کاربرد هوش مصنوعی در مدیریت دانش

ورود مدل‌های زبانی بزرگ (LLM) و معماری تولید تقویت‌شده با بازیابی (Retrieval-Augmented Generation – RAG) نیز امکان تعامل به زبان طبیعی با منابع دانش سازمانی را فراهم کرده است. بااین‌حال، استفاده از این فناوری‌ها به‌تنهایی به معنای مدیریت مؤثر دانش نیست. کیفیت منابع، ساختار اطلاعات، کنترل دسترسی و اعتبارسنجی پاسخ‌ها همچنان تعیین‌کننده‌اند.

مدیریت دانش چیست و هوش مصنوعی چه تغییری در آن ایجاد می‌کند؟

مدیریت دانش (Knowledge Management) مجموعه‌ای از فرایندها و رویه‌های سازمانی برای شناسایی، ایجاد، ثبت، سازمان‌دهی، اشتراک‌گذاری و استفاده از دانش در سطح سازمان است. هدف آن صرفاً ذخیره‌سازی اطلاعات نیست؛ سازمان باید بتواند دانش موجود را در زمان مناسب به تصمیم، اقدام و بهبود عملکرد تبدیل کند.

معرفی هوش مصنوعی سازمانی

استانداردISO 30401مدیریت دانش را در قالب یک نظام مدیریتی مستمر بررسی می‌کند که باید با اهداف، فرهنگ و فرایندهای سازمان هماهنگ باشد. این استاندارد تأکید می‌کند که مدیریت دانش نباید به یک نرم‌افزار یا مخزن اطلاعات مستقل محدود شود.

برای درک نقش هوش مصنوعی، باید میان دو نوع دانش تمایز قائل شد

• دانش صریح(Explicit Knowledge)دانشی که قابلیت ثبت و انتقال دارد؛ مانند دستورالعمل‌ها، گزارش‌ها، مستندات فنی و رویه‌های اجرایی.
• دانش ضمنی(Tacit Knowledge)تجربه، مهارت و قضاوتی که افراد در طول فعالیت حرفه‌ای کسب می‌کنند و انتقال آن به قالب‌های مستند دشوارتر است.

هوش مصنوعی در پردازش دانش صریح توانایی‌های گسترده‌ای دارد؛ اما استخراج دانش ضمنی به تعامل با کارکنان، ثبت تجربه‌ها و شناخت زمینه فعالیت آن‌ها نیازمند است. بنابراین، نباید توانایی پردازش اسناد را با توانایی درک کامل تجربه سازمانی یکسان دانست.

مهم‌ترین کاربردهای هوش مصنوعی در مدیریت دانش

کاربردهای هوش مصنوعی در مدیریت دانش را می‌توان در چند دسته اصلی بررسی کرد.

استخراج و طبقه‌بندی دانش

سازمان‌ها با حجم زیادی از اسناد متنی و غیرمتنی سروکار دارند. مدل‌های پردازش زبان طبیعی و یادگیری ماشین می‌توانند در استخراج اطلاعات، شناسایی موضوعات، تشخیص موجودیت‌ها و دسته‌بندی اسناد کمک کنند. برای مثال در یک شرکت تولیدی، سامانه هوشمند می‌تواند گزارش‌های تعمیرات را تحلیل و آن‌ها را بر اساس نوع دستگاه، علت خرابی، قطعه مصرفی و اقدام اصلاحی دسته‌بندی کند. در نتیجه، تجربه‌های ثبت‌شده در گزارش‌های پراکنده برای استفاده مجدد در دسترس قرار می‌گیرند.

جست‌وجوی معنایی و بازیابی اطلاعات

در جست‌وجوی سنتی، نتایج عمدتاً بر اساس تطبیق واژه‌ها و شاخص‌های متنی بازیابی می‌شوند. اما جست‌وجوی معنایی (Semantic Search) تلاش می‌کند مفهوم و زمینه پرسش را نیز در نظر بگیرد. برای مثال، کاربری که عبارت «علت توقف مکرر خط تولید» را جست‌وجو می‌کند، ممکن است به گزارش‌هایی نیاز داشته باشد که در آن‌ها از عبارت‌های «خرابی تجهیزات»، «اختلال عملیاتی» یا «توقف اضطراری» استفاده شده است. جست‌وجوی معنایی می‌تواند ارتباط میان این مفاهیم را بهتر شناسایی کند و نتایج مرتبط‌تری ارائه دهد.

