کاربرد هوش مصنوعی و تحلیل گری داده در آموزش و توسعه

کاربرد هوش مصنوعی و تحلیل گری داده در آموزش و توسعه

هوش مصنوعی یکی از مهمترین فناوری هایی است که به تحول فرایند آموزش و توسعه کمک می کند. هوش مصنوعی می تواند داده ها را به روشی مشابه انسان پردازش کند. این فناوری برخلاف انسان که دارای ظرفیتی محدود در به خاطر سپردن و پردازش اطلاعات است، می تواند حجم زیادی از داده ها را به صورت هم زمان بررسی و تحلیل کند. هوش مصنوعی قادر است که با گردآوری و تحلیل داده های مرتبط با هر کدام از کارکنان، مهارت های موردنیاز آنان در زمان حال و آینده را پیش بینی کرده و بر این اساس نیازهای آموزشی شان را شناسایی نماید. در ادامه نیز با توجه به سرعت و ظرفیت یادگیری افراد به آنها بگوید که از کجا شروع کنند و محتواها و دوره هایی که ممکن است در رفع نیازشان اثرگذار باشد را پیشنهاد دهد. در نهایت سازمان می تواند با توجه به نتایج تحلیل‎های انجام شده توسط هوش مصنوعی، پروفایل های یادگیری مختلفی برای ارتقای دانش و مهارت های کارکنانش ایجاد نماید.

احتمالاً هرکسی در زندگی کاری و حرفه ای خود حداقل یکبار از سوی مدیرانش با تعصبات و سوگیری های آگاهانه و یا ناخودآگاه و همچنین پیش فرض‎های غلط نسبت به ایده‎ها و تفکراتش روبرو شده است. نکته مهم در مورد هوش مصنوعی این است که سوگیری و تعصب برایش معنا ندارد و احتمال تصمیم های جانبدارانه توسط آن صفر است. این فناوری مجموعه داده های دریافتی را به طور دقیق تفسیر و در نتیجه عملی ترین و مؤثرترین برنامه یادگیری متناسب با هر یک از کارکنان را پیشنهاد می کند.

صرف نظر از بخشی که کارکنان در آن مشغول به کار هستند، هر فردی روش متفاوتی برای یادگیری دارد و ممکن است دانش را به سبک خود کسب کند. این ترجیحات می تواند یادگیری از طریق آموزش های ویدئویی، محتوای نوشتاری، آموزش حضوری، بازی وارسازی و پادکست ها باشد. امروز رویکرد «یک محتوا برای همه» منسوخ شده و سازمان ها باید به سمت مسیر یادگیری منحصربه فرد برای هر شخص حرکت کنند. کارکنان همیشه در یک سطح نیستند و بعضی ها بیشتر و بعضی ها کمتر با موضوعات مد نظر ما آشنایی دارند و اینکه از آنها خواسته شود همگی از یک نقطه برای یادگیری شروع کنند، چندان منطقی به‎نظر نمی‎رسد. در چنین شرایطی برای آنانکه بیشتر می دانند، مطالب خسته کننده و تکراری بوده و برای سایرین بازگو کردنشان زود است؛ چرا که فرد تجربه و آمادگی لازم برای یادگیری موارد گفته شده را ندارد. راه حل این امر در ارائۀ محتوای متناسب با نیازها و سطوح متفاوت افراد نهفته است. در اینجاست که صحبت از یادگیری شخصی سازی شده مطرح می شود.

