Aby AI prinášala požadované výsledky, potrebuje viac než len dáta. Potrebuje tiež význam, kontext, vzťahy, obchodné pravidlá a dôveryhodné znalosti.
To zvyšuje záujem o ontológie, znalostné grafy a sémantické vrstvy. Zatiaľ je všetko v poriadku, ale tieto technológie fungujú najlepšie vtedy, keď vychádzajú z jasného pochopenia toho, čo vaša firma skutočne potrebuje vedieť. Ak chcete vytvoriť ontológiu, musíte pochopiť, ktoré znalosti sú najdôležitejšie. A znalostný graf prináša najväčšiu hodnotu vtedy, keď viete, ktoré koncepty, rozhodnutia, pravidlá a výnimky má reprezentovať.
Inými slovami, najprv musíte správne zvládnuť základy. A ak chcete znalosti konzistentným a opakovateľným spôsobom objavovať, zachytávať, prioritizovať a riadiť, potrebujete prevádzkový model znalostí.
Poskytnite AI správne znalosti, nie všetky znalosti
Podnikové znalosti sú rozptýlené v databázach, prevádzkových systémoch, aplikáciách, dashboardoch, dokumentoch, zásadách, postupoch, videách, poznámkach zo stretnutí, komunikačných kanáloch a – čo je najdôležitejšie – v know-how vašich zamestnancov. Môžu byť presné a hodnotné, ale môžu byť aj zastarané alebo protichodné.
Aby AI dokázala týmto znalostiam porozumieť, nestačí len zhromaždiť dokumenty, viesť rozhovory s odborníkmi, prepojiť systémy a následne všetko nahrať do jedného úložiska. AI musí vedieť, ktorým zdrojom môže dôverovať, ktoré pravidlá sa uplatňujú a ako jednotlivé koncepty navzájom súvisia.
Užitočnejším prístupom je preto vytvoriť model kritickosti znalostí, ktorý posudzuje každý zdroj na základe jeho hodnoty, nákladov na prístup, rizika a volatility. Napríklad dokument so zásadami, ktorý určuje súlad s regulačnými požiadavkami, bude pravdepodobne kritickejší než všeobecný opis procesu. Podobne je metrika na dashboarde užitočná iba vtedy, ak sú jasné jej definícia a pôvod dát.
Začnite tým, že určíte, na čom záleží najviac:
- Na ktorú obchodnú oblasť alebo prípad použitia by ste sa mali zamerať?
- Ktoré rozhodnutia, workflow alebo výsledky sa snažíte zlepšiť?
- Ktoré zdroje znalostí sú pre tieto výsledky najdôležitejšie? Sú spoľahlivé, dostupné a správne riadené?
Cieľom je identifikovať znalosti, ktoré sú najrelevantnejšie, najdôveryhodnejšie a opakovane použiteľné pre konkrétny obchodný výsledok. Na tomto základe sa môžete rýchlo učiť a navrhovať riešenia s ohľadom na škálovateľnosť.
Prepojte workflow, dáta a rozhodnutia
Mnohé iniciatívy v oblasti AI predpokladajú, že základný workflow je už dobre pochopený. V skutočnosti to tak často nie je. Procesy môžu byť zdokumentované iba čiastočne a kritické znalosti často existujú len v hlavách zamestnancov. Rôzne tímy môžu dokonca používať rôzne názvy pre ten istý obchodný koncept.
Ak majú byť znalosti opakovane použiteľné a riaditeľné, je potrebné prepojiť tri navzájom sa dopĺňajúce pohľady:
1. Pohľad na workflow, dáta a systémy: zahŕňa činnosti, roly, systémy, dátové aktíva, dokumenty, reporty, odovzdávanie úloh a závislosti, ktoré ukazujú, ako sa práca v skutočnosti vykonáva. Odpovedá na otázky ako: Aká práca sa vykonáva? Kto ju vykonáva? Ktoré systémy sa používajú? Ktoré dáta sa využívajú a vytvárajú? Kde dochádza k odovzdávaniu úloh?
2. Pohľad na prevádzkové znalosti: zachytáva pravidlá, rozhodnutia, tacitné znalosti, výnimky, alternatívne postupy, kontroly kvality a referenčné prípady, ktoré vysvetľujú, ako ľudia v praxi uplatňujú vlastný úsudok. Odpovedá na otázky ako: Ako ľudia vedia, čo majú robiť? Ktoré pravidlá sa uplatňujú? Kde vznikajú výnimky? Aký úsudok je potrebný? Aké znalosti odlišujú skúseného pracovníka od začiatočníka?
3. Pohľad na governance: zahŕňa vlastníctvo, validáciu, vysledovateľnosť, správu verzií, povolené spôsoby využitia AI a kontrolné mechanizmy, ktoré udržiavajú znalosti aktuálne, a tým aj bezpečné na používanie. Odpovedá na otázky ako: Kto je vlastníkom týchto znalostí? Kto ich validoval? Aký je zdroj dôkazov? Kedy by sa mali preskúmať? Môže ich AI používať priamo, alebo je potrebné schválenie človekom v rámci prístupu human-in-the-loop?
Spojenie týchto troch pohľadov mení zachytávanie znalostí z jednorazovej konzultačnej aktivity na opakovateľnú a škálovateľnú prax.
Vyberte štandardné objekty, aby bolo možné znalosti opakovane využívať
Ak každý tím dokumentuje znalosti inak, je ťažké ich opakovane využívať.
Spoločný objektový model, ako už naznačuje jeho názov, poskytuje jednotný spôsob opisu a prepájania znalostí, ktoré vaša organizácia potrebuje opakovane využívať. Štruktúrujte znalosti o workflow okolo opakovane použiteľných objektov, ako sú workflow, činnosti, roly, systémy, dátové aktíva, rozhodnutia, pravidlá, výnimky a kontrolné mechanizmy. Potom definujte, ako tieto objekty navzájom súvisia: workflow obsahuje činnosti; činnosť vykonáva určitá rola; rozhodnutie závisí od pravidla; systém vytvára dáta; a kontrolný mechanizmus riadi proces.
Táto štruktúra uľahčuje vyhľadávanie znalostí už od prvého dňa a zároveň vytvára most medzi biznisom a technológiami. Biznis tímy dokážu identifikovať workflow, pravidlá a rozhodnutia a dátové tímy môžu tieto objekty prepájať s dátovými aktívami, ich pôvodom a pravidlami kvality. AI tímy ich môžu využívať na vytváranie kontextových balíkov, vzorcov na vyhľadávanie informácií, pokynov pre agentov a hodnotiacich kritérií.
Kľúčové je model zbytočne nekomplikovať. Vytvorte dostatočnú štruktúru na to, aby sa znalosti zachytené v jednom prípade použitia dali opakovane využiť v ďalšom.
Používajte karty znalostí workflow na zabezpečenie konzistentnosti a governance
Jedným z praktických spôsobov, ako vytvoriť spoločný objektový model, je využívanie kariet znalostí workflow. Každá karta zachytáva jednu činnosť, rozhodnutie, odovzdanie alebo výnimku v štandardnom formáte.
Karta môže obsahovať názov činnosti, nadradený workflow, zodpovednú rolu, vstupy a výstupy, používané systémy, dátové prvky, dokumenty, obchodné pravidlá, tacitné znalosti, bežné výnimky, kontrolné mechanizmy, vlastníka, problémové miesta, príležitosti pre AI, stav validácie, vysledovateľnosť zdrojov a dátum kontroly.
Používanie štandardnej štruktúry vytvára konzistentnosť naprieč workflow a uľahčuje kontrolu, validáciu a riadenie znalostí. Podporuje tiež určovanie priorít tým, že umožňuje každú kartu posúdiť podľa obchodnej hodnoty, rizika, relevantnosti pre AI a pripravenosti z hľadiska governance.
Tento prístup zároveň podporuje opakované využívanie. Napríklad pravidlá, rozhodnutia, výnimky a dátové závislosti možno zdieľať medzi jednotlivými workflow, zatiaľ čo vlastníctvo, validácia, vysledovateľnosť a cykly kontrol sa stávajú súčasťou samotného znalostného aktíva.
Používajte rovnaký jazyk a premeňte dokumentáciu na dáta
Tradičnú dokumentáciu je ťažké porovnávať, pretože každý tím opisuje svoju prácu inak. Riadený slovník tento problém rieši tým, že poskytuje štandardný zoznam termínov používaných pri klasifikácii workflow, informácií a príležitostí pre AI, napríklad:
- Činnosti možno klasifikovať ako zhromažďovanie, validáciu, schvaľovanie, odsúhlasovanie alebo reportovanie.
- Znalosti možno klasifikovať ako obchodné pravidlo, heuristiku, alternatívny postup, zásadu alebo kontrolu kvality.
- Využitie dát možno klasifikovať ako vstup, referenciu, výpočet alebo dôkaz pre audit.
- Výnimky možno klasifikovať ako chýbajúce dáta, konflikt, manuálny alternatívny postup alebo problém so súladom.
- Príležitosti pre AI možno klasifikovať ako vyhľadávanie, sumarizáciu, validáciu, vysvetľovanie alebo odporúčanie.
Riadený slovník vám zároveň umožňuje analyzovať znalosti naprieč celou organizáciou. Môžete identifikovať, kde sa koncentrujú manuálne rozhodnutia, kde sa opakovane vyskytujú výnimky, kde existujú problémy s kvalitou dát, kde sú kontrolné mechanizmy nedostatočné a kde môže AI bezpečne prinášať hodnotu.
Takto sa dokumentácia mení na štruktúrované, merateľné a opakovane použiteľné znalosti.
Vykonajte due diligence znalostí
Nie každý zdroj znalostí je pripravený na AI. Každý zdroj by mal najskôr prejsť procesom due diligence znalostí, aby sa posúdila jeho kvalita, vlastníctvo, aktuálnosť, úplnosť, konzistentnosť, status autoritatívneho zdroja a riziko:
- Dátové zdroje by sa mali posudzovať z hľadiska vlastníctva, stewardshipu, pôvodu dát, pravidiel kvality a sémantického mapovania.
- Dokumenty by sa mali posudzovať z hľadiska štruktúry, správy verzií, stavu schválenia a súladu so súčasnou praxou.
- Tacitné znalosti by mali byť validované viacerými odborníkmi a prepojené s príkladmi z reálneho prostredia.
- Pravidlá a rozhodnutia by sa mali posudzovať z hľadiska súladu so zásadami, riešenia výnimiek a auditovateľnosti.
Toto posúdenie vám pomôže rozhodnúť, či možno daný zdroj použiť, a identifikovať problémy, ktoré je potrebné najskôr vyriešiť. Niektoré zdroje môžu byť napríklad hodnotné, ale predtým, než budú môcť bezpečne podporovať AI, môžu vyžadovať jasnejšie vlastníctvo, aktualizovanú dokumentáciu, presnejšie definície alebo dôslednejšie kontroly kvality.
Začleňte governance znalostí už do návrhu
Ak najskôr zachytíte znalosti a governance začnete riešiť až neskôr, bude oveľa náročnejšie udržať ich dôveryhodné a aktuálne. Governance by mala byť od začiatku súčasťou každého znalostného aktíva.
Každé aktívum by malo mať jasne určeného zodpovedného vlastníka, stav validácie, vysledovateľnosť zdrojov, termíny kontrol, históriu verzií a definované oprávnenia na používanie. Malo by tiež určovať, či môže AI tieto znalosti priamo používať na vyhľadávanie informácií, odporúčania alebo iné účely a kedy je potrebná kontrola človekom.
Governance by mala zahŕňať priebežné kontrolné mechanizmy, ako sú kontroly aktuálnosti, kontroly úplnosti, detekcia rozporov, mapovanie autoritatívnych zdrojov, monitorovanie driftu a schvaľovacie workflow.
Práve tu governance znalostí dopĺňa data governance, ale nejde o to isté. Data governance sa zameriava na dátové aktíva, vlastníctvo, kvalitu, pôvod a kontrolné mechanizmy. Governance znalostí rozširuje tieto princípy na obchodný význam, pravidlá, procesy a kontext AI. Organizácia využívajúca AI potrebuje oboje.
Začnite jedným prípadom použitia a vytvorte škálovateľnú znalostnú architektúru
Praktickým spôsobom, ako začať, je vybrať jednu prioritnú obchodnú oblasť a jeden prípad použitia. Využite ich na definovanie svojej znalostnej architektúry a modelu governance.
Keďže výsledok zahŕňa opakovane použiteľné štruktúry a komponenty, ďalší prípad použitia nebude začínať od nuly. Môžete nadviazať na existujúce riadené znalostné aktíva, opakovane využívať spoločné obchodné entity a pravidlá, rozširovať existujúce mapovania, prispôsobovať kontextové balíky a pridávať iba to, čo je nové.
Takto sa znalostné iniciatívy škálujú – nie snahou zachytiť všetko naraz, ale postupným budovaním opakovane použiteľných znalostných aktív.
Budúcnosť spočíva v riadenej tvorbe znalostí
Nové technológie môžu pomáhať extrahovať koncepty, odporúčať ontológie, klasifikovať dokumenty, posudzovať kvalitu, odhaľovať rozpory a automatizovať stewardship. Ide o cenné možnosti, ktoré však nenahrádzajú potrebu disciplinovaného prevádzkového modelu.
Štandardizáciou spôsobu, akým sa znalosti objavujú, validujú, riadia, opakovane využívajú a aplikujú, sa môžete posunúť od izolovaných experimentov s AI k systémom AI, ktoré lepšie rozumejú vášmu podnikaniu a postupom času sa neustále zlepšujú.
ČO ĎALEJ
Zistite viac o službách AI spoločnosti NTT DATA a prečítajte si, ako vám môžeme pomôcť zaviesť AI do prevádzky v celej vašej organizácii.