خلاصه‌سازی و تولید محتوای دانش‌محور

مدل‌های زبانی بزرگ می‌توانند اسناد طولانی را خلاصه کنند، نکات کلیدی را استخراج کنند و از چند منبع، یک گزارش یکپارچه بسازند. برای مثال، مدیر منابع انسانی می‌تواند از سامانه بخواهد مهم‌ترین تغییرات دستورالعمل‌های داخلی را استخراج کند یا کارشناس پشتیبانی می‌تواند خلاصه‌ای از سوابق یک مسئله را دریافت کند. البته خلاصه تولیدشده باید به اسناد اصلی قابل‌ارجاع باشد؛ زیرا حذف یک استثنا یا شرط مهم ممکن است معنای دستورالعمل را تغییر دهد.

انتقال دانش و دستیارهای سازمانی

دستیارهای هوشمند سازمانی می‌توانند از طریق زبان طبیعی به پرسش‌های کارکنان پاسخ دهند و آن‌ها را به اسناد و دستورالعمل‌های مرتبط هدایت کنند. برای مثال، کارمند تازه‌وارد می‌تواند درباره فرایند ثبت درخواست خرید سؤال کند و به‌جای جست‌وجوی دستی در چندین پوشه، پاسخ اولیه و ارجاع به دستورالعمل مربوط را دریافت کند. این قابلیت می‌تواند زمان جست‌وجوی اطلاعات را کاهش دهد و دسترسی به دانش ثبت‌شده را آسان‌تر کند؛ البته کیفیت نتیجه به کامل‌بودن منابع و دقت بازیابی وابسته است.

تحلیل دانش و شناسایی خلأهای اطلاعاتی

هوش مصنوعی می‌تواند پرسش‌های تکراری، موضوعات پرتکرار، اسناد قدیمی و حوزه‌هایی که اطلاعات کافی ندارند را شناسایی کند. برای مثال، اگر کارکنان یک سازمان بارها درباره یک فرایند مشخص سؤال کنند، این موضوع ممکن است نشانه‌ای از ضعف مستندات یا نامشخص بودن رویه اجرایی باشد. این اطلاعات به فرایندهای مدیریت دانش سازمانی کمک می‌کند اولویت‌های مستندسازی و به‌روزرسانی محتوا را مشخص کنند.

مدل‌های زبانی بزرگ و RAG چگونه به دانش سازمانی متصل می‌شوند؟

یکی از محدودیت‌های مدل‌های زبانی این است که دانش آن‌ها لزوماً با آخرین تغییرات اسناد داخلی سازمان به‌روز نیست. همچنین، مدل به‌تنهایی دسترسی مستقیمی به تمام منابع خصوصی سازمان ندارد. معماری تولید تقویت‌شده با بازیابی یا RAG برای پاسخ‌گویی به بخشی از این مسئله طراحی شده است. در این معماری، پیش از تولید پاسخ، اطلاعات مرتبط از منابع خارجی یا پایگاه دانش سازمان بازیابی می‌شوند و به‌عنوان زمینه در اختیار مدل زبانی قرار می‌گیرند.

فرایند معمول RAG شامل مراحل زیر است

1. اتصال منابعاسناد، پایگاه‌های اطلاعاتی و مخازن دانش سازمان شناسایی می‌شوند.
2. پردازش و قطعه‌بندیمحتوای موردنیاز استخراج و به بخش‌های کوچک‌تر تقسیم می‌شود.
3. نمایش برداریبخش‌های متنی به بردارهای عددی یا وکتور تبدیل می‌شوند تا شباهت معنایی آن‌ها برای الگوریتم قابل‌محاسبه باشد.
4. بازیابیبا دریافت پرسش، بخش‌های مرتبط از پایگاه دانش انتخاب می‌شوند.
5. تولید پاسخمدل زبانی با استفاده از پرسش و اطلاعات بازیابی‌شده پاسخ را تولید می‌کند.

در بسیاری از پیاده‌سازی‌ها، جست‌وجوی برداری با جست‌وجوی کلیدواژه‌ای ترکیب می‌شود. این روش که جست‌وجوی ترکیبی (Hybrid Search) نام دارد، می‌تواند هم تطبیق واژگانی و هم شباهت معنایی را در نظر بگیرد.

