جمع سپاری مغز شرکت: بستن پارادوکس پولانی در خط مقدم

Polymath Michael Polanyi اشاره معروفی داشت: «ما می‌توانیم بیشتر از آنچه بگوییم بدانیم»، تناقضی که اکنون در انبار و طبقه خرده‌فروشی خود را نشان می‌دهد و حل می‌شود.

کارکنان خط مقدم دارای دانش عمیق و ضمنی در مورد نحوه اجرای عملیات، تسلط بر راه حل های عملی، مدیریت استثناها و کارایی های محلی، و حل مسائل موقعیتی هستند. این دانش هرگز آن را به یک کتابچه راهنمای رسمی تبدیل نمی کند، اما تجربه واقعی و مطالعات متعدد دانشگاهی می گوید که تا 85٪ از دانش شرکت ضمنی است.

از آنجایی که این دانش به حافظه ماهیچه‌ای، تجربه، مکالمات موقت در طول ناهار و یادداشت‌ها متکی است، روش‌های عملیاتی استاندارد از بالا به پایین (SOP) ذاتا در جذب آن ناکام هستند. دانش ضمنی شایستگی، استقلال و رضایت شغلی کارکنان را ممکن می‌سازد، اما می‌تواند به طور نابرابر توزیع شود یا منجر به نگه‌داری از دروازه به ضرر دیگران شود. و هنگامی که کارمندان با تجربه یا با سابقه بازنشسته می شوند یا به یک شرکت جدید نقل مکان می کنند، این دانش ضمنی از بین می رود.

برای سال‌ها، کسب‌وکارها تصور می‌کردند که SOP‌های آن‌ها بسیار قوی است، اما رونمایی از ابزارهای خط مقدم هوش مصنوعی، مانند عوامل دانش هوش مصنوعی آموزش‌دیده در SOPها و سایر مواد آموزشی و نصب نیروی کار، شکاف‌های دانشی را که مدت‌ها نادیده گرفته شده بود و دستورالعمل‌های قدیمی را به سطح می‌آورد.

نمایندگان در حال ایجاد تحولی آرام در نحوه کسب دانش سازمانی شرکت ها و ایجاد برنامه های آموزشی و نصب در خط مقدم هستند. زمانی که سازمان‌ها به‌طور فزاینده‌ای اهمیت خود را برای تحول هوش مصنوعی نیروی کار درک می‌کنند، فرهنگ محیط کار، یادگیری و توسعه فوریت جدیدی پیدا می‌کند.

اقتصاد دانش نوین

به جای تکیه بر تیم‌های متمرکز برای نوشتن SOPها، اقتصاد دانش خط مقدم متصل جدید با استفاده از ابزارهای هوش مصنوعی برای جمع‌سپاری «مغز شرکت» به سمت پایین پیش می‌رود، و SOPها به‌عنوان «سیستم عصبی» عمل می‌کنند که در آن دانش یک خیابان دوطرفه است.

با توانمندسازی افرادی که قفسه‌ها را روی هم می‌چینند، سفارش‌ها را پردازش می‌کنند، با مشتریان صحبت می‌کنند، و انبارها را برای نشان دادن ناسازگاری‌ها، شکاف‌ها و راه‌حل‌ها راه‌اندازی می‌کنند، شرکت‌ها یک ممیزی فعال و تجدید کیفیت داده‌های عملیات نیروی کار خود را آغاز می‌کنند.

کارگران می توانند به طور فعال شکاف های دانش را از طریق تعامل خود با دستیاران هوش مصنوعی نشان دهند و این ابزارها سیگنال ها را به به روز رسانی های پویا و خودکار هوشمند برای برنامه های آموزشی و SOP ها هدایت می کنند. رهبران نیروی کار و عملیات در نهایت می‌توانند تخصص غیرمستند و ضمنی خط مقدم را به یادگیری خرد ساختاریافته و عملی، رویه‌های بهتر تبدیل کنند و از حضور یکباره به حضور دائمی در حال انجام تبدیل کنند.

زمانی که کمک‌های خط مقدم شناسایی و به اشتراک گذاشته می‌شوند، نیروی کار برای خدمت به مشتریان بسیار آگاه امروزی مجهزتر می‌شود، خواه آنها وارد یک فروشگاه شوند یا خرید آنلاین انجام دهند.

همانطور که دیوید اتور، اقتصاددان MIT و نویسنده مقاله پراستناد در مورد پارادوکس پولانی و اشتغال، گفت: «وظایفی که برای خودکارسازی آزاردهنده‌ترین آنها بوده است، نیازمند انعطاف‌پذیری، قضاوت و عقل سلیم است – مهارت‌هایی که ما فقط به طور ضمنی درک می‌کنیم... وظایفی که نمی‌توانند با کامپیوتری شدن جایگزین شوند، عموما با آن تکمیل می‌شوند.»

هوش مصنوعی با تمام حواس

سازمان‌ها می‌توانند و باید فراتر از اسناد متنی سنگین و راهنمایی فرآیند حرکت کنند. به طور کلی، دپارتمان های یادگیری و توسعه در حال حاضر ترکیبی از متن، تصاویر، ویدئوها و بحث گروهی را اتخاذ کرده اند. این رویکرد نحوه یادگیری ما را منعکس می‌کند و باید روشی ارجح در هنگام کار با کارکنان، استفاده دائمی از کارکنان، و گرفتن دانش ضمنی باشد.

عوامل هوش مصنوعی مدرن چندوجهی هستند، به این معنی که می توانند اطلاعات را از طریق صدا، متن، تصویر و ویدئو دریافت و خروجی کنند. یک کارگر خط مقدم باید بتواند به صورت شفاهی یک شکاف را برجسته کند، به‌روزرسانی را پیشنهاد کند یا عکسی از یک قفسه با عامل هوش مصنوعی بگیرد و آن را با پلانوگرام تجاری بصری مقایسه کند و دستورالعمل‌های اصلاحی گام به گام ارائه دهد.

و با مدل های کوچکتر، استنتاج روی دستگاه امکان پذیر است، به این معنی که هیچ داده ای از دستگاه یا شبکه شرکت خارج نمی شود. تأخیر حذف می شود، یک لایه امنیتی اضافی اضافه می شود و کارگران و مشتریان هوش مورد نیاز خود را در لحظه به دست می آورند.

حرکت از دانستن به انجام دادن

توسعه، پیاده سازی، و عوامل هدایت مستمری که نیاز دارند را نمی توان به تنهایی انجام داد، همانطور که SOP های متنی سنگین و از بالا به پایین دیگر کافی نیستند. روش‌های بالا به پایین که سازمان‌ها را به این نقطه رساند، آنها را برای فردا حفظ نخواهد کرد.

بر اساس گزارش MIT، کسب و کارهایی که با ارائه دهندگان هوش مصنوعی شریک هستند، در مقایسه با کسانی که توسعه داخلی را به تنهایی ترجیح می دهند، 66 درصد موفقیت دارند. بهترین راه برای موفقیت، حرکت رو به جلو با شرکای دارای تخصص در صنعت، مدل‌های هوش مصنوعی، نمایندگان و بلوک‌های سازنده توسعه‌دهندگان است. آنها می توانند از طراحی، پیکربندی، نصب و مدیریت سیستم های هوش مصنوعی در تنظیمات خرده فروشی، انبار و تدارکات پشتیبانی کنند.

و تغییر هوش مصنوعی را نمی توان با یک طرز فکر «تنها IT» انجام داد. آزمایشگاه دیجیتال استنفورد دریافته است که یک عامل اصلی (43 درصد) برای موفقیت هوش مصنوعی، حمایت اجرایی است که فرهنگ آزمایش و اجازه شکست را امکان پذیر می کند. ارزش هوش مصنوعی از الگوریتم‌ها، فناوری مورد نیاز برای پیاده‌سازی ناشی می‌شود، اما بیشتر از بازنگری در مورد مردم و مؤلفه فرهنگ ناشی می‌شود.

شکاف پولانی "دانستن در مقابل گفتن" آشکار شد و سرانجام در خط مقدم بسته شد. با جمع‌سپاری مغز شرکت‌ها، کسب‌وکارها دانش ضمنی را به دست می‌آورند و آن را به مزایای مشتری و کارگر تبدیل می‌کنند که کار را هر روز بهتر می‌کند.

ما بهترین چت ربات هوش مصنوعی را برای تجارت معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit