Steven Warmoes - Blog Kennismanagement

Nieuwe goede praktijk voor virtuele bureaus ?

Al heel lang adviseer ik dat elke groep kenniswerkers standaard een virtuele bureau krijgt, d.w.z. een plaats om documentatie op te slaan, samen content te creëren, weetjes en notities bij te houden, nieuws uitwisselen en nieuwigheden op te volgen... 

Deze groepen zijn zeker niet alleen afdelingen zoals je die in het organogram ziet, maar minstens evenzeer zgn. transversale groepen met kenniswerkers uit verschillende afdelingen zoals projectgroepen, productgroepen, procesgroepen... en natuurlijk de onvolprezen communities of practice. In groepen, en in transversale groepen nog meer, moeten kenniswekrers samenwerken die vaak niet fysiek samenzitten.

In organisaties waar SharePoint aanwezig is, was het een goede praktijk om hiervoor een SharePoint Workspace te nemen. Dit werd versterkt doordat iedereen via Office 365 in de cloud een abonnement op SharePoint kan nemen zonder zelf last te hebben van systeembeheer. 

Nu is er een nog krachtiger standaardstartpunt in de Microsoftfamilie: MS Teams.

Teams heeft het voordeel dat het basisactiviteiten in samenwerking centraal zet zoals:

• communiceren via chats of webmeetings (zoals Skype), ook met mensen die geen Office 365 abonnement hebben;
• notities bijhouden;
• samen aan documenten werken.

Je kan Teams zowel gebruiken via je PC als via een tablet of smartphone.

En je kan er natuurlijk ook documenten bewaren. 

Het krachtige is dat documenten ook in een OneDrive of SharePoint werkruimte zitten, zodat je de krachtige functionaliteiten van metadata kan gebruiken, wat nuttig is als je een kennisbank maakt. Bestaande SharePoint werkruimtes kan je daarenboven koppelen aan nieuwe Teams.

Bemerk in bovenstaand voorbeeld dat je in de linkerkolom alle teams ziet waar je lid van bent. Teams wordt zo je centrale dashboard voor je werk.

Maar er blijft een caveat: je moet in je team blijven afspraken maken over klassementen, welke chatkanalen je maakt en waarvoor ze dienen enz... Het gemak waarmee je een Team aamaakt, vergroot de verleiding alleen maar om er een chaos van te maken. En in een team is de ketting zo sterk als de zwakste schakel. Je moet dus zorgen dat iedereen in je team de functies voldoende in de vingers heeft, en gedisciplineerd de teamafspraken volgt. Nieuwelingen moeten gevormd en ingewerkt worden in de teamafspraken. Het moet dus gemanaged worden.

Sedert deze zomer is MS Teams ook gratis. Dat betekent:

1. Dat je kan experimenteren ook als je geen Office 365 abonnement hebt;
2. Dat je teams ook kan gebruiken voor je vrijetijdsverenigingen.

De grote concurrent van Teams is Slack.

Wat doe ik met dit weetje ? Wat doen wij met dit weetje ?

Dit herken je wellicht wel: je ziet iets interessant op Internet, of er passeert iets op papier, of iemand tekent een leuk idee op een bierkaartje... Je wil dat wel bijhouden, maar waar kan je het snel kwijt op een manier dat je het makkelijk terug vindt? Notitieprogramma’s zoals OneNote (of Evernote) zijn hiervoor ideaal. Ze bestaan op je PC, tablet of smartphone. Je elektronisch notitieblok is over al deze toestellen geynchroniseerd. Op je desktop steek je er een mail of PDF in, op je smartphone neem je een foto van dat bierkaartje, of van een whiteboard... Alle content zie je netjes bijeen.
Een zoekfunctie helpt om inhoud vlot terug te vinden. Je hebt dus basismateriaal voor nieuwe kennis.

Maar daarmee is de kous niet af: wat ga je met al die notities doen? Het is aangewezen om regelmatig eens door die notities te gaan om te zien of je er « lessons learned » in ziet die vervolgens tot nuttige acties leiden. Na een synthese kunnen de ruwe nota’s dan weggegooid worden. 

