Het komt me regelmatig voor dat mensen het verband niet zien tussen Artificiële Intelligentie en Kennismanagement. Ik ben mijn carrière gestart in Artificiële Intelligentie (AI) en heb mijn actieterrein uitgebreid tot Kennismanagement (KM). Mijn carrièregeschiedenis legt dan ook goed het verband uit.
Typische AI toepassingen waren en zijn systemen die advies gaven over leningen, technische pannes... of systemen die risico's analyseerden voor leningen en verzekeringen. In het hart van die AI-systemen liggen algoritmes die gebaseerd zijn op kennis van experten, het weze uitgedrukt in woorden en schema's, of in databanken met voorbeelden van beslissingen. De data kunnen ook uit de realiteit komen, bv. met de terugbetalingsgeschiedenis van leningen.
Nu, vooraleer je die kennis, uitgedrukt in woorden en in schema's, in software kan steken moet je ze eerst documenteren. Documentatie schrijven en ze toegankelijk maken en beheren via documentaire systemen was dus een logische uitbreiding van de KM-dienstverlening.
Maar de kunde van een expert betekent niet noodzakelijk dat de kennis op het puntje van de tong ligt: Kunnen zonder kennen (en omgekeerd...) Probeer maar eens goed uit te leggen hoe je parkeert. Je moet dus leren onbewuste of tacit knowledge te expliciteren, vooraleer je ze kan documenteren. Maar onbewuste kennis expliciteren is evengoed interessant om de kennis voor vorming te bekomen. Of bij kennisoverdracht wanneer er iemand op pensioen gaat of van job verandert. Kennisoverdracht is dan ook weer een logische uitbreiding van de KM-dienstverlening.
Maar kennis expliciteren, documenteren en eventueel in software steken is geen eenmalige gebeurtenis. De kennis moet onderhouden worden. Meer nog, men moet steeds bijleren. Experten als kennisbronnen en verbeteraars van kennis moeten dus samenweken in wat men expertgroepen, collegegroepen, vakgroepen of Communities of practice noemt. Het leren voor en met elkaar is evenwel ook een waarde op zich, ook als niet alles gedocumenteerd wordt. Ook het opzetten en verbeteren van Communities of Practice is dan weer een logische uitbreiding van de KM-dienstverlening.
AI-systemen kunnen zelf (bij)leren uit data. Maar de kwaliteit van het leren staat of valt met de kwaliteit van de data. Als er bij de captatie of de verwerking van de data fouten of onnauwkeurigheden insluipen, kan het zelfs zijn dat het AI-systeem niet kan leren omdat het te veel inconsistenties en tegenstrijdigheden tegen komt. Het uitkuisen van de databanken vereist het interpreteren van de data, en dat is weer werk voor mensen uit het vak, en dus een taak in de Communities of Practice.
"Meten is weten", en ook het menselijk bijleren uit data is eveneens een taak in Communities.
En last but not least, om geen stommiteiten te begaan door overdreven te vertrouwen op het AI-algoritme, moet de kennis over de mogelijkheden en beperkingen ervan ook leven in de community. Zie ook: Waarom Big Data niet zonder Kennismanagement kan !
Het preventief verbeteren van de datakwaliteit door het verbeteren van de processen waar de data gecapteerd en bewerkt worden is een collectief leerproces dient eveneens te gebeuren in een Community met domeinexperten vertrouwd met de businessprocessen.
AI is terug van weggeweest in het begin van jaren 2000. Laten we in deze nieuwe golf de fouten uit het verleden niet opnieuw maken, maar de geleerde lessen toepassen om tot duurzame bijlerende AI-systemen te komen. Zie ook: Waarom Artificiële intelligentie (AI) niet zonder Kennismanagement (KM) kan.
Reacties