شش روند برای سال 2021: آینده مدیریت دانش

شش روند برای سال 2021: آینده مدیریت دانش
19 نوامبر 2020 – 08:13 دانیل فالمن ، موسس و مدیر عامل

داده های واقعی همیشه ارزش تجاری ایجاد نمی کنند یا مزیت رقابتی ایجاد نمی کنند. کاری که شرکت ها با داده های خود انجام می دهند، چیزی است که واقعاً سوزن را حرکت می دهد. سازمان‌ها به قدرت یک راه‌حل مدیریت دانش پیشرفته در اختیارشان نیاز دارند – راه‌حلی که طیف وسیعی از فناوری‌های آینده‌نگر را در بر می‌گیرد – در غیر این صورت، نمی‌توانند از ارزش داده‌های خود به طور سودآور بهره‌برداری کنند.

داده ها را “نفت آینده” نامیده اند. داده ها بسیار شبیه نفت هستند زیرا فقط زمانی ارزش دارند که پردازش شوند. داده‌ها زمانی ارزشمند می‌شوند که به اطلاعات و سپس دانشی تبدیل شوند که نه تنها در اختیار متخصصان قرار می‌گیرد، بلکه می‌تواند به راحتی در کل سازمان به اشتراک گذاشته شود.

همانطور که پیچیدگی افزایش می یابد و کوه هایی از داده ها رشد می کنند، انجام این ماموریت سخت تر و دشوارتر می شود. ما در نهایت به چیزی شبیه به پارادوکس می رسیم – شرکت ها آنچه را که می دانند نمی دانند.

متخصصان مدیریت دانش سال‌هاست که برای توسعه فناوری که بتواند بر این چالش غلبه کند، کار کرده‌اند. این فناوری در ابتدا به عنوان “جستجوی سازمانی” شناخته شد. حتی اگر امروزه، به دلیل پیشرفت چشمگیر فن آوری و زمینه های کاربردی، اغلب از “موتورهای بینش”، “جستجوی شناختی” یا “جستجوی هوش مصنوعی” صحبت می شود، همه آنها یک هدف را دنبال می کنند: ارائه اطلاعات مورد نیاز کاربران – در زمان مناسب، در مکان مناسب/مورد کسب و کار، و با دقت دقیق – کاربران را قادر به انجام وظایف خاص می کند.

مرتبط ترین اطلاعات برای هر کاربر متفاوت است. این می تواند آدرس مشتری، مشخصات فنی یک قطعه یا ارقام فروش یک محصول در یک منطقه خاص باشد.

در این تحلیل روند، مروری بر روش‌ها و ابزارهایی که سازمان‌ها برای دستیابی به مزیت رقابتی و سودآوری داده‌ها در سال 2021 نیاز دارند، به خوانندگان خود ارائه می‌کنیم.

1. جمع آوری اطلاعات از رفتار کاربر

یکی از پیش نیازهای کلیدی برای مدیریت دانش آینده نگر، ظرفیت استخراج داده ها از صدها و هزاران سیلو داده پراکنده در سراسر یک شرکت و پیوند آنها با یکدیگر برای ایجاد بینش معنادار است. برای این منظور، مدت‌هاست که از “اتصال‌کننده‌ها” برای بازیابی داده‌ها از برنامه‌های Siled و انتقال آن به نوعی سطح فلزی استفاده می‌شود، جایی که می‌توان آن‌ها را همبستگی و زمینه‌سازی کرد.

سیستم های امروزی در حال انجام کار عالی برای پاکسازی سیلوها هستند. با این حال، اگر اطلاعات را فقط به صورت خام و بدون فیلتر ارائه کنید، کاربران کوه‌هایی از داده‌ها را جستجو می‌کنند و در اقیانوسی از نتایج جستجوی غیرضروری غرق می‌شوند. این امر یافتن پاسخ هایی را که برای تکمیل وظایف خود نیاز دارند غیرممکن می کند.

