Om de gewenste resultaten te leveren, heeft AI meer nodig dan alleen data. AI heeft ook betekenis, context, relaties, bedrijfsregels en betrouwbare kennis nodig.
Dit zorgt voor een groeiende belangstelling voor ontologieën, knowledge graphs en semantische lagen. Tot zover gaat het goed, maar deze technologieën werken het beste wanneer ze zijn gebaseerd op een duidelijk inzicht in wat uw organisatie daadwerkelijk moet weten. Om een ontologie op te bouwen, moet u begrijpen welke kennis het belangrijkst is. En een knowledge graph biedt de meeste waarde wanneer u weet welke concepten, beslissingen, regels en uitzonderingen deze moet representeren.
Met andere woorden: eerst moet de basis op orde zijn. En om kennis op een consistente en herhaalbare manier te ontdekken, vast te leggen, te prioriteren en te beheren, hebt u een operationeel kennismodel nodig.
Geef AI de juiste kennis, niet alle kennis
Kennis binnen de organisatie is verspreid over databases, operationele systemen, applicaties, dashboards, documenten, beleidsstukken, procedures, video's, vergadernotities, samenwerkingskanalen en – het allerbelangrijkst – de knowhow van uw medewerkers. Die kennis kan accuraat en waardevol zijn, maar ook verouderd of tegenstrijdig.
AI in staat stellen om deze kennis te begrijpen, vraagt echter om veel meer dan documenten verzamelen, experts interviewen, systemen koppelen en vervolgens alles in een repository laden. AI moet weten welke bronnen betrouwbaar zijn, welke regels van toepassing zijn en hoe concepten met elkaar samenhangen.
Een effectievere aanpak is daarom om een model voor kenniskritikaliteit te ontwikkelen dat elke bron beoordeelt op basis van waarde, toegangskosten, risico en veranderlijkheid. Een beleidsdocument dat bepalend is voor naleving van wet- en regelgeving is bijvoorbeeld waarschijnlijk kritischer dan een algemene procesbeschrijving. Een metric op een dashboard is eveneens alleen bruikbaar als de definitie en data lineage ervan duidelijk zijn.
Begin met te bepalen wat het belangrijkst is:
- Op welk bedrijfsdomein of welke use case moet u zich richten?
- Welke beslissingen, workflows of resultaten wilt u verbeteren?
- Welke kennisbronnen zijn het belangrijkst voor deze resultaten? Zijn ze betrouwbaar, toegankelijk en goed beheerd?
Het doel is om de kennis te identificeren die voor een specifiek bedrijfsresultaat het meest relevant, betrouwbaar en herbruikbaar is. Leer van daaruit snel en ontwerp met schaalbaarheid in gedachten.
Verbind workflows, data en beslissingen
Veel AI-initiatieven gaan ervan uit dat de onderliggende workflow al goed wordt begrepen. In werkelijkheid is dat vaak niet het geval. Processen zijn mogelijk slechts gedeeltelijk gedocumenteerd en cruciale kennis bestaat vaak alleen in de hoofden van medewerkers. Verschillende teams kunnen zelfs verschillende namen gebruiken voor hetzelfde bedrijfsconcept.
Om kennis herbruikbaar en beheersbaar te maken, moeten drie complementaire perspectieven met elkaar worden verbonden:
1. Het perspectief van workflows, data en systemen: de activiteiten, rollen, systemen, data-assets, documenten, rapporten, overdrachtsmomenten en afhankelijkheden die laten zien hoe het werk daadwerkelijk wordt uitgevoerd. Dit perspectief beantwoordt vragen zoals: welk werk wordt uitgevoerd? Wie voert het uit? Welke systemen worden gebruikt? Welke data worden gebruikt en geproduceerd? Waar vinden overdrachten plaats?
2. Het perspectief van operationele kennis: omvat regels, beslissingen, impliciete kennis, uitzonderingen, workarounds, kwaliteitscontroles en referentiecases die verklaren hoe mensen in de praktijk hun beoordelingsvermogen toepassen. Dit perspectief beantwoordt vragen zoals: hoe weten mensen wat ze moeten doen? Welke regels worden toegepast? Waar doen zich uitzonderingen voor? Waar is beoordelingsvermogen vereist? Welke kennis onderscheidt een ervaren medewerker van een beginner?
