کارکنان باتجربه یاد میگیرند کدام سند قدیمی است و در تعارض میان سیستم و تجربه، معمولاً تجربه میدانی را ملاک میگیرند. اما هوش مصنوعی این لایه اصلاح غیررسمی را ندارد؛ وقتی مدل بر پایه محتوای سازمان به مشتری پاسخ میدهد، نمیداند کدام نسخه معتبر است، یکی را انتخاب میکند و آن را با اطمینان بیان میکند. دانش متناقض، مشکل تازهای نیست
نویسنده پرونده ایر کانادا (Air Canada) در سال ۲۰۲۴ را مثال میزند؛ دیوانی در کانادا این شرکت را مسئول دانست چون چتبات وبسایتش به مسافری داغدار گفته بود میتواند پس از سفر برای بازپرداخت کرایه سوگواری درخواست بدهد، هرچند صفحه سیاست رسمی شرکت چیز دیگری میگفت. ایر کانادا استدلال کرد اطلاعات درست جای دیگری از سایت موجود است، اما دیوان نپذیرفت، چون چتبات بخشی از وبسایت و وبسایت متعلق به شرکت بود. به نوشته الیاهو، این پرونده بیش از آنکه شکست هوش مصنوعی باشد، شکست مدیریت دانش است.
وقتی هوش مصنوعی مستقیم به مشتری پاسخ میدهد، تناقض دانش از یک مزاحمت داخلی به تعهدی بیرونی تبدیل میشود و شرکت ممکن است ناچار باشد پشت آنچه سیستم گفته است بایستد. چرا مدل بهتر کافی نیست
واکنش اولیه به پاسخ اشتباه، مقصر دانستن مدل و خرید مدل بهتر است. به تجربه نویسنده، مشکل معمولاً مدل نیست؛ لایه دانش زیر آن است که کیفیت هر پاسخ را تعیین میکند. بسیاری از سازمانها در لایه قابلمشاهده سرمایهگذاری کردهاند، اما کمتر پرسیدهاند آیا همه محتوایشان در یک اتاق با هم توافق دارند. …


دانلود از کافه بازار
































































































































