به همین دلیل است که ارائه دهندگان مدیریت دانش اکنون تمرکز خود را به سمت تجزیه و تحلیل عواملی معطوف کرده اند که به طور خاص در نحوه استفاده از اطلاعات یافت می شوند. در اصطلاح فنی، این به عنوان مدل رفتاری برای طراحی سیستم بازیابی اطلاعات شناخته می شود. این عوامل شامل اهمیت فعالیت ها، اقدامات قبلی انجام شده در ارتباط با یک قطعه خاص از اطلاعات، رفتار جستجوی خاص، و حتی احساساتی است که کاربران با اطلاعات مرتبط می کنند – موضوعی که به شدت به تجربه مشتری یا «اقتصاد تجربه» مرتبط است. ”

بر اساس تحلیل رفتاری، سیستم‌های مدیریت دانش امروزی می‌توانند دقیقاً اطلاعات مورد نیاز کاربران را بدون پرداخت مالیات بر آن‌ها ارائه دهند. یا به بیانی دیگر، سیستم ارتباط یک بخش از اطلاعات را شخصی سازی می کند.

2. تجزیه و تحلیل و جستجوی داده های هوش مصنوعی پاسخ های واقعی به سوالات طبیعی ارائه می دهد

این گروه از موضوعات شامل فناوری‌هایی است که تعامل طبیعی انسان و ماشین را ممکن می‌سازد، مانند پردازش زبان طبیعی (NLP)، پاسخ‌گویی به سؤالات زبان طبیعی (NLQA)، و پردازش محتوای معنایی.

در حالی که این عوامل برای پذیرش و کارایی حیاتی باقی می مانند و در سال 2021 بهینه سازی می شوند، موضوع “تحلیل X” به آنها ملحق می شود، که به زبان ساده شامل ادغام دنیای ادراک انسان در فرآیند کسب اطلاعات و دانش است. روشی که شتاب فزاینده ای به دست خواهد آورد. به گفته گارتنر، این شامل تجزیه و تحلیل محتوای ویدئویی و تصویری برای مقابله با چالش هایی مانند بهینه سازی زنجیره تامین یا ارائه پشتیبانی برای تشخیص های پزشکی است. تجزیه و تحلیل داده‌های ارتعاشی و صوتی می‌تواند برای افزایش کارایی تعمیر و نگهداری پیش‌بینی‌کننده استفاده شود – مثالی که صرفاً سطح انبوهی از کاربردهای بالقوه دیگر را خراش می‌دهد.

به بیان ساده، عوامل ذکر شده در بالا با هدف دیجیتالی کردن تجربه انسانی، و تبدیل سیستم های مدیریت دانش به شرکای واقعی و موثر در محل کار است.

3. نظارت ضعیف: هوش مصنوعی بدون درد در حال رشد

تا به حال، هوش مصنوعی با یک نقص جدی مواجه بوده است: راه‌اندازی و راه‌اندازی یک سیستم هوش مصنوعی در یک شرکت مستلزم مجموعه‌های عظیمی از داده‌های آموزشی است. جمع‌آوری داده‌ها، آماده‌سازی و پاک‌سازی داده‌ها مستلزم مقدار قابل‌توجهی کار دستی بود – و هر چه داده‌ها بیشتر بود، آن کار پیچیده‌تر می‌شد.

روش «نظارت ضعیف» رویکرد جدیدی را اتخاذ می‌کند: هوش مصنوعی با استفاده از مجموعه‌های داده‌ای که از قبل در شرکت وجود دارد و معمولاً باید به صورت دستی وارد می‌شد و احتمالاً طبقه‌بندی می‌شد، به تنهایی یاد می‌گیرد.

هنگامی که فرآیند یادگیری ماشینی یا یادگیری عمیق در جریان است، به لطف اثر بازخورد، دقت به طور مداوم بهبود می یابد. پس از دو یا سه ماه کارکرد، سیستم را می توان به طور کامل به پردازش کاملاً خودکار یا به اصطلاح پردازش تاریک تغییر داد – و همه اینها را می توان با یک مرحله آموزشی به شدت کاهش یافته یا حتی بدون آموزش انجام داد.

در عین حال، و به‌عنوان نوعی بسط برای پردازش تاریک، فروشندگان راه‌حل‌های مدیریت دانش تأکید بیشتری بر روند هوش مصنوعی قابل توضیح (XAI) دارند تا تصمیم‌های خاص اتخاذ شده توسط هوش مصنوعی را قابل ردیابی و قابل درک کنند. با توجه به این واقعیت که این امر تنها تا حد محدودی با استفاده از مدل های بسیار پیچیده قابل دستیابی است، سفر در سال 2021 کاملاً در جهت ساده سازی خواهد بود.