3. Het governanceperspectief: ownership, validatie, traceerbaarheid, versiebeheer, toegestaan AI-gebruik en controles die ervoor zorgen dat kennis actueel en daarmee veilig te gebruiken blijft. Dit perspectief beantwoordt vragen zoals: wie is verantwoordelijk voor deze kennis? Wie heeft deze gevalideerd? Wat is de bron van het bewijs? Wanneer moet de kennis worden beoordeeld? Kan AI deze rechtstreeks gebruiken of is human-in-the-loop-goedkeuring vereist?
Door deze drie perspectieven samen te brengen, verandert het vastleggen van kennis van een eenmalige consultancyactiviteit in een herhaalbare, schaalbare werkwijze.
Kies standaardobjecten om kennis herbruikbaar te maken
Als elk team kennis op een andere manier documenteert, is het moeilijk om deze opnieuw te gebruiken.
Een gemeenschappelijk objectmodel biedt, zoals de naam al aangeeft, een uniforme manier om de kennis die uw organisatie moet kunnen hergebruiken te beschrijven en met elkaar te verbinden. Structureer workflowkennis rond herbruikbare objecten, zoals workflows, activiteiten, rollen, systemen, data-assets, beslissingen, regels, uitzonderingen en controles. Definieer vervolgens hoe deze objecten zich tot elkaar verhouden: een workflow bevat activiteiten; een activiteit wordt uitgevoerd door een rol; een beslissing is afhankelijk van een regel; een systeem produceert data; en een controle stuurt een proces aan.
Deze structuur maakt kennis vanaf de eerste dag gemakkelijker vindbaar en creëert tegelijkertijd een brug tussen business en technologie. Business-teams kunnen workflows, regels en beslissingen herkennen, terwijl datateams deze objecten kunnen koppelen aan data-assets, lineage en kwaliteitsregels. AI-teams kunnen ze gebruiken om contextpakketten, retrievalpatronen, instructies voor agents en evaluatiecriteria te ontwikkelen.
De sleutel is om het model niet onnodig complex te maken. Creëer voldoende structuur zodat kennis die binnen de ene use case is vastgelegd, in de volgende opnieuw kan worden gebruikt.
Gebruik workflow knowledge cards voor consistentie en governance
Een praktische manier om een gemeenschappelijk objectmodel op te bouwen is door gebruik te maken van workflow knowledge cards. Elke kaart legt één activiteit, beslissing, overdracht of uitzondering vast in een standaardformaat.
Een kaart kan de naam van de activiteit, de bovenliggende workflow, de verantwoordelijke rol, inputs en outputs, gebruikte systemen, data-elementen, documenten, bedrijfsregels, impliciete kennis, veelvoorkomende uitzonderingen, controles, eigenaar, knelpunten, AI-mogelijkheden, validatiestatus, traceerbaarheid van bronnen en beoordelingsdatum bevatten.
Het gebruik van een standaardstructuur zorgt voor consistentie tussen workflows en maakt kennis gemakkelijker te beoordelen, valideren en beheren. Het ondersteunt ook prioritering doordat elke kaart kan worden beoordeeld op bedrijfswaarde, risico, relevantie voor AI en governance readiness.
Deze aanpak stimuleert ook hergebruik. Regels, beslissingen, uitzonderingen en data-afhankelijkheden kunnen bijvoorbeeld tussen workflows worden gedeeld, terwijl ownership, validatie, traceerbaarheid en beoordelingscycli onderdeel worden van het kennisasset zelf.
Gebruik dezelfde taal om documentatie om te zetten in data
Traditionele documentatie is moeilijk te vergelijken omdat elk team zijn werk anders beschrijft. Een gecontroleerde woordenlijst lost dit probleem op door een standaardlijst met termen te bieden voor het classificeren van workflows, informatie en AI-mogelijkheden, bijvoorbeeld:
- Activiteiten kunnen worden geclassificeerd als verzamelen, valideren, goedkeuren, afstemmen of rapporteren.
- Kennis kan worden geclassificeerd als bedrijfsregel, heuristiek, workaround, beleid of kwaliteitscontrole.
- Datagebruik kan worden geclassificeerd als input, referentie, berekening of auditbewijs.
- Uitzonderingen kunnen worden geclassificeerd als ontbrekende data, conflict, handmatige workaround of complianceprobleem.
- AI-mogelijkheden kunnen worden geclassificeerd als ophalen, samenvatten, valideren, uitleggen of aanbevelen.
