В корпоративном мире надвигается кризис знаний

Управление знаниями имеет плохую репутацию. За последние несколько десятилетий после появления в начале 90-х годов он переживал циклы популярности, и в некоторые из этих циклов он значительно девальвировался. Это онлайн-воплощение КМ.

Сет Еарли

Seth Earley (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.

Знания передавались на протяжении веков посредством письменной речи и ученичества, формального обучения и подготовки, культурного опыта и народной мудрости. Управление знаниями как цифровое начинание началось с ранних инструментов совместной работы — рассылок, онлайн-дискуссий, сообществ, досок объявлений и т. п., а также их корпоративных собратьев «групповой работы», таких как Lotus Notes и SharePoint.

Однако идея объединения людей, их знаний и опыта возникла задолго до этого. В 1968 году «Мать всех демонстраций» продемонстрировала концепции персональных компьютеров, которые позже были разработаны Xerox PARC и коммерциализированы Apple. Сейчас управление знаниями переживает своего рода возрождение, поскольку его ценность для создания искусственного интеллекта все больше признается.

«Нам нужно получить больше информации в Интернете»

Это была формулировка проблемы, которую один мой клиент сформулировал еще в начале 90-х, когда я основал свою компанию. И он был прав. Широкая доступность мировых знаний все еще была далека от реальности, но взрывной рост контента и информации в корпоративных интрасетях и в Интернете стал ошеломляющим и потребовал механизма для легкого и всеобъемлющего доступа.

IBM и Lotus выпустили Discovery Server, который индексировал контент для обеспечения поиска информации и определения местоположения экспертных знаний. Но этим инструментом стал IBM Omnifind, и эта ДНК в конечном итоге была использована в Watson.

Как ИИ зависит от знаний

Вполне логично, что набор когнитивных технологий, таких как IBM Watson, начался с управления знаниями. Фраза «когнитивные вычисления» напоминает компьютер с разумом. Хотя этой метафорой злоупотребляют, компьютеры, какими бы сложными они ни были, не думают, они помогают поддерживать человеческое познание.

Когнитивный ИИ снижает «когнитивную нагрузку» на человека. Это помогает нам обрабатывать информацию и принимать решения с меньшими умственными усилиями, предоставляя информацию по мере необходимости. «Нужная информация в нужное время для нужного человека» уже много лет является мантрой управления знаниями и сегодня является целью алгоритмов персонализации и рекомендаций.

Все, что делают организации, основано на потоках знаний. Они поглощают знания и информацию и производят знания и информацию. Продукция – это материалы плюс знания. 

Устройство, над которым я работаю, и волшебное устройство в моем кармане сделаны из песка, металла и масла — все устроено очень хитро. Продукты, разрабатываемые сегодня, независимо от отрасли, являются более наукоемкими и используют меньше физических материалов, чем продукты, произведенные даже несколько лет назад.

Почему искусственный интеллект и машинное обучение НЕ придут на помощь

В течение многих лет я проповедовал необходимость структур знаний для поддержки искусственного интеллекта. В статье, написанной несколько лет назад, я заявил, что искусственный интеллект требует целенаправленного подхода к информационной архитектуре. Идея такова: «Нет искусственного интеллекта без IA» (нет искусственного интеллекта без информационной архитектуры).

Я пришел к такому выводу после тщательного исследования приложений, которые считались «основанными на искусственном интеллекте», особенно в когнитивной сфере, таких как боты и виртуальные помощники, которые продавались как ответ на автоматизацию колл-центров и обслуживания клиентов. В каждом случае я спрашивал поставщиков, как работают их инструменты, как они обучались и как разрабатывались и развертывались новые функциональные возможности.

Ответы варьировались от «это собственность» до наполненной жаргоном чепухи о том, что их алгоритмы просто «обучаются на основе всех данных» без вмешательства человека. «Вам даже не нужно определять проблему, которую он должен решить», — заявил один особенно смелый барыга. 

Мне показали интерфейсы администратора, в которых были пары вопросов и ответов — с вариациями фраз и орфографическими ошибками в списке, чтобы бот мог определить намерение (что не является способом классификации намерений), которым было бы невозможно управлять и поддерживать. 

Но моим любимым ответом было «ой, ну у заказчика есть база знаний»… Правда? У заказчика есть база знаний? Этот особый вариант отсутствия ответа просто предполагает, что ответ на проблему предполагается. Нет, это на самом деле проблема, которую нужно решить — источник знаний.

ИИ, по сути, занимается классификацией. Алгоритмы классифицируют сигналы, чтобы отделить их от шума. Распознавание изображений классифицирует эти изображения как кошек, а те — как собак. Эти рентгеновские лучи классифицируются как рак или не рак. Автозапчасти либо хорошего качества, либо бракованные. 

Когнитивные помощники сначала классифицируют вариант фразы как намерение (сигнал, означающий определенную вещь), а затем используют этот сигнал для получения соответствующей части информации. Контент классифицируется как правильный ответ на этот сигнал.

Однако ИИ не может судить о ценности части контента. Он не может исправить контент в «базе знаний», который не решает проблему. Если информация отсутствует, ИИ не сможет ее заполнить.

ИИ может помочь улучшить и курировать контент, а также пометить его с помощью полуавтоматической индексации, но сначала нам нужна архитектура и справочные данные. К ним относятся термины и понятия, которые важны для организации. Решениями проблем на самом деле являются таксономии и онтологии, которые формируют основу знаний предприятия.

Искусственному интеллекту нужна структура — он должен понимать суть бизнеса. Эта душа — это онтология, содержащая проблемы, решения, роли, процессы, вопросы, ответы, темы, типы контента, типы клиентов, категории продуктов, типы оборудования, атрибуты, регионы, области навыков, области исследований и многое другое — каждую концепцию, которая предприятие использует в своей деятельности. Все это необходимо определить и отобразить, чтобы ИИ функционировал.

Проблема знаний

Поскольку когнитивные помощники стремятся отвечать на вопросы и предоставлять информацию для выполнения конкретных задач, откуда берется эта информация? 

Для обучения виртуального помощника необходимо то же самое, что необходимо для обучения человека. Боту часто задаваемых вопросов нужны часто задаваемые вопросы. Боту для устранения неполадок нужны коды неисправностей и процедуры. Создание знаний уникально для человека и происходит в результате творческого применения опыта и знаний для решения проблемы.

Когда инженеры разрабатывают уникальный дизайн продукта, им необходимо определить характеристики и функции, процедуры установки и руководства, а также вспомогательный контент, необходимый клиентам, представителям выездного обслуживания или центров обработки вызовов для выполнения своей работы. 

На предприятии имеется большой объем накопленных, систематизированных знаний в форме процессов, процедур, рабочих процессов, системных проектов, программного обеспечения, справочных материалов, учебных материалов, презентаций, технических документов, методологий, шаблонов, образцов и других высококачественных материалов. Это весьма ценные активы знаний, которые составляют конкурентное преимущество организации.

Предприятие конкурирует по знаниям. Сюда входят знания, которые являются частью работы людей, которые они учатся в течение многих лет, знания о потребностях клиентов, о том, как общаться с клиентами и о том, что находит отклик у различных аудиторий.

Со временем организации учатся тому, как лучше всего обслуживать их, как отличаться от конкурентов, как помогать клиентам выбирать продукты, использовать их, получать от них максимальную пользу, ремонтировать их или доставлять для обслуживания, обслуживать, модернизировать и заменять их. 

Существует огромный объем знаний: от того, как закупать детали или ингредиенты до лучших способов производства, обработки или транспортировки готовой продукции. Физическая цепочка поставок неразрывно связана с цепочкой поставок знаний и информации.

Так как же люди находят продукты, услуги и решения? 

  • В доцифровую эпоху необходимые им знания поступали непосредственно от других людей или письменных материалов. 
  • В нашем цифровом мире большинство людей хорошо разбираются в продуктах и опциях, поскольку информация им легко доступна. 

У людей по-прежнему есть роль, но она не обеспечивает базовое образование, которое они когда-то делали.

В корпоративном мире надвигается кризис знаний, поскольку человеческих знаний становится все меньше. Во многих случаях для освоения определенной области требуются годы опыта работы. У людей не только становится меньше терпения к этому, но и меняется характер работы. На работу приходит все меньше людей, которые хотят провести десять или двадцать лет в одной и той же отрасли.

К счастью, в приложения и продукты внедряется больше человеческого опыта, поэтому их легче обслуживать (или заменять, если знания об эффективности производства распространены достаточно далеко) и ими легче управлять. 

Однако, чтобы сделать это успешно, необходимо, чтобы экспертные знания в предметной области были явными, фиксируя опыт до того, как люди уйдут на пенсию или уйдут в другую организацию или отрасль. 

Все больше и больше услуг предоставляется через цифровые каналы, поскольку эти технологии, в отличие от человеческого опыта, очень хорошо масштабируются. Но опять же, откуда знания? Они должны быть зафиксированы и структурированы таким образом, чтобы позволить цифровому механизму организации обслуживать его в правильном контексте, чтобы пользователи могли достичь определенной цели.

Большие руководства по обслуживанию необходимо разбивать на части, чтобы обеспечить легкий доступ непосредственно к информации, необходимой для ответа на вопрос. 

Несколько лет назад, работая с поставщиком медицинского страхования, обработчикам претензий было очень сложно найти именно то, что им нужно: информация о страховых полисах была похоронена в 300-страничных документах. 

Когда людям нужен ответ, они не хотят просматривать сотню результатов поиска, а затем открывать один из них, который, в свою очередь, представляет собой 300-страничный документ. Они просто хотят получить ответ. 

Вот почему разбиение контента на части так полезно для человека. И та же структура, которая позволяет человеку ответить на вопрос, позволит боту ответить на вопрос. В этом прелесть хорошо организованной и доступной для поиска информации.

Кроме того, для персонализации также необходимы фрагментированные знания. Части сообщений можно комбинировать и предлагать разным аудиториям с небольшими вариациями. Алгоритмы машинного обучения могут дополнительно настроить варианты для конкретной аудитории и контекста.

Одна крупная технологическая организация ежедневно обслуживает четыре миллиона объектов знаний по каналам, сайтам и контекстам. Эти компоненты обеспечивают функциональность во всех аспектах маркетинга, обслуживания, поддержки, электронной коммерции, разработки продуктов и внутренних процессов, которые обеспечивают этот опыт. 

В этом масштабе другие сигналы о пользователе позволяют автоматизированным процессам точно настроить точный ответ и передать его кому-то в руки. Отрасль, роль, принадлежащее оборудование, конфигурации, технические знания и другие слабые сигналы могут коррелировать с использованием знаний и помочь точно определить приоритетность правильной информации для других в таких же или аналогичных обстоятельствах.

ИИ-контент без контента

Недавно я услышал об одном предприятии, которое создавало группу для «контента, готового к использованию ИИ». Хотя это достойная цель, возникает вопрос: зачем нужна новая группа? Почему новый контент? Контент ИИ — то есть для ботов и виртуальных помощников — должен быть тщательно согласован с целью и вариантом использования. Он должен конкретно служить определенной цели и помогать пользователю в выполнении его задачи.

Подождите, разве весь контент не должен быть написан с учетом цели и пользователя? Да! Однажды я работал с правительственным агентством, в группе которого было 20 авторов контента, охватывающих определенную область медицинской помощи. Я поднял документ и спросил, что это? Кто это для? Зачем им это читать? Какую ценность это имеет? Никто не мог мне ответить. Никто не мог сказать мне, что сделала эта группа с точки зрения клиента. Вот почему нам нужен более целенаправленный подход к контенту — не группа контента ИИ, а целевая группа контента.

Дело в том, что контент для ИИ — это контент, а зрелые операции с контентом необходимы для создания обучающего материала для виртуальных помощников. Но та же самая дисциплина облегчит использование информации для всех и позволит решить проблемы сегодняшнего дня, одновременно готовясь к будущему.

Источник

Курирование и адаптация: Онтограф

Вы дочитали статью до конца, видимо вас так же интересует эта тема. Пожалуйста, поставьте оценку пользы для вас этого материала.
Если у вас есть свои идеи по теме, напишите в комментариях — мы с радостью возьмем на вооружение и улучшим этот материал с пользой для других читателей.

Оцените автора
Онтограф
Добавить комментарий