Nieuwe kennis opbouwen doen we evenwel beter samen. Notitieboeken zijn een nog krachtiger kennisinstrument als verscheidene mensen uit een interessedomein een notitieboek delen, en dan samen op zoek gaan naar lessons learned. Maar dan heb je best wel een gemeenschappelijke plaats, zoals in OneDrive, MS Groepen, MS Teams of een SharePoint site. En daar ben je best op georganiseerd: welke kennisdomeinen zijn er ? En welke gemeenschappelijke plaats hebben ze ? En wie houdt die plaats in orde, en i.h.b. de indeling van het geheel notitieboek ?

Zoals zo vaak in Kennismanagement ligt de voornaamste uitdaging op organisatorisch vlak.   

Werken Wikis wel ?

"Documenteren we niet beter in Word dan in wikis? Want die wikis schijnen toch niet hun beloftes in te lossen?" Deze interessante vraag kreeg ik onlangs in mijn vorming over KM. Wikis kennen de meesten onder ons van de succesvolle Wikipedia. In principe kan iedereen aan de Wikipedia meewerken. Waarom werkt dat dan niet zomaar in onze organisaties om onze kennis te documenteren?

Wel de wikipedia werkt ook niet zomaar. Er is bv. al een informatiearchitectuur: de pagina's beschrijven elk een begrip, maar er is niet echt een inhoudstabel, hoogstens een impliciete alfabetische sortering; er zijn doorverwijspagina's wanneer een zelfde woord in verschillende contexten een totaal andere betekenis heeft... Er zijn ook duidelijke spelregels over de aanpassing van een tekst die een ander geschreven heeft. En last but not least biedt het Internet een potentieel van miljoenen auteurs.

Dergelijke voorwaarden zijn in onze organisaties bijna nooit vervuld. Wanneer we kennis documenteren willen we niet enkel begrippen documenteren, maar ook procedures en processen, oefenmateriaal, checklists e.d. En soms willen we wel inhoudstabellen, bv.: Wat moet een nieuwkomer weten de eerste drie maanden? En wat daarna? Je kan dus meerdere inhoudstabellen nodig hebben, en die kan je in wiki perfect aanmaken als een lijst met hyperlinks naar de passende pagina's. 

Dezelfde wiki kan je ook makkelijk gebruiken om snel iets op te zoeken, als een referentiewerk. Je moet dan wel je kennis modulair opschrijven zodat wat je zoekt hoogstens enkele schermen groot is. Dat kan betekenen dat je bv. een proces beschrijft in grote blokken, en voor de details inzoomt naar deelblokken enz... 

Dat betekent dus dat je een hoofdredacteur nodig hebt die de informatiearchitectuur bewaakt: inhoudstabellen, de modules, de sjablonen e.d. En verder heb je per groep onderdelen auteurs nodig die de kennis in orde houden. Je hebt een proces nodig dat naleest op juistheid, begrijpbaarheid... Je kan het in een professionele organisatie niet permiteren zoals bij de Wikipedia dat een thema verweesd achter blijft, of dat er een "wikiwar" ontstaat tussen mensen die een verschillende mening hebben.  

Kennis documenteren, en wikis in het bijzonder is dus in eerste instantie een kwestie van organisatie, processen en informatiearchitectuur. Als dat goed zit, dan is de technologie meestal wel goed genoeg.

Van Artificiële Intelligentie naar Kennismanagement en terug.

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.

ISO 9001 - Procesverbetering - Leercurves

De nieuwe ISO 9001:2015 norm heeft een verplicht onderdeel over Kennismanagement. 

Je kan je daarbij beperken tot de distributie en het onderhoud van kennis over de processen. Maar je kan Kennismanagement ook offensief inzetten om de kennis te verbeteren en zo de processen te verbeteren. Zo kan je de verbetering van de Mean Time to Repair als objectief hebben, en betere en juistere kennis draagt daar natuurlijk toe bij.

Je kan de vorderingen mooi uitdrukken in een zgn. Leercurve. 

Op de verticale as staat de procesparameter die je wil optimaliseren.
Op de horizontale as staat de tijd (of de inspanningen die je organisatie doet om de procesparameter te verbeteren).

Enkele ideeën voor leercurves

• Hoe lang duurt het om een vraag te beantwoorden ? bv. in een helpdesk
• Hoe lang duurt een analyse of ontwerp?
• Hoeveel pannes door verkeerde manipulatie?
• Hoe verlagen we de voorraad door betere kennis over de vraag ?
• ...  

Op die manier sluit Kennisbeheer naadloos aan bij procesverbetering en de ISO 9001 norm.

Zie ook: hoe meet je het succes van Kennismanagement ?

KennisSENmanagment is eerste taak van Kennismanager !

Onlangs was ik op een directievergadering van een klant die meerdere verspreidde vestigingen in meerdere business units heeft . Het onderwerp was de doorstart van een Community of Practice voor een van hun kernkennisdomeinen tot een Center of Excellence. Intuïtief stond iedereen achter het idee, maar (gelukkig) kwam toch de vraag: hoe gaan we nu weten wat de toegevoegde waarde is?

Het merkwaardige aan kennis is dat een klein beetje pertinente kennis tussen de juiste mensen (laten) uitwisselen het inzicht kan brengen dat veranderingen te weeg brengt met veel toegevoegde waarde. De Amerikanen drukken het kernachtig uit: "If you only have 1 dollar to spend on Knowledge Management, spend it on connecting 2 people" Eén telefoontje kan volstaan. 

"Maar", opperde een directielid, "waarom hebben we daar een Community voor nodig? Als iemand van de ene unit iets wil weten, dan kan hij toch iemand contacteren in een andere unit? " En het antwoord is ja, mits men elkaar kent, en een ruw idee heeft wat de andere kent om bij de juiste persoon terecht te komen.

En daar wringt nu juist het schoentje. Eens een bedrijf groeit komen er nieuwe mensen bij , ook met interessante externe ervaring. Maar de nieuwe kennen de oude niet en omgekeerd. Je eerste stap in Kennismanagement is dan eigenlijk KennisSENmanagement: zorgen dat mensen elkaar kennen en weten wat ze voor elkaar kunnen betekenen. En daarvoor heb je een netwerker nodig die als een huwelijksmakelaar vraag en aanbod van kennis en ervaring opspoort, de juiste mensen met elkaar in contact brengt, werkgroepen en projecten initieert... die dan tot de finale toegevoegde waarde leiden.

Dit kan ondersteund worden door een Wie is Wie en Wie kent Wat repertorium zodat mensen in self service ook iemand kunnen vinden. Maar zelfs dan is de netwerker nuttig om mensen aan te zetten de juiste informatie in te vullen, en up to date te houden. Interne sociale media zoals Fora, Yammer... bevorderen ook de communicatie tussen de Communityleden, maar ook hier is de netwerker onmisbaar om de dialoog te faciliteren: zorgen dat de juiste mensen deelnemen, dat er pertinente conclusies komen...

Netwerken, KennisSENmanagement is dus de eerste taak van een Communitycoördinator. Bijhouden, en delen welke interessante connecties zijn gemaakt tonen dan niet alleen de toegevoegde waarde aan van de community voor de sponsors in de directie, maar maken en houden de leden ook enthousiast over hun kennisclub, pardon kennisSENclub. Het is dan ook een goede praktijk om een logboek bij te houden met wie je waarover bijeen gebracht hebt, en wat interessantste lessons learned zijn. Je kan daar bv. een blog voor gebruiken, omdat mensen daar nog kunnen op reageren.

Eigenlijk had het domein kennissenmanagement moeten heten, eerder dan kennismanagement!

Goede praktijk in kennisoverdracht

Kennisoverdracht bij pensionering is een typisch vraagstuk in Kennismanagement. Vaak sleept dit aan en komt er te weinig van in huis. Onderstaande case in een Belgische vestiging van een industriële multinational bevat veel ingrediënten voor een goede praktijk.

In het labo ging een topexpert op pensioen. Het plan was om een vorming te maken met relevante kennis. Er was op zich het goed idee om die vorming te laten maken door een jongere ingenieur met enkele jaren ervaring, en die veel taken van de topexpert zou overnemen.

Een en ander ging toch niet vlot vooruit, en toen besloot de Kennismanager, Veerle Anteunis, om met die jongere ingenieur te gaan praten. Uw dienaar werd er ook bij betrokken. Er blijken toch wat moeilijkheden te zijn: wat moet je daar nu insteken? Hoe vind je wat relevant is? Hoe ver moet je gaan? En eigenlijk blijkt dat men PowerPoints met theorie en formules wat beu is. Het lijkt niet de ‘real thing” te zijn.

Iemand wordt expert door ervaring, en ervaring bestaat vaak uit “straffe verhalen” waar iemand veel uit geleerd heeft. Dus raadde de kennismanager aan om op zoek te gaan naar die verhalen, en er de lessons learned van te noteren.

Maar in plaats van die enkel te laten vertellen door de expert, werd geadviseerd om die leerrijke verhalen zoveel mogelijk te beleven via oefeningen in een pilootinstallatie.

Dit gebeurde in groepjes waar de deelnemers zelf noteerden en hun lessons learned naar voor brachten. Deze werden dan onderling uitgewisseld en finaal becommentarieerd door de experten.

De deelnemers waren enthousiast over het concept.

De lessons learned werden dan opgenomen in ‘good practice’ documenten, of bestaande documenten werden meer bruikbaar gemaakt. Dit heeft ook als gevolg dat de deelnemers ook die documentatie meer als de hunne gaan beschouwen, en ze meer gaan gebruiken.

Het geheel werd ook op video opgenomen om stukjes te herbruiken in latere vormingen of zelfstudie voor nieuwelingen.

De volgende uitdaging is nu om die deelnemers met gezamenlijke referentie-ervaringen die kennis samen continu te laten verbeteren in een Community of Practice, waarbij ook anderen die gelijkaardig werk doen betrokken worden, ook uit buitenlandse vestigingen.

Zie ook:

• Is kennisoverdracht een tak van de archeologie?
• Ik ga op pensioen, maar het is te druk voor kennisoverdracht !
• VAN vertellen TOT tellen 

Kunnen Artificiële Intelligente systemen uitleggen hoe ze denken?

Vandaag konden we in De Morgen lezen:

Hoe komt artificieel intelligente (AI) software tot een beslissing? Een vraag waarop zelfs de knapste koppen ter wereld het antwoord schuldig moeten blijven. Konden AI-systemen maar verklaren hoe ze te werk gaan. [...]

Een vraag die ook Jonathan Berte van RoboVision bezighoudt. Zijn bedrijf schrijft slimme software die robots in staat stelt om sterke plantjes met camera's te herkennen en die vervolgens met robotarmen te planten. "Onze software kan in 50 seconden een nieuw soort plantje leren herkennen en beginnen te planten." In sommige gevallen neemt de robot een perfect plantje niet van de band en dan rinkelt de telefoon bij RoboVision met een vraag van de klant: "Waarom neemt de machine dat ene plantje niet op?" Berte moet het antwoord schuldig blijven. "Wij kunnen dat niet achterhalen. Onze machine denkt in beelden. We kunnen niet even vragen: waarom heb je dit plantje niet meegenomen? Er is een echt taalprobleem."

Dergelijke software leert plantjes te herkennen via voorbeelden van passende en niet passende plantjes. Die software imiteert de menselijke neurale netwerken (MNN) die de hersenen vormen: artificiële neurale netwerken (ANN). Als we de vraag willen stellen in welke mate ANN zouden kunnen uitleggen hoe ze denken, dan kunnen we ons inspireren over de mate waarin mensen kunnen uitleggen hoe ze denken. Laten iets eenvoudig nemen: je bent in staat om bepaalde kleuren te herkennen, en er een naam aan te geven. Maar geen mens kan zeggen door introspectie zeggen hoe die dat doet ! Misschien heb je kleuren ook geleerd met Smarties: telkens je het kleur juist geraden had mocht je het opeten. Als mens zou je nog kunnen zeggen: dit is rood, want het gelijkt op die Smarties die ik mocht opeten toen ik "rood" zei. En dat is iets wat we ook met die AI systemen kunnen: ze kunnen hun beslissing uitleggen door te zeggen dat ze gelijken op passende voorbeelden waarop ze getraind geweest zijn. Maar dat vereist wel dat je het systeem zo bouwt dat die leervoorbeelden toegankelijk blijven, net zoals je als mens je Smarties zou bewaren. De menselijke expert als 'supervisor' van het ANN kan dan het ANN bijtrainen door een juistere verzameling voorbeelden te geven.

Nu is plantjes herkennen wel meer dan enkel kleuren herkennen. Je herkent ook vormen zoals blaadjes, je kan het aantal blaadjes tellen... MNN en ANN leren complexere gehelen herkennen door deelkenmerken te herkennen. Als het ANN getraind is om deelkenmerken te herkennen, dan kan het ook aangeven welke deelkenmerken het herkend heeft.  

