مبانی و مفاهیم هوش سازمانی

امروزه سازمان ها با تغییرات سریع و گسترده ای در محیط سیاسی، فرهنگی، اجتماعی، تکنولوژیکی و اقتصادی روبه رو می شوند. هرچه زمان به جلوتر می رود، با توجه به پیشرفت علوم و فنون و پیدایش نیازها و چالش های نوین، سازمان ها پیچیده تر و اداره آن ها دشوارتر می شود. در این دنیای پررقابت که سازمان ها برای بقا بایستی توان رقابتی خود را تقویت نمایند، مدیران برای پیشبرد اهداف سازمانی بهتر به هوش سازمانی نیاز دارند تا بتوانند با اتکای به آن، عملکرد خود و سازمان را بهبود بخشند.

هوش سازمانی یکی از منابع اصلی رقابت پذیری سازمان هاست. هوش سازمانی توانایی بالقوه سازمان برای گردآوری اطلاعات مرتبط محیطی و تبدیل این اطلاعات به دانشی سودمند می باشد که باعث می شود اطلاعات برون سازمانی در دسترس سازمان قرار گیرد. هوش سازمانی نشان دهنده ظرفیت سازمان برای یکپارچه سازی توانایی های ذهنی سازمان به منظور تحقق رسالت های سازمان است.

محققان برای هوش سازمانی مؤلفه های مختلفی را در نظر می گیرند. به عنوان نمونه:

• 3 مؤلفه : ظرفیت فرآیند اطلاعات؛   توانایی انطباق؛   هوش هیجانی جمعی.

• 7 مؤلفه: چشم انداز استراتژیک؛  سرنوشت مشترک؛  میل به تغییر؛   روحیه؛   اتحاد و توافق؛    کاربرد دانش؛    فشار عملکرد.

هوشمند سازی سامانه ها

امروزه سیستم‌های هوش مصنوعی به کمک یادگیری ماشین و یادگیری عمیق هوشمند می‌شوند و می‌توانند یاد بیرند و آموزش ببینند. در ادامه هر کدام را معرفی می‌کنیم.

A)یادگیری ماشین

یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند.

در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.

الگوریتم های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز در این زمینه تولید می‌شوند.

به طور معمول این الگوریتم‌ها به وسیله سبک یادگیری گروه بندی می شوند، مانند:

• یادگیری نظارت شده
• یادگیری بدون نظارت
•  یادگیری نیمه نظارت

 

همچنین الگوریتم ها با توجه به فرم یا عملکرد نیز گروه بندی می شوند، مانند:

• طبقه بندی (دسته بندی)
• خوشه بندی