Aplicaciones de Aprendizaje Automático en la Gestión del Conocimiento

Propósito: El objetivo general del estudio fue explorar las aplicaciones del aprendizaje automático en la gestión del conocimiento. Metodología: El estudio adoptó una metodología de investigación de escritorio. La investigación de escritorio se refiere a datos secundarios o aquellos que pueden ser recopilados sin trabajo de campo. La investigación de escritorio consiste principalmente en recopilar datos de recursos existentes, por lo que a menudo se considera una técnica de bajo costo en comparación con la investigación de campo, ya que el principal costo se asocia al tiempo de los ejecutivos, cargos telefónicos y directorios. Por lo tanto, el estudio se basó en estudios, informes y estadísticas ya publicados. Estos datos secundarios fueron fácilmente accesibles a través de revistas y bibliotecas en línea. Hallazgos: Los hallazgos revelan que existe una brecha contextual y metodológica relacionada con las aplicaciones de aprendizaje automático en la gestión del conocimiento. Una revisión empírica preliminar reveló que la integración del aprendizaje automático (ML) en los sistemas de gestión del conocimiento (KM) mejoró significativamente los procesos de toma de decisiones, el compartimiento de conocimiento y la colaboración dentro de las organizaciones. Las herramientas potenciadas por ML mejoraron la eficiencia y la precisión al automatizar tareas y proporcionar insights predictivos, lo que llevó a un mejor rendimiento organizacional e innovación. Sin embargo, el estudio también destacó los desafíos de la calidad de los datos, la integración y la adaptación del usuario, enfatizando la necesidad de estrategias y inversiones integrales para maximizar los beneficios de ML en KM. En última instancia, el estudio subrayó el potencial transformador de ML para crear un entorno organizacional más eficiente, innovador y competitivo. Contribución Única a la Teoría, Práctica y Política: La Visión Basada en el Conocimiento (KBV) de la Empresa, el Modelo de Aceptación de Tecnología (TAM) y la Teoría de Sistemas Socio-Técnicos pueden usarse para anclar futuros estudios sobre aplicaciones de aprendizaje automático en la gestión del conocimiento. El estudio recomendó integrar capacidades dinámicas de ML en marcos teóricos, enfatizando la interacción entre los algoritmos de ML y la cognición humana. Aconsejó a las organizaciones que invirtieran en una infraestructura robusta de ML, fomentaran una cultura de aprendizaje continuo y adoptaran principios de diseño centrados en el usuario. Se instó a los responsables políticos a establecer normas éticas e incentivar las mejores prácticas en la gobernanza de datos. Las recomendaciones prácticas incluyeron automatizar tareas rutinarias para mejorar la eficiencia, utilizar ML para fomentar la innovación colaborativa y adoptar mentalidades de mejora continua y adaptación para mantener las aplicaciones de ML relevantes y efectivas.