Er is nu wel een subtiliteit: als je een heel grote verzameling van passende en niet passende plantjes hebt, dan hoef je die deelkenmerken niet expliciet aan te leren: het ANN zoekt zelf deelkenmerken. Alleen kan het dan niet zelf aangeven wat die deelkenmerken zijn. Je zit dan in dezelfde situatie als dieren: een hond kan wel zijn eten vinden, maar kan hoegenaamd geen indicatie geven hoe hij dit doet. Wat zou je dan wel kunnen doen? Je kan de activiteit in de artificiële hersenen gaan meten door er sensoren in te steken, en na te gaan of die activiteit in bepaalde zones met bepaalde kenmerken overeen komen, zoals de vorm of het kleur. Of misschien kom je verrassende kenmerken tegen waar geen mens al aan gedacht heeft. Maar dat is in elk geval een monnikenwerk. Het goede nieuws is dat sensoren in ANN's steken een fluitje van een cent is, in tegenstelling tot in menselijke hersenen. Maar de vraag is of het sop de kolen waard is.

Maar kan dat monnikenwerk dan niet door een A.I. systeem gebeuren? Laten we daarvoor dat monnikenwerk even onder de loupe nemen. Het is de menselijke onderzoeker die kan zeggen: aha hier zit een zone in het ANN die ronde vormen herkent, en daar een zone die kleur herkent enz... Maar meer nog, de menselijke onderzoeker kan er woorden op kleven, precies omdat die taal kent. En de AI systemen kunnen dat nog altijd niet (en ik vermoed dat dit nog wel een heel tijdje zal duren). Als mensen een uitleg willen, dan willen ze meestal iets horen in taal uitgedrukt. En dat is zinnig als men tot een conclusie gekomen is door logisch te redeneren in een taal. Maar dat is vaak niet zo zinnig wanneer men iets herkend heeft via een mentaal proces dat geen woorden gebruikt heeft, wat we in Kennismanagement de tacite knowledge of stilzwijgende kennis noemen. Toch eisen we van mensen ook vaak een uitleg, waar die er niet is. We bedenken dan maar een uitleg. We verantwoorden ons, in plaats van een antwoord te (kunnen) geven. We doen dit veel meer dan we doorgaans beseffen.

Het is dan ook essentieel dat we beseffen dat elke uitleg een constructie is die vaak geen reconstructie is. En die constructie hangt af van wat we willen bereiken:

• gewoon leren uit vergissingen ?
• bewijzen dat het systeem voldoende performant is ?
• weten wie de schade moet betalen bij een vergissing ?
• ... 

En dat bepaalt hoe we de uitleg bouwen en wat het mag kosten.

We kunnen bv. een eenvoudige artificiële taal maken die kan helpen enkele zaken uit te leggen (bv. ik heb een rond rood voorwerp herkend), maar die ook niet meer kan dan dat. Dit gaat niet zo ver dat een systeem zichzelf begrijpt.

 

Artificiële Intelligentie kan uit zichzelf leren !

Zowat anderhalf jaar geleden, toen supercomputer AlphaGo met Artificiële Intelligentie de wereldkampioen Go klopte schreef ik: 

Maar in veel gevallen heb je de mens nodig om om goede voorbeelden te bedenken of te verifiëren. Het zou een nog veel grotere doorbraak zijn mocht men een Go computer maken die zo goed wordt door enkel te leren uit het spelen tegen zichzelf, zonder te vertrekken van de dertig miljoen menselijke meesterzetten !

Het is nu al zo ver, vroeger dan verwacht: AlphaGo Zero is er in geslaagd ! Een Artificieel Intelligent systeem heeft kennis verworven vertrekkend van een wit blad. Zonder meer een mijlpaal! En het heeft het in slechts drie dagen geleerd! 

Is de menselijke intelligentie nu voorbij gestoken? Neen en ook een beetje ja. 
Het "eenvoudige" aan dit Go-spel, net zoals bij schaken, is dat er heel duidelijke spelregels zijn wat kan en niet kan, en dat je ook heel eenvoudig kan bepalen of het spel gedaan is. Problemen in de echte wereld voldoen meestal niet aan die eisen. De moeilijkste problemen zijn die waar de grenzen van wat kan en niet kan ook ethisch moeten onderzocht worden, en die waar je ook moet zoeken wat een waardevolle en haalbare doelstelling is. Met andere woorden, die problemen waar we de nodige wijsheid voor nodig hebben.

Maar heb je problemen met duidelijke spelregels en resultaatcriteria, ja daar is er geen weg meer terug. Maar om dit in perspectief te plaatsen: de allereerste computers konden ook al sneller en foutlozer rekenen dan de mens. We zitten nog steeds op diezelfde golf. Ik hoef wat ik verleden jaar heb geschreven slechts licht aan te passen:

Daar waar er veel goede voorbeelden in een computer kunnen gestoken worden,
of waar die computer zelf de voorbeelden kan genereren,
daar kunnen we kennisassistenten bouwen die
sneller, goedkoper en grondiger werken.

 Zie ook: Waarom Artificiële intelligentie (AI) niet zonder Kennismanagement (KM) kan.

Waarom Artificiële intelligentie (AI) niet zonder Kennismanagement (KM) kan.

Ik ben mijn carrière in de kenniswereld gestart in Artificiële intelligentie, en heb van daaruit mijn scope verbreed tot kennismanagement. Wie diept duikt in mijn blog vindt het nog steeds lezenswaardig artikel: Bestaat Artificiële Intelligentie ? 
In essentie is AI niet veranderd. maar drie zaken hebben voor doorbraken gezorgd:

1. Veel krachtiger computers om het leren door artificiële neurale netwerken (ANN) mogelijk te maken.
2. Big data: er zijn enorm veel meer gegevens beschikbaar, in house en op het Internet waaruit de artificiële neurale netwerken kunnen leren
3. Er zijn Internetgiganten die zeer diep kunnen investeren in de ontwikkeling van spectaculaire toepassingen, zoals Google, Facebook, Apple, Microsoft, Amazon...

Reeds in de vorige AI golf (zie bv. de chatbot die we ontwikkelden voor de Brusselse Metro) leerden we dat enkele KM principes noodzakelijk zijn voor succesvolle systemen, zoals bv. een systeem dat beslist over het al dan niet toekennen van een lening.  I.h.b. moeten deze systemen ingebed zijn in de community van menselijke kenniswerkers:

• experten moeten valideren wat goede schoolvoorbeelden zijn waaruit die ANN's leren. Vaak ook zijn er in de praktijk tegenstrijdige voorbeelden, en die moeten geïnterpreteerd worden. Vaak gaat het over fouten in de (big) data waaruit geleerd wordt.
• experten hebben zelf denkstrategieën om problemen op te lossen. Deze kunnen dienen om de ANN's te oriënteren in hun leerproces (of om statistisch te testen of bepaalde strategieën van de experts wel kloppen). Vaak zijn die denkstrategieën van de experten onbewust. De technieken uit KM om dergelijke zgn. 'tacit knowledge' te expliciteren en te documenteren komen hierbij ter hulp.
• Kenniswerkers moeten ook weten hoe zeker een AI systeem is van zijn stuk: heel zeker of bv. 30% kans dat de lening niet helemaal terugbetaald wordt? Vaak is het wenselijk dat de mens beslist in twijfelgevallen, bv. rekening houdend met de kwaliteit en de rendabiliteit van de relatie van de aanvragende klant. De AI-systemen moeten dus gebruiksvriendelijk zijn, en aangepast op de manier waarop mensen denken: klanten, kenniswerkers, zowel beginners als experten... Te veel systemen uit de vorige AI hoogdagen zijn hier op gesneuveld.
• Een AI systeem is (maar) een kenniswerktuig als onderdeel van een totale KM oplossing, incl. de processen voor permanente kennisverbetering, beslissen over kennisinvesteringen enz... 

Menselijke experten en AI systemen leren dus samen ! Anders gezegd, AI-specialisten kunnen dat niet alleen zonder de gebruikers en experten in het eigenlijke vakdomein ! Via de Communities of Practice brengt ook hier KM zijn steentje bij. Vanuit KM gezien zijn AI systemen heel krachtige kennisinstrumenten die veel verder gaan dat kennis die gedocumenteerd zit, of databanken waarop je statistische analyses kan doen. Maar het doet niets af aan alle andere inzichten van KM over de manier waarop je kennisproblemen oplost. 

Het zou spijtig zijn mochten de lessons learned uit de vorige AI golf, en uit KM niet zouden gebruikt worden, en dat dezelfde fouten opnieuw zouden gemaakt worden. AI kan niet zonder KM.

Zie ook: Waarom Big Data niet zonder Kennismanagement kan.