سجاد رحیمی مدیسه

این سطور مطالعۀ مقایسه‌ای و تطبیقی در خصوص صد ابزار مولد مبتنی بر هوش مصنوعی در زمینه مدیریت یادگیری و مدیریت دانش است. تهیه و تنظیم: سجاد رحیمی مدیسه

فناوری هوش مصنوعی(AI)، توجه رسانه‌های عمومی و همچنین شرکت های تجاری را به خود جلب کرده است.

ارزش بازار جهانی هوش مصنوعی تا سال 2023 به 142.3 میلیارد دلار می رسد و انتظار می رود در سال های آینده به رشد خود به یک بازار تریلیون دلاری ادامه دهد.

اما هوش مصنوعی برای مدیران دانش چه اهمیتی دارد؟ هوش مصنوعی برای کسانی که در حوزۀ مدیریت دانش فعالیت دارند، چگونه راهگشاست؟

فعالین حوزۀ مدیریت دانش، باید نقشی فعال در هدایت و ادغام هوش مصنوعی در برنامه‌ها، مطالعات و فرآیندهای مدیریت دانش داشته باشند.

سؤال کلیدی: هوش مصنوعی مولد کجا و چگونه موارد، حوزه‌ها و فرآیندهای استفاده از دانش را تسریع و تأثیر می‌گذارد؟

راه حل‌های مدیریت دانش برای سازمان‌ها بر مبنای هوش مصنوعی در حوزه‌های مختلفی از جمله درک هوشمندانۀ بازار محصولات، پیش‌بینی فروش، خدمات مرتبط با مشتری و یادگیری و توسعۀ کارکنان می‌تواند ورود پیدا کند.

• خدمات مشتری: تجربه مشتری، مرکز تماس مشتری، تجزیه و تحلیل بازخورد مشتری، حوادث، مدیریت بلیط، پورتال های مشتری سلف سرویس، و چت وب مشتری.
• خدمات شناختی: جستجوی هوشمند، جستجوی معنایی، جستجوی شناختی، جستجوی نمادین و موتور بینش.
• زیرساخت هوش مصنوعی برای مدیریت دانش: هوش مصنوعی و پلتفرم‌های یادگیری ماشین، الگوریتم‌های نمادین و استدلال، یادگیری عمیق، مدل‌های زبان بزرگ و شبکه‌های عصبی.
• پلتفرم محتوا و همکاری: خودکارسازی اسناد و فرآیندهای هوشمند، اتوماسیون محتوا، بهینه‌سازی محتوا، سرمقاله محتوا، خلاصه‌سازی محتوا، هوش محتوا، پلت فرم دانش سازمانی، پلت فرم اشتراک‌گذاری دانش و پایگاه دانش.
• فروش و بازاریابی: تجربه برند، بازاریابی دیجیتال، تبلیغات دیجیتال، هوش بازار و هوش تحقیقاتی.
• یادگیری و توسعه: مهارت‌های هوشمند، کارگر دیجیتال، تعامل با استعداد، و پلت فرم یادگیری اجتماعی.

تا زمان نگارش این مطلب، 35فرآیند مدیریت دانش با فناوری‌ها و هوش مصنوعی مولد، در دنیا ارتقاء یافته‌اند که محورهای مهم آن عبارتند از:

1. یادگیری اجتماعی و توانایی های شخصی(مربی‌گری و کوچینگ)
2. توسعه و تبادل دانش
3. حفظ و استفاده مجدد دانش
4. کشف و انتشار تخصص
5. کشف و تولید دانش
6. خدمات دانش محور
7. تجزیه و تحلیل دانش و هوش