یادگیری شخصی سازی شده شامل واگذاری مدیریت مسیر آموزش به یادگیرندگان، دادن اطلاعات به آنها در مورد چگونگی پیشرفت شان و ارائۀ محتوای متناسب با نیازشان است. یادگیری شخصی سازی شده، که مطابق با ترجیحات شخصی و سبک یادگیری هر یک از کارکنان ارائه می شود، بدون فناوری هوش مصنوعی و ابزارهای آن به راحتی امکان پذیر نیست. با استفاده از هوش مصنوعی در یادگیری می توانید برنامه های آموزشی را متناسب با سبک های متفاوت، سرعت های مختلف و همینطور براساس اولویت های یادگیرندگان توسعه دهید. الگوریتم های یادگیری ماشینی بر اساس عملکرد گذشته کارکنان، دانش فعلی و اهداف یادگیری آن ها، محتوای متناسب را پیش بینی و ارائه می کنند. همچنین ابزارهای یادگیری ماشینی به شناخت بیشتر رفتار یادگیرندگان کمک می کنند و به شما این امکان را می دهند که محتوای هوشمندانه تری ایجاد کنید؛ محتوایی که سازگار و متناسب با سفر یادگیری هر یک از کارکنانتان باشد. از مزایای این رویکرد، علاوه‎براینکه باعث صرفه جویی در زمان و هزینه ها می شود، می تواند دوره های آموزشی را نیز بر اساس تقاضا ارائه کرده و عملاً دوره های بی نتیجه و غیرمفید را از فرایند یادگیری خارج کند. همچنین هنگامی که محتوای آموزشی جدید در سیستم یادگیری سازمان بارگذاری می شود، ابزارهای هوش مصنوعی این توانایی را دارند که به طور خودکار فهرستی از کسانی که در سازمان ممکن است این محتوا برایشان جالب باشد، ایجاد  کنند. هوش مصنوعی محتوا را تحلیل می کند تا لیستی از کاربرانی که در گذشته به محتواهای مشابه علاقه نشان داده اند، تهیه کند. انجام این کار مستلزم آن است که هوش مصنوعی اولویت های محتوایی یادگیرندگان را تحلیل و افراد با علاقه مندی های یادگیری مشابه را لیست کند.

برای بسیاری از کسب وکارها، تولید محتوای آموزشی کار راحتی نیست و معمولاً زمان بر و چالش برانگیز است. این محتوا چه بخواهد به صورت داخلی تولید شود و چه برون سپاری گردد، بودجه و انرژی زیادی را به خود اختصاص می دهد. معمولاً زمان بسیاری برای تولید محتوا در داخل سازمان صرف می شود، اما اغلب محتوای مورد انتظار به دست نمی آید. همینطور برون سپاری محتوا هم داستان های خودش را دارد، از یافتن دوره ها و اساتید مناسب و معتبر گرفته تا توافق بر سر قالب تولید و انتشار محتوا. هوش مصنوعی در این حوزه نیز به سازمان ها راه حل ارائه می دهد. این فناوری درست مانند گوگل می تواند شبکه اینترنت، محتواهای اختصاصی خود سازمان و سایر منابع مرتبط را بررسی نماید تا مرتبط ترین محتوا را به صورت خودکار پیشنهاد کند.

لازم است یادآوری کنیم که برای جستجو و یافتن راحت‎تر محتوا، چه به صورت دستی و چه خودکار، نیاز است که آنها را به صورت مناسب مدیریت کنیم. ایجاد برچسب و نشانه گذاری محتواهای آموزشی از جملۀ راه حل هایی است که به دسته بندی و جستجوی راحت تر آن در سیستم های یادگیری و مدیریت محتوا کمک بسیاری می کند. اتفاقاً یکی از موارد کاربرد هوش مصنوعی، برچسب گذاری محتوا است. برای اینکه سیستمی بتواند محتوا را به درستی دسته بندی کند و در جای درست قرار دهد، ابتدا باید بداند محتوا در مورد چیست. در گذشته این کار به صورت دستی صورت می گرفت. امروز سیستم های مدیریت محتوا از هوش مصنوعی برای تعیین و اعمال خودکار این برچسب ها استفاده می کنند. پس از به اشتراک گذاری یک محتوای آموزشی جدید مانند یک ویدیو، هوش مصنوعی کل آن را بررسی می کند، کلمات کلیدی مرتبط با محتوا را شناسایی کرده و از تعدادی از آنها برچسب تولید می کند که البته در صورت لزوم شما می‎توانید این برچسب ها را  به صورت دستی ویرایش کنید. نیاز به توضیح بیشتر نیست که این عمل تا چه اندازه زمان و انرژی تیم مدیریت آموزش سازمانتان را برای انجام امور مهم تر آزاد می سازد.

