Gdy inicjatywy związane ze sztuczną inteligencją, takie jak systemy wspomagające lub bardziej zaawansowane rozwiązania autonomiczne, nie przynoszą oczekiwanych korzyści biznesowych, łatwo założyć, że problem leży w danych. Dzieje się tak szczególnie wtedy, gdy wcześniej zainwestowano znaczne środki w data lake, platformy, hurtownie oraz dashboardy.
Choć nieodpowiednie zarządzanie danymi w środowisku AI może skutkować błędnymi odpowiedziami, halucynacjami i ogólnym spadkiem zaufania wewnątrz organizacji, sam problem ma zazwyczaj znacznie szerszy charakter.
Mówiąc wprost, sztuczna inteligencja nie opiera się wyłącznie na samych danych. Wymaga również wiedzy korporacyjnej, której nie można po prostu załadować do systemu i zapomnieć o temacie. Wiedza ta potrzebuje jasnej struktury, odpowiedniego kontekstu, przypisania odpowiedzialności oraz stałej dbałości o jej aktualność.
Na podstawie doświadczeń NTT DATA we wdrażaniu sztucznej inteligencji w dużych przedsiębiorstwach, przedstawiamy osiem sposobów na to, jak skutecznie wykorzystać wiedzę korporacyjną na potrzeby AI.
PRZECZYTAJ TAKŻE: Poza szumem medialnym: jak sztuczna inteligencja generuje rzeczywiste wyniki biznesowe
1. Wykorzystaj wiedzę korporacyjną, aby poprawić efektywność sztucznej inteligencji
Załóżmy, że globalna firma z branży usług finansowych postanawia wdrożyć wewnętrznego asystenta opartego na sztucznej inteligencji, który ma wspierać doradców klienta. Organizacja dysponuje solidnym zapleczem informacyjnym obejmującym uporządkowane dane klientów, zintegrowane systemy produktowe oraz nowoczesną platformę danych. Dlaczego więc taki system ma trudności z odpowiedzią na podstawowe pytania w stylu: „Które produkty będą odpowiednie dla tego segmentu klientów?”.
Problem polega na tym, że same dane nie niosą ze sobą głębszego znaczenia. Sztuczna inteligencja nie ma dostępu do przyjętej w organizacji definicji „segmentu klientów”, nie rozumie relacji między produktami a konkretnymi scenariuszami ich użycia oraz nie zna ogólnych zasad biznesowych firmy.
Dopiero dodanie warstwy wiedzy wzbogaca informacje o niezbędne znaczenie, kontekst i wzajemne powiązania.
Wniosek: Dane informują jedynie o tym, co już się wydarzyło. Wiedza natomiast tłumaczy systemom AI, co dany fakt oznacza i jakie kroki należy podjąć w następnej kolejności.
2. Ustal wspólne definicje przed wdrożeniem sztucznej inteligencji na szeroką skalę
Zarówno pracownicy, jak i systemy sztucznej inteligencji muszą interpretować dane w spójny sposób. Dlatego jedną z pierwszych barier do pokonania jest standaryzacja semantyczna.
Wyobraźmy sobie firmę telekomunikacyjną, w której poszczególne zespoły mają własne rozumienie pojęcia „aktywnego klienta”. W efekcie podczas korzystania z ogólnofirmowych analiz opartych na AI każdy z tych działów otrzyma zupełnie inną odpowiedź na to samo zapytanie.
Tych niepożądanych sytuacji można łatwo uniknąć. Wystarczy stworzyć ujednolicone słowniki pojęć biznesowych oraz wdrożyć znormalizowane wskaźniki i definicje obowiązujące we wszystkich systemach.
Wniosek: jeśli organizacja nie potrafi wypracować spójnych definicji, sztuczna inteligencja również nie będzie w stanie tego zrobić.
3. Połącz grafy wiedzy z wyszukiwaniem wektorowym
Czy do optymalnego zarządzania danymi warto zainwestować w grafy wiedzy, czy wystarczy polegać na wektorowych bazach danych?
Załóżmy, że prowadzisz firmę z sektora opieki zdrowotnej, która wykorzystuje wyszukiwanie wektorowe do obsługi asystenta medycznego. Początkowo takie rozwiązanie sprawdza się znakomicie, ponieważ pozwala sprawnie przeszukiwać ogromne zbiory danych nieustrukturyzowanych. Jednak, gdy poprosisz system o uwzględnienie złożonych wymogów regulacyjnych lub zastosowanie konkretnych protokołów leczenia, jego odpowiedzi tracą na precyzji. Samo wyszukiwanie przestaje wystarczać tam, gdzie kluczowa jest dokładność oraz zdolność logicznego wnioskowania.
Wprowadzając graf wiedzy, budujesz model relacji między pacjentami, metodami leczenia a przepisami. Dzięki temu asystent zaczyna rozumieć wzajemne powiązania między tymi elementami. Jego odpowiedzi stają się łatwe do uzasadnienia, co ma fundamentalne znaczenie dla zachowania zgodności z prawem. Ponadto system ze znacznie większą pewnością radzi sobie z nietypowymi przypadkami brzegowymi.
Wektory gwarantują elastyczność podczas pracy z nieustrukturyzowanymi treściami. Grafy wiedzy dostarczają natomiast strukturę, niezbędny kontekst oraz warstwę wiarygodnego wnioskowania. Do osiągnięcia optymalnych rezultatów potrzebujesz obu tych elementów.
Wniosek: Wiedza w systemach sztucznej inteligencji ma z natury charakter hybrydowy.
4. Traktuj wiedzę jak produkt z własnym cyklem życia
Firma produkcyjna może stworzyć solidną bazę wiedzy o procedurach konserwacyjnych, która przez pewien czas będzie sprawdzać się bez zarzutu. Kiedy jednak procesy ulegną zmianie, sztuczna inteligencja nadal będzie rekomendować nieaktualne instrukcje. To z kolei szybko wywoła frustrację u operatorów maszyn.
Traktowanie wiedzy jako bytu statycznego to błąd. Funkcjonuje ona raczej jak oprogramowanie, dlatego wymaga wersjonowania, aktualizowania, testowania i ciągłego doskonalenia. Warto podejść do niej jak do zarządzania dynamicznym zasobem. Proces ten obejmuje:
- Pozyskiwanie zarówno udokumentowanego know-how, jak i niepisanej wiedzy eksperckiej pracowników.
- Porządkowanie informacji za pomocą przejrzystej semantyki oraz klasyfikacji.
- Integrowanie zasobów w ramach przepływów danych, grafów oraz embeddingów.
- Aktywowanie wiedzy poprzez wyszukiwarki, agentów AI oraz modele RAG.
- Utrzymywanie wysokiej jakości poprzez regularne kontrole, aktualizacje i staranną archiwizację.
Wniosek: Zaniedbana wiedza szybko staje się dla organizacji uciążliwym balastem.
5. Odkryj i utrwal wiedzę nieudokumentowaną
Część najcenniejszej wiedzy w Twojej organizacji nie jest nigdzie spisana. Ujawnia się ona w sposobie podejmowania decyzji przez doświadczonych pracowników, w stosowanych przez nich skrótach myślowych, codziennych rozmowach oraz nawykach wypracowanych przez lata.
Weźmy jako przykład firmę logistyczną, w której najlepsi dyspozytorzy konsekwentnie osiągają lepsze wyniki niż sztuczna inteligencja. Dzieje się tak, ponieważ opierają się oni na własnym instynkcie oraz wiedzy heurystycznej wynikającej z bogatego doświadczenia. W jaki sposób organizacja może uchwycić tę ukrytą wiedzę i zasilić nią system?
- Eksploracja procesów: analizuj rzeczywiste dane z realizacji zadań, aby odkryć wzorce i ścieżki decyzyjne funkcjonujące poza formalnymi procedurami.
- Rejestrowanie decyzji przy wsparciu AI: dokumentuj i organizuj procesy decyzyjne w czasie rzeczywistym, przekształcając spotkania, telefony oraz notatki w praktyczną i użyteczną wiedzę.
- Ustrukturyzowane pętle informacji zwrotnej: twórz proste, spójne mechanizmy pozwalające ekspertom korygować wyniki generowane przez sztuczną inteligencję. Dzięki temu system będzie nieustannie uczył się na podstawie ich wiedzy.
Uchwycenie tego rodzaju informacji jest procesem złożonym. Wymaga odpowiedniej kombinacji narzędzi, jasnych zasad zarządzania oraz kompetencji branżowych. Kryje jednak w sobie ogromną i realną wartość biznesową.
Wniosek: jeśli konkretna wiedza istnieje wyłącznie w głowach pracowników, sztuczna inteligencja nigdy z niej nie skorzysta.
6. Projektuj systemy wyszukiwania z myślą o sztucznej inteligencji, a nie o ludziach
Tradycyjne systemy zarządzania wiedzą powstawały z myślą o ludzkich potrzebach. Sztuczna inteligencja jednak nie „wyszukuje” informacji w taki sam sposób jak my. Gromadzi ona wyłącznie taką ilość kontekstu, jaka jest jej niezbędna do wykonania kolejnego kroku.
Weźmy jako przykład firmę z branży handlu detalicznego, która wdraża chatbota wykorzystującego standardowe mechanizmy wyszukiwania dokumentów. Istnieje duże ryzyko, że będzie on generował rozwlekłe i pozbawione znaczenia odpowiedzi. Dzieje się tak, ponieważ system pobiera całe pliki, zamiast wyciągać z nich tylko konkretne informacje precyzyjnie dopasowane do aktualnej sytuacji.
Aby rozwiązać ten problem, należy przeprojektować warstwę wyszukiwania i oprzeć ją na następujących elementach:
- RAG: pobieranie wyłącznie najbardziej trafnych fragmentów informacji i opieranie na nich odpowiedzi AI, zamiast analizowania pełnych dokumentów.
- Wyszukiwanie hybrydowe (słowa kluczowe, semantyka i grafy): łączenie dokładnych dopasowań, wyszukiwania semantycznego oraz zapytań bazujących na relacjach, aby zagwarantować zarówno wysoką precyzję, jak i pełny kontekst.
- Filtrowanie kontekstowe: zawężanie wyników na podstawie bieżącej sytuacji. Należy wziąć pod uwagę tożsamość osoby pytającej, jej intencje oraz dane istotne w danym momencie. Dzięki temu sztuczna inteligencja przetwarza wyłącznie to, co ma rzeczywiste znaczenie.
Wniosek: Twoim głównym celem nie jest zapewnienie samego dostępu do informacji, lecz aktywacja wiedzy w sposób ściśle dostosowany do specyfiki działania sztucznej inteligencji.
7. Nadzór w wymiarze operacyjnym
Nadzór nad AI nie jest w przedsiębiorstwie opcjonalny, zwłaszcza w branżach podlegających ścisłym regulacjom, takich jak usługi finansowe czy opieka zdrowotna.
Weźmy za przykład bank rozważający wdrożenie sztucznej inteligencji. Jeśli organizacja nie jest w stanie prześledzić pochodzenia danych, sposobu ich wykorzystania ani relacji łączących różne elementy wiedzy, projekt utknie w martwym punkcie. Dzieje się tak, ponieważ bez pełnej transparentności nie można uznać wyników pracy systemu za wiarygodne ani ich w żaden sposób wyjaśnić.
Dzięki wdrożeniu grafów wiedzy oraz ram nadzoru bank zyskuje możliwość prześledzenia odpowiedzi aż do ich źródła. Pozwala to zrozumieć mechanizmy podejmowania decyzji oraz stosować odpowiednie zasady dotyczące ryzyka i zgodności z przepisami na każdym etapie działania systemu.
Wniosek: brak właściwego nadzoru oznacza brak zaufania, co w konsekwencji prowadzi do porzucenia projektu.
8. Zacznij od małych kroków, ale od początku projektuj z myślą o skalowalności
Próba całościowej naprawy zarządzania wiedzą w firmie za jednym zamachem prawie nigdy nie kończy się sukcesem. Jest to zadanie zbyt szerokie i nazbyt abstrakcyjne.
Znacznie lepszym podejściem jest rozpoczęcie od jednego przypadku użycia o wysokiej wartości biznesowej, na przykład w obszarze obsługi klienta lub operacji, a następnie stopniowe rozbudowywanie systemu na tej podstawie. Skoncentruj się na tworzeniu elementów wielokrotnego użytku, takich jak ontologie, przepływy danych czy wzorce wyszukiwania. Gdy rozwiązania te udowodnią swoją wartość, będzie można je łatwo przenieść na inne obszary.
Przykładowo, przedsiębiorstwo użyteczności publicznej może zacząć od konkretnego wyzwania, jakim jest automatyczne generowanie zapytań SQL na podstawie języka naturalnego w odniesieniu do danych operacyjnych. Budując system na fundamencie przejrzystych ontologii, logiki deterministycznej oraz starannie dobranych dużych modeli językowych (LLM), firma otrzymuje w efekcie nie tylko kolejną wersję demonstracyjną, ale niezawodne narzędzie pracy.
Wniosek: myśl perspektywicznie, zacznij od małych kroków i dbaj o szybką skalowalność.
Agentic AI podnosi poprzeczkę
Agentowa sztuczna inteligencja znacznie zwiększa możliwości systemów AI, ale jednocześnie stawia przed organizacjami wyższe wymagania. Strategia zarządzania wiedzą w Twojej firmie powinna stanowić solidny fundament, dzięki któremu nowe rozwiązania staną się w pełni niezawodne i zrozumiałe.
Kluczowa zmiana następuje w momencie, gdy przestajesz oczekiwać, że model samodzielnie zinterpretuje każdą napotkaną informację. Ontologie oraz ustrukturyzowana wiedza doskonale sprawdzają się do precyzyjnego rozpoznawania intencji użytkownika. Duży model językowy (LLM) powinien być angażowany wyłącznie w sytuacjach, w których wnosi on realną wartość dodaną. Nawet wtedy należy ściśle kontrolować jego działanie poprzez narzucenie odpowiedniego kontekstu i twardych reguł. W takiej konfiguracji to warstwa wiedzy przejmuje rolę prawdziwego mózgu operacyjnego i wykonuje najważniejszą część pracy. Sam model staje się natomiast jedynie jednym z komponentów, a nie centralnym punktem całego systemu.
Jeśli z tego artykułu ma płynąć jedna najważniejsza lekcja, brzmi ona następująco: skuteczne wdrożenie sztucznej inteligencji to przede wszystkim wyzwanie związane z odpowiednim przygotowaniem wiedzy, a nie z samym algorytmem. Zacznij traktować wiedzę jak pełnoprawny zasób strategiczny, a wszystkie pozostałe elementy zaczną naturalnie układać się w spójną całość.
PRZECZYTAJ TAKŻE: Dlaczego komunikacja jest kolejnym wąskim gardłem AI w przedsiębiorstwach