یادگیری اجتماعی و توانایی های شخصی(مربی‌گری و کوچینگ): برنامه های یادگیری و توسعه هدفمند را برای ارتقاء مهارت یا مهارت مجدد کارکنان با توصیه های دوره شخصی سازی شده برای پر کردن شکاف مهارتی می‌توان ایجاد نمود. حسگرهای دانش هوش مصنوعی می توانند رفتارهای هر یادگیرنده را ردیابی کنند تا ابعاد پنهانی که سبک یادگیری آنها را مشخص می کند، باز کنند. آنها گزارش های قابلیت را با توصیه های رفتاری و محتوای یادگیری می سازند. حسگرهای دانش هوش مصنوعی را می‌توان برای فعال کردن مسیرهای یادگیری تطبیقی و بهبود حاکمیت محتوا(حکمرانی دانشی) مورد استفاده قرار داد. کارمندان می توانند به طور موثر به به روزترین دارایی های یادگیری پیمایش کنند و می‌توانند برای رشد شغلی خود دستورالعمل هایی برای محتوای مرتبط دریافت کنند. به عنوان مثال، تجربیات یادگیری بازی‌محور، ویدیوهای تعاملی، و وبینارهای متخصص. هوش مصنوعی مولد می تواند با ارائه بازخورد، بینش و نظارت عملی بر عملکرد کارکنان، مربیگری کمکی(کوچینگ) را ارائه دهد؛ به عنوان مثال، بینش در مورد سبک های یادگیری، سبک های کار گروهی، و استراتژی های توسعه.

پیشنهادات مهارتی برای ایجاد قابلیت
با کمک هوش مصنوعی مولد، منابع انسانی و رهبران توسعه استعداد می‌توانند مهارت‌ها و قابلیت‌های نرم ذاتی کارکنان یک سازمان را کشف کنند و شباهت‌ها و تفاوت‌ها را در سراسر مجموعه برجسته کنند. رهبران می توانند استعدادهای بالقوه و فعلی را با بهترین نقش های خود مطابق انتظار سازمان مطابقت دهند. الگوریتم های هوش مصنوعی می توانند اقدامات یادگیرندگان را از طریق ترجیحات رفتاری، شناختی و تعامل اندازه گیری کنند. آنها به شناسایی شکاف‌های مهارتی زبان‌آموز کمک می‌کنند؛ ماژول‌های یادگیری کوچک را پیشنهاد می‌کنند و محتوا را در زمان واقعی برای تسریع توسعه مهارت تطبیق می‌دهند.

الگوریتم‌های هوش مصنوعی می‌توانند بر اساس ارزیابی رفتاری به شناسایی شکاف‌های توانایی بین افراد با عملکرد بالا و پایین کمک کنند. آن‌ها می‌توانند گزارش‌ها و بینش‌های توسعه‌ای را به رهبران ارائه دهند تا برنامه‌های توسعه مهارت‌های شخصی‌شده را برای رشد شغلی خود ارتقا دهند. در سطح تیم، الگوریتم‌های هوش مصنوعی می‌توانند با مقایسه با تیم‌های درجه A و توصیه رفتارهای مورد علاقه، به شناسایی رفتارهای برنده کمک کنند. تیم‌ها می‌توانند زمان استخدام جدید را کاهش دهند؛ پیروی از روش‌شناسی را هدایت کنند و عملکرد تیم خود را افزایش دهند.

یادگیری خودکار چند زبانه
با کمک هوش مصنوعی مولد، محتوای صوتی و تصویری را می‌توان به زبان‌های بسیاری رونویسی و ترجمه کرد، بنابراین محتوا را می‌توان برای مخاطبان جهانی در زمان واقعی تنظیم کرد. هوش مصنوعی می‌تواند به خودکارسازی ترجمه گفتار به گفتار کمک کند؛ یک ویدیوی آموزشی که به زبان انگلیسی صحبت می‌کند می‌تواند به طور خودکار به زبان فرانسوی(یا سایر زبان‌ها) بازسازی شود و فیلم آموزشی را در مدت زمان کوتاهی برای مخاطبان جدید در دسترس قرار دهد. الگوریتم‌های ترجمه هوش مصنوعی می‌توانند در زبان خاص دامنه برای دقت بالاتر، به عنوان مثال بانکی، مالی، حقوقی و ... تخصص داشته باشند.

