Steven Warmoes - Blog Kennismanagement

Consulting, Coaching en Vorming

De onderwerpen in deze blog komen voor in de consulting, coaching en vorming bij mijn klanten.

Typische onderwerpen zijn

• Opzetten van Lerende teams, Netwerken of Communities;
• Kennisoverdracht bij pensionering, jobrotatie, projecten... met aandacht voor tacit knowledge;
• Strategisch Kennismanagement voor hoger lijnmanagement en stafdiensten;
• ICT ondersteuning van Kennismanagement met systemen zoals SharePoint, Artificiële intelligentie...;
• Het verbeteren van kennisintensieve bedrijfsprocessen; integratie van KM in ISO9001;
• Het organiseren van de functie KM;

Contacteer me om met uw brainpower het verschil te maken.

Is Deep Learning voor iedereen ?

Deep Learning is een tak van Machine Learning, dat op zich weer een tak is van Artificiële Intelligentie. Klinkt fascinerend en schrikwekkend tegelijkertijd ! Vooraleer de vraag te beantwoorden of dit voor elke organisatie interessant is kunnen we beter eerst een andere vraag beantwoorden: is leren uit gegevens voor iedereen ? En daar is het antwoord voor bijna iedereen ja: "meten is weten". Soms is het zo simpel als gegevens in een Excel steken en grafiekjes maken. Misschien wil je verder gaan en patronen herkennen zodat je kan voorspellen. Daarvoor gebruiken we technieken uit de statistiek.

In bovenstaande voorbeeldgrafiek staan goede en slechte leningen op basis van 2 criteria X en Y. We proberen nu goede en slechte leningen uit elkaar te halen. Met eenvoudige (=lineaire) statistiek zoals we dat in Excel terugvinden kunnen we een begrijpelijke formule vinden die de best passende rechte tekent. Maar je ziet dat de (blauwe) rechte lijn onmogelijk de goede en de slechte perfect kan scheiden. Machine learning, wat in wezen niet anders is dan gevorderde (= niet lineaire) statistiek kan hier beter weg mee. 

Een eerste techniek heet inductie. Deze deelt de grafiek in rechthoekige zones in, groen op de grafiek. Zoals je ziet worden goede en slechte leningen al beter onderscheiden. Het tweede grote voordeel van inductie is dat de formules begrijpelijk zijn: het zijn eigenlijk regels die samen een beslissingsboom vormen.

De volgende techniek, artificiële neurale netwerken (ANN) kan kromme functies maken, en kan dus nog beter de goede en slechte onderscheiden. Het grote nadeel is evenwel dat de formules zo complex zijn dat je  op zicht niet kan begrijpen hoe een neuraal netwerk tot zijn conclusie komt. En verder heb je ook meer gegevens nodig opdat neurale netwerken hun volle potentieel benutten. Wil je echte topprestaties, dan heb je ruwweg en onnauwkeurig een 100.000-tal voorbeelden nodig, big data dus. Men spreekt dan over Deep Learning omdat die ANN diepe lagen hebben (niet omdat het leren diepzinnig zou zijn). Deze vereisen niet alleen big data, maar ook zeer krachtige hardware. Deze hardware en bijhorende Deep Learningsoftware is dan ook typisch als dienst in de cloud beschikbaar via de grote bedrijven als Google, IBM, Microsoft, Amazon...

Ik was dan ook blij dat deze visie enkele dagen geleden bevestigd geweest is op de Business & Data Analytics Summit, ingericht door I.T.Works, door de Amerikaanse specialist in Data Analytics Keith McCormick. (De drukbijgewoonde Summit was trouwens een aanrader en wellicht komt er wel een volgende editie)

Als je niet over big data beschikt kan je dus niet aan Deep Learning gaan doen. Maar veel organisaties kunnen hun statistisch arsenaal wel uitbreiden met Machine Learning technieken als inductie en eenvoudige neurale netwerken. Dit is geen taak voor statistici/machine teachers/data scientist alleen. Samenwerking met vakexperten is nodig om de gegevens te zuiveren en voor te bereiden vooraleer formules kunnen gemaakt worden. En experten moeten de resultaten begrijpen en kunnen interpreteren in welke zones de resultaten onvoldoende betrouwbaar zijn. De vakexperten moeten zich eigenaar kunnen voelen van de modellen. Die modellen onderhouden is dan een typische taak in communities.

Zie ook: Waarom Big Data niet zonder Kennismanagement kan.

Checklist betrouwbare Artificiële Intelligentie

De Europese Unie heeft op 8 april Ethics guidelines for trustworthy AI gepubliceerd.

Op p
.26 vind je er een interessante, praktisch bruikbare checklist met vragen als:

• Is the AI system implemented in work and labour process? If so, did you consider the task allocation between the AI system and humans for meaningful interactions and appropriate human oversight and control?
  • Does the AI system enhance or augment human capabilities? 
  • Did you take safeguards to prevent overconfidence in or overreliance on the AI system for work processes?
• Did you design the AI system with interpretability in mind from the start? 
  • Did you research and try to use the simplest and most interpretable model possible for the application in question? 
  • Did you assess whether you can analyse your training and testing data? Can you change and update this over time? 
  • Did you assess whether you can examine interpretability after the model’s training and development, or whether you have access to the internal workflow of the model?

Zie ook mijn artikels over Artificiële Intelligentie met inzichten om op dergelijke vragen te antwoorden.

De richtlijnen en checklist zijn opgesteld vanuit een realistische inschatting van de huidige mogelijkheden van A.I. Zoek er dus geen antwoorden op ethische vragen als "Moet een robot met zelfbewustzijn mensenrechten krijgen?" Robots met zelfbewustzijn zijn vandaag nog science fiction.

 

Wie draagt de kosten voor Kennismanagement ?

Een van de hinderpalen voor Kennismanagement is dat men KM vooral als een kost ziet, en dan begint het afschuiven naar het budget van iemand anders. Om dit te vermijden moet je de kosten plaatsen bij diegene die er de baten van verwacht.

Laten we dit op 3 niveaus analyseren: operationeel, tactisch en strategisch.

1) Operationeel heeft KM veel te maken met het beantwoorden van vragen en het oplossen van vraagstukken. Stel, je werkt in een project gerichte organisatie. Een collega werkt in een uitdagend project en jij blijkt daar ervaring mee te hebben. Je bent een klankbord voor je collega, en je wijst op belangrijke risicofactoren en kritische succesfactoren, en geeft nuttige tips. Je was dus een waardevolle interne consultant voor je collega. In dat geval is het dan ook logisch dat jou tijd op het budget van het project van je collega komt. Voor je collega is het een nuttige investering die o.a. onverwachte bijkomende kosten in hun project vermijdt.

2) Tactisch heeft KM veel te maken met het maken van kennisproducten en kennisdiensten. In dezelfde projectorganisatie kan het nuttig zijn om een kennisbank te maken met bv. lessons learned uit projecten. Het opzetten en uitbaten van die kennisbank is dan een investering die best gedragen wordt door de manager die verantwoordelijk is voor de goede uitvoering van de projecten.

3) Strategisch heeft KM veel te maken met het bepalen in welke kennisdomeinen men slimmer wil zijn dan de competitie. Maar vaak wordt die kennis in meerdere afdelingen toegepast zodat er transversale communities nodig zijn. Een voorbeeld: Colruyt heeft meerdere vestigingen en processen waarbij voor iedereen kennis van supply chain belangrijk is. Er is dan ook behoefte aan gezamenlijke ervaringsuitwisseling, onderzoek, experimenten, vorming enz... Daarvoor is een community opgericht onder de naam Vakcentrum Supply Chain, met een full time coördinator. Iemand van de hogere hiërarchie treedt op als bestuurder van die community en zorgt voor het budget. In het budget zit dan typisch het loon van de community-coördinator(en), de middelen voor studieprojecten met mensen uit verschillende afdelingen enz... 

Het is dus kritisch om bij het uitbouwen van KM snel op zoek te gaan naar wie welke concrete baten van KM verwacht, want daar zitten de logische budgeteigenaars.

 

Heb je kennis-productmanagers? En kennis-servicemanagers?

Iedereen is het erover eens dat we onze materiële activa moeten managen. Gebouwen of machines worden aangekocht, onderhouden, hersteld, omgebouwd... Er worden plannen gemaakt, budgetten voorzien, processen georganiseerd... En er is een manager voor verantwoordelijk, bv. een "maintenance and repair manager". Maar beheren we even gedisciplineerd onze intellectuele activa ? We denken hierbij aan onze kennisbanken met documentatie zoals faq's, checklists, wiki's, processchema's, methodieken, modellen, algoritmes, handboeken, cursusmateriaal, lessons learned... Want ook daar moeten we ons verzekeren van kwaliteit zoals de juistheid, de bruikbaarheid, de begrijpbaarheid, de vindbaarheid... 