اما تفاوتRAGبا آموزش اختصاصی مدل چیست؟در RAG، مدل هنگام پاسخ‌گویی به منابع دانش متصل می‌شود؛ اما در فاین‌تیونیگ یا ریزتنظیم مدل، پارامترهای مدل برای انجام بهتر یک وظیفه یا انطباق با الگوی خاصی از داده‌ها تغییر می‌کنند. بنابراین، برای به‌روزرسانی مکرر اسناد سازمانی، RAG معمولاً گزینه مناسب‌تری برای بررسی اولیه است؛ هرچند انتخاب نهایی به نوع مسئله بستگی دارد.

عامل هوش مصنوعی چه نقشی در مدیریت دانش دارند؟

عامل‌های هوش مصنوعی می‌توانند فراتر از پاسخ‌گویی به پرسش‌ها عمل کنند. یک دستیار دانش‌محور معمولاً اطلاعات را بازیابی و ارائه می‌کند؛ اما یک عامل هوشمند در صورت برخورداری از ابزارها و مجوزهای لازم می‌تواند چند مرحله از یک گردش کار را نیز اجرا کند.

برای مثال در یک فرایند پشتیبانی فنی، عامل می‌تواند

• گزارش خرابی جدید را دریافت کند
• موارد مشابه را در سوابق تعمیرات پیدا کند
• دستورالعمل مرتبط را بازیابی کند
• راهکار پیشنهادی را برای بررسی کارشناس ارائه دهد
• پس از تأیید، نتیجه تعمیر را در سامانه ثبت کند

این قابلیت‌ها به معنای جایگزینی قضاوت متخصصان نیست. به‌ویژه در تصمیم‌های حساس، باید حدود اختیار عامل، سطح تأیید انسانی و امکان ردیابی اقدامات آن مشخص باشد.

استفاده از هوش مصنوعی در فرایند مدیریت دانش چه چالش‌هایی دارد؟

استفاده از هوش مصنوعی بدون توجه به کیفیت داده و حاکمیت اطلاعات می‌تواند به نتایج نادرست یا حتی افشای اطلاعات منجر شود.

• کیفیت و پراکندگی اطلاعاتاسناد تکراری، متناقض، قدیمی و فاقد مالک مشخص می‌توانند کیفیت بازیابی را کاهش دهند. پیش از اتصال مدل به منابع سازمانی، باید فرایند پاک‌سازی، نسخه‌بندی و تعیین اعتبار اسناد اجرا شود.
• امنیت و کنترل دسترسیهر کاربر نباید به تمام دانش سازمان دسترسی داشته باشد. سامانه باید مجوزهای دسترسی را در مرحله بازیابی نیز رعایت کند. بازیابی دانش می‌تواند با مجوزهای کاربر و برچسب‌های حساسیت اطلاعات هماهنگ شود؛ هرچند این قابلیت محدودیت‌های فنی مشخصی نیز دارد.
• توهم و پاسخ‌های نادرستمدل‌های زبانی ممکن است اطلاعات نادرست تولید کنند یا از منابع ناقص نتیجه‌گیری کنند. استفاده از RAG این ریسک را کاهش می‌دهد، اما آن را از بین نمی‌برد. ارجاع به منابع اصلی، ارزیابی پاسخ‌ها و تعیین موارد نیازمند تأیید انسانی ضروری است.
• دانش ضمنی کارکنانتجربه‌های حرفه‌ای همیشه در اسناد ثبت نمی‌شوند. مصاحبه‌های ساختاریافته، ثبت فرایندهای کاری و مستندسازی تصمیم‌های مهم باید بخشی از برنامه مدیریت دانش باشند.
• هزینه و بازده اقتصادیهزینه زیرساخت، پردازش اسناد، مدل‌های زبانی، نگهداری و نظارت باید در کنار منافع عملیاتی بررسی شود. کاهش زمان جست‌وجو یا بهبود کیفیت پاسخ به‌تنهایی اثبات‌کننده بازده اقتصادی کل پروژه نیست.

برای مدیریت ریسک‌های هوش مصنوعی مولد، چارچوب NIST AI RMF و پروفایل اختصاصی هوش مصنوعی مولد آن می‌توانند مبنای مناسبی برای طراحی فرایند ارزیابی و نظارت باشند.

