور مستقیم به نمونه‌های ذهن بشر توجه ندارد بلکه به طراحی نظام‌های رایانه‌ایی که رفتار "هوشمندانه" دارند توجه می‌کند. منابع اصلی ارائه دانش در هوش مصنوعی، دانش را با دو رویکرد مورد بررسی قرار داده‌اند: دانش عام و فرادانش .
دانش عام: از تنوع بسیاری برخوردار بوده و ساختارهای گوناگونی دارد و دراین نوع دانش، چیزی که تاکنون مورد بررسی قرار گرفته از جمله طبقه‌بندی و ویژگی‌های اشیاء، رخدادها و فعالیت‌ها، عملکردها و فرآیندها می‌باشند .
فرادانش: دانشی است که درباره دامنه و ساختار دانش مورد استفاده در سیستم ارائه می‌شود.
در نظام هوش مصنوعی، دانش ذخیره می‌شود تا به وسیله برنامه‌ای رایانه‌ای مورد استفاده قرار گیرد. موارد عمده استفاده عبارتند از:

  • کسب دانش جدید (یادگیری)
  • بازیابی دانش از حافظه
  • استنتاج دانش‌هایی که ازنظر منطقی قابل استنتاج است، از دانش واقعی ثبت شده به کمک استدلال
کاربرد سیستم خبره چیست؟

به طور کلی ویژگی‌های اصلی که با آن می‌توان میزان ارائه دانش در هوش مصنوعی را سنجید عبارتند از:

  1. قابلیت بیانگری: این روش می‌تواند انواع سطوح مختلف تفکیک‌پذیری راداشته باشد. در این صورت این روش قادر خواهد بود دانش و ساختارهای پیچیده و روابط میان آن‌ها را نمایش دهد.
  2. مفید بودن: برای اندازه‌گیری یک روش، ارائه خوب و مفید آن است که ابزار لازم برای استنتاج دانش جدید از دانش موجود را دارا باشد و قابلیت محاسباتی داشته باشد تا بتوان ابزارهای کافی برای پشتیبانی سیستم تهیه کرد.
  3. كارآیی: روش ارائه دانش نه تنها باید استنتاج دانش جدید از دانش قبلی را ممکن سازد، بلکه باید این کار را با بازدهی بالا انجام دهد و امکان جمع‌آوری و ارائه دانش را به‌صورت کارآ فراهم سازد.
  4. صراحت: یک روش خوب ارائه دانش باید بتواند برای استنتاج‌های خود دلایل کافی ارائه نماید و اجازه توجیه استدلال‌هایش را فراهم سازد. همچنین حلقه استدلال نیز باید صریح و واضح باشد.

 

كمک به تجارت الکترونیکی و سازمان‌های هوشمند

مدیریت دانش یک فرآیند هوشمند است که طی آن داده‌های اولیه جمع‌آوری شده و به عناصر اطلاعاتی تبدیل می‌شوند سپس این عناصر اطلاعاتی یکپارچه و سازمان‌دهی شده به ساختارهایی با زمینه مرتبط (Context relevant structures) تبدیل می‌شوند که نشان‌دهنده دانش هستند. برای تمامی سازمان‌ها ذخیره اطلاعات مرتبط با کسب‌وکار در پایگاه داده‌ها، فایل سرورها، صفحات وب، پست الکترونیک، برنامه‌ریزی منابع سازمان (ERP) و مدیریت ارتباط با مشتری امری ضروری است که به این ترتیب توسط کاربران گوناگون قابل دسترسی می‌باشد. این مخازن یکپارچه که نظیر سیستم‌های مدیریت دانش عمل می‌کنند، می‌توانند اتلاف وقت در جستجوی اطلاعات خاص را کاهش داده و همچنین امکان تصمیم‌گیری بهتر در حوزه کسب‌وکار را فراهم می‌کنند. دانش چنین سیستم‌های مدیریت دانشی می‌تواند شرکت را به یک سازمان هوشمند تبدیل کند.