Deze intellectuele activa verdienen dus even goed beheerd te worden via processen met duidelijke rollen en verantwoordelijkheden, kwaliteitseisen, budgetten enz...
Omdat het woord 'intellectuele activa' nogal intellectualistisch kan overkomen spreek ik nog liever over (interne) kennisproducten. Dat heeft ook het voordeel dat we kunnen leren uit de discipline van het Product Management, niet in het minst omdat dit ook doet denken aan (interne) marketing:

• Wat zijn de behoeftes van mijn (interne) klanten? 
• Hoe tevreden zijn ze?
• Hoe promoot ik mijn product?
• Is mijn product wel rendabel? Tot hoever leveren bijkomende investeringen in het product toegevoegde waarde?
• Zijn er alternatieven voor mijn product?
• Wie zijn goede kennisleveranciers van mijn kennisproduct?
• Welke dienstverlening is er nodig rond mijn product?
  • Training in het gebruik?
  • Waar kan men terecht met bijkomende vragen? (Heel kritisch !)
  • Waar kan men terecht met ideeën of klachten ?
• Wat is de roadmap voor het product en bijhorende dienst ?
• Hoe evolueert de technologie, intern en extern?
• ...

Precies omdat de bijhorende diensten, i.h.b. bijkomende vragen beantwoorden, zo cruciaal zijn spreek ik minstens zo graag over kennisdiensten met een bijhorende kennis-servicemanager.

Het is dan ook een teken van maturiteit van het kennismanagement dat in de belangrijke kennisdomeinen kennisproducten en kennisdiensten gedefinieerd zijn met verantwoordelijke kennis-servicemanagers.

Zie ook: Kennis delen met je partners over een kennisdienstverlening die al 10 jaar goed draait mede dankzij een goede kennis-servicemanager.

Eis expertvriendelijke A.I. !

Experten voelen zich vaak ongemakkelijk bij A.I. Stel dat een A.I. systeem slimmer wordt. Wat dan? 

Recent had ik een gesprek met een geneesheer-specialist. We weten allemaal dat medische beeldvorming cruciaal is bij veel diagnoses. En dat een beeld goed kunnen interpreteren een belangrijke expertise is voor een arts. 

Nemen we het interpreteren van het beeld van een oog. Een A.I.-systeem kan getraind worden met beelden en diagnoses van veel topdokters. Het A.I.-systeem zal dus meer goede voorbeelden gezien hebben dan een dokter redelijkerwijze kan gezien hebben. Het is dan niet onredelijk te verwachten dat Het A.I-systeem beter wordt in de herkenning dan een gemiddelde dokter. Maar daarmee is de kous niet af. En het zou erg zijn mocht de expertise van de dokter afnemen om zelf goed beelden te herkennen. Dat zou trouwens gevaarlijk zijn: wat als de dokter denkt dat het A.I.-systeem zich vergist? Of zich afvraagt of het ook niet iets anders zou kunnen zijn? 

Het A.I.-systeem moet zich dus kunnen verantwoorden. Dat kan typisch door beelden te tonen die goed gelijken op het beeld van het oog van de patiënt, en die gebruikt zijn om het A.I.-systeem te trainen, m.a.w. door te tonen wat de mening is van andere (top)dokters in gelijkaardige gevallen. De arts kan dan vergelijken en zien of er een verschil kan zijn dat het verschil maakt. De arts kan feedback geven aan het systeem, waarbij de (top)dokters die het systeem trainen het verder kunnen verfijnen. En als de arts akkoord gaat bij het zien van gelijkaardige voorbeelden, dan heeft die arts weer iets bijgeleerd.

Op de vraag: "zou het ook diagnose X kunnen zijn" kan het systeem foto's tonen van gelijkaardige beelden die wel of niet X bevatten. 

Of bij elke diagnose een % kans geven dat het X, Y, Z... is.

Een expertvriendelijke A.I. mag dus zeker geen zwarte doos zijn, maar moet de expert genuanceerd informeren, en leren van de feedback van de expert. Het systeem zelf moet leren van en in een Community van (top)experten. En zo zitten we natuurlijk weer in het hart van Kennismanagement.

Beste Wensen voor 2019

Ik wens jullie een wijs 2019 met weinig fake news en nog minder fake knowledge !