NIST AI RMF Playbook

Artificial Intelligence Risk Management Framework (AI RMF 1.0)

سازمان‌ها چگونه مدیریت دانش مبتنی بر AI را پیاده‌سازی کنند؟

پیاده‌سازی موفق باید از یک مسئله عملیاتی آغاز شود، نه از انتخاب یک مدل هوش مصنوعی.

• مسئله را مشخص کنید.تعیین کنید سازمان دقیقاً با چه مشکلی روبه‌رو است؛ جست‌وجوی دشوار اسناد، خروج دانش با بازنشستگی کارکنان، تکرار خطاها یا طولانی‌بودن فرایند پاسخ‌گویی.
• منابع دانش را شناسایی کنید.مشخص کنید اطلاعات در کدام سامانه‌ها، فایل‌ها و پایگاه‌های اطلاعاتی قرار دارند و چه کسی مالک هر منبع است.
• کیفیت و دسترسی را سامان دهید.اسناد قدیمی، نسخه‌های تکراری، اطلاعات متناقض و مجوزهای نامشخص باید بررسی شوند.
• معماری متناسب را انتخاب کنید.ممکن است یک موتور جست‌وجوی معنایی برای مسئله کافی باشد. در موارد دیگر به RAG، گراف دانش یا عامل‌های هوشمند نیاز است.
• پروژه را با یک پایلوت کوچک آغاز کنید.یک واحد سازمانی یا مجموعه اسناد مشخص را انتخاب کنید و عملکرد سامانه را با فرایند فعلی مقایسه کنید.
• ارزیابی و بهبود مستمر را اجرا کنید.دقت بازیابی، کیفیت پاسخ، امنیت، رضایت کاربران و هزینه عملیاتی باید به‌صورت دوره‌ای سنجیده شوند.

پرسش‌های متداول

• هوش مصنوعی در مدیریت دانش چه کاربردی دارد؟
  از کاربردهای اصلی آن می‌توان به استخراج و طبقه‌بندی اطلاعات، جست‌وجوی معنایی، خلاصه‌سازی اسناد، پاسخ‌گویی به پرسش‌های کارکنان و تحلیل خلأهای دانشی اشاره کرد.
• RAGچه نقشی در مدیریت دانش سازمانی دارد؟
  RAG مدل زبانی را به منابع دانش سازمان متصل می‌کند تا پاسخ‌ها بر اساس اطلاعات بازیابی‌شده تولید شوند. این روش امکان استفاده از اسناد به‌روز را بدون نیاز به آموزش مجدد مدل برای هر تغییر فراهم می‌کند.
• آیاChatGPTمی‌تواند به اسناد داخلی سازمان متصل شود؟
  امکان اتصال به منابع سازمانی به محصول، نسخه، مجوزها و معماری پیاده‌سازی بستگی دارد. در راهکارهای سازمانی، باید کنترل دسترسی، محل پردازش اطلاعات و سیاست‌های نگهداری داده بررسی شوند.
• تفاوت مدیریت دانش سنتی و مدیریت دانش مبتنی بر هوش مصنوعی چیست؟
  در مدیریت دانش سنتی، بخش زیادی از سازمان‌دهی و بازیابی اطلاعات به ساختارهای از پیش تعریف‌شده و جست‌وجوی دستی وابسته است. راهکارهای هوش مصنوعی می‌توانند این فرایندها را با تحلیل معنایی، استخراج خودکار و تعامل زبان طبیعی تسهیل کنند؛ اما همچنان به فرایندها و نظارت انسانی نیاز دارند.
• آیا هوش مصنوعی می‌تواند دانش ضمنی کارکنان را استخراج کند؟
  هوش مصنوعی می‌تواند به ثبت و ساختاردهی بخشی از تجربه‌ها از طریق مصاحبه، مکالمه و تحلیل سوابق کاری کمک کند؛ اما تمام ابعاد مهارت، قضاوت و تجربه ضمنی افراد را نمی‌توان صرفاً از اسناد استخراج کرد.
• مهم‌ترین ریسک مدیریت دانش مبتنی بر هوش مصنوعی چیست؟
  دسترسی غیرمجاز به اطلاعات، پاسخ‌های نادرست، استفاده از اسناد منسوخ و نبود سازوکار اعتبارسنجی از ریسک‌های اصلی هستند. این مسائل باید از مرحله طراحی معماری در نظر گرفته شوند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.