Memori Intelligent agent-assisted organizational dalam sistem manajemen pengetahuan
Author : Jeffrey W. Alstete and John P. Meyer
To link to this article: https://www.emerald.com/insight/2059-5891.htm
Mengadaptasi dari jurnal yang berjudul "Intelligent agent-assisted
organizational memory in knowledge management systems"
Tujuan - Tujuan dari jurnal ini adalah untuk menguji penerapan agen cerdas (IAs) dalam sistem memori organisasi dalam skema yang lebih besar dari strategi manajemen pengetahuan (KM). Ini termasuk peran yang ditargetkan dari IAs dalam kaitannya dengan pendekatan memori kelembagaan.
Desain / metodologi / pendekatan - Eksplorasi konseptual dari bagian terkait dari kerangka kerja memori perusahaan cerdas tujuh lapis Grundspenkis yang berfungsi untuk mengidentifikasi, menyimpan, menyampaikan, dan menggunakan kembali informasi untuk penggunaan di masa mendatang. Aplikasi IAs di berbagai industri disajikan untuk menggambarkan model konseptual dalam praktiknya.
Temuan - Jurnal ini mengidentifikasi peran yang muncul yang dilakukan IAs dalam pencarian informasi, pengambilan dan analisis dalam proses pembentukan memori organisasi dan ekstensi yang muncul dalam bentuk dua arah non-linier. Peran berlapis ini termasuk memperoleh dan menerapkan kembali informasi penting sebagai bagian dari kognisi manusia-mesin yang diperluas.
Batasan / implikasi penelitian - Meskipun bersifat eksploratif dan konseptual, jurnal penelitian ini membahas IAs sebagai komponen yang mungkin dalam kemajuan memori organisasi.
Implikasi praktis - Dengan menganalisis penerapan IA di industri yang berbeda, di seluruh lapisan struktur KM yang dipilih, landasan diletakkan untuk penelitian deskriptif (yaitu di mana dan bagaimana kecerdasan buatan digunakan dalam industri tersebut) dan praktik preskriptif (yaitu bagaimana industri lain dapat mendapatkan manfaat dari bantuan tersebut dan pola implementasi apa yang diharapkan).
Orisinalitas / nilai - Studi ini mengeksplorasi peran yang dimainkan IAs dalam membantu pekerja pengetahuan mengumpulkan, mempertahankan dan menemukan informasi yang relevan dan bagaimana strategi KM dapat membantu memori organisasi.
Kata kunci Kecerdasan buatan, Manajemen informasi, Memori organisasi, Sistem manajemen pengetahuan
Pengembangan model konseptual
Liu dkk. (2010) mengusulkan bahwa sistem berbasis pengetahuan dapat ditingkatkan dengan sistem pendukung keputusan terintegrasi termasuk IA sebagai salah satu dari empat jenis teknologi selain data mining, internet / Web dan sistem berbasis pengetahuan. Grundspenkis (2007) mengusulkan kerangka kerja berbasis agen untuk menjembatani kesenjangan antara pendekatan KM dan AI. Model sentral dari representasi ini adalah IEM dengan tujuh lapisan siklus hidup pengetahuan sebagai struktur untuk mendukung berbagi dan penggunaan kembali pengetahuan dan pelajaran yang diperoleh karyawan dan organisasi secara luas (Grundspenkis, 2007; Grundspenkis, 2001). Strukturnya dibentuk dengan memperoleh, menangkap, dan merepresentasikan pengetahuan eksplisit informal dan formal yang diperoleh dari berbagai sumber dalam tujuh lapisan (Tabel I)
Tabel I. Lapisan pengetahuan yang diadaptasi dari Grundspenkis (2007)
Contoh dalam praktek
Saran beasiswa "Guidepost" di Academy of Management Discoveries menyatakan bahwa AI dan agen entitas otonomnya adalah fenomena baru dan masih kurang dipahami yang memerlukan pemeriksaan kuantitatif dan kualitatif lebih lanjut (von Krogh, 2018). Dengan pemikiran ini, penelitian ini adalah aplikasi eksplorasi dari dua lapisan IEM pertama dan terakhir Grundspenkis (2007) yang berfungsi untuk mengidentifikasi, mempertahankan, menyampaikan, dan menggunakan kembali pengetahuan yang diperoleh. Untuk mencontohkan kerangka kerjanya, Grundspenkis menarik dari empat fase siklus hidup pengetahuan (Nonaka dan Takeuchi, 1995), teori sistem (Leondes, 2005), MAS (Wooldridge, 2002) dan sistem terdistribusi (Knapik dan Johnson, 1998). Tujuan keseluruhan dari model konseptual yang dihasilkan oleh Grundspenkis (2007) adalah "membuat pekerja pengetahuan lebih baik dalam menangkap, berbagi, dan menggunakan pengetahuan" (p. 457) dengan harapan bahwa karyanya akan "berfungsi sebagai platform bagi peneliti untuk menyelidiki arah menuju pengembangan sistem yang lebih cerdas untuk organisasi dan manajemen pengetahuan pribadi ”(p. 457).
