Skalakan contoh penggunaan manajemen pengetahuan dengan AI generatif

Kecerdasan buatan mendisrupsi berbagai bidang bisnis. Potensi teknologi ini sangat jelas dalam bidang layanan pelanggan, SDM, dan modernisasi aplikasi. Menurut IBM Institute of Business Value (IBV), AI dapat berisi contoh pusat kontak, yang meningkatkan pengalaman pelanggan sebesar 70%. Selain itu, AI dapat meningkatkan produktivitas SDM sebesar 40% dan modernisasi aplikasi sebesar 30%. Salah satu contohnya adalah mengurangi beban tenaga kerja dengan mengotomatiskan bantuan tiket melalui operasi TI. Namun, meski angka-angka ini menunjukkan peluang transformasi bagi perusahaan, penskalaan dan operasionalisasi AI telah lama menjadi tantangan bagi organisasi.

Kualitas AI bergantung pada sumber datanya, dan fondasi data yang tepat sangat dibutuhkan saat ini. 

Dengan data yang disimpan di berbagai cloud dan lingkungan lokal, menjadi sulit untuk mengaksesnya sembari menangani tata kelola dan mengendalikan biaya. Masalah menjadi kian rumit karena penggunaan data kini lebih bervariasi, dan perusahaan harus mengelola data yang kompleks atau berkualitas buruk.

Dalam sebuah penelitian yang menemukan masalah ini dalam perusahaan, ilmuwan data menghabiskan 80% waktu mereka untuk membersihkan, mengintegrasikan, dan menyiapkan data dalam banyak format, termasuk dokumen, gambar, dan video. Secara keseluruhan, hal ini menekankan pentingnya penyediaan platform data tepercaya dan terintegrasi untuk AI.

Dengan akses ke data yang tepat, lebih mudah untuk memperluas akses AI kepada semua pengguna dengan menggunakan kekuatan model dasar yang mendukung berbagai tugas. Namun, penting untuk memperhitungkan peluang dan risiko model dasar, khususnya keandalan model untuk menerapkan AI dalam skala besar.

Kepercayaan adalah faktor utama yang membuat pemangku kepentingan enggan menerapkan AI. Faktanya, IBV menemukan bahwa 67% eksekutif mengkhawatirkan potensi kerugian dari AI. Alat AI yang bertanggung jawab yang saat ini tersedia tidak memiliki kemampuan teknis dan terbatas pada lingkungan tertentu, yang berarti pelanggan tidak dapat menggunakan alat tersebut untuk mengelola model di platform lain. Hal ini mengkhawatirkan, mengingat model generatif sering kali menghasilkan output yang mengandung bahasa negatif, termasuk ujaran kebencian, bahasa kasar, dan kata-kata tidak sopan, atau membocorkan informasi identitas pribadi (PII). Perusahaan makin sering menerima sentimen negatif untuk penggunaan AI, yang merusak reputasi mereka. Kualitas data sangat memengaruhi kualitas dan kegunaan konten yang dihasilkan oleh model AI. Hal inilah yang mendasari pentingnya mengatasi tantangan data.

Salah satu aplikasi AI generatif yang sedang berkembang adalah manajemen pengetahuan. Dengan kekuatan AI, perusahaan dapat menggunakan alat manajemen pengetahuan untuk mengumpulkan, membuat, mengakses, dan berbagi data yang relevan untuk insight organisasi. Aplikasi perangkat lunak manajemen pengetahuan sering diimplementasikan ke dalam sistem terpusat, atau basis pengetahuan, untuk mendukung domain dan tugas bisnis, termasuk sehubungan dengan talenta, layanan pelanggan, dan modernisasi aplikasi.

SDM, talenta, dan AI

Departemen SDM dapat memanfaatkan AI untuk tugas-tugas seperti pembuatan konten, Retrieval-Augmented Generation (RAG), dan klasifikasi. Pembuatan konten dapat dimanfaatkan untuk menulis deskripsi peran dengan cepat. Retrieval-Augmented Generation (RAG) dapat membantu mengidentifikasi keahlian yang dibutuhkan untuk suatu peran berdasarkan dokumen SDM internal. Klasifikasi dapat membantu menentukan apakah pelamar cocok untuk perusahaan yang ditujunya. Tugas-tugas ini memangkas waktu pemrosesan sejak seseorang mengajukan surat lamaran kerja hingga keputusan atas surat lamaran tersebut diterimanya.

Layanan Pelanggan dan AI

Divisi layanan pelanggan dapat memanfaatkan AI dengan menggunakan RAG, peringkasan, dan klasifikasi. Sebagai contoh, perusahaan dapat memasukkan chatbot layanan pelanggan di situs web yang akan menggunakan AI generatif agar lebih spesifik dalam hal percakapan dan konteks. RAG dapat digunakan untuk melakukan pencarian dalam dokumen pengetahuan organisasi internal untuk menjawab pertanyaan pelanggan dan menghasilkan output yang disesuaikan. Peringkasan dapat membantu karyawan dengan menyediakan ringkasan tentang masalah pelanggan dan interaksi sebelumnya dengan perusahaan. Klasifikasi teks dapat digunakan untuk mengelompokkan jenis sentimen pelanggan. Tugas-tugas ini dapat mengurangi pekerjaan manual sekaligus meningkatkan dukungan pelanggan, dan diharapkan juga akan meningkatkan kepuasan dan retensi pelanggan.

Modernisasi aplikasi dan AI

Modernisasi aplikasi juga dapat dicapai dengan bantuan tugas peringkasan dan pembuatan konten. Dengan ringkasan tentang pengetahuan dan tujuan bisnis perusahaan, pengembang dapat memangkas waktu yang diperlukan untuk mempelajari informasi penting dan berfokus pada pengodean. Pekerja TI juga dapat membuat ringkasan permintaan tiket untuk menangani dan memprioritaskan masalah yang terdapat dalam tiket dukungan dengan cepat. Pengembang juga dapat menggunakan AI generatif untuk berkomunikasi dengan model bahasa besar (LLM) dalam bahasa manusia dan meminta model tersebut untuk menghasilkan kode. Hal ini dapat membantu pengembang menerjemahkan bahasa kode, mengatasi bug, dan mengurangi waktu yang digunakan untuk melakukan pengodean, sehingga menghasilkan ide yang lebih kreatif.

Organisasi membutuhkan data lakehouse untuk menghadapi tantangan data yang muncul dengan menerapkan sistem manajemen pengetahuan yang didukung AI. Data lakehouse mengombinasikan fleksibilitas data lake dan kinerja gudang data untuk membantu menskalakan AI. Data lakehouse adalah penyimpanan data yang sesuai dengan tujuan.

Untuk menyiapkan data bagi AI, insinyur data memerlukan kemampuan untuk mengakses semua jenis data di sangat banyak sumber dan lingkungan hybrid cloud dari satu titik masuk. Data lakehouse dengan beberapa mesin kueri dan penyimpanan memungkinkan anggota tim berbagi data dalam format terbuka. Selain itu, insinyur data dapat membersihkan, mengubah, dan membuat standar data untuk pemodelan AI/ML tanpa menduplikasi atau membangun pipeline tambahan. Perusahaan juga perlu mempertimbangkan solusi lakehouse yang mengintegrasikan AI generatif untuk membantu insinyur data dan pengguna non-teknis dengan mudah menemukan, menambah, dan memperkaya data dengan bahasa alami. Data lakehouse meningkatkan efisiensi penerapan AI dan pembuatan pipeline data.

Sistem manajemen pengetahuan berteknologi AI menyimpan data sensitif, termasuk otomatisasi email SDM, terjemahan video pemasaran, dan analisis transkrip pusat panggilan. Dalam kaitannya dengan informasi sensitif ini, memiliki akses ke data yang aman menjadi makin penting. Pelanggan membutuhkan data lakehouse yang menawarkan tata kelola bawaan yang terpusat dan penegakan kebijakan otomatis lokal, yang didukung oleh katalog data, kontrol akses, keamanan, dan transparansi dalam silsilah data.

Melalui fondasi data yang ditetapkan oleh solusi data lakehouse ini, ilmuwan data dapat dengan percaya diri menggunakan data yang dikelola untuk membangun, melatih, menyempurnakan, dan menerapkan model AI, sekaligus memastikan kepercayaan dan keyakinan diri.

Sebagaimana disebutkan sebelumnya, chatbot adalah bentuk populer dari sistem manajemen pengetahuan berteknologi AI generatif yang digunakan untuk menangani pengalaman pelanggan. Aplikasi ini dapat memberikan nilai bagi perusahaan, tetapi juga menimbulkan risiko.

Sebagai contoh, chatbot untuk perusahaan layanan kesehatan dapat mengurangi beban kerja perawat dan meningkatkan layanan pelanggan dengan menjawab pertanyaan tentang perawatan menggunakan informasi yang diketahui dari interaksi sebelumnya. Namun, jika kualitas data buruk atau jika bias dimasukkan ke dalam model selama proses penyempurnaan atau penyesuaian prompt, model tersebut kemungkinan tidak dapat dipercaya. Akibatnya, chatbot dapat memberikan respons kepada pasien yang berisi bahasa yang tidak pantas atau membocorkan informasi identitas pribadi (PII) pasien lain.

Untuk mencegah situasi ini terjadi, organisasi memerlukan deteksi proaktif serta mitigasi bias dan penyimpangan saat menerapkan model AI. Memiliki kemampuan pemfilteran konten otomatis untuk mendeteksi bahasa negatif dan kebocoran informasi identitas pribadi (PII) akan mengurangi beban validator model. Model tidak perlu divalidasi secara manual untuk memastikannya tidak mengandung konten negatif.

Seperti yang telah dinyatakan, strategi manajemen pengetahuan mengacu pada pengumpulan, penciptaan, dan berbagi pengetahuan dalam sebuah organisasi. Hal ini sering diimplementasikan ke dalam sistem berbagi pengetahuan yang dapat digunakan bersama pemangku kepentingan untuk mempelajari dan memanfaatkan pengetahuan kolektif dan insight organisasi yang ada. Misalnya, tugas AI RAG dapat membantu mengidentifikasi keterampilan yang dibutuhkan untuk suatu peran pekerjaan berdasarkan dokumen SDM internal atau mendukung chatbot layanan pelanggan untuk melakukan pencarian dalam dokumen internal untuk menjawab pertanyaan pelanggan dan menghasilkan output yang disesuaikan.

Ketika ingin menerapkan model AI generatif, bisnis perlu bekerja sama dengan mitra tepercaya yang telah membuat atau mendapatkan model berkualitas dari data berkualitas, yang memungkinkan penyesuaian dengan data dan tujuan perusahaan. 

Untuk membantu klien kami memecahkan masalah manajemen pengetahuan, kami menawarkan IBM watsonx.ai. Sebagai bagian dari portofolio produk AI IBM watsonx yang menggabungkan kemampuan AI generatif baru, watsonx.ai didukung oleh model dasar dan machine learning tradisional menjadi sebuah studio canggih yang mencakup siklus proses AI. Dengan watsonx.ai, Anda dapat melatih, memvalidasi, menyempurnakan, serta menerapkan AI generatif, model dasar, dan kemampuan machine learning dengan mudah, sekaligus membangun aplikasi AI dalam waktu lebih singkat dengan lebih sedikit data.