چالش حافظه در هوش مصنوعی سازمانی؛ کلید حل مسئله در داده‌های داخلی کسب‌وکارها است

هوش مصنوعی (AI) همانند نابغه‌ای است که شما را به خاطر نمی‌آورد؛ این فناوری از توان پردازشی و هوش سرشاری بهره می‌برد، اما تا زمانی که بافتار و پیشینه لازم مستقیماً در اختیار آن قرار نگیرد، هیچ شناختی از کسب‌وکار، مشتریان یا تصمیماتی که هویت فعلی سازمان را شکل داده‌اند، نخواهد داشت.

حل این چالش حافظه اکنون به‌سرعت در حال تبدیل شدن به یکی از موانع اصلی در مسیر استقرار و بهره‌برداری از هوش مصنوعی سازمانی است.

بخش عمده‌ای از گفت‌وگوهای کنونی پیرامون محدودیت‌های هوش مصنوعی، بر خود مدل‌ها و تکامل آن‌ها به‌سمت پنجره‌های زمینه (Context Windows) بزرگ‌تر، استدلال قوی‌تر یا حافظه طولانی‌تر متمرکز است؛ اما این زاویه دید، نکته بسیار مهمی را نادیده می‌گیرد.

دیدگاه مطرح‌شده از سوی تحلیلگران استراتژی نوآوری در شرکت Hyland نشان می‌دهد که سازمان‌ها برای حل این مسئله نیازی به انتظار کشیدن برای جهش‌های بزرگ بعدی در مدل‌ها ندارند؛ زیرا آن‌ها دهه‌ها محتوا، تصمیمات ثبت‌شده و بافتار نهادی ارزشمند را درون ساختار خود نگهداری می‌کنند که بیشتر سیستم‌های هوش مصنوعی هرگز فرصت مشاهده آن‌ها را نیافته‌اند.

هر سازمانی دارای سابقه‌ای گسترده و تا حد زیادی دست‌نخورده از نحوه عملکرد واقعی خود است؛ از قراردادهای مذاکره‌شده و پرونده‌های حل‌وفصل‌شده گرفته تا تصمیمات اتخاذشده و بازنگری در آن‌ها. این همان بافتار انباشته‌ای است که قضاوت یک سازمان را از یک LLM همه‌منظوره متمایز می‌کند. با این حال، در بیشتر شرکت‌ها، این اطلاعات به‌صورت پراکنده در سیستم‌های گوناگون پخش شده، در قالب‌های ساختارنیافته مدفون مانده یا در بخش‌هایی حبس شده‌اند که هوش مصنوعی هیچ دسترسی مستقیمی به آن‌ها ندارد.

این همان شکافی است که پیش از مقیاس‌پذیری مسئولانه اتوماسیون هوش مصنوعی باید برطرف شود؛ راه‌حل در مدلی هوشمندتر خلاصه نمی‌شود، بلکه نیازمند حافظه‌ای کامل‌تر است که از تاریخچه اختصاصی سازمان شکل گرفته باشد، نه صرفاً مجموعه‌ای از داده‌های آموزشی عمومی.

می‌توان این مفهوم را «حافظه کسب‌وکار» نامید؛ سیستم عصبی فعالی که داشته‌های پیشین یک شرکت را به اهدافی که می‌خواهد با کمک هوش مصنوعی محقق کند متصل می‌سازد و زمینه و بافتار لازم را به هر نقطه‌ای که نیاز به تصمیم‌گیری دارد منتقل می‌کند.

ترسیم تصویری کامل برای هوش مصنوعی

حافظه کسب‌وکار را می‌توان به بهترین شکل به‌صورت دانش انباشته از شیوه فعالیت یک سازمان تعریف کرد. این رویکرد سال‌ها محتوای سازمانی، گردش‌های کاری و دانش صنعتی را به اطلاعاتی تبدیل می‌کند که هوش مصنوعی می‌تواند بر اساس آن‌ها اتوماسیون مبتنی بر ایجنت واقعی را در مقیاس بالا پیاده‌سازی کند. منطق نهفته در پس این فرایند بسیار شفاف است.

با ایجاد یک «لایه بافتار» (Context Layer) که دسترسی هوش مصنوعی به داده‌ها را مدیریت و نظارت می‌کند و اطمینان می‌دهد که این فناوری بر اساس اطلاعات مرتبط، معتبر و به‌روز عمل می‌کند، سازمان‌ها به خروجی‌های کنترل‌شده و قابل اتکایی دست خواهند یافت که لازمه اقدام و تصمیم‌گیری مطمئن است.

حافظه یک سازمان فراتر از صرف اطلاعاتی است که در خود نگه می‌دارد؛ این حافظه شامل مواردی نظیر معتبرترین نسخه سند، افراد دارای دسترسی، منشأ داده و مدت‌زمان اعتبار آن نیز می‌شود. انتقال این نشانه‌ها به لایه بافتار کمک می‌کند تا هوش مصنوعی ذیل همان قواعد حاکم بر کسب‌وکار فعالیت کند.

البته ارائه بافتار بهتر به‌تنهایی تضمین‌کننده خروجی‌های قابل اعتماد نیست؛ منشأ داده‌ها، ارزیابی، پایش مستمر و نظارت انسانی نیز نقشی اساسی در این فرایند ایفا می‌کنند.

با وجود اینکه طبق گزارش‌های تحلیلگران، حدود ۸۰ درصد از محتوای سازمانی را داده‌های ساختارنیافته تشکیل می‌دهند، کسب‌وکارها تنها از نزدیک به ۱۰ درصد این منابع فوق‌العاده ارزشمند استفاده می‌کنند.

اگر سازمان‌ها خواهان به حداکثر رساندن کارایی مدل‌های هوش مصنوعی خود هستند، نخستین گام بهره‌گیری از حافظه ارزشمند کسب‌وکار است که در دل داده‌های ساختارنیافته پنهان شده است؛ امری که نیازمند سرمایه‌گذاری بر روی زیرساخت‌ها برای تبدیل این داده‌ها به قالبی آماده برای هوش مصنوعی است.

در عمل، سازمان‌ها باید کار را با یک مورد استفاده (Use Case) کاملاً مشخص آغاز کنند و محتوا و داده‌های معتبر مورد نیاز برای پشتیبانی از آن را شناسایی نمایند. حفظ سطوح دسترسی موجود، غنی‌سازی اطلاعات با فراداده‌ها (متادیتا) و روابط داده‌ای، و بررسی دقیق این‌که آیا خروجی‌های هوش مصنوعی پیش از گسترش اتوماسیون، دقیق، قابل ردگیری و کاربردی هستند یا خیر، از گام‌های کلیدی محسوب می‌شوند. این اقدام پایه‌ای تکرارپذیر ایجاد می‌کند که بدون نیاز به جایگزینی یک‌باره سیستم‌های موجود، قابلیت توسعه در سراسر کسب‌وکار را خواهد داشت.

نقش کلیدی بافتار در درک داده‌ها

با این حال، فراهم کردن دسترسی هوش مصنوعی به داده‌های مرتبط به‌تنهایی کافی نیست. در واقع، بررسی‌ها نشان می‌دهد بسیاری از پروژه‌های هوش مصنوعی در مراحل اولیه شکست می‌خورند؛ زیرا کسب‌وکارها پیچیدگی عمیق این داده‌های زیربنایی را به‌درستی درک نمی‌کنند.

بر همین اساس، محتوا باید از طریق یک «آنتولوژی» (Ontology) دارای زمینه و بافتار شود؛ چارچوبی ساختاریافته که تمامی موجودیت‌ها، اصطلاحات، روابط و قوانین موجود در کسب‌وکار را تعریف می‌کند. این چارچوب هوش مصنوعی را قادر می‌سازد نه‌تنها از وجود اطلاعات در سیستم‌ها آگاه شود، بلکه نحوه ارتباط تک‌تک این داده‌ها با کسب‌وکار و صنعت مربوطه را دریابد.

به بیان ساده‌تر، آنتولوژی‌ها همانند نقشه عمل می‌کنند: شاید هوش مصنوعی بدون نقشه هم بتواند به مقصد مورد نظر برسد، اما وجود آن تضمین می‌کند که سیستم با سرعت بیشتر و بدون گرفتار شدن در تله‌ها و خطاهای احتمالی به مقصد برسد.

این موضوع به‌ویژه برای صنایع تحت نظارت و قانون‌گذاری‌شده از اهمیت بالایی برخوردار است. برای مثال در بخش سلامت، آنتولوژی‌ها تشخیص‌های پزشکی را به برنامه‌های درمانی، یادداشت‌های پزشکان یا نتایج آزمایشگاهی متصل می‌کنند؛ یا در خدمات مالی، مقررات خاص صنعت را با ساختارهای انطباق و خط‌مشی‌های سازمان پیوند می‌دهند.

به عبارت دیگر، آزادسازی داده‌های ساختارنیافته بافتار تجاری حیاتی را فراهم می‌آورد که خروجی‌های هوشمندتر و بهتری از هوش مصنوعی می‌سازد؛ اما این فرآیند به‌نوبه خود باید در قالب یک آنتولوژی ساختاربندی شود تا درک داده‌ها برای هوش مصنوعی به‌شکلی صحیح محقق گردد.

به‌دست گرفتن کنترل حافظه هوش مصنوعی

هوش مصنوعی برای درک شیوه کارکرد کسب‌وکار و تولید خروجی‌های معتبر و ارزشمند، نیازی به یک حافظه بی‌نقص ندارد؛ بلکه نیازمند بافتاری مرتبط و مدیریت‌شده است که بخش عمده آن در محتوای ساختارنیافته قرار دارد و تنها زمانی مفید واقع می‌شود که به داده‌های ساختاریافته سازمانی متصل گردد.

بنابراین ایجاد زیرساختی که دسترسی سیستم‌ها به اطلاعات مناسب، درک نحوه پیوند داده‌ها با یکدیگر و سپس اعمال آن‌ها در بطن واقعیت‌های کسب‌وکار را ممکن کند، امری حیاتی است؛ اما نکته بسیار مهم این است که برای رسیدن به این هدف، نیازی به شروع از نقطه صفر نیست.

در واقع، بازآفرینی دوباره پایه‌ها و ساختارهای پیشین، هدف اصلی را خنثی می‌کند. حافظه واقعی کسب‌وکار بر سیستم‌ها، محتوا، داده‌ها و فرایندهایی استوار است که هم‌اکنون در سازمان جریان دارند؛ از این رو کنار گذاشتن همه‌چیز به بهانه دستیابی به بافتار بهتر، اقدامی غیرضروری و اتلاف سنگین منابع خواهد بود.

برای درمان فراموشی هوش مصنوعی نیازی نیست منتظر به‌روزرسانی بعدی مدل‌ها باشید، و همچنین نیازی به دگرگونی کامل زیرساخت‌های فعلی برای مشاهده ارزش واقعی پروژه‌های اتوماسیون وجود ندارد.

سازمان‌ها با بنا نهادن پایه‌های حافظه کسب‌وکار می‌توانند مجدداً کنترل اوضاع را در دست بگیرند، بیشترین بهره را از سیستم‌های هوش مصنوعی خود ببرند و زیرساخت‌هایشان را در برابر هر مدلی که در آینده ظهور کند، سازگارتر و منعطف‌تر سازند.