آیا دانش سازمان شما برای هوش مصنوعی آماده است؟

سال‌هاست سازمان‌ها برای حفظ و استفاده بهتر از دانش خود، اقدام به ثبت تجربیات، تدوین دستورالعمل‌ها، ایجاد پایگاه‌های دانش و مستندسازی دانش خبرگان می‌کنند. هدف روشن است: دانش ارزشمند نباید با جابه‌جایی افراد از بین برود و کارکنان باید در زمان نیاز به آن دسترسی پیدا کنند. اما ورود هوش مصنوعی، سؤال جدیدی پیش روی مدیریت دانش گذاشته: آیا دانشی که برای کارکنان مدیریت کرده‌ایم، برای استفاده توسط هوش مصنوعی نیز آماده است؟ این پرسش حیاتی است، زیرا هوش مصنوعی قرار است بیش از پیش به منابع دانشی دسترسی یابد و در پاسخ‌گویی، حل مسئله و تصمیم‌گیری به کارکنان کمک کند. در چنین شرایطی، کیفیت دانش سازمان مستقیماً بر کیفیت خروجی هوش مصنوعی اثر می‌گذارد.

دانش سازمانی فقط مجموعه‌ای از اسناد نیست.

وقتی از دانش سازمانی صحبت می‌شود، نخستین تصویر، فایل‌ها، دستورالعمل‌ها، گزارش‌ها و مستندات سامانه‌هاست، اما دانش سازمانی بسیار فراتر از این منابع است. تجربه یک کارشناس در حل مسئله، دلیل انتخاب یک روش خاص، تصمیم‌گیری در پروژه، نکات آموخته‌شده از خطا یا موفقیت، و حتی دانشی که در ذهن خبرگان شکل گرفته، همگی بخشی از سرمایة دانشی هستند. پس ممکن است سازمانی حجم عظیمی از اطلاعات داشته باشد، اما بخش قابل‌توجهی از دانش موردنیاز همچنان در دسترس نباشد. این موضوع در عصر هوش مصنوعی حساس‌تر می‌شود، زیرا سیستم هوشمند نمی‌تواند از دانشی استفاده کند که شناسایی، ثبت یا در دسترس قرار نگرفته است. همچنین صرف قرار دادن انبوهی از اسناد در اختیار ابزار هوشمند، به معنای آمادگی دانش نیست؛ اگر منابع با هم تناقض داشته باشند، برخی قدیمی باشند یا نسخه معتبر مشخص نباشد، پاسخ‌های نامطمئن تولید خواهند شد.

هوش مصنوعی، ضعف‌های مدیریت دانش را آشکار می‌کند.

ویژگی مهم هوش مصنوعی، دسترسی سریع به حجم عظیمی از اطلاعات است، اما همین ویژگی می‌تواند ضعف‌های پنهان مدیریت دانش را عیان کند. برای نمونه، در سازمانی ممکن است کارکنان بدانند برای پاسخ به یک سؤال باید به کدام کارشناس مراجعه کنند، ولی این دانش در هیچ دستورالعملی ثبت نشده باشد. یا ممکن است چند نسخه از یک دستورالعمل وجود داشته باشد و فقط افراد باتجربه بدانند کدام نسخه معتبر است. اگر سیستم هوشمند به همه این منابع دسترسی داشته باشد، اما تفاوت آن‌ها را تشخیص ندهد، پاسخ درستی ارائه نخواهد کرد. در اینجا مشکل از هوش مصنوعی نیست، بلکه به نحوه مدیریت دانش بازمی‌گردد. به بیان دیگر، هوش مصنوعی آینه تمام‌نمای وضعیت مدیریت دانش سازمان است.

چه دانشی برای استفاده توسط هوش مصنوعی آماده است؟

آمادگی دانش برای محیط‌های هوشمند به معنای بازطراحی یکباره تمام اطلاعات نیست، بلکه کیفیت و وضعیت دانش متناسب با کاربرد خاص اهمیت دارد. برای مثال، اگر سازمان قصد دارد دستیار هوشمندی برای پاسخ به سؤالات کارکنان درباره یک فرایند ایجاد کند، باید ابتدا دانش موردنیاز و وضعیت آن را مشخص کند. در این بررسی، پرسش‌های کلیدی عبارت‌اند از: 
- آیا دانش معتبر است و منبع آن مشخص است؟ 
- آیا به‌روز است و با آخرین قوانین و رویه‌ها مطابقت دارد؟ 
- آیا نسخه معیّن و معتبری دارد؟ 
- آیا دارای زمینه است و مشخص می‌کند در چه شرایطی کاربرد دارد؟ 
- آیا قابل ردیابی است و مسئول به‌روزرسانی آن معلوم است؟ 
این موارد برای مدیریت دانش تازه نیستند، اما با ورود هوش مصنوعی اهمیت بیشتری یافته‌اند، زیرا یک سیستم هوشمند ممکن است در چند ثانیه دانش نامعتبر یا قدیمی را به تعداد زیادی از کاربران ارائه کند