الگوریتم‌های هوش مصنوعی می‌توانند پیچیدگی‌های صوتی کسب‌وکار، از جمله اصطلاحات صنعتی، لهجه‌ها، اعداد، ارزها، نام محصولات، و همچنین تفاوت‌های ظریف زبان گفتاری، از جمله زمزمه کردن، و لکنت را تصحیح و کنترل کنند. الگوریتم‌های هوش مصنوعی می‌توانند محتوای صوتی و تصویری را در چندین زبان قابل جستجو و در دسترس قرار دهند. نتایج جستجو محتوا را از زبان درخواستی و همچنین زبان دیگر باز می گرداند.

ایجاد پویا سبک یادگیری سرپرستی شده
با کمک هوش مصنوعی مولد، فراگیران می‌توانند استراتژی‌های یادگیری خود را تقویت کنند و بر اساس رفتارها و ترجیحات هر یادگیرنده، محتوا را به طور خاص برای هر یادگیرنده تنظیم کنند. فراگیران می توانند فضای آموزشی اختصاصی خود را با داشبوردی از فعالیت ها، پیشرفت ها، نکات مفید با توانایی ارتباط با سایر زبان آموزان داشته باشند. الگوریتم‌های هوش مصنوعی می‌توانند به یادگیرندگان کمک کنند تا اطلاعات و منابع یادگیری مختص تخصص و مهارت‌های خود را بیابند. یادگیرندگان می توانند هاب های یادگیری مبتنی بر نقش را با تکیه بر مدل های هوش مصنوعی یادگیری عمیق پیکربندی کنند. هنگامی که مدیریت هوشمند پیکربندی شود، محتوا را بر اساس نقش، جغرافیا و زبان ترجیحی فرد برای تماشا اولویت بندی می کند. یادگیرندگان توصیه هایی برای آموزش ها، فیلم ها و منابع یادگیری دریافت خواهند کرد.

در زمینه بهداشت و صنعت داروسازی، کارکنان می توانند با ثبت یا به روز رسانی آزمایشات جدید، از آخرین اطلاعات به روز بمانند. کارشناسان مراقبت‌های بهداشتی می‌توانند به‌روزرسانی‌ها و هشدارهای فوری را برای موضوعات مورد علاقه خود دریافت کنند، منظره را برای آخرین اخبار علمی و بیودارویی، از جمله تأییدیه‌های دارو، آزمایش‌ها، کنفرانس‌ها و موارد دیگر اسکن کنند.

پیشنهاد تطبیق تیم های دونفرۀ مربی محور
هوش مصنوعی مولد می‌تواند به پیشنهاد تیمی دونفرۀ منطبق با مربی و مربی در زمینه انتقال دانش مبتنی بر جامعه کمک کند. رابطه مربیگری به مهندسان اجازه می دهد تا در یک فعالیت یادگیری با کارشناسان برای توسعه مهارت های حیاتی ثبت نام کنند. برخلاف برنامه‌های سنتی، راهنمایی مبتنی بر جامعه، انتقال دانش انتقادی یک به چند است که با کل جامعه به اشتراک گذاشته می‌شود.

الگوریتم‌های هوش مصنوعی می‌توانند پس از انجام ارزیابی شکاف برای دانش و/یا تخصص از دست رفته، تخصص مورد نیاز را شناسایی کنند. هوش مصنوعی بعداً می‌تواند تخصص مورد نیاز را به بهترین جامعه بیابد و نقشه‌برداری کند و کارشناسانی را در این جامعه پیشنهاد دهد. تیم‌های دونفرۀ مربی‌محور، حداکثر دانش را به دست می‌آورد، رسمی می‌کند و با کل جامعه سازمانی به اشتراک می‌گذارد.

برخی ابزارهای کاربردی در این حوزه:
https://startupstash.com/tools/chorus-ai
https://www.fuseuniversal.com
https://www.zoominfo.com