Agen intelijen di perpustakaan
Sumber repositori, akuisisi dan pengambilan informasi di perpustakaan sekarang ditingkatkan oleh sistem KM dan IA dalam pemrosesan, aplikasi dan penggunaan informasi. Mereka juga memainkan peran penting dalam agregasi informasi serta bisnis dan analitik prediktif (Dalkir, 2017). Pada akhir tahun 1990-an, semakin banyak kesulitan dalam menemukan dan mendapatkan hasil yang berguna dari sejumlah besar informasi online yang mengakibatkan pengembangan agen untuk "menelusuri, mengurutkan, memfilter, dan membuat profil pengguna yang menjadi lebih populer di awal tahun 2000-an" ( Hal.141) (Herron, 2017). Agen-agen ini diimplementasikan di perpustakaan untuk sepenuhnya menggunakan kemampuan baru dan membantu pustakawan dan pengguna mengakses informasi secara lebih efektif (Herron, 2017; Ferguson dan Durfee, 1998). Penggunaan praktis seperti layanan peringatan dibuat untuk mengirimkan informasi terkait kepada pelanggan berdasarkan relevansinya (Detlor dan Arsenault, 2002). Selanjutnya, karakter manusia virtual telah dikembangkan untuk mendukung personalisasi pengguna dalam sistem perpustakaan seperti prototipe percakapan Neva di Universitas Lübeck (Ahad, 2005). Sejarah perkembangan di area ini juga termasuk “bot” awal lainnya yang merupakan bentuk lain dari IA yang membantu perpustakaan dengan menangani pertanyaan referensi dasar, seperti Silvie di Robert Morris College, Emma di perpustakaan umum di Ohio dan LUCAS di Universitas Limerick yang juga memandu pengambilan objek fisik (Herron, 2017).
Agen intilijen di bidang jasa keuangan
Teknik telah dibuat dan diterapkan selama lebih dari ribuan tahun untuk membantu memecahkan kesulitan kompleks di bidang keuangan (Magoc, 2009). Pendekatan ini termasuk perhitungan aritmatika, metode probabilistik, MAS dan jaringan saraf dan algoritma genetika yang relatif baru. Model agen heterogen dapat menjelaskan detail penting yang diamati dalam rangkaian waktu keuangan termasuk jumlah yang meningkat, volatilitas ekstra, gelembung jangka pendek, crash tiba-tiba dan kejadian serupa (Hommes, 2006) serta memproses model kerajinan yang memberikan wawasan tentang dinamika heterogenitas investor di berbagai pengaturan keuangan (LeBaron, 2006). Kluger dan McBride (2011) mengidentifikasi pola perdagangan intraday di pasar saham berbasis agen otonom cerdas. Hasil menunjukkan bahwa pola perdagangan keuangan yang diamati dari sejarah dapat timbul dari interaksi antara agen yang mendapat informasi dan yang tidak mendapat informasi meskipun IA tidak strategis dan tidak sepenuhnya rasional (Chan, 2001; Davis et al., 2003; Guo et al., 2012; McBride dan Kluger, 2009). Asalkan ada pembelajaran sosial atau individu dasar, IA bermotivasi likuiditas yang tidak mendapat informasi dapat berkoordinasi untuk menghindari perdagangan dengan agen yang diinformasikan dan menderita kerugian seleksi yang merugikan (Kluger dan McBride, 2011).
Agen intelijen dalam perawatan kesehatan
Penciptaan dan penyebaran sistem cerdas menandakan tren penelitian utama dalam industri perawatan kesehatan yang luas dan berkembang (Ferber, 1999; Iantovics, 2003a, 2003b; Iantovics et al., 1997; Kowalczyk et al., 2003; Pfeifer dan Scheier, 1999; Weiss, 2000). MAS medis dapat meningkatkan produktivitas sistem komputasi medis yang dikembangkan secara konvensional, seperti sistem pakar medis, dan membantu menyelesaikan berbagai diagnosis medis di luar lapisan pemrosesan dengan aplikasi untuk masalah pengguna (Iantovics, 2009). Agen menjangkau perusahaan dan secara efektif beroperasi dalam lingkungan yang berubah dengan cepat dengan jumlah informasi yang berkembang secara dinamis, bentuk representasi yang beragam, kecerdasan ambien, dan layanan mandiri. Penggunaannya telah terlibat dalam solusi untuk berbagai masalah medis dan terkait kesehatan seperti penjadwalan pasien, informasi dan perawatan, manajemen transplantasi organ dan jaringan, perawatan komunitas, sistem pendukung keputusan, pelatihan manajemen rumah sakit dan fungsi lainnya (Moreno dan Nealon , 2003). IAs digunakan untuk memantau tanda-tanda vital, membantu personel medis dengan diagnosis dan pengobatan, serta memantau catatan. Mereka juga memfasilitasi alarm penting seperti perubahan tanda-tanda vital dan peringatan interaksi obat (Herron, 2017).
Kesimpulan
Akankah memori organisasi yang dibantu IA telah membantu NASA mempertahankan cetak biru untuk pendorong roket Saturnus dan informasi penting lainnya yang diperlukan untuk misi bulan di masa depan? Sekarang, setelah mempertimbangkan bahwa pengenalan IA dari waktu ke waktu di berbagai lapisan pengetahuan belum linier melainkan terutama dimulai dalam pemrosesan tugas, sampai batas tertentu, kemudian lebih sepenuhnya dipindahkan ke keluaran dan antarmuka pengguna akhir, dan kemudian ke masukan tugas seperti informasi dasar, teks, gambar dan angka, kemungkinan besar rencana roket akan tersedia hari ini. OMIS yang dibantu agen, kepala petugas memori / pengetahuan dengan tanggung jawab dan akuntabilitas dan peningkatan integrasi dua arah dari ingatan organisasi semuanya telah mengungkapkan tren menuju manajemen informasi yang lebih lengkap dan efektif dalam organisasi.
Komentáře