Aby AI přinášela požadované výsledky, potřebuje víc než jen data. Potřebuje také význam, kontext, vztahy, obchodní pravidla a důvěryhodné znalosti.
To zvyšuje zájem o ontologie, znalostní grafy a sémantické vrstvy. To je jistě krok správným směrem, ale tyto technologie fungují nejlépe tehdy, když vycházejí z jasného pochopení toho, co vaše firma skutečně potřebuje vědět. Chcete-li vytvořit ontologii, musíte vědět, které znalosti jsou nejdůležitější. A znalostní graf má největší hodnotu tehdy, když víte, které koncepty, rozhodnutí, pravidla a výjimky musí reprezentovat.
Jinými slovy, nejprve je třeba správně zvládnout základy. A chcete-li znalosti konzistentním a opakovatelným způsobem objevovat, zachycovat, prioritizovat a řídit, potřebujete provozní model pro řízení znalostí.
Poskytněte AI správné znalosti, ne všechny znalosti
Podnikové znalosti jsou rozptýleny v databázích, provozních systémech, aplikacích, dashboardech, dokumentech, zásadách, postupech, videích, zápisech z jednání, komunikačních kanálech a především v know-how vašich zaměstnanců. Mohou být přesné a hodnotné, ale také zastaralé nebo rozporuplné.
Aby AI dokázala těmto znalostem porozumět, nestačí pouze shromáždit dokumenty, vést rozhovory s odborníky, propojit systémy a následně vše nahrát do jednoho úložiště. AI musí vědět, kterým zdrojům může důvěřovat, která pravidla platí a jak spolu jednotlivé koncepty souvisejí.
Užitečnějším přístupem je proto vytvořit model kritičnosti znalostí, který každý zdroj posuzuje podle jeho hodnoty, nákladů na přístup, rizika a proměnlivosti. Například dokument se zásadami, který určuje soulad s regulatorními požadavky, bude pravděpodobně kritičtější než obecný popis procesu. Stejně tak je metrika na dashboardu užitečná pouze tehdy, pokud je jasně definována a je zřejmý její datový původ.
Začněte tím, že určíte, na čem záleží nejvíce:
- Na kterou obchodní oblast nebo případ použití byste se měli zaměřit?
- Která rozhodnutí, workflow nebo výsledky se snažíte zlepšit?
- Které zdroje znalostí jsou pro tyto výsledky nejdůležitější? Jsou spolehlivé, dostupné a řádně spravované?
Cílem je identifikovat znalosti, které jsou pro konkrétní obchodní výsledek nejrelevantnější, nejdůvěryhodnější a nejlépe opakovaně využitelné. Na tomto základě se můžete rychle učit a od počátku navrhovat řešení s ohledem na škálovatelnost.
Propojte workflow, data a rozhodnutí
Mnoho iniciativ v oblasti AI předpokládá, že podkladové workflow je již dobře pochopeno. Ve skutečnosti tomu tak často není. Procesy mohou být zdokumentovány pouze částečně a kritické znalosti často existují pouze v hlavách zaměstnanců. Různé týmy mohou dokonce používat různé názvy pro stejný obchodní koncept.
Aby bylo možné znalosti opakovaně využívat a efektivně řídit, je třeba propojit tři vzájemně se doplňující pohledy:
1. Pohled na workflow, data a systémy: zahrnuje činnosti, role, systémy, datová aktiva, dokumenty, reporty, předávání úkolů a závislosti, které ukazují, jak se práce skutečně vykonává. Odpovídá na otázky jako: Jaká práce se vykonává? Kdo ji vykonává? Které systémy se používají? Která data se využívají a vytvářejí? Kde dochází k předávání úkolů?
2. Pohled na provozní znalosti: zachycuje pravidla, rozhodnutí, tacitní znalosti, výjimky, alternativní postupy, kontroly kvality a referenční případy, které vysvětlují, jak lidé v praxi uplatňují vlastní úsudek. Odpovídá na otázky jako: Jak lidé vědí, co mají dělat? Která pravidla se uplatňují? Kde dochází k výjimkám? Kde je nutný úsudek? Jaké znalosti odlišují zkušeného pracovníka od začátečníka?
3. Pohled na governance: zahrnuje vlastnictví, validaci, dohledatelnost, správu verzí, povolené způsoby využití AI a kontrolní mechanismy, které udržují znalosti aktuální, a tím i bezpečné pro použití. Odpovídá na otázky jako: Kdo je vlastníkem těchto znalostí? Kdo je validoval? Jaký je zdroj důkazů? Kdy by měly být znovu přezkoumány? Může je AI používat přímo, nebo je vyžadováno schválení člověkem v rámci přístupu human-in-the-loop?
Propojení těchto tří pohledů mění zachycování znalostí z jednorázové konzultační aktivity na opakovatelnou a škálovatelnou praxi.
Zvolte standardní objekty, aby bylo možné znalosti opakovaně využívat
Pokud každý tým dokumentuje znalosti jinak, je obtížné je znovu využít.
Společný objektový model, jak již název napovídá, poskytuje jednotný způsob popisu a propojování znalostí, které vaše organizace potřebuje opakovaně využívat. Strukturujte znalosti o workflow kolem opakovaně použitelných objektů, jako jsou workflow, činnosti, role, systémy, datová aktiva, rozhodnutí, pravidla, výjimky a kontrolní mechanismy. Poté definujte, jak spolu tyto objekty souvisejí: workflow obsahuje činnosti; činnost vykonává určitá role; rozhodnutí závisí na pravidle; systém vytváří data a kontrolní mechanismus řídí proces.
Tato struktura usnadňuje vyhledávání znalostí již od prvního dne a zároveň vytváří most mezi businessem a technologiemi. Business týmy dokážou identifikovat workflow, pravidla a rozhodnutí a datové týmy mohou tyto objekty propojit s datovými aktivy, jejich původem a pravidly kvality. AI týmy je mohou využít k vytváření kontextových balíčků, vzorců pro vyhledávání informací, instrukcí pro agenty a hodnoticích kritérií.
Klíčové je model zbytečně nepřekomplikovat. Vytvořte dostatečnou strukturu, aby znalosti zachycené v jednom případu použití mohly být znovu využity v dalším.
Používejte karty znalostí workflow pro zajištění konzistence a governance
Jedním z praktických způsobů, jak vytvořit společný objektový model, je využití karet znalostí workflow. Každá karta zachycuje jednu činnost, rozhodnutí, předání nebo výjimku ve standardním formátu.
Karta může obsahovat název činnosti, nadřazené workflow, odpovědnou roli, vstupy a výstupy, používané systémy, datové prvky, dokumenty, obchodní pravidla, tacitní znalosti, běžné výjimky, kontrolní mechanismy, vlastníka, problematická místa, příležitosti pro AI, stav validace, dohledatelnost zdrojů a datum kontroly.
Používání standardní struktury vytváří konzistenci napříč workflow a usnadňuje kontrolu, validaci a správu znalostí. Podporuje také stanovování priorit, protože umožňuje každou kartu posoudit podle obchodní hodnoty, rizika, relevance pro AI a připravenosti z hlediska governance.
Tento přístup rovněž podporuje opakované využívání. Pravidla, rozhodnutí, výjimky a datové závislosti lze například sdílet napříč workflow, zatímco vlastnictví, validace, dohledatelnost a cykly kontrol se stávají součástí samotného znalostního aktiva.
Používejte stejný jazyk a proměňte dokumentaci v data
Tradiční dokumentaci je obtížné porovnávat, protože každý tým popisuje svou práci jinak. Řízený slovník tento problém řeší tím, že poskytuje standardní seznam termínů používaných při klasifikaci workflow, informací a příležitostí pro AI, například:
- Činnosti lze klasifikovat jako shromažďování, validaci, schvalování, odsouhlasení nebo reportování.
- Znalosti lze klasifikovat jako obchodní pravidlo, heuristiku, alternativní postup, zásadu nebo kontrolu kvality.
- Využití dat lze klasifikovat jako vstup, referenci, výpočet nebo důkaz pro audit.
- Výjimky lze klasifikovat jako chybějící data, konflikt, manuální alternativní postup nebo problém s compliance.
- Příležitosti pro AI lze klasifikovat jako vyhledávání, shrnutí, validaci, vysvětlení nebo doporučení.
Řízený slovník vám také umožňuje analyzovat znalosti napříč celou organizací. Můžete zjistit, kde se koncentrují manuální rozhodnutí, kde se opakovaně vyskytují výjimky, kde existují problémy s kvalitou dat, kde jsou kontrolní mechanismy nedostatečné a kde může AI bezpečně přinášet hodnotu.
Takto se dokumentace mění na strukturované, měřitelné a opakovaně využitelné znalosti.
Proveďte due diligence znalostí
Ne každý zdroj znalostí je připraven pro AI. Každý zdroj by měl nejprve projít due diligence znalostí, při níž se posoudí jeho kvalita, vlastnictví, aktuálnost, úplnost, konzistence, status autoritativního zdroje a riziko:
- Datové zdroje by měly být posuzovány z hlediska vlastnictví, stewardshipu, původu dat, pravidel kvality a sémantického mapování.
- Dokumenty by měly být posuzovány z hlediska struktury, správy verzí, stavu schválení a souladu se současnou praxí.
- Tacitní znalosti by měly být validovány více odborníky a propojeny s příklady z reálného prostředí.
- Pravidla a rozhodnutí by měla být posuzována z hlediska souladu se zásadami, řešení výjimek a auditovatelnosti.
Toto posouzení vám pomůže rozhodnout, zda lze daný zdroj použít, a určit oblasti, kde je nejprve nutné vyřešit existující problémy. Některé zdroje mohou být například hodnotné, ale předtím, než budou moci bezpečně podporovat AI, mohou vyžadovat jasnější vlastnictví, aktualizovanou dokumentaci, přesnější definice nebo důslednější kontroly kvality.
Začleňte governance znalostí již do návrhu
Pokud nejprve zachytíte znalosti a governance začnete řešit až později, bude mnohem obtížnější udržet je důvěryhodné a aktuální. Governance by měla být od počátku součástí každého znalostního aktiva.
Každé aktivum by mělo mít jasně stanoveného odpovědného vlastníka, stav validace, dohledatelnost zdrojů, termíny kontrol, historii verzí a definovaná oprávnění k použití. Mělo by také určovat, zda může AI znalosti přímo využívat pro vyhledávání informací, doporučení nebo jiné účely a kdy je vyžadována kontrola člověkem.
Governance by měla zahrnovat průběžné kontrolní mechanismy, jako jsou kontroly aktuálnosti a úplnosti, detekce rozporů, mapování autoritativních zdrojů, monitorování driftu a schvalovací workflow.
Právě zde governance znalostí doplňuje data governance, ale nejde o totéž. Data governance se zaměřuje na datová aktiva, vlastnictví, kvalitu, původ a kontrolní mechanismy. Governance znalostí rozšiřuje tyto principy na obchodní význam, pravidla, procesy a kontext AI. Organizace využívající AI potřebuje obojí.
Začněte jedním případem použití a vybudujte škálovatelnou znalostní architekturu
Praktickým způsobem, jak začít, je vybrat jednu prioritní obchodní oblast a jeden případ použití. Využijte je k definování znalostní architektury a modelu governance.
Protože výsledkem jsou opakovaně využitelné struktury a komponenty, další případ použití nebude začínat od nuly. Můžete navázat na stávající řízená znalostní aktiva, znovu využít společné obchodní entity a pravidla, rozšířit stávající mapování, přizpůsobit kontextové balíčky a doplnit pouze to, co je nové.
Právě tak lze znalostní iniciativy škálovat – nikoli snahou zachytit vše najednou, ale postupným budováním opakovaně využitelných znalostních aktiv.
Budoucnost spočívá v řízené tvorbě znalostí
Nové technologie mohou pomáhat extrahovat koncepty, doporučovat ontologie, klasifikovat dokumenty, hodnotit kvalitu, odhalovat rozpory a automatizovat stewardship. Jde o cenné možnosti, které však nenahrazují potřebu disciplinovaného provozního modelu.
Standardizací způsobu, jakým jsou znalosti objevovány, validovány, řízeny, opakovaně využívány a aplikovány, se můžete posunout od izolovaných experimentů s AI k systémům AI, které lépe rozumějí vašemu podnikání a v průběhu času se neustále zlepšují.
CO DÁL
Zjistěte více o službách AI společnosti NTT DATA a přečtěte si, jak vám můžeme pomoci zavést AI do provozu v celé vaší organizaci.