Ahhoz, hogy az AI a kívánt eredményeket biztosítsa, az adatok önmagukban nem elegendők. Jelentésre, kontextusra, kapcsolatokra, üzleti szabályokra és megbízható tudásra is szükség van.
Ez egyre nagyobb érdeklődést eredményez az ontológiák, a tudásgráfok és a szemantikai rétegek iránt. Ez eddig rendben is van, de ezek a technológiák akkor működnek a legjobban, ha világosan értjük, hogy a vállalatnak valójában milyen tudásra van szüksége. Egy ontológia kialakításához meg kell érteni, mely tudáselemek a legfontosabbak. A tudásgráf pedig akkor a legértékesebb, ha pontosan tudjuk, milyen fogalmakat, döntéseket, szabályokat és kivételeket kell reprezentálnia.
Más szóval először az alapokat kell megfelelően kialakítani. A tudás következetes és megismételhető feltárásához, rögzítéséhez, rangsorolásához és irányításához pedig tudásmenedzsment-működési modellre van szükség.
A megfelelő tudást biztosítsa az AI számára, ne az összes tudást
A vállalati tudás adatbázisokban, operatív rendszerekben, alkalmazásokban, dashboardokon, dokumentumokban, szabályzatokban, eljárásokban, videókban, értekezletekről készült feljegyzésekben, együttműködési csatornákon és – ami a legfontosabb – a munkatársak know-how-jában található meg. Lehet pontos és értékes, de akár elavult vagy ellentmondásos is.
Ahhoz azonban, hogy az AI értelmezni tudja ezt a tudást, jóval többre van szükség annál, mint hogy dokumentumokat gyűjtsünk össze, szakértőket kérdezzünk meg, rendszereket kapcsoljunk össze, majd mindent egyetlen adattárba töltsünk. Az AI-nak tudnia kell, mely forrásokban bízhat meg, milyen szabályok alkalmazandók, és hogyan kapcsolódnak egymáshoz a különböző fogalmak.
Hasznosabb megközelítés ezért egy olyan tudáskritikussági modell létrehozása, amely minden forrást annak értéke, hozzáférési költsége, kockázata és változékonysága alapján értékel. Egy jogszabályi megfelelést meghatározó szabályzat például valószínűleg kritikusabb, mint egy általános folyamatleírás. Hasonlóképpen, egy dashboardon megjelenő mérőszám csak akkor hasznos, ha annak definíciója és adatleszármazása egyértelmű.
Kezdje annak meghatározásával, hogy mi a legfontosabb:
- Mely üzleti területre vagy felhasználási esetre érdemes összpontosítani?
- Mely döntéseket, munkafolyamatokat vagy eredményeket szeretné javítani?
- Mely tudásforrások a legfontosabbak ezen eredmények szempontjából? Megbízhatók, hozzáférhetők és megfelelően irányítottak?
A cél az adott üzleti eredmény szempontjából leginkább releváns, megbízható és újrafelhasználható tudás azonosítása. Ezt követően gyorsan lehet tanulni, és már a kezdetektől a skálázhatóságot szem előtt tartva lehet tervezni.
Kapcsolja össze a munkafolyamatokat, az adatokat és a döntéseket
Számos AI-kezdeményezés abból indul ki, hogy az alapul szolgáló munkafolyamat már jól ismert. A valóságban ez gyakran nincs így. Előfordulhat, hogy a folyamatok csak részben dokumentáltak, a kritikus tudás pedig gyakran kizárólag a munkatársak fejében létezik. Az is előfordulhat, hogy különböző csapatok eltérő elnevezéseket használnak ugyanarra az üzleti fogalomra.
A tudás újrafelhasználhatóságához és irányíthatóságához három egymást kiegészítő nézőpontot kell összekapcsolni:
1. A munkafolyamatok, adatok és rendszerek nézőpontja: azokat a tevékenységeket, szerepköröket, rendszereket, adatvagyonelemeket, dokumentumokat, jelentéseket, átadásokat és függőségeket foglalja magában, amelyek megmutatják, hogyan történik ténylegesen a munkavégzés. Olyan kérdésekre ad választ, mint: Milyen munkát végeznek? Ki végzi azt? Milyen rendszereket használnak? Milyen adatokat használnak fel és állítanak elő? Hol történnek átadások?
2. Az operatív tudás nézőpontja: azokat a szabályokat, döntéseket, tacit tudást, kivételeket, kerülő megoldásokat, minőség-ellenőrzéseket és referenciaként szolgáló eseteket foglalja magában, amelyek megmutatják, hogyan alkalmazzák az emberek a gyakorlatban a saját ítélőképességüket. Olyan kérdésekre ad választ, mint: Honnan tudják az emberek, mit kell tenniük? Milyen szabályokat alkalmaznak? Hol fordulnak elő kivételek? Hol van szükség mérlegelésre? Milyen tudás különbözteti meg a tapasztalt munkatársat a kezdőtől?
3. Az irányítási nézőpont: a tulajdonosi felelősséget, a validálást, a nyomon követhetőséget, a verziókezelést, az AI engedélyezett felhasználási módjait és azokat a kontrollokat foglalja magában, amelyek naprakészen, ezáltal pedig biztonságosan használható állapotban tartják a tudást. Olyan kérdésekre ad választ, mint: Ki a tudás felelőse? Ki validálta? Mi a bizonyíték forrása? Mikor kell felülvizsgálni? Az AI közvetlenül felhasználhatja, vagy human-in-the-loop jóváhagyás szükséges?
E három nézőpont egyesítésével a tudás rögzítése egyszeri tanácsadási feladatból megismételhető, skálázható gyakorlattá válik.
Válasszon szabványos objektumokat a tudás újrafelhasználhatóságához
Ha minden csapat másképp dokumentálja a tudást, annak újrafelhasználása nehézzé válik.
Ahogy a neve is jelzi, a közös objektummodell egységes módszert biztosít a szervezet által újrafelhasználandó tudás leírására és összekapcsolására. A munkafolyamatokkal kapcsolatos tudást olyan újrafelhasználható objektumok köré érdemes szervezni, mint a munkafolyamatok, tevékenységek, szerepkörök, rendszerek, adatvagyonelemek, döntések, szabályok, kivételek és kontrollok. Ezután meg kell határozni, hogyan kapcsolódnak ezek az objektumok egymáshoz: egy munkafolyamat tevékenységeket tartalmaz; egy tevékenységet egy szerepkör végez; egy döntés egy szabálytól függ; egy rendszer adatokat állít elő; egy kontroll pedig egy folyamatot szabályoz.
Ez a struktúra már az első naptól megkönnyíti a tudás felfedezését, miközben hidat képez az üzleti és a technológiai területek között. Az üzleti csapatok felismerhetik a munkafolyamatokat, szabályokat és döntéseket, az adatkezeléssel foglalkozó csapatok pedig összekapcsolhatják ezeket az objektumokat az adatvagyonelemekkel, az adatleszármazással és a minőségi szabályokkal. Az AI-csapatok kontextuscsomagok, visszakeresési minták, agentutasítások és értékelési kritériumok kialakítására használhatják őket.
A legfontosabb, hogy ne tegyük szükségtelenül bonyolulttá a modellt. Éppen annyi struktúrát kell létrehozni, hogy az egyik felhasználási esetben rögzített tudás a következőben is újrafelhasználható legyen.
Használjon munkafolyamat-tudáskártyákat a következetesség és az irányítás érdekében
A közös objektummodell kialakításának egyik gyakorlati módja a munkafolyamat-tudáskártyák használata. Minden kártya egyetlen tevékenységet, döntést, átadást vagy kivételt rögzít szabványos formátumban.
Egy kártya tartalmazhatja a tevékenység nevét, a fölérendelt munkafolyamatot, a felelős szerepkört, a bemeneteket és kimeneteket, a használt rendszereket, adatelemeket, dokumentumokat, üzleti szabályokat, tacit tudást, gyakori kivételeket, kontrollokat, a tulajdonost, a problémás pontokat, az AI-ban rejlő lehetőségeket, a validálási státuszt, a források nyomon követhetőségét és a felülvizsgálat dátumát.
A szabványos struktúra következetességet teremt a munkafolyamatok között, és megkönnyíti a tudás felülvizsgálatát, validálását és irányítását. A prioritások meghatározását is támogatja azzal, hogy minden kártya értékelhető üzleti érték, kockázat, AI-relevancia és irányítási felkészültség alapján.
Ez a megközelítés az újrafelhasználást is ösztönzi. A szabályok, döntések, kivételek és adatfüggőségek például megoszthatók a munkafolyamatok között, míg a tulajdonosi felelősség, a validálás, a nyomon követhetőség és a felülvizsgálati ciklusok magának a tudásvagyonelemnek a részévé válnak.
Használjon egységes nyelvezetet, hogy a dokumentációt adatokká alakítsa
A hagyományos dokumentációt nehéz összehasonlítani, mert minden csapat másképp írja le a munkáját. Egy ellenőrzött szókészlet úgy oldja meg ezt a problémát, hogy szabványos kifejezéslistát biztosít a munkafolyamatok, információk és AI-lehetőségek osztályozásához, például:
- A tevékenységek besorolhatók gyűjtésként, validálásként, jóváhagyásként, egyeztetésként vagy jelentéskészítésként.
- A tudás besorolható üzleti szabályként, heurisztikaként, kerülő megoldásként, szabályzatként vagy minőség-ellenőrzésként.
- Az adatfelhasználás besorolható bemenetként, referenciaként, számításként vagy auditbizonyítékként.
- A kivételek besorolhatók hiányzó adatként, konfliktusként, manuális kerülő megoldásként vagy megfelelőségi problémaként.
- Az AI-lehetőségek besorolhatók visszakeresésként, összegzésként, validálásként, magyarázatként vagy ajánlásként.
Az ellenőrzött szókészlet azt is lehetővé teszi, hogy a teljes szervezeten belül elemezze a tudást. Azonosíthatja, hol koncentrálódnak a manuális döntések, hol fordulnak elő ismételten kivételek, hol vannak adatminőségi problémák, hol gyengék a kontrollok, és hol teremthet az AI biztonságosan értéket.
Így válik a dokumentáció strukturált, mérhető és újrafelhasználható tudássá.
Végezze el a tudás due diligence vizsgálatát
Nem minden tudásforrás áll készen az AI általi felhasználásra. Először minden forráson el kell végezni a tudás due diligence vizsgálatát, amelynek során értékelni kell annak minőségét, tulajdonosi felelősségét, aktualitását, teljességét, következetességét, hiteles forrásként betöltött státuszát és kockázatát:
- Az adatforrásokat a tulajdonosi felelősség, a stewardship, az adatleszármazás, a minőségi szabályok és a szemantikai leképezés szempontjából kell értékelni.
- A dokumentumokat a struktúra, a verziókezelés, a jóváhagyási státusz és az aktuális gyakorlattal való összhang szempontjából kell értékelni.
- A tacit tudást több szakértőnek kell validálnia, és valós példákhoz kell kapcsolni.
- A szabályokat és döntéseket a szabályzatokkal való összhang, a kivételek kezelése és az auditálhatóság szempontjából kell értékelni.
Ez a vizsgálat segít eldönteni, hogy egy adott forrás használható-e, illetve hol vannak olyan problémák, amelyeket előbb meg kell oldani. Egyes források például értékesek lehetnek, de egyértelműbb tulajdonosi felelősségre, frissített dokumentációra, pontosabb definíciókra vagy erősebb minőség-ellenőrzésre lehet szükségük ahhoz, hogy biztonságosan támogathassák az AI-t.
Már a tervezés során építse be a tudásirányítást
Ha először rögzíti a tudást, és csak később foglalkozik az irányítással, sokkal nehezebbé válik annak megbízható és naprakész állapotban tartása. Az irányítást már a kezdetektől be kell építeni minden tudásvagyonelembe.
Minden vagyonelemhez egyértelműen felelős tulajdonost, validálási státuszt, forrás-nyomonkövethetőséget, felülvizsgálati dátumokat, verziótörténetet és meghatározott felhasználási jogosultságokat kell rendelni. Azt is meg kell határozni, hogy az AI közvetlenül felhasználhatja-e a tudást visszakeresésre, ajánlások készítésére vagy más célokra, és mikor szükséges emberi felülvizsgálat.
Az irányításnak olyan folyamatos kontrollokat is magában kell foglalnia, mint az aktualitás és a teljesség ellenőrzése, az ellentmondások észlelése, a hiteles források leképezése, a drift monitorozása és a jóváhagyási munkafolyamatok.
Itt egészíti ki egymást a tudásirányítás és az adatirányítás, de a kettő nem ugyanaz. Az adatirányítás az adatvagyonelemekre, a tulajdonosi felelősségre, a minőségre, az adatleszármazásra és a kontrollokra összpontosít. A tudásirányítás ezeket az alapelveket kiterjeszti az üzleti jelentésre, a szabályokra, a folyamatokra és az AI kontextusára. Egy AI-t alkalmazó szervezetnek mindkettőre szüksége van.
Kezdjen egyetlen felhasználási esettel a skálázható tudásarchitektúra kialakításához
A kezdés egyik gyakorlati módja egy kiemelt fontosságú üzleti terület és egyetlen felhasználási eset kiválasztása. Ezek segítségével határozza meg a tudásarchitektúrát és az irányítási modellt.
Mivel az eredmény újrafelhasználható struktúrákat és komponenseket tartalmaz, a következő felhasználási esetnél nem kell mindent elölről kezdeni. Építhet a már meglévő, irányított tudásvagyonelemekre, újrafelhasználhatja a közös üzleti entitásokat és szabályokat, kibővítheti a meglévő leképezéseket, adaptálhatja a kontextuscsomagokat, és csak azt kell hozzáadnia, ami új.
Így skálázhatók a tudással kapcsolatos kezdeményezések: nem úgy, hogy egyszerre próbálunk mindent rögzíteni, hanem úgy, hogy fokozatosan építünk fel újrafelhasználható tudásvagyonelemeket.
A jövő az irányított tudás-előállításé
Az új technológiák segíthetnek a fogalmak kinyerésében, ontológiák ajánlásában, dokumentumok osztályozásában, a minőség értékelésében, az ellentmondások észlelésében és a stewardship automatizálásában. Ezek értékes képességek, de nem helyettesítik a fegyelmezett működési modell szükségességét.
Ha szabványosítja a tudás feltárásának, validálásának, irányításának, újrafelhasználásának és alkalmazásának módját, túlléphet az elszigetelt AI-kísérleteken, és olyan AI-rendszerek felé haladhat, amelyek jobban megértik vállalkozását, és idővel folyamatosan fejlődnek.
KÖVETKEZŐ LÉPÉSEK
Tudjon meg többet az NTT DATA AI-szolgáltatásairól és arról, hogyan segíthetünk az AI operatív bevezetésében a teljes szervezetében.