نقش مدیریت دانش در عصر هوش مصنوعی؛ از شناسایی تا کشف شکاف‌ها

ورود هوش مصنوعی نه تنها نقش مدیریت دانش را کمرنگ نمی‌کند، بلکه آن را به مرحله جدیدی وارد می‌سازد. پیشتر، پرسش اصلی این بود: «چگونه دانش را شناسایی، ثبت و در دسترس کارکنان قرار دهیم؟» اکنون سؤال دیگری نیز مطرح است: «چگونه دانش را مدیریت کنیم تا هم انسان و هم سیستم‌های هوشمند بتوانند به شکل قابل اعتماد از آن استفاده کنند؟» این تحول، مدیریت دانش را به جزء کلیدی آماده‌سازی سازمان برای هوش مصنوعی تبدیل می‌کند. شناسایی دانش‌های کلیدی، تعیین مالک دانش، معین کردن منابع معتبر، به‌روزرسانی دانش‌های قدیمی، مدیریت دانش خبرگان و تبدیل تجربیات ارزشمند به دانش قابل استفاده مجدد، همگی در موفقیت کاربردهای هوش مصنوعی نقش دارند.
جالب اینکه این رابطه یک‌طرفه نیست؛ هوش مصنوعی خود می‌تواند به کشف شکاف‌های دانشی کمک کند. برای نمونه، اگر کاربران مرتباً درباره موضوعی سؤال کنند که پاسخ مشخصی در منابع ندارد، احتمال وجود شکاف دانشی قوت می‌گیرد. اگر سیستم با منابع متناقض مواجه شود، ممکن است مشکل در فرایند به‌روزرسانی یا مالکیت دانش باشد. اگر پاسخ بسیاری از پرسش‌ها فقط از طریق مراجعه به خبرگان ممکن باشد، نشانه وجود دانش حیاتی و مستندسازی‌نشده است. بنابراین، هوش مصنوعی علاوه بر استفاده از دانش، به شناسایی بخش‌هایی که نیاز به تکمیل، اصلاح یا توسعه دارند نیز کمک می‌کند.

آیا باید تمام دانش سازمان را برای هوش مصنوعی آماده کرد؟

پاسخ منفی است. یکی از اشتباهات رایج، تصور ساماندهی کامل تمام دانش سازمان پیش از شروع استفاده از هوش مصنوعی است که پروژه را پیچیده، زمان‌بر و پرهزینه می‌کند. راهکار بهتر، بررسی آمادگی دانشی متناسب با کاربرد مشخص است. اگر هدف، دستیار هوشمند برای یک فرایند معین است، فقط دانش‌های مرتبط با آن فرایند شناسایی می‌شوند. سپس وضعیت آن‌ها ارزیابی می‌شود: کدام دانش‌ها در دسترس هستند؟ کدام به‌روز نیستند؟ چه شکاف‌هایی وجود دارد؟ کدام بخش از دانش در اختیار خبرگان است و باید مستند شود؟ و کدام منابع نیاز به اصلاح یا تکمیل دارند؟ به این ترتیب، مدیریت دانش و هوش مصنوعی به‌جای دو پروژه مجزا، در کنار هم پیش می‌روند.

از «مدیریت دانش» به «آمادگی دانشی برای هوش مصنوعی»

هوش مصنوعی جایگزین مدیریت دانش نمی‌شود، بلکه استفاده اثربخش از آن، نیاز به مدیریت هدفمند دانش را افزایش می‌دهد. سازمانی که می‌خواهد از هوش مصنوعی برای دسترسی سریع‌تر به دانش، بهره‌برداری از تجربیات گذشته یا پشتیبانی از تصمیم‌گیری استفاده کند، باید بداند دانش موردنیاز کجاست، چه کیفیتی دارد، مسئول آن کیست و چقدر قابل اعتماد است. بنابراین، در کنار آمادگی فناوری، داده، زیرساخت و مهارت، باید از «آمادگی دانشی» نیز سخن گفت. آمادگی دانشی به معنای توانایی شناسایی دانش‌های موردنیاز، ارزیابی وضعیت آن‌ها، تشخیص شکاف‌ها و ارائه دانش معتبر و به‌روز در زمان مناسب به افراد و سیستم‌های هوشمند است. 
در نهایت، هوشمند شدن سازمان تنها به مدل قدرتمند هوش مصنوعی وابسته نیست؛ اگر قرار است هوش مصنوعی از دانش سازمان استفاده کند، باید اطمینان داشت که این دانش نه فقط وجود دارد، بلکه قابل اعتماد، قابل دسترسی و قابل استفاده است. شاید مهم‌ترین پرسش مدیریت دانش در عصر هوش مصنوعی همین باشد: پیش از آنکه از هوش مصنوعی بخواهیم دانش سازمان را به کار گیرد، آیا خودمان دانش را به اندازه کافی مدیریت کرده‌ایم؟