گوگل، دستیار مجازی و مدیریت دانش

فهرست مطالب

دقیقه زمان تقریبی مطالعه

گوگل چند هفته پیش از گوگل داپلکس رونمایی کرد؛ دمویی که به نظر می‌‍رسد تست تورینگ را به تاریخ منگنه کرد. اما گوگل چگونه اصول هوش مصنوعی، مدیریت دانش و مهندسی دانش را درآمیخته که به این دستاورد رسیده است. در این نوشته بخش های از تلاش های گوگل را در حوزه هوش مصنوعی، دستیار مجازی و مدیریت دانش برای شما باز می کنم.

تست تورینگ

آلن تورینگ (Alan Turing) در سال 1950 در مقاله‌ای با عنوان “Computing Machinery and Intelligence” تست تورینگ را مطرح کرد. از طریق این تست می‌توان میزان هوشمندی یک ماشین را ارزیابی کرد. در این تست هرقدر تشخیص ماشین از انسان سخت‌تر باشد، ماشین هوشمندتر است. این تست به این صورت انجام می‌شود که یک انسان به عنوان ارزیاب یا داور، از طریق یک ابزارِ متنی که مجهز به مانیتور و صفحه‌کلید است، با یک انسان و یک ماشین ارتباط برقرار می‌کند، اگر ماشین طوری رفتار کند که بتواند ارزیاب را به اشتباه بیندازد و تشخیص انسان از ماشین را برایش سخت کند در واقع این تست را با موفقیت پشت سر گذاشته است. در غیر این صورت، ماشینی که در تست ناموفق بوده در واقع از هوشمندی پایینی برخوردار است. برای اطلاعات بیشتر در مورد تست تورینگ می توانید به صفحه ویکیپدیا در مورد آن سر بزنید.

گوگل داپلکس

دستیار مجازی گوگل

­از زمان رونمایی دستیارِ گوگل در سال 2016، گوگل برای ارائه بهترین دستیار مجازی با دیگر غول های عرصه فناوری مانند آمازون و اَپِل وارد مسابقه شده است. گوگل سال ها دیرتر از سه شرکت آمازون، اپل و مایکروسافت وارد این بازی شده اما دستاوردهای اخیر آن نشان می دهد حداقل در زمینه قابلیت های دستیار مجازی از دیگران کمی جلو افتاده است.

همزمان با دستیارِ مجازی، گوگل سیستمی تحت عنوان داپلکس ارائه داده است که می تواند به جای کاربر، تماس های تلفنی برقرار کند. این تکنولوژی در بین هم نوعانِ خود بی نظیر است و به نظر می رسد عصر جدیدی را در مسابقه هوش مصنوعی به خصوص در زمینه صدا آغاز کرده باشد.

خدمات پایه اینترنت مانند جستجو، برنامه ریزی سفر و رزرو بلیط و پرداخت های آنلاین از طریقِ صدا قابل انجام است و به نظر می رسد گوگل با رونمایی از این تکنولوژی جدید پرچم خود را زودتر از دیگران در این سرزمین بکر کوبیده است.

داپلکس می تواند مکالمات پیچیده‌ای با مخاطب انسانی انجام دهد

داپلکس می تواند کارهایی مانند رزرو رستوران یا برنامه ریزی ملاقات ها را به جای کاربران خود انجام دهد. ساندار پیچای (مدیر ارشد آلفابت – هولدینگ مادرِ گوگل) در این ویدئو به وضوح عنوان می کند که بازاری که داپلکس هدف گرفته، بخش هایی است که کمتر دیجیتال هستند و به شکل سنتی به انجامِ تعامل و تراکنش با مشتری می پردازند. ویدئو زیر را حتما ببینید:

تصویر زیر که از روی یکی از پتنت های ثبت شده توسط گوگل در سال 2017 در مورد یک فناوری مشابه گرفته شده نمونه ای ساده شده از این مکالمات را نشان می دهد. این نمودار نوعی مدلسازی پیشرفته دانش است که سیستم را قادر می سازد الگوهای مکالمه ای با یک انسان را فرا بگیرد و بر اساس آن پاسخ بدهد.

دستیار مجازی - گوگل داپلکس - مدیریت دانش

سیستم داپلکس در ابتدا برای فعالیت های محدودی استفاده می شود. اگر فعالیتِ مورد نظر برای داپلکس غیرقابل فهم باشد، سیستم متوجه می شود که توانایی کافی برای انجام آن را ندارد و از کاربر می خواهد ادامه فعالیت را به عهده بگیرد. اگر به تصویر زیر دقت کنید در می یابید داپلکس به عنوان مکملی برای دستیارِ گوگل ارائه شده نه به عنوان جایگزینِ آن.

نقشِ گوگل داپلکس - دستیار مجازی و مدیریت دانش

گوگل امتحان سیستمِ داپلکس را از تابستانِ پیش رو شروع می کند، هر چند اعلام نشده است این امتحان محدود به ایالات متحده آمریکا خواهد بود یا در کل دنیا انجام می شود. بازارهای بزرگی مانند هند و برزیل هستند که کمتر دیجیتالی شده اند و برای ارائه اطلاعات یا انجام تراکنش ها بیشتر به تماس های تلفنی وابسته هستند؛ پس زیاد متعجب نشوید اگر گوگل این بازارها را برای معرفی اولیه داپلکس انتخاب کند.