4. نمای 360 درجه به جریان اصلی تبدیل می شود

به جای جمع‌آوری داده‌ها و اطلاعات مورد نیاز خود برای انجام یک کار خاص، پردازش اطلاعات جامع استاندارد جدید است. این امر به همان اندازه که برای مکانیک خدمات صدق می کند، برای مدیر عاملی که برای تصمیم گیری سریع به دید 360 درجه متکی است، صدق می کند.

ادغام دنیای هوش تجاری (BI) و جستجوی سازمانی نشانه بیرونی این پیشرفت است و ما شاهد هستیم که فروشندگان بیشتری وارد شراکت می شوند یا طرف مقابل را خریداری می کنند.

نمای 360 درجه
نمای 360 درجه

5. ابر توزیع شده و ابر ترکیبی: ابر به سمت کاربر می آید

گارتنر گزارش می دهد که سرویس های ابری به طور فزاینده ای در چندین مکان پخش می شوند، اگرچه عملیات، مدیریت و توسعه همچنان بر عهده ارائه دهنده عمومی ابر است. محققان بازار این سناریو را به عنوان “ابر توزیع شده” توصیف می کنند.

در کنار روند کلی ابر ترکیبی، محاسبات ابری توزیع شده به گونه ای طراحی شده است که در هر جایی که تأخیر کم، هزینه داده کم، یا قوانینی که دیکته می کنند داده ها باید در یک منطقه جغرافیایی خاص باقی بمانند استفاده شود. این همچنین به این معنی است که سازمان‌ها به جای مدیریت ابر خصوصی خود که می‌تواند پرهزینه و پیچیده باشد، از مزایای ابر عمومی بهره می‌برند.

تا جایی که راه حل های مناسب به عنوان ابزار در مرکز داده خود شرکت موجود باشد و خدمات خود را از آنجا به کارمندان در سراسر جهان ارائه دهد، این امر با مدیریت دانش آینده مرتبط خواهد بود. در عین حال، سرویس‌های هوشمند به‌عنوان راه‌حل‌های اختصاصی ابری نیز در دسترس هستند که با نام نرم‌افزار به عنوان سرویس (SaaS) شناخته می‌شوند. این بدان معنی است که مزایای راه حل های ابری توزیع شده در بالا در هر دو سناریو قابل توجه است.

6. هایپراتوماسیون: هوش مصنوعی برای تحول فرآیند کسب و کار

همانطور که گارتنر می گوید، هایپراتوماسیون چیزی نیست جز این ایده که هر چیزی که می تواند در یک سازمان خودکار شود باید خودکار باشد. هدف اساسی کاهش تعداد کارمندان نیست، بلکه رهایی آنها از روتین های کاری خسته کننده – “مشغله کاری” – است تا فعالیت های آنها به طور کامل در فرآیندهای ارزش آفرینی شرکت ادغام شود.

اصطلاح “هایپراتوماسیون” همچنین به بهینه سازی یا ارتقاء فرآیندهای تجاری سنتی با هدف افزایش انعطاف پذیری و چابکی اشاره دارد. همه گیری جهانی به وضوح تاکید کرده است که این قابلیت ها چقدر ضروری هستند. در سال 2021، هوش مصنوعی از دگرگونی فرآیندهای تجاری تا حد بیشتری پشتیبانی خواهد کرد.

در عین حال، این توسعه ابزاری برای کشف و تحقق حوزه های تجاری جدید نیز می باشد. با این حال، تنها زمانی می توان به این امر دست یافت که شرکت ها پایه ای محکم در مدیریت دانش داشته باشند.

نکته آخر: اتصال نقطه ها

دانش، که شرکت‌ها تمایل به عرضه فراوان آن دارند، تنها زمانی می‌تواند ارزش تولید کند که در زمان مناسب، در مکان مناسب و به شکل مناسب – یعنی تا حد امکان مختصر – برای هر کارمندی که به آن نیاز دارد در دسترس باشد. کار خود را انجام دهند. بنابراین، شعار “اتصال نقاط” پایه ای برای مدیریت دانش آینده است که بسیاری از فناوری های پیشرفته را زیر یک چتر واحد متحد می کند و آنها را در قالبی طبیعی و تا حد امکان یکپارچه در دسترس کاربران قرار می دهد.