همیشه هم رویکرد متفاوت به آموزش به معنای محتوای متفاوت نیست، بلکه گاهی هم منظور ارائۀ یک محتوا با روش های مختلف است. هوش مصنوعی از طریق پردازش زبان طبیعی می تواند دیالوگ های گفته شده در فیلم ها و همینطور پادکست ها، وبینارها و سخنرانی ها را به‎راحتی تبدیل به متن کند. این همان روشی است که یوتیوب زیرنویس های خودکار را در ویدیوهایش ارائه می کند. پس وقتی صحبت از برنامۀ آموزشی مبتنی بر هوش مصنوعی می شود، نباید از این قابلیت مهم غافل شد که این برنامه قادر است برای برخی کارکنان آموزش های ویدئویی ارائه دهد و برای گروهی دیگر به طور خودکار از آنچه که در ویدیوها گفته شده جزوه آموزشی تهیه  کند. این برنامه حتی می تواند بر اساس محتوای متنی، تصاویر بصری و اینفوگرافیک ایجاد کند. این قابلیت هوش مصنوعی برنامه های آموزشی را برای گروه وسیعی از یادگیرندگان مخصوصا افراد دارای انواع کم توانی ها خوشایندتر می سازد. به عنوان مثال با کمک هوش مصنوعی می توانید قابلیت زیرنویس خودکار برای برنامۀ آموزشی ویدیویی ارائه کنید که افراد ناشنوا نیز بتوانند از محتوای شما استفاده کنند. برای افراد نابینا نیز هوش مصنوعی برنامه ها و راه حل هایی دارد، بدین‎ترتیب که صوت را جایگزین متن ها و تصاویر می‎کند.

هنگامی که کارکنان در حال گذراندن یک دوره آموزشی به صورت آنلاین و با سرعت مد نظر خودشان هستند، معمولاً با سؤالاتی مواجه می شوند. در رویکردهای سنتی آنان باید منتظر باشند تا استاد به سوالاتشان پاسخ دهد. این در حالی است که ممکن است استاد مربوطه مدتی کوتاه و یا حتی طولانی در دسترس نباشد. هوش مصنوعی در اینجا نیز وارد عمل می‎شود. چت بات های هوشمند قادر به پاسخ دهی بلادرنگ به کارکنان هستند. علاوه بر تمامی موارد گفته شده این دغدغه را نیز در نظر داشته باشید که تیم آموزش و توسعۀ سازمان زمان بسیاری را صرف کارهای اداری این فرایند می کند. هرچند که استفاده از این ویژگی هوش مصنوعی هنوز رایج نشده است اما می تواند به عنوان یک قابلیت کلیدی در فرایند مدیریت یادگیری وارد عمل شود. از آنجایی که هوش مصنوعی می تواند وظایف اداری تکراری را پیش ببرد، در نتیجه قادر به انجام اموری مانند برنامه ریزی و ثبت نام دوره‎ها، تدوین گزارش های مرتبط و مدیریت محتوا نیز خواهد بود.

حیف است که از کاربردهای هوش مصنوعی در توسعه مسیر شغلی یا همان کارراهه حرفه ای کارکنان چیزی نگوییم. کارراهه حرفه ای یعنی ترتیبی از مشاغل و موقعیت های کاری برای یک شخص در طول سفر شغلی وی در یک سازمان. این مسیر باید به گونه ای برنامه ریزی شود که رشد شخصی، پیشرفت حرفه ای و در نهایت احساس کامیابی را برای افراد به همراه داشته باشد. اگر نمی خواهید شاهد از دست دادن کارکنانتان باشید، باید برنامه ریزی و طراحی کارراهه شغلی را با تمرکز بر نیازهای کسب وکار، و همچنین عملکرد، پتانسیل و ترجیحات شخصی خود افراد انجام دهید. معمولاً بسیاری از سازمان ها در درک نیازهای خود و کارکنانشان ضعیف عمل می کنند. آنها هم تصویری روشن از نیازهای مهارتی چند سال بعد کسب وکارشان ندارند و هم به دلیل ارتباط ضعیفشان با افراد، از خواسته ها و جاه طلبی های مثبت آنان مطلع نیستند. به همان اندازه که این موضوع توسط کسب وکارها دست کم گرفته می شود، برای کارکنان موضوعی جذاب و دارای اهمیت است. اکثر افراد بنا بر انگیزه ها و برنامه های حرفه ای خاص خود، چشم انداز مشخص و روشنی برای مسیر شغلی شان متصورند که بر انتخاب نوع سازمان و مهارت هایی که باید توسعه دهند، تأثیر می گذارد.

هوش مصنوعی و تحلیل‎گری داده می‎تواند در توسعه بهتر مسیر شغلی کارکنانتان نقش‎آفرینی کند. این فناوری به شما کمک می کند تا مسیرهای شغلی مناسب و درخوری برای افردتان ترسیم کنید. قبل از اینکه هوش مصنوعی وارد عمل شود، شما باید پروفایلی از مهارت ها، شایستگی ها، ترجیحات و اهداف کارکنان تان ایجاد کنید و هوش مصنوعی و تحلیل‎گری داده می تواند با تحلیل این موارد، مسیر های شغلی که با پروفایل های افراد بیشترین تطابق و تناسب را دارد، شناسایی کند. اینکه شاخص اندازه گیری تطابق، مهارت افراد باشد یا خواسته هایشان و یا هر دو به خودتان بستگی دارد. پس از مشخص شدن تصویری ابتدایی از کارراهه حرفه ای افراد، بهتر است آن را با خودشان نیز در میان بگذارید تا اگر نظری در این خصوص دارند، بیان کنند. در ادامه وقت آن است که کارکنان به توسعۀ مهارت های خود در راستای مسیر ترسیم شده بپردازند. در اینجا نیز هوش مصنوعی می تواند با توجه به نیازهای آموزشی مشخص شده، دوره های لازم برای کسب مهارت های مدنظر را پیشنهاد دهد. همچنین با روشی مشابه می توانید برنامه ای هدفمند برای جانشین پذیری تدوین کنید. بدین‎صورت ‎که با بررسی پروفایل  کارکنان و تطابق آن با قابلیت های مورد نیاز شغل های کلیدی سازمان، می توانید تشخیص دهید که کدام یک از افرادتان گزینۀ بهتری برای جانشینی پست ‎های در آستانه خالی شدن در سازمان هستند.

برگرفته از کتاب مدیریت منابع انسانی دیجیتال نوشته مهدی شامی زنجانی و محسنه اسدی، انتشارات آریاناقلم (۱۴۰۲)

برای تهیه کتاب کلیک کنید.

مقالات مرتبط:

انتشار کتاب مدیریت منابع انسانی دیجیتال

انتشار اپیزود دو: مدیریت منابع انسانی دیجیتال؛ چیستی و چرایی

انتشار اپیزود بیست و دوم: هوش مصنوعی در مدیریت منابع انسانی

منابع انسانی دیجیتال در یک نگاه (چیستی و چرایی)

تحلیل گری داده؛ روند توسعه، زنجیره ارزش و کاربردها

هوش مصنوعی؛ روند توسعه، زنجیره ارزش و کاربردها

کاربرد هوش مصنوعی و تحلیل گری داده در مدیریت عملکرد و جبران خدمات

کاربرد هوش مصنوعی و تحلیلگری داده در جذب و استخدام

دیدگاهتان را بنویسید

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

Previous Next
Close
Test Caption
Test Description goes like this