Aby AI mogła przynosić oczekiwane rezultaty, potrzebuje czegoś więcej niż tylko danych. Potrzebuje również znaczenia, kontekstu, relacji, reguł biznesowych i wiarygodnej wiedzy.
To właśnie napędza zainteresowanie ontologiami, grafami wiedzy i warstwami semantycznymi. Jak dotąd wszystko brzmi dobrze, ale technologie te sprawdzają się najlepiej, gdy opierają się na jasnym zrozumieniu tego, co firma rzeczywiście musi wiedzieć. Aby zbudować ontologię, trzeba zrozumieć, jaka wiedza ma największe znaczenie. Z kolei graf wiedzy jest najbardziej wartościowy wtedy, gdy wiadomo, jakie pojęcia, decyzje, reguły i wyjątki powinien reprezentować.
Innymi słowy, najpierw trzeba zadbać o podstawy. Aby w spójny i powtarzalny sposób identyfikować, pozyskiwać, priorytetyzować i zarządzać wiedzą, potrzebny jest model operacyjny zarządzania wiedzą.
Zapewnij AI właściwą wiedzę, a nie całą wiedzę
Wiedza przedsiębiorstwa jest rozproszona w bazach danych, systemach operacyjnych, aplikacjach, dashboardach, dokumentach, politykach, procedurach, materiałach wideo, notatkach ze spotkań, kanałach współpracy i – co najważniejsze – w know-how pracowników. Może być dokładna i wartościowa, ale może być również nieaktualna lub wewnętrznie sprzeczna.
Aby AI mogła właściwie ją interpretować, nie wystarczy jednak zebrać dokumentów, przeprowadzić rozmowy z ekspertami, połączyć systemy, a następnie umieścić wszystko w jednym repozytorium. AI musi wiedzieć, którym źródłom można zaufać, jakie reguły mają zastosowanie oraz w jaki sposób poszczególne pojęcia są ze sobą powiązane.
Bardziej użytecznym podejściem jest zatem stworzenie modelu krytyczności wiedzy, który ocenia każde źródło pod kątem wartości, kosztu dostępu, ryzyka i zmienności. Na przykład dokument określający politykę zgodności z przepisami będzie prawdopodobnie bardziej krytyczny niż ogólny opis procesu. Podobnie wskaźnik na dashboardzie jest użyteczny tylko wtedy, gdy jego definicja i pochodzenie danych są jasno określone.
Zacznij od ustalenia, co ma największe znaczenie:
- Na jakiej domenie biznesowej lub przypadku użycia należy się skoncentrować?
- Jakie decyzje, procesy lub rezultaty chcesz usprawnić?
- Które źródła wiedzy są najważniejsze dla osiągnięcia tych rezultatów? Czy są wiarygodne, dostępne i odpowiednio zarządzane?
Celem jest zidentyfikowanie wiedzy, która jest najbardziej istotna, wiarygodna i możliwa do ponownego wykorzystania w kontekście konkretnego rezultatu biznesowego. Na tej podstawie można szybko zdobywać doświadczenia i od początku projektować rozwiązania z myślą o skalowaniu.
Połącz procesy, dane i decyzje
Wiele inicjatyw związanych z AI opiera się na założeniu, że proces bazowy jest już dobrze zrozumiany. W rzeczywistości często tak nie jest. Procesy mogą być udokumentowane jedynie częściowo, a kluczowa wiedza często istnieje wyłącznie w głowach pracowników. Różne zespoły mogą nawet używać różnych nazw na określenie tego samego pojęcia biznesowego.
Zapewnienie możliwości ponownego wykorzystania wiedzy i właściwego zarządzania nią wymaga połączenia trzech uzupełniających się perspektyw:
1. Perspektywa procesów, danych i systemów: obejmuje działania, role, systemy, zasoby danych, dokumenty, raporty, przekazania zadań i zależności, które pokazują, jak faktycznie wykonywana jest praca. Odpowiada na pytania takie jak: jakie zadania są wykonywane? Kto je wykonuje? Jakie systemy są używane? Jakie dane są wykorzystywane i generowane? Gdzie następuje przekazywanie zadań?
2. Perspektywa wiedzy operacyjnej: obejmuje reguły, decyzje, wiedzę ukrytą, wyjątki, rozwiązania obejściowe, kontrole jakości oraz wzorcowe przypadki, które wyjaśniają, jak ludzie w praktyce wykorzystują własny osąd. Odpowiada na pytania takie jak: skąd pracownicy wiedzą, co należy zrobić? Jakie reguły są stosowane? Gdzie pojawiają się wyjątki? W jakich sytuacjach potrzebny jest osąd? Jaka wiedza odróżnia doświadczonego pracownika od osoby początkującej?
3. Perspektywa governance: obejmuje odpowiedzialność, walidację, identyfikowalność, wersjonowanie, dozwolone sposoby wykorzystania AI oraz mechanizmy kontrolne, które zapewniają aktualność wiedzy, a tym samym bezpieczeństwo jej wykorzystania. Odpowiada na pytania takie jak: kto odpowiada za tę wiedzę? Kto ją zatwierdził? Jakie jest źródło dowodów? Kiedy należy ją poddać przeglądowi? Czy AI może korzystać z niej bezpośrednio, czy wymagana jest akceptacja człowieka w modelu human-in-the-loop?
Połączenie tych trzech perspektyw przekształca pozyskiwanie wiedzy z jednorazowego działania konsultingowego w powtarzalną i skalowalną praktykę.
Wybierz standardowe obiekty, aby umożliwić ponowne wykorzystanie wiedzy
Jeśli każdy zespół dokumentuje wiedzę w inny sposób, jej ponowne wykorzystanie staje się trudne.
Wspólny model obiektowy, jak sama nazwa wskazuje, zapewnia ujednolicony sposób opisywania i łączenia wiedzy, którą organizacja musi wykorzystywać wielokrotnie. Wiedzę o procesach należy uporządkować wokół obiektów wielokrotnego użytku, takich jak procesy, działania, role, systemy, zasoby danych, decyzje, reguły, wyjątki i mechanizmy kontrolne. Następnie należy określić relacje między tymi obiektami: proces obejmuje działania; działanie jest wykonywane przez określoną rolę; decyzja zależy od reguły; system generuje dane; a mechanizm kontrolny reguluje proces.
Taka struktura od samego początku ułatwia odnajdywanie wiedzy, a jednocześnie tworzy pomost między biznesem a technologią. Zespoły biznesowe mogą identyfikować procesy, reguły i decyzje, a zespoły odpowiedzialne za dane mogą łączyć te obiekty z zasobami danych, ich pochodzeniem i regułami jakości. Zespoły AI mogą natomiast wykorzystywać je do tworzenia pakietów kontekstowych, wzorców wyszukiwania informacji, instrukcji dla agentów i kryteriów oceny.
Kluczowe jest, aby nadmiernie nie komplikować modelu. Należy stworzyć wystarczającą strukturę, aby wiedza pozyskana w ramach jednego przypadku użycia mogła zostać ponownie wykorzystana w kolejnym.
Wykorzystuj karty wiedzy o procesach, aby zapewnić spójność i governance
Jednym z praktycznych sposobów budowania wspólnego modelu obiektowego jest wykorzystanie kart wiedzy o procesach. Każda karta opisuje pojedyncze działanie, decyzję, przekazanie zadania lub wyjątek w standardowym formacie.
Karta może zawierać nazwę działania, proces nadrzędny, odpowiedzialną rolę, dane wejściowe i wyjściowe, wykorzystywane systemy, elementy danych, dokumenty, reguły biznesowe, wiedzę ukrytą, typowe wyjątki, mechanizmy kontrolne, właściciela, problemy, możliwości wykorzystania AI, status walidacji, identyfikowalność źródeł i datę przeglądu.
Zastosowanie standardowej struktury zapewnia spójność pomiędzy procesami oraz ułatwia przegląd, walidację i zarządzanie wiedzą. Wspiera również ustalanie priorytetów, umożliwiając ocenę każdej karty pod kątem wartości biznesowej, ryzyka, znaczenia dla AI oraz gotowości w zakresie governance.
Podejście to sprzyja również ponownemu wykorzystaniu wiedzy. Reguły, decyzje, wyjątki i zależności dotyczące danych mogą być na przykład współdzielone między procesami, natomiast odpowiedzialność, walidacja, identyfikowalność i cykle przeglądów stają się integralną częścią samego zasobu wiedzy.
Używaj wspólnego języka, aby przekształcić dokumentację w dane
Tradycyjną dokumentację trudno porównywać, ponieważ każdy zespół opisuje swoją pracę w inny sposób. Kontrolowany słownik rozwiązuje ten problem, zapewniając standardową listę terminów wykorzystywanych do klasyfikowania procesów, informacji i możliwości związanych z AI, takich jak:
- Działania można klasyfikować jako zbieranie, walidację, zatwierdzanie, uzgadnianie lub raportowanie.
- Wiedzę można klasyfikować jako regułę biznesową, heurystykę, rozwiązanie obejściowe, politykę lub kontrolę jakości.
- Wykorzystanie danych można klasyfikować jako dane wejściowe, dane referencyjne, obliczenia lub dowody audytowe.
- Wyjątki można klasyfikować jako brakujące dane, konflikt, ręczne rozwiązanie obejściowe lub problem ze zgodnością.
- Możliwości wykorzystania AI można klasyfikować jako wyszukiwanie, podsumowywanie, walidację, wyjaśnianie lub rekomendowanie.
Kontrolowany słownik umożliwia również analizowanie wiedzy w całej organizacji. Pozwala określić, gdzie koncentrują się decyzje podejmowane ręcznie, gdzie wielokrotnie występują wyjątki, gdzie pojawiają się problemy z jakością danych, gdzie mechanizmy kontrolne są niewystarczające oraz gdzie AI może bezpiecznie tworzyć wartość.
W ten sposób dokumentacja staje się ustrukturyzowaną, mierzalną i możliwą do ponownego wykorzystania wiedzą.
Przeprowadź due diligence wiedzy
Nie każde źródło wiedzy jest gotowe do wykorzystania przez AI. Każde źródło powinno najpierw przejść proces due diligence wiedzy, który pozwala ocenić jego jakość, odpowiedzialność, aktualność, kompletność, spójność, status źródła referencyjnego oraz poziom ryzyka:
- Źródła danych należy oceniać pod kątem odpowiedzialności, stewardship, pochodzenia danych, reguł jakości i mapowania semantycznego.
- Dokumenty należy oceniać pod kątem struktury, kontroli wersji, statusu zatwierdzenia i zgodności z aktualnymi praktykami.
- Wiedza ukryta powinna być walidowana przez wielu ekspertów i powiązana z przykładami z rzeczywistego świata.
- Reguły i decyzje należy oceniać pod kątem zgodności z politykami, obsługi wyjątków oraz możliwości audytowania.
Takie działanie pomaga zdecydować, czy dane źródło może zostać wykorzystane, oraz określić problemy, które należy wcześniej rozwiązać. Niektóre źródła mogą na przykład być wartościowe, ale przed ich bezpiecznym wykorzystaniem przez AI mogą wymagać wyraźniejszego przypisania odpowiedzialności, zaktualizowania dokumentacji, precyzyjniejszych definicji lub bardziej rygorystycznych mechanizmów kontroli jakości.
Uwzględnij governance wiedzy już na etapie projektowania
Jeśli najpierw pozyskasz wiedzę, a o governance pomyślisz dopiero później, utrzymanie jej wiarygodności i aktualności stanie się znacznie trudniejsze. Governance należy od początku uwzględniać w każdym zasobie wiedzy.
Każdy zasób powinien mieć jasno określonego właściciela, status walidacji, identyfikowalność źródeł, daty przeglądów, historię wersji oraz zdefiniowane uprawnienia dotyczące wykorzystania. Należy również określić, czy AI może bezpośrednio wykorzystywać daną wiedzę do wyszukiwania informacji, rekomendacji lub innych celów oraz kiedy wymagany jest przegląd przeprowadzany przez człowieka.
Governance powinno obejmować ciągłe mechanizmy kontrolne, takie jak sprawdzanie aktualności i kompletności, wykrywanie sprzeczności, mapowanie źródeł referencyjnych, monitorowanie zmian oraz procesy zatwierdzania.
W tym obszarze governance wiedzy uzupełnia governance danych, choć nie są to te same pojęcia. Governance danych koncentruje się na zasobach danych, odpowiedzialności, jakości, pochodzeniu i mechanizmach kontrolnych. Governance wiedzy rozszerza te zasady na znaczenie biznesowe, reguły, procesy i kontekst AI. Organizacja wykorzystująca AI potrzebuje obu tych elementów.
Zacznij od jednego przypadku użycia, aby zbudować skalowalną architekturę wiedzy
Praktycznym sposobem rozpoczęcia działań jest wybranie jednego priorytetowego obszaru biznesowego i jednego przypadku użycia. Wykorzystaj je do zdefiniowania architektury wiedzy oraz modelu governance.
Ponieważ rezultat obejmuje struktury i komponenty wielokrotnego użytku, kolejny przypadek użycia nie będzie wymagał rozpoczynania od zera. Można wykorzystać istniejące, zarządzane zasoby wiedzy, ponownie użyć wspólnych encji i reguł biznesowych, rozszerzyć istniejące mapowania, dostosować pakiety kontekstowe oraz dodać wyłącznie nowe elementy.
Właśnie w ten sposób można skalować inicjatywy związane z wiedzą – nie poprzez próbę pozyskania wszystkiego naraz, lecz przez systematyczne budowanie zasobów wiedzy, które można wykorzystywać wielokrotnie.
Przyszłość to zarządzane tworzenie wiedzy
Nowe technologie mogą pomagać w wyodrębnianiu pojęć, rekomendowaniu ontologii, klasyfikowaniu dokumentów, ocenie jakości, wykrywaniu sprzeczności i automatyzowaniu stewardship. Są to wartościowe możliwości, ale nie zastępują potrzeby stosowania zdyscyplinowanego modelu operacyjnego.
Standaryzując sposób identyfikowania, walidowania, zarządzania, ponownego wykorzystywania i stosowania wiedzy, można wyjść poza pojedyncze eksperymenty z AI i przejść w kierunku systemów AI, które lepiej rozumieją działalność firmy i z czasem stale się doskonalą.
CO DALEJ?
Dowiedz się więcej o usługach AI NTT DATA i sprawdź, jak możemy pomóc w operacyjnym wdrażaniu AI w całej organizacji.