ИИ работает лучше всего, когда в курсе событий находятся люди. Сообщества знаний могут обеспечить надежный поток информации, который поддерживает и постоянно обновляет контент, на который опирается ИИ.
Сет Эрли
Эксперт с более чем 20-летним опытом работы в области стратегии знаний, информационной архитектуры, поисковых приложений и решений для поиска информации. Он автор отмеченной наградами книги «Предприятие, основанное на искусственном интеллекте», а также востребованный оратор, автор и влиятельный человек. Признан Thinkers 360 одним из 50 лучших мировых лидеров мысли и влиятельных лиц в области искусственного интеллекта 2022 года.
Когда организационные процессы идентифицированы и задокументированы, ИИ может взять на себя рутинные задачи, оставив творческие и более сложные задачи по решению проблем людям. За кулисами необходимо разрабатывать модели контента и продуктов и согласовывать их с процессами сбора данных, чтобы компоненты ИИ работали, но люди должны создавать поток знаний и брать на себя ответственность за контент.
Сообщество знаний
Сообщества знаний способствуют здоровым потокам знаний, которые, в свою очередь, становятся бесценным источником точной и актуальной информации для баз знаний, поддерживающих организационные процессы.
Сообщество знаний — это, по сути, сообщество практиков — место, где эксперты могут делиться подходами, номинировать лучшие практики и представлять образцы решений или результатов. При тщательном планировании и управлении в масштабе предприятия сообщества знаний всегда будут более богатым и глубоким источником мудрости и опыта, чем группа на уровне подразделения. Они могут использовать более разнообразный набор информации и позволяют проводить более глубокий анализ.
Сообщества знаний могут помочь решить ряд присущих проблем, связанных со сбором/рефакторингом знаний, их курированием, маркировкой и поиском. Для многих организаций с очень большими объемами контента чисто ручные подходы являются дорогостоящими и не могут поспевать за скоростью создания знаний и их последующего применения и, таким образом, становятся непомерно высокими по затратам. Вместо этого сочетание искусственного интеллекта/машинного обучения и подхода «человеческое участие в цикле» является единственным экономически эффективным и устойчивым вариантом.
Организация знаний: информационная архитектура
Должны быть созданы процессы для сбора, управления, маркировки и компонентизации устаревшего контента (например, десятилетия документации для продуктов с длительным жизненным циклом), а также для информации, полученной в результате взаимодействия между людьми. Это подготовит информацию для использования чат-ботами или другими автоматизированными компонентами на основе искусственного интеллекта.
Этот подход можно использовать для устаревшего контента и для текущих процессов создания знаний, делая людей более эффективными и действенными на протяжении всего жизненного цикла знаний. Это требует изменений в процессах, планировании, определении соответствующих сценариев и базовой архитектуры знаний. Хотя эти изменения увеличивают затраты и объем усилий, эта дополнительная работа окупается за счет сбора и организации знаний, которые являются актуальными и актуальными для работников. Более того, включение последующих сценариев (таких как потребление приложениями маркетинга, продаж или обслуживания клиентов) в жизненный цикл знаний ускоряет скорость потока знаний более эффективно, чем другие подходы, что поможет организации адаптироваться к изменениям в потребностях клиентов, рыночных силах и конкурентной борьбе быстрее и проще.
При просмотре контента разбивка его на фрагменты многократного использования позволяет использовать его интеллектуальным виртуальным помощникам и чат-ботам. Более крупные документы разбиваются на компоненты и структурируются для обеспечения правильного поиска. Эти компоненты контента помечаются с помощью модели контента, которая описывает различные аспекты поддерживаемой задачи, тему, аудиторию, продукт, конфигурацию и другие параметры.
Модель контента должна быть согласована с моделью данных о продукте с возможностью сбора знаний на этапах проектирования и разработки, а также через сообщества практиков, где внутренние эксперты в предметной области могут делиться своим опытом и знаниями «на местах». Выходные знания одного процесса — это входные знания для другого процесса — возможно, другого процесса машинного обучения. Участие человека в процессе обучения ботов, безусловно, очень важно.
ИИ работает по модели контента с богатыми метаданными
Люди являются источником знаний, лежащих в основе содержимого компонентов, которые поддерживают когнитивные системы, но инструменты ИИ могут помочь организовать, пометить и обработать информацию, чтобы ее можно было найти и действовать.
Машинное обучение с архитектурой знаний может помочь выявить наиболее важную информацию для ролей, отделов и процессов путем анализа сигналов от взаимодействия с контентом (поделиться, лайков, ответов) и сопоставления шаблонов похожего контента.
Этот анализ может осуществляться на основе явных атрибутов (маркировка метаданных — с помощью человека или машины) или с помощью подразумеваемых или производных скрытых атрибутов (то есть закономерностей, которые идентифицируют алгоритмы и которые менее заметны людям напрямую).
Например, объединение схожего контента может осуществляться через общую структуру метаданных или через более глубокие шаблоны, которые не поддаются явной классификации. Возможно, несколько групп, работающих над разными, но взаимосвязанными проблемами, нашли этот контент полезным. Другой группе может быть предложен тот же контент без очевидных метаданных, которые могли бы привести к ассоциации.
Организация опирается на коллективные знания людей, которые работают в организации, а также на накопленные знания, которые все, кто был до них, — каждое поколение сотрудников вносит свой вклад в применение и создание ценности.
Масштабирование организации заключается в институционализации этих коллективных знаний таким образом, чтобы они были встроены в проекты и инструменты и могли быть переданы будущим сотрудникам, которые строят, синтезируют и рекомбинируют знания в (надеюсь) бесконечном цикле.
Когда эта информация собирается в соответствующих репозиториях и становится доступной благодаря правильному структурированию и метаданным, ИИ становится мощным и может быть перепрофилирован для чего угодно: от чат-ботов до автоматизации процессов и персонализации и контекстуализации информации на основе поведения или предпочтений клиентов.
Снижение когнитивной нагрузки
Создание потоков знаний требует оптимизации человеческих потоков по отдельности и в совокупности.
Многие элементы командного потока можно найти в состоянии беспрепятственного обмена идеями с коллегами-единомышленниками. Это состояние делового потока, которое достигается за счет наличия в команде правильных членов команды, обладающих набором навыков, инструментов, необходимых им для достижения успеха, а также социальной структуры сильного лидерства и честного общения с общим видением, на котором можно сосредоточиться.
Захватывающая, содержательная работа с определенной целью мотивирует и заряжает энергией. Среди необходимых ингредиентов хорошего потока знаний — общая цель и видение, разделенная ответственность и подотчетность, доверие между членами команды и здоровое общение. Удаление шума, трений и отвлекающих факторов необходимо для поддержания хорошего потока информации.
Каждая технологическая инициатива, проект юзабилити или попытка повысить эффективность взаимодействия людей с технологиями направлена на «снижение когнитивной нагрузки» на человека — облегчить ему принятие решений, выполнение работы или достижение цели. Это влечет за собой включение в инструменты человеческого понимания того, как люди решают эти задачи. Это форма сбора знаний, которая институционализирует это понимание.
Прагматичность: управление знаниями и показатели эффективности
Поддерживая сообщество спонсорством и подотчетностью, постоянно совершенствуйте базовую архитектуру для внедрения в технологии искусственного интеллекта, которые будут стимулировать ваши сообщества знаний.
Когда структура поиска информации накладывается на процесс создания знаний, к этим знаниям могут получить доступ либо люди, либо инструменты искусственного интеллекта, предназначенные для автоматизации задач. Но со временем категории информации могут измениться, могут появиться новые продукты, и поэтому таксономия должна измениться.
По мере того, как организация становится более зрелой в использовании технологий искусственного интеллекта, новые функциональные возможности, вероятно, потребуют изменений в базовой архитектуре и точной настройки алгоритмов с использованием новых или реструктурированных источников данных. Этот процесс является итеративным, а не статическим и основан на данных и измеримых результатах, а не на мнениях.
Системы и инструменты знаний должны быть оснащены инструментами для сбора показателей производительности, чтобы можно было измерить влияние изменений. Это можно сделать на детальном уровне качества знаний, полноты, использования и изменений в архитектуре. Хотя некоторую информацию можно получить, рассмотрев показатели использования, более значимые ключевые показатели эффективности (KPI) требуют привязки конкретного использования знаний к поддерживаемым процессам. Эти процессы, в свою очередь, можно соотнести со следующим уровнем измеримых бизнес-результатов. Результаты бизнеса и полномочия департаментов должны быть согласованы с организационными целями. Таким образом, вмешательства на уровне качества знаний могут быть полностью связаны с организационной стратегией.
Когда программа цифровой трансформации успешна, многие отделы и проекты играют роль, которая способствовала успешному результату. Задача состоит в том, как выделить различных участников, чтобы определить, где оправданы дополнительные инвестиции. Связывая эффективность процессов с конкретными инициативами в области знаний, можно легче оправдать и поддерживать ценность инвестиций в сообщества знаний.
ИИ — это не волшебство: он основан на данных и знаниях. Люди являются источником знаний на предприятии, и развитие сообществ и потоков знаний подготовит организацию к будущему, в котором будут доминировать когнитивные технологии.
Знания, как и сегодня, будут оставаться определяющим фактором конкурентоспособности, но преобразование и внедрение этих знаний в компоненты многократного использования, подходящие для целого ряда последующих систем, каналов и приложений, станет решающим дифференцирующим фактором – и даже ставкой – в самом ближайшем будущем.
Курирование и адаптация: Онтограф
