Bagaimana AI dapat membantu mengakses memori kolektif dalam perusahaan [Q&A]

Banyak industri bergantung pada akumulasi pengetahuan dan pengalaman dari manajemen menengah dan atas. Namun, ini dapat menyebabkan pekerjaan dilakukan dengan cara tertentu hanya karena, ‘selalu begitu’, yang pada gilirannya dapat menyebabkan kesalahan berulang.

Mengandalkan memori kolektif ini juga dapat mempersulit akses informasi, terutama di era baru pekerjaan hibrida.

Senthil Kumar, CITO, CTO dan kepala AI di Slate Technologies, yang memproduksi asisten digital bertenaga AI untuk industri konstruksi, percaya bahwa AI dapat digunakan untuk mengakses akumulasi pengetahuan ini dan meningkatkan produktivitas. Kami berbicara dengannya untuk mengetahui lebih lanjut.

BN: Bagaimana pergeseran ke pekerjaan hibrida memengaruhi cara bisnis mengakses pengetahuan dan bagaimana akumulasi pengetahuan dalam bisnis dapat ditangkap?

SK: Munculnya model kerja hybrid berarti bahwa sumber pengetahuan tradisional dan metode diseminasi harus adaptif juga. Dengan staf yang bekerja jarak jauh, lebih sedikit sarana tatap muka dan informal untuk berbagi pengetahuan, akan bermanfaat untuk menerapkan proses yang tepat untuk membantu berbagi.

Organisasi melihat hasil yang lebih baik ketika mereka secara sadar beradaptasi dengan normal baru dari lingkungan kerja hibrida, yang membutuhkan penekanan lebih besar pada pemusatan manajemen pengetahuan dan pengorganisasian data. Mereka harus memanfaatkan alat kolaboratif dan menghosting basis pengetahuan di perbatasan cloud untuk menyediakan akses yang luas dan persisten. Dengan mengadopsi alat penambangan pengetahuan untuk merayapi informasi di berbagai sumber, mereka dapat menggali wawasan yang relevan dan memungkinkan pencarian informasi yang lebih cerdas di berbagai sumber data. Keberhasilan mengharuskan organisasi mengatur dan menekankan dokumentasi proses, mempublikasikan video informasi secara berkala, dan mendedikasikan pertemuan virtual untuk membahas perubahan proses.

BN: Mengapa penting memiliki data dari berbagai sumber?

SK: Di era produksi data yang bergerak cepat dan banyak, satu sumber data tidak lagi cukup untuk menghasilkan wawasan yang berharga. Data dari berbagai sumber sering kali ditriangulasi, dikorelasikan, dan digabungkan untuk menyalurkan wawasan yang berharga. Umpan data multi-sumber menciptakan ‘gambaran besar’ yang lebih baik dari sistem.

Mengandalkan satu sumber data dapat menumbuhkan bias yang melekat, mengurangi keterverifikasian, dan mempermudah wawasan yang berkorelasi. Kualitas data juga mengalami singularitas karena tidak ada potensi verifikasi silang dalam kumpulan data tersebut.

Semakin beragam kumpulan data dan semakin banyak sumber yang kami gunakan untuk data tersebut, semakin kuat dan dapat diverifikasi wawasan yang mereka hasilkan. Algoritme dapat menemukan pola relevansi di seluruh kumpulan data yang berbeda, memeriksa hubungan dengan cermat, dan menganalisis serta melakukan triangulasi data untuk memperkuat konsep yang dipelajari guna merumuskan wawasan yang lebih baik. Dengan hanya satu sumber data, organisasi kehilangan semua manfaat ini.

BN: Bagaimana hal ini meningkatkan proses pengambilan keputusan?

SK: Mengandalkan satu sumber data untuk pendukung keputusan penuh dengan kesimpulan suboptimal dari kumpulan data. Saat menggunakan banyak sumber data dalam proses pengambilan keputusan, kualitas data meningkat melalui asosiasi dan validasi. Triangulasi informasi dari berbagai sumber membantu menghilangkan kebisingan dan fokus pada konten yang berwawasan luas. Ini pada gilirannya membantu membuat keputusan berdasarkan data yang lebih baik. Misalnya, aliran data IOT dari beberapa sensor, pasokan data dari sistem ERP, data Proyek dari penjadwal, dan data cuaca masing-masing mungkin memiliki konotasi bermakna yang terbatas, tetapi secara bersamaan mereka memberikan wawasan yang berharga..

Saat kami menyatukan semua aliran data — data penjadwal tentang tugas tingkat tinggi yang dijadwalkan selama periode kelembaban tinggi; data tambahan aliran IoT tentang tekanan dan ketinggian; Informasi sistem ERP tentang perilaku material dalam kondisi cuaca buruk — analisis kombinatorial data dari berbagai sumber ini akan menghasilkan wawasan yang berharga. Hal ini pada gilirannya membantu pengambilan keputusan yang lebih baik karena beberapa aliran data dianalisis dan dikorelasikan.

BN: Apakah ada risiko AI akan mengesampingkan pengalaman belajar yang berharga?

SK: Saya tidak merasakan risiko dalam AI yang mengesampingkan pengalaman yang dipelajari. AI meningkatkan kemampuan kita untuk mengetahui dan belajar; itu tidak menggantikannya. Tentu saja, ada aspek kehidupan dan pembelajaran kita yang akan digantikan oleh AI. Faktanya, eksekusi berulang-ulang biasa yang diperlukan untuk banyak jenis pembelajaran bermanfaat bagi orang, karena memungkinkan manusia untuk lebih fokus pada aspek kehidupan sosial dan kreatif.

Misalnya, generasi muda sebagian besar telah lupa bagaimana memberi tahu waktu dengan melihat jam analog, keterampilan yang seharusnya berharga beberapa dekade lalu, tetapi sekarang sebagian besar tidak relevan dengan arloji digital. Pada catatan yang sama, membaca jam matahari untuk memberi tahu waktu akan sangat berharga sebelum penciptaan jam mekanis. Keduanya telah digantikan oleh cara manajemen waktu yang canggih dan sederhana. Tentu saja, kami kehilangan pembelajaran dan keterampilan, tetapi teknologi canggih meniadakan kebutuhan akan keterampilan seperti itu sejak awal.

Dalam nada yang sama, ada aspek-aspek bermanfaat dari apa yang dipelajari dan dijalankan oleh AI, dan beberapa pembelajaran berada di luar kemampuan normal kesadaran manusia. Kelemahannya adalah terlalu banyak mengandalkan kesadaran mesin tanpa pemeriksaan dan keseimbangan atas apa yang dipelajari mesin dapat menyebabkan hasil yang tidak diinginkan.

‘Kecerdasan Buatan’ adalah cabang ilmu komputasi yang telah lulus ke ‘kecerdasan tambahan’. Peningkatan kecerdasan dan pengalaman manusia ini untuk meningkatkan produktivitas dan kualitas hidup manusia secara keseluruhan.

Kredit gambar: whiteMocca/ Shutterstock