Искусственный интеллект в управлении корпоративными знаниями

Увеличить
Пример практического применения функционала платформы Maana Q

Производительность труда благодаря новым технологиям в среднем повысилась в 5 раз за последние 45 лет. При этом сотрудники компаний признаются, что им регулярно не хватает времени для креативного решения задач. На помощь приходит искусственный интеллект (ИИ). О его возможностях в области управления знаниями для бизнеса поговорим в этой статье.

Текущие изменения в бизнес-среде влияют на работу внутри компаний и непосредственно на персонал. Например, сегодня нужно выстраивать процессы управления профессиональными и корпоративными знаниями с учетом роботизации, Adaptive Workforce (быстро адаптирующихся кадров) и внедрять соответствующие инструменты для коллаборации, обмена опытом, накопления корпоративного знания и т.д.

Управление знаниями

Механизм получения знаний, в том числе — корпоративных, описывается, например, пирамидой DIWK (Data, Information, Knowledge, Wisdom). То есть, в начале процесса вы работаете с данными. Это может быть набор символов, некие изображения или нечто другое, смысл чего исходно вам не известен (представьте ребёнка, которому первый раз показывают буквы, студента на первой паре по комплексному исчислению). Данные подвергаются обработке и переходят в информацию.

Информация от данных отличается упорядоченностью, на этом этапе вы уже понимаете, с чем имеете дело. Происходит осознание информации, в результате получаются знания.

Ключевым отличием знаний от информации является понимание, как можно применить или воспользоваться этими знаниями на практике. Применяя знания, вы накапливаете опыт, расширяете представление о применимости знаний. Ценность знаний растёт с глубиной, позволяя принимать лучшие решения.

С корпоративной точки зрения выделяются три ступени («эры») развития управления знаниями.

Первая эра: определенные знания

Зарождение первых форм и практик управления знаниями — в основной массе представляет собой управление данными и документами. В этот период создавались большие базы данных. С ростом их объёма росла сложность работы с этими базами, эффективность падала, а знания стагнировали.

Вторая эра: Экспериментальные знания

Когда базы стали объёмными, в них накопилось большое количество неактуальных знаний, поиск стал затруднителен. Новое видение гласило, что знания носят динамический характер и со временем устаревают. Фокус смещается с накопления знаний в «одной большой копилке» на горизонтальное распространение знаний.

Появились передовые инструменты и решения управления знаниями, способствующие постоянному обучению и регулярному обновлению базы данных. Такие формы коммуникации, как Q&A форумы, позволяли сотрудникам получать и делиться конкретными знаниями.

Третья эра: Коллективные знания

Организации пытаются создать единую платформу управления знаниями. Фокус — на создание новых знаний за счёт открытия вертикального обмена.

Ключевой сдвиг между тремя эрами можно описать так: от парадигмы «Знания — сила» к «Сила — в распространении знаний».

Внутри организаций можно выделить 5 основных этапов жизненного цикла управления знаниями:

  • Происходит анализ знаний, необходимых для выполнения задачи
  • Сбор релевантных знаний, методик и опыта
  • Сортировка и классификация собранных знаний
  • Внесение знаний в корпоративную память
  • Извлечение знаний для решения задач, генерации новых идей
  • Роль и возможности ИИ

    При традиционном подходе к работе с данными требуются усилия со стороны пользователя: нужно точно формулировать запрос, указать различные параметры, и даже выбрать репозиторий поиска. На выходе пользователь видит выдачу, с которой он должен производить дальнейшую работу — при отсутствии нужной информации изменять формулировку и повторять поиск. При этом старый запрос уже «забыт», а новый обрабатывается без учета истории поиска.

    При когнитивном поиске с использованием ИИ, усилия перекладываются с пользователя на машину. Пользователю еще на этапе запроса будет предложена первичная трактовка, дополненные варианты формулировок ответа. В выдаче машина выведет наиболее релевантный запросу материал. Шаги действий пользователя сокращаются, ему не нужно отсматривать всю выдачу, открывать файлы, листать.

    Для эффективной работы со знаниями создаются бизнес-приложения, которые значительно упрощают человеческие затраты на обработку, и высвобождают время для сложных креативных задач.

    Грамотная адаптация управления знаниями позволяет снизить время, которое тратят сотрудники на поиск информации — так, дублирование задач падает на 27%. Высвобожденное время и силы позволяют на 40% увеличить развитие новых процессов и услуг.

    Быстрее, чем думали все

    Важно отметить, что сама идея использовать ИИ в области управления знаниями появилась более 25 лет назад, но возможность технически реализовать когнитивную платформу с реальными полезными эффектами мы получили совсем недавно. Ещё в 2016 году прогнозировалось, что полное замещение человека машиной станет возможным через 125 лет. Понадобилось всего 3 года, чтобы значительно скорректировать прогнозы, так как стало понятно, что это наступит гораздо быстрее.

    Так, в 2014 году Ник Бостром предсказывал, что понадобится десять лет, чтобы компьютер превзошел человека в древней китайской игре Го. Но Google Deep Mind осуществил это уже в марте 2016 года

    Компания Lexus сняла рекламный ролик, сценарий к которому придумал ИИ, основываясь на анализе всех других роликов по этой тематике. Реклама рассказывает историю мастера, который выпускает новый автомобиль и проводит тест. В решающий момент включается автоматическая система экстренного торможения автомобиля — поворот сюжета, который, как определил ИИ, продемонстрирует ценность и эффективность встроенной технологии в новинке.

    На текущий день существуют действующие комплексные платформы управления корпоративными знаниями. Разработкой таких платформ занимаются Transversal, ThirdEye, Maana. Компания ThirdEye базируют свои решения на основе IBM Watson. Maana реализует собственные решения в партнерстве с Accenture и Microsoft.

    Рассмотрим пример практического применения функционала платформы Maana Q.

    Задача и решение

    Клиентом являлась крупная энергетическая компания из Fortune 50. В своей деятельности она использует рыночных аналитиков для прогнозирования спроса, предложения и цен на сжиженный природный газ (СПГ).

    Компания торгует на 10+ рынках ликвидного природного газа. Чтобы определить спрос и цены для каждого рынка, аналитики полагались на громоздкую ручную агрегацию данных. Собирая данные из различных внешних источников, они выполняли трудоемкий анализ с использованием сложных электронных таблиц. В результате анализ занимал огромное количество времени и не использовал все рыночные данные, такие как цены на акции, данные о политической ситуации и правила торговли сырьевыми товарами.

    Компания хотела увеличить доход путем точного прогнозирования спроса, предложения и цен для каждого конкретного рынка. Для этого им нужен был более эффективный способ, позволяющий аналитикам рынка выполнять анализ всех возможных сценариев с учетом полного набора внешних факторов, таких как погода, государственная политика, макроэкономические прогнозы и многое другое.

    Используя платформу знаний Maana, было создано приложение, которое позволяет в интерактивном режиме исследовать спрос, предложение и цены с использованием внутренних данных из разных хранилищ, а также рыночных данных в режиме реального времени для всех крупных рынков СПГ.

    Платформа знаний Maana значительно ускорила процесс работы, позволяя заказчику выполнять анализ сценариев для каждого географического рынка, в каждом месяце и с учетом атрибутов поставщика.

    Теперь аналитики могут точно прогнозировать спрос на каждом рынке и использовать эту информацию для оптимизации цен. Используя приложение, они могут принимать более эффективные и оперативные бизнес-решения.

    Источник: Антон Кучма, руководитель практики новых технологий компании Accenture Russia

    Источник