Met een gecontroleerde woordenlijst kunt u kennis ook organisatiebreed analyseren. U kunt vaststellen waar handmatige beslissingen geconcentreerd zijn, waar uitzonderingen herhaaldelijk voorkomen, waar problemen met datakwaliteit bestaan, waar controles tekortschieten en waar AI veilig waarde kan toevoegen.
Zo wordt documentatie omgezet in gestructureerde, meetbare en herbruikbare kennis.
Voer due diligence uit op uw kennis
Niet elke kennisbron is klaar voor AI. Elke bron moet eerst een due diligence-proces voor kennis doorlopen om de kwaliteit, ownership, actualiteit, volledigheid, consistentie, status als gezaghebbende bron en het risico ervan te beoordelen:
- Databronnen moeten worden beoordeeld op ownership, stewardship, lineage, kwaliteitsregels en semantische mapping.
- Documenten moeten worden beoordeeld op structuur, versiebeheer, goedkeuringsstatus en aansluiting op de huidige werkwijze.
- Impliciete kennis moet door meerdere experts worden gevalideerd en aan praktijkvoorbeelden worden gekoppeld.
- Regels en beslissingen moeten worden beoordeeld op aansluiting bij het beleid, afhandeling van uitzonderingen en auditbaarheid.
Deze beoordeling helpt u te bepalen of een bron kan worden gebruikt en waar eerst problemen moeten worden opgelost. Sommige bronnen kunnen bijvoorbeeld waardevol zijn, maar vereisen duidelijker ownership, bijgewerkte documentatie, helderdere definities of sterkere kwaliteitscontroles voordat ze AI veilig kunnen ondersteunen.
Integreer kennisgovernance vanaf het ontwerp
Als u eerst kennis vastlegt en pas later over governance nadenkt, wordt het veel moeilijker om die kennis betrouwbaar en actueel te houden. Governance moet vanaf het begin in elk kennisasset worden ingebouwd.
Elk asset moet een duidelijk verantwoordelijke eigenaar, een validatiestatus, traceerbaarheid van bronnen, beoordelingsdatums, versiegeschiedenis en vastgelegde gebruiksrechten hebben. Ook moet worden aangegeven of AI de kennis rechtstreeks mag gebruiken voor retrieval, aanbevelingen of andere doeleinden, en wanneer menselijke beoordeling vereist is.
Governance moet doorlopende controles omvatten, zoals controles op actualiteit en volledigheid, detectie van tegenstrijdigheden, mapping van gezaghebbende bronnen, monitoring van drift en goedkeuringsworkflows.
Hier vult kennisgovernance datagovernance aan, maar beide zijn niet hetzelfde. Datagovernance richt zich op data-assets, ownership, kwaliteit, lineage en controles. Kennisgovernance breidt deze principes uit naar bedrijfsbetekenis, regels, processen en AI-context. In een organisatie die AI gebruikt, hebt u beide nodig.
Begin met één use case om een schaalbare kennisarchitectuur op te bouwen
Een praktische manier om te beginnen is door één bedrijfsdomein met hoge prioriteit en één use case te kiezen. Gebruik deze om uw kennisarchitectuur en governancemodel te definiëren.
Omdat het resultaat herbruikbare structuren en componenten bevat, hoeft uw volgende use case niet vanaf nul te beginnen. U kunt voortbouwen op bestaande, beheerde kennisassets, gemeenschappelijke bedrijfsentiteiten en regels hergebruiken, bestaande mappings uitbreiden, contextpakketten aanpassen en alleen toevoegen wat nieuw is.
Zo kunnen kennisinitiatieven opschalen: niet door alles in één keer te proberen vast te leggen, maar door geleidelijk herbruikbare kennisassets op te bouwen.
De toekomst ligt in beheerste kennisproductie
Nieuwe technologieën kunnen helpen bij het extraheren van concepten, aanbevelen van ontologieën, classificeren van documenten, beoordelen van kwaliteit, detecteren van tegenstrijdigheden en automatiseren van stewardship. Dit zijn waardevolle mogelijkheden, maar ze vervangen niet de noodzaak van een gedisciplineerd operationeel model.
Door te standaardiseren hoe kennis wordt ontdekt, gevalideerd, beheerd, hergebruikt en toegepast, gaat u verder dan geïsoleerde AI-experimenten en beweegt u in de richting van AI-systemen die uw organisatie beter begrijpen en zich in de loop van de tijd blijven verbeteren.
WAT KUNT U NU DOEN?
Lees meer over de AI Services van NTT DATA en ontdek hoe we u kunnen helpen AI operationeel in te zetten binnen uw hele organisatie.