利用生成式 AI 扩展知识管理的应用场景

人工智能正在颠覆许多不同的商业领域。该技术的潜力在客户服务、人才和应用程序现代化方面尤为明显。根据 IBM 商业价值研究院 (IBV) 的数据，AI 可以包含联络中心案例，将客户体验提升 70%。此外，AI 可以将人力资源生产效率提高 40%，将应用程序现代化程度提高 30%。这方面的一个例子是通过 IT 运营实现工单协助自动化，进而减轻劳动力负担。尽管这些数字显示了企业的转型机遇，但对组织来说，AI 的扩展和运营历来具有挑战性。

人工智能的优劣取决于为其提供信息的数据，而对正确数据基础的需求从未如此强烈。

由于数据存储在云和本地环境中，因此在管理治理和控制成本的同时访问数据变得困难。更复杂的是，数据的用途变得更加多样化，公司面临着管理复杂或低质量数据的问题。

Precisely 进行的一项研究发现，在企业内部，数据科学家将 80% 的时间用于清理、整合和准备数据，处理多种格式，包括文档、图像和视频。总体上强调针对 AI 建立可信的集成数据平台。

通过访问正确的数据，可以利用基础模型的力量来支持广泛的任务，从而更轻松地为所有用户实现 AI 民主化。不过，重要的是要考虑基础模型的机遇和风险，特别是模型对大规模部署 AI 的可信度。

信任是阻止利益相关者实施 AI 的主要因素。事实上，IBV 发现 67% 的高管担心 AI 的潜在责任。现有的负责任 AI 工具缺乏技术能力，并且仅限于特定环境，这意味着客户无法使用这些工具来管理其他平台上的模型。考虑到生成式模型经常产生包含有害言辞（包括仇恨、辱骂和亵渎（HAP））或泄露个人身份信息 (PII) 的输出，这种情况令人警惕。企业越来越多地接收到有损其声誉的有关 AI 使用的负面报道。数据质量对 AI 模型生成内容的质量和实用性会产生强烈影响，这凸显了应对数据挑战的重要性。

知识管理是一种新兴的生成式 AI 应用。借助 AI 的力量，企业可以使用知识管理工具来收集、创建、访问和分享相关数据，以获得洞察分析。知识管理软件应用程序通常实施到集中式系统或知识库中，以支持业务领域和任务，包括人才、客户服务和应用现代化。

人力资源、人才和 AI

HR 部门可以通过内容生成、检索增强生成 (RAG) 和分类等任务，让 AI 发挥作用。可以利用内容生成来快速创建角色的描述。对于根据内部 HR 文档识别职位所需的技能，检索增强生成 (RAG) 可以提供帮助。分类可以帮助确定申请人的申请是否适合该企业。这些任务缩短了从有人提出申请到收到对其申请之决定的处理时间。

客户服务和 AI

客户服务部门可以通过使用 RAG、汇总和分类来利用 AI。例如，企业可以在其网站上加入客服聊天机器人，该聊天机器人将使用 AI 使对话更连贯和有针对性。检索增强生成可用于搜索组织知识的内部文件，以回答客户的询问并生成定制输出。摘要可以通过向员工提供客户问题和其先前与公司互动的简介来帮助他们。文本分类可用于对客户情绪进行分类。这些任务可以减少人工作业，同时改善客户支持，并有望提高客户满意度和保留率。

应用程序现代化和 AI

应用程序现代化也可以借助汇总和内容生成任务来实现。通过对公司的知识和业务目标的总结，开发人员可以花更少的时间学习这些必要信息，而花更多的时间进行编码。IT 工作人员还可以创建摘要工单请求，以快速处理支持工单中的问题和确定其优先顺序。开发人员使用生成式 AI 的另一种方式是，使用人类语言与大型语言模型 (LLM) 沟通，并要求模型生成代码。这有助于开发人员转化代码语言、解决错误并减少编码时间，从而可以激发更多创意。

组织需要一个湖仓一体结构来应对部署人工智能驱动知识管理系统所带来的数据挑战。它使得数据湖的灵活性与数据仓库的性能相结合，可帮助扩展 AI。湖仓一体是一种适应目的的数据存储。

要为 AI 准备数据，数据工程师需要能够从单一入口点访问来自大量不同来源和混合云环境的任何类型的数据。具有多个查询引擎和存储库的湖仓一体结构可以让团队成员以开放格式共享数据。此外，工程师可以清理、转换和标准化数据，以进行 AI/ML 建模，而无需复制或构建额外的管道。此外，企业应该考虑结合生成式 AI 的湖仓一体解决方案，以帮助数据工程师和非技术用户利用自然语言轻松发现、增强和丰富数据。湖仓一体提高了部署 AI 和生成数据管道的效率。

人工智能驱动的知识管理系统拥有敏感数据，包括人力资源电子邮件自动化设置、营销视频翻译和客户服务中心转录分析。当涉及到这些敏感信息时，拥有安全数据访问权变得越来越重要。客户需要一个湖仓一体解决方案，以便提供内置的集中治理和本地自动策略实施，并辅以数据编目、访问控制、数据沿袭的安全性和透明度。

通过湖仓一体解决方案设定的数据基础，数据科学家可以自信地使用已治理数据来构建、训练、调整和部署 AI 模型，确保信任和信心。

如前所述，聊天机器人是一种用于客户体验的生成式 AI 驱动的流行知识管理系统。这种应用可以为企业创造价值，但也会带来风险。

例如，医疗保健公司的聊天机器人可以使用以前互动中已知的详细信息来回答有关治疗的问题，从而减少护士的工作量并改善客户服务。然而，如果数据质量较差，或者在微调或提示调整过程中向模型注入了偏差，则该模型很可能不可信。这时，聊天机器人可能会向患者提供包含不当语言的回应或泄露其他患者的个人信息。

为了防止这种情况发生，组织需要在部署 AI 模型时主动检测并减少偏差和漂移。拥有自动内容过滤的能力来检测 HAP 和 PII 泄漏，可以减轻模型验证者手动验证模型的负担，切实避免有害内容。

如上所述，知识管理战略是指组织内知识的收集、创建和共享。它通常在知识共享系统中实现，可以与利益相关者共享，以学习和充分利用现有的集体知识和组织洞见。例如，RAG AI 任务可以根据内部 HR 文件帮助识别工作角色所需的技能，或支持客服聊天机器人搜索内部文件，回答客户的询问并生成量身定制的输出。

在寻求部署生成式 AI 模型时，企业应该与值得信赖的合作伙伴合作；此类合作伙伴已经从优质数据中创建或获取优质模型，并且可以根据企业数据和目标进行定制。

为了帮助客户解决知识管理问题，IBM 提供了 watsonx.ai。watsonx.ai 是 IBM watsonx AI 产品组合的一部分，该组合将基础模型支持的全新生成式 AI 功能和传统机器学习整合至一个贯穿 AI 生命周期的强大开发平台中。借助 watsonx.ai，您可以轻松训练、验证、调整和部署生成式 AI、基础模型和机器学习功能，并在短时间内使用较少的数据构建 AI 应用程序。