تحلیل تطبیقی الگوریتم‌های یادگیری عمیق در ارتقای سیستم‌های مدیریت دانش
کلمات کلیدی:
مدیریت دانش, شبکه عصبی, یادگیری انتقالی, سیستم‌های هوشمندچکیده
هدف این پژوهش، بررسی تطبیقی نقش و کارکرد الگوریتم‌های یادگیری عمیق در بهبود فرایندها، عملکرد و اثربخشی سیستم‌های مدیریت دانش در سازمان‌ها است. این مطالعه از نوع مروری کیفی بوده و بر اساس تحلیل محتوای نظام‌مند انجام شد. داده‌ها از میان مقالات منتشرشده بین سال‌های ۲۰۱۸ تا ۲۰۲۵ در پایگاه‌های معتبر نظیر Scopus، Web of Science و IEEE Xplore گردآوری شدند. در مجموع ۱۲ مقاله بر اساس معیار اشباع نظری انتخاب و با استفاده از نرم‌افزار NVivo نسخه ۱۴ تحلیل شدند. فرایند تحلیل شامل کدگذاری باز، محوری و انتخابی بود تا الگوها و مفاهیم اصلی درباره به‌کارگیری یادگیری عمیق در مدیریت دانش استخراج شود. نتایج نشان داد که الگوریتم‌های یادگیری عمیق به‌ویژه شبکه‌های عصبی کانولوشنی (CNN)، بازگشتی (RNN) و مولد تخاصمی (GAN) در خلق، سازمان‌دهی و اشتراک دانش نقش برجسته‌ای دارند. همچنین، یادگیری انتقالی و مدل‌های ترکیبی موجب افزایش دقت و کاهش هزینه‌های پردازشی در سیستم‌های مدیریت دانش شدند. یافته‌ها حاکی از آن بود که یادگیری عمیق توانسته است تمامی مراحل چرخه مدیریت دانش را از اکتساب تا ارزیابی به‌طور مؤثری تقویت کند، اگرچه چالش‌هایی همچون نیاز به داده‌های باکیفیت، توان محاسباتی بالا و تفسیرپذیری مدل‌ها همچنان وجود دارد. یادگیری عمیق بستری نوآورانه برای تحول در مدیریت دانش سازمانی فراهم کرده است. این فناوری با شناسایی الگوهای پنهان و تحلیل داده‌های پیچیده، فرایند تصمیم‌گیری دانشی را بهبود می‌بخشد و موجب توسعه سیستم‌های خودیادگیرنده می‌شود. با این حال، برای بهره‌برداری کامل از ظرفیت آن، توسعه مدل‌های قابل‌تفسیر و اخلاق‌محور و تقویت زیرساخت‌های داده‌ای ضروری است.
دانلودها
مراجع
Chen, E. (2023). Empowering artificial intelligence for knowledge management augmentation. Issues in Information Systems, 25(4), 409-416.
Dash, T., Chitlangia, S., Ahuja, A., & Srinivasan, A. (2021). A review of some techniques for inclusion of domain-knowledge into deep neural networks. arXiv preprint arXiv:2107.10295.
Gelashvili-Luik, T. (2023). Navigating the AI revolution: challenges and opportunities. PMC.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
Mehalaine, R., Louafi, B., Nessah, D. (2023). AI Based Knowledge Management Systems: A Review of AI Techniques, Applications and Challenges. J. Electrical Systems, 20-3.
Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359.
Smith, P. (2023). Machine learning applications in knowledge management. European Journal of Information and Knowledge Management, 3(2), 1-13.