طرح‌های تشویقی برای جمع‌آوری دانش

پذیرش سیستم‌های خبره اجازه می‌دهد تا رویکردهای انگیزشی قدرتمندتر و کارآمدتری برای افزایش مشارکت کارکنان در تولید دانش جدید و افزودن به پایگاه دانش سازمان در نظر گرفته شود. مدل‌های سیستم خبره را می‌توان برای اندازه‌گیری تعداد استفاده از دانش ذخیره شده در پایگاه دانش در جلسات مشاوره مختلف توسعه داد. هر چه یک دانش در جلسات مشاوره بیشتر ظاهر شود، ارزش آن بیشتر شده و برای کارمندی که این دانش را ارائه می‌دهد، پاداش بیشتری خواهد داشت که این معیار مجزا از تعداد استفاده است. همچنین مواردی مانند صرفه‌جویی در هزینه، ایجاد درآمد، ارزش‌افزوده، بهبود عملکرد و غیره نیز قابل سنجش است. آن دسته از کارمندانی که بالاترین امتیاز را در هر یک از معیارهای ذکر شده کسب کنند، پاداش بیشتری دریافت خواهند کرد. تا زمانی که دانش ثبت شده اهمیت استفاده و کاربردپذیری خود را در جلسات مشاوره آینده حفظ کند، پاداش می‌تواند ادامه یابد؛ بنابراین کارکنان دلایل بسیار قوی برای پیگیری دانش جدید تولید شده که در طول وظایف روزانه خود با آن مواجه می‌شوند، دارند و تلاش‌ بیشتری را برای ارائه شیوه‌ها یا فرآیندهای نوآورانه ارتقا یافته جهت انجام وظایف تجاری انجام خواهند داد.

رویکرد مدیریت دانش سنتی نمی‌تواند چنین مکانیزم کارآمد و قدرتمندی را برای سنجش با ارزش‌ترین دانش ارائه دهد زیرا ارائه چنین ارزیابی برای تک تک دانش‌های ذخیره‌ شده در پایگاه دانش، اگر نگوییم غیرممکن، بسیار دشوار است. با سیستم‌های خبره، این کار می‌تواند با سهولت انجام شود زیرا موتورهای استنتاج قبلاً دانش ذخیره‌ شده را در طول فرآیند استدلال خود جستجو می‌کنند و بنابراین می‌توانند این گزینه را داشته باشند که با ارزش‌ترین دانش را طبق معیاری که سازمان در نظر می‌گیرد، همواره پایش کند.

جمع‌بندی

اتخاذ سیستم‌های خبره در مدیریت دانش مزایای زیادی را نسبت به رویکردهای سنتی فراهم می‌کند. این سبک مدیریت دانش را از "بازیابی دانش بایگانی شده" به سبک "جلسه مشاوره تخصصی" تبدیل می‌کند. علاوه بر این، این امکان را برای طرح‌های تشویقی قدرتمند و خود اجرایی فراهم می‌کند. این کار مزایای زیادی را به همراه دارد از جمله:

  1. کاهش زمان موردنیاز برای مراجعه جهت بهره‌مندی از دانش سازمان برای موارد آتی زیرا درحالی‌که جستجو به‌صورت خودکار انجام می‌شود، نقش مشاوره به خود می‌گیرد.
  2. ضمانت ارتباط و صحت بیشتر توصیه‌های به‌دست‌آمده با موضوع و چالش تحت بررسی. این به دلیل قابلیت‌های جستجوی جامع Inference Engines است.
  3. کارکنان بیشتری را تشویق کنید تا با پایگاه دانش سازمان برای یافتن توصیه‌های بهینه برای حل مسائل تجاری مشورت کنند. این امر عملکرد کلی سازمان و کارکنان را افزایش می‌دهد.
  4. مشارکت کارکنان را برای ایجاد پایگاه دانش سازمان افزایش می‌دهد.
  5. تفکر خلاق را از کارکنان در تمام سطوح تشویق کنید تا به دانش جدید و نوآورانه برای غلبه بر مسائل تجاری یا بهبود شیوه‌های تجاری فعلی دست یابند.
سازمان‌ها به‌شدت تشویق می‌شوند تا سیستم‌های خبره خود را برای مدیریت دانش توسعه دهند و گزینه‌ای را برای پیوند یا ادغام آن با هر سیستم مبتنی بر هوش مصنوعی آینده که ممکن است برای عملیات و فرآیندهای تجاری خود پیاده‌سازی کنند، در نظر بگیرند.



منبع: 

  • مقاله سیستم خبره و کاربرد آن در مدیریت نوشته آرش حبیبی کنفرانس بین‌المللی صنعتی شریف تهران
  • Artificial Intelligence-Based Knowledge Management


نقش مدیریت دانش در زنیجیره تامین
نقش مدیریت دانش در افزایش اثربخشی مدیریت ...
هوش تجاری  و مدیریت دانش
هوش تجاری، ابزاری برای مدیریت هوشمند دان ...
مدیریت ایمنی در مدیریت دانش
6 درس‌آموخته از مدیریت ایمنی برای مدیریت ...
داده کاوی در مدیریت دانش
داده‌کاوی (Data Mining) و کاربرد آن در م ...
مدیریت دانش در سازمان ثبت اسناد و املاک کشور
استقرار طرح جامع مدیریت دانش در سازمان ث ...
پیاده‌سازی مدیریت دانش در صنعت فولاد
طرح جامع مدیریت دانش در شرکت ایده‌پردازا ...
همکاری با ذی‌‌نفعان داخلی در پیشبرد استقرار مدیریت دانش
همکاری با ذی‌‌نفعان داخلی در پیشبرد استق ...
تاثیر هوش مصنوعی (AI) بر مدیریت دانش چیست؟
تاثیر هوش مصنوعی (AI) بر مدیریت دانش چیس ...
استقرار نظام مدیریت دانش در شرکت فولاد خوزستان
استقرار نظام مدیریت دانش در شرکت فولاد خ ...
مدیریت تغییر؛ اصول پیاده‌سازی و ابزارهای مورد استفاده
مدیریت تغییر؛ اصول پیاده‌سازی و ابزارهای ...
صنایع یاس ارغوانی
مهندس طاهری- صنایع یاس ارغوانی
نظام جامع مدیریت دانش با همکاری سازنده و تعهد کاری مجموعه مشاوران توسعه آینده توسط شرکت مهندسی صنایع یاس ارغوانی در مدیریت امور فناوری اطلاعات بانک ملت، با موفقیت پیاده‌سازی شد.
با عنایت به این موضوع که استفاده افراد از فرآیندها و ابزارهای مدیریت دانش و مشارکت در این مهم کاملاً امری فرهنگی است؛ کماکان جهت مشارکت حداکثری همکاران و اثربخش‌سازی دانش‌ها و تجارب اشتراک‌گذاری‌شده در ابتدای مسیر هستیم. همچنین امیدواریم با همکاری و رهنمودهای ارزنده تیم مشاوران توسعه آینده به موفقیت کامل در این مسیر نائل آییم

 
شرکت پتروشيمی رازی
مهندس اقتداریان- شرکت پتروشيمی رازی
مشاوران توسعه آینده به‌عنوان اولین شرکت ایرانی که از سال ۱۳۸3 در حوزه مدیریت دانش فعالیت داشته، توانسته است با بکارگیری روش‌های نوین و به‌روزآوری شیوه‌های کاری در صنایع بزرگ کشور ایفای نقش نماید. این نقش آفرینی با کشف، استخراج و غنی‌سازی دانش سازمانی و بهبود روش‌های انجام کار، به شکل چشم‌گیری در طیف وسیعی از مشتریان منجر به کاهش دوباره‌کاری‌ها، افزایش مزیت رقابتی و تاب‌آوری آن‌ها در فضای کسب‌و‌کار شده است.
شرکت ملی گاز ایران
مهندس صدری- شرکت ملی گاز ایران
جمع‌آوری قریب به 1500 بسته دانشی ارزشمند از 50 مدیر ارشد و خبره شرکت ملی گاز ایران ،کاری دشوار اما کم نظیر بود که تیم اجرایی و کارشناسان به خوبی از عهده آن بر آمدند.
شهرداری منطقه 10
مهندس شریف زاده- شهرداری منطقه 10
در سال ۱۳۹۱ به همت اداره آموزش شهرداری منطقه ۱۰ تهران، سیستم مدیریت دانش شهرداری منظقه ۱۰ راه‌اندازی شد. با همکاری شرکت مشاوران توسعه آینده مراحل شناخت، SWOT، شناسایی فیلدهای دانشی شهرداری، مصاحبه با خبرگان و... انجام پذیرفت و در نهایت با نصب نرم‌افزار مدیریت دانش، سامانه شهرداری منطقه ۱۰ راه‌اندازی شد. شهرداری منطقه ۱۰ تهران اولین شهرداری در سراسر کشور است که دارای این سامانه بوده و به‌طور فعالانه نسبت به استخراج و اشتراک دانش کارکنانش اقدام می‌نماید.  توسعه مشارکت عمومی کارکنان در فرآیندهای سازمانی، توسعه یادگیری در سطح کارکنان، پرهیز از دوباره‌کاری، کاهش هزینه‌ها و... بخشی از ثمرات راه‌اندازی این سیستم می‌باشد.
وزارت راه و ترابری
دکتر جعفرپور- مدیر دانش اسبق وزارت راه و ترابری
آینده شرکت مشاوران توسعه آینده در حوزه مدیریت دانش بسیار درخشان است. این شرکت آغازگر خوبی برای مدیریت دانش در ایران بوده است.
راهداری و حمل و نقل جاده‌ای
دکتر فلاح کهن- مسئول مدیریت دانش سازمان راهداری و حمل و نقل جاده‌ای

کادر مجرب و دانش آموخته شرکت مشاوران توسعه آینده با پیاده‌سازی سیستم مدیریت دانش و استقرار نرم‌افزار مرتبط به همراه ارائه بیش از ۱۶۰۰ نفر ساعت آموزش و ثبت ۱۸۰ بسته دانشی گامی بلند در جهت دستیابی به اهداف دانشی و ارتقاء بینش کارکنان سازمان برداشته است.
 
هلدینگ کشاورزی پارس
مهندس تهرانخواه- هلدینگ کشاورزی پارس
شرکت گسترش کشاورزی و دامپروری فردوس پارس با همکاری شرکت مشاوران توسعه آینده، توانست ضمن جمع‌آوری تجربیات مربوط به "طراحی و ساخت گلخانه‌ها" بستر نرم‌افزاری مناسبی را برای درج تجربیات جدید طراحی گلخانه‌ها ایجاد و مورد بهره‌برداری قرار دهد.
شرکت مادر تخصصی مدیریت ساخت و تهیه کالای آب و برق (ساتکاب)
دکتر لطیفی- شرکت مادر تخصصی مدیریت ساخت و تهیه کالای آب و برق (ساتکاب)
به دنبال گسترش فعالیت‌های شرکت ساتکاب، ایجاد بانک دانشی و آشنایی افراد با تکنیک‌های مدیریت دانش امری الزامی محسوب می‌شد که شرکت مشاوران توسعه آینده با ارائه خدمات تخصصی در این حوزه توانست ما را در این امر یاری کند.
هلدينگ میدکو

هلدینگ میدکو از اوایل دهه نود توسعه مدیریت دانش را با همکاری مشاوران توسعه آینده آغاز نمود. اجرای مدیریت دانش در میدکو با یک پروژه پایلوت در سطح ستاد آغاز شد و به سرعت در شرکت های زیرمجموعه توسعه پیدا...

شهرداری منطقه 10

امروزه گسترش فعالیت‌ها، تنوع و تعدد نیازهای زندگی شهری، فرصت اشتباه و اختراع دوباره چرخ را از سازمان‌های خدماتی گرفته است. هزینه تولید دوباره دانش و ریسک از دست دادن آن افزایش یافته و مدیریت...

پالایش نفت تهران

شرکت پالایش نفت تهران به عنوان یکی از بزرگترین و قدیمی‌ترین پالایشگاه‌های کشور از سال ۱۳۸۷ سفر مدیریت دانشی خود را با مشاوران توسعه آینده آغاز نمود. در آن سال‌ها بسیاری در مورد کارایی ا...

صنایع مس شهید باهنر

عدم مشارکت نیروی انسانی در فعالیت‌های مدیریت دانش به عنوان یکی از چالش‌های سازمانی شناخته شده است. لذا بسیاری از سازمان‌های کشور به هنگام پیاده‌سازی مدیریت دانش در سازمان خود با ای...