این روزها بحث‌های مرتبط با ChatGPT بسیار داغ است. موتور جستجویی که جواب مخاطبانش را خیلی ساده‌تر و سریع‌تر از سایر موتورهای جستجو می‌دهد. البته شاید اسم ابزار گذاشتن برای این هوش مصنوعی بهتر از موتور جستجو باشد. با این تفاسیر ما با ابزاری روبرو هستیم که شاید در آینده نه‌چندان دور رقیب سرسختی برای ابر قدرتی مانند گوگل شود. اما آیا تمام این گمانه‌زنی‌ها به واقعیت می‌پیوندد؟ آیا نتایج ارائه شده در ChatGPT نتایج دقیق و صحیحی هستند؟ در نهایت به سؤالی می‌پردازیم که دغدغه اصلی نگارش این مقاله است. اینکه آیا ChatGPT سیستم‌های مدیریت دانش را تحت‌تأثیر قرار می‌دهد و جایگزین آنها می‌شود یا خیر؟
برای رسیدن به جوابی کاملتر باید کمی در مورد کار با این ابزار بدانیم. اولین نکته این است که اگر سؤالات به ترتیب خاصی از ChatGPT پرسیده شود نتایج فرق می‌کند. در بعضی موارد به نظر می‌رسد این فناوری از پرس‌وجوهای قبلی یاد می‌گیرد اما گاهی اوقات هم این‌طور نیست. نکته دیگر اینکه در برخی موارد نتایج ارائه شده توسط این ابزار در دنیای واقعی درست نیستند.
برای برطرف‌شدن بخشی از این ابهامات سعی می‌کنم با کمک خود این ابزار در مورد ارزش مدل‌های زبانی تعمیم‌یافته، جزئیات بیشتری را بیان کنم و به این سوال پاسخ دهم که آیا ChatGPT می‌تواند جایگزین مدیریت دانش شود. در نهایت هم به ارتباط بین ChatGPT با ابزارهای مدیریت دانش مثل هستی‌شناسی‌ها (ontology) و گراف‌های دانش می‌پردازم.
من: موقع ساخت یک چت‌بات که مدیریتِ محتوایِ فنی تخصصی و حق مالکیت معنوی را برعهده دارد؛ به یک مدلِ زبانیِ تعمیم‌یافته نیاز است یا یک مدل دانش سفارشی؟
جواب ChatGPT: به‌طورکلی، یک مدل زبانی تعمیم‌یافته ممکن است برای ساخت یک چت‌بات که محتوای فنی بسیار تخصصی و حق مالکیت معنوی (IP) را مدیریت می‌کند، کافی نباشد. چراکه محتوای فنی، تخصصی و IP در بیشتر مواقع به درک عمیقی از مفاهیم و اصطلاحات خاص دامنه نیاز دارند که ممکن است به‌اندازه کافی توسط یک مدل زبانی تعمیم‌یافته درک نشود. در چنین مواردی، لازم است از یک مدل دانش سفارشی استفاده شود که به طور اختصاصی برای نیازهای چت‌بات طراحی شده‌است. تنها با آموزش یک مدل یادگیری ماشینی بر روی مجموعه داده‌هایی از محتواهای اختصاصی دامنه و نمونه‌هایی از نحوه پاسخ‌دهی چت‌بات، می‌توان به پرس‌وجوهای مختلف فنی و خاص پاسخ داد. تنها اینگونه می‌توان اطمینان حاصل کرد که چت‌بات درک عمیقی از محتوای فنی تخصصی و IP مورد نیاز خود دارد و می‌تواند پاسخ‌های دقیق و مفیدی به سؤالات کاربران ارائه دهد.
به‌طورکلی، انتخاب بین یک مدل زبان تعمیم‌یافته و یک مدل دانش سفارشی به نیازها و الزامات خاص چت‌بات و همچنین منابع موجود برای ساخت و نگهداری مدل بستگی دارد. در مجموع، یک مدل دانش سفارشی ممکن است برای مدیریت محتوای فنی و IP تخصصی مناسب‌تر باشد. درحالی‌که یک مدل زبان تعمیم‌یافته ممکن است برای چت‌بات‌هایی که اهداف عمومی‌تری دارند کافی باشد. پس برای ورود این ربات هوشمند به دنیای مدیریت دانش سازمانی باید نسخه پولی این ابزار و با داده‌های عمیق سازمانی مدل‌سازی شود و مورد استفاده قرار گیرد.
من: آیا ChatGPT چالش‌های دانش سازمانی را حل می‌کند؟
جواب ChatGPT: این ابزار گونه‌ای از مدل زبانی GPT است که توسط OpenAI توسعه یافته‌است. این ابزار یک مدل یادگیری ماشینی است که بر روی دیتاست بزرگی از متن‌های تولید شده توسط انسان آموزش‌داده‌شده است. این ابزار می‌تواند متنی شبیه متن‌های انسانی را در پاسخ به درخواست‌ها ایجاد کند. ChatGPT به طور اختصاصی برای رسیدگی به چالش‌های دانش سازمانی طراحی نشده است. ChatGPT یا سایر مدل‌های زبانی مشابه، پتانسیل این را دارند که به‌عنوان بخشی از یک راه‌حل بزرگ‌تر استفاده شوند. مثلا برای رسیدگی به چالش‌های مدیریت دانش در یک سازمان استفاده شوند. مثلا می‌توان از یک چت‌بات که با ChatGPT یا یک مدل زبان مشابه راه‌اندازی شده، برای دسترسی سریع و راحت به اطلاعات و دانش در سازمان استفاده شود. بااین‌حال، احتمالاً برای مدیریت کامل چالش‌های دانش سازمانی لازم است ابزارها و فناوری‌های اضافی، مانند پایگاه دانش ساختاریافته یا سیستم بازیابی اطلاعات با هم ادغام شوند.
استدلال ما: ChatGPT یک مدل یادگیری ماشینی است و قادر به مدیریت یا سازماندهی مستقل دانش در یک سازمان نیست. ChatGPT تنها می‌تواند بر اساس الگوها و روابطی که آموخته، متن ایجاد کند. مدل‌های زبانی تعمیم‌یافته وظایف گسترده و معمولی را انجام می‌دهند. و همچنان برای دانش و اطلاعات شرکتی عمیق‌تر به مدل‌های تخصصی (رده‌شناسی، هستی‌شناسی، معماری اطلاعات، طراحی پایگاه دانش) نیاز است.
من: آیا ChatGPT جایگزین مدیریت دانش خواهد شد؟
جواب ChatGPT: بعید است که ChatGPT یا هر ابزار یا فناوری دیگری به طور کامل جایگزین مدیریت دانش شود. مدیریت دانش حوزه بسیار وسیعی است. این حوزه شامل طیف گسترده‌ای از فعالیت‌ها و شیوه‌های طراحی‌شده برای شناسایی، ایجاد، نمایش، توزیع و استفاده مجدد از دانش در سازمان است. این فعالیت‌ها می‌تواند مواردی مانند ایجاد و نگهداری پایگاه‌های اطلاعاتی، توسعه امکانات و برنامه‌های آموزشی، پیاده‌سازی ابزارها و پلتفرم‌های مشترک و پرورش فرهنگ اشتراک‌گذاری دانش در سازمان را در بر بگیرد. با وجود اینکه ChatGPT یک مدل تولید زبان قدرتمند است ولی برای انجام تمام عملکردهای سیستم مدیریت دانش طراحی نشده است. ولی می‌توان از آن به عنوان یکی از ابزارهای مدیریت دانش برای تولید محتوای متنی یا انجام تکالیفی همچون خلاصه کردن محتوا و ایجاد سند استفاده کرد.
استدلال ما: بااین‌حال، از این نکته غافل نشوید که تکیه بر یک ابزار یا فناوری واحد برای مدیریت دانش می‌تواند ریسک بزرگی باشد. داشتن استراتژی مدیریت دانش متنوع و جامع که نیازها و قابلیت‌های سازمان را در نظر داشته باشد بسیار مهم است. ChatGPT تنها می‌تواند یک ابزار کمکی باشد و نمی‌تواند جایگزین تابع KM شود.
من: چرا ChatGPT نمی‌تواند اطلاعاتی را که به‌راحتی از طریق جستجوی اینترنتی پیدا می‌شود، بازیابی کند؟
جواب ChatGPT: به‌عنوان یک مدل زبان هوش مصنوعی، توانایی جستجو در اینترنت را ندارم و نمی‌توانم به اطلاعات جدیدی فراتر از آنچه آموزش دیده‌ام دسترسی داشته باشم. دانش من بر اساس داده‌هایی است که برای آموزش من استفاده شده است و پاسخ‌های که می‌دهم بر اساس آن دانش است. من توانایی جستجو در وب یا دسترسی به اطلاعات جدید وب را ندارم.
من: نقش هستی‌شناسی در ChatGPT چیست؟
جواب ChatGPT :ChatGPT یک مدل تولید زبان است که از تکنیک‌های یادگیری ماشین برای تولید متن‌های مشابه انسان استفاده می‌کند. ChatGPT بر اساس الگوها و روابط موجود در داده‌هایی که آموخته است، می‌تواند این کار را انجام دهد. چت بات درک عمیقی از مفاهیم و روابط زیربنایی اطلاعاتی که تولید می‌کند ندارد و سعی نمی‌کند اطلاعات را به همان روشی که یک هستی‌شناس انجام می‌دهد، بازنمایی یا طبقه‌بندی کند. در عوض، تمرکزش بر این است که بر اساس ورودی ارائه شده به آن متنی یکپارچه و طبیعی تولید کند. اگرچه ممکن است ChatGPT بتواند متنی همراه با ارجاعاتی به مفاهیم و روابط بین موجودیت‌ها تولید کند، اما درکی از معنا یا اهمیت این مفاهیم و روابط ندارد. به طور خلاصه، اگرچه هستی‌شناسی ممکن است ابزار مفیدی برای سازماندهی و نمایش دانش در برخی زمینه‌ها باشد، اما مستقیماً با عملکرد ChatGPT یا سایر مدل‌های تولید زبان مرتبط نیست.
این اظهارنظر بسیار جالبی است زیرا بسیاری از مدل‌های دانش، شامل هستی‌شناسی هستند. این پاسخ ChatGPT اگرچه قابل‌قبول به نظر می‌رسد اما ممکن است صحیح نباشد. در مورد آنتولوژی و تکسونومی‌ها بیشتر بدانید.
من: نقش یک گراف دانش در ChatGPT چیست؟
جواب ChatGPT:ChatGPT یک گراف دانش نمایشی از مفاهیم دنیای واقعی و روابط آنها است. گراف دانش برای فراهم آوردن یک راه ساختاریافته و منظم برای نمایش و پرس‌وجوی اطلاعات مربوط به دنیا طراحی شده‌است. از گراف معمولاً در هوش مصنوعی و کاربردهای مرتبط با پردازش زبان طبیعی استفاده می‌شود. در زمینه ChatGPT، گراف دانش ممکن است نقش مستقیمی نداشته باشد. ChatGPT، یک مدل تولید زبان است و طراحی شده تا متن‌هایی شبیه آنچه توسط انسان گفته می‌شود را بر اساس الگوها و روابط موجود میان داده‌هایی که با آنها آموزش‌دیده، تولید کند. ChatGPT، درک عمیقی از مسائل بنیادی روابط موجود در اطلاعات ندارد و از گراف دانش برای نمایش یا دسته‌بندی اطلاعات، استفاده نمی‌کند. اگرچه گراف دانش برای مرتب‌کردن و نمایش داده‌ها در بعضی از مباحث ابزاری مفید است، اما مستقیما با عملکرد ChatGPT ارتباطی ندارد.
نکته کلیدی این است که ابزارهایی نظیر ChatGPT، به طور خارق‌العاده‌ای قدرتمند هستند. این ابزارها، گوشه چشمی از آنچه که در آینده در حوزه ارتباط محاوره‌ای را به ما نشان می‌دهند. از ارتباط با منزلمان که پر از دستگاه‌های هوشمند است تا خودرو‌هایمان و سیستم‌های جمع‌آوری و به‌اشتراک‌گذاری اطلاعات. ما در یک زیست‌بوم که ارتباط محاوره‌ای با هر چیزی در آن وجود دارد، زندگی و کار خواهیم کرد. در کتابم با عنوان «صنعت قدرت گرفته از هوش مصنوعی»، سناریویی را مطرح کرده‌ام که در آن یک کاراکتر کتاب با عوامل محاوره‌محور، از زمان بیدارشدن سروکار دارد.
این عوامل، زمان‌بندی‌ها، قرار ملاقات‌ها، تعهدات و سفر را به او یادآوری می‌کنند. ارتباط کاراکتر کتاب با عوامل محاوره محور، در طول روزکاری‌اش ادامه پیدا می‌کند. به کمک آنها، قطعات مربوط به یک تجهیزات را پیدا می‌کند و شرایطش را با تأمین‌کننده قطعه، مطرح می‌کند. در ادامه و عصر آن روز، وظایف مربوط به خانه شامل پرداخت قبوض، موازنه سرمایه‌ها، خرید بلیت‌های نمایش و … به کمک آن عامل‌ها انجام می‌شود. خلاصه اینکه سازمان‌ها باید خود را برای چنین آینده‌ای، با فراهم‌آوردن دانش و قابلیت‌های ویژه آماده کنند تا بتوانند در بازار، رقابت کنند.
مدل‌های زبانی و ابزاری فراگیر مانندGPT، زمین‌بازی را گسترش داده‌اند و عدم استفاده از آن به منزله زیان رقابتی است. در این بین ایجاد تمایز همان چیزی است که منجر به مزیت رقابتی خواهد شد. کارکرد اختصاصی مطابق با نیازهای سازمان (مدل‌های زبانی، رده‌بندی شناسی، هستی‌شناسی، پایه‌های دانش) باعث آسان شدن ایجاد تمایز بین یک سازمان با سازمان دیگر می‌شود. این کار به وسیله کمک به آنها در خدمت‌رسانی به مشتری در بهینه‌ترین حالت ممکن، خواهد شد.
چیز زیادی نمانده است تا ربات‌ها و دستیارهای مجازی، تبدیل به سازوکاری اصلی برای دسترسی به اطلاعات و خدمت‌رسانی به مشتریان شوند. در نتیجه تجارتی برنده است که دانش سازمانی خود را با دانش بازار، مشتریان، رقبا و راه‌حل‌ها ادغام کند. مدل‌های زبانی فراگیر شده، تنها درباره همین موضوع هستند. در حال حاضر آنها متوجه تفاوت‌های ظریف IP شما نخواهند شد اما با گذشت زمان، بخش بیشتری از آدرس IP، جزو چشم‌انداز اطلاعاتی بات‌ها می‌شوند و رقابت شدیدتری در ایجاد تمایز، بر مبنای چگونگی دانش، درک و نحوه خدمت‌رسانی به مشتریان شکل می‌گیرد.
خلاصۀ مقاله در کمتر از ۳۰ ثانیه:
با توجه به اینکه گمانه زنی‌هایی برای جایگزینی ChatGPT با برخی مفاهیم همچون مدیریت دانش به گوش می‌رسد. در این مقاله بررسی کردیم که آیا این فرضیه درست است یا خیر؟ چکیده مطلب این شد که مبحث مدیریت دانش بسیار پیچیده و وسیع است و این ابزار به طور خاص برای این موضوع طراحی نشده است. ChatGPT نمی‌تواند به طور کامل جایگزین مدیریت دانش شود اما می‌تواند به صورت ابزاری کارآمد در کنار سایر ابزارهای مدیریت دانش و در خدمت این مفهوم گسترده باشد.
منبع اصلی این مقاله در سایت اینوتکس ایران است.
