کتاب مدیریت دانش در عصر هوش مصنوعی اثر لیلا طاهرخانی نشر انتشارات نظری

هوش مصنوعی (AI) امروزه به جدیدترین کلمه کلیدی در صنعت تبدیل شده است. با این حال، هوش مصنوعی چندین دهه است که وجود داشته است. هدف هوش مصنوعی این است که رایانه‌ها را قادر سازد تا وظایفی را انجام دهند که معمولاً به هوش انسانی نیاز دارند، زیرا چنین هوش مصنوعی پس از انجام بسیاری از مشاغل توسط انسان تکامل می‌یابد. هوش مصنوعی در اواخر دهه ۱۹۸۰ و اوایل دهه ۱۹۹۰ به یک علم چند رشته‌ای تبدیل شد که شامل سیستم‌های خبره، شبکه‌های عصبی، روباتیک، پردازش زبان طبیعی (NLP)، تشخیص گفتار و واقعیت مجازی بود.

مدیریت دانش (KM) نیز یک علم چند رشته‌ای است. KM شامل روانشناسی، معرفت‌شناسی و علوم‌شناختی است. هدف KM این است که افراد و سازمان‌ها را قادر به همکاری، به اشتراک‌گذاری، ایجاد، استفاده و استفاده مجدد از دانش کند. KM برای بهبود عملکرد، افزایش نوآوری و گسترش آنچه که از منظر فردی و سازمانی لازم می‌دانیم، به کار می‌رود.

KM و AI در هسته هر دو آنها، "دانش" است. هوش مصنوعی مکانیسم‌هایی را برای یادگیری ماشین‌ها فراهم می‌کند. هوش مصنوعی به ماشین‌ها اجازه می‌دهد تا دانش را به دست آورند، پردازش کنند و از آن برای انجام وظایف و بازگشایی دانشی که می‌تواند برای بهبود فرآیند تصمیم‌گیری به انسان ها کمک کند، استفاده کنند. AI و KM دو روی یک سکه هستند. KM اجازه می‌دهد تا درک دانش رخ دهد، در حالی که AI قابلیت‌های گسترش، استفاده و ایجاد دانش را به روش‌هایی که ما هنوز تصور نکرده‌ایم فراهم می‌کند.

ارتباط KM و AI راه را برای محاسبات شناختی هدایت کرده است. محاسبات شناختی از مدل‌های کامپیوتری برای شبیه‌سازی فرآیندهای فکری انسان استفاده می‌کند. محاسبات شناختی شامل نرم‌افزار شبکه عصبی مصنوعی، یادگیری ماشین و یادگیری عمیق است که از متن کاوی/ داده کاوی، تشخیص الگو و پردازش زبان طبیعی برای تقلید از نحوه عملکرد مغز انسان استفاده می‌کند. محاسبات شناختی راه را برای کاربردهای آینده پیشرو که شامل AI و KM هستند، هموار می‌کند.

در سال‌های اخیر، توانایی استخراج مقادیر بیشتری از داده‌ها، اطلاعات و دانش برای به دست آوردن مزیت رقابتی و اهمیت تجزیه و تحلیل داده‌ها و متن ها در حال افزایش هستند. همانطور که تکثیر داده‌های ساختاریافته و بدون ساختار همچنان در حال رشد است، ما همچنان نیاز به کشف دانش موجود در این منابع کلان داده خواهیم داشت. محاسبات شناختی کلید استخراج دانش از داده‌های بزرگ خواهد بود. استراتژی، رویکردهای فرآیند محور و جنبه‌های بین‌سازمانی پشتیبانی از تصمیم‌گیری برای تحقیق در مورد فناوری جدید و تلاش‌های دانشگاهی در این فضا به ارائه بینش‌هایی درباره نحوه پردازش داده‌های بزرگ برای افزایش قدرت تصمیم‌گیری ادامه خواهند داد. محاسبات شناختی تکامل بعدی ارتباط بین AI و KM است.