چرا گوگل دارد روی این فناوری تمرکز می کند؟

تمرکز گوگل روی دستیارِ دیجیتال (یا به طور دقیق تر هوش مصنوعی، پردازش زبان طبیعی و یادگیری ماشینی که روندهای جدیدِ مدیریت دانش در دنیا هستند) عجیب نیست. چرا که هر درخواستی از کاربران که از طریق الکسای آمازون، سیری اپل و یا کورتانای مایکروسافت پاسخ داده می شود، به شکلی به حاکمیت موتور جستجوی گوگل لطمه وارد می کند؛ موتور جستجویی که منبع اصلی درآمدِ گوگل است.

دستیار مجازی و مدیریت دانش

صرفنظر از این که گوگل داپلکس و دستیار مجازی گوگل بر پایه روندهای نوینِ مرتبط با مدیریت دانش و مهندسی دانش شکل گرفته اند، دستیارهای مجازی می توانند کاربردهای متنوعی در خودِ مدیریت دانش داشته باشند. دو مورد از مهمترین این کاربردها را که دستیار مجازی و مدیریت دانش را به هم گره می زند با هم بررسی کنیم:

چت بات‌ها در مراکز تماس

چت بات و مدیریت دانش

یکی از مهمترین شاخص های عملکردی مراکز تماس کاهش میزان تماس های ورودی است؛ به عبارتی تا حد امکان باید بتوان مشکل و سوال مشتری را پیش از اتصال به یک کارشناس مرکز تماس برطرف کرد؛ چت بات ها یا ربات های گفتگو کننده یکی از مهم ترین راهکارهایی هستند که در سال های اخیر در حال به کارگیری هستند؛ یک چت بات می تواند 24 ساعت در روز و هفت روز هفته با حوصله به سوال های شما پاسخ دهد به شرط این که یک فناوری قابل اطمینان مانند گوگل داپلکس پشت آن باشد.

بازیابی دانش

دستیار مجازی، جستجو و مدیریت دانش

استفاده از سیستم های مدیریت دانش همیشه دارای عنصر جستجو و بازیابی دانش است، کاری که با کمک دستیار مجازی بسیار ساده تر شده و تجربه کاربری بهتری به کاربر می دهد. این امر هم اکنون توسط دستیار گوگل، الکسای آمازون، سیری اپل و کورتانای مایکروسافت به حقیقت پیوسته است.

کسب دانش از افراد

عبارت “ثبت دانش” تبدیل به کلیشه آزاردهنده ای در مدیریت دانش شده است؛ یک دستیار مجازی می تواند در مواقع مناسب با توجه به فرایندهای کاری و اقدامات روزانه یا هفتگی فرد، با وی به گفتگو بنشیند و با حوصله و بدون محدودیت آموخته های فرد را به پایگاه دانش اضافه کند. دستیار مجازی می تواند نقش یک مهندس دانش را بازی کند که با استفاده از امکانات یادگیری ماشینی به تدریج در تعامل با افراد نیز حرفه ای تر شود.

پیشنهاد پایانی

اگر به فیلم های علمی (واژه تخیلی را برای آن به کار نمی برم) علاقمندید و موضوع این نوشته برای شما جالب بوده حتما توصیه می کنم فیلم اِکس ماشینا را ببینید.

اکس ماشینا - مدیریت دانش

یک پاسخ

  1. شاید بتوان سیستم داپلکس و بطورکلی هوش مصنوعی را در مدلسازی پیشرفته دانش و کاربرد آن در طراحی و توسعه سیستم های دیگری همچون سیستم مدیریت دانش از ابعاد دیگری نیز بررسی کرد. صرفنظر از پیچیدگی ارتباط بین ماشین و انسان؛ ارتباط اساساً پیچیده و دشوار است؛ پیچیده از این منظر که جهت توسعه هوش مصنوعی و تکامل هر چه بیشتر آن، باید مدلسازی متغیرهای دخیل در ارتباطات انسانی و ارسال آن از طریق کد دهی و رمزگشایی توسط ماشین به جامعیت بالاتری برسد. جهت برقرای ارتباط باید فرد مفاهیم را به اصطلاح Encode کرده و فرد و یا ماشین مقابل آنرا Decode کند. در جریان ارتباط، موانعی وجود دارد؛ از جمله ابعاد زبان شناختی مفاهیم. بنحوی که در زمان گفتگوی دو فرد با یک زبان مشترک، در ادارک مفاهیم امکان بروز اختلال و نارسایی وجود دارد. بعنوان مثال ممکن فردی از یک میز صحبت کند و به کل میز بیاندیشد و فرد مقابل به پایه صندلی نگاه و توجه کند.
    علاوه بر این براساس نظریه Wittgenstein در بحث ارتباط، ممکن است ما مطلبی را از لحاظ زبان بفهمیم اما تا زمانیکه نتوانیم با چارچوب های عاطفی، هیجانی و فرهنگی مطلب آشنا شویم، ارتباط ما بسیار ناقص خواهد بود.
    درواقع چالشی که در بحث توسعه هوش مصنوعی مطرح است این است که در کدسازی مفاهیم هم به Denotation (معانی لفظی برخاسته از دیکشنری واژه) مفاهیم و هم به Connotation (معانی مربوط به هیجان و احساس برخاسته از واژه) مفاهیم باید توجه کرد. چراکه معنای حقیقی یک مفهوم و مطلب از مجاورت و در کنار هم قرار گرفتن این دو بدست می آیند.
    حال باید دید تا چه میزان قابلیت کددهی به Connotation مفاهیم در آینده فراهم خواهد شد. آن زمان است که رویدادهای فیلم اکس ماشینا دیگر تخیلی